CN106886846A - 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 - Google Patents
一种基于长短期记忆循环神经网络的银行网点备付金预测方法 Download PDFInfo
- Publication number
- CN106886846A CN106886846A CN201710281286.9A CN201710281286A CN106886846A CN 106886846 A CN106886846 A CN 106886846A CN 201710281286 A CN201710281286 A CN 201710281286A CN 106886846 A CN106886846 A CN 106886846A
- Authority
- CN
- China
- Prior art keywords
- day
- bank outlets
- excess reserve
- shot
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于长短期记忆循环神经网络的银行网点备付金预测方法,包括数据预处理、模型训练和预测三个阶段。数据预处理阶段以日为单位,统计银行网点现金交易日存款总额、日取款总额,以及当天日期属性,构建特征向量;根据每日的现金交易记录计算得到的日净额。在模型训练阶段,依据历史特征向量和日净额数据训练LSTM模型。在预测阶段,统计银行网点预测日期前若干天的特征向量,输入LSTM模型预测当天的日净额所在区间,取该区间内的随机值作为当日的备付金需求。本发明充分利用了历史数据和长短期记忆循环神经网络在时间序列数据分析上的优势,有效提高了银行网点备付金预测的准确率。
Description
技术领域
本发明涉及一种基于长短期记忆循环神经网络的银行网点备付金预测方法。
背景技术
近年来,随着第三方支付机构的兴起与发展,商业银行现金业务受到了一定的冲击,商业银行中间业务首当其冲。商业银行中间业务主要包括支付结算、担保、承诺、交易、查询等,作为传统媒介的支付结算业务是最重要的部分。商业银行财务绩效体系主要衡量流动性、安全性、盈利性三个指标,其中,备付金比例是影响三大指标的关键因素。
对银行网点而言,备付金代表其辐射范围的现金业务活跃度,这一活跃度受日期属性的影响。通常,银行网点在工作日交易较为频繁,尤其是对公业务需求旺盛,而在节假日期间,银行网点通常只提供自助存取款服务,大额交易较少。因此,预测银行网点备付金需求时,需要首先考虑日期属性。
一方面,银行网点备付金预测基于以往一段时间内银行网点的现金交易情况,主要依据银行网点的现金业务日净额,对备付金需求进行预测。在一段时间内,银行网点营业日净额是一组时间序列,因此,银行网点备付金预测可以转换成时间序列预测问题。国内外研究人员在时间序列方向上进行了相关研究。传统构建时间序列模型的方法,例如自回归模型、线性动态模型,这一类方法通常是模拟时间序列是线性相关的,并不适用于银行备付金这种非线性结构数据的预测。
另一方面,随着深度学习的飞速发展,神经网络技术也在不断更新。递归神经网络(RNNs,Recurrent Neural Networks)由于具有自学习特性,且其展开模型就是时间依赖模型,因此其特别适合时间序列预测。自然语言处理(NLP)中就通过使用RNNs来预测单词。理论上而言,RNNs可以记住长久的信息,来预测时间序列,但实际上,RNNs对长远依赖信息处理能力不足。
可见,不管是在实际应用还是科学研究中,时间序列有着重要的研究价值。然而,已有的研究成果还不能满足越来越复杂的应用场景对时间序列预测提出的新需求,目前的备付金预测大多采用统计学方法,难以高效、精准地应对备付金预测需求。因此,设计一种能够高效且精准预测银行网点备付金需求的方法具有重大的研究意义。
发明内容
本发明所解决的技术问题是,针对现有技术不足,提出一种基于长短期记忆循环神经网络(Long Short Term Memory,LSTM)的银行网点备付金预测***,将银行网点日净额作为备付金需求的参考标准,并结合预测日期的日期属性为银行网点建立LSTM预测模型,有效地从银行网点过往的现金交易记录中挖掘出银行网点指定日期的备付金需求,能有效提高银行网点备付金预测精度。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,包括数据预处理阶段、模型训练阶段和预测阶段;
所述数据预处理阶段,收集银行网点若干天的现金交易记录作为训练集,构建交易数据库,数据库中包括根据每日的现金交易记录以日为单位构建的特征向量,以及根据每日的现金交易记录计算得到的日净额;
所述模型训练阶段,搭建具有若干个隐含层的长短期记忆循环神经网络模,即LSTM模型,其中每个隐含层包含若干个神经元,利用交易数据库中的特征向量和日净额对LSTM模型进行训练,得到最优LSTM模型权重参数;
所述预测阶段,确定待预测的银行网点和预测日期,收集该银行网点前若干天的现金交易记录,然后分别转换成特征向量输入到LSTM预测模型中,输出预测结果,即备付金预测值。
进一步地,在数据预处理阶段,以日为单位,统计每日的总存款额、总取款额以及日期属性,建特征向量,格式如下:[月份,日期,总存款额,总取款额,日期属性],其中,日期属性分为工作日、周六、周日和节假日,分别标记为0、1、2、3,并且节假日属性优于其他日期属性;
