CN107992957A - 一种基于税务数据进行经营预测的方法及装置 - Google Patents
一种基于税务数据进行经营预测的方法及装置 Download PDFInfo
- Publication number
- CN107992957A CN107992957A CN201610942016.3A CN201610942016A CN107992957A CN 107992957 A CN107992957 A CN 107992957A CN 201610942016 A CN201610942016 A CN 201610942016A CN 107992957 A CN107992957 A CN 107992957A
- Authority
- CN
- China
- Prior art keywords
- tax
- history
- data
- records series
- enterprise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/10—Tax strategies
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,公开了一种基于税务数据进行经营预测的方法及装置,所述方法包括:从目标企业的历史税务数据中提取出指定时间段内的税务记录,生成历史税务记录序列;以及采用长短期记忆LSTM模型训练所述历史税务记录序列,预测出目标企业的未来营业数据。本发明有效利用了预测企业未来时间段内的运营趋势的LSTM模型,基于模型参数,只需要简单步骤即可对不同企业未来的营业进行预测,从而为各组织机构提供投资决策或投资依据。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种基于税务数据进行经营预测的方法及装置。
背景技术
随着税务数据的不断增长和互联网大数据技术的兴起,税务大数据也应运而生。税务机构基于传统的系统平台难以对税务大数据进行有效处理和信息挖掘,不能充分利用大量的税务数据进行信息获取、数据挖掘和数据分析等有价值的操作。
而实际中,税务数据包含了所有企业的营业情况,能够真实的反应企业的收入和增长趋势。因此,税务机构对税务数据的大数据处理技术日渐重视,快速有效地利用税务数据挖掘出有价值的信息越来越重要。
目前,随着大数据技术的发展和数据计算能力的增强,基于海量数据利用机器学习的智能化处理已成为主流的数据处理方案。但是,现有的机器学习的应用主要集中在有监督学习和无监督学习两种(具体为分类和聚类),对时间序列则无法准确预测,从而不适用于基于时间序列的税务数据处理。
发明内容
本发明的目的是提供一种基于税务数据进行经营预测的方法及装置,用于实现税务大数据的有效处理和信息挖掘。
本发明提供了一种基于税务数据进行经营预测的方法,该方法包括:从目标企业的历史税务数据中提取出指定时间段内的税务记录,生成历史税务记录序列;以及采用长短期记忆LSTM模型训练所述历史税务记录序列,预测出目标企业的未来营业数据。
可选地,所述生成历史税务记录序列包括:以预设周期为时间单位对提取出的指定时间段内的税务记录按时间顺序进行排序;根据排序结果,生成历史税务记录序列;以及对所述历史税务记录序列中的每个元素进行归一化处理。
可选地,所述历史税务记录序列中的每个元素包括进项总额、销项总额、总税额和平均企业人数。
可选地,该方法还包括:训练并测试LSTM模型。
可选地,所述训练并测试LSTM模型包括:从目标企业的历史税务数据中获取预定数量的历史税务记录序列样本;将所述预定数量的历史税务记录序列样本分别输入LSTM模型,得到预定数量的预测结果;以及采用预先选定的损失函数处理所述预测结果与企业的实际营业数据;其中,若所述损失函数在训练过程中收敛,则LSTM的模型训练结束。
本发明还提供了一种基于税务数据进行经营预测的装置,该装置包括:数据预处理模块,用于从目标企业的历史税务数据中提取出指定时间段内的税务记录,生成历史税务记录序列;以及预测模块,用于采用长短期记忆LSTM模型训练所述历史税务记录序列,预测出目标企业的未来营业数据。
可选地,所述数据预处理模块包括:提取子模块,用于从目标企业的历史税务数据中提取出指定时间段内的税务记录;排序子模块,用于以预设周期为时间单位对提取出的指定时间段内的税务记录按时间顺序进行排序;生成子模块,用于根据排序结果,生成历史税务记录序列;以及处理子模块,用于对所述历史税务记录序列中的每个元素进行归一化处理。
可选地,所述历史税务记录序列中的每个元素包括进项总额、销项总额、总税额和平均企业人数。
可选地,该装置还包括:模型训练及测试模块,用于训练并测试LSTM模型。
可选地,所述模型训练及测试模块包括:样本获取子模块,用于从目标企业的历史税务数据中获取预定数量的历史税务记录序列样本;样本训练子模块,用于将所述预定数量的历史税务记录序列样本分别输入LSTM模型,得到预定数量的预测结果;以及损失计算子模块,用于采用预先选定的损失函数处理所述预测结果与企业的实际营业数据;其中,若通过所述损失计算子模块获取的所述损失函数在训练过程中收敛,则LSTM的模型训练结束。
