CN110428087A - 企业稳定性预测方法、装置、计算机设备和存储介质 - Google Patents
企业稳定性预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110428087A CN110428087A CN201910553124.5A CN201910553124A CN110428087A CN 110428087 A CN110428087 A CN 110428087A CN 201910553124 A CN201910553124 A CN 201910553124A CN 110428087 A CN110428087 A CN 110428087A
- Authority
- CN
- China
- Prior art keywords
- data
- stability
- enterprise
- business
- feature
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种企业稳定性预测方法、装置、计算机设备和存储介质。所述方法包括:接收监控终端发送的企业稳定性监控指令,企业稳定性监控指令携带企业标识;根据企业标识获取多个类型标识的企业数据;获取预设的关键数据映射表,根据关键数据映射表对企业数据进行数据清洗,得到待分析数据;对待分析数据进行特征提取,得到目标数据特征;获取稳定性预测模型,将目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值,根据稳定性评分和稳定性预测值生成分析结果;将分析结果发送至监控终端。采用本方法能够有效对企业数据进行预测分析,从而有效地提高企业稳定性的预测准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种企业稳定性预测方法、装置、计算机设备和存储介质。
背景技术
随着城市化加速发展,智慧城市建设步伐的不断加快,基于信息化的智慧园区也应运而生。智慧园区是基于物联网、视频监控、人工智能、大数据等智能技术构建的智能化产业办公园区。智慧园区基于产业办公园区,对园区里面的人员、车辆、企业等提供智慧化服务,实现园区多场景下的智慧化管理,因此,出现了很多基于物联网的智慧园区管理系统。物联网与智能建筑的物理架构具有很多相似性,各个子系统相当于物联网的数据采集节点,利用物联网技术,将数据汇集到园区数据服务平台,由平台进行数据分析、处理,从而提供更有效的动态数据应用服务。
智慧园区等园区通常存在入驻企业流失率较高的问题,而很多智慧园区只注重建设开发,没有利用信息化数据有效地推动园区运营管理体系的智慧化,从而无法准确有效地对园区入驻企业流失率进行预测。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效对企业数据进行预测分析,从而有效地提高企业稳定性的预测准确率的企业稳定性预测方法、装置、计算机设备和存储介质。
一种企业稳定性预测方法,所述方法包括:
接收监控终端发送的企业稳定性监控指令,所述企业稳定性监控指令携带企业标识;
根据所述企业标识获取多个类型标识的企业数据;
获取预设的关键数据映射表,根据所述关键数据映射表对所述企业数据进行数据清洗,得到待分析数据;
对所述待分析数据进行特征提取,得到目标数据特征;
获取稳定性预测模型,将所述目标数据特征输入至所述稳定性预测模型,通过所述稳定性预测模型计算所述企业标识的当前稳定性评分和稳定性预测值,根据所述稳定性评分和所述稳定性预测值生成分析结果;
将所述分析结果发送至所述监控终端。
在其中一个实施例中,所述企业数据包括类型标识,所述根据所述关键数据映射表对所述企业数据进行数据清洗,包括:根据类型标识获取对应的关键数据映射表;所述关键数据映射表包括关键字段标签;根据关键字段标签对所述类型标识的企业数据进行匹配;提取匹配度达到预设阈值的企业数据;利用提取的多个类型标识的企业数据生成待分析数据。
在其中一个实施例中,在获取预设的行为稳定性预测模型之前,还包括:获取多个企业数据,将所述多个企业数据生成对应的训练集数据和验证集数据;对所述训练集数据中的多个企业数据进行聚类分析,得到聚类结果;对所述聚类结果进行特征提取,提取出多个特征变量;对所述多个特征变量进行分析,得到多个类型标识的企业数据指标;获取预设的神经网络模型,通过所述神经网络模型根据企业数据指标对所述训练集数据进行训练,得到多个特征变量对应的特征维度值和权重,根据多个特征变量对应的特征维度值和权重构建初始分析模型;利用所述验证集数据对所述初始分析模型进行进一步训练和验证,直到所述验证集数据中满足预设阈值的数量达到预设比值时,则停止训练,得到所需的稳定性预测模型。
在其中一个实施例中,所述稳定性预测模型包括多个类型标识对应的节点模型,所述通过所述稳定性预测模型计算所述企业标识的当前稳定性评分和稳定性预测值,包括:将所述目标数据特征输入至所述稳定性预测模型中,分别提取出多个类型标识对应的目标数据特征;通过多个类型标识对应的节点模型分别计算目标数据特征的评估指标值;根据多个类型标识的评估指标值和对应的权重计算企业标识的当前稳定性评分;获取企业标识的历史稳定性评分,根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值;根据所述当前稳定性评分和所述稳定性预测值生成分析结果并输出。
在其中一个实施例中,所述方法还包括:根据预设频率从预设数据库中获取多个历史企业数据;对多个历史企业数据进行聚类分析,得到分析结果;根据所述分析结果进行特征选择,得到多个特征变量;根据预设的算法计算多个特征变量的权重参数;根据多个特征变量和对应的权重参数对所述稳定性预测模型进行优化调整。
在其中一个实施例中,所述方法还包括:获取所述当前稳定性评分未达到评分阈值的企业标识;根据企业标识对应的当前稳定性评分和稳定性预测值计算出多项易流失指标特征;根据多项易流失指标特征计算企业标识对应的运营指标值;根据所述运营指标值生成企业标识对应的运营策略数据;将所述运营策略数据推送至所述监控终端。
一种企业稳定性预测装置,所述装置包括:
指令接收模块,用于接收监控终端发送的企业稳定性监控指令,所述企业稳定性监控指令携带企业标识;
数据获取模块,用于根据所述企业标识获取多个类型标识的企业数据;
数据提取模块,用于获取预设的关键数据映射表,根据所述关键数据映射表对所述企业数据进行数据清洗,得到待分析数据;对所述待分析数据进行特征提取,得到目标数据特征;
稳定性预测模块,用于获取稳定性预测模型,将所述目标数据特征输入至所述稳定性预测模型,通过所述稳定性预测模型计算所述企业标识的当前稳定性评分和稳定性预测值,根据所述稳定性评分和所述稳定性预测值生成分析结果;
数据发送模块,用于将所述分析结果发送至所述监控终端。
在其中一个实施例中,所述稳定性预测模型包括多个类型标识对应的节点模型,所述稳定性预测模块还用于将所述目标数据特征输入至所述稳定性预测模型中,分别提取出多个类型标识对应的目标数据特征;通过多个类型标识对应的节点模型分别计算目标数据特征的评估指标值;根据多个类型标识的评估指标值和对应的权重计算企业标识的当前稳定性评分;获取企业标识的历史稳定性评分,根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值;根据所述当前稳定性评分和所述稳定性预测值生成分析结果并输出。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的企业稳定性预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的企业稳定性预测方法的步骤。
