金融服务量序列值的确定方法及装置、电子设备与流程

本发明涉及金融科技领域或其他相关领域，具体而言，涉及一种金融服务量序列值的确定方法及装置、电子设备。

背景技术：

1、在金融机构的客户服务中心，需要提供合理的服务人员排布，通过合理的人员排布能够保证客户服务中心队列管理关键指标达成的同时减少人员成本。但服务量分布是不稳定的，经常受很多因素的影响而变化，服务量序列具有高噪声、非平稳、多尺度和长记忆等特点，同时与其他因素之间存在复杂关系，因此可视为多特征输入的时间序列问题。

2、相关技术中，在多特征输入的时间序列问题的处理过程中，采用特征序列建模方法，难以建模时间序列内部的短期/长期依赖关系以及序列之间的相互关联关系；且对非平稳时间序列的预测误差较大，基于机器学习方法的时间序列预测模型结果存在滞后现象，而常用的深度学习方法在处理多变量时间序列问题时无法描述序列之间动态的相互依赖关系。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种金融服务量序列值的确定方法及装置、电子设备，以至少解决相关技术中对于金融机构服务量排布指示的多特征时间序列，无法准确获取到序列之间的相互依赖关系，导致排布效果较差的技术问题。

2、根据本发明实施例的一个方面，提供了一种金融服务量序列值的确定方法，包括：接收关联目标金融业务的n个服务量驱动序列，采用多尺度分解算法将各个所述服务量驱动序列分解到不同的频域空间内，得到对应的固有模态函数，并将该固有模态函数作为编解码集合中第一编码器的输入信息，其中，所述服务量驱动序列为历史过程中涉及所述目标金融业务产生的多个时间点序列，所述固有模态函数包含所述服务量驱动序列中不同的波动特征信息，所述编解码集合中包含m组编码器与解码器，n为大于1的正整数，m为正整数；在每组所述编码器的组合注意力层中，对输入的所述固有模态函数进行编码操作，并采用lstm单元将上一时刻的编码隐藏状态信息与输入的所述固有模态函数进行组合，输出当前时刻的隐藏状态；根据当前时刻的模态参数更新当前时刻的隐藏状态，聚合得到当前时刻的隐藏状态矩阵，其中，所述当前时刻的隐藏状态矩阵包含不同时间点序列的重要度以及序列内部的时间依赖关系；在解码器的时间注意力层中，基于输入的上下文向量以及上一时刻的解码器隐藏状态，通过组合注意力机制计算注意力权重，得到所有时间步的编码隐藏状态的加权和，其中，所述上下文向量是由历史时间点的编码隐藏状态的加权和与新的隐藏状态加权和进行拼接后得到的，所述新的隐藏状态加权和是通过隐藏状态矩阵中的时间依赖关系以及序列波动特征信息得到；基于第m组的解码器输出的编码隐藏状态的加权和指示的输出量，确定在下一时间点所述目标金融业务所需的服务量序列值。

3、可选地，采用多尺度分解算法将各个所述服务量驱动序列分解到不同的频域空间内，得到对应的固有模态函数的步骤，包括：步骤s1，对于每个所述服务量驱动序列，确定所述服务量驱动序列中的最大值和最小值；步骤s2，采用预设插值多项式法根据最大值和最小值构造所述服务量驱动序列的上下包络线；步骤s3，根据所述上下包络线计算所述服务量驱动序列的局部均值，并将所述服务量驱动序列减去所述局部均值，得到新驱动序列；步骤s4，采用所述新驱动序列代替所述服务量驱动序列，并重复执行步骤s1至步骤s3，直至最新的所述新驱动序列与上一个所述新驱动序列之间的方差小于预设方差阈值，定义最新的所述新驱动序列为该所述服务量驱动序列的固有模态函数；步骤s5，将固有模态函数与所述服务量驱动序列相减分离，得到差分序列；步骤s6，采用所述差分序列代替所述服务量驱动序列，并重复执行步骤s1至步骤s5，直到满足终止条件，其中，所述终止条件包括：差分序列满足单调性，或，差分序列只有一个零点。

4、可选地，采用lstm单元将上一时刻的编码隐藏状态信息与输入的所述固有模态函数进行组合，输出当前时刻的隐藏状态的步骤，包括：采用lstm单元提取所述固有模态函数中的隐藏状态特征列向量，其中，所述隐藏状态列向量中包含序列正反向信息；采用加性注意力机制对所述隐藏状态特征列向量进行处理，得到所述固有模态函数中不同时间点序列的重要度；基于多个所述隐藏状态特征列向量构建初始隐藏状态矩阵，其中，所述初始隐藏状态矩阵中的行向量代表同一输入特征在t个时间步长下的状态向量，列向量代表单一时间步长下所有输入特征的状态向量；在所述初始隐藏状态矩阵的行向量上通过卷积神经网络的卷积核进行增强处理，并采用组合注意力机制跨时间步长获取所述初始隐藏状态矩阵内部的相互依赖关系，得到序列内部的时间依赖关系，其中，所述组合注意力机制是指由加性注意力机制与时间模式注意力机制组合得到的机制。

5、可选地，根据当前时刻的模态参数更新当前时刻的隐藏状态，聚合得到当前时刻的隐藏状态矩阵的步骤，包括：基于所述当前时刻的隐藏状态矩阵包含的时间依赖关系确定时间模式矩阵；提取所述时间模式矩阵中行向量；采用向量间相似性度量函数，对所述时间模式矩阵中行向量以及对应的权重系数进行相乘处理，得到初始上下文向量；对所述初始上下文向量以及对应的第一变化系数矩阵、所述当前时刻的隐藏状态以及对应的第二变化系数矩阵进行全连接处理，聚合得到当前时刻的隐藏状态矩阵。

6、可选地，所述当前时刻的模态参数是预先生成的，在生成所述当前时刻的模态参数时，包括：采用包含一个隐藏层的前馈网络将上一时刻的编码器隐藏状态和细胞状态结合，计算注意力的分布，得到注意力得分；使用softmax函数将所述注意力得分归一化成权重值；将所述权重值与当前时刻的固有模态函数观测值相乘，得到所述当前时刻的模态参数。

7、可选地，对于输入的上下文向量，包括：综合所述当前时刻的隐藏状态矩阵中的时间依赖关系以及所述固有模态函数中的所述波动特征信息，通过时间模式注意力机制，生成所述新的隐藏状态加权和；对所述新的隐藏状态加权和以及所述历史时间点的编码隐藏状态的加权和进行拼接处理，得到拼接后的所述上下文向量。

8、可选地，基于第m组的解码器输出的编码隐藏状态的加权和指示的输出量，确定在下一时间点所述目标金融业务所需的服务量序列值的步骤，包括：将关联目标金融业务的n个服务量驱动序列输入至自回归模型，由所述自回归模型对n个服务量驱动序列进行自回归处理，得到服务回归输出量；将所述第m组的解码器输出的编码隐藏状态的加权和指示的输出量与所述服务回归输出量进行累加，得到在下一时间点所述目标金融业务所需的服务量序列值。

9、根据本发明实施例的另一方面，还提供了一种金融服务量序列值的确定装置，包括：序列分解单元，用于接收关联目标金融业务的n个服务量驱动序列，采用多尺度分解算法将各个所述服务量驱动序列分解到不同的频域空间内，得到对应的固有模态函数，并将该固有模态函数作为编解码集合中第一编码器的输入信息，其中，所述服务量驱动序列为历史过程中涉及所述目标金融业务产生的多个时间点序列，所述固有模态函数包含所述服务量驱动序列中不同的波动特征信息，所述编解码集合中包含m组编码器与解码器，n为大于1的正整数，m为正整数；编码单元，用于在每组所述编码器的组合注意力层中，对输入的所述固有模态函数进行编码操作，并采用lstm单元将上一时刻的编码隐藏状态信息与输入的所述固有模态函数进行组合，输出当前时刻的隐藏状态；隐藏聚合单元，用于根据当前时刻的模态参数更新当前时刻的隐藏状态，聚合得到当前时刻的隐藏状态矩阵，其中，所述当前时刻的隐藏状态矩阵包含不同时间点序列的重要度以及序列内部的时间依赖关系；组合注意力计算单元，用于在解码器的时间注意力层中，基于输入的上下文向量以及上一时刻的解码器隐藏状态，通过组合注意力机制计算注意力权重，得到所有时间步的编码隐藏状态的加权和，其中，所述上下文向量是由历史时间点的编码隐藏状态的加权和与新的隐藏状态加权和进行拼接后得到的，所述新的隐藏状态加权和是通过隐藏状态矩阵中的时间依赖关系以及序列波动特征信息得到；服务量确定单元，用于基于第m组的解码器输出的编码隐藏状态的加权和指示的输出量，确定在下一时间点所述目标金融业务所需的服务量序列值。