本发明的有益效果是:本发明的基于税务数据进行经营预测的方法及装置有效利用了预测企业未来时间段内的运营趋势的LSTM模型,基于模型参数,只需要简单步骤即可对不同企业未来的营业进行预测,从而为各组织机构提供投资决策或投资依据。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明实施例所述的基于税务数据进行经营预测的方法的流程示意图;
图2是本发明实施例中生成历史税务记录序列的方法的流程示意图;
图3是本发明实施例中训练并测试LSTM模型的流程示意图;
图4(a)是本发明实施例中的LSTM模型的单元结构的示意图;
图4(b)是本发明实施例中计算LSTM模型的忘记门的逻辑示意图;
图4(c)是本发明实施例中计算LSTM模型的输入门和中间细胞状态的逻辑示意图;
图4(d)是本发明实施例中计算LSTM模型的细胞状态的逻辑示意图;
图4(e)是本发明实施例中计算LSTM模型的输出门的逻辑示意图;
图4(f)是本发明实施例中计算LSTM模型的更新隐层向量的逻辑示意图,且同时示出了本发明实施例最终形成的LSTM模型的结构;
图5是本发明实施例所述的基于税务数据进行经营预测的装置的结构示意图;
图6是本发明实施例中的数据预处理模块的结构示意图;
图7是本发明实施例中的模型训练及测试模块的结构示意图。
附图标记说明
51 数据预处理模块 52 预测模块
53 模型训练及测试模块 511 提取子模块
512 排序子模块 513 生成子模块
514 处理子模块 531 样本获取子模块
532 样本训练子模块 533 损失计算子模块
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
长短期记忆(Long-Short Term Memory,LSTM)模型是回流神经网络(RecursiveNeuro Network,RNN)的一种,其可以记住较长时间的行为,即可以很好地处理历史数据,并输出预测结果。而税务数据中记载了企业的进项、销项等信息,通过这些信息可以分析出企业的营业情况。
因此,本发明实施例根据税务数据和LSTM模型的特点,提出了一种利用LSTM模型来处理税务数据以实现目标企业的经营预测的方案,以为企业制定发展规划提供决策依据。
如图1所示,本发明实施例的基于税务数据进行经营预测的方法主要包括以下步骤:
步骤S1,从目标企业的历史税务数据中提取出指定时间段内的税务记录,生成历史税务记录序列。
其中,历史税务数据的记录依赖于发票内容中开票时间,因此可根据开票时间,从历史税务大数据中提取指定时间段(如2014年、2015年、2016年三年)内的税务记录。另外,本发明实施例中的每条税务记录中主要包括进项总额、销项总额、总税额和平均企业人数等能直接或间接反映出企业经营情况的信息。
具体地,如图2所示,本发明实施例中生成历史税务记录序列的方法可以包括以下步骤:
步骤S11,以预设周期为时间单位对提取出的指定时间段内的税务记录按时间顺序进行排序。
步骤S12,根据排序结果,生成历史税务记录序列。
其中,所述预设周期可以任意设定为一年、一季度、一月、一周(一星期)或一天等,本实施例中优选设定为一周,即通过步骤S11及步骤S12,能得到关于税务记录的一个历史税务记录序列,如(t1,t2,……,ti,……,tn),其中n为指定时间段包括的周数(n通常要大于48,即相当于至少一年的数据),也即是历史税务记录序列的长度,而ti表示第i周对应的税务记录(如t12,表示按顺序排列的第12周的税务记录),而每组税务记录,即历史税务记录序列中的每个元素优选为包括进项总额、销项总额、总税额和平均企业人数,从而相当于ti为一个四元组(进项总额,销项总额,总税额,平均企业人数),而对应的历史税务记录序列则为一个四元组序列。
其中,四元组的数据可以按照不同周期进行统计,如一周,两周,一个月等等。若无其余说明,下文均以这里的四元组序列为例来进行描述。
步骤S13,对所述历史税务记录序列中的每个元素进行归一化处理。
在该步骤S13中,将每个四元组进行归一化处理,即是对序列的每一个维度的特征转化为[0-1]范围内的值。这里序列中每一个维度的特征即为上文涉及的进项总额、销项总额、总税额和平均企业人数等信息。
如此,通过步骤S11-S13成功构建了针对企业税务数据的历史税务记录序列。在实际中,一个企业可能有多项经营项目,针对每一经营项目可构建一个历史税务记录序列,因此本实施例构建的企业的历史税务记录序列可能有多个。
同样以上述的序列(t1,t2,……,ti,……,tn)为例,设(t1,t2,t3,t4)是将一个月4周的数据放在一起,则可与下一个月4周的数据构造成一个训练样本,如((t1,t2,t3,t4),(t5,t6,t7,t8))和((t5,t6,t7,t8),(t9,t10,t11,t12))这两个训练样本数据,最后模型训练结束后,只需根据得到的一个(tn+1,tn+2,tn+3,tn+4)即可预测下一个月企业的经营情况,即后续用于模型训练的训练数据集可以表示为((x1,y1),(x2,y2),…,(xn,yn)),其中(x1,y1)为[(t1,t2,t3,t4),(t5,t6,t7,t8)]。
