一种进行金融资产收益率预测的方法和装置

摘要

本申请实施例公开了一种进行金融资产收益率预测的方法和装置，预测设备可以获取金融资产第一时间段的第一历史数据、金融资产第二时间段的第一历史收益率、金融资产第三时间段的第二历史数据和金融资产第四时间段的人力预测收益率，第一时间段与第三时间段时长相等，将第一历史数据输入长短期记忆人工神经网络模型进行训练，得到训练后的模型，将第二历史数据输入训练后的模型得到金融资产第五时间段的第二预测收益率，预测设备从第五时间段的第二预测收益率中选择第四时间段对应的模型预测收益率，将模型预测收益率和人力预测收益率进行加权融合，得到最终预测收益率。由此可见，本申请基于长短期记忆人工神经网络模型和基于人力两个维度进行预测，提高了预测的准确度。

说明书

技术领域

本申请涉及金融领域，特别是涉及一种进行金融资产收益率预测的方法和装置。

背景技术

随着大数据和人工智能技术的发展和人们投资理念的转变，智能投顾已经逐渐展现出巨大的发展潜力，有望成为各大金融机构、互联网公司角逐的下一个战场。自动化金融资产配置是智能投顾应用系统最重要的一个步骤。传统均值方差优化方法(mean-varianceoptimization，MVO)是使用最广泛的自动化金融资产配置方法，但是这个方法存在一些较为明显的缺点。布莱克-利特尔曼Black-Litterman模型作为一种比较新的金融资产配置模型，解决了传统均值方差优化方法(MVO)的很多缺点，成为一个相对理想和主流的资产配置模型。

Black-Litterman模型预测的关键是输入针对未来金融资产收益率预测的数据，然而，目前预测未来金融资产收益率这个过程是研究者根据经验完成的，这需要研究者有丰富经验和专业知识，并且进行大量分析、计算。即使研究者水平较高，也很难全面分析规律，给出较为准确的判断。并且仅从研究者这一个维度来进行预测不够准确。

因此，如何设计出一种避免仅从研究者一个维度进行预测而导致存在预测不准确的问题的方法，是本领域亟待解决的技术问题。

申请内容

为了解决上述技术问题，本申请提供了一种进行金融资产收益率预测的方法和装置，基于长短期记忆人工神经网络模型和基于人力两个角度进行预测，提高了预测的准确度。

为实现上述目的，本申请有如下技术方案：

一方面，本申请实施例提供了一种进行金融资产收益率预测的方法，所述方法包括：

预测设备获取金融资产第一时间段的第一历史数据、所述金融资产第二时间段的第一历史收益率、所述金融资产第三时间段的第二历史数据和所述金融资产第四时间段的人力预测收益率；所述第一时间段与所述第三时间段时长相等；

所述预测设备将所述第一历史数据输入长短期记忆人工神经网络模型得到所述第二时间段对应的第一预测收益率；

所述预测设备根据所述第一预测收益率和所述第一历史收益率对所述长短期记忆人工神经网络模型进行训练，得到训练后的模型；

所述预测设备将所述第二历史数据输入所述训练后的模型得到所述金融资产第五时间段的第二预测收益率；所述第五时间段包含所述第四时间段；

所述预测设备从所述第五时间段的第二预测收益率中选择所述第四时间段对应的模型预测收益率；

所述预测设备将所述模型预测收益率和所述人力预测收益率进行加权融合，得到最终预测收益率。

可选的，所述方法还包括：

所述预测设备根据所述模型预测收益率计算得到所述模型预测收益率的平均绝对误差百分比；

所述预测设备根据所述平均绝对误差百分比计算得到模型信心水平；

所述预测设备获取个人观点信心水平，并将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平；所述最终信心水平用于评价所述最终预测收益率的准确性。

