基于机器学习的指标预测方法、装置、设备及存储介质与流程

本申请涉及人工智能技术领域，尤其涉及一种基于机器学习的指标预测方法、装置、设备及存储介质。

背景技术：

传统的统计和计量方法通过对历史数据、信息的整理及分析研究，不仅可以对经济活动的现状做出定性和定量的结论，深化对经济活动内在规律的认识，而且还能够结合经济现象的历史状况，运用科学的方法，对经济现象未来的发展前景进行预测。但如今数据量日益增大，单靠传统的统计和计量方法并不能较好地完成经济走势的预测，因此学者开始将计算机技术引入其研究中，利用一些传统的机器学习方法来捕捉未来经济的走势状态。但是对于单体模型来说，对于不同的数据，不同的模型有不同的表达能力，因此如何有效融合不同的模型以提升统计和计量过程的预测精度成为亟待解决的问题。

技术实现要素：

本申请实施例提供了一种基于机器学习的指标预测方法、装置、设备及存储介质，可以有效融合不同的模型以提升统计和计量过程的预测精度。

第一方面，本申请实施例提供了一种基于机器学习的指标预测方法，包括：

获取待预测数据；

在所述待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从所述第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果；

利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据所述第二数量个回归结果计算得到的均值作为对所述主指标的第二预测结果；

根据所述第一预测结果、所述第二预测结果以及分类回溯精度均值，确定对所述主指标的最终预测结果，所述分类回溯精度均值是根据所述第一数量个预训练的分类模型中每个预训练的分类模型的分类回溯精度计算得到的均值。

可选的，所述根据所述第一预测结果、所述第二预测结果以及分类回溯精度确定对所述主指标的最终预测结果，包括：

在分类回溯精度均值小于第一预设数值时，将所述第二预测结果作为对所述主指标的最终预测结果；

在所述分类回溯精度均值大于或等于第一预设数值但小于第二预设数值时，从所述第二数量个回归结果中确定出与所述第一预测结果同向的第一回归结果，并从与所述第一预测结果反向的回归结果中确定出距离所述第一回归结果最近的第二回归结果，根据所述第一回归结果以及所述第二回归结果确定对所述主指标的最终预测结果；

在所述分类回溯精度均值大于或等于第二预设数值的情况下，若所述分类回溯精度均值小于或等于回归回溯精度均值，则将所述第二预测结果作为对所述主指标的最终预测结果，若所述分类回溯精度均值大于回归回溯精度均值，则从所述第二数量个回归结果中确定出与所述第一预测结果同向的第一回归结果，并根据所述第一回归结果确定对所述主指标的最终预测结果，所述回归回溯精度均值是根据所述第二数量个预训练的回归模型中每个预训练的回归模型的回归回溯精度计算得到的均值。

可选的，所述方法还包括：

对目标先行指标中各个先行指标以及目标解释变量中各个解释变量进行组合，得到多个组合结果；所述目标先行指标是根据主指标的第一时间序列数据从所述主指标关联的多个先行指标中确定出的，所述目标解释变量是根据所述第一时间序列数据从所述主指标关联的多个解释变量中确定出的；所述目标先行指标包括所述指定先行指标，所述目标解释变量包括所述指定解释变量；所述多个组合结果包括至少一个第一组合结果，所述第一组合结果指由至少一个先行指标构成的组合结果，每个第一组合结果不同；

利用第一预设数量个预训练的分类模型中的目标分类模型，根据所述每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，得到对所述每个第一组合结果的预测精度；所述目标分类模型为所述第一数量个预训练的分类模型中的任一预训练的分类模型；

根据所述每个第一组合结果的预测精度，从至少一个第一组合结果中确定出符合第一预设条件的第一组合结果；

利用所述目标分类模型对所述符合第一预设条件的第一组合结果进行s期回溯验证，得到s个回溯精度；所述s为大于或等于1的整数；

将根据所述s个回溯精度计算得到的均值确定为所述目标分类模型的分类回溯精度。

可选的，所述根据所述每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，包括：

确定所述每个第一组合结果中的各先行指标对应的目标先行期数；

将所述每个第一组合结果中的各先行指标的第二时间序列数据，按照该先行指标对应的目标先行期数进行错期处理，得到该先行指标的错期后的时间序列数据；

对所述每个第一组合结果中的各先行指标的错期后的时间序列数据进行预测处理。

可选的，所述多个组合结果还包括至少一个第二组合结果，所述第二组合结果指由至少一个先行指标以及至少一个解释变量构成的组合结果，每个第二组合结果不同，所述方法还包括：

利用第二预设数量个预训练的回归模型中的目标回归模型，根据所述每个第二组合结果中的各先行指标的第二时间序列数据以及所述每个第二组合结果中的各解释变量的第三时间序列数据进行预测处理，得到对所述每个第二组合结果的预测精度；所述目标回归模型为所述第二数量个预训练的回归模型中的任一预训练的回归模型；

根据所述每个第二组合结果的预测精度，从至少一个第二组合结果中确定出符合第二预设条件的第二组合结果；

利用第二数量个预训练的回归模型中的目标回归模型对所述符合第二预设条件的第二组合结果进行t期回溯验证，得到t个回溯精度；所述t为大于或等于1的整数；

将根据所述t个回溯精度计算得到的均值确定为所述目标回归模型的回归回溯精度。

可选的，所述方法还包括：

获取主指标的第一时间序列数据，以及所述主指标关联的多个先行指标中每个先行指标的第二时间序列数据，以及所述主指标关联的多个解释变量中每个解释变量的第三时间序列数据；

确定所述第一时间序列数据中各个数据在各个第二时间序列数据关联的数据，并根据各个数据以及各个数据在各个第二时间序列数据关联的数据，计算各个先行指标与主指标之间的相关系数，根据所述各个先行指标与主指标之间的相关系数从所述多个先行指标确定出目标先行指标，并确定所述目标先行指标中各个先行指标对应的目标先行期数；

确定所述第一时间序列数据中各个数据在各个第三时间序列数据关联的数据，并根据各个数据以及各个数据在各个第三时间序列数据关联的数据，计算各个解释变量与主指标之间的相关系数，根据所述各个解释变量与主指标之间的相关系数从所述多个解释变量确定出目标解释变量。

可选的，所述方法还包括：

构建第一数据集，并将所述第一数据集划分为第一训练集和第一验证集；所述第一数据集包括主指标的第一时间序列数据，以及目标先行指标中各先行指标的错期后的时间序列数据；

构建第二数据集，并将所述第二数据集划分为第二训练集和第二验证集；所述第二数据集包括主指标的第一时间序列数据，以及所述目标先行指标中各个先行指标的错期后的时间序列数据，以及目标解释变量中各个解释变量的时间序列数据；

利用所述第一训练集分别训练m个初始的分类模型，得到m个预训练的分类模型，并利用所述第二训练集分别训练n个初始的回归模型，得到n个预训练的回归模型，m为大于或等于2的整数，n为大于或等于2的整数；

利用m个预训练的分类模型中每个预训练的分类模型对第一验证集进行预测，得到每个预训练的分类模型对第一验证集的预测精度，并根据每个预训练的分类模型对第一验证集的预测精度，从m个预训练的分类模型中确定出第一数量个预训练的分类模型；

利用n个预训练的回归模型中每个预训练的回归模型对第二验证集进行预测，得到每个预训练的回归模型对第二验证集的预测精度，并根据每个预训练的回归模型对第二验证集的预测精度，从n个预训练的回归模型中确定出第二预设数量个预训练的回归模型。

第二方面，本申请实施例提供了一种基于机器学习的指标预测装置，包括：

获取模块，用于获取待预测数据；

分类处理模块，用于在所述待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从所述第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果；

回归处理模块，用于利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据所述第二数量个回归结果计算得到的均值作为对所述主指标的第二预测结果；

确定模块，用于根据所述第一预测结果、所述第二预测结果以及分类回溯精度均值，确定对所述主指标的最终预测结果，所述分类回溯精度均值是根据所述第一数量个预训练的分类模型中每个预训练的分类模型的分类回溯精度计算得到的均值。

第三方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如第一方面所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面所述的方法。

综上所述，电子设备可以利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果；电子设备还可以利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据第二数量个回归结果计算得到的均值作为对主指标的第二预测结果；之后电子设备可以根据第一预测结果、第二预测结果以及分类回溯精度均值，确定对主指标的最终预测结果，本申请有效的融合了各个预训练的分类模型的第一预测结果以及各个预训练的回归模型的第二预测结果，然后结合各个预测结果以及分类回溯精度用于确定对主指标的最终预测结果，相较于现有技术采用单体模型对主指标进行预测的方式，考虑到不同模型有不同的表达能力所带来的预测精度低的问题，本申请通过上述过程能够有效地提升统计和计量过程的预测精度。

