预测模型的训练方法和装置、价格预测方法和装置与流程

1.本技术涉及人工智能领域，特别是涉及一种预测模型的训练方法和装置、价格预测方法和装置。


背景技术：

2.黄金作为金融市场中重要的配置资产，对整个金融宏观市场有着重要影响。由于许多人都利用黄金的价格走势来判断市场对冲风险的情绪、衡量市场风险，找到对黄金的价格走势进行精准预测的方法对金融决策意义重大。
3.当前，业界的主流黄金价格预测模型是统计模型。统计模型通过收集大量的历史黄金价格信息，通过统计学方法预测黄金的未来价格走势。由于统计模型需要的数据量较大，难以推广，基于此，业界提出了使用人工智能模型对黄金价格进行预测的方法，例如采用时间序列预测模型、线性回归模型进行预测等。
4.然而，现有的人工智能模型在预测黄金价格时，普遍存在预测精度较低的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种预测模型的训练方法和装置、价格预测方法和装置。
6.第一方面，本技术提供了一种预测模型的训练方法。所述方法包括：
7.从多个目标对象的样本价格关联数据中，获取各指标特征对应的价格指标数据；
8.采用特征权重算法，根据各所述指标特征对应的所述价格指标数据，从全部所述指标特征中确定初始价格特征；
9.根据各所述初始价格特征对应的所述价格指标数据，从全部所述初始价格特征中确定目标价格特征；
10.根据所述目标价格特征对应的所述价格指标数据，构建训练集，并通过所述训练集对初始预测模型进行训练，得到所述预测模型。
11.在其中一个实施例中，所述通过所述训练集对初始预测模型进行训练，得到所述预测模型，包括：
12.在通过所述训练集训练所述预测模型对应的初始预测模型的过程中，采用粒子群算法确定所述预测模型的最优超参数，并在采用粒子群算法确定所述预测模型的最优超参数的过程中，实时基于粒子运动过程中的历史数据，更新所述粒子群算法中的惯性因子，采用更新后的所述粒子群算法确定所述预测模型的最优超参数。
13.在其中一个实施例中，所述实时基于粒子运动过程中的历史数据，更新所述粒子群算法中的惯性因子，包括：
14.根据所述粒子运动过程中的历史数据，确定所述粒子在运动过程中的历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值；
15.根据所述历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史
最大目标值，确定第一惯性因子调整值；
16.将所述历史最小惯性因子与所述第一惯性因子调整值的和，作为所述粒子群算法在当前时刻的惯性因子。
17.在其中一个实施例中，所述预测模型至少包括两个价格预测模型，所述方法还包括：
18.确定各所述价格预测模型的精度；
19.根据各所述价格预测模型的精度，确定各所述价格预测模型的预测权重，以在采用所述预测模型进行目标对象价格的预测时，根据各所述价格预测模型的预测权重对各所述价格预测模型的初步预测结果进行融合处理，得到最终预测结果。
20.第二方面，本技术还提供了一种价格预测方法。所述方法包括：
21.从目标对象的多个价格指标数据中，确定目标价格特征对应的价格指标数据；
22.通过预测模型对所述目标价格特征对应的价格指标数据进行预测，得到所述目标对象的预测价格；
23.其中，所述预测模型采用前述任一项预测模型的训练方法训练得到。
24.在其中一个实施例中，所述预测模型包括至少两个价格预测模型，所述通过预测模型对所述目标价格特征对应的价格指标数据进行预测，得到所述目标对象的预测价格，包括：
25.通过各所述价格预测模型分别对所述目标价格特征对应的价格指标数据进行预测，得到多个初始预测结果；
26.根据各所述价格预测模型的预测权重对所述多个初始预测结果进行融合处理，得到所述目标对象的预测价格。
27.第三方面，本技术还提供了一种预测模型的训练装置。所述装置包括：
28.获取模块，用于从多个目标对象的样本价格关联数据中，获取各指标特征对应的价格指标数据；
29.第一确定模块，用于采用特征权重算法，根据各所述指标特征对应的所述价格指标数据，从全部所述指标特征中确定初始价格特征；
30.第二确定模块，用于根据各所述初始价格特征对应的所述价格指标数据，从全部所述初始价格特征中确定目标价格特征；
