一种企业运营情况预测方法及装置制造方法及图纸

本发明专利技术提供一种企业运营情况预测方法及装置，所述方法包括：获取企业时序数据；根据所述企业时序数据对预设的神经网络模型进行训练，得到复杂社会网络；利用所述复杂社会网络对企业运营情况进行预测；本发明专利技术提供的方法通过基于数据的机器学习手段，对影响复杂多变网络节点效能、网络效能的网络及网络演化特征进行更复杂关联关系的分析及特征提取，增强和扩展复杂社会网络理论指标特征，进而基于该特征分析结果形成对复杂社会网络未来效能的有效预测，对于企业间形成的复杂社会网络，则可基于企业运营数据，以及多企业间运营数据进行特征分析以及企业未来效益、合作等方面的预测，有效辅助企业进行策略选择。

【技术实现步骤摘要】
一种企业运营情况预测方法及装置
本专利技术涉及神经网络
，更具体的，涉及一种企业运营情况预测方法及装置。
技术介绍
当前复杂社会网络以及复杂社会网络研究通常采用特定的复杂社会网络指标，如网络度分布、结构洞、小世界性、中心性、网络密度等；在这些指标中，一些倾向于网络节点性质的研究(如对于度数中心度、接近中心度、Bonacich中心度、节点强度等)，另一些则倾向于复杂社会网络整体结构的研究(如结构洞、小世界性、网络密度等)；基于上述手段，研究人员已开展相当多的工作，特别是在经济管理领域；在《产业链整合、结构洞与企业成长——以比亚迪和腾讯公司为例》中，以比亚迪为实例研究了网络特征与产业结构的关系，特别是结构洞对产业链、产业链整合以及企业成长的影响；在《基于复杂社会网络理论的区域产业结构网络模型研究》中，基于复杂社会网络理论研究了区域产业结构网络模型，分析了出度分布、入度分布、权分布、最大最短距离等特征；在《合作网络“小世界性”对企业创新绩效的影响》中，基于中国ICT产业产学研合作的实证分析了合作网络“小世界性”对企业创新绩效的影响；在《科技中介功能、网络位置与产业集群绩效——基于浙江省典型产业集群的实证研究》中，通过度数中心度、Bonacichpower参数等讨论了科技中介的网络位置对产业集群绩效的影响；在《G7与BRIC产业结构演进的比较研究——基于1995-2005年投入产出数据的网络分析》中，通过对G7与BRIC历年投入产出数据的网络中心度、网络中心势等网络指标分析对二期产业结构演进进行了比较研究；以上研究表明，复杂社会网络的典型指标(如度分布、结构洞、小世界性、中心性、网络密度等)已成为研究当前经济管理领域产业结构及协作关系方法的重要方法。上述研究分析方法多侧重基于人的经验及已有理论基础的分析，其所采用的数据也通常基于人的经验判断进行收集；然而随着商业模式创新、管理创新的不断推进，企业间关系、复杂社会网络节点间关系将日益错综复杂，上述单纯基于人的经验与已有理论方法逐渐显现出应对能力的不足。
技术实现思路
为了解决上述问题中的至少一个，本专利技术第一方面提供一种企业运营情况预测方法，包括：S101：获取企业时序数据，所述企业时序数据包括：企业运行时序数据和企业协作交易网络特征时序数据；S102：根据所述企业时序数据对预设的神经网络模型进行训练，得到复杂社会网络；S103：利用所述复杂社会网络对企业运营情况进行预测。进一步地，还包括：对企业时序数据进行预处理，所述预处理包括：数据归一化处理和数据分割处理。进一步地，还包括：建立神经网络模型。进一步地，还包括：对所述神经网络模型进行训练。进一步地，对所述神经网络模型进行训练，包括：指标特征训练、扩展特征训练和网络能效预测训练。进一步地，所述指标特征训练，包括以下步骤：S201：基于企业时序数据通过计算得到的第一指标特征值；S202：将企业时序数据输入至预设的神经网络模型，得到第二指标特征值；S203：根据第一指标特征值和第二指标特征值得到预测偏差值，若预测偏差值高于预设偏差值，则调整预设的神经网络模型参数，直至预测偏差值低于预设偏差值，输出收敛的神经网络模型。进一步地，所述扩展特征训练，包括：第一扩展特征训练和第二扩展特征训练；其中，所述第一扩展特征训练的训练数据样本为单一时刻企业时序数，所述第二扩展特征训练的训练数据样本为多个时刻或一段时间内的企业时序数。进一步地，所述扩展特征训练，包括：第一扩展特征训练和第二扩展特征训练，所述网络能效预测训练，包括以下步骤：S301：基于第一扩展特征训练和第二扩展特征训练得到网络节点效能、网络效能的预测神经网络模型；S302：将企业时序数据输入至所述预测神经网络模型，得到网络节点效能、网络效能的预测值；S303：将所述预测值与实际效能值做差形成偏差信号，若偏差信号高于阈值，调整所述预测神经网络模型参数，直至所述偏差信号低于设定阈值，输出收敛的预测神经网络模型。本专利技术第二方面提供一种企业运营情况预测装置，所述装置包括：企业时序数据模块，获取企业时序数据，所述企业时序数据包括：企业运行时序数据和企业协作交易网络特征时序数据；特征值模块，将所述企业时序数据输入至预设的神经网络模型，得到特征值，复杂社会网络模块，根据特征值得到复杂社会网络；预测模块，利用所述复杂社会网络对企业运营情况进行预测。进一步地，所述装置还包括：预处理模块，对企业时序数据进行预处理，所述预处理包括：数据归一化处理和数据分割处理。本专利技术的有益效果本专利技术提供一种企业运营情况预测方法及装置，所述方法包括：获取企业时序数据；根据所述企业时序数据对预设的神经网络模型进行训练，得到复杂社会网络；利用所述复杂社会网络对企业运营情况进行预测；本专利技术提供的方法通过基于数据的机器学习手段，对影响复杂多变网络节点效能、网络效能的网络及网络演化特征进行更复杂关联关系的分析及特征提取，增强和扩展复杂社会网络理论指标特征，进而基于该特征分析结果形成对复杂社会网络未来效能的有效预测，对于企业间形成的复杂社会网络，则可基于企业运营数据，以及多企业间运营数据进行特征分析以及企业未来效益、合作等方面的预测，有效辅助企业进行策略选择。附图说明为了更清楚地说明本专利技术实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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专利技术的一些实施方式，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为本专利技术实施例中一种企业运营情况预测方法流程示意图；图2为本专利技术实施例中一种指标特征训练方法流程示意图；图3为本专利技术实施例中一种网络能效预测训练方法流程示意图；图4为本专利技术实施例中一种复杂社会网络理论指标特征学习训练方法流程示意图；图5为本专利技术实施例中一种杂扩展特征学习方法流程示意图；图6为本专利技术实施例中一种网络节点效能、网络效能预测学习方法流程示意图；图7为本专利技术实施例中一种企业运营情况预测装置的结构示意图；图8为本专利技术实施例中一种电子设备的结构示意图。具体实施方式下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。以下公开内容提供了许多用于实现本专利技术的不同特征的不同实施方式或实例。下面描述了组件和布置的具体实例以简化本专利技术。当然，这些仅仅是实例，而不旨在限制本专利技术。为便于描述，在本专利技术中涉及“第一”、“第二”等的描述仅设置为描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的本文档来自技高网...

