CN115526404A - 预测经营指标数额的方法、装置、介质 - Google Patents
预测经营指标数额的方法、装置、介质 Download PDFInfo
- Publication number
- CN115526404A CN115526404A CN202211224220.3A CN202211224220A CN115526404A CN 115526404 A CN115526404 A CN 115526404A CN 202211224220 A CN202211224220 A CN 202211224220A CN 115526404 A CN115526404 A CN 115526404A
- Authority
- CN
- China
- Prior art keywords
- estimation
- parameters
- prediction model
- model
- values
- 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
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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (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
本申请涉及数据处理领域,公开了预测经营指标数额的方法、装置、介质,方法包括:收集步骤,收集来自多个不同机构的经营指标数额的历史数据,并对历史数据进行整理,得到参数估计训练集和参数估计测试集;模型建立步骤,建立包含多个参数的预测模型,预测模型用于反应多个不同机构的经营指标数额之间的联动变化关系;第一估计步骤,将参数估计训练集输入预测模型,计算得到多个参数的初步估计值;第二估计步骤,基于多个参数的初步估计值和参数估计测试集,确定多个参数的最终估计值,以得到最终预测模型;预测步骤,使用最终预测模型,预测机构的未来的经营指标数额。本发明的预测效果更加贴近于现实业务场景,提高了预测模型的精确度。
Description
技术领域
本申请涉及数据处理领域,特别涉及一种预测经营指标数额的方法、装置、介质、电子设备、计算机程序产品。
背景技术
金融公司的日常管理工作,通常包括对各个下辖子公司、子机构的各项经营指标进行监控、评估以及工作指导等等。各个机构的关键性经营指标数额例如时利润、负债率、资金流峰值、营业收入等,其变化波动是重点监控和管理的对象。对于金融类公司企业的经营决策者来说,需要从各机构的指标变化来推断市场走向和业务发展趋势,联动的考虑各机构指标变化的内在机制原因更是对经营者判断经营风险、协调公司发展规划有着重要意义。
一直以来,联动性思考分支机构间经营指标变化都是决策经营辅助技术的盲区,决策者往往只能依据经验来判断各机构汇总形成的经营指标总数整体变化规律,在此基础上对个别表现极好或极差的机构进行单独考量,难以细致分析各个分支机构指标数额之间的规律性。因此,目前的方式无法有效地预测各个机构的经营指标数额。
发明内容
本申请实施例提供了预测经营指标数额的方法、装置、介质、电子设备、计算机程序产品。
第一方面,本申请实施例提供了一种预测经营指标数额的方法,所述方法包括:
收集步骤,收集来自多个不同机构的所述经营指标数额的历史数据,并对所述历史数据进行整理,得到参数估计训练集和参数估计测试集;
模型建立步骤,建立包含多个参数的预测模型,所述预测模型用于反应所述多个不同机构的所述经营指标数额之间的联动变化关系;
第一估计步骤,将所述参数估计训练集输入所述预测模型,计算得到所述多个参数的初步估计值;
第二估计步骤,基于所述多个参数的初步估计值和所述参数估计测试集,确定所述多个参数的最终估计值,以得到最终预测模型;
预测步骤,使用所述最终预测模型,预测所述机构的未来的经营指标数额。
在上述第一方面的一种可能的实现中,所述第一估计步骤中,采用最小二乘法,计算得到所述多个参数的初步估计值。
在上述第一方面的一种可能的实现中,所述第二估计步骤中,使用极大似然估计法,基于所述多个参数的初步估计值和所述参数估计测试集,取误差最小时的多个参数的值作为所述最终估计值。
在上述第一方面的一种可能的实现中,所述多个不同机构位于预定范围内。
在上述第一方面的一种可能的实现中,所述历史数据包括每个所述机构在不同时间的数据,其中,在所述模型建立步骤,使用所述机构在不同时间的数据,建立所述预测模型。
第二方面,本申请实施例提供了一种预测经营指标数额的装置,所述装置包括:
收集单元,收集来自多个不同机构的所述经营指标数额的历史数据,并对所述历史数据进行整理,得到参数估计训练集和参数估计测试集;
