个人保证金交易量预测方法、系统、电子设备及存储介质与流程

1.本发明涉及数据处理技术领域，更具体地说，涉及一种个人保证金交易量预测方法、系统、电子设备及存储介质。


背景技术：

2.随着社会的不断发展，到银行办理业务的个人和企业越来越多，尤其是个人保证金业务，个人保证金业务，是指银行作为个人资金监管行，依据三方协议约定(至少有一方为个人客户)，接受企业(合作单位)和个人客户共同委托，对专项资金进行监管，按照协议约定用途和条件进行支付，协助个人客户和企业对个人保证金进行管理而提供的服务。
3.在现有技术中，技术人员可以通过对历史个人保证金交易数据进行分析，来预测未来时间点的个人保证金交易量，但是通过技术人员来预测未来时间点的个人保证金交易量，不仅效率低，而且技术人员的分析水平参差不齐，导致得到的个人保证金交易量可能存在不准确。


技术实现要素：

4.有鉴于此，本发明提供一种个人保证金交易量预测方法、系统、电子设备及存储介质，以提高预测个人保证金交易量的效率和准确性。
5.本发明第一方面公开了一种个人保证金交易量预测方法，所述方法包括：
6.接收业务人员发送的个人保证金交易量预测请求，所述个人保证金交易量预估请求包括待预测未来时间点；
7.将所述待预测未来时间点输入预训练的线性回归模型，使所述预训练的线性回归模型利用所述待预测未来时间点进行个人保证金交易量预测，输出所述待预测未来时间点的个人保证金交易量，其中，所述预训练的线性回归模型是利用历史个人保证金交易数据对一元线性回归模型进行训练得到的。
8.可选的，所述方法还包括：
9.从预先设置的各个时间段中确定所述待预测未来时间点所属的目标时间段，并确定与所述目标时间段对应的预设个人保证金交易量；
10.若所述待预测未来时间点的个人保证金交易量大于所述预设个人保证金交易量时，输出报警信息。
11.可选的，所述利用历史个人保证金交易数据对一元线性回归模型进行训练得到预训练的线性回归模型的过程，包括：
12.从数据库中获取多个历史个人保证金交易数据，历史个人保证金交易数据包括历史交易时间点和所述历史交易时间点的个人保证金交易量；
13.将每个所述历史个人保证金交易数据中的所述历史交易时间点作为自变量，所述历史交易时间点的个人保证金交易量作为应变量，根据所述自变量和所述应变量计算待训练的一元线性回归模型的误差函数；
14.根据所述误差函数计算所述待训练的一元线性回归模型的回归系数a和回归系数b的估计值，得到初始线性回归模型；
15.利用所述多个历史个人保证金交易数据计算所述初始线性归回模型的相关系数r；
16.若所述相关系数r大于所述预设相关系数，确定所述初始线性回归模型为预训练的线性回归模型。
17.若所述相关系数r不大于所述预设相关系数，重新从所述数据库中获取多个所述历史个人保证金交易数据，返回执行“每个所述历史个人保证金交易数据中的所述历史交易时间点作为自变量，所述历史交易时间点的个人保证金交易量作为应变量，根据所述自变量和所述应变量构建待训练的一元线性回归模型的误差函数”。
18.可选的，所述方法还包括：
19.根据所述待预测未来时间点和所述待预测未来时间点的个人保证金交易量构建个人保证金交易数据；
20.将所述个人保证金交易数据保存至数据库中。
21.可选的，所述方法还包括：
22.周期性从所述数据库中获取多个所述个人保证金交易数据；
23.利用所述多个人保证金交易数据对所述预训练的线性回归模型进行训练，直至所述预训练的线性回归模型达到收敛，以实现所述预训练的线性回归模型的优化。
24.本发明第二方面公开一种个人保证金交易量预测系统，所述系统，包括：
25.接收单元，用于接收业务人员发送的个人保证金交易量预测请求，所述个人保证金交易量预测请求包括待预测未来时间点；
26.预测单元，用于将所述待预测未来时间点输入预训练的线性回归模型，使所述预训练的线性回归模型利用所述待预测未来时间点进行个人保证金交易量预测，输出所述待预测未来时间点的个人保证金交易量，其中，所述预训练的线性回归模型是利用历史个人保证金交易量对一元线性回归模型进行训练得到的。
27.可选的，所述系统还包括：
28.第一确定单元，用于从预先设置的各个时间段中确定所述待预测未来时间点所属的目标时间段，并确定与所述目标时间段对应的预设个人保证金交易量；
