产品价格的预测方法、装置、计算机设备及存储介质与流程

本发明涉及网络技术领域，特别是涉及产品价格的预测方法、装置、计算机设备及存储介质。

背景技术：

产品价格是产品交易过程中的重要因素。产品价格容易受到产品成本、市场需求、竞争因素等的影响而波动。且历史时间段的产品价格往往对未来一段时间的产品价格会造成影响或具有一定的指导意义。因此可以根据历史的产品价格预测当前时刻或未来时刻的物品价格。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：目前产品价格的预测主要通过定性分析来进行，但是定性分析所得到的预测结果不够准确。

技术实现要素：

基于此，本发明实施例提供了产品价格的预测方法、装置、计算机设备及存储介质，能有效提高产品价格预测结果的准确性。

本发明实施例的内容如下：

一种产品价格的预测方法，包括以下步骤：通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标；通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定；根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

在其中一个实施例中，还包括：获取所述待预测产品对应的产品指标；对所述产品指标进行缺失值填补和/或归一化处理，得到处理后的产品指标；从所述处理后的产品指标中确定所述特征指标。

在其中一个实施例中，所述从所述处理后的产品指标中确定所述特征指标的步骤，包括：计算所述产品指标与本征指标的相关系数；所述本征指标用于标识所述待预测产品；将所述相关系数满足预设条件的产品指标确定为特征指标。

在其中一个实施例中，还包括：确定所述特征指标之间的方差膨胀因子，根据所述方差膨胀因子确定所述特征指标之间是否存在多重共线性；若存在多重共线性，则通过主成分分析法消除所述特征指标之间的多重共线性，得到处理后的特征指标；根据所述处理后的特征指标对应的特征数据构建所述基础预测模型。

在其中一个实施例中，所述根据所述处理后的特征指标对应的特征数据构建所述基础预测模型的步骤，包括：根据所述特征数据建立对应的多元线性回归模型、arima模型和/或神经网络模型，得到所述基础预测模型。

在其中一个实施例中，还包括：将所述特征数据输入到所述基础预测模型中，得到对应的预测值；将所述预测值与所述特征数据的实际值相减，得到所述特征指标的残差；根据所述特征指标的残差构建残差预测模型。

在其中一个实施例中，所述根据所述特征指标的残差构建残差预测模型的步骤，包括：对所述特征指标的残差进行支持向量机训练，得到所述残差预测模型。

相应的，本发明实施例提供一种产品价格的预测装置，包括：第一输入模块，用于通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标；第二输入模块，用于通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定；价格确定模块，用于根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

上述产品价格的预测方法及装置，将待预测产品的本征指标分别输入到基础预测模型和残差预测模型中，根据这两个预测模块的结果确定待预测产品的预测价格。特征指标是决定待预测产品的价格的指标，基础预测模型和残差预测模型都是与特征指标相关的模型，充分考虑到了待预测产品的各个相关指标，使得所得出的预测价格较为准确。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标；通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定；根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

上述计算机设备，特征指标是决定待预测产品的价格的指标，基础预测模型和残差预测模型都是与特征指标相关的模型，充分考虑到了待预测产品的各个相关指标，使得所得出的预测价格较为准确。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标；通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定；根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

上述计算机可读存储介质，特征指标是决定待预测产品的价格的指标，基础预测模型和残差预测模型都是与特征指标相关的模型，充分考虑到了待预测产品的各个相关指标，使得所得出的预测价格较为准确。

附图说明

图1为一个实施例中产品价格的预测方法的应用环境图；

图2为一个实施例中产品价格的预测方法的流程示意图；

图3为一个实施例中超平面的示意图；

图4为另一个实施例中产品价格的预测方法的流程示意图；

图5为一个实施例中产品价格的预测装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请提供的产品价格的预测方法可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储产品价格的预测方法的流程中所需要的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信，例如接收外部终端输入的本征指标。该计算机程序被处理器执行时实现一种产品价格的预测方法。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明实施例提供一种产品价格的预测方法、装置、计算机设备和存储介质。以下分别进行详细说明。

