CN111950775A - 一种基于大数据的经济运行监测方法 - Google Patents

一种基于大数据的经济运行监测方法 Download PDF

Info

Publication number
CN111950775A
CN111950775A CN202010722909.3A CN202010722909A CN111950775A CN 111950775 A CN111950775 A CN 111950775A CN 202010722909 A CN202010722909 A CN 202010722909A CN 111950775 A CN111950775 A CN 111950775A
Authority
CN
China
Prior art keywords
value
data
alpha
prediction
operation monitoring
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
Application number
CN202010722909.3A
Other languages
English (en)
Inventor
王磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010722909.3A priority Critical patent/CN111950775A/zh
Publication of CN111950775A publication Critical patent/CN111950775A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的经济运行监测方法，该方法包括以下步骤：基于各产业数据分析经济指标；采用具有季节趋势的时间序列指数平滑和回归分析相结合的预测算法，建立数据预测模型；通过预测算法和开发代码融合，直接根据数据模型生成开发代码，嵌入经济运行监测平台。通过经济运行监测分析方法预测行业经济指标趋势走向，并通过建模算法与代码嵌入经济运行监测分析平台，对全区及骨干企业的重要指标进行预测、监测和风险预警，使决策层及时发现经济运行的问题，研究针对性措施，精准施策，提高了企业、产业的避险能力，推动了区工业和信息化、商务工作、物流工作事业高质量的发展，确保经济持续平稳健康发展。

