金融机构的业务量预测方法和装置、处理器及电子设备与流程

本技术涉及人工智能，具体而言，涉及一种金融机构的业务量预测方法和装置、处理器及电子设备。

背景技术：

1、时间序列预测分析是一种定量分析方法，它是在时间序列变量分析的基础上，运用一定的数学方法建立预测模型，使时间趋势向外延伸，从而预测未来市场的发展变化趋势，确定预测值。传统的时间序列预测方法通过对一系列的时间序列分析运算得到待预测的变量值，忽略了时间序列数据之间的动态相关性，但是对于多变量时间序列而言，不同的变量可能对预测结果有不同的影响，且不同变量之间可能存在着局部依赖关系，因此，传统时间序列预测方法并不能够精准地捕获多变量因素之间的依赖关系和时间动态相关性，也正因为这个问题，采用传统时间序列预测方法对金融机构的业务量进行预测，存在准确度较低的问题。

2、针对相关技术中根据单一变量信息对金融机构的业务量进行预测，导致对业务量预测的准确性比较低的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术的主要目的在于提供一种金融机构的业务量预测方法和装置、处理器及电子设备，以解决相关技术中根据单一变量信息对金融机构的业务量进行预测，导致对业务量预测的准确性比较低的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种金融机构的业务量预测方法。该方法包括：获取待预测日期之前的历史数据信息，其中，所述历史数据信息至少包括：在所述待预测日期之前预设时间段内的每个日期对应的多个第一因素值；通过目标神经网络模型对所述历史数据信息进行处理，得到所述历史数据信息对应的目标特征向量，其中，所述目标特征向量中至少包括所述历史数据信息之间的上下文特征信息；依据所述目标特征向量对所述目标金融机构在所述待预测日期对应的业务量进行预测，得到预测结果。

3、进一步地，所述目标神经网络模型至少包括：卷积层、多头自注意力层和双向长短时记忆层，通过目标神经网络模型对所述历史数据信息进行处理，得到所述历史数据信息对应的目标特征向量包括：通过所述卷积层对所述历史数据信息进行特征提取，得到第一特征向量矩阵；通过所述多头自注意力层对所述第一特征向量矩阵进行运算，得到带有权重信息的第二特征向量矩阵；通过所述双向长短时记忆层对所述第二特征向量矩阵进行特征提取，得到所述目标特征向量。

4、进一步地，所述目标神经网络模型还包括全连接层，依据所述目标特征向量对所述目标金融机构在所述待预测日期对应的业务量进行预测，得到预测结果包括：通过所述全连接层对所述目标特征向量进行融合，得到融合后的目标特征值；依据所述融合后的目标特征值对所述目标金融机构在所述待预测日期对应的业务量进行预测，得到所述预测结果。

5、进一步地，对所述历史数据信息进行特征提取，得到初始特征向量矩阵；对所述初始特征向量矩阵进行归一化处理，得到归一化的初始特征向量矩阵；对所述归一化的初始特征向量矩阵进行非线性变换，得到所述第一特征向量矩阵。

6、进一步地，通过多头自注意力层中的缩放点积注意力公式进行计算，得到所述第一特征向量矩阵中每个特征向量对应的权重值；依据所述第一特征向量矩阵中每个特征向量对应的权重值，得到所述带有权重信息的第二特征向量矩阵。

7、进一步地，通过所述双向长短时记忆层采用向前传播计算的方式对所述第二特征向量矩阵进行处理，得到第一隐藏特征向量；通过所述双向长短时记忆层采用向后传播计算的方式对所述第二特征向量矩阵进行处理，得到第二隐藏特征向量；对所述第一隐藏特征向量和所述第二隐藏特征向量进行拼接处理，得到所述目标特征向量。

8、进一步地，获取所述待预测日期对应的实际业务量；对所述实际业务量与所述预测结果中的预测业务量之间的差值进行计算，得到目标差值数据；依据所述目标差值数据对所述目标神经网络模型进行优化处理。

9、进一步地，获取训练样本集，其中，所述训练样本集中包括多个训练样本数据集，每个训练样本数据集对应的统计时间周期不同，每个训练样本数据集中至少包括：多个日期和每个日期对应的多个第二因素值量；依据所述训练样本集对初始神经网络模型进行训练，得到所述目标神经网络模型和所述预设时间段。