上述企业稳定性预测方法、装置、计算机设备和存储介质,服务器接收到监控终端发送的企业稳定性监控指令后,则根据园区内的多个企业标识获取对应的多个企业数据。获取预设的关键数据映射表,并根据关键数据映射表对获取的企业数据进行数据清洗和特征提取,提取出多个类型标识的目标数据特征,由此能够有效地过滤企业数据中没有价值的数据,从而能够有效地提取出用于分析企业稳定性的关键数据。服务器获取稳定性预测模型,将多个类型标识的目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值。并根据稳定性评分和稳定性预测值生成分析结果并输出。服务器则将分析结果发送至监控终端。通过利用预先训练的稳定性预测模型对企业数据进行预测分析,能够有效地提高企业稳定性预测的准确率。
附图说明
图1为一个实施例中企业稳定性预测方法的应用场景图;
图2为一个实施例中企业稳定性预测方法的流程示意图;
图3为一个实施例中企业稳定性预测装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的企业稳定性预测方法,可以应用于如图1所示的应用环境中。其中,监控终端102通过网络与服务器104进行通信。监控终端102可以向服务器104发送企业稳定性监控指令,服务器104接收到监控终端发送的企业稳定性监控指令后,对企业数据进行预处理,获通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值,根据稳定性评分和稳定性预测值生成分析结果并输出。服务器104则将分析结果发送至监控终端102。其中,监控终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种企业稳定性预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,接收监控终端发送的企业稳定性监控指令,企业稳定性监控指令携带企业标识。
智慧园区是基于物联网、视频监控、人工智能、大数据等智能技术,构建的智能化产业办公园区。智慧园区基于产业办公园区,对园区里面的人员、车辆、企业等提供智慧化服务,实现园区多场景下的智慧化管理。
其中,监控终端可以是园区的运营人员对应的终端,服务器可以是园区管理平台对应的服务器。监控终端可以对园区的入驻企业进行监控。
具体地,监控终端可以向服务器发送企业稳定性监控指令,企业稳定性监控指令携带了企业标识,使得服务器根据企业稳定性监控指令对园区的多个企业进行稳定性分析。
在其中一个实施例中,监控终端向服务器发送一次企业稳定性监控指令后,还可以根据预设的周期频率自动向服务器触发企业稳定性监控指令,使得服务器自动根据企业稳定性监控指令对园区的多个企业进行稳定性分析。例如,监控终端可以根据每个月的周期频率自动向服务器触发企业稳定性监控指令,使得服务器实时采集企业相关数据,在每个月底自动对企业的当月运营情况进行分析。
步骤204,根据企业标识获取多个类型标识的企业数据。
服务器接收到监控终端发送的企业稳定性监控指令后,则根据企业标识获取多个类型标识的企业数据。其中,企业标识包括园区内当前的多个企业的企业标识。园区中还配置有多个摄像装置以及人脸闸机,通过园区的多个摄像装置和人脸闸机可以实时监控园区内的员工行为轨迹和访客行为轨迹。
服务器可以获取每个企业标识对应的企业数据。企业数据包括多个类型标识以分别对应的企业数据,即企业数据可以包括多个企业数据类型对应的数据。类型标识可以包括但不限于企业员工行为数据、企业访客数据、企业招聘数据、企业能耗数据、企业资产数据、企业活跃度数据以及企业舆情数据等企业数据类型。
企业员工行为数据可以包括企业人员变化数据和企业工作时长数据。具体地,服务器可以通过园区的多个摄像装置和人脸闸机以及企业在园区管理平台的登记数据获取企业人员变化数据和企业工作时长数据。视频监控设备可以实时采集相应区域的视频数据,人脸闸机设备等可以采集相应区域的视频数据中的人脸图像。
监控设备将采集的视频数据实时上传至监控服务器,其中,多个监控设备安装与园区内的多个位置,监控设备包括相应的位置标识,监控设备采集的视频数据中包括了位置标识和时间标识。检测多个视频数据中访问人员的人脸图像,并提取出人脸图像中的人脸特征,根据人脸特征与访客数据库中的历史访问人员的人脸特征进行比对,根据登记信息识别当前访客是常驻企业员工或访问人员。根据比对结果对当前访客的人脸图像添加对应的人员标识,从多个视频数据中提取多帧包括人脸图像的图像数据,每帧图像数据包括了位置标识和时间标识以及人脸特征标识。根据提取的图像数据生成企业员工或访问人员的企业员工轨迹图像集合以及企业访客轨迹图像集合。其中,每个企业的企业员工轨迹图像集合可以包括多个员工的轨迹图像子集合。服务器可以只保留存储从视频数据中提取的图像数据,以进行访客行为轨迹分析。
例如,园区的入口出可以安装有人脸闸机设备或视频监控设备,监控设备采集到视频数据后,检测视频数据中的是否有人脸图像。当检测到视频数据中存在人脸图像时,则获取视频数据中的人脸图像。其中,监控服务器可以只获取入口处第一个监控设备采集的一个访问人员的一帧人脸图像,也可以在预设时间段内只采集一帧人脸图像。进一步地,人脸闸机设备可以采集视频数据,也可以在识别到画面中有人脸时,只采集画面中的人脸图像。
例如,可以通过园区的人行闸机设备采集人员通行数据,通过视频监控摄像头采集分析人员园区通行轨迹数据,通过停车访客系统采集人员车辆访问信息。企业人数变化直接反映企业根园区的交互,因而跟企业稳定性存在直接的关系。通过智慧园区视频监控系统,可以实时监控企业员工在园区的员工行为数据。
进一步地,服务器可以获取园区内多个企业的企业访客数据,例如,服务器可以获取预设周期内的企业访客数据。如获取每个月的企业访客数量,访客变化率等。企业访客数据变化情况可以反映企业业务变化,从而反映企业业务的稳定性。
服务器可以获取园区内多个企业的企业招聘数据,例如,服务器可以利用网络爬虫技术从多个招聘网站获取的企业标识对应的企业招聘信息。企业的招聘需求信息可以反映企业人力资源的稳定性。
服务器可以获取园区内多个企业的企业资产数据,其中,企业资产数据可以包括企业设施采购数据、办公用品采购数据、企业服务需求数据等。例如,企业资产变化。服务器可以通过园区资产管理系统,监控园区内多个企业的资产设施数量、位置及运行状况。例如,若园区的企业存在企业资产呈现减少或者流出园区的情况,表示企业可能正在从园区搬移。服务器还可以获取园区内多个企业的办公用品采购数据和企业服务采购数据以及对营业账单、流程审批、电子发票等服务的使用数据,可以通过园区管理平台程序向企业用户提供共享会议室预定等一系列企业服务,服务器从而可以从园区管理平台获取园区企业的企业服务需求数据。
服务器可以获取园区内多个企业的企业物业数据。其中,企业物业数据可以包括企业用能数据、企业物业采购数据等。例如,服务器可以通过水电计量系统采集企业的月度水电消耗,园区企业对水电等能效的用能数据可以反映企业业务的增减,当企业耗能增加时有可能企业在园区的业务增加。智慧园区对园区的物业服务进行统一管理,园区内的入驻企业可以通过园区管理平台对各种维修、保洁、安保等物业服务进行采购,服务器还可以通过园区管理平台获取企业的物业服务能耗需求以及企业对园区物业服务的满意度,满意度越高则表示有益于企业的长期稳定性。
