产品预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种产品预测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着社会经济的发展，出现了各种各样的金融产品，随着时间的推移，金融产品的收益率会发生变化，并且该变化近似模拟为相关函数。了解金融产品的收益率可以更好地选择产品。
3.之前是以年为单位统计金融产品的每个月收益率，再取12个月中收益率最大的一个月作为该金融产品的阙值，然而这种预测方法不够精确。


技术实现要素：

4.基于此，有必要针对无法精确计算产品收益率的技术问题，提供一种产品预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种产品预测方法，所述方法包括：
6.获取选定的待预测的产品以及所述产品对应的数学模型；所述产品为收益率随着时间推移而变化的产品，所述数学模型表征产品收益率与时间变量之间的关系；
7.确定与所述产品对应的参数包，所述参数包包含用于实现遗传算法的多个参数以及各参数的值；
8.将所述数学模型中的时间变量作为遗传性状，并基于所述参数包从所述时间变量的取值范围中确定出初始种群，在所述初始种群的基础上，通过遗传算法在所述时间变量的取值范围中寻找最优个体；所述最优个体为适应度最优的个体，计算所述适应度的适应度函数基于所述产品对应的数学模型确定；
9.基于所述最优个体，确定出所述产品的收益预测结果。
10.在其中一个实施例中，所述将所述数学模型中的时间变量作为遗传性状，包括：
11.根据所述数学模型中时间变量的取值范围，确定二进制编码的编码长度；
12.基于所述编码长度对所述时间变量的各个取值进行二进制编码，得到所述时间变量的各个取值对应的遗传性状编码，作为所述时间变量的各个取值在遗传算法中的遗传性状的表达。
13.在其中一个实施例中，所述根据所述数学模型中时间变量的取值范围，确定二进制编码的编码长度，包括：
14.获取所述数学模型中时间变量在所述取值范围内的取值精确度；
15.根据所述时间变量的取值范围和所述取值精确度，确定所述时间变量对应取值的个数；
16.根据所述取值的个数确定二进制编码的编码长度。
17.在其中一个实施例中，所述基于所述参数包从所述时间变量的取值范围中确定出
初始种群，包括：
18.根据所述参数包中的初始种群大小参数以及所述初始种群大小参数的值，在所述时间变量的各个取值对应的遗传性状编码中确定出对应数量的遗传性状编码，作为对应数量的初始个体；
19.基于所述对应数量的初始个体构成所述初始种群。
20.在其中一个实施例中，所述在所述时间变量的各个取值对应的遗传性状编码中确定出对应数量的遗传性状编码，作为对应数量的初始个体，包括：
21.根据所述参数包中的初始种群选取参数以及所述初始种群选取参数的值，在所述时间变量的各个取值对应的遗传性状编码中以所述初始种群选取参数对应的方式确定出对应数量的遗传性状编码，作为对应数量的初始个体。
22.在其中一个实施例中，所述在所述初始种群的基础上，通过遗传算法在所述时间变量的取值范围中寻找最优个体，包括：
23.将所述初始种群作为当前种群；
24.计算所述当前种群中每个个体的适应度；
25.根据所述适应度和所述当前种群中个体的相邻情况，基于所述参数包中的遗传规则参数以及所述遗传规则参数的取值，生成下一子代得到新的种群；
26.将所述新的种群作为当前种群，返回执行计算所述当前种群中每个个体的适应度，直到所述当前种群中某个个体的适应度达到预设条件，或者种群的迭代次数达到预设次数时，将当前种群中适应度最高的个体作为最优个体；
27.其中，所述预设条件和所述预设次数从所述参数包中获取。
28.在其中一个实施例中，所述获取选定的待预测的产品以及所述产品对应的数学模型之后，还包括：
29.获取针对所述待预测的产品的预测目标；
30.基于所述预测目标和所述数学模型，构建对应的适应度函数；
31.其中，所述预测目标包括最高收益率预测或最低收益率预测，基于所述适应度函数确定出的最优个体，表征所述最高收益率预测或所述最低收益率预测对应的时间取值。
32.在其中一个实施例中，所述基于所述最优个体，确定出所述产品的收益预测结果，包括：
33.对所述最优个体对应的遗传性状编码进行二进制解码，得到所述最优个体对应的时间取值，作为预测时间点；
34.根据所述数学模型，基于所述预测时间点，得到所述产品对应的收益率预测值；
35.基于所述预测时间点和所述收益率预测值，确定所述产品的收益预测结果。
36.在其中一个实施例中，所述确定所述产品的收益预测结果之后，还包括：
37.确定与所述产品的收益预测结果匹配的目标用户对象；
38.向所述目标用户对象推荐所述产品。
39.第二方面，本技术还提供了一种产品预测装置。所述装置包括：
40.产品选取模块，用于获取选定的待预测的产品以及所述产品对应的数学模型；所述产品为收益率随着时间推移而变化的产品，所述数学模型表征产品收益率与时间变量之间的关系；
