银行交易量预测方法、资源分配方法、计算设备及介质与流程

本发明涉及银行交易技术领域，特别是指一种银行交易量预测方法、资源分配方法、计算设备及介质。

背景技术：

银行交易量预测是保证银行交易系统稳定运行的一个重要环节。

现阶段银行交易量预测通常采用arima模型进行预测。但是利用arima模型对银行交易量预测存在着较大的局限性，首先，arima模型只能对短期数据进行预测，并且对数据平稳性的要求较大。其次，arima模型只能捕捉线性关系，不能捕捉非线性关系。因此，arima模型只能对预测交易量较平稳的时间段进行预测，在一些特殊日子，当交易量不平稳时，该模型的预测结果会出现不准确的情况，比如，缴纳社保的时间，各单位发工资的时间。

技术实现要素：

有鉴于此，本申请的主要目的在于提供一种银行交易量预测方法、资源分配方法、计算设备及介质，以能提高银行交易量预测的准确性。

本申请提供的一种银行交易量预测方法，包括：

获取预测当日前预设时间段内待测银行每天的交易量；

基于所述预测当日前预设时间段内待测银行每天的交易量，利用预先训练的神经网络模型确定预测当日待测银行的交易量。

由上，由于神经网络模型的构建过程需要大量丰富的训练数据，因此，即使在交易量不稳定的情况下，本申请提供的预测方法仍可以保证预测结果的准确性；另外，本申请采用神经网络模型的优势还在于可以处理线性以及非线性的关系，使预测结果更加准确。

作为第一方面的一种实现方式，所述预先训练的神经网络模型的参数配比基于哈里斯鹰算法获得。

由上，使用哈里斯鹰算法对神经网络模型的参数进行最优化查找，最终获得最佳的参数配比，可以大大降低不适当的参数配比对预测结果产生的过拟合或欠拟合的影响，进一步提高该预先训练的神经网络模型输出数据的准确性。

作为第一方面的一种实现方式，所述预先训练的神经网络模型的参数配比的获得过程包括：

a：初始化迭代次数t＝1，最大迭代次数max_iter，在神经网络模型参数的上下限范围内随机生成n只哈里斯鹰，构成哈里斯鹰种群x；

b：根据当前迭代次数确定猎物的能量，并判断所述猎物的能量与第一预设阈值的大小关系；

c：基于所述大小关系更新哈里斯鹰种群x的位置；

d：基于更新后的哈里斯鹰种群x的位置确定哈里斯鹰种群x中各只哈里斯鹰的适应度值，并根据所述适应度值获得哈里斯鹰种群x的最优个体的位置；

e：以所述哈里斯鹰种群x的最优个体的位置和猎物所在位置之间的距离为搜索半径，利用二分法进行局部搜索，获得搜索后的哈里斯鹰种群x的最优个体的位置；

f：当所述搜索后的哈里斯鹰种群x的最优个体的位置与猎物所在位置之间的距离小于预设距离时，以所述搜索后的哈里斯鹰种群x的最优个体的位置为神经网络模型参数在所述上下限范围内的最优参数配比，否则，判断当前迭代次数是否小于最大迭代次数，若是，令t＝t+1，并返回b，否则，以所述搜索后的哈里斯鹰种群x的最优个体的位置为神经网络模型参数在所述上下限范围内的最优参数配比，并结束操作。

由上，通过引入二分法，增强了哈里斯鹰算法在局部的搜索能力，提高了查找结果的精度。

作为第一方面的一种实现方式，所述根据当前迭代次数确定猎物的能量，包括：

按下式确定猎物的能量e：

上式中，max_iter为初始化时预设的最大迭代次数，t为第t次迭代，φ为猎物被围捕后又逃逸的次数。

由上，提供了一种哈里斯鹰算法中猎物能量的计算方法，通过引入猎物被围捕后又逃逸的次数，来刻画猎物在被围捕过程中，经过短时间休整后得到能量补充的过程，使其可以更好的表现出总体呈现下降，但在过程中呈现不断震荡的过程。

