票据利率预测方法、装置、计算机设备及存储介质与流程

1.本技术涉及大数据处理技术领域，尤其涉及票据利率预测方法、装置、计算机设备及存储介质。


背景技术：

2.票据交易中利率的价差是决定商业银行盈利或亏损的重要因素之一。票据利率的预测可以指导银行调整票据业务交易策略，进而获取最优利润。然而，票据利率受供给面、需求面、资金面以及宏观经济基本面的多维指标影响，导致利率预测存在准确率低、泛化能力差等弊端。
3.当前主流的票据利率预测方法有基于模式识别和深度学习的多类模型，如自回归移动平均模型(arima)、长短期记忆网络(lstm)等。传统的arima模型难以对非线性的票据数据进行建模，即采用统的arima模型来预测票据利率的准确率低。lstm网络能够存储长期信息，并随时根据当前的输入数据来更新之前的状态，但其网络复杂、需要很大数据量，难以实现强鲁棒性。
4.可见，当前的票据利率预测方法存在票据利率预测准确率低、预测效率低以及泛化能力差的问题。


技术实现要素：

5.本技术实施例的目的在于提出一种票据利率预测方法、装置、计算机设备及存储介质，以解决票据利率预测准确率低、预测效率低以及泛化能力差的问题。
6.为了解决上述技术问题，本技术实施例提供一种票据利率预测方法，采用了如下所述的技术方案：
7.根据预设的相关性分析算法，提取票据信息的关键特征；
8.在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值；
9.对初始票据利率预测值进行线性校准，以输出最终票据利率值。
10.进一步地，在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值之前，所述方法还包括：
11.将关键特征和关键特征对应的票据利率值输入到自回归移动平均模型中训练，以得到模型参数值；
12.根据预设的校准规则和模型参数值，对回归移动平均模型进行校准，以输出训练好的自回归移动平均模型。
13.进一步地，根据预设的相关性分析算法，提取票据信息的关键特征包括：
14.获取票据信息的原始特征；
15.根据预设的相关性分析算法，计算原始特征的相关系数；
16.根据预设的相关阈值范围和原始特征的相关系数，从原始特征中筛选出关键特征。
17.进一步地，根据预设的相关性分析算法，计算原始特征的相关系数包括：
18.获取原始特征的平均值和样本数量；
19.将原始特征、平均值以及样本数量输入到预设的相关性分析算法中，以输出原始特征的相关系数。
20.进一步地，根据预设的相关阈值范围和原始特征的相关系数，从原始特征中筛选出关键特征包括：
21.根据预设的相关阈值范围和原始特征的相关系数，对原始特征划分相关等级；
22.当原始特征的相关等级符合预设的目标相关等级时，确定当前的原始特征作为初始关键特征；
23.当检测到至少两个不同类型的初始关键特征的相关等级相同时，将其中一个类型的初始关键特征作为关键特征；
24.当检测到初始关键特征均属于不同相关等级时，确定不同相关等级的初始关键特征为关键特征。
25.进一步地，对初始票据利率预测值进行线性校准，以输出最终票据利率值包括：
26.获取基于初始票据利率预测值和初始票据利率预测值对应的实际票据利率值之间的残差序列；
27.根据预设的支持向量回归算法，对残差序列进行线性校准，以得到利率校准值；
28.对初始票据利率预测值和利率校准值进行叠加，以得到最终票据利率值。
29.在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值包括：
30.获取历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数；
31.将历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数输入到自回归移动平均模型，以计算得到初始票据利率预测值。
32.为了解决上述技术问题，本技术实施例还提供一种票据利率预测装置，包括：
33.提取模块，用于根据预设的相关性分析算法，提取票据信息的关键特征；
34.计算模块，用于在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值；
35.拟合模块，用于对初始票据利率预测值进行线性校准，以输出最终票据利率值。
36.进一步地，所述票据利率预测装置还包括：
37.训练模块，用于将关键特征和关键特征对应的票据利率值输入到自回归移动平均模型中训练，以得到模型参数值；
38.模型校准模块，用于根据预设的校准规则和模型参数值，对回归移动平均模型进行校准，以输出训练好的自回归移动平均模型。
39.进一步地，提取模块包括：
40.获取单元，用于获取票据信息的原始特征；
41.计算单元，用于根据预设的相关性分析算法，计算原始特征的相关系数；
42.筛选单元，用于根据预设的相关阈值范围和原始特征的相关系数，从原始特征中筛选出关键特征。
43.进一步地，计算单元包括：
44.获取子单元，用于获取原始特征的平均值和样本数量；
45.计算子单元，用于将原始特征、平均值以及样本数量输入到预设的相关性分析算法中，以输出原始特征的相关系数。
46.进一步地，筛选单元包括：
47.划分子单元，用于根据预设的相关阈值范围和原始特征的相关系数，对原始特征划分相关等级；