29.输出单元，用于若所述待预测未来时间点的个人保证金交易量大于所述预设个人保证金交易量时，输出报警信息。
30.可选的，所述预测单元，包括：
31.第一获取单元，用于从数据库中获取多个历史个人保证金交易数据，历史个人保证金交易数据包括历史交易时间点和所述历史交易时间点的个人保证金交易量；
32.第一计算单元，用于将每个所述历史个人保证金交易数据中的所述历史交易时间点作为自变量，所述历史交易时间点的个人保证金交易量作为应变量，根据所述自变量和所述应变量计算待训练的一元线性回归模型的误差函数；
33.第二计算单元，用于根据所述误差函数计算所述待训练的一元线性回归模型的回归系数a和回归系数b的估计值，得到初始线性回归模型；
34.第三计算单元，用于利用所述多个历史个人保证金交易数据计算所述初始线性归
回模型的相关系数r；
35.第二确定单元，用于若所述相关系数r大于所述预设相关系数，确定所述初始线性回归模型为预训练的线性回归模型；
36.第二获取单元，用于若所述相关系数r不大于所述预设相关系数，重新从所述数据库中获取多个所述历史个人保证金交易数据，返回执行第一计算单元。
37.本申请第三方面提供了一种电子设备，包括：
38.一个或多个处理器；
39.存储装置，其上存储有一个或多个程序；
40.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如第一方面任意一项所述的方法。
41.本申请第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的方法。
42.本发明提供一种个人保证金交易量预测方法、系统、电子设备及存储介质，接收业务人员发送的个人保证金交易量预测请求，个人保证金交易量预估请求包括待预测未来时间点；将待预测未来时间点输入预训练的线性回归模型，使预训练的线性回归模型利用待预测未来时间点进行个人保证金交易量预测，输出待预测未来时间点的个人保证金交易量，其中，预训练的线性回归模型是利用历史个人保证金交易数据对一元线性回归模型进行训练得到的。本发明提供的技术方案，利用预训练的线性回归模型对接收到个人保证交易量预测请求携带的待预测未来时间点进行个人保证金交易量预测，得到待预测未来时间点的个人保证金交易量，不需要技术人员的介入，便能实现未来时间点的个人保证金交易量的预测，进而提高的预测个人保证金交易量的效率和准确性。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
44.图1为本发明实施例提供的一种个人保证金交易量预测方法的流程示意图；
45.图2为本发明实施例提供的一种利用多个历史个人保证金交易数据对待训练的一元线性回归模型进行训练得到预训练的线性回归模型的方法的流程示意图；
46.图3为本发明实施例提供的另一种个人保证金交易量预测方法的流程示意图；
47.图4为本发明实施例提供的一种个人保证金交易量预测系统的结构示意图；
48.图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
51.需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
52.需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
53.由上述背景技术可知，目前的个人保证金交易量预测方法是通过技术人员对历史个人保证金交易数据进行分析，来预测未来时间点的个人保证金交易量，但是通过技术人员来预测未来时间点的个人保证金交易量，不仅效率低，而且技术人员的分析水平参差不齐，导致得到的个人保证金交易量可能存在不准确。
54.因此，本发明提供一种个人保证金交易量预测方法、系统、电子设备及存储介质，通过利用预训练的线性回归模型对接收到个人保证交易量预测请求携带的待预测未来时间点进行个人保证金交易量预测，得到待预测未来时间点的个人保证金交易量，不需要技术人员的介入，便能实现未来时间点的个人保证金交易量的预测，进而提高的预测个人保证金交易量的效率和准确性。