模型建立单元,建立包含多个参数的预测模型,所述预测模型用于反应所述多个不同机构的所述经营指标数额之间的联动变化关系;
第一估计单元,将所述参数估计训练集输入所述预测模型,计算得到所述多个参数的初步估计值;
第二估计单元,基于所述多个参数的初步估计值和所述参数估计测试集,确定所述多个参数的最终估计值,以得到最终预测模型;
预测单元,使用所述最终预测模型,预测所述机构的未来的经营指标数额。
在上述第二方面的一种可能的实现中,所述第一估计单元采用最小二乘法,计算得到所述多个参数的初步估计值。
在上述第二方面的一种可能的实现中,所述第二估计单元使用极大似然估计法,基于所述多个参数的初步估计值和所述参数估计测试集,取误差最小时的多个参数的值作为所述最终估计值。
在上述第二方面的一种可能的实现中,所述多个不同机构位于预定范围内。
在上述第二方面的一种可能的实现中,所述历史数据包括每个所述机构在不同时间的数据,其中,所述模型建立单元使用所述机构在不同时间的数据,建立所述预测模型。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有指令,所述指令在计算机上执行时使所述计算机执行上述第一方面中的预测经营指标数额的方法。
第四方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;一个或多个存储器;所述一个或多个存储器存储有一个或多个程序,当所述一个或者多个程序被所述一个或多个处理器执行时,使得所述电子设备执行上述第一方面中的预测经营指标数额的方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机可执行指令,其特征在于,所述指令被处理器执行以实施述第一方面中的预测经营指标数额的方法。
本发明中,不仅联动考虑各个分支机构之间的关联性,更进一步将时间维度上的规律性也引入模型,形成一个集时间、空间动态变化机制为一体的新型网络模型。
在网络模型中加入时间和空间维度的三维限制条件,对各分支机构设定其受到一定范围内的其它机构影响的关联规则,并在时间层面上设置当前的指标数量受前期数量的影响的动态变化机制。这两项设定使预测模型的预测效果更加贴近于现实业务场景,提高了模型的精确度。同时设置了突发事件影响机制,使模型对现实问题的贴合度进一步提高,增加了模型的灵活性。
进一步,本发明使用两个估计步骤来确定最终预测模型。如此,在保证了模型参数估计精度的前提下,极大的简化了参数估计的计算量,使得这种复杂模型的实现成为可能。
附图说明
图1根据本申请的实施例,示出了预测经营指标数额的方法的流程示意图;
图2根据本申请的实施例,示出了预测经营指标数额的装置的结构图;
图3根据本申请的实施例,示出了一种电子设备的框图。
具体实施方式
本申请的说明性实施例包括但不限于预测经营指标数额的方法、装置、介质及电子设备。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面将结合附图对本申请的实施例作进一步地详细描述。
如图1所示,是本申请实施例的预测经营指标数额的方法的流程图,该方法用于电子设备。电子设备例如是计算机、服务器、移动终端等等。
在收集步骤S11,收集来自多个不同机构的经营指标数额的历史数据,并对历史数据进行整理,得到参数估计训练集和参数估计测试集。
经营指标数额包括各个机构(即,分支机构)的利润、负债率、资金流峰值、营业收入等。本实施例中,以营业收入(下面也称为“营收”)为例进行说明,营业收入是指机构的各项业务工作所获得的资金收益的总称。
收集金融公司下辖各家分支机构营收数据的历史数据,例如收集近20年的营收数据,将这些数据整理为月度营收数据,形成月度营收数据时间序列观测值,此观测值展现形式为矩阵,矩阵行对应月度数,列对应分支机构数量。整理完毕后需要根据数据实际情况做预处理工作。
预处理工作主要包括数据的清洗和加工。例如,若某月的观测值数据中,某机构出现数据异常值、缺失值的情形,需要将该月的所有机构的观测数据删除,即,对观测值矩阵对应月度的整行数据进行删除,以免矩阵中出现数据缺失导致后续模型无法计算的情况。
另外,若观测值数据波动幅度过大,例如分支机构A的数值范围在1万至10万,分支机构B在1000万至1亿,则为了保障模型便于计算、防止出现两级不同带来的参数拟合困难,对各机构的数据,即矩阵的各个列数据进行标准化处理,即各分支机构的时间数据减去自身均值,再除以自身方差。
历史数据经过预处理完成后,将历史数据分成两部分,一部分称为参数估计训练集,另一部分称为参数估计测试集,用于下面详细说明的基于精度的参数微调。
在模型建立步骤S12,建立包含多个参数的预测模型,预测模型用于反应多个不同机构的经营指标数额之间的联动变化关系。
上述历史数据包括每个机构在不同时间的数据,其中,在模型建立步骤,使用每个机构在不同时间的数据,建立预测模型。