根据现金交易记录计算日净额;统计一段周期内银行网点的日净额分布,得到置信区间;并将置信区间作为预测总区间,将其划分成N_CLASS个子区间;根据每日的日净额所处子区间将其标记为一个N_CLASS维的one-hot向量,one-hot向量中的每一个维度对应一个子区间,该日的日净额所处子区间对应维度的向量元素标为1,其他维度的向量元素标为0。
进一步地,所述N_CLASS取值为5。
根据银行网点训练集日净额分布图(图2)可以看出,银行网点日净额大致满足正态分布的特点。因此,假设待预测的数据服从正态分布,以确定其取值范围的边界。接下来,就可以将边界内划分成不同区间,从而得到不同样本按区间分类的标记。基于正态分布的假设,计算训练集样本的日净额的均值(MEAN)和标准差(STD)。以99%置信区间作为全体样本的日净额分布范围[MEAN-2.576*STD,MEAN+2.576*STD]。将这一分布范围等分成N_CLASS个子区间,这些子区间以左闭右开为划分标准。划分成N_CLASS个子区间后,将各子区间按照0至N_CLASS-1编号,并确定所有样本的日净额所在区间,不在N_CLASS区间范围的数据则就近划分至第0个区间或者第N_CLASS-1个区间;将样本的日净额的区间分类转化成one-hot向量形式。因此,本银行网点备付金预测就是要预测指定日期的备付金需求将会落在具体哪一个子区间当中。
所述预测阶段,依次将不同日期的特征向量输入到LSTM预测模型中,经过输入门层、遗忘门层、输出门层的三种矩阵变换,输出预测日的one-hot向量。
进一步地,所述预测阶段,根据预测日的one-hot向量得到预测日的日净额所处的子区间,并取该子区间内的随机值作为备付金预测值。
进一步地,所述模型训练阶段,迭代若干次对LSTM模型进行训练,使用随机小实数初始化LSTM模型的权重参数(包括输入到隐含层、隐含层到输出、隐含层到隐含层的连接权重U、V和W),应用随机失活进行正则化处理,以tanh非线性函数作为激活函数确定输出,并选取交叉熵作为损失函数,将预测得到one-hot向量与真实日净额对应的one-hot向量进行对比,计算损失,并使用随机梯度下降(Stochastic Gradient Descent,SGD)与反向传播(BackPropagation,BP)方法相结合寻找使得损失最小的最优权重参数。
进一步地,所述模型训练阶段,隐含层个数为5,每个隐含层包含50个神经元,迭代100000次对LSTM模型进行训练。
以下对模型训练阶段的各个步骤进行详细说明。
步骤一:权重初始化;LSTM模型过程中,权重参数U、V和W需要通过不断更新获取最优值。若网络中的每个神经元计算出相同的输出,则在反向传播过程中,将得到相同的梯度,致使参数U、V和W一致更新,神经元将一直保持对称,影响训练效果。因此,为了得到合适的LSTM模型学习参数,本发明选择了小随机数初始化,即权重参数U、V和W初始值接近于0,且不等于0。以极小的数值进行初始化,使得神经元初始状态随机且不相等的,而后计算出不同的更新,并在梯度下降过程中,将自身转换成整个网络的不同部分,打破对称性。小随机数权重初始化的计算公式如下:
W=0.01*np.random.randn(n)*sqrt(2.0/n)
其中,np.random是Python中Numpy库中生成随机数的方法,randn函数是基于标准差为的高斯分布来生成随机数,其中n是输入层的神经元数量。根据此计算公式,每个神经元的权重向量都会被初始化为一个随机向量,而这些随机向量又服从一个多变量高斯分布,因此,在输入空间中,所有的神经元的指向都是随机的。
步骤二:正则化;为了控制神经网络的学习能力,防止出现过拟合,在前向传播过程中需进行正则化。本发明选择随机失活(Dropout)作为正则化方法。在训练过程中,对完整的神经网络抽样出一部分,基于输入数据更新子网络的参数,让神经元以p的概率被激活;本发明默认设置p为0.7。
步骤三:激活函数,LSTM模型需要使用一个非线性函数f确定神经元的输出。常用的激活函数有tanh和ReLU。本发明采用tanh非线性函数进行初始化,tanh将实数值压缩到[-1,1]之间,其输出是零中心的。计算公式如下:
tanh(x)=2δ(2x)-1
其中,x代表函数输入变量,δ是Sigmoid函数,其计算公式如下:
步骤四:SGD与反向传播。模型训练过程中,长短期记忆循环神经网络运行至最后一层后会利用损失函数根据预测结果与真实值之间的误差计算出损失值,反向传播(BP)算法会将此损失值反方向传递给每个神经元,然后每个神经元会采用随机梯度下降(SGD)修正LSTM权重参数U、V和W。在模型训练过程中,不断更新LSTM权重参数U、V和W,使其满足最小化损失条件。
SGD是一种迭代求解最小化损失的方法。为了寻找一个函数的局部极小值,SGD会向函数上当前点对应梯度的反方向的规定步长距离点进行迭代搜索。在SGD中,每次迭代不必遍历所有样本,其将采用一个样本来更新参数,参数将沿着负梯度方向更新。
反向传播算法使用了批量更新的方法对神经网络的权值和偏置进行更新,其处理步骤如表1所示。
损失函数用L来表示,本方法使用交叉熵作为损失函数计算损失,以衡量模型训练的效果,交叉熵的其计算公式如下:
其中,N是训练样本数量,on是LSTM模型输出的第n个训练样本的日净额预测值,yn是第n个训练样本的日净额真实值。若on与yn之间的差距越大,则损失L(y,o)越大。
