技术领域
[0001] 本
发明涉及
人工智能技术领域，尤其涉及一种基于数据输入自动生成的固定资产投资金额智能预测方法、装置及计算机可读存储介质。
背景技术
[0002] 目前市场上研究和预测固定资产时，主要利用固定资产额的历史数据建立时间序列模型进行预测，时间序列模型对历史数据的依赖性比较强，往往需要前n期的历史数据，且只能进行短期的预测，长期预测误差会比较大。且由于时间序列模型只利用了历史信息，忽略了其他信息如
高炉开工率、用电量等对固定资产的影响，模型泛化能
力比较差。
发明内容
[0003] 本发明提供一种固定资产智能分析方法、装置及计算机可读存储介质，其主要目的在于当用户固定资产相关指标时，给用户呈现出精准高效的固定资产分析结果。
[0004] 为实现上述目的，本发明提供的一种固定资产智能分析方法，包括：
[0005] 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；
[0006] 当所述训练集的数量大于预设的第一
阈值时，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，直至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；
[0007] 当所述循环神经网络完成训练时，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的第三阈值，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；
[0008] 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。
[0009] 可选地，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；
[0010] 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：
[0011] 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。
[0012] 可选地，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：
[0013] 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；
[0014] 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。
[0015] 可选地，所述循环神经网络包括长短期记忆网络；
[0016] 所述长短期记忆网络包括遗忘
门、输入门、输出门；
[0017] 所述遗忘门为：
[0018] ft＝σ(wt[ht-1,xt]+bt)
[0019] 其中，ft为所述遗忘门的输出数据，xt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，ht-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，bt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。
[0020] 可选地，所述测试集包括所述投资先后时间次序和经所述多层前馈神经网络输出的所述非线性转换数据；及
[0021] 所述循环神经网络预测出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基于最小二乘
算法计算出的误差小于阈值，则所述循环循环神经网络完成训练。
[0022] 此外，为实现上述目的，本发明还提供一种固定资产智能分析装置，该装置包括
存储器和处理器，所述存储器中存储有可在所述处理器上运行的固定资产智能分析程序，所述固定资产智能分析程序被所述处理器执行时实现如下步骤：
[0023] 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；
[0024] 当所述训练集的数量大于预设的第一阈值时，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，直至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；
[0025] 当所述循环神经网络完成训练时，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的第三阈值，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；
[0026] 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。
[0027] 可选地，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；
[0028] 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：
[0029] 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。
[0030] 可选地，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：
[0031] 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；
[0032] 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。
[0033] 可选地，所述循环神经网络包括长短期记忆网络；
[0034] 所述长短期记忆网络包括遗忘门、输入门、输出门；
[0035] 所述遗忘门为：
[0036] ft＝σ(wt[ht-1,xt]+bt)
[0037] 其中，ft为所述遗忘门的输出数据，xt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，ht-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，bt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。
[0038] 可选地，所述测试集包括所述投资先后时间次序和经所述多层前馈神经网络输出的所述非线性转换数据；及
[0039] 所述循环神经网络预测出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基于最小二乘算法计算出的误差小于阈值，则所述循环循环神经网络完成训练。
[0040] 此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有固定资产智能分析程序，所述固定资产智能分析程序可被一个或者多个处理器执行，以实现如上所述的固定资产智能分析方法的步骤。
[0041] 本发明提出的固定资产智能分析方法、装置及计算机可读存储介质，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，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，直至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的第三阈值，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。通过以上三步构建固定资产投资基于现行指标的时间序列预测模型，基于所述多层前馈神经网络和所述循环神经网络，可实现预测固定资产投资额，增强泛化能力，并随着数据的不断更新，自动化更新预测结果，不仅解放人力，较人工经验更及时精准提供最新预测效果。因此本发明可以实现精准的固定资产智能分析功能。
附图说明
[0042] 图1为本发明一
实施例提供的固定资产智能分析方法的流程示意图；
[0043] 图2为本发明一实施例提供的固定资产智能分析装置的内部结构示意图；
[0044] 图3为本发明一实施例提供的固定资产智能分析装置中固定资产智能分析程序的模
块示意图。
[0045] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0046] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0047] 本发明提供一种固定资产智能分析方法。参照图1所示，为本发明一实施例提供的固定资产智能分析方法的流程示意图。该方法可以由一个装置执行，该装置可以由
软件和/或
硬件实现。
[0048] 在本实施例中，固定资产智能分析方法包括：
[0049] S1、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。
[0050] 本发明较佳实施例接收已知的固定资产指标集与固定资产标签集。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。例如，所述投资筹划指标中包括如投资筹划阶段的人力投入成本、市电力、燃气、
水费单价表等数据。所述固定资产标签集为金额的区间范围，如固定资产投资金额为三千万，则将所述三千万划分在[25,000,000-30,000,000]区间。
[0051] 本发明较佳实施例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，并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。因此，所述六组投资数据代表意义不同，分别代表所述投资筹划、立项、审批、核准、开工、结项六个指标。所述投资先后的时间次序依据年月日的标准划分，如2015年6月7日的六组投资数据一定比2017年8月2日的六组投资数据先输入至所述时间序列预测模型要素库中。
[0052] 本发明较佳实施的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。进一步地，以3年为时间依据，如将2011年-2013年、2015年-2017年的六组投资数据划分为训练集，将2014年、2018年的六组投资数据划分为测试集。
[0053] S2、当所述训练集的数量大于预设的第一阈值时，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，直至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。
[0054] 本发明较佳实施例划分的训练集的数量大于预设的第一阈值时，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，进一步地，所述Tanh函数为双曲正切函数的一种，表达式为：
[0055]
[0056] 其中，x为输入函数，e为无限不循环小数。
[0057] 本发明较佳实施例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，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，直至循环神经网络损失函数满足预设的第二阈值要求时退出训练。
[0058] 进一步地，所述循环神经网络包括长短期记忆网络(long short term memory,LSTM)，所述长短期记忆网络包括遗忘门、输入门、输出门，所述输入门接收所述时间次序与所述非线性转换数据，所述遗忘门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，进一步地，所述遗忘门为：
[0059] ft＝σ(wt[ht-1,xt]+bt)
[0060] 其中ft为所述遗忘门的输出数据，xt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，ht-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，bt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，进一步地，所述sigmoid函数为：
[0061]
[0062] 其中，ω＝wt[ht-1,xt]+bt，y＝ft。
[0063] S3、当所述循环神经网络完成训练时，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。
[0064] 本发明较佳实施例所述循环神经网络完成训练时，接收所述测试集预测固定资产投资金额集。其中，所述测试集包括所述投资先后时间次序和经所述多层前馈神经网络输出的所述非线性转换数据。
[0065] 本发明较佳实施例所述循环神经网络预测出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基于最小二乘算法计算出的误差小于阈值，则所述循环循环神经网络完成训练。若所述固定资产投资金额集与所述固定资产标签集基于最小二乘算法计算出的误差大于阈值，则继续接收所述非线性转换数据与所述时间次序进行训练。进一步地，所述最小二乘算法的误差L(o)计算公式为：
[0066]
[0067] 其中，o为所述固定资产投资金额集与所述固定资产标签集的误差值，k为所述固定资产投资金额集的数量，yi为所述固定资产标签集，y′i为所述固定资产投资金额集，所述阈值一般设置为0.1。
[0068] S4、接收用户的待预测的固定资产指标集，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所述预测结果。
[0069] 发明还提供一种固定资产智能分析装置。参照图2所示，为本发明一实施例提供的固定资产智能分析装置的内部结构示意图。
[0070] 在本实施例中，所述固定资产智能分析装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、
平板电脑、便携计算机等终端设备，也可以是一种
服务器等。该固定资产智能分析装置1至少包括存储器11、处理器12，通信总线13，以及网络
接口14。
[0071] 其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、
硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、
磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是固定资产智能分析装置1的内部存储单元，例如该固定资产智能分析装置1的硬盘。存储器11在另一些实施例中也可以是固定资产智能分析装置1的外部存储设备，例如固定资产智能分析装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括固定资产智能分析装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于固定资产智能分析装置1的
应用软件及各类数据，例如固定资产智能分析程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0072] 处理器12在一些实施例中可以是一
中央处理器(Central Processing Unit，CPU)、
控制器、
微控制器、
微处理器或其他
数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行固定资产智能分析程序01等。
[0073] 通信总线13用于实现这些组件之间的连接通信。
[0074] 网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他
电子设备之间建立通信连接。
[0075] 可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如
键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、
液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，
有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在固定资产智能分析装置1中处理的信息以及用于显示
可视化的
用户界面。
[0076] 图2仅示出了具有组件11-14以及固定资产智能分析程序01的固定资产智能分析装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对固定资产智能分析装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0077] 在图2所示的装置1实施例中，存储器11中存储有固定资产智能分析程序01；处理器12执行存储器11中存储的固定资产智能分析程序01时实现如下步骤：