附图说明

下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本申请实施例提供的一种基于机器学习的指标预测方法的流程示意图；

图2是本申请实施例提供的另一种基于机器学习的指标预测方法的流程示意图；

图3是本申请实施例提供的一种基于机器学习的指标预测装置的结构示意图；

图4是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

其中，本申请实施例提及的先行指标指对未来经济发展产生影响的经济指标，这是在经济增长或衰退尚未来临之际就率先发生变动的指标。它可以预测经济周期中的转折点和估计经济活动升降的幅度，从而推测经济波动的趋向。先行指标在本申请中可称之为超前指标，可在所预测的主指标发生变动前就率先发生变动。

其中，本申请实施例提及的解释变量可称为说明变量和可控制变量，是经济计量模型中的自变量。在一些情况下，解释变量会对作为因变量的经济变量产生影响。

其中，本申请实施例提及的主指标为需要预测的某个指标，例如主指标可以是作为因变量的经济变量。

其中，本申请实施例提及的先行期数为先行指标与主指标在时间上错开的期数。比如，以先行指标1对应有先行1期为例，1期为1个月，可以将先行指标1在2020年12月的取值与主指标在2021年1月的取值对应，先行指标1在2020年11月的取值与主指标在2020年12月的取值对应，以此类推，这种使得先行指标1与主指标在时间上错开1期，即理解为先行1期。再如，以先行指标2对应有先行2期为例，1期为1个月，可以将先行指标2在2020年11月的取值与主指标在2021年1月的取值对应，先行指标2在2020年10月的取值与主指标在2020年12月的取值对应，以此类推，上述过程先行指标2与主指标在时间上错开2期，即理解为先行2期。

本申请实施例中，电子设备可以在待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果。与此同时，电子设备还可以利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据第二数量个回归结果计算得到的均值作为对主指标的第二预测结果。在得到第一预测结果以及第二预测结果后，电子设备可以根据第一预测结果、第二预测结果以及分类回溯精度均值，确定对主指标的最终预测结果。采用该过程，电子设备有效的融合了不同的模型以提升统计和计量过程的预测精度。

在一个实施例中，电子设备在待预测数据包括指定先行指标的第一取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果。在得到第一预测结果后，电子设备可以将第一预测结果作为对主指标的最终预测结果。在这种情况下，电子设备通过第一数量个预训练的分类模型，便可以得到准确的主指标的最终预测结果。

在一个实施例中，电子设备在待预测数据包括指定解释变量的第二取值时，可以利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据第二数量个回归结果计算得到的均值作为对主指标的第二预测结果。在得到第二预测结果后，电子设备可以将第二预测结果作为对主指标的最终预测结果。在这种情况下，电子设备通过第二数量个预训练的回归模型，便可以得到准确的主指标的最终预测结果。

下面对本申请实施例提及的一种基于机器学习的指标预测方法及装置进行阐述。

请参阅图1，为本申请实施例提供的一种基于机器学习的指标预测方法的流程示意图。该方法可以应用于电子设备，电子设备可以为服务器或用户终端。服务器可以为一台服务器或服务器集群，用户终端可以为笔记本电脑、台式电脑等智能终端。具体地，该方法可以包括以下步骤：

s101、获取待预测数据。

其中，待预测数据可以包括指定先行指标的第一取值和/或指定解释变量的第二取值。其中，所述的指定先行指标可以为一个或多个，所述的指定解释变量也可以为一个或多个。指定先行指标的第一取值能够用于确定对主指标的第一预测结果，指定先行指标的第一取值以及指定解释变量的第二取值能够用于确定对主指标的第二预测结果。第一预测结果可以为主指标在目标时间(时间单位可以为日、月、季度、年等)的其中一种预测结果，第二预测结果可以为主指标在目标时间的另一种预测结果，两种预测结果能够用于确定主指标的最终预测结果，也就是能够用于确定主指标在目标时间的最终的预测结果。

在一个实施例中，指定先行指标在不同时间可以有不同取值。指定先行指标的第一取值可以根据指定先行指标对应的目标先行期数确定出。在一个实施例中，指定先行指标的第一取值可以根据指定先行指标对应的目标先行期数以及前述提及的目标时间确定出。例如，指定先行指标为先行指标1，先行指标1对应的目标先行期数为先行1期。在1期为1个月时，如果要预测主指标在2021年1月的取值，那么先行指标1的第一取值为先行指标1在2020年12月的取值。再如，指定先行指标为先行指标2，先行指标2对应的目标先行期数为先行2期。在1期为1个月时，如果所预测的是主指标在2021年1月的取值，那么先行指标2的第一取值为先行指标2在2020年11月的取值。

在一个实施例中，指定解释变量在不同时间也可以有不同取值。指定解释变量的第二取值可以根据前述提及的目标时间确定出。在一个实施例中，指定解释变量的第二取值可以为指定解释变量在目标时间的取值。例如，指定解释变量为解释变量1，如果所预测的是主指标在2021年1月的取值，那么解释变量1的第二取值为解释变量1在2021年1月的取值。

由于不同模型本身原理特性，其预测结果会具有不同的趋势偏好，这将对最终融合结果带来潜在的稳定性风险。为了进一步提升预测模型鲁棒性，针对不同模型采用不同的方法得到最终预测结果。其针对不同模型采用不同的方法得到最终预测结果的过程可以参见步骤s102-步骤s104的过程。

s102、在所述待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从所述第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果。

本申请实施例中，电子设备可以在待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，将指定先行指标的第一取值作为第一数量个预训练的分类模型中每个预训练的分类模型的输入数据，通过每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到预训练的分类模型的分类结果，共计得到第一数量个分类结果。电子设备在得到第一数量个分类结果后，可以根据第一数量个分类结果确定对主指标的第一预测结果。在一个实施例中，电子设备可以采用投票法等方法从第一数量个分类结果中确定出出现次数最多的分类结果，并将出现次数最多的分类结果作为对主指标的第一预测结果。其中，分类模型为任意可以用于分类处理的神经网络模型等模型。在一个实施例中，所述的分类结果可以为预测的趋势(未来发展的趋势)，如上升、下降或不变。

举例来说，假设第一数量个预训练的分类模型包括预训练的分类模型1、预训练的分类模型2、预训练的分类模型3、预训练的分类模型4、预训练的分类模型5。电子设备可以将指定先行指标的第一取值分别作为这5个预训练的分类模型的输入数据，通过这5个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到每个预训练的分类模型的分类结果，共计5个分类结果。假设分类结果为预测的趋势，这5个分类结果分别为上升、上升、下降、不变、上升。于是，电子设备可以采用投票法等方法从这个5个分类结果中确定出现次数最多的分类结果为上升，从而将上升作为对主指标的第一预测结果。

s103、利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据所述第二数量个回归结果计算得到的均值作为对所述主指标的第二预测结果。

本申请实施例中，电子设备可以将指定先行指标的第一取值以及指定解释变量的第二取值作为第二数量个预训练的回归模型中每个预训练的回归模型的输入数据，通过每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到每个预训练的回归模型的回归结果，共计第二数量个回归结果。电子设备在得到第二数量个回归结果后，可以根据第二数量个回归结果确定出对主指标的第二预测结果。在一个实施例中，电子设备可以计算第二数量个回归结果的均值，并将根据第二数量个回归结果计算得到的均值作为对主指标的第二预测结果。在一个实施例中，电子设备可以针对第二数量个回归结果中去掉一个最高值并去掉一个最低值，然后计算剩余的回归结果的均值，并将根据剩余的回归几个计算得到的均值作为对主指标的第二预测结果。其中，回归模型可以为任意能够用于回归处理的神经网络模型等模型。在一个实施例中，回归结果可以为预测的点位，如市场指数所处的位置。

举例来说，假设第二数量个预训练的回归模型包括预训练的回归模型1、预训练的回归模型2，电子设备可以将指定先行指标的第一取值以及指定解释变量作为预训练的回归模型1的输入数据，并将指定先行指标的第一取值以及指定解释变量的取值作为预训练的回归模型2的输入数据，通过这2个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到每个预训练的回归模型的回归结果，共计2个回归结果。假设回归结果为预测的点位，这2个回归结果分别为a、b。电子设备可以计算得到这2个回归结果的均值为(a+b)/2，从而将(a+b)/2作为对主指标的第二预测结果。

s104、根据所述第一预测结果、所述第二预测结果以及分类回溯精度均值，确定对所述主指标的最终预测结果，所述分类回溯精度均值是根据所述第一数量个预训练的分类模型中每个预训练的分类模型的分类回溯精度计算得到的均值。

