一种工程化预测分析的方法与流程

1.本技术的实施例涉及财务预测领域，尤其涉及一种工程化预测分析的方法。


背景技术：

2.财务预测是基于企业过去一段时间内的业务及财务活动所产生的数据、宏观市场及竞争企业等外部信息，结合企业运作价值链上的相关规则，运用系统的量化分析技术，预测企业未来的财务状况以及运营水平。财务预测的目的是为了提升财务管理的事先性，预判风险并量化风险可能造成的影响，降低企业管理的不确定性，从而使财务计划的预期目标同多变的外界环境和经济条件保持一致，并对财务计划的实施效果做到及时量化。财务预测是企业管理人员进行精益化管理及科学决策的重要依据。
3.对于一个多产品线多子公司的复杂企业，预测对象所涉及的企业业务范围，预测的时间跨度以及分析的周期频次等各不相同。一个完整的预测作业过程往往涉及多个相互割裂的系统，这一现状导致各角色协同耗时耗力，不仅效率低下，在预测过程中积累的预测模型及专家经验也无法系统地存贮，难以形成企业财务预测知识的系统化管理，以及和企业业务数据的有效结合，以支撑知识的沉淀和复用。
4.另一方面，一般传统企业业务流程长，逻辑关系及财务规则复杂，由传统财务系统承载的预测强调系统的可执行性，对所得预测数据的可解释性很难追溯，非it人员很难理解，并且专家很难在系统中调整信息或逻辑以融入自己的经验。
5.企业在构建财务预测分析系统时，普遍存在以下难点：业务数据和财务数据多数据源集成、业务逻辑和财务规则复杂且周期性地更新变化难以持续构建和维护；某些特定场景数据量小难以融合专家判断或难以达到高精度的预测、难以与多实例预测形成相互校验、难以对预测的不同假设进行检验和模拟，难以解释预测模型；难以进行跨业务的多角色协同预测。如何解决上述难点是一个需要解决的问题。


技术实现要素：

6.为了解决上述的问题，本技术的实施例的实施例提供了一种工程化预测分析的方法。其中，一种工程化预测分析的方法，基于财务数据或业务数据的多知识融合进行预测，所述方法包括：根据通过应用界面获得的财务或业务信息生成预测模型；所述预测模型基于高阶有向图的结构，通过多个节点、所述多个节点的属性和所述多个节点两两之间的关系表达逻辑判断和/或计算规则，通过节点之间的有向边表达预测路径；根据实例化配置信息配置所述预测模型的公共属性、所述预测路径的属性以及所述节点的个性化属性；其中，所述预测模型的公共属性用于设置与数据源、输入表和输出表之间的连接关系；所述预测路径的属性用于设置所述逻辑判断和/或计算规则与数据之间的对应关系；所述节点的个性化属性用于设置每个所述节点表达的预测对象和预测维度；由语义解析引擎将所述预测模型和所述实例化配置信息转化为计算机可执行的第一解析代码；所述第一解析代码用于根据所述预测模型的公共属性将所述预测模型与所述数据源、输入表和输出表工程化连
接；在所述数据源的所述输入表上，根据所述预测路径执行所述预测模型表达的所述逻辑判断及计算规则；确定每个所述节点在所述预测维度上表达的所述预测对象的预测数据，将所述预测数据输出至所述输出表或显示在所述应用界面上。如此，可有效捕捉规律的算法模型，将业务逻辑及财务规则转化成计算机计算机可执行的解析代码，应用到集成的数据上，辅以专家经验和作业人员的分析判断，最终进行数据预测分析。
7.在一个可能的实施方式中，所述预测模型的预测路径包括节点关系路径，所述节点关系路径为由所述多个所述节点自下而上地逐层递进有向连接的高阶有向图，其中，同一个所述节点关联不同层级的多个节点。如此，可以通过该预测路径表达基于财务预测的规则的某一维度配置下节点之间的自下而上地逐层递进关联关系。
8.在一个可能的实施方式中，所述预测模型的预测路径包括维度收敛路径，所述维度收敛路径为由所述多个所述节点基于预测维度收敛原则连接的多叉树结构；如此，可以通过该预测路径表达基于公司业务分类、客户管理或组织架构等维度的自下而上收敛的关联关系。
9.在一个可能的实施方式中，所述预测模型的预测路径包括基线转化路径，所述基线转化路径包括多层基线，所述多层基线中的每一层基线为由所述多个节点构成的多叉树结构。如此，可以通过该预测路径表达指标之间集成基线信息的转化关系。
