【技术实现步骤摘要】
本专利技术涉及数据分析，尤其涉及一种事件冲击影响定量评估方法、装置、设备及介质。
技术介绍
1、随着科学技术的发展，数据分析技术不断提高。
2、当前，定量评估特定事件对经济和社会变量的冲击影响，一般是依赖于环比或同比的简单对比分析，均是将冲击影响后的数据与冲击影响前的数据进行对比分析。例如，在研究日本排放核废水对日本外贸出口额的影响时，相关技术一般使用日本排放核废水前后时间的外贸出口额同比值，来评估核污水排放对日本外贸出口额的影响。
3、但是，相关技术的事件冲击影响评估准确性较低。
技术实现思路
1、本专利技术提供一种事件冲击影响定量评估方法、装置、设备及介质，用以解决相关技术中事件冲击影响评估准确性较低的缺陷，提升事件冲击影响评估准确性。
2、第一方面，本专利技术提供一种事件冲击影响定量评估方法，包括：
3、获取区域研究指标对应的第一时序数据和第二时序数据，所述第一时序数据为所述区域研究指标受到事件冲击影响之前的时序数据，所述第二时序数据为所述区域研究指标受到所述事件冲击影响后的时序数据；
4、对所述第一时序数据进行拟合，以得到所述第一时序数据对应的第一拟合时序数据和所述第二时序数据对应的第二拟合时序数据；
5、将所述第一时序数据减去所述第一拟合时序数据，得到第一残差时序数据；
6、基于所述第一残差时序数据进行时序预测，以得到所述第二拟合时序数据对应的第二残差时序数据；
7、将所述第二
8、根据所述反事实预测时序数据与所述第二时序数据，定量评估事件冲击影响。
9、可选的，所述第一时序数据中包括所述区域研究指标在从第一时间点至事件发生时间点的时段中每个时间点的真实指标值，所述第二时序数据中包括所述区域研究指标在从第二时间点至第三时间点的时段中每个时间点的真实指标值；
10、其中，所述第一时间点在所述事件发生时间点之前，所述第二时间点与所述事件发生时间点相邻且在所述事件发生时间点之后，所述第三时间点在所述第二时间点之后。
11、可选的，所述对所述第一时序数据进行拟合，以得到所述第一时序数据对应的第一拟合时序数据和所述第二时序数据对应的第二拟合时序数据，包括：
12、将所述第一时序数据输入至训练好的季节性线性回归模型中进行拟合，以得到所述第一拟合时序数据和所述第二拟合时序数据；其中，所述线性回归模型为基于所述区域研究指标对应的样本时序数据，对待训练线性回归模型进行训练得到；
13、所述基于所述第一残差时序数据进行时序预测，以得到所述第二拟合时序数据对应的第二残差时序数据，包括：
14、将所述第一残差时序数据输入至训练好的时序预测模型中进行时序预测，得到所述第二拟合时序数据对应的第二残差时序数据；其中，所述时序预测模型为基于样本残差时序数据对待训练时序预测模型进行训练得到。
15、可选的，所述季节性线性回归模型为季节性自回归积分滑动平均模型sarima，所述时序预测模型为双向长短期记忆网络bilstm。
16、可选的，所述第二时序数据中包括所述区域研究指标在n个时间点的真实指标值，所述反事实预测时序数据中包括所述区域研究指标在所述n个时间点的预测指标值；
17、所述根据所述反事实预测时序数据与所述第二时序数据，定量评估事件冲击影响，包括：
18、对于任一所述时间点，将所述时间点的真实指标值减去所述时间点的预测指标值，得到所述时间点的残差值；
19、根据每个所述时间点的残差值，确定用于评估所述事件冲击影响的指标损失值；其中，所述指标损失值与所述事件冲击影响的强度呈正相关。
20、可选的，所述指标损失值为绝对指标损失值；
21、所述根据每个所述时间点的残差值，确定用于评估所述事件冲击影响的指标损失值，包括：
22、计算所有所述时间点的残差值的总和，并将所述总和确定为用于评估所述事件冲击影响的绝对指标损失值。
23、可选的，所述指标损失值为相对指标损失值；
24、所述根据每个所述时间点的残差值，确定用于评估所述事件冲击影响的指标损失值，包括：
25、计算所有所述时间点的残差值的第一总和，以及计算所有所述时间点的真实指标值的第二总和；
26、将所述第一总和除以所述第二总和，得到相应的商值并作为所述相对指标损失值。
27、第二方面，本专利技术提供一种事件冲击影响定量评估装置，包括：
28、获取单元，用于获取区域研究指标对应的第一时序数据和第二时序数据，所述第一时序数据为所述区域研究指标受到事件冲击影响之前的时序数据，所述第二时序数据为所述区域研究指标受到所述事件冲击影响后的时序数据；
