Nothing Special   »   [go: up one dir, main page]

CN114118570A - 业务数据预测方法及装置、电子设备和存储介质 - Google Patents

业务数据预测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114118570A
CN114118570A CN202111407001.4A CN202111407001A CN114118570A CN 114118570 A CN114118570 A CN 114118570A CN 202111407001 A CN202111407001 A CN 202111407001A CN 114118570 A CN114118570 A CN 114118570A
Authority
CN
China
Prior art keywords
prediction
service
model
time
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111407001.4A
Other languages
English (en)
Inventor
凡玉杰
向东
陈兴华
严甜甜
杜园园
朱建林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taikang Life Insurance Co ltd
Taikang Insurance Group Co Ltd
Original Assignee
Taikang Life Insurance Co ltd
Taikang Insurance Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taikang Life Insurance Co ltd, Taikang Insurance Group Co Ltd filed Critical Taikang Life Insurance Co ltd
Priority to CN202111407001.4A priority Critical patent/CN114118570A/zh
Publication of CN114118570A publication Critical patent/CN114118570A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开是关于一种业务数据预测方法及装置、电子设备以及计算机可读存储介质，涉及机器学习技术领域，可以应用于对保险业务中的理赔量进行预测的场景。该方法包括：获取待预测业务数据，对待预测业务数据进行时间序列化处理，以生成时间序列业务数据；待预测业务数据包括多个影响因素变量对应的业务值；获取业务预测模型；业务预测模型通过多个时序计算模型集成得到，业务预测模型包括各时序计算模型的模型权重；将时间序列业务数据输入至各时序计算模型，确定各时序计算模型得到的初始预测结果；根据多个初始预测结果与多个模型权重确定业务预测结果。本公开通过对多个时序计算模型进行集成得到业务预测模型，以提高预测结果的准确性。

Description

业务数据预测方法及装置、电子设备和存储介质
技术领域
本公开涉及机器学习技术领域，具体而言，涉及一种业务数据预测方法、业务数据预测装置、电子设备以及计算机可读存储介质。
背景技术
在企业的日常生产经营过程中，可以包括多种具体业务，对不同业务的业务数据进行预判可以对企业的经营成本与规划制定提供依据。以保险行业为例，理赔是保险企业业务经营的核心环节之一，无论是经营成本管控，还是制定规划的需要，都需要保险公司对未来某时间点可能发生多少件理赔做出预判。
理赔量可以是指已经结案且产生赔付的案件数量，理赔量是一个随时间发生变化的变量，这类随时间发生变化的变量的预测方式，目前主要通过下述两种方案实现。一是假定这类变量服从指定的数学分布。二是将这类变量视作随机变量，其随时间变化的过程为随机过程，然后借助时间序列模型对下一时间点的数据进行预测。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种业务数据预测方法、业务数据预测装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服采用一个确定性函数量化业务数据导致预测出的业务数据偏离实际情况，或者采用神经网络模型得到的预测结果不够稳定且容易出现过拟合等导致预测精度不高的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本公开的第一方面，提供一种业务数据预测方法，包括：获取待预测业务数据，对所述待预测业务数据进行时间序列化处理，以生成时间序列业务数据；所述待预测业务数据包括多个影响因素变量对应的业务值；获取业务预测模型；所述业务预测模型通过多个时序计算模型集成得到，所述业务预测模型包括各所述时序计算模型的模型权重；将所述时间序列业务数据输入至各所述时序计算模型，确定各所述时序计算模型得到的初始预测结果；根据多个所述初始预测结果与多个所述模型权重确定业务预测结果。
在本公开的一种示例性实施方案中，对所述待预测业务数据进行时间序列化处理，以生成时间序列业务数据，包括：确定所述待预测业务数据对应的时间点集合；所述时间点集合包括多个时间点；确定各所述影响因素变量在各所述时间点对应的业务值；根据各所述影响因素变量与各所述业务值生成初始时间序列业务数据；确定各所述影响因素变量对应的时间阶滞后数据；根据所述初始时间序列业务数据与所述时间阶滞后数据生成所述时间序列业务数据。
在本公开的一种示例性实施方案中，上述业务预测模型通过下述步骤训练得到：获取业务预测训练数据集；所述业务预测训练数据集包括多个影响因素变量在指定时间区间对应的业务值数据；对所述业务预测训练数据集进行时间序列化处理，以生成时间序列训练数据；获取多个初始时序计算模型，基于所述时间序列训练数据对所述初始时序计算模型进行模型训练，以得到时序计算模型；确定各所述时序计算模型的模型权重，以确定所述业务预测模型。
在本公开的一种示例性实施方案中，确定各所述时序计算模型的模型权重，包括：将所述业务预测训练数据集输入至所述时序计算模型，以得到训练预测值；所述训练预测值包括预测时间点对应的预测业务值；确定与各所述预测时间点对应的实际业务值；根据所述预测业务值与所述实际业务值确定所述模型权重。
在本公开的一种示例性实施方案中，根据所述预测业务值与所述实际业务值确定所述模型权重，包括：确定多个所述时序计算模型在所述预测时间点对应的预测偏差值；所述预测偏差值为所述预测时间点对应的所述预测业务值与所述实际业务值之间的差值；根据多个所述预测偏差值中确定最大偏差值；基于所述最大偏差值对多个所述预测偏差值进行归一化处理，以得到各所述时序计算模型的模型错误率；根据所述模型错误率确定所述模型权重。