55.参见图1，示出了本发明实施例提供的一种个人保证金交易量预测方法的流程示意图，该个人保证金交易量预测方法应用于个人保证金交易量预测系统，该个人保证金交易量预测方法具体包括以下步骤：
56.s101：接收业务人员发送的个人保证金交易量预测请求，个人保证金交易量预测请求包括待预测未来时间点。
57.在具体执行步骤s101的过程中，业务人员可以通过登录个人保证金交易量预测系统，输入想要预测个人保证金交易量的时间点(为了便于区分，将业务人员输入的时间点称为待预测未来时间点)，并点击确认按钮或者发送按钮来发送个人保证金交易量预测请求。其中个人保证金交易量预测请求包括待预测未来时间点。
58.例如，个人保证金交易量预测请求包括的待预测未来时间点可以为2021年5月30号。
59.s102：将待预测未来时间点输入预训练的线性回归模型，使预训练的线性回归模型利用待预测未来时间点进行个人保证金交易量预测，输出待预测未来时间点的个人保证金交易量，其中，预训练的线性回归模型是利用历史个人保证金交易数据对一元线性回归模型进行训练得到的。
60.在具体执行步骤s102的过程中，可以从数据库中获取多个历史个人保证金交易数据，以便利用从数据库中获取的多个历史个人保证金交易数据对待训练的一元线性回归模型进行训练，得到预训练的线性回归模型。将待预测未来时间点输入预训练的线性回归模型，使预训练的线性回归模型利用待预测未来时间点进行个人保证金交易量预测，输出待预测未来时间点的个人保证金交易量。其中，利用从数据库中获取的多个历史个人保证金交易数据对待训练的一元线性回归模型进行训练，得到预训练的线性回归模型的具体过程
可参见图2，这里就不再进行赘述。
61.进一步的，在本申请实施例中，在利用预训练的线性回归模型预测出待预测未来时间点的个人保证金交易量后，可以根据待预测未来时间和待预测时间点的个人保证金交易量构建相应的个人保证金交易数据，并将所构建的个人保证金交易数据存储至数据库中，以便后期可以周期性的数据库中获取多个人保证金交易数据；并利用所获取的多个人保证金交易数据对预训练的线性回归模型进行训练，直至预训练的线性回归模型达到收敛，以实现预训练的线性回归模型的优化。
62.本发明提供一种个人保证金交易量预测方法，接收业务人员发送的个人保证金交易量预测请求，个人保证金交易量预估请求包括待预测未来时间点；将待预测未来时间点输入预训练的线性回归模型，使预训练的线性回归模型利用待预测未来时间点进行个人保证金交易量预测，输出待预测未来时间点的个人保证金交易量，其中，预训练的线性回归模型是利用历史个人保证金交易数据对一元线性回归模型进行训练得到的。本发明提供的技术方案，利用预训练的线性回归模型对接收到个人保证交易量预测请求携带的待预测未来时间点进行个人保证金交易量预测，得到待预测未来时间点的个人保证金交易量，不需要技术人员的介入，便能实现未来时间点的个人保证金交易量的预测，进而提高的预测个人保证金交易量的效率和准确性。
63.参见图2，示出了本发明实施例提供的一种利用多个历史个人保证金交易数据对待训练的一元线性回归模型进行训练得到预训练的线性回归模型的方法的流程示意图，具体包括以下步骤：
64.s201：从数据库中获取多个历史个人保证金交易数据，历史个人保证金交易数据包括历史交易时间点和历史交易时间点的个人保证金交易量。
65.在具体执行步骤s201的过程中，数据库中存储有大量的历史个人保证金交易数据，可以从数据库中获取多个历史个人保证金交易数据。其中，每个历史个人保证金交易数据包括历史交易时间点和历史交易时间点的个人保证金交易量。
66.需要说明的是，在从数据库中获取多个历史个人保证金交易数据后，可以对多个历史个人保证金交易数据进行数据清洗。
67.s202：将每个历史个人保证金交易数据中的历史交易时间点作为自变量，历史交易时间点的个人保证金交易量作为应变量，根据自变量和应变量计算待训练的一元线性回归模型的误差函数。
68.在具体执行步骤s202的过程中，在从数据库中获取多个历史个人保证金交易数据后，将每个历史个人保证金交易数据中的历史交易时间点作为自变量，历史交易时间点的个人保证金交易量作为应变量，构建一元线性回归方程，如公式(1)所示；以便通过最小二乘法估计待训练的一元线性回归模型的回归系数，进而通过估计出的回归系数、自变量和应变量构建误差函数，如公式(2所示)。
