CN109345048B - 预测方法、装置、电子设备及计算机可读存储介质 - Google Patents

预测方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN109345048B
CN109345048B CN201810853151.XA CN201810853151A CN109345048B CN 109345048 B CN109345048 B CN 109345048B CN 201810853151 A CN201810853151 A CN 201810853151A CN 109345048 B CN109345048 B CN 109345048B
Authority
CN
China
Prior art keywords
cross
predetermined
border
data
foreign exchange
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.)
Active
Application number
CN201810853151.XA
Other languages
English (en)
Other versions
CN109345048A (zh
Inventor
黄涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Nova Technology Singapore Holdings Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201810853151.XA priority Critical patent/CN109345048B/zh
Publication of CN109345048A publication Critical patent/CN109345048A/zh
Application granted granted Critical
Publication of CN109345048B publication Critical patent/CN109345048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例公开了一种预测方法、装置、电子设备及计算机可读存储介质。该方法包括：获取与预定国家相关的跨境游数据；其中，所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据；根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。本公开的上述方式采用的跨境游数据不但包括历史外汇交易数据，还包括人们对该预定国家跨境游的关注数据，因此预测出的跨境游相关的外汇交易数据更加客观准确，能够体现出一些突发情况，为相关部门做出应对措施提供了数据支持。

Description

预测方法、装置、电子设备及计算机可读存储介质
技术领域
本公开涉及计算机技术领域，具体涉及一种预测方法、装置、电子设备及计算机可读存储介质。
背景技术
当今经济日益开放条件下，无论是企业、银行、政府以及个人都不得不面对外汇交易这个客观存在，都会主动或被动地受到汇率变动的影响，当持有硬货币时，汇率的上涨会带来收益；当持有软货币时，汇率的下跌会带来损失。
在外汇交易中，准确预测未来外汇交易量，能够帮助外汇运营团队精准决策，从而避免由于市场波动带来的损失。而目前外汇交易量预测方式基于简单的统计学，灵活性、适用性较差；另外，预测基于的数据源较为单一，仅是公司自持的历史交易数据，使得预测不够准确。
发明内容
本公开实施例提供一种预测方法、装置、电子设备及计算机可读存储介质。
第一方面，本公开实施例中提供了一种预测方法，包括：
获取与预定国家相关的跨境游数据；其中，所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据；
根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。
进一步地，所述预测方法还包括：
获取多个训练样本；其中，所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据；
利用所述多个训练样本对机器自学习模型进行训练，获得所述预测模型。
进一步地，所述机器自学习模型至少包括深度神经网络。
进一步地，所述跨境游数据还包括用户数据。
进一步地，根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据，包括：
根据用户对所述预定国家的跨境游关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数，并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量；
根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量；
根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量；
根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。
进一步地，所述预测方法还包括：
获取多个第一训练样本；其中，所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数；
利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练，获得所述第一预测模型。
进一步地，所述预测方法还包括：
获取多个第二训练样本；其中，所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量；
根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练，获得所述第二预测模型。
进一步地，所述预测方法还包括：
获取多个第三训练样本；其中，所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量；
利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练，获得所述第三预测模型。
进一步地，所述预测方法还包括：
获取多个第四训练样本；其中，所述第四训练样本至少包括第四预定历史时间段内的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量；
利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练，获得所述第四预测模型。
进一步地，所述第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。
进一步地，用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。
第二方面，本公开实施例提供了一种预测装置，包括：
第一获取模块，被配置为获取与预定国家相关的跨境游数据；其中，所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据；
预测模块，被配置为根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。
进一步地，所述预测装置还包括：
第二获取模块，被配置为获取多个训练样本；其中，所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据；
第一训练模块，被配置为利用所述多个训练样本对机器自学习模型进行训练，获得所述预测模型。
进一步地，所述机器自学习模型至少包括深度神经网络。
进一步地，所述跨境游数据还包括用户数据。
进一步地，所述预测模块，包括：
第一预测子模块，被配置为根据用户对所述预定国家的跨境游关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数，并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量；
第二预测子模块，被配置为根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量；
第三预测子模块，被配置为根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量；
第四预测子模块，被配置为根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。
进一步地，所述预测装置还包括：
第三获取模块，被配置为获取多个第一训练样本；其中，所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数；
第二训练模块，被配置为利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练，获得所述第一预测模型。
进一步地，所述预测装置还包括：
第四获取模块，被配置为获取多个第二训练样本；其中，所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量；
第三训练模块，被配置为根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练，获得所述第二预测模型。
进一步地，所述预测装置还包括：
第五获取模块，被配置为获取多个第三训练样本；其中，所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量；
第四训练模块，被配置为利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练，获得所述第三预测模型。
进一步地，所述预测装置还包括：
第六获取模块，被配置为获取多个第四训练样本；其中，所述第四训练样本至少包括第四预定历史时间段内的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量；
第五训练模块，被配置为利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练，获得所述第四预测模型。
进一步地，所述第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。
进一步地，用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。
所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，预测装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持预测装置执行上述第一方面中预测方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述预测装置还可以包括通信接口，用于预测装置与其他设备或通信网络通信。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现第一方面所述的方法步骤。
第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储预测装置所用的计算机指令，其包含用于执行上述第一方面中预测方法所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开实施例通过获取跨境游数据，进而利用预先通过样本数据训练好的预测模型对所获取的跨境游数据进行预测分析，最终得到与该预定国家在未来预定时间段内产生的跨境游相关的外汇交易数据。由于本公开的上述方式采用的跨境游数据不但包括历史外汇交易数据，还包括人们对该预定国家跨境游的关注数据，因此预测出的由跨境游相关的外汇交易数据更加客观准确，能够体现出一些突发情况，为相关部门做出应对措施提供了数据支持。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的预测方法的流程图；
图2示出根据本公开一实施方式的预测方法中训练预测模型部分的流程图；
图3示出根据本公开一实施方式的4层深度神经网络的结构示意图；
图4示出根据图1所示实施方式的步骤S102的流程图；
图5示出根据本公开一实施方式的预测方法中训练第一预测模型部分的流程图；
图6示出根据本公开一实施方式的预测方法中训练第二预测模型部分的流程图；
图7示出根据本公开一实施方式的预测方法中训练第三预测模型部分的流程图；
图8示出根据本公开一实施方式的预测方法中训练第四预测模型部分的流程图；
图9示出根据本公开一实施方式的预测装置的结构框图；
图10示出根据本公开一实施方式的预测装置中训练预测模型部分的结构框图；
图11示出根据图9所示实施方式的预测模块902的结构框图；
图12示出根据本公开一实施方式的预测装置中训练第一预测模型部分的结构框图；
图13示出根据本公开一实施方式的预测装置中训练第二预测模型部分的结构框图；
