本发明涉及数据处理,尤其涉及一种业务数据预测系统、方法、电子设备及存储介质。
背景技术:
1、在实际项目以及业务流程过程中,业务数据(如项目、电网、商品或工程等管理系统运行所产生的各种数据)的决定因素非常多样化,导致数据波动较为反复,而现有的业务数据的管理系统往往仅基于数据的大致变化趋势进行预测,对于波动较为显著的数据,则无法提取趋势特征进行有效预测,导致业务数据的管理系统的预测效果较差。现有技术存在针对业务情况中的各种突发、非线性或波动情况应对不齐全,导致鲁棒性和精度不够的问题。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明提出一种业务数据预测系统、方法、电子设备及存储介质,能够提高业务数据预测的准确度。
2、一方面,本发明实施例提供了一种业务数据预测系统,包括:
3、平稳性检验模块,用于获取历史业务数据序列,对所述历史业务数据序列进行平稳性检验,进而确定平滑初始值;所述历史业务数据序列包括若干期的业务数据;
4、指数平滑预测模块,用于基于所述平滑初始值和所述历史业务数据序列,通过残差迭代进行二阶指数平滑预测,获得拟合业务数据预测值和残差序列;
5、残差预测模块,用于利用残差预测模型,对所述残差序列进行分析,获得残差预测结果;
6、其中,所述残差预测模型基于神经网络通过梯度下降法训练得到,所述神经网络包括输入层、隐藏层和输出层;
7、结果预测模块,用于根据所述拟合业务数据预测值和所述残差预测结果,获得目标业务数据预测。
8、可选地,平稳性检验模块,包括:
9、显著值获取单元,用于通过单位根检验对所述历史业务数据序列进行平稳性检验,获得所述单位根检验的显著性值;
10、第一初始值获取模块,用于当所述显著性值小于或等于第一预设阈值,获取所述历史业务数据序列中第一期所述业务数据作为业务数据初始值;
11、第二初始值获取模块,用于当所述显著性值大于所述第一预设阈值,获取所述历史业务数据序列中各期所述业务数据的平均值作为业务数据初始值。
12、可选地,指数平滑预测模块,包括:
13、第一获取单元,用于获取初始平滑系数作为目标平滑系数;
14、指数平滑值确定单元,用于基于所述平滑初始值和各期所述业务数据,结合所述目标平滑系数确定各期的指数平滑值;所述指数平滑值包括一次指数平滑值和二次指数平滑值;
15、第一业务预测单元,用于基于各期的所述指数平滑值,确定各期的第一业务数据预测值;
16、平滑系数确定单元,用于基于各期的所述第一业务数据预测值,确定各期的残差值;并基于各期的所述残差值,确定最终平滑系数;
17、第二业务预测单元,用于以所述最终平滑系数作为目标平滑系数,然后返回所述指数平滑值确定单元,进而根据得到的所述第一业务数据预测值确定拟合业务数据预测值,并基于各期的所述残差值确定残差序列。
18、可选地,第一业务预测单元,包括:
19、第一预测子单元,用于基于所述一次指数平滑值和所述二次指数平滑值,确定第一预测参数;
20、第二预测子单元,用于基于所述一次指数平滑值和所述二次指数平滑值,结合所述初始平滑系数,确定第二预测参数;
21、第三预测子单元,用于基于所述第一预测参数和所述第二预测参数,结合预测期数,确定各期的第一业务数据预测值。
22、可选地,平滑系数确定单元,包括:
23、残差迭代子单元,用于基于各期的所述残差值,通过残差平方和的迭代获得最终平滑系数。
24、可选地,系统还包括:
25、训练样本确定模块,用于根据所述残差序列,确定残差训练样本;
26、模型训练模块,用于通过所述残差训练样本对所述神经网络进行梯度下降法训练,并基于每一轮训练获得的计算误差,对所述输入层和所述隐藏层的权值进行调整,直至所述计算误差小于第二预设阈值,获得残差预测模型。
27、可选地,残差预测模块,包括:
28、输出信息单元,用于根据所述残差序列,结合所述输入层各神经元到所述隐藏层各神经元的权值和所述隐藏层各神经元的第一参数阈值,得到所述输入层到所述隐藏层的输出信息;其中,所述输入层和所述隐藏层均包括多个神经元;
29、输入信息单元,用于根据所述输出信息,结合所述隐藏层各神经元的权值,得到所述隐藏层到所述输出层的输入信息;
30、残差预测单元,用于根据所述输入信息,结合第二参数阈值,得到残差预测结果。
31、另一方面,本发明实施例提供了一种业务数据预测方法,应用于前面的系统,包括:
