一种节点数据预测方法及装置制造方法及图纸

本发明专利技术实施例涉及机器学习领域，尤其涉及一种节点数据预测方法及装置，用以减小节点数据的预测误差，保证预留数据的适度性。本发明专利技术实施例包括：获取参考时间段内节点的初始数据；针对所述参考时间段内的任一参考单位时间段，根据所述参考单位时间段内的初始数据，确定所述参考单位时间段的参考数据；获取SVM模型的模型参数；将所述模型参数以及所述参考时间段内的所有参考数据，输入所述SVM模型，计算出预测时间段的预测数据；根据所述预测数据，确定所述节点中的预留数据。

A Node Data Prediction Method and Device

【技术实现步骤摘要】
一种节点数据预测方法及装置
本专利技术涉及金融科技(Fintech)中的机器学习领域，尤其涉及一种节点数据预测方法及装置。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如针对包括头寸数据在内的节点数据进行计算和预测。头寸其实就是款项的意思，可指投资者拥有或借用的资金数量。银行头寸是银行系统对于可用资金调度的一个专业的叫法，指的是银行当前所有可以运用的资金的总和，主要包括在央行的超额准备金、存放同业清算款项净额、银行存款以及现金等部分。每个银行或者证券业都有自己的资金头寸。银行如果头寸不能满足业务需要，出现客户挤兑或者无资金发放贷款，势必会失去客户，从而影响效益；而如果头寸相对积压，将会增加银行的资金机会成本。因此，银行头寸管理的主要任务是在保持资金流动性需要的前提下，将现有头寸的机会成本降到最低。银行头寸应保持头寸的总量适度，即银行头寸总量要保持在一个适度的规模上。现有技术中一般利用多元线性回归分析的方法对节点中的预留数据进行预测，通过选取可能会对预留数据有影响的因素，通过线性回归得到每个因素的权重系数。这种方法预测结果误差较大，且不同因素之间会有相关性互相干扰，从而进一步增加了预测误差。
技术实现思路
本申请提供一种节点数据预测方法及装置，用以减小节点数据的预测误差，保证预留数据的适度性。本专利技术实施例提供的一种节点数据预测方法，包括：获取参考时间段内节点的初始数据；针对所述参考时间段内的任一参考单位时间段，根据所述参考单位时间段内的初始数据，确定所述参考单位时间段的参考数据；获取SVM模型的模型参数；将所述模型参数以及所述参考时间段内的所有参考数据，输入所述SVM模型，计算出预测时间段的预测数据；根据所述预测数据，确定所述节点中的预留数据。一种可选的实施例中，所述参考时间段内包括N个参考单位时间段；针对第i个参考单位时间段，所述根据所述参考单位时间段内的初始数据，确定所述参考单位时间段的参考数据，包括：将所述参考单位时间段内的初始数据相加，确定所述参考单位时间段的加权数据；将第i个参考单位时间段的加权数据与所述第i-1个参考时间段的加权数据相比，并将比值取对数，得到所述第i个参考单位时间段的参考数据；其中1<i≤N。一种可选的实施例中，所述获取SVM模型的模型参数之前，还包括：获取历史时间段内节点的初始数据；针对所述历史时间段内的任一训练单位时间段，根据所述训练单位时间段内的初始数据，确定所述训练单位时间段的训练数据；将所述历史时间段内的训练数据作为参数，输入所述SVM模型中，确定所述SVM模型的模型参数。一种可选的实施例中，所述将所述历史时间段内的训练数据作为参数，输入所述SVM模型中，确定所述SVM模型的模型参数之后，所述根据所述预测数据，确定所述节点中的预留数据之前，还包括：针对所述历史时间段内的任一训练单位时间段，将所述训练单位时间段之前的训练数据，以及所述模型参数输入所述SVM模型，确定所述训练单位时间段的预测数据；将所述训练单位时间段的预测数据与所述训练单位时间段的训练数据相比较，确定所述训练单位时间段的误差数据；根据所述历史时间段内所有训练单位时间段的误差数据，确定所述SVM模型的历史误差；所述根据所述预测数据，确定所述节点中的预留数据，包括：根据所述预测数据以及所述SVM模型的历史误差，确定所述节点中的预留数据。本专利技术实施例还提供一种节点数据预测装置，包括：获取单元，用于获取参考时间段内节点的初始数据；计算单元，用于针对所述参考时间段内的任一参考单位时间段，根据所述参考单位时间段内的初始数据，确定所述参考单位时间段的参考数据；所述获取单元，还用于获取支持向量机SVM模型的模型参数；预测单元，用于将所述模型参数以及所述参考时间段内的所有参考数据，输入所述SVM模型，计算出预测时间段的预测数据；控制单元，用于根据所述预测数据，确定所述节点中的预留数据。一种可选的实施例中，所述参考时间段内包括N个参考单位时间段；针对第i个参考单位时间段，所述计算单元，具体用于：将所述参考单位时间段内的初始数据相加，确定所述参考单位时间段的加权数据；将第i个参考单位时间段的加权数据与所述第i-1个参考时间段的加权数据相比，并将比值取对数，得到所述第i个参考单位时间段的参考数据；其中1<i≤N。一种可选的实施例中，还包括训练单元，用于：获取历史时间段内节点的初始数据；针对所述历史时间段内的任一训练单位时间段，根据所述训练单位时间段内的初始数据，确定所述训练单位时间段的训练数据；将所述历史时间段内的训练数据作为参数，输入所述SVM模型中，确定所述SVM模型的模型参数。一种可选的实施例中，还包括误差单元，用于：针对所述历史时间段内的任一训练单位时间段，将所述训练单位时间段之前的训练数据，以及所述模型参数输入所述SVM模型，确定所述训练单位时间段的预测数据；将所述训练单位时间段的预测数据与所述训练单位时间段的训练数据相比较，确定所述训练单位时间段的误差数据；根据所述历史时间段内所有训练单位时间段的误差数据，确定所述SVM模型的历史误差；所述控制单元，还用于：根据所述预测数据以及所述SVM模型的历史误差，确定所述节点中的预留数据。本专利技术实施例还提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。本专利技术实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上所述的方法。本专利技术实施例中，获取参考时间段内节点的初始数据，针对参考时间段内的任一参考单位时间段，根据参考单位时间段内的初始数据，确定参考时间段的参考数据，这样，参考时间段内的所有参考数据均与时间相关，组成时间序列数据。另一方面，又获取SVM模型的模型参数。将模型参数和参考时间段内的所有参考数据输入SVM模型中，计算出预测时间段的预测数据。再依据预测数据，确定节点中的预留数据。本专利技术实施例利用SVM模型对预测时间段进行预测，可以进行实时预留数据预测，且确定的参考数据为时间序列数据，受影响预留数据的所有相关因素合力影响，体现了所有因素的信息，因此将参考数据作为SVM模型的输入，准确率高。同时，只使用参考数据，计算量小，数据源要求简单，减轻了计算压力。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种可能的系统构架的结构示意图；图2为本专利技术实施例提供的一种节点数据预测方法的流程示意图；图3为本专利技术具体实施例提供的节点数据预测方法的流程示意图；图4为本专利技术实施例提供的一种节点数据预测装置的结构示意图；图5为本专利技术实施例提供的电子设备的结构示意图。具体实施方式为了使本专利技术的目的、本文档来自技高网...