Description

一种基于大数据的经济运行监测方法
技术领域
本发明涉及大数据分析技术领域，具体来说，涉及一种基于大数据的经济运行监测方法。
背景技术
目前，相关统计数据无法横向联通，需多方要数人工统计，无法及时发现本区经济运行情况运行中的有关问题；工业和信息化、商贸部门、中小企业、物流服务中心等部门不能及时预测本区域经济情况，无法对本行业经济运行状况进行实时的监测分析。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于大数据的经济运行监测方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于大数据的经济运行监测方法，该方法包括以下步骤：
S1：基于各产业数据分析经济指标；
所述步骤S1包括以下步骤：
S11：利用大数据分析技术，对各产业基础数据进行采集，其中，采集的产业基础数据至少包括工业生产总值、商贸销售额、外贸进出口总额、物流营业收入；
S12：对行业、规模、街镇的目标完成情况进行分析并展示数据；
S2：采用具有季节趋势的时间序列指数平滑和回归分析相结合的预测算法，建立数据预测模型；
所述步骤S2中采用的指数平滑算法包括以下内容：
S201：原始数据进行一次指数平滑，公式为：
Figure BDA0002600658580000011
S202：对得到的一次平滑数据进行二次指数平滑，公式为：
Figure BDA0002600658580000021
S203：利用得到的二次指数平滑值求解出预测参数值，公式为：
Figure BDA0002600658580000022
S204：进而得到预测表达式为：
Figure BDA0002600658580000023
其中，上述公式符号说明：
Figure BDA0002600658580000024
代表指数第一次平滑运算结果，
Figure BDA0002600658580000025
代表指数第二次平滑运算结果，X代表已知原始数据，X1为第一个数值，α为权重系数，t 代表次数，αt、bt代表根据两次平滑运算计算出来的预测参数值， h代表利用已有的数据，向后预测几期,
Figure BDA0002600658580000026
代表预测数值；
其中，权重系数α的取值条件为：如果数据波动较大，α值应取大值；如果数据波动平稳，α值取小值，其中，判断α值的方法包括经验判断法、试算法，所述经验判断法主要依赖于时间序列的发展趋势和预测者的经验做出判断，包括以下判断方式：
1.当时间序列呈现较稳定的水平趋势时，应选较小的α值，一般在0.05～0.20之间取值；
2.当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值；
3.当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，在0.6～0.8间选值；
4.当时间序列数据是上升或下降的发展趋势类型，α应取较大的值，在0.6～1之间取值；
所述步骤S2中采用的回归分析预测算法包括以下内容：
S211：查找总体中自变量与因变量之间客观存在的协变规律，建立回归方程进行预测模型，其模型一般表达式为：
Y＝Xβ+U，
其中，X,Y分别为自变量和因变量矩阵，β为未知参数矩阵， U为随机误差项矩阵；
S212：利用普通最小二乘法，通过非齐次线性方程组，求出该模型的参数估计值，其中，
非齐次线性方程组为：
Figure BDA0002600658580000031
符号解释说明：X代表解释变量矩阵，Y为被解释变量矩阵，X1i为样本矩阵中第一行第一列的数据，1……k代表k个不同的解释变量，Q代表误差平方和，
Figure BDA0002600658580000032
代表K+1个未知参数,
Figure 728909DEST_PATH_IMAGE002
是求偏导的符号，
S213：求出该模型的参数估计值：
Figure BDA0002600658580000034
公式中数学符号解释说明：X代表所有的自变量，XT代表矩阵的转置，转置是矩阵中的行和列互换；
S214：获得预测值：
Figure BDA0002600658580000041
S3：通过预测算法和开发代码融合，直接根据数据模型生成开发代码，嵌入经济运行监测平台。
进一步的，所述试算法包括：
根据具体时间序列情况，参照经验判断法，确定额定的取值范围；
取几个不同的α值进行试算，并计算、比较不同α值下的预测值平均相对误差，其中，计算公式为：
Figure BDA0002600658580000042
公式中字母代表的含义：MAPE代表平均相对误差；Xi代表实际值，
Figure BDA0002600658580000043
代表预测值；
选取预测值平均相对误差误差最小的α。
本发明的有益效果：通过该方法，基于市场监管部门、财政部门和现有统计局等基础大数据实现多维数据分析并动态展示、实时监测，准确预测趋势、提升了决策效率；
经济效益：节约了人力成本，提升了工作效率；
社会的有益效果：通过经济运行监测分析方法预测行业经济指标趋势走向，并通过建模算法与代码嵌入经济运行监测分析平台，对全区及骨干企业的重要指标进行预测、监测和风险预警，使决策层及时发现经济运行的问题，研究针对性措施，精准施策，提高了企业、产业的避险能力，推动了区工业和信息化、商务工作、物流工作事业高质量的发展，确保经济持续平稳健康发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于大数据的经济运行监测方法的流程框图；
图2是二次指数平滑算法应用的一个实例；
图3是线性回归计算方法的一个实例；
图4是二次指数平滑预测结果和线性回归预测结果组合实例图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，根据本发明实施例所述的一种基于大数据的经济运行监测方法，包括以下步骤：
S1：基于各产业数据分析经济指标；
步骤S1包括以下步骤：
S11：利用大数据分析技术，对各产业基础数据进行采集，其中，采集的产业基础数据至少包括工业生产总值、商贸销售额、外贸进出口总额、物流营业收入；
S12：对行业、规模、街镇的目标完成情况进行分析并展示数据；
S2：采用具有季节趋势的时间序列指数平滑和回归分析相结合的预测算法，建立数据预测模型；
步骤S2中采用的指数平滑算法包括以下内容：
S201：原始数据进行一次指数平滑，公式为：