10.在一个可能的实施方式中，所述根据通过用户应用界面获得的财务或业务信息生成预测模型，包括：基于通过用户应用界面输入的信息，调用1个或多个所述预测模型。如此，可以实现复杂预测作业流上多预测模型之间协同作业。
11.在一个可能的实施方式中，所述根据通过用户应用界面获得的财务或业务信息生成预测模型，包括：通过用户应用界面的信息从财务或业务的模板库调用模板，所述模板的结构为所述高阶有向图；基于所述模板，通过定义所述多个节点、配置所述多个节点的属性和所述多个节点两两之间的关系确定所述逻辑判断及计算规则，根据节点之间的有向边的连接关系确定所述预测路径；生成预测模型。如此，用户可以保存高阶有向图作为模板以供未来预测场景的泛化使用，还可以将已有的模板应用于新产生的业务数据中，形成良性企业财务预测知识的迭代循环。
12.在一个可能的实施方式中，所述根据通过用户应用界面获得的财务或业务信息生成预测模型，包括：通过用户应用界面获得的信息从指标库和/基线库选择多个节点；基于用户应用界面获得的财务或业务信息，通过定义所述多个节点、配置所述多个节点的属性和所述多个节点两两之间的关系确定所述逻辑判断及计算规则，连接所述多个节点的有向边确定所述预测路径，生成预测模型。如此，用户可以创建个性化的模板，还可以保存高阶有向图作为模板以供未来预测场景的泛化使用。
13.在一个可能的实施方式中，所述通过定义所述多个节点、配置所述多个节点的属性和所述多个节点两两之间的关系确定所述逻辑判断及计算规则，包括：通过定义所述节点的预测对象、步长/频次、维度和分析粒度，配置所述节点的调整属性、计算顺序属性、预测对象类型和预测限制，设置节点之间的有向边的箭头指向，确定所述逻辑判断及计算规则。如此，用户可以有效捕捉规律的算法模型，将业务逻辑及财务规则通过预测模型表达出来。
14.在一个可能的实施方式中，所述节点的个性化属性还用于设置所述节点的调整属
性、计算顺序属性、预测对象类型和预测限制。如此，可以实现对预测模型进行个性化配置。
15.在一个可能的实施方式中，所述节点的调整属性包括可调整或不可调整模式；所述节点的计算顺序属性包括所述节点执行逻辑判断的顺序或执行计算顺序；所述节点的预测对象类型包括计算类节点、条件判断类节点、信息类节点和算法类节点；所述节点的预测限制包括参数的取值范围。如此，可以辅以专家经验和作业人员的分析判断对预测模型进行优化调整。
16.在一个可能的实施方式中，所述根据获得的实例化配置信息配置所述预测模型的公共属性，包括：根据获得的实例化配置信息设置所述预测模型与本地的数据源、输入表和输出表之间的连接关系；或根据获得的实例化配置信息设置所述预测模型与远程调用的数据源、输入表和输出表之间的连接关系。如此，可以实现不同预测规则、实例数据、预测模型及预测对象之间的连接，提升了预测模型生成的可操作性、预测过程的可解释性以及预测模型的快速泛化能力。
17.在一个可能的实施方式中，所述由语义解析引擎将所述预测模型和所述实例化配置信息转化为计算机可执行的解析代码，包括：采用json或xml语义解析引擎将所述预测模型和所述实例化配置信息转化为计算机可执行的解析代码。如此，可以实现根据预测模型的公共属性将预测模型与数据源的输入表和输出表工程化连接。
18.在一个可能的实施方式中，所述数据源包括财务数据库、业务数据库、基线数据库、维度数据库和外部数据库之一或其组合。如此，可以为企业在构建财务预测系统的时候提供源自多个系统的大量数据，跨系统集成企业业务活动及财务状态的相关数据。
19.在一个可能的实施方式中，所述方法还包括：根据通过所述应用界面获得的数据信息对所述预测模型的公共属性、所述预测路径的属性以及所述节点的个性化属性进行调整，确定符合预测要求的预测模型。如此，可以辅以专家经验和作业人员的分析判断对预测模型进行优化调整。
20.在一个可能的实施方式中，所述确定符合预测要求的预测模型，包括：通过所述应用界面显示受调整影响的每个所述节点的预测数据的变化率，根据每个所述节点在所述预测维度上表达的所述预测对象的预测数据确定符合预测要求的预测模型。如此，能够直观地展现与实例数据链接的预测模型的逻辑判断及计算的过程，展现预测结果，根据过程及预测结果获得符合预测要求的预测模型。