本发明的预测模型添加了空间限制条件,配合时间序列动态机制,构成三维立体约束动态机制,具体结构设定如下:
将上面模型转化为统一公式表达,得到如下公式1所表示的预测模型:
这里,i=1,...,N,N代表分支机构的数量,yit代表第i个机构在t时刻的营收数额。特别的,设定t=0时的初始时刻的数值yi0=0。
其中,上述公式1中各符号含义如下:
ait是一个跟yit对应的常数参数,它代表机构i在t时刻的基数。
O(yit)代表以yit为中心周围一定范围内的所有机构。可以理解的是,多个不同机构位于预定范围内。这个预定范围的大小可以自定义,例如选取50-100公里大小。wj是权重参数。为了统一模型结构,O(yit)所包含的机构的数量需要事先确定,否则权重参数wj数量不固定,模型无法进行估计,因此可以选取距离最近的5个机构,即从集合O(yit)中选取距离最近的5个其他机构的标志j。设计部分的含义在于,认为第i个机构的营收yit会受到它周围其他距离最近的机构的营收数额的影响,这种影响以权重wj反映到yit上。这种设计是为了贴合现实业务环境,50-100公里的范围选定基本是以城市为单位进行考量,同处一个城市的机构之间无论是在市场竞争还是业务合作上都会互相影响,传统的网络模型一般不考虑目标特征yit彼此之间的相互影响,但这不符合市场实际情况,因为市场总量是有限的,彼此又高度关联,市场行为经常是相互关联的。这个是该预测模型中对空间维度的限制机制,可以更好地适应现实场景的变化规律。
xikt是t时刻影响yit的本机构外部特征因素,外部因素包含多种,例如,所在地人均GDP、所在地人口、机构纳税额、机构纳税等级、客户数量、员工数量等等。对于不同的机构而言,直接影响它的外部因素并不一定相同,例如可能对机构1只有所在地人均GDP、所在地人口对其营收y1t直接产生影响;而对于机构2只有机构纳税等级、客户数量直接影响其营收y2t。这就是公式中外部因素的影响因素的第一部分βik是内部影响因素权重参数,如上面对于不同的机构,影响其营收的本机构外部特征因素不尽相同,设定对机构i,影响它的本机构外部特征因素数量为Ki个,对于各个Ki,需要注意的是它们不是需要估计的模型参数,而是参数估计前就需要事先设定好的模型结构。
xjkt是t时刻影响yit的其他机构外部特征因素,对于机构j的营收yjt而言它就是对应的本机构外部特征因素。xjkt对应公式中外部因素的影响因素的第二部分如同前面讨论的O(yit)代表yit为中心周围一定范围内最近的几个机构,一般选取5个,代表的含义就是预定范围内影响其他机构的营收yjt的其他机构外部特征因素xjkt也会对机构i的营收yit产生影响。影响力强弱通过外部影响因素权重参数αik来反映。Kj如同前面讨论,不是需要估计的参数,而是影响机构j营收yjt的本机构外部特征因素数量,是需要事先确定好的模型结构。
γi是历史影响因素参数,对应前一个时刻t-1时的机构i的营收yit-1,表明当前机构的营收会受到历史数据的影响。特别的,对于初始时刻设定yi0=0以免模型出现谬误。这是该预测模型中对时间维度的限制,配合前面提到的空间维度限制,可以更准确地刻画数据变化之间的关联度,是传统网络模型不具备的设计机制。
δit是突发因素影响参数,其所跟变量zit表示第i个机构在t时刻的突发事件情况,事件可以包含很多种,例如舆情、天灾、重大喜讯等等,根据事件好坏性质不同,zit的取值例如有4个:-5,-1,1,5。zit取值-5表示是特别严重的负面事件,例如严重违约、破产等;取值-1代表普通负面事件,例如普通法律纠纷;取值1代表普通正面事件,例如获得少量融资、公司达成一般性战略合作关系;取值5代表重大正面事件,例如公司业绩有重大突破,获得决定性战略扩张等。δit反映的就是突发事件对营收本身带来的影响,无论积极还是消极的。
∈it是随机干扰项,这里设定其为独立白噪声序列,即关于时间t和机构i独立。一般可取∈it服从标准正态分布,但现实数据往往具有重尾特性,所以也可以根据残差柱状分布图具体分析其分布类型,诸如t分布、偏t分布或者Pareto分布也可作为参考对象。
在建立了如公式1表达的预测模型(即,网络模型)后,如何计算模型中的参数,确定模型最终结构是至关重要的。对于这种设计了大量空间和时间维度限制机制以及外部、内部影响特征的多维立体模型,其参数的估计非常困难,传统的方法难以计算或达到计算精准。为了解决这一问题,本发明采用了下面的第一估计步骤S13和第二估计步骤S14相结合的方式,对模型的参数实现精准估计。
在第一估计步骤S13,将参数估计训练集输入预测模型,计算得到多个参数的初步估计值。
本实施例中,采用最小二乘法,计算得到多个参数的初步估计值。具体的,对每一个分支机构i,将参数估计训练集输入预测模型,即,上述公式1。采用一般性最小二乘法计算获得多个参数ait、wj、αik、βik、γi、δit的初步估计值,表示为