48.确定子单元，用于当原始特征的相关等级符合预设的目标相关等级时，确定当前的原始特征作为初始关键特征；
49.第一筛选子单元，用于当检测到至少两个不同类型的初始关键特征的相关等级相同时，将其中一个类型的初始关键特征作为关键特征；
50.第二筛选子单元，用于当检测到初始关键特征均属于不同相关等级时，确定不同相关等级的初始关键特征为关键特征。
51.进一步地，拟合模块包括：
52.残差单元，用于获取基于初始票据利率预测值和初始票据利率预测值对应的实际票据利率值之间的残差序列；
53.拟合单元，用于根据预设的支持向量回归算法，对残差序列进行线性校准，以得到利率校准值；
54.叠加单元，用于对初始票据利率预测值和利率校准值进行叠加，以得到最终票据利率值。
55.进一步地，所述计算模块，包括：
56.获取模块，用于获取历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数；
57.预测值计算模块，用于将历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数输入到自回归移动平均模型，以计算得到初始票据利率预测值。
58.为了解决上述技术问题，本技术实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的服务管理方法的步骤。
59.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的服务管理方法的步骤。
60.与现有技术相比，本技术实施例主要有以下有益效果：
61.通过根据预设的相关性分析算法，提取票据信息的关键特征，在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值，对初始票据利率预测值进行线性校准，以输出最终票据利率值，一方面，相关性分析算法有利于从繁杂的票据信息中提取对票据利率预测有贡献作用的关键特征，实现了对繁杂数据的有效降维，减少了票据利率预测的计算量，从而提高预测效率，另一方面，通过自回归移动平均模型与线性校准结合，使得改进后的自回归移动平均模型实现了非线性票据数据的准确预测，提高了准确率，同时，由于关键特征由票据信息的变量和相关性分析决定，使得自回归移动平均模型对票据利率预测的泛化能力更强。
附图说明
62.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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，还可以根据这些附图获得其他的附图。
63.图1是本技术可以应用于其中的示例性系统架构图；
64.图2根据本技术的票据利率预测方法的一个实施例的流程图；
65.图3是根据本技术的票据利率预测装置的一个实施例的结构示意图；
66.图4是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
67.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
68.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
69.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
70.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
71.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
72.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
73.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
74.需要说明的是，本技术实施例所提供的票据利率预测方法一般由服务器/终端设备执行，相应地，票据利率预测装置一般设置于服务器/终端设备中。
75.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
76.继续参考图2，示出了根据本技术的票据利率预测方法的一个实施例的流程图。所述的票据利率预测方法，包括以下步骤：
77.s201：根据预设的相关性分析算法，提取票据信息的关键特征。
78.在本实施例中，票据利率预测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式来接收票据信息。需要指出的是，上述无线连接方式可以包括但不限于3g/4g/5g连接、wifi连接、蓝牙连接、wima票据利率预测连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
79.在本实施例的一些可选的实现方式中，s201的具体实现方式包括执行以下步骤：
80.根据预设的相关性分析算法，提取票据信息的关键特征包括：
81.获取票据信息的原始特征；
82.根据预设的相关性分析算法，计算原始特征的相关系数；
83.根据预设的相关阈值范围和原始特征的相关系数，从原始特征中筛选出关键特征。
