CN113919695A - 一种结合相关系数和平滑预测的产业演化分析方法 - Google Patents

一种结合相关系数和平滑预测的产业演化分析方法 Download PDF

Info

Publication number
CN113919695A
CN113919695A CN202111184048.9A CN202111184048A CN113919695A CN 113919695 A CN113919695 A CN 113919695A CN 202111184048 A CN202111184048 A CN 202111184048A CN 113919695 A CN113919695 A CN 113919695A
Authority
CN
China
Prior art keywords
enterprise
correlation
vector
parameter
analyzed
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
CN202111184048.9A
Other languages
English (en)
Inventor
程良伦
陈武兴
张伟文
郑达成
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111184048.9A priority Critical patent/CN113919695A/zh
Publication of CN113919695A publication Critical patent/CN113919695A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据分析技术领域，公开了一种结合相关系数和平滑预测的产业演化分析方法，包括以下步骤：S1.获取待分析企业；S2.获得待分析企业经营相关的相关参数；S3.得到相关参数向量；S4.运用皮尔逊相关数模型得到待分析企业的参数热力图；S5.得到多个影响所述待分析企业经营的企业相关参数；S6.得到每个企业相关参数的企业向量；S7.运用皮尔逊相关数模型通过企业向量得企业热力图；S8.通过平滑模型对待分析企业作出发展预测；S9.结合预测和相关性分析产业演化关系；本发明解决了现有方法无法反映什么原因导致企业竞争力会有高低，也无法反映和预测企业之间如何互相影响从而影响产业演化的问题。

