资源请求值的预测方法及装置、交易量的预测方法与流程

本申请涉及互联网信息技术领域，尤其涉及一种互联网资源请求值的预测方法及装置，以及一种互联网交易量的预测方法。

背景技术：

随着互联网信息技术的发展，出现了各种互联网资源(如网络存储资源、网络带宽资源、网络计算资源等，简称资源)。基于“资源”的特性，通常应避免长时间闲置，无论是己方利用，还是他方利用，均应当尽可能地使资源处于被使用状态，从而最大化资源的效能。在互联网中，多方均可能拥有不同的自有资源，但不一定自己拥有的就是需要的，所以可以通过交换资源的方式，各取所需。比如，用一定容量的网络存储资源换取一定带宽的网络带宽资源。由此出现了用于管理资源的资源管理系统。该系统可以管理多种资源，也可以用自有资源交换目标资源，当接收到用户的资源请求后，如果系统本身拥有请求对应的资源，便可以直接将自有资源提供给用户，如果本身没有，则可以通过自有资源去交换请求对应的目标资源，并提供给用户。

由于资源种类多样，互联网中对于不同种类的资源的供求关系也会有变化，所以在资源交换时，就会根据供求关系等“市场因素”出现一定的交换率，比如，1TB网络存储资源1个月使用权可以交换100MB网络带宽资源的1个月使用权，但如果互联网中闲置的网络存储资源增多，此时网络存储资源出现了供过于求，就有可能导致如果再交换100MB网络带宽资源的1个月使用权，就需要1.5TB网络存储资源1个月使用权。在“互联网资源市场”中，各种资源的交换率都可能随时发生变化。基于资源的交换率具有的不稳定特性，资源管理系统可能会根据用户对资源的需求，提前进行交换，也就是提前将自有资源交换为目标资源，当接收到用户的资源请求后，就可以直接将请求对应的目标资源提供给用户。

现有技术，在对资源进行提前交换时，交换的资源值仅仅是通过人工作业来判断交换率的变化情况以及用户请求值的变化情况，主观确定下一个单位时间段或下几个单位时间段的各目标资源请求值，以及交换率的趋势，从而进行提前交换。但是人工方式预测资源交换率以及目标资源请求值，显然有失准确。

技术实现要素：

本申请实施例提供一种互联网资源请求值的预测方法，用于提高预测互联网资源请求值的准确性。

本申请实施例提供一种互联网资源请求值的预测装置，用于提高预测互联网资源请求值的准确性。

本申请实施例提供一种互联网交易量的预测方法，用于提高预测互联网交易量的准确性。

本申请实施例采用下述技术方案：

一种互联网资源请求值的预测方法，包括：

获取历史请求数据，并根据所述历史请求数据确定出时间序列数据，所述时间序列数据中包含：若干单位时间段内目标资源的请求值；

根据所述时间序列数据，确定时间序列趋势信息，并根据所述时间序列趋势信息确定目标资源请求的初步预测值；

获取所述目标资源与自有资源的历史交换率数据；

根据所述历史交换率数据，确定交换率趋势信息，并根据预设规则确定调节系数；

根据所述初步预测值以及所述调节系数，预测单位时间段内所述目标资源的请求值。

优选地，根据所述时间序列数据，确定时间序列趋势信息，并根据所述时间序列趋势信息确定目标资源请求的初步预测值，包括：

根据所述时间序列数据，确定所述时间序列数据的长期趋势信息；

根据所述长期趋势信息，利用自回归滑动平均模型，确定所述目标资源请求的初步预测值。

优选地，根据所述时间序列数据，确定所述时间序列数据的长期趋势信息，包括：

根据所述时间序列数据，确定所述时间序列数据的长期趋势信息、季节性趋势信息以及随机趋势信息；则

根据所述长期趋势信息，利用自回归滑动平均模型，确定所述目标资源请求的初步预测值，包括：

根据所述长期趋势信息以及随机趋势信息，利用自回归滑动平均模型，确定第一预测值；

根据所述季节性趋势信息，利用三次指数平滑法，确定第二预测值；

根据所述第一预测值以及所述第二预测值，确定所述目标资源请求的初步预测值。

优选地，根据所述历史交换率数据，确定交换率趋势信息，并根据预设规则确定调节系数，包括：

根据所述历史交换率数据，利用移动平均值，确定第一交换率趋势信息，并根据第一预设规则，确定第一调节系数；和/或

根据所述历史交换率数据，利用对数周期性幂律模型，确定第二交换率趋势信息，并根据第二预设规则，确定第二调节系数；

根据所述第一调节系数和/或所述第二调节系数，确定调节系数。

优选地，根据所述初步预测值以及所述调节系数，确定所述目标资源请求的最终预测值，包括：

根据所述初步预测值、所述调节系数以及特殊时间段系数，预测单位时间段内所述目标资源的请求值。

优选地，获取历史数据，并根据所述历史数据确定出时间序列数据，包括：

获取历史请求数据，并根据所述历史请求数据确定出待处理时间序列数据；

对所述待处理时间序列数据进行缺失值处理，确定出时间序列数据。

优选地，所述方法还包括：

根据预测出的单位时间段内所述目标资源的请求值，通过自有资源交换目标资源；

当处于所述单位时间段内，并达到预设子时刻，获取截至所述预设子时刻所述目标资源的实时累计请求值；

根据历史请求数据，确定所述预设子时刻历史累计占比，所述预设子时刻的历史累计占比为历史单位时间段内，截至所述预设子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值；