21.在一个可能的实施方式中，所述方法还包括：根据通过所述应用界面获得的财务或业务信息生成第一预测模型；根据获得的第一实例化配置信息配置所述第一预测模型的公共属性、所述第一预测路径的属性以及所述第一节点的个性化属性，确定第一计算规则；
22.根据通过所述应用界面获得的财务或业务信息生成第二预测模型；根据获得的第二实例化配置信息配置所述第二预测模型的公共属性、所述第二预测路径的属性以及所述第二节点的个性化属性，确定第二计算规则；配置所述第一计算规则与所述第二计算规则之间的联动关系；由语义解析引擎将所述第一、第二预测模型和所述第一、第二实例化配置信息及所述第一计算规则与所述第二计算规则之间的联动关系转化为计算机可执行的第二解析代码；所述第二解析代码用于将所述第一预测模型和所述第二预测模型按照所述第一计算规则和第二计算规则之间的联动关系有序连接，生成预测作业流。如此，能够集成多个预测模型构建预测作业流，实现复杂预测作业流上多节点之间的协同作业。
23.在一个可能的实施方式中，所述第一预测模型配置有第二和/或第三计算规则，所述第二预测模型配置有第一和/或第四计算规则。如此可以实现根据每个节点的预测模型的复杂程度，配置一个或多个预测规则。
24.在一个可能的实施方式中，所述根据通过所述应用界面获得的财务或业务信息生成预测模型，包括将所述预测模型连接训练好的算法模型的输出接口，实时调用所述算法模型，与通过所述应用界面获得的财务或业务信息相结合，生成预测模型。如此，能够更高效地从预测数据中学习知识；从而提升算法学习的效率，并利用确定性的知识提升算法预测的质量。
25.在一个可能的实施方式中，所述方法还包括：配置所述预测模型的权限，所述权限包括预测模型中基线节点的权限、所述预测模型中每个预测路径和所述预测路径对应的预测结果的权限。如此，可以满足财务预测时效性的特殊要求，灵活的配置化实现分时段作业权限的管控，并为复杂的权限配置提供了可以按需定义的权限配置单元。
26.对于一个多产品线多子公司的复杂企业，本技术的实施例能够快速高效的复用预测过程中积累的知识，数据，并且能够灵活的把专家经验融入在预测分析业务之中，并对专家经验进行校验，实现财务预测的工程化。
附图说明
27.为了更清楚地说明本说明书披露的多个实施例的技术方案，下面将对实施例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说明书披露的多个实施例，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它的附图。
28.下面对实施例或现有技术描述中所需使用的附图作简单地介绍。
29.图1为本技术的实施例提供的一种工程化预测分析的方法的系统架构图；
30.图2为本技术的实施例提供的一种工程化预测分析的方法的分层解耦的架构示意图；
31.图3为本技术的实施例提供的工程化预测分析的方法的流程图；
32.图4a为本技术的实施例提供的工程化预测分析的方法的3种预测路径示意图；
33.图4b为本技术的实施例提供的工程化预测分析的方法包括3种类型模型的组合图；
34.图4c为图4a的中类型
②
的反向模型图；
35.图5a为本技术的实施例提供的工程化预测分析的方法的通过用户应用界面的构建预测模型示意图；
36.图5b为本技术的实施例提供的工程化预测分析的方法的通过用户应用界面的预测模型实例化配置示意图；
37.图5c为本技术的实施例提供的工程化预测分析的方法的预测过程参数调整及预测结果联动可解释示意图；
38.图6a为基于本技术的实施例提供的工程化预测分析的方法在固定时点上进行利润预测作业流示意图；
39.图6b为基于本技术的实施例提供的工程化预测分析的方法在利润预测作业流上
调度相关预测实例的示意图；
40.图7为本技术的实施例提供的工程化预测分析的方法的功能模块框图。
具体实施方式
41.财务指标是指企业总结和评价财务状况和经营成果的量化指标，涉及企业业务活动中涉及到的资金活动，常应用于企业的资金，经营及风险管理的各个环节。财务指标作为构建预测模型的基础组成部分之一，具备财务的形式特征，同时可以作为关系节点连接企业业务活动各个方面，揭示企业业务活动及财务结果之间的联动关系，反映企业各项经济活动的本质。企业常用的财务指标分为损益类，运营资产及现金流，分别反映企业的盈利能力，偿债能力及营运能力等。