Description

一种结合相关系数和平滑预测的产业演化分析方法
技术领域
本发明涉及数据分析技术领域，更具体的，涉及一种结合相关系数和平滑预测的产业演化分析方法。
背景技术
在目前的产业数据分析技术领域中，对于产业演化的研究主要有EWM熵权法、超级网络模型、T1OPSIS熵权法等多种方法。例如T1OPSIS熵权法是一种在分析产业演化发展趋势上比较好一种方法。它比用于构建超级网络模型的方法更客观。T1OPSIS熵权法先将原始数据矩阵统一指标类型(一般正向化处理)得到正向化的矩阵，再对正向化的矩阵进行标准化处理以消除各指标量纲的影响，并找到有限方案中的最优方案和最劣方案，然后分别计算各评价对象与最优方案和最劣方案间的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。其中就有用T1OPSIS熵权法从微观角度确定海洋龙头企业，从宏观角度确定企业的发展趋势得出了竞争力排名。此外，T1OPSIS可以与其他算法一起使用，以优化评价结果。如中国专利公开号CN112241821A，专利公开日2021-01-19，公开了一种基于大数据的产业分析系统，能够基于熵权法为产业发展提供数据支撑，基于数据分析做出决策。然而，这些方法只能在宏观层面上得到产业的趋势和评估其竞争力排名，却不能得到企业背后竞争力排名内部原因，即是什么原因导致企业竞争力会有高低，也无法反映企业之间如何互相影响并且带动整个产业的发展，也无法对未来持续发展作出预测，因此，如何发明一种方法，可以在基于数据分析找出企业间竞争力差异原因，分析企业对产业演化的影响，并预测产业的持续演化是本技术领域亟需解决的问题。
发明内容
本发明为了解决以上现有方法无法反映什么原因导致企业竞争力会有高低，也无法反映企业之间如何互相影响并且带动整个产业的发展，也无法对未来持续发展作出预测的问题，提供了一种结合相关系数和平滑预测的产业演化分析方法，其具有简单易用，运算方便，结果明显的优点。
为实现上述本发明目的，采用的技术方案如下：
一种结合相关系数和平滑预测的产业演化分析方法，包括以下步骤：
S1.获取待分析的产业的资料，并找出待分析产业中主要的多个待分析企业；
S2.获得所述多个待分析企业在T1时间内的与企业经营相关的相关参数；
S3.整理各个待分析企业的所述相关参数构成各个待分析企业的相关参数向量；
S4.运用皮尔逊相关数模型通过所述的相关参数向量得到、参数热力图；
S5.分析所有所述的参数热力图得到多个影响所述待分析企业经营的企业相关参数；
S6.整理各个企业相关参数对应的待分析企业构成每个企业相关参数的企业向量；
S7.运用皮尔逊相关数模型通过所述的企业向量得到企业热力图；
S8.将所述的企业相关参数代入到平滑预测模型中，并对T2时间内未来企业相关参数的发展做出发展预测；
S9.结合企业热力图得到产业内不同企业在T1时间内的演化关系，并通过发展预测产业内不同企业在未来T2时间内的演化关系。
优选的，S2步骤所述相关参数包括营业总收入、T1时间内的销售净利润、现金流、应收账款周转天数、主要产品、研发费用、资金实力、营业税金8个相关系数。
进一步的，S3所述的相关参数向量的横轴为以季度为单位的时间向量，纵轴为所述的相关参数。所述的相关参数向量是以季度为单位的时间内的所述的相关参数数值。
更进一步的，S4包括以下具体步骤：
S401.根据一个待分析企业的相关参数向量，将相关参数向量的数据设为x，通过
Figure BDA0003298457140000021
依次计算所有所述的相关参数向量中各个向量的标准差，其中，n为向量x的数量、i为单位时间数、σX为向量x的标准差、xi为第i个季度的x向量数值、
Figure BDA0003298457140000022
为所有x向量数值的平均值；
S402.将相关参数向量的数据y，则设置x和y对应的向量为x＝[x’i...x’n]T1和y＝[y’i...y’n]T1；同时，设置x′i＝xi-μx和y′i＝yi-μY，其中μX为x向量数值的数学期望、μY为y向量数值的数学期望、x’i即第i个时间单位对应的x向量数值与对其对应的数学期望的差、y’i即第i个时间单位对应的y向量数值与对其对应的数学期望的差；
S403.将x和y结合其对应的向量标准差带入皮尔逊相关性公式：
Figure BDA0003298457140000031
进行相关参数相关性计算，p为x和y之间的相关性；
S404.得到所有的相关参数向量之间的相关性，并将各个相关参数向量之间的相关性整理成一个8*8的矩阵，并删除重复的向量之间的相关性，并将剩余的矩阵根据相关性数值转化为参数热力图；
S405.返回步骤S401，直到得到所有待分析企业的参数热力图。
更进一步的，S5具体包括以下步骤：
S501.分析参数热力图，从参数热力图中提取各个待分析企业与企业营业总收入的几个相关度大于0.6的正相关和相关度小于-0.6的负相关的参数作为企业相关参数；
S502.结合所有待分析企业的企业相关参数选出若干个大部分待分析企业共有的企业相关参数。
更进一步的，S501，分析参数热力图，具体步骤为：
M1.最高增长的多个企业的参数热力图中各个参数与营业总收入的相关性；
