本發(fā)明涉及大數(shù)據(jù)處理，更具體地涉及一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)警系統(tǒng)。

背景技術(shù)：

1、神經(jīng)網(wǎng)絡(luò)作為模擬人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的計算模型，近年來得到了飛速的發(fā)展，從最初的感知機到多層前饋神經(jīng)網(wǎng)絡(luò)，再到后來的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法不斷優(yōu)化，使其在處理復(fù)雜數(shù)據(jù)、識別模式方面展現(xiàn)出強大的能力，這種能力使得神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)警領(lǐng)域具有廣泛的應(yīng)用前景，同時大數(shù)據(jù)技術(shù)的興起為數(shù)據(jù)預(yù)警系統(tǒng)提供了豐富的數(shù)據(jù)源和強大的處理能力，通過采集、存儲、分析和挖掘海量數(shù)據(jù)，大數(shù)據(jù)技術(shù)能夠幫助預(yù)警系統(tǒng)更準確地識別出潛在風險并降低損失。

2、隨著數(shù)據(jù)源的增多和復(fù)雜性的提高，對數(shù)據(jù)調(diào)用量的監(jiān)控和預(yù)警變得越來越重要，尤其在廣告用戶觸達、訂單進件、資金交易、市場需求、商品價格等場景數(shù)據(jù)預(yù)測預(yù)警顯得更加重要，但是傳統(tǒng)的預(yù)警方法往往基于規(guī)則或統(tǒng)計方法，無法準確預(yù)測未來的調(diào)用量變化，缺乏對歷史數(shù)據(jù)的訓練學習，無法準確地預(yù)測未來的調(diào)用量變化，并及時發(fā)出預(yù)警，缺少對預(yù)測模型的損失評估，忽略了在預(yù)測過程中誤差大小對預(yù)測結(jié)果準確性的影響，因此，傳統(tǒng)數(shù)據(jù)預(yù)警系統(tǒng)仍需要不斷地優(yōu)化。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)警系統(tǒng)，以解決上述背景技術(shù)中存在的問題。

2、本發(fā)明提供如下技術(shù)方案：一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)警系統(tǒng)，包括：數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)拆分模塊、預(yù)測模型建立模塊、損失函數(shù)評估模塊、預(yù)測模型判斷模塊、數(shù)據(jù)輸入預(yù)測模塊，以及預(yù)警結(jié)果輸出模塊；

3、所述數(shù)據(jù)獲取模塊，通過網(wǎng)絡(luò)數(shù)據(jù)采集器從平臺采集數(shù)據(jù)源歷史樣本數(shù)據(jù)，將原始數(shù)據(jù)整理成含有時間和調(diào)用量兩個特征的數(shù)據(jù)，并將整理過后的特征數(shù)據(jù)傳輸至數(shù)據(jù)預(yù)處理模塊；

4、所述數(shù)據(jù)預(yù)處理模塊，接收數(shù)據(jù)獲取模塊傳輸?shù)奶卣鲾?shù)據(jù)，通過歸一化公式應(yīng)用對數(shù)據(jù)進行歸一化處理，并將歸一化處理后的數(shù)據(jù)傳輸至數(shù)據(jù)拆分模塊；

5、所述數(shù)據(jù)拆分模塊，包括訓練集數(shù)據(jù)拆分單元和測試集數(shù)據(jù)拆分單元，通過lstm訓練將歸一化處理后的數(shù)據(jù)劃分為訓練集數(shù)據(jù)和測試集數(shù)據(jù)，并將訓練集數(shù)據(jù)和測試集數(shù)據(jù)傳輸至預(yù)測模型建立模塊；

6、所述預(yù)測模型建立模塊，基于數(shù)據(jù)拆分模塊傳輸?shù)挠柧毤瘮?shù)據(jù)和測試集數(shù)據(jù)，建立預(yù)測模型，記錄預(yù)測結(jié)果，并將預(yù)測結(jié)果傳輸至損失函數(shù)評估模塊；