根据所述实时累积请求值以及所述预设时刻累计占比，预测所处单位时间段内的请求值；

根据所述预测出的单位时间段内所述目标资源的请求值，与预测出的所处单位时间段内所述目标资源的请求值，确定交换行为。

优选地，所述预设子时刻的历史累计占比为多个历史单位时间段内，截至所述预设子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值的平均值。

优选地，所述预设子时刻的历史累计占比为与所处单位时间段具有相同特性的单位时间段内，截至所述预设子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值。

优选地，所述方法还包括：

根据历史请求数据，确定预设下一子时刻历史累计占比，所述预设下一子时刻的历史累计占比为历史单位时间段内，截至所述预设下一子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值；

根据预测出的所处单位时间段内所述目标资源的请求值，以及所述预设下一子时刻历史累计占比，预测截至所述预设下一子时刻所述目标资源的请求值；

当达到所述预设下一子时刻时，获取截至所述预设下一子时刻所述目标资源的实时累计请求值；

根据预测的截至所述预设下一子时刻所述目标资源的请求值，与获取的截至所述预设下一子时刻所述目标资源的实时累计请求值，确定交换行为。

一种互联网资源请求值的预测装置，该装置包括：第一获取单元、第一确定单元、第二获取单元、第二确定单元以及预测单元，其中，

所述第一获取单元，用于获取历史请求数据，并根据所述历史请求数据确定出时间序列数据，所述时间序列数据中包含：若干单位时间段内目标资源的请求值；

所述第一确定单元，用于根据所述时间序列数据，确定时间序列趋势信息，并根据所述时间序列趋势信息确定目标资源请求的初步预测值；

所述第二获取单元，用于获取所述目标资源与自有资源的历史交换率数据；

所述第二确定单元，用于根据所述历史交换率数据，确定交换率趋势信息，并根据预设规则确定调节系数；

所述预测单元，用于根据所述初步预测值以及所述调节系数，预测单位时间段内所述目标资源的请求值。

优选地，所述第一确定单元，具体用于：

根据所述时间序列数据，确定所述时间序列数据的长期趋势信息；

根据所述长期趋势信息，利用自回归滑动平均模型，确定所述目标资源请求的初步预测值。

优选地，所述第一确定单元，具体用于：

根据所述时间序列数据，确定所述时间序列数据的长期趋势信息、季节性趋势信息以及随机趋势信息；

根据所述长期趋势信息以及随机趋势信息，利用自回归滑动平均模型，确定第一预测值；

根据所述季节性趋势信息，利用三次指数平滑法，确定第二预测值；

根据所述第一预测值以及所述第二预测值，确定所述目标资源请求的初步预测值。

优选地，所述第二确定单元，具体用于：

根据所述历史交换率数据，利用移动平均值，确定第一交换率趋势信息，并根据第一预设规则，确定第一调节系数；和/或

根据所述历史交换率数据，利用对数周期性幂律模型，确定第二交换率趋势信息，并根据第二预设规则，确定第二调节系数；

根据所述第一调节系数和/或所述第二调节系数，确定调节系数。

优选地，所述预测单元，具体用于：

根据所述初步预测值、所述调节系数以及特殊时间段系数，预测单位时间段内所述目标资源的请求值。

优选地，所述第一获取单元，具体用于：

获取历史请求数据，并根据所述历史请求数据确定出待处理时间序列数据；

对所述待处理时间序列数据进行缺失值处理，确定出时间序列数据。

优选地，所述装置还包括：监控单元，具体用于：

根据预测出的单位时间段内所述目标资源的请求值，通过自有资源交换目标资源；

当处于所述单位时间段内，并达到预设子时刻，获取截至所述预设子时刻所述目标资源的实时累计请求值；

根据历史请求数据，确定所述预设子时刻历史累计占比，所述预设子时刻的历史累计占比为历史单位时间段内，截至所述预设子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值；

根据所述实时累积请求值以及所述预设时刻累计占比，预测所处单位时间段内的请求值；

根据所述预测出的单位时间段内所述目标资源的请求值，与预测出的所处单位时间段内所述目标资源的请求值，确定交换行为。

优选地，所述监控单元，具体用于：

根据历史请求数据，确定所述预设子时刻历史累计占比，所述预设子时刻的历史累计占比为多个历史单位时间段内，截至所述预设子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值的平均值。

优选地，所述监控单元，具体用于：

根据历史请求数据，确定所述预设子时刻历史累计占比，所述预设子时刻的历史累计占比为与所处单位时间段具有相同特性的单位时间段内，截至所述预设子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值。

优选地，所述监控单元，还用于：

根据历史请求数据，确定预设下一子时刻历史累计占比，所述预设下一子时刻的历史累计占比为历史单位时间段内，截至所述预设下一子时刻所述目标资源的历史累计请求值在对应单位时间段内请求值的比值；

