[发明专利]一种交易量预测方法及装置

权利要求书

1.一种交易量预测方法，其特征在于，包括：

获取预测起始日的预测特征数据；

对所述预测特征数据进行预处理，得到所述预测特征数据对应的预测特征向量；

基于所述预测特征向量和交易量预测模型，对所述预测起始日后的预设时间段内的交易量进行预测，得到交易量预测值；其中，所述交易量预测模型是基于预设时间段内的历史预测特征数据集、所述历史预测特征数据集对应的历史交易量和原始模型训练得到的；

根据所述交易量预测值对后台服务器资源进行调配。

2.如权利要求1所述的方法，其特征在于，所述预测特征数据包括：预测起始日前预设时间段内的每日交易量和活动信息。

3.如权利要求1所述的方法，其特征在于，获取预测起始日的预测特征数据包括以下步骤：

获取所述预测起始日前预设时间段内的交易日志文件；

从所述交易日志文件中提取所述预测特征数据。

4.如权利要求1所述的方法，其特征在于，基于预设时间段内的历史预测特征数据集、所述历史预测特征数据集对应的历史交易量和原始模型训练得到所述交易量预测模型包括以下步骤：

获取预设时间段内的历史预测特征数据集和所述历史预测特征数据集对应的历史交易量；其中，所述历史预测特征数据集包括历史起始日和历史起始日的预测特征数据；

对所述历史预测特征数据进行预处理，得到所述历史预测特征数据对应的历史预测特征向量；

基于所述历史预测特征向量和所述历史交易量对所述原始模型进行训练，得到所述交易量预测模型。

5.如权利要求4所述的方法，其特征在于，所述原始模型为差分整合移动平均自回归模型或长短时神经网络模型。

6.如权利要求5所述的方法，其特征在于，基于所述历史预测特征向量和所述历史交易量对所述原始模型进行训练，得到所述交易量预测模型包括以下步骤：

基于所述历史预测特征向量和所述历史交易量对所述差分整合移动平均自回归模型进行训练，得到第一预测模型；

基于所述历史预测特征向量和所述历史交易量对所述长短时神经网络模型进行训练，得到第二预测模型；

使用加权算法对所述第一预测模型和所述第二预测模型进行融合，得到所述交易量预测模型。

7.一种交易量预测装置，其特征在于，包括：

获取模块，用于获取预测起始日的预测特征数据；

数据处理模块，用于对所述预测特征数据进行预处理，得到所述预测特征数据对应的预测特征向量；

预测模块，用于基于所述预测特征向量和交易量预测模型，对所述预测起始日后的预设时间段内的交易量进行预测，得到交易量预测值；其中，所述交易量预测模型是基于预设时间段内的历史预测特征数据集、所述历史预测特征数据集对应的历史交易量和原始模型训练得到的；

调度模块，用于根据所述交易量预测值对后台服务器资源进行调配。

8.如权利要求7所述的装置，其特征在于，所述获取模块包括：

获取单元，用于获取所述预测起始日前预设时间段内的交易日志文件；

特征提取单元，用于从所述交易日志文件中提取所述预测特征数据。

9.如权利要求7所述的装置，其特征在于，还包括：

样本获取模块，用于获取预设时间段内的历史预测特征数据集和所述历史预测特征数据集对应的历史交易量；其中，所述历史预测特征数据集包括历史起始日和历史起始日的预测特征数据；

预处理模块，用于对所述历史预测特征数据进行预处理，得到所述历史预测特征数据对应的历史预测特征向量；

模型训练模块，用于基于所述历史预测特征向量和所述历史交易量对所述原始模型进行训练，得到所述交易量预测模型。