Figure BDA0002600658580000061
S202：对得到的一次平滑数据进行二次指数平滑，公式为：
Figure BDA0002600658580000062
S203：利用得到的二次指数平滑值求解出预测参数值，公式为：
Figure BDA0002600658580000063
S204：进而得到预测表达式为：
Figure BDA0002600658580000064
其中，上述公式符号说明：
Figure BDA0002600658580000065
代表指数第一次平滑运算结果，
Figure BDA0002600658580000066
代表指数第二次平滑运算结果，X代表已知原始数据，X1为第一个数值，α为权重系数，t 代表次数，αt、bt代表根据两次平滑运算计算出来的预测参数值， h代表利用已有的数据，向后预测几期,
Figure BDA0002600658580000067
代表预测数值；
其中，权重系数α的取值条件为：如果数据波动较大，α值应取大值；如果数据波动平稳，α值取小值，其中，判断α值的方法包括经验判断法、试算法，所述经验判断法主要依赖于时间序列的发展趋势和预测者的经验做出判断，包括以下判断方式：
1.当时间序列呈现较稳定的水平趋势时，应选较小的α值，一般在0.05～0.20之间取值；
2.当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值；
3.当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，在0.6～0.8间选值；
4.当时间序列数据是上升或下降的发展趋势类型，α应取较大的值，在0.6～1之间取值；
步骤S2中采用的回归分析预测算法包括以下内容：
S211：查找总体中自变量与因变量之间客观存在的协变规律，建立回归方程进行预测模型，其模型一般表达式为：
Y＝Xβ+U，
其中，X,Y分别为自变量和因变量矩阵，β为未知参数矩阵， U为随机误差项矩阵；
S212：利用普通最小二乘法，通过非齐次线性方程组，求出该模型的参数估计值，其中，
非齐次线性方程组为：
Figure BDA0002600658580000071
符号解释说明：X代表解释变量矩阵，Y为被解释变量矩阵，X1i为样本矩阵中第一行第一列的数据，1……k代表k个不同的解释变量，Q代表误差平方和，
Figure BDA0002600658580000072
代表K+1个未知参数,
Figure 786995DEST_PATH_IMAGE002
是求偏导的符号，
S213：求出该模型的参数估计值：
Figure BDA0002600658580000081
公式中数学符号解释说明：X代表所有的自变量，XT代表矩阵的转置，转置是矩阵中的行和列互换；
S214：获得预测值：
Figure BDA0002600658580000082
S3：通过预测算法和开发代码融合，直接根据数据模型生成开发代码，嵌入经济运行监测平台。
试算法包括：
根据具体时间序列情况，参照经验判断法，确定额定的取值范围；
取几个不同的α值进行试算，并计算、比较不同α值下的预测值平均相对误差，其中，计算公式为：
Figure BDA0002600658580000083
公式中字母代表的含义：MAPE代表平均相对误差；Xi代表实际值，
Figure BDA0002600658580000084
代表预测值；
选取预测值平均相对误差误差最小的α。
如图2所示：为某城区2020年规上企业工业总产值预测趋势图，是二次指数平滑算法的一个实例应用，利用2017年1月-2019 年12月的历史数据对此城区的工业总产值进行了全年的预测，结果展示如图2。
如图3所示：为某城区2020年限上企业零售额月度预测趋势图，利用线性回归计算方法，通过算法嵌入程序，采用2017年1 月-2019年12月的历史数据对2020年此城区限上企业零售额进行的逐月预测，每个月的数据形成图3趋势图。
如图4所示：是二次指数平滑预测结果和线性回归预测结果组合实例图，采用2017年1月-2019年12月的历史数据对此城区 2020年每个月的外贸进出口额进行了预测，每个月数值结果形成 2020年外贸进出口额月度预测趋势图。
预测实例1：
对某一城区工业总产值预测：
利用此城区历史数据自2018年1月-2020年4月工业业总产值的数据{1239732.255,1239732.255,1362050.12,1096877.42,1231253.5 3,
1783205.53,1137332.4，
1154349.82,1427862.39,1474484.38,
1789473.932623877.17，
2106586.83，1285918.65，1533624.77,
1187148.33，1213097.4，1913156.2,1379246.07，
1299973.93，1839094.1，1361505.51，1530061.63,
3136761.35，1915877.54，1282413.11,2037295.95,
1903739,1701742}单位：千元；
算法嵌入程序代码，通过不同的算法，得出下1个月(即2020 年5月)此街道工业总产值预测结果；
指数平滑算法：1678666；
线性回归：1923707；
组合预测方法(平均)：1801187千元；
2020年5月该城区实际工业总产值为1846821，所以组合预测算法误差最小。
预测实例2：
对某城区外贸进出口总额数据进行预测；
原始数据采用2018年1月-2020年3月{77893,81166,69982, 69136,80246,103219,82666,70159,106855，85284， 85047,101163，75882，49665,56104，62111，40950，64467, 64719，59668，66253,40262， 44933,76583,48698,48698,57561}；
4月进出口总额预测结果：
指数平滑算法：56686；
线性回归：49261；
组合预测方法(平均)：52973；
4月实际进出口总额：51632。
预测实例3
对某城区外贸进口数据进行预测；
原始数据采用自2018年1月-2020年3月进口数据{9529, 4992, 9807,9728，11867，12165，30072，35002，28585， 24117，29602,28614，33128，26336，28789,30227，15880， 27966，33744，26662,36478，12230，14717,40112，22170， 22170，29876,56184}；