7、所述損失函數(shù)評估模塊，基于預(yù)測模型建立模塊傳輸?shù)念A(yù)測結(jié)果，通過損失函數(shù)評估模型計算得出預(yù)測模型損失系數(shù)，并將計算得出的預(yù)測模型損失系數(shù)傳輸至預(yù)測模型判斷模塊；

8、所述預(yù)測模型判斷模塊，接收損失函數(shù)評估模塊傳輸?shù)念A(yù)測模型損失系數(shù)，判斷預(yù)測模型是否符合預(yù)測要求，并將符合要求的預(yù)測模型傳輸至數(shù)據(jù)輸入預(yù)測模塊；

9、所述數(shù)據(jù)輸入預(yù)測模塊，基于預(yù)測模型判斷模塊傳輸?shù)姆弦蟮念A(yù)測模型，確定最優(yōu)預(yù)測模型并在預(yù)測模型中輸入已知時間段的數(shù)據(jù)調(diào)用量，得出數(shù)據(jù)預(yù)測調(diào)用量，并將數(shù)據(jù)預(yù)測調(diào)用量傳輸至預(yù)警結(jié)果輸出模塊；

10、所述預(yù)警結(jié)果輸出模塊，接收數(shù)據(jù)輸入預(yù)測模塊傳輸?shù)臄?shù)據(jù)預(yù)測調(diào)用量，將數(shù)據(jù)預(yù)測調(diào)用量與預(yù)設(shè)閾值進行對比，數(shù)據(jù)預(yù)測調(diào)用量超出預(yù)設(shè)閾值時系統(tǒng)預(yù)警顯示，并以釘釘消息的形式發(fā)送至業(yè)務(wù)端。

11、優(yōu)選的，所述數(shù)據(jù)獲取模塊中樣本數(shù)據(jù)包括日期、數(shù)據(jù)源名稱、數(shù)據(jù)源調(diào)用量，并以“天”為時間尺度進行數(shù)據(jù)整理。

12、優(yōu)選的，所述數(shù)據(jù)預(yù)處理模塊中歸一化公式應(yīng)用的計算公式為：其中x′表示歸一化后的數(shù)據(jù)輸出值，x表示歸一化前的數(shù)據(jù)輸入值，min和max是指數(shù)據(jù)映射的最小值和最大值，xmin表示輸入數(shù)據(jù)的最小值，xmax表示輸入數(shù)據(jù)的最大值。

13、優(yōu)選的，所述數(shù)據(jù)拆分模塊中訓練集數(shù)據(jù)包括數(shù)據(jù)源樣本數(shù)量，已知的數(shù)據(jù)源樣本調(diào)用量和已知的數(shù)據(jù)源預(yù)測調(diào)用量，測試集包括數(shù)據(jù)源樣本數(shù)量和已知時間段內(nèi)的數(shù)據(jù)源樣本調(diào)用量。

14、優(yōu)選的，所述預(yù)測模型建立模塊中建立預(yù)測模型的具體步驟如下：

15、步驟s01：通過神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將訓練集數(shù)據(jù)和測試集數(shù)據(jù)分別劃分為輸入層、隱藏層和輸出層；

16、步驟s02：定義s(s1，s2，...，si，...，sn)為輸入數(shù)據(jù)，h(h1，h2，...，hi，...，hn)為隱藏數(shù)據(jù)，y(y1，y2，...，yi，...，yn)為輸出數(shù)據(jù)；

17、步驟s03：計算隱藏層激活函數(shù)，計算公式為：其中h(s)表示隱藏層激活函數(shù)，si表示輸入數(shù)據(jù)；

18、步驟s04：計算輸出層激活函數(shù)，計算公式為：其中y(s)表示輸出層激活函數(shù)，si表示輸入數(shù)據(jù)；

19、步驟s05：建立預(yù)測模型，計算公式為：其中pi表示輸入數(shù)據(jù)后的預(yù)測值，h(s)表示隱藏層激活函數(shù)，y(s)表示輸出層激活函數(shù)，ω1表示輸入層所占權(quán)重，ω2表示隱藏層所占權(quán)重，ω3表示輸出層所占權(quán)重；