[0069][0070][0071]
其中，为未知数，a、b为待训练的一元线性回归模型的回归系数，x
i
为历史交易时
间点，y
i
历史交易时间点的个人保证金交易量，q为待训练的一元线性回归模型的误差函数。
[0072]
s203：根据误差函数计算待训练的一元线性回归模型的回归系数a和回归系数b的估计值，得到初始线性回归模型。
[0073]
在具体执行步骤s203的过程中，在根据自变量和应变量计算待训练的一元线性回归模型的误差函数后，通过极值原理使q在处于最小误差值的情况下计算待训练的一元线性回归模型的回归系数a和回归系数b的估计值，得到初始线性回归模型。
[0074]
其中，通过极值原理使q在处于最小误差值的情况下计算待训练的一元线性回归模型的回归系数a和回归系数b的估计值的港式如公式(3)所示：
[0075][0076][0077]
其中，n为多个历史个人保证金交易数据的个数，为回归系数a的估计值，为回归系数b的估计值，x
i
为历史交易时间点，y
i
历史交易时间点的个人保证金交易量。
[0078]
s204：利用多个历史个人保证金交易数据计算初始线性归回模型的相关系数r。
[0079]
在具体执行步骤s204的过程中，在根据误差函数计算待训练的一元线性回归模型的回归系数a和回归系数b的估计值，得到初始线性回归模型后，进一步利用从数据库中获取的过的历史个人保证金交易数据计算初始线性回归模型的相关系数r。
[0080]
其中，利用从数据库中获取的过的历史个人保证金交易数据计算初始线性回归模型的相关系数r如公式(4)所示：
[0081][0082]
其中n为多个历史个人保证金交易数据的个数，x
i
为历史交易时间点，y
i
历史交易时间点的个人保证金交易量，r为初始线性回归模型的相关系数。
[0083]
s205：判断初始线性回归模型的相关系数是否大于预设相关系数；若相关系数r大于预设相关系数，执行步骤s206；若相关系数r不大于预设相关系数，执行步骤s207。
[0084]
在具体执行步骤s205的过程中，预先设置有预设相关系数，在利用多个历史个人保证金交易数据计算初始线性归回模型的相关系数r后，可以判断计算出的线性回归模型的相关系数r是否大于预设相关系数，若相关系数r大于预设相关系数，执行步骤s206；若相关系数r不大于预设相关系数，执行步骤s207。
[0085]
需要说明的，预先设置的相关系数可以为0.8、0.85或者0.9。可以根据实际引用进行设置，本申请实施例不加以限定。
[0086]
s206：确定初始线性回归模型为预训练的线性回归模型。
[0087]
在具体执行步骤s206的过程中，在相关系数r大于预设相关系数的情况下可以认为初始线性回归模型具备一定有效性，则将初始线性回归模型确定为预训练的线性回归模型，以便在接收到个人保证金交易量预测请求时，利用预训练的线性回归模型对个人保证金交易量预测请求携带的待预测时间点进行个人保证金交易量预测。
[0088]
s207：重新从数据库中获取多个历史个人保证金交易数据。
[0089]
在具体执行步骤s207的过程中，在相关系数r不大于预设相关系数的情况下可以认为初始线性回归模型不具备一定有效性，则重新从数据库中获取多个历史个人保证金交易数据，以便重新利用重新从数据库中获取的多个历史个人保证金交易数据对待训练的一元线性回归模型进行训练，直至得到的初始线性回归模型的相关系数r大于预设相关系数为止。
[0090]
在本申请实施例中，在执行完步骤s207后，返回执行步骤s202。
[0091]
参见图3，示出了本发明实施例提供的另一种个人保证金交易量预测方法的流程示意图，该个人保证金交易量预测方法具体包括以下步骤：
[0092]
s301：接收业务人员发送的个人保证金交易量预测请求，个人保证金交易量预估请求包括待预测未来时间点。
[0093]
s302：将待预测未来时间点输入预训练的线性回归模型，使预训练的线性回归模型利用待预测未来时间点进行个人保证金交易量预测，输出待预测未来时间点的个人保证金交易量，其中，预训练的线性回归模型是利用历史个人保证金交易数据对一元线性回归模型进行训练得到的。
[0094]