41.参数确定模块，用于确定与所述产品对应的参数包，所述参数包包含用于实现遗传算法的多个参数以及各参数的值；
42.模型运算模块，用于将所述数学模型中的时间变量作为遗传性状，并基于所述参数包从所述时间变量的取值范围中确定出初始种群，在所述初始种群的基础上，通过遗传算法在所述时间变量的取值范围中寻找最优个体；所述最优个体为适应度最优的个体，计算所述适应度的适应度函数基于所述产品对应的数学模型确定；
43.收益计算模块，用于基于所述最优个体，确定出所述产品的收益预测结果。
44.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
45.获取选定的待预测的产品以及所述产品对应的数学模型；所述产品为收益率随着时间推移而变化的产品，所述数学模型表征产品收益率与时间变量之间的关系；
46.确定与所述产品对应的参数包，所述参数包包含用于实现遗传算法的多个参数以及各参数的值；
47.将所述数学模型中的时间变量作为遗传性状，并基于所述参数包从所述时间变量的取值范围中确定出初始种群，在所述初始种群的基础上，通过遗传算法在所述时间变量的取值范围中寻找最优个体；所述最优个体为适应度最优的个体，计算所述适应度的适应度函数基于所述产品对应的数学模型确定；
48.基于所述最优个体，确定出所述产品的收益预测结果。
49.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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以下步骤：
50.获取选定的待预测的产品以及所述产品对应的数学模型；所述产品为收益率随着时间推移而变化的产品，所述数学模型表征产品收益率与时间变量之间的关系；
51.确定与所述产品对应的参数包，所述参数包包含用于实现遗传算法的多个参数以及各参数的值；
52.将所述数学模型中的时间变量作为遗传性状，并基于所述参数包从所述时间变量的取值范围中确定出初始种群，在所述初始种群的基础上，通过遗传算法在所述时间变量的取值范围中寻找最优个体；所述最优个体为适应度最优的个体，计算所述适应度的适应度函数基于所述产品对应的数学模型确定；
53.基于所述最优个体，确定出所述产品的收益预测结果。
54.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
55.获取选定的待预测的产品以及所述产品对应的数学模型；所述产品为收益率随着时间推移而变化的产品，所述数学模型表征产品收益率与时间变量之间的关系；
56.确定与所述产品对应的参数包，所述参数包包含用于实现遗传算法的多个参数以及各参数的值；
57.将所述数学模型中的时间变量作为遗传性状，并基于所述参数包从所述时间变量的取值范围中确定出初始种群，在所述初始种群的基础上，通过遗传算法在所述时间变量的取值范围中寻找最优个体；所述最优个体为适应度最优的个体，计算所述适应度的适应度函数基于所述产品对应的数学模型确定；
58.基于所述最优个体，确定出所述产品的收益预测结果。
59.上述产品预测方法、装置、计算机设备、存储介质和计算机程序产品，通过应用遗传算法对基于时间推移而变化的金融产品收益率进行预测，可以关注到金融产品收益率的变动过程，并且通过遗传算法中的基因交叉和基因变异模拟出金融产品收益率随着市场变化而波动，实现全面准确表达金融产品收益率变动情况的目的。
附图说明
60.图1为一个实施例中产品预测方法的应用环境图；
61.图2a为一个实施例中产品预测方法的流程示意图；
62.图2b为一个实施例中在初始种群的基础上，通过遗传算法在时间变量的取值范围中寻找最优个体的流程示意图；
63.图3为另一个实施例中产品预测方法的流程示意图；
64.图4为一个实施例中提供本技术的产品预测方法的系统结构框图；
65.图5为一个实施例中系统执行本技术的产品预测方法的流程示意图；
66.图6为一个实施例中产品预测装置的结构框图；
67.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
68.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
69.本技术实施例提供的产品预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统106可以存储服务器104需要处理的数据。数据存储系统106可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104响应于终端102中用户输入的待预测产品，从数据存储系统106中获取到对应的待预测产品对应的数学模型；然后服务器104响应于终端102中用户选择的部分参数和数据存储系统106中存储的最佳参数，确定出与待预测产品对应的参数包；进而在待预测产品的数学模型中时间变量的取值范围内，基于遗传算法寻找全局最优个体，即最高收益率对应的时间取值或者最低收益率对应的时间取值；服务器104根据最优个体，转换得到待预测产品的收益预测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