31.训练模块，用于根据所述目标价格特征对应的所述价格指标数据，构建训练集，并通过所述训练集对初始预测模型进行训练，得到所述预测模型。
32.在其中一个实施例中，所述训练模块，还用于：
33.在通过所述训练集训练所述预测模型对应的初始预测模型的过程中，采用粒子群算法确定所述预测模型的最优超参数，并在采用粒子群算法确定所述预测模型的最优超参数的过程中，实时基于粒子运动过程中的历史数据，更新所述粒子群算法中的惯性因子，采用更新后的所述粒子群算法确定所述预测模型的最优超参数。
34.在其中一个实施例中，所述训练模块，还用于：
35.根据所述粒子运动过程中的历史数据，确定所述粒子在运动过程中的历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值；
36.根据所述历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史
最大目标值，确定第一惯性因子调整值；
37.将所述历史最小惯性因子与所述第一惯性因子调整值的和，作为所述粒子群算法在当前时刻的惯性因子。
38.在其中一个实施例中，所述预测模型至少包括两个价格预测模型，所述装置还包括：
39.第三确定模块，用于确定各所述价格预测模型的精度；
40.第四确定模块，用于根据各所述价格预测模型的精度，确定各所述价格预测模型的预测权重，以在采用所述预测模型进行目标对象价格的预测时，根据各所述价格预测模型的预测权重对各所述价格预测模型的初步预测结果进行融合处理，得到最终预测结果。
41.第四方面，本技术还提供了一种价格预测装置。所述装置包括：
42.确定模块，用于从目标对象的多个价格指标数据中，确定目标价格特征对应的价格指标数据；
43.预测模块，用于通过预测模型对所述目标价格特征对应的价格指标数据进行预测，得到所述目标对象的预测价格；
44.其中，所述预测模型采用前述任一项预测模型的训练方法训练得到。
45.在其中一个实施例中，所述预测模型包括至少两个价格预测模型，所述预测模块，还用于：
46.通过各所述价格预测模型分别对所述目标价格特征对应的价格指标数据进行预测，得到多个初始预测结果；
47.根据各所述价格预测模型的预测权重对所述多个初始预测结果进行融合处理，得到所述目标对象的预测价格。
48.第五方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上任一项方法。
49.第六方面，本技术还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，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上任一项方法。
50.第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上任一项方法。
51.上述预测模型的训练方法和装置、价格预测方法和装置，通过特征权重算法从各指标特征中确定初始价格特征，再从各初始价格特征中进一步确定目标价格特征，也即通过两次对指标特征的筛选，选取特征有效性较高的指标特征作为目标价格特征，进而根据目标价格特征对应的样本价格关联数据构建训练集对初始预测模型进行训练，得到预测模型。本技术实施例提供的预测模型的训练方法和装置、价格预测方法和装置，对样本价格关联数据进行了筛选，仅将特征有效性较高，即预测能力较强的指标特征对应的价格关联数据组成训练集，故而可以避免将预测能力较弱的冗余数据输入初始预测模型中进行训练，对初始预测模型的训练造成干扰，进而可以提升预测模型的预测精度，以预测黄金价格为例，可以大大提升黄金价格的预测精度。
附图说明
52.图1为一个实施例中预测模型的训练方法的流程示意图；
53.图2为一个实施例中预测模型的训练方法的流程示意图；
54.图3为一个实施例中预测模型的训练方法的流程示意图；
55.图4为一个实施例中价格预测方法的流程示意图；
56.图5为一个实施例中步骤404的流程示意图；
57.图6为一个实施例中预测模型的训练方法的示意图；
58.图7为一个实施例中预测模型的训练装置的结构框图；
59.图8为一个实施例中价格预测装置的结构框图；
