交易额变化趋势预测方法、装置和终端设备制造方法及图纸

本申请公开了一种交易额变化趋势预测方法、装置和终端设备，该方法阿包括获取第T时刻对应的交易额预测模型；获取第T

【技术实现步骤摘要】
交易额变化趋势预测方法、装置和终端设备


[0001]本专利技术涉及数据挖掘
，尤其涉及一种交易额变化趋势预测方法、装置和终端设备。

技术介绍

[0002]在线平台的日交易额，体现了平台的用户体量、资源水平和数据规模，日交易额的变化趋势，反应着公司发展的大体态势，对日交易额的预测，能够让公司提前为未来做准备，无论是配置资源还是战略调整都有着重要的作用。但是，影响在线平台日交易额的因素很多，包括当前的市场环境，企业的信用水平，政策宏观调控，在线交易平台的服务质量，以及平台上产品的被接受程度等，因此，平台上产品的交易额的变化趋势成动态变化，现有技术无法对这种动态变化做出准确的预测。

技术实现思路

[0003]鉴于上述问题，本申请提出一种交易额变化趋势预测方法、装置和终端设备，以对动态变化的交易额做出准确预测。
[0004]第一方面，本申请实施例提出一种交易额变化趋势预测方法，所述方法包括：
[0005]获取第T时刻对应的交易额预测模型；
[0006]获取第T
‑
ΔT1时刻至所述第T时刻的全部历史数据，ΔT1为预设的第一时间间隔；
[0007]利用所述交易额预测模型基于所述全部历史数据预测第T时刻的交易额和所述第T时刻的特征数据；
[0008]利用所述交易额预测模型基于第T
‑
ΔT1+i时刻至所述第T时刻的历史数据和所述第T+i时刻的特征数据预测第T+i+1时刻的交易额和所述第T+i+1时刻的特征数据，1≤i≤I
‑r/>1，I为所述第T时刻之后的时刻总数；
[0009]根据I个交易额预测交易额变化趋势。
[0010]本申请实施例所述的交易额变化趋势预测方法，所述交易额预测模型包括依次连接的第一门控循环单元、第二门控循环单元和全连接层。
[0011]本申请实施例所述的交易额变化趋势预测方法，所述获取第T时刻对应的交易额预测模型，包括：
[0012]获取第T
‑
ΔT2时刻至所述第T时刻的历史交易数据，ΔT2为预设的第二时间间隔，ΔT2＞ΔT1；
[0013]利用所述历史交易数据生成多个训练样本和每一个训练样本对应的样本标注；
[0014]利用带有样本标注的所述多个训练样本对第T
‑
1时刻对应的交易额预测模型进行训练，以得到所述第T时刻对应的交易额预测模型。
[0015]本申请实施例所述的交易额变化趋势预测方法，所述利用所述历史交易数据生成多个训练样本，包括：
[0016]利用第T
‑
ΔT2+j时刻至第T
‑
ΔT2+j+ΔT1时刻的交易数据生成第j+1个训练样本，
0≤j≤J
‑
1，J为训练样本总数；
[0017]将第T
‑
ΔT2+j+ΔT1+1时刻的交易数据和第T
‑
ΔT2+j+ΔT1+1时刻的交易额作为所述第j+1个训练样本的样本标注，所述第T
‑
ΔT2+j+ΔT1+1时刻的交易额为第T
‑
ΔT2+j+ΔT1+1时刻的交易数据中全部成交额之和。
[0018]本申请实施例所述的交易额变化趋势预测方法，所述全部历史数据包括商票、银票和财票中至少一种票据对应的相关数据。
[0019]本申请实施例所述的交易额变化趋势预测方法，所述相关数据包括成交量、成交额、挂单量、挂单额、成交率、票据年化、票据剩余计息天数、票据瑕疵情况、单位扣息和贴现数据中的至少一种。
[0020]本申请实施例所述的交易额变化趋势预测方法，还包括：以图形化的显示方式显示所述交易额变化趋势。
[0021]第二方面，本申请实施例还提出一种交易额变化趋势预测装置，所述装置包括：
[0022]模型获取模块，用于获取第T时刻对应的交易额预测模型；
[0023]数据获取模块，用于获取第T
‑
ΔT1时刻至所述第T时刻的全部历史数据，ΔT1为预设的第一时间间隔；
[0024]交易预测模块，用于利用所述交易额预测模型基于所述全部历史数据预测第T+1时刻的交易额和所述第T+1时刻的特征数据；还用于利用所述交易额预测模型基于第T
‑
ΔT1+i时刻至所述第T时刻的历史数据和所述第T+i时刻的特征数据预测第T+i+1时刻的交易额和所述第T+i+1时刻的特征数据，1≤i≤I
‑
