[发明专利]资产变动预测方法、装置、计算机设备和存储介质

权利要求书

1.一种资产变动预测方法，其特征在于，所述方法包括：

获取目标层用户在预设周期的时序资产数据；所述目标层用户表示根据入网时间划分的同一群体的用户；

将所述目标层用户的时序资产数据输入至预设的时序预测模型中，得到所述目标层用户的资产变动预测结果；所述时序预测模型为基于多个用户在不同周期内的资产数据的时序特征构建的。

2.根据权利要求1所述的方法，其特征在于，所述时序预测模型包括周期分层模型和时序趋势预测模型；

所述将所述目标层用户的时序资产数据输入至预设的时序预测模型中，得到所述目标层用户的资产变动预测结果，包括：

将所述目标层用户的时序资产数据输入至所述周期分层模型中，通过所述周期分层模型确定所述目标层用户在所述预设周期内每个月的在网资产活跃次数，并基于在网资产活跃次数和所述时序资产数据进行周期检验，得到新的时序资产数据；

将所述新的时序资产数据输入至所述时序趋势预测模型中，通过所述时序趋势预测模型预测所述目标层用户的下一周期的资产变动趋势，得到所述目标层用户的资产变动预测结果。

3.根据权利要求2所述的方法，其特征在于，所述通过所述周期分层模型确定所述目标层用户在所述预设周期内每个月的在网资产活跃次数，包括：

对所述时序资产数据进行配对处理，得到多个向上对和多个向下对；

根据所述多个向上对的总数量和所述多个向下对的总数量数之间的差值，确定所述时序资产数据对应在所述预设周期内每个月的趋势方向；所述趋势方向包括无趋势、向上趋势和向下趋势中任一种；

根据趋势方向和活跃次数的对应关系，确定所述目标层用户在所述预设周期内每个月的在网资产活跃次数；其中，所述无趋势和所述向上趋势对应的活跃次数均为1，所述向下趋势对应的活跃次数为0。

4.根据权利要求2所述的方法，其特征在于，所述基于在网资产活跃次数和所述时序资产数据进行周期检验，得到新的时序资产数据，包括：

根据所述目标层用户在所述预设周期内每个月的在网资产活跃次数，构造预期所需输入数据和拟合预期所需参数；所述预期所需输入数据包括所述预设周期内最后一次活跃与第一次活跃月份差、所述预设周期内活跃期间的月份数、当前月份与第一次活跃月份的时间差中至少一个；

根据所述预期所需输入数据、所述预期所需参数和所述时序资产数据，确定周期检验预期值；其中，所述预期值大于零对应为周期延续，所述预期值等于零对应为周期不延续；

根据所述预期值和预期值衍生规则，确定所述新的时序资产数据。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述通过所述时序趋势预测模型预测所述目标层用户的下一周期的资产变动趋势，得到所述目标层用户的资产变动预测结果，包括：

对所述目标层用户的新的时序资产数据进行标准化处理，得到标准化时序资产数据；

对所述标准化时序资产数据进行相同子群体划分，对每个划分的相同子群体中的标准化时序资产数据进行对标，得到多个对标后的标准化时序资产数据；

根据预设顺序，通过预设的距离度量公式，依次计算各对标后的标准化时序资产数据之间的距离；所述预设顺序为根据所述对标后的标准化时序资产数据中长序列的周期设定；

以预设的聚类数量，对各对标后的标准化时序资产数据之间的距离进行趋势分类汇总，得到趋势分类结果；所述趋势分类结果表示所述目标层用户的资产变动预测结果。

6.根据权利要求5所述的方法，其特征在于，所述对所述标准化时序资产数据进行相同子群体划分，对每个划分的相同子群体中的标准化时序资产数据进行对标，得到多个对标后的标准化时序资产数据，包括：

将所述目标层用户的标准化时序资产数据划分为断点子群体和非断点子群体；所述断点子群体表示节点不延续的子群体；

对所述非断点子群体中各标准化时序资产数据，根据入网时长进行相同子群体划分；

将划分后的相同子群体中的标准化时序资产数据，与所述相同子群体中除自身以外的任一标准化时序资产数据进行对标，得到所述多个对标后的标准化时序资产数据。