70.在一个实施例中，如图2a所示，提供了一种产品预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
71.步骤201，获取选定的待预测的产品以及产品对应的数学模型；产品为收益率随着时间推移而变化的产品，数学模型表征产品收益率与时间变量之间的关系。
72.其中，待预测的产品可以为金融产品，所述的金融产品的收益率可以近似模拟为随着时间的推移而变动。
73.进一步地，用户根据终端102显示的不同金融产品大概的收益率情况，选择想要获知更具体收益率情况的金融产品作为待预测产品。
74.其中，产品对应的数学模型可以理解为以时间为自变量、收益率为因变量构建的函数模型，所述函数模型可以是用户基于机器学习训练模拟收益率随着时间推移而变动得到的。
75.进一步地，待预测产品对应数学模型可以是服务器104基于产品对应的产品标识从数据存储系统106中获取到，也可以是基于用户在终端102界面输入获得。
76.作为一种示例，服务器104可以根据终端102用户输入的待预测产品的标识，从数据存储系统106中查询待预测产品对应的数学模型，获取待预测产品对应的数学模型。其中，数学模型是对待预测产品预先近似模拟得到，并存储于数据存储系统106中；数学模型与对应的待预测产品通过产品对应的产品标识和数学模型对应的模型标识建立映射关系，并且映射关系存储于数据存储系统106中，服务器104通过产品标识查询映射关系找到对应的模型标识，进而根据模型标识找到对应的数学模型。
77.步骤202，确定与产品对应的参数包，参数包包含用于实现遗传算法的多个参数以及各参数的值。
78.其中，参数包可以包含针对该待预测产品进行遗传算法的全局寻优时，涉及的种群规模、适应度函数和停止迭代的条件等参数以及参数的值。
79.进一步地，服务器104可以根据待预测产品对应的数学模型的模型标识，从数据存储系统106中查询到适用于对应数学模型的最佳参数及对应的参数值，作为待预测产品对应参数包的一部分内容。其中，适用于对应数学模型的最佳参数及对应参数值可以预先通过机器学习训练得到。同时，服务器104也可以获取用户在终端102界面中输入的待预测产品对应的参数及对应的参数值作为参数包的另外一部分内容。
80.作为一种示例，根据预先对遗传算法的训练，确定出遗传算法预测产品对应的部分最佳参数及对应的参数值(可以包括种群规模和迭代次数等)，并存储于数据存储系统106中；服务器104响应于用户输入的其他参数及对应的参数值(可以包含适应度函数和停止迭代条件等)，并获取数据存储系统106中的部分最佳参数及对应的参数值，组成产品对应的参数包，服务器104将参数包中的参数及对应的参数值输入遗传算法模型中，构建出对应的产品预测模型。
81.步骤203，将数学模型中的时间变量作为遗传性状，并基于参数包从时间变量的取值范围中确定出初始种群，在初始种群的基础上，通过遗传算法在时间变量的取值范围中寻找最优个体；最优个体为适应度最优的个体，计算适应度的适应度函数基于产品对应的数学模型确定。
82.其中，遗传算法是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。进一步地，一个预测问题中的自变量可以由遗传算法中的遗传性状表示，而因变量的优劣则可以由遗传算法中的遗传性状对应的适应度表示。遗传算法搜索全局最优解的过程就是找到拥有最优适应度遗传性状的最优个体。
83.作为一种示例，生物的性状遗传是通过基因遗传实现的，因此遗传算法中也将遗传性状转换为遗传基因来实现算法运作。因为计算机底层运算通常是二进制的运算，因此
遗传算法一般也采用二进制编码表达遗传基因，方便后续进行基因的交叉和变异操作。服务器104响应于用户输入的时间变量精确度，并根据数学模型中时间变量的取值范围，确定出二进制编码的长度，基于二进制编码长度对时间变量的各个取值进行一一对应的二进制编码。例如，时间变量的范围为[0，12]，精确度为小数点后四位，并且65536＝2
16
《12*104《2
17
＝131072，因此该时间变量对应的二进制编码的长度至少为17位，时间变量的每个取值都会由一个对应的17位二进制编码作为对应的遗传性状编码(即遗传基因或遗传性状表示)。服务器104根据参数包中的种群数量大小参数和对应的参数值，在时间变量的取值范围中基于参数包中的初始种群选取参数及对应的参数值生成对应数量的个体作为初始种群(可以是随机生成或均匀生成)，每个个体由对应的二进制编码进行标识。将初始种群输入构建完成的遗传算法模型中，通过计算对应的适应度和运行遗传迭代操作得到最优个体，最优个体的遗传性状编码由二进制编码标识。
[0084]
步骤204，基于最优个体，确定出产品的收益预测结果。
[0085]
其中，本技术中的最优个体可以表示产品符合预测目标的时间取值，因此可以通过最优个体对应的时间取值代入产品数学模型中得到对应的预测结果，可以是产品最高预测收益率或最低预测收益率。
[0086]