根据预测出的所处单位时间段内所述目标资源的请求值，以及所述预设下一子时刻历史累计占比，预测截至所述预设下一子时刻所述目标资源的请求值；

当达到所述预设下一子时刻时，获取截至所述预设下一子时刻所述目标资源的实时累计请求值；

根据预测的截至所述预设下一子时刻所述目标资源的请求值，与获取的截至所述预设下一子时刻所述目标资源的实时累计请求值，确定交换行为。

一种互联网交易量的预测方法，包括：

获取历史交易数据，并根据所述历史交易数据确定出时间序列数据，所述时间序列数据中包含：若干单位时间段内的目标货币交易量；

根据所述时间序列数据，确定时间序列趋势信息，并根据所述时间序列趋势信息确定目标货币交易量的初步预测值；

获取历史汇率数据；

根据所述历史汇率数据，确定汇率趋势信息，并根据预设规则确定调节系数；

根据所述初步预测值以及所述调节系数，预测单位时间段内所述目标货币的交易量。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：通过根据历史请求数据确定出的时间序列数据，确定时间序列趋势信息，并确定出目标资源请求的初步预测值，以及通过历史交换率数据，确定出调节系数，再根据初步预测值和调节系数，对目标资源的请求值进行预测，解决了现有技术人为主观判断造成准确性较低的问题，提高了预测目标资源请求值的准确性。另外，通过实时预测并监控所处时间段的请求值和预测的值之间的出入，确定交换行为，以及通过实时预测并监控累计到预设时刻的请求值和实际累计请求值，确定交换行为，可以及时地对拥有的自有资源和目标资源进行调整，提高资源的利用率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例1提供的互联网资源请求值的预测方法的流程示意图；

图2为本申请实施例1提供的互联网资源请求值的预测方法的示意图；

图3为本申请实施例1提供的实时监控并确定交换行为的方法的流程示意图；

图4为本申请实施例1提供的目标资源请求值实时预测的示意图；

图5为本申请实施例2提供的互联网资源请求值的预测装置的结构框图；

图6为本申请实施例3提供的互联网交易量的预测方法的流程示意图；

图7为本申请实施例3提供的实时监控并确定兑换行为的方法的流程示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

实施例1

如前所述，现有技术是基于人为的主观判断预测资源交换率以及目标资源请求值，比如，发现如果想交换100MB网络带宽资源的1个月使用权，要用越来越大容量的1个月使用权的网络存储资源去交换，并且网络带宽资源的请求值越来越多，所以，就可以提前交换网络带宽资源，满足用户对网络带宽资源的需求，但人工方式显然准确性较低。所以基于此缺陷，本发明人提供了一种互联网资源请求值的预测方法，用于提高预测互联网资源请求值的准确性，该方法的具体流程示意图如图1和图2所示，包括下述步骤：

步骤11：获取历史请求数据，并根据历史请求数据确定出时间序列数据。

在预测互联网资源请求值时，需要有历史数据作为基础，所以本步骤可以先去获取历史请求数据，比如，过往的一年内，所有请求互联网资源的数据，每时每刻都可能存在包含时间、用户标识、目标资源的请求值的记录，为了便于后续进行预测，可以将历史请求数据进行预处理，得到时间序列数据，时间序列是指将同类型的数值按其发生的时间先后顺序排列而成的数列。所以，在本步骤中，可以将不同的目标资源分成不同的时间序列数据。比如针对100MB网络带宽资源的1个月使用权，可以有一个时间序列数据，其中可以包含：若干单位时间段内目标资源的请求值，比如，单位时间段设定为日，那么时间序列数据就可以是每一天，对于100MB网络带宽资源的1个月使用权的请求的份数，比如，第一天有100份，第二天有150份等。

在实际应用中，可能存在有的单位时间段内并无某种目标资源的请求数据，但是在以时间序列数据进行测试时，往往需要连续的数据，所以，本步骤可以包括：获取历史请求数据，并根据历史请求数据确定出待处理时间序列数据；对待处理时间序列数据进行缺失值处理，确定出时间序列数据。具体地，缺失值处理可以包括：当某个单位时间段内没有某种目标资源的请求数据时，可以将这一单位时间段内的请求值与前一单位时间段内的请求值保持一致，或后一单位时间段内的请求值保持一致，或前后两个单位时间段内的请求值的平均值。

步骤12：根据时间序列数据，确定时间序列趋势信息，并根据时间序列趋势信息确定目标资源请求的初步预测值。

时间序列数据是作为预测的基础，存在趋势性的信息，可以根据时间序列数据确定出针对时间序列的趋势信息。具体地，可以对时间序列数据进行分解，确定出长期趋势信息，长期趋势可以是指在较长的时间内，朝着一定的方向持续上升或下降或停留在某一水平上的变动倾向，具体可以是通过平滑值反映出的从时间序列数据起点到终点，具有相对一致的总体趋势。在实际应用中，可以通过decompose函数对时间序列数据进行趋势拆分，具体可以根据下述公式得到长期趋势信息：

f为奇数；

f为偶数；

其中，t为单位时间的序数，比如，单位时间为日，在一年中，第一天t＝1，第二天t＝2，等。X为历史请求数据中，实际的请求量。l为时间序列长度，f为周期频率。比如，当时间序列数据的时长为1年时，l可以取365，如果周为周期频率时，f＝7。

在确定长期趋势信息时，有可能出现信息缺失，比如当f为7时，T₁、T₂、T₃、T₃₆₃、T₃₆₄和T₃₆₅均无数据，所以可以通过将T₁、T₂、T₃与T₄保持一致、将T₃₆₃、T₃₆₄和T₃₆₅与T₃₆₂保持一致的方式进行补全。

在确定出长期趋势信息后，就可以利用具体的预测模型(或算法)，确定目标资源请求的初步预测值。比如，可以通过非线性回归方法，确定目标资源请求的初步预测值。还可以利用自回归积分滑动平均模型，又称ARMA模型，确定目标资源请求的初步预测值。具体地，ARIMA模型(p，d，q)可以表示如下：