84.在本技术实施例中，票据信息可以通过万得网、地方票据交易所公布的历史票据信息进行获取，票据信息可以是基于某个时间段的票据，例如获取了2018年2月28日-至今的相关票据数据，其中，票据信息的原始特征包括票据贴现发生额、票据交易发生额等30多个特征信息，
85.进一步地，预设的相关性分析算法可以是spearman(斯皮尔曼等级相关系数)或者pearson(皮尔逊相关系数)。spearman是衡量两个变量的依赖性的非参数指标，通过利用单调方程评价两个统计变量的相关性，如果数据中没有重复值，并且当两个变量完全单调相关时，斯皮尔曼相关系数则为 1或-1。本技术实施例采用例如pearson相关性分析计算各原始特征与票据利率的相关系数，以衡量不同原始特征对利率预测的贡献。由于pearson相关系数是用来反映两个变量之间相似程度的统计量，在机器学习中可以用来评估特征与目标值的相似度，即可判断所获取到的指标与利率值是正相关、负相关还是没有相关程度。因此，根据预设的相关性分析算法，计算原始特征的相关系数包括：获取原始特征的平均值和样本数量；将原始特征、平均值以及样本数量输入到预设的相关性分析算法中，以输出原始特征的相关系数，其具体实现过程可以根据公式(1)来计算原始特征的相关系数，其计算如下：
[0086][0087]
其中，x为票据信息的原始特征，y为票据转贴现利率值，分别为x、y特征向量的平均值(即原始特征的平均值)，n为样本数量。
[0088]
在本实施例的一些可选的实现方式中，根据预设的相关阈值范围和原始特征的相关系数，从原始特征中筛选出关键特征包括：
[0089]
根据预设的相关阈值范围和原始特征的相关系数，对原始特征划分相关等级；
[0090]
当原始特征的相关等级符合预设的目标相关等级时，确定当前的原始特征作为初始关键特征；
[0091]
当检测到至少两个不同类型的初始关键特征的相关等级相同时，将其中一个类型的初始关键特征作为关键特征；
[0092]
当检测到初始关键特征均属于不同相关等级时，确定不同相关等级的初始关键特征为关键特征。
[0093]
在本技术实施例中，预设的相关阈值范围可以根据实际情况进行设定，此处不作限定。其中，相关等级可以按照非常相关、相关、一般相关、不相关来定义，或者根据相关性程度来设定第一等级、第二等级、第三等级等，此处不做限定。
[0094]
由于相关系数可能存在负值，因此在划分等级时，需要先对其取绝对值，进而再进行相关等级划分。例如，当相关系数|r|≥0.8时，可认为二者高度相关；当0.3≤|r|≤0.8时，可认为二者中度相关；当0.3≤|r|≤0.5时，可认为二者低度相关；当|r|＜0.3时，可认为二者基本不相关。目标相关等级可以是预设定的等级，例如，将相关系数|r|≥0.8时设为高度相关等级、0.3≤|r|≤0.8设为中度相关等级、0.3≤|r|≤0.5设为低度相关等级、|r|＜0.3设为不相关等级。
[0095]
在进行相关性分析时，应除去|r|＜0.3的指标，即过滤掉不相关等级的原始特征来降低算法的复杂度，使得符合目标相关等级的原始特征作为初始关键特征，例如将高度相关等级、中度相关等级和低度相关等级的原始特征作为初始关键特征。此外，不同指标间也需进行相关性分析，当至少两个不同类型的初始关键特征的相关等级相同时，例如两个指标的相关系数绝对值大于0.8，说明它们对结果具有相似的影响，应去除其中一个指标以实现特征的降维，也就是将其中一个类型的初始关键特征作为关键特征，通过以上处理，可以得到对票据利率预测具有最显著贡献的特征，也就是初始关键特征均属于不同相关等级时，此时初始关键特征为具有最显著贡献的关键特征。
[0096]
通过根据预设的相关阈值范围和原始特征的相关系数，对原始特征划分相关等级，当两个不同类型的原始特征的相关等级相同时，将其中一个类型的原始特征作为关键特征，当原始特征的相关等级符合目标相关等级时，确定当前的原始特征为关键特征，以过滤掉不相关或者相关性小的干扰数据，进而提高对票据利率预测的准确率。
[0097]
s202：在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值。
[0098]
其中，自回归移动平均模型(autoregressive moving average，arma)是设法将自回归模型过程和移动平均模型过程结合起来，共同模拟产生既有时间序列样本数据的随机过程的模型。由于自回归模型过程描述当前值和历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足平稳性的要求，而移动平均模型关注的是自回归模型中的误差项的累加，且移动平均模型中的移动平均法能有效地消除预测中的随机波动，因此，自回归移动平均模型适用于受供给面、需求面、资金面以及宏观经济基本面等多维指标影响的票据利率计算。因此，获取历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数，将历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数输入到自回归移动平均模型，以计算得到初始票据利率预测值，具体可以通过公式(2)来计算初始票据利率预测值，自回归移动平均模型的计算如下：