作为一种示例，服务器104根据最优个体的遗传性状编码(本技术为时间变量的取值的二进制编码)，转换为对应的十进制的时间变量的取值，将十进制的时间变量的取值输入对应的数学模型中，得到对应的收益预测结果，收益预测结果可以是最高收益率或最低收益率。
[0087]
上述产品预测方法中，通过应用遗传算法对基于时间推移而变化的金融产品收益率进行预测，可以关注到金融产品收益率的变动过程，并且通过遗传算法中的基因交叉和基因变异模拟出金融产品收益率随着市场变化而波动，实现全面准确表达金融产品收益率变动情况的目的，并且无需收集市场变化信息以及分析市场变化信息，还提高了金融产品的预测效率。
[0088]
在其中一个实施例中，在上述步骤201获取选定的待预测的产品以及产品对应的数学模型之后，具体还包括以下步骤：
[0089]
步骤一，获取针对待预测的产品的预测目标；
[0090]
步骤二，基于预测目标和数学模型，构建对应的适应度函数。
[0091]
其中，预测目标可以包括最高收益率预测或最低收益率预测，基于适应度函数确定出的最优个体，表征最高收益率预测或最低收益率预测对应的时间取值。
[0092]
作为一个示例，服务器获取到用户在终端中输入的待预测产品的预测目标，根据预测目标和待预测产品对应的数学模型，基于适应度函数模板，构建出能够表征预测目标的适应度对应的适应度函数。其中，适应度函数模板可以由用户终端输入得到。
[0093]
本实施例中，通过预测目标和数学模型构建对应的适应度函数，可以得到针对不同产品的遗传算法最优个体判断方法，最终得到需要的最优个体。
[0094]
在其中一个实施例中，上述步骤203将数学模型中的时间变量作为遗传性状，具体还可以通过以下步骤实现：
[0095]
步骤一，获取数学模型中时间变量的取值范围和时间变量在取值范围内的取值精确度；
[0096]
步骤二，根据数学模型中时间变量的取值范围和时间变量在取值范围内的取值精确度，确定二进制编码的编码长度；
[0097]
步骤三，基于编码长度对时间变量的各个取值进行二进制编码，得到时间变量的各个取值对应的遗传性状编码，作为时间变量的各个取值在遗传算法中的遗传性状的表达。
[0098]
其中，取值范围可以是以年或月等时间为单位。
[0099]
其中，精确度可以由时间变量取值的小数分位决定。
[0100]
作为一个示例，产品的数学模型中时间变量的取值范围由产品本身的属性决定，例如一种一年定期的金融产品的时间变量的取值范围就可以是一月到十二月。精确度可以由用户想要关注到的时间变量取值决定。根据时间变量的取值范围和精确度，可以计算到时间变量具体取值的个数，根据取值的个数，确定需要进行二进制编码的编码长度，以确保二进制编码的取值个数大于或等于时间变量的取值个数；根据二进制编码长度，确定时间变量的每个取值一一对应的二进制编码。例如，时间变量的范围为[0，12]，精确度为小数点后四位，并且65536＝216《12*104《217＝131072，因此二进制编码的长度至少为17位，时间变量的每个取值都会由一个对应的17位二进制编码作为对应的遗传性状表示。
[0101]
本实施例中，根据时间变量的取值范围和取值精确度，确定对应二进制编码的编码长度，得到时间变量取值一一对应的二进制编码，便于后续时间变量代入到遗传算法中进行运算。
[0102]
在其中一个实施例中，上述步骤203基于参数包从时间变量的取值范围中确定出初始种群，具体还可以通过以下步骤实现：
[0103]
根据参数包中的初始种群大小参数以及初始种群大小参数的值，在时间变量的各个取值对应的遗传性状编码中确定出对应数量的遗传性状编码，作为对应数量的初始个体。
[0104]
作为一个示例，参数包中包含有初始种群大小参数及对应的参数值，初始种群大小参数及对应的参数值可以是数据存储系统中预先通过机器学习训练得到最佳参数值，也可以是用户通过终端页面输入的参数值。初始种群大小参数及对应的参数值限定了待预测产品在遗传算法中初始种群的个体数量，因此将从时间变量的取值范围中确定出对应数量的取值，并将确定出的取值转换为对应的二进制编码，将对应数量的二进制编码作为遗传算法中的初始种群中对应数量的个体。
[0105]
本实施例中，通过设定初始种群大小参数来生成对应数量的初始种群个体，个性化控制每个数学模型对应的遗传算法运算时间和运算结果的准确度。
[0106]
在其中一个实施例中，上述步骤在时间变量的各个取值对应的遗传性状编码中确定出对应数量的遗传性状编码，作为对应数量的初始个体，具体还可以通过以下步骤实现：
[0107]
根据参数包中的初始种群选取参数以及初始种群选取参数的值，在时间变量的各个取值对应的遗传性状编码中以初始种群选取参数对应的方式确定出对应数量的遗传性状编码，作为对应数量的初始个体。
[0108]
其中，初始种群选取参数可以是初始种群的生成规则，可以包括随机生成和均匀生成等。
[0109]
作为一个示例，初始种群选取参数的参数值可以由用户在终端页面中进行选择确