其中，T_t’为T_t，Δ^dT_t′是T_t’序列的d阶差分序列，a_t，a_t-1……是时间序列的随机扰动项，ψ₀、ψ₁……ψ_p，θ₁，……θ_q等是待估参数，通常用极大似然法估计出参数ψ₀、ψ₁……ψ_p，θ₁，……θ_q。随机扰动项是指Δ^dT_t’减去Δ^dT_t’的预测值的值。

在将T_t数据输入到预测模型后，就可以得到未来单位时间段内对于资源请求的初步预测值。

在实际应用中，只用长期趋势信息确定初步预测值虽然是可行的，但还可以在此基础上进一步提高预测值的准确性，为了达到预测值更加准确的目的，在根据时间序列数据，确定时间序列数据的长期趋势信息，还可以包括根据时间序列数据，确定时间序列数据的长期趋势信息、季节性趋势信息以及随机趋势信息。

具体地，季节性趋势可以是指由于受某种固定周期性因素的影响而呈现出有规律的周期性波动，比如，以月为固定周期，那么每个月内的请求量可以有规律性的波动。在实际应用中，也可以通过decompose函数对时间序列数据进行趋势拆分，decompose函数的分解模型有相加分解模型(additive)和相乘分解模型(multiplicative)，具体如下：

相加分解模型：

X_t＝T_t+S_t+e_t

相乘分解模型：

X_t＝T_t×S_t×e_t

X为历史请求数据中，实际的请求量；T为长期趋势信息。

以相加分解模型为例，季节性趋势信息具以根据下述公式确定：

其中，n为l对f取整，t％％f为t对f去余数，且当余数为0是，t％％f为f。

可以看出，季节性趋势可以是根据时间序列数据与长期趋势信息确定的，l为时间序列长度，f为周期频率。

随机趋势信息可以是指不确定的因素，由上文相加分解模型可知：

e_t＝X_t-T_t-S_t

当确定出三种趋势信息后，就可以进行预测，前文已经介绍，利用ARIMA模型进行预测，在实际应用中，可以将长期趋势信息和随机趋势信息相加，一并作为输入数据，利用ARIMA模型进行预测，得到第一预测值，此时T_t’就可以是根据T_t与e_t相加得到。

还可以根据季节性趋势信息，利用三次指数平滑法，确定出第二预测值，具体地，三次指数平滑法，又称Holt-Winters模型，将通过历史请求数据确定出的季节性趋势信息作为输入信息，利用该模型，确定出未来单位时间段内对于资源请求的预测值。具体地，可以该模型如下：

b_t＝γ(S_t-S_t-1)+(1-γ)b_t-1

F_t+m＝(S_t-b_tm)I_t-L+m

其中，S_t即为季节性趋势信息，b_t为模型中的趋势值，为中间参数，I_t为季节修正系数，α、β、γ为待估参数，通常采用极大似然法估计。m为从历史中的某一周期到所要预测周期的周期数目，F_t+m为确定出的第二预测值。

当确定出第一预测值和第二预测值后，就可以根据这两个值确定初步预测值。具体地，当对时间序列数据进行趋势分解时，用相加分解模型，则确定初步预测值时，也可以将第一预测值和第二预测值相加；当用相乘分解模型，则确定初步预测值时，也可以将第一预测值和第二预测值相乘。步骤13：获取目标资源与自有资源的历史交换率数据。

由于目标资源与自有资源的交换率是会变化的，所以可以去获取历史交换率数据，历史交换率数据也可以包含若干单位时间段，每个单位时间段对应一个交换率，本步骤的单位时间段可以与历史请求数据中的单位时间段一致，比如，可以均以日为单位时间段。

步骤14：根据历史交换率数据，确定交换率趋势信息，并根据预设规则确定调节系数。

在步骤13中可以根据时间序列数据进行预测，本步骤也可以历史交换率数据对未来单位时间段内的交换率进行预测。本步骤可以包括：根据历史交换率数据，利用移动平均线，确定第一交换率趋势信息，并根据第一预设规则，确定第一调节系数；和/或根据历史交换率数据，利用对数周期性幂律模型，确定第二交换率趋势信息，并根据第二预设规则，确定第二调节系数；根据第一调节系数和/或第二调节系数，确定调节系数。

具体地，移动平均线(Moving Average，MA)是通过移动平均值生成的，是将若干单位时间内的移动平均值连接为线形，所以一般称之为移动平均线，简称均线。如果以日作为单位时间段，那么就可有5日均线、10日均线等。就是将若干个5日平均值连接为线，生成5日均线。具体地，移动平均值可以通过下述公式确定：

