[发明专利]项目数据波动预测方法、装置、计算机设备和存储介质

权利要求书

1.一种项目数据波动预测方法，其特征在于，所述方法包括：

获取目标项目的多源历史数据；

从所述目标项目的多源历史数据中提取特征数据；

将所述特征数据输入预测模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标项目的波动数据的预测结果。

2.根据权利要求1所述的项目数据波动预测方法，其特征在于，所述预测模型包括第一预测单元和第二预测单元；

所述将所述特征数据输入预测模型中，根据所述特征数据生成多个不同时间尺度的特征数据，并根据所述多个不同时间尺度的特征数据得到所述目标项目的价格趋势预测结果，包括：

将所述特征数据输入第一预测单元中，对所述特征数据进行多个时间尺度的离散小波变换，得到各个时间尺度的第一特征矩阵，所述第一预测单元根据所述第一特征矩阵得到所述目标项目的第一预测结果；

将所述特征数据输入第二预测单元中，所述第二预测单元对所述特征数据进行多个不同时间尺度的下采样，得到各个时间尺度的第二特征矩阵，所述第二模型根据所述第二特征矩阵得到所述目标项目的第二预测结果；

聚合所述第一预测结果和所述第二预测结果，得到所述目标项目的价格趋势预测结果。

3.根据权利要求2所述的项目数据波动预测方法，其特征在于，所述第一预测单元包括小波变换模型和XGBoost模型，所述第二预测单元包括CNN模型和GRU模型；

所述第一预测单元根据所述第一特征矩阵得到所述目标项目的第一预测结果，包括：

将所述第一特征矩阵输入所述XGBoost模型，得到所述目标项目价格趋势的第一预测结果；

所述所述第二模型根据所述第二特征矩阵得到所述目标项目的第二预测结果，包括：

将所述第二特征矩阵输入所述CNN模型进行卷积和池化操作，得到多个时间尺度的第一特征向量；

对所述多个时间尺度的第一特征向量进行序列长度的补充，使得所述第一特征向量具有相同维数；

将所述第一特征向量输入所述GRU模型，采用所述GRU模型对所述第一特征向量进行时序分析，生成第二特征向量；

采用预设长度的全连接层及softmax分类器对所述第二特征向量进行分类评分，得到得到所述目标项目价格趋势的第二预测结果。

4.根据权利要求3所述的项目数据波动预测方法，其特征在于，所述分类评分包括上涨概率评分、下跌概率评分；

所述XGBoost模型是根据样本项目的多源历史数据的特征数据，以及所述样本数据已知的分类评分结果训练得到的；

采用预设长度的全连接层及softmax分类器对所述第二特征向量进行分类评分，得到得到所述目标项目价格趋势的第二预测结果，包括：

按照所述上涨概率评分、所述下跌概率评分，计算所述目标项目的真实涨跌幅，采用sigmoid函数制作所述目标项目的涨跌幅标签。

5.根据权利要求2所述的项目数据波动预测方法，其特征在于，所述聚合所述第一预测结果和所述第二预测结果，得到所述目标项目的价格趋势预测结果，包括：

通过预设长度的全连接层聚合所述第一预测结果和所述第二预测结果，输出层输出最终的项目数据波动预测结果。

6.根据权利要求1所述的项目数据波动预测方法，其特征在于，所述从所述目标项目的多源历史数据中提取特征数据，包括：

获取与所述目标项目相关的参考项目的多源历史数据；

将所述目标项目的多源历史数据的特征数据以及所述参考项目的多源历史数据的特征数据输入注意力网络中，得到所述目标项目与各个参考项目的相似度；

基于所述相似度，确定各个参考项目的加权权重；

基于所述加权权重，对所述目标项目的特征数据进行加权求和，并根据加权求和结果对所述目标项目的特征数据进行修正，得到所述目标项目的修正后的特征数据。

7.根据权利要求1所述的项目数据波动预测方法，其特征在于，所述第二预测单元还包括Dropout层，所述Dropout层设置在GRU模型与全连接层之间。