在一个实施例中，如图2所示，提供了一种产品价格的预测方法。以该方法应用于图1中的处理器端为例进行说明，包括以下步骤：

s201、通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标。

其中，待预测产品可以是各种能用价格衡量的产品，例如化工商品、金融产品等。

特征指标指的是能影响待预测产品的价格的指标，特征指标也可以是从影响待预测产品的价格的指标(此时这个指标可以称为产品指标)中选出来的具有代表性的指标。以待预测产品为混合芳烃为例，特征指标可以是波罗的海海运指数、苯乙烯、布伦特油、汽油等。这些特征指标的价格能在一定程度上影响混合芳烃的价格，因此可以根据这些特征指标来构建预测模型，进而预测待预测产品的价格。

通过基础预测模型预测待预测产品的价格的实现过程可以是将待预测产品的本征指标输入到基础预测模型中，根据基础预测模型的输出确定对应的基础预测价格。其中，本征指标是标识待预测产品的指标，可以是具体的产品名称、编号、型号、化学式等。处理器获取到待预测产品的本征指标后能将待预测产品与其他的产品区别开来。以待预测产品为化工产品中的混合芳烃为例，本征指标可以指“混合芳烃”这个化工产品名字。

s202、通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定。

进一步地，特征指标的残差的确定过程可以为：将特征指标对应的特征数据输入到基础预测模型中，得到对应的预测值；将预测值与特征数据的实际值相减，得到所述特征指标的残差。特征数据输入到基础预测模型中可以确定特征指标的基础预测价格(预测值)，将这个基础预测价格与特征数据的实际价格相减即可得到特征指标的残差。

s203、根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

这个步骤可以是将基础预测价格和残差预测价格进行一定的运算。将运算结果确定为待预测产品的预测价格。

当然，由于基础预测模型和残差预测模型是用于对待预测产品进行预测的，也可以不用在基础预测模型和残差预测模型中输入本征指标，直接启动对应的计算机设备就可以进行输出待预测产品的预测价格。另一方面，执行基础预测模型和残差预测模型可以通过同一计算机设备来实现，也可以通过不同的计算机设备来实现。

本实施例中，特征指标是决定待预测产品的价格的指标，基础预测模型和残差预测模型都是与特征指标相关的模型，充分考虑到了待预测产品的各个相关指标以及这些相关指标对待预测产品价格的影响，可以提高预测模型的预测精度，减少因数据非平稳性、非线性、波动性强而造成的误差；使得所得出的预测价格较为准确。

在一个实施例中，还包括：获取所述待预测产品对应的产品指标；对所述产品指标进行缺失值填补，得到处理后的产品指标；从所述处理后的产品指标中确定所述特征指标。

其中，产品指标指的是可以影响待预测产品的价格的相关指标。以待预测产品为混合芳烃为例，其产品指标可以包括波罗的海海运指数、乙烯、丙烷、苯乙烯(包含离岸价格)、布伦特油、纯苯(包含离岸价格)、异构二甲苯(包含离岸价格)、甲苯、美元指数、wti原油、石脑油(包含离岸价格)、汽油、甲醇等。这些产品指标对应的数据可以是价格、比值等，本发明实施例对产品指标对应的数据类型不做限制。

缺失值填补指的是将产品指标中所缺失的数据进行填补。归一化处理指的是将某一产品指标对应的数据进行归一化处理，使得产品指标对应的数据无量纲，进而可以直接与其他产品指标对应的数据进行比较。

对产品指标进行缺失值填补的实现过程可以为：假设xi为某一产品指标中的缺失值，采用移动平均插值法进行缺失值填补，选取xi前后三项的数据，计算这6个数据的平均值，这个平均值就确定为xi的值，实现公式为：

xi＝(xi-3+xi-2+xi-1+xi+1+xi+2+xi+3)/n

其中，n为xi-3、xi-2、xi-1、xi+1、xi+2、xi+3中的非零个数。

这样计算较于单项移动平均计算的结果更贴近缺失值的实际数值。

进一步地，除了对产品指标进行功能缺失值填补，还可以进行其他的数据处理过程，例如归一化处理和去噪处理等。

由于不同产品指标对应的数据往往具有不同的量纲和量纲单位，这样的情况会影响到价格分析的结果，且不同产品指标之间的数据无法做比较。为了消除产品指标之间的量纲影响，故对其进行数据标准化处理，以提高产品指标之间的可比性。对产品指标进行归一化处理并确定对应的特征指标的过程可以为：获取所述待预测产品对应的产品指标；对所述产品指标进行归一化处理，得到处理后的产品指标；从所述处理后的产品指标中确定所述特征指标。具体的归一化过程可以通过如下公式实现：