M2.比T1时间内其它企业的参数热力图中各个参数与营业总收入的相关性，并根据该对比对其它企业的产业结构提出优化方案。
更进一步的，S6中的企业向量横轴为以季度为单位的时间向量，纵轴为所述的各个待分析企业。
更进一步的，S7包括以下具体步骤：
S701.根据一个共有的相关参数的企业向量，将待比较的相关企业向量的数据设为z，通过
Figure BDA0003298457140000041
依次计算所述所有企业向量中各个向量的标准差，其中，N为向量z的数量、I为单位时间数、σz为向量z的标准差、zI为第I个季度的z向量数值、
Figure BDA0003298457140000046
为所有z向量数值的平均值；
S702.将待比较的企业向量的数据设为z和k，则设置z和k对应的向量为z＝[z’I...z′N]T1和k＝[k’I...k′N]T1；同时，设置z′I＝zI-μz和k′I＝kI-μk，其中μz为z向量数值的数学期望、μk为k向量数值的数学期望、z’I即第I个时间单位对应的z向量数值与对其对应的数学期望的差、k’I即第I个时间单位对应的k向量数值与对其对应的数学期望的差；
S703.z和k结合其对应的向量标准差带入皮尔逊相关性公式
Figure BDA0003298457140000042
进行企业之间相关性计算，P为z和k之间的相关性；
S704.得到所有共有的企业相关参数之中企业间的相关性，并将所述的各个向量之间的相关性整理成一个8*8的矩阵，并删除重复的向量之间的相关性，并将剩余的矩阵根据相关性数值转化为企业热力图。
更进一步的，S801将带分析企业的企业相关参数带入1次指数平滑预测模型：
Figure BDA0003298457140000043
其中
Figure BDA0003298457140000044
是(t+1)th时期的第i次指数平滑值，xt是第t时期的实际值，α是平滑常数；
S802.将1次指数平滑值带入2次指数平滑预测模型：
Figure BDA0003298457140000045
预测未来T2时期的值Ft+T2为：
Ft+T2＝At+BtT2
其中
Figure BDA0003298457140000051
S803.在两次指数平滑的基础上，使用两个多项式参数进行平滑，将2次指数平滑值带入3次指数平滑预测模型：
Figure BDA0003298457140000052
预测未来T2时期的值xt+T2的公式是：
xt+T2＝At+Bt+CtT22
其中
Figure BDA0003298457140000053
Figure BDA0003298457140000054
Figure BDA0003298457140000055
S804.通过均方误差(MSE)来评价三种模型的预测结果，并得到最佳预测结果，其中均方误差为：
Figure BDA0003298457140000056
其中n是数据样本的总数，yt是真实值，Ft是预测值。
更进一步的，S9的具体步骤为：
S901.根据各个企业热力图，得到所有待分析企业之间的相关性；
S902.结合待分析企业的最佳预测结果和现在企业的相关性，对产业过去到未来的演化做分析判断。
本发明的有益效果如下：
本发明通过检索获取待分析产业在T1时间内的多个主要企业的经营相关参数，并且将所述经营相关参数带入到皮尔逊相关数模型得到参数相关性矩阵和对应的参数热力图；通过所述的参数热力图得到企业相关参数，并且将所述企业相关参数带入到皮尔逊相关数模型转化为企业热力图；然后将所述的企业相关参数代入到平滑预测模型中，并对T2时间内未来企业相关参数的发展做出发展预测最终结合所述的企业热力图、参数热力图、和发展预测对企业进行系统性分析，找出企业间竞争力差异原因，并分析企业对产业演化的影响；本发明简单易用，运算方便，结果明显的优点。
附图说明
图1是所述的皮尔逊相关系数的产业演化分析方法的结果示意图。
图2是一个企业的参数热力图。
图3是一个企业参数的企业热力图。
图4是平滑模型的预测结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示，一种结合相关系数和平滑预测的产业演化分析方法，包括以下步骤：
S1.获取待分析的产业的资料，并找出待分析产业中主要的多个待分析企业；
S2.获得所述多个待分析企业在T1时间内的与企业经营相关的相关参数；
S3.整理各个待分析企业的所述相关参数构成各个待分析企业的相关参数向量；
S4.运用皮尔逊相关数模型通过所述的相关参数向量得到各个待分析企业的参数相关性矩阵，并将所述参数相关矩阵转化为待分析企业的参数热力图；
S5.分析所有所述的参数热力图得到多个影响所述待分析企业经营的企业相关参数；
S6.整理各个企业相关参数对应的待分析企业构成每个企业相关参数的企业向量；
S7.运用皮尔逊相关数模型通过企业向量得到企业矩阵，并将所述的企业矩阵转化为企业热力图；
S8.将所述的企业相关参数代入到平滑预测模型中，并对T2时间内未来企业相关参数的发展做出发展预测；
S9.结合企业热力图得到产业内不同企业在T1时间内的演化关系，并通过发展预测产业内不同企业在未来T2时间内的演化关系。
