[發(fā)明專利]基于機器學習的營收預(yù)測方法、設(shè)備及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202111092736.2
• 申請日: 2021-09-17
• 公開（公告）號: CN113869944A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設(shè)計）人: 鄭詞林;王東;黃瑜;冉茂森;洪鑫磊;馮婷婷
• 申請（專利權(quán)）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(chǎn)權(quán)代理有限公司 11327
• 代理人: 張娓娓;袁文婷

本發(fā)明涉及一種人工智能技術(shù)領(lǐng)域，提供一種基于機器學習的營收預(yù)測方法、設(shè)備及可讀存儲介質(zhì)，其中方法包括：通過輸入層獲取時間序列數(shù)據(jù)；通過時間序列數(shù)據(jù)對候選的時間序列模型進行訓練和預(yù)測，選擇滿足預(yù)設(shè)需求的時間序列模型作為第一隱藏層；對第一隱藏層進行訓練，獲取第一隱藏層模型；根據(jù)每個月的營業(yè)收入數(shù)據(jù)偏差對第一隱藏層模型進行訓練，生成偏差預(yù)測模型；將第一隱藏模型與偏差預(yù)測模型相疊加，生成神經(jīng)網(wǎng)絡(luò)模型的第二隱藏層模型；通過迭代訓練確定最終隱藏層模型；通過最終隱藏層模型獲取營業(yè)收入預(yù)測數(shù)據(jù)。本發(fā)明主要目的在于解決目前建立單一的時間序列模型對營業(yè)收入的預(yù)測準確度不高的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于機器學習的營收預(yù)測方法、裝置、電子設(shè)備及計算機可讀存儲介質(zhì)。

背景技術(shù)

為了更好地支持上市公司決定未來一段時間內(nèi)的經(jīng)營策略，需要采用營業(yè)收入預(yù)測對營業(yè)數(shù)據(jù)進行預(yù)測。營業(yè)收入預(yù)測是數(shù)據(jù)分析過程中非常重要的一環(huán)，其中，營業(yè)收入預(yù)測是指以統(tǒng)計學和數(shù)據(jù)分析方法為理論依據(jù)，對未來可能產(chǎn)生的營業(yè)收入嘗試進行預(yù)測的行為。通過營業(yè)收入預(yù)測可以加強計劃性，減少盲目性，取得較好的經(jīng)濟效益。

目前營業(yè)收入預(yù)測的常規(guī)做法為主觀預(yù)測和智能預(yù)測兩種方式；其中，主觀預(yù)測方式為：通過對公司經(jīng)營活動的深入研究，結(jié)合市場因素如供求關(guān)系，分析人員給出主觀的預(yù)測結(jié)果；智能預(yù)測方式為：隨著人工智能的發(fā)展，利用機器學習算法模型進行營業(yè)收入預(yù)測，即通過研究歷史數(shù)據(jù)，建立時間序列模型，預(yù)測出營業(yè)收入在未來一段時間內(nèi)的發(fā)展趨勢。然而，目前建立單一的時間序列模型對營業(yè)收入的預(yù)測準確度不高。

為了解決通過建立單一的時間序列模型對營業(yè)收入的預(yù)測準確度不高的問題，本發(fā)明亟需提供一種新的機器學習的營業(yè)收入預(yù)測方法。

發(fā)明內(nèi)容

本發(fā)明提供一種基于機器學習的營收預(yù)測方法、裝置、電子設(shè)備及計算機可讀存儲介質(zhì)，其主要目的在于通過采用多個時間序列模型構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，通過構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型對營業(yè)收入進行預(yù)測，從而解決目前建立單一的時間序列模型對營業(yè)收入的預(yù)測準確度不高的問題。

為實現(xiàn)上述目的，本發(fā)明提供的一種基于機器學習的營收預(yù)測方法，應(yīng)用于電子設(shè)備，所述方法包括：

通過構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的輸入層對獲取的每個月的營業(yè)收入數(shù)據(jù)進行預(yù)處理，獲取時間序列數(shù)據(jù)；

通過所述時間序列數(shù)據(jù)對候選的時間序列模型進行訓練和預(yù)測，選擇滿足預(yù)設(shè)需求的時間序列模型作為神經(jīng)網(wǎng)絡(luò)模型的第一隱藏層；

通過所述時間序列數(shù)據(jù)對所述第一隱藏層進行訓練，獲取第一隱藏層模型；

根據(jù)每個月的營業(yè)收入數(shù)據(jù)偏差對所述第一隱藏層模型進行訓練，生成偏差預(yù)測模型；

將所述第一隱藏模型與所述偏差預(yù)測模型相疊加，生成神經(jīng)網(wǎng)絡(luò)模型的第二隱藏層模型；

通過所述時間序列數(shù)據(jù)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(yè)收入數(shù)據(jù)進行預(yù)測，獲取營業(yè)收入預(yù)測數(shù)據(jù)。

可選地，所述通過神經(jīng)網(wǎng)絡(luò)模型的輸入層對獲取的每個月的營業(yè)收入數(shù)據(jù)進行預(yù)處理，獲取時間序列數(shù)據(jù)，包括：

將數(shù)據(jù)庫中的營業(yè)收入數(shù)據(jù)以時間單位進行統(tǒng)計，獲取每個月的營業(yè)收入數(shù)據(jù)；

對每個月的營業(yè)收入數(shù)據(jù)進行異常值處理以及缺失值處理，獲取時間序列數(shù)據(jù)。

可選地，所述通過所述時間序列數(shù)據(jù)對候選的時間序列模型進行訓練和預(yù)測，選擇滿足預(yù)設(shè)需求的時間序列模型作為神經(jīng)網(wǎng)絡(luò)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；