服务器可以获取园区内多个企业的企业活跃度数据。企业内部交流反映企业内部架构稳定性,交流越多有益于企业稳定。例如,服务器可以通过园区管理平台统计企业内部聊天频率。
服务器可以获取园区内多个企业的企业舆情数据,例如服务器可以利用网络爬虫技术从多个网站获取企业的新闻数据等,如可以采集新浪、微信公众号等数据。
步骤206,获取预设的关键数据映射表,根据关键数据映射表对企业数据进行数据清洗,得到待分析数据。
服务器根据企业标识获取多个类型标识的企业数据后,则对获取的企业数据进行数据清洗。具体地,服务器可以获取预设的关键数据映射表,其中,关键数据映射表中存储了多个企业数据类型对应的用于分析企业稳定性的关键字段标签,服务器可以根据关键字段标签对类型标识的企业数据进行匹配,并提取出匹配度达到预设阈值的企业数据,服务器进而利用提取的多个类型标识的企业数据生成待分析数据。
步骤208,对待分析数据进行特征提取,得到目标数据特征。
服务器获取企业标识对应的带分析数据后,则对带分析数据进行进一步特征处理和特征提取。具体地,服务器首先对待分析数据对应的多个字段数据进行向量化,将多个待分析数据按照时间序列转换为对应的特征向量,并将多个特征向量转换为多个特征变量和对应的维度特征值,维度特征值可以表示为特征变量所属的特征维度,由此得到多个字段数据对应的特征向量。服务器进一步对特征向量进行数据清洗和衍生处理,得到处理后的多个特征向量。
例如,服务器可以通过均值填充、定制填充和书模型填充等方式对多个特征向量进行预处理,并通过数据均值、方差和标准差等对多个特征向量处理,提取出多个特征向量和维度特征值。服务器可以进一步对特征向量进行缺失值填充、异常值抽取更替等。例如,得到多个维度的特征向量后,这些数据背后可能还有隐藏的信息,因此还可以采用一些特征工程的算法,如统计学相关的特征衍生,通过对每一维度的特征向量作滞后分析,将每一维度n维的滞后数据作方差、标准差、均值等的衍生,进而得到待分析数据对应的衍生特征变量。
服务器得到处理后的特征向量后,进一步对待分析数据对应的特征向量进行特征提取,得到对应的多个字段数据对应的特征向量。具体地,根据预设的特征降维算法对多个特征向量进行特征提取,提取出达到阈值的特征向量。例如,可以利用奇异值分解、主成分分析等算法对特征变量整体进行降维,从而能够有效地对待分析数据进行特征提取,提取出有价值的特征向量和对应的维度特征值。服务器进而将提取出的特征向量和对应的维度特征值生成目标数据特征。
步骤210,获取稳定性预测模型,将目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值,根据稳定性评分和稳定性预测值生成分析结果。
步骤212,将分析结果发送至监控终端。
其中,稳定性预测模型可以是基于神经网络的模型,稳定性预测模型中可以包括多个节点模型,多个节点模型用于分别分析多个不同类型的数据指标。
服务器提取出企业数据的目标数据特征后,进一步获取预设的稳定性预测模型,将目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值。其中,稳定性预测值可以是预设周期内的预测值。例如,预设周期可以是未来一个月、三个月或六个月的预测值。具体地,稳定性预测模型分别提取出多个类型标识对应的目标数据特征,根据类型标识将多个目标数据特征分别输入值对应的目标节点模型,通过对应的节点模型分别计算目标数据特征对应的评估指标值,根据多个类型标识的评估指标值和对应的权重计算企业标识的当前稳定性评分。
服务器进而获取企业标识的历史稳定性评分,根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值,并根据稳定性评分和稳定性预测值生成分析结果并输出。服务器则将分析结果发送至监控终端。使得监控终端进一步对企业进行监控和针对性运营。例如,可以使得运营方针对稳定性较低的企业,根据企业的多项数据特征制定对应的运营策略以提升企业稳定性,在企业稳定性及低或者即将流失的之前及时采用招商手段吸引其他企业入驻。通过获取园区企业的多项企业数据,并利用基于神经网络的稳定性预测模型,从而能够准确有效地对多项企业数据进行分析,由此可以精准地计算出园区入驻企业的稳定性。
上述企业稳定性预测方法中,服务器接收到监控终端发送的企业稳定性监控指令后,则根据园区内的多个企业标识获取对应的多个企业数据。获取预设的关键数据映射表,并根据关键数据映射表对获取的企业数据进行数据清洗和特征提取,提取出多个类型标识的目标数据特征,由此能够有效地过滤企业数据中没有价值的数据,从而能够有效地提取出用于分析企业稳定性的关键数据。服务器获取稳定性预测模型,将多个类型标识的目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值。并根据稳定性评分和稳定性预测值生成分析结果并输出。服务器则将分析结果发送至监控终端。通过利用预先训练的稳定性预测模型对企业数据进行预测分析,能够有效地提高企业稳定性预测的准确率。
在一个实施例中,企业数据包括类型标识,根据关键数据映射表对企业数据进行数据清洗,包括:根据类型标识获取对应的关键数据映射表;关键数据映射表包括关键字段标签;根据关键字段标签对类型标识的企业数据进行匹配;提取匹配度达到预设阈值的企业数据;利用提取的多个类型标识的企业数据生成待分析数据。
服务器接收到监控终端发送的企业稳定性监控指令后,则根据企业标识获取多个类型标识的企业数据。其中,企业标识包括园区内当前的多个企业的企业标识。服务器可以获取每个企业标识对应的企业数据。企业数据包括类型标识,即企业数据可以包括多个企业数据类型对应的数据。类型标识可以包括企业员工行为数据、企业访客数据、企业招聘数据、企业物业数据、企业资产数据、企业活跃度数据以及企业舆情数据等企业数据类型。
服务器根据企业标识获取多个类型标识的企业数据后,则对获取的企业数据进行数据清洗。具体地,服务器可以获取预设的关键数据映射表。其中,关键数据映射表中存储了多个类型标识对应的用于分析企业稳定性的关键字段标签。例如,企业员工行为数据类型对应的关键字段标签可以包括员工规模、工作时长、员工上下班异常率等字段标签关键字段;企业访客数据可以包括访客数量和访客异常率等关键字段;企业招聘数据可以包括招聘岗位类型、招聘岗位数量和招聘人数需求量等关键字段;企业物业数据可以包括多项物业用能消耗、企业占地规模等关键字段;企业资产数据可以包括设施资产、服务资产、办公用品采购资产等关键字段;企业舆情数据可以包括舆情类型、舆情标题、舆情内容等等关键字段。
服务器可以根据关键字段标签对类型标识的企业数据进行匹配,分别计算每个类型标识的企业数据与对应的关键字段标签的匹配度。若匹配度达到预设阈值,则提取出匹配度达到预设阈值的企业数据字段和对应的字段值数据,服务器进而利用提取的企业数据和对应的字段值数据生成多个类型标识的待分析数据。通过利用关键数据映射表对企业数据进行数据清洗,能够有效地过滤掉大量数据中没有价值的数据,从而能够有效地提取出关键的企业数据。
在一个实施例中,在获取预设的行为稳定性预测模型之前,还还需要预先构建稳定性预测模型,具体包括:获取多个企业数据,将多个企业数据生成对应的训练集数据和验证集数据;对训练集数据中的多个企业数据进行聚类分析,得到聚类结果;对聚类结果进行特征提取,提取出多个特征变量;对多个特征变量进行分析,得到多个类型标识的企业数据指标;获取预设的神经网络模型,通过神经网络模型根据企业数据指标对训练集数据进行训练,得到多个特征变量对应的特征维度值和权重,根据多个特征变量对应的特征维度值和权重构建初始分析模型;利用验证集数据对初始分析模型进行进一步训练和验证,直到验证集数据中满足预设阈值的数量达到预设比值时,则停止训练,得到所需的稳定性预测模型。
