技术特征：
1.一种系统，包括：至少一个处理器，其被编程或配置成：接收历史数据点的时间序列，其中所述历史数据点包括关于初始时间段期间的多个时间间隔的多个交易特征的值；确定历史时间段，其中所述历史时间段包括所述初始时间段的第一时间段；确定当代时间段，其中所述当代时间段包括所述初始时间段的在所述历史时间段之后的第二时间段，其中所述历史时间段比所述当代时间段更长；从所述历史时间段确定与历史交易度量相关联的数据点的第一时间序列；从所述历史时间段确定与历史目标交易度量相关联的数据点的第二时间序列；从所述当代时间段确定与当代交易度量相关联的数据点的第三时间序列；生成机器学习模型，其中所述机器学习模型被配置成提供包括与当代目标交易度量相关联的数据点的预测时间序列的输出，其中当生成所述机器学习模型时，所述至少一个处理器被编程或配置成：基于与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列训练所述机器学习模型；以及生成所述机器学习模型的输出，其中所述机器学习模型的所述输出包括所述当代目标交易度量，并且其中所述当代目标交易度量包括目标预测周期期间的目标交易度量的值。2.根据权利要求1所述的系统，其中当训练所述机器学习模型时，所述至少一个处理器被编程或配置成：提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列，作为对所述机器学习模型的处理层的输入，其中所述处理层包括快速傅里叶变换(fft)层；提供所述处理层的输出，作为对所述机器学习模型的特征提取组件的输入；提供所述机器学习模型的所述特征提取组件的输出，作为对所述机器学习模型的双重注意力组件的输入；以及提供所述机器学习模型的所述双重注意力组件的输出，作为对所述机器学习模型的学习和预测组件的输入。3.根据权利要求2所述的系统，其中当提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列，作为对所述机器学习模型的所述处理层的输入时，所述至少一个处理器被编程或配置成：提供与所述历史交易度量相关联的所述数据点的第一时间序列的第一多个特征中的每个特征作为对所述fft层的输入，以生成所述第一多个特征中的每个特征的实部分和虚部分；提供与所述历史目标交易度量相关联的所述数据点的第二时间序列的第二多个特征中的每个特征作为对所述fft层的输入，以生成所述第二多个特征中的每个特征的实部分和虚部分；以及
提供与所述当代交易度量相关联的所述数据点的第三时间序列的第三多个特征中的每个特征作为对所述fft层的输入，以生成所述第三多个特征中的每个特征的实部分和虚部分。4.根据权利要求3所述的系统，其中当训练所述机器学习模型时，所述至少一个处理器被编程或配置成：组合所述第一多个特征中的每个特征的所述实部分以生成所述第一多个特征的组合实部分；组合所述第一多个特征中的每个特征的所述虚部分以生成所述第一多个特征的组合虚部分；组合所述第二多个特征中的每个特征的所述实部分以生成所述第二多个特征的组合实部分；组合所述第二多个特征中的每个特征的所述虚部分以生成所述第二多个特征的组合虚部分；组合所述第三多个特征中的每个特征的所述实部分以生成所述第三多个特征的组合实部分；以及组合所述第三多个特征中的每个特征的所述虚部分以生成所述第三多个特征的组合虚部分；并且其中所述机器学习模型的所述处理层的所述输出包括所述第一多个特征的所述组合实部分、所述第一多个特征的所述组合虚部分、所述第二多个特征的所述组合实部分、所述第二多个特征的所述组合虚部分、所述第三多个特征的所述组合实部分，以及所述第三多个特征的所述组合虚部分。5.根据权利要求4所述的系统，其中当训练所述机器学习模型时，所述至少一个处理器被编程或配置成：提供所述第一多个特征的所述组合实部分作为对一维特征提取卷积层的输入；提供所述第一多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；提供所述第二多个特征的所述组合实部分作为对所述一维特征提取卷积层的输入；提供所述第二多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；提供所述第三多个特征的所述组合实部分作为对所述一维特征提取卷积层的输入；提供所述第三多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；以及基于所述一维特征提取卷积层的输出生成所述机器学习模型的所述特征提取组件的所述输出。6.根据权利要求5所述的系统，其中对所述机器学习模型的所述双重注意力组件的所述输入包括实输入部分和虚输入部分，其中所述实输入部分包括：第一实输入，其基于所述一维特征提取卷积层针对所述第一多个特征的所述组合实部分的输出；第二实输入，其基于所述一维特征提取卷积层针对所述第二多个特征的所述组合实部分的输出；
