(19)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 202210639435.5 (22)申请日 2022.06.08 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 秦欢　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 秦晓君 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 10/04(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种银行网点备付金的预测方法及系统 (57)摘要 本发明公开了一种银行网点备付金的预测 方法及系统， 可应用于金融领域。 对银行网点的 备付金的原始时间序列数据进行多次分解， 得到 多个第一时间子序列数据； 计算第一时间子序列 数据的熵 值， 基于熵值对第一时间子序列数据进 行合并处理， 得到多个第二时间子序列数据； 利 用第二时间子序列数据训练神经网络模型得到 预测模型； 利用第二时间子序列数据的预测模型 预测得到在指定时间点的备付金预测值； 对所有 第二时间子序列数据的备付金预测值进行累加， 得到在指定时间点的总备付金预测值。 将备付金 的原始时间序列数据进行分解和重构得到第二 时间子序列数据， 再利用各个第二时间子序列数 据对应的预测模 型预测备付金， 提高预测备付金 的准确率。 权利要求书2页 说明书10页 附图3页 CN 114926270 A 2022.08.19 CN 114926270 A 1.一种银 行网点备付金的预测方法， 其特 征在于， 所述方法包括： 对银行网点的备付金的原始时间序列数据进行多次分解， 以得到多个第 一时间子序列 数据； 计算每个所述第一时间子序列数据的熵值； 基于每个所述第 一时间子序列数据的熵值， 对多个所述第 一时间子序列数据进行合并 处理， 得到多个第二时间子序列数据； 对于每个第 二时间子序列 数据， 利用所述第 二时间子序列数据训练神经网络模型得到 相应的预测模型； 对于每个第二时间子序列数据， 利用所述第二时间子序列数据对应的预测模型， 预测 得到所述第二时间子序列数据在指定时间点的备付金 预测值； 对所有所述第 二时间子序列 数据对应的备付金预测值进行累加， 得到所述备付金的原 始时间序列数据在所述指定时间点的总备付金 预测值。 2.根据权利要求1所述的方法， 其特征在于， 对银行网点的备付金的原始时间序列 数据 进行多次分解， 以得到多个第一时间子序列数据， 包括： 利用集合经验模态分解算法， 对银行网点的备付金的原始时间序列数据进行多次分 解， 以得到多个第一时间子序列数据。 3.根据权利要求1所述的方法， 其特征在于， 计算每个所述第一时间子序列数据的熵 值， 包括： 对于每个第一时间子序列数据， 对所述第一时间子序列数据进行相空间重构， 得到第 一矩阵； 按照升序顺序将所述第一矩阵中的重构分量重新排序， 得到第二矩阵， 所述第二矩阵 中每一行数据存在与之对应的一组符号序列， 所述符号序列用于指示排序后的重构分量中 各个元素所在的列； 利用每一组所述符号序列的出现概 率， 计算所述第一时间子序列数据的排列熵； 对所述第一 时间子序列数据的排列熵进行归一化， 以得到所述第 一时间子序列数据的 熵值。 4.根据权利要求1所述的方法， 其特征在于， 基于每个所述第一时间子序列数据的熵 值， 对多个所述第一时间子序列数据进行合并处 理， 得到多个第二时间子序列数据， 包括： 基于每个所述第 一时间子序列 数据的熵值， 划分得到多个数据组， 每一数据组包含： 一 个所述第一时间子序列数据， 或， 熵值差在阈值范围内的多个所述第一时间子序列数据； 对于每个数据组， 将所述数据组包含的所述第一时间子序列数据进行合并， 得到相应 的第二时间子序列数据。 5.根据权利要求1所述的方法， 其特征在于， 对于每个第二时间子序列数据， 利用所述 第二时间子序列数据训练神经网络模型 得到相应的预测模型， 包括： 对于每个第 二时间子序列 数据， 利用所述第 二时间子序列数据训练长短期记忆神经网 络LSTM模型 得到相应的预测模型。 6.一种银 行网点备付金的预测系统， 其特 征在于， 所述系统包括： 分解单元， 用于对银行网点的备付金的原始时间序列数据进行多次分解， 以得到多个 第一时间子序列数据；权　利　要　求　书 1/2 页 2 CN 114926270 A 2计算单元， 用于计算每 个所述第一时间子序列数据的熵值； 处理单元， 用于基于每个所述第一时间子序列数据的熵值， 对多个所述第一时间子序 列数据进行合并处 理， 得到多个第二时间子序列数据； 训练单元， 用于对于每个第二时间子序列数据， 利用所述第二时间子序列数据训练神 经网络模型 得到相应的预测模型； 预测单元， 用于对于每个第二时间子序列数据， 利用所述第二时间子序列数据对应的 预测模型， 预测得到所述第二时间子序列数据在指定时间点的备付金 预测值； 累加单元， 用于对所有所述第二时间子序列数据对应的备付金预测值进行累加， 得到 所述备付金的原 始时间序列数据在所述指定时间点的总备付金 预测值。 7.根据权利要求6所述的系统， 其特征在于， 所述分解单元具体用于： 利用集合经验模 态分解算法， 对银行网点的备付金 的原始时间序列数据进行多次分解， 以得到多个第一时 间子序列数据。 8.根据权利要求6所述的系统， 其特 征在于， 所述计算单 元包括： 重构模块， 用于对于每个第一时间子序列数据， 对所述第一时间子序列数据进行相空 间重构， 得到第一矩阵； 排序模块， 用于按照升序顺序将所述第一矩阵中的重构分量重新排序， 得到第 二矩阵， 所述第二矩阵中每一行数据存在与之对应的一组符号序列， 所述符号序列用于指示排序后 的重构分量中各个元 素所在的列； 计算模块， 用于利用每一组所述符号序列的出现概率， 计算所述第一时间子序列数据 的排列熵； 归一化模块， 用于对所述第一时间子序列数据的排列熵进行归一化， 以得到所述第一 时间子序列数据的熵值。 9.根据权利要求6所述的系统， 其特 征在于， 所述处 理单元包括： 划分模块， 用于基于每个所述第 一时间子序列数据的熵值， 划分得到多个数据组， 每一 数据组包含： 一个所述第一时间子序列数据， 或， 熵值差在阈值范围内的多个所述第一时间 子序列数据； 合并模块， 用于对于每个数据组， 将所述数据组包含的所述第一时间子序列数据进行 合并， 得到相应的第二时间子序列数据。 10.根据权利要求6所述的系统， 其特征在于， 所述训练单元具体用于： 对于每个第 二时 间子序列数据， 利用所述第二时间子序列数据训练长 短期记忆神经网络LSTM模 型得到相应 的预测模型。权　利　要　求　书 2/2 页 3 CN 114926270 A 3