60.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
61.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
62.在一个实施例中，如图1所示，提供了一种预测模型的训练方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
63.步骤102，从多个目标对象的样本价格关联数据中，获取各指标特征对应的价格指标数据。
64.本技术实施例中，指标特征指目标对象的样本价格关联数据的类别。示例性的，目标对象可以为待进行价格预测的物品，例如：黄金、石油、贵金属等物品，本技术实施例中以下以目标对象为黄金为例，对本技术实施例加以说明。指标特征可以包括美元指数、美元兑日元汇率、美国通货膨胀预期、美国实际利率、brent(布伦特)原油价格、vix恐慌指数(volatility index，也称为波动率指数)、平价期权波动率、黄金矿股指数等。
65.在获取各指标特征对应的价格指标数据后，还可以对价格指标数据进行预处理，例如，对缺失的价格指标数据进行采样，使用相邻年份的同期价格指标数据的均值对缺失的价格指标数据进行填充、对数据进行归一化处理等。具体过程本技术实施例中对此不做过多赘述，任一可以实现上述预处理操作的方式均适用于本技术实施例中。
66.步骤104，采用特征权重算法，根据各指标特征对应的价格指标数据，从全部指标特征中确定初始价格特征。
67.本技术实施例中，可以采用特征权重算法，根据各指标特征对应的价格指标数据，从各指标特征中确定初始价格特征。示例性的，可以采用特征权重算法，确定各指标特征的特征权重，并对各指标特征的特征权重从高至低排序，将特征权重较高的指标特征确定为目标指标特征。例如，以指标特征包括美元指数、美元兑日元汇率、美国通货膨胀预期、美国实际利率、brent原油价格、vix恐慌指数、平价期权波动率、黄金矿股指数为例，初始价格特征可以包括：美元指数、美元兑日元汇率、美国通货膨胀预期、美国实际利率、brent原油价格、平价期权波动率。
68.需要说明的是，本技术实施例对于特征权重算法不作具体限定，凡是能根据各指标特征对应的价格指标数据确定各指标特征的特征权重的算法均适用于本技术实施例中。
69.以特征权重算法为relieff算法为例，relieff算法是一种多类别特征提取算法。在本技术实施例中，可以根据价格指标数据所对应的黄金价格，按照黄金价格区间将价格指标数据分为多个样本组。例如，对应的黄金价格在285-295元/克之间的价格指标数据为一个样本组，对应的黄金价格在295-305元/克之间的价格指标数据为另一个样本组，等等。relieff算法首先从全部价格指标数据中，随机取出一个价格指标数据a；在与价格指标数据a相同分类的样本组内，取出与价格指标数据a的k个最近邻样本，记为集合h；在所有其他与价格指标数据a不同分类的样本组内，也分别取出与价格指标数据a的k个最近邻样本，记为集合m；随后，针对任一特征a，算法计算集合h中的每一元素与a在特征a上的差的第一平均值，以及集合m中的每一元素与a在特征a上的差的第二平均值，并根据第一平均值和第二平均值确定特征a的特征权重。进而可以根据各指标特征的特征权重，从指标特征中确定出初始价格特征。
70.步骤106，根据各初始价格特征对应的价格指标数据，从全部初始价格特征中确定目标价格特征。
71.本技术实施例中，从全部指标特征中筛选出初始价格特征后，可以对初始价格特征进行二次筛选，以从初始价格特征中确定目标价格特征。
72.示例性的，可以通过确定各初始价格特征的特征重要性，从各初始价格特征中确定目标价格特征，例如，将特征重要性大于阈值的初始价格特征选为目标价格特征等。本技术实施例对于阈值的具体取值不作具体限定，可以由本领域技术人员依照经验选取。