第三实输入，其基于所述一维特征提取卷积层针对所述第三多个特征的所述组合实部分的输出；并且其中所述虚输入部分包括：第一虚输入，其基于所述一维特征提取卷积层针对所述第一多个特征的所述组合虚部分的输出；第二虚输入，其基于所述一维特征提取卷积层针对所述第二多个特征的所述组合虚部分的输出；第三虚输入，其基于所述一维特征提取卷积层针对所述第三多个特征的所述组合虚部分的输出；并且其中当训练所述机器学习模型时，所述至少一个处理器被编程或配置成：基于所述实输入部分生成实分量注意力矩阵，其中所述实分量注意力矩阵具有等于所述多个交易特征中的特征数量的多个注意力向量；以及基于所述虚输入部分生成虚分量注意力矩阵，其中所述虚分量注意力矩阵具有等于所述多个交易特征中的特征数量的多个注意力向量。7.根据权利要求6所述的系统，其中所述至少一个处理器被进一步编程或配置成：生成对所述机器学习模型的所述双重注意力组件的所述输入的所述实输入部分；以及生成对所述机器学习模型的所述双重注意力组件的所述输入的所述虚输入部分；其中当生成对所述机器学习模型的所述双重注意力组件的所述输入的所述实输入部分时，所述至少一个处理器被编程或配置成：提供所述一维特征提取卷积层针对所述第一多个特征的所述组合实部分的所述输出作为对dropout层的输入，以生成实当代交易度量特征向量作为所述第一实输入；提供所述一维特征提取卷积层针对所述第二多个特征的所述组合实部分的所述输出作为对所述dropout层的输入，以生成实历史交易度量特征向量作为所述第二实输入；以及提供所述一维特征提取卷积层针对所述第三多个特征的所述组合实部分的所述输出作为对所述dropout层的输入，以生成实历史目标交易度量特征向量作为所述第三实输入；并且其中当生成对所述机器学习模型的所述双重注意力组件的所述输入的所述虚输入部分时，所述至少一个处理器被编程或配置成：提供所述一维特征提取卷积层针对所述第一多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚当代交易度量特征向量作为所述第一虚输入；提供所述一维特征提取卷积层针对所述第二多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚历史交易度量特征向量作为所述第二虚输入；以及提供所述一维特征提取卷积层针对所述第三多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚历史目标交易度量特征向量作为所述第三虚输入。8.根据权利要求7所述的系统，其中当生成所述实分量注意力矩阵时，所述至少一个处理器被编程或配置成：生成所述实当代交易度量特征向量和所述实历史交易度量特征向量的点积；提供所述实当代交易度量特征向量和所述实历史交易度量特征向量的所述点积作为对softmax层的输入，以生成实注意力特征向量；以及
生成所述实注意力特征向量和所述实历史目标交易度量特征向量的点积，以生成所述实分量注意力矩阵；其中当生成所述虚分量注意力矩阵时，所述至少一个处理器被编程或配置成：生成所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的点积；提供所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的所述点积作为对softmax层的输入，以生成虚注意力特征向量；以及生成所述虚注意力特征向量和所述虚历史目标交易度量特征向量的点积，以生成所述虚分量注意力矩阵。9.根据权利要求7所述的系统，其中当生成所述实分量注意力矩阵时，所述至少一个处理器被编程或配置成：对所述实当代交易度量特征向量和所述实历史交易度量特征向量执行加法函数；提供所述实当代交易度量特征向量和所述实历史交易度量特征向量的所述加法函数的结果，作为对tanh激活函数的输入；提供所述tanh激活函数的输出作为对softmax层的输入，以生成实注意力特征向量；以及生成所述实注意力特征向量和所述实历史目标交易度量特征向量的点积，以生成所述实分量注意力矩阵；其中当生成所述虚分量注意力矩阵时，所述至少一个处理器被编程或配置成：对所述虚当代交易度量特征向量和所述虚历史交易度量特征向量执行加法函数；提供所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的所述加法函数的结果，作为对tanh激活函数的输入；提供所述tanh激活函数的输出作为对softmax层的输入，以生成虚注意力特征向量；以及生成所述虚注意力特征向量和所述虚历史目标交易度量特征向量的点积，以生成所述虚分量注意力矩阵。