定，初始种群选取参数的参数值选项可以预先记录在数据存储系统中。当初始种群选取参数值表示随机生成时，则在时间变量在取值范围内，随机生成对应数量的时间变量取值；当初始种群选取参数值表示均匀生成时，则在时间变量取值范围内，根据生成数量平均生成相应的时间变量取值。将时间变量取值转换为对应的二进制编码，作为遗传算法中的初始种群中对应数量的个体。
[0110]
本实施例中，通过设定初始种群选取参数来确定相应的生成初始种群方式，个性化控制每个数学模型对应的遗传算法运算时间和运算结果的准确度。
[0111]
在其中一个实施例中，如图2b所示，上述步骤203在初始种群的基础上，通过遗传算法在时间变量的取值范围中寻找最优个体，具体还可以通过以下步骤实现：
[0112]
步骤2031，将初始种群作为当前种群；
[0113]
步骤2032，计算当前种群中每个个体的适应度；其中，适应度由对应的适应度函数计算得到。
[0114]
步骤2033，根据适应度和当前种群中个体的相邻情况，基于参数包中的遗传规则参数以及遗传规则参数的取值，生成下一子代得到新的种群；
[0115]
步骤2034，将新的种群作为当前种群，返回执行计算当前种群中每个个体的适应度，直到当前种群中某个个体的适应度达到预设条件，或者种群的迭代次数达到预设次数时，将当前种群中适应度最高的个体作为最优个体；预设条件和预设次数从参数包中获取。
[0116]
其中，步骤2033中的遗传规则参数表示由当前种群生成下一代种群的生成方式。包括相邻程度、最优个体继承个数(即最优的若干个个体直接成为下一代种群的个体)、个体基因交叉概率和个体基因变异概率等。遗传规则参数的参数值可以由用户在终端输入确定。
[0117]
其中，步骤2034中的预设条件和预设次数还可以由用户通过终端输入得到。
[0118]
其中，步骤2033中根据适应度生成下一子代，可以是根据赌轮盘算法对不同适应度的个体赋予不同的配对选中概率，从剩余个体中最优适应度个体开始顺序选择配对的个体时，基于配对选中概率随机选中个体进行配对得到新的个体作为下一子代中的个体。例如，有三个个体，他们所对应的适应度评分分别为6，14，20，那么累积总适应度为f＝40，所以，每个个体被选中的概率为p1＝6/40*100％＝15％、p2＝14/40*100％＝35％和p3＝20/40*100％＝50％。
[0119]
其中，相邻情况可以是个体的相对相邻情况和绝对相邻情况。进一步地，相对相邻情况表示当两个个体的二进制编码的差值不大于预设的要求，则确定两个个体为相对相邻；绝对相邻表示当两个个体的二进制编码之间的取值范围不包含其他任意个体的二进制编码，则确定两个个体为绝对相邻。
[0120]
作为一个示例，将得到的初始种群作为当前种群开始执行遗传算法，根据适应度函数计算当前种群中每个个体的适应度；根据参数包中的遗传规则参数中的最优个体继承个数的参数值，筛选出对应数量的最优个体，直接成为下一代种群的个体；然后判断当前种群中剩余个体数的奇偶性，若剩余个体数为奇数，则将最低适应度的一个个体从当前种群中删除；当前种群中的剩余的每个个体根据遗传规则参数中的相邻程度参数值，或根据赌轮盘算法，从符合条件的其他个体中随机配对一个个体，根据遗传规则参数中的基因交叉概率和基因变异概率进行基因交叉和基因变异，生成两个新的个体作为下一代种群中的个
体；将新一代种群作为当前种群返回执行步骤2032，同时判断当前种群中某个个体的适应度是否达到参数包中的预设条件，或者种群的迭代次数是否达到预设次数，当达到预设条件或者达到预测次数时，将当前种群中适应度最高的个体最为最优个体。
[0121]
本实施例中，通过将初始种群应用于设定了具体的参数遗传算法中，运算得到能够达到产品预测目标的最优个体，可以关注到产品收益率的变动过程，并且通过遗传算法中的基因交叉和基因变异模拟出产品收益率随着市场变化而波动，实现全面准确表达产品收益率变动情况的目的。
[0122]
在其中一个实施例中，上述步骤204基于最优个体，确定出产品的收益预测结果，具体还可以通过以下步骤实现：
[0123]
步骤一，对最优个体对应的遗传性状编码进行二进制解码，得到最优个体对应的时间取值，作为预测时间点；
[0124]
步骤二，根据数学模型，基于预测时间点，得到产品对应的收益率预测值；
[0125]
步骤三，基于预测时间点和收益率预测值，确定产品的收益预测结果。
[0126]
作为一个示例，服务器将得到的最优个体对应的二进制编码进行解码，得到对应的最优时间变量取值，根据待预测产品的数学模型，基于最优时间变量取值，得到对应的收益率预测值。最优时间变量与对应的收益率预测值组成待预测产品对应的收益率预测结果，服务器可以将收益率预测结果存储于数据存储系统中，同时也可以将收益率预测结果发送给终端，以展示于终端页面中。
[0127]
本实施例中，通过将遗传算法得到的最优个体转换为需要的预测结果，完成基于遗传算法对待预测产品收益率的预测操作，提高的产品收益率预测的准确度和效率。
[0128]
在其中一个实施例中，上述步骤204确定产品的收益预测结果之后，具体还包括以下步骤：
[0129]
步骤一，确定与产品的收益预测结果匹配的目标用户对象；
[0130]
步骤二，向目标用户对象推荐产品。
[0131]