32、获取历史业务数据序列,对历史业务数据序列进行平稳性检验,进而确定平滑初始值;历史业务数据序列包括若干期的业务数据;
33、基于平滑初始值和历史业务数据序列,通过残差迭代进行二阶指数平滑预测,获得拟合业务数据预测值和残差序列;
34、利用残差预测模型,对残差序列进行分析,获得残差预测结果;
35、其中,残差预测模型基于神经网络通过梯度下降法训练得到,神经网络包括输入层、隐藏层和输出层;
36、根据拟合业务数据预测值和残差预测结果,获得目标业务数据预测。
37、可选地,对历史业务数据序列进行平稳性检验,并确定业务数据初始值,包括:
38、通过单位根检验对历史业务数据序列进行平稳性检验,获得单位根检验的显著性值;
39、当显著性值小于或等于第一预设阈值,获取历史业务数据序列中第一期业务数据作为业务数据初始值;
40、当显著性值大于第一预设阈值,获取历史业务数据序列中各期业务数据的平均值作为业务数据初始值。
41、可选地,基于平滑初始值和历史业务数据序列,通过残差迭代进行二阶指数平滑预测,获得拟合业务数据预测值和残差序列,包括:
42、获取初始平滑系数作为目标平滑系数;
43、基于平滑初始值和各期业务数据,结合目标平滑系数确定各期的指数平滑值;指数平滑值包括一次指数平滑值和二次指数平滑值;
44、基于各期的指数平滑值,确定各期的第一业务数据预测值;
45、基于各期的第一业务数据预测值,确定各期的残差值;并基于各期的残差值,确定最终平滑系数;
46、以最终平滑系数作为目标平滑系数,然后返回指数平滑值确定单元,进而根据得到的第一业务数据预测值确定拟合业务数据预测值,并基于各期的残差值确定残差序列。
47、可选地,基于各期的指数平滑值,确定各期的第一业务数据预测值,包括:
48、基于一次指数平滑值和二次指数平滑值,确定第一预测参数;
49、基于一次指数平滑值和二次指数平滑值,结合初始平滑系数,确定第二预测参数;
50、基于第一预测参数和第二预测参数,结合预测期数,确定各期的第一业务数据预测值。
51、可选地,基于各期的残差值,确定最终平滑系数,包括:
52、基于各期的残差值,通过残差平方和的迭代获得最终平滑系数。
53、可选地,方法还包括:
54、根据残差序列,确定残差训练样本;
55、模型训练模块,用于通过残差训练样本对神经网络进行梯度下降法训练,并基于每一轮训练获得的计算误差,对输入层和隐藏层的权值进行调整,直至计算误差小于第二预设阈值,获得残差预测模型。
56、可选地,利用残差预测模型,对残差序列进行分析,获得残差预测结果,包括:
57、根据残差序列,结合输入层各神经元到隐藏层各神经元的权值和隐藏层各神经元的第一参数阈值,得到输入层到隐藏层的输出信息;其中,输入层和隐藏层均包括多个神经元;
58、根据输出信息,结合隐藏层各神经元的权值,得到隐藏层到输出层的输入信息;
59、根据输入信息,结合第二参数阈值,得到残差预测结果。
60、另一方面,本发明实施例提供了一种电子设备,包括:处理器以及存储器;存储器用于存储程序;处理器执行程序实现上述业务数据预测方法。
61、另一方面,本发明实施例提供了一种计算机存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于实现上述业务数据预测方法。
62、本发明实施例首先通过平稳性检验模块获取历史业务数据序列,对历史业务数据序列进行平稳性检验,进而确定平滑初始值;历史业务数据序列包括若干期的业务数据;进而通过指数平滑预测模块基于平滑初始值和历史业务数据序列,通过残差迭代进行二阶指数平滑预测,获得拟合业务数据预测值和残差序列;进而通过残差预测模块利用残差预测模型,对残差序列进行分析,获得残差预测结果;其中,残差预测模型基于神经网络通过梯度下降法训练得到,神经网络包括输入层、隐藏层和输出层;最终通过结果预测模块根据拟合业务数据预测值和残差预测结果,获得目标业务数据预测。本发明实施例通过指数平滑对业务数据进行预测后,继续通过神经网络对指数平滑法预测结果的残差进行修正,结合指数平滑法和神经网络两者的特征优势,提高了对非线性数据的拟合能力,以及对业务数据预测的结果精度。能够有效解决现有管理系统针对业务情况中的各种突发、非线性或波动情况应对不齐全,导致鲁棒性和精度不够的问题。