10.根据权利要求7所述的系统，其中当提供所述机器学习模型的所述双重注意力组件的所述输出作为对所述机器学习模型的所述学习和预测组件的所述输入时，所述至少一个处理器被编程或配置成：将所述实分量注意力矩阵和所述实当代交易度量特征向量连接以生成第一连接；提供所述第一连接作为对特征学习一维卷积层的输入；将所述虚分量注意力矩阵和所述虚当代交易度量特征向量连接以生成第二连接；提供所述第二连接作为对所述特征学习一维卷积层的输入；基于所述特征学习一维卷积层针对所述第一连接的输出提供对重构层的输入以生成实分量特征向量；以及基于所述特征学习一维卷积层针对所述第二连接的输出提供对所述重构层的输入以生成虚分量特征向量。11.根据权利要求10所述的系统，其中当生成所述机器学习模型的所述输出时，所述至少一个处理器被编程或配置成：基于所述实分量特征向量和所述虚分量特征向量生成复数特征向量；以及
提供所述复数特征向量作为对逆fft层的输入以生成所述当代目标交易度量。12.一种方法，包括：用至少一个处理器接收历史数据点的时间序列，其中所述历史数据点包括关于初始时间段期间的多个时间间隔的多个交易特征的值；用至少一个处理器确定历史时间段，其中所述历史时间段包括所述初始时间段的第一时间段；用至少一个处理器确定当代时间段，其中所述当代时间段包括所述初始时间段的在所述历史时间段之后的第二时间段，其中所述历史时间段比所述当代时间段更长；用至少一个处理器从所述历史时间段确定与历史交易度量相关联的数据点的第一时间序列；用至少一个处理器从所述历史时间段确定与历史目标交易度量相关联的数据点的第二时间序列；用至少一个处理器从所述当代时间段确定与当代交易度量相关联的数据点的第三时间序列；用至少一个处理器生成机器学习模型，其中所述机器学习模型被配置成提供包括与当代目标交易度量相关联的数据点的预测时间序列的输出，其中生成所述机器学习模型包括：基于与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列训练所述机器学习模型；以及生成所述机器学习模型的输出，其中所述机器学习模型的所述输出包括所述当代目标交易度量，并且其中所述当代目标交易度量包括目标预测周期期间的目标交易度量的值。13.根据权利要求12所述的方法，其中训练所述机器学习模型包括：提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列，作为对所述机器学习模型的处理层的输入，其中所述处理层包括快速傅里叶变换(fft)层；提供所述处理层的输出，作为对所述机器学习模型的特征提取组件的输入；提供所述机器学习模型的所述特征提取组件的输出，作为对所述机器学习模型的双重注意力组件的输入；以及提供所述机器学习模型的所述双重注意力组件的输出，作为对所述机器学习模型的学习和预测组件的输入。14.根据权利要求13所述的方法，其中提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列作为对所述机器学习模型的所述处理层的输入包括：提供与所述历史交易度量相关联的所述数据点的第一时间序列的第一多个特征中的每个特征作为对所述fft层的输入，以生成所述第一多个特征中的每个特征的实部分和虚部分；
提供与所述历史目标交易度量相关联的所述数据点的第二时间序列的第二多个特征中的每个特征作为对所述fft层的输入，以生成所述第二多个特征中的每个特征的实部分和虚部分；以及提供与所述当代交易度量相关联的所述数据点的第三时间序列的第三多个特征中的每个特征作为对所述fft层的输入，以生成所述第三多个特征中的每个特征的实部分和虚部分。15.根据权利要求14所述的方法，其中训练所述机器学习模型包括：组合所述第一多个特征中的每个特征的所述实部分以生成所述第一多个特征的组合实部分；组合所述第一多个特征中的每个特征的所述虚部分以生成所述第一多个特征的组合虚部分；组合所述第二多个特征中的每个特征的所述实部分以生成所述第二多个特征的组合实部分；组合所述第二多个特征中的每个特征的所述虚部分以生成所述第二多个特征的组合虚部分；组合所述第三多个特征中的每个特征的所述实部分以生成所述第三多个特征的组合实部分；以及组合所述第三多个特征中的每个特征的所述虚部分以生成所述第三多个特征的组合虚部分；并且其中所述机器学习模型的所述处理层的所述输出包括所述第一多个特征的所述组合实部分、所述第一多个特征的所述组合虚部分、所述第二多个特征的所述组合实部分、所述第二多个特征的所述组合虚部分、所述第三多个特征的所述组合实部分，以及所述第三多个特征的所述组合虚部分。