业务预测方法以及装置与流程

本说明书涉及数据处理技术领域，特别涉及一种业务预测方法。本说明书同时涉及一种业务预测装置，一种计算设备，以及一种计算机可读存储介质。

背景技术：

随着互联网技术的发展，更多的业务项目都开启了高效率的业务数据处理模式，然而由于在一些特殊业务项目的场景中，还存在着效率低成本高的情况，例如在投资、交易、证券等场景中，为了能够保证日间的头寸余额和可用头寸余额充足，通常会调拨比较多的超额准备金，用于在目标时间区间所调用。然而多调拨进去的资金往往存在着利率低成本高的问题，并且在基于历史调用记录进行调拨预测的过程中，通常根据紧邻的前一段时间的数据以及前一段时间的预测值确定当前时间周期内的预测值，将会具有一定的局限性，并且依赖前一段时间(前一段时间是包含在当前时间周期内的时间节点)的数据(前一段时间的数据也是通过预测获得的)可能造成一定的误差累积问题，若前一段时间的预测结果出现偏差，会对当前时间周期内的预测结果产生更严重的影响，故亟需一种高效率、高精准的预测方法以解决上述问题。

技术实现要素：

有鉴于此，本说明书实施例提供了一种业务预测方法。本说明书同时涉及一种业务预测装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。

根据本说明书实施例的第一方面，提供了一种业务预测方法，包括：

获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据；

基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量；

将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据；

其中，所述神经网络设有编码层、解码层和全连接层，所述时间注意力张量由所述编码层进行编码处理获得业务特征，并经所述解码层对所述业务特征进行解码处理确定关联特征，所述关联特征由所述全连接层进行全连接处理获得所述目标时间对应的业务预测数据。

可选的，所述基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量，包括：

基于所述业务数据构建时间维度的第一业务注意力张量；

确定与所述业务数据相关联的所述关联数据，并基于所述关联数据构建所述时间维度的第二业务注意力张量；

将所述第一业务注意力张量以及所述第二业务注意力张量拼接为所述时间注意力张量。

可选的，所述获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据，包括：

获取所述历史业务数据，所述历史业务数据由业务数据特征和业务数据特征值组成；

选择所述历史业务数据中缺少所述业务数据特征的子历史业务数据组成第一业务数据，以及选择所述历史业务数据中缺少所述业务数据特征值的子历史业务数据组成第二业务数据；

基于所述第一业务数据以及所述第二业务数据对所述历史业务数据进行标准化处理获得所述业务数据。

可选的，所述基于所述第一业务数据以及所述第二业务数据对所述历史业务数据进行比标准化处理获得所述业务数据，包括：

确定所述第二业务数据中包含的子历史业务数据对应的时间区间，并选择与所述时间区间具有关联关系的预测时间区间对应的预测业务数据对所述第二业务数据中包含的子历史业务数据进行特征值填充处理；

根据对所述第二业务数据中包含的子历史业务数据的特征值填充处理结果生成第三业务数据；

基于所述第三业务数据对所述历史业务数据中组成所述第二业务数据的子历史业务数据进行更新，以及在所述历史业务数据中删除组成所述第一业务数据的子历史业务数据，确定所述业务数据。

可选的，对所述目标时间对应的业务数据进行预测的过程，包括：

将所述时间注意力张量输入至所述神经网络；

基于所述神经网络中设有的所述编码层对所述时间注意力张量进行编码处理，获得由子业务特征组成的所述业务特征；

根据所述神经网络中设有的所述解码层对所述业务特征中包含的子业务特征进行解码处理获得所述子业务特征之间的第一关联特征，以及基于所述时间注意力张量中的时间特征确定与所述目标时间之间的第二关联特征；

通过所述解码层中配置的前馈神经网络将所述第一关联特征和所述第二关联特征组合的所述关联特征映射到正态分布确定初始业务预测数据；

基于所述神经网络中设有的所述全连接层将所述初始业务预测数据全连接处理为所述业务预测数据。

可选的，所述将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据步骤执行之后，还包括：

根据所述业务预测数据确定所述目标时间对应的清算分布；

在资源库中提取与所述清算分布对应的准备资源值，所述准备资源值对应的准备资源用于在所述目标时间进行调用。

可选的，所述编码处理过程，包括：

确定所述时间注意力张量在查询维度对应的查询权重矩阵，标识维度对应的标识权重矩阵，以及特征维度对应的特征权重矩阵；

将所述时间注意力张量分别与所述查询权重矩阵、所述标识权重矩阵以及所述特征权重矩阵进行乘积，获得查询向量、标识向量和特征向量；

计算所述查询向量与所述标识向量二者的点积，并将点积结果按照标准化函数进行标准化处理后与所述特征向量相乘确定所述时间注意力张量对应的业务分值；

按照加权平均算法对所述业务分值进行编码处理获得所述业务特征。

可选的，所述神经网络通过如下方式训练：

在预先建立的训练集中选择样本业务数据，并确定所述样本业务数据对应的样本业务预测数据；

基于样本时间对所述样本业务预测数据添加标签，并将添加标签的样本业务预测数据以及所述样本业务数据作为训练样本；

将所述训练样本输入至基于所述样本业务数据以及样本业务预测数据之间的关联关系构建的神经网络进行训练，获得训练完成的所述神经网络。

可选的，在对所述神经网络进行训练的过程中，通过如下方式对所述神经网络进行验证：

按照验证规则判断所述神经网络的训练时间是否达到预设的时间阈值；

若是，在预先建立的验证集中提取验证业务数据以及与所述验证业务数据对应的验证业务预测数据，并确定所述验证业务预测数据的验证时间；

将所述验证业务数据输入至所述神经网络对所述验证时间对应的业务数据进行预测，获得所述神经网络输出的所述验证时间对应的目标业务预测数据；

基于所述目标业务预测数据与所述验证业务预测数据的比对结果确定对所述神经网络进行验证的验证结果。

可选的，所述基于所述目标业务预测数据与所述验证业务预测数据的比对结果确定对所述神经网络进行验证的验证结果子步骤执行之后，还包括：

根据所述验证结果确定所述神经网络的预测参数，并检测所述预测参数是否大于预设的参数阈值；

若是，基于所述神经网络的预测值和实际值确定损失函数，并根据所述损失函数对所述神经网络进行深度验证；

在深度验证结果满足深度验证条件的情况下，将所述神经网络进行存储。

根据本说明书实施例的第二方面，提供了一种业务预测装置，包括：

获取模块，被配置为获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据；

构建模块，被配置为基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量；

预测模块，被配置为将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据；

其中，所述神经网络设有编码层、解码层和全连接层，所述时间注意力张量由所述编码层进行编码处理获得业务特征，并经所述解码层对所述业务特征进行解码处理确定关联特征，所述关联特征由所述全连接层进行全连接处理获得所述目标时间对应的业务预测数据。