在本公开的一种示例性实施方案中，将所述时间序列业务数据输入至各所述时序计算模型，确定各所述时序计算模型得到的初始预测结果，包括：确定所述时间序列业务数据对应的标准化因子；所述标准化因子包括各所述影响因素变量对应的业务值的业务均值和业务方差；根据所述业务均值与所述业务方差对所述时间序列业务数据进行数据标准化处理，以得到标准时间序列业务数据；将所述标准时间序列业务数据输入至各所述时序计算模型，以确定多个初始预测结果。
在本公开的一种示例性实施方案中，根据多个所述初始预测结果与多个所述模型权重确定业务预测结果，包括：对多个所述初始预测结果进行数值排序处理，得到初始预测排序结果；根据所述模型权重与所述初始预测排序结果确定权重中位数，将所述权重中位数对应的时序计算模型确定为目标子模型；确定所述目标子模型对应的目标预测值；获取业务均值与业务方差，根据所述业务均值与所述业务方差对所述目标预测值进行去标准化处理，以得到所述业务预测结果。
根据本公开的第二方面，提供一种业务数据预测装置，包括：序列数据生成模块，用于获取待预测业务数据，对所述待预测业务数据进行时间序列化处理，以生成时间序列业务数据；所述待预测业务数据包括多个影响因素变量对应的业务值；模型获取模块，用于获取业务预测模型；所述业务预测模型通过多个时序计算模型集成得到，所述业务预测模型包括各所述时序计算模型的模型权重；初始结果确定模块，用于将所述时间序列业务数据输入至各所述时序计算模型，确定各所述时序计算模型得到的初始预测结果；预测结果确定模块，用于根据多个所述初始预测结果与多个所述模型权重确定业务预测结果。
在本公开的一种示例性实施方案中，序列数据生成模块包括序列数据生成单元，用于确定所述待预测业务数据对应的时间点集合；所述时间点集合包括多个时间点；确定各所述影响因素变量在各所述时间点对应的业务值；根据各所述影响因素变量与各所述业务值生成初始时间序列业务数据；确定各所述影响因素变量对应的时间阶滞后数据；根据所述初始时间序列业务数据与所述时间阶滞后数据生成所述时间序列业务数据。
在本公开的一种示例性实施方案中，业务数据预测装置包括模型训练模块，用于获取业务预测训练数据集；所述业务预测训练数据集包括多个影响因素变量在指定时间区间对应的业务值数据；对所述业务预测训练数据集进行时间序列化处理，以生成时间序列训练数据；获取多个初始时序计算模型，基于所述时间序列训练数据对所述初始时序计算模型进行模型训练，以得到时序计算模型；确定各所述时序计算模型的模型权重，以确定所述业务预测模型。
在本公开的一种示例性实施方案中，模型训练模块包括模型权重确定单元，用于将所述业务预测训练数据集输入至所述时序计算模型，以得到训练预测值；所述训练预测值包括预测时间点对应的预测业务值；确定与各所述预测时间点对应的实际业务值；根据所述预测业务值与所述实际业务值确定所述模型权重。
在本公开的一种示例性实施方案中，模型权重确定单元包括权重确定子单元，用于确定多个所述时序计算模型在所述预测时间点对应的预测偏差值；所述预测偏差值为所述预测时间点对应的所述预测业务值与所述实际业务值之间的差值；根据多个所述预测偏差值中确定最大偏差值；基于所述最大偏差值对多个所述预测偏差值进行归一化处理，以得到各所述时序计算模型的模型错误率；根据所述模型错误率确定所述模型权重。
在本公开的一种示例性实施方案中，初始结果确定模块包括初始结果确定单元，用于确定所述时间序列业务数据对应的标准化因子；所述标准化因子包括各所述影响因素变量对应的业务值的业务均值和业务方差；根据所述业务均值与所述业务方差对所述时间序列业务数据进行数据标准化处理，以得到标准时间序列业务数据；将所述标准时间序列业务数据输入至各所述时序计算模型，以确定多个初始预测结果。
在本公开的一种示例性实施方案中，预测结果确定模块包括预测结果确定单元，用于对多个所述初始预测结果进行数值排序处理，得到初始预测排序结果；根据所述模型权重与所述初始预测排序结果确定权重中位数，将所述权重中位数对应的时序计算模型确定为目标子模型；确定所述目标子模型对应的目标预测值；获取业务均值与业务方差，根据所述业务均值与所述业务方差对所述目标预测值进行去标准化处理，以得到所述业务预测结果。
根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的业务数据预测方法。
根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的业务数据预测方法。
本公开提供的技术方案可以包括以下有益效果：
本公开的示例性实施例中的业务数据预测方法，获取待预测业务数据，对待预测业务数据进行时间序列化处理，以生成时间序列业务数据；待预测业务数据包括多个影响因素变量对应的业务值；获取业务预测模型；业务预测模型通过多个时序计算模型集成得到，业务预测模型包括各时序计算模型的模型权重；将时间序列业务数据输入至各时序计算模型，确定各时序计算模型得到的初始预测结果；根据多个初始预测结果与多个模型权重确定业务预测结果。一方面，在业务数据预测过程中，考虑了业务数据的多个相关影响因素对其的影响，使得得到的预测结果更具准确性。另一方面，采用多个时序计算模型集成得到的业务预测模型进行预测处理，可以避免单个模型预测结果不够稳定且容易发生过拟合的现象，提高预测结果的稳健性和精确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示意性示出了根据本公开的示例性实施方式的业务数据预测方法的流程图；
图2示意性示出了根据本公开的示例性实施方式的采用业务预测模型确定业务预测结果的流程图；
图3示意性示出了根据本公开的示例性实施方式的生成时间序列业务数据的流程图；
图4示意性示出了根据本公开的示例性实施方式的训练业务预测模型的流程图；
图5示意性示出了根据本公开的示例性实施方式的根据预测业务值与实际业务值确定模型权重的流程图；
图6示意性示出了根据本公开的示例性实施方式的根据预测业务值与实际业务值确定模型权重的流程图；
图7示意性示出了根据本公开的示例性实施方式的业务数据预测装置的方框图；
图8示意性示出了根据本公开一示例性实施例的电子设备的框图；
图9示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在业务处理过程中，实际的业务数据通常具有大量随时间发生变化的业务量，因此，需要对具有时间序列特性的业务数据进行预测处理。在对这类随时间发生变化的变量的预测技术，通常可以采用以下两种方式对具有时间特性的业务数据进行预测处理。
在一种实现方案中，可以假定这类变量服从指定的数学分布，例如泊松分布、负二项分布等，通过将历史数据带入指定的分布函数中求解分布函数的参数，然后利用分布函数对下一时点的进行预测，保险行业比较典型的就是精算模型。以理赔量预测过程为例，由于本方案中实际假定了理赔量与时间之间的关系是确定的，这种关系可以使用一个函数进行量化，然而实际上，影响理赔量的因素有很多，宏观经济、既往承保的保单量、季节因素、被保人年龄分布等众多因素都可能对理赔量产生影响，使用一个确定性的函数来量化既不可能也不实际。