16.根据权利要求15所述的方法，其中训练所述机器学习模型包括：提供所述第一多个特征的所述组合实部分作为对一维特征提取卷积层的输入；提供所述第一多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；提供所述第二多个特征的所述组合实部分作为对所述一维特征提取卷积层的输入；提供所述第二多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；提供所述第三多个特征的所述组合实部分作为对所述一维特征提取卷积层的输入；提供所述第三多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；以及基于所述一维特征提取卷积层的输出生成所述机器学习模型的所述特征提取组件的所述输出。17.根据权利要求16所述的方法，其中对所述机器学习模型的所述双重注意力组件的所述输入包括实输入部分和虚输入部分，其中所述实输入部分包括：第一实输入，其基于所述一维特征提取卷积层针对所述第一多个特征的所述组合实部分的输出；第二实输入，其基于所述一维特征提取卷积层针对所述第二多个特征的所述组合实部
分的输出；第三实输入，其基于所述一维特征提取卷积层针对所述第三多个特征的所述组合实部分的输出；并且其中所述虚输入部分包括：第一虚输入，其基于所述一维特征提取卷积层针对所述第一多个特征的所述组合虚部分的输出；第二虚输入，其基于所述一维特征提取卷积层针对所述第二多个特征的所述组合虚部分的输出；第三虚输入，其基于所述一维特征提取卷积层针对所述第三多个特征的所述组合虚部分的输出；并且其中训练所述机器学习模型包括：基于所述实输入部分生成实分量注意力矩阵，其中所述实分量注意力矩阵具有等于所述多个交易特征中的特征数量的多个注意力向量；以及基于所述虚输入部分生成虚分量注意力矩阵，其中所述虚分量注意力矩阵具有等于所述多个交易特征中的特征数量的多个注意力向量。18.根据权利要求17所述的方法，其中所述方法另外包括：生成对所述机器学习模型的所述双重注意力组件的所述输入的所述实输入部分；以及生成对所述机器学习模型的所述双重注意力组件的所述输入的所述虚输入部分；其中生成对所述机器学习模型的所述双重注意力组件的所述输入的所述实输入部分包括：提供所述一维特征提取卷积层针对所述第一多个特征的所述组合实部分的所述输出作为对dropout层的输入，以生成实当代交易度量特征向量作为所述第一实输入；提供所述一维特征提取卷积层针对所述第二多个特征的所述组合实部分的所述输出作为对所述dropout层的输入，以生成实历史交易度量特征向量作为所述第二实输入；以及提供所述一维特征提取卷积层针对所述第三多个特征的所述组合实部分的所述输出作为对所述dropout层的输入，以生成实历史目标交易度量特征向量作为所述第三实输入；并且其中生成对所述机器学习模型的所述双重注意力组件的所述输入的所述虚输入部分包括：提供所述一维特征提取卷积层针对所述第一多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚当代交易度量特征向量作为所述第一虚输入；提供所述一维特征提取卷积层针对所述第二多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚历史交易度量特征向量作为所述第二虚输入；以及提供所述一维特征提取卷积层针对所述第三多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚历史目标交易度量特征向量作为所述第三虚输入。19.根据权利要求18所述的方法，其中生成所述实分量注意力矩阵包括：生成实当代交易度量特征向量和所述实历史交易度量特征向量的点积；提供所述实当代交易度量特征向量和所述实历史交易度量特征向量的所述点积作为对softmax层的输入，以生成实注意力特征向量；以及