可选的，所述构建模块，包括：

第一构建单元，被配置为基于所述业务数据构建时间维度的第一业务注意力张量；

第二构建单元，被配置为确定与所述业务数据相关联的所述关联数据，并基于所述关联数据构建所述时间维度的第二业务注意力张量；

拼接单元，被配置为将所述第一业务注意力张量以及所述第二业务注意力张量拼接为所述时间注意力张量。

可选的，所述获取模块，包括：

获取单元，被配置为获取所述历史业务数据，所述历史业务数据由业务数据特征和业务数据特征值组成；

组成单元，被配置为选择所述历史业务数据中缺少所述业务数据特征的子历史业务数据组成第一业务数据，以及选择所述历史业务数据中缺少所述业务数据特征值的子历史业务数据组成第二业务数据；

处理单元，被配置为基于所述第一业务数据以及所述第二业务数据对所述历史业务数据进行比标准化处理获得所述业务数据。

可选的，所述处理单元，包括：

填充处理子模块，被配置为确定所述第二业务数据中包含的子历史业务数据对应的时间区间，并选择与所述时间区间具有关联关系的预测时间区间对应的预测业务数据对所述第二业务数据中包含的子历史业务数据进行特征值填充处理；

生成数据子模块，被配置为根据对所述第二业务数据中包含的子历史业务数据的特征值填充处理结果生成第三业务数据；

确定数据子模块，被配置为基于所述第三业务数据对所述历史业务数据中组成所述第二业务数据的子历史业务数据进行更新，以及在所述历史业务数据中删除组成所述第一业务数据的子历史业务数据，确定所述业务数据。

根据本说明书实施例的第三方面，提供了一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：

获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据；

基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量；

将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据。

根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现任意所述业务预测方法的步骤。

本说明书一实施例提供的业务预测方法，通过获取历史业务数据，并对所述历史业务数据进行标准化处理获得所述业务数据，实现了可以通过完整的数据对业务预测数据进行预测，避免缺失特征的数据或缺失特征值的数据对业务预测数据产生影响，并结合与所述业务数据相关联的关联数据构建所述时间注意力张量，最后将所述时间注意力张量输入至神经网络对所述业务数据进行预测，输出所述目标时间对应的业务预测数据，实现了可以从全局角度对任意时间的业务数据进行预测，提高了对所述业务数据进行预测的准确性，并且通过神经网络对业务数据进行预测，避免了数据丢失的情况发生的同时，更进一步的提高了业务数据预测过程的处理效率。

附图说明

图1是本说明书一实施例提供的一种业务预测方法的流程图；

图2是本说明书一实施例提供的一种业务预测方法中的注意力机制架构的示意图；

图3是本说明书一实施例提供的一种应用于资金管理场景中的业务预测方法的处理流程图；

图4是本说明书一实施例提供的一种业务预测装置的结构示意图；

图5是本说明书一实施例提供的一种计算设备的结构框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。

在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

首先，对本说明书一个或多个实施例涉及的名词术语进行解释。

多头注意力机制：(multi-headattention)，是利用多个查询，来平行地计算从输入信息中选取多个信息。每个注意力关注输入信息的不同部分。

张量：是一个定义在一些向量空间和一些对偶空间的笛卡儿积上的多重先行映射，其坐标是|n|维空间内，有|n|个分量的一种量，其中每个分量都是坐标的函数，而坐标变换时，这些分量也依照某些规则作线性变换；其中，标量为第零阶张量；向量为第一阶张量；矩阵为第二阶张量。

在本说明书中，提供了一种业务预测方法，本说明书同时涉及一种业务预测装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。

图1示出了根据本说明书一实施例提供的一种业务预测方法的流程图，具体包括以下步骤：

步骤102：获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据。

实际应用中，在根据历史业务数据预测目标时间的业务预测数据的过程中，通常是采用时序模型实现，而时序模型的预测过程是利用紧邻于目标时间前一段时间的数据以及前一段时间预测的值来确定目标时间的预测值，即确定目标时间的业务预测数据；只通过前一段时间的数据来预测目标时间的业务预测数据，具有一定的局限性，并且依赖前一段时间的数据可能造成一定的误差累计问题，若前一段时间的预测值存在误差，将会导致后续预测目标时间的业务预测数据产生更严重的偏差，并且由于时序模型是通过循环神经网络构建的，将会导致捕获各个时间段内数据之间的依赖关系的过程中，会存在数据丢失的情况发生，更进一步的导致了业务预测数据的准确性降低，很难做到预测出准确度较高的预测值，进而造成针对业务场景的资源调度的风险增高。

本说明书提供的业务预测方法，为了提高针对业务数据预测的准确率，以及提高所述业务数据预测过程的处理效率，通过获取历史业务数据，并对所述历史业务数据进行标准化处理获得所述业务数据，实现了可以通过完整的数据对业务预测数据进行预测，避免缺失特征的数据或缺失特征值的数据对业务预测数据产生影响，并结合与所述业务数据相关联的关联数据构建所述时间注意力张量，最后将所述时间注意力张量输入至神经网络对所述业务数据进行预测，输出所述目标时间对应的业务预测数据，实现了可以从全局角度对任意时间的业务数据进行预测，提高了对所述业务数据进行预测的准确性，并且通过神经网络对业务数据进行预测，避免发生业务数据在处理的过程中导致部分有用数据信息丢失的同时，更进一步的提高了业务数据预测过程的处理效率。

具体实施时，在通过注意力机制提高对所述业务数据进行预测的准确率和处理效率的情况下，进而使得业务数据所属的业务项目可以根据业务预测数据对业务相关服务进行部署，以避免业务项目的资源流动出现风险，并且减少在目标时间资源闲置而导致资源浪费的情况发生。