在第二估计步骤S14中,基于多个参数的初步估计值和上述参数估计测试集,确定多个参数的最终估计值,以得到最终预测模型。
具体的,对与初步估计值在其基础上上下浮动例如20%形成估计区间,例如若ait的估计值则取ait的二估计范围为0.8±0.8*0.2,即估计区间为[0.64,0.96]。对于以类似的方式得到对应的估计区间。
可以理解的是,上下浮动20%仅仅用于示例,本发明中可以上下浮动任意百分比,而不受限制。
使各个参数在其估计区间范围内变化,并将参数估计测试集输入上述公式1进行计算,得到多个计算值。然后计算每个计算值和真实值(即,参数估计测试集中的真实值)之间的误差,取误差最小时的这些参数值的组合作为最终估计值。如此,得到最终预测模型。
可以理解的是,在第二估计步骤S14中,参数估计测试集用于预测模型中的多个参数进行微调,从而提高精度。
在预测步骤,使用最终预测模型,预测机构的未来的经营指标数额。
按照上述步骤得到最终预测模型,即,模型拟合完成后,可以应用于实际业务场景来分析公司业务的发展状况。由于网络模型刻画的是公司的各分支机构的营收动态过程,所以它可以直接用于公司经营决策的信息支撑,包括但不限于预测各分支机构未来营收、分析机构营收变化的关联性和相互影响、分析公司总营收数据的趋势走向等等。
预测各分支机构的未来营收可以帮助公司进行未来的商业任务分配、营销准备工作铺排;分析机构营收变化的关联性和相互影响可以发掘分支机构在业务上的关系,解析出类似于产业链、产业网这样的商业关系图谱,对发掘商机有巨大帮助;分析公司的总营收数据的趋势走向可以帮助分析公司未来的商业风险和经营压力,提前做好预案和应急措施。
本发明中,不仅联动考虑各个分支机构之间的关联性,更进一步将时间维度上的规律性也引入模型,形成一个集时间、空间动态变化机制为一体的新型网络模型。
在网络模型中加入时间和空间维度的三维限制条件,对各分支机构设定其受到一定范围内的其它机构影响的关联规则,并在时间层面上设置当前的指标数量受前期数量的影响的动态变化机制。这两项设定使预测模型的预测效果更加贴近于现实业务场景,提高了模型的精确度。同时设置了突发事件影响机制,使模型对现实问题的贴合度进一步提高,增加了模型的灵活性。
进一步,本发明使用上述两个估计步骤,确定最终预测模型。如此,在保证了模型参数估计精度的前提下,极大的简化了参数估计的计算量,使得这种复杂模型的实现成为可能。
本发明还提供一种预测经营指标数额的装置20,如图2所示,装置20包括:
收集单元201,收集来自多个不同机构的所述经营指标数额的历史数据,并对所述历史数据进行整理,得到参数估计训练集和参数估计测试集;
模型建立单元202,建立包含多个参数的预测模型,所述预测模型用于反应所述多个不同机构的所述经营指标数额之间的联动变化关系;
第一估计单元203,将所述参数估计训练集输入所述预测模型,计算得到所述多个参数的初步估计值;
第二估计单元204,基于所述多个参数的初步估计值和所述参数估计测试集,确定所述多个参数的最终估计值,以得到最终预测模型;
预测单元204,使用所述最终预测模型,预测所述机构的未来的经营指标数额。
可以理解的是,收集单元201、模型建立单元202、第一估计单元203、第二估计单元204、预测单元204可以通过图3中的电子设备100中具有这些模块或单元功能的处理器102来实现。
本发明还提供一种计算机可读存储介质,存储介质上存储有指令,该指令在计算机上执行时使计算机执行图2中所示的用于同业业务的客户的校验方法。
本发明还提供一种计算机程序产品,包括计算机可执行指令,指令被处理器102执行以实施本发明的预测经营指标数额的方法。
现在参考图3,图3示意性地示出了根据本发明的实施例的示例电子设备1400。在一个实施例中,系统1400可以包括一个或多个处理器1404,与处理器1404中的至少一个连接的系统控制逻辑1408,与系统控制逻辑1408连接的系统内存1412,与系统控制逻辑1408连接的非易失性存储器(NVM)1416,以及与系统控制逻辑1408连接的网络接口1420。
在一些实施例中,处理器1404可以包括一个或多个单核或多核处理器。在一些实施例中,处理器1404可以包括通用处理器和专用处理器(例如,图形处理器,应用处理器,基带处理器等)的任意组合。在系统1400采用eNB(Evolved Node B,增强型基站)101或RAN(Radio Access Network,无线接入网)控制器102的实施例中,处理器1404可以被配置为执行各种符合的实施例,例如,如图1所示的实施例。
在一些实施例中,系统控制逻辑1408可以包括任意合适的接口控制器,以向处理器1404中的至少一个和/或与系统控制逻辑1408通信的任意合适的设备或组件提供任意合适的接口。