42.第一个方案提出了一种企业财务指标资金量预测方法，该方法通过获取一现金中心的交易数据和辅助数据，对该交易数据和辅助数据进行特征提取以得到特征数据；将该特征数据分别输入预训练的多个单体预测模型中以得到对应的预测值；采用带精英策略的非支配排序遗传算法对各单体预测模型的预测值进行处理得到现金库存用量预测结果；其中，单体预测模型为岭回归模型、分类回归树模型、极端随机回归树模型、lightgbm回归模型或卷积神经网络模型。该方案根据数据建立模型，从数据中寻找规律进行预测，但是对预测中涉及的财务知识和业务知识没有融合方案，数据驱动的可解释性差。
43.第二个方案提出了一种生成公司财务指标预测模型的方法，基于集成的方式，根据单个机构或个人历史预测的准确性给予权重，组合成最终结果。该方案针对预定时间段，获取多个机构人员针对与一个或多个金融产品相对应的公司财务指标生成的历史预测数据，以及获取针对公司财务指标的实际数据，多个机构人员与多个机构相关联；对历史预测数据和实际数据进行筛选；基于所筛选的历史预测数据和实际数据，对多个机构人员和多个机构进行评分；基于多个机构和多个机构人员的评分结果，确定将多个机构人员针对一个或多个金融产品中的每个金融产品生成的预测结果作为组合预测模型时所对应的权重，以预测公司财务指标。该方法根据历史对人的知识进行综合打分，通过综合不同机构人员发布的预测结果进行组合预测模型权重的动态调整，以更准确地预测公司财务指标，但该方案只是对预测结果的一个综合，不涉及不同的知识及经验的融合。
44.企业在构建财务预测系统的时候需要集成源自多个系统的大量数据，设计并开发可有效捕捉规律的算法模型，将业务逻辑及财务规则转化成计算机计算机可执行的解析代码，应用到集成的数据上，辅以专家经验和作业人员的分析判断，最终进行数据预测分析。这一过程涉及到企业业务、财务管理、以及it各领域的多项专业知识及it技能，并且需要伴随企业自身业务的发展及外部环境的变化而演进迭代。企业的财务预测链条复杂多变，如果各个环节无法实现知识及经验的积累，各环节之间的联动，及时应用及解析转化，则无法满足企业日益精细化管理的需求。
45.下面介绍本技术的实施例提供的工程化预测分析的方法。
46.财务预测作为企业经营管理的关键手段之一，贯穿企业活动价值链的各个重要环节。在一个企业当中，可以通过以下几种形式预测：
①
识别父节点(leading indicator)，再根据父节点与业务或财务之间的复杂逻辑关系进行预测；
②
基于每个子部门/子产品等单独预测，再进行汇总；
③
基于历史数据通过统计分析、机器学习等大数据技术实现算法建模
进行预测。在企业预测的实际应用场景中，可以采用以上多种方式以相互校验。基于以上预测形式，一个预测对象需要跨系统集成企业业务活动及财务状态的相关数据，梳理符合经营实质的业务逻辑及财务规则，由it人员实现相应的解析代码，或根据数据构建算法模型，进行工程化预测分析。在实际工作中，预测结果的最终形成，还要再辅以专家判断或调整，才能最终形成预测结果。
47.本技术的实施例提供的工程化预测分析的方法采用分层解耦的模式，使预测规则与实例的预测对象解耦，预测规则可以复用。预测规则是指进行数据分析的逻辑判断和/或进行数据运算的计算规则。可选地，预测规则还可以是基于历史数据通过统计分析、机器学习等大数据技术实现的算法。
48.解耦是一种it环境的状态，其中两个或多个模型或组件以某种方式工作或连接而无直接联系。预测规则与预测对象之间并无直接联系，同一个预测规则可以应用于不同实例的预测对象。
49.在一些应用场景中，复杂企业的预测规则可能会依据预测对象的范围而对应不同的实例数据，但在预测过程采用的预测规则是一样的。示例性地，以企业的某一项收入为预测对象，其预测规则为：收入＝产品价格
×
量，量＝产品需求订单。其中，“收入”这一预测对象对应的实例数据为“产品价”“量”及“产品需求订单”，不论针对哪种产品，“收入”这一预测对象的预测规则是一致的，应用到不同的产品线则对应不同的实例数据，例如，不同产品对应不同的价格数据和需求订单数据。