预测结果：
4月进口总额预测结果：
指数平滑算法24989；
线性回归：29396；
组合预测方法(平均)：25964；
4月实际进口额：27761。
预测实例4
对某城区外贸出口数据进行预测
原始数据采用自2018年1月-2020年3月进口数据如下：
{68364,76174，60175，59408,68379，91054，52594, 35157,78270，61167，55445,72549，42754，23329,27315，31884，25070,36501, 30975,33006，29775,28032,30216,36471,26528,26528， 27685}；
不同算法的预测结果：
4月出口总额预测结果；
指数平滑算法26535；
线性回归：17807；
组合预测方法(平均)：22172；
4月实际出口总额：23568。
综上所述，借助于本发明的上述技术方案，通过经济运行监测分析方法预测行业经济指标趋势走向，并通过建模算法与代码嵌入经济运行监测分析平台，对全区及骨干企业的重要指标进行预测、监测和风险预警，使决策层及时发现经济运行的问题，研究针对性措施，精准施策，提高了企业、产业的避险能力，推动了区工业和信息化、商务工作、物流工作事业高质量的发展，确保经济持续平稳健康发展。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于大数据的经济运行监测方法，其特征在于，包括以下步骤：
S1：基于各产业数据分析经济指标；
所述步骤S1包括以下步骤：
S11：利用大数据分析技术，对各产业基础数据进行采集，其中，采集的产业基础数据至少包括工业生产总值、商贸销售额、外贸进出口总额、物流营业收入；
S12：对行业、规模、街镇的目标完成情况进行分析并展示数据；
S2：采用具有季节趋势的时间序列指数平滑和回归分析相结合的预测算法，建立数据预测模型；
所述步骤S2中采用的指数平滑算法包括以下内容：
S201：原始数据进行一次指数平滑，公式为：
Figure FDA0002600658570000011
S202：对得到的一次平滑数据进行二次指数平滑，公式为：
Figure FDA0002600658570000012
S203：利用得到的二次指数平滑值求解出预测参数值，公式为：
Figure FDA0002600658570000013
S204：进而得到预测表达式为：
Figure FDA0002600658570000014
其中，上述公式符号说明：
Figure FDA0002600658570000021
代表指数第一次平滑运算结果，
Figure FDA0002600658570000022
代表指数第二次平滑运算结果，X代表已知原始数据，X1为第一个数值，α为权重系数，t代表次数，αt、bt代表根据两次平滑运算计算出来的预测参数值，h代表利用已有的数据，向后预测几期,
Figure FDA0002600658570000023
代表预测数值；
其中，权重系数α的取值条件为：如果数据波动较大，α值应取大值；如果数据波动平稳，α值取小值，其中，判断α值的方法包括经验判断法、试算法；
所述步骤S2中采用的回归分析预测算法包括以下内容：
S211：查找总体中自变量与因变量之间客观存在的协变规律，建立回归方程进行预测模型，其模型一般表达式为：
Y＝Xβ+U，
其中，X,Y分别为自变量和因变量矩阵，β为未知参数矩阵，U为随机误差项矩阵；
S212：利用普通最小二乘法，通过非齐次线性方程组，求出该模型的参数估计值，其中，
非齐次线性方程组为：
Figure FDA0002600658570000024
符号解释说明：X代表解释变量矩阵，Y为被解释变量矩阵，X1i为样本矩阵中第一行第一列的数据，1……k代表k个不同的解释变量，Q代表误差平方和，
Figure FDA0002600658570000031
代表K+1个未知参数,
Figure DEST_PATH_IMAGE002
是求偏导的符号，
S213：求出该模型的参数估计值：
Figure FDA0002600658570000033
公式中数学符号解释说明：X代表所有的自变量，XT代表矩阵的转置，转置是矩阵中的行和列互换；
S214：获得预测值：
Figure FDA0002600658570000034
S3：通过预测算法和开发代码融合，直接根据数据模型生成开发代码，嵌入经济运行监测平台。
2.根据权利要求1所述的一种基于大数据的经济运行监测方法，其特征在于，所述试算法包括：
根据具体时间序列情况，参照经验判断法，确定额定的取值范围；
取几个不同的α值进行试算，并计算、比较不同α值下的预测值平均相对误差，其中，计算公式为：
Figure FDA0002600658570000035
公式中字母代表的含义：MAPE代表平均相对误差；Xi代表实际值，
Figure FDA0002600658570000036
代表预测值；
选取预测值平均相对误差误差最小的α。
3.根据权利要求1所述的一种基于大数据的经济运行监测方法，其特征在于，所述经验判断法主要依赖于时间序列的发展趋势和预测者的经验做出判断，包括以下判断方式：
当时间序列呈现较稳定的水平趋势时，应选较小的α值，一般在0.05～0.20之间取值；
当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值；
当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，在0.6～0.8间选值；
当时间序列数据是上升或下降的发展趋势类型，α应取较大的值，在0.6～1之间取值。
CN202010722909.3A 2020-07-24 2020-07-24 一种基于大数据的经济运行监测方法 Pending CN111950775A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010722909.3A CN111950775A (zh) 2020-07-24 2020-07-24 一种基于大数据的经济运行监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010722909.3A CN111950775A (zh) 2020-07-24 2020-07-24 一种基于大数据的经济运行监测方法