73.举例来说，可以采用随机森林算法对初始价格特征进行二次筛选，以从初始价格特征中确定目标价格特征。可以采用随机森林算法确定各初始价格特征的特征重要性。随机森林由多棵决策树组成，在采用套袋法训练随机森林算法、构建决策树时，随机森林算法仅会用到2/3的训练集数据，另1/3未被使用的训练集数据即被称为袋外数据，可以用于评估训练集中各特征的重要性。例如，在确定各初始价格特征的特征重要性时，针对某一初始价格特征x，本技术实施例首先可以采用随机森林中的某一棵决策树对袋外数据进行预测，得到预测结果xt1。随后可以对每一条袋外数据中的初始价格特征x的取值赋予新数值，再采用该决策树对初始价格特征x的取值已被赋予新数值的袋外数据进行预测，得到预测结果xt2。初始价格特征x在该决策树上的特征重要性即为xt1与xt2的差值。对多棵决策树重复上述过程，并对初始价格特征x在各决策树上的特征重要性取均值后，可以得到初始价格特征x的特征重要性，进而可以根据各初始价格特征的特征重要性，从初始价格特征中确定目标价格特征。
74.需要说明的是，上述随机森林算法仅作为本技术实施例中，确定目标价格特征的一种示例，实际上任一进行特征提取且区别于步骤104中所采用的特征权重算法的方式，均适用于本技术实施例中，这样可以避免步骤104所采用的特征权重算法出现误差，将实际预测能力较低的指标特征误判为特征权重较高的问题，以提高所最终提取的目标价格特征的准确度。
75.需要说明的是，目标价格特征并不必然是部分初始价格特征，若全部初始价格特征的特征重要性均大于阈值，则可以选择全部初始价格特征作为目标价格特征。以初始价
格特征为美元指数、美元兑日元汇率、美国通货膨胀预期、美国实际利率、brent原油价格、平价期权波动率为例，目标价格特征可以包括：美元指数、美元兑日元汇率、美国通货膨胀预期、美国实际利率、brent原油价格、平价期权波动率。
76.步骤108，根据目标价格特征对应的价格指标数据，构建训练集，并通过训练集对初始预测模型进行训练，得到预测模型。
77.本技术实施例中，可以根据在对指标特征进行两次筛选后得到的目标价格特征所对应的价格指标数据，构建训练集，进而对初始预测模型进行训练，得到可以预测目标对象价格的预测模型。
78.需要说明的是，本技术实施例对于初始预测模型的结构和训练过程不作具体限定。凡是能够对目标对象价格进行预测的初始预测模型和能够对初始预测模型进行训练，得到训练好的预测模型的训练方式均适用于本技术实施例中。例如，初始预测模型可以包括prophet模型、arima模型(autoregressive integrated moving average model，差分整合移动平均自回归模型)等。
79.本技术实施例提供的预测模型的训练方法，通过特征权重算法从各指标特征中确定初始价格特征，再从各初始价格特征中进一步确定目标价格特征，也即通过两次对指标特征的筛选，选取特征有效性较高的指标特征作为目标价格特征，进而根据目标价格特征对应的样本价格关联数据构建训练集对初始预测模型进行训练，得到预测模型。本技术实施例提供的预测模型的训练方法，对样本价格关联数据进行了筛选，仅将特征有效性较高，即预测能力较强的指标特征对应的价格关联数据组成训练集，故而可以避免将预测能力较弱的冗余数据输入初始预测模型中进行训练，对初始预测模型的训练造成干扰，进而可以提升预测模型的预测精度，以预测黄金价格为例，可以大大提升黄金价格的预测精度。
80.在一个实施例中，步骤108中，通过训练集对初始预测模型进行训练，得到预测模型，包括：
81.在通过训练集训练预测模型对应的初始预测模型的过程中，采用粒子群算法确定预测模型的最优超参数，并在采用粒子群算法确定预测模型的最优超参数的过程中，实时基于粒子运动过程中的历史数据，更新粒子群算法中的惯性因子，采用更新后的粒子群算法确定预测模型的最优超参数。
82.其中，超参数是各预测模型中需要人为设置的外部参数，如阶数、迭代次数、批量大小等。惯性因子是粒子群算法中控制粒子保持原有速度能力的参数，较大的惯性因子更有利于粒子的全局搜索，较小的惯性因子更有利于粒子的局部搜索。
83.本技术实施例中，可以首先基于粒子运动过程中的历史数据，对粒子群算法中各粒子的惯性因子取值进行更新，进而根据更新后的粒子群算法确定各初始预测模型的最优超参数。在根据粒子群算法确定某一初始预测模型的最优超参数，即搜索该初始预测模型的超参数的最优值时，可以将该初始预测模型的超参数设置为粒子在n维空间中的坐标，粒子群算法在n维空间中搜索到的最优解即为该初始预测模型的超参数的最优值。