作为第一方面的一种实现方式，所述基于所述大小关系更新哈里斯鹰种群x的位置，包括：

当所述猎物的能量大于第一预设阈值时，按下式更新哈里斯鹰种群x的位置：

当所述猎物的能量不大于第一预设阈值时，分四种情况：

(1)当猎物成功逃脱的机会不小于第二预设阈值、猎物的能量不大于第一预设阈值且不小于第二预设阈值时，按下式更新哈里斯鹰种群x的位置：

x(t+1)＝(xrabbit(t)-x(t))-e|2(1-r5)*xrabbit(t)-x(t)|

(2)当猎物成功逃脱的机会不小于第二预设阈值且猎物的能量小于第二预设阈值时，按下式更新哈里斯鹰种群x的位置：

x(t+1)＝xrabbit(t)-e|δx(t)|

(3)当猎物成功逃脱的机会小于第二预设阈值、猎物的能量不大于第一预设阈值且不小于第二预设阈值时，按下式更新哈里斯鹰种群x的位置：

y＝xrabbit(t)-e|2(1-r5)*xrabbit(t)-x(t)|

z＝y+s×lf(d)

(4)当猎物成功逃脱的机会小于第二预设阈值且猎物的能量小于第二预设阈值时，按下式更新哈里斯鹰种群x的位置：

y＝xrabbit(t)-e|2(1-r5)*xrabbit(t)-xm(t)|

z＝y+s×lf(d)

其中，x(t+1)为第t+1次迭代哈里斯鹰种群x的位置，xrand(t)为第t次迭代哈里斯鹰种群x中随机一只哈里斯鹰的位置，x(t)为第t次迭代哈里斯鹰种群x的位置，xrabbit(t)为第t次迭代猎物的位置，xm(t)为第t次迭代哈里斯鹰种群x中哈里斯鹰个体的平均位置，ub和lb为哈里斯鹰的捕猎范围，r1、r2、r3、r4、r5、q为[0,1)区间内的随机数，e为猎物的能量，s为1×d的随机向量，lf为levy的飞行函数，u,v为(0,1)区间内的随机数，β为常数1.5。

由上，根据猎物的能量与第一预设阈值的大小关系来更新更新哈里斯鹰种群x的位置，使哈里斯鹰的位置更接近猎物的位置以模拟接近最优解的方向。

作为第一方面的一种实现方式，所述利用二分法进行局部搜索，获得搜索后的哈里斯鹰种群x的最优个体的位置，包括：

其中，xt′为第t次迭代搜索后的哈里斯鹰种群x的最优个体的位置，r为搜索半径，f()为适应度函数。

由上，通过上述公式中的二分法，使哈里斯鹰算法具有局部寻优的能力，计算简单，收敛性能够得到保证。

作为第一方面的一种实现方式，所述预先训练的神经网络模型为预先训练的gru神经网络模型。

由上，通过采用gru神经网络模型，使网络结构更为简单，减少训练时间，提高训练效率。

本申请提供的一种资源分配方法，用于银行总部为各个银行分部进行资源的分配，所述资源分配方法包括：

对各个银行分部使用上述方法进行银行交易量预测；

根据对各个银行分部交易量预测的结果，为各个银行分部进行算力资源和/或网络资源的分配。

本申请提供的一种计算设备，包括：

总线；

通信接口，其与所述总线连接；

至少一个处理器，其与所述总线连接；以及

至少一个存储器，其与所述总线连接并存储有程序指令，所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行上述方法。

本申请提供的一种计算机可读存储介质，包括：

所述程序指令当被计算机执行时使得所述计算机执行上述方法。

综上，本发明引入神经网络模型，使其可以处理非线性关系，同时，由于神经网络模型需要大量的训练数据，因此可以使神经网络模型识别出由于特殊情况导致的交易量激增现象，从而提高银行交易量预测的准确性。

附图说明

图1为本申请实施例提供的一种银行交易量预测方法的流程示意图；

图2为本申请实施例提供的预先训练的神经网络模型参数配比获取过程的流程示意图；

图3为本申请实施例提供的传统哈里斯鹰算法中猎物能量的变化曲线图；

图4为本申请实施例提供的哈里斯鹰在捕食过程中与猎物间的追捕与反追捕的循环曲线图；

图5为本申请实施例提供的基于哈里斯鹰算法获得预先训练的神经网络模型的参数配比的过程的具体实现方式的流程图；

图6-9分别为算法hho，hho-u，pso，mvo四种方法在验证函数f6、f7、f8、f9适应度值的对比曲线；

图10-13分别为算法hho，hho-di，pso，mvo四种方法在验证函数f6、f7、f8、f9适应度值的对比曲线；

图14-17分别为算法hho，hho-u，hho-di，hho-udi，pso，mvo六种方法在验证函数f6、f7、f8、f9适应度值的对比曲线；

图18为本申请实施例提供的一种银行交易量预测系统的结构示意图；

图19为本申请实施例提供的计算设备的结构示意图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不局限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。