[0099]
[0100]
其中，y
t
是第t天初始票据利率预测值，也就是票据利率预测目标值，μ是常数项，γi是y
t-i
(即历史票据利率预测值)的相关系数，该相关系数为关键特征的相关系数，θi是误差系数，∈
t-i
是误差项，p、q分别代表自回归移动平均模型阶数。在此步骤中，自回归移动平均模型要求时序数据是稳定的，而票据利率序列是非平稳的，需要对序列进行差分处理，直到得到一个平稳时间序列。
[0101]
进一步地，在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值之前，所述方法还包括：
[0102]
将关键特征和关键特征对应的票据利率值输入到自回归移动平均模型中训练，以得到模型参数值；
[0103]
根据预设的校准规则和模型参数值，对回归移动平均模型进行校准，以输出训练好的自回归移动平均模型。
[0104]
在本技术实施例中，自回归移动平均模型的训练是用于求解自回归移动平均模型中的最关键参数p、q。通过将s201中筛选的关键特征以及票据转贴现利率值作为自回归移动平均模型的输入数据，并通过自回归移动平均模型计算得到模型参数。预设的校准规则可以是最小化信息量(aic)准则。由于在训练自回归移动平均模型中未知参数越多，说明自回归移动平均模型中自变量越多，未知的风险越多，而且模型参数越多，模型参数估计的难度就越大，估计的精度也越差，也就是说一个好的拟合模型应该是一个拟合精度和未知参数个数的综合最优配置。因此，采用最小化信息量准则来对回归移动平均模型进行校准，使得输出的模型参数值p、q最优，有利于票据利率的预测。其中，最小化信息量准则可以为拟合精度和参数个数的加权函数来确定模型参数值，例如最小花信息量标准值为aic＝-2in(回归移动平均模型的极大似然函数值) 2(回归移动平均模型中未知参数个数)，以此来判断回归移动平均模型是否训练收敛。
[0105]
s203：对初始票据利率预测值进行线性校准，以输出最终票据利率值。
[0106]
由于票据在不同的时间里受供给面、需求面、资金面以及宏观经济基本面等多维指标影响，即票据信息具有非线性特点，通过自回归移动平均模型计算得到的初始票据利率预测值并不能完全满足非线性的变化，因此，需要对初始票据利率预测值进行线性校准，以输出最终票据利率值，具体包括：
[0107]
获取初始票据利率预测值和初始票据利率预测值对应的实际票据利率值的残差序列；
[0108]
根据预设的支持向量回归算法，对残差序列进行线性校准，以得到利率校准值；
[0109]
对初始票据利率预测值和利率校准值进行叠加，以得到最终票据利率值。
[0110]
具体地，将实际票据利率值(即票据转贴现利率值)与预初始票据利率预测值进行差值计算，以得到残差序列。
[0111]
其中，支持向量回归算法为svr(support vector machine，支持向量机)算法进行残差序列的线性拟合，并将拟合结果作为利率校准值。
[0112]
一般来说，传统线性回归模型直接基于模型输出与真实输出之间的差别来计算损失，当且仅当模型输出与真实输出完全一样时，损失才为0。而在支持向量回归算法中，仅当模型输出与真实输出之间的差值的绝对值大于预设误差时才会计算损失。因此，svr具有很强的非线性拟合能力和泛化能力。svr通过最大化间隔带的宽度和最小化损失来优化模型，
如公式(3)所示：
[0113][0114]
其中，s.t.f(xi)-yi≤∈ ξi，∈为预设误差阈值，ξi≥0，s.t subject to的缩写，即约束限制条件，f(xi)是残差序列的预测值，yi是残差序列的真实值，w和b是svr模型的参数，c是正则化常数，ξi和是松弛变量，m为正整数。
[0115]
进一步地，对初始票据利率预测值和利率校准值的拟合结果进行叠加，以输出最终票据利率值。通过支持向量回归算法使得输出的结果更加可靠，准确。
[0116]
在本实施例中，通过根据预设的相关性分析算法，提取票据信息的关键特征，在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值，对初始票据利率预测值进行线性校准，以输出最终票据利率值，一方面，相关性分析算法有利于从繁杂的票据信息中提取对票据利率预测有贡献作用的关键特征，实现了对繁杂数据的有效降维，减少了票据利率预测的计算量，从而提高预测效率，另一方面，通过自回归移动平均模型与线性校准结合，使得改进后的自回归移动平均模型实现了非线性票据数据的准确预测，提高了准确率，同时，由于关键特征由票据信息的变量和相关性分析决定，使得自回归移动平均模型对票据利率预测的泛化能力更强。
[0117]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0118]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0119]
进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种票据利率预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0120]
如图3所示，本实施例所述的票据利率预测装置包括：提取模块31、计算模块32以及拟合模块33。其中：