可选的，所述预测设备将所述模型预测收益率和所述人力预测收益率进行加权融合，得到最终预测收益率，利用以下公式确定：

所述最终预测收益率＝所述模型预测收益率*模型权重+所述人力预测收益率*人力权重。

可选的，所述将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平，利用以下公式确定：

所述最终信心水平＝所述模型信心水平*所述模型权重+所述个人观点信心水平*所述人力权重；

所述将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平，利用以下公式确定：

所述最终信心水平＝所述模型信心水平*所述模型权重+所述个人观点信心水平*所述人力权重；

所述模型权重用于体现模型预测的准确率；所述人力权重用于体现人力预测的准确率。

可选的，所述模型权重和所述人力权重为根据模型历史收益率、人力历史收益率和真实收益率得到的权重矩阵；所述权重矩阵中包括N行，其中任意一行对应于一个维度的收益率，该行包括这个维度的收益率的模型预测的准确率和人力预测的准确率。

可选的，所述方法还包括：

所述预测设备根据所述最终预测收益率形成收益率向量；

所述预测设备根据所述最终信心水平形成所述看法置信度矩阵；

所述预测设备将所述收益率向量和所述看法置信度矩阵输入布莱克-利特尔曼Black-Litterman模型得到目标结果。

另一方面，本申请实施例提供了一种进行金融资产收益率预测的装置，所述装置包括：

获取单元，用于获取金融资产第一时间段的第一历史数据、所述金融资产第二时间段的第一历史收益率、所述金融资产第三时间段的第二历史数据和所述金融资产第四时间段的人力预测收益率；所述第一时间段与所述第三时间段时长相等；

第一输入单元，用于将所述第一历史数据输入长短期记忆人工神经网络模型得到所述第二时间段对应的第一预测收益率；

训练单元，用于根据所述第一预测收益率和所述第一历史收益率对所述长短期记忆人工神经网络模型进行训练，得到训练后的模型；

第二输入单元，用于将所述第二历史数据输入所述训练后的模型得到所述金融资产第五时间段的第二预测收益率；所述第五时间段包含所述第四时间段；

选择单元，用于从所述第五时间段的第二预测收益率中选择所述第四时间段对应的模型预测收益率；

第一融合单元，用于将所述模型预测收益率和所述人力预测收益率进行加权融合，得到最终预测收益率。

可选的，所述装置还包括：

第一计算单元，用于根据所述模型预测收益率计算得到所述模型预测收益率的平均绝对误差百分比；

第二计算单元，用于根据所述平均绝对误差百分比计算得到模型信心水平；

第二融合单元，用于获取个人观点信心水平，并将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平。所述最终信心水平用于评价所述最终预测收益率的准确性。

可选的，所述最终预测收益率，利用以下公式确定：

所述最终预测收益率＝所述模型预测收益率*模型权重+所述人力预测收益率*人力权重；

所述将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平，利用以下公式确定：

所述最终信心水平＝所述模型信心水平*所述模型权重+所述个人观点信心水平*所述人力权重；

所述模型权重用于体现模型预测的准确率；所述人力权重用于体现人力预测的准确率。

可选的，所述模型权重和所述人力权重为根据模型历史收益率、人力历史收益率和真实收益率得到的权重矩阵；所述权重矩阵中包括N行，其中任意一行对应于一个维度的收益率，该行包括这个维度的收益率的模型预测的准确率和人力预测的准确率。

可选的，所述装置还包括：

第一形成单元，用于根据所述最终预测收益率形成收益率向量；

第二形成单元，用于根据所述最终信心水平形成所述看法置信度矩阵；

最终输入单元，用于将所述收益率向量和所述看法置信度矩阵输入布莱克-利特尔曼Black-Litterman模型得到目标结果。

由上述技术方案可以看出，本申请实施例提供了一种进行金融资产收益率预测的方法和装置，预测设备可以获取金融资产第一时间段的第一历史数据、金融资产第二时间段的第一历史收益率、金融资产第三时间段的第二历史数据和金融资产第四时间段的人力预测收益率，第一时间段与第三时间段时长相等，将第一历史数据输入长短期记忆人工神经网络模型进行训练，得到训练后的模型，将第二历史数据输入训练后的模型得到金融资产第五时间段的第二预测收益率，预测设备从第五时间段的第二预测收益率中选择第四时间段对应的模型预测收益率，将模型预测收益率和人力预测收益率进行加权融合，得到最终预测收益率。由此可见，本申请基于长短期记忆人工神经网络模型和基于人力两个维度进行预测，提高了预测的准确度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。

