申请/专利权人：中国司法大数据研究院有限公司

申请日：2023-12-13

公开（公告）日：2024-06-04

公开（公告）号：CN117709530B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/26;G06F18/27;G06N3/045;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明公开了一种消除农历新年影响的案件量预测方法，其步骤包括：1获取同一案由下历年的月度案件量并对其进行标记；2对标记后的月度案件量进行处理，将同一年度1月、2月的案件量的平均值作为该年度1月、2月的案件量；3根据标记后的月度案件量计算出农历新年影响系数；4对月度案件量数据进行平稳性检验，若检验通过则进行步骤5；5通过SARIMA模型对经过平稳性检验的数据进行预测，得到未来月份的初步预测结果；6对构建模型得到的残差进行残差检验，若通过残差检验，则将所得初步预测结果作为初步优化预测结果；7若未来月份是农历新年所在月，则将初步优化预测结果与系数相乘得到该未来月份的最终预测结果。

主权项：1.一种消除农历新年影响的案件量预测方法，其步骤包括：1获取同一案由下历年的月度案件量并对其进行标记；对于农历新年所在月，标记后的月度案件量为xy,m′,l′，否则为xy,m,l；其中x为月度的案件量，y为年度，m、m′为月份，l为非农历新年所在月，l′为农历新年所在月；m′＝1或2，m≠m′，l≠l′；2对步骤1标记后的月度案件量进行处理，将同一年度1月、2月的案件量的平均值作为该年度1月、2月的案件量；3根据步骤1标记后的月度案件量计算出农历新年影响系数α；农历新年影响系数4对步骤2处理后的月度案件量数据进行平稳性检验，若检验通过则进行步骤5，否则对步骤2处理后的月度案件量数据进行多模型结合的线性变换直至平稳性检验通过为止；所述多模型结合的线性变换包括：用于消除极端值带来的不平稳影响的变换x＝lnx，使序列在一定区间内更加平稳的三角映射x＝cosx，或者x＝lnx+cosx；5基于平稳性检验后的数据构建SARIMA模型，通过所述SARIMA模型对经过平稳性检验的数据进行预测，得到未来月份的初步预测结果；其中构建SARIMA模型时，根据SARIMA模型各参数的取值范围，计算各参数在取不同参数值时的贝叶斯信息度量，将贝叶斯信息度量最小值对应的一种参数值作为SARIMA模型各参数对应的参数值，得到SARIMA模型；所述SARIMA模型为SARIMA＝p,d,q×D,P,Q,s；其中，p表示非季节自回归阶数，d表示差分阶数，q表示非季节移动平均的阶数，P表示季节自回归阶数，D表示季节差分阶数，Q表示季节移动平均的阶数，s表示季节长度也叫周期大小；6对构建SARIMA模型得到的残差进行残差检验，若通过残差检验，则将所得步骤5初步预测结果作为初步优化预测结果；若未通过残差检验，则对所述残差进行差分处理，之后将残差的差分序列与所述残差一并输入Bi-LSTM模型中对残差进行预测，得到残差预测结果，将残差项预测结果与初步预测结果进行加和得到初步优化预测结果；7若该未来月份不是农历新年所在月，则将步骤6得到的初步优化预测结果作为该未来月份的最终预测结果，否则将步骤6得到的初步优化预测结果与步骤3得到的农历新年影响系数相乘得到该未来月份的最终预测结果。

全文数据：

权利要求：

百度查询： 中国司法大数据研究院有限公司 一种消除农历新年影响的案件量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD