[發(fā)明專利]一種交易量預測方法及裝置

在審

• 申請?zhí)枺?/td>: 202210593790.3
• 申請日: 2022-05-27
• 公開（公告）號: CN114926283A
• 公開（公告）日: 2022-08-19
• 發(fā)明（設計）人: 鄭澤晨;張瑾;李科強;祝捷;趙慶;翟翎;王偉;張鵬;王瑤;郝雄斌;幸蘭欣
• 申請（專利權(quán)）人: 中國銀行股份有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06Q10/04;G06N20/00;G06N3/08;G06N3/04
• 代理公司: 北京三友知識產(chǎn)權(quán)代理有限公司 11127
• 代理人: 李輝;王維寧

本發(fā)明公開了一種交易量預測方法及裝置，涉及大數(shù)據(jù)技術(shù)領(lǐng)域，所述方法包括：獲取預測起始日的預測特征數(shù)據(jù)；對所述預測特征數(shù)據(jù)進行預處理，得到所述預測特征數(shù)據(jù)對應的預測特征向量；基于所述預測特征向量和交易量預測模型，對所述預測起始日后的預設時間段內(nèi)的交易量進行預測，得到交易量預測值；根據(jù)所述交易量預測值對后臺服務器資源進行調(diào)配。本發(fā)明實施例提供的交易量預測方法及裝置，通過將交易量的相關(guān)的特征數(shù)據(jù)做時序分析后，對原始模型進行訓練從而獲得交易量預測模型。當把來自于日常的交易相關(guān)的數(shù)據(jù)提供給交易量預測模型對未來一段時間內(nèi)的交易量進行預測，以小段時間的交易量為依據(jù)精準的調(diào)配服務器資源。

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)技術(shù)領(lǐng)域，尤其涉及一種交易量預測方法及裝置。

背景技術(shù)

銀行運維平臺每月都會統(tǒng)計本月中的各種運維信息，交易量就是其中重要的數(shù)據(jù)之一。交易量可以反映每天的交易規(guī)模，在交易中后臺系統(tǒng)需要處理大量的交易信息，需要根據(jù)交易量的大小對后臺服務器資源進行調(diào)配。

交易流量隨著時間變化和節(jié)日變化存在極大的波動，現(xiàn)有技術(shù)中主要是通過機器學習的方式對未來的交易量進行預測，根據(jù)預測結(jié)果合理分配后臺服務器資源。

但是現(xiàn)有技術(shù)中的對未來交易量的預測由于是基于非時間序列的模型進行的，忽略了時間對交易量的影響，對未來交易量預測的準確率低。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種交易量預測方法，用以解決上述技術(shù)問題，所述方法包括：

獲取預測起始日的預測特征數(shù)據(jù)；

對所述預測特征數(shù)據(jù)進行預處理，得到所述預測特征數(shù)據(jù)對應的預測特征向量；

基于所述預測特征向量和交易量預測模型，對所述預測起始日后的預設時間段內(nèi)的交易量進行預測，得到交易量預測值；其中，所述交易量預測模型是基于預設時間段內(nèi)的歷史預測特征數(shù)據(jù)集、所述歷史特征數(shù)據(jù)對應的歷史交易量和原始模型訓練得到的；

根據(jù)所述交易量預測值對后臺服務器資源進行調(diào)配。

進一步的，所述預測特征數(shù)據(jù)包括：預測起始日前預設時間段內(nèi)的每日交易量和活動信息。

進一步的，獲取預測起始日的預測特征數(shù)據(jù)包括以下步驟：

獲取所述預測起始日前預設時間段內(nèi)的交易日志文件；

從所述交易日志文件中提取所述預測特征數(shù)據(jù)。

進一步的，基于預設時間段內(nèi)的歷史預測特征數(shù)據(jù)集、所述歷史特征數(shù)據(jù)對應的交易量和原始模型訓練得到所述交易量預測模型包括以下步驟：

獲取預設時間段內(nèi)的歷史預測特征數(shù)據(jù)集和所述歷史特征數(shù)據(jù)集對應的歷史交易量；其中，所述歷史預測特征數(shù)據(jù)集包括歷史起始日和歷史起始日的預測特征數(shù)據(jù)；

對所述歷史預測特征數(shù)據(jù)進行預處理，得到所述歷史預測特征數(shù)據(jù)對應的歷史預測特征向量；

基于所述歷史預測特征向量和所述歷史交易量對所述原始模型進行訓練，得到所述交易量預測模型。

進一步的，所述原始模型為差分整合移動平均自回歸模型或長短時神經(jīng)網(wǎng)絡模型。

進一步的，基于所述歷史預測特征向量和所述歷史交易量對所述原始模型進行訓練，得到所述交易量預測模型包括以下步驟：

基于所述歷史預測特征向量和所述歷史交易量對所述差分整合移動平均自回歸模型進行訓練，得到第一預測模型；

基于所述歷史預測特征向量和所述歷史交易量對所述長短時神經(jīng)網(wǎng)絡模型進行訓練，得到第二預測模型；

使用加權(quán)算法對所述第一預測模型和所述第二預測模型進行融合，得到所述交易量預測模型。