[发明专利]一种收入预测方法及装置

权利要求书

1.一种收入预测方法，其特征在于，包括：

接收企业对每个推广渠道的当前支出数据；

将所述当前支出数据输入至预先设置的神经网络结构中，输出对应于所述当前支出数据的预测总收入数据；

其中，通过如下步骤得到所述神经网络结构：

获取所述企业的历史数据集合；其中，所述历史数据集合包括每个所述推广渠道的支出数据和对应于所有推广渠道的总收入数据；

利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练。

2.根据权利要求1所述的方法，其特征在于，所述获取所述企业的历史数据集合之后和所述利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练之前，还包括：

对所述历史数据集合中的所述支出数据和所述总收入数据进行归一化，得到归一化后的支出数据和总收入数据。

3.根据权利要求1所述的方法，其特征在于，通过如下步骤判断所述神经网络结构的输出是否达到收敛：

确定所述神经网络结构的训练次数是否达到预设阈值，得到第一匹配结果；

根据所述第一匹配结果判断是否达到收敛。

4.根据权利要求1所述的方法，其特征在于，通过如下步骤判断所述神经网络结构的输出是否达到收敛：

确定所述神经网络结构的输出结果和所述总收入数据之间的输出误差是否小于预设误差，得到第二匹配结果；

根据所述第二匹配结果判断是否达到收敛。

5.根据权利要求4所述的方法，其特征在于，所述利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练，包括：

构建神经网络结构；

将初始训练参数和每个所述推广渠道的支出数据输入至构建的神经网络结构；

判断所述输出误差是否小于所述预设误差，若否，基于所述输出误差对所述初始训练参数进行调整；

循环将调整后的训练参数和每个所述推广渠道的支出数据输入至所述神经网络结构，判断所述输出误差是否小于所述预设误差，直至在判断出所述输出误差小于所述预设误差时，停止循环。

6.一种收入预测装置，其特征在于，包括：

接收模块，用于接收企业对每个推广渠道的当前支出数据；

预测模块，用于将所述当前支出数据输入至预先设置的神经网络结构中，输出对应于所述当前支出数据的预测总收入数据；

训练模块，用于获取所述企业的历史数据集合；其中，所述历史数据集合包括每个所述推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练。

7.根据权利要求6所述的装置，其特征在于，还包括：

归一化模块，用于对所述历史数据集合中的所述支出数据和所述总收入数据进行归一化，得到归一化后的支出数据和总收入数据。

8.根据权利要求6所述的装置，其特征在于，还包括：

第一判断模块，用于确定所述神经网络结构的训练次数是否达到预设阈值，得到第一匹配结果；根据所述第一匹配结果判断是否达到收敛。

9.根据权利要求6所述的装置，其特征在于，还包括：

第二判断模块，用于确定所述神经网络结构的输出结果和所述总收入数据之间的输出误差是否小于预设误差，得到第二匹配结果；根据所述第二匹配结果判断是否达到收敛。

10.根据权利要求9所述的装置，其特征在于，所述训练模块包括：

构建单元，用于构建神经网络结构；

输入单元，用于将初始训练参数和每个所述推广渠道的支出数据输入至构建的神经网络结构；

判断单元，用于判断所述输出误差是否小于所述预设误差，若否，基于所述输出误差对所述初始训练参数进行调整；

循环单元，用于循环将调整后的训练参数和每个所述推广渠道的支出数据输入至所述神经网络结构，判断所述输出误差是否小于所述预设误差，直至在判断出所述输出误差小于所述预设误差时，停止循环。