[发明专利]数据预测方法、系统和计算机可读存储介质

说明书

技术领域

本发明涉及数据分析领域，尤其涉及一种数据预测方法、系统和计算机可读存储介质。

背景技术

现有的数据预测方案，如银行流动性资金预测方案大多比较简单，基本是根据经验来建立模型，而且建立的模型也基本是线性模型，使得预测值与真实值差距较大。尤其是对于周期性稍微强一点的数据，模型预测结果只能在短时期内有效，之后差异就非常大，进而需要人工干预调整，由于需要人工识别周期，在不同的周期，需要采用不同且相似的函数模型进行拟合，操作非常繁琐。显然，现有的数据预测方式，准确性较低，操作也较为繁琐。

发明内容

本发明的主要目的在于提供一种数据预测方法、系统和计算机可读存储介质，旨在解决现有的银行流动性资金预测方式，准确性较低、操作较为繁琐的技术问题。

为实现上述目的，本发明提供一种数据预测方法，所述数据预测方法包括：

从数据系统中抽取源数据，将抽取的源数据封装成特征向量；

加载所述特征向量，并采用超参数构建深度学习算法模型；

将所述特征向量输入所述深度学习算法模型，以对所述深度学习算法模型进行训练；

基于训练的所述深度学习算法模型对特征向量进行预测，以得到预测值。

可选地，所述将抽取的源数据封装成特征向量的步骤包括：

对抽取的源数据进行数据清洗；

按照日期对清洗后的源数据进行分组统计，得到特征向量。

可选地，所述按照日期对清洗后的源数据进行分组统计，得到特征向量的步骤之后，所述方法还包括：

对特征向量进行检验；

在检测到特征向量有数据缺失时，采用插值平均算法对特征向量进行补全。

可选地，所述加载所述特征向量的步骤之后，所述方法还包括：

对加载的特征向量进行标准化处理，以将特征向量按照预设比例进行缩放，得到标准化处理的特征向量；

所述基于训练的所述深度学习算法模型对特征向量进行预测，以得到预测值的步骤之后，所述方法还包括：

将预测值按照所述预设比例进行还原，以作为最终的预测值。

可选地，所述对加载的特征向量进行标准化处理，以将特征向量按照预设比例进行缩放，得到标准化处理的特征向量的步骤包括：

确定特征向量中的最大值，将确定的最大值加上预设值得到和；

将特征向量中每个值除以和，以得到标准化处理的特征向量。

可选地，所述对加载的特征向量进行标准化处理，以将特征向量按照预设比例进行缩放，得到标准化处理的特征向量的步骤还包括：

根据特征向量中的各个值计算平均值，以及标准差；

分别将每个值减去所述平均值，得到各个差值；

将各个差值除以所述标准差，以得到标准化处理的特征向量。

可选地，所述基于训练的所述深度学习算法模型对特征向量进行预测，以得到预测值的步骤之后，所述方法还包括：

在预设时间间隔到达时获取所述预测值对应的真实值；

计算所述预设值与真实值的差值，并计算差值与真实值的比值；

在计算的比值大于预设比值时，调整深度学习算法模型。

可选地，所述特征向量包括日历特征向量和指标特征向量。

此外，为实现上述目的，本发明还提供一种数据预测系统，所述数据预测系统包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的数据预测程序，所述数据预测程序被所述处理器执行时实现如上文所述的数据预测方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据预测程序，所述数据预测程序应用于数据预测系统，所述数据预测程序被处理器执行时实现如上文所述的数据预测方法的步骤。

本发明提出的数据预测方法，先从数据系统中抽取源数据，将抽取的源数据封装成特征向量，然后加载所述特征向量，并采用超参数构建深度学习算法模型，再将所述特征向量输入所述深度学习算法模型，以对所述深度学习算法模型进行训练，最终基于训练的所述深度学习算法模型对特征向量进行预测，以得到预测值。本方案中采用深度学习算法模型对源数据对应的特征向量进行预测，不需要知道源数据的具体周期，即使源数据的特征发生变化时，模型也会自动学习好新的周期特征，从而对预测的数据值进行调整，确保数据预测的准确性和便捷性。

附图说明

图1是本发明数据预测系统的硬件架构图；

图2为本发明数据预测方法第一实施例的流程示意图；