84.本技术实施例提供的预测模型的训练方法，可以通过更新粒子群算法中的惯性因子，对粒子群算法进行更新，进而通过更新后的粒子群算法确定各初始预测模型的最优超参数。由于惯性因子控制粒子进行全局搜索和局部搜索的能力，对粒子群算法的惯性因子进行调整，可以加快粒子到达最优解的速度、提升粒子搜寻最优解的精度，进而能够进一步
加快初始预测模型的训练速度。
85.在一个实施例中，如图2所示，上述方法包括：
86.步骤202，根据粒子运动过程中的历史数据，确定粒子在运动过程中的历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值。
87.其中，历史最大惯性因子是粒子在运动过程中曾经取过的所有惯性因子取值中的最大值，历史最小惯性因子是粒子在运动过程中曾经取过的所有惯性因子取值中的最小值，粒子历史最小目标值是粒子在运动过程中曾经取过的所有目标函数取值中的最小值，粒子历史最大目标值是粒子在运动过程中曾经取过的所有目标函数取值中的最大值。
88.步骤204，根据历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值，确定第一惯性因子调整值。
89.本技术实施例中，第一惯性因子调整值用于调整粒子在运动过程中的惯性因子取值，其与历史最大惯性因子和历史最小惯性因子之间的差值正相关，与粒子历史最大目标值和粒子历史最小目标值的差值负相关。示例性的，第一惯性因子调整值可以通过对历史最大惯性因子和历史最小惯性因子作差，将结果与粒子当前目标值(即粒子在当前时刻的目标函数取值)和粒子历史最小目标值的差值相乘，再除以粒子历史最大目标值和粒子历史最小目标值的差值的方式确定(参见公式(一))：
[0090][0091]
其中，θ为第一惯性因子调整值，ω
max
为历史最大惯性因子，ω
min
为历史最小惯性因子，f为粒子当前目标值，f
min
为粒子历史最小目标值，f
max
为粒子历史最大目标值。
[0092]
步骤206，将历史最小惯性因子与第一惯性因子调整值的和，作为粒子群算法在当前时刻的惯性因子。
[0093]
本技术实施例中，可以对历史最小惯性因子与第一惯性因子调整值求和，得到粒子群算法在当前时刻的惯性因子(参见公式(二))：
[0094]
ω＝ω
min
+θ
ꢀꢀ
(公式(二))
[0095]
其中，ω为粒子群算法在当前时刻的惯性因子，ω
min
为历史最小惯性因子，θ为第一惯性因子调整值。
[0096]
本技术实施例提供的预测模型的训练方法，可以根据粒子在运动过程中的历史数据，调整粒子在当前时刻的惯性因子。由于惯性因子控制粒子进行全局搜索和局部搜索的能力，对粒子群算法的惯性因子进行调整，可以加快粒子到达最优解的速度、提升粒子搜寻最优解的精度，进而能够进一步加快初始预测模型的训练速度。
[0097]
在一个实施例中，如图3所示，预测模型至少包括两个价格预测模型，上述方法还包括：
[0098]
步骤302，确定各价格预测模型的精度。
[0099]
本技术实施例中，价格预测模型的精度用于表征价格预测模型模型在根据价格指标数据进行预测时，准确预测出未来目标对象的价格的能力。可以在价格预测模型训练完成后，采用训练过程中未使用的数据对价格预测模型进行检验，并根据检验过程中得到的各价格预测模型的精度确定各价格预测模型的预测权重。
[0100]
需要说明的是，本技术实施例对于确定各价格预测模型的精度的方式不作具体限
定。凡是能够在对各价格预测模型进行检验时确定各价格预测模型精度的方式均适用于本技术实施例中。
[0101]
步骤304，根据各价格预测模型的精度，确定各价格预测模型的预测权重，以在采用预测模型进行目标对象价格的预测时，根据各价格预测模型的预测权重对各价格预测模型的初步预测结果进行融合处理，得到最终预测结果。
[0102]
本技术实施例中，可以根据上述步骤得到的各价格预测模型的精度，进一步确定各价格预测模型的预测权重。示例性的，针对任一价格预测模型，可以将该价格预测模型的精度与全部价格预测模型精度之和的比值作为该价格预测模型的预测权重。例如，以预测模型包括两个价格预测模型，分别为prophet模型和arima模型为例，若prophet模型的精度为71.3％，arima模型的精度为66.7％，则prophet模型的预测权重可以为71.3％/(71.3％+66.7％)，arima模型的预测权重可以为66.7％/(71.3％+66.7％)。
[0103]