[0121]
提取模块31，用于根据预设的相关性分析算法，提取票据信息的关键特征；
[0122]
计算模块32，用于在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值；
[0123]
拟合模块33，用于对初始票据利率预测值进行线性校准，以输出最终票据利率值。
[0124]
进一步地，所述票据利率预测装置还包括：
[0125]
训练模块，用于将关键特征和关键特征对应的票据利率值输入到自回归移动平均模型中训练，以得到模型参数值；
[0126]
模型校准模块，用于根据预设的校准规则和模型参数值，对回归移动平均模型进行校准，以输出训练好的自回归移动平均模型。
[0127]
进一步地，提取模块31包括：
[0128]
获取单元，用于获取票据信息的原始特征；
[0129]
计算单元，用于根据预设的相关性分析算法，计算原始特征的相关系数；
[0130]
筛选单元，用于根据预设的相关阈值范围和原始特征的相关系数，从原始特征中筛选出关键特征。
[0131]
进一步地，计算单元包括：
[0132]
获取子单元，用于获取原始特征的平均值和样本数量；
[0133]
计算子单元，用于将原始特征、平均值以及样本数量输入到预设的相关性分析算法中，以输出原始特征的相关系数。
[0134]
进一步地，筛选单元包括：
[0135]
划分子单元，用于根据预设的相关阈值范围和原始特征的相关系数，对原始特征划分相关等级；
[0136]
确定子单元，用于当原始特征的相关等级符合预设的目标相关等级时，确定当前的原始特征作为初始关键特征；
[0137]
第一筛选子单元，用于当检测到至少两个不同类型的初始关键特征的相关等级相同时，将其中一个类型的初始关键特征作为关键特征；；
[0138]
第二筛选子单元，用于当检测到初始关键特征均属于不同相关等级时，确定不同相关等级的初始关键特征为关键特征。
[0139]
进一步地，拟合模块33包括：
[0140]
残差单元，用于获取基于初始票据利率预测值和初始票据利率预测值对应的实际票据利率值之间的残差序列；
[0141]
拟合单元，用于根据预设的支持向量回归算法，对残差序列进行线性校准，以得到利率校准值；
[0142]
叠加单元，用于对初始票据利率预测值和利率校准值进行叠加，以得到最终票据利率值。
[0143]
进一步地，所述计算模块，包括：
[0144]
获取模块，用于获取历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数；
[0145]
预测值计算模块，用于将历史票据利率预测值、关键特征的相关系数和自回归移动平均模型阶数输入到自回归移动平均模型，以计算得到初始票据利率预测值。
[0146]
在上述实施例中，提取模块用于提取票据信息的关键特征后，计算模块用于在预训练好的自回归移动平均模型中计算关键特征的初始票据利率预测值，拟合模块用于对初始票据利率预测值进行线性校准，以输出最终票据利率值，一方面，相关性分析算法有利于从繁杂的票据信息中提取对票据利率预测有贡献作用的关键特征，实现了对繁杂数据的有效降维，减少了票据利率预测的计算量，从而提高预测效率，另一方面，通过自回归移动平
均模型与线性校准结合，使得改进后的自回归移动平均模型实现了非线性票据数据的准确预测，提高了准确率，增强了模型的泛化能力。
[0147]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
[0148]
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0149]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0150]
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或d票据利率预测存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如票据利率预测方法的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0151]
所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行所述票据利率预测方法的程序代码。
[0152]
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
[0153]
本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有票据利率预测程序，所述票据利率预测程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的票据利率预测方法的步骤。
[0154]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服
务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0155]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。