服务器在获取稳定性预测模型对企业数据进行分析之前,需要预先构建和训练出稳定性预测模型。具体地,服务器可以预先从本地数据库或第三方数据库中获取大量的企业数据,并将大量的企业数据生成训练集数据和验证集数据,其中,训练集数据可以是经过人工标注后的数据。例如,可以通过专家打分对训练集数据进行人工标注,对企业数据进行稳定性评分,企业稳定性分数越低流失的可能性越高。例如,可以从园区运营者中挑选5位对园区企业有充分了解的人构成专家团队,综合第一阶段采集到的企业数据及专家自身对园区企业经验知识对所有企业稳定性进行评分。评分范围为0~5分,分值越高企业稳定性越强,专家可依据自己的判断给出这区间的任意分值,评分保留一位小数。根据5位专家对每个企业的评分,先去除最高和最低得分,取3位专家分值的平均值为企业最终稳定性评分,从而对训练集数据进行人工标注。
服务器首先对训练集数据中的企业数据进行数据清洗和数据预处理,具体地,服务器对企业数据对应的多个字段数据进行向量化,得到多个字段数据对应的特征向量,并将特征向量转换为对应的特征变量。服务器进一步对特征变量进行衍生处理,得到处理后的多个特征变量。如对特征变量进行缺失值填充、异常值抽取更替等。
服务器进而采用预设的聚类算法对训练集数据对应的特征变量进行聚类分析。例如,预设的聚类算法可以为k-means(k-均值算法)聚类的方法。服务器通过对特征变量进行多次聚类后得到多个聚类结果。服务器并根据预设算法计算多个特征变量之间的相似度,提取出相似度达到预设阈值的特征变量。
例如,服务器可以对多个聚类结果内的特征变量分别进行组合,得到多个组合特征变量。获取目标变量,利用目标变量对多个组合特征变量进行相关性检验。检验通过时,对组合特征变量添加交互标签。利用添加交互标签后的组合特征变量解析对应的特征变量。添加交互标签后的组合特征变量可以为达到预设阈值的特征变量,服务器则提取出达到预设阈值特征变量。通过对特征变量进行特征处理和特征提取,能够有效地提取出有价值的特征变量。
服务器则获取预设的神经网络模型。其中,神经网络模型可以包括预设的多个节点模型,节点模型可以是模型中多个类型标识对应的网络分析层。进一步地,神经网络模型中还可以包括一层普通的神经网络层,用于输出结果的降维。
服务器获取预设的神经网络模型后,进一步将提取出的训练集数据对应的特征向量输入至神经网络模型中进行学习和训练。服务器通过对训练集中的大量企业数据进行训练后,可以得到得到多个特征变量对应的特征维度值和权重,进而根据多个特征变量对应的特征维度值和权重构建初始分析模型。
服务器得到初始分析模型后,则获取验证集数据,通过验证集数据中的大量历史因素数据对构建的初始分析模型进行训练和验证。直到验证集数据中满足预设阈值的数量达到预设比值时,则停止训练,进而得到训练完成的稳定性预测模型。通过对大量的企业数据进行训练和学习,进而能够有效构建出分析准确率较高的稳定性预测模型,从而有效提高了企业稳定性分析的准确率。
在一个实施例中,稳定性预测模型包括多个类型标识对应的节点模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值的步骤,具体包括以下内容:将目标数据特征输入至稳定性预测模型中,分别提取出多个类型标识对应的目标数据特征;通过多个类型标识对应的节点模型分别计算目标数据特征的评估指标值;根据多个类型标识的评估指标值和对应的权重计算企业标识的当前稳定性评分;获取企业标识的历史稳定性评分,根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值;根据当前稳定性评分和稳定性预测值生成分析结果并输出。
服务器接收到监控终端发送的企业稳定性监控指令后,则根据园区内的多个企业标识获取对应的多个企业数据。其中,企业标识包括园区内当前的多个企业的企业标识。服务器可以获取每个企业标识对应的企业数据。企业数据包括多个类型标识以分别对应的企业数据。类型标识可以包括企业员工行为数据、企业访客数据、企业招聘数据、企业物业数据、企业采购数据、企业活跃度数据以及企业舆情数据等企业数据类型。
服务器根据企业标识获取多个类型标识的企业数据后,获取预设的关键数据映射表,并根据关键数据映射表对获取的企业数据进行数据清洗,从企业数据中提取出多个类型标识的待分析数据。服务器进一步对到分析数据进行特征提取,提取出多个类型标识的目标数据特征。
服务器获取稳定性预测模型,将多个类型标识的目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值。具体地,服务器将多个类型标识的目标数据特征输入至稳定性预测模型后,根据类型标识分别将对应的目标数据特征输入值对应的节点模型,对应的节点模型分别对目标数据特征进行分析。
例如,节点模型可以包括员工行为分析模型、企业访客分析模型、企业人力资源分析模型、企业能耗分析模型、企业资产分析模型、企业活跃度分析模型以及企业舆情分析模型。
其中,服务器可以通过员工行为分析模型对企业员工行为数据进行分析。具体地,企业员工行为数据可以包括企业员工轨迹图像集合。服务器通过员工行为分析模型将轨迹图像集合中的多个图像属性信息按照时间序列和位置标识以及轨迹线路对轨迹图像集合进行特征提取,得到企业员工对应的轨迹特征信息。服务器进而根据企业员工轨迹特征信息分析员工的上下班异常、工作员工数量以及企业工作时长等多个评估指标值。例如,服务器可以根据行为数据进行分析。具体地,企业员工行为数据可以包括分析企业每天上下班人数、工作时长以及每月平均上班人数。通过比较本月与上个月度的平均值,可以得到人数的变化率以及工作时长的变化率。其中,可以将变化率归一化到[-1,1]之间,当变化率大于百分之百的时候直接取-1或1。员工工作时长的变化反映企业业务变化,业务量增加导致员工工作任务增加,业务量也可以反映企业的稳定性。
服务器可以通过企业访客分析模型对企业访客数据进行分析。具体地,通过企业访客分析模型计算预设周期内企业访客数据中的访客数量、访客变化率等评估指标值。例如,服务器通过企业访客系统可以分析企业每个月的访客人数,比较两个月的访客人数,得到访客人数的变化率。
服务器可以通过企业人力资源分析模型对企业招聘数据进行分析。具体地,服务器可以通过企业人力资源分析模型分析企业的招聘岗位类型、招聘岗位数量和招聘人数需求量等多个评估指标值。例如,服务器还可以分析企业在园区内的岗位需求变化,得到本月较上个月的需求变化率,从而得到人力资源变化率。
服务器可以通过企业能耗分析模型对企业物业数据进行分析。具体地,服务器可以通过企业能耗分析模型分析多项物业用能消耗、企业占地规模等多个评估指标值。例如,服务器可以分析企业的水电能耗、办公用品能耗、物业评分以及维修、保洁、安保等物业需求能耗等多个评估指标值。
服务器可以通过企业资产分析模型对企业资产数据进行分析。具体地,服务器可以通过企业资产分析模型分析设施资产、服务资产、办公用品采购资产等多个评估指标值。例如,服务器可以分析企业的设施采购、办公用品采购、企业服务需求等多个评估指标值。
服务器可以通过企业活跃度分析模型对企业活跃度数据进行分析。具体地,服务器可以通过企业活跃度分析模型分析企业活跃度的评估指标值。例如,服务器可以通过企业内部聊天频率分析本月相比上月交流次数变化率,进而计算出企业活跃度。