在一些实施例中,系统控制逻辑1408可以包括一个或多个存储器控制器,以提供连接到系统内存1412的接口。系统内存1412可以用于加载以及存储数据和/或指令。在一些实施例中系统1400的内存1412可以包括任意合适的易失性存储器,例如合适的动态随机存取存储器(DRAM)。
NVM/存储器1416可以包括用于存储数据和/或指令的一个或多个有形的、非暂时性的计算机可读介质。在一些实施例中,NVM/存储器1416可以包括闪存等任意合适的非易失性存储器和/或任意合适的非易失性存储设备,例如HDD(Hard Disk Drive,硬盘驱动器),CD(Compact Disc,光盘)驱动器,DVD(Digital Versatile Disc,数字通用光盘)驱动器中的至少一个。
NVM/存储器1416可以包括安装系统1400的装置上的一部分存储资源,或者它可以由设备访问,但不一定是设备的一部分。例如,可以经由网络接口1420通过网络访问NVM/存储器1416。
特别地,系统内存1412和NVM/存储器1416可以分别包括:指令1424的暂时副本和永久副本。指令1424可以包括:由处理器1404中的至少一个执行时导致电子设备1400实施如图2所示的方法的指令。在一些实施例中,指令1424、硬件、固件和/或其软件组件可另外地/替代地置于系统控制逻辑1408,网络接口1420和/或处理器1404中。
网络接口1420可以包括收发器,用于为系统1400提供无线电接口,进而通过一个或多个网络与任意其他合适的设备(如前端模块,天线等)进行通信。在一些实施例中,网络接口1420可以集成于系统1400的其他组件。例如,网络接口1420可以集成于处理器1404的,系统内存1412,NVM/存储器1416,和具有指令的固件设备(未示出)中的至少一种,当处理器1404中的至少一个执行所述指令时,电子设备1400实现如图1所示的方法。
网络接口1420可以进一步包括任意合适的硬件和/或固件,以提供多输入多输出无线电接口。例如,网络接口1420可以是网络适配器,无线网络适配器,电话调制解调器和/或无线调制解调器。
在一个实施例中,处理器1404中的至少一个可以与用于系统控制逻辑1408的一个或多个控制器的逻辑封装在一起,以形成系统封装(SiP)。在一个实施例中,处理器1404中的至少一个可以与用于系统控制逻辑1408的一个或多个控制器的逻辑集成在同一管芯上,以形成片上系统(SoC)。
电子设备1400可以进一步包括:输入/输出(I/O)设备1432。I/O设备1432可以包括用户界面,使得用户能够与电子设备1400进行交互;外围组件接口的设计使得外围组件也能够与电子设备1400交互。在一些实施例中,电子设备1400还包括传感器,用于确定与电子设备1400相关的环境条件和位置信息的至少一种。
在一些实施例中,用户界面可包括但不限于显示器(例如,液晶显示器,触摸屏显示器等),扬声器,麦克风,一个或多个相机(例如,静止图像照相机和/或摄像机),手电筒(例如,发光二极管闪光灯)和键盘。
本申请公开的机制的各实施例可以被实现在硬件、软件、固件或这些实现方法的组合中。本申请的实施例可实现为在可编程系统上执行的计算机程序或程序代码,该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。
可将程序代码应用于输入指令,以执行本申请描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本申请的目的,处理系统包括具有诸如例如数字信号处理器(DSP)、微控制器、专用集成电路(ASIC)或微处理器之类的处理器的任何系统。
程序代码可以用高级程序化语言或面向对象的编程语言来实现,以便与处理系统通信。在需要时,也可用汇编语言或机器语言来实现程序代码。事实上,本申请中描述的机制不限于任何特定编程语言的范围。在任一情形下,该语言可以是编译语言或解释语言。
在一些情况下,所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如,计算机可读)存储介质承载或存储在其上的指令,其可以由一个或多个处理器读取和执行。例如,指令可以通过网络或通过其他计算机可读介质分发。因此,机器可读介质可以包括用于以机器(例如,计算机)可读的形式存储或传输信息的任何机制,包括但不限于,软盘、光盘、光碟、只读存储器(CD-ROM)、磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息(例如,载波、红外信号数字信号等)的有形的机器可读存储器。因此,机器可读介质包括适合于以机器(例如,计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。
