[發明專利]流動性覆蓋率預測方法及裝置

在審

• 申請號: 202110036773.5
• 申請日: 2021-01-12
• 公開（公告）號: CN112734565A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 張佩玉;溫麗明;梁森;鐘銳填
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/12;G06N20/10
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;孫乳筍

1.一種流動性覆蓋率預測方法，其特征在于，所述方法包含：

獲取歷史時刻的各業務應用服務器系統的業務數據和在歷史時刻下的流動性覆蓋率數據；

根據所述歷史時刻的業務數據和歷史時刻下的流動性覆蓋率數據對預先建立的機器學習模型進行訓練，獲得第一訓練模型；

根據預定條件篩選所述流動性覆蓋率數據和對應時刻下的業務數據，并根據篩選結果對預先建立的機器學習模型進行訓練，獲得第二訓練模型；

根據所述第一訓練模型和預測的業務數據，獲得流動性覆蓋率預測值；

將所述預測值與預設閾值比較，并根據比較結果將所述流動性覆蓋率預測值帶入所述第二訓練模型獲得多個業務數據配置方案數據；

根據所述業務數據配置方案數據與預測的業務數據的比較結果，獲得業務數據調整方案。

2.根據權利要求1所述的流動性覆蓋率預測方法，其特征在于，獲取歷史時刻的各業務應用服務器系統的業務數據和在歷史時刻下的流動性覆蓋率數據包含：

對所述業務數據中異常數據進行篩除處理，獲得預處理后的業務數據，作為源數據。

3.根據權利要求1所述的流動性覆蓋率預測方法，其特征在于，根據所述歷史時刻的業務數據和歷史時刻下的流動性覆蓋率數據對預先建立的機器學習模型進行訓練，獲得第一訓練模型包含：

將預處理后的業務數據和歷史時刻下的流動性覆蓋率數據隨機分割為K個不重合的子數據集，以K-1個子數據集作為訓練集，剩下1個作為驗證集；

通過迭代的方式，分別將每次選擇的訓練集輸入預先建立的機器學習模型中，進行訓練，以對應的驗證集進行模型學習優化；

通過遺傳算法和支持向量機回歸算法的多元線性回歸集成學習訓練，獲得第一訓練模型；

K為大于1的正整數。

4.根據權利要求1所述的流動性覆蓋率預測方法，其特征在于，根據所述第一訓練模型和預測的業務數據，獲得流動性覆蓋率預測值包含：

通過預測的業務數據對應的特征值信息和所述第一訓練模型計算獲得流動性覆蓋率預測值。

5.根據權利要求1所述的流動性覆蓋率預測方法，其特征在于，根據所述業務數據配置方案數據與預測的業務數據的比較結果，獲得業務數據調整方案包含：

將多個業務數據配置方案數據分別與預測的業務數據進行成分比例相似性匹配，獲得各業務數據配置方案數據與預測的業務數據的相似性；

根據所述相似性篩選所述業務數據配置方案數據，獲得符合預設條件的業務數據調整方案。

6.根據權利要求1所述的流動性覆蓋率預測方法，其特征在于，根據篩選結果對預先建立的機器學習模型進行訓練還包含：獲取用戶的偏好度數據，根據所述偏好度數據和篩選結果對預先建立的機器學習模型進行訓練，獲得第二訓練模型。

7.根據權利要求6所述的流動性覆蓋率預測方法，其特征在于，根據比較結果將所述流動性覆蓋率預測值帶入所述第二訓練模型獲得多個業務數據配置方案數據還包含：根據比較結果將所述流動性覆蓋率預測值和所述偏好度數據帶入所述第二訓練模型獲得多個業務數據配置方案數據。