其中，分类回溯精度均值可以设为0.6等数值，本申请实施例不做限制。

在执行步骤s102以及步骤s103之后，也就是在模型融合处理完毕后，可以得到两组模型的预测值，分别为对主指标的第一预测结果以及对主指标的第二预测结果，为了输出更为稳定可信的预测结果，本申请实施例还基于模型矫正策略，通过分类回溯精度均值以及第一预设数值、第二预设数值，将两组模型的预测值相互矫正，从而提升预测的准确率，输出足够稳定可靠的指标预测值。在一个应用场景中，该足够稳定可靠的预测可以用于协助相关部门针对研究指标的未来走势采取相应的政策策略。此外，本申请实施例通过运用模型融合处理的技术，充分利用和挖掘了各类模型对数据特征提取的偏好和能力，实现从多个角度和纬度理解数据本质，在一定程度上落地了模型可解释性。

在一个实施例中，电子设备根据该第一预测结果、该第二预测结果以及分类回溯精度确定对该主指标的最终预测结果的过程可以如下：电子设备在分类回溯精度均值小于第一预设数值时，将该第二预测结果作为对该主指标的最终预测结果。分类回溯精度均值小于第一预设数值，说明第一预测结果的可参考性较低，此时结合第一预测结果以及第二预测结果分析得到的主指标的最终预测结果的准确度较低，为了提升主指标的最终预测结果的准确度，可以直接将第二预测结果作为对主指标的最终预测结果。

在一个实施例中，电子设备根据该第一预测结果、该第二预测结果以及分类回溯精度确定对该主指标的最终预测结果的过程还可以如下：电子设备在该分类回溯精度均值大于或等于第一预设数值但小于第二预设数值时，从该第二数量个回归结果中确定出与该第一预测结果同向的第一回归结果，并从与该第一预测结果反向的回归结果中确定出距离该第一回归结果最近的第二回归结果，根据该第一回归结果以及该第二回归结果确定对该主指标的最终预测结果。在一个实施例中，电子设备根据第一回归结果以及第二回归结果确定对主指标的最终预测结果的方式可以为：电子设备将根据第一回归结果以及第二回归结果计算得到的均值作为对主指标的最终预测结果。其中，第一回归结果指与第一预测结果同向的回归结果。与第一预测结果同向的回归结果可以为一个或多个。第二回归结果指从与第一预测结果反向的回归结果中确定出的距离第一回归结果最近的回归结果。此处距离第一回归结果最近的回归结果，可以理解为与第一预测结果反向的回归结果中与第一回归结果之间的差值绝对值最小的回归结果。分类回溯精度均值大于或等于第一预设数值但小于第二预设数值，说明分类回溯精度具有一定可参考性，但是考虑到其可能存在的误差，因此可以首先获取到第一回归结果，然后再结合第二回归结果确定对主指标的最终预测结果，从而减小主指标的最终预测结果的误差。

在一个实施例中，电子设备可以通过以下方式确定出与该第一预测结果同向的第一回归结果以及与该第一预测结果反向的回归结果：若第一预测结果为上升，则从第二数量个回归结果中确定出大于目标取值的回归结果，并将大于目标取值的回归结果确定为与第一预测结果同向的第一回归结果，目标取值指主指标在目标时间的前一个时间的取值(可以为主指标在目标时间的前一个时间的真实值或主指标在目标时间的前一个时间的最终的预测结果)；电子设备还可以从第二数量个回归结果中确定出小于目标取值的回归结果，并将小于目标取值的回归结果确定为与第一预测结果反向的回归结果。在上述这种情况下，回归结果大于目标取值表明该回归结果的趋势为上升，由于第一预测结果也为上升，此时表明该大于目标取值的回归结果与第一预测结果同向。回归结果小于目标取值表明该回归结果的趋势为下降，由于第一预测结果为上升，此时表明该小于目标取值的回归结果与第一预测结果反向。在一个实施例中，电子设备可以通过以下方式确定出与该第一预测结果同向的第一回归结果以及与该第一预测结果反向的回归结果：若第一预测结果为下降，则从第二数量个回归结果中确定出小于目标取值的回归结果，并将第二数量个回归结果中小于目标取值的回归结果，确定为与第一预测结果同向的第一回归结果；电子设备还可以从第二数量个回归结果确定出大于目标取值的回归结果，并将该大于目标取值的回归结果确定为与第一预测结果反向的回归结果。在上述这种情况下，回归结果小于目标取值表明该回归结果的趋势为下降，由于第一预测结果也为下降，此时表明该大于目标取值的回归结果与第一预测结果同向。回归结果大于目标取值表明该回归结果的趋势为上升，由于第一预测结果为下降，此时表明该小于目标取值的回归结果与第一预测结果反向。

在一个实施例中，电子设备根据该第一预测结果、该第二预测结果以及分类回溯精度确定对该主指标的最终预测结果的过程还可以如下：电子设备在该分类回溯精度均值大于或等于第二预设数值的情况下，若该分类回溯精度均值小于或等于回归回溯精度均值，则将该第二预测结果作为对该主指标的最终预测结果，若该分类回溯精度均值大于回归回溯精度均值，则从该第二数量个回归结果中确定出与该第一预测结果同向的第一回归结果，并根据该第一回归结确定对该主指标的最终预测结果，该回归回溯精度均值是根据该第二数量个预训练的回归模型中每个预训练的回归模型的回归回溯精度计算得到的均值。在一个实施例中，电子设备根据该第一回归结果确定对该主指标的最终预测结果的方式可以为：电子设备将根据该第一回归结果计算得到的均值作为对所述主指标的最终预测结果。

在一个实施例中，在无法确定与该第一预测结果同向的第一回归结果时，也就是说在第二数量个回归结果均与第一预测结果反向时，电子设备可以根据第二数量个预训练的回归模型中各个预训练的回归模型的回归回溯精度镜像拟合一个与第一预测结果同方向的值作为本次的最终预测结果。在一个实施例中，电子设备根据第二数量个预训练的回归模型中各个预训练的回归模型的回归回溯精度镜像拟合一个与第一预测结果同方向的值作为主指标的最终预测结果的方式可以为：电子设备将第二数量个预训练的回归模型中各个预训练的回归模型的回归回溯精度与该回归模型的回归结果进行加权处理，得到多个加权结果以计算加权结果均值，并计算该加权结果均值与前述提及的目标取值之间的差值绝对值，并将该目标值与该差值绝对值之和确定为主指标的最终预测结果。在这种情况下，由于分类回溯精度均值具有较高的可参靠性，但是所有的回归结果均与第一预测结果反向，本申请采用镜像拟合的方式计算得到主指标的最终预测结果，从而提升了主指标的最终预测结果的准确度。

可见，图1所示的实施例中，电子设备可以利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果；电子设备还可以利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据第二数量个回归结果计算得到的均值作为对主指标的第二预测结果；之后电子设备根据第一预测结果、第二预测结果以及分类回溯精度均值，确定对主指标的最终预测结果，进而通过融合不同的模型来提升统计和计量过程的预测精度。

请参阅图2，为本申请实施例提供的另一种对指标的预测方法的流程示意图。该方法可以应用于电子设备，电子设备可以为服务器或用户终端。服务器可以为一台服务器或服务器集群，用户终端可以为笔记本电脑、台式电脑等智能终端。具体地，该方法可以包括以下步骤：

s201、对目标先行指标中各个先行指标以及目标解释变量中各个解释变量进行组合，得到多个组合结果。

本申请实施例中，电子设备可以采用逐步回归或单因素筛选的方法等方法对目标先行指标中各个先行指标以及目标解释变量中各个解释变量进行组合，得到多个组合结果。其中，目标先行指标可以是从主指标关联的多个先行指标中确定出的。在一个实施例中，目标先行指标可以是根据主指标的第一时间序列数据从该主指标关联的多个先行指标中确定出的。目标解释变量可以是从该主指标关联的多个解释变量中确定出的。在一个实施例中，目标解释变量可以是根据主指标的第一时间序列数据从主指标关联的多个解释变量中确定出的。第一时间序列数据为主指标的时间序列数据，如第一时间序列数据可以包括主指标在第一时间范围内包括的各个时间的真实值。在一些情况下，由于无法获取到指标在某个时间的真实值，此处便可以采用经验估计法得到主指标在这个时间的估计值。第一时间序列数据能够反映主指标随时间变化的情况。其中，此处主指标采用的时间单位可以为年、季度、月、日等时间单位，具体视实际应用场景而定，本申请实施例对此不做限制。例如，第一时间序列数据可以包括主指标在2020年12月的真实值、主指标在2020年11月的真实值……或，第一时间序列数据可以包括主指标在2020年12月10日的真实值、主指标在2020年12月11日的真实值，或主指标在2020年12月12日的真实值……其中，目标先行指标可以包括本申请实施例提及的指定先行指标。目标解释变量可以包括本申请实施例提及的指定解释变量。多个组合结果可以包括至少一个第一组合结果，第一组合结果指由至少一个先行指标构成的组合结果。每个第一组合结果不同。例如，目标先行指标包括先行指标1和先行指标2，在一种情况下，第一组合结果可以包括组合结果1、组合结果2和组合结果3，组合结果1包括先行指标1、组合结果2包括先行指标2、组合结果3包括先行指标1和先行指标2。

