[发明专利]业务数据预测方法、装置、电子设备及计算机可读存储介质

说明书

本申请提供了一种业务数据预测方法、装置、电子设备及计算机可读存储介质。所述方法包括：在需要对未来的指定时段内的业务数据进行预测时，获取与所述指定时段对应的历史同期的历史业务数据；根据所述历史业务数据，确定预测模型对应的初始模型参数；调用所述预测模型根据初始模型参数和所述历史业务数据，预测得到指定时段对应的第一预测结果和预测残差值，根据预测残差值确定预测模型对应的目标模型参数；调用所述预测模型根据所述目标模型参数和所述历史业务数据，对所述预测残差值进行处理，得到所述指定时段对应的第二预测结果；根据所述第一预测结果和所述第二预测结果，确定所述指定时段对应的预测数据。本申请可以提升数据预测的准确率。

技术领域

本申请涉及数据处理技术领域，特别是涉及一种业务数据预测方法、装置、电子设备及计算机可读存储介质。

背景技术

ARIMA模型(Autoregressive Integrated MovingAverage model，差分整合移动平均自回归模型)，又称整合移动平均自回归模型(移动也可称作滑动)，时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。模型特点是不直接考虑其他相关随机变量的变化。

ARIMA模型作为常规的时间序列预测模型之一，在预测场景有广泛的应用。如：股价、房价、销售额、访问量、气温等。但是模型本身的特点是不直接考虑其它相关随机变量的变化，所以模型的缺点是当遇到外界发生较大变化时预测往往有较大偏差。

发明内容

本申请提供了一种业务数据预测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中的ARIMA模型遇到外界发生较大变化时预测有较大偏差的问题。

为了解决上述问题，本申请提供了一种业务数据预测方法，包括：

在需要对未来的指定时段内的业务数据进行预测时，获取与所述指定时段对应的历史同期的历史业务数据；

根据所述历史业务数据，确定预测模型对应的初始模型参数；

调用所述预测模型根据所述初始模型参数和所述历史业务数据，预测得到所述指定时段对应的第一预测结果和预测残差值；

根据所述预测残差值，确定所述预测模型对应的目标模型参数；

调用所述预测模型根据所述目标模型参数和所述历史业务数据，对所述预测残差值进行处理，得到所述指定时段对应的第二预测结果；

根据所述第一预测结果和所述第二预测结果，确定所述指定时段对应的预测数据。

可选地，所述业务数据为企业用户负荷，所述在需要对未来的指定时段内的业务数据进行预测时，获取与所述指定时段对应的历史同期的历史业务数据，包括：

在需要对未来指定时段内的企业用户负荷进行预测时，获取所述指定时段对应的历史同期的历史企业用户负荷；

所述根据历史业务数据，确定预测模型对应的初始模型参数，包括：

根据所述历史企业用户负荷，确定所述预测模型对应的初始模型参数；

所述调用所述预测模型根据所述初始模型参数和所述历史业务数据，预测得到所述指定时段对应的第一预测结果和预测残差值，包括：

调用所述预测模型根据所述初始模型参数和所述历史企业用户负荷，预测得到所述指定时段对应的第一预测结果和预测残差值；

所述调用所述预测模型根据所述目标模型参数和所述历史业务数据，对所述预测残差值进行处理，得到所述指定时段对应的第二预测结果，包括：