图1为本申请实施例提供的一种进行金融资产收益率预测的方法流程图；

图2为本申请实施例提供的为长短期记忆人工神经网络模型的循环细胞图；

图3为本申请实施例提供的一种循环神经网络的结构图；

图4为本申请实施例提供的长短期记忆人工神经网络的网络结构图；

图5为本申请实施例提供的模型观点生成和观点融合阶段的主要流程图；

图6为本申请实施例提供的为Black-Litterman模型的建模思路图；

图7为本申请实施例提供的一种进行金融资产收益率预测的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的申请人经过研究发现，随着大数据和人工智能技术的发展和人们投资理念的转变，智能投顾已经逐渐展现出巨大的发展潜力，有望成为各大金融机构、互联网公司角逐的下一个战场。自动化金融资产配置是智能投顾应用系统最重要的一个步骤。传统均值方差优化方法(mean-variance optimization，MVO)是使用最广泛的自动化金融资产配置方法，但是这个方法存在一些较为明显的缺点。布莱克-利特尔曼Black-Litterman模型作为一种比较新的金融资产配置模型，解决了传统均值方差优化方法(MVO)的很多缺点，成为一个相对理想和主流的资产配置模型。

Black-Litterman模型预测的关键是输入针对未来金融资产收益率预测的数据，然而，目前预测未来金融资产收益率这个过程是研究者根据经验完成的，这需要研究者有丰富经验和专业知识，并且进行大量分析、计算。即使研究者水平较高，也很难全面分析规律，给出较为准确的判断。并且仅从研究者这一个维度来进行预测不够准确。

因此，如何设计出一种避免仅从研究者一个维度进行预测而导致存在预测不准确的问题的方法，是本领域亟待解决的技术问题。

为了解决上述问题，在本申请实施例中，提供了一种进行金融资产收益率预测的方法和装置，基于长短期记忆人工神经网络模型和基于人力两个角度进行预测，提高了预测的准确度。

下面结合附图，详细说明本申请的各种非限制性实施方式。

参见图1，该图为本申请实施例提供的一种进行金融资产收益率预测的方法的流程图。如图1所示，可以包括：

S101，预测设备获取金融资产第一时间段的第一历史数据、所述金融资产第二时间段的第一历史收益率、所述金融资产第三时间段的第二历史数据和所述金融资产第四时间段的人力预测收益率；所述第一时间段与所述第三时间段时长相等。

在本申请实施例中，金融资产可以为大类资产，获取数据前，可以先定义一个大类资产的类别。本申请实施例将大类资产分为A股、债券、大宗商品、美元、银行理财、住宅类地产等7类。

原始数据可以是：

1.各个大类资产的历史行情数据，其中A股采用上证指数；债券采用中债总财富指数；大宗商品采用万德商品综合指数；外汇采用人民币汇率；银行理财采用在售理财产品收益均值；存款采用一年期定期利率；房地产采用中国指数研究院的百城房价指数，共7类数据。

2.对大类资产收益率有显著影响的宏观数据，本方案暂时只采用一些宏观经济的指标，有国内生产总值(GDP)，居民消费价格指数(CPI)，货币供应量，存贷款利率，存款准备金率，共6类数据。

3.重要研究机构对特定大类资产的分析数据，A股采用主要券商对股市波动范围预测的均值；债券采用中债总财富指数最新的到期收益率预测；大宗商品采用世界银行《全球经济展望》中对五大类商品预测收益率的均值；汇率采用主要海外投行分析师预测的均值；存款按一年期定期存款利率；理财产品按年化收益率的均值；房地产取过去一年的涨幅，共7类数据。

可以获取金融资产第一时间段的第一历史数据，在获取历史数据之前可以对原始数据进行处理，例如，当原始数据为2006年-2015年10年的7个大类资产历史行情、6个指标的宏观数据、7个大类资产的分析数据时。处理过程可以如下，以便将原始数据转换为长短期记忆人工神经网络模型对应的输入格式：