其中，MA_t为t个单位时间段内的移动平均值，n表示被平均周期，r_i为交换率。

移动平均值就可以作为第一交换律趋势信息，并根据第一预设规则，确定第一调节系数。第一预设规则可以如下：

当较短期移动平均线向上穿过较长期移动平均线时，可以设置预测值调节系数为μ₁；

当不同周期的移动平均线均向上延伸，且短周期均线在上时，可以设置预测值调节系数为μ₂；

当不同周期的移动平均线均向下延伸，且短周期均线在下时，可以设置预测值调节系数为μ₃；

当较短期移动平均线向下穿过较长期移动平均线时，可以设置预测值调节系数为μ₄。

其中，μ₁和μ₂均可以设置为大于1，μ₃和μ₄均可以设置为小于1。

μ即为第一调节系数。但通过移动平均线确定出的调节系数，一般表征了短期内的变化趋势。而对数周期性幂律模型则可以表征长期的变化趋势。

对数周期性幂律模型(Log-Periodic Power Law模型，LPPL模型)，可以预测出长期的变化趋势。具体模型可以有下述表达式：

其中，r_t为单位时间段t时的交换率，A＞0为r_t在临界时刻的对数值；B＜0为C接近于0的时候r_t在时刻t之前的单位时间内增长量的对数值；C为指数增长的波动整幅的比例因子；t_c-t为单位时间段t与临界值的差，m为幂指数，ω为泡沫波动频率；为相位参数。模型参数估计方面，先用最小二乘法把A、B、C用t_c、m、ω和表示出，然后用遗传算法寻找t_c、m、ω和的最优解。

最终，确定出第二交换率趋势信息B和t_c。得到第二交换率趋势信息后，就可以根据第二预设规则，确定第二调节系数。第二预设规则可以如下：

当B＜0，t_c＞t或者B＞0，t_c＜t时，可以设置调节系数为ρ₁；

当B＜0，t_c＜t或者B＞0，t_c＞t时，可以设置调节系数为ρ₂；

可以设置ρ₁＜1，ρ₂＞1，ρ即为第二调节系数。

在确定调节系数时，可以根据第一调节系数和/或第二调节系数进行确定，在前文已经提到，通过移动平均线确定出的第一调节系数，一般表征了短期内的变化趋势，而通过对数周期性幂律模型确定出的第二调节则可以表征长期的变化趋势。为了达到更好的预测效果，使调节系数更准确，可以将第一调节系数和第二调节系数进行相乘，确定出调节系数。

步骤15：根据初步预测值以及调节系数，预测单位时间段内目标资源的请求值。

在步骤13和步骤14中，已经确定了初步预测值以及调节系数，在本步骤中，就可以将初步预测值以及调节系数进行相乘，对单位时间段内目标资源的请求值进行预测，假设初步预测值为F₁，未来的单位时间段内目标资源的请求值为F₂，就有下述公式：

F₂＝F₁×δ

其中，δ＝μ，或δ＝ρ，或δ＝μ×ρ。

在实际应用中，会有一些特殊的时间段，比如工作时间和休息时间，工作日和节假日，这些特殊日期也会对单位时间段内目标资源的请求值造成一定影响，所以，在一种实施方式中，本步骤可以包括：根据初步预测值、调节系数以及特殊时间段系数，预测单位时间段内目标资源的请求值。具体地，可以由下述公式确定：

F₂＝F₁×δ×Q

其中，Q为特殊时间段系数，比如，如果以日为单位时间段，可以根据历史请求数据，确定每日的特殊时间段系数。

在实际应用中，每个单位时间段内都可以有预测的请求值，并且经过每个单位时间段后，都会有一个实际的请求值，所以，在数据条件允许的情况下，可以根据多个单位时间段内预测的请求值，以及对应每个单位时间段内的实际请求值，通过线性回归模型，确定出另外的回归系数，当再次对请求值进行预测时，也可以将回归系数与预测出的单位时间段内目标资源的请求值进行相乘，进一步优化预测的请求值。

考虑到即使预测的准确性得到提高，但终究是预测而非现实，比如以日为单位时间，在预测出下一日的目标资源的请求值，并且用自有资源交换目标资源后，到了下一日，极大可能会出现实际请求值与预测的请求值有出入。基于这一事实，发明人在提高了预测准确性的同时，也提出了实时监控并确定交换行为的方法。

在一种实施方式中，在预测出单位时间段内所述目标资源的请求值后，还可以如图3和图4所示的有下述步骤：

步骤16：根据预测出的单位时间段内目标资源的请求值，通过自有资源交换目标资源。

本步骤中，就是以步骤15中预测出的单位时间段内所述目标资源的请求值为依据，用自由资源去交换目标资源。

步骤17：当处于单位时间段内，并达到预设子时刻，获取截至预设子时刻目标资源的实时累计请求值。

这里单位时间是指步骤15中预测对应的单位时间，比如，在5月15日进行预测，预测出5月16日内目标资源的请求值，并且用自由资源进行了交换，得到了与预测的请求值相同的目标资源，那么处于单位时间段内就可以是指处于5月16日。

在达到预设子时刻时，获取截至预设子时刻目标资源的实时累计请求值。在一个单位时间中，会有很多时刻，比如当单位时间为日，那么在一日中，会有很多子时刻，预设子时刻可以是预先设定的时间点，可以是随机设定，也可以是按照时间规律设定，比如，一日中，预设4个子时刻，9:00、12:00、15:00，以及22:00；也可以是每个预设子时刻间隔1小时，那在一日中就可以有11个子时刻。

截至预设子时刻目标资源的实时累计请求值是指，从单位时间段开始，到预设子时刻，目标资源实时的累计请求值。比如，预设子时刻为9:00，那么在5月16日，从00:00到9:00这9小时内目标资源的真实的请求值就是实时累计请求值。

步骤18：根据历史请求数据，确定预设子时刻历史累计占比。

本步骤中，预设子时刻的历史累计占比，是指历史单位时间段内，截至预设子时刻目标资源的历史累计请求值在对应单位时间段内请求值的比值。这里的历史请求数据，可以与步骤11中的历史请求数据的时间跨度相同，也可以不同。