在以下的描述中，所涉及的术语“第一\第二\第三等”或模块a、模块b、模块c等，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

在以下的描述中，所涉及的表示步骤的标号，如s100、s200……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中使用的属于只是为了描述具体的实施例的目的，不是旨在限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

对本发明具体实施方式进行进一步详细说明之前，对本发明实施例中涉及的名词和术语，以及其在本发明中相应的用途\作用\功能等进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1、哈里斯鹰算法(hho)，是启发式算法中的一种。在并行结果查找过程中，哈里斯鹰代表问题的不同解，猎物代表在不断迭代过程中无限接近真实解的方向。研究人员通过对哈里斯鹰种群的观察，发现其种群的生活习性。哈里斯鹰喜欢集群生活，经常发现多只哈里斯鹰一同掠食、巡航、合作狩猎，它们是一个稳定的群体，哈里斯鹰在发现猎物后，展现出惊人的团队合作能力，对猎物进行追踪、包围、冲出并最终攻击猎物，整个过程分工明确，目标一致。受到哈里斯鹰对猎物捕食过程的启发，将其整个的捕食过程抽象出四个动作，分别是：包围猎物、伪攻击、追捕猎物、捕获猎物。哈里斯鹰算法中影响因子escaping_energy(下文简称为e)表示猎物的逃脱能力：该能力越大，猎物逃脱能力越强，越不容易被捕获；反之，该能力越小，猎物的逃脱能力越弱，越容易被捕获。现有的猎物逃脱能力(e)被定义为随时间递减的机制，但是猎物逃脱能力(e)随时间递减机制并不能很好的表现出自然界哈里斯鹰与猎物间的追逐过程，所以本申请通过对该猎物逃脱能力(e)的优化，使其表现出整体呈现下降趋势，局部呈现不断震荡的过程，这样可以更好的表现出猎物在被围捕过程中，经过短时间休整后使逃脱能力(e)呈现局部上升。

2、gru网络，是lstm网络的一种变体，gru网络可以解决rnn网络中的长依赖问题。gru网络将lstm网络中的输入门、输出门和遗忘门减少到两个，使其只通过更新门和重置门即可实现对信息的处理，使gru网络较lstm网络的结构更为简单，从而减少了训练时间。

为了优化银行交易量预测性能，如图1所示，本申请其中一个实施例提供了一种银行交易量预测方法，包括：

s100：获取预测当日前预设时间段内待测银行每天的交易量。

在本实施例中，交易量包括但不局限于交易笔数和交易金额。优选的，预设时间段可以为1个月。

s200：基于所述预测当日前预设时间段内待测银行每天的交易量，利用预先训练的神经网络模型确定预测当日待测银行的交易量。

本实施例中的神经网络模型优选为预先训练的gru神经网络模型。

具体的，将预测当日前预设时间段内待测银行每天的交易量作为预先训练的神经网络模型的输入层数据，获得该预先训练的神经网络模型的输出层数据，即为预测当日待测银行的交易量。例如：将预测当日前1个月内某银行每天的交易笔数作为预先训练的神经网络模型的输入层数据，获得该预先训练的神经网络模型的输出层数据，即为预测当日某银行的预测交易笔数。

另外，该预先训练的神经网络模型的获取过程包括：

统计获得过去一段时间(本实施例选取四年)某银行的实际交易量，该数据可以来自该家银行的数据仓库，将该数据中的一部分作为该神经网络模型的训练数据，训练获得该神经网络模型；将该数据中剩余的部分作为该神经网络模型的测试数据，用来验证该神经网络模型的精度。