50.本技术的实施例提供的工程化预测分析的方法对预测规则进行模板化，根据多种预测路径抽象出多种类型的预测模板，基于模板进行组合或者编辑，面向具体的业务问题构建预测模型。
51.本技术的实施例提供的工程化预测分析的方法对各种类型的预测模型进行实例配置，通过配置化的交互设计生成预测模型对应的可执行代码。
52.本技术的实施例提供的工程化预测分析的方法基于上述工程化能力可以支撑跨类型构建复杂的预测模型，以不同逻辑判断和/或计算规则进行数据和知识的工程化预测分析，预测结果可以在不同的实例上相互校验。
53.为了灵活地适配不同的业务和/或财务预测规则，本技术的实施例提供的工程化预测分析的方法通过交互式的应用界面构建预测模型，把预测规则、数据和算法连接起来，建立并发布各种类型的预测模型；业务专家可以根据自己的业务经验，在预测过程的任意节点调整预测模型，后台的语义解析引擎根据业务专家调整后的预测模型生成计算机可执行的解析代码，并执行相关逻辑判断和/或计算，进行数据预测分析。
54.在一种可能的实现方式中，首先由业务人员通过交互式的应用界面加载表达业务和/或财务预测规则的模板，以高阶有向图的形式构建预测模型，确定该模型涉及到的逻辑判断及计算规则；然后由it人员基于业务和/或财务分析的粒度需求配置化集成相关实例数据及各节点层级的预测维度；接着由后台的解析引擎将构建好的预测模型与it人员输入的配置信息集成后转化为计算机可执行的解析代码，通过api接口在相关的数据库上根据逻辑判断及计算规则执行相应运算，进行数据预测分析。
55.示例性地，模板是根据企业积累的业务和/或财务知识抽象形成的预测规则的表达形式，存储于企业的业务和/或财务数据的预测模型管理平台的模板库、指标库、基线库
或算法库中。模板的表达形式包括高阶有向图或多层树状图。分析粒度是指针对具体预测场景下业务和/或财务分析范围的明细程度。示例性地，分析粒度由粗到细(由大到小)或可以划分为集团-子公司、集团-子公司-生产车间、集团-子公司-生产车间-产品线、生产车间-产品线-产品型号等层级。
56.预测维度是指针对具体预测场景下进行业务和/或财务分析的数据层级的明细程度。示例性地，预测维度的划分按照数据从低层级到高层级原则，针对预测产品、预测客户、预测科目、节点、预测区域、预测类型和币种等进行预测维度的设置和调整。
57.预测模型基于高阶有向图的结构，通过多个节点、多个节点的属性和多个节点两两之间的关系表达逻辑判断和/或计算规则，通过节点之间的有向边表达预测路径。预测模型能够反映根据实例数据进行逻辑判断及计算的预测过程，可以直观地展现预测结果。预测模型可以包括多个预测路径，以实现对不同的实例数据进行不同的逻辑判断及计算。
58.预测路径是指针对特定的预测对象从输入信息集成到预测结果生成的过程。对于复杂企业这一过程包括预测对象的定义，相关数据的集成，模型的构建以及预测维度的设置。其中预测对象的定义需明确预测对象所涉及的企业业务范围，预测的时间跨度以及分析的周期频次等。
59.构建预测模型的核心是确定预测路径，包括基于指标之间的递进关系的预测路径、基于企业架构维度收敛的预测路径，以及基线转化的预测路径，在企业预测的实际应用场景中，预测模型的建模常常涉及以上三种预测路径的组合建模。
60.业务专家基于自己的经验判断可以对预测模型的关键节点进行调整试算，验证后最终存贮为针对具体业务和/或财务预测场景的知识，以高阶有向图的形式保存到后台实例图谱数据库中，支撑预测路径的验证，搜索和推演。
61.本技术的实施例提供的工程化预测分析的方法，通过多知识表示的技术，提供了不同的预测模型之间的调用和配置化集成。
62.下面结合本技术的实施例中的附图，对本技术的实施例中的技术方案进行描述。
63.图1为本技术的实施例提供的工程化预测分析的方法的系统架构图。如图1所示，本技术的实施例提供的工程化预测分析的方法的系统架构包括应用层11、数据适配层12和知识管理层13。
64.其中，应用层11根据通过应用界面获得的财务或业务信息生成预测模型；预测模型基于高阶有向图的结构，通过多个节点、多个节点的属性和多个节点两两之间的关系表达逻辑判断和/或计算规则，通过节点之间的有向边表达预测路径；显示预测对象的预测结果。
65.示例性地，可以为每个节点定义不同的预测对象、预测步长/频次、预测维度和分析粒度。