具体地，可以通过下述公式确定：

其中，percent_it为第t个单位时间段内，累计到i时刻的历史累计占比；amt_it为第t个单位时间段内，累计i时刻的历史累计请求值；amt_t为第t个单位时间段内的请求值。这里的i时刻，就可以是预设子时刻。

比如，在5月16日，当到达9:00时，就可以在历史请求数据中，确定出历史中的某一日内，从0:00达到9:00目标资源的历史累计请求值，以及历史中的这一日内，总计请求值，通过确定比值，确定累计到9:00的历史累计占比。

在步骤11中介绍过，对历史请求数据进行缺失值处理，在步骤17和本步骤中，也可以会涉及到这个问题，在当历史请求数据中不存在截至预设子时刻目标资源的历史累计请求值，那么可以参照前一单位时间段内，截至预设子时刻的历史累计请求值，也可以参照同一单位时间段内，截至预设上一子时刻目标资源的历史累计请求值。在获取截至预设子时刻的实时累计请求值时，如果出现不存在的情况，那么就可以置为0。

在实际应用中，历史请求数据是很多的，比如取一年的历史请求数据，就会有365个预设子时刻历史累计占比，所以，在一种实施方式中，为了充分利用历史请求数据，提高确定出的占比的全面性，本步骤中的预设子时刻历史累计占比，可以为多个历史单位时间段内，截至预设子时刻目标资源的历史累计请求值在对应单位时间段内请求值的比值的平均值。

比如，历史请求数据为一年，并且以日为单位时间段，那么就会有365个预设子时刻历史累计占比，此时，就可以取平均值，得到一个平均的预设子时刻历史累计占比。

在实际应用中，某个单位时间段都有与之具有相同特性的单位时间段，比如，以日为单位时间段，那么如果所处的单位时间段为周三，那么历史请求数据中的周三便更具有同性，所以，在一种实施方式中，本步骤中的预设子时刻历史累计占比，还可以是为与所处单位时间段具有相同特性的单位时间段内，截至预设子时刻目标资源的历史累计请求值在对应单位时间段内请求值的比值。

比如，如果所处单位时间段为周三，那么预设子时刻历史累计占比就可以参照上个周三的数据。或者参照最近的4个周三的数据，并取平均，得到预设子时刻历史累计占比。

步骤19：根据实时累积请求值以及预设时刻累计占比，预测所处单位时间段内目标资源的请求值。

在步骤17中获取了实时累积请求值，并在步骤18中确定出了预设时刻累计占比，就可以根据这两个值，预测所处单位时间段内的请求值。

具体地，可以通过下述公式：

其中，ftramt_t即为所处单位时间段内的请求值。

比如，当到达9:00时，确定出了累计到9:00的历史累计占比，并获取到了当日累计到9:00的实时累积请求值，就可以对当日的请求值进行预测。

步骤:110：根据预测出单位时间段内目标资源的请求值，与预测出的所处单位时间段内目标资源的请求值，确定交换行为。

前文已经介绍，即使预测的准确性提高到何种程度，终究是预测而非现实，并且极大可能会出现实际请求量与预测的请求量有出入。所以，本步骤就可以通过根据实时累计请求值，以及历史请求数据预测出的所处单位时间段内的请求值，与仅根据历史请求数据预测出的单位时间段内的请求值，进行比较确定交换行为，比如当差值在5％时，确定目标资源和自有资源的交换方式。

既然可以根据实时累计请求值，以及历史请求数据预测出的单位时间段内的请求值，也就可以在处于单位时间段内时，预测出截至任一时刻的实时累计请求。所以

步骤111：根据历史请求数据，确定预设下一子时刻历史累计占比。

与预设子时刻历史累计占比类似，预设下一子时刻历史累计占比就可以是指历史单位时间段内，截至预设下一子时刻目标资源的历史累计请求值在对应单位时间段内请求值的比值。

比如，当到达9:00时，预设下一子时刻就可以是10:00(每隔1小时有一个预设时刻)，那么就可以根据历史请求数据确定出，历史中，截至10:00的历史累计占比。

percent_jt就可以为第t个单位时间段内，累计到j时刻的历史累计占比，这里j时刻就可以是i时刻的下一预设时刻。

比如，每隔1小时有一个预设时刻，那么i∈[1,11]，j∈[i+1,11]。

步骤112：根据预测出的所处单位时间段内目标资源的请求值，以及预设下一子时刻历史累计占比，预测截至预设下一子时刻目标资源的请求值。

具体地，可以通过下述公式预测：

ftramt_jt＝ftramt_t×percent_jt

其中，ftramt_jt即为所处单位时间段内截至预设下一子时刻的请求值。

步骤113：当达到预设下一子时刻时，获取截至预设下一子时刻目标资源的实时累计请求值。

步骤114：根据预测的截至预设下一子时刻目标资源的请求值，与获取的截至预设下一子时刻的实时累计请求值，确定交换行为。

比如，当达到9:00时，步骤23已经预测出了截至10:00的请求值，那么当达到10:00时，就可以获取截至10:00的实时累计请求值，并根据预测的进行比较，确定交换行为。