其中，xk′表示某一产品指标p归一化后的第k项数据，xk表示产品指标p归一化前的第k项数据，max为产品指标p对应的样本数据中的最大值，min为产品指标p对应的样本数据中的最小值。

进一步地，从所述处理后的产品指标中确定所述特征指标的步骤，包括：计算所述产品指标与本征指标的相关系数；所述本征指标用于标识所述待预测产品；将所述相关系数满足预设条件的产品指标确定为特征指标。

其中，产品指标和本征指标的相关系数可以根据产品指标对应的数据以及本征指标对应的价格(在计算相关系数之前，也可以对本征指标对应的价格进行归一化处理)来计算得到，这些数据可以是过去一段时间(这个时间段可以根据实际情况确定)的数据。相关系数所需满足的条件可以根据实际情况确定，例如可以是相关系数所需满足的最小阈值等。

以待预测产品为混合芳烃为例，确定特征指标的实现过程可以为：

从产品指标对应的数据和本征指标对应的价格中分别取n个数据。通过以下公式计算产品指标与本征指标的相关系数：

其中，ρ为相关系数，x为产品指标对应的数据，y为本征指标对应的价格，n为x、y的统计个数。

对各个产品指标对应的相关系数进行分析，将相关系数高于0.6的产品指标确定为特征指标。例如，混合芳烃选取的特征指标可以为：波罗的海海运指数、苯乙烯(包含离岸价格)、布伦特油、纯苯(包含离岸价格)、异构二甲苯(包含离岸价格)、甲苯、美元指数、wti原油、石脑油(包含离岸价格)、汽油。

本实施例提供的产品价格的预测方法具有以下效果：1、对产品指标对应的数据进行缺失值填补以及归一化处理，能使得产品指标对应的数据更加便于运算，提高模型构建过程的效率。2、根据产品指标与本征指标的相关系数从处理后的产品指标中确定特征指标，所确定的特征指标具有代表性，能保证所建立的基础预测模型和残差预测模型的可靠性，同时保证模型构建过程的效率。

在一个实施例中，产品指标对应的数据以及本征指标对应的价格都可以是过去一段时间内的数据，产品指标以及待预测产品对应的初始历史数据可以存放在初始历史数据库中，并定期更新。根据更新后的初始历史数据库也可以确定新的特征指标，并对基础预测模型和残差预测模型进行更新，使得待预测产品的预测价格更贴近实际值。

另外，在确定特征指标之后，也可以建立一个历史数据库，将这些特征指标以及对应的历史数据进行存储。同时可以定时触发所涉及的不同数据源的数据任务，实现历史数据库的定时更新。

本实施例通过接入不同数据源中涉及的特征指标，将其进行数据整合到一起，构建历史数据库，用于存储待预测产品以及特征指标在过去一段时间内的历史数据，系统每日定时更新数据。较于目前由分析人员登录不同数据源网站获取数据并逐个更新特征指标对应的数据更加及时、快速。

在一个实施例中，还包括：确定所述特征指标之间的方差膨胀因子，根据所述方差膨胀因子确定所述特征指标之间是否存在多重共线性；若存在多重共线性，则通过主成分分析法消除所述特征指标之间的多重共线性，得到处理后的特征指标；根据所述处理后的特征指标对应的特征数据构建所述基础预测模型。当然，如果特征指标之间不存在多重共线性或者多重共线性较弱时，可以直接使用现有的特征指标构建基础预测模型。

其中，多重共线性指的是线性回归模型中的解释变量之间存在的精确相关关系或高度相关关系，也即某一特征指标被其他特征指标所解释的程度，多重共线性可能使模型估计失真或难以估计准确。因此有必要确定特征指标之间是否存在多重共线性，并在存在多重共线性时予以消除，以保证所构建的基础预测模型的准确性。