66.数据适配层12用于针对应用场景进行预测规则和数据的适配，采用语义解析引擎技术为预测对象、预测对象之间的关系以及对应的逻辑判断及计算规则的数据进行格式化配置转换。这种格式化配置转换可以在线进行，也可以离线进行。
67.示例性地，采用语义解析引擎技术可以在线地为远程调用的预测模型和/或预测实例进行格式化配置和转换。也可以在离线的条件下为本地调用的预测模型和/或预测实例进行格式化配置和转换。
68.可选地，语义解析引擎可以为json(javascript object notat ion)，json是一种轻量级的数据交换语言，采用完全独立于程序语言的文本格式，也使用类c语言的习惯，包括c,c ,c#,java,javascript,perl,python等，便于处理器为节点、节点之间的关系以及对应的逻辑判断及计算规则的数据进行格式化配置转换。
69.可选地，语义解析引擎可以为xml(extens ible markup language)，xml为可扩展标记语言，是internet环境中跨平台的依赖于内容的技术，是当前处理结构化文档信息的有力工具。扩展标记语言xml使用一系列简单的标记为节点、节点之间的关系以及对应的逻辑判断及计算规则数据进行格式化配置换。
70.需要说明的是，采用json、xml等it技术进行格式化配置的业务模板或财务模板，便于机器进行解析和生成，支持在internet环境中跨平台调用。
71.知识管理层13包括图谱库131、配置数据库132和业务数据库133，用于保存和管理图谱、配置数据和业务数据。
72.具体地，图谱库131，用于存储经过数据适配层12配置转换的预测模型，包括高阶有向图及图上的格式化的多个节点、多个节点的属性和多个节点两两之间的关系，并进行知识管理，为预测对象的关系挖掘、预测模型构键、知识推理、冲突检测和相关性计算提供模板支持。
73.配置数据库132，用于以关系型数据(oracle)的形式存储并管理经过数据适配层12配置转换的实例化配置数据，例如维度数据，元数据及定义预测模型和预测实例相关的数据。包括预测节点的类型，预测模型的公共属性、预测路径的属性以及节点的个性化属性等，其中，预测模型的公共属性用于设置该预测模型与数据源、输入表和输出表之间的连接关系；预测路径的属性用于设置逻辑判断和/或计算规则与数据之间的过程关系；节点的个性化属性用于设置每个节点表达的预测对象和预测维度。
74.示例性地，可以在应用层11通过定义节点确定预测对象、节点维度、版本管理、节点配置信息、路径配置信息和路径集成关系等配置数据。配置数据在配置数据适配层12经过配置转换后存储在配置数据库132。后台解析引擎将配置数据转换为计算机可执行的解析代码，通过api接口连接业务数据库133。
75.业务数据库133，用于以关系型数据(oracle)的形式存储并管理企业财务或业务的数据源，这些数据为现金预测、集团预测、法人预测、税务预测、bg预测等的实例化计算提供相关的数据，包括由数据源的数据构成的输入表和由预测结果数据构成的输出表。
76.通过api接口在相关的数据源上执行上述解析代码，可以实现根据预测模型的公共属性将预测模型与数据源的输入表和输出表工程化连接；在数据源的输入表上，根据预测路径顺序执行预测模型表达的逻辑判断及计算规则；确定每个节点在预测维度上表达的预测对象的预测数据，将预测结果数据输出至输出表或显示在应用层11的应用界面上，并提供优化调整预测模型的数据服务。
77.示例性地，数据源包括bg数据库、集团数据库、税务数据库、现金数据库、法人数据库等。
78.示例性地，不同预测维度的预测对象包括bg预测、集团预测、税务预测、现金流预测、法人预测等。
79.示例性地，输出表包括bg预测输出表、集团预测输出表、税务预测输出表、现金流
预测输出表、法人预测输出表等。
80.本技术的实施例提供了分层解耦的设计模式，实现了模板(应用层)与预测规则(图谱库131)解耦，预测规则(图谱库131)的执行代码(配置数据库132)和数据库解耦(业务数据库133)，预测路径自动化生成(数据适配层12)与作业人员的调整解耦；解耦设计可以实现模板在预测模型的构建过程中重复使用，模型构建人员可以基于现有的模型进行调整，大大提升工作效率。解耦设计可以支撑预测模型的解析代码被不同的预测应用调用，执行到相应的数据库中。