如图2所示，在本实施例中，该预先训练的神经网络模型的参数配比基于哈里斯鹰算法获得，其中，该参数配比包括神经网络模型的网络层数、每层神经网络中神经单元的个数、神经网络模型的学习效率、神经网络模型的随机丢弃dropout、神经网络模型每批次输入的数据个数等。利用哈里斯鹰算法可以获得神经网络的任一参数，例如，当需要获得网络层数时，则利用哈里斯鹰算法确定神经网络模型的网络层数，其他参数类似，因此本处不再进行赘述。具体的，包括下述步骤：

s210：初始化迭代次数t＝1，最大迭代次数max_iter，在神经网络模型参数的上下限范围内随机生成n只哈里斯鹰，构成哈里斯鹰种群x。

s220：根据当前迭代次数确定猎物的能量，并判断所述猎物的能量与第一预设阈值的大小关系。其中，在本实施例中，第一预设阈值优选为0.5。

具体的，猎物能量的大小反映了哈里斯鹰算法对问题最优解的查找能力，猎物能量越大表示哈里斯鹰算法对全局的搜索能力越强，反之则对局部的搜索能力越强。在传统的哈里斯鹰算法中，猎物能量由最大值向最小值的变化过程总体呈现单调递减的变化趋势，并不能有效的反映自然界中哈里斯鹰群体与猎物间的包围-逃脱-再包围的循环反复过程。如图3所示，为传统的哈里斯鹰算法中猎物能量e的变化曲线。在传统的哈里斯鹰算法中，猎物能量e的计算方法为：

其中，e为猎物能量，e0为猎物能量的初始状态，其在(-1,1)内随机变化，t为第t次迭代，t为一个周期内迭代的次数，max_iter为初始化时预设的最大迭代次数。

本实施例中，为了真实的模拟哈里斯鹰的捕食现象，提供一种猎物能量e基于振幅逐步衰减的计算方法。其计算推导过程如下：

根据上述三个公式的推导运算，可以得到：

上式中，t为每轮围捕过程持续的迭代数量，max_iter为初始化时预设的最大迭代次数，φ为猎物被围捕后又逃逸的次数，m为能量的振幅范围，t为第t次迭代，e为猎物的能量。

如图4所示，为利用本步骤提供的猎物能量计算公式模拟出的哈里斯鹰在捕食过程中与猎物间的追捕与反追捕的循环曲线图，由图4可以看出，猎物的能量变化曲线总体呈现下降趋势，局部出现振幅变大后，仍逐步衰减。可以更真实的模拟哈里斯鹰围捕猎物的场景。

s230：基于所述大小关系更新哈里斯鹰种群x的位置。

case1：当猎物的能量大于第一预设阈值(本实施例中设为1)时，按下式更新哈里斯鹰种群x的位置：

在本步骤中，由于哈里斯鹰依靠眼镜追踪和监测猎物，所以受到视觉能力的限制，有时发现猎物需要很久。因此，在哈里斯鹰算法中，本实施例采取候选人机制，即种群中每次迭代的最优解，都会被认为是最接近猎物的胜出者。本实施例中的哈里斯鹰算法为种群x中的每只哈里斯鹰准备了相等几率的两种位置策略，该策略由随机参数q把控，当q＜0.5时，哈里斯鹰种群x中个体的位置根据其它个体的位置更新，具体更新方式为上述公式中q＜0.5时所对应的公式。当q≥0.5时，哈里斯鹰种群x中个体的位置基于个体的平均位置和当前最优位置进行更新，具体更新方式为上述公式中q≥0.5时多对应的公式。

上式中，将q设为0.5，可以保证两种位置策略的执行概率相等，r3为随机参数，可以使哈里斯鹰算法更好的刻画自然界的随机性，r4可随机缩放猎捕范围，在r3和r4的共同作用下，可以提供哼多元化的空间区域。

上式中，x(t+1)为第t+1次迭代哈里斯鹰种群x的位置，xrand(t)为第t次迭代哈里斯鹰种群x中随机一只哈里斯鹰的位置，x(t)为第t次迭代哈里斯鹰种群x的位置，xrabbit(t)为第t次迭代猎物的位置，xm(t)为第t次迭代哈里斯鹰种群x中哈里斯鹰个体的平均位置，ub和lb为哈里斯鹰的捕猎范围，r1、r2、r3、r4、q为[0,1)区间内的随机数，在每次迭代初期都会被更新。