有益效果:
考虑到备付金序列具有高维、高噪的特点,本发明将备付金序列预测问题转换成时间序列预测问题。另外,考虑到长短期记忆循环神经网络模型,即LSTM模型在时间序列的分类问题上有着良好的表现,且预测一个合理的区间比预测一个精确值更具有实际意义,本发明将备付金预测问题转换成时间序列的分类预测。首先将样本对应的日净额数据进行转化,将其按照取值范围归类,标记上类别标签;然后采用真实银行网点现金交易数据训练LSTM模型,最后将预测日期前若干日的特征向量输入到LSTM模型,预测银行网点备付金需求,相较于目前已有的ARIMA预测方法,本发明充分利用了不同日期属性以及时间序列的依赖性,提出的预测算法能更加充分地挖掘出银行网点备付金之间依赖性,从而解决银行网点备付金预测不断复杂的难题,提高备付金预测准确率和精度,避免出现预测过高或过低的情况。在453家银行网点的模型预测结果表明,相比较已有的ARIMA预测方法,本发明所提出的方法,在预测评价标准MAD(平均绝对误差)、RMSE(均方根误差)、MAPE(平均绝对百分比误差)对比中,明显优于ARIMA预测方法。
附图说明
图1为基于长短期记忆循环网络的银行网点备付金预测方法流程;
图2为某银行网点训练集的日净额分布;
图3为基于长短期记忆循环神经网络的银行网点备付金预测模型训练过程;
图4为基于长短期记忆循环神经网络的银行网点备付金预测区间与日净额对比图;
图5为2015年1月1日至2015年6月9日,银行网点备付金预测值与真实日净额以及ARIMA预测值对比图;
图6为2015年4月1日至2015年4月30日,银行网点备付金预测值与真实日净额以及ARIMA预测值对比图;
图7为2015年1月1日至2015年6月9日,银行网点备付金预测结果与ARIMA预测值的MAD标准对比图;
图8为2015年1月1日至2015年6月9日,银行网点备付金预测结果与ARIMA预测值的RMSE标准对比图;
图9为2015年1月1日至2015年6月9日,银行网点备付金预测结果与ARIMA预测值的MAPE标准对比图。
具体实施方式
本发明***架构如图1所示,包括数据预处理、模型训练和银行网点备付金预测三部分。在数据预处理阶段,收集银行网点的现金交易记录,并对交易记录进行统计,得到该银行网点的日净额序列。本发明将构建[月份,日期,总存款,总取款,日期属性]的特征向量。针对根据网点日净额分布,计算其平均值和标准差,以99%的置信区间作为预测区间,并将预测区间划分为N_CLASS类,将每条记录标记为one-hot向量。
在模型训练阶段,使用的默认参数配置如表1所示。以及通过小随机数进行权重初始化、tanh非线性函数激活、将预测结果与one-hot向量对比,计算交叉熵,使参数在反向传播过程中更快地收敛。
表1LSTM预测模型默认配置参数值
参数名称 | 默认配置 |
隐含层数量 | 5 |
LSTM模型训练样本天数 | 10 |
隐含层中神经元数量 | 50 |
激活函数 | Tanh |
损失函数 | 交叉熵 |
学习速率 | 0.001 |
LSTM模型批处理大小 | 200 |
初始化权重方法 | 小随机数 |
迭代次数 | 100000 |
反向传播算法为:
1.对所有的隐含层(2≤l≤L),设ΔW(l)=0,Δb(l)=0,即ΔW(l)和Δb(l)分别为全零矩阵和全零向量;
2.Fori=1:m
(1)采用反向传播算法,计算各层神经元权值和偏置的梯度矩阵和
(2)计算
(3)计算
3.更新权值和偏置:
(1)计算
(2)计算
其中,m为训练样本的个数。
在模型预测阶段,选取前十天的银行现金交易日净额的特征向量,依次输入到LSTM模型中,并在预测模型输出的预测区间中取随机值作为备付金需求预测值。
本方法采用真实银行网点现金交易数据进行实验。在预测方法中,由于只考虑了日期属性以及备付金作为时间序列的影响,为银行网点建立预测模型,其配置参数均可调节。本实施例中LSTM预测模型默认配置参数值如表2所示。
如图4所示,在某银行网点预测2015年1月1日至2015年6月9日的条件下,基于LSTM的预测模型所给的区间中包含真实日净额的比例为85.0679%。
如图5所示,通过在预测区间内取随机值,作为最终备付金需求预测,相较于ARIMA预测方法,LSTM模型预测结果比较贴近真实日净额。
如图6所示,LSTM模型预测结果较稳定地模拟了真实日净额的趋势,ARIMA预测结果比较平稳,不能良好地反映真实日净额的趋势。
此外,根据已有的时间序列评价标准,本方法对比了LSTM预测方法与ARIMA(Autoregressive Integrated Moving Average Model,自回归移动平均模型)预测方法在MAD(平均绝对误差)、RMSE(均方根误差)、MAPE(平均绝对百分比误差)三项指标上的值。
如图7所示,LSTM预测方法的MAD值明显低于ARIMA方法的MAD值,另外,随着分类区间数量的增长,LSTM预测方法的MAD值将会逐渐减小。
如图8所示,LSTM预测方法的RMSE值基本上与ARIMA预测方法的RMSE值相等,但随着分类区间数量的增长,LSTM预测方法的RMSE值略有下降。
如图9所示,LSTM预测方法的MAPE值明显低于ARIMA方法的MAD值,此外,随着分类区间数量的增长,LSTM预测方法的MAPE值将会逐渐减小,基本上趋近于0。
Claims (7)
1.一种基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,包括数据预处理阶段、模型训练阶段和预测阶段;
所述数据预处理阶段,收集银行网点若干天的现金交易记录作为训练集,构建交易数据库,数据库中包括根据每日的现金交易记录以日为单位构建的特征向量,以及根据每日的现金交易记录计算得到的日净额;
所述模型训练阶段,搭建具有若干个隐含层的长短期记忆循环神经网络模型,即LSTM模型,其中每个隐含层包含若干个神经元,利用交易数据库中的特征向量和日净额对LSTM模型进行训练,得到最优LSTM模型权重参数;
所述预测阶段,确定待预测的银行网点和预测日期,收集该银行网点前若干天的现金交易记录,然后分别转换成特征向量输入到LSTM预测模型中,输出预测结果,即备付金预测值。
2.根据权利要求1所述的基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,在数据预处理阶段,以日为单位,统计每日的总存款额、总取款额以及日期属性,建特征向量,格式如下:[月份,日期,总存款额,总取款额,日期属性],其中,日期属性分为工作日、周六、周日和节假日,分别标记为0、1、2、3,并且节假日属性优于其他日期属性;
根据现金交易记录计算日净额;统计一段周期内银行网点的日净额分布,得到置信区间;并将置信区间作为预测总区间,将其划分成N_CLASS个子区间;根据每日的日净额所处子区间将其标记为一个N_CLASS维的one-hot向量,one-hot向量中的每一个维度对应一个子区间,该日的日净额所处子区间对应维度的向量元素标为1,其他维度的向量元素标为0。
3.根据权利要求2所述的基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,所述N_CLASS取值为5。
4.根据权利要求3所述的基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,所述预测阶段,依次将不同日期的特征向量输入到LSTM预测模型中,经过输入门层、遗忘门层、输出门层的三种矩阵变换,输出预测日的one-hot向量。
5.根据权利要求4所述的基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,所述预测阶段,根据预测日的one-hot向量得到预测日的日净额所处的子区间,并取该子区间内的随机值作为备付金预测值。
6.根据权利要求3所述的基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,所述模型训练阶段,迭代若干次对LSTM模型进行训练,使用随机小实数初始化LSTM模型的权重参数,应用随机失活进行正则化处理,以tanh非线性函数作为激活函数确定输出,并选取交叉熵作为损失函数,将预测得到one-hot向量与真实日净额对应的one-hot向量进行对比,计算损失,并使用随机梯度下降与反向传播方法相结合寻找使得损失最小的最优权重参数。
7.根据权利要求6所述的基于长短期记忆循环神经网络的银行网点备付金预测方法,其特征在于,所述模型训练阶段,隐含层个数为5,每个隐含层包含50个神经元,迭代100000次对LSTM模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710281286.9A CN106886846A (zh) | 2017-04-26 | 2017-04-26 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710281286.9A CN106886846A (zh) | 2017-04-26 | 2017-04-26 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106886846A true CN106886846A (zh) | 2017-06-23 |
Family
ID=59183052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710281286.9A Pending CN106886846A (zh) | 2017-04-26 | 2017-04-26 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886846A (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491508A (zh) * | 2017-08-01 | 2017-12-19 | 浙江大学 | 一种基于循环神经网络的数据库查询时间预测方法 |
CN107506414A (zh) * | 2017-08-11 | 2017-12-22 | 武汉大学 | 一种基于长短期记忆网络的代码推荐方法 |
CN107609974A (zh) * | 2017-09-26 | 2018-01-19 | 北京福布罗科技有限公司 | 压力测试方法及装置 |
CN107786369A (zh) * | 2017-09-26 | 2018-03-09 | 广东电网有限责任公司电力调度控制中心 | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 |
CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
CN108090686A (zh) * | 2017-12-29 | 2018-05-29 | 北京大学 | 一种医疗事件风险评估分析方法及*** |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109034493A (zh) * | 2018-08-22 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种账户余额预测方法及装置 |
CN109165727A (zh) * | 2018-09-04 | 2019-01-08 | 成都品果科技有限公司 | 一种基于循环神经网络的数据预测方法 |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
CN109447354A (zh) * | 2018-10-31 | 2019-03-08 | 中国银行股份有限公司 | 一种基于ga-bp神经网络的智能配钞方法及装置 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109685290A (zh) * | 2019-02-11 | 2019-04-26 | 南方电网科学研究院有限责任公司 | 一种基于深度学习的用电量预测方法、装置及设备 |
CN109829818A (zh) * | 2019-02-03 | 2019-05-31 | 中国银行股份有限公司 | 现金需求量预测方法、装置、电子设备及可读存储介质 |
CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及*** |
CN110019401A (zh) * | 2017-12-25 | 2019-07-16 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
WO2019165944A1 (zh) * | 2018-02-28 | 2019-09-06 | ***股份有限公司 | 基于转移概率网络的商户推荐方法及其*** |
CN110245782A (zh) * | 2019-05-20 | 2019-09-17 | 中国银行股份有限公司 | 预测模型训练方法、装置和设备 |
CN110255303A (zh) * | 2019-06-13 | 2019-09-20 | 天津大学 | 一种电梯等待楼层优化方法 |
CN110276492A (zh) * | 2019-06-24 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种节点数据预测方法及装置 |
CN110363357A (zh) * | 2019-07-17 | 2019-10-22 | 中国银行股份有限公司 | 一种智能配钞方法及*** |
WO2019201001A1 (zh) * | 2018-04-20 | 2019-10-24 | 阿里巴巴集团控股有限公司 | 一种资金的预测方法、装置及电子设备 |
CN110490392A (zh) * | 2019-09-20 | 2019-11-22 | 中国银行股份有限公司 | 网点配钞方法及装置 |
CN110659787A (zh) * | 2018-06-29 | 2020-01-07 | 北京九章云极科技有限公司 | 一种银行数据分析方法和*** |
CN111090571A (zh) * | 2019-12-18 | 2020-05-01 | 中国建设银行股份有限公司 | 信息***的维护方法、装置和计算机存储介质 |
CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其*** |
CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
CN111490995A (zh) * | 2020-06-12 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 保护隐私的模型训练方法和装置、数据处理方法、服务器 |
CN111639792A (zh) * | 2020-05-12 | 2020-09-08 | 深圳市星耀蓝图科技有限公司 | 基于人工智能对银行atm智能加钞的方法 |
CN111738507A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 银行清算头寸资金备付量预测方法和装置、设备及介质 |
CN112098714A (zh) * | 2020-08-12 | 2020-12-18 | 国网江苏省电力有限公司南京供电分公司 | 一种基于ResNet-LSTM的窃电检测方法及*** |
CN112580505A (zh) * | 2020-12-18 | 2021-03-30 | 平安银行股份有限公司 | 网点开关门状态识别方法、装置、电子设备及存储介质 |
WO2021082811A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测方法 |
CN112802278A (zh) * | 2020-12-31 | 2021-05-14 | 中国银行股份有限公司 | 存取款机的调整方法、装置、电子设备以及存储介质 |
CN113420902A (zh) * | 2020-12-09 | 2021-09-21 | 上海东普信息科技有限公司 | 件量预测模型训练方法、件量预测方法及相关设备 |
CN113487110A (zh) * | 2021-07-28 | 2021-10-08 | 中国银行股份有限公司 | 备付金管理方法及装置 |
CN113988461A (zh) * | 2021-11-11 | 2022-01-28 | 中国工商银行股份有限公司 | 头寸的预测方法、装置、存储介质和电子设备 |
CN114781741A (zh) * | 2022-05-06 | 2022-07-22 | 中国工商银行股份有限公司 | 期权买卖时机确定方法、装置、设备、介质和程序产品 |
CN115130879A (zh) * | 2022-07-05 | 2022-09-30 | 中国银行股份有限公司 | 银行控制现金的方法及装置 |
CN115440317A (zh) * | 2022-07-20 | 2022-12-06 | 中南大学 | 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 |
-
2017
- 2017-04-26 CN CN201710281286.9A patent/CN106886846A/zh active Pending
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491508B (zh) * | 2017-08-01 | 2020-05-26 | 浙江大学 | 一种基于循环神经网络的数据库查询时间预测方法 |
CN107491508A (zh) * | 2017-08-01 | 2017-12-19 | 浙江大学 | 一种基于循环神经网络的数据库查询时间预测方法 |
CN107506414A (zh) * | 2017-08-11 | 2017-12-22 | 武汉大学 | 一种基于长短期记忆网络的代码推荐方法 |
CN107506414B (zh) * | 2017-08-11 | 2020-01-07 | 武汉大学 | 一种基于长短期记忆网络的代码推荐方法 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN107609974A (zh) * | 2017-09-26 | 2018-01-19 | 北京福布罗科技有限公司 | 压力测试方法及装置 |
CN107786369A (zh) * | 2017-09-26 | 2018-03-09 | 广东电网有限责任公司电力调度控制中心 | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 |
CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
CN110019401A (zh) * | 2017-12-25 | 2019-07-16 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
CN110019401B (zh) * | 2017-12-25 | 2024-04-05 | 顺丰科技有限公司 | 件量预测方法、装置、设备及其存储介质 |
CN108090686A (zh) * | 2017-12-29 | 2018-05-29 | 北京大学 | 一种医疗事件风险评估分析方法及*** |
CN108090686B (zh) * | 2017-12-29 | 2022-01-25 | 北京大学 | 一种医疗事件风险评估分析方法及*** |
WO2019165944A1 (zh) * | 2018-02-28 | 2019-09-06 | ***股份有限公司 | 基于转移概率网络的商户推荐方法及其*** |
WO2019201001A1 (zh) * | 2018-04-20 | 2019-10-24 | 阿里巴巴集团控股有限公司 | 一种资金的预测方法、装置及电子设备 |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN110659787A (zh) * | 2018-06-29 | 2020-01-07 | 北京九章云极科技有限公司 | 一种银行数据分析方法和*** |
CN109034493A (zh) * | 2018-08-22 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种账户余额预测方法及装置 |
CN109165727A (zh) * | 2018-09-04 | 2019-01-08 | 成都品果科技有限公司 | 一种基于循环神经网络的数据预测方法 |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
CN109447354A (zh) * | 2018-10-31 | 2019-03-08 | 中国银行股份有限公司 | 一种基于ga-bp神经网络的智能配钞方法及装置 |
CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及*** |
CN109829818A (zh) * | 2019-02-03 | 2019-05-31 | 中国银行股份有限公司 | 现金需求量预测方法、装置、电子设备及可读存储介质 |
CN109685290A (zh) * | 2019-02-11 | 2019-04-26 | 南方电网科学研究院有限责任公司 | 一种基于深度学习的用电量预测方法、装置及设备 |
CN109685290B (zh) * | 2019-02-11 | 2023-06-16 | 南方电网科学研究院有限责任公司 | 一种基于深度学习的用电量预测方法、装置及设备 |
CN110245782A (zh) * | 2019-05-20 | 2019-09-17 | 中国银行股份有限公司 | 预测模型训练方法、装置和设备 |
CN110255303A (zh) * | 2019-06-13 | 2019-09-20 | 天津大学 | 一种电梯等待楼层优化方法 |
CN110276492A (zh) * | 2019-06-24 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种节点数据预测方法及装置 |
CN110363357A (zh) * | 2019-07-17 | 2019-10-22 | 中国银行股份有限公司 | 一种智能配钞方法及*** |
CN110490392A (zh) * | 2019-09-20 | 2019-11-22 | 中国银行股份有限公司 | 网点配钞方法及装置 |
WO2021082811A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测方法 |
CN111130839A (zh) * | 2019-11-04 | 2020-05-08 | 清华大学 | 一种流量需求矩阵预测方法及其*** |
CN111130839B (zh) * | 2019-11-04 | 2021-07-16 | 清华大学 | 一种流量需求矩阵预测方法及其*** |
CN111090571A (zh) * | 2019-12-18 | 2020-05-01 | 中国建设银行股份有限公司 | 信息***的维护方法、装置和计算机存储介质 |
CN111145541A (zh) * | 2019-12-18 | 2020-05-12 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
CN111090571B (zh) * | 2019-12-18 | 2024-01-23 | 中国建设银行股份有限公司 | 信息***的维护方法、装置和计算机存储介质 |
CN111145541B (zh) * | 2019-12-18 | 2021-10-22 | 深圳先进技术研究院 | 交通流量数据预测方法、存储介质和计算机设备 |
CN111639792A (zh) * | 2020-05-12 | 2020-09-08 | 深圳市星耀蓝图科技有限公司 | 基于人工智能对银行atm智能加钞的方法 |
CN111639792B (zh) * | 2020-05-12 | 2023-04-18 | 深圳市星耀蓝图科技有限公司 | 基于人工智能对银行atm智能加钞的方法 |
CN111490995A (zh) * | 2020-06-12 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 保护隐私的模型训练方法和装置、数据处理方法、服务器 |
CN111738507A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 银行清算头寸资金备付量预测方法和装置、设备及介质 |
CN112098714B (zh) * | 2020-08-12 | 2023-04-18 | 国网江苏省电力有限公司南京供电分公司 | 一种基于ResNet-LSTM的窃电检测方法及*** |
CN112098714A (zh) * | 2020-08-12 | 2020-12-18 | 国网江苏省电力有限公司南京供电分公司 | 一种基于ResNet-LSTM的窃电检测方法及*** |
CN113420902A (zh) * | 2020-12-09 | 2021-09-21 | 上海东普信息科技有限公司 | 件量预测模型训练方法、件量预测方法及相关设备 |
CN112580505B (zh) * | 2020-12-18 | 2023-09-19 | 平安银行股份有限公司 | 网点开关门状态识别方法、装置、电子设备及存储介质 |
CN112580505A (zh) * | 2020-12-18 | 2021-03-30 | 平安银行股份有限公司 | 网点开关门状态识别方法、装置、电子设备及存储介质 |
CN112802278A (zh) * | 2020-12-31 | 2021-05-14 | 中国银行股份有限公司 | 存取款机的调整方法、装置、电子设备以及存储介质 |
CN113487110A (zh) * | 2021-07-28 | 2021-10-08 | 中国银行股份有限公司 | 备付金管理方法及装置 |