81.图2为本技术的实施例提供的工程化预测分析的方法基于多知识表示技术采用分层解耦的架构示意图。如图2所示，基于多知识表示技术对预测模型表达的预测规则和预测路径进行逻辑配置，融合实例数据生成模型实例，通过业务专家对预测路径和预测结果审视，基于业务专家的经验判断对模型实例进行参数调整，通过后台解析引擎将其转换为计算机可执行的解析代码，在数据源上执行调整后预测模型，显示和保存预测结果、调整后的实例模型和调整后逻辑配置。该方法实现了不同预测规则、实例数据、预测模型及预测对象之间的连接，提升了预测模型生成的可操作性、预测过程的可解释性以及预测模型的快速泛化能力。
82.图3为本技术的实施例提供的基于工程化预测分析的方法流程图。如图3所示，本技术实施例提供的工程化预测分析的方法具体的步骤包括：
83.s301，通过应用接口获取模板，基于模板对多个节点进行编辑，定义多个节点中每一个节点的预测维度、节点与节点之间的关系以及对应的逻辑判断及计算规则。
84.在一种可能的实现方式中，s301具体通过执行以下步骤s3011-s3012实现。
85.s3011，通过应用接口获取用户通过用户应用界面加载的模板。
86.示例性地，处理器通过用户在应用界面的输入从预测模板库，指标库、基线库和算法库加载模板。示例性地，通过指标库加载财务指标模板和/业务指标模板；通过基线库加载业务基线模板、业务转化模板和/财务基线模板；通过算法库加载统计学习模板、机器学习模板和/深度学习模板。
87.其中，模板库设置于图谱库131，指标库、基线库和算法库设置于配置数据库132。
88.s3012，基于用户的输入数据，获得模板上各个节点的配置信息，基于配置信息确定各个节点的业务范围、预测对象、预测步长/频次和预测维度，配置多个节点中节点和节点之间的关系以及对应的逻辑判断及计算规则。
89.示例性地，处理器通过应用接口获得用户通过应用界面定义的节点、节点之间的关系以及对应的逻辑判断及计算规则等配置信息，基于配置信息构建预测模型。其中定义的节点包括定义各个节点的业务范围、预测对象、预测步长/频次以及预测维度等。
90.s302，基于模板配置初始化参数，配置多个节点的属性，配置数据源链接信息，确定预测路径，生成预测模型；由语义解析引擎将预测路径翻译成计算机可执行的解析代码，与数据源链接。
91.示例性地，可以根据实例化配置信息配置预测模型的公共属性、预测路径的属性以及节点的个性化属性；
92.由语义解析引擎将预测模型和实例化配置信息转化为计算机可执行的第一解析代码；
93.在一种可能的实现方式中，s302具体通过执行以下步骤s3021-s3023实现。
94.s3021，基于用户的输入数据，配置初始化参数。示例性地，初始化参数包括预测步长/频次、预测维度和分析粒度等信息的初始值。
95.s3022，基于用户的输入数据，配置多个节点的个性化属性。示例性地，节点的个性化属性至少包括设置每个节点表达的预测对象、预测维度、节点的调整使能属性和信息限制属性。
96.s3023，配置数据源链接信息，确定预测路径，生成预测模型。示例性地，数据源链接信息为预测模型的公共属性，包括设置与数据源、输入表和输出表之间的连接关系；确定预测路径包括确定逻辑判断和/或计算规则与数据之间的对应关系。
97.s3024，通过解析引擎将预测模型解析成计算机可执行的解析代码，将计算机可执行的解析代码通过api接口与数据源建立链接。示例性地，通过计算机可执行的解析代码建立链接财务数据库、业务数据库、基线数据库、维度数据库和外部数据库等多维的数据源。
98.示例性地，解析代码用于根据预测模型的公共属性将预测模型与数据源、输入表和输出表工程化连接。
99.s303，在数据源上运行计算机可执行的解析代码，对预测路径进行校验和运算，进行数据预测分析。
100.在一种可能的实现方式中，处理器可以将配置好的预测模型通过处理器的解析引擎进行校验和解析，生成可执行的解析代码；将计算机可执行的解析代码通过api连接对应的数据源；在数据源上针对预测对象执行解析代码，进行数据预测分析。