在一个实施例中，目标先行指标和目标解释变量可以通过以下方式确定：电子设备获取主指标的第一时间序列数据，以及该主指标关联的多个先行指标中每个先行指标的第二时间序列数据，以及该主指标关联的多个解释变量中每个解释变量的第三时间序列数据；电子设备确定该第一时间序列数据中各个数据在各个第二时间序列数据关联的数据，并根据各个数据以及各个数据在各个第二时间序列数据关联的数据，计算各个先行指标与主指标之间的相关系数，根据该各个先行指标与主指标之间的相关系数从该多个先行指标确定出目标先行指标，并确定该目标先行指标中各个先行指标对应的目标先行期数；电子设备确定该第一时间序列数据中各个数据在各个第三时间序列数据关联的数据，并根据各个数据以及各个数据在各个第三时间序列数据关联的数据，计算各个解释变量与主指标之间的相关系数，根据该各个解释变量与主指标之间的相关系数从该多个解释变量确定出目标解释变量。其中，目标分类模型为第一数量个预训练的分类模型中的任一预训练的分类模型。第二时间序列数据指先行指标的时间序列数据。例如，第二时间序列数据可以包括先行指标在第二时间范围包括的各个时间的真实值。在一些情况下，由于无法获取到先行指标在某个时间的真实值，便可以采用经验估计法得到先行指标在这个时间的估计值。第二时间序列数据能够反映先行指标随时间变化的情况。在一个实施例中，第二时间范围可以根据第一时间范围确定。第三时间序列数据指解释变量的时间序列数据。例如，第三时间序列数据可以包括解释变量在第三时间范围包括的各个时间的真实值。在一些情况下，由于无法获取到解释变量在某个时间的真实值，便可以采用经验估计法得到解释变量在这个时间的估计值。第三时间序列数据能够反映解释变量随时间变化的情况。在一个实施例中，第三时间范围可以根据第一时间范围确定。采用上述过程，可以筛选出与主指标相关性较大的目标先行指标以与主指标相关性较大的目标解释变量，用以提升对主指标的预测准确度。

在一个实施例中，电子设备确定该第一时间序列数据中各个数据在各个第二时间序列数据关联的数据的方式可以为：电子设备确定该第一时间序列数据中各个数据在各个第二时间序列数据中对应的按照预设先行期数错期后的数据，以作为该各个数据在各个第二时间序列数据中关联的数据。例如，第一时间序列数据包括主指标在2020年12月的真实值，主指标在2020年11月的真实值……多个先行指标包括先行指标1，先行指标1的第二时间序列数据包括该先行指标1在2020年12月的真实值，先行指标1在2020年11月的真实值、先行指标1在2020年10月的真实值……如果预设先行期数包括先行1期，1期为1个月，电子设备可以确定主指标在2020年12月的真实值在先行指标1的第二时间序列数据中对应的按照先行1期错期后的数据为先行指标1在2020年11月的真实值，并将先行指标1在2020年11月的真实值，确定为主指标在2020年12月的真实值在先行指标1的第二时间序列中关联的数据；电子设备还可以确定主指标在先行指标1的第二时间序列数据中对应的按照先行1期错期后的数据为先行指标1在2020年10月的真实值，并将先行指标1在2020年10月的真实值，确定为主指标在2020年11月的真实值在先行指标1的第二时间序列中关联的数据，以此类推。如果预设先行期数包括先行2期，1期为1个月，电子设备可以将先行指标1在2020年10月的真实值确定为主指标在2020年12月的真实值在先行指标1的第二时间序列数据关联的数据，还可以将先行指标1在2020年9月的真实值确定为主指标在2020年11月的真实值在先行指标1的第二时间序列数据关联的数据，以此类推。

在一个实施例中，电子设备根据该各个数据与该各个数据在各个第二时间序列数据关联的数据，计算各个先行指标与主指标之间的相关系数的方式可以为：电子设备计算各个数据与该各个数据在多个先行指标中任一先行指标的第二时间序列数据中关联的数据之间的乘积，统计同向的乘积在总的乘积的占比绝对值，并选取最大占比绝对值作为该任一先行指标与主指标之间的相关系数。通过该过程，便可以得到每个先行指标与主指标之间的相关系数。下面结合表1对该过程进行说明。

表1

由上表可以看出，在预设先行期数为先行1期时，主指标在2020年12月的真实值对应先行指标1在2020年11月的真实值，主指标在2020年11月的真实值对应先行指标1在2020年10月的真实值，主指标在2020年10月的真实值对应先行指标1在9月的真实值。其中，主指标在2020年12月的真实值为1、主指标在2020年11月的真实值为-1、主指标在2020年10月的真实值为1，先行指标1在2020年11月的真实值为1、先行指标1在2020年10月的真实值为1，先行指标1在2020年9月的真实值为-1。采用前述过程可以计算出先行指标1与主指标之间的相关系数为2/3。

在一个实施例中，若预设先行期数为一个，则针对每一个先行指标可以计算得到该指标与主指标之间的一个相关系数。例如，若预设先行期数为先行1期，则针对每一个先行指标，可以计算得到该先行指标与主指标之间的一个相关系数。若预设先行期数为多个，则针对每一个先行指标，可以计算得到该先行指标与主指标之间的多个相关系数。例如，若预设先行期数为先行1期-先行12期(包括12个先行期数)，则针对每一个先行指标，可以计算得到该指标与主指标之间的12个相关系数。在一个实施例中，电子设备根据该各个先行指标与主指标之间的相关系数从多个先行指标确定出目标先行指标的方式可以为：电子设备根据该各个先行指标与主指标之间的相关系数，从多个先行指标中确定出对应的相关系数大于或等于第一相关系数的先行指标，以作为目标先行指标。在一个实施例中，电子设备确定目标先行指标对应的目标先行期数的方式可以为：若目标先行指标中的第一先行指标与主指标的相关系数为一个，则将这个相关系数对应的预设先行期数作为第一先行指标的目标先行期数，若目标先行指标中的第二先行指标与主指标之间的相关系数为多个，可以从多个相关系数中确定出某个相关系数(如相关系数最大值)对应的预设先行期数，作为第二先行指标对应的目标先行期数。其中，第一先行指标指与主指标之间存在一个相关系数的先行指标，第二先行指标指与主指标之间存在多个相关系数的先行指标。

在一个实施例中，电子设备确定第一时间序列数据中各个数据在各个第三时间序列数据关联的数据的方式可以为：电子设备确定第一时间序列数据中各个数据在各个第三时间序列数据对应的数据，以作为该各个数据在各个第三时间序列关联的数据。在这个过程中，解释变量无需按照先行期数无需错期，或者说解释变量可以理解为按照先行期数为先行0期进行错期。例如，第一时间序列数据包括主指标在2020年12月的真实值，主指标在2020年11月的真实值……解释变量1的第三时间序列数据包括该解释变量1在2020年12月的真实值，解释变量1在2020年11月的真实值……电子设备可以确定主指标在2020年12月的真实值对应解释变量1在2020年12月的真实值，并将解释变量1在2020年12月的真实值作为主指标在2020年12月的真实值在解释变量1的第三时间序列数据关联的数据，电子设备还可以确定主指标在2020年11月的真实值对应解释变量1在2020年11月的真实值，并将解释变量1在2020年11月的真实值作为主指标在2020年11月的真实值在解释变量1的第三时间序列数据关联的数据，以此类推。

在一个实施例中，电子设备计算各个解释变量与主指标之间的相关系数的方式可以是通过皮尔逊算法计算得到的，皮尔逊算法为现有技术算法，本申请实施例在此不做赘述。在一个实施例中，电子设备根据各个解释变量与主指标之间的相关系数从多个解释变量确定出目标解释变量的方式可以为：电子设备根据各个解释变量与主指标之间的相关系数，从多个解释变量中确定出对应的相关系数大于或等于第二相关系数的解释变量，以作为目标解释变量。此处的第二相关系数可以与第一相关系数相同，也可以不同。

s202、利用第一预设数量个预训练的分类模型中的目标分类模型，根据所述每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，得到对所述每个第一组合结果的预测精度。