确定多重共线性的实现过程可以为：

可以通过如下公式计算两特征指标之间的方差膨胀因子：

其中，vif为方差膨胀因子，为第i个特征指标与其余特征指标之间的判定系数。当0<vif<＝5时，表示特征指标之间没有共线性；当5<vif<＝10时，表示特征指标之间有较弱的多重共线性；当10<vif<＝100时，表示特征指标之间有中等或较强的多重共线性；当vif>＝100时，表示特征指标之间有严重的多重共线性。

当检验出特征指标之间具有多重共线性后，可以通过主成分分析法消除特征指标间的多重共线性；同时可以减少特征指标的个数(降低维数)，以提高基础预测模型的构建效率。主成分分析法采取降维的方法，通过确定少数几个综合因子即主成分能尽可能地反映原来变量的信息，且彼此之间互不相关。具体实现过程可以为：

假设特征指标为m个n维样本集d＝x⁽¹⁾,x⁽²⁾,......,x^(m))。现在需要通过主成分分析法消除多重共线性并将样本集的维数降为n′，最终得到的降维后的样本集d′。

1)对所有的样本进行中心化处理：

2)计算各个样本的协方差矩阵xx^t；

3)对协方差矩阵xx^t进行特征值分解；

4)确定最大的n′个特征值，并确定这些特征值对应的特征向量(w1,w2,…...,wn′)，将所有的特征向量标准化后，组成特征向量矩阵w；

5)对经过中心化处理的样本集中每一个样本x⁽ⁱ⁾在n′维坐标系中转化为新的样本z⁽ⁱ⁾＝w^tx⁽ⁱ⁾；如：是x⁽ⁱ⁾在低维坐标系(降维后的坐标系)里第j维的坐标；

6)得到m个n′维样本集d′＝(z⁽¹⁾,z⁽²⁾,......,z^(m))。

进一步地，根据所述处理后的特征指标对应的特征数据构建所述基础预测模型的步骤，包括：根据所述特征数据建立对应的多元线性回归模型、arima(autoregressiveintegratedmovingaveragemodel，差分整合移动平均自回归模型)模型和/或神经网络模型，得到所述基础预测模型。

以多元线性回归模型为例，利用特征数据进行多元回归线性预测分析，最终形成的基础预测模型可以为：

y＝β0+β1x1+β2x2+…+βixi；i＝1,2…....,n′

其中，y为基础预测模型的输出，xi为各个特征指标对应的特征数据，βi为各个特征指标对待预测产品的影响系数。通过计算多元线性回归模型，得出β1、β2、…、βi这些系数的值，根据系数的大小，能够很好地解释不同特征指标对待预测产品价格的影响程度，系数越大对待预测产品价格的影响程度越大，使得所得出的基础预测模型能准确地对待预测产品的价格进行预测。

本实施例，在通过主成分分析法消除特征指标之间的多重共线性之后，通过特定的方法构建对应的基础预测模型，所构建的基础预测模型具有较高的准确性。

在一个实施例中，还包括：将所述特征数据输入到所述基础预测模型中，得到对应的预测值；将所述预测值与所述特征数据的实际值相减，得到所述特征指标的残差；根据所述特征指标的残差构建残差预测模型。

进一步地，根据所述特征指标的残差构建残差预测模型的步骤，包括：对所述特征指标的残差进行支持向量机训练(svm)，得到所述残差预测模型。

假设将特征指标的特征数据输入到基础预测模型得到的预测值为y′；将预测值y′与实际测值相减，计算出残差，然后利用svm进行残差预测，步骤如下：

1)设特征指标对应的数据集为：s＝{(xi,yi),i＝1,2,...n},xi∈rⁿ,yi＝r(其中，r为实数集)。根据svm引入输入空间样本点xi、xj的核函数其中，是非线性函数。核函数对应的映射方式为：得出任意两个扩维后的样本点可以转化为三维空间，即将低维空间的非线性样本集映射向高维特征空间，从而将低维空间的非线性问题转化为高维特征空间的线性问题；

2)构造一个超平面w∈rⁿ,b∈r，超平面的示意图如图3所示。令|yi-f(xi)|≤ε,i＝1,2,....n，其中w为法方向，f(x)沿y轴依次上下平移精度ε(ε为事先假设的不敏感损伤函数)所扫过的区域为ε-带。如果|yi-f(xi)|<ε，则认为是没有精度损失的。在满足不敏感损伤函数ε的条件下，ε-带的间隔越大，可以包含的数据集中的点则越多，回归性能越好。