本说明书一实施例中所述历史业务数据具体是指与业务项目相关的历史数据，例如在资源管控项目中，历史业务数据即为资源管控项目的历史资源流动情况相关的数据；或者在资金调度项目中，历史业务数据即为资金调度项目的历史资金调度情况相关的数据；所述业务数据即为对所述历史业务数据进行标准化处理后获得的数据，其中，数据是由特征及其对应的值两部分组成，故标准化处理可以理解为对缺少特征值的数据填充特征值，或者对缺失特征的数据删除。

进一步的，为了使得后续对所述业务数据进行预测的准确率可以有效的提高，可以通过标准化处理的过程使得全量的历史业务数据转换为相同结构组成的数据，以便于进行后续的处理过程，本实施例的一个或多个实施方式中，标准化处理的过程如下所述：

获取所述历史业务数据，所述历史业务数据由业务数据特征和业务数据特征值组成；

选择所述历史业务数据中缺少所述业务数据特征的子历史业务数据组成第一业务数据，以及选择所述历史业务数据中缺少所述业务数据特征值的子历史业务数据组成第二业务数据；

基于所述第一业务数据以及所述第二业务数据对所述历史业务数据进行标准化处理获得所述业务数据。

具体的，所述业务数据特征具体是指与所述历史业务数据所属的业务项目相关联的特征，对应的所述业务数据特征值即为所述业务数据特征的特征值，例如在资源管理项目中，历史业务数据为资源管理项目的资源流动对应的数据，则对应的业务数据特征即为资源管理项目中的资源流出特征或资源流入特征，相应的所述业务数据特征值即为资源流出特征对应的特征值，或资源流入特征对应的特征值；

基于此，由于所述历史业务数据的数据量较多，即历史业务数据为多个时间区间对应的业务数据，故需要对多个时间区间对应的业务数据进行数据清洗，而在数据清洗的过程中，可能存在历史业务数据中缺少业务数据特征或业务数据特征值，此时需要对缺少业务数据特征值的历史业务数据做填充特征值处理，对缺少业务数据特征的历史业务数据做删除处理，故需要选择历史业务数据中缺少所述业务数据特征的子历史业务数据组成第一业务数据，以及选择所述历史业务数据中缺少所述业务数据特征值的子历史业务数据组成第二业务数据，再基于所述第一业务数据以及所述第二业务数据对所述历史业务数据进行标准化处理获得所述业务数据。

更进一步的，基于所述第一业务数据以及所述第二业务数据对所述历史业务数据进行标准化处理获得所述业务数据的过程，即为对历史业务数据做填充特征值处理或删除处理的过程，本实施例的一个或多个实施方式中，具体实现方式如下所述：

确定所述第二业务数据中包含的子历史业务数据对应的时间区间，并选择与所述时间区间具有关联关系的预测时间区间对应的预测业务数据对所述第二业务数据中包含的子历史业务数据进行特征值填充处理；

根据对所述第二业务数据中包含的子历史业务数据的特征值填充处理结果生成第三业务数据；

基于所述第三业务数据对所述历史业务数据中组成所述第二业务数据的子历史业务数据进行更新，以及在所述历史业务数据中删除组成所述第一业务数据的子历史业务数据，确定所述业务数据。

实际应用中，在对所述历史业务数据进行特征值填充处理的过程，首先需要确定所述第二业务数据中包含的子历史业务数据对应的时间区间，再选择与所述时间区间具有关联关系的预测时间区间对应的预测业务数据，最后基于所述预测业务数据对所述第二业务数据中包含的子历史业务数据进行调整特征值即可，根据填充处理结果生成所述第三业务数据；此时再基于所述第三业务数据对所述历史业务数据中组成所述第二业务数据的子历史业务数据进行更新，以及在所述历史业务数据中删除组成所述第一业务数据的子历史业务数据，即可确定所述业务数据。

具体实施时，所述第一业务数据具体是指由缺少业务数据特征的子历史业务数据组成的；所述第二业务数据具体是指由缺少业务数据特征值的子历史业务数据组成的；所述第三业务数据具体是指将第二业务数据中缺少的业务数据特征值进行填充处理后生成的；再基于所述第三业务数据对所述历史业务数据中组成所述第二业务数据的子历史业务数据进行更新，同时将历史业务数据中组成第一业务数据的子历史业务数据进行删除，即为对所述历史业务数据进行标准化处理的过程，根据标准化处理结果确定所述业务数据。

其中，所述第一业务数据可以理解为由缺少业务数据特征的子历史业务数据组成的集合；所述第二业务数据可以理解为由缺少业务数据特征值的子历史业务数据组成的集合；所述第三业务数据可以理解为对所述第二业务数据中包含的子历史业务数据进行处理后组成的集合。

此外，在对所述历史业务数据进行标准化处理的过程中，也可以只采用填充处理的方式进行标准化处理，或者只采用删除处理的方式进行标准化处理，比如全量历史业务数据存在三部分数据，第一部分的历史业务数据缺少业务数据特征，第二部分的历史业务数据缺少业务数据特征值，第三部分的历史业务数据为完成的数据，此时可以对第一部分和第二部分对应的历史业务数据进行删除处理，获得的业务数据即为由第三部分的历史业务数据组成；或者对第一部分的历史业务数据填充业务数据特征，对第二部分的历史业务数据填充业务数据特征值，获得的业务数据为经过填充处理的第一部分和第二部分对应的历史业务数据和第三部分对应的历史业务数据组成。

可见，在对所述业务数据进行预测之前，通过对所述历史业务数据进行业务数据特征值的填充，以及对所述历史业务数据进行业务数据特征的删除，实现对所述历史业务数据的标准化处理获得所述业务数据，可以有效的提高在后续进行业务数据预测的准确性，并且通过对所述历史业务数据进行标准化处理可以有效的避免出现数据不完整的子历史业务数据对预测过程产生影响。

步骤104：基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量。

具体的，在上述获取历史业务数据并进行标准化处理获得所述业务数据的基础上，进一步的，为了能够提高对后续神经网络对所述业务数据预测的准确性，可以结合时间维度的数据构建所述时间注意力张量，即所述关联数据即为在时间维度与所述业务数据相关联的数据，基于所述业务数据以及所述关联数据构建所述时间注意力张量。

进一步的，由于在对所述业务数据进行预测的过程中，是采用由多头注意力机制构建的神经网络进行预测的，故在将业务数据输入至所述神经网络之前，需要根据所述神经网络的输入和输出形式对所述业务数据进行构建相应的形式，故需要构建所述时间注意力张量，本实施例的一个或多个实施方式中，构建所述时间注意力张量的过程如下所述：