在另一种实现方案中，可以将这类变量视作随机变量，其随时间变化的过程为随机过程，然后借助时间序列模型，如自回归(autoregressive，AR)模型、差分自回归移动平均(autoregressive moving average model，ARIMA)模型或者神经网络模型，如循环神经网络(Recurrent Neural Network，RNN)、长短期记忆网络(Long Short-Term Memory，LSTM)、门控循环单元(Gate Recurrent Unit，GRU)等对下一时点的业务量进行预测。
以理赔量预测过程为例，在本实现方案中，虽然考虑到理赔量受多种因素的影响，并尽可能考虑了所有可能的因素甚至是未知因素，但是时间序列模型多假定理赔量与这些因素之间的变化是线性关系，这可能并不符合真实情况；另外，神经网络模型虽然考虑到非线性关系，但是由于神经网络结构的复杂性、设计的主观性、以及初始参数选择的随机性，导致神经网络模型的预测结果往往不够稳定以及容易出现过拟合现象，因此采用上述实现方案得到的模型预测精度并不高。
基于此，在本示例实施例中，首先提供了一种业务数据预测方法，可以利用服务器来实现本公开的业务数据预测方法，也可以利用终端设备来实现本公开所述的方法，其中，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)等移动终端，以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的业务数据预测方法流程的示意图。参考图1，该业务数据预测方法可以包括以下步骤：
步骤S110，获取待预测业务数据，对待预测业务数据进行时间序列化处理，以生成时间序列业务数据；待预测业务数据包括多个影响因素变量对应的业务值。
步骤S120，获取业务预测模型；业务预测模型通过多个时序计算模型集成得到，业务预测模型包括各时序计算模型的模型权重。
步骤S130，将时间序列业务数据输入至各时序计算模型，确定各时序计算模型得到的初始预测结果。
步骤S140，根据多个初始预测结果与多个模型权重确定业务预测结果。
根据本示例实施例中的业务数据预测方法，一方面，在业务数据预测过程中，考虑了业务数据的多个相关影响因素对其的影响，使得得到的预测结果更具准确性。另一方面，采用多个时序计算模型集成得到的业务预测模型进行预测处理，可以避免单个模型预测结果不够稳定且容易发生过拟合的现象，提高预测结果的稳健性和精确性。
下面，将对本示例实施例中的业务数据预测方法进行进一步的说明。
在步骤S110中，获取待预测业务数据，对待预测业务数据进行时间序列化处理，以生成时间序列业务数据；待预测业务数据包括多个影响因素变量对应的业务值。
在本公开的一些示例性实施方式中，待预测业务数据可以是某个待预测业务对应的具体业务数据。时间序列化处理可以是结合待预测业务数据的时间阶滞后数据对待预测业务数据按照时间先后顺序进行排列处理后得到的业务数据数列。时间序列业务数据可以是对待预测业务数据按照时间顺序进行序列化处理得到的业务数据。影响因素变量可以是影响待预测业务数据的相关因素变量。影响因素变量对应的业务值可以某一影响因素变量在某一时间点对应的具体业务数据值。
参考图2，图2示意性示出了根据本公开的示例性实施方式的采用业务预测模型确定业务预测结果的流程图。在步骤S210中，获取待预测业务数据，待预测业务数据可以包括多个影响业务量的影响因素变量，影响因素变量可以采用x1、x2、...、xp表示。并且，待预测业务数据中还可以包括多个影响因素变量对应的业务值，即影响因素变量x1、x2、...、xp分别对应的业务值。在确定出这些影响因素对应的业务值之后，在步骤S220中，对获取到的待预测业务数据进行时间序列化处理，即按照时间先后顺序进行排列处理，如：按照时间t＝1、2、…、T并结合待预测业务数据的时间阶滞后数据，对待预测业务数据进行时间序列化处理，得到时间序列业务数据。
在本公开的一种示例性实施方案中，确定待预测业务数据对应的时间点集合；时间点集合包括多个时间点；确定各影响因素变量在各时间点对应的业务值；根据各影响因素变量与各业务值生成初始时间序列业务数据；确定各影响因素变量对应的时间阶滞后数据；根据初始时间序列业务数据与时间阶滞后数据生成时间序列业务数据。
其中，时间点集合可以是用于对待预测业务数据进行时间序列化处理所采用的时间点所组成的集合。时间点可以是某个确定的时间值。初始时间序列业务数据可以是仅按照时间先后顺序对待预测业务数据中的各影响因素变量对应的业务值进行排列后得到的业务数据数列。时间阶滞后数据可以是处于当前时间点之后的时间点的业务值数据。
参考图3，图3示意性示出了根据本公开的示例性实施方式的生成时间序列业务数据的流程图。在步骤S310中，确定待预测业务数据对应的时间点集合；时间点集合包括多个时间点。待预测业务数据可以是多个影响因素变量在某些时间点下的业务值。例如，待预测业务数据对应的时间点集合包括t＝1、2、…、T等多个时间点。在步骤S320中，确定各影响因素变量在各时间点对应的业务值。在获取到时间点集合中的多个时间点后，可以确定出所有影响因素变量在这多个时间点对应的业务值。在步骤S330中，根据各影响因素变量与各业务值生成初始时间序列业务数据。在确定出多个影响因素变量以及各影响因素变量对应的业务值后，可以对其按照时间先后顺序进行排列处理，以得到初始时间序列数据。
以保险业务场景为例，保险业务中的理赔量的影响因素变量可以有多个，如被保人年龄、当前季节、既往承保保单量等等。在获取到待预测业务数据后，对多个影响因素变量在不同时间点对应的业务值按照时间先后顺序进行排列，可以得到理赔量对应的影响因素变量的时间序列值，如表1所示。
表1
Figure BDA0003373120120000103
其中，表1中数据的符号的上标可以表示时间点，下标可以表示变量的索引，例如，
Figure BDA0003373120120000101
可以表示第一个变量x1在时间点1的业务数据值。
在步骤S340中，确定各影响因素变量对应的时间阶滞后数据。在得到初始时间序列数据后，可以确定各影响因素变量对应的时间阶滞后数据。例如，针对理赔量而言，对x1、x2、...、xp以及y的时间序列取1至k阶滞后项数据。在步骤S350中，根据初始时间序列业务数据与时间阶滞后数据生成时间序列业务数据。例如，在确定理赔量y的各影响因素变量对应的时间阶滞后数据后，可以将确定出时间阶滞后数据与理赔量y的时间序列横向拼接，得到时间序列数据，如表2所示。
表2
Figure BDA0003373120120000102
Figure BDA0003373120120000111
其中，表2数据中的*可以表示变量的滞后项，例如，
Figure BDA0003373120120000112
可以表示变量x1的一阶滞后，
Figure BDA0003373120120000113
可以表示变量x1的k阶滞后。
在步骤S120中，获取业务预测模型；业务预测模型通过多个时序计算模型集成得到，业务预测模型包括各时序计算模型的模型权重。
在本公开的一些示例性实施方式中，业务预测模型可以是对待预测业务数据进行业务预测处理所采用的算法模型。时序计算模型可以是对时序数据进行预测处理所采用的算法模型。模型权重可以是各时序计算模型所对应的权重。