采用实施例1提供的该方法，通过根据历史请求数据确定出的时间序列数据，确定时间序列趋势信息，并确定出目标资源请求的初步预测值，以及通过历史交换率数据，确定出调节系数，再根据初步预测值和调节系数，对目标资源的请求值进行预测，解决了现有技术人为主观判断造成准确性较低的问题，提高了预测目标资源请求值的准确性。另外，通过实时预测并监控所处时间段的请求值和预测的值之间的出入，确定交换行为，以及通过实时预测并监控累计到预设时刻的请求值和实际累计请求值，确定交换行为，可以及时地对拥有的自有资源和目标资源进行调整，提高资源的利用率。

实施例2

基于相同的发明构思，实施例2提供了一种互联网资源请求值的预测装置，用于提高预测互联网资源请求值的准确性。图5为本申请实施例提供的互联网资源请求值的预测装置的结构框图，该装置包括：第一获取单元21、第一确定单元22、第二获取单元23、第二确定单元24以及预测单元25，其中，

第一获取单元21，可以用于获取历史请求数据，并根据历史请求数据确定出时间序列数据，时间序列数据中包含：若干单位时间段内目标资源的请求值；

第一确定单元22，可以用于根据时间序列数据，确定时间序列趋势信息，并根据时间序列趋势信息确定目标资源请求的初步预测值；

第二获取单元23，可以用于获取目标资源与自有资源的历史交换率数据；

第二确定单元24，可以用于根据历史交换率数据，确定交换率趋势信息，并根据预设规则确定调节系数；

预测单元25，可以用于根据初步预测值以及调节系数，预测单位时间段内目标资源的请求值。

在一种实施方式中，第一确定单元22，可以用于：

根据时间序列数据，确定时间序列数据的长期趋势信息；

根据长期趋势信息，利用自回归滑动平均模型，确定目标资源请求的初步预测值。

在一种实施方式中，第一确定单元22，可以用于：

根据时间序列数据，确定时间序列数据的长期趋势信息、季节性趋势信息以及随机趋势信息；

根据长期趋势信息以及随机趋势信息，利用自回归滑动平均模型，确定第一预测值；

根据季节性趋势信息，利用三次指数平滑法，确定第二预测值；

根据第一预测值以及第二预测值，确定目标资源请求的初步预测值。

在一种实施方式中，第二确定单元24，可以用于：

根据历史交换率数据，利用移动平均值，确定第一交换率趋势信息，并根据第一预设规则，确定第一调节系数；和/或

根据历史交换率数据，利用对数周期性幂律模型，确定第二交换率趋势信息，并根据第二预设规则，确定第二调节系数；

根据第一调节系数和/或第二调节系数，确定调节系数。

在一种实施方式中，预测单元25，具体用于：

根据初步预测值、调节系数以及特殊时间段系数，预测单位时间段内目标资源的请求值。

在一种实施方式中，第一获取单元21，可以用于：

获取历史请求数据，并根据历史请求数据确定出待处理时间序列数据；

对待处理时间序列数据进行缺失值处理，确定出时间序列数据。

在一种实施方式中，该装置还包括：监控单元，可以用于：

根据预测出的单位时间段内目标资源的请求值，通过自有资源交换目标资源；

当处于单位时间段内，并达到预设子时刻，获取截至预设子时刻目标资源的实时累计请求值；

根据历史请求数据，确定预设子时刻历史累计占比，预设子时刻的历史累计占比，为历史单位时间段内，截至预设子时刻目标资源的历史累计请求值在对应单位时间段内请求值的比值；

根据实时累积请求值以及预设时刻累计占比，预测所处单位时间段内的请求值；

根据预测出的单位时间段内目标资源的请求值，与预测出的所处单位时间段内目标资源的请求值，确定交换行为。

在一种实施方式中，监控单元，可以用于：

根据历史请求数据，确定预设子时刻历史累计占比，所述预设子时刻的历史累计占比为多个历史单位时间段内，截至所述预设子时刻的目标资源历史累计请求值在对应单位时间段内请求值的比值的平均值。

在一种实施方式中，监控单元，可以用于：

根据历史请求数据，确定所述预设子时刻历史累计占比，所述预设子时刻的历史累计占比为与所处单位时间段具有相同特性的单位时间段内，截至所述预设子时刻目标资源的历史累计请求值在对应单位时间段内请求值的比值。

在一种实施方式中，所述监控单元，还可以用于：

根据历史请求数据，确定预设下一子时刻历史累计占比，所述预设下一子时刻的历史累计占比为历史单位时间段内，截至所述预设下一子时刻目标资源的历史累计请求值在对应单位时间段内请求值的比值；

根据预测出的所处单位时间段内目标资源的请求值，以及所述预设下一子时刻历史累计占比，预测截至所述预设下一子时刻目标资源的请求值；

当达到所述预设下一子时刻时，获取截至所述预设下一子时刻目标资源的实时累计请求值；

根据预测的截至所述预设下一子时刻目标资源的请求值，与获取的截至所述预设下一子时刻目标资源的实时累计请求值，确定交换行为。

实施例3

基于相同的发明思路，作为延伸，本实施例提供了一种互联网交易量的预测方法，资金作为一种互联网信息资源，越来越多的在互联网中流通，尤其，随着互联网无国界化，很多进口业务大量涌入到国内。这就出现了进口业务需要用外汇结算的情况。汇率是在不断变化的，出于不同货币升值和贬值的情况，如果能够提前进行预测，提前兑换交易量要求的货币，不仅能够有效躲避汇率风险，而且能够时资金得到充分利用。但是现有技术均是人工主观判断，比如，判断人民币兑美元要贬值，并且判断明天美元交易量会比今天的大，所以提前将人民币兑换为美元，以应对明日的交易，但是人工主观判断毕竟“眼光有限”，有失准确性。所以本实施例提供了一种互联网交易量的预测方法，用于提高预测互联网交易量的准确性。该方法的具体流程示意图如图6所示，包括下述步骤：