20、步驟s06：在預(yù)測模型輸入數(shù)據(jù)拆分模塊中的訓練集數(shù)據(jù)，得到輸出的訓練集數(shù)據(jù)，當訓練準確率符合預(yù)設(shè)閾值時，則預(yù)測模型訓練完成，輸入測試集數(shù)據(jù)，得到輸出的測試集數(shù)據(jù)。

21、優(yōu)選的，所述損失函數(shù)評估模塊中通過損失函數(shù)評估模型計算得出預(yù)測模型損失系數(shù)的計算公式為：其中mt表示預(yù)測模型損失系數(shù)，mi表示輸入的測試集數(shù)據(jù)，δmi表示輸出的測試集數(shù)據(jù)。

22、優(yōu)選的，所述預(yù)測模型判斷模塊將接收的預(yù)測模型損失系數(shù)與預(yù)設(shè)的損失系數(shù)閾值進行對比，判斷預(yù)測模型是否符合預(yù)測要求，若預(yù)測模型損失系數(shù)mt小于或等于預(yù)設(shè)的損失系數(shù)閾值δmt，則判斷預(yù)測模型符合要求，將預(yù)測模型傳輸至數(shù)據(jù)輸入預(yù)測模塊，若預(yù)測模型損失系數(shù)mt大于預(yù)設(shè)的損失系數(shù)閾值δmt，則判斷預(yù)測模型不符合要求，返回預(yù)測模型建立模塊再次依據(jù)訓練集數(shù)據(jù)訓練模型。

23、優(yōu)選的，所述數(shù)據(jù)輸入預(yù)測模塊將預(yù)測效果最好的模型保存為最優(yōu)模型，在最優(yōu)模型中輸入已知時間段的數(shù)據(jù)調(diào)用量，預(yù)測得出未發(fā)生時間段的數(shù)據(jù)預(yù)測調(diào)用量。

24、優(yōu)選的，所述預(yù)警結(jié)果輸出模塊自動預(yù)設(shè)數(shù)據(jù)調(diào)用量閾值，當通過預(yù)測模型計算得出的數(shù)據(jù)預(yù)測調(diào)用量超出預(yù)設(shè)閾值時，系統(tǒng)自動進行預(yù)警顯示，并以釘釘消息的形式發(fā)送至業(yè)務(wù)端。

25、本發(fā)明的技術(shù)效果和優(yōu)點：

26、本發(fā)明通過數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)拆分模塊、預(yù)測模型建立模塊、損失函數(shù)評估模塊、預(yù)測模型判斷模塊、數(shù)據(jù)輸入預(yù)測模塊，以及預(yù)警結(jié)果輸出模塊，通過網(wǎng)絡(luò)數(shù)據(jù)采集器從平臺采集數(shù)據(jù)源歷史樣本數(shù)據(jù)，將原始數(shù)據(jù)整理成含有時間和調(diào)用量兩個特征的數(shù)據(jù)，對原始數(shù)據(jù)進行歸一化處理，將歸一化后的數(shù)據(jù)集按照一定比例劃分為訓練集和測試集，其中訓練集用于訓練模型，測試集用于評估模型，依據(jù)訓練集數(shù)據(jù)建立預(yù)測模型，輸入測試集數(shù)據(jù)得出測試結(jié)果，并通過損失函數(shù)評估模型計算得出預(yù)測模型損失系數(shù)，計算得出最優(yōu)模型，在最優(yōu)模型中輸入已知時間段的數(shù)據(jù)調(diào)用量，得出數(shù)據(jù)預(yù)測調(diào)用量，并對異常數(shù)據(jù)預(yù)警顯示，總之，一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)警系統(tǒng)通過對歷史數(shù)據(jù)的訓練學習，準確地預(yù)測未來的調(diào)用量變化，并及時發(fā)出預(yù)警，通過對預(yù)測模型的損失評估，減少了在預(yù)測過程中誤差大小對預(yù)測結(jié)果準確性的影響，能夠準確地識別出異常模式，提高預(yù)警的準確性和可靠性。