在得到时间序列业务数据后，获取业务预测模型，业务预测模型可以用于对输入的时间序列业务数据进行业务预测处理，并输出对应的预测结果。考虑到单个的时序计算模型不够稳定，并且容易发生过度拟合数据的现象。本公开提出集成多个时序计算模型以得到业务预测模型，即业务预测模型可以是由多个时序计算模型进行模型集成得到的，每个时序计算模型可以对应不同的模型权重。按照每个时序计算模型对应的模型权重将多个时序计算模型进行集成处理，得到业务预测模型。
在本公开的一种示例性实施方案中，上述业务预测模型通过下述步骤训练得到：获取业务预测训练数据集；业务预测训练数据集包括多个影响因素变量在指定时间区间对应的业务值数据；对业务预测训练数据集进行时间序列化处理，以生成时间序列训练数据；获取多个初始时序计算模型，基于时间序列训练数据对初始时序计算模型进行模型训练，以得到时序计算模型；确定各时序计算模型的模型权重，以确定业务预测模型。
其中，业务预测训练数据集可以是用于对训练业务预测模型所采用的训练数据集。指定时间区间可以是预先指定的时间区间，例如，指定时间区间可以是2018年1月至2020年12月之间所对应的时间段。业务值数据可以是影响因素变量在指定时间区间内对应的业务值组成的数据。时间序列训练数据可以是对业务预测训练数据集进行时间序列化处理后所生成的训练数据。
继续参考图2，在训练业务处理模型之前，可以获取业务预测训练数据集，在步骤S230中，获取训练数据。根据获取到的业务预测训练数据生成相应的训练数据集。并在步骤S240中，对获取到的训练数据集进行时间序列化处理，具体处理步骤如下。
参考图4，图4示意性示出了根据本公开的示例性实施方式的训练业务预测模型的流程图。在步骤S410中，获取业务预测训练数据集；业务预测训练数据集包括多个影响因素变量在指定时间区间对应的业务值数据。在确定多个影响因素变量对应的业务值时，是根据时间点确定的，在确定出指定时间区间后，可以将多个影响因素变量在指定时间区间中各个时间点的业务值组成的数据集合作为业务预测训练数据集。
在步骤S420中，对业务预测训练数据集进行时间序列化处理，以生成时间序列训练数据。在获取到业务预测训练数据集后，可以按照指定时间区间中多个时间点的先后顺序对业务预测训练数据集中的数据进行排列数据，得到时间序列训练数据。在得到时间序列训练数据后，可以对其进行标准化处理，并将经过标准化处理的时间序列训练数据进行模型训练。
在步骤S430中，获取多个初始时序计算模型，基于时间序列训练数据对初始时序计算模型进行模型训练，以得到时序计算模型。初始时序计算模型可以是预先构建的算法模型，例如，初始时序计算模型可以是GRU模型，GRU模型是循环神经网络RNN的一种。对于初始时序计算模型，可以随机选取模型的初始参数，例如，输入层的参数维度可以为k×(p+1)，设定GRU模型有q个隐藏层，每个隐藏层的维度为hi(i＝1,2,...,q)，GRU模型的输出维度为1。在此步骤中，可以建立多个GRU模型，如m个，使用经过图2中步骤S250，即经过标准化处理的时间序列训练数据对所构建的m个GRU模型，即对GRU1、GRU2、…、GRUm进行模型训练，得到对应的m个时序计算模型。
在步骤S440中，确定各时序计算模型的模型权重，以确定业务预测模型。在得到多个时序计算模型后，可以确定每个时序计算模型对应的模型权重，然后根据多个时序计算模型以及各自对应的模型权重进行模型集成处理，得到业务预测模型。
本领域技术人员容易理解的是，在本公开的一些其他示例性实施例中，时序计算模型还可以是其他可以对时间序列数据进行预测处理的算法模型，如时间序列模型或神经网络模型，时间序列模型可以是ARIMA模型、AR模型、滑动平均模型(moving averagemodel，MA模型)等等，神经网络模型可以包括RNN网络模型、LSTM模型等等，本公开对时序计算模型的具体类型不作任何特殊限定。
在本公开的一种示例性实施方案中，将业务预测训练数据集输入至时序计算模型，以得到训练预测值；训练预测值包括预测时间点对应的预测业务值；确定与各预测时间点对应的实际业务值；根据预测业务值与实际业务值确定模型权重。
其中，训练预测值可以是由时序计算模型对业务预测训练数据集进行业务预测处理后得到预测业务值。预测时间点可以是对多个影响因素变量进行数据预测时所采用的时间点。预测业务值可以是对多个影响因素变量在各预测时间点进行业务预测处理得到的业务数据值，预测业务值可以采用yt表示。实际业务值可以是各影响因素变量在每个时间点对应的真实业务数据值，实际业务值可以采用
Figure BDA0003373120120000131
表示。
在计算训练的时序计算模型(如GRU模型)的模型权重，权重计算过程可以通过下述步骤进行：在使用时序计算模型对业务预测训练数据集进行业务预测之前，可以先确定出多个预测时间点，以确定各影响因素变量在多个预测时间点相应的业务预测值。具体的，可以将业务预测训练数据集输入至时序计算模型(即训练好的GRU模型)中，由时序计算模型进行预测处理后，得到多个影响因素变量在预测时间点对应的预测业务值，例如，经过预测处理可以确定出理赔量y在每个预测时间点的预测业务值。获取各影响因素变量在各预测时间点对应的实际业务值，然后将根据预测业务值与实际业务值确定模型权重。例如，可以根据预测业务值与实际业务值之间的差值确定模型权重。
在本公开的一种示例性实施方案中，确定多个时序计算模型在预测时间点对应的预测偏差值；预测偏差值为预测时间点对应的预测业务值与实际业务值之间的差值；根据多个预测偏差值中确定最大偏差值；基于最大偏差值对多个预测偏差值进行归一化处理，以得到各时序计算模型的模型错误率；根据模型错误率确定模型权重。
其中，预测时间点可以是用于进行业务预测所采用的时间点。预测偏差值可以是预测业务值与实际业务值相比所对应的偏差值。最大偏差值可以是数值最大的预测偏差值。模型错误率可以是时序计算模型进行业务预测处理所对应的错误概率。
参考图5，图5示意性示出了根据本公开的示例性实施方式的根据预测业务值与实际业务值确定模型权重的流程图。在步骤S510中，确定多个时序计算模型在预测时间点对应的预测偏差值；预测偏差值为预测时间点对应的预测业务值与实际业务值之间的差值。在确定出预测业务值，并获取到与之对应的业务实际值之后，可以计算两者之间的差值，即预测偏差值residualt。预测偏差值residualt的计算方法可以如公式1所示，其中，符号“||”表示取绝对值。
Figure BDA0003373120120000141
在步骤S520中，根据多个预测偏差值中确定最大偏差值。在确定出多个预测偏差值之后，可以确定多个预测偏差值对应的最大偏差值D，最大偏差值的计算方式如公式2所示，即取多个预测偏差值中的最大数值。
D＝max(residualt)(公式2)
在步骤S530中，基于最大偏差值对多个预测偏差值进行归一化处理，以得到各时序计算模型的模型错误率。在确定出最大偏差值之后，可以通过最大偏差值对确定出的多个预测偏差值进行归一化处理，具体计算过程如公式3所示。
Figure BDA0003373120120000142
