预测方法及装置、电子设备及存储介质

技术领域

本公开涉及信息技术领域，尤其涉及一种预测方法及装置、电子设备及存储介质。

背景技术

随着社会经济的不断发展，企业与银行、金融机构及第三方支付平台等机构进行各种类型的业务操作，为了满足业务操作需求，需要保证账户内的资金充足。

而现有的资金流动性预测方案，大多比较简单，例如是根据经验来进行推断估算；但而根据经验来进行估算相对粗略，无法准确预估未来流动资金的真实情况。

发明内容

本公开实施例公开了一种预测方法及装置、电子设备及存储介质。

根据本公开实施例的第一方面，提供一种预测方法，其特征在于，所述方法包括：

基于渠道规则及至少一个业务的业务信息，确定第一资金流；其中，所述业务信息，至少包括：业务标识、和与所述业务标识对应的资金信息；所述第一资金流至少包括：至少一个渠道标识、和与所述渠道标识对应的第一结算时间及第一结算资金；

基于商户规则及至少一个所述业务的所述业务信息，确定第二资金流；其中，所述第二资金流，至少包括：至少一个商户标识、和所述商户标识对应的第一提现时间及第一提现资金；

基于所述第一资金流和所述第二资金流，确定预测资金流；其中，所述预测资金流至少包括：至少一个所述渠道标识、与所述渠道标识对应的逾期结算资金和/或逾期结算时间。

在一些实施例中，所述预测资金流，还包括：至少一个所述商户标识、与所述商户标识对应的延期提现资金和/或延期提现时间。

在一些实施例中，所述业务包括：待测业务和历史业务；所述基于渠道规则及至少一个业务的业务信息，确定第一资金流，包括：

基于所述渠道规则对至少一个所述待测业务的所述业务信息进行聚合，确定第一备选资金流；

将所述待测业务的所述业务信息输入至训练后的第一预测模型，得到渠道逾期资金流；其中，所述渠道逾期资金流，至少包括：至少一个所述渠道标识、与所述渠道标识对应的预测逾期结算资金和/或预测逾期结算时间；

基于所述第一备选资金流及所述渠道逾期资金流，确定所述第一资金流。

在一些实施例中，所述第一预测模型的训练方法，包括：

获取多个历史时间周期的第一样本特征；其中，所述第一样本特征至少包括：至少一个渠道样本标识、和与所述渠道样本标识对应的第一样本资金、第一样本结算时间及第一样本逾期时间；

将所述第一样本特征输入至所述第一预测模型进行神经网络训练，以得到训练后的第一预测模型。

在一些实施例中，所述渠道规则用于指示每隔预定时间进行一次结算；所述基于所述渠道规则对至少一个所述待测业务的所述业务信息进行聚合，确定第一备选资金流，包括：

若所述待测业务的第二结算时间属于上一个预定时间段内，确定所述待测业务的所述第二结算时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

若所述待测业务的所述第二结算时间属于下一个预定时间段内，确定所述待测业务的所述第二结算时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

在一些实施例中，所述业务包括：待测业务和历史业务；所述基于商户规则及至少一个所述业务的所述业务信息，确定第二资金流，包括：

基于所述商户规则对至少一个所述待测业务的所述业务信息进行聚合，确定第二备选资金流；

将待测业务的所述业务信息输入至训练后的第二预测模型，得到商户延期提现资金流；其中，所述商户延期提现资金流，至少包括：至少一个所述商户标识、与所述商户标识对应的预测延期提现资金和/或预测延期提现时间；

基于所述第二备选资金流及所述商户延期提现资金流，确定所述第二资金流。

在一些实施例中，所述第二预测模型的训练方法，包括：

获取多个历史时间周期的第二样本特征；其中，所述第二样本特征至少包括：至少一个商户样本标识、和与所述商户样本标识对应的第二样本资金、第二样本提现时间及第二样本延期时间；

将所述第二样本特征输入至所述第二预测模型进行神经网络训练，以得到训练后的第二预测模型。

在一些实施例中，所述商户规则用于指示每隔预定时间进行一次提现；所述基于所述商户规则对至少一个所述待测业务的所述业务信息进行聚合，确定第二备选资金流，包括

若所述待测业务的第二提现时间属于上一个预定时间段内，确定所述待测业务的所述第二提现时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

若所述待测业务的所述第二提现时间属于下一个预定时间段内，确定所述待测业务的所述第二提现时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

在一些实施例中，所述方法，包括：

若确定当前时间超过所述渠道标识对应的逾期结算时间，输出第一提示信息；其中，所述第一提示信息用于提醒结算所述渠道标识对应的所述逾期结算资金；

和/或，

若确定所述当前时间超过所述商户标识对应的延期提现时间，输出第二提示信息；其中，所述第二提示信息用于提醒提现所述商户标识对应的所述延期提现资金。

根据本公开实施例的第二方面，提供一种预测装置，所述装置包括：

第一处理模块，用于基于渠道规则及至少一个业务的业务信息，确定第一资金流；其中，所述业务信息，至少包括：业务标识、和与所述业务标识对应的资金信息；所述第一资金流至少包括：至少一个渠道标识、和与所述渠道标识对应的第一结算时间及第一结算资金；

第二处理模块，用于基于商户规则及至少一个所述业务的所述业务信息，确定第二资金流；其中，所述第二资金流，至少包括：至少一个商户标识、和所述商户标识对应的第一提现时间及第一提现资金；

确定模块，用于基于所述第一资金流和所述第二资金流，确定预测资金流；其中，所述预测资金流至少包括：至少一个所述渠道标识、与所述渠道标识的逾期结算资金和/或逾期结算时间。

在一些实施例中，所述预测资金流，还包括：至少一个所述商户标识、与所述商户标识对应的延期提现资金和/或延期提现时间。

在一些实施例中，所述业务包括：待测业务和历史业务；所述第一处理模块，包括：

第一聚合单元，用于基于所述渠道规则对至少一个所述待测业务的所述业务信息进行聚合，确定第一备选资金流；

第一预测单元，用于将所述待测业务的所述业务信息输入至训练后的第一预测模型，得到渠道逾期资金流；其中，所述渠道逾期资金流，至少包括：至少一个所述渠道标识、与所述渠道标识对应的预测逾期结算资金和/或预测逾期结算时间；