另外，第t次迭代哈里斯鹰种群x中哈里斯鹰个体的平均位置xm(t)可以按下式确定：

其中，n为哈里斯鹰种群x中哈里斯鹰的总数量，xi(t)为第t次迭代哈里斯鹰种群x中第i只哈里斯鹰的位置，i为哈里斯鹰种群x中第i只哈里斯鹰。

case2：当猎物的能量不大于第一预设阈值(本实施例中设为1)时，此时分为四种情况来更新哈里斯鹰种群x的位置：

在本实施例中，猎物成功逃脱的机会用表示，猎物的能量用e表示，第一预设阈值设为1，第二预设阈值设为0.5。因此：

(1)当且0.5≤|e|≤1时，表示猎物的体能充沛，可以通过跳跃等手段成功逃脱，哈里斯鹰虽然不能直接捕食到猎物，但是通过追逐，可以慢慢消耗猎物的能量，以便在最后实时突然袭击，此阶段本实施例称为包围猎物阶段。其可表示为：

x(t+1)＝δx(t)-e|jxrabbit(t)-x(t)|

δx(t)＝xrabbit(t)-x(t)

j＝2(1-r5)

上式中，x(t+1)为第t+1次迭代哈里斯鹰种群x的位置，δx(t)为第t此迭代时哈里斯鹰与猎物间的距离，j为猎物的跳跃力量，在每次迭代过程中都会被更新，e为猎物的能量，r5为[0,1)区间内的随机数，用来模拟猎物在逃跑时的随机位移，其它参数与本实施例中上述同一符号表示的参数的物理意义一致，本处不再进行赘述。

将上述公式进行合并运算，可以得出：按下式更新哈里斯鹰种群x的位置：

x(t+1)＝(xrabbit(t)-x(t))-e|2(1-r5)*xrabbit(t)-x(t)|

(2)当且|e|＜0.5时，表示经过多次围捕，猎物的体能消耗殆尽，已不足以支撑其逃出哈里斯鹰的包围圈，以致被捕获，此阶段本实施例称为捕获阶段。其可表示为：

x(t+1)＝xrabbit(t)-e|δx(t)|

(3)当且0.5≤|e|≤1时，表示猎物体能充沛，可以成功逃脱围捕。哈里斯鹰为了完成最终的捕食，需要对猎物进行包围。因此，此时引入函数lf，来模拟猎物在逃跑过程中不规则的路线，以及哈里斯鹰在该过程中多次对猎物发起俯冲，不断修正自己位置的过程。每次俯冲后，都会与上一次俯冲进行比较，以便确定当前是否是一次良好的俯冲。如果猎物表现出过多的假动作来迷惑哈里斯鹰，那么哈里斯鹰也会对猎物发起随意的、不可预测的俯冲，此阶段本实施例称为追捕猎物阶段。其可表示为：

y＝xrabbit(t)-e|2(1-r5)*xrabbit(t)-x(t)|

z＝y+s×lf(d)

上式中，s为1×d的随机向量，lf为levy的飞行函数，u,v为(0,1)区间内的随机数，β为常数1.5，其它参数与本实施例中上述同一符号表示的参数的物理意义一致，本处不再进行赘述。

(4)当且|e|＜0.5时，表示猎物没有足够的能量去逃脱围捕，哈里斯鹰可以通过伪攻击，缩短与猎物的平均距离，将猎物围困在很小的包围圈中。此时包围圈范围小，猎物能量低，所以哈里斯鹰可以随时做出捕捉的动作，捕获猎物，此阶段本实施例称为伪攻击阶段，其可表示为：

y＝xrabbit(t)-e|2(1-r5)*xrabbit(t)-xm(t)|

z＝y+s×lf(d)

s240：基于更新后的哈里斯鹰种群x的位置确定哈里斯鹰种群x中各只哈里斯鹰的适应度值，并根据所述适应度值获得哈里斯鹰种群x的最优个体的位置。

在本步骤中，将本次迭代的各只哈里斯鹰的位置参数带入到神经网络模型中，通过神经网络模型的训练，得到预测值与真实值的误差，作为适应度值的评价标准，取误差小的参数对应的哈里斯鹰的位置，即为哈里斯鹰种群x的最优个体的位置。