作为一个示例，服务器根据产品的收益预测结果，从数据存储系统中查询到推荐的目标用户对象，通过将产品与对应的收益预测结果推送到目标用户的终端页面中实现推荐产品的目的。
[0132]
本实施例中，基于产品的收益预测结果匹配用户对产品收益率的要求，实现向目标用户准确推荐相应的产品的目的。
[0133]
在另一个实施例中，如图3所示，提供了一种产品预测方法的完整步骤流程图，本实施例中，包括以下步骤：
[0134]
步骤301，获取选定的待预测的产品以及产品对应的数学模型。
[0135]
步骤302，获取针对待预测的产品的预测目标；基于预测目标和数学模型，构建对应的适应度函数。
[0136]
步骤303，确定与产品对应的参数包，参数包包含用于实现遗传算法的多个参数以及各参数的值。
[0137]
步骤304，获取数学模型中时间变量的取值范围和时间变量在取值范围内的取值精确度；根据数学模型中时间变量的取值范围和时间变量在取值范围内的取值精确度，确定二进制编码的编码长度。
[0138]
步骤305，基于编码长度对时间变量的各个取值进行二进制编码，得到时间变量的各个取值对应的遗传性状编码，作为时间变量的各个取值在遗传算法中的遗传性状的表达。
[0139]
步骤306，根据参数包中的初始种群选取参数以及初始种群选取参数的值，在时间变量的各个取值对应的遗传性状编码中以初始种群选取参数对应的方式确定出对应数量的遗传性状编码，作为对应数量的初始个体。
[0140]
步骤307，将初始种群作为当前种群；计算当前种群中每个个体的适应度。
[0141]
步骤308，根据适应度和当前种群中个体的相邻情况，基于参数包中的遗传规则参数以及遗传规则参数的取值，生成下一子代得到新的种群。
[0142]
步骤309，将新的种群作为当前种群，返回执行步骤307，直到达到预设的条件时(可以是当前种群中某个个体的适应度达到预设条件，或者种群的迭代次数达到预设次数)，将当前种群中适应度最高的个体作为最优个体；预设条件和预设次数从参数包中获取。
[0143]
步骤310，对最优个体对应的遗传性状编码进行二进制解码，得到最优个体对应的时间取值，作为预测时间点。
[0144]
步骤311，根据数学模型，基于预测时间点，得到产品对应的收益率预测值；基于预测时间点和收益率预测值，确定产品的收益预测结果。
[0145]
步骤312，确定与产品的收益预测结果匹配的目标用户对象；向目标用户对象推荐产品。
[0146]
作为一个示例，获取到用户选定的一种收益率随着时间推移而变动的待预测产品，根据待预测产品的产品标识，从数据库中获取到对应的表征产品收益率与时间变量之间的关系的数学模型；根据用户输入的预测目标(可以是最高收益率或最低收益率)和数学模型，基于适应度函数模型构建对应的适应度函数，使得可以根据适应度函数计算得到的个体的适应度筛选出符合预测目标的个体；同时获取用户输入的参数和数据库中存储的最佳参数组成待预测产品应用遗传算法所需的参数包；根据数学模型中的时间变量的取值范围和取值精确度，确定二进制编码的长度，使得二进制编码的取值个数大于或等于时间变量的取值个数；基于编码长度对时间变量的各个取值进行二进制编码，得到时间变量的各个取值一一对应的遗传性状编码；根据参数包中的初始种群选取参数的值，在时间变量的各个取值对应的遗传性状编码中以初始种群选取参数(可以是随机生成或均匀生成)对应的方式确定出对应数量的遗传性状编码，作为对应数量的初始个体；将初始种群作为当前种群；计算当前种群中每个个体的适应度；根据适应度和当前种群中个体的相邻情况，基于参数包中的遗传规则参数以及遗传规则参数的取值，生成下一子代得到新的种群(可以是筛选出最优适应度的一个个体直接成为下一子代中的个体，当前种群中的剩余个体根据相邻情况配对进行基因交叉和基因变异的操作之后，生成新的个体作为下一子代中的个体)；将新的种群作为当前种群，返回执行计算当前种群中每个个体的适应度，直到当前种群中某个个体的适应度达到参数包中的预设条件，或者种群的迭代次数达到参数包中的预设次数时(可以是迭代次数达到10次)，将当前种群中适应度最高的个体作为最优个体；为了得到最优个体对应的预测收益率，需要将最优个体对应的遗传性状编码(即二进制编码)进行解码处理，得到对应时间变量的取值，基于最优个体的时间变量取值，通过数学模型计算得
到对应的预测收益率，将预测收益率和对应的时间变量取值作为待预测产品的预测收益结果；可以根据预测收益结果从数据库中匹配推荐的目标用户进行推荐，也可以将全部可选产品的预测收益结果同时展示给用户，供用户挑选需要的产品。
[0147]
本实施例中，通过将设定好参数遗传算法应用于待预测产品的收益率预测中，可以个性化设置遗传算法对不同的产品进行准确、高效的收益率预测，同时过程中可以关注到产品收益率的变动趋势，并且通过遗传算法中的基因交叉和基因变异模拟出产品收益率随着市场变化而波动，实现全面准确表达产品收益率变动情况的目的。
[0148]