服务器可以通过企业舆情分析模型对企业舆情数据进行分析。具体地,服务器可以通过企业舆情分析模型分析企业的舆情类型、舆情标题,并根据舆情内容分析舆情正负面性、以及正负面性占比等多个评估指标值。例如,服务器可以通过通过企业舆情分析模型对企业舆情数据进行分词,转换为对应的词向量,并对多个词向量进行分类,进而分类出企业舆情的情感正负面类型,得到企业网络舆情正负面性,从而得到正面新闻占比。
其中,稳定性预测模型中预置了多个节点模型对应的权重参数。服务器则根据多个类型标识的评估指标值和对应的权重参数计算企业标识的当前稳定性评分。服务器进一步获取该企业标识的历史稳定性评分,例如,服务器可以获取预设周期内企业的历史稳定性评分,如三个月内、半年内、一年内等时间周期。服务器则根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值。具体地,服务器可以通过稳定性预测模型中的预设算法根据多个历史稳定性评分和当前稳定性评分之间的相关性进行基于时序的预测分析,由此可以分析得到企业的稳定性预测值。其中,稳定性预测值可以是预设周期内的预测值。例如,预设周期可以是未来一个月、三个月或六个月的预测值。服务器进而通过稳定性预测模型中的输出层输出当前稳定性评分和稳定性预测值。服务器则利用当前稳定性评分和稳定性预测值生成分析结果。通过利用预先训练的稳定性预测模型对企业数据进行预测分析,能够有效地提高企业稳定性预测的准确率。
在一个实施例中,该方法还包括:根据预设频率从预设数据库中获取多个历史企业数据;对多个历史企业数据进行聚类分析,得到分析结果;根据分析结果进行特征选择,得到多个特征变量;根据预设的算法计算多个特征变量的权重参数;根据多个特征变量和对应的权重参数对稳定性预测模型进行优化调整。
服务器训练得到稳定性预测模型后,还可以根据预设的频率对稳定性预测模型进行调参优化。具体地,服务器可以根据预设频率从数据库中获取大量的历史企业数据,例如预设频率可以为一周、两周、一个月、三个月等,服务器则可以获取过去一周、两周、一个月、三个月内的企业数据,历史企业数据可以包括多个类型标识对应的企业数据。
服务器首先获取的大量历史企业数据进行数据清洗和数据预处理,具体地,服务器对历史企业数据对应的多个字段数据进行向量化,得到多个字段数据对应的特征变量,并对特征变量进行衍生处理,得到处理后的多个特征变量。如对特征变量进行缺失值填充、异常值抽取更替等。
服务器进而采用预设的聚类算法对训练集数据对应的特征变量进行聚类分析。例如,预设的聚类算法可以为k-means(k-均值算法)聚类的方法。服务器通过对特征变量进行多次聚类后得到多个聚类结果。服务器并根据预设算法计算多个特征变量之间的相似度,提取出相似度达到预设阈值的特征变量。
例如,服务器可以对多个聚类结果内的特征变量分别进行组合,得到多个组合特征变量。获取目标变量,利用目标变量对多个组合特征变量进行相关性检验。检验通过时,对组合特征变量添加交互标签。利用添加交互标签后的组合特征变量解析对应的特征变量。添加交互标签后的组合特征变量可以为达到预设阈值的特征变量,服务器则提取出达到预设阈值特征变量。通过对特征变量进行特征处理和特征提取,能够有效地提取出有价值的特征变量。
服务器进一步根据预设的算法计算多个特征变量的权重参数,进而根据多个特征变量和对应的权重对稳定性预测模型进行优化调整。具体地,服务器可以根据多个特征变量和对应的权重参数对数据预测模型中的模型参数进行调整。例如,服务器可以采用网格搜索5折交叉验证对稳定性预测模型进行调参。服务器将历史企业数据中的一部分作为训练集,另外以部分作为验证集,在训练集上进行训练,在验证集上测试得到的模型。5折交叉验证,将数据数据平均分成5份,轮流将数据中的4份用作训练1份用作测试,5次结果的均值作为对算法精度的估计。服务器可以采用网格搜索法选择最优的参数,使得算法精度最高。服务器进而根据最优参数对稳定性预测模型进行调整优化。通过根据预设频率对稳定性预测模型进行调参优化,从而能够有效地提高稳定性预测模型的分析准确率。
在一个实施例中,该方法还包括:获取当前稳定性评分未达到评分阈值的企业标识;根据企业标识对应的当前稳定性评分和稳定性预测值计算出多项易流失指标特征;根据多项易流失指标特征计算企业标识对应的运营指标值;根据运营指标值生成企业标识对应的运营策略数据;将运营策略数据推送至监控终端。
服务器接收到监控终端发送的企业稳定性监控指令后,则根据园区内的多个企业标识获取对应的多个企业数据。获取预设的关键数据映射表,并根据关键数据映射表对获取的企业数据进行数据清洗和特征提取,提取出多个类型标识的目标数据特征,由此能够有效地过滤企业数据中没有价值的数据,从而能够有效地提取出用于分析企业稳定性的关键数据。服务器获取稳定性预测模型,将多个类型标识的目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值。服务器并根据稳定性评分和稳定性预测值生成分析结果并输出。
进一步地,服务器通过稳定性预测模型分析出园区内入驻企业的当前稳定性评分和稳定性预测值后,获取分析结果中当前稳定性评分未达到评分阈值的企业标识。服务器进而根据未达到评分阈值的企业标识对应的当前稳定性评分和稳定性预测值计算出多项易流失指标特征。具体地,服务器根据企业标识的企业数据的多个类型标识对应的评估指标值和预设的指标权重,计算出易流失的指标特征,例如可以将评估指标值和对应指标权重未达到指标阈值的评估指标确定为易流失指标特征。
服务器则根据多项易流失指标特征计算企业标识对应的运营指标值,例如,服务器可以根据多项易流失指标特征的可运营指数确定企业标识对应的运营指标值。服务器进而根据运营指标值生成企业标识对应的运营策略数据,其中,运营策略数据包括多项运营指标和对应的运营指标值。服务器进而将分析结果和运营策略数据发送至监控终端。由此,监控终端对应的园区运营方则针对稳定性评分较低的企业,通过对应的运营策略数据对相应的企业采取运营策略措施,以提升企业稳定性。还可以在稳定性评分较低的易流失企业在即将流失的之前及时采用招商策略引进其他企业入驻园区。通过通过利用预先训练的稳定性预测模型对企业数据进行预测分析,能够有效地提高企业稳定性预测的准确率。进而根据预测分析结果能够准确地分析出易流失企业对应的运营策略,从而能够有效提高园区企业的稳定性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种企业稳定性预测装置,包括:指令接收模块302、数据获取模块304、数据提取模块306、稳定性预测模块308和数据发送模块310,其中:
指令接收模块302,用于接收监控终端发送的企业稳定性监控指令,企业稳定性监控指令携带企业标识;
数据获取模块304,用于根据企业标识获取多个类型标识的企业数据;
数据提取模块306,用于获取预设的关键数据映射表,根据关键数据映射表对企业数据进行数据清洗,得到待分析数据;对待分析数据进行特征提取,得到目标数据特征;
稳定性预测模块308,用于获取稳定性预测模型,将目标数据特征输入至稳定性预测模型,通过稳定性预测模型计算企业标识的当前稳定性评分和稳定性预测值,根据稳定性评分和稳定性预测值生成分析结果;
数据发送模块310,用于将分析结果发送至监控终端。
在一个实施例中,企业数据包括类型标识,数据提取模块306还用于根据类型标识获取对应的关键数据映射表;关键数据映射表包括关键字段标签;根据关键字段标签对类型标识的企业数据进行匹配;提取匹配度达到预设阈值的企业数据;利用提取的多个类型标识的企业数据生成待分析数据。