本实施例中S1的具体步骤为：
S101：确定待分析的产业类型，并且通过爬虫技术获取在T1时间内该产业类型占据主要市场份额的多个企业；
S102：根据得到的多个待分析企业，并且通过所述爬虫技术获取其经营的相关参数。
本实施例通过爬虫技术从东方财富网获取了20家海洋企业相关参数。
S2步骤所述相关参数包括营业总收入、T1时间内的销售净利润、现金流、应收账款周转天数、主要产品、研发费用、资金实力、营业税金8个相关系数。
S3所述的相关参数向量的横轴为以季度为单位的时间向量，纵轴为所述的相关参数。所述的相关参数向量是以季度为单位的时间内的所述的相关参数数值。
S4包括以下具体步骤：
S401.根据一个待分析企业的相关参数向量，将相关参数向量的数据设为x，通过
Figure BDA0003298457140000071
依次计算所有所述的相关参数向量中各个向量的标准差，其中，n为向量x的数量、i为单位时间数、σX为向量x的标准差、xi为第i个季度的x向量数值、
Figure BDA0003298457140000073
为所有x向量数值的平均值；
S402.将相关参数向量的数据y，则设置x和y对应的向量为x＝[x’i...x’n]T1和y＝[y’i...y’n]T1；同时，设置x′i＝xi-μX和y′i＝yi-μY，其中μX为x向量数值的数学期望、μY为y向量数值的数学期望、x’i即第i个时间单位对应的x向量数值与对其对应的数学期望的差、y’i即第i个时间单位对应的y向量数值与对其对应的数学期望的差；
S403.将x和y结合其对应的向量标准差带入皮尔逊相关性公式：
Figure BDA0003298457140000072
进行相关参数相关性计算，p为x和y之间的相关性；
S404.得到所有的相关参数向量之间的相关性，并将各个相关参数向量之间的相关性整理成一个8*8的矩阵，并删除重复的向量之间的相关性，并将剩余的矩阵根据相关性数值转化为参数热力图；
S405.返回步骤S401，直到得到所有待分析企业的参数热力图，如图2所示。
S5具体包括以下步骤：
S501.分析参数热力图，从参数热力图中提取各个待分析企业与企业营业总收入的几个相关度大于0.6的正相关和相关度小于-0.6的负相关的参数作为企业相关参数；
S502.结合所有待分析企业的企业相关参数选出若干个大部分待分析企业共有的企业相关参数。
S501，分析参数热力图，具体步骤为：
M1.最高增长的多个企业的参数热力图中各个参数与营业总收入的相关性；
M2.比T1时间内其它企业的参数热力图中各个参数与营业总收入的相关性，并根据该对比对其它企业的产业结构提出优化方案。本实施例中通过对比发现最高增长的多个企业的对比其它企业的参数热力图有更高的研发费用，并因此得到其它企业应当增加其研发费用以得到增长。
S6中的企业向量横轴为以季度为单位的时间向量，纵轴为所述的各个待分析企业。
S7包括以下具体步骤：
S701.根据一个共有的相关参数的企业向量，将待比较的相关企业向量的数据设为z，通过
Figure BDA0003298457140000081
依次计算所述所有企业向量中各个向量的标准差，其中，N为向量z的数量、I为单位时间数、σz为向量z的标准差、zI为第I个季度的z向量数值、
Figure BDA0003298457140000082
为所有z向量数值的平均值；
S702.将待比较的企业向量的数据设为z和k，则设置z和k对应的向量为z＝[z’I...z’N]T1和k＝[k’I...k’N]T1；同时，设置z′I＝zI-μz和k′I＝kI-μk，其中μz为z向量数值的数学期望、μk为k向量数值的数学期望、z’I即第I个时间单位对应的z向量数值与对其对应的数学期望的差、k’I即第I个时间单位对应的k向量数值与对其对应的数学期望的差；
S703.z和k结合其对应的向量标准差带入皮尔逊相关性公式
Figure BDA0003298457140000091
进行企业之间相关性计算，P为z和k之间的相关性；
S704.得到所有共有的企业相关参数之中企业间的相关性，并将所述的各个向量之间的相关性整理成一个8*8的矩阵，并删除重复的向量之间的相关性，并将剩余的矩阵根据相关性数值转化为企业热力图。
步骤S8，具体步骤为：
S801将带分析企业的企业相关参数带入1次指数平滑预测模型：
Figure BDA0003298457140000092
其中
Figure BDA0003298457140000093
是(t+1)th时期的第i次指数平滑值，xt是第t时期的实际值，α是平滑常数；
S802.将1次指数平滑值带入2次指数平滑预测模型：
Figure BDA0003298457140000094
预测未来T2时期的值Ft+T2为
Ft+T2＝At+BtT2
其中
Figure BDA0003298457140000095
S803.在两次指数平滑的基础上，使用两个多项式参数进行平滑，将2次指数平滑值带入3次指数平滑预测模型：
Figure BDA0003298457140000096
预测未来T2时期的值xt+T2的公式是：
xt+T2＝At+Bt+CtT22
其中