第一处理单元，用于基于所述第一备选资金流及所述渠道逾期资金流，确定所述第一资金流。

在一些实施例中，所述第一处理模块，用于获取多个历史时间周期的第一样本特征；其中，所述第一样本特征至少包括：至少一个渠道样本标识、和与所述渠道样本标识对应的第一样本资金、第一样本结算时间及第一样本逾期时间；将所述第一样本特征输入至所述第一预测模型进行神经网络训练，以得到训练后的第一预测模型。

在一些实施例中，所述渠道规则用于指示每隔预定时间进行一次结算；

所述第一聚合单元，具体用于若所述待测业务的第二结算时间属于上一个预定时间段内，确定所述待测业务的所述第二结算时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

所述第一聚合单元，具体用于若所述待测业务的所述第二结算时间属于下一个预定时间段内，确定所述待测业务的所述第二结算时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

在一些实施例中，所述业务包括：待测业务和历史业务；所述第二处理模块，包括：

第二聚合单元，用于基于所述商户规则对至少一个所述待测业务的所述业务信息进行聚合，确定第二备选资金流；

第二预测单元，用于将待测业务的所述业务信息输入至训练后的第二预测模型，得到商户延期提现资金流；其中，所述商户延期提现资金流，至少包括：至少一个所述商户标识、与所述商户标识对应的预测延期提现资金和/或预测延期提现时间；

第二处理单元，用于基于所述第二备选资金流及所述商户延期提现资金流，确定所述第二资金流。

在一些实施例中，所述第二处理模块，用于获取多个历史时间周期的第二样本特征；其中，所述第二样本特征至少包括：至少一个商户样本标识、和与所述商户样本标识对应的第二样本资金、第二样本提现时间及第二样本延期时间；将所述第二样本特征输入至所述第二预测模型进行神经网络训练，以得到训练后的第二预测模型。

在一些实施例中，所述商户规则用于指示每隔预定时间进行一次提现；

所述第二聚合单元，具体用于若所述待测业务的第二提现时间属于上一个预定时间段内，确定所述待测业务的所述第二提现时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

所述第二聚合单元，具体用于若所述待测业务的所述第二提现时间属于下一个预定时间段内，确定所述待测业务的所述第二提现时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

在一些实施例中，所述装置，包括：

提示模块，用于若确定当前时间超过所述渠道标识对应的逾期结算时间，输出第一提示信息；其中，所述第一提示信息用于提醒结算所述渠道标识对应的所述逾期结算资金；

和/或，

所述提示模块，用于若确定所述当前时间超过所述商户标识对应的延期提现时间，输出第二提示信息；其中，所述第二提示信息用于提醒提现所述商户标识对应的所述延期提现资金。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：用于运行所述可执行指令时，实现本公开任意实施例所述的预测方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述可读存储介质存储有可执行程序，其中，所述可执行程序被处理器执行时实现本公开任意实施例所述的预测方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

在本公开实施例中，基于渠道规则及至少一个业务的业务信息，确定第一资金流；其中，所述业务信息，至少包括：业务标识、和与所述业务标识对应的资金信息；所述第一资金流至少包括：至少一个渠道标识、和与所述渠道标识对应的第一结算时间及第一结算资金；基于商户规则及至少一个所述业务的所述业务信息，确定第二资金流；其中，所述第二资金流，至少包括：至少一个商户标识、和所述商户标识对应的第一提现时间及第一提现资金；基于所述第一资金流和所述第二资金流，确定预测资金流；其中，所述预测资金流至少包括：至少一个所述渠道标识、与所述渠道标识的逾期结算资金和/或逾期结算时间。

如此，本公开实施例中通过第一资金流及第二资金流确定预测资金流，该第一资金流基于渠道规则及业务信息确定，该第二资金流基于商户规则及业务信息确定。由于上述预测方法，相对于仅考虑通过经验对资金进行预测来说，可以从渠道规则和/或商户规则等的维度对资金进行预测，考虑了渠道规则和/或商户规则等对资金流动产生的影响，从而可以准确的反映渠道资金的变化过程，提高预测结果的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种预测方法的流程示意图；

图2是根据一示例性实施例示出的一种预测方法的流程示意图；

图3是根据一示例性实施例示出的一种预测方法的示意图；

图4是根据一示例性实施例示出的一种神经网络的结构示意图；

图5是根据一示例性实施例示出的一种预测方法的流程示意图；

图6是根据一示例性实施例示出的一种预测方法的示意图；

图7是根据一示例性实施例示出的一种神经网络的结构示意图；

图8是根据一示例性实施例示出的一种预测方法的示意图；

图9是根据一示例性实施例示出的一种预测方法的流程示意图；

图10是根据一示例性实施例示出的一种预测装置的结构示意图；

图11是根据一示例性实施例示出的一种电子设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置的例子。

在本公开实施例中，图1是根据一示例性示出的一种预测方法的流程示意图，如图1所示，所述预测方法包括：

步骤S110：基于渠道规则及至少一个业务的业务信息，确定第一资金流；其中，所述业务信息，至少包括：业务标识、和与所述业务标识对应的资金信息；所述第一资金流至少包括：至少一个渠道标识、和与所述渠道标识对应的第一结算时间及第一结算资金；

步骤S120：基于商户规则及至少一个所述业务的所述业务信息，确定第二资金流；其中，所述第二资金流，至少包括：至少一个商户标识、和所述商户标识对应的第一提现时间及第一提现资金；

步骤S130：基于所述第一资金流和所述第二资金流，确定预测资金流；其中，所述预测资金流至少包括：至少一个所述渠道标识、与所述渠道标识对应的逾期结算资金和/或逾期结算时间。

在本公开实施例中所述的方法应用于电子设备；电子设备可以是任意移动终端或者固定终端，例如可以是但不限于是移动通信设备、计算机、服务器、无人机、机器人或者可穿戴式设备等。

在一些实施例中，业务信息用于指示业务。可选地，业务可以为任意一种业务；例如外汇交割、商户结算、商户汇款、商户支付或者其他各种与资金相关的交易。

在一些实施例中，业务信息，至少包括：业务标识、和与业务标识对应的资金信息。可选地，业务信息还包括：与业务标识对应的交易时间。

在一个实施例中，资金信息包括资金数额；或者，资金信息包括资金数额和货币种类信息。

在一个实施例中，业务标识可包括标识该业务的任意的索引或者编号。例如，业务标识可以是用于标识业务名称的字符串等。

在一些实施例中，渠道可以是但不限于是以下至少之一：国家渠道、银行渠道及第三方支付平台渠道。可选地的，第三方支付平台可以是第三方网页链接、第三方应用程序或者公众号或者小程序等。