【技术保护点】
1.一种企业运营情况预测方法，其特征在于，包括：/n获取企业时序数据，所述企业时序数据包括：企业运行时序数据和企业协作交易网络特征时序数据；/n根据所述企业时序数据对预设的神经网络模型进行训练，得到复杂社会网络；/n利用所述复杂社会网络对企业运营情况进行预测。/n

【技术特征摘要】
1.一种企业运营情况预测方法，其特征在于，包括：
获取企业时序数据，所述企业时序数据包括：企业运行时序数据和企业协作交易网络特征时序数据；
根据所述企业时序数据对预设的神经网络模型进行训练，得到复杂社会网络；
利用所述复杂社会网络对企业运营情况进行预测。


2.根据权利要求1所述的方法，其特征在于，还包括：对企业时序数据进行预处理，所述预处理包括：数据归一化处理和数据分割处理。


3.根据权利要求1所述的方法，其特征在于，还包括：
建立神经网络模型。


4.根据权利要求3所述的方法，其特征在于，还包括：
对所述神经网络模型进行训练。


5.根据权利要求4所述的方法，其特征在于，对所述神经网络模型进行训练，包括：指标特征训练、扩展特征训练和网络能效预测训练。


6.根据权利要求5所述的方法，其特征在于，所述指标特征训练，包括以下步骤：
基于企业时序数据通过计算得到的第一指标特征值；
将企业时序数据输入至预设的神经网络模型，得到第二指标特征值；
根据第一指标特征值和第二指标特征值得到预测偏差值，若预测偏差值高于预设偏差值，则调整预设的神经网络模型参数，直至预测偏差值低于预设偏差值，输出收敛的神经网络模型。


7.根据权利要求5所述的方法，其特征在于，所述扩展特...

【专利技术属性】
技术研发人员：贾政轩，肖莹莹，李鹤宇，曾贲，郭丽琴，
申请(专利权)人：北京仿真中心，
类型：发明
国别省市：北京;11