10、可选地，所述序列分解单元包括：第一确定模块，用于执行步骤s1，对于每个所述服务量驱动序列，确定所述服务量驱动序列中的最大值和最小值；第一构造模块，用于执行步骤s2，采用预设插值多项式法根据最大值和最小值构造所述服务量驱动序列的上下包络线；第一计算模块，用于执行步骤s3，根据所述上下包络线计算所述服务量驱动序列的局部均值，并将所述服务量驱动序列减去所述局部均值，得到新驱动序列；第一重复模块，用于执行步骤s4，采用所述新驱动序列代替所述服务量驱动序列，并重复执行步骤s1至步骤s3，直至最新的所述新驱动序列与上一个所述新驱动序列之间的方差小于预设方差阈值，定义最新的所述新驱动序列为该所述服务量驱动序列的固有模态函数；第一相减模块，用于执行步骤s5，将固有模态函数与所述服务量驱动序列相减分离，得到差分序列；第二重复模块，用于执行步骤s6，采用所述差分序列代替所述服务量驱动序列，并重复执行步骤s1至步骤s5，直到满足终止条件，其中，所述终止条件包括：差分序列满足单调性，或，差分序列只有一个零点。

11、可选地，编码单元包括：第一提取模块，用于采用lstm单元提取所述固有模态函数中的隐藏状态特征列向量，其中，所述隐藏状态列向量中包含序列正反向信息；第一处理单元，用于采用加性注意力机制对所述隐藏状态特征列向量进行处理，得到所述固有模态函数中不同时间点序列的重要度；第二构造模块，用于基于多个所述隐藏状态特征列向量构建初始隐藏状态矩阵，其中，所述初始隐藏状态矩阵中的行向量代表同一输入特征在t个时间步长下的状态向量，列向量代表单一时间步长下所有输入特征的状态向量；第二处理模块，用于在所述初始隐藏状态矩阵的行向量上通过卷积神经网络的卷积核进行增强处理，并采用组合注意力机制跨时间步长获取所述初始隐藏状态矩阵内部的相互依赖关系，得到序列内部的时间依赖关系，其中，所述组合注意力机制是指由加性注意力机制与时间模式注意力机制组合得到的机制。

12、可选地，所述隐藏聚合单元包括：第二确定模块，用于基于所述当前时刻的隐藏状态矩阵包含的时间依赖关系确定时间模式矩阵；第二提取模块，用于提取所述时间模式矩阵中行向量；第一相乘模块，用于采用向量间相似性度量函数，对所述时间模式矩阵中行向量以及对应的权重系数进行相乘处理，得到初始上下文向量；第三处理模块，用于对所述初始上下文向量以及对应的第一变化系数矩阵、所述当前时刻的隐藏状态以及对应的第二变化系数矩阵进行全连接处理，聚合得到当前时刻的隐藏状态矩阵。

13、可选地，所述当前时刻的模态参数是预先生成的，在生成所述当前时刻的模态参数时，金融服务量序列值的确定装置包括：注意力计算单元，用于采用包含一个隐藏层的前馈网络将上一时刻的编码器隐藏状态和细胞状态结合，计算注意力的分布，得到注意力得分；归一化单元，用于使用softmax函数将所述注意力得分归一化成权重值；第二相乘模块，用于将所述权重值与当前时刻的固有模态函数观测值相乘，得到所述当前时刻的模态参数。