根据经过归一化处理的预测偏差值可以确定模型错误率，模型错误率可以采用error1表示，具体计算过程如公式4所示。由于预测偏差值经过了归一化处理，因此能保证模型错误率error1始终小于等于1。
Figure BDA0003373120120000151
在步骤S540中，根据模型错误率确定模型权重。在确定模型错误率后，可以根据模型错误率确定模型权重，具体计算过程如公式5所示。
w1＝1-error1(公式5)
上述过程可以是训练一个时序计算模型，并确定该时序计算模型的模型权重的具体处理过程。在确定出该时序计算模型的模型权重后，可以重复上述处理步骤，再训练m-1个时序计算模型(如GRU模型)，m-1个GRU模型在训练时，除了隐藏层维度可以自定义之外，其余参数设置完全相同，采用上述模型训练步骤得到m-1个时序计算模型。然后按照模型权重的处理过程计算每个时序计算模型的权重wi,i＝2,3,...,m。最终得到m个模型，以及m个时序计算模型的模型权重wi,i＝1，2,3,...,m，将m个模型权重做归一化处理，具体处理过程如公式6所示，得到的模型权重如表3所示。
Figure BDA0003373120120000152
表3
时序计算模型 模型权重
GRU<sub>1</sub> w<sub>1</sub>
GRU<sub>2</sub> w<sub>2</sub>
GRU<sub>3</sub> w<sub>3</sub>
… …
GRU<sub>m</sub> w<sub>m</sub>
在步骤S130中，将时间序列业务数据输入至各时序计算模型，确定各时序计算模型得到的初始预测结果。
在本公开的一些示例性实施方式中，初始预测结果可以是直接由时序计算模型输出的预测结果。
经过上述处理步骤后，可以得到m个时序计算模型以及m个模型权重wi，接下来，可以根据训练得到的时序计算模型和模型权重进行初始预测处理过程。举例而言，对于将要进行业务预测处理的理赔量的预测时间点，例如T+1，可以提取该时间点之前k个时点的时间序列，作为初始时间序列数据，并采用时间序列化处理的方式对其进行处理，豆浆得到的时间序列业务数据输入至各时序计算模型，由时序计算模型确定出对应的初始预测结果。
在本公开的一种示例性实施方案中，确定时间序列业务数据对应的标准化因子；标准化因子包括各影响因素变量对应的业务值的业务均值和业务方差；根据业务均值与业务方差对时间序列业务数据进行数据标准化处理，以得到标准时间序列业务数据；将标准时间序列业务数据输入至各时序计算模型，以确定多个初始预测结果。
其中，标准化因子可以是用于进行数据标准化的处理所采用的计算因子。业务均值可以是多个业务值对应的平均数值。业务方差可以根据业务值确定的方差。标准时间序列业务数据可以是经过数据标准化处理后得到的时间序列业务数据。
继续参考图2，在将时间序列业务数据输入至各时序计算模型之前，可以先对时间序列业务数据进行标准化处理，具体过程如下：可以确定用于对事件序列业务数据进行标准化处理的标准因子，如计算各影响因素变量对应的业务值的业务均值μ和业务方差σ2，具体如表4所示。
表4
Figure BDA0003373120120000161
然后，按照表4中确定出的业务均值μ和业务方差σ2对时间序列业务数据进行数据标准化处理，得到标准时间序列业务数据。如将时间序列业务数据输入到m个模型中进行预测，得到m个预测值
Figure BDA0003373120120000162
即初始预测结果，如表5所示。
表5
Figure BDA0003373120120000163
在步骤S140中，根据多个初始预测结果与多个模型权重确定业务预测结果。
在本公开的一些示例性实施方式中，业务预测结果可以对待预测业务数据进行业务预测后得到的结果。
根据本公开的一些示例性实施例，在得到初始预测结果后，可以结合多个时序计算模型的模型权重得到最终的业务预测结果。例如，根据模型权重对初始预测结果进行加权计算得到最终的业务预测结果；或者从多个模型权重中确定一个目标模型权重，将目标模型权重对应的时序计算模型确定出的初始预测结果作为最终的业务预测结果，等等。
在本公开的一种示例性实施方案中，对多个初始预测结果进行数值排序处理，得到初始预测排序结果；根据模型权重与初始预测排序结果确定权重中位数，将权重中位数对应的时序计算模型确定为目标子模型；确定目标子模型对应的目标预测值；获取业务均值与业务方差，根据业务均值与业务方差对目标预测值进行去标准化处理，以得到业务预测结果。
其中，初始预测排序结果可以是对多个初始预测结果按照数值大小进行排列后得到的结果。权重中位数可以是将多个权重按顺序排列后，一组权重数据中居于中间位置的权重。目标子模型可以权重中位数对应的时序计算模型。目标预测值可以是采用目标子模型进行预测处理后得到的业务预测值。
继续参考图2，在步骤S260中，从多个初始预测结果中确定加权中位数。具体的，在根据初始预测结果确定最终的业务预测结果时，可以根据加权中位数确定业务预测结果，由于不同的GRU模型精度不同，可能对得到的预测结果造成影响，中位数是统计学上衡量平均水平比较稳健的指标，本实施例中使用加权中位数来综合多个GRU模型输出的初始预测结果。例如：以m个模型的模型权重为计算权重，计算m个预测值的加权中位数作为最终输出。本实施例中选择中位数作为最终的业务预测结果的原因在于：中位数相较于平均数而言，不易受异常值的影响，由于不同的模型准确率不同，所以可以选择用加权中位数而非普通中位数以确定业务预测结果。具体计算方式如下：
参考图6，图6示意性示出了根据本公开的示例性实施方式的根据预测业务值与实际业务值确定模型权重的流程图。在步骤S610中，对多个初始预测结果进行数值排序处理，得到初始预测排序结果。在得到m各初始预测结果后，可以先对m个初始预测结果
Figure BDA0003373120120000181
按照由小到大的顺序进行排序，得到初始预测排序结果。
在步骤S620中，根据模型权重与初始预测排序结果确定权重中位数，将权重中位数对应的时序计算模型确定为目标子模型。在确定出m个初始预测结果对应初始预测排序结果后，可以按照m个初始预测值的大小顺序对m个模型权重进行排序，并对模型权重做累计求和。从排好序的
Figure BDA0003373120120000182
中找出第j个值，满足公式7与公式8中的约束条件。
Figure BDA0003373120120000183
Figure BDA0003373120120000184
在步骤S630中，确定目标子模型对应的目标预测值。在确定出这个目标权重值后，可以将该模型权重对应的时序计算模型作为目标子模型，并将目标子模型对应的预测值作为目标预测值
Figure BDA0003373120120000185
继续参考图2，在得到目标预测值
Figure BDA0003373120120000186
之后，可以继续执行步骤S270，对目标预测值
Figure BDA0003373120120000187
进行去标准化处理，得到目标预测值
Figure BDA0003373120120000188