29、拟合单元，用于对所述第一时序数据进行拟合，以得到所述第一时序数据对应的第一拟合时序数据和所述第二时序数据对应的第二拟合时序数据；
30、相减单元，用于将所述第一时序数据减去所述第一拟合时序数据，得到第一残差时序数据；
31、预测单元，用于基于所述第一残差时序数据进行时序预测，以得到所述第二拟合时序数据对应的第二残差时序数据；
32、相加单元，用于将所述第二残差时序数据与所述第二拟合时序数据相加，得到反事实预测时序数据；
33、评估单元，用于根据所述反事实预测时序数据与所述第二时序数据，定量评估事件冲击影响。
34、第三方面，本专利技术提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的事件冲击影响定量评估方法。
35、第四方面，本专利技术提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的事件冲击影响定量评估方法。
36、本专利技术提供的事件冲击影响定量评估方法、装置、设备及介质，可以获取区域研究指标对应的第一时序数据和第二时序数据，第一时序数据为区域研究指标受到事件冲击影响之前的时序数据，第二时序数据为区域研究指标受到事件冲击影响后的时序数据。对第一时序数据进行拟合，以得到第一时序数据对应的第一拟合时序数据和第二时序数据对应的第二拟合时序数据。将第一时序数据减去第一拟合时序数据，得到第一残差时序数据。基于第一残差时序数据进行时序预测，以得到第二拟合时序数据对应的第二残差时序数据。将第二残差时序数据与第二拟合时序数据相加，得到反事实预测时序数据。根据反事实预测时序数据与第二时序数据，定量评估事件冲击影响。本专利技术可以构建无事件冲击影响下的反事实情境，量化特定事件对经济和社会变量的实际影响，提升事件冲击影响定量评估的准确性。
本文档来自技高网...【技术保护点】
1.一种事件冲击影响定量评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一时序数据中包括所述区域研究指标在从第一时间点至事件发生时间点的时段中每个时间点的真实指标值，所述第二时序数据中包括所述区域研究指标在从第二时间点至第三时间点的时段中每个时间点的真实指标值；
3.根据权利要求1所述的方法，其特征在于，所述对所述第一时序数据进行拟合，以得到所述第一时序数据对应的第一拟合时序数据和所述第二时序数据对应的第二拟合时序数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述季节性线性回归模型为季节性自回归积分滑动平均模型SARIMA，所述时序预测模型为双向长短期记忆网络BiLSTM。
5.根据权利要求1所述的方法，其特征在于，所述第二时序数据中包括所述区域研究指标在N个时间点的真实指标值，所述反事实预测时序数据中包括所述区域研究指标在所述N个时间点的预测指标值；
6.根据权利要求5所述的方法，其特征在于，所述指标损失值为绝对指标损失值；
7.根据权利要求5所述的方法，其特征在于，
8.一种事件冲击影响定量评估装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的事件冲击影响定量评估方法。
...【技术特征摘要】
1.一种事件冲击影响定量评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一时序数据中包括所述区域研究指标在从第一时间点至事件发生时间点的时段中每个时间点的真实指标值，所述第二时序数据中包括所述区域研究指标在从第二时间点至第三时间点的时段中每个时间点的真实指标值；
3.根据权利要求1所述的方法，其特征在于，所述对所述第一时序数据进行拟合，以得到所述第一时序数据对应的第一拟合时序数据和所述第二时序数据对应的第二拟合时序数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述季节性线性回归模型为季节性自回归积分滑动平均模型sarima，所述时序预测模型为双向长短期记忆网络bilstm。
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。