14、可选地，对于输入的上下文向量，金融服务量序列值的确定装置包括：生成单元，用于综合所述当前时刻的隐藏状态矩阵中的时间依赖关系以及所述固有模态函数中的所述波动特征信息，通过时间模式注意力机制，生成所述新的隐藏状态加权和；拼接单元，用于对所述新的隐藏状态加权和以及所述历史时间点的编码隐藏状态的加权和进行拼接处理，得到拼接后的所述上下文向量。

15、可选地，所述服务量确定单元包括：自回归模块，用于将关联目标金融业务的n个服务量驱动序列输入至自回归模型，由所述自回归模型对n个服务量驱动序列进行自回归处理，得到服务回归输出量；累加模块，用于将所述第m组的解码器输出的编码隐藏状态的加权和指示的输出量与所述服务回归输出量进行累加，得到在下一时间点所述目标金融业务所需的服务量序列值。

16、根据本发明实施例的另一方面，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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项的金融服务量序列值的确定方法。

17、根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项的金融服务量序列值的确定方法。

18、在本公开中，接收关联目标金融业务的n个服务量驱动序列，采用多尺度分解算法将各个服务量驱动序列分解到不同的频域空间内，得到对应的固有模态函数，并将该固有模态函数作为编解码集合中第一编码器的输入信息，其中，服务量驱动序列为历史过程中涉及目标金融业务产生的多个时间点序列，固有模态函数包含服务量驱动序列中不同的波动特征信息，编解码集合中包含m组编码器与解码器，在每组编码器的组合注意力层中，对输入的固有模态函数进行编码操作，并采用lstm单元将上一时刻的编码隐藏状态信息与输入的固有模态函数进行组合，输出当前时刻的隐藏状态；根据当前时刻的模态参数更新当前时刻的隐藏状态，聚合得到当前时刻的隐藏状态矩阵，其中，当前时刻的隐藏状态矩阵包含不同时间点序列的重要度以及序列内部的时间依赖关系；在解码器的时间注意力层中，基于输入的上下文向量以及上一时刻的解码器隐藏状态，通过组合注意力机制计算注意力权重，得到所有时间步的编码隐藏状态的加权和，其中，上下文向量是由历史时间点的编码隐藏状态的加权和与新的隐藏状态加权和进行拼接后得到的，新的隐藏状态加权和是通过隐藏状态矩阵中的时间依赖关系以及序列波动特征信息得到；基于第m组的解码器输出的编码隐藏状态的加权和指示的输出量，确定在下一时间点目标金融业务所需的服务量序列值。

19、在本公开中，可以结合不同注意力机制提取特征的能力，将注意力机制相互组合加入编码器-解码器当中，更准确地捕获不同输入序列之间以及序列内部隐藏状态之间相互的关联关系，更有效地提取序列短期和长期依赖信息，最后通过依赖关系以及序列波动特征得到下一时间点所需的服务量序列值，增强金融业务的排布能力，从而解决相关技术中对于金融机构服务量排布指示的多特征时间序列，无法准确获取到序列之间的相互依赖关系，导致排布效果较差的技术问题。

20、在本公开中，提出构建组合注意力机制模型用于对输入的多特征进行特征提取，通过与编码器-解码器结构相结合，对多个驱动序列以及目标序列之间的以及序列内部的短期/长期依赖关系以及相互依赖关系，提升模型预测的准确性。

21、在本公开中，提出多尺度分解与注意力机制的组合预测框架，将多尺度分解方法与长-短期记忆网络、注意力机制结合，通过将经过模态分解得到的固有模态函数集合输入到注意力机制中，通过注意力模型的自适应机制选择对预测有用的信息，并能跨频域学习到相关信息，最终达到去噪的目的，有效地抑制数据中的噪声实现服务量的高精度预测。