Figure BDA0003298457140000101
Figure BDA0003298457140000102
Figure BDA0003298457140000103
S804.通过均方误差(MSE)来评价三种模型的预测结果，并得到最佳预测结果，其中均方误差为：
Figure BDA0003298457140000104
其中n是数据样本的总数，yt是真实值，Ft是预测值。
如图4所示，图4根据最佳预测结果结果显示了4家企业的过去到未来发展趋势。
S9的具体步骤为：
S901.根据各个企业热力图，得到所有待分析企业之间的相关性；如图3所示，该图为现金流的企业热力图；
S902.在大部分企业热力图中一个企业若与大部分企业正相关性大于0.4，则说明该企业在产业演化发展中起正向作用；在大部分企业热力图中一个企业若与大部分企业负相关性小于-0.4，则说明该企业在产业演化发展中起负向作用；在大部分企业相关参数中一个企业若与大部分企业的相关性的绝对值小于0.2，则认为该企业没有对产业演化起到重要作用，然后结合该企业的平滑模型最佳预测结果对该企业的持续演化做出分析判断；如图3所示的企业X23在现金流企业热力图中与大部分企业呈正相关，且在其它热力图中也大多呈正相关，认为X13企业对产业演化起到正向带动作用，然而结合对X13产业的平滑模型最佳预测结果，判断X13未来相对整个产业的正向带动作用有限。
本发明通过检索东方财富网获取待分析产业在T1时间内的多个海洋产业主要企业的经营相关参数，并且将所述经营相关参数带入到皮尔逊相关数模型得到参数相关性矩阵和对应的参数热力图；通过所述的参数热力图得到企业相关参数，并且将所述企业相关参数带入到皮尔逊相关数模型转化为企业热力图，并对T2时间内未来企业相关参数的发展做出发展预测最终通过所述的企业热力图和参数热力图对企业进行系统性分析，找出企业间竞争力差异原因在于研发费用，应收账款周转天数，资金实力等，分析企业对产业演化的影响，并预测产业的持续演化；本发明具有简单易用，运算方便，结果明显的优点。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：包括以下步骤：
S1.获取待分析的产业的资料，并找出待分析产业中主要的多个待分析企业；
S2.获得所述多个待分析企业在T1时间内的与企业经营相关的相关参数；
S3.整理各个待分析企业的所述相关参数构成各个待分析企业的相关参数向量；
S4.运用皮尔逊相关数模型通过所述的相关参数向量得到参数热力图；
S5.分析所有所述的参数热力图得到多个影响所述待分析企业经营的企业相关参数；
S6.整理各个企业相关参数对应的待分析企业构成每个企业相关参数的企业向量；
S7.运用皮尔逊相关数模型通过所述的企业向量得到企业热力图；
S8.将所述的企业相关参数代入到平滑预测模型中，并对T2时间内未来企业相关参数的发展做出发展预测；
S9.结合企业热力图得到产业内不同企业在T1时间内的演化关系，并通过发展预测产业内不同企业在未来T2时间内的演化关系。
2.根据权利要求1所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：步骤S2所述相关参数包括营业总收入、T1时间内的销售净利润、现金流、应收账款周转天数、主要产品、研发费用、资金实力、营业税金8个相关系数。
3.根据权利要求1所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：S3所述的相关参数向量的横轴为以季度为单位的时间向量，纵轴为所述的相关参数。所述的相关参数向量是以季度为单位的时间内的所述的相关参数数值。
4.根据权利要求3所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：S4包括以下具体步骤：
S401.根据一个待分析企业的相关参数向量，将相关参数向量的数据设为x，通过
Figure FDA0003298457130000021
依次计算所有所述的相关参数向量中各个向量的标准差，其中，n为向量x的数量、i为单位时间数、σX为向量x的标准差、xi为第i个季度的x向量数值、
Figure FDA0003298457130000022
为所有x向量数值的平均值；
S402.将相关参数向量的数据y，则设置x和y对应的向量为x＝[x’i...x’n]T1和y＝[y’i...y’n]T1；同时，设置x′i＝xi-μX和y′i＝yi-μY，其中μX为x向量数值的数学期望、μY为y向量数值的数学期望、x’i即第i个时间单位对应的x向量数值与对其对应的数学期望的差、y’i即第i个时间单位对应的y向量数值与对其对应的数学期望的差；
S403.将x和y结合其对应的向量标准差带入皮尔逊相关性公式：
Figure FDA0003298457130000023
进行相关参数相关性计算，p为x和y之间的相关性；
S404.得到所有的相关参数向量之间的相关性，并将各个相关参数向量之间的相关性整理成一个8*8的矩阵，并删除重复的向量之间的相关性，并将剩余的矩阵根据相关性数值转化为参数热力图；
S405.返回步骤S401，直到得到所有待分析企业的参数热力图。