Publications (1)

Publication Number Publication Date
CN111950775A true CN111950775A (zh) 2020-11-17

Family

ID=73337990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010722909.3A Pending CN111950775A (zh) 2020-07-24 2020-07-24 一种基于大数据的经济运行监测方法

Country Status (1)

Country Link
CN (1) CN111950775A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807886A (zh) * 2021-08-30 2021-12-17 浪潮卓数大数据产业发展有限公司 一种自动预测电商销售额的装置及方法
CN114879513A (zh) * 2022-07-07 2022-08-09 浙江中控技术股份有限公司 循环水系统的实时优化节能控制方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894316A (zh) * 2010-06-10 2010-11-24 焦点科技股份有限公司 一种国际市场景气状况的监测指数方法及系统
CN106022547A (zh) * 2016-07-04 2016-10-12 上海财经大学 一种区域经济未来发展宏观预测系统及其方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894316A (zh) * 2010-06-10 2010-11-24 焦点科技股份有限公司 一种国际市场景气状况的监测指数方法及系统
CN106022547A (zh) * 2016-07-04 2016-10-12 上海财经大学 一种区域经济未来发展宏观预测系统及其方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔玉洁: "《数理统计基于R》", 30 April 2020 *
王磊等: "《库存管理》", 30 November 2016 *
董承章: "《经济预测原理与方法》", 30 November 1992 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807886A (zh) * 2021-08-30 2021-12-17 浪潮卓数大数据产业发展有限公司 一种自动预测电商销售额的装置及方法
CN114879513A (zh) * 2022-07-07 2022-08-09 浙江中控技术股份有限公司 循环水系统的实时优化节能控制方法及装置

Similar Documents

Publication Publication Date Title
Nguyen et al. Stock investment of agriculture companies in the Vietnam stock exchange market: An AHP integrated with GRA-TOPSIS-MOORA approaches
Mahto et al. Short‐Term Forecasting of Agriculture Commodities in Context of Indian Market for Sustainable Agriculture by Using the Artificial Neural Network
KR100914307B1 (ko) 신용 위험 모형 구축 시스템, 신용 위험 모형 구축을 통한 신용 위험 관리 방법 및 이를 기록한 기록매체
CN103617548A (zh) 一种趋势性、周期性商品的中长期需求预测方法
Fiorillo et al. Fragility analysis of bridges due to overweight traffic load
JP2013080456A (ja) 企業評価システム、企業評価方法及び企業評価プログラム
JP7304698B2 (ja) 水需要予測方法およびシステム
CN111950775A (zh) 一种基于大数据的经济运行监测方法
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN103617468A (zh) 一种生活必需品中长期预测方法
CN104484708A (zh) 一种基于一元线性回归和最小二乘法的商品需求预测方法
Battaglia et al. Multi–regime models for nonlinear nonstationary time series
Edmonds et al. Financial statement comparability and segment disclosure
Haga et al. Initial stage clustering when estimating accounting quality measures with self-organizing maps
Peplinski et al. A machine learning framework to estimate residential electricity demand based on smart meter electricity, climate, building characteristics, and socioeconomic datasets
CN105260944A (zh) 一种基于lssvm算法与关联规则挖掘的统计线损计算方法
Nur et al. Accuracy of financial distress model prediction: The implementation of artificial neural network, logistic regression, and discriminant analysis
Alex et al. Application of the single moving average, weighted moving average and exponential smoothing methods for forecasting demand at boy delivery
CN116823331A (zh) 数据预测方法、装置及电子设备
JP4777941B2 (ja) 需要予測方法および装置
Daryanto et al. Financial Report Analysis of Pt Pakuwon Jati Tbk Using Z-Score Altman, S-Score Springate, And X-Score Zmijewski Models to Analyze Company‟ s Bankruptcy
CN116167646A (zh) 基于交易算法的评价方法、装置、设备及存储介质
Uddin et al. Comparison of some statistical forecasting techniques with GMDH predictor: A case study
Petrenko et al. Assessment competitiveness of innovative enterprises with foreign investments
CN110728466B (zh) 一种新产品的目标配件需求量确定方法及计算机设备

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: 20201117

RJ01 Rejection of invention patent application after publication