为了便于本领域技术人员理解本技术实施例，以下将以一个提供本技术的产品预测方法的系统为例，结合附图的具体示例对本技术进行说明，如图4所示，本实施例中的系统包括业务场景选取模块401、参数确定及建模模块402和产品收益率预测模块403，还可以增加一个产品推荐模块404。本系统执行本技术的产品预测方法的步骤流程如图5所示，其中包括，
[0149]
步骤501，选取能以时间变量及函数形表示的理财产品。
[0150]
步骤502，确定相关参数，涉及时间变量取值精确度和种群规模等。
[0151]
步骤503，根据参数构建对应的遗传算法模型。
[0152]
步骤504，根据产品对应的数学函数和算法模型，计算得到时间变量取值范围内的预测结果。
[0153]
步骤505，根据预测结果向目标用户推荐产品。
[0154]
其中，步骤501具体由业务场景选取模块401执行；步骤502和步骤503具体由参数确定及建模模块402执行；步骤504具体由产品收益率预测模块403执行；步骤505具体可以由产品推荐模块404执行。
[0155]
举例说明：
[0156]
业务场景选取模块401根据用户选择选取到一个收益率y＝(5 |x*sinx|)/12(x为月份单位)的产品，并且时间变量的取值范围是[1,12]，取值精确度为小数点后四位。
[0157]
参数确定及建模模块402根据用户输入确定对应的参数，包括将popsize(种群规模)设置为200，chsize(参数数量)为1，crossprob(交叉概率)为100％，mutateprob(变异概率)为10％，elitsim(直接成为到下一子代的最优个体数目，默认为1个)，minval(随机生成初始种群的下边界值)设置为0，maxval(随机生成初始种群的上边界值)设置为12，maxiter(最大世代数，即迭代次数)设置为1000。
[0158]
参数确定及建模模块402根据产品函数中时间变量的取值范围和取值精确度，确定出二进制编码的长度，那么上述产品对应的二进制编码长度为17位(因为时间变量的范围为[0，12]，精确度为小数点后四位，65536＝2
16
《12*104《2
17
＝131072)；根据用户输入的预测目标为预测最高收益率，从三种适应度函数中确定出具体适应度函数：
[0159]
(1)直接以待求解函数的负值为其适应度函数，即fit(f(x))＝-f(x)
[0160]
(2)
[0161]
(3)fit(f(x))＝1/(1 c f(x)),其中x是待求解函数f(x)的一个可行解，且c》＝0和c f(x)》＝0。当c是f(x)的下界minf(x)时，fit(minf(x))＝1
[0162]
本实施例采用第一种方式构建适应度函数，原因是在本案例中由于x的范围为[0，
12]，因此待求解函数的函数值相差并不悬殊，得到的平均适应度值能较好的体现群体的平均性能；同时由于本实施例使用的r语言的mcga包构建遗传算法，mcga包适用于单目标函数最小化问题，而本实施例产品的预测目标是最高收益率，因此本方案应该取函数的负值。
[0163]
参数确定及建模模块402根据选用的适应度函数和确定的二进制编码构建对应的遗传算法模型。
[0164]
产品收益率预测模块403根据构建的遗传算法模型和对应的参数，计算得到时间变量取值范围内的预测结果。本实施例采用一种最简单的配对方式，即相对相邻的两个个体为亲代的父本和母本，并且随机生成一个二进制编码点位，该点位到编码最后一位即为交互片段(假设父本为1010111001，母本为相邻的1000110011，随机选中的点位为5，则父本后5位为11001，母本后5位为10011，这段基因互相交叉，而前面的保持不变形成两个新的子代1010110011和1000111001)，同时本实施例将交叉概率设置为100％。为了避免在本产品的函数在迭代中陷入局部最大值附近，也就是函数极大值附近，需要进行基因变异的过程，本实施例针对二进制编码的特殊性，变异过程简易设置为替换，即在变异概率下，原编码中的
’0’
可能变为
’1’
，
’1’
可能变为
’0’
。交叉过程主要模拟计算产品最佳收益率的过程，变异过程主要是模拟市场变化对产品收益率产生正影响的过程。
[0165]
产品收益率预测模块403根据设定的迭代次数完成运算，输出当前种群中最优个体对应的时间变量取值，同时基于产品对应的函数计算出最高收益率。本实施例中，最优个体对应的时间变量取值为7.9787(精确到日期为7月31号)，对应的收益率为7.64％。
[0166]
最后产品推荐模块404根据预测结果，从数据库中匹配到符合用户需求的目标用户，向目标用户推荐产品。
[0167]
本实施例中，通过采用遗传算法预测产品在随着时间推移收益率会发生变化的过程，得到产品收益率最大化的结果。解决了之前采用按月为维度计算产品收益最大化精度不够高的问题，同时使用户能够更加全面精确地了解该产品收益率随时间推移而变化的过程。
[0168]
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0169]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的产品预测方法的产品预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品预测装置实施例中的具体限定可以参见上文中对于产品预测方法的限定，在此不再赘述。