在一些实施例中，渠道规则用于指示以下至少之一：交易双方约定的结算时间、结算方式、结算货币种类及结算金额。可选地，结算方式可包括以下至少之一：通过银行卡结算的方式、通过网页链接结算的方式、通过应用程序结算的方式及通过现金结算的方式。

在一个实施例中，渠道的业务信息，至少包括以下至少之一：渠道标识、渠道标识对应的业务及业务对应的业务标识、业务标识对应的结算资金、业务标识对应的结算时间以及渠道规则对应的结算时间。其中，一个渠道标识对应一个或多个业务，每个业务有其唯一确定的业务标识。

在一些实施例中，步骤S110，包括：基于渠道规则对至少一个业务的业务信息在至少一个渠道上进行聚合，获得第一资金流。

示例性的，终端基于渠道规则对一个业务在多个渠道进行聚合，获得该业务的第一资金流。例如，终端确定业务A1在渠道A上的第一结算资金为1000人民币(RMB)、第一交易时间为2020年06月10日、预测第一结算时间为2020年06月12日，业务A1在渠道B第一结算资金为500RMB、第一交易时间为2020年06月05日、预测第一结算时间为2020年06月12日；终端基于上述业务信息进行聚合，确定业务A1的第一资金流为：在预测的第一结算时间2020年06月12日产生第一结算资金1500RMB。

示例性的，终端基于渠道规则对多个业务在一个渠道进行聚合，获得该渠道的第一资金流。例如，终端确定渠道G上业务1对应的第一结算资金1000美元(USD)、第一交易时间2023年04月01日、预测第一结算时间为2023年04月15日；终端确定渠道G上业务2对应的第一结算资金2200USD、第一交易时间2023年04月08日、预测第一结算时间为2023年04月15日；终端确定渠道G上业务3对应的第一结算资金600USD、第一交易时间2023年04月08日、预测第一结算时间为2023年04月10日；终端基于上述业务信息进行聚合，确定渠道G对应的第一资金流为：在预测的第一结算时间2023年04月10日产生第一结算资金600USD，在预测的第一结算时间2023年04月15日第一结算资金合计3200USD。

在一些实施例中，商户可以是但不限于是以下至少之一：集体账户或个体账户。可选地，集体账户可以是公司或企业账户、学校账户、部门账户和/或社团账户等；个体账户可以是个人账户等。

在一些实施例中，商户规则用于指示以下至少之一：交易双方约定的提现时间、提现方式、提现货币种类及提现金额。可选地，提现方式可包括以下至少之一：通过银行卡提现、通过网页链接提现、通过应用程序提现及通过现金提现。

在一个实施例中，商户的业务信息，至少包括以下至少之一：商户标识、商户标识对应的业务及业务对应的业务标识、业务标识对应的交易资金、业务标识对应的交易时间、业务标识对应的提现时间以及商户规则对应的提现时间。其中，一个商户标识对应一个或多个业务，每个业务都有其唯一确定的业务标识。

在一些实施例中，步骤S120，包括：基于商户规则对至少一个业务的业务信息在至少一个商户上进行聚合，获得第二资金流。

示例性的，终端基于商户规则对一个业务在多个商户进行聚合，获得该业务的第二资金流。例如，终端确定业务A2在商户甲上的交易资金为6000RMB、第二交易时间为2021年05月18日、预测第一提现时间2021年05月22日、预测第一提现资金为4000RMB；终端确定业务A2在商户乙上的交易资金为4000RMB、第二交易时间为2021年05月20日、预测第一提现时间2021年05月22日、预测第一提现资金为2000RMB；终端基于上述业务信息进行聚合，确定业务A2对应的第二资金流为：在预测的第一提现时间2021年05月22日预测总计提现资金6000RMB，剩余资金总计4000RMB(还未提现)。

示例性的，终端基于商户规则对多个业务在一个商户进行聚合，获得该商户的第二资金流。例如，终端确定商户D的业务1对应的交易资金为100000RMB、第二交易时间2021年10月11日、预测第一提现时间为2021年11月11日、预测第一提现资金为90000RMB；商户D的业务2对应的交易资金为1000000RMB、第二交易时间2021年10月21日、预测第一提现时间为2021年11月18日、预测第一提现资金为400000RMB；商户D的业务3对应的交易资金为450000RMB、第二交易时间2021年10月11日、预测第一提现时间为2021年11月18日、预测第一提现资金为400000RMB；终端基于上述业务信息进行聚合，可以确定商户D对应的第二资金流为：在2021年11月11日会提现90000RMB，余额为1460000RMB(100000+450000+1000000-90000)；在2021年11月18日会提现800000RMB(400000+450000)，余额为660000RMB(1460000-800000)。

在本公开实施例中涉及的至少一个可以是一个或多个；多个是两个或两个以上。

可以理解的是，逾期结算资金用于指示超出预定期限进行结算的资金数额；逾期结算时间用于指示超出预定期限进行结算的超期时间。

在一些实施例中，步骤S130，包括：对第一资金流和第二资金流进行统计处理和/或建立模型，以获得预测资金流。

在一些实施例中，所述对第一资金流和第二资金流进行统计处理，包括：

对第一资金流及第二资金流中的业务信息进行拼接，并基于第一结算时间及第一提现时间，对第一结算资金及第一提现资金进行求和处理。

示例性地，终端基于相同的第一结算时间，对所述第一结算时间对应的至少一个渠道的至少一个业务的第一结算资金进行求和处理。

示例性地，终端基于相同的第一提现时间，对所述第一提现时间对应的至少一个商户的至少一个业务的第一提现资金进行求和处理。

示例性地，终端基于相同的第一结算时间和第一提现时间，对所述第一结算时间对应的至少一个渠道的至少一个业务的第一结算资金，及与所述第一结算时间相同的所述第一提现时间对应的至少一个商户的至少一个业务的第一提现资金进行求和处理。