基于所述业务数据构建时间维度的第一业务注意力张量；

确定与所述业务数据相关联的所述关联数据，并基于所述关联数据构建所述时间维度的第二业务注意力张量；

将所述第一业务注意力张量以及所述第二业务注意力张量拼接为所述时间注意力张量。

具体的，所述第一业务注意力张量是根据所述业务数据构建的在时间维度的张量，所述第二业务注意力张量是根据与所述业务数据关联的关联数据在时间维度的张量，其中，所述关联数据具体是指与所述业务数据相关联的数据，所述关联数据可以理解为对所述神经网络输出的业务预测数据产生影响的数据。

例如，在资源管理项目中，业务数据是资源流入数据和资源流出数据，则业务数据关联的关联数据可以是时间数据，即在时间周期内流入资源和流出资源对应的数据；或者在资金调度项目中，业务数据是资金调度数据，则业务数据关联的关联数据可以是时间数据，即在时间周期内资金调出和调入对应的数据。

基于此，在构建时间维度的第一业务注意力张量和第二业务注意力张量的基础上，再将所述第一业务注意力张量以及所述第二业务注意力张量进行拼接，根据拼接结果确定所述时间注意力张量，即在时间维度确定输入所述神经网络的时间注意力张量。

例如，获取到的历史业务数据经过标准化处理确定的业务数据是分钟级别的张量，即24小时*60分钟的第一业务注意力张量是

再确定业务数据相关联的关联数据在分钟级别的第二业务注意力张量是

通过将第一业务注意力张量和第二业务注意力张量进行拼接，获得时间注意力张量是

实际应用中，在将所述第一业务注意力张量与所述第二业务注意力张量进行拼接的过程中，可以理解为将矩阵中同一列和同一行的元素中添加了业务数据相关联的关联数据对应的元素，使得可以将对业务预测数据存在影响的数据拼接到注意力张量中，可以使得所述神经网络的预测结果更加准确。

步骤106：将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据。

具体的，在上述基于所述业务数据以及所述关联数据构建所述时间注意力张量的基础上，进一步的，将所述时间注意力张量输入至所述神经网络，对所述目标时间的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据。

实际应用中，通过所述神经网络针对目标时间的业务数据进行预测的过程中，具体是指通过神经网络可以对目标时间的业务数据进行预测，业务项目可以根据预测出的目标时间对应的业务预测数据针对业务项目进行部署，例如，在资源管理项目中，预测出目标时间的资源流动量是m，则可以在目标时间之前准备出与资源流动量m相等的准备资源，以用于在目标时间可以针对资源的流动进行准备，避免资源过多浪费或者资源过少无法正常运行的情况发生。

具体实施时，所述神经网络设有编码层、解码层和全连接层，所述时间注意力张量由所述编码层进行编码处理获得业务特征，并经所述解码层对所述业务特征进行解码处理确定关联特征，所述关联特征由所述全连接层进行全连接处理获得所述目标时间对应的业务预测数据。

实际应用中，所述神经网络是基于多头注意力机制进行构建的，故所述神经网络设有所述解码层和所述编码层，其中，所述编码层的输入为所述时间注意力张量，通过使用多头注意力机制的技术来处理输入的张量，可以捕获到所述业务数据之间的依赖关系，此时获得所述编码层进行编码处理后的业务特征；再经过解码层结合业务特征进行解码处理确定业务数据之间的关联特征，此时将确定历史业务数据对应的各个时刻之间存在的关系，而此时解码层进行解码处理获得的关联特征即可对目标时间的业务预测数据进行预测，而为了达到业务预测数据的更准确性；

进一步的，通过神经网络中的前馈神经网络将其映射出一个高斯分布的两个参数，再根据两个参数确定最优的高斯分布(均值或者方差)，通过在最优的高斯分布中进行采样，得到关联特征的最终表达方式，之后再将关联特征与目标时间对应的特征(时间特征或者数据特征)进行结合，最后将结合结果由所述全连接层处理即可获得所述目标时间对应的所述业务预测数据。

具体实施时，在通过所述神经网络对所述业务数据进行预测的过程中，为了能够使得所述业务预测数据的准确性提高，本实施例的一个或多个实施方式中，对目标时间对应的业务预测数据的预测过程，通过如下方式实现：

将所述时间注意力张量输入至所述神经网络；

基于所述神经网络中设有的所述编码层对所述时间注意力张量进行编码处理，获得由子业务特征组成的所述业务特征；

根据所述神经网络中设有的所述解码层对所述业务特征中包含的子业务特征进行解码处理获得所述子业务特征之间的第一关联特征，以及基于所述时间注意力张量中的时间特征确定与所述目标时间之间的第二关联特征；

通过所述解码层中配置的前馈神经网络将所述第一关联特征和所述第二关联特征组合的所述关联特征映射到正态分布确定初始业务预测数据；

基于所述神经网络中设有的所述全连接层将所述初始业务预测数据全连接处理为所述业务预测数据。

实际应用中，所述神经网络中的编码层将对输入的时间注意力张量进行编码处理获得由子业务特征组成的业务特征，再根据解码层对子业务特征进行解码处理获得第一关联特征，以及基于所述时间注意力张量中的时间特征确定与所述目标时间之间的第二关联特征；其中，所述第一关联特征具体是指历史业务数据中各个历史时间对应的历史业务数据之间存在的关联特征，所述第二关联特征具体是指历史业务数据与目标时间存在的关联特征。

例如，资源管理项目对2019年12月1日至12月31日的准备资源进行预测，而在预测前采集的历史资源管理数据是2018年12月1日至2019年11月30日的数据，通过神经网络中的解码层确定历史资源管理数据之间存在的关系有历史资源管理数据呈周期性的平稳增长(每个月增长量趋近于相同)，则对应的第一关联特征即为资源管理数据增长特征，确定与2019年12月1日至12月31存在的关系有年终汇总资源管理数据(2018年12月1日至2018年12月31日对资源流动情况进行了统计)，则对应的第二关联特征即为资源管理数据统计特征。

基于此，再通过所述解码层中配置的所述前馈神经网络将所述第一关联特征和所述第二关联特征组合的所述关联特征映射到正态分布确定初始业务预测数据，所述初始业务预测数据具体是指已经对目标时间的业务预测数据预测出了一个预测值，而为了能够提高目标时间对应的业务预测数据的准确性，通过全连接层对所述初始业务预测数据进行全连接处理即可获得所述业务预测数据。

参见图2所示，时间注意力张量包括：fea1*y1，fea2*y2，fea3*y3，通过编码层对时间注意力张量进行编码处理，并根据编码层中配置的前馈神经网络对编码处理结果进行处理获得r1，r2和r3，再将r1，r2和r3输入到解码层，在解码层部分，首先对fea4，fea5和fea6进行解码处理获得r4，r5和r6，其中r4，r5和r6具体表示业务预测数据的特征，然后将预测业务数据的特征r4，r5和r6和r1，r2和r3进行attention操作，确定历史业务数据中对对业务预测数据作用最大的历史业务数据，获得的c4，c5和c6即为业务预测数据新的特征表示(即c4，c5和c6为新特征分布的两个参数)，而此时神经网络输出的新的特征标识可能不具有确定性；

基于此，此时将采用正态分布对其进行表示，即通过神经网络的前馈神经网络将其映射出正态分布的两个参数(方差和均值)，再对正态分布进行采样获得能够更加准确的表达目标时间对应的业务预测数据的特征表示z4，z5和z6，将采样后的业务预测数据的特征表示z4，z5和z6与之前获得的r4，r5和r6进行结合，得到目标时间的目标业务预测数据的所有信息，最后再由全连接层进行映射，得到的最终结果即为目标时间对应的业务预测数据y4，y5和y6，输出的形式与输入的形式相同。

通过在对所述目标时间的业务数据进行预测的过程中，采用多头注意力机制构建的神经网络进行预测，实现了可以建立全局数据之间的关系，有效的提高了对所述目标时间的业务数据进行预测的准确性，并且通过使用多头注意力机制构建的神经网络替换循环神经网络，可以有效避免数据的丢失情况发生，更进一步的提高了业务数据预测的处理效率。

实际应用中，所述神经网络的输出可以分为线性部分和非线性部分，其中，非线性输出主要由解码层和编码层两部分组成，解码层和编码层的非线性输出部分可参见上述关于解码层和编码层处理过程相应的描述，本实施例在此不作过多赘述；

基于此，对于神经网络的线性部分，采用自回归模型进行处理，而自回归模型进行处理的过程即为预测日期紧邻的前一段时间的业务预测数据，对其进行加权求和，而线性部分的输出可以通过公式(1)进行表示，公式(1)：

其中，c表示常数项，xt-i表示目标时间的前i天的业务数据对应的数据值，ai表示与xt-i对应的自相关系数，p表示选择的历史业务数据对应的时间周期，εt表示一个随机误差项，xt表示加权求和结果；通过利用神经网络将该线性部分实现，使得可以通过神经网络训练过程获取最优的自相关系数(ai)，使得最终神经网络的线性输出和非线性输出进行求和，即可得到神经网络输出的目标时间对应的业务预测数据。

本实施例的一个或多个实施方式中，通过所述神经网络中设有的编码层对所述时间注意力张量进行编码处理的过程中，具体实现方式如下所述：

确定所述时间注意力张量在查询维度对应的查询权重矩阵，标识维度对应的标识权重矩阵，以及特征维度对应的特征权重矩阵；

将所述时间注意力张量分别与所述查询权重矩阵、所述标识权重矩阵以及所述特征权重矩阵进行乘积，获得查询向量、标识向量和特征向量；

计算所述查询向量与所述标识向量二者的点积，并将点积结果按照标准化函数进行标准化处理后与所述特征向量相乘确定所述时间注意力张量对应的业务分值；

按照加权平均算法对所述业务分值进行编码处理获得所述业务特征。

实际应用中，首先通过所述解码层确定所述时间注意力张量对应的查询权重矩阵(wq)、标识权重矩阵(wk)以及特征权重矩阵(wv)，此时将时间注意力张量分别与wq、wk和wv进行乘积，将获得所述查询维度对应的查询向量(q)，标识维度对应的标识向量(k)，以及所述特征维度对应的特征向量(v)，此时将得到所述时间注意力张量对应的各个维度的向量，再根据各个维度的向量计算所述时间注意力张量对应的业务分值，通过计算查询向量和标识向量二者的点击确定针对时间注意力张量的初始业务分值；

进一步的，再根据出书业务分值按照标准化函数进行标准化处理后与所述特征向量相乘确定所述时间注意力张量对应的业务分值；最后按照加权平均算法对所述业务分值进行编码处理即可获得所述业务特征。

具体实施时，编码处理的过程可以理解为第一步计算时间注意力张量分别与查询权重矩阵(wq)、标识权重矩阵(wk)以及特征权重矩阵(wv)的乘积，再经过编码处理获得业务特征，实际应用中可以通过公式(2)实现，公式(2)：

其中，z表示业务特征，q表示查询权重矩阵与时间注意力张量二者的乘积，k表示标识权重矩阵与时间注意力张量二者的乘积，v表示特征权重矩阵与时间注意力张量二者的乘积，d表示系数。

具体实施时，在应用所述神经网络对目标时间的业务数据进行预测的过程中，需要提前对所述神经网络进行训练，通过使用训练好的神经网络才能够预测出准确的业务预测数据，本实施例的一个或多个实施方式中，所述神经网络的具体训练过程如下所述：

在预先建立的训练集中选择样本业务数据，并确定所述样本业务数据对应的样本业务预测数据；

基于样本时间对所述样本业务预测数据添加标签，并将添加标签的样本业务预测数据以及所述样本业务数据作为训练样本；

将所述训练样本输入至基于所述样本业务数据以及样本业务预测数据之间的关联关系构建的神经网络进行训练，获得训练完成的所述神经网络。

实际应用中，在对所述神经网络进行训练的过程中，为了能够获得预测准确率较好的神经网络，预先设定训练集，在训练集中包含大量训练神经网络的训练样本，首先通过在所述训练集中选择样本业务数据，同时确定所述样本业务数据样本业务预测数据，所述样本业务数据具体是指神经网络的输入，所述样本业务预测数据具体是指神经网络的输出，即神经网络的预测结果；

基于此，再基于样本时间对所述样本业务预测数据进行添加标签，基于添加标签样本业务预测数据以及所述样本业务数据组成训练样本，将所述训练样本输入至基于所述样本业务数据以及样本业务预测数据之间的关联关系构建的神经网络进行训练，即可获得训练完成的所述神经网络。