步骤S2,训练并测试LSTM模型。
本实施例中,也可不执行该步骤S2而直接进入至下一步骤S3中,即是通过现有的LSTM模型来直接对步骤S1中生成的历史税务记录序列进行训练。但本实施例优选为执行步骤S2,以获得更为精确的LSTM模型来进行数据预测。
具体地,如图3所示,本实施例中训练并测试LSTM模型主要包括以下步骤:
步骤S21,从目标企业的历史税务数据中获取预定数量的历史税务记录序列样本。
在该步骤S21中,完成了对测试样本的获取,测试样本的数据可根据需要设置,例如在正式训练前取出10%的税务数据作为样本来进行测试。
步骤S22,将所述预定数量的历史税务记录序列样本分别输入LSTM模型,得到预定数量的预测结果。
步骤S23,采用预先选定的损失函数处理所述预测结果与企业的实际营业数据。
这里,损失函数体现LSTM模型的平均损失。本实施例中,损失函数可以是平方差函数,更为优选地可以采用如下的公式(1)所示的损失函数:
式中,d为4,Y是LSTM模型的输出结果,其为一个4维向量,Yi,j表示第i个验证数据(目标变量,对应为企业的实际营业数据)四元组中第j个值,fi(j)表示第i个训练数据的预测结果中第j个值(对应为对样本进行训练获取的预测结果中的营业数据),N为样本个数。
本实施例中,若上述公式(1)的损失函数在训练过程中收敛,则LSTM的模型训练结束,LSTM模型可用,否则继续训练LSTM模型。
因此,利用步骤S2中经过测试后的LSTM,可以根据不断更新的真实的企业营业数据对企业下一月的营业情况进行预测。
此外,需说明的是,步骤S1和步骤S2间没有固定的执行顺序,可先执行步骤S1,再执行步骤S2,也可改为先执行步骤S2,再执行步骤S1,本发明实施例并不限制于此。
步骤S3,采用LSTM模型训练所述历史税务记录序列,预测出目标企业的未来营业数据。
其中,所述未来营业数据主要包括销售数据、利润数据、成本数据及资金数据等,这些营业数据可反映企业的营业情况及营业趋势。
LSTM模型是基于RNN进行改进的,相对于RNN增加了细胞状态(Cell State)部分。本实施例采用LSTM模型进行营业数据预测的过程如图4(a)-图4(f)所示,其中,LSTM模型的每个单元由3个门和一个细胞状态Ct构成,3个门分别是输入门it、忘记门ft和输出门Ot。其中,σ为sigmoid函数,tanh表示激活函数tanh(),可具体作用及设置方法可参考现有相关文献,在此不再多述。
基于图4(a)-图4(f),采用LSTM进行训练的主要流程如下:
第1)步,图4(a)示出了LSTM模型的单元结构,其中Xt表示第t次的输入,Ht表示第t次的输出,Ct表示细胞状态。
第2)步,图4(b)示出了计算忘记门ft的逻辑过程。如图4(b)所示,LSTM模型会采用公式(2)(此处的f与公式(1)中的f不同)计算忘记门ft:
ft=σ(Wf·[ht-1,xt]+bf) (2)
其中,ht-1是上一层神经元的隐层输出,Wf是忘记门的权重,bf是忘记门的偏差。
第3)步,图4(c)示出了计算输入门it和中间细胞状态的逻辑过程。如图4(c)所示,采用公式(3)和公式(4)计算输入门it和中间细胞状态
it=σ(Wi·[ht-1,xt]+bi) (3)
其中,Wi为输入门的权重,bi为输入门的偏差,Wc为中间细胞状态的权重,bc为中间细胞状态的偏差。
第4)步,图4(d)示出了计算细胞状态Ct的逻辑过程。如图4(d)所示,采用公式(5)计算更新的细胞状态:
第5)步,图4(e)和图4(f)分别示出了计算输出门和更新隐层向量的逻辑。如图4(e)及图4(f)所示,采用公式(6)和公式(7)计算输出门和隐层向量ht:
ot=σ(Wo[ht-1,xt]+bo) (6)
ht=ot*tanh(Ct) (7)
其中,Wo是输出门权重,ot是输出门结果,ht是更新后的隐层向量。
第6)步,LSTM使用反向传播和随机梯度下降(Stochastic Gradient Descent,SGD)算法优化LSTM模型的目标函数,通过多次迭代整个训练数据集计算模型参数得到最后的模型,该最后的模型如图4(f)所示。
举例来说,如四元组(293423.4,3432375.5,8643.4,45)和(45343.0,94323,4343,45),这样的四元组是历史税务记录序列中一个元素,且每个四元组按照时间顺序排序,组成的序列如(t1,t2,t3,…),然后训练数据可以是((t1,t2),(t2,t3),(t3,t4),…),用这样的训练数据对LSTM进行训练,最后获得一个四元组(231345.6,433254.6,8905,46)以预测下一个时间周期的四元组。