5.根据权利要求4所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：S5具体包括以下步骤：
S501.分析参数热力图，从参数热力图中提取各个待分析企业与企业营业总收入的几个相关度大于0.6的正相关和相关度小于-0.6的负相关的参数作为企业相关参数；
S502.结合所有待分析企业的企业相关参数选出待分析企业共有的企业相关参数。
6.根据权利要求6所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：S501，分析参数热力图，具体步骤为：
M1.最高增长的多个企业的参数热力图中各个参数与营业总收入的相关性；
M2.对比T1时间内其它企业的参数热力图中各个参数与营业总收入的相关性。
7.根据权利要求5所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：S6中的企业向量横轴为以季度为单位的时间向量，纵轴为所述的各个待分析企业。
8.根据权利要求7所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：S7包括以下具体步骤：
S701.根据一个企业相关参数的企业向量，将待比较的相关企业向量的数据设为z，通过
Figure FDA0003298457130000031
依次计算所述所有企业向量中各个向量的标准差，
其中，N为向量z的数量、I为单位时间数、σz为向量z的标准差、zI为第I个季度的z向量数值、
Figure FDA0003298457130000032
为所有z向量数值的平均值；
S702.将待比较的企业向量的数据设为z和k，则设置z和k对应的向量为z＝[z’I...z’N]T1和k＝[k’I...k’N]T1；同时，设置z′I＝zI-μz和k′I＝kI-μk，其中μz为z向量数值的数学期望、μk为k向量数值的数学期望、z’I即第I个时间单位对应的z向量数值与对其对应的数学期望的差、k’I即第I个时间单位对应的k向量数值与对其对应的数学期望的差；
S703.z和k结合其对应的向量标准差带入皮尔逊相关性公式
Figure FDA0003298457130000033
进行企业之间相关性计算，P为z和k之间的相关性；
S704.得到所有共有的企业相关参数之中企业间的相关性，并将所述的各个向量之间的相关性整理成一个8*8的矩阵，并删除重复的向量之间的相关性，并将剩余的矩阵根据相关性数值转化为企业热力图。
9.根据权利要求5所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：步骤S8，具体步骤为：
S801将带分析企业的企业相关参数带入1次指数平滑预测模型：
Figure FDA0003298457130000041
其中
Figure FDA0003298457130000042
是(t+1)th时期的第i次指数平滑值，xt是第t时期的实际值，α是平滑常数；
S802.将1次指数平滑值带入2次指数平滑预测模型：
Figure FDA0003298457130000043
预测未来T2时期的值Ft+T2为：
Ft+T2＝At+BtT2
其中
Figure FDA0003298457130000044
S803.在两次指数平滑的基础上，使用两个多项式参数进行平滑，将2次指数平滑值带入3次指数平滑预测模型：
Figure FDA0003298457130000045
预测未来T2时期的值xt+T2的公式是：
xt+T2＝At+Bt+CtT22
其中
Figure FDA0003298457130000046
Figure FDA0003298457130000047
Figure FDA0003298457130000048
S804.通过均方误差来评价三种模型的预测结果，并得到最佳预测结果，其中均方误差为：
Figure FDA0003298457130000049
其中n是数据样本的总数，yt是真实值，Ft是预测值。
10.根据权利要求9所述的一种结合相关系数和平滑预测的产业演化分析方法，其特征在于：S9的具体步骤为：
S901.根据各个企业热力图，得到所有待分析企业之间的相关性；
S902.结合待分析企业的最佳预测结果和现在企业的相关性，对产业过去到未来的演化做分析判断。
CN202111184048.9A 2021-10-11 2021-10-11 一种结合相关系数和平滑预测的产业演化分析方法 Pending CN113919695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111184048.9A CN113919695A (zh) 2021-10-11 2021-10-11 一种结合相关系数和平滑预测的产业演化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111184048.9A CN113919695A (zh) 2021-10-11 2021-10-11 一种结合相关系数和平滑预测的产业演化分析方法