。具体的，参考图6，在步骤S640中，获取业务均值与业务方差，根据业务均值与业务方差对目标预测值进行去标准化处理，以得到业务预测结果。在确定出目标预测值
Figure BDA0003373120120000189
之后，可以进行数据标准化处理的标准因子的y的均数μy和方差
Figure BDA00033731201200001810
将
Figure BDA00033731201200001811
转换为原始量纲数据：
Figure BDA00033731201200001812
作为最终的业务预测结果
Figure BDA00033731201200001813
下面以一具体业务场景为例进行说明，如以预测2021年8月某一险种的理赔量为例，对整个业务数据预测处理方法的处理过程进行说明。以险种为重疾险为例，重疾险理赔量对应的影响因素可以包括：保单量、保费量、男性被保客户量、女性被保客户量、被保客户的平均年龄、0岁被保客户数量、30岁被保客户数量、出险责任情况、出险地区分布、出险的疾病分布等10个特征，可以将上述影响因素变量标记为x1、x2、…、x10。
(1)获取训练业务数据集与待预测业务数据，并对训练业务数据集与待预测业务数据分别进行数据处理。对训练业务数据集与待预测业务数据进行数据处理所采用的数据处理方法相同。首先按月提取理赔量和上述提到的影响理赔的数据，例如，可以提取2001年1月、2001年2月、…、2021年7月的数据，将这些数据做成表1结构的时间序列数据。然后，对表1中每一个变量，分别取2001年1月、2001年2月、…、2021年7月的每一个时点的上一个月、两个月、…、三十六个月(即1-36阶滞后)数据，并与理赔量时间序列拼接，做成表2结构的数据。由于2001年1月-2003年12月等36个时点没有历史数据或数据不全，因此，可以舍弃这些时间点数据。然后确定出的待检测时间序列业务数据进行数据标准化处理，并保留各列标准化所使用的业务均值和业务标准差。
(2)训练业务预测模型。在经过上一步骤的数据处理之后，可以产生36×(10+1)＝396维特征，将产生的特征数据和理赔量进行整合处理，得到模型训练数据，并将模型训练数据输入至GRU模型，GRU模型的初始参数可以随机选取，并设置隐藏层维度为200，输出维度为1，建立一个训练模型。
然后，再将36×(10+1)＝396维特征数据输入训练好的模型中，得到2004年1月-2021年7月每一个时点的预测值，按照模型权重的计算方式计算各个GRU模型的模型权重。重复上述步骤，再训练6个GRU模型，6个GRU模型的隐藏层维度分别设置为50、100、150、250、300、350，最后计算出6个GRU模型各自的模型权重，将6个GRU模型连同第一个GRU模型的模型权重统一做归一化处理。业务预测模型可以是由上述7个GRU模型与对应的模型权重集成得到的模型，
(3)模型预测过程。提取2018年8月-2021年7月之间上述10个特征以及理赔量共396维的数据，将提取到的数据输入7个GRU模型中，得到7个预测结果。7个预测结果以及7个模型的权重假定如下表6所示。
表6
Figure BDA0003373120120000191
Figure BDA0003373120120000201
接下来，按照加权中位数的定义，如公式7和公式8的确定方式，可以确定出表6中数据的加权中位数为0.2，然后按照数据去标准化处理的计算公式，将模型权重为0.2的预测输出值转换为理赔量的原始量纲数据，作为2021年8月份理赔量的最终预测值输出。根据本公开所采用的业务预测模型在实际数据上测试发现，本公开中的业务预测模型在提高预测结果的精确性的同时，还提高了预测的稳健性。
综上所述，本公开的业务数据预测方法，获取待预测业务数据，对待预测业务数据进行时间序列化处理，以生成时间序列业务数据；待预测业务数据包括多个影响因素变量对应的业务值；获取业务预测模型；业务预测模型通过多个时序计算模型集成得到，业务预测模型包括各时序计算模型的模型权重；将时间序列业务数据输入至各时序计算模型，确定各时序计算模型得到的初始预测结果；根据多个初始预测结果与多个模型权重确定业务预测结果。一方面，在业务数据预测过程中，考虑了业务数据的多个相关影响因素对其的影响，使得得到的预测结果更具准确性。另一方面，采用多个时序计算模型集成得到的业务预测模型进行预测处理，可以避免单个模型预测结果不够稳定且容易发生过拟合的现象，以提高预测结果的精确性。再一方面，本公开将加权中位数对应的预测值作为最终预测结果，可以尽量避免最终确定的预测值受异常值的影响，进一步提高预测结果的准确性，并提高预测的稳健性。
需要说明的是，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种业务数据预测装置。参考图7，该业务数据预测装置700可以包括：序列数据生成模块710、模型获取模块720、初始结果确定模块730以及预测结果确定模块740。
具体的，序列数据生成模块710，用于获取待预测业务数据，对待预测业务数据进行时间序列化处理，以生成时间序列业务数据；待预测业务数据包括多个影响因素变量对应的业务值；模型获取模块720，用于获取业务预测模型；业务预测模型通过多个时序计算模型集成得到，业务预测模型包括各时序计算模型的模型权重；初始结果确定模块730，用于将时间序列业务数据输入至各时序计算模型，确定各时序计算模型得到的初始预测结果；预测结果确定模块740，用于根据多个初始预测结果与多个模型权重确定业务预测结果。
在本公开的一种示例性实施方案中，序列数据生成模块包括序列数据生成单元，用于确定待预测业务数据对应的时间点集合；时间点集合包括多个时间点；确定各影响因素变量在各时间点对应的业务值；根据各影响因素变量与各业务值生成初始时间序列业务数据；确定各影响因素变量对应的时间阶滞后数据；根据初始时间序列业务数据与时间阶滞后数据生成时间序列业务数据。
在本公开的一种示例性实施方案中，业务数据预测装置包括模型训练模块，用于获取业务预测训练数据集；业务预测训练数据集包括多个影响因素变量在指定时间区间对应的业务值数据；对业务预测训练数据集进行时间序列化处理，以生成时间序列训练数据；获取多个初始时序计算模型，基于时间序列训练数据对初始时序计算模型进行模型训练，以得到时序计算模型；确定各时序计算模型的模型权重，以确定业务预测模型。
在本公开的一种示例性实施方案中，模型训练模块包括模型权重确定单元，用于将业务预测训练数据集输入至时序计算模型，以得到训练预测值；训练预测值包括预测时间点对应的预测业务值；确定与各预测时间点对应的实际业务值；根据预测业务值与实际业务值确定模型权重。
在本公开的一种示例性实施方案中，模型权重确定单元包括权重确定子单元，用于确定多个时序计算模型在预测时间点对应的预测偏差值；预测偏差值为预测时间点对应的预测业务值与实际业务值之间的差值；根据多个预测偏差值中确定最大偏差值；基于最大偏差值对多个预测偏差值进行归一化处理，以得到各时序计算模型的模型错误率；根据模型错误率确定模型权重。