1.取2006年-2015年10年的7个大类资产历史行情、6个指标的宏观数据、7个大类资产的分析数据。

2.按月计算2006年-2015年10年各大类资产的年化收益率(S1-S7)，即绝对收益。

3.将这7类资产的收益率两两做差得到21个收益率差的数据(S8-S28)，即相对收益。

4.计算这10年每个月所对应的宏观数据(S29-S34)、分析数据(S35-S41)，得到41个长度为120的序列数据。

5.将S1-S41进行线性归一化，得到41个新的序列NS1-NS41。

6.将NS1-NS41按照时间切片，每相邻的12个数据为一片，一个切片的每个月份加1得到后一片。类似于宽度W为12的滑动窗口，最终每个序列都被切割为109个切片。每个序列的切片按照时间先后排列得到41个长度为109的二维列表L1-L20(109×12)。

7.将L1-L41合并为三维列表X(41×109×12)，去掉第2个维度的最后1块，得到TRAIN_X(41×108×12)。

8.将L1-L28的中每个行前移一个位置，得到NL1-NL28，由于经过前移，第1行被移除，所以NL1-NL28为108x 12维。

9.将NL1-NL28合并为三维列表TRAIN_Y(28×108×12)。

处理完原始数据的格式之后，可以从原始数据中获取金融资产第一时间段的第一历史数据，例如为2017年一整年的数据，这时金融资产第二时间段的第一历史收益率可以为2018年一整年的收益率，金融资产第三时间段的第二历史数据可以为2019年的一整年的数据，金融资产第四时间段的人力预测收益率可以为2020年一整年的人力预测收益率。

其中，为了保证长短期记忆人工神经网络模型输入一致，因此需要将第一时间段和第三时间段的时长相等。

S102，所述预测设备将所述第一历史数据输入长短期记忆人工神经网络模型得到所述第二时间段对应的第一预测收益率。

S103，所述预测设备根据所述第一预测收益率和所述第一历史收益率对所述长短期记忆人工神经网络模型进行训练，得到训练后的模型；

在本申请实施例中，为了训练长短期记忆人工神经网络模型，参考S101中的举例，当第一历史数据为2017年一整年的数据时，第一预测收益率可以为2018年一整年的预测收益率，相当于用金融资产2017年的数据来预测2018年的数据，此时为了使模型更准确，需要根据2018年一整年的真实收益率来对模型进行调整，使得调整后的模型能够输入2017一整年的数据时，输出的预测收益率等于2018年的一整年的真实收益率。

其中，长短期记忆人工神经网络模型(LSTM模型)，参见图2所示，为长短期记忆人工神经网络模型的循环细胞图，长短期记忆人工神经网络模型是为解决循环神经网络(RNN)中存在的梯度消失问题，对RNN隐藏层的神经元结构进行改造加强得到的一种神经网络，是一种门控RNN。LSTM引入自循环的巧妙构思，以产生梯度长时间持续流动的路径是初始LSTM模型的核心贡献。参见图3循环神经网络是一类用于处理序列数据的神经网络，是根据“人的认知是基于过往的经验和记忆”这一观点提出的。就像卷积网络是专门用于处理网格化数据X(如一个图像)的神经网络，循环神经网络是专门用于处理序列x(1)，...x(t-1)，x(t)的神经网络。循环神经网络不仅考虑前一时刻的输入，而且赋予了网络对前面的内容的一种‘记忆’功能。RNN之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