10、为了实现上述目的，根据本技术的另一方面，提供了一种金融机构的业务量预测装置。该装置包括：第一获取单元，用于获取待预测日期之前的历史数据信息，其中，所述历史数据信息至少包括：在所述待预测日期之前预设时间段内的每个日期对应的多个第一因素值；处理单元，用于通过目标神经网络模型对所述历史数据信息进行处理，得到所述历史数据信息对应的目标特征向量，其中，所述目标特征向量中至少包括所述历史数据信息之间的上下文特征信息；预测单元，用于依据所述目标特征向量对所述目标金融机构在所述待预测日期对应的业务量进行预测，得到预测结果。

11、进一步地，所述目标神经网络模型至少包括：卷积层、多头自注意力层和双向长短时记忆层，所述处理单元包括：第一提取模块，用于通过所述卷积层对所述历史数据信息进行特征提取，得到第一特征向量矩阵；第一运算模块，用于通过所述多头自注意力层对所述第一特征向量矩阵进行运算，得到带有权重信息的第二特征向量矩阵；第二提取模块，用于通过所述双向长短时记忆层对所述第二特征向量矩阵进行特征提取，得到所述目标特征向量。

12、进一步地，所述预测单元包括：融合模块，用于通过所述全连接层对所述目标特征向量进行融合，得到融合后的目标特征值；预测模块，用于依据所述融合后的目标特征值对所述目标金融机构在所述待预测日期对应的业务量进行预测，得到所述预测结果。

13、进一步地，所述第一提取模块包括：第一提取子模块，用于对所述历史数据信息进行特征提取，得到初始特征向量矩阵；处理子模块，用于对所述初始特征向量矩阵进行归一化处理，得到归一化的初始特征向量矩阵；第一运算子模块，用于对所述归一化的初始特征向量矩阵进行非线性变换，得到所述第一特征向量矩阵。

14、进一步地，所述第一运算模块包括：第二运算子模块，用于通过多头自注意力层中的缩放点积注意力公式进行计算，得到所述第一特征向量矩阵中每个特征向量对应的权重值；第三运算子模块，用于依据所述第一特征向量矩阵中每个特征向量对应的权重值，得到所述带有权重信息的第二特征向量矩阵。

15、进一步地，所述第二提取模块包括：第二提取子模块，用于通过所述双向长短时记忆层采用向前传播计算的方式对所述第二特征向量矩阵进行处理，得到第一隐藏特征向量；第三提取子模块，用于通过所述双向长短时记忆层采用向后传播计算的方式对所述第二特征向量矩阵进行处理，得到第二隐藏特征向量；拼接模块，用于对所述第一隐藏特征向量和所述第二隐藏特征向量进行拼接处理，得到所述目标特征向量。

16、进一步地，所述装置还包括：第二获取单元，用于在依据所述目标特征向量对所述目标金融机构在所述待预测日期对应的业务量进行预测，得到预测结果之后，获取所述待预测日期对应的实际业务量。

17、进一步地，所述第二获取单元还包括：第二运算模块，用于对所述实际业务量与所述预测结果中的预测业务量之间的差值进行计算，得到目标差值数据；优化模块，用于依据所述目标差值数据对所述目标神经网络模型进行优化处理。

18、进一步地，所述装置还包括：第三获取单元，用于通过目标神经网络模型对所述历史数据信息进行处理，得到所述历史数据信息对应的目标特征向量之前，获取训练样本集，其中，所述训练样本集中包括多个训练样本数据集，每个训练样本数据集对应的统计时间周期不同，每个训练样本数据集中至少包括：多个日期和每个日期对应的多个第二因素值；训练单元，用于依据所述训练样本集对初始神经网络模型进行训练，得到所述目标神经网络模型和所述预设时间段。

19、为了实现上述目的，根据本技术的另一方面，还提供了一种处理器，所述处理器处理程序，其中，在所述程序运行时控制所述处理器所在设备执行上述任意一项所述的金融机构的业务量预测方法。

20、为了实现上述目的，根据本技术的一个方面，提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个处理器实现上述任意一项所述的金融机构的业务量预测方法。

21、通过本技术，采用以下步骤：获取待预测日期之前的历史数据信息，其中，历史数据信息至少包括：在待预测日期之前预设时间段内的每个日期对应的多个第一因素值；通过目标神经网络模型对历史数据信息进行处理，得到历史数据信息对应的目标特征向量，其中，目标特征向量中至少包括历史数据信息之间的上下文特征信息；依据目标特征向量对目标金融机构在待预测日期对应的业务量进行预测，得到预测结果，解决了相关技术中根据单一变量信息对金融机构的业务量进行预测，导致对业务量预测的准确性比较低的问题。在本方案中通过目标神经网络模型对多因素值的历史数据信息进行特征提取，得到带有上下文特征信息的目标特征向量，通过上下文特征信息可以在空间和特征维度上对历史数据信息进行聚合，进而达到提高业务预测准确度的效果。