3)上下平移的间隔为2/||w||(如图3)，极大化间隔，即对间隔值取倒数的极小值，可以将建立回归函数的过程转化为如下的优化问题：

其中，约束条件为：

4)构建拉格朗日对偶函数：

其中，约束条件为：ai和为拉格朗日乘子；c(c>0)为惩罚参数，值越大对误分类的惩罚越大，值越小对误分类的惩罚越小。通过设置一系列的c值(如：c＝[0.001，0.01，0.1，1.10，100，1000])依次实验每个值的效果，从中选取最优效果的值；

解出残差预测模型为：

其中，

本实施例，根据特征指标的残差构建残差预测模型，这个残差预测模型能够对待预测产品的残差进行准确预测。由于基础预测模型可能会存在不准确的问题，残差预测模型可以认为是基础预测模型的一个补充，可以充分考虑到基础预测模型可能存在的结果不准确的问题，使得最终确定的待预测产品的预测价格足够准确。

如图4所示，为了更好地理解上述方法，以下预测混合芳烃的价格为例，详细阐述一个本发明产品价格的预测方法的应用实例。

s401、获取与混合芳烃的价格相关的产品指标：波罗的海海运指数、乙烯、丙烷、苯乙烯(包含离岸价格)、布伦特油、纯苯(包含离岸价格)、异构二甲苯(包含离岸价格)、甲苯、美元指数、wti原油、石脑油(包含离岸价格)、汽油、甲醇等。这些产品指标对应的数据可以是价格、比值等。

s402、对产品指标进行缺失值填补和归一化处理，得到处理后的产品指标。

s403、计算处理后的产品指标与本征指标对应的历史数据的相关系数，将相关系数大于0.6的产品指标确定为特征指标。

s404、当特征指标之间存在多重共线性时，通过主成分分析法去除多重共线性，并对特征指标进行降维处理，得到处理后的特征指标。

s405、将处理后的特征指标以4:1的比例随机划分为训练样本集和测试样本集。

s406、利用训练样本集进行多元回归线性预测分析，得到基础预测模型。

s407、将预测样本集输入到基础预测模型中，得到输出的序列预测值。

s408、将序列预测值与测试样本集的实际值相减，得到预测样本集的序列残差。

s409、对预测样本集的序列残差进行svm分析，得出对应的残差预测模型。

s410、启动基础预测模型来预测混合芳烃的价格，得到基础预测价格；启动残差预测模型来预测混合芳烃的价格，得到残差预测价格。

s411、将基础预测价格和残差预测价格求和，得到混合芳烃的预测价格。

本实施例，特征指标是决定待预测产品的价格的指标，基础预测模型和残差预测模型都是与特征指标相关的模型，充分考虑到了待预测产品的各个相关指标，使得所得出的预测价格较为准确，能用于提示化工商品市场的风险。以上，通过利用多元线性回归模型和svm模型分别对线性模型和非线性模型处理的优势，使其进行优势互补，将二者预测出的结果进行组合，得到了好于单一模型的预测结果，可以减少随机性带来的误差，提高数据非平稳、非线性的化工商品价格预测的精度。使得金融管理人员对于金融标的物未来的价格走势能够拥有更准确地把握。

需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。

基于与上述实施例中的产品价格的预测方法相同的思想，本发明还提供产品价格的预测装置，该装置可用于执行上述产品价格的预测方法。为了便于说明，产品价格的预测装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图5所述，产品价格的预测装置包括第一输入模块501、第二输入模块502和价格确定模块503，详细说明如下：

第一输入模块501，用于通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标。

第二输入模块502，用于通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定。

价格确定模块503，用于根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

本实施例，特征指标是决定待预测产品的价格的指标，基础预测模型和残差预测模型都是与特征指标相关的模型，充分考虑到了待预测产品的各个相关指标，使得所得出的预测价格较为准确。

在一个实施例中，还包括：产品指标获取模块，用于获取所述待预测产品对应的产品指标；产品指标处理模块，用于对所述产品指标进行缺失值填补和/或归一化处理，得到处理后的产品指标；特征指标确定模块，用于从所述处理后的产品指标中确定所述特征指标。

