[发明专利]基于自组织数据挖掘的电网企业投资能力预测系统及其工作方法

说明书

本发明提出一种基于自组织数据挖掘的电网企业投资能力预测系统及其工作方法，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述计算机程序包括：变量选取模块、样本集生成模块、函数关系建立模块、目标函数选择模块、中间模型产生模块、中间模型筛选模块、再产生与再选择模块以及输出模块。其充分利用计算机系统的可操作性和灵活性，实现了预测模型的高效输出。

技术领域

本发明属于电气工程、辅助经济研究的计算机软件技术领域，尤其涉及一种基于自组织数据挖掘的电网企业投资能力预测系统及其工作方法。

背景技术

电网企业存在过度投资、无效投资等问题。传统的电网企业投资能力预测利用财务指标、经济指标等影响因素构建预测指标体系，预测方法主要归为以下两类：一是建立计量模型，以基本财务经营数据为基础测算电网企业投资能力；二是建立有关影响因素指标体系，通过数理模型预测电网企业投资能力，常用的数理模型包括回归模型、神经网络模型、系统动力学模型等。以上方法对企业投资能力进行预测与调控分析，实现企业投资能力的预测以及企业过度投资、无效投资的关键影响分析及调控。

现阶段关于电网企业投资能力预测存在以下几方面的不足：一方面是构建的财务指标或影响因素指标系统性与全面性不强，不具备拓展性。另一方面是投资能力的预测精度不够，难以达到较优的性能表现。

电网发展和投资管理工作面临新的形势和要求，电网企业经营正在受到严格的成本投资监管。这要求电网企业提高投资管理的科学性和精益化，以尽快适应新的形势变化。然而影响电网企业投资能力的外部因素和内部因素众多，且多个因素间相互作用、相互影响。从众多影响因素中揭示出对企业投资能力有重要影响的因素时，不容易找到一个客观公正的标准。

自组织数据挖掘(Self-Organizing Data Mining，SODM)理论是建立在“遗传-变异-选择-进化”的进化论原理基础上的，生物通过组织及自组织而不断演化，由简单的单细胞生物发展到复杂的多细胞生物，由低级状态发展到高级状态。利用自组织数据挖掘理论建立复杂系统动态模型时，根据因变量及自变量样本数据，在计算机上采用人机对话方式产生大量竞争模型，再根据外准则选择一部分“最有希望”的模型，在利用这些模型产生大批新的竞争模型。按这样的方式将模型的结构从简单到复杂逐步改进，最后可以选择出最优的复杂模型。

考虑到当前计算机科学对其他研究的促进作用，有必要提出一种采用全新模型架构的电网企业投资能力预测系统的设计方案，以获得更好的预测和评估效果。

发明内容

鉴于现有技术存在的空白和不足，本发明提出一种基于自组织数据挖掘的电网企业投资能力预测系统及其工作方法，利用计算机技术构建一种新的基于自组织数据挖掘的电网企业投资能力预测系统，充分利用计算机系统的可操作性和灵活性，实现了预测模型的高效输出。

其具体采用以下技术方案：

一种基于自组织数据挖掘的电网企业投资能力预测系统，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述计算机程序包括：变量选取模块、样本集生成模块、函数关系建立模块、目标函数选择模块、中间模型产生模块、中间模型筛选模块、再产生与再选择模块以及输出模块；

所述变量选取模块用于选取若干影响电网企业投资能力的因素作为自变量，将投资能力作为因变量；

所述样本集生成模块用于输入自变量的数据，形成样本集，并将样本集分为训练集和测试集；

所述函数关系建立模块用于建立因变量和自变量之间的一般函数关系；

所述目标函数选择模块根据外准则选择一个目标函数；

所述中间模型产生模块由各变量自组织产生中间模型，且因所含变量个数、函数结构而彼此不同；