参见图4所示，为长短期记忆人工神经网络的网络结构图，首先定义网络结构，网络结构定义中主要是网络层数、输入维度、隐藏层维度、输出维度。

本申请实施例可以使用1层LSTM网络加一个线性输出层，当输入数据的不同对应输入的维度也不同，例如LSTM网络可以输入Xt(训练时为TRAIN_X)维度为41，隐藏层(Ht)维度为64，线性输出层输出Yt(训练时为TRAIN_Y)维度为28。各个门的权重(W)和偏置(B)的初始值使用随机数初始化。LSTM网络的计算过程如下：

f

i

o

h

最后，在LSTM模型计算得到最后一个h

在本申请实施例中，训练完成后，即得到了目标神经网络，神经网络的输出数据是神经网络计算的28个收益率，其中包含金融资产的绝对收益，以及相对收益。

即训练后的模型可以用于预测固定时间段的相应金融资产的收益率。

S104，所述预测设备将所述第二历史数据输入所述训练后的模型得到所述金融资产第五时间段的第二预测收益率；所述第五时间段包含所述第四时间段；

S105,所述预测设备从所述第五时间段的第二预测收益率中选择所述第四时间段对应的模型预测收益率。

在本申请实施例中，当要对金融资产的未来收益率要进行预测时，例如要得到2020年一整年的模型预测收益率，此时可以输入2019年的历史数据，即第二历史数据。

模型可以自动计算得到2020年一整年的模型预测收益率，即第五时间段的第二预测收益率。若此时用户只想得到其中具体的某个月(即第四时间段)的模型预测收益率，则可以将某个月的模型预测收益率从整年的预测收益率中选择出来。

S106，所述预测设备将所述模型预测收益率和所述人力预测收益率进行加权融合，得到最终预测收益率

在本申请实施例中，参见图5所示，为本申请实施例提供的模型观点生成和观点融合阶段的主要流程图。

最终预测收益率＝模型预测收益率*模型权重+人力预测收益率*人力权重。人力预测收益率由本领域技术人员根据经验自行进行预测，本申请实施例中在此不作具体限定。模型权重和人力权重为根据模型历史收益率、人力历史收益率和真实收益率得到的权重矩阵，权重矩阵中包括N行，其中任意一行对应于一个维度的收益率，该行包括这个维度的收益率的模型预测的准确率和人力预测的准确率。

例如，矩阵W可以为：

W矩阵的行数可以根据总维度确定，本领域技术人员可以根据实际情况进行调整，本申请在此不作具体限定。

当模型预测更准确，则将模型权重设为大于0.5小于1的数，当个人预测更准确，则模型权重设为大于0小于0.5的数。其中，模型权重＝1-人力权重。

此外，本申请实施例还可以根据预测收益率计算得到模型预测收益率的平均绝对误差百分比，根据平均绝对误差百分比计算得到模型信心水平，其中，模型信心水平＝1-MAPE-20％。

本申请实施例还可以获取个人观点信心水平，将模型信心水平和个人观点信心水平进行加权融合得到最终信心水平，最终信心水平用于评价最终预测收益率的准确性。即最终信心水平＝模型信心水平*模型权重+个人观点信心水平*人力权重。

此外，为了输入布莱克-利特尔曼Black-Litterman模型得到目标结果，此时，预测设备需要根据最终预测收益率形成收益率向量，预测设备根据最终信心水平形成所述看法置信度矩阵。

例如有三个看法：1.A资产的绝对收益为10％，信心水平为50％。(绝对观点)2.B资产比C资产收益率高5％，信心水平为56％。(相对观点)3.D、E资产比F、G、H资产收益率高2％，信心水平为90％。(相对观点)假设资产数量为10，A至H为前八类资产。

则此时看法矩阵可以为：

可以看出，一个观点对应一行，一类资产对应一列。绝对观点对应的行，相关资产位置为1，相对观点对应的行，收益率高的相关资产位置为正数，绝对值为收益率高的资产数的倒数，收益率低的相关资产位置为负数，绝对值为收益率低的资产数的倒数。

则收益率向量为[10％5％2％]，看法置信度矩阵，表示投资者观点与实际情况的差别，实践中设置方法较多，可以根据信心水平进行设置。本申请实施例在此不作具体限定。

参考图6所示，为Black-Litterman模型的建模思路图，将收益率向量、看法置信度矩阵和先验收益的均衡分布输入Black-Litterman模型，从而可以得到金融资产的配置策略。