因此,本发明实施例将企业进项金额、销项金额、税额和平均企业人数等组合作为序列特征,有效训练了预测企业未来时间段内的运营趋势的LSTM模型。在模型训练完成之后,基于模型参数,只需要简单步骤即可对不同企业未来的营业进行预测。而企业营业预测意义重大,准确的预测能看出企业未来时间段内的进项、销项情况、了解企业的成长趋势,企业营业的预测结果能判断企业投资价值,为各组织机构提供投资决策或投资依据。
根据与上述基于税务数据进行经营预测的方法相同的发明思路,本发明另一实施例还提出了一种基于税务数据进行经营预测的装置,如图5所示,该装置包括:数据预处理模块51,用于从目标企业的历史税务数据中提取出指定时间段内的税务记录,生成历史税务记录序列;以及预测模块52,用于采用长短期记忆LSTM模型训练所述历史税务记录序列,预测出目标企业的未来营业数据。
其中,所述税务记录包括进项总额、销项总额、总税额和平均企业人数;所述营业数据包括:销售数据、利润数据、成本数据及资金数据。
另外,该装置优选为还可以包括:模型训练及测试模块53,用于训练并测试LSTM模型。
进一步地,如图6所示,所述数据预处理模块51包括:提取子模块511,用于从目标企业的历史税务数据中提取出指定时间段内的税务记录;排序子模块512,用于以预设周期为时间单位对提取出的指定时间段内的税务记录按时间顺序进行排序;生成子模块513,用于根据排序结果,生成历史税务记录序列;以及处理子模块514,用于对所述历史税务记录序列中的每个元素进行归一化处理。其中,所述历史税务记录序列中的每个元素包括进项总额、销项总额、总税额和平均企业人数。
进一步地,如图7所示,所述模型训练及测试模块53包括:样本获取子模块531,用于从目标企业的历史税务数据中获取预定数量的历史税务记录序列样本;样本训练子模块532,用于将所述预定数量的历史税务记录序列样本分别输入LSTM模型,得到预定数量的预测结果;以及损失计算子模块533,用于采用预先选定的损失函数处理所述预测结果与企业的实际营业数据;其中,若通过所述损失计算子模块533获取的所述损失函数在训练过程中收敛,则LSTM的模型训练结束。
需说明的是,本实施例的装置与上述基于税务数据进行经营预测的方法的具体实施细节相同或相近,且能取得同样的技术效果,故在此不再进行赘述。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤、流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种基于税务数据进行经营预测的方法,其特征在于,该方法包括:
从目标企业的历史税务数据中提取出指定时间段内的税务记录,生成历史税务记录序列;以及
采用长短期记忆LSTM模型训练所述历史税务记录序列,预测出目标企业的未来营业数据。
2.根据权利要求1所述的方法,其特征在于,所述生成历史税务记录序列包括:
以预设周期为时间单位对提取出的指定时间段内的税务记录按时间顺序进行排序;
根据排序结果,生成历史税务记录序列;以及
对所述历史税务记录序列中的每个元素进行归一化处理。
3.根据权利要求2所述的方法,其特征在于,所述历史税务记录序列中的每个元素包括进项总额、销项总额、总税额和平均企业人数。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,该方法还包括:
训练并测试LSTM模型。
5.根据权利要求1所述的方法,其特征在于,所述训练并测试LSTM模型包括:
从目标企业的历史税务数据中获取预定数量的历史税务记录序列样本;
将所述预定数量的历史税务记录序列样本分别输入LSTM模型,得到预定数量的预测结果;以及
采用预先选定的损失函数处理所述预测结果与企业的实际营业数据;
其中,若所述损失函数在训练过程中收敛,则LSTM的模型训练结束。
6.一种基于税务数据进行经营预测的装置,其特征在于,该装置包括:
数据预处理模块,用于从目标企业的历史税务数据中提取出指定时间段内的税务记录,生成历史税务记录序列;以及
预测模块,用于采用长短期记忆LSTM模型训练所述历史税务记录序列,预测出目标企业的未来营业数据。
7.根据权利要求6所述的装置,其特征在于,所述数据预处理模块包括:
提取子模块,用于从目标企业的历史税务数据中提取出指定时间段内的税务记录;
排序子模块,用于以预设周期为时间单位对提取出的指定时间段内的税务记录按时间顺序进行排序;
生成子模块,用于根据排序结果,生成历史税务记录序列;以及
处理子模块,用于对所述历史税务记录序列中的每个元素进行归一化处理。
8.根据权利要求7所述的装置,其特征在于,所述历史税务记录序列中的每个元素包括进项总额、销项总额、总税额和平均企业人数。
9.根据权利要求6至8中任意一项所述的装置,其特征在于,该装置还包括:
模型训练及测试模块,用于训练并测试LSTM模型。
10.根据权利要求9所述的装置,其特征在于,所述模型训练及测试模块包括:
样本获取子模块,用于从目标企业的历史税务数据中获取预定数量的历史税务记录序列样本;
样本训练子模块,用于将所述预定数量的历史税务记录序列样本分别输入LSTM模型,得到预定数量的预测结果;以及
损失计算子模块,用于采用预先选定的损失函数处理所述预测结果与企业的实际营业数据;
