[发明专利]业务量预测模型构建方法和业务量预测方法

权利要求书

1.一种业务量预测模型构建方法，所述方法包括：

获取历史业务量数据；

基于所述历史业务量数据构建历史样本集；

对所述历史样本集进行离散处理以及完全升采样处理，生成训练样本集；

通过所述训练样本集以及动态采样算法，对预设初始随机神经网络进行训练，构建业务量预测模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述历史业务量数据构建历史样本集包括：

基于所述历史业务量数据，构造各历史日期对应的业务量时序特征数据；

根据所述各历史日期对应的真实业务量与所述业务量时序特征数据，构建历史样本集。

3.根据权利要求1所述的方法，其特征在于，所述对所述历史样本集进行离散处理以及完全升采样处理，生成训练样本集包括：

根据所述历史样本集内各历史样本中的真实业务量，对所述历史样本集进行离散化处理，将所述历史样本集内的各个历史样本划分入各业务量区间；

根据所述各业务量区间内历史样本的数量，对所述各业务量区间进行完全升采样处理。

4.根据权利要求1所述的方法，其特征在于，所述通过所述训练样本集以及动态采样算法，对预设初始随机神经网络进行训练，获取业务量预测模型包括：

将所述训练样本集划分为训练集和验证集；

通过所述训练集对初始随机神经网络开始迭代训练，获取迭代神经网络；

通过所述验证集对所述迭代神经网络进行验证，获所述取验证集对应的样本误差；

根据所述样本误差，获取所述训练集中各样本继续作为训练集的被选概率；

根据所述被选概率，对所述训练集进行非完全升采样，得到更新后的训练集和更新后的验证集；

将更新后的训练集重新作为训练集、将更新后的验证集重新作为验证集、并将迭代神经网络重新作为初始随机神经网络，返回所述通过所述训练集对初始随机神经网络开始迭代训练的步骤；

获取每次迭代训练中对应的验证集内各样本的样本误差下降率，当所述样本误差下降率低于预设阈值时，迭代结束，将最新的迭代神经网络作为业务量预测模型。

5.根据权利要求4所述的方法，其特征在于，所述通过所述训练集对初始随机神经网络开始迭代训练，获取迭代神经网络包括：

通过所述训练集以及随机化的网络超参数对预设数量的初始随机神经网络进行训练，并为所述预设数量的初始随机神经网络分配不同的初始学习率、衰减速率以及激活函数，获取迭代神经网络。

6.根据权利要求5所述的方法，其特征在于，所述通过所述训练集以及随机化的网络超参数对预设数量的初始随机神经网络进行训练，并为所述预设数量的初始随机神经网络分配不同的初始学习率、衰减速率以及激活函数，获取迭代神经网络包括：

通过所述训练集以及随机化的网络超参数对预设数量的初始随机神经网络进行训练，并为所述预设数量的初始随机神经网络分配不同的初始学习率、衰减速率以及激活函数，获取过渡神经网络；

通过网络优化选择算法对所述过渡神经网络进行过滤筛选，获取迭代神经网络。

7.一种业务量预测方法，其特征在于，所述方法包括：

获取待预测日对应的业务量时序特征数据；

将所述业务量时序特征数据输入业务量预测模型，获取所述待预测日对应的业务量数据，所述业务量预测模型基于权利要求1至6中任一项所述方法构建。

8.一种业务量预测模型构建装置，其特征在于，所述装置包括：

历史数据获取模块，用于获取历史业务量数据；

第一样本集构建模块，用于基于所述历史业务量数据构建历史样本集；

第二样本集构建模块，对所述历史样本集进行离散处理以及完全升采样处理，生成训练样本集；

模型训练模块，通过所述训练样本集以及动态采样算法，对预设初始随机神经网络进行训练，构建业务量预测模型。