在本公开的一种示例性实施方案中，初始结果确定模块包括初始结果确定单元，用于确定时间序列业务数据对应的标准化因子；标准化因子包括各影响因素变量对应的业务值的业务均值和业务方差；根据业务均值与业务方差对时间序列业务数据进行数据标准化处理，以得到标准时间序列业务数据；将标准时间序列业务数据输入至各时序计算模型，以确定多个初始预测结果。
在本公开的一种示例性实施方案中，预测结果确定模块包括预测结果确定单元，用于对多个初始预测结果进行数值排序处理，得到初始预测排序结果；根据模型权重与初始预测排序结果确定权重中位数，将权重中位数对应的时序计算模型确定为目标子模型；确定目标子模型对应的目标预测值；获取业务均值与业务方差，根据业务均值与业务方差对目标预测值进行去标准化处理，以得到业务预测结果。
上述中各业务数据预测装置的虚拟模块的具体细节已经在对应的业务数据预测方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了业务数据预测装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参考图8来描述根据本公开的这种实施例的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)821和/或高速缓存存储单元822，还可以进一步包括只读存储单元(ROM)823。
存储单元820可以包括具有一组(至少一个)程序模块825的程序/实用工具824，这样的程序模块825包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备870(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图9所示，描述了根据本发明的实施例的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种业务数据预测方法，其特征在于，包括：
获取待预测业务数据，对所述待预测业务数据进行时间序列化处理，以生成时间序列业务数据；所述待预测业务数据包括多个影响因素变量对应的业务值；
获取业务预测模型；所述业务预测模型通过多个时序计算模型集成得到，所述业务预测模型包括各所述时序计算模型的模型权重；
将所述时间序列业务数据输入至各所述时序计算模型，确定各所述时序计算模型得到的初始预测结果；
根据多个所述初始预测结果与多个所述模型权重确定业务预测结果。
2.根据权利要求1所述的方法，其特征在于，对所述待预测业务数据进行时间序列化处理，以生成时间序列业务数据，包括：
确定所述待预测业务数据对应的时间点集合；所述时间点集合包括多个时间点；
确定各所述影响因素变量在各所述时间点对应的业务值；
根据各所述影响因素变量与各所述业务值生成初始时间序列业务数据；
确定各所述影响因素变量对应的时间阶滞后数据；
根据所述初始时间序列业务数据与所述时间阶滞后数据生成所述时间序列业务数据。
3.根据权利要求1所述的方法，其特征在于，所述业务预测模型通过下述步骤训练得到：
获取业务预测训练数据集；所述业务预测训练数据集包括多个影响因素变量在指定时间区间对应的业务值数据；
对所述业务预测训练数据集进行时间序列化处理，以生成时间序列训练数据；
获取多个初始时序计算模型，基于所述时间序列训练数据对所述初始时序计算模型进行模型训练，以得到时序计算模型；
确定各所述时序计算模型的模型权重，以确定所述业务预测模型。
4.根据权利要求3所述的方法，其特征在于，确定各所述时序计算模型的模型权重，包括：
将所述业务预测训练数据集输入至所述时序计算模型，以得到训练预测值；所述训练预测值包括预测时间点对应的预测业务值；
确定与各所述预测时间点对应的实际业务值；
根据所述预测业务值与所述实际业务值确定所述模型权重。
5.根据权利要求4所述的方法，其特征在于，根据所述预测业务值与所述实际业务值确定所述模型权重，包括：
确定多个所述时序计算模型在所述预测时间点对应的预测偏差值；所述预测偏差值为所述预测时间点对应的所述预测业务值与所述实际业务值之间的差值；
根据多个所述预测偏差值中确定最大偏差值；
基于所述最大偏差值对多个所述预测偏差值进行归一化处理，以得到各所述时序计算模型的模型错误率；
根据所述模型错误率确定所述模型权重。
6.根据权利要求1所述的方法，其特征在于，将所述时间序列业务数据输入至各所述时序计算模型，确定各所述时序计算模型得到的初始预测结果，包括：
确定所述时间序列业务数据对应的标准化因子；所述标准化因子包括各所述影响因素变量对应的业务值的业务均值和业务方差；
根据所述业务均值与所述业务方差对所述时间序列业务数据进行数据标准化处理，以得到标准时间序列业务数据；
将所述标准时间序列业务数据输入至各所述时序计算模型，以确定多个初始预测结果。
7.根据权利要求1所述的方法，其特征在于，根据多个所述初始预测结果与多个所述模型权重确定业务预测结果，包括：
对多个所述初始预测结果进行数值排序处理，得到初始预测排序结果；
根据所述模型权重与所述初始预测排序结果确定权重中位数，将所述权重中位数对应的时序计算模型确定为目标子模型；
确定所述目标子模型对应的目标预测值；
获取业务均值与业务方差，根据所述业务均值与所述业务方差对所述目标预测值进行去标准化处理，以得到所述业务预测结果。
8.一种业务数据预测装置，其特征在于，包括：
序列数据生成模块，用于获取待预测业务数据，对所述待预测业务数据进行时间序列化处理，以生成时间序列业务数据；所述待预测业务数据包括多个影响因素变量对应的业务值；
模型获取模块，用于获取业务预测模型；所述业务预测模型通过多个时序计算模型集成得到，所述业务预测模型包括各所述时序计算模型的模型权重；
初始结果确定模块，用于将所述时间序列业务数据输入至各所述时序计算模型，确定各所述时序计算模型得到的初始预测结果；
预测结果确定模块，用于根据多个所述初始预测结果与多个所述模型权重确定业务预测结果。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的业务数据预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的业务数据预测方法。
CN202111407001.4A 2021-11-24 2021-11-24 业务数据预测方法及装置、电子设备和存储介质 Pending CN114118570A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111407001.4A CN114118570A (zh) 2021-11-24 2021-11-24 业务数据预测方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111407001.4A CN114118570A (zh) 2021-11-24 2021-11-24 业务数据预测方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114118570A true CN114118570A (zh) 2022-03-01

Family

