[发明专利]一种收入预测方法、装置、设备和介质

权利要求书

1.一种收入预测方法，其特征在于：包括下述步骤：

S1、接收历史收入的原始时间序列数据；

S2、根据所述原始时间序列数据对下一时刻收入数据做增量预测和趋势预测，得到下一时刻收入变动增量预测值和下一时刻收入变动趋势预测值

S3、根据下述公式算出最终预测结果：

其中，为下一时刻收入预测值，y_t为当前时刻收入值，所述时刻t的最小单位为“天”。

2.根据权利要求1所述的一种收入预测方法，其特征在于：

所述增量预测的具体过程是：

(1)计算所述原始时间序列数据的增量数据集合Y：

{Δy₁，Δy₂，Δy₃，...，Δy_t}，其中：Δy_t＝y_t-y_t-1；y_t为当前时刻收入值，y_t-1为上一时刻收入值，Δy_t为当前时刻收入变动增量值；

(2)根据增量数据集合Y，对集合内所有变量取绝对值，完成增量预测时间序列数据集的构建，并用增量预测模型进行预测，得到所述下一时刻收入变动增量预测值

所述趋势预测的具体过程是：

(a)构造趋势变动数据集合T：{T₁，T₂，T₃，...，T_t}，其中：

Δy_t为当前时刻收入变动增量值；T_t＝1，表示上升趋势；T_t＝-1，表示下降趋势；

(b)根据趋势变动数据集合T，提取相关特征变量，完成趋势预测分类数据集的构建，并用随机森林算法构建趋势预测模型进行预测，得到所述下一时刻收入变动趋势预测值

3.根据权利要求2所述的一种收入预测方法，其特征在于：

所述增量预测模型为非线性集成模型，集成了stl+arima、tslm、prophet三种时序模型和LSTM模型共4种算法模型，再通过人工智能算法对各个算法模型的权重进行训练，得到各单独算法模型的最优权重，从而确定所述非线性集成模型最终预测值公式表示如下：

其中w_i为每种算法模型的权重，y_i为每种算法模型的预测值，且每种算法模型的权重满足如下条件：

对各个算法模型的权重的具体训练方式如下：

第一步，获取各个算法模型对所述原始时间序列的预测值y_i作为各个算法模型的输入，i为各个算法模型的编号，i＝1，2，3，4；

另外获取相应时刻原始时间序列的真实值y作为各个算法模型的输出，且70％作为训练集数据，30％作为测试集数据；

第二步，获取所述训练集数据，利用机器学习算法对非线性集成模型的权重进行训练，得到各个算法模型的最优权重，从而确定最优的所述非线性集成模型；

第三步，获取所述测试集数数据，用于测试第二步中得到的最优的所述非线性集成模型的准确性和泛化能力，准确率公式如下：

其中y表示真实值，yhat表示预测值。