CN113988461A (zh) * | 2021-11-11 | 2022-01-28 | 中国工商银行股份有限公司 | 头寸的预测方法、装置、存储介质和电子设备 |
CN114781741A (zh) * | 2022-05-06 | 2022-07-22 | 中国工商银行股份有限公司 | 期权买卖时机确定方法、装置、设备、介质和程序产品 |
CN115130879A (zh) * | 2022-07-05 | 2022-09-30 | 中国银行股份有限公司 | 银行控制现金的方法及装置 |
CN115440317A (zh) * | 2022-07-20 | 2022-12-06 | 中南大学 | 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 |
CN115440317B (zh) * | 2022-07-20 | 2023-05-26 | 中南大学 | 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886846A (zh) | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN109785003A (zh) | 一种药品零售行业药品销售预测***及方法 | |
CN108830430A (zh) | 用于交通流量预测的卷积神经网络多点回归预测模型 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN111178611B (zh) | 一种日电量预测的方法 | |
CN107832897A (zh) | 一种基于深度学习的股票市场预测方法 | |
Enke et al. | A hybrid neuro-fuzzy model to forecast inflation | |
CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN111626785A (zh) | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 | |
CN110348608A (zh) | 一种基于模糊聚类算法改进lstm的预测方法 | |
CN110503104A (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Bhandari et al. | An artificial intelligence ATM forecasting system for hybrid neural networks | |
Struga et al. | Bitcoin Price Prediction with Neural Networks. | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN104751254A (zh) | 基于非等距加权灰色模型和模糊聚类排序线损率预测方法 | |
Liu et al. | Stock price trend prediction model based on deep residual network and stock price graph | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
Turki et al. | Study Estimating hourly traffic flow using Artificial Neural Network: A M25 motorway case | |
Asad et al. | A long-short-term-memory based model for predicting atm replenishment amount | |
Jiang | Cryptocurrency price forecasting based on shortterm trend KNN model | |
Wenjie et al. | A NOVEL MODEL FOR STOCK CLOSING PRICE PREDICTION USING CNN-ATTENTION-GRU-ATTENTION. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20181227 Address after: 410000 No. 678 Qingshan Road, Yuelu District, Changsha City, Hunan Province Applicant after: Hunan Creator Information Technologies Co.,Ltd. Address before: 410083 932 south foot Road, Yuelu District, Changsha, Hunan Applicant before: Central South University Applicant before: Hunan Hyderabad Data Technology Co. Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170623 |