示例性地，如表1所示，该表1中描述了根据渠道A的第一资金流与商户A的第二资金流进行统计处理，获得的完整预测资金流。

表1

表1可以看出，根据渠道A的第一资金流可以预测在1月1日两天后(1月3日)，渠道A会增加资金3000USD，且换汇交割会在1月1日两天后增加资金1000USD；因此，在1月3日资金会增加4000USD；且，由于原本资金余额为1000USD，原本资金余额与资金变化金额的和为5000USD，即1月3日资金余额为5000USD。根据商户侧的第二资金流可以预测在1月1日三天后(1月4日)由于商户提现等行为导致资金减少6000USD，而AI调整会增加资金1000USD；因此，在1月4日资金会减少5000USD，资金余额减少为0。其中，调拨用于指示从其他渠道调至渠道A的资金。

可以理解的是，上述表1中的每一个元素都是独立存在的，这些元素被示例性的列在同一张表格中，但是并不代表表格中所有元素必须根据表格所示的同时存在。其中每一个元素的值，是不依赖表1中任何其它元素值。因此本领域技术人员可以理解，该表1的每一个元素的取值都是一个独立的实施例

如此，通过第一资金流及第二资金流确定预测资金流，该第一资金流基于渠道规则及业务信息确定，该第二资金流基于商户规则及业务信息确定。由于上述预测方法，相对于仅考虑通过经验对资金进行预测来说，可以从渠道规则和/或商户规则等的维度对资金进行预测，考虑了渠道规则和/或商户规则等对资金流动产生的影响，从而准确的反映渠道资金的变化过程，提高预测结果的准确性。

在一些实施例中，步骤S130中所述预测资金流，还包括：至少一个所述商户标识、与所述商户标识对应的延期提现资金和/或延期提现时间。

这里，延期提现资金用于指示商户超出预定期限进行提现的资金数额；延期结算时间用于指示商户超出预定期限进行提现的延期时间。

如此，预测资金流通过第一资金流及第二资金流确定，该第一资金流基于渠道规则及业务信息确定，该第二资金流基于商户规则及业务信息确定。由于上述预测方法，相对于仅考虑通过经验对资金进行预测来说，可以从渠道规则和/或商户规则等的维度对资金进行预测，考虑了渠道规则和/或商户规则等对资金流动产生的影响，从而准确的反映商户资金的变化过程，提高预测结果的准确性。

在一些实施例中，如图2所示，所述业务包括：待测业务和历史业务；步骤S110，包括：

步骤S1101：基于所述渠道规则对至少一个所述待测业务的所述业务信息进行聚合，确定第一备选资金流；

步骤S1102：将所述待测业务的所述业务信息输入至训练后的第一预测模型，得到渠道逾期资金流；其中，所述渠道逾期资金流，至少包括：至少一个所述渠道标识、与所述渠道标识对应的预测逾期结算资金和/或预测逾期结算时间；

步骤S1103：基于所述第一备选资金流及所述渠道逾期资金流，确定所述第一资金流。

在一个实施例中，所述渠道规则用于指示每隔预定时间进行一次结算；步骤S1101，包括：

若所述待测业务的第二结算时间属于上一个预定时间段内，确定所述待测业务的所述第二结算时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

若所述待测业务的所述第二结算时间属于下一个预定时间段内，确定所述待测业务的所述第二结算时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

可选地，预定时间段可以是任意长度的时间间隔。示例性地，预定时间段可以是以小时、天、周、月、季度等作为单位。例如，预定时间段可以是三天、两周或者一个季度。

这里，第二结算时间用于指示待测业务的预计资金结算时间。

这里，上一个预定时间为上一个预定时间段内根据渠道规则约定的结算时间；下一个预定时间为下一个预定时间段内根据渠道规则约定的结算时间。

示例性地，终端确定渠道A的渠道规则用于指示每隔一个月进行一次结算，也就是说，预定时间为一个月，渠道A包括待测业务1，渠道A对应的待测业务1的交易时间为2020.01.15。终端确定上一个预定时间段可以为2020.01.01至2020.01.30，下一个预定时间段可以为2020.02.01至2020.02.29。由于上一个预定时间为2020.01.10，即上一次结算时间为2020.01.10，而待测业务1的交易时间已经晚于上一个预定时间，且待测业务1的第二结算时间晚于交易时间。因此终端可以确定待测业务1的第二结算时间属于下一个预定时间段内，确定待测业务1的第二结算时间为下一个预定时间段对应的下一个预定时间2020.02.10，即下一次结算时间。

在一个实施例中，渠道规则用于指示在第一预设时间进行一次结算。

可选地，第一预设时间可以是任意时间点。示例性地，第一预设时间可以是以小时、天、周、月、季度等作为单位。例如，第一预设时间可以是每日上午十点，也可以是每周周一，或者可以是每月最后一天。

示例性地，终端确定渠道B的渠道规则用于指示在每周周二进行一次结算，预定时间段可以为以周一为起点的一周时间；终端确定渠道B包括待测业务1、待测业务2及待测业务3。待测业务1交易时间为2023.01.10，为星期二；由于待测业务1的第二结算时间应在交易时间之后，故终端确定待测业务1的第二结算时间属于下一个预定时间段内，即下一周时间内，确定待测业务的第二结算时间为下一个预定时间段内对应的下一个预定时间，即下一周周二。终端确定待测业务2交易时间为2023.01.09，为星期一；由于待测业务2的交易时间早于上一个预定时间段内的上一个预定时间(本周周二)，则终端可以确定待测业务2的第二结算时间属于上一个预定时间段内，确定待测业务的第二结算时间为上一个预定时间段对应的上一个预定时间。终端确定待测业务3还未进行交易，其约定交易时间为2023.01.15，为星期五；由于待测业务3的第二结算时间应在待测业务3约定交易时间之后，故终端确定待测业务3的第二结算时间属于下一个预定时间段内，即下一周时间内，确定待测业务的第二结算时间为下一个预定时间段内对应的下一个预定时间，即下一周周二。