在一个实施例中，特征指标确定模块，包括：相关系数计算子模块，用于计算所述产品指标与本征指标的相关系数；所述本征指标用于标识所述待预测产品；特征指标确定子模块，用于将所述相关系数满足预设条件的产品指标确定为特征指标。

在一个实施例中，还包括：共线性判断模块，用于确定所述特征指标之间的方差膨胀因子，根据所述方差膨胀因子确定所述特征指标之间是否存在多重共线性；共线性消除模块，用于若存在多重共线性，则通过主成分分析法消除所述特征指标之间的多重共线性，得到处理后的特征指标；基础模型构建模块，用于根据所述处理后的特征指标对应的特征数据构建所述基础预测模型。

在一个实施例中，基础预测模型建立模块，还用于根据所述特征数据建立对应的多元线性回归模型、arima模型和/或神经网络模型，得到所述基础预测模型。

在一个实施例中，还包括：预测值确定模块，用于将所述特征数据输入到所述基础预测模型中，得到对应的预测值；残差确定模块，用于将所述预测值与所述特征数据的实际值相减，得到所述特征指标的残差；残差模型构建模块，用于根据所述特征指标的残差构建残差预测模型。

在一个实施例中，残差模型构建模块，还用于对所述特征指标的残差进行支持向量机训练，得到所述残差预测模型。

需要说明的是，本发明的产品价格的预测装置与本发明的产品价格的预测方法一一对应，在上述产品价格的预测方法的实施例阐述的技术特征及其有益效果均适用于产品价格的预测装置的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。

此外，上述示例的产品价格的预测装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述产品价格的预测装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标；通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定；根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述待预测产品对应的产品指标；对所述产品指标进行缺失值填补和/或归一化处理，得到处理后的产品指标；从所述处理后的产品指标中确定所述特征指标。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述产品指标与本征指标的相关系数；所述本征指标用于标识所述待预测产品；将所述相关系数满足预设条件的产品指标确定为特征指标。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定所述特征指标之间的方差膨胀因子，根据所述方差膨胀因子确定所述特征指标之间是否存在多重共线性；若存在多重共线性，则通过主成分分析法消除所述特征指标之间的多重共线性，得到处理后的特征指标；根据所述处理后的特征指标对应的特征数据构建所述基础预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述特征数据建立对应的多元线性回归模型、arima模型和/或神经网络模型，得到所述基础预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述特征数据输入到所述基础预测模型中，得到对应的预测值；将所述预测值与所述特征数据的实际值相减，得到所述特征指标的残差；根据所述特征指标的残差构建残差预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述特征指标的残差进行支持向量机训练，得到所述残差预测模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：通过预先建立的基础预测模型进行待预测产品的价格预测，得到基础预测价格；所述基础预测模型是根据特征指标构建的；所述特征指标包括决定所述待预测产品的价格的指标；通过预先建立的残差预测模型进行所述待预测产品的价格预测，得到残差预测价格；所述残差预测模型是根据所述特征指标的残差构建的；所述残差由所述特征指标输入所述基础预测模型得到的预测值确定；根据所述基础预测价格和所述残差预测价格，确定所述待预测产品的预测价格。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述待预测产品对应的产品指标；对所述产品指标进行缺失值填补和/或归一化处理，得到处理后的产品指标；从所述处理后的产品指标中确定所述特征指标。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述产品指标与本征指标的相关系数；所述本征指标用于标识所述待预测产品；将所述相关系数满足预设条件的产品指标确定为特征指标。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定所述特征指标之间的方差膨胀因子，根据所述方差膨胀因子确定所述特征指标之间是否存在多重共线性；若存在多重共线性，则通过主成分分析法消除所述特征指标之间的多重共线性，得到处理后的特征指标；根据所述处理后的特征指标对应的特征数据构建所述基础预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述特征数据建立对应的多元线性回归模型、arima模型和/或神经网络模型，得到所述基础预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述特征数据输入到所述基础预测模型中，得到对应的预测值；将所述预测值与所述特征数据的实际值相减，得到所述特征指标的残差；根据所述特征指标的残差构建残差预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对所述特征指标的残差进行支持向量机训练，得到所述残差预测模型。

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，作为独立的产品销售或使用。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。