[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

说明书

本发明涉及一种人工智能技术领域，提供一种基于机器学习的营收预测方法、设备及可读存储介质，其中方法包括：通过输入层获取时间序列数据；通过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第一隐藏层；对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第一隐藏层模型进行训练，生成偏差预测模型；将第一隐藏模型与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；通过迭代训练确定最终隐藏层模型；通过最终隐藏层模型获取营业收入预测数据。本发明主要目的在于解决目前建立单一的时间序列模型对营业收入的预测准确度不高的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于机器学习的营收预测方法、装置、电子设备及计算机可读存储介质。

背景技术

为了更好地支持上市公司决定未来一段时间内的经营策略，需要采用营业收入预测对营业数据进行预测。营业收入预测是数据分析过程中非常重要的一环，其中，营业收入预测是指以统计学和数据分析方法为理论依据，对未来可能产生的营业收入尝试进行预测的行为。通过营业收入预测可以加强计划性，减少盲目性，取得较好的经济效益。

目前营业收入预测的常规做法为主观预测和智能预测两种方式；其中，主观预测方式为：通过对公司经营活动的深入研究，结合市场因素如供求关系，分析人员给出主观的预测结果；智能预测方式为：随着人工智能的发展，利用机器学习算法模型进行营业收入预测，即通过研究历史数据，建立时间序列模型，预测出营业收入在未来一段时间内的发展趋势。然而，目前建立单一的时间序列模型对营业收入的预测准确度不高。

为了解决通过建立单一的时间序列模型对营业收入的预测准确度不高的问题，本发明亟需提供一种新的机器学习的营业收入预测方法。

发明内容

本发明提供一种基于机器学习的营收预测方法、装置、电子设备及计算机可读存储介质，其主要目的在于通过采用多个时间序列模型构建神经网络模型，通过构建的神经网络模型对营业收入进行预测，从而解决目前建立单一的时间序列模型对营业收入的预测准确度不高的问题。

为实现上述目的，本发明提供的一种基于机器学习的营收预测方法，应用于电子设备，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。

可选地，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。

可选地，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；