[发明专利]表征现金流的数据组织形式与基于多任务学习的预测方法

摘要

本发明涉及大数据处理技术，旨在提供一种表征现金流的数据组织形式与基于多任务学习的预测方法。包括：对电力部门销售流水和用电量的历史数据进行信息挖掘和统计分析；建立与回归分析有关的多个任务，建立多维数据标签；按时间序列进行交叉检验，利用深度卷积神经网络或者递归神经网络进行多任务学习，对模型进行性能测试；采用网格法得到神经网络的最佳超参数，最终确定神经网络模型的配置，并将该神经网络模型用于电力销售金额的预测。本发明构建了联合这些信息的新的数据组织形式，能够刻画日现金流来源。通过本发明构建的多任务学习相比传统统计模型有较少的人工干预，结果更加鲁棒，更适应大数据。

主权项

1.一种表征现金流的数据组织形式与基于多任务学习的预测方法，其特征在于，包括以下步骤：(1)读取电力部门销售流水和用电量的历史数据；(2)对历史数据进行信息挖掘和统计分析，评估金额到账时间与用户支付时间的关系，得出每天缴费用户的缴费金额到账情况、区域、用电量和具体金额的分布信息；按照设定的数据结构形式进行数据组织，然后按照分位数统计量对现金流数据进行分类；(3)建立与回归分析有关的多个任务，分类任务及匹配组成当日现金流的用户支付金额分布的任务，以此建立多维数据标签；(4)对历史数据按时间序列均分为k个时间段，每个时间段包含多天数据；(5)进行k次交叉检验：每次取步骤(4)中的k‑1组作为训练集，利用深度卷积神经网络或者递归神经网络进行多任务学习；通过回归分析给出未来定期金额的预测，并将剩下的一组作为检验集，对模型进行性能测试；(6)重复步骤(5)，采用网格法得到神经网络的最佳超参数，最终确定神经网络模型的配置，并将该神经网络模型用于电力销售金额的预测。