在附图中,可以以特定布置和/或顺序示出一些结构或方法特征。然而,应该理解,可能不需要这样的特定布置和/或排序。而是,在一些实施例中,这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外,在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征,并且在一些实施例中,可以不包括这些特征或者可以与其他特征组合。
需要说明的是,本申请各设备实施例中提到的各单元/模块都是逻辑单元/模块,在物理上,一个逻辑单元/模块可以是一个物理单元/模块,也可以是一个物理单元/模块的一部分,还可以以多个物理单元/模块的组合实现,这些逻辑单元/模块本身的物理实现方式并不是最重要的,这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外,为了突出本申请的创新部分,本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的单元/模块引入,这并不表明上述设备实施例并不存在其它的单元/模块。
需要说明的是,在本专利的示例和说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然通过参照本申请的某些优选实施例,已经对本申请进行了图示和描述,但本领域的普通技术人员应该明白,可以在形式上和细节上对其作各种改变,而不偏离本申请的精神和范围。
Claims (13)
1.一种预测经营指标数额的方法,其特征在于,所述方法包括:
收集步骤,收集来自多个不同机构的所述经营指标数额的历史数据,并对所述历史数据进行整理,得到参数估计训练集和参数估计测试集;
模型建立步骤,建立包含多个参数的预测模型,所述预测模型用于反应所述多个不同机构的所述经营指标数额之间的联动变化关系;
第一估计步骤,将所述参数估计训练集输入所述预测模型,计算得到所述多个参数的初步估计值;
第二估计步骤,基于所述多个参数的初步估计值和所述参数估计测试集,确定所述多个参数的最终估计值,以得到最终预测模型;
预测步骤,使用所述最终预测模型,预测所述机构的未来的经营指标数额。
2.根据权利要求1所述的方法,其特征在于,所述第一估计步骤中,采用最小二乘法,计算得到所述多个参数的初步估计值。
3.根据权利要求2所述的方法,其特征在于,所述第二估计步骤中,使用极大似然估计法,基于所述多个参数的初步估计值和所述参数估计测试集,取误差最小时的多个参数的值作为所述最终估计值。
4.根据权利要求3所述的方法,其特征在于,所述多个不同机构位于预定范围内。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述历史数据包括每个所述机构在不同时间的数据,其中,在所述模型建立步骤,使用所述机构在不同时间的数据,建立所述预测模型。
6.一种预测经营指标数额的装置,其特征在于,所述装置包括:
收集单元,收集来自多个不同机构的所述经营指标数额的历史数据,并对所述历史数据进行整理,得到参数估计训练集和参数估计测试集;
模型建立单元,建立包含多个参数的预测模型,所述预测模型用于反应所述多个不同机构的所述经营指标数额之间的联动变化关系;
第一估计单元,将所述参数估计训练集输入所述预测模型,计算得到所述多个参数的初步估计值;
第二估计单元,基于所述多个参数的初步估计值和所述参数估计测试集,确定所述多个参数的最终估计值,以得到最终预测模型;
预测单元,使用所述最终预测模型,预测所述机构的未来的经营指标数额。
7.根据权利要求6所述的装置,其特征在于,所述第一估计单元采用最小二乘法,计算得到所述多个参数的初步估计值。
8.根据权利要求7所述的装置,其特征在于,所述第二估计单元使用极大似然估计法,基于所述多个参数的初步估计值和所述参数估计测试集,取误差最小时的多个参数的值作为所述最终估计值。
9.根据权利要求8所述的装置,其特征在于,所述多个不同机构位于预定范围内。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述历史数据包括每个所述机构在不同时间的数据,其中,所述模型建立单元使用所述机构在不同时间的数据,建立所述预测模型。
11.一种计算机可读存储介质,其特征在于,所述存储介质上存储有指令,所述指令在计算机上执行时使所述计算机执行权利要求1至5中任一项所述的用于同业业务的客户的校验方法。
12.一种电子设备,其特征在于,包括:一个或多个处理器;一个或多个存储器;所述一个或多个存储器存储有一个或多个程序,当所述一个或者多个程序被所述一个或多个处理器执行时,使得所述电子设备执行权利要求1至5中任一项所述的预测经营指标数额的方法。
