[发明专利]基于机器学习的营收预测方法、设备及可读存储介质

权利要求书

1.一种基于机器学习的营收预测方法，应用于电子设备，其特征在于，所述方法包括：

通过构建的神经网络模型的输入层对获取的每个月的营业收入数据进行预处理，获取时间序列数据；

通过所述时间序列数据对候选的时间序列模型进行训练和预测，选择满足预设需求的时间序列模型作为神经网络模型的第一隐藏层；

通过所述时间序列数据对所述第一隐藏层进行训练，获取第一隐藏层模型；

根据每个月的营业收入数据偏差对所述第一隐藏层模型进行训练，生成偏差预测模型；

将所述第一隐藏模型与所述偏差预测模型相叠加，生成神经网络模型的第二隐藏层模型；

通过所述时间序列数据对所述第二隐藏层模型进行迭代训练，将迭代后的第二隐藏层模型确定为最终隐藏层模型；

通过所述最终隐藏层模型对每个月的营业收入数据进行预测，获取营业收入预测数据。

2.如权利要求1所述的基于机器学习的营收预测方法，其特征在于，所述通过神经网络模型的输入层对获取的每个月的营业收入数据进行预处理，获取时间序列数据，包括：

将数据库中的营业收入数据以时间单位进行统计，获取每个月的营业收入数据；

对每个月的营业收入数据进行异常值处理以及缺失值处理，获取时间序列数据。

3.如权利要求1所述的基于机器学习的营收预测方法，其特征在于，所述通过所述时间序列数据对候选的时间序列模型进行训练和预测，选择满足预设需求的时间序列模型作为神经网络模型的第一隐藏层，包括：

将移动平均模型、差分整合移动平均自回归模型、霍尔特-温特模型作为候选的时间序列模型；

将所述时间序列数据拆分为训练集和测试集；

通过所述训练集对候选的时间序列模型进行训练和预测，获取每个候选的时间序列模型的预测值；

通过对所述每个候选的时间序列模型的预测值、所述测试集进行误差分析，获取每个候选的时间序列模型的预测值与真实值的之间的差值；

将差值最小的时间序列模型作为神经网络模型的第一隐藏层。

4.如权利要求1所述的基于机器学习的营收预测方法，其特征在于，所述通过所述时间序列数据对所述第一隐藏层进行训练，获取第一隐藏层模型，包括：

将所述时间序列数据输入到所述第一隐藏层，其中，所述时间序列数据为按照时间序列的营业收入数据；

根据所述时间序列数据的长期趋势、季节变动以及随机变动，分别对每个月的营业收入数据进行权重分配；

通过拟合方程对权重分配后的每个月的营业收入数据进行加权求和，获取营业收入预测数据；

通过激活函数获取所述营业收入预测数据与营业收入数据之间的总损失，以及重新分配每个月的营业收入数据的权重；

根据重新分配每个月的营业收入数据的权重，循环获取总损失，直至总损失收敛，停止对所述第一隐藏层进行迭代训练，并将迭代后的第一隐藏层确定为第一隐藏层模型。

5.如权利要求4所述的基于机器学习的营收预测方法，其特征在于，获取所述时间序列数据的长期趋势、季节变动以及随机变动的公式为：

所述时间序列数据的长期趋势的计算公式为：

其中，t_i为时间序列数据的长期趋势；x_i表示第i个月的营业收入数据；

所述时间序列数据的季节变动的计算公式为：

其中，s_i表示时间序列数据的季节变动；x_i表示第n个月的营业收入数据；p、q分别表示常量；

所述时间序列数据的随机变动的计算公式为：

其中，r_i表示时间序列数据的随机变动；t_i为时间序列数据的长期趋势；s_i表示时间序列数据的季节变动；x_i表示第n个月的营业收入数据。