[發(fā)明專利]一種數(shù)據(jù)預測方法、裝置、設備及計算機可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011023479.2
• 申請日: 2020-09-25
• 公開（公告）號: CN112184301A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設計）人: 周天;范淵
• 申請（專利權(quán)）人: 杭州安恒信息技術(shù)股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 侯珊

本發(fā)明公開了一種數(shù)據(jù)預測方法，該方法包括以下步驟：對接收到的數(shù)據(jù)預測請求進行解析，確定目標對象；調(diào)取目標對象的各歷史交易數(shù)據(jù)；獲取各歷史交易數(shù)據(jù)分別對應的關(guān)注度；將各歷史交易數(shù)據(jù)和各關(guān)注度輸入到預測模型中；利用預測模型預測得到目標對象的目標交易數(shù)據(jù)。應用本發(fā)明實施例所提供的技術(shù)方案，較大地降低了主觀因素影響，充分考慮了數(shù)據(jù)的關(guān)注度這一外在因素，提升了數(shù)據(jù)走向趨勢預測的準確性。本發(fā)明還公開了一種數(shù)據(jù)預測裝置、設備及存儲介質(zhì)，具有相應技術(shù)效果。

技術(shù)領(lǐng)域

本發(fā)明涉及機器學習技術(shù)領(lǐng)域，特別是涉及一種數(shù)據(jù)預測方法、裝置、設備及計算機可讀存儲介質(zhì)。

背景技術(shù)

對于持續(xù)生成的數(shù)據(jù)，數(shù)據(jù)走向趨勢會存在一定的規(guī)律。為了對即將生成數(shù)據(jù)做好應對準備，需要對數(shù)據(jù)走向趨勢進行預測。

現(xiàn)有的數(shù)據(jù)走向趨勢預測方法主要分為基礎分析法和技術(shù)分析法。基礎分析主要是根據(jù)歷史經(jīng)驗做出總結(jié)和發(fā)現(xiàn)內(nèi)在的規(guī)律性，做出數(shù)據(jù)走向趨勢判斷。技術(shù)分析則是通過歷史數(shù)據(jù)試圖來尋找數(shù)據(jù)變動的內(nèi)在規(guī)律，預測數(shù)據(jù)的走向趨勢。但是，以上兩種數(shù)據(jù)走向趨勢預測方法均存在一定的缺點。首先，基礎分析法受主觀因素影響較大，數(shù)據(jù)走向趨勢預測準確性不能得到有效保證；其次，技術(shù)分析法僅是基于歷史數(shù)據(jù)本身進行數(shù)據(jù)走向趨勢預測，未考慮到其他外在因素對數(shù)據(jù)走向趨勢的影響，數(shù)據(jù)走向趨勢預測準確性較低。

綜上所述，如何有效地解決現(xiàn)有的數(shù)據(jù)走向趨勢預測方式受主觀因素影響較大，未考慮到其他外在因素對數(shù)據(jù)走向趨勢的影響，數(shù)據(jù)走向趨勢預測準確性較低等問題，是目前本領(lǐng)域技術(shù)人員急需解決的問題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種數(shù)據(jù)預測方法，該方法較大地降低了主觀因素影響，充分考慮了數(shù)據(jù)的關(guān)注度這一外在因素，提升了數(shù)據(jù)走向趨勢預測的準確性；本發(fā)明的另一目的是提供一種數(shù)據(jù)預測裝置、設備及計算機可讀存儲介質(zhì)。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

一種數(shù)據(jù)預測方法，包括：

對接收到的數(shù)據(jù)預測請求進行解析，確定目標對象；

調(diào)取所述目標對象的各歷史交易數(shù)據(jù)；

獲取各所述歷史交易數(shù)據(jù)分別對應的關(guān)注度；

將各所述歷史交易數(shù)據(jù)和各所述關(guān)注度輸入到預測模型中；

利用所述預測模型預測得到所述目標對象的目標交易數(shù)據(jù)。

在本發(fā)明的一種具體實施方式中，獲取各所述歷史交易數(shù)據(jù)分別對應的關(guān)注度，包括：

通過selenium自動化測試工具獲取各所述歷史交易數(shù)據(jù)分別對應的搜索指數(shù)數(shù)據(jù)；

將各所述歷史交易數(shù)據(jù)和各所述關(guān)注度輸入到預測模型中，包括：

將各所述歷史交易數(shù)據(jù)和各所述搜索指數(shù)數(shù)據(jù)輸入到所述預測模型中。

在本發(fā)明的一種具體實施方式中，在獲取各所述歷史交易數(shù)據(jù)分別對應的關(guān)注度之后，將各所述歷史交易數(shù)據(jù)和各所述關(guān)注度輸入到預測模型中之前，還包括：

對各所述歷史交易數(shù)據(jù)及各所述關(guān)注度進行正態(tài)分布標準化處理。

在本發(fā)明的一種具體實施方式中，在獲取各所述歷史交易數(shù)據(jù)分別對應的關(guān)注度之后，對各所述歷史交易數(shù)據(jù)及各所述關(guān)注度進行正態(tài)分布標準化處理之前，還包括：

對各所述關(guān)注度進行過濾操作。

在本發(fā)明的一種具體實施方式中，所述預測模型的訓練過程包括：

獲取預設數(shù)量的各樣本數(shù)據(jù)組；

將各所述樣本數(shù)據(jù)組輸入到BP神經(jīng)網(wǎng)絡模型；