步骤31：获取历史交易数据，并根据历史交易数据确定出时间序列数据。

与步骤11类似，可以先获取历史交易数据，历史交易数据中包含多条交易记录，每条交易记录中都可以包含时间、用户标识、目标货币的交易值等。所以可以将所有历史交易数据按照时间顺序排列，确定出时间序列数据，其中可以包含目标货币交易量。

在实际应用中，也可能存在有的单位时间段内并无目标货币的交易数据，

时间序列数据中包含：若干单位时间段内的目标货币交易量；所以，本步骤可以包括：获取历史交易数据，并根据历史交易数据确定出待处理时间序列数据；对待处理时间序列数据进行缺失值处理，确定出时间序列数据。

步骤32：根据时间序列数据，确定时间序列趋势信息，并根据时间序列趋势信息确定目标货币交易量的初步预测值。

与步骤12类似，也可以根据时间序列数据，确定出长期趋势信息，再利用ARMA模型，确定出初步预测值。

或者，根据时间序列数据，确定出长期趋势信息，季节性趋势信息，以及随机趋势信息，并根据ARMA模型，以及Holt-Winters模型，确定出第以预测值以及第二预测值，再根据这两个预测值确定出初步预测值。

步骤33：获取历史汇率数据。

可以获取过往一段时间内(如一年)的历史汇率数据，比如，如果自有货币为人民币，目标货币为美元(或日元)，就需要获取一年内美元(或日元)兑人民币汇率的数据。

步骤34：根据历史汇率数据，确定汇率趋势信息，并根据预设规则确定调节系数。

在获取到历史汇率数据后，就可以与步骤13中类似的，通过移动平均值和/或对数周期性幂律模型，确定出第一调节系数和/或第二调节系数。

在通过移动平均值确定第一调节系数时，第一预设规则可以作以下延伸(以人民币为自有货币为例)：

当较短期移动平均线向上穿过较长期移动平均线时，可以认为人民币贬值可能性很大；

当不同周期的移动平均线均向上延伸，且短周期均线在上时，可以认为人民币贬值可能性较大；

当不同周期的移动平均线均向下延伸，且短周期均线在下时，可以认为人民币升值可能性较大；

当较短期移动平均线向下穿过较长期移动平均线时，可以认为人民币升值可能性很大。

在通过数周期性幂律模型确定第二调节系数时，第二预设规则可以作以下延伸(依旧以人民币为自有货币为例)：

当B＜0，t_c＞t或者B＞0，t_c＜t时，可以认为人民币将长期处于升值的趋势；

当B＜0，t_c＜t或者B＞0，t_c＞t时，可以认为人民币将长期处于贬值的趋势。

步骤35：根据初步预测值以及调节系数，预测单位时间段内目标货币的交易量。

与步骤15类似，本步骤也可以包括：根据初步预测值、调节系数以及特殊时间段系数，预测单位时间段内目标货币的交易量。

与实施例1类似，在提高了预测准确性的同时，也提出了实时监控并确定兑换行为的方法，在预测出单位时间段内目标货币的交易量后，还可以如图7所示的有下述步骤：

步骤36：根据预测出的单位时间段内目标货币的交易量，通过自有货币兑换目标货币。

比如，预测出下一交易日将有100万美元的交易量，就可以用过对应的人民币兑换出这100万美元。

步骤37：当处于单位时间段内，并达到预设子时刻，获取截至预设子时刻目标货币的实时累计交易量。

步骤38：根据历史交易数据，确定预设子时刻历史累计占比。

步骤39：根据实时累积交易量以及预设时刻累计占比，预测所处单位时间段内目标货币的交易量。

步骤310：根据预测出的单位时间段内目标货币交易量，与预测出的所处单位时间段内目标货币的交易，确定兑换行为。

步骤311：根据历史交易数据，确定预设下一子时刻历史累计占比。

步骤312：根据预测出的所处单位时间段内目标货币的交易量，以及预设下一子时刻历史累计占比，预测截至预设下一子时刻目标货币的交易量。

步骤313：当达到预设下一子时刻时，获取截至预设下一子时刻目标货币的实时累计交易量。

步骤314：根据预测的截至预设下一子时刻目标货币的交易量，与获取的截至预设下一子时刻的实时累计交易量，确定兑换行为。

由于步骤37至步骤314与实施例1中步骤17只步骤114类似，不再赘述。

采用实施例3提供的该方法，通过根据历史交易数据确定出的时间序列数据，确定时间序列趋势信息，并确定出目标货币交易量的初步预测值，以及通过历史汇率数据，确定出调节系数，再根据初步预测值和调节系数，对目标货币的交易量进行预测，解决了现有技术人为主观判断造成准确性较低的问题，提高了预测目标货币交易量的准确性。另外，通过实时预测并监控所处时间段的交易量和预测的交易量之间的出入，确定兑换行为，以及通过实时预测并监控累计到预设时刻的交易量和实际累计交易量，确定兑换行为，可以及时地对拥有的自有货币和目标货币进行调整，提高资源的利用率，也可在一定程度上躲避汇率风险。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。