在一个实施例中,该装置还包括模型训练模块,用于获取多个企业数据,将多个企业数据生成对应的训练集数据和验证集数据;对训练集数据中的多个企业数据进行聚类分析,得到聚类结果;对聚类结果进行特征提取,提取出多个特征变量;对多个特征变量进行分析,得到多个类型标识的企业数据指标;获取预设的神经网络模型,通过神经网络模型根据企业数据指标对训练集数据进行训练,得到多个特征变量对应的特征维度值和权重,根据多个特征变量对应的特征维度值和权重构建初始分析模型;利用验证集数据对初始分析模型进行进一步训练和验证,直到验证集数据中满足预设阈值的数量达到预设比值时,则停止训练,得到所需的稳定性预测模型。
在一个实施例中,稳定性预测模型包括多个类型标识对应的节点模型,稳定性预测模块308还用于将目标数据特征输入至稳定性预测模型中,分别提取出多个类型标识对应的目标数据特征;通过多个类型标识对应的节点模型分别计算目标数据特征的评估指标值;根据多个类型标识的评估指标值和对应的权重计算企业标识的当前稳定性评分;获取企业标识的历史稳定性评分,根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值;根据当前稳定性评分和稳定性预测值生成分析结果并输出。
在一个实施例中,该装置还包括模型优化模块,用于根据预设频率从预设数据库中获取多个历史企业数据;对多个历史企业数据进行聚类分析,得到分析结果;根据分析结果进行特征选择,得到多个特征变量;根据预设的算法计算多个特征变量的权重参数;根据多个特征变量和对应的权重参数对稳定性预测模型进行优化调整。
在一个实施例中,该装置还包括运营策略生成模块,用于获取当前稳定性评分未达到评分阈值的企业标识;根据企业标识对应的当前稳定性评分和稳定性预测值计算出多项易流失指标特征;根据多项易流失指标特征计算企业标识对应的运营指标值;根据运营指标值生成企业标识对应的运营策略数据;将运营策略数据推送至监控终端。
关于企业稳定性预测装置的具体限定可以参见上文中对于企业稳定性预测方法的限定,在此不再赘述。上述企业稳定性预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储企业数据、关键数据映射表、当前稳定性评分和稳定性预测值等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请任意一个实施例中提供的企业稳定性预测方法的步骤。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的企业稳定性预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种企业稳定性预测方法,所述方法包括:
接收监控终端发送的企业稳定性监控指令,所述企业稳定性监控指令携带企业标识;
根据所述企业标识获取多个类型标识的企业数据;
获取预设的关键数据映射表,根据所述关键数据映射表对所述企业数据进行数据清洗,得到待分析数据;
对所述待分析数据进行特征提取,得到目标数据特征;
获取稳定性预测模型,将所述目标数据特征输入至所述稳定性预测模型,通过所述稳定性预测模型计算所述企业标识的当前稳定性评分和稳定性预测值,根据所述稳定性评分和所述稳定性预测值生成分析结果;
将所述分析结果发送至所述监控终端。
2.根据权利要求1所述的方法,其特征在于,所述企业数据包括类型标识,所述根据所述关键数据映射表对所述企业数据进行数据清洗,包括:
根据类型标识获取对应的关键数据映射表;所述关键数据映射表包括关键字段标签;
根据关键字段标签对所述类型标识的企业数据进行匹配;
提取匹配度达到预设阈值的企业数据;
利用提取的多个类型标识的企业数据生成待分析数据。
3.根据权利要求1所述的方法,其特征在于,在获取预设的行为稳定性预测模型之前,还包括:
获取多个企业数据,将所述多个企业数据生成对应的训练集数据和验证集数据;
对所述训练集数据中的多个企业数据进行聚类分析,得到聚类结果;
对所述聚类结果进行特征提取,提取出多个特征变量;
对所述多个特征变量进行分析,得到多个类型标识的企业数据指标;
获取预设的神经网络模型,通过所述神经网络模型根据企业数据指标对所述训练集数据进行训练,得到多个特征变量对应的特征维度值和权重,根据多个特征变量对应的特征维度值和权重构建初始分析模型;
利用所述验证集数据对所述初始分析模型进行进一步训练和验证,直到所述验证集数据中满足预设阈值的数量达到预设比值时,则停止训练,得到所需的稳定性预测模型。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述稳定性预测模型包括多个类型标识对应的节点模型,所述通过所述稳定性预测模型计算所述企业标识的当前稳定性评分和稳定性预测值,包括:
将所述目标数据特征输入至所述稳定性预测模型中,分别提取出多个类型标识对应的目标数据特征;
通过多个类型标识对应的节点模型分别计算目标数据特征的评估指标值;
根据多个类型标识的评估指标值和对应的权重计算企业标识的当前稳定性评分;
获取企业标识的历史稳定性评分,根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值;
根据所述当前稳定性评分和所述稳定性预测值生成分析结果并输出。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设频率从预设数据库中获取多个历史企业数据;
对多个历史企业数据进行聚类分析,得到分析结果;
根据所述分析结果进行特征选择,得到多个特征变量;
根据预设的算法计算多个特征变量的权重参数;
根据多个特征变量和对应的权重参数对所述稳定性预测模型进行优化调整。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述当前稳定性评分未达到评分阈值的企业标识;
根据企业标识对应的当前稳定性评分和稳定性预测值计算出多项易流失指标特征;
根据多项易流失指标特征计算企业标识对应的运营指标值;
根据所述运营指标值生成企业标识对应的运营策略数据;
将所述运营策略数据推送至所述监控终端。
7.一种企业稳定性预测装置,所述装置包括:
指令接收模块,用于接收监控终端发送的企业稳定性监控指令,所述企业稳定性监控指令携带企业标识;
数据获取模块,用于根据所述企业标识获取多个类型标识的企业数据;
数据提取模块,用于获取预设的关键数据映射表,根据所述关键数据映射表对所述企业数据进行数据清洗,得到待分析数据;对所述待分析数据进行特征提取,得到目标数据特征;
稳定性预测模块,用于获取稳定性预测模型,将所述目标数据特征输入至所述稳定性预测模型,通过所述稳定性预测模型计算所述企业标识的当前稳定性评分和稳定性预测值,根据所述稳定性评分和所述稳定性预测值生成分析结果;
数据发送模块,用于将所述分析结果发送至所述监控终端。