生成所述实注意力特征向量和所述实历史目标交易度量特征向量的点积，以生成所述实分量注意力矩阵；其中生成所述虚分量注意力矩阵包括：生成所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的点积；提供所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的所述点积作为对softmax层的输入，以生成虚注意力特征向量；以及生成所述虚注意力特征向量和所述虚历史目标交易度量特征向量的点积，以生成所述虚分量注意力矩阵。20.根据权利要求18所述的方法，其中生成所述实分量注意力矩阵包括：对所述实当代交易度量特征向量和所述实历史交易度量特征向量执行加法函数；提供所述实当代交易度量特征向量和所述实历史交易度量特征向量的所述加法函数的结果，作为对tanh激活函数的输入；提供所述tanh激活函数的输出作为对softmax层的输入，以生成实注意力特征向量；以及生成所述实注意力特征向量和所述实历史目标交易度量特征向量的点积，以生成所述实分量注意力矩阵；其中生成所述虚分量注意力矩阵包括：对所述虚当代交易度量特征向量和所述虚历史交易度量特征向量执行加法函数；提供所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的所述加法函数的结果，作为对tanh激活函数的输入；提供所述tanh激活函数的输出作为对softmax层的输入，以生成虚注意力特征向量；以及生成所述虚注意力特征向量和所述虚历史目标交易度量特征向量的点积，以生成所述虚分量注意力矩阵。21.根据权利要求17所述的方法，其中提供所述机器学习模型的所述双重注意力组件的所述输出作为对所述机器学习模型的所述学习和预测组件的所述输入包括：将所述实分量注意力矩阵和所述实当代交易度量特征向量连接以生成第一连接；提供所述第一连接作为对特征学习一维卷积层的输入；将所述虚分量注意力矩阵和所述虚当代交易度量特征向量连接以生成第二连接；提供所述第二连接作为对所述特征学习一维卷积层的输入；基于所述特征学习一维卷积层针对所述第一连接的输出提供对重构层的输入以生成实分量特征向量；以及基于所述特征学习一维卷积层针对所述第二连接的输出提供对所述重构层的输入以生成虚分量特征向量。22.根据权利要求21所述的方法，其中生成所述机器学习模型的所述输出包括：基于所述实分量特征向量和所述虚分量特征向量生成复数特征向量；以及提供所述复数特征向量作为对逆fft层的输入以生成所述当代目标交易度量。23.一种计算机程序产品，包括至少一个非瞬态计算机可读介质，所述至少一个非瞬态计算机可读介质包括一个或多个指令，所述一个或多个指令在由至少一个处理器执行时使
所述至少一个处理器：接收历史数据点的时间序列，其中所述历史数据点包括关于初始时间段期间的多个时间间隔的多个交易特征的值；确定历史时间段，其中所述历史时间段包括所述初始时间段的第一时间段；确定当代时间段，其中所述当代时间段包括所述初始时间段的在所述历史时间段之后的第二时间段，其中所述历史时间段比所述当代时间段更长；从所述历史时间段确定与历史交易度量相关联的数据点的第一时间序列；从所述历史时间段确定与历史目标交易度量相关联的数据点的第二时间序列；从所述当代时间段确定与当代交易度量相关联的数据点的第三时间序列；生成机器学习模型，其中所述机器学习模型被配置成提供包括与当代目标交易度量相关联的数据点的预测时间序列的输出，其中使所述至少一个处理器生成所述机器学习模型的所述一个或多个指令使所述至少一个处理器：基于与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列训练所述机器学习模型；以及生成所述机器学习模型的输出，其中所述机器学习模型的所述输出包括所述当代目标交易度量，并且其中所述当代目标交易度量包括目标预测周期期间的目标交易度量的值。24.根据权利要求23所述的计算机程序产品，其中使所述至少一个处理器训练所述机器学习模型的所述一个或多个指令使所述至少一个处理器：提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列，作为对所述机器学习模型的处理层的输入，其中所述处理层包括快速傅里叶变换(fft)层；提供所述处理层的输出，作为对所述机器学习模型的特征提取组件的输入；提供所述机器学习模型的所述特征提取组件的输出，作为对所述机器学习模型的双重注意力组件的输入；以及提供所述机器学习模型的所述双重注意力组件的输出，作为对所述机器学习模型的学习和预测组件的输入。25.根据权利要求24所述的计算机程序产品，其中使所述至少一个处理器提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列作为对所述机器学习模型的所述处理层的输入的所述一个或多指令使所述至少一个处理器：提供与所述历史交易度量相关联的所述数据点的第一时间序列的第一多个特征中的每个特征作为对所述fft层的输入，以生成所述第一多个特征中的每个特征的实部分和虚部分；提供与所述历史目标交易度量相关联的所述数据点的第二时间序列的第二多个特征中的每个特征作为对所述fft层的输入，以生成所述第二多个特征中的每个特征的实部分和虚部分；以及
