[发明专利]固定资产投资金额智能预测方法、装置及存储介质

权利要求书

1.一种固定资产智能分析方法，其特征在于，所述方法包括：

接收已知的固定资产指标集与固定资产标签集，将所述固定资产指标集进行指标分解后，依时间次序输入至时间序列预测模型要素库中，所述时间序列预测模型要素库依所述时间次序将所述固定资产指标集划分为训练集与测试集；

当所述训练集的数量大于预设的第一阈值时，将所述训练集输入至多层前馈神经网络计算出非线性转换数据集，将所述时间次序与所述非线性转换数据集输入至循环神经网络进行映射训练，直至所述循环神经网络的损失函数满足预设的第二阈值要求时退出训练；

当所述循环神经网络利用训练集完成训练时，接收所述测试集预测固定资产投资金额集，若所述固定资产投资金额集与所述固定资产标签集误差小于预设第三阈值，完成最终训练，若所述固定资产投资金额集与所述固定资产标签集大于所述预设第三阈值，则所述循环神经网络继续接收所述非线性转换数据与所述时间次序进行训练；

接收用户待预测的固定资产投资指标，利用所述多层前馈神经网络和所述循环神经网络进行固定资产投资金额预测，并输出固定资产投资金额预测结果。

2.如权利要求1所述的固定资产智能分析方法，其特征在于，所述固定资产指标集包括投资筹划、立项、审批、核准、开工、结项六个指标的数据，所述固定资产标签集为金额的区间范围；

及所述将所述固定资产指标集进行指标分解后，依时间次序输入至时间序列预测模型要素库包括：

将所述固定资产指标集依据所述六个指标进行指标分解后得到六组投资数据，将所述六组投资数据依投资先后的时间次序输入至时间序列预测模型要素库中。

3.如权利要求2所述的固定资产智能分析方法，其特征在于，多层前馈神经网络接收所述训练集并计算出非线性转换数据输入至循环神经网络，所述循环神经网络接收所述时间次序与所述非线性转换数据进行映射训练，包括：

多层前馈神经网络接收所述六组投资数据的训练集，并依据Tanh函数计算出非线性转换数据输入至循环神经网络；

所述循环神经网络接收所述投资先后的时间次序与所述非线性转换数据，并以所述投资先后的时间次序作为时间参数，以所述非线性转换数据作为目标参数训练，并通过softmax函数输出训练值。

4.如权利要求3中的固定资产智能分析方法，其特征在于，所述循环神经网络包括长短期记忆网络；

所述长短期记忆网络包括遗忘门、输入门、输出门；

所述遗忘门为：

f_t＝σ(w_t[h_t-1，x_t]+b_t)

其中，f_t为所述遗忘门的输出数据，x_t为所述遗忘门的输入数据，t为当前投资时间，t-1为所述当前投资时间的前一个时间，h_t-1为所述输出门在所述当前投资时间前一个时间的输出数据，wt为所述当前投资时间的权重，b_t为所述当前投资时间的偏置，[]为矩阵乘法操作，σ表示sigmoid函数。

5.如权利要求1至4中任意一项所述的固定资产智能分析方法，其特征在于，将所述训练集输入至多层前馈神经网络计算出非线性转换数据集，包括

多层前馈神经网络接收所述训练集，并依据反正切函数计算出非线性转换数据集，进一步地，所述反正切函数为：

其中，x为输入函数，e为无限不循环小数，tanh(x)为所述非线性转换数据集。