本技术实施例提供的预测模型的训练方法，可以根据各价格预测模型的精度确定各价格预测模型的预测权重。本技术实施例可以确保精度低的价格预测模型预测权重低，精度高的价格预测模型预测权重高，故而在采用通过本技术实施例构建的预测模型对目标对象价格进行预测时，能够进一步提升目标对象价格的预测精度。
[0104]
在一个实施例中，如图4所示，提供了一种价格预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
[0105]
步骤402，从目标对象的多个价格指标数据中，确定目标价格特征对应的价格指标数据。
[0106]
步骤404，通过预测模型对目标价格特征对应的价格指标数据进行预测，得到目标对象的预测价格；其中，预测模型采用前述任一项预测模型的训练方法训练得到。
[0107]
本技术实施例中，目标对象可以为待进行价格预测的物品，例如：黄金、石油、贵金属等，本技术实施例中以目标对象为黄金为例，对本技术实施例加以说明。目标价格特征为上述预测模型的训练方法中，在对指标特征进行两次筛选后得到的目标价格特征，例如，若上述预测模型的训练方法中得到的目标价格特征为美元指数、美元兑日元汇率、美国通货膨胀预期、美国实际利率、brent原油价格、平价期权波动率，则在本技术实施例中，目标价格特征同样为美元指数、美元兑日元汇率、美国通货膨胀预期、美国实际利率、brent原油价格、平价期权波动率。
[0108]
本技术实施例提供的价格预测方法，采用通过上述预测模型的训练方法训练得到的预测模型，根据预测能力较强的目标价格特征所对应的价格指标数据对目标对象的价格进行预测。由于上述预测模型的训练方法在训练预测模型时对样本关联数据进行了筛选，仅将特征有效性较高，即预测能力较强的指标特征对应的价格关联数据组成训练集，避免将预测能力较弱的冗余数据输入初始预测模型中进行训练，对初始预测模型的训练造成干扰，提升了预测模型的预测精度，故而在采用通过上述预测模型的训练方法训练得到的预测模型对目标对象的价格进行预测时，可以提高目标对象的价格的预测精度。
[0109]
在一个实施例中，如图5所示，预测模型包括至少两个价格预测模型，步骤404中，通过预测模型对目标价格特征对应的价格指标数据进行预测，得到目标对象的预测价格，包括：
[0110]
步骤502，通过各价格预测模型分别对目标价格特征对应的价格指标数据进行预测，得到多个初始预测结果。
[0111]
步骤504，根据各价格预测模型的预测权重对所述多个初始预测结果进行融合处理，得到目标对象的预测价格。
[0112]
本技术实施例中，可以通过预测模型中包括的各价格预测模型分别对目标价格特征对应的价格指标数据，得到各价格预测模型的初始预测结果，并根据各价格预测模型的预测权重，对各初始预测结果进行融合处理，例如：根据各价格预测模型的预测权重，对各初始预测结果加权求和等，以得到最终的目标对象的价格预测结果。
[0113]
本技术实施例提供的价格预测方法，可以采用多个价格预测模型对价格指标数据进行预测，得到各价格预测模型的初始预测结果后再根据各价格预测模型的预测权重对初始预测结果进行融合。由于本技术实施例采用多个价格预测模型进行预测，因此可以弥补各价格预测模型在预测过程中产生的误差，改善单一价格预测模型预测精度不足的问题，故而能够提高目标对象的价格预测的精度。
[0114]
为使本领域技术人员更好的理解本技术实施例，以下通过具体示例对本技术实施例加以说明。
[0115]
示例性的，如图6所示，示出了一种预测模型的训练方法的流程图。本技术实施例中以目标对象为黄金为例，对本技术实施例加以说明。
[0116]
在训练初始预测模型，得到预测模型时，本技术实施例首先需要确定初始预测模型的最优超参数。在本技术实施例中，可以通过粒子群算法确定初始预测模型的最优超参数。采用粒子群算法确定最优超参数的步骤可以参照前述实施例的相关描述，本技术实施例在此不再赘述。
[0117]
在通过粒子群算法确定初始预测模型的最优超参数时，可以对粒子群算法进行更新。粒子群算法具有在搜寻目标时容易陷入局部最优解，导致无法搜寻到全局最优解、搜索精度低的缺陷。针对粒子群算法的这一缺陷，本技术实施例基于粒子运动过程中的历史数据，在粒子群算法进行搜寻时，对粒子群算法中的惯性因子进行实时更新。对粒子群算法中的惯性因子进行实时更新的步骤可以参照前述实施例的相关描述，本技术实施例在此不再赘述。