本申请实施例提供了一种进行金融资产收益率预测的方法，预测设备可以获取金融资产第一时间段的第一历史数据、金融资产第二时间段的第一历史收益率、金融资产第三时间段的第二历史数据和金融资产第四时间段的人力预测收益率，第一时间段与第三时间段时长相等，将第一历史数据输入长短期记忆人工神经网络模型进行训练，得到训练后的模型，将第二历史数据输入训练后的模型得到金融资产第五时间段的第二预测收益率，预测设备从第五时间段的第二预测收益率中选择第四时间段对应的模型预测收益率，将模型预测收益率和人力预测收益率进行加权融合，得到最终预测收益率。由此可见，本申请基于LSTM模型和基于人力两个维度进行预测，提高了预测的准确度。

参见图7，本申请实施例提供了一种进行金融资产收益率预测的装置的示意图，所述装置包括：

获取单元201，用于获取金融资产第一时间段的第一历史数据、所述金融资产第二时间段的第一历史收益率、所述金融资产第三时间段的第二历史数据和所述金融资产第四时间段的人力预测收益率；所述第一时间段与所述第三时间段时长相等；

第一输入单元202，用于将所述第一历史数据输入长短期记忆人工神经网络模型得到所述第二时间段对应的第一预测收益率；

训练单元203，用于根据所述第一预测收益率和所述第一历史收益率对所述长短期记忆人工神经网络模型进行训练，得到训练后的模型；

第二输入单元204，用于将所述第二历史数据输入所述训练后的模型得到所述金融资产第五时间段的第二预测收益率；所述第五时间段包含所述第四时间段；

选择单元205，用于从所述第五时间段的第二预测收益率中选择所述第四时间段对应的模型预测收益率；

第一融合单元206，用于将所述模型预测收益率和所述人力预测收益率进行加权融合，得到最终预测收益率。

可选的，所述装置还包括：

第一计算单元，用于根据所述模型预测收益率计算得到所述模型预测收益率的平均绝对误差百分比；

第二计算单元，用于根据所述平均绝对误差百分比计算得到模型信心水平；

第二融合单元，用于获取个人观点信心水平，并将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平；所述最终信心水平用于评价所述最终预测收益率的准确性。

可选的，所述最终预测收益率，利用以下公式确定：

所述最终预测收益率＝所述模型预测收益率*模型权重+所述人力预测收益率*人力权重；

所述将所述模型信心水平和所述个人观点信心水平进行加权融合得到最终信心水平，利用以下公式确定：

所述最终信心水平＝所述模型信心水平*所述模型权重+所述个人观点信心水平*所述人力权重；

所述模型权重用于体现模型预测的准确率；所述人力权重用于体现人力预测的准确率。

可选的，所述模型权重和所述人力权重为根据模型历史收益率、人力历史收益率和真实收益率得到的权重矩阵；所述权重矩阵中包括N行，其中任意一行对应于一个维度的收益率，该行包括这个维度的收益率的模型预测的准确率和人力预测的准确率。

可选的，所述装置还包括：

第一形成单元，用于根据所述最终预测收益率形成收益率向量；

第二形成单元，用于根据所述最终信心水平形成所述看法置信度矩阵；

最终输入单元，用于将所述收益率向量和所述看法置信度矩阵输入布莱克-利特尔曼Black-Litterman模型得到目标结果。

本申请实施例提供了一种进行金融资产收益率预测的装置，预测设备可以获取金融资产第一时间段的第一历史数据、金融资产第二时间段的第一历史收益率、金融资产第三时间段的第二历史数据和金融资产第四时间段的人力预测收益率，第一时间段与第三时间段时长相等，将第一历史数据输入长短期记忆人工神经网络模型进行训练，得到训练后的模型，将第二历史数据输入训练后的模型得到金融资产第五时间段的第二预测收益率，预测设备从第五时间段的第二预测收益率中选择第四时间段对应的模型预测收益率，将模型预测收益率和人力预测收益率进行加权融合，得到最终预测收益率。由此可见，本申请基于长短期记忆人工神经网络模型和基于人力两个维度进行预测，提高了预测的准确度。

其中，本申请装置各单元或模块的设置可以参照图1所示的方法而实现，在此不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。