8.根据权利要求7所述的装置,其特征在于,所述稳定性预测模型包括多个类型标识对应的节点模型,所述稳定性预测模块还用于将所述目标数据特征输入至所述稳定性预测模型中,分别提取出多个类型标识对应的目标数据特征;通过多个类型标识对应的节点模型分别计算目标数据特征的评估指标值;根据多个类型标识的评估指标值和对应的权重计算企业标识的当前稳定性评分;获取企业标识的历史稳定性评分,根据历史稳定性评分和当前稳定性评分分析企业标识的稳定性预测值;根据所述当前稳定性评分和所述稳定性预测值生成分析结果并输出。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553124.5A CN110428087A (zh) | 2019-06-25 | 2019-06-25 | 企业稳定性预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910553124.5A CN110428087A (zh) | 2019-06-25 | 2019-06-25 | 企业稳定性预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110428087A true CN110428087A (zh) | 2019-11-08 |
Family
ID=68408538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910553124.5A Pending CN110428087A (zh) | 2019-06-25 | 2019-06-25 | 企业稳定性预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428087A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
CN111738610A (zh) * | 2020-06-29 | 2020-10-02 | 金电联行(北京)信息技术有限公司 | 一种基于舆情数据的企业流失性风险预警系统和方法 |
CN112183644A (zh) * | 2020-09-29 | 2021-01-05 | 中国平安人寿保险股份有限公司 | 指标稳定性的监控方法、装置、计算机设备及介质 |
CN112598228A (zh) * | 2020-12-07 | 2021-04-02 | 深圳价值在线信息科技股份有限公司 | 企业竞争力的分析方法、装置、设备及存储介质 |
CN112988772A (zh) * | 2021-02-08 | 2021-06-18 | 平安科技(深圳)有限公司 | 行为数据的监控方法、装置、设备及介质 |
CN113312586A (zh) * | 2021-07-28 | 2021-08-27 | 深圳恒天智信科技股份有限公司 | 一种互联网创业园区管理系统 |
CN113554048A (zh) * | 2020-04-26 | 2021-10-26 | 中移(成都)信息通信科技有限公司 | 数据识别方法、装置、设备及存储介质 |
CN113724426A (zh) * | 2021-06-24 | 2021-11-30 | 储信(北京)科技发展有限公司 | 一种多维度安保规则配置预警的方法 |
CN116520758A (zh) * | 2023-07-03 | 2023-08-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
CN117236617A (zh) * | 2023-09-19 | 2023-12-15 | 广西欣耀科技有限公司 | 一种企业业务管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
CN109766767A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 行为数据推送方法、装置、计算机设备和存储介质 |
CN109767264A (zh) * | 2018-12-20 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品数据推送方法、装置、计算机设备和存储介质 |
CN109858737A (zh) * | 2018-12-18 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于模型部署的评分模型调整方法、装置和计算机设备 |
-
2019
- 2019-06-25 CN CN201910553124.5A patent/CN110428087A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
CN109766767A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 行为数据推送方法、装置、计算机设备和存储介质 |
CN109858737A (zh) * | 2018-12-18 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于模型部署的评分模型调整方法、装置和计算机设备 |
CN109767264A (zh) * | 2018-12-20 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品数据推送方法、装置、计算机设备和存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
CN113554048B (zh) * | 2020-04-26 | 2024-02-02 | 中移(成都)信息通信科技有限公司 | 数据识别方法、装置、设备及存储介质 |
CN113554048A (zh) * | 2020-04-26 | 2021-10-26 | 中移(成都)信息通信科技有限公司 | 数据识别方法、装置、设备及存储介质 |
CN111738610A (zh) * | 2020-06-29 | 2020-10-02 | 金电联行(北京)信息技术有限公司 | 一种基于舆情数据的企业流失性风险预警系统和方法 |
CN112183644A (zh) * | 2020-09-29 | 2021-01-05 | 中国平安人寿保险股份有限公司 | 指标稳定性的监控方法、装置、计算机设备及介质 |
CN112183644B (zh) * | 2020-09-29 | 2024-05-03 | 中国平安人寿保险股份有限公司 | 指标稳定性的监控方法、装置、计算机设备及介质 |
CN112598228A (zh) * | 2020-12-07 | 2021-04-02 | 深圳价值在线信息科技股份有限公司 | 企业竞争力的分析方法、装置、设备及存储介质 |
CN112598228B (zh) * | 2020-12-07 | 2023-09-22 | 深圳价值在线信息科技股份有限公司 | 企业竞争力的分析方法、装置、设备及存储介质 |
CN112988772B (zh) * | 2021-02-08 | 2023-07-21 | 平安科技(深圳)有限公司 | 行为数据的监控方法、装置、设备及介质 |
CN112988772A (zh) * | 2021-02-08 | 2021-06-18 | 平安科技(深圳)有限公司 | 行为数据的监控方法、装置、设备及介质 |
CN113724426A (zh) * | 2021-06-24 | 2021-11-30 | 储信(北京)科技发展有限公司 | 一种多维度安保规则配置预警的方法 |
CN113312586A (zh) * | 2021-07-28 | 2021-08-27 | 深圳恒天智信科技股份有限公司 | 一种互联网创业园区管理系统 |
CN116520758A (zh) * | 2023-07-03 | 2023-08-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