ID=80372626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111407001.4A Pending CN114118570A (zh) 2021-11-24 2021-11-24 业务数据预测方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114118570A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116595356A (zh) * 2023-07-17 2023-08-15 腾讯科技（深圳）有限公司 时序信号预测方法、装置、电子设备及存储介质
CN117077802A (zh) * 2023-06-15 2023-11-17 深圳计算科学研究院 一种时序性数据的排序预测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346464A (zh) * 2016-05-06 2017-11-14 腾讯科技（深圳）有限公司 业务指标预测方法及装置
CN110516075A (zh) * 2019-07-22 2019-11-29 平安科技（深圳）有限公司 基于机器学习的预警报告生成方法、装置和计算机设备
US20200151613A1 (en) * 2018-11-09 2020-05-14 Lunit Inc. Method and apparatus for machine learning
CN111241673A (zh) * 2020-01-07 2020-06-05 北京航空航天大学 用于噪声环境工业设备的健康状态预测方法
CN112613655A (zh) * 2020-12-18 2021-04-06 国网新疆电力有限公司经济技术研究院 一种风电功率组合预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346464A (zh) * 2016-05-06 2017-11-14 腾讯科技（深圳）有限公司 业务指标预测方法及装置
US20200151613A1 (en) * 2018-11-09 2020-05-14 Lunit Inc. Method and apparatus for machine learning
CN110516075A (zh) * 2019-07-22 2019-11-29 平安科技（深圳）有限公司 基于机器学习的预警报告生成方法、装置和计算机设备
CN111241673A (zh) * 2020-01-07 2020-06-05 北京航空航天大学 用于噪声环境工业设备的健康状态预测方法
CN112613655A (zh) * 2020-12-18 2021-04-06 国网新疆电力有限公司经济技术研究院 一种风电功率组合预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吐尔逊·买买提: "时间序列组合预测模型研究：以农业机械总动力为例", 南京农业大学学报, vol. 39, no. 4, 30 July 2016 (2016-07-30), pages 688 - 695 *
杜国荣: "复杂体系近红外光谱建模方法研究", 中国博士学位论文全文数据库工程科技I辑, no. 6, 15 June 2014 (2014-06-15), pages 014 - 106 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077802A (zh) * 2023-06-15 2023-11-17 深圳计算科学研究院 一种时序性数据的排序预测方法及装置
CN116595356A (zh) * 2023-07-17 2023-08-15 腾讯科技（深圳）有限公司 时序信号预测方法、装置、电子设备及存储介质
CN116595356B (zh) * 2023-07-17 2023-09-22 腾讯科技（深圳）有限公司 时序信号预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110866628A (zh) 利用动态时间上下文学习进行多界限时间序列预测的系统和方法
CN109326353B (zh) 预测疾病终点事件的方法、装置及电子设备
CN111131424B (zh) 一种基于emd和多变量lstm相结合的服务质量预测方法
CN107506868B (zh) 一种短时电力负荷预测的方法及装置
CN112256886B (zh) 图谱中的概率计算方法、装置、计算机设备及存储介质
JP2022033695A (ja) モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品
CN111898247B (zh) 滑坡位移预测方法、设备及存储介质
US11501107B2 (en) Key-value memory network for predicting time-series metrics of target entities
US11205111B2 (en) End of period metric projection with intra-period alerts
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN111144721A (zh) 电网项目需求评价模型的构建方法、装置和计算设备
Stødle et al. Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation
CN113297478B (zh) 基于用户生命周期的信息推送方法、装置及电子设备
CN111126629A (zh) 模型的生成方法、刷单行为识别方法、系统、设备和介质
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN113642727A (zh) 神经网络模型的训练方法和多媒体信息的处理方法、装置
CN117372070A (zh) 地产市场趋势的确定方法、装置、计算机设备及存储介质
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN117235257A (zh) 基于人工智能的情感预测方法、装置、设备及存储介质
CN112070593B (zh) 数据处理方法、装置、设备以及存储介质
Zhang et al. A combinational QoS-prediction approach based on RBF neural network
CN113850686A (zh) 投保概率确定方法、装置、存储介质及电子设备
CN113112311A (zh) 训练因果推断模型的方法、信息提示方法以装置
CN115018055B (zh) 创建方法、预测方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination