(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111534730.6 (22)申请日 2021.12.15 (71)申请人 中国平安人寿保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心14、 15、 16、 37、 41、 44、 45、 46层 (72)发明人 刘广　 (74)专利代理 机构 北京辰权知识产权代理有限 公司 11619 代理人 付婧 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/10(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06K 9/62(2022.01) (54)发明名称 项目数据波动预测方法、 装置、 计算机设备 和存储介质 (57)摘要 本发明涉及一种项目数据波动预测方法、 装 置、 计算机设备和存储介质， 该方法包括： 获取目 标项目的多源历史数据； 从目标项目的多源历史 数据中提取特征数据； 将特征数据输入预测模型 中， 根据特征数据生成多个不同时间尺度的特征 数据， 并根据多个不同时间尺度的特征数据得到 目标项目的波动数据的预测结果。 上述方法运行 速度更快， 准确度更高， 鲁棒性更好， 预测标准差 更低， 能更好的实现项目趋势预测。 权利要求书2页 说明书8页 附图2页 CN 114091789 A 2022.02.25 CN 114091789 A 1.一种项目数据波动预测方法， 其特 征在于， 所述方法包括： 获取目标项目的多源历史数据； 从所述目标项目的多源历史数据中提取 特征数据； 将所述特征数据输入预测模型中， 根据所述特征数据生成多个不同时间尺度的特征数 据， 并根据所述多个不同时间尺度的特 征数据得到所述目标项目的波动数据的预测结果。 2.根据权利要求1所述的项目数据波动预测方法， 其特征在于， 所述预测模型包括第 一 预测单元和第二预测单 元； 所述将所述特征数据输入预测模型中， 根据 所述特征数据生成多个不同时间尺度的特 征数据， 并根据所述多个不同时间尺度 的特征数据得到所述目标项目的价格趋势预测结 果， 包括： 将所述特征数据输入第 一预测单元中， 对所述特征数据进行多个时间尺度的离散小波 变换， 得到各个时间尺度的第一特征矩阵， 所述第一预测单元根据所述第一特征矩阵得到 所述目标项目的第一预测结果； 将所述特征数据输入第 二预测单元中， 所述第 二预测单元对所述特征数据进行多个不 同时间尺度的下采样， 得到各个时间尺度的第二特征矩阵， 所述第二模型根据所述第二特 征矩阵得到所述目标项目的第二预测结果； 聚合所述第一预测结果和所述第二预测结果， 得到所述目标项目的价格趋势预测结 果。 3.根据权利要求2所述的项目数据波动预测方法， 其特征在于， 所述第 一预测单元包括 小波变换模型和XGBo ost模型， 所述第二预测单 元包括CN N模型和GRU模型； 所述第一预测单 元根据所述第一特 征矩阵得到所述目标项目的第一预测结果， 包括： 将所述第一特征矩阵输入所述XGBoost模型， 得到所述目标项目价格趋势的第一预测 结果； 所述所述第二模型根据所述第二特 征矩阵得到所述目标项目的第二预测结果， 包括： 将所述第二特征矩阵输入所述CNN模型进行卷积和池化操作， 得到多个时间尺度的第 一特征向量； 对所述多个时间尺度的第 一特征向量进行序列长度的补充， 使得所述第 一特征向量具 有相同维数； 将所述第一特征向量输入所述GRU模型， 采用所述GRU模型对所述第一特征向量进行时 序分析， 生成第二特 征向量； 采用预设长度的全连接层及softmax分类器对所述第二特征向量进行分类评分， 得到 得到所述目标项目价格趋势的第二预测结果。 4.根据权利要求3所述的项目数据波动预测方法， 其特征在于， 所述分类评分包括上涨 概率评分、 下跌概 率评分； 所述XGBoost模型是根据样本项目的多源历史数据的特征数据， 以及所述样本数据已 知的分类评分结果训练得到的； 采用预设长度的全连接层及softmax分类器对所述第二特征向量进行分类评分， 得到 得到所述目标项目价格趋势的第二预测结果， 包括： 按照所述上涨概率评分、 所述下跌概率评分， 计算所述目标项目的真实涨跌幅， 采用权　利　要　求　书 1/2 页 2 CN 114091789 A 2sigmoid函数制作所述目标项目的涨跌幅标签。 5.根据权利要求2所述的项目数据波动预测方法， 其特征在于， 所述聚合所述第 一预测 结果和所述第二预测结果， 得到所述目标项目的价格趋势预测结果， 包括： 通过预设长度的全连接层聚合所述第 一预测结果和所述第 二预测结果， 输出层输出最 终的项目数据波动预测结果。 6.根据权利要求1所述的项目数据波动预测方法， 其特征在于， 所述从所述目标项目的 多源历史数据中提取 特征数据， 包括： 获取与所述目标项目相关的参 考项目的多源历史数据； 将所述目标项目的多源历史数据的特征数据以及所述参考项目的多源历史数据的特 征数据输入注意力网络中， 得到所述目标项目与各个参 考项目的相似度； 基于所述相似度， 确定各个参 考项目的加权 权重； 基于所述加权权重， 对所述目标项目的特征数据进行加权求和， 并根据加权求和结果 对所述目标项目的特 征数据进行修 正， 得到所述目标项目的修 正后的特 征数据。 7.根据权利要求1所述的项目数据波动预测方法， 其特征在于， 所述第 二预测单元还包 括Dropout层， 所述Dropout层设置在GRU模型与全连接层之间。 8.一种项目数据波动预测装置， 其特 征在于， 包括： 获取单元， 用于获取目标项目的多源历史数据； 特征提取单元， 用于从所述目标项目的多源历史数据中提取 特征数据； 预测单元， 用于将所述特征数据输入预测模型中， 根据所述特征数据生成多个不同时 间尺度的特征数据， 并根据所述多个不同时间尺度的特征数据得到所述目标项目的波动数 据的预测结果。 9.一种计算机设备， 包括存储器和处理器， 所述存储器中存储有计算机可读指令， 所述 计算机可读指 令被所述处理器执行时， 使 得所述处理器执行如权利要求 1至7中任一项权利 要求所述项目数据波动预测方法的步骤。 10.一种存储有计算机可读指令的存储介质， 所述计算机可读指令被一个或多个处理 器执行时， 使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述项目数据波 动预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114091789 A 3