[0078] 步骤一、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。
[0079] 本发明较佳实施例接收已知的固定资产指标集与固定资产标签集。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。例如，所述投资筹划指标中包括如投资筹划阶段的人力投入成本、市电力、燃气、水费单价表等数据。所述固定资产标签集为金额的区间范围，如固定资产投资金额为三千万，则将所述三千万划分在[25,000,000-30,000,000]区间。
[0080] 本发明较佳实施例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，并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。因此，所述六组投资数据代表意义不同，分别代表所述投资筹划、立项、审批、核准、开工、结项六个指标。所述投资先后的时间次序依据年月日的标准划分，如2015年6月7日的六组投资数据一定比2017年8月2日的六组投资数据先输入至所述时间序列预测模型要素库中。
[0081] 本发明较佳实施的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。进一步地，以3年为时间依据，如将2011年-2013年、2015年-2017年的六组投资数据划分为训练集，将2014年、2018年的六组投资数据划分为测试集。
[0082] 步骤二、当所述训练集的数量大于预设的第一阈值时，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，直至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。
[0083] 本发明较佳实施例划分的训练集的数量大于预设的第一阈值时，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，进一步地，所述Tanh函数为双曲正切函数的一种，表达式为：
[0084]
[0085] 其中，x为输入函数，e为无限不循环小数。
[0086] 本发明较佳实施例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，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，直至循环神经网络损失函数满足预设的第二阈值要求时退出训练。
[0087] 进一步地，所述循环神经网络包括长短期记忆网络(long short term memory,LSTM)，所述长短期记忆网络包括遗忘门、输入门、输出门，所述输入门接收所述时间次序与所述非线性转换数据，所述遗忘门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，进一步地，所述遗忘门为：
[0088] ft＝σ(wt[ht-1,xt]+bt)
[0089] 其中ft为所述遗忘门的输出数据，xt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，ht-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，bt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，进一步地，所述sigmoid函数为：
[0090]
[0091] 其中，ω＝wt[ht-1,xt]+bt，y＝ft。
[0092] 步骤三、当所述循环神经网络完成训练时，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。
[0093] 本发明较佳实施例所述循环神经网络完成训练时，接收所述测试集预测固定资产投资金额集。其中，所述测试集包括所述投资先后时间次序和经所述多层前馈神经网络输出的所述非线性转换数据
[0094] 本发明较佳实施例所述循环神经网络预测出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基于最小二乘算法计算出的误差小于阈值，则所述循环循环神经网络完成训练。若所述固定资产投资金额集与所述固定资产标签集基于最小二乘算法计算出的误差大于阈值，则继续接收所述非线性转换数据与所述时间次序进行训练。进一步地，所述最小二乘算法的误差L(o)计算公式为：
[0095]
[0096] 其中，o为所述固定资产投资金额集与所述固定资产标签集的误差值，k为所述固定资产投资金额集的数量，yi为所述固定资产标签集，yi′为所述固定资产投资金额集，所述阈值一般设置为0.1。
[0097] 步骤四、接收用户的待预测的固定资产指标集，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所述预测结果。
[0098] 可选地，在其他实施例中，固定资产智能分析程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列
计算机程序指令段，用于描述固定资产智能分析程序在固定资产智能分析装置中的执行过程。
[0099] 例如，参照图3所示，为本发明固定资产智能分析装置一实施例中的固定资产智能分析程序的程序模块示意图，该实施例中，所述固定资产智能分析程序可以被分割为固定资产数据接收模块10、神经网络训练模块20、神经网络测试模块30、固定资产投资金额预测模块40示例性地：
[0100] 所述固定资产数据接收模块10用于：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。
[0101] 所述神经网络训练模块20用于：当所述训练集的数量大于预设的第一阈值时，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，直至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。
[0102] 所述神经网络测试模块30用于：当所述循环神经网络完成训练时，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的第三阈值，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。
[0103] 所述固定资产投资金额预测模块40用于：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。
[0104] 上述固定资产数据接收模块10、神经网络训练模块20、神经网络测试模块30、固定资产投资金额预测模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
[0105] 此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有固定资产智能分析程序，所述固定资产智能分析程序可被一个或多个处理器执行，以实现如下操作：
[0106] 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。
[0107] 当所述训练集的数量大于预设的第一阈值时，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，直至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。
[0108] 当所述循环神经网络完成训练时，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的第三阈值，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。
[0109] 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。
[0110] 需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0111] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对
现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0112] 以上仅为本发明的优选实施例，并非因此限制本发明的
专利范围，凡是利用本发明
说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