[0118]
在确定初始预测模型的最优超参数后，本技术实施例对初始预测模型进行训练。在初始预测模型的训练过程中，本技术实施例可以对样本价格关联数据中的各指标特征进行筛选，仅根据特征有效性较高的指标特征，即目标价格特征所对应的价格指标数据构建训练集。筛选指标特征的步骤可以参照前述实施例的相关描述，本技术实施例在此不再赘述。
[0119]
本技术实施例随后采用目标价格特征对应的价格指标数据中80％的数据对初始预测模型进行训练，在初始预测模型训练完成，得到各价格预测模型后，采用目标价格特征对应的价格指标数据中剩余的20％的数据检验各价格预测模型的精度，并根各价格预测模型的精度确定各价格预测模型的预测权重。
[0120]
在实际使用预测模型预测黄金价格时，本技术实施例需要从多个黄金价格指标数据中，确定目标价格特征对应的价格指标数据。此处的目标价格特征为对预测模型进行训练时选取的目标价格特征。
[0121]
本技术实施例进而可以通过预测模型对目标价格特征对应的价格指标数据进行预测，得到预测黄金价格。
[0122]
本技术实施例提供的预测模型的训练方法，通过特征权重算法从各指标特征中确定初始价格特征，再从各初始价格特征中进一步确定目标价格特征，也即通过两次对指标特征的筛选，选取特征有效性较高的指标特征作为目标价格特征，进而根据目标价格特征对应的样本价格关联数据构建训练集对初始预测模型进行训练，得到预测模型。本技术实施例提供的预测模型的训练方法，对样本价格关联数据进行了筛选，仅将特征有效性较高，即预测能力较强的指标特征对应的价格关联数据组成训练集，故而可以避免将预测能力较弱的冗余数据输入初始预测模型中进行训练，对初始预测模型的训练造成干扰，进而可以提升预测模型的预测精度。
[0123]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0124]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的预测模型的训练方法的预测模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个预测模型的训练装置实施例中的具体限定可以参见上文中对于预测模型的训练方法的限定，在此不再赘述。
[0125]
在一个实施例中，如图7所示，提供了一种预测模型的训练装置，包括：获取模块702、第一确定模块704、第二确定模块706、训练模块708，其中：
[0126]
获取模块702，用于从多个目标对象的样本价格关联数据中，获取各指标特征对应的价格指标数据；
[0127]
第一确定模块704，用于采用特征权重算法，根据各所述指标特征对应的所述价格指标数据，从全部所述指标特征中确定初始价格特征；
[0128]
第二确定模块706，用于根据各所述初始价格特征对应的所述价格指标数据，从全部所述初始价格特征中确定目标价格特征；
[0129]
训练模块708，用于根据所述目标价格特征对应的所述价格指标数据，构建训练集，并通过所述训练集对初始预测模型进行训练，得到所述预测模型。
[0130]
本技术实施例提供的预测模型的训练装置，通过特征权重算法从各指标特征中确定初始价格特征，再从各初始价格特征中进一步确定目标价格特征，也即通过两次对指标特征的筛选，选取特征有效性较高的指标特征作为目标价格特征，进而根据目标价格特征对应的样本价格关联数据构建训练集对初始预测模型进行训练，得到预测模型。本技术实施例提供的预测模型的训练装置，对样本价格关联数据进行了筛选，仅将特征有效性较高，即预测能力较强的指标特征对应的价格关联数据组成训练集，故而可以避免将预测能力较弱的冗余数据输入初始预测模型中进行训练，对初始预测模型的训练造成干扰，进而可以提升预测模型的预测精度，以预测黄金价格为例，可以大大提升黄金价格的预测精度。
[0131]
在其中一个实施例中，所述训练模块708，还用于：
[0132]
在通过所述训练集训练所述预测模型对应的初始预测模型的过程中，采用粒子群算法确定所述预测模型的最优超参数，并在采用粒子群算法确定所述预测模型的最优超参数的过程中，实时基于粒子运动过程中的历史数据，更新所述粒子群算法中的惯性因子，采用更新后的所述粒子群算法确定所述预测模型的最优超参数。