1，I为所述第T时刻之后的时刻总数；
[0025]趋势预测模块，用于根据I个交易额预测交易额变化趋势。
[0026]第三方面，本申请实施例还提出一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行本申请实施例所述的交易额变化趋势预测方法。
[0027]第四方面，本申请实施例还提出一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本申请实施例所述的交易额变化趋势预测方法。
[0028]本申请通过获取第T时刻对应的交易额预测模型；获取第T
‑
ΔT1时刻至所述第T时刻的全部历史数据，ΔT1为预设的第一时间间隔；利用所述交易额预测模型基于所述全部历史数据预测第T时刻的交易额和所述第T时刻的特征数据；利用所述交易额预测模型基于第T
‑
ΔT1+i时刻至所述第T时刻的历史数据和所述第T+i时刻的特征数据预测第T+i+1时刻的交易额和所述第T+i+1时刻的特征数据，1≤i≤I
‑
1，I为所述第T时刻之后的时刻总数；根据I个交易额预测交易额变化趋势。实现对动态变化的交易额的变化趋势进行准确预测，基于预测结果，可以保证公司资源可以合理配置，并且基于预测结果，可以使公司提前做好战略部署，有利于公司的稳定发展。
附图说明
[0029]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对本专利技术保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0030]图1示出了本申请实施例提出的一种交易额变化趋势预测方法的流程示意图；
[0031]图2示出了本申请实施例提出的一种交易额预测模型的结构示意图；
[0032]图3示出了本申请实施例提出的一种交易额变化趋势预测方法中获取第T时刻对应的交易额预测模型的流程示意图；
[0033]图4示出了本申请实施例提出的一种交易额变化趋势预测过程的示意图；
[0034]图5示出了本申请实施例提出的一种交易额变化趋势预测装置的结构示意图。
具体实施方式
[0035]下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0036]通常在此处附图中描述和示出的本专利技术实施例的组件可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交易额变化趋势预测方法，其特征在于，所述方法包括：获取第T时刻对应的交易额预测模型；获取第T
‑
ΔT1时刻至所述第T时刻的全部历史数据，ΔT1为预设的第一时间间隔；利用所述交易额预测模型基于所述全部历史数据预测第T时刻的交易额和所述第T时刻的特征数据；利用所述交易额预测模型基于第T
‑
ΔT1+i时刻至所述第T时刻的历史数据和所述第T+i时刻的特征数据预测第T+i+1时刻的交易额和所述第T+i+1时刻的特征数据，1≤i≤I
‑
1，I为所述第T时刻之后的时刻总数；根据I个交易额预测交易额变化趋势。2.根据权利要求1所述的交易额变化趋势预测方法，其特征在于，所述交易额预测模型包括依次连接的第一门控循环单元、第二门控循环单元和全连接层。3.根据权利要求1所述的交易额变化趋势预测方法，其特征在于，所述获取第T时刻对应的交易额预测模型，包括：获取第T
‑
ΔT2时刻至所述第T时刻的历史交易数据，ΔT2为预设的第二时间间隔，ΔT2＞ΔT1；利用所述历史交易数据生成多个训练样本和每一个训练样本对应的样本标注；利用带有样本标注的所述多个训练样本对第T
‑
1时刻对应的交易额预测模型进行训练，以得到所述第T时刻对应的交易额预测模型。4.根据权利要求3所述的交易额变化趋势预测方法，其特征在于，所述利用所述历史交易数据生成多个训练样本，包括：利用第T
‑
ΔT2+j时刻至第T
‑
ΔT2+j+ΔT1时刻的交易数据生成第j+1个训练样本，0≤j≤J
‑
1，J为训练样本总数；将第T
‑
ΔT2+j+ΔT1+1时刻的交易数据和第T
‑
ΔT2+j+ΔT1+1时刻的交易额作为所...

【专利技术属性】
技术研发人员：李昌盛，
申请(专利权)人：江苏银承网络科技股份有限公司，
类型：发明
国别省市：