s250：以所述哈里斯鹰种群x的最优个体的位置和猎物所在位置之间的距离为搜索半径，利用二分法进行局部搜索，获得搜索后的哈里斯鹰种群x的最优个体的位置，具体为：

按下式获得搜索后的哈里斯鹰种群x的最优个体的位置：

其中，xt′为第t次迭代搜索后的哈里斯鹰种群x的最优个体的位置，r为搜索半径，f()为适应度函数。

s260：当所述搜索后的哈里斯鹰种群x的最优个体的位置与猎物所在位置之间的距离小于预设距离时，以所述搜索后的哈里斯鹰种群x的最优个体的位置为神经网络模型参数在所述上下限范围内的最优参数配比，否则，判断当前迭代次数是否小于最大迭代次数，若是，令t＝t+1，并返回步骤s220，否则，以所述搜索后的哈里斯鹰种群x的最优个体的位置为神经网络模型参数在所述上下限范围内的最优参数配比，并结束操作。

下面，提供一种银行交易量预测方法的具体实现方式，包括下述步骤：

首先获得预测当日前预设时间段内待测银行每天的交易量。

然后将获得的预测当日前预设时间段内待测银行每天的交易量作为预先训练的神经网络模型的输入层数据，获得预先训练的神经网络模型的输出层数据，即为预测当日待测银行的交易量。

优选的，预先训练的神经网络模型的参数配比基于哈里斯鹰算法获得。结合图5，说明基于哈里斯鹰算法获得预先训练的神经网络模型的参数配比的过程，具体包括：

t100：在神经网络模型参数的上下限范围(ub,lb)内随机生成成n只哈里斯鹰，构成哈里斯鹰种群x。

t200：根据能量公式(上一实施例中s220中获取猎物能量的公式)计算生成猎物的能量。

t300：判断猎物的能量与1的大小关系，基于该大小关系更新哈里斯鹰种群x的位置。具体当猎物的能量大于1时，按上述实施例中case1的情况更新哈里斯鹰种群x的位置，当猎物的能量不大于1时，按上述实施例中case2的情况更新哈里斯鹰种群x的位置。

t400：更新哈里斯鹰种群x的位置之后，此时需计算哈里斯鹰种群x中各只哈里斯鹰的适应度值，并获得哈里斯鹰种群x的最优个体(即最优解)的位置。

t500：利用二分法对哈里斯鹰种群x的最优个体(即最优解)的位置进行局部查找，获得查找后的哈里斯鹰种群x的最优个体的位置。

t600：此时令迭代次数加1，判断是否满足迭代结束条件，如果满足则结束操作，如果不满足迭代结束条件则返回t200。在本步骤中，迭代结束条件为搜索后的哈里斯鹰种群x的最优个体的位置与猎物所在位置之间的距离小于预设距离或当前迭代次数不小于最大迭代次数。

下面，提供本申请的部分对比试验数据，说明本申请所提供方法的有效性。

为了验证上述实施例所提供方法的性能，此处引用单峰函数f6、f7，多峰函数f8、f9四个函数做适应度值对比实验。实验中分别使用基于振幅逐步衰减机制的猎物能量的哈里斯鹰算法(hho-u)、结合二分法的局部查找的哈里斯鹰算法(hho-di)与传统的哈里斯鹰算法(hho)、粒子群优化算法(pso)、多元宇宙优化算法(mvo)对上述单峰函数f6、f7，多峰函数f8、f9四个函数求最优解，数据采用30次试验的平均值，迭代次数500次，函数维度30。四个函数见下表：

表1

为了分析基于振幅逐步衰减机制的猎物能量对哈里斯鹰算法(hho-u)改进的效果，通过对基准函数的计算，对比其计算性能和搜索到的最小值的结果如下表。其中，表中mean表示30次试验结果的平均值，std表示30次试验结果的标准差。

表2

由上表可知，基于振幅逐步衰减机制的猎物能量对哈里斯鹰算法的改进在四个基准函数求解方面更贴近真实值。如图6-9所示，展示了四种算法在每次迭代过程中的收敛情况。从图中可以看出，hho-u算法相比于其他算法在精度值方面具有优势，且收敛早于其他算法。