[0133]
在其中一个实施例中，所述训练模块708，还用于：
[0134]
根据所述粒子运动过程中的历史数据，确定所述粒子在运动过程中的历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值；
[0135]
根据所述历史最大惯性因子、历史最小惯性因子、粒子历史最小目标值、粒子历史最大目标值，确定第一惯性因子调整值；
[0136]
将所述历史最小惯性因子与所述第一惯性因子调整值的和，作为所述粒子群算法在当前时刻的惯性因子。
[0137]
在其中一个实施例中，所述装置还包括：
[0138]
第三确定模块，用于确定各所述价格预测模型的精度；
[0139]
第四确定模块，用于根据各所述价格预测模型的精度，确定各所述价格预测模型的预测权重，以在采用所述预测模型进行目标对象价格的预测时，根据各所述价格预测模型的预测权重对各所述价格预测模型的初步预测结果进行融合处理，得到最终预测结果。
[0140]
在一个实施例中，如图8所示，提供了一种价格预测装置，包括：确定模块802、预测模块804，其中：
[0141]
确定模块802，用于从目标对象的多个价格指标数据中，确定目标价格特征对应的价格指标数据；
[0142]
预测模块804，用于通过预测模型对所述目标价格特征对应的价格指标数据进行预测，得到所述目标对象的预测价格；
[0143]
其中，所述预测模型采用前述任一项预测模型的训练方法训练得到。
[0144]
本技术实施例提供的价格预测装置，采用通过上述预测模型的训练方法训练得到的预测模型，根据预测能力较强的目标价格特征所对应的价格指标数据对目标对象的价格进行预测。由于上述预测模型的训练方法在训练预测模型时对样本关联数据进行了筛选，仅将特征有效性较高，即预测能力较强的指标特征对应的价格关联数据组成训练集，避免将预测能力较弱的冗余数据输入初始预测模型中进行训练，对初始预测模型的训练造成干扰，提升了预测模型的预测精度，故而在采用通过上述预测模型的训练方法训练得到的预测模型对目标对象的价格进行预测时，可以提高目标对象的价格的预测精度。
[0145]
在其中一个实施例中，所述预测模型包括至少两个价格预测模型，所述预测模块804，还用于：
[0146]
通过各所述价格预测模型分别对所述目标价格特征对应的价格指标数据进行预测，得到多个初始预测结果；
[0147]
根据各所述价格预测模型的预测权重对所述多个初始预测结果进行融合处理，得到所述目标对象的预测价格。
[0148]
上述预测模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件
形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0149]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种预测模型的训练方法。
[0150]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0151]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0152]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0153]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0154]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0155]
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0156]
以上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。
[0157]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并
不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。