示例性地，如图3所示，待测业务分为渠道甲的待测业务和渠道乙的待测业务；渠道甲包括待测业务a和待测业务b，渠道乙包括待测业务x和待测业务z。终端基于渠道规则对渠道甲的待测业务的业务信息进行聚合，确定渠道甲的第一备选资金流为：待测业务a对应的业务标识a、业务标识对应的第二结算时间为2023年04月28日及第二结算资金1000USD；待测业务b对应的业务标识b、业务标识对应的第二结算时间为2023年04月28日及第二结算资金800USD。终端基于渠道规则对渠道乙的待测业务的业务信息进行聚合，确定渠道乙的第一备选资金流为：待测业务x对应的业务标识x、业务标识对应的第二结算时间为2023年04月27日及第二结算资金800USD；待测业务z对应的业务标识z、业务标识对应的第二结算时间为2023年04月27日及第二结算资金600USD；终端将待测业务a至z的业务信息输入至训练后的第一预测模型以得到渠道逾期资金流，渠道逾期资金流为：渠道标识乙、与渠道标识对应的业务z、与业务对应的业务标识z、与业务标识对应的预测逾期结算资金600USD及预测逾期结算时间4天，且由于第二结算时间2023年04月27日加上预测逾期结算时间为2023年05月01日，处于国家法定节假日，因此预测逾期结算时间应为7天；基于第一备选资金流及渠道逾期资金流，确定第一资金流为：渠道标识乙、与渠道标识对应的第一结算时间2023年05月04日(第二结算时间加上预测逾期结算时间)及第一结算资金600USD。

在一些实施例中，所述第一预测模型的训练方法，包括：

获取多个历史时间周期的第一样本特征；其中，所述第一样本特征至少包括：至少一个渠道样本标识、和与所述渠道样本标识对应的第一样本资金、第一样本结算时间及第一样本逾期时间；

将所述第一样本特征输入至所述第一预测模型进行神经网络训练，以得到训练后的第一预测模型。

这里，历史时间周期可以是任意一段历史时间。历史时间周期可以根据用户经验确定，也可以根据当前场景需求确定，还可以根据预定的算法或模型确定。

在一个实施例中，获取多个历史时间周期的第一样本特征，包括：

从本地和/或云端服务器抽取多个历史时间周期的渠道历史业务的业务信息的第一源数据，将获取的所述第一源数据封装成第一特征向量；

基于所述第一特征向量进行聚合，确定所述第一样本特征。

在一个实施例中，渠道样本标识可以是但不限于是以下至少之一：渠道样本名称、渠道样本编号、渠道样本标签及渠道样本路径。

在一个实施例中，第一样本特征，还包括：国家节假日、业务淡旺季及渠道样本标识对应的渠道活动时间。

示例性地，由于国家节假日非工作日，若第二结算时间属于国家节假日，终端确定需要将第二结算时间往后推迟至国家节假日后的第一个工作日。

示例性地，如图4所示，第一样本特征为X1、X2、X3、…、Xn；其中，X1用于表示渠道样本标识，X2用于表示与渠道样本标识对应的第一样本资金，X3用于表示第一样本结算时间；将每个渠道多个历史周期的X1、X2、X3、…、Xn输入神经网络的输入层，再对第一样本特征X1、X2、X3、…、Xn进行归一化处理，并与第一样本特征对应的特征权值W1、W2、W3、…、Wn一起经过隐藏层(Hidden layer)的激活函数(sigmod)等计算，输出转换后的第一样本特征M1、M2、M3、…、Mn，结合更新后的特征权值W1，、W2，、W3，、…、Wn，经输出层输出确定的渠道预测逾期结算时间。

如此，本公开实施例中将第一样本特征输入至神经网络和/或深度学习算法模型进行训练，最终基于训练后的第一预测模型对待测业务进行预测，以得到第一预测结果，即预测逾期结算资金和/或预测逾期结算时间。一方面，采用神经网络和/或深度学习算法模型对第一源数据对应的渠道历史业务进行预测，不需要知道具体的历史时间周期，即使第一样本特征发生变化，模型也会自动学习好新的第一样本特征，从而对第一预测结果的数据值进行调整，确保预测的准确性和便捷性。一方面，后续可以直接根据预测逾期结算资金和/或预测逾期结算时间判断与其对应的渠道业务是否会逾期，以便及时调整资金储备并督促与其对应的渠道及时结算。

在一个实施例中，步骤S1103，包括：

基于所述渠道逾期资金流中所述渠道标识对应的预测逾期结算资金和/或预测逾期结算时间，及所述渠道标识对应的所述第一备选资金流中所述待测业务对应的第二结算时间，确定所述渠道标识对应的所述渠道的目标预测逾期结算资金和/或目标预测逾期结算时间。

示例性地，终端确定渠道标识A对应的渠道逾期资金流中待测业务1的预测逾期结算资金为200000，预测逾期结算时间为3天，渠道标识A对应的第一备选资金流中待测业务1对应的第二结算时间为2020.02.10；则终端可以确定渠道标识A对应的待测业务1的目标预测逾期结算资金为200000，目标预测逾期结算时间为2020.02.13。

在一些实施例中，如图5所示，所述业务包括：待测业务和历史业务；所述步骤S120，包括：

步骤S1201：基于所述商户规则对至少一个所述待测业务的所述业务信息进行聚合，确定第二备选资金流；

步骤S1202：将待测业务的所述业务信息输入至训练后的第二预测模型，得到商户延期提现资金流；其中，所述商户延期提现资金流，至少包括：至少一个所述商户标识、与所述商户标识对应的预测延期提现资金和/或预测延期提现时间；

步骤S1203：基于所述第二备选资金流及所述商户延期提现资金流，确定所述第二资金流。

在一些实施例中，所述商户规则用于指示每隔预定时间进行一次提现；所述步骤S1201，包括

若所述待测业务的第二提现时间属于上一个预定时间段内，确定所述待测业务的所述第二提现时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

若所述待测业务的所述第二提现时间属于下一个预定时间段内，确定所述待测业务的所述第二提现时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

可选地，预定时间段可以是任意长度的时间间隔。示例性地，预定时间段可以是以小时、天、周、月、季度等作为单位。例如，预定时间段可以是一天、三周或者一个月。

这里，第二提现时间用于指示待测业务的预计资金提现时间。

这里，上一个预定时间为上一个预定时间段内根据商户规则约定的提现时间；下一个预定时间为下一个预定时间段内根据商户规则约定的提现时间。

示例性地，如表2所示，终端确定商户A的商户规则用于指示每隔一周进行一次提现，也就是说，预定时间为一周。终端确定商户A包括待测业务a至待测业务g；其中，商户A对应的待测业务a的交易时间为2023.01.10，为星期二；商户A对应的待测业务b的交易时间为2023.01.10，为星期二。终端确定上一个预定时间段可以为2023.01.09至2023.01.15，下一个预定时间段可以为2023.01.16至2023.01.16。由于上一个预定时间为2023.01.09，即上一次提现时间为周一，而待测业务a的交易时间已经晚于上一个预定时间，且待测业务a的第二提现时间应晚于待测业务a的交易时间。因此终端可以确定待测业务a的第二提现时间属于下一个预定时间段内，确定待测业务a的第二提现时间为下一个预定时间段对应的下一个预定时间2023.01.16，即下一次提现时间下周一。待测业务b至待测业务g同理。