其中,若通过所述损失计算子模块获取的所述损失函数在训练过程中收敛,则LSTM的模型训练结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942016.3A CN107992957A (zh) | 2016-10-25 | 2016-10-25 | 一种基于税务数据进行经营预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942016.3A CN107992957A (zh) | 2016-10-25 | 2016-10-25 | 一种基于税务数据进行经营预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107992957A true CN107992957A (zh) | 2018-05-04 |
Family
ID=62028194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610942016.3A Pending CN107992957A (zh) | 2016-10-25 | 2016-10-25 | 一种基于税务数据进行经营预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992957A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190808A (zh) * | 2018-08-15 | 2019-01-11 | 拍拍信数据服务(上海)有限公司 | 用户行为预测方法、装置、设备及介质 |
CN109447682A (zh) * | 2018-09-18 | 2019-03-08 | 北京三快在线科技有限公司 | 确定店铺的营业状态的方法、系统、电子设备及存储介质 |
CN109615449A (zh) * | 2018-10-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种预测方法及装置、一种计算设备及存储介质 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
CN110531163A (zh) * | 2019-04-18 | 2019-12-03 | 中国人民解放军国防科技大学 | 一种磁浮列车悬浮斩波器母线电容状态监测方法 |
CN110837970A (zh) * | 2019-11-11 | 2020-02-25 | 重庆亚德科技股份有限公司 | 一种区域卫生平台质控方法和系统 |
CN112232887A (zh) * | 2020-11-05 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备以及存储介质 |
-
2016
- 2016-10-25 CN CN201610942016.3A patent/CN107992957A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190808A (zh) * | 2018-08-15 | 2019-01-11 | 拍拍信数据服务(上海)有限公司 | 用户行为预测方法、装置、设备及介质 |
CN109190808B (zh) * | 2018-08-15 | 2020-11-24 | 拍拍信数据服务(上海)有限公司 | 用户行为预测方法、装置、设备及介质 |
CN109447682A (zh) * | 2018-09-18 | 2019-03-08 | 北京三快在线科技有限公司 | 确定店铺的营业状态的方法、系统、电子设备及存储介质 |
CN109615449A (zh) * | 2018-10-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种预测方法及装置、一种计算设备及存储介质 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
CN110531163A (zh) * | 2019-04-18 | 2019-12-03 | 中国人民解放军国防科技大学 | 一种磁浮列车悬浮斩波器母线电容状态监测方法 |
CN110837970A (zh) * | 2019-11-11 | 2020-02-25 | 重庆亚德科技股份有限公司 | 一种区域卫生平台质控方法和系统 |
CN112232887A (zh) * | 2020-11-05 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992957A (zh) | 一种基于税务数据进行经营预测的方法及装置 | |
Chou et al. | Optimized artificial intelligence models for predicting project award price | |
CN105389980B (zh) | 基于长短时记忆递归神经网络的短时交通流预测方法 | |
Hastomo et al. | Characteristic parameters of epoch deep learning to predict Covid-19 data in Indonesia | |
US8275644B2 (en) | Generating an optimized analytical business transformation | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN106960252A (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
CN107066389A (zh) | 基于集成学习的软件缺陷重新打开的预测方法 | |
Oo et al. | Time series prediction based on Facebook Prophet: a case study, temperature forecasting in Myintkyina | |
Yang et al. | Detection of anomaly stock price based on time series deep learning models | |
Ticona et al. | Hybrid model based on genetic algorithms and neural networks to forecast tax collection: application using endogenous and exogenous variables | |
CN111598329A (zh) | 基于自动化参数调整循环神经网络的时序数据预测方法 | |
Chaoubi et al. | Micro‐level reserving for general insurance claims using a long short‐term memory network | |
Finck | Worst case search over a set of forecasting scenarios applied to financial stress-testing | |
Lubis | Data partition and hidden neuron value formulation combination in neural network prediction model: Case study: Non-tax revenue prediction for Indonesian government unit | |
Zhu | Management forecast based on big data fusion DEA and RBF algorithm | |
Alberts | Evaluating neural networks and artificial intelligence systems | |
Derakhshandeh et al. | New framework for comparing information security risk assessment methodologies | |
Bulusu et al. | Near future stock market forecasting based on chaos theory, sentiment analysis, and quantum computing | |
Ertuna | Stock Market Prediction Using Neural Network and Time Series Forecasting | |
CN116776134B (zh) | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 | |
Xia et al. | A Process Mining Framework Based on Deep Learning Feature Fusion | |
Hamid et al. | Fuzzy logic-based expert system for effort estimation in scrum projects | |
Javide et al. | Using RNN to Predict Customer Behavior in High Volume Transactional Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |
|
RJ01 | Rejection of invention patent application after publication |