Publications (1)

Publication Number Publication Date
CN113919695A true CN113919695A (zh) 2022-01-11

Family

ID=79239343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111184048.9A Pending CN113919695A (zh) 2021-10-11 2021-10-11 一种结合相关系数和平滑预测的产业演化分析方法

Country Status (1)

Country Link
CN (1) CN113919695A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140095231A1 (en) * 2012-09-28 2014-04-03 Tata Consultancy Services Limited Guided analytics
CN110033171A (zh) * 2019-03-19 2019-07-19 阿里巴巴集团控股有限公司 一种识别金融企业风险的方法、系统平台和介质
CN113393039A (zh) * 2021-06-18 2021-09-14 刘全普 一种基于大数据综合建模技术的企业效益预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140095231A1 (en) * 2012-09-28 2014-04-03 Tata Consultancy Services Limited Guided analytics
CN110033171A (zh) * 2019-03-19 2019-07-19 阿里巴巴集团控股有限公司 一种识别金融企业风险的方法、系统平台和介质
CN113393039A (zh) * 2021-06-18 2021-09-14 刘全普 一种基于大数据综合建模技术的企业效益预测方法及系统

Similar Documents

Publication Publication Date Title
CN111124840B (zh) 业务运维中告警的预测方法、装置与电子设备
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
US10963802B1 (en) Distributed decision variable tuning system for machine learning
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN113537807B (zh) 一种企业智慧风控方法及设备
CN113822499B (zh) 一种基于模型融合的列车备件损耗预测方法
CN110930038A (zh) 一种贷款需求识别方法、装置、终端及存储介质
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
US20200050982A1 (en) Method and System for Predictive Modeling for Dynamically Scheduling Resource Allocation
CN115115389A (zh) 一种基于价值细分和集成预测的快递客户流失预测方法
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN109829115B (zh) 搜索引擎关键词优化方法
CN113919695A (zh) 一种结合相关系数和平滑预测的产业演化分析方法
CN116431346A (zh) 一种用于电子设备主存储器容量的补偿方法
CN109255638B (zh) 一种挖掘潜在客户的数学模型
CN115392441A (zh) 量化神经网络模型的片内适配方法、装置、设备及介质
CN113326976A (zh) 一种基于时空关联的港口货运量在线预测方法及系统
CN112988564B (zh) 一种考虑成本-可靠性的srgm决策模型及其构建方法
CN116780524B (zh) 一种基于lstm深度学习的工业企业短期负荷预测方法
CN118036434A (zh) 一种信息通信设备报废预测方法及装置
Pysarkova et al. THE SYSTEM OF INDICATORS OF THE FINANCIAL STABILITY OF THE LOCAL BUDGET AS A COMPONENT OF THE ASSESSMENT OF THE COMPETITIVE IMMUNITY OF THE REGION
CN116610953A (zh) 一种物料推荐系统的优化方法及装置
CN117788611A (zh) 一种面向深度学习训练的图像压缩方法
CN116883065A (zh) 商户风险预测方法及装置
CN115936243A (zh) 一种企业稳定性评价方法、装置、设备及存储介质

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