在具体执行步骤s301至步骤302的过程中，步骤s301至步骤s302的具体执行过程和实现原理与上述本发明公开的图1中的步骤s101至步骤s102的具体执行过程和实现原理相同，可参见上述本发明公开的图1中相应的部分，这里不再进行赘述。
[0095]
s303：从预先设置的各个时间段中确定待预测未来时间点所属的目标时间段，并确定与目标时间段对应的预设个人保证金交易量。
[0096]
在步骤s303中，预先设置有多个时间段以及每个时间对应的预设个人保证金交易量。其中，预先设置的各个时间段中存在预设个人保证金交易量相同的时间段。
[0097]
例如，预先设置有12个时间段，分别为时间段1(1月)、时间段2(2月)、时间段3(3月)、时间段4(4月)、时间段5(5月)、时间段6(6月)、时间段7(7月)、时间段8(8月)、时间段9(9月)、时间段10(10月)、时间段11(11月)和时间段12(12月)。
[0098]
时间段1(1月)对应的预设个人保证金交易量为50千万、时间段2(2月)对应的预设个人保证金交易量为40千万、时间段3(3月)对应的预设个人保证金交易量为70千万、时间段4(4月)对应的预设个人保证金交易量为100千万、时间段5(5月)对应的预设个人保证金交易量为100千万元、时间段6(6月)对应的预设个人保证金交易量为200千万、时间段7(7月)对应的预设个人保证金交易量为220千万、时间段8(8月)对应的预设个人保证金交易量为300千万、时间段9(9月)、时间段10(10月)对应的预设个人保证金交易量为400千万、时间段11(11月)对应的预设个人保证金交易量为500千万和时间段12(12月)对应的预设个人保证金交易量为1000千万。
[0099]
在具体执行步骤s303的过程中，在利用预训练的线性回归模型对待预测未来时间点进行个人保证金交易量预测，得到待预测未来时间点的个人保证金交易量后，可以从预先设置的各个时间段中确定待预测未来时间点所属的时间段(为了便于区分，将待预测未来时间点所属的时间段称为目标时间段)，并确定与目标时间段对应的预设个人保证金交易量。
[0100]
s304：判断待预测未来时间点的个人保证金交易量是否大于预设个人保证金交易
量；若待预测未来时间点的个人保证金交易量大于预设个人保证金交易量，执行步骤s305。
[0101]
在具体执行步骤s304的过程中，在从预先设置的各个时间段中确定待预测未来时间点所属的目标时间段，以及确定与目标时间段对应的预设个人保证金交易量后，可以判断预测出待预测时间点的个人保证金交易量是否大于所确定的目标时间段对应的预设个人保证金交易量，若待预测未来时间点的个人保证金交易量大于预设个人保证金交易量，执行步骤s305。
[0102]
s305：输出报警信息。
[0103]
在具体执行步骤s305的过程中，在待预测未来时间点的个人保证金交易量大于预设个人保证金交易量的情况下，可以认为在待预测未来时间点时个人保证金交易量可以过大，后台可能会无法承载这个打的个人保证金交易量，此时可以通过输出报警信息，提示技术人员提前进行服务器扩容，以保证在处于待预测未来时间点时后台可以承载较大的个人保证金交易量，防止后台崩溃。
[0104]
在本申请实施例中，通过预先设置多个时间段，以及每个时间段对应的预设个人保证金交易量，以便在预测出待预测未来时间点的个人保证金交易量大于待预测未来时间点所属的目标时间段对应的预设时间个人保证金交易量时，输出报警信息，提示技术人员提前进行服务器扩容，以保证在处于待预测未来时间点时后台可以承载较大的个人保证金交易量，防止后台崩溃。
[0105]
基于上述本发明实施例提供的一种个人保证金交易量预测方法，相应的，本发明实施例还提供一种个人保证金交易量预测系统，参见图4，示出了本发明实施例提供的一种个人保证交易量预测系统的结构示意图，该个人保证金交易量预测系统，包括：
[0106]
接收单元41，用于接收业务人员发送的个人保证金交易量预测请求，个人保证金交易量预测请求包括待预测未来时间点；
[0107]
预测单元42，用于将待预测未来时间点输入预训练的线性回归模型，使预训练的线性回归模型利用待预测未来时间点进行个人保证金交易量预测，输出待预测未来时间点的个人保证金交易量，其中，预训练的线性回归模型是利用历史个人保证金交易量对一元线性回归模型进行训练得到的。