进一步的，在对所述神经网络进行训练的过程中，由于神经网络会随着训练的时长，而使得神经网络预测的准确性也会随着发生变化，并不是随着训练的时间越长预测的效果越好，可能出现在某一时神经网络的预测效果达到最好，而随着在对神经网络进行训练，而导致神经网络的预测效果下降，此时为了能够使用预测效果最好的神经网络，可以每隔设定时间对训练过程中的神经网络进行验证，根据验证结果选择效果最优的神经网络进行使用，本实施例的一个或多个实施方式中，对训练过程中的神经网络进行验证的过程如下所述：

按照验证规则判断所述神经网络的训练时间是否达到预设的时间阈值；

若否，不作任何处理；

若是，在预先建立的验证集中提取验证业务数据以及与所述验证业务数据对应的验证业务预测数据，并确定所述验证业务预测数据的验证时间；

将所述验证业务数据输入至所述神经网络对所述验证时间对应的业务数据进行预测，获得所述神经网络输出的所述验证时间对应的目标业务预测数据；

基于所述目标业务预测数据与所述验证业务预测数据的比对结果确定对所述神经网络进行验证的验证结果。

具体的，所述验证规则具体是指对所述神经网络进行验证的规则，基于所述验证规则判断所述神经网络的训练时间是否达到预设的时间阈值；若否，说明所述神经网络还处于训练的过程中，不作任何处理即可；若是，说明所述神经网络此时的训练时间达到的验证时间，需要对当前神经网络的预测效果进行验证；

基于此，根据预先建立的验证集，在验证集中提取验证业务数据以及与所述验证业务数据对应的验证业务预测数据，所述验证业务数据具体是指神经网路的输出，所述验证业务预测数据具体是指对业务数据进行预测输出的标准结果；此时将所述验证业务预测数据输入至当前时间节点的神经网络中进行业务预测，获得所述神经网络输出的所述验证时间对应的目标业务预测数据，再将所述目标业务预测数据与所述验证业务预测数据进行比对，若所述目标业务预测数据与所述验证业务预测数据之间存在的差异较小的情况下，说明此时的神经网络训练效果较好，可以将神经网络存储以进行使用；若所述目标业务预测数据与所述验证业务预测数据之间存在的差异较大的情况下，说明此时的神经网络训练效果较差，继续对神经网络进行训练。

例如，在资源管理项目中，神经网络将基于历史资源流动数据预测目标时间的预测资源流动数据，而在预测之前需要对神经网络进行训练，按照验证规则确定神经网络的训练时间达到预设的时间阈值，此时将在预先建立的验证集中选择验证数据对神经网络进行验证，通过在验证集中提取验证数据确定验证资源流动数据，对应的验证预测资源流动数据是1亿资源，通过将验证资源流动数据输入至神经网络，获得神经网络输出的目标预测资源流动数据为0.98亿资源，此时可以确定验证预测资源流动数据与目标预测资源流动数据的差异是较小的，可以确定此时的神经网络预测效果较好。

实际应用中，所述预设的时间阈值可以根据实际应用场景进行设定，并且根据所述目标业务预测数据与所述验证业务预测数据的比对结果确定对所述神经网络进行验证的验证结果的过程中，比对结果可以通过所述目标业务预测数据与所述验证业务预测数据二者的相似度进行确定，相似度越高说明神经网络的预测结果越好，反之相似度越低说明神经网络的预测结果越差，而二者的相似度的设定也可以根据实际应用场景进行设定，本实施例在此不作任何限定。

通过按照验证规则对训练过程中的神经网络进行验证，可以随时把控被训练的神经网络的预测效果，能够及时发现预测效果较好的神经网络，以方便选择最优的神经网络用于对所述业务数据进行预测。

更进一步的，在基于所述目标业务预测数据与所述验证业务预测数据的比对结果确定对所述神经网络进行验证的验证结果的基础上，为了能够更进一步的选择出能够应用于业务项目场景的神经网络，还可以通过损失函数对验证结果较好的神经网络进行进一步的筛选，选择出最优质的神经网络存储，方便进行调用，本实施例的一个或多个实施方式中，所述神经网络的更进一步的筛选过程如下所述：

根据所述验证结果确定所述神经网络的预测参数，并检测所述预测参数是否大于预设的参数阈值；

若否，继续对神经网络进行训练；

若是，基于所述神经网络的预测值和实际值确定损失函数，并根据所述损失函数对所述神经网络进行深度验证；

在深度验证结果满足深度验证条件的情况下，将所述神经网络进行存储。

具体的，所述预测参数用于体现训练过程中的神经网络被验证之后的验证结果的优异度，基于所述预测参数判断是否大于预设的参数阈值，若否，说明此时的神经网络还不是最优的神经网络，则继续对神经网络进行训练即可；若是，说明此时的神经网络通过的初步的验证，则基于所述神经网络的预测值和实际值确定损失函数，并根据所述损失函数再次对所述神经网络进行更深层次的深度验证，若在深度验证结果满足深度验证条件的情况下，此时表明所述神经网络可以进行使用，则将所述神经网络进行存储用便于在被使用时调用即可。

实际应用中，对所述神经网络进行训练的过程可以理解为通过定义一个目标函数来表示预测值和实际值之间的差距，而目标函数即为损失函数，而神经网络的训练过程即为降低损失函数的值，当损失函数的值最低时则表明此时的神经网络的预测结果是最好的。

具体实施时，在获得所述神经网络输出的目标时间对应的业务预测数据基础上，进一步的，将结合所述业务预测数据对资源进行调度，本实施例的一个或多个实施方式中，资源调度的过程如下所述：

根据所述业务预测数据确定所述目标时间对应的清算分布；

在资源库中提取与所述清算分布对应的准备资源值，所述准备资源值对应的准备资源用于在所述目标时间进行调用。

具体的，所述清算分布具体是指在所述目标时间所述历史业务数据所属的业务项目的清算分布，此时将基于所述清算分布在所述资源库中提取对应的准备资源值，所述准备资源值对应的准备资源用于在所述目标时间进行调用；其中，所述准备资源值可以是准备被调度的资源或者资金等。

例如，在资源管理项目中，通过神经网络确定2019年12月1日的业务预测数据是10亿资源，此时将根据业务预测数据10亿资源准备相应的10亿准备资源，在到达2019年12月1日的时间的情况下，可以针对资源管理项目的资源流动情况调用这10亿资源。