本申请实施例中，电子设备根据该每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理的方式可以如下：电子设备确定该每个第一组合结果中的各先行指标对应的目标先行期数，并将该每个第一组合结果中的各先行指标的第二时间序列数据，按照该先行指标对应的目标先行期数进行错期处理，得到该先行指标的错期后的时间序列数据；电子设备对该每个第一组合结果中的各先行指标的错期后的时间序列数据进行预测处理。其中，此处所指的错期处理是使先行指标与主指标在时间上按照对应的目标先行期数错开对应的过程。错期前，比如可能是先行指标1在2020年12月的真实值与主指标在2020年12月的取值对应，先行指标1在2020年11月的真实值与主指标在2020年11月的取值对应，以此类推。在按照先行1期错期后，就变为先行指标1在2020年11月的真实值与主指标在2020年12月的取值对应，先行指标1在2020年10月的真实值与主指标在2020年11月的取值对应，以此类推。由上述过程可以看出，错开处理能够使得先行指标在各个时间的数据正确的与主指标在各个时间的数据对应。在一个实施例中，电子设备在对每个第一组合结果中各先行指标的错期后的时间序列数据进行预测处理后，可以得到每个第一组合结果对应的对主指标的第一预测结果集合，然后可根据每个第一组合结果对应的对主指标的第一预测结果集合以及主指标的真实值集合，计算得到对每个第一组合结果的预测精度。例如，电子设备可以根据每个第一组合结果对应对主指标的第一预测结果集合以及该主指标的真实值集合，统计每个第一组合结果对应的对主指标的正确预测结果在该第一组合结果对应的对主指标的第一预测结果集合中所占的比例，然后根据该比例确定对第一组合结果的预测精度，例如可以将该比例确定为该第一组合结果的预测精度。

举例来说，主指标的第一时间序列数据包括主指标在2020年12月的真实值，主指标在2020年11月的真实值……以第一组合结果包括组合结果3为例，组合结果3包括先行指标1和先行指标2，先行指标1的第二时间序列数据包括先行指标1在2020年12月的真实值、先行指标1在2020年11月的真实值、先行指标1在2020年10月的真实值……先行指标2的第二时间序列数据包括先行指标2在2020年12月的真实值、先行指标2在2020年11月的真实值、先行指标2在2020年10月的真实值……假设先行指标1对应的目标先行期数为先行1期，对先行指标1的第二时间序列数据按照先行1期进行错期处理，便可以得到先行指标1错期后的时间序列数据，在先行指标1错期后的时间序列数据中，先行指标1在2020年11月的真实值与主指标在2020年12月的取值(包括主指标在2020年12月的真实值以及主指标在2020年12月的预测值，先行指标1在2020年11月的真实值能够用于确定主指标在2020年12月的预测值)对应；先行指标1在2020年10月的真实值与主指标在2020年11月的取值(包括主指标在2020年11月的真实值以及主指标在2020年11月的预测值)对应，以此类推。假设先行指标2对应的目标先行期数为先行2期，对先行指标2的第二时间序列数据按照先行2期进行错期处理，便可以得到先行指标2错期后的时间序列数据，在先行指标2错期后的时间序列数据中，先行指标2在2020年10月的真实值与主指标在2020年12月的取值(包括主指标在2020年12月的真实值和主指标在2020年12月的预测值)对应，先行指标2在9月的真实值与主指标在2020年11月的取值(包括主指标在2020年11月的真实值以及主指标在2020年11月的预测值)对应，以此类推。在得到先行指标1错期后的时间序列数据以及先行指标2错期后的时间序列数据后，便可以对先行指标1错期后的时间序列数据以及先行指标2错期后的时间序列数据进行预测处理，得到组合结果3对应的对主指标的预测结果集合，该预测结果集合包括主指标在2020年12月的预测结果、主指标在2020年11月的预测结果…此时可以进一步结合主指标的真实值集合确定组合结果3对应的预测精度。其中，主指标的真实值集合包括主指标在2020年12月的真实值以及主指标在2020年12月的预测值,,,,,,在一个示例中，在确定组合结果3对应的预测精度的过程中，电子设备可以根据组合结果3对应的对主指标的预测结果集合以及该主指标的真实值集合，统计组合结果3对应的对主指标的正确预测结果在该组合结果3对应的对主指标的预测结果集合中所占的比例，然后根据该比例确定对组合结果3的预测精度，例如可以将该比例确定为该组合结果3的预测精度。

s203、根据所述每个第一组合结果的预测精度，从至少一个第一组合结果中确定出符合第一预设条件的第一组合结果；

本申请实施例中，电子设备可以根据每个第一组合结果的预测精度，从至少一个第一组合结果中确定出预测精度最高的第一组合结果作为符合第一预设条件的第一组合结果。此处，满足第一预设条件的第一组合结果为能够使得目标分类模型预测精度达到最高的第一组合结果。这样，针对每一个预训练的分类模型，都能确定出能够使得这个预训练的分类模型预测精度达到最高的一种先行指标的组合。

s204、利用所述目标分类模型对所述符合第一预设条件的第一组合结果进行s期回溯验证，得到s个回溯精度；所述s为大于或等于1的整数。

s205、将根据所述s个回溯精度计算得到的均值确定为所述目标分类模型的分类回溯精度。

在步骤s204-步骤s205中，电子设备可以利用该目标分类模型对该符合第一预设条件的第一组合结果进行s期回溯验证，得到s个回溯精度，并将根据该s个回溯精度计算得到的均值确定为该目标分类模型的分类回溯精度。其中，s期回溯可以为月度回溯7期(1期为1个月)或季度回溯4期(1期为1个季度)等，本申请实施例对此不做限制。回溯的目的就是回溯往期数据来计算回溯精度。下面将举例说明利用第一数量个预训练的分类模型中的目标分类模型对该符合第一预设条件的第一组合结果进行s期回溯验证，得到s个回溯精度的过程。

例如，第一组合结果包括组合结果3，组合结果3包括先行指标1和先行指标2。先行指标1对应的目标先行期数为先行1期，先行指标2对应的目标先行期数为先行2期。s期回溯是月度回溯7期，那么电子设备可以利用目标分类模型根据先行指标1在2020年11月的真实值以及先行指标2在2020年10月的真实值进行预测处理，得到主指标在2020年12月的预测结果，然后可以根据主指标在2020年12月的预测结果以及主指标在2020年12月的真实值计算得到第1个预测精度作为第1个回溯精度。之后，电子设备还可以利用目标分类模型根据先行指标1在2020年10月的真实值以及先行指标2在2020年9月的真实值进行预测处理，得到主指标在2020年11月的预测结果，然后根据主指标在2020年11月的预测结果以及主指标在2020年11月的真实值计算得到第2个预测精度作为第2个回溯精度，以此类推，便可以利用目标分类模型根据先行指标1在2020年5月的真实值以及先行指标2在4月的真实值进行预测，得到主指标在2020年6月的预测结果，并根据主指标在2020年6月的预测结果以及主指标在2020年6月的真实值计算得到第7个预测精度作为第7个回溯精度，至此，便可以通过目标分类模型计算出7个回溯精度，通过计算这7个回溯精度的平均值便可以得到目标分类模型的分类回溯精度，此处可以将这7个回溯精度的平均值确定为目标回归模型的分类回溯精度。

s206、获取待预测数据。

s207、在所述待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从所述第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果。

s208、利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据所述第二数量个回归结果计算得到的均值作为对所述主指标的第二预测结果。

s209、根据所述第一预测结果、所述第二预测结果以及分类回溯精度均值，确定对所述主指标的最终预测结果，所述分类回溯精度均值是根据所述第一数量个预训练的分类模型中每个预训练的分类模型的分类回溯精度计算得到的均值。