表2

可以理解的是，上述表2中的每一个元素都是独立存在的，这些元素被示例性的列在同一张表格中，但是并不代表表格中所有元素必须根据表格所示的同时存在。其中每一个元素的值，是不依赖表2中任何其它元素值。因此本领域技术人员可以理解，该表2的每一个元素的取值都是一个独立的实施例

在一个实施例中，商户规则用于指示在第二预设时间进行一次结算。

可选地，第二预设时间可以是任意时间点。示例性地，第二预设时间可以是以小时、天、周、月、季度等作为单位。第二预设时间可以是每日下午一点半，也可以是每周周五，或者可以是每月第十五天。

示例性地，终端确定商户B的商户规则用于指示在每月的第一天进行一次提现，预定时间段可以为以每月第一天为起点的一个月时间；商户B包括待测业务a。终端确定待测业务a交易时间为2023.08.17，则终端确定上一个预定时间段可以是2023.08.01至2023.08.31，下一个预定时间段可以是2023.09.01至2023.09.30。由于待测业务a的交易时间已晚于待测业务a的上一个预定时间，且待测业务a的第二提现时间应在待测业务a的交易时间之后；则终端可以确定待测业务a的第二提现时间属于下一个预定时间段内，确定待测业务a的第二提现时间为下一个预定时间段对应的下一个预定时间2023.09.01，即下一次提现时间。

示例性地，如图6所示，待测业务分为商户A的待测业务和商户B的待测业务；商户A包括待测业务1和待测业务2，商户B包括待测业务1和待测业务3。终端基于商户规则对商户A的待测业务的业务信息进行聚合，确定商户A的第二备选资金流为：待测业务1对应的业务标识1、业务标识对应的第二提现时间为2023年03月01日及第二提现资金100USD；待测业务2对应的业务标识2、业务标识对应的第二提现时间为2023年03月02日及第二提现资金800USD。终端基于商户规则对商户B的待测业务的业务信息进行聚合，确定商户B的第二备选资金流为：待测业务1对应的业务标识1、业务标识对应的第二提现时间为2023年03月02日及第二提现资金800USD；待测业务3对应的业务标识3、业务标识对应的第二提现时间为2023年03月03日及第二提现资金1600USD；终端将待测业务1至3的业务信息输入至训练后的第二预测模型以得到商户延期提现资金流：第二提现时间为2023年03月03日的业务3的预测延期提现资金为400USD、预测延期提现时间为15天；终端基于第二备选资金流及商户延期提现资金流，确定第二资金流为：第一提现时间为2023年03月03日及第一提现资金1200USD(第二提现资金减去预测延期提现资金)。

在一些实施例中，所述第二预测模型的训练方法，包括：

获取多个历史时间周期的第二样本特征；其中，所述第二样本特征至少包括：至少一个商户样本标识、和与所述商户样本标识对应的第二样本资金、第二样本提现时间及第二样本延期时间；

将所述第二样本特征输入至所述第二预测模型进行神经网络训练，以得到训练后的第二预测模型。

这里，历史时间周期可以是任意一段历史时间。历史时间周期可以根据用户经验确定，也可以根据当前场景需求确定，还可以根据预定的算法或模型确定。

在一个实施例中，获取多个历史时间周期的第二样本特征，包括：

从本地和/或云端服务器抽取多个历史时间周期的商户历史业务的业务信息的第二源数据，将获取的所述第二源数据封装成第二特征向量；

基于所述第二特征向量进行聚合，确定所述第二样本特征。

在一个实施例中，商户样本标识可以是但不限于是以下至少之一：商户样本名称、商户样本编号、商户样本标签及商户样本路径。

在一个实施例中，第二样本特征，还包括：国家节假日、业务淡旺季及商户样本标识对应的商户活动时间。

示例性地，如图7所示，第二样本特征为Y1、Y2、Y3、…、Yn；其中，Y1用于表示商户样本标识，Y2用于表示与商户样本标识对应的第二样本资金，Y3用于表示第二样本提现时间；将每个商户多个历史周期的Y1、Y2、Y3、…、Yn输入神经网络的输入层，再对第二样本特征Y1、Y2、Y3、…、Yn进行归一化处理，并与第二样本特征对应的特征权值W1、W2、W3、…、Wn一起经过隐藏层(Hidden layer)的激活函数(sigmod)等计算，输出转换后的第二样本特征M1、M2、M3、…、Mn，结合更新后的特征权值W1

如此，本公开实施例中将第二样本特征输入至神经网络和/或深度学习算法模型进行训练，最终基于训练后的第二预测模型对待测业务进行预测，以得到第二预测结果，即预测延期提现资金和/或预测延期提现时间。一方面采用神经网络和/或深度学习算法模型对第二源数据对应的商户历史业务进行预测，不需要知道具体的历史时间周期，即使第二样本特征发生变化，模型也会自动学习好新的第二样本特征，从而对第二预测结果的数据值进行调整，确保预测的准确性和便捷性。一方面，后续可以直接根据预测延期提现资金和/或预测延期提现时间判断与其对应的商户业务是否会延期提现，以便及时调整资金储备并提现与其对应的商户进行提现。

在一些实施例中，若确定当前时间超过所述渠道标识对应的逾期结算时间，输出第一提示信息；其中，所述第一提示信息用于提醒结算所述渠道标识对应的所述逾期结算资金；

和/或，

若确定所述当前时间超过所述商户标识对应的延期提现时间，输出第二提示信息；其中，所述第二提示信息用于提醒提现所述商户标识对应的所述延期提现资金。

在一些实施例中，所述方法还包括：

若确定当前时间超过所述渠道标识对应的逾期结算时间，基于第三样本特征输入至神经网络和/或深度学习算法模型进行训练，以得到更新后的第一预测模型；其中，所述第三样本特征为更新第一样本特征得到的；

和/或，

若确定所述当前时间超过所述商户标识对应的延期提现时间，基于第四样本特征输入至神经网络和/或深度学习算法模型进行训练，以得到更新后的第二预测模型；其中，所述第四样本特征为更新第二样本特征得到的。