提供与所述当代交易度量相关联的所述数据点的第三时间序列的第三多个特征中的每个特征作为对所述fft层的输入，以生成所述第三多个特征中的每个特征的实部分和虚部分。26.根据权利要求25所述的计算机程序产品，其中使所述至少一个处理器训练所述机器学习模型的所述一个或多个指令使所述至少一个处理器：组合所述第一多个特征中的每个特征的所述实部分以生成所述第一多个特征的组合实部分；组合所述第一多个特征中的每个特征的所述虚部分以生成所述第一多个特征的组合虚部分；组合所述第二多个特征中的每个特征的所述实部分以生成所述第二多个特征的组合实部分；组合所述第二多个特征中的每个特征的所述虚部分以生成所述第二多个特征的组合虚部分；组合所述第三多个特征中的每个特征的所述实部分以生成所述第三多个特征的组合实部分；以及组合所述第三多个特征中的每个特征的所述虚部分以生成所述第三多个特征的组合虚部分；并且其中所述机器学习模型的所述处理层的所述输出包括所述第一多个特征的所述组合实部分、所述第一多个特征的所述组合虚部分、所述第二多个特征的所述组合实部分、所述第二多个特征的所述组合虚部分、所述第三多个特征的所述组合实部分，以及所述第三多个特征的所述组合虚部分。27.根据权利要求26所述的计算机程序产品，其中使所述至少一个处理器训练所述机器学习模型的所述一个或多个指令使所述至少一个处理器：提供所述第一多个特征的所述组合实部分作为对一维特征提取卷积层的输入；提供所述第一多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；提供所述第二多个特征的所述组合实部分作为对所述一维特征提取卷积层的输入；提供所述第二多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；提供所述第三多个特征的所述组合实部分作为对所述一维特征提取卷积层的输入；提供所述第三多个特征的所述组合虚部分作为对所述一维特征提取卷积层的输入；以及基于所述一维特征提取卷积层的输出生成所述机器学习模型的所述特征提取组件的所述输出。28.根据权利要求27所述的计算机程序产品，其中对所述机器学习模型的所述双重注意力组件的所述输入包括实输入部分和虚输入部分，其中所述实输入部分包括：第一实输入，其基于所述一维特征提取卷积层针对所述第一多个特征的所述组合实部分的输出；第二实输入，其基于所述一维特征提取卷积层针对所述第二多个特征的所述组合实部分的输出；
第三实输入，其基于所述一维特征提取卷积层针对所述第三多个特征的所述组合实部分的输出；并且其中所述虚输入部分包括：第一虚输入，其基于所述一维特征提取卷积层针对所述第一多个特征的所述组合虚部分的输出；第二虚输入，其基于所述一维特征提取卷积层针对所述第二多个特征的所述组合虚部分的输出；第三虚输入，其基于所述一维特征提取卷积层针对所述第三多个特征的所述组合虚部分的输出；并且其中使所述至少一个处理器训练所述机器学习模型的所述一个或多个指令使所述至少一个处理器：基于所述实输入部分生成实分量注意力矩阵，其中所述实分量注意力矩阵具有等于所述多个交易特征中的特征数量的多个注意力向量；以及基于所述虚输入部分生成虚分量注意力矩阵，其中所述虚分量注意力矩阵具有等于所述多个交易特征中的特征数量的多个注意力向量。29.根据权利要求28所述的计算机程序产品，其中所述一个或多个指令还使所述至少一个处理器：生成对所述机器学习模型的所述双重注意力组件的所述输入的所述实输入部分；以及生成对所述机器学习模型的所述双重注意力组件的所述输入的所述虚输入部分；其中使所述至少一个处理器生成对所述机器学习模型的所述双重注意力组件的所述输入的所述实输入部分的所述一个或多个指令使所述至少一个处理器：提供所述一维特征提取卷积层针对所述第一多个特征的所述组合实部分的所述输出作为对dropout层的输入，以生成实当代交易度量特征向量作为所述第一实输入；提供所述一维特征提取卷积层针对所述第二多个特征的所述组合实部分的所述输出作为对所述dropout层的输入，以生成实历史交易度量特征向量作为所述第二实输入；以及提供所述一维特征提取卷积层针对所述第三多个特征的所述组合实部分的所述输出作为对所述dropout层的输入，以生成实历史目标交易度量特征向量作为所述第三实输入；并且其中使所述至少一个处理器生成对所述机器学习模型的所述双重注意力组件的所述输入的所述虚输入部分的所述一个或多个指令使所述至少一个处理器：提供所述一维特征提取卷积层针对所述第一多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚当代交易度量特征向量作为所述第一虚输入；提供所述一维特征提取卷积层针对所述第二多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚历史交易度量特征向量作为所述第二虚输入；以及提供所述一维特征提取卷积层针对所述第三多个特征的所述组合虚部分的所述输出作为对所述dropout层的输入，以生成虚历史目标交易度量特征向量作为所述第三虚输入。30.根据权利要求29所述的计算机程序产品，其中使所述至少一个处理器生成所述实分量注意力矩阵的所述一个或多个指令使所述至少一个处理器：生成所述实当代交易度量特征向量和所述实历史交易度量特征向量的点积；
提供所述实当代交易度量特征向量和所述实历史交易度量特征向量的所述点积作为对softmax层的输入，以生成实注意力特征向量；以及生成所述实注意力特征向量和所述实历史目标交易度量特征向量的点积，以生成所述实分量注意力矩阵；其中使所述至少一个处理器生成所述虚分量注意力矩阵的所述一个或多个指令使所述至少一个处理器：生成所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的点积；提供所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的所述点积作为对softmax层的输入，以生成虚注意力特征向量；以及生成所述虚注意力特征向量和所述虚历史目标交易度量特征向量的点积，以生成所述虚分量注意力矩阵。31.根据权利要求29所述的计算机程序产品，其中使所述至少一个处理器生成所述实分量注意力矩阵的所述一个或多个指令使所述至少一个处理器：对所述实当代交易度量特征向量和所述实历史交易度量特征向量执行加法函数；提供所述实当代交易度量特征向量和所述实历史交易度量特征向量的所述加法函数的结果，作为对tanh激活函数的输入；提供所述tanh激活函数的输出作为对softmax层的输入，以生成实注意力特征向量；以及生成所述实注意力特征向量和所述实历史目标交易度量特征向量的点积，以生成所述实分量注意力矩阵；其中使所述至少一个处理器生成所述虚分量注意力矩阵的所述一个或多个指令使所述至少一个处理器：对所述虚当代交易度量特征向量和所述虚历史交易度量特征向量执行加法函数；提供所述虚当代交易度量特征向量和所述虚历史交易度量特征向量的所述加法函数的结果，作为对tanh激活函数的输入；提供所述tanh激活函数的输出作为对softmax层的输入，以生成虚注意力特征向量；以及生成所述虚注意力特征向量和所述虚历史目标交易度量特征向量的点积，以生成所述虚分量注意力矩阵。32.根据权利要求29所述的计算机程序产品，其中使所述至少一个处理器提供所述机器学习模型的所述双重注意力组件的所述输出作为对所述机器学习模型的所述学习和预测组件的所述输入的所述一个或多个指令使所述至少一个处理器：将所述实分量注意力矩阵和所述实当代交易度量特征向量连接以生成第一连接；提供所述第一连接作为对特征学习一维卷积层的输入；将所述虚分量注意力矩阵和所述虚当代交易度量特征向量连接以生成第二连接；提供所述第二连接作为对所述特征学习一维卷积层的输入；基于所述特征学习一维卷积层针对所述第一连接的输出提供对重构层的输入以生成实分量特征向量；以及基于所述特征学习一维卷积层针对所述第二连接的输出提供对所述重构层的输入以
生成虚分量特征向量。33.根据权利要求32所述的计算机程序产品，其中使所述至少一个处理器生成所述机器学习模型的所述输出的所述一个或多个指令使所述至少一个处理器被编程或配置成：基于所述实分量特征向量和所述虚分量特征向量生成复数特征向量；以及提供所述复数特征向量作为对逆fft层的输入以生成所述当代目标交易度量。
技术总结
提供一种用于分析多变量时间序列的系统，所述系统包括至少一个处理器，所述至少一个处理器被编程或配置成接收历史数据点的时间序列，确定历史时间段，确定当代时间段，从所述历史时间段确定与历史交易度量相关联的数据点的第一时间序列，从所述历史时间段确定与历史目标交易度量相关联的数据点的第二时间序列，从所述当代时间段确定与当代交易度量相关联的数据点的第三时间序列，以及生成机器学习模型，其中所述机器学习模型被配置成提供包括与当代目标交易度量相关联的数据点的预测时间序列的输出。还提供了方法和计算机程序产品。序列的输出。还提供了方法和计算机程序产品。序列的输出。还提供了方法和计算机程序产品。
技术研发人员：庄中方 M
受保护的技术使用者：维萨国际服务协会
技术研发日：2022.05.24
技术公布日：2023/3/31