其中，步骤s206-s209可以参见图1实施例中的步骤s101-s104，本申请实施例在此不做赘述。

前面已经介绍了分类回溯精度的确定方式，接下来对前述提及的回归回溯精度的确定方式进行阐述。

在一个实施例中，所述多个组合结果还可以包括至少一个第二组合结果，所述第二组合结果指由至少一个先行指标以及至少一个解释变量构成的组合结果，每个第二组合结果不同。电子设备可以利用第二预设数量个预训练的回归模型中的目标回归模型，根据该每个第二组合结果中的各先行指标的第二时间序列数据以及该每个第二组合结果中的各解释变量的第三时间序列数据进行预测处理，得到对该每个第二组合结果的预测精度；该目标回归模型为该第二数量个预训练的回归模型中的任一预训练的回归模型；电子设备根据该每个第二组合结果的预测精度，从至少一个第二组合结果中确定出符合第二预设条件的第二组合结果，并利用第二数量个预训练的回归模型中的目标回归模型对该符合第二预设条件的第二组合结果进行t期回溯验证，得到t个回溯精度；该t为大于或等于1的整数；电子设备将根据该t个回溯精度计算得到的均值确定为该目标回归模型的回归回溯精度。其中，t可以与s相同，也可以不同。例如，t期回溯可以为月度回溯7期(如1期可以为1个月)或季度回溯4期(如1期可以为1个季度)等，本申请实施例对此不做限制。

例如，第二组合结果包括组合结果4，组合结果4包括先行指标1和解释变量1。先行指标1对应的目标先行期数为先行1期。假设t期回溯验证是月度回溯7期验证，那么电子设备可以利用目标回归模型根据先行指标1在2020年11月的真实值以及解释变量1在2020年12月的真实值进行预测处理，得到主指标在2020年12月的预测结果，然后可以根据主指标在2020年12月的预测结果以及主指标在2020年12月的真实值计算得到第1个预测精度作为第1个回溯精度。之后，电子设备还可以利用目标回归模型根据先行指标1在2020年10月的真实值以及解释变量1在2020年11月的真实值进行预测处理，得到主指标在2020年11月的预测结果，然后根据主指标在2020年11月的预测结果以及主指标在2020年11月的真实值计算得到第2个预测精度作为第2个回溯精度。以此类推，便可以利用目标回归模型根据先行指标1在2020年5月的真实值以及解释变量1在2020年6月的真实值进行预测处理，得到主指标在2020年6月的预测结果，并根据主指标在2020年6月的预测结果以及主指标在2020年6月的真实值计算得到第7个预测精度作为第7个回溯精度，至此，便可以通过目标回归模型计算出这7个回溯精度，通过计算这7个回溯精度的平均值便可以得到目标回归模型的回归回溯精度，此处可以将这7个回溯精度的平均值确定为目标回归模型的回归回溯精度。

在一个实施例中，电子设备在利用第二预设数量个预训练的回归模型中的目标回归模型，根据该每个第二组合结果中的各先行指标的第二时间序列数据以及该每个第二组合结果中的各解释变量的第三时间序列数据进行预测处理后，可以得到每个第二组合结果对应的对主指标的第二预测结果集合，然后可根据每个第二组合结果对应的对主指标的第二预测结果集合以及主指标的真实值集合，计算得到对每个第二组合结果的预测精度。其中，第二预测结果集合是指第二组合结果对应的对主指标的预测结果集合。前述提及的第一预测结果集合是指第一组合结果对应的对主指标的预测结果集合。例如，电子设备可以根据每个第二组合结果对应的对主指标的第二预测结果集合以及该主指标的真实值集合，通过精度计算公式计算得到每个第二组合结果的预测精度集合，然后根据每个第二组合结果的预测精度集合计算得到每个第二组合结果的预测精度，例如可以计算得到每个第二组合结果的预测精度集合对应的均值以作为每个第二组合结果的预测精度。精度计算公式为1-abs(预测值-真实值)/真实值)。其中abs表示计算绝对值。在一个实施例中，电子设备可以根据每个第二组合结果的预测精度，从至少一个第二组合结果中确定出预测精度最高的第二组合结果作为符合第二预设条件的第二组合结果。此处，满足第二预设条件的第二组合结果为能够使目标回归模型预测精度达到最高的第二组合结果。这样，针对每一个预训练的回归模型，都能确定出能够使得这个预训练的回归模型预测精度达到最高的一种先行指标与解释变量的组合。下面将举例说明利用第二数量个预训练的回归模型中的目标回归模型对该符合第二预设条件的第二组合结果进行t期回溯验证，得到t个回溯精度的过程。

在一个实施例中，电子设备还可以利用满足第一预设条件的第一组合结果中各先行指标的s期数据，训练该目标分类模型，以达到优化目标分类模型的目的。在一个实施例中，先行指标的s期数据可以为前述回溯验证过程中对先行指标回溯的s期数据，或可以为对先行指标以其它时间往前回溯的s期数据，等等。例如，满足第一预设条件的第一组合结果包括组合结果3，组合结果3包括先行指标1和先行指标2，先行指标1对应的先行期数为先行1期，先行指标2对应的先行期数为先行2期，1期为1个月。假设s期为7期，那么先行指标1的s期数据可以包括先行指标1在2020年11月的真实值……先行指标在2020年5月的真实值，先行指标2的s期数据可以包括先行指标2在2020年10月的真实值…先行指标2在2020年4月的真实值。电子设备可以利用主指标在2020年12月的真实值、先行指标1在2020年11月的真实值以及先行指标2在2020年10月的真实值训练该目标分类模型，以此类推，电子设备还可以利用主指标在2020年6月的真实值、先行指标1在2020年5月的真实值以及先行指标2在2020年4月的真实值来训练该目标分类模型。

在一个实施例中，电子设备还可以利用满足第二预设条件的第二组合结果中各先行指标的t期数据以及满足第二预设条件的第二组合结果中各解释变量的t期数据训练目标回归模型，以达到优化目标回归模型的目的。在一个实施例中，先行指标的t期数据可以为前述回溯验证过程中的对先行指标回溯的t期数据，或可以为对先行指标以其它时间往前回溯的t期数据，等等。解释变量的t期数据可以为前述回溯验证过程中的对解释变量回溯的t期数据，或可以为对解释变量以其它时间往前回溯的t期数据，等等。例如，满足第二预设条件的第二组合结果包括组合结果4，组合结果4包括先行指标1和解释变量1，先行指标1对应的先行期数为先行1期，1期为1个月。假设t期为7期，那么先行指标1的t期数据可以包括先行指标1在2020年11月的真实值……先行指标在2020年5月的真实值，解释变量1的t期数据可以包括解释变量1在2020年12月的真实值…解释变量1在2020年6月的真实值。电子设备可以利用主指标在2020年12月的真实值、先行指标1在2020年11月的真实值以及解释变量1在2020年12月的真实值训练该目标回归模型，以此类推，电子设备还可以利用主指标在2020年6月的真实值、先行指标1在2020年5月的真实值以及解释变量1在2020年6月的真实值来训练该目标回归模型。

在一个实施例中，前述提及的第一数量个预训练的分类模型以及前述提及的第二数量个回归模型可以通过以下方式确定：

①构建第一数据集，并将第一数据集划分为第一训练集和第一验证集；第一数据集包括主指标的第一时间序列数据，以及目标先行指标中各先行指标的错期后的时间序列数据。例如，第一数据集可以表示为{(x1，y1)…(xn，yn)}。x表示目标先行指标。y表示主指标。在一个实施例中，目标先行指标中各个先行指标的错期后的时间序列数据通过如下方式获得：电子设备对目标先行指标中各个先行指标的第二时间序列数据按照该先行指标对应的目标先行期数进行错期处理，得到目标先行指标中各先行指标的错期后的时间序列数据。

②构建第二数据集，并将第二数据集划分为第二训练集和第二验证集。第二数据集包括主指标的第一时间序列数据，以及目标先行指标中各个先行指标的错期后的时间序列数据，以及目标解释变量中各个解释变量的时间序列数据。例如，第二数据集可以表示为{{(x1，z1)，y1}…{(xn，zn)，yn}}。z表示目标解释变量。

③利用第一训练集分别训练m个初始的分类模型，得到m个预训练的分类模型，并利用第二训练集分别训练n个初始的回归模型，得到n个预训练的回归模型，m为大于或等于2的整数，n为大于或等于2的整数。例如，电子设备可以将第一训练集分别输入到5个初始的分类模型，然后利用第一训练集分别训练5个初始的分类模型，得到5个预训练的分类模型。电子设备可以将第二训练集分别输入到5个初始的回归模型，然后利用第二训练集分别训练n个初始的回归模型，得到5个预训练的回归模型。

④利用m个预训练的分类模型中每个预训练的分类模型对第一验证集进行预测，得到每个预训练的分类模型对第一验证集的预测精度，并根据每个预训练的分类模型对第一验证集的预测精度，从m个预训练的分类模型中确定出第一数量个预训练的分类模型。在一个实施例中，电子设备可以从m个预训练的分类模型中确定出对第一验证集的预测精度最高的第一数量个分类模型。或者，电子设备可以对m个预训练的分类模型按照对第一验证集的预测精度按照由高到低的顺序排序，并选取排在前面的第一数量个预训练的分类模型。