CN116520758B (zh) * | 2023-07-03 | 2023-09-01 | 沈阳宝隆飞机零部件有限公司 | 一种机加工设备远程控制方法及系统 |
CN117236617A (zh) * | 2023-09-19 | 2023-12-15 | 广西欣耀科技有限公司 | 一种企业业务管理方法及系统 |
CN117236617B (zh) * | 2023-09-19 | 2024-05-07 | 北京瀚鼎科技发展有限公司 | 一种企业业务管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428087A (zh) | 企业稳定性预测方法、装置、计算机设备和存储介质 | |
Li et al. | Attention-based interpretable neural network for building cooling load prediction | |
Yu et al. | Short term wind power prediction for regional wind farms based on spatial-temporal characteristic distribution | |
Sanzana et al. | Application of deep learning in facility management and maintenance for heating, ventilation, and air conditioning | |
CN110175788A (zh) | 一种智慧城市能源云平台 | |
CN108280541A (zh) | 基于随机森林和决策树的客户服务策略制定方法、装置 | |
Feng et al. | [Retracted] Design and Simulation of Human Resource Allocation Model Based on Double‐Cycle Neural Network | |
Seret et al. | A new SOM-based method for profile generation: Theory and an application in direct marketing | |
Kaur et al. | Energy forecasting in smart grid systems: A review of the state-of-the-art techniques | |
Lou et al. | Ponzi contracts detection based on improved convolutional neural network | |
Lee | Adaptive electricity access planning | |
Zhang et al. | Short term electricity spot price forecasting using catboost and bidirectional long short term memory neural network | |
CN110297990A (zh) | 众包营销微博与水军的联合检测方法及系统 | |
Wang et al. | Urban traffic pattern analysis and applications based on spatio-temporal non-negative matrix factorization | |
Cao et al. | Short-term energy consumption prediction method for educational buildings based on model integration | |
Zhang | Sales forecasting of promotion activities based on the cross-industry standard process for data mining of E-commerce promotional information and support vector regression | |
Xu et al. | China mainland new energy index price forecasting with the neural network | |
Li et al. | A separate modelling approach for short-term bus passenger flow prediction based on behavioural patterns: A hybrid decision tree method | |
Dadhich et al. | Development of electric load prediction techniques for rajasthan region and suggestive measures for optimum use of energy using multi-objective optimization | |
Cinar | Combining Domain Knowledge & Machine Learning: Making Predictions using Boosting Techniques | |
Zhao et al. | A global forecasting method of heterogeneous household short-term load based on pre-trained autoencoder and deep-LSTM model | |
Zhao et al. | Combining unsupervised and supervised classification for customer value discovery in the telecom industry: a deep learning approach | |
Liang et al. | New technology brings new opportunity for telecommunication carriers: Artificial intelligent applications and practices in telecom operators | |
Xu et al. | Metro train operation plan analysis based on station travel time reliability | |
Nepal et al. | A Hybrid Model of Clustering and Neural Network Using Weather Conditions for Energy Management in Buildings |
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: 20191108 |
|
RJ01 | Rejection of invention patent application after publication |