[0170]
在一个实施例中，如图6所示，提供了一种产品预测装置，包括：产品选取模块、参数确定模块、模型运算模块和收益计算模块，其中：
[0171]
产品选取模块601，用于获取选定的待预测的产品以及产品对应的数学模型；产品为收益率随着时间推移而变化的产品，数学模型表征产品收益率与时间变量之间的关系；
[0172]
参数确定模块602，用于确定与产品对应的参数包，参数包包含用于实现遗传算法的多个参数以及各参数的值；
[0173]
模型运算模块603，用于将数学模型中的时间变量作为遗传性状，并基于参数包从时间变量的取值范围中确定出初始种群，在初始种群的基础上，通过遗传算法在时间变量的取值范围中寻找最优个体；最优个体为适应度最优的个体，计算适应度的适应度函数基于产品对应的数学模型确定；
[0174]
收益计算模块604，用于基于最优个体，确定出产品的收益预测结果。
[0175]
在一个实施例中，上述产品选取模块601还用于，获取针对待预测的产品的预测目标；基于预测目标和数学模型，构建对应的适应度函数。
[0176]
在一个实施例中，上述产品模型运算模块603还用于，获取数学模型中时间变量的取值范围和时间变量在取值范围内的取值精确度；根据数学模型中时间变量的取值范围和时间变量在取值范围内的取值精确度，确定二进制编码的编码长度；基于编码长度对时间变量的各个取值进行二进制编码，得到时间变量的各个取值对应的遗传性状编码，作为时间变量的各个取值在遗传算法中的遗传性状的表达。
[0177]
在一个实施例中，上述产品模型运算模块603还用于，根据参数包中的初始种群大小参数以及初始种群大小参数的值，在时间变量的各个取值对应的遗传性状编码中确定出对应数量的遗传性状编码，作为对应数量的初始个体。
[0178]
在一个实施例中，上述产品模型运算模块603还用于，根据参数包中的初始种群选取参数以及初始种群选取参数的值，在时间变量的各个取值对应的遗传性状编码中以初始种群选取参数对应的方式确定出对应数量的遗传性状编码，作为对应数量的初始个体。
[0179]
在一个实施例中，上述产品模型运算模块603还用于，将初始种群作为当前种群；计算当前种群中每个个体的适应度；根据适应度和当前种群中个体的相邻情况，基于参数包中的遗传规则参数以及遗传规则参数的取值，生成下一子代得到新的种群；将新的种群作为当前种群，返回执行计算当前种群中每个个体的适应度，直到当前种群中某个个体的适应度达到预设条件，或者种群的迭代次数达到预设次数时，将当前种群中适应度最高的个体作为最优个体；预设条件和预设次数从参数包中获取。
[0180]
在一个实施例中，上述收益计算模块604还用于，对最优个体对应的遗传性状编码进行二进制解码，得到最优个体对应的时间取值，作为预测时间点；根据数学模型，基于预测时间点，得到产品对应的收益率预测值；基于预测时间点和收益率预测值，确定产品的收益预测结果。
[0181]
在一个实施例中，上述产品预测装置还包括，产品推荐模块，用于在确定出产品的收益预测结果后，确定与产品的收益预测结果匹配的目标用户对象；向目标用户对象推荐产品。
[0182]
上述产品预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0183]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存
储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种产品预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0184]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0185]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0186]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0187]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0188]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。用户可以拒绝或可以便捷拒绝产品推送信息等。
[0189]
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0190]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0191]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并
不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。