在一些实施例中，所述更新第一样本特征以得到第三样本特征，包括以下至少之一：

基于所述第一样本特征增加新的历史周期的第一样本特征以得到第三样本特征；

基于所述第一样本特征删减异常第一样本特征以得到第三样本特征；其中，所述异常第一样本特征指示当前时间超过渠道标识对应的逾期结算时间的所述第一样本特征；

以及基于重新获取的多个历史周期的第一样本特征替换所述第一样本特征以得到第三样本特征。

在一些实施例中，所述更新第二样本特征以得到第四样本特征，包括以下至少之一：

基于所述第二样本特征增加新的历史周期的第二样本特征以得到第四样本特征；

基于所述第二样本特征删减异常第二样本特征以得到第四样本特征；其中，所述异常第二样本特征指示当前时间超过商户标识对应的延期提现时间的所述第二样本特征；

以及基于重新获取的多个历史周期的第二样本特征替换所述第二样本特征以得到第四样本特征。

如此，若确定当前时间超过渠道标识对应的逾期结算时间，可以输出第一提示信息提醒渠道标识对应的渠道及时结算渠道标识对应的预期结算资金，从而保证资金储备充足以应对商户业务中的提现资金行为。若确定当前时间超过商户标识对应的延期提现时间，输出第二提示信息提现商户标识对应的商户及时进行提现，减少商户因遗忘提现时间而错过提现导致的异常提现情况，提升用户的使用感及体验感。

以下结合上述任意实施例提供具体示例：

具体示例1：如图8所示，渠道包括第一级渠道及第二级渠道，其中，第一级渠道为国家渠道，如国家A、国家B；第二级渠道为国家对应的支付渠道，如国家A对应的渠道A和渠道B，国家B对应的渠道C及渠道D。商户包括商户A、商户B、商户C以及商户D。国家A对应渠道A及商户A，国家B对应渠道B及商户B，国家C对应渠道C及商户C，以及国家D对应渠道D及商户D。终端基于上述渠道的业务及商户的业务对应的业务信息，例如业务A1结算100USD、业务A2结算100USD、业务B1结算100USD、业务B2结算100USD、业务C1结算200USD、业务C2结算200USD、业务D1结算100USD及业务D2结算100USD，可得到渠道资金流为：渠道标识A，和与渠道标识A对应的第一交易时间2023年01月01日及第一交易资金200USD；渠道标识B、和与渠道标识B对应的第一交易时间2023年01月01日及第一交易资金300USD；渠道标识C、和与渠道标识C对应的第一交易时间2023年01月01日及第一交易资金400USD；渠道标识D、和与渠道标识D对应的第一交易时间2023年01月01日及第一交易资金200USD；以及得到商户资金流：商户标识A、和与商户标识A对应的第二交易时间2023年01月01日及第二交易资金200USD；商户标识B、和与商户标识B对应的第二交易时间2023年01月01日及第二交易资金200USD；商户标识C、和与商户标识C对应的第二交易时间2023年01月01日及第二交易资金400USD；商户标识D、和与商户标识D对应的第二交易时间2023年01月01日及第二交易资金200USD。基于渠道资金流及商户资金流的业务信息结合渠道规则及商户规则，并建立算法模型，确定预测资金流为：账户ABC预测在目标时间2023年01月05日增加资金500USD，账户BCD预测在目标时间2023年01月06日增加资金550USD，账户CDF预测在目标时间2023年01月07日减少资金1050USD。其中，账户用于指示接收渠道汇入资金并向商户提供提现资金的中间方，例如，账户可以是A企业、B平台等。

具体示例2：在一应用场景中，如图9所示，一种预测方法包括：

步骤S910A：终端将第一样本特征输入至第一预测模型进行神经网络训练，以得到训练后的第一预测模型；

在一个可选实施例中，如图5所示，X1、X2、X3、…、Xn为多个历史周期的第一样本特征；其中，第一样本特征包括：多个渠道样本标识、和与渠道样本标识对应的第一样本资金、第一样本结算时间、第一样本逾期时间、法定节假日及根据渠道规则确定的第一样本结算时间。

步骤S920A：终端将待测业务的业务信息输入至训练后的第一预测模型，得到渠道逾期资金流。

步骤S930A：终端基于渠道规则对至少一个待测业务的所述业务信息进行聚合，确定第一备选资金流。

步骤S940A：终端基于第一备选资金流及渠道逾期资金流，确定第一资金流；

在一个可选实施例中，第一备选资金流至少包括：待测业务对应的业务标识及与业务标识对应的第二结算时间；渠道逾期资金流至少包括：渠道标识、与渠道标识对应的待测业务的业务标识、与业务标识对应的预测逾期结算资金和预测逾期结算时间；终端基于与待测业务标识对应的第二结算时间、预测逾期结算资金及预测逾期结算时间，确定第一资金流。

步骤S910B：终端将第二样本特征输入至第二预测模型进行神经网络训练，以得到训练后的第二预测模型；

在一个可选实施例中，如图8所示，Y1、Y2、Y3、…、Yn为多个历史周期的第二样本特征；其中，第二样本特征包括：多个商户样本标识、和与商户样本标识对应的第二样本资金、第二样本提现时间、第二样本延期时间、申请提现频率、法定节假日及根据商户规则确定的第二样本提现时间。

步骤S920B：终端将待测业务的所述业务信息输入至训练后的第二预测模型，得到商户延期提现资金流。

步骤S930B：终端基于商户规则对至少一个待测业务的业务信息进行聚合，确定第二备选资金流。

步骤S940B：终端基于第二备选资金流及商户延期提现资金流，确定第二资金流；

在一个可选实施例中，第二备选资金流至少包括：待测业务对应的业务标识及与业务标识对应的第二提现时间；商户逾期资金流至少包括：商户标识、与商户标识对应的待测业务的业务标识、与业务标识对应的预测延期提现资金和预测延期提现时间；终端基于与待测业务标识对应的第二提现时间、预测延期提现资金及预测延期提现时间，确定第二资金流。

步骤S950：终端基于第一资金流和第二资金流，确定预测资金流。

在一个可选实施例中，终端对所述第一资金流和第二资金流进行统计处理和/或建立模型，以获得预测资金流；其中，预测资金流包括：至少一个渠道标识、与渠道标识对应的逾期结算资金和/或逾期结算时间、至少一个商户标识、与商户标识对应的延期提现资金和/或延期提现时间。

