[发明专利]一种银行网点备付金的预测方法及系统

说明书

本发明公开了一种银行网点备付金的预测方法及系统，可应用于金融领域。对银行网点的备付金的原始时间序列数据进行多次分解，得到多个第一时间子序列数据；计算第一时间子序列数据的熵值，基于熵值对第一时间子序列数据进行合并处理，得到多个第二时间子序列数据；利用第二时间子序列数据训练神经网络模型得到预测模型；利用第二时间子序列数据的预测模型预测得到在指定时间点的备付金预测值；对所有第二时间子序列数据的备付金预测值进行累加，得到在指定时间点的总备付金预测值。将备付金的原始时间序列数据进行分解和重构得到第二时间子序列数据，再利用各个第二时间子序列数据对应的预测模型预测备付金，提高预测备付金的准确率。

技术领域

本发明涉及数据处理技术领域，具体涉及一种银行网点备付金的预测方法及系统。

背景技术

由于商业银行网点在一段时期内每日备付金准备量是一组随着时间变化的时间序列，因此目前通常以时间序列模型(如差分移动平均回归和自回归模型)来预测商业银行网点的备付金。但是，由于备付金受到多重因素(如节假日和地理位置)的影响而呈现出高度非线性，采用时间序列模型预测备付金的准确率较差。

发明内容

有鉴于此，本发明实施例提供一种银行网点备付金的预测方法及系统，以解决现有预测备付金的方式存在的预测备付金的准确率较差等问题。

为实现上述目的，本发明实施例提供如下技术方案：

本发明实施例第一方面公开一种银行网点备付金的预测方法，所述方法包括：

对银行网点的备付金的原始时间序列数据进行多次分解，以得到多个第一时间子序列数据；

计算每个所述第一时间子序列数据的熵值；

基于每个所述第一时间子序列数据的熵值，对多个所述第一时间子序列数据进行合并处理，得到多个第二时间子序列数据；

对于每个第二时间子序列数据，利用所述第二时间子序列数据训练神经网络模型得到相应的预测模型；

对于每个第二时间子序列数据，利用所述第二时间子序列数据对应的预测模型，预测得到所述第二时间子序列数据在指定时间点的备付金预测值；

对所有所述第二时间子序列数据对应的备付金预测值进行累加，得到所述备付金的原始时间序列数据在所述指定时间点的总备付金预测值。

优选的，对银行网点的备付金的原始时间序列数据进行多次分解，以得到多个第一时间子序列数据，包括：

利用集合经验模态分解算法，对银行网点的备付金的原始时间序列数据进行多次分解，以得到多个第一时间子序列数据。

优选的，计算每个所述第一时间子序列数据的熵值，包括：

对于每个第一时间子序列数据，对所述第一时间子序列数据进行相空间重构，得到第一矩阵；

按照升序顺序将所述第一矩阵中的重构分量重新排序，得到第二矩阵，所述第二矩阵中每一行数据存在与之对应的一组符号序列，所述符号序列用于指示排序后的重构分量中各个元素所在的列；

利用每一组所述符号序列的出现概率，计算所述第一时间子序列数据的排列熵；

对所述第一时间子序列数据的排列熵进行归一化，以得到所述第一时间子序列数据的熵值。

优选的，基于每个所述第一时间子序列数据的熵值，对多个所述第一时间子序列数据进行合并处理，得到多个第二时间子序列数据，包括：

基于每个所述第一时间子序列数据的熵值，划分得到多个数据组，每一数据组包含：一个所述第一时间子序列数据，或，熵值差在阈值范围内的多个所述第一时间子序列数据；