[发明专利]业务数据的预测方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术领域，提供一种业务数据的预测方法、装置、设备及存储介质，用于提高对业务数据进行预测的准确性。业务数据的预测方法包括：对网络爬虫爬取的业务订单数据和车辆销售数据进行数据清洗和维度维值划分，得到新车数据和旧车数据；对新车数据和旧车数据中的维度维值进行筛选和合并得到预测维度；通过预置预测模型、预测维度和预置预测指标，对新车数据和旧车数据分别在预设时段的业务数据进行预测，得到新车预测数据和各维度对应的初始旧车预测数据；对新车预测数据和各维度对应的初始旧车预测数据进行合并处理，得到业务预测数据。此外，本发明还涉及区块链技术，新车数据和旧车数据可存储于区块链中。

技术领域

本发明涉及人工智能的智能决策领域，尤其涉及一种业务数据的预测方法、装置、设备及存储介质。

背景技术

随着业务量的剧增，对于业务量的规模和发展趋势的展望，需要对业务量的各项数据进行统计预测，例如：对业务数据的预测。目前的业务数据的预测方式，一般都是采用整合移动平均自回归模型（autoregressive integrated moving average model，ARIMA），根据ARIMA模型中的时间序列预测算法和历史业务数据进行预设时间的业务数据预测，得到预测业务数据。

但是，上述业务数据的预测方式是直接将不同业务场景的历史业务数据融合在一起后进行预测，而不同业务场景的历史业务数据会有不同的预测规则，比如：新车、旧车的保费收取标准不一致，有各自业务场景的特殊性质，导致对业务数据预测的模型与业务场景的契合度较低，预测业务数据的偏差率较高，从而导致对业务数据进行预测的准确性低。

发明内容

本发明提供一种业务数据的预测方法、装置、设备及存储介质，用于提高对业务数据进行预测的准确性。

本发明第一方面提供了一种业务数据的预测方法，包括：

通过预置的网络爬虫和定时采集调度任务，从预置网页中爬取业务订单数据和车辆销售数据；

对所述业务订单数据和所述车辆销售数据进行数据清洗和维度划分，得到新车数据和旧车数据；

对所述新车数据和所述旧车数据中的维度进行筛选和合并，得到预测维度；

通过预置预测模型、所述预测维度和预置预测指标，对所述新车数据在预设时段的业务数据进行预测，得到新车预测数据，以及对所述旧车数据在所述预设时段的业务数据进行多维度预测，得到各维度对应的初始旧车预测数据；

对所述新车预测数据和所述各维度对应的初始旧车预测数据进行合并处理，得到业务预测数据。

可选的，在本发明第一方面的第一种实现方式中，所述对所述业务订单数据和所述车辆销售数据进行数据清洗和维度划分，得到新车数据和旧车数据，包括：

分别对所述业务订单数据和所述车辆销售数据依次进行异常值剔除、空值填充、去重和子维度更改，得到预处理业务订单数据和预处理车辆销售数据；

获取所述预处理车辆销售数据的新车标签和旧车标签，根据所述新车标签和所述旧车标签，对所述预处理业务订单数据和所述预处理车辆销售数据进行分类，得到初始新车业务订单数据、初始旧车业务订单数据、新车销售数据和旧车销售数据；

按照预设维度划分规则，分别对所述初始新车业务订单数据和所述初始旧车业务订单数据进行分类，得到目标新车业务订单数据和目标旧车业务订单数据；

将所述目标新车业务订单数据和所述新车销售数据确定为新车数据，将所述目标旧车业务订单数据和所述旧车销售数据确定为旧车数据。

可选的，在本发明第一方面的第二种实现方式中，所述通过预置预测模型、所述预测维度和预置预测指标，对所述新车数据在预设时段的业务数据进行预测，得到新车预测数据，以及对所述旧车数据在所述预设时段的业务数据进行多维度预测，得到各维度对应的初始旧车预测数据，包括：