通过根据所述业务预测数据确定清算分布，再通过在资源库中提取与所述清算分布对应的准备资源值，实现了可以在未达到所述目标时间之前，准备出合适的资源值以用于在目标时间所调用，避免出现准备过多的资源而造成资源浪费的情况，以及准备过少资源而造成资源断裂的情况发生。

本说明书提供的业务预测方法，通过获取历史业务数据，并对所述历史业务数据进行标准化处理获得所述业务数据，实现了可以通过完整的数据对业务预测数据进行预测，避免缺失特征的数据或缺失特征值的数据对业务预测数据产生影响，并结合与所述业务数据相关联的关联数据构建所述时间注意力张量，最后将所述时间注意力张量输入至神经网络对所述业务数据进行预测，输出所述目标时间对应的业务预测数据，实现了可以从全局角度对任意时间的业务数据进行预测，提高了对所述业务数据进行预测的准确性，并且通过神经网络对业务数据进行预测，避免了数据丢失的情况发生的同时，更进一步的提高了业务数据预测过程的处理效率，同时基于所述业务预测数据提取准备资源值，以避免业务项目的资源流动出现风险，减少在目标时间资源闲置而导致资源浪费的情况发生。

下述结合附图3，以本说明书提供的业务预测方法在资金管理场景中的应用为例，对所述业务预测方法进行进一步说明。其中，图3示出了本说明书一实施例提供的一种应用于资金管理场景中的业务预测方法的处理流程图，具体包括以下步骤：

步骤302：在训练集中选择样本业务数据以及与样板业务数据对应的样本业务预测数据。

具体的，在资金管理场景中，需要对目标时间2019年12月20日的准备资金进行预测，以实现可以在目标时间之前准备出准备资金，用于在目标时间可以针对资金管理项目中的资金的流入和流出进行调拨准备资金，避免发生资金准备不充足而导致资金断裂或者资金准备过多而导致浪费的情况发生。

基于此，在针对目标时间的准备资金进行预测的过程中，需要结合神经网络预测出目标时间的资金流动次数，根据流动次数确定准备资金，而神经网络需要经过训练才能够使用。

步骤304：基于样本时间对样本业务预测数据添加标签，并将添加标签的样本业务预测数据以及样本业务数据作为训练样本。

步骤306：将训练样本输入至神经网路进行训练。

步骤308：按照验证规则判断神经网络的训练时间是否达到预设的时间阈值；若否，则执行步骤310；若是，则执行步骤312。

步骤310：继续对神经网络进行训练。

步骤312：在验证集中提取验证业务数据以及验证业务预测数据，并确定验证业务预测数据对应的验证时间。

步骤314：将验证业务数据输入至神经网络对验证时间的业务数据进行预测，输出验证时间对应的目标业务预测数据。

步骤316：将目标业务预测数据与验证业务预测数据进行比对，根据比对结果确定最优神经网络。

具体的，在对神经网络进行训练的过程中，为了能够获得预测效果最好的神经网络，在资金管理项目预设的验证集中提取验证业务数据以及对应的验证业务预测数据，同时确定验证业务预测数据对应的验证时间；

此时，将验证业务数据输入至神经网络中对验证时间的业务数据进行预测，获得神经网络输出的目标业务预测数据，此时将目标业务预测数据与验证业务预测数据进行比对，根据比对结果确定神经网络的预测效果，可以通过计算验证业务预测数据与目标业务预测数据之间的相似度，相似度越高说明神经网络的预测效果越好，反之相似度越低说明神经网络的预测效果越差。

进一步的，此时将根据目标业务预测数据与验证业务预测数据的比对结果对神经网络进行调优，调优的过程可以是继续对神经网络进行训练或者选择出预测效果较好的神经网络确定为最优神经网络，此时最优神经网络即可用于后续资金管理项目的预测过程。

步骤318：获取资金管理项目的历史资金流动数据，并对历史资金流动数据进行标准化处理获得资金流动数据。

步骤320：基于资金流动数据以及资金流动数据关联的时间数据构建时间注意力张量。

步骤322：将时间注意力张量输入至最优神经网络对目标时间的资金流动数据进行预测，输出目标时间对应的资金预测流动数据。

具体的，资金预测流动数据具体是指在目标时间所可能发生的资金流入次数或资金流出次数。

步骤324：根据资金预测流动数据确定准备资金。

具体的，确定在2019年12月20日的资金流动总次数为10000次，根据资金流动次数确定在目标时间可能需要调用的资金有10亿元，此时将准备10亿元的准备资金用于在目标时间进行备用，避免提高资金流动风险。

本说明书提供的业务预测方法，实现了可以从全局角度对任意时间的业务数据进行预测，提高了对所述业务数据进行预测的准确性，并且通过神经网络对业务数据进行预测，避免了数据丢失的情况发生的同时，更进一步的提高了业务数据预测过程的处理效率，同时基于业务预测数据提取准备资金，以避免资金流动出现风险，减少在目标时间资金闲置而导致资金浪费的情况发生。

与上述方法实施例相对应，本说明书还提供了业务预测装置实施例，图4示出了本说明书一实施例提供的一种业务预测装置的结构示意图。如图4所示，该装置包括：

获取模块402，被配置为获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据；

构建模块404，被配置为基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量；

预测模块406，被配置为将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据；

其中，所述神经网络设有编码层、解码层和全连接层，所述时间注意力张量由所述编码层进行编码处理获得业务特征，并经所述解码层对所述业务特征进行解码处理确定关联特征，所述关联特征由所述全连接层进行全连接处理获得所述目标时间对应的业务预测数据。

一个可选的实施例中，所述构建模块404，包括：

第一构建单元，被配置为基于所述业务数据构建时间维度的第一业务注意力张量；

第二构建单元，被配置为确定与所述业务数据相关联的所述关联数据，并基于所述关联数据构建所述时间维度的第二业务注意力张量；

拼接单元，被配置为将所述第一业务注意力张量以及所述第二业务注意力张量拼接为所述时间注意力张量。

一个可选的实施例中，所述获取模块402，包括：

获取单元，被配置为获取所述历史业务数据，所述历史业务数据由业务数据特征和业务数据特征值组成；

组成单元，被配置为选择所述历史业务数据中缺少所述业务数据特征的子历史业务数据组成第一业务数据，以及选择所述历史业务数据中缺少所述业务数据特征值的子历史业务数据组成第二业务数据；