如此，本公开实施例中通过第一资金流及第二资金流确定预测资金流，该第一资金流基于渠道规则及业务信息确定，该第二资金流基于商户规则及业务信息确定。由于上述预测方法，相对于仅考虑通过经验对资金进行预测来说，可以从渠道规则和/或商户规则等的维度对资金进行预测，考虑了渠道规则和/或商户规则等对资金流动产生的影响，从而准确的反映渠道和/或商户资金的变化过程，提高预测结果的准确性。

如图10所示，本公开实施例提供一种预测装置，所述装置，包括：

第一处理模块801，用于基于渠道规则及至少一个业务的业务信息，确定第一资金流；其中，所述业务信息，至少包括：业务标识、和与所述业务标识对应的资金信息；所述第一资金流至少包括：至少一个渠道标识、和与所述渠道标识对应的第一结算时间及第一结算资金；

第二处理模块802，用于基于商户规则及至少一个所述业务的所述业务信息，确定第二资金流；其中，所述第二资金流，至少包括：至少一个商户标识、和所述商户标识对应的第一提现时间及第一提现资金；

确定模块803，用于基于所述第一资金流和所述第二资金流，确定预测资金流；其中，所述预测资金流至少包括：至少一个所述渠道标识、与所述渠道标识的逾期结算资金和/或逾期结算时间。

在一些实施例中，所述预测资金流，还包括：至少一个所述商户标识、与所述商户标识对应的延期提现资金和/或延期提现时间。

在一些实施例中，所述业务包括：待测业务和历史业务；所述第一处理模块801，包括：

第一聚合单元，用于基于所述渠道规则对至少一个所述待测业务的所述业务信息进行聚合，确定第一备选资金流；

第一预测单元，用于将所述待测业务的所述业务信息输入至训练后的第一预测模型，得到渠道逾期资金流；其中，所述渠道逾期资金流，至少包括：至少一个所述渠道标识、与所述渠道标识对应的预测逾期结算资金和/或预测逾期结算时间；

第一处理单元，用于基于所述第一备选资金流及所述渠道逾期资金流，确定所述第一资金流。

在一些实施例中，所述第一处理模块801，用于获取多个历史时间周期的第一样本特征；其中，所述第一样本特征至少包括：至少一个渠道样本标识、和与所述渠道样本标识对应的第一样本资金、第一样本结算时间及第一样本逾期时间；将所述第一样本特征输入至所述第一预测模型进行神经网络训练，以得到训练后的第一预测模型。

在一些实施例中，所述渠道规则用于指示每隔预定时间进行一次结算；

所述第一聚合单元，具体用于若所述待测业务的第二结算时间属于上一个预定时间段内，确定所述待测业务的所述第二结算时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

所述第一聚合单元，具体用于若所述待测业务的所述第二结算时间属于下一个预定时间段内，确定所述待测业务的所述第二结算时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第一备选资金流，所述第一备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

在一些实施例中，所述业务包括：待测业务和历史业务；所述第二处理模块802，包括：

第二聚合单元，用于基于所述商户规则对至少一个所述待测业务的所述业务信息进行聚合，确定第二备选资金流；

第二预测单元，用于将待测业务的所述业务信息输入至训练后的第二预测模型，得到商户延期提现资金流；其中，所述商户延期提现资金流，至少包括：至少一个所述商户标识、与所述商户标识对应的预测延期提现资金和/或预测延期提现时间；

第二处理单元，用于基于所述第二备选资金流及所述商户延期提现资金流，确定所述第二资金流。

在一些实施例中，所述第二处理模块802，用于获取多个历史时间周期的第二样本特征；其中，所述第二样本特征至少包括：至少一个商户样本标识、和与所述商户样本标识对应的第二样本资金、第二样本提现时间及第二样本延期时间；将所述第二样本特征输入至所述第二预测模型进行神经网络训练，以得到训练后的第二预测模型。

在一些实施例中，所述商户规则用于指示每隔预定时间进行一次提现；

所述第二聚合单元，具体用于若所述待测业务的第二提现时间属于上一个预定时间段内，确定所述待测业务的所述第二提现时间为上一个预定时间段对应的上一个预定时间；基于所述上一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述上一个预定时间；

或者，

所述第二聚合单元，具体用于若所述待测业务的所述第二提现时间属于下一个预定时间段内，确定所述待测业务的所述第二提现时间为下一个预定时间段对应的下一个预定时间；基于所述下一个预定时间，确定所述第二备选资金流，所述第二备选资金流至少包括：所述待测业务对应的所述业务标识及与所述业务标识对应的所述下一个预定时间。

在一些实施例中，所述装置，包括：

提示模块，用于若确定当前时间超过所述渠道标识对应的逾期结算时间，输出第一提示信息；其中，所述第一提示信息用于提醒结算所述渠道标识对应的所述逾期结算资金；

和/或，

所述提示模块，用于若确定所述当前时间超过所述商户标识对应的延期提现时间，输出第二提示信息；其中，所述第二提示信息用于提醒提现所述商户标识对应的所述延期提现资金。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开实施例提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：用于运行所述可执行指令时，实现本公开任意实施例所述的预测方法。

该存储器可为各种类型的存储器，可为随机存储器、只读存储器、闪存等。所述存储器可用于信息存储，例如，存储计算机可执行指令等。所述计算机可执行指令可为各种程序指令，例如，目标程序指令和/或源程序指令等。

该处理器可为各种类型的处理器，例如，中央处理器、微处理器、数字信号处理器、可编程阵列、数字信号处理器、专用集成电路或图像处理器等。所述处理器可以通过总线与所述存储器连接。所述总线可为集成电路总线等。

如图11所示，本公开一实施例示出一种电子设备的结构。参照图11，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法前述预测方法。

电子设备900还可以包括一个电源组件926被配置为执行终端900的电源管理，一个有线或无线网络接口950被配置为将终端900连接到网络，和一个输入输出(I/O)接口958。终端900可以操作基于存储在存储器932的操作系统，例如Windows Server TM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。

本公开实施例提供一种计算机可读存储介质，所述可读存储介质存储有可执行程序，其中，所述可执行程序被处理器执行时实现本公开任意实施例所述的预测方法。

本公开实施例提供的计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、FlashMemory、磁表面存储器、光盘、或CD-ROM等各种可以存储程序代码的存储介质。

在本公开所提供的上述实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本公开实施例方案的目的。

另外，在本公开各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分辨单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

另外，本公开实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由上面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。