⑤利用n个预训练的回归模型中每个预训练的回归模型对第二验证集进行预测，得到每个预训练的回归模型对第二验证集的预测精度，并根据每个预训练的回归模型对第二验证集的预测精度，从n个预训练的回归模型中确定出第二预设数量个预训练的回归模型。在一个实施例中，电子设备可以从n个预训练的回归模型中确定出对第二验证集的预测精度最高的第二数量个回归模型。或者，电子设备可以对n个预训练的回归模型按照对第二验证集的预测精度按照由高到低的顺序排序，并选取排在前面的第二数量个预训练的回归模型。

可见，图2所示的实施例中，电子设备可以对目标先行指标中各个先行指标以及目标解释变量中各个解释变量进行组合，得到多个组合结果，多个组合结果包括至少一个第一组合结果，然后利用第一预设数量个预训练的分类模型中的目标分类模型，根据每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，得到对每个第一组合结果的预测精度，从而根据每个第一组合结果的预测精度，从至少一个第一组合结果中确定出符合第一预设条件的第一组合结果，以利用目标分类模型对符合第一预设条件的第一组合结果进行s期回溯验证，得到s个回溯精度，并将根据s个回溯精度计算得到的均值确定为目标分类模型的分类回溯精度，后续可以根据该分类回溯精度来确定对主指标的最终预测结果，上述过程可以确定出预测精度高的第一组合结果，然后通过这个第一组合结果进行s期回溯验证，便可以得到目标分类模型的分类回溯精度，通过这种方式得到的分类回溯精度比较准确，后续将其用于确定主指标的最终预测结果的过程中，也可以使得主指标的最终预测结果的准确度更高。

本申请涉及区块链技术，例如可将对主指标的最终预测结果写入区块链中。在一个实施例中，后续可以将主指标的最终预测结果与主指标在目标时间的真实值进行比较，用以分析采用本申请实施例所述的基于机器学习的指标预测方法带来的预测误差。

请参阅图3，为本申请实施例提供的一种基于机器学习的指标预测装置的结构示意图。该装置可以用于电子设备中。具体地，该装置，包括：

获取模块301，用于获取待预测数据。

分类处理模块302，用于在所述待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从所述第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果。

回归处理模块303，用于利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据所述第二数量个回归结果计算得到的均值作为对所述主指标的第二预测结果。

确定模块304，用于根据所述第一预测结果、所述第二预测结果以及分类回溯精度均值，确定对所述主指标的最终预测结果，所述分类回溯精度均值是根据所述第一数量个预训练的分类模型中每个预训练的分类模型的分类回溯精度计算得到的均值。

在一种可选的实施方式中，确定模块304根据所述第一预测结果、所述第二预测结果以及分类回溯精度确定对所述主指标的最终预测结果，具体为在分类回溯精度均值小于第一预设数值时，将所述第二预测结果作为对所述主指标的最终预测结果；在所述分类回溯精度均值大于或等于第一预设数值但小于第二预设数值时，从所述第二数量个回归结果中确定出与所述第一预测结果同向的第一回归结果，并从与所述第一预测结果反向的回归结果中确定出距离所述第一回归结果最近的第二回归结果，根据所述第一回归结果以及所述第二回归结果确定对所述主指标的最终预测结果；在所述分类回溯精度均值大于或等于第二预设数值的情况下，若所述分类回溯精度均值小于或等于回归回溯精度均值，则将所述第二预测结果作为对所述主指标的最终预测结果，若所述分类回溯精度均值大于回归回溯精度均值，则从所述第二数量个回归结果中确定出与所述第一预测结果同向的第一回归结果，并根据所述第一回归结果确定对所述主指标的最终预测结果，所述回归回溯精度均值是根据所述第二数量个预训练的回归模型中每个预训练的回归模型的回归回溯精度计算得到的均值。

在一种可选的实施方式中，确定模块304，还用于对目标先行指标中各个先行指标以及目标解释变量中各个解释变量进行组合，得到多个组合结果；所述目标先行指标是根据主指标的第一时间序列数据从所述主指标关联的多个先行指标中确定出的，所述目标解释变量是根据所述第一时间序列数据从所述主指标关联的多个解释变量中确定出的；所述目标先行指标包括所述指定先行指标，所述目标解释变量包括所述指定解释变量；所述多个组合结果包括至少一个第一组合结果，所述第一组合结果指由至少一个先行指标构成的组合结果，每个第一组合结果不同；利用第一预设数量个预训练的分类模型中的目标分类模型，根据所述每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，得到对所述每个第一组合结果的预测精度；所述目标分类模型为所述第一数量个预训练的分类模型中的任一预训练的分类模型；根据所述每个第一组合结果的预测精度，从至少一个第一组合结果中确定出符合第一预设条件的第一组合结果；利用所述目标分类模型对所述符合第一预设条件的第一组合结果进行s期回溯验证，得到s个回溯精度；所述s为大于或等于1的整数；将根据所述s个回溯精度计算得到的均值确定为所述目标分类模型的分类回溯精度。

在一种可选的实施方式中，确定模块304根据所述每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，具体为确定所述每个第一组合结果中的各先行指标对应的目标先行期数；将所述每个第一组合结果中的各先行指标的第二时间序列数据，按照该先行指标对应的目标先行期数进行错期处理，得到该先行指标的错期后的时间序列数据；对所述每个第一组合结果中的各先行指标的错期后的时间序列数据进行预测处理。

在一种可选的实施方式中，所述多个组合结果还包括至少一个第二组合结果，所述第二组合结果指由至少一个先行指标以及至少一个解释变量构成的组合结果，每个第二组合结果不同，确定模块304，还用于利用第二预设数量个预训练的回归模型中的目标回归模型，根据所述每个第二组合结果中的各先行指标的第二时间序列数据以及所述每个第二组合结果中的各解释变量的第三时间序列数据进行预测处理，得到对所述每个第二组合结果的预测精度；所述目标回归模型为所述第二数量个预训练的回归模型中的任一预训练的回归模型；根据所述每个第二组合结果的预测精度，从至少一个第二组合结果中确定出符合第二预设条件的第二组合结果；利用第二数量个预训练的回归模型中的目标回归模型对所述符合第二预设条件的第二组合结果进行t期回溯验证，得到t个回溯精度；所述t为大于或等于1的整数；将根据所述t个回溯精度计算得到的均值确定为所述目标回归模型的回归回溯精度。

在一种可选的实施方式中，确定模块304，还用于获取主指标的第一时间序列数据，以及所述主指标关联的多个先行指标中每个先行指标的第二时间序列数据，以及所述主指标关联的多个解释变量中每个解释变量的第三时间序列数据；确定所述第一时间序列数据中各个数据在各个第二时间序列数据关联的数据，并根据各个数据以及各个数据在各个第二时间序列数据关联的数据，计算各个先行指标与主指标之间的相关系数，根据所述各个先行指标与主指标之间的相关系数从所述多个先行指标确定出目标先行指标，并确定所述目标先行指标中各个先行指标对应的目标先行期数；确定所述第一时间序列数据中各个数据在各个第三时间序列数据关联的数据，并根据各个数据以及各个数据在各个第三时间序列数据关联的数据，计算各个解释变量与主指标之间的相关系数，根据所述各个解释变量与主指标之间的相关系数从所述多个解释变量确定出目标解释变量。

在一种可选的实施方式中，所述基于机器学习的指标预测装置还包括训练模块305。

在一种可选的实施方式中，训练模块305，用于构建第一数据集，并将所述第一数据集划分为第一训练集和第一验证集；所述第一数据集包括主指标的第一时间序列数据，以及目标先行指标中各先行指标的错期后的时间序列数据；构建第二数据集，并将所述第二数据集划分为第二训练集和第二验证集；所述第二数据集包括主指标的第一时间序列数据，以及所述目标先行指标中各个先行指标的错期后的时间序列数据，以及目标解释变量中各个解释变量的时间序列数据；利用所述第一训练集分别训练m个初始的分类模型，得到m个预训练的分类模型，并利用所述第二训练集分别训练n个初始的回归模型，得到n个预训练的回归模型，m为大于或等于2的整数，n为大于或等于2的整数。

在一种可选的实施方式中，确定模块304还用于利用m个预训练的分类模型中每个预训练的分类模型对第一验证集进行预测，得到每个预训练的分类模型对第一验证集的预测精度，并根据每个预训练的分类模型对第一验证集的预测精度，从m个预训练的分类模型中确定出第一数量个预训练的分类模型。利用n个预训练的回归模型中每个预训练的回归模型对第二验证集进行预测，得到每个预训练的回归模型对第二验证集的预测精度，并根据每个预训练的回归模型对第二验证集的预测精度，从n个预训练的回归模型中确定出第二预设数量个预训练的回归模型。