为了验证结合二分法的局部查找的哈里斯鹰算法(hho-di)改进的效果，以每次迭代最优解为中心，r为搜索半径，进行二分法局部查找，经过多次查找后，查找出该范围内的最优解作为本次迭代的最优解，试验数据见表3：

表3

由上表可知，结合二分法的局部查找的哈里斯鹰算法(hho-di)在搜索四个基准函数的最小值时表现更加明显，平均值更贴近真实值。如图10-13所示，展示了四种算法的迭代性能。从图中可以看出，hho-di算法相比于hho算法在求最优解时精度提升了一个数量级，在每次迭代时，收敛速度较快。相比于hho-u算法，其小范围搜索精度的能力有一定提升，hho-di的最优解均比hho-u算法的最优解更接近真实值。

将hho-di算法和hho-u算法结合，构成本申请最终所使用的优化算法(hho-udi)。为了验证该算法的有效性，采集数据为30次试验的平均值，迭代次数为500，函数维度为30，使用hho-udi算法与传统的hho、mvo、pso等算法进行对比，具体试验数据见表4：

表4

由上表可知，hho-udi算法对f6、f7、f8、f9四个基准函数的最小值搜索中，显示出良好的搜索结果，比其他算法更接近真实值。其在迭代过程中的对比曲线如图14-17所示。从图中可以看出，hho-udi算法既可以在全局范围进行搜索又可以在局部范围查找最优解，使hho-udi算法免落入局部陷阱。同时，又可以在很小的范围内进行细致的查找，从函数f9的迭代过程可以看出，hho-udi在查找最优解的时候，在循序渐进完成细致查找。使得每次迭代后的结果都是其小范围内的最优解。

其中，预测某银行分部交易量后，可以根据交易量情况，使得银行总部为银行分部设备分配资源，例如各分部设备与总部为客户端服务器模式时，该资源包括银行总部服务器为该银行分部客户端所分配的算力资源(为分部的交易量提供的相应的算力，如处理器占用百分比、处理优先级、内存占用率等)、网络资源(为分部与总部交易过程提供的带宽、数据传输优先级、延迟度)等，使得总部服务器对各个银行分部有更合适的资源分配。

如图18所示，本申请的另一实施例提供一种银行交易量预测系统，包括：

获取模块，用于获取预测当日前预设时间段内待测银行每天的交易量；

确定模块，用于基于所述预测当日前预设时间段内待测银行每天的交易量，利用预先训练的神经网络模型确定预测当日待测银行的交易量。

本申请的另外一个实施例还提供一种服务器，包括上述实施例所述的银行交易量预测方法。

如图19所示，是本申请实施例提供的一种计算设备5000的结构性示意性图。该计算设备5000包括：处理器5010、存储器5020、通信接口5030、总线5040。

应理解，该图所示的计算设备5000中的通信接口5030可以用于与其他设备之间进行通信。

其中，该处理器5010可以与存储器5020连接。该存储器5020可以用于存储该程序代码和数据。因此，该存储器5020可以是处理器5010内部的存储单元，也可以是与处理器5010独立的外部存储单元，还可以是包括处理器5010内部的存储单元和与处理器5010独立的外部存储单元的部件。

可选的，计算设备5000还可以包括总线5040。其中，存储器5020、通信接口5030可以通过总线5040与处理器5010连接。总线5040可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。所述总线5040可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。

应理解，在本申请实施例中，该处理器5010可以采用中央处理单元(centralprocessingunit，cpu)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器5010采用一个或多个集成电路，用于执行相关程序，以实现本申请实施例所提供的技术方案。

该存储器5020可以包括只读存储器和随机存取存储器，并向处理器5010提供指令和数据。处理器5010的一部分还可以包括非易失性随机存取存储器。例如，处理器5010还可以存储设备类型的信息。

在计算设备5000运行时，所述处理器5010执行所述存储器5020中的计算机执行指令执行上述方法的操作步骤。

应理解，根据本申请实施例的计算设备5000可以对应于执行根据本申请各实施例的方法中的相应主体，并且计算设备5000中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程，为了简洁，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行一种银行交易量预测方法，该方法包括上述各个实施例所描述的方案中的至少之一。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，均属于本申请保护范畴。