[发明专利]一种交易量预测方法、设备、装置及存储介质

说明书

本发明公开了一种交易量预测方法、设备、装置和存储介质，通过获取待处理交易量数据，将所述待处理交易量数据输入至目标预测模型中，其中，所述目标预测模型是基于样本数据，对预设待训练模型进行迭代训练得到的，所述样本数据是从原始数据中提取的，具有时间动态数列的周期性特征的数据，基于所述目标预测模型对所述待处理交易量数据进行预测处理，得到目标预测结果，本申请提高了所述目标预测模型的预测准确率。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种交易量预测方法、设备、 装置及存储介质。

背景技术

目前监控系统在依靠人工智能、大数据、云计算、物联网等技术大规模 迁移和升级迭代的过程中，系统架构日趋复杂，现有的监控系统主要使用实 时数据或者依靠系统运维人员定制的日志规则进行监控预警，该方案对系统 运维历史数据利用不充分，无法深入挖掘运维历史数据价值从而实现对交易 量的精准预测，且部分交易监控系统，对交易量预测的准确度过度依赖开发 人员的技术水平和运维经验，难以推广到多交易系统，为提高推广性而引入 了时间序列模型进行交易量预测的监控系统，难以满足时间序列对平稳性的要求，因此，当使用时间序列模型的监控系统接入多个交易系统进行预测时， 预测模型泛化能力不强，导致整体预测准确率较低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是 现有技术。

发明内容

本发明的主要目的在于提供一种交易量预测方法，旨在解决现有监控系 统中交易量预测模型泛化能力不强，导致整体预测准确率较低的技术问题。

为实现上述目的，本发明提供一种交易量预测方法，所述交易量预测方 法包括：

获取待处理交易量数据，将所述待处理交易量数据输入至目标预测模型 中；

其中，所述目标预测模型是基于样本数据，对预设待训练模型进行迭代 训练得到的，所述样本数据是从原始数据中提取的，具有时间动态数列的周 期性特征的数据；

基于所述目标预测模型对所述待处理交易量数据进行预测处理，得到目 标预测结果。

可选地，所述获取待处理交易量数据，将所述待处理交易量数据输入至 目标预测模型中的步骤之前，所述方法包括：

获取原始数据，并对所述原始数据进行清洗，得到日志信息，其中，所述 日志信息为具有周期性特征的时间动态数列；

确定所述日志信息的周期性特征，根据所述周期性特征剔除异常数据， 以得到所述样本数据；

基于所述样本数据，对预设待训练模型进行迭代训练，以得到所述目标 预测模型。

可选地，所述获取原始数据，并对所述原始数据进行清洗，得到日志信息 的步骤，包括：

在各个预设交易系统中进行数据埋点，通过预设的数据采集平台采集所 述原始数据，并按照预设规则将所述原始数据进行缓存；

在各个预设交易系统中配置清洗脚本，以对缓存的所述原始数据进行清 洗，得到各个预设交易系统的日志信息。

可选地，所述根据所述周期性特征剔除异常数据，以得到所述样本数据 的步骤，包括：

根据所述周期性特征确定采样长度，根据所述采样长度，设置阈值范围；

将所述日志信息中的数据与所述阈值范围进行比对，将超出所述阈值范 围的数据进行剔除，得到所述样本数据。

可选地，所述基于样本数据，对预设待预训练型进行迭代训练，以得到 所述目标预测模型的步骤，包括：

利用所述样本数据，对所述预设待训练模型进行线下训练，得到所述预 设待训练模型的超参数组合；