13.一种计算机程序产品,包括计算机可执行指令,其特征在于,所述指令被处理器执行以实施权利要求1至5中任一项所述的预测经营指标数额的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211224220.3A CN115526404A (zh) | 2022-10-08 | 2022-10-08 | 预测经营指标数额的方法、装置、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211224220.3A CN115526404A (zh) | 2022-10-08 | 2022-10-08 | 预测经营指标数额的方法、装置、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526404A true CN115526404A (zh) | 2022-12-27 |
Family
ID=84701958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211224220.3A Pending CN115526404A (zh) | 2022-10-08 | 2022-10-08 | 预测经营指标数额的方法、装置、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526404A (zh) |
-
2022
- 2022-10-08 CN CN202211224220.3A patent/CN115526404A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
CN109191282A (zh) | 一种基于行为模型的贷中监测评分方法以及系统 | |
Porath | Estimating probabilities of default for German savings banks and credit cooperatives | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN110728301A (zh) | 一种个人用户的信用评分方法、装置、终端及存储介质 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CA3141554A1 (en) | User credit risk assessment method, device, computer equipment and storage medium | |
Sarlin et al. | OPTIMIZING POLICYMAKERS’LOSS FUNCTIONS IN CRISIS PREDICTION: BEFORE, WITHIN OR AFTER? | |
CN116992265B (zh) | 碳排放量估算方法、装置、设备和存储介质 | |
CN110930078A (zh) | 一种业务对象识别方法、装置及设备 | |
US20140279378A1 (en) | Model performance simulator | |
CN117252688A (zh) | 一种金融风险评估方法、系统、终端设备及存储介质 | |
US20120253886A1 (en) | Systems and Methods for Client Development | |
CN115526404A (zh) | 预测经营指标数额的方法、装置、介质 | |
CN116401601A (zh) | 基于逻辑回归模型的停电敏感用户优选处置方法 | |
CN112926991B (zh) | 一种套现团伙严重等级划分方法及系统 | |
KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
US20220067460A1 (en) | Variance Characterization Based on Feature Contribution | |
CN111951011B (zh) | 监控系统阈值确定方法及装置 | |
CN116228432A (zh) | 一种虚拟资源组合的分类方法、装置、设备以及存储介质 | |
CN114819436A (zh) | 一种金融风险的管理方法、装置以及存储介质 | |
CN111797088A (zh) | 一种数据质量检查方法及装置 | |
Branco | Addressing the issue of conservatism in probability of default estimates: a validation tool | |
CN114281649A (zh) | 程序性能确定方法、设备及存储介质 | |
KR20230094936A (ko) | 근무행동 데이터를 활용한 행동주의 대안신용평가 모델 및 그 제공 방법 |
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 |