[0108]
上述本发明实施例公开的个人保证交易量预测系统中各个单元具体的原理和执行过程，与上述本发明实施例公开的个人保证金交易量方法相同，可参见上述本发明实施例公开的个人保证金交易量方法中相应的部分，这里不再进行赘述。
[0109]
本发明提供一种个人保证金交易量预测系统，接收业务人员发送的个人保证金交易量预测请求，个人保证金交易量预估请求包括待预测未来时间点；将待预测未来时间点输入预训练的线性回归模型，使预训练的线性回归模型利用待预测未来时间点进行个人保证金交易量预测，输出待预测未来时间点的个人保证金交易量，其中，预训练的线性回归模型是利用历史个人保证金交易数据对一元线性回归模型进行训练得到的。本发明提供的技术方案，利用预训练的线性回归模型对接收到个人保证交易量预测请求携带的待预测未来时间点进行个人保证金交易量预测，得到待预测未来时间点的个人保证金交易量，不需要技术人员的介入，便能实现未来时间点的个人保证金交易量的预测，进而提高的预测个人保证金交易量的效率和准确性。
[0110]
进一步的，本申请提供的个人保证金交易量预测系统还包括：
[0111]
确定单元，用于从预先设置的各个时间段中确定待预测未来时间点所属的目标时间段，并确定与目标时间段对应的预设个人保证金交易量；
[0112]
输出单元，用于若待预测未来时间点的个人保证金交易量大于预设个人保证金交易量时，输出报警信息。
[0113]
可选的，预测单元，包括：
[0114]
第一获取单元，用于从数据库中获取多个历史个人保证金交易数据，历史个人保证金交易数据包括历史交易时间点和历史交易时间点的个人保证金交易量；
[0115]
第一计算单元，用于将每个历史个人保证金交易数据中的历史交易时间点作为自变量，历史交易时间点的个人保证金交易量作为应变量，根据自变量和应变量计算待训练的一元线性回归模型的误差函数；
[0116]
第二计算单元，用于根据误差函数计算待训练的一元线性回归模型的回归系数a和回归系数b的估计值，得到初始线性回归模型；
[0117]
第三计算单元，用于利用多个历史个人保证金交易数据计算初始线性归回模型的相关系数r；
[0118]
第二确定单元，用于若相关系数r大于预设相关系数，确定初始线性回归模型为预训练的线性回归模型；
[0119]
第二获取单元，用于若相关系数r不大于预设相关系数，重新从数据库中获取多个历史个人保证金交易数据，返回执行第一计算单元。
[0120]
进一步的，本申请提供的个人保证金交易量预测系统还包括：
[0121]
构建单元，用于根据待预测未来时间点和待预测未来时间点的个人保证金交易量构建个人保证金交易数据；
[0122]
保存单元，用于将个人保证金交易数据保存至数据库中。
[0123]
进一步的，本申请提供的个人保证金交易量预测系统还包括：
[0124]
第三获取单元，用于周期性从数据库中获取多个个人保证金交易数据；
[0125]
训练单元，用于利用多个人保证金交易数据对预训练的线性回归模型进行训练，直至预训练的线性回归模型达到收敛，以实现预训练的线性回归模型的优化。
[0126]
本申请另一实施例提供了一种电子设备，如图5所示，包括：
[0127]
一个或多个处理器501。
[0128]
存储装置502，其上存储有一个或多个程序。
[0129]
当所述一个或多个程序被所述一个或多个处理器501执行时，使得所述一个或多个处理器501实现如上述实施例中任意一项所述的方法。
[0130]
本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的方法。
[0131]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0132]
专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
[0133]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0134]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。