[發明專利]基于機器學習的營收預測方法、設備及可讀存儲介質

在審

• 申請號: 202111092736.2
• 申請日: 2021-09-17
• 公開（公告）號: CN113869944A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 鄭詞林;王東;黃瑜;冉茂森;洪鑫磊;馮婷婷
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 張娓娓;袁文婷

1.一種基于機器學習的營收預測方法，應用于電子設備，其特征在于，所述方法包括：

通過構建的神經網絡模型的輸入層對獲取的每個月的營業收入數據進行預處理，獲取時間序列數據；

通過所述時間序列數據對候選的時間序列模型進行訓練和預測，選擇滿足預設需求的時間序列模型作為神經網絡模型的第一隱藏層；

通過所述時間序列數據對所述第一隱藏層進行訓練，獲取第一隱藏層模型；

根據每個月的營業收入數據偏差對所述第一隱藏層模型進行訓練，生成偏差預測模型；

將所述第一隱藏模型與所述偏差預測模型相疊加，生成神經網絡模型的第二隱藏層模型；

通過所述時間序列數據對所述第二隱藏層模型進行迭代訓練，將迭代后的第二隱藏層模型確定為最終隱藏層模型；

通過所述最終隱藏層模型對每個月的營業收入數據進行預測，獲取營業收入預測數據。

2.如權利要求1所述的基于機器學習的營收預測方法，其特征在于，所述通過神經網絡模型的輸入層對獲取的每個月的營業收入數據進行預處理，獲取時間序列數據，包括：

將數據庫中的營業收入數據以時間單位進行統計，獲取每個月的營業收入數據；

對每個月的營業收入數據進行異常值處理以及缺失值處理，獲取時間序列數據。

3.如權利要求1所述的基于機器學習的營收預測方法，其特征在于，所述通過所述時間序列數據對候選的時間序列模型進行訓練和預測，選擇滿足預設需求的時間序列模型作為神經網絡模型的第一隱藏層，包括：

將移動平均模型、差分整合移動平均自回歸模型、霍爾特-溫特模型作為候選的時間序列模型；

將所述時間序列數據拆分為訓練集和測試集；

通過所述訓練集對候選的時間序列模型進行訓練和預測，獲取每個候選的時間序列模型的預測值；

通過對所述每個候選的時間序列模型的預測值、所述測試集進行誤差分析，獲取每個候選的時間序列模型的預測值與真實值的之間的差值；

將差值最小的時間序列模型作為神經網絡模型的第一隱藏層。

4.如權利要求1所述的基于機器學習的營收預測方法，其特征在于，所述通過所述時間序列數據對所述第一隱藏層進行訓練，獲取第一隱藏層模型，包括：

將所述時間序列數據輸入到所述第一隱藏層，其中，所述時間序列數據為按照時間序列的營業收入數據；

根據所述時間序列數據的長期趨勢、季節變動以及隨機變動，分別對每個月的營業收入數據進行權重分配；

通過擬合方程對權重分配后的每個月的營業收入數據進行加權求和，獲取營業收入預測數據；

通過激活函數獲取所述營業收入預測數據與營業收入數據之間的總損失，以及重新分配每個月的營業收入數據的權重；

根據重新分配每個月的營業收入數據的權重，循環獲取總損失，直至總損失收斂，停止對所述第一隱藏層進行迭代訓練，并將迭代后的第一隱藏層確定為第一隱藏層模型。

5.如權利要求4所述的基于機器學習的營收預測方法，其特征在于，獲取所述時間序列數據的長期趨勢、季節變動以及隨機變動的公式為：

所述時間序列數據的長期趨勢的計算公式為：

其中，t_i為時間序列數據的長期趨勢；x_i表示第i個月的營業收入數據；

所述時間序列數據的季節變動的計算公式為：

其中，s_i表示時間序列數據的季節變動；x_i表示第n個月的營業收入數據；p、q分別表示常量；

所述時間序列數據的隨機變動的計算公式為：

其中，r_i表示時間序列數據的隨機變動；t_i為時間序列數據的長期趨勢；s_i表示時間序列數據的季節變動；x_i表示第n個月的營業收入數據。