可见，图3所示的实施例中，基于机器学习的指标预测装置可以利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果；基于机器学习的指标预测装置还可以利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据第二数量个回归结果计算得到的均值作为对主指标的第二预测结果；之后基于机器学习的指标预测装置根据第一预测结果、第二预测结果以及分类回溯精度均值，确定对主指标的最终预测结果，进而通过融合不同的模型来提升统计和计量过程的预测精度。

请参阅图4，为本申请实施例提供的一种为本申请实施例提供的一种电子设备的结构示意图。本实施例中所描述的电子设备可以包括：一个或多个处理器1000和存储器2000。处理器1000和存储器2000可以通过总线等方式连接。

处理器1000可以是中央处理模块(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器2000可以是高速ram存储器，也可为非不稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器2000用于存储一组程序代码，处理器1000可以调用存储器2000中存储的程序代码。具体地：

处理器1000，用于获取待预测数据；在所述待预测数据包括指定先行指标的第一取值以及指定解释变量的第二取值时，利用第一数量个预训练的分类模型中每个预训练的分类模型对指定先行指标的第一取值进行分类处理，得到第一数量个分类结果，并将从所述第一数量个分类结果中确定的出现次数最多的分类结果作为对所预测的主指标的第一预测结果；利用第二数量个预训练的回归模型中每个预训练的回归模型对指定先行指标的第一取值以及指定解释变量的第二取值进行回归处理，得到第二数量个回归结果，并将根据所述第二数量个回归结果计算得到的均值作为对所述主指标的第二预测结果；根据所述第一预测结果、所述第二预测结果以及分类回溯精度均值，确定对所述主指标的最终预测结果，所述分类回溯精度均值是根据所述第一数量个预训练的分类模型中每个预训练的分类模型的分类回溯精度计算得到的均值。

在一个实施例中，处理起1000根据所述第一预测结果、所述第二预测结果以及分类回溯精度确定对所述主指标的最终预测结果，具体为在分类回溯精度均值小于第一预设数值时，将所述第二预测结果作为对所述主指标的最终预测结果；在所述分类回溯精度均值大于或等于第一预设数值但小于第二预设数值时，从所述第二数量个回归结果中确定出与所述第一预测结果同向的第一回归结果，并从与所述第一预测结果反向的回归结果中确定出距离所述第一回归结果最近的第二回归结果，根据所述第一回归结果以及所述第二回归结果确定对所述主指标的最终预测结果；在所述分类回溯精度均值大于或等于第二预设数值的情况下，若所述分类回溯精度均值小于或等于回归回溯精度均值，则将所述第二预测结果作为对所述主指标的最终预测结果，若所述分类回溯精度均值大于回归回溯精度均值，则从所述第二数量个回归结果中确定出与所述第一预测结果同向的第一回归结果，并根据所述第一回归结果确定对所述主指标的最终预测结果，所述回归回溯精度均值是根据所述第二数量个预训练的回归模型中每个预训练的回归模型的回归回溯精度计算得到的均值。

在一个实施例中，处理器1000，还用于对目标先行指标中各个先行指标以及目标解释变量中各个解释变量进行组合，得到多个组合结果；所述目标先行指标是根据主指标的第一时间序列数据从所述主指标关联的多个先行指标中确定出的，所述目标解释变量是根据所述第一时间序列数据从所述主指标关联的多个解释变量中确定出的；所述目标先行指标包括所述指定先行指标，所述目标解释变量包括所述指定解释变量；所述多个组合结果包括至少一个第一组合结果，所述第一组合结果指由至少一个先行指标构成的组合结果，每个第一组合结果不同；利用第一预设数量个预训练的分类模型中的目标分类模型，根据所述每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，得到对所述每个第一组合结果的预测精度；所述目标分类模型为所述第一数量个预训练的分类模型中的任一预训练的分类模型；根据所述每个第一组合结果的预测精度，从至少一个第一组合结果中确定出符合第一预设条件的第一组合结果；利用所述目标分类模型对所述符合第一预设条件的第一组合结果进行s期回溯验证，得到s个回溯精度；所述s为大于或等于1的整数；将根据所述s个回溯精度计算得到的均值确定为所述目标分类模型的分类回溯精度。

在一个实施例中，处理器1000根据所述每个第一组合结果中的各先行指标的第二时间序列数据进行预测处理，具体为确定所述每个第一组合结果中的各先行指标对应的目标先行期数；将所述每个第一组合结果中的各先行指标的第二时间序列数据，按照该先行指标对应的目标先行期数进行错期处理，得到该先行指标的错期后的时间序列数据；对所述每个第一组合结果中的各先行指标的错期后的时间序列数据进行预测处理。

在一个实施例中，所述多个组合结果还包括至少一个第二组合结果，所述第二组合结果指由至少一个先行指标以及至少一个解释变量构成的组合结果，每个第二组合结果不同。

在一个实施例中，处理器1000，还用于利用第二预设数量个预训练的回归模型中的目标回归模型，根据所述每个第二组合结果中的各先行指标的第二时间序列数据以及所述每个第二组合结果中的各解释变量的第三时间序列数据进行预测处理，得到对所述每个第二组合结果的预测精度；所述目标回归模型为所述第二数量个预训练的回归模型中的任一预训练的回归模型；根据所述每个第二组合结果的预测精度，从至少一个第二组合结果中确定出符合第二预设条件的第二组合结果；利用第二数量个预训练的回归模型中的目标回归模型对所述符合第二预设条件的第二组合结果进行t期回溯验证，得到t个回溯精度；所述t为大于或等于1的整数；将根据所述t个回溯精度计算得到的均值确定为所述目标回归模型的回归回溯精度。

在一个实施例中，处理器1000，还用于获取主指标的第一时间序列数据，以及所述主指标关联的多个先行指标中每个先行指标的第二时间序列数据，以及所述主指标关联的多个解释变量中每个解释变量的第三时间序列数据；确定所述第一时间序列数据中各个数据在各个第二时间序列数据关联的数据，并根据各个数据以及各个数据在各个第二时间序列数据关联的数据，计算各个先行指标与主指标之间的相关系数，根据所述各个先行指标与主指标之间的相关系数从所述多个先行指标确定出目标先行指标，并确定所述目标先行指标中各个先行指标对应的目标先行期数；确定所述第一时间序列数据中各个数据在各个第三时间序列数据关联的数据，并根据各个数据以及各个数据在各个第三时间序列数据关联的数据，计算各个解释变量与主指标之间的相关系数，根据所述各个解释变量与主指标之间的相关系数从所述多个解释变量确定出目标解释变量。

在一个实施例中，处理器1000，还用于构建第一数据集，并将所述第一数据集划分为第一训练集和第一验证集；所述第一数据集包括主指标的第一时间序列数据，以及目标先行指标中各先行指标的错期后的时间序列数据；构建第二数据集，并将所述第二数据集划分为第二训练集和第二验证集；所述第二数据集包括主指标的第一时间序列数据，以及所述目标先行指标中各个先行指标的错期后的时间序列数据，以及目标解释变量中各个解释变量的时间序列数据；利用所述第一训练集分别训练m个初始的分类模型，得到m个预训练的分类模型，并利用所述第二训练集分别训练n个初始的回归模型，得到n个预训练的回归模型，m为大于或等于2的整数，n为大于或等于2的整数；利用m个预训练的分类模型中每个预训练的分类模型对第一验证集进行预测，得到每个预训练的分类模型对第一验证集的预测精度，并根据每个预训练的分类模型对第一验证集的预测精度，从m个预训练的分类模型中确定出第一数量个预训练的分类模型；利用n个预训练的回归模型中每个预训练的回归模型对第二验证集进行预测，得到每个预训练的回归模型对第二验证集的预测精度，并根据每个预训练的回归模型对第二验证集的预测精度，从n个预训练的回归模型中确定出第二预设数量个预训练的回归模型。

具体实现中，本申请实施例中所描述的处理器1000可执行图1实施例、图2实施例所描述的实现方式，也可执行本申请实施例所描述的实现方式，在此不再赘述。

在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以是两个或两个以上模块集成在一个模块中。上述集成的模块既可以采样硬件的形式实现，也可以采样软件功能模块的形式实现。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的计算机可读存储介质可为易失性的或非易失性的。例如，该计算机存储介质可以为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。所述的计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于本申请所涵盖的范围。