【技术保护点】
1.一种节点数据预测方法，其特征在于，所述方法包括：获取参考时间段内节点的初始数据；针对所述参考时间段内的任一参考单位时间段，根据所述参考单位时间段内的初始数据，确定所述参考单位时间段的参考数据；获取支持向量机SVM模型的模型参数；将所述模型参数以及所述参考时间段内的所有参考数据，输入所述SVM模型，计算出预测时间段的预测数据；根据所述预测数据，确定所述节点中的预留数据。

【技术特征摘要】
1.一种节点数据预测方法，其特征在于，所述方法包括：获取参考时间段内节点的初始数据；针对所述参考时间段内的任一参考单位时间段，根据所述参考单位时间段内的初始数据，确定所述参考单位时间段的参考数据；获取支持向量机SVM模型的模型参数；将所述模型参数以及所述参考时间段内的所有参考数据，输入所述SVM模型，计算出预测时间段的预测数据；根据所述预测数据，确定所述节点中的预留数据。2.如权利要求1所述的方法，其特征在于，所述参考时间段内包括N个参考单位时间段；针对第i个参考单位时间段，所述根据所述参考单位时间段内的初始数据，确定所述参考单位时间段的参考数据，包括：将所述参考单位时间段内的初始数据相加，确定所述参考单位时间段的加权数据；将第i个参考单位时间段的加权数据与所述第i-1个参考时间段的加权数据相比，并将比值取对数，得到所述第i个参考单位时间段的参考数据；其中1<i≤N。3.如权利要求1所述的方法，其特征在于，所述获取SVM模型的模型参数之前，还包括:获取历史时间段内节点的初始数据；针对所述历史时间段内的任一训练单位时间段，根据所述训练单位时间段内的初始数据，确定所述训练单位时间段的训练数据；将所述历史时间段内的训练数据作为参数，输入所述SVM模型中，确定所述SVM模型的模型参数。4.如权利要求3所述的方法，其特征在于，所述将所述历史时间段内的训练数据作为参数，输入所述SVM模型中，确定所述SVM模型的模型参数之后，所述根据所述预测数据，确定所述节点中的预留数据之前，还包括：针对所述历史时间段内的任一训练单位时间段，将所述训练单位时间段之前的训练数据，以及所述模型参数输入所述SVM模型，确定所述训练单位时间段的预测数据；将所述训练单位时间段的预测数据与所述训练单位时间段的训练数据相比较，确定所述训练单位时间段的误差数据；根据所述历史时间段内所有训练单位时间段的误差数据，确定所述SVM模型的历史误差；所述根据所述预测数据，确定所述节点中的预留数据，包括：根据所述预测数据以及所述SVM模型的历史误差，确定所述节点中的预留数据。5.一种节点数据预测装置，其特征在于，包括：获取单元，用于获取参考时间段内节点的初始数据；计算单元，用于针对所述...

【专利技术属性】
技术研发人员：李治，曾岩，李晶，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东,44