[发明专利]基于遗传算法的产品推荐方法、装置、设备及存储介质

权利要求书

1.一种基于遗传算法的产品推荐方法，其特征在于，包括：

获取数据流信息，所述数据流信息中包括产品信息和客户信息，所述数据流信息是从企业大数据平台、外联数据平台、银行大数据平台中的一个或多个获取到的与各个产品相关联的数据信息；

将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果；

获取第一样本训练数据集，所述第一样本训练数据集中包括多个产品的历史投资数据，并将所述第一样本训练数据集输入预设的遗传算法模型进行训练，得到投资组合推荐模型；

将所述数据流信息和所述预测结果输入投资组合推荐模型，确定目标推荐产品，并将所述目标推荐产品发送给客户终端。

2.根据权利要求1所述的方法，其特征在于，所述将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还包括：

获取第二样本训练数据集，所述第二样本训练数据集包括多个历史现金流数据；

将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值；

当所述损失函数值不满足预设条件时，调整所述时间序列预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的时间序列预测模型进行迭代训练；

当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。

3.根据权利要求2所述的方法，其特征在于，所述获取第二样本训练数据集之后，还包括：

对所述第二样本训练数据集中的各个历史现金流数据进行预处理，并对预处理后的第二样本训练数据集进行平稳性检测；

若所述平稳性检测未通过，则对所述预处理后的第二样本训练数据集进行差分处理；

当执行多次所述差分处理后所述平稳性检测通过时，对所述差分处理后的第二样本训练数据集进行白噪声检验处理；

当所述白噪声检验未通过时，对所述差分处理后的第二样本训练数据集进行自相关计算和偏自相关计算，得到所述自相关计算的第一结果数据以及所述偏自相关计算的第二结果数据；

所述将所述第二样本训练数据集输入预训练的时间序列预测模型，得到损失函数值，包括：

将所述第二样本训练数据集、所述差分处理的次数、所述第一结果数据以及所述第二结果数据输入预训练的时间序列预测模型，得到所述损失函数值。

4.根据权利要求2所述的方法，其特征在于，所述将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还包括：

将所述第二样本训练数据集输入预训练的业务规则预测模型，得到损失函数值；

当所述损失函数值不满足预设条件时，调整所述业务规则预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的业务规则预测模型进行迭代训练；

当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。

5.根据权利要求4所述的方法，其特征在于，所述将所述数据流信息输入预训练的现金流预测模型，得到所述数据流信息中现金流数据的预测结果之前，还包括：

根据预设的融合规则对所述时间序列预测模型和所述业务规则预测模型进行融合处理，得到融合预测模型；

将所述第二样本训练数据集输入所述融合预测模型，得到损失函数值；

当所述损失函数值不满足预设条件时，调整所述融合预测模型的模型参数，并将所述第二样本训练数据集输入调整模型参数后的融合预测模型进行迭代训练；

当迭代训练得到的损失函数值满足预设条件时，确定得到所述现金流预测模型。