处理单元，被配置为基于所述第一业务数据以及所述第二业务数据对所述历史业务数据进行比标准化处理获得所述业务数据。

一个可选的实施例中，所述处理单元，包括：

填充处理子模块，被配置为确定所述第二业务数据中包含的子历史业务数据对应的时间区间，并选择与所述时间区间具有关联关系的预测时间区间对应的预测业务数据对所述第二业务数据中包含的子历史业务数据进行特征值填充处理；

生成数据子模块，被配置为根据对所述第二业务数据中包含的子历史业务数据的特征值填充处理结果生成第三业务数据；

确定数据子模块，被配置为基于所述第三业务数据对所述历史业务数据中组成所述第二业务数据的子历史业务数据进行更新，以及在所述历史业务数据中删除组成所述第一业务数据的子历史业务数据，确定所述业务数据。

一个可选的实施例中，对所述目标时间对应的业务数据进行预测的过程，包括：

输入单元，被配置为将所述时间注意力张量输入至所述神经网络；

编码单元，被配置为基于所述神经网络中设有的所述编码层对所述时间注意力张量进行编码处理，获得由子业务特征组成的所述业务特征；

解码单元，被配置为根据所述神经网络中设有的所述解码层对所述业务特征中包含的子业务特征进行解码处理获得所述子业务特征之间的第一关联特征，以及基于所述时间注意力张量中的时间特征确定与所述目标时间之间的第二关联特征；

确定单元，被配置为通过所述解码层中配置的前馈神经网络将所述第一关联特征和所述第二关联特征组合的所述关联特征映射到正态分布确定初始业务预测数据；

处理业务数据单元，被配置为基于所述神经网络中设有的所述全连接层将所述初始业务预测数据全连接处理为所述业务预测数据。

一个可选的实施例中，所述业务预测装置，还包括：

确定清算分布模块，被配置为根据所述业务预测数据确定所述目标时间对应的清算分布；

提取模块，被配置为在资源库中提取与所述清算分布对应的准备资源值，所述准备资源值对应的准备资源用于在所述目标时间进行调用。

一个可选的实施例中，所述编码处理过程，包括：

确定矩阵单元，被配置为确定所述时间注意力张量在查询维度对应的查询权重矩阵，标识维度对应的标识权重矩阵，以及特征维度对应的特征权重矩阵；

乘积单元，被配置为将所述时间注意力张量分别与所述查询权重矩阵、所述标识权重矩阵以及所述特征权重矩阵进行乘积，获得查询向量、标识向量和特征向量；

计算单元，被配置为计算所述查询向量与所述标识向量二者的点积，并将点积结果按照标准化函数进行标准化处理后与所述特征向量相乘确定所述时间注意力张量对应的业务分值；

编码处理单元，被配置为按照加权平均算法对所述业务分值进行编码处理获得所述业务特征。

一个可选的实施例中，所述神经网络通过如下方式训练：

在预先建立的训练集中选择样本业务数据，并确定所述样本业务数据对应的样本业务预测数据；

基于样本时间对所述样本业务预测数据添加标签，并将添加标签的样本业务预测数据以及所述样本业务数据作为训练样本；

将所述训练样本输入至基于所述样本业务数据以及样本业务预测数据之间的关联关系构建的神经网络进行训练，获得训练完成的所述神经网络。

一个可选的实施例中，在对所述神经网络进行训练的过程中，通过如下方式对所述神经网络进行验证：

按照验证规则判断所述神经网络的训练时间是否达到预设的时间阈值；

若是，在预先建立的验证集中提取验证业务数据以及与所述验证业务数据对应的验证业务预测数据，并确定所述验证业务预测数据的验证时间；

将所述验证业务数据输入至所述神经网络对所述验证时间对应的业务数据进行预测，获得所述神经网络输出的所述验证时间对应的目标业务预测数据；

基于所述目标业务预测数据与所述验证业务预测数据的比对结果确定对所述神经网络进行验证的验证结果。

一个可选的实施例中，所述基于所述目标业务预测数据与所述验证业务预测数据的比对结果确定对所述神经网络进行验证的验证结果子步骤执行之后，还包括：

根据所述验证结果确定所述神经网络的预测参数，并检测所述预测参数是否大于预设的参数阈值；

若是，基于所述神经网络的预测值和实际值确定损失函数，并根据所述损失函数对所述神经网络进行深度验证；

在深度验证结果满足深度验证条件的情况下，将所述神经网络进行存储。

本说明书提供的业务预测装置，通过获取历史业务数据，并对所述历史业务数据进行标准化处理获得所述业务数据，实现了可以通过完整的数据对业务预测数据进行预测，避免缺失特征的数据或缺失特征值的数据对业务预测数据产生影响，并结合与所述业务数据相关联的关联数据构建所述时间注意力张量，最后将所述时间注意力张量输入至神经网络对所述业务数据进行预测，输出所述目标时间对应的业务预测数据，实现了可以从全局角度对任意时间的业务数据进行预测，提高了对所述业务数据进行预测的准确性，并且通过神经网络对业务数据进行预测，避免了数据丢失的情况发生的同时，更进一步的提高了业务数据预测过程的处理效率，同时基于所述业务预测数据提取准备资源值，以避免业务项目的资源流动出现风险，减少在目标时间资源闲置而导致资源浪费的情况发生。

上述为本实施例的一种业务预测装置的示意性方案。需要说明的是，该业务预测装置的技术方案与上述的业务预测方法的技术方案属于同一构思，业务预测装置的技术方案未详细描述的细节内容，均可以参见上述业务预测方法的技术方案的描述。

图5示出了根据本说明书一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。

计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。

在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备500还可以是移动式或静止式的服务器。

其中，处理器520用于执行如下计算机可执行指令：

获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据；

基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量；

将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据。

上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的业务预测方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述业务预测方法的技术方案的描述。

本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：

获取历史业务数据，并对所述历史业务数据进行标准化处理获得业务数据；

基于所述业务数据以及与所述业务数据相关联的关联数据构建时间注意力张量；

将所述时间注意力张量输入至神经网络对目标时间对应的业务数据进行预测，获得所述神经网络输出的所述目标时间对应的业务预测数据。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的业务预测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述业务预测方法的技术方案的描述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故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，本说明书并不受所描述的动作顺序的限制，因为依据本说明书，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。