图14示出根据本公开一实施方式的预测装置中训练第三预测模型部分的结构框图；
图15示出根据本公开一实施方式的预测装置中训练第四预测模型部分的结构框图；
图16是适于用来实现根据本公开一实施方式的预测方法的电子设备的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出根据本公开一实施方式的预测方法的流程图。如图1所示，所述预测方法包括以下步骤S101-S102：
在步骤S101中，获取与预定国家相关的跨境游数据；其中，所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据；
在步骤S102中，根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。
在下文中将对步骤S101和S102分别做进一步的描述。
步骤S101
本实施例中，预定国家可以是除本国之外的任何一个或多个使用同一种货币的国家，例如日本、美国、欧盟各国等。针对任一国家或地区，跨境游数据至少包括用户对该预定国家的跨境游关注数据。用户对预定国家的跨境游关注数据可以通过各种已知渠道获取，例如通过网络爬虫爬取用户对于该预定国家跨境游的评论数据，通过对评论数据进行情感分析等处理后能够得出有意向去该预定国家旅游的人数等。还可以通过旅游公司的咨询数据统计分析得到人们对预定国家跨境游的关注数据。跨境游相关的外汇交易数据可以是在预定历史时间段内去预定国家进行旅游的游客以及这些游客兑换该预定国家的货币所产生的外汇交易数据。在一实施例中，历史外汇交易数据可以包括外汇交易量。在另一实施例中，历史外汇交易数据还可以包括预定历史时间段内去预定国家旅游的人数、每个游客的用户数据等；每个游客的数据包括但不限于每个游客的外汇交易量、进行外汇交易的时间、地点、去该预定国家的次数等等。历史外汇交易数据可以是历史上跨境游相关的与该预定国家产生的外汇交易数据，为真实的数据。历史外汇交易数据在较长的周期内有一定的发展规律，因此在一定程度上是也能够反映出未来预定时间段内与该预定国家产生的跨境游相关的外汇交易数据。例如，随着国家经济的迅速发展，越来越多的用户在假期选择跨境游，因此与大多数国家产生的跨境游相关的外汇交易数据呈上升趋势。
在一实施例中，用户对所述预定国家跨境游的关注数据是对未来预定时间段内该预定国家的跨境游有影响的数据，而不是一些过期了的关注数据。因此，在获取用户对所述预定国家跨境游的关注数据时，可以设定一期限，并获取该期限内产生的关注数据。例如，该期限可以设置为预定国家的上一旅游旺季与下一旅游旺季之间的时间段。在实际应用时，可以根据实际情况如预定国家的国情、景区的情况、统计需要等因素设定该期限，以使所获取的关注数据能够更加准确地反映出未来预定时间段内跨境游相关的外汇交易数据。
步骤S102
在本实施例中，预测模型可以是机器自学习模型。机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。机器自学习模型经过多个训练样本的训练后，能够基于相应的参数预测出与参数相关的结论性数据。本实施例中的机器自学习模型至少能够通过预定国家的跨境游数据预测得到与该预定国家在未来预定时间段内产生的跨境游相关的外汇交易数据。预测得到的外汇交易数据至少包括去该预定国家旅游的游客在未来预定时间段内可能会产生的外汇交易量。外汇交易数据除了包括外汇交易量之外，还可以包括未来预定时间段内可能去该预定国家旅游的人数、每个游客的数据等；每个游客的数据包括但不限于每个游客的外汇交易量等等。
已有技术中也有预测外汇交易数据的技术方案，但是已有技术的预测往往基于单一的历史外汇交易数据，无法有效应对突发的场景，比如突发的台风，导致某一个国外景区歇业，从而没有跨境旅游产生的外汇交易；也有已有技术基于总的历史交易数据进行预测，导致交易数据挖掘维度不够。而本公开实施例通过获取跨境游数据，进而利用预先通过样本数据训练好的预测模型对所获取的跨境游数据进行预测分析，最终得到与该预定国家在未来预定时间段内产生的跨境游相关的外汇交易数据。由于本公开的上述方式采用的跨境游数据不但包括历史外汇交易数据，还包括人们对该预定国家跨境游的关注数据，因此预测出的跨境游相关的外汇交易数据更加客观准确，能够体现出一些突发情况，为相关部门做出应对措施提供了数据支持。
在本实施例的一个可选实现方式中，如图2所示，所述方法进一步包括以下步骤S201-S202：
在步骤S201中，获取多个训练样本；其中，所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据；
在步骤S202中，利用所述多个训练样本对机器自学习模型进行训练，获得所述预测模型。
在该可选的实现方式中，可以根据实际情况选择一种合适的机器自学习模型，并建立起该机器自学习模型结构。例如，选择神经网络模型，可以根据实际情况选择卷积神经网络模型或深度学习神经网络模型，并设定好神经网络模型的输入层、输出层、中间层，还可以设定神经网络的目标函数等。机器自学习模型的建立可以基于已有技术，在此不再赘述。
本实施例中的训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据。跨境游数据是指历史时间段内的跨境游数据，并且针对该历史时间段内的跨境游数据已经产生了真实的外汇交易数据。举例说明，采集去年一年的跨境游数据作为训练样本，采集频率为每周一个训练样本，那么可以产生52组训练样本，第N组(0<N＝<52)训练样本包括去年第N周中第1-6天的跨境游数据以及第7天跨境游相关的真实外汇交易数据。可以理解的是，训练样本的采集周期以及采集频率可以根据实际情况设置，在此不做限制。
在采集到了足够多的训练样本后，可以利用这些训练样本对机器自学习模型进行训练，最终得到训练好的预测模型。训练过程根据机器自学习模型类型的不同而不同，可以采用已有的技术，在此不再赘述。
在本实施例的一个可选实现方式中，所述机器自学习模型至少包括深度神经网络。
该可选的实现方式中，可以采用深度神经网络作为机器自学习模型，深度神经网络更为通用、灵活，且深度神经网络是一种增量式的学习模型，可以有效减少因为数据更新而带来的重复计算量，能够节省资源。
下面以4层深度神经网络为例，说明机器自学习模型的建立以及训练过程。
如图3所示，4层深度神经网络包括输入层z1、两个隐含层z2和z3、输出层z4，该4层深度神经网络的正向传导公式如下：
al+1＝Wlzl+bl
zl+1＝fl+1(al+1)
其中Z1，1≤1≤4，表示第l层的向量，(wl，bl)为该第l层与第l+1层之间的网络权值。
0＜l＜4时，每层激励函数可以采用sigmoid函数，而l＝4时的激励函数可以采用softmax函数。
4层深度神经网络的训练过程如下：
设给定训练样本为(X＝[x1，x2，...，xN]，Y＝[y1，y2，...，yN])，X作为输入，N为输入X的个数，Y为X的标注结果；
Figure GDA0003928918830000111
代表深度神经网络的第l层的输出。网络训练公式如下：
Figure GDA0003928918830000112
Δl＝(Wl)TΔl+1ο(fl(Al))′
Wl＝Wl-ηΔl+1(Zl)T
bl＝bl-ηΔl+11
其中，L＝4，l＝L-1，L-2，..，1，
Figure GDA0003928918830000113
η为学习速率；在利用训练样本训练时，通过反复利用上述训练公式调整网络权值，直到网络权值趋于稳定或者训练次数达到一定值。
在本实施例的一个可选实现方式中，所述跨境游数据还包括用户数据。
在一实施例中，跨境游数据还可以包括用户数据。用户数据可以包括用户的历史外汇交易数据。有意向去预定国家旅游的用户，会提前兑换该预定国家的货币，因此可以统计已经兑换了预定国家的货币而还没有出境的用户的历史交易数据。除此之外，每个用户对于跨境游的态度不同，有些用户可能每年假期都会选择不同的国家进行跨境游，而有些用户可能喜欢去特定的一个或多个国家进行跨境游，而有些用户不愿意出国游玩。因此用户数据还可以包括用户的一些画像数据，通过分析用户画像数据预测在未来预定时间段内有意向去预定国家跨境游的用户数目等数据。
在本实施例的一个可选实现方式中，如图4所示，所述步骤S102，即根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据的步骤，进一步包括以下步骤S401-S404：
在步骤S401中，根据用户对所述预定国家的跨境游关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数，并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量；
在步骤S402中，根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量；
在步骤S403中，根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量；
在步骤S404中，根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。
该可选的实现方式中，为了更加准确地预测出与预定国家产生的跨境游相关的外汇交易数据，可以针对不同的预测模型对不同种类的跨境游数据分别进行预测，得到各自对应的预测结果，之后再综合上述预测结果，综合得到最终的外汇交易数据。不同种类的跨境游数据可以包括用户对该预定国家跨境游评论数据、与预定国家产生的跨境游相关的历史交易数据以及用户数据；而针对这三种跨境游数据，可以预先训练好三种不同的预测模型，即分别为第一预测模型、第二预测模型和第三预测模型。第一预测模型、第二预测模型和第三预测模型分别对上述三种类型的跨境游数据进行预测，得到在未来预定时间段内去预定国家旅游的人数，并根据该人数得到未来预定时间段内与该预定国家产生的跨境游相关的第一外汇交易量，由历史交易数据得到的未来预定时间段内与该预定国家产生的跨境游相关的第二外汇交易量，以及根据用户数据预测得到的用户在未来的预定时间段内与该预定国家产生的跨境游相关的第三外汇交易量。之后再通过第四预测模型对第一外汇交易量、第二外汇交易量和第三外汇交易量进行预测分析，最终得到该在未来预定时间段内与预定国家产生的跨境游相关的外汇交易量。
该可选的实现方式在预测在未来预定时间段内与预定国家产生的跨境游相关的外汇交易数据时，不但考虑了历史交易数据，还更有针对性的就用户对该预定国家跨境游的评论数据进行分析预测，确定未来预定时间段内可能去该预定国家旅游的人数以及会产生外汇交易量；除此之外，还考虑了用户的行为，根据用户外汇交易行为以及其他画像数据等，从更细粒度层面上挖掘每个用户的潜在外汇交易量，最终综合考虑上述外汇交易数据后，得到未来预定时间段内的外汇交易数据，使得预测结果更加准确，且在发生突发状况时，能够提前预知，并为布局相应的应对策略提供了很好地数据支持。
在本实施例的一个可选实现方式中，如图5所示，所述方法进一步还包括以下步骤S501-S502：
在步骤S501中，获取多个第一训练样本；其中，所述第一训练样本至少包括预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述预定历史时间段之后去所述预定国家旅游的真实人数；
在步骤S502中，利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练，获得所述第一预测模型。
在该可选的实现方式中，第一预定历史时间段可以是过去某一个时间段，所收集的第一训练样本中的跨境游关注数据是在该第一预定历史时间段收集到的，例如第一预定历史时间段为过去N天，而每个第一训练样本中的关注数据为过去N(0<N<365)天内的关注数据，每个第一训练样本中第一预定历史时间段后去所述预定国家旅游的真实人数则为第N+1天的人数。当然，可以理解的是，第一预定历史时间段可以为过去M(M>1)周、月或年，第一训练样本中的关注数据也可以是过去M周、月或年中m(m>1)天、周或月采集一次得到的数据，而去预定国家旅游的真实人数也可以为之后的n(n>1)周、月或年的人数，具体根据实际情况设定，在此不作限制。通过上述方式收集到多个第一训练样本后，可以利用第一训练样本对第一机器自学习模型进行训练。第一机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第一机器自学习模型的结构可以利用已有技术以及实际情况进行构建，在此不再赘述。第一机器自学习模型经过多个第一训练样本的训练后，能够基于某一历史阶段收集到的用户对预定国家跨境游的关注数据预测出未来去预定国家旅游的人数。
下面举例说明一下第一训练样本的构造及第一机器自学习模型的训练过程。
假设第一预定历史时间阶段为过去N天，设xk＝[a，b]为第k日统计的关注数据，正负样本分别为a,b，即正样本为关注预定国家的数据，负样本为不关注预定国家的样本。[X，Y]构成一个第一训练样本，X＝[x1，x2，...，xN],Y＝c，其中，X为N天的的关注数据，c为第N+1天去预定国家实际旅游的人数。该第一训练样本的含义是用前N天的关注数据作为输入，第N+1天实际去预定国家旅游的人数c作为标注结果。按照相同方式构造的第一训练样本越多越好，在训练的时候，将X作为第一机器自学习模型的输入，通过将第一机器自学习模型的输出与标注结果c进行比较，不断调整第一机器自学习模型的参数，经过反复训练，直到第一机器自学习模型的参数趋于稳定，或者训练次数超过一定次数，则可以结束训练，并得到第一预测模型。
在本实施例的一个可选实现方式中，如图6所示，所述方法进一步还包括以下步骤S601-S602：
在步骤S601中，获取多个第二训练样本；其中，所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量；
在步骤S602中，根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练，获得所述第二预测模型。
在该可选的实现方式中，第二预定历史时间段可以是过去某一个时间段，例如第二预定历史时间段为过去N天，而每个第二训练样本中的样本外汇交易量为过去N(0<N<365)天内的跨境游外汇交易量，每个第二训练样本中结果外汇交易量则为第N+1天的外汇交易量。当然，可以理解的是，第二预定历史时间段可以为过去M(M>1)周、月或年，第二训练样本中的样本外汇交易量也可以是过去M周、月或年中m(m>1)天、周或月采集一次得到的数据，而结果外汇交易量也可以为第二预定历史时间段之后的n(n>1)周、月或年的外汇交易量，具体根据实际情况设定，在此不作限制。通过上述方式收集到多个第二训练样本后，可以利用第二训练样本对第二机器自学习模型进行训练。第二机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第二机器自学习模型的结构可以利用已有技术基于实际情况进行构建，在此不再赘述。第二机器自学习模型经过多个第二训练样本的训练后，能够基于某一历史阶段收集到的跨境游相关的外汇交易量预测在未来预定时间段内与预定国家产生的跨境游相关的外汇交易量。
下面举例说明一下第二训练样本构造及第二机器自学习模型的训练过程。
假设第二预定历史时间阶段为过去N天，[X，Y]构成一个第二训练样本，X＝[x1，x2，...，xN],Y＝c，其中，X为预定国家过去N天跨境游相关的样本外汇交易量，c为预定国家第N+1天跨境游相关的结果外汇交易量。该第二训练样本的含义是用前N天的外汇交易数据作为输入，第N+1天实际外汇交易量c作为标注结果。按照相同方式构造的第二训练样本越多越好，在训练的时候，将X作为第二机器自学习模型的输入，通过将第二机器自学习模型的输出与标注结果c进行比较，不断调整第二机器自学习模型的参数，经过反复训练，直到第二机器自学习模型的参数趋于稳定，或者训练次数超过一定次数，则可以结束训练，并得到第二预测模型。
在本实施例的一个可选实现方式中，如图7所示，所述方法进一步还包括以下步骤S701-S702：
在步骤S701中，获取多个第三训练样本；其中，所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量；
在步骤S702中，利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练，获得所述第三预测模型。
在该可选的实现方式中，可以针对每一个***收集第三样本数据，并训练得到第三预测模型。***可以是有意向去该预定国家旅游的用户，也可以是对跨境游感兴趣的用户。当然，在其他实施例中也可以针对所有能够收集到用户数据的用户，具体根据实际情况而定，在此不做限制。第三预定历史时间段可以是过去某一个时间段，所收集的第三训练样本中的用户数据是在该第三预定历史时间段收集到的，例如第三预定历史时间段为过去N天，而每个第三训练样本中的用户数据为过去N(0<N<365)天内的用户数据，每个第三训练样本中第三预定历史时间段之后的用户外汇交易量则为第N+1天该用户的外汇交易量。当然，可以理解的是，第三预定历史时间段可以为过去M(M>1)周、月或年，第三训练样本中的用户数据也可以是过去M周、月或年中m(m>1)天、周或月采集一次得到的数据，而预定国家的每个用户外汇交易量也可以为第三预定历史时间段之后的n(n>1)周、月或年该用户的外汇交易量，具体根据实际情况设定，在此不作限制。通过上述方式收集到多个第三训练样本后，可以利用第三训练样本对第三机器自学习模型进行训练。第三机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-ne ighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第三机器自学习模型的结构可以利用已有技术基于实际情况进行构建，在此不再赘述。第三机器自学习模型经过多个第三训练样本的训练后，能够基于某一历史阶段收集到的用户数据预测该用户在未来预定时间段内与该预定国家产生的外汇交易量。
下面举例说明一下第三训练样本的构造及第三机器自学习模型的训练过程。
针对某一用户，假设第二预定历史时间阶段为过去N天，[X，Y]构成一个第三训练样本，X＝[x1，x2，...，xN],Y＝c，其中，X为该用户在过去N天内每一天的用户数据，c为第N+1天该用户针对该预定国家产生的外汇交易量。该第三训练样本的含义是用前N天的用户数据X作为输入，第N+1天用户针对该预定国家的实际外汇交易量c作为标注结果。按照相同方式构造的第三训练样本越多越好，在训练的时候，将X作为第三机器自学习模型的输入，通过将第三机器自学习模型的输出与标注结果c进行比较，不断调整第三机器自学习模型的参数，经过反复训练，直到第三机器自学习模型的参数趋于稳定，或者训练次数超过一定次数，则可以结束训练，并得到第三预测模型。
在本实施例的一个可选实现方式中，如图8所示，所述方法进一步还包括以下步骤S801-S802：
在步骤S801中，获取多个第四训练样本；其中，所述第四训练样本至少包括第四预定历史时间段内得到的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量；
在步骤S802中，利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练，获得所述第四预测模型。
在该可选的实现方式中，第四预定历史时间段可以是过去某一个时间段。第四训练样本是由第一预测模型、第二预测模型和第三预测模型的预测结果以及真实外汇交易量构成的。例如第四预定历史时间段为过去第N+1(0<N<364)天，而每个第四训练样本中的第一外汇交易量、第二外汇交易量、第三外汇交易量分别为第N+1天的数据(分别是由第一预测模型、第二预测模型和第三预测模型预测出来的外汇交易量，而第一预测模型、第二预测模型和第三预测模型所使用的训练样本是过去第N天前收集到的)，那么第四训练样本中第四预定历史时间段之后与所述预定国家产生的跨境游相关的外汇交易量则是第N+1天的真实外汇交易量。当然，可以理解的是，第四预定历史时间段可以为过去第M+1(M>1)周、月或年，第四训练样本中的第一外汇交易量、第二外汇交易量、第三外汇交易量也可以是过去第M+1周、月或年的预测数据，而第四预定历史时间段之后与所述预定国家跨境游相关的外汇交易量之后第M+1周、月或年的真实外汇交易量，具体根据实际情况设定，在此不作限制。通过上述方式收集到多个第四训练样本后，可以利用第四训练样本对第四机器自学习模型进行训练。第四机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第四机器自学习模型的结构可以利用已有技术基于实际情况进行构建，在此不再赘述。第四机器自学习模型经过多个第四训练样本的训练后，能够基于第一预测模型、第二预测模型和第三预测模型预测得到的第一外汇交易量、第二外汇交易量和第三外汇交易量预测得到在未来预定时间段内与该预定国家产生的跨境游相关的外汇交易量。
在本实施例的一个可选实现方式中，所述第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。
该可选的实现方式中，也可以采用深度神经网络作为第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型，深度神经网络更为通用、灵活，且深度神经网络是一种增量式的学习模型，可以有效减少因为数据更新而带来的重复计算量，能够节省资源。深度神经网络的细节在上文中有相关描述，在此不再赘述。
在本实施例的一个可选实现方式中，用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。
该可选的实现方式中，用户对预定国家跨境游的关注数据可以为用户对预定国家跨境游的评论数据。用户如果对预定国家感兴趣，有意向去该国家旅游，那么该用户可能会通过各种渠道包括线上或线下的渠道了解该国家，并发表一些评论，而用户如果对预定国家不感兴趣，用户可能不会关注该预定国家，或者如果用户对预定国家的旅游景区不满意，可能会在网络上发表一些负面评论。因此，用户在线上或线下对预定国家的评论数据可以作为用户的关注数据。在一实施例中，可以通过网络爬虫爬取用户在各个论坛上对预定国家的跨境游评论数据。在另一些实施例中，还可以通过旅游公司的统计数据获取用户线下对预定国家的跨境游评论数据。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图9示出根据本公开一实施方式的预测装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图9所示，所述预测装置包括第一获取模块901和预测模块902：
第一获取模块901，被配置为获取与预定国家相关的跨境游数据；其中，所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据以及与所述预定国家产生的跨境游相关的历史外汇交易数据；
预测模块902，被配置为根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据。
在下文中将对第一获取模块901和预测模块902分别做进一步的描述。
第一获取模块901
本实施例中，第一获取模块901可以通过各种已知渠道获取用户对预定国家的跨境游关注数据，例如通过网络爬虫爬取用户对于该预定国家跨境游的评论数据，通过对评论数据进行情感分析等处理后能够得出有意向去该预定国家旅游的人数等。还可以通过旅游公司的咨询数据分析统计得到人们对预定国家跨境游的关注数据。跨境游相关的外汇交易数据可以是在预定历史时间段内去预定国家进行旅游的游客以及这些游客兑换该预定国家的货币所产生的外汇交易数据。在一实施例中，历史外汇交易数据可以包括外汇交易量。在另一实施例中，历史外汇交易数据还可以包括预定历史时间段内去预定国家旅游的人数、每个游客的用户数据等；每个游客的数据包括但不限于每个游客的外汇交易量、进行外汇交易的时间、地点、去该预定国家的次数等等。历史外汇交易数据可以是历史上跨境游相关的与该预定国家产生的外汇交易数据，为真实的数据。历史外汇交易数据在较长的周期内有一定的发展规律，因此在一定程度上是也能够反映出未来预定时间段内与该预定国家产生的跨境游相关的外汇交易数据。例如，随着国家经济的迅速发展，越来越多的用户在假期选择跨境游，因此与大多数国家产生的跨境游相关的外汇交易数据呈上升趋势。
在一实施例中，用户对所述预定国家跨境游的关注数据是对未来预定时间段内该预定国家的跨境游有影响的数据，而不是一些过期了的关注数据。因此，第一获取模块901在获取用户对所述预定国家跨境游的关注数据时，可以设定一期限，并获取该期限内产生的关注数据。例如，该期限可以设置为预定国家的上一旅游旺季与下一旅游旺季之间的时间段。在实际应用时，可以根据实际情况如预定国家的国情、景区的情况、统计需要等因素设定该期限，以使所获取的关注数据能够更加准确地反映出未来预定时间段内跨境游相关的外汇交易数据。
预测模块902
在本实施例中，预测模型可以是机器自学习模型。机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。机器自学习模型经过多个训练样本的训练后，能够基于相应的参数预测出与参数相关的结论性数据。本实施例中的机器自学习模型至少能够通过预定国家的跨境游数据预测得到与该预定国家在未来预定时间段内产生的跨境游相关的外汇交易数据。预测得到的外汇交易数据至少包括去该预定国家旅游的游客在未来预定时间段内可能会产生的外汇交易量。外汇交易数据除了包括外汇交易量之外，还可以包括未来预定时间段内可能去该预定国家旅游的人数、每个游客的数据等；每个游客的数据包括但不限于每个游客的外汇交易量等等。
在本实施例的一个可选实现方式中，如图10所示，所述预测装置进一步包括以下模块：
第二获取模块1001，被配置为获取多个训练样本；其中，所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据；
第一训练模块1002，被配置为利用所述多个训练样本对机器自学习模型进行训练，获得所述预测模型。
在该可选的实现方式中，可以根据实际情况选择一种合适的机器自学习模型，并建立起该机器自学习模型结构。例如，选择神经网络模型，可以根据实际情况选择卷积神经网络模型或深度学习神经网络模型，并设定好神经网络模型的输入层、输出层、中间层，还可以设定神经网络的目标函数等。机器自学习模型的建立可以基于已有技术，在此不再赘述。
本实施例中的训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据。跨境游数据是指历史时间段内的跨境游数据，并且针对该历史时间段内的跨境游数据已经产生了真实的外汇交易数据。
在采集到了足够多的训练样本后，可以利用这些训练样本对机器自学习模型进行训练，最终得到训练好的预测模型。训练过程根据机器自学习模型类型的不同而不同，可以采用已有的技术，在此不再赘述。
在本实施例的一个可选实现方式中，所述机器自学习模型至少包括深度神经网络。
该可选的实现方式中，可以采用深度神经网络作为机器自学习模型，深度神经网络更为通用、灵活，且深度神经网络是一种增量式的学习模型，可以有效减少因为数据更新而带来的重复计算量，能够节省资源。
在本实施例的一个可选实现方式中，所述跨境游数据还包括用户数据。
在一实施例中，跨境游数据还可以包括用户数据。用户数据可以包括用户的历史外汇交易数据。有意向去预定国家旅游的用户，会提前兑换该预定国家的货币，因此可以统计已经兑换了预定国家的货币而还没有出境的用户的历史交易数据。除此之外，每个用户对于跨境游的态度不同，有些用户可能每年假期都会选择不同的国家进行跨境游，而有些用户可能喜欢去特定的一个或多个国家进行跨境游，而有些用户不愿意出国游玩。因此用户数据还可以包括用户的一些画像数据，通过分析用户画像数据预测在未来预定时间段内有意向去预定国家跨境游的用户数目等数据。
在本实施例的一个可选实现方式中，如图11所示，所述预测模块902，进一步包括以下模块：
第一预测子模块1101，被配置为根据用户对所述预定国家的跨境游关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数，并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量；
第二预测子模块1102，被配置为根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量；
第三预测子模块1103，被配置为根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量；
第四预测子模块1104，被配置为根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。
该可选的实现方式中，为了更加准确地预测出与预定国家产生的跨境游相关的外汇交易数据，可以针对不同的预测模型对不同种类的跨境游数据分别进行预测，得到各自对应的预测结果，之后再综合上述预测结果，综合得到最终的外汇交易数据。不同种类的跨境游数据可以包括用户对该预定国家跨境游评论数据、与预定国家产生的跨境游相关的历史交易数据以及用户数据；而针对这三种跨境游数据，可以预先训练好三种不同的预测模型，即分别为第一预测模型、第二预测模型和第三预测模型。第一预测模型、第二预测模型和第三预测模型分别对上述三种类型的跨境游数据进行预测，得到在未来预定时间段内去预定国家旅游的人数，并根据该人数得到未来预定时间段内与该预定国家产生的跨境游相关的第一外汇交易量，由历史交易数据得到的未来预定时间段内与该预定国家产生的跨境游相关的第二外汇交易量，以及根据用户数据预测得到的用户在未来的预定时间段内与该预定国家产生的跨境游相关的第三外汇交易量。之后再通过第四预测模型对第一外汇交易量、第二外汇交易量和第三外汇交易量进行预测分析，最终得到该在未来预定时间段内与预定国家产生的跨境游相关的外汇交易量。
该可选的实现方式在预测在未来预定时间段内与预定国家产生的跨境游相关的外汇交易数据时，不但考虑了历史交易数据，还更有针对性的就用户对该预定国家跨境游的评论数据进行分析预测，确定未来预定时间段内可能去该预定国家旅游的人数以及会产生外汇交易量；除此之外，还考虑了用户的行为，根据用户外汇交易行为以及其他画像数据等，从更细粒度层面上挖掘每个用户的潜在外汇交易量，最终综合考虑上述外汇交易数据后，得到未来预定时间段内的外汇交易数据，使得预测结果更加准确，且在发生突发状况时，能够提前预知，并为布局相应的应对策略提供了很好地数据支持。
在本实施例的一个可选实现方式中，如图12所示，所述预测装置进一步还包括以下模块：
第三获取模块1201，被配置为获取多个第一训练样本；其中，所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数；
第二训练模块1202，被配置为利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练，获得所述第一预测模型。
在该可选的实现方式中，第一预定历史时间段可以是过去某一个时间段，所收集的第一训练样本中的跨境游关注数据是在该第一预定历史时间段收集到的，例如第一预定历史时间段为过去N天，而每个第一训练样本中的关注数据为过去N(0<N<365)天内的关注数据，每个第一训练样本中第一预定历史时间段后去所述预定国家旅游的真实人数则为第N+1天的人数。当然，可以理解的是，第一预定历史时间段可以为过去M(M>1)周、月或年，第一训练样本中的关注数据也可以是过去M周、月或年中m(m>1)天、周或月采集一次得到的数据，而去预定国家旅游的真实人数也可以为之后的n(n>1)周、月或年的人数，具体根据实际情况设定，在此不作限制。第三获取模块1201通过上述方式收集到多个第一训练样本后，第二训练模块1202可以利用第一训练样本对第一机器自学习模型进行训练。第一机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第一机器自学习模型的结构可以利用已有技术以及实际情况进行构建，在此不再赘述。第一机器自学习模型经过多个第一训练样本的训练后，能够基于某一历史阶段收集到的用户对预定国家跨境游的关注数据预测出未来去预定国家旅游的人数。
在本实施例的一个可选实现方式中，如图13所示，所述预测装置进一步还包括以下模块：
第四获取模块1301，被配置为获取多个第二训练样本；其中，所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量；
第三训练模块1302，被配置为根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练，获得所述第二预测模型。
在该可选的实现方式中，第二预定历史时间段可以是过去某一个时间段，例如第二预定历史时间段为过去N天，而每个第二训练样本中的样本外汇交易量为过去N(0<N<365)天内的跨境游外汇交易量，每个第二训练样本中结果外汇交易量则为第N+1天的外汇交易量。当然，可以理解的是，第二预定历史时间段可以为过去M(M>1)周、月或年，第二训练样本中的样本外汇交易量也可以是过去M周、月或年中m(m>1)天、周或月采集一次得到的数据，而结果外汇交易量也可以为第二预定历史时间段之后的n(n>1)周、月或年的外汇交易量，具体根据实际情况设定，在此不作限制。第四获取模块1301通过上述方式收集到多个第二训练样本后，第三训练模块1302可以利用第二训练样本对第二机器自学习模型进行训练。第二机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第二机器自学习模型的结构可以利用已有技术基于实际情况进行构建，在此不再赘述。第二机器自学习模型经过多个第二训练样本的训练后，能够基于某一历史阶段收集到的跨境游相关的外汇交易量预测在未来预定时间段内与预定国家产生的跨境游相关的外汇交易量。
在本实施例的一个可选实现方式中，如图14所示，所述预测装置进一步还包括以下模块：
第五获取模块1401，被配置为获取多个第三训练样本；其中，所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量；
第四训练模块1402，被配置为利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练，获得所述第三预测模型。
在该可选的实现方式中，可以针对每一个***收集第三样本数据，并训练得到第三预测模型。***可以是有意向去该预定国家旅游的用户，也可以是对跨境游感兴趣的用户。当然，在其他实施例中也可以针对所有能够收集到用户数据的用户，具体根据实际情况而定，在此不做限制。第三预定历史时间段可以是过去某一个时间段，所收集的第三训练样本中的用户数据是在该第三预定历史时间段收集到的，例如第三预定历史时间段为过去N天，而每个第三训练样本中的用户数据为过去N(0<N<365)天内的用户数据，每个第三训练样本中第三预定历史时间段之后的用户外汇交易量则为第N+1天该用户的外汇交易量。当然，可以理解的是，第三预定历史时间段可以为过去M(M>1)周、月或年，第三训练样本中的用户数据也可以是过去M周、月或年中m(m>1)天、周或月采集一次得到的数据，而预定国家的每个用户外汇交易量也可以为第三预定历史时间段之后的n(n>1)周、月或年该用户的外汇交易量，具体根据实际情况设定，在此不作限制。第五获取模块1401通过上述方式收集到多个第三训练样本后，第四训练模块1402可以利用第三训练样本对第三机器自学习模型进行训练。第三机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第三机器自学习模型的结构可以利用已有技术基于实际情况进行构建，在此不再赘述。第三机器自学习模型经过多个第三训练样本的训练后，能够基于某一历史阶段收集到的用户数据预测该用户在未来预定时间段内与该预定国家产生的外汇交易量。
在本实施例的一个可选实现方式中，如图15所示，所述预测装置进一步还包括以下模块：
第六获取模块1501，被配置为获取多个第四训练样本；其中，所述第四训练样本至少包括第四预定历史时间段内的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量；
第五训练模块1502，被配置为利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练，获得所述第四预测模型。
在该可选的实现方式中，第四预定历史时间段可以是过去某一个时间段。第四训练样本是由第一预测模型、第二预测模型和第三预测模型的预测结果以及真实外汇交易量构成的。例如第四预定历史时间段为过去第N+1(0<N<364)天，而每个第四训练样本中的第一外汇交易量、第二外汇交易量、第三外汇交易量分别为第N+1天的数据(分别是由第一预测模型、第二预测模型和第三预测模型预测出来的外汇交易量，而第一预测模型、第二预测模型和第三预测模型所使用的训练样本是过去第N天前收集到的)，那么第四训练样本中第四预定历史时间段之后与所述预定国家产生的跨境游相关的外汇交易量则是第N+1天的真实外汇交易量。当然，可以理解的是，第四预定历史时间段可以为过去第M+1(M>1)周、月或年，第四训练样本中的第一外汇交易量、第二外汇交易量、第三外汇交易量也可以是过去第M+1周、月或年的预测数据，而第四预定历史时间段之后与所述预定国家跨境游相关的外汇交易量之后第M+1周、月或年的真实外汇交易量，具体根据实际情况设定，在此不作限制。第六获取模块1501通过上述方式收集到多个第四训练样本后，第五训练模块1502可以利用第四训练样本对第四机器自学习模型进行训练。第四机器自学习模型包括但不限于卷积神经网络、深度神经网络、支持向量机、K-means、K-neighbors、决策树、随机森林、贝叶斯网络中的一种或多种的组合。第四机器自学习模型的结构可以利用已有技术基于实际情况进行构建，在此不再赘述。第四机器自学习模型经过多个第四训练样本的训练后，能够基于第一预测模型、第二预测模型和第三预测模型预测得到的第一外汇交易量、第二外汇交易量和第三外汇交易量预测得到在未来预定时间段内与该预定国家产生的跨境游相关的外汇交易量。
在本实施例的一个可选实现方式中，所述第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。
该可选的实现方式中，也可以采用深度神经网络作为第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型，深度神经网络更为通用、灵活，且深度神经网络是一种增量式的学习模型，可以有效减少因为数据更新而带来的重复计算量，能够节省资源。深度神经网络的细节在上文中有相关描述，在此不再赘述。
在本实施例的一个可选实现方式中，用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。
该可选的实现方式中，用户对预定国家跨境游的关注数据可以为用户对预定国家跨境游的评论数据。用户如果对预定国家感兴趣，有意向去该国家旅游，那么该用户可能会通过各种渠道包括线上或线下的渠道了解该国家，并发表一些评论，而用户如果对预定国家不感兴趣，用户可能不会关注该预定国家，或者如果用户对预定国家的旅游景区不满意，可能会在网络上发表一些负面评论。因此，用户在线上或线下对预定国家的评论数据可以作为用户的关注数据。在一实施例中，可以通过网络爬虫爬取用户在各个论坛上对预定国家的跨境游评论数据。在另一些实施例中，还可以通过旅游公司的统计数据获取用户线下对预定国家的跨境游评论数据。
图16是适于用来实现根据本公开实施方式的预测方法的电子设备的结构示意图。
如图16所示，电子设备1600包括中央处理单元(CPU)1601，其可以根据存储在只读存储器(ROM)1602中的程序或者从存储部分1608加载到随机访问存储器(RAM)1603中的程序而执行上述图1所示的实施方式中的各种处理。在RAM1603中，还存储有电子设备1600操作所需的各种程序和数据。CPU1601、ROM1602以及RAM1603通过总线1604彼此相连。输入/输出(I/O)接口1605也连接至总线1604。
以下部件连接至I/O接口1605：包括键盘、鼠标等的输入部分1606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1607；包括硬盘等的存储部分1608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1609。通信部分1609经由诸如因特网的网络执行通信处理。驱动器1610也根据需要连接至I/O接口1605。可拆卸介质1611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1610上，以便于从其上读出的计算机程序根据需要被安装入存储部分1608。
特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1609从网络上被下载和安装，和/或从可拆卸介质1611被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (20)

1.一种预测方法，其特征在于，包括：
获取与预定国家相关的跨境游数据；其中，所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据、与所述预定国家产生的跨境游相关的历史外汇交易数据以及用户数据；
根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据，
其中，根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据，包括：
根据用户对所述预定国家跨境游的关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数，并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量；
根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量；
根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量；
根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。
2.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
获取多个训练样本；其中，所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据；
利用所述多个训练样本对机器自学习模型进行训练，获得所述预测模型。
3.根据权利要求2所述的预测方法，其特征在于，所述机器自学习模型至少包括深度神经网络。
4.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
获取多个第一训练样本；其中，所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数；
利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练，获得所述第一预测模型。
5.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
获取多个第二训练样本；其中，所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量；
根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练，获得所述第二预测模型。
6.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
获取多个第三训练样本；其中，所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量；
利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练，获得所述第三预测模型。
7.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
获取多个第四训练样本；其中，所述第四训练样本至少包括第四预定历史时间段内的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量；
利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练，获得所述第四预测模型。
8.根据权利要求4-7任一项所述的预测方法，其特征在于，第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。
9.根据权利要求1-7任一项所述的预测方法，其特征在于，用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。
10.一种预测装置，其特征在于，包括：
第一获取模块，被配置为获取与预定国家相关的跨境游数据；其中，所述跨境游数据至少包括用户对所述预定国家跨境游的关注数据、与所述预定国家产生的跨境游相关的历史外汇交易数据以及用户数据；
预测模块，被配置为根据所述跨境游数据以及预先训练好的预测模型预测出在未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易数据，
其中，所述预测模块包括：
第一预测子模块，被配置为根据用户对所述预定国家跨境游的关注数据以及预先训练好的第一预测模型预测在所述未来预定时间段内去所述预定国家旅游的人数，并根据所述人数以及在所述预定国家中的人均旅游消费确定在所述未来预定时间段内跨境游相关的第一外汇交易量；
第二预测子模块，被配置为根据与所述预定国家产生的跨境游相关的历史外汇交易数据以及预先训练好的第二预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的第二外汇交易量；
第三预测子模块，被配置为根据所述用户数据以及预先训练好的第三预测模型预测用户在所述未来预定时间段内与所述预定国家产生的跨境游相关的第三外汇交易量；
第四预测子模块，被配置为根据所述第一外汇交易量、第二外汇交易量和第三外汇交易量以及预先训练好的第四预测模型预测在所述未来预定时间段内与所述预定国家产生的跨境游相关的外汇交易量。
11.根据权利要求10所述的预测装置，其特征在于，所述预测装置还包括：
第二获取模块，被配置为获取多个训练样本；其中，所述训练样本包括跨境游数据以及所述跨境游数据对应的真实外汇交易数据；
第一训练模块，被配置为利用所述多个训练样本对机器自学习模型进行训练，获得所述预测模型。
12.根据权利要求11所述的预测装置，其特征在于，所述机器自学习模型至少包括深度神经网络。
13.根据权利要求10所述的预测装置，其特征在于，所述预测装置还包括：
第三获取模块，被配置为获取多个第一训练样本；其中，所述第一训练样本至少包括第一预定历史时间段内收集的用户对所述预定国家的跨境游关注数据、以及所述第一预定历史时间段之后去所述预定国家旅游的真实人数；
第二训练模块，被配置为利用所述多个第一训练样本对预先建立的第一机器自学习模型进行训练，获得所述第一预测模型。
14.根据权利要求10所述的预测装置，其特征在于，所述预测装置还包括：
第四获取模块，被配置为获取多个第二训练样本；其中，所述第二训练样本至少包括第二预定历史时间段内与所述预定国家产生的跨境游相关的样本外汇交易量、以及所述第二预定历史时间段之后与所述预定国家产生的跨境游相关的结果外汇交易量；
第三训练模块，被配置为根据所述多个第二训练样本对预先建立的第二机器自学习模型进行训练，获得所述第二预测模型。
15.根据权利要求10所述的预测装置，其特征在于，所述预测装置还包括：
第五获取模块，被配置为获取多个第三训练样本；其中，所述第三训练样本至少包括第三预定历史时间段内收集的用户数据、以及所述用户数据对应的用户在所述第三预定历史时间段之后与所述预定国家产生的跨境游相关的用户外汇交易量；
第四训练模块，被配置为利用所述多个第三训练样本对预先建立的第三机器自学习模型进行训练，获得所述第三预测模型。
16.根据权利要求10所述的预测装置，其特征在于，所述预测装置还包括：
第六获取模块，被配置为获取多个第四训练样本；其中，所述第四训练样本至少包括第四预定历史时间段内的所述第一外汇交易量、第二外汇交易量、第三外汇交易量和所述第四预定历史时间段内与所述预定国家产生的跨境游相关的外汇交易量；
第五训练模块，被配置为利用所述多个第四训练样本对预先建立的第四机器自学习模型进行训练，获得所述第四预测模型。
17.根据权利要求13-16任一项所述的预测装置，其特征在于，第一机器自学习模型、第二机器自学习模型、第三机器自学习模型和/或第四机器自学习模型至少包括深度神经网络。
18.根据权利要求10-16任一项所述的预测装置，其特征在于，用户对所述预定国家跨境游的关注数据包括用户对所述预定国家跨境游的评论数据。
19.一种电子设备，其特征在于，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-9任一项所述的方法步骤。
20.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-9任一项所述的方法步骤。
CN201810853151.XA 2018-07-27 2018-07-27 预测方法、装置、电子设备及计算机可读存储介质 Active CN109345048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810853151.XA CN109345048B (zh) 2018-07-27 2018-07-27 预测方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810853151.XA CN109345048B (zh) 2018-07-27 2018-07-27 预测方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109345048A CN109345048A (zh) 2019-02-15
CN109345048B true CN109345048B (zh) 2023-02-10

Family

ID=65291267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810853151.XA Active CN109345048B (zh) 2018-07-27 2018-07-27 预测方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109345048B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163752A (zh) * 2019-04-16 2019-08-23 阿里巴巴集团控股有限公司 一种外汇交易量预测方法、装置及***
CN111882039A (zh) * 2020-07-28 2020-11-03 平安科技（深圳）有限公司 物理机销售数据预测方法、装置、计算机设备及存储介质
CN113780678A (zh) * 2021-09-27 2021-12-10 中国银行股份有限公司 一种外汇业务处理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503853A (zh) * 2016-11-02 2017-03-15 华南师范大学 一种基于多标度卷积神经网络的外汇交易预测模型
CN107102969A (zh) * 2017-04-28 2017-08-29 湘潭大学 一种时间序列数据的预测方法和***
CN107103460A (zh) * 2017-03-27 2017-08-29 杭州呯嘭智能技术有限公司 基于信用大数据的跨境支付快速结算方法
CN107358477A (zh) * 2017-08-01 2017-11-17 携程计算机技术（上海）有限公司 旅游网站酒店实时定价方法、***、存储介质和电子设备
CN107730052A (zh) * 2017-11-07 2018-02-23 中国农业科学院农业信息研究所 一种农产品价格预测方法及***
CN108305167A (zh) * 2018-01-12 2018-07-20 华南理工大学 一种基于深度增强学习算法的外汇交易方法及***

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0124587D0 (en) * 2001-10-12 2001-12-05 Royal Bank Scotland Plc Data processing system for managing and processing foreign exchange transactions
US20080033991A1 (en) * 2006-08-03 2008-02-07 Jayanta Basak Prediction of future performance of a dbms
US20120030137A1 (en) * 2010-07-30 2012-02-02 Technische Universitat Berlin Method and device for valuation of a traded commodity
US20170178237A1 (en) * 2014-03-11 2017-06-22 Dragonfly Fintech Pte Ltd Computer implemented frameworks and methods configured to create and manage a virtual currency
US11004097B2 (en) * 2016-06-30 2021-05-11 International Business Machines Corporation Revenue prediction for a sales pipeline using optimized weights
CN108197773A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力负荷预测方法、电力负荷预测装置及终端设备
CN108197664B (zh) * 2018-01-24 2020-09-04 北京墨丘科技有限公司 模型获取方法、装置、电子设备及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503853A (zh) * 2016-11-02 2017-03-15 华南师范大学 一种基于多标度卷积神经网络的外汇交易预测模型
CN107103460A (zh) * 2017-03-27 2017-08-29 杭州呯嘭智能技术有限公司 基于信用大数据的跨境支付快速结算方法
CN107102969A (zh) * 2017-04-28 2017-08-29 湘潭大学 一种时间序列数据的预测方法和***
CN107358477A (zh) * 2017-08-01 2017-11-17 携程计算机技术（上海）有限公司 旅游网站酒店实时定价方法、***、存储介质和电子设备
CN107730052A (zh) * 2017-11-07 2018-02-23 中国农业科学院农业信息研究所 一种农产品价格预测方法及***
CN108305167A (zh) * 2018-01-12 2018-07-20 华南理工大学 一种基于深度增强学习算法的外汇交易方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
上海市入境旅游市场发展潜力与旅游外汇收入的关系研究――基于灰色预测和灰色关联分析法;唐睿 等;《资源开发与市场》;20141215(第12期);第1533-1536页 *

Also Published As

Publication number Publication date
CN109345048A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
Kaspi et al. Bike-sharing systems: User dissatisfaction in the presence of unusable bicycles
CN109345048B (zh) 预测方法、装置、电子设备及计算机可读存储介质
Wang et al. Predicting shared-car use and examining nonlinear effects using gradient boosting regression trees
Delen Prescriptive analytics: The final frontier for evidence-based management and optimal decision making
Liu et al. A two-stage destination prediction framework of shared bicycles based on geographical position recommendation
Fransen et al. The relationship between transport disadvantage and employability: Predicting long-term unemployment based on job seekers’ access to suitable job openings in Flanders, Belgium
Hamadneh et al. The influence of introducing autonomous vehicles on conventional transport modes and travel time
Kolaee et al. Sustainable group tourist trip planning: An adaptive large neighborhood search algorithm
Phiboonbanakit et al. Analyzing Bangkok city taxi ride: reforming fares for profit sustainability using big data driven model
Guo et al. Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations
Lu et al. Using state-of-the-art models in applied work: Travellers willingness to pay for a toll tunnel in Copenhagen
Hong-Cheng et al. Investigating the effect of travel time variability on drivers' route choice decisions in Shanghai, China
Weinmann Simulation of spatial learning mechanisms
Jiménez-Macias et al. Analyzing feature importance for a predictive undergraduate student dropout model
WO2020244081A1 (en) Constrained spatiotemporal contextual bandits for real-time ride-hailing recommendation
CN112907000A (zh) 基于大数据的医院选址方法、装置、电子设备、存储介质
Livan et al. Quantifying the relationship between specialisation and reputation in an online platform
Özdemir et al. Determinants of Tourism Demand in Context of Environmental Quality
Bai et al. Toward Dynamic Pricing for City-Wide Crowdsourced Instant Delivery Services
Bhattacharjee et al. NiReMS: A Regional Model at Household Level Combining Spatial Econometrics with Dynamic Microsimulation
OYELAMI et al. ESTIMATING THE DETERMINANTS OF DEMAND FOR UBER SERVICES IN LAGOS-STATE, NIGERIA
Graham et al. Smarter Parking: Using AI to Identify Parking Inefficiencies in Vancouver
Guo et al. Seeking in Ride-on-Demand Service: A Reinforcement Learning Model With Dynamic Price Prediction
Guo Stochastic Optimization for Machine Learning: Methodology and Applications in Sequential Recommendation
Nanjappa et al. Improving migration forecasting for transitory foreign tourists using an Ensemble DNN-LSTM model

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: 20200918

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

Effective date of registration: 20200918

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240229

Address after: Guohao Times City # 20-01, 128 Meizhi Road, Singapore

Patentee after: Advanced Nova Technology (Singapore) Holdings Ltd.

Country or region after: Singapore

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee before: Innovative advanced technology Co.,Ltd.

Country or region before: Cayman Islands