101.示例性地，处理器在数据源的输入表上运行计算机可执行的解析代码时，根据预测路径执行预测模型表达的逻辑判断及计算规则；确定每个节点在预测维度上表达的预测对象的预测数据，将预测数据输出至输出表或显示在应用界面上。s304，对预测结果进行审视，调整节点属性和预测路径，优化预测模型。
102.在一种可能的实现方式中，s304具体通过执行以下步骤实现：
103.s3041，用户结合专业知识对显示于应用界面上的预测结果进行审视，如果审视结果为预测结果不合理，执行s3042。如果审视结果为预测结果合理，则结束。
104.s3042，进行对预测模型的配置信息进行调整，将调整后的预测模型通过解析引擎生成计算机可执行的解析代码，将计算机可执行的解析代码通过api接口输入到数据源中；在数据源上执行解析代码，针对不同预测维度的预测对象，进行数据预测分析。
105.示例性地，对预测模型的配置信息进行调整包括对预测步长/频次、预测维度和/或分析粒度等信息值中的一个或多个进行调整。
106.示例性地，对预测模型的配置信息进行调整包括对节点预测对象、节点的使能调整属性和/配置信息限制属性进行调整。
107.示例性地，对预测模型的配置信息进行调整包括对预测路径的调整，重新设置与数据源、输入表和输出表之间的连接关系；重新配置逻辑判断和/或计算规则与数据之间的对应关系。
108.s3043，用户结合专业知识对显示于应用界面上的预测结果进行审视和校验，如果审视结果为预测结果不合理，执行s301。如果审视结果为预测结果合理，则结束。
109.s305，保存预测模型。
110.s306，服务化调用预测模型，进行多个预测模型组合或预测模型与其它应用组合调用。
111.在一种可能的实现方式中，预测路径包括第一类路径，第一类路径为节点关系类，该路径表达了某一维度配置下节点之间的关联关系，一般为多个节点构成的自下而上地逐层递进的有向图结构，同一个节点可以关联不同层级的多个其他节点。如图4a的类型
①
所示，该有向图结构基于财务预测的规则，其下层节点为偏业务活动类的指标，例如正向收入和逆向收入；上层节点为财务管理类指标，例如设备收入数据、服务收入数据其他收入数据。正向收入和逆向收入的数据经过运算获得设备收入数据。进一步地根据设备收入数据、服务收入数据和其他收入数据求和运算获得净销售收入的预测。
112.在一种可能的实现方式中，预测路径包括第二类路径，第二类路径为维度收敛类，该路径为某一节点基于公司业务分类、客户管理或组织架构等维度的自下而上收敛的关联关系，一般为多层级节点的多叉树结构，该多叉树结构可从企业产品，客户及组织相关的维度数据中解析。如图4a中类型
②
所示，公司的设备收入预测以产品线为维度，将各个产品线的收入预测数据收敛为公司的设备收入预测，例如产品线a的设备收入预测数据、产品线b的设备收入预测数据和产品线c的设备收入预测数据求和运算，获得公司的设备收入预测结果。
113.在一种可能的实现方式中，预测路径包括第三类路径，第三类路径为基线转化类，该路径为指标之间集成基线信息的转化关系，多为二叉或多叉的树结构。示例性地，多叉树结构为分层级多次转化的多层数据结构，多叉树结构可以由单层树状结构多次转化而成。如图4a中类型
③
所示，该类型表现为设备成本通过制毛率基线转化得到设备收入。
114.在一种可能的实施方式中，预测模型可以基于多种类型预测路径组合叠加而成。示例性地，公司层级财务管理需求下的预测模型的生成，涉及多个不同类型的预测路径的叠加和组合。进一步地，如图4b所示，净销售收入的预测模型融合了节点关系类、维度收敛类和基线转化类三种不同类型的预测路径进行净销售收入预测。其中类型
①
框中展现了指标关系的预测路径，图中净销售收入指标与设备收入指标、服务收入指标和其他收入等财务指标直接关联，与下层各个业务指标间接关联；类型
②
框中展现了针对服务收入指标的自下而上预测维度从低到高的维度收敛的预测路径，图中预测维度从细到粗的维度收敛的预测路径体现在将多个产品线的服务收入预测收敛为公司的服务收入；类型
③
框中展现了多层基线转化类模型的叠加使用，图中，设备材料成本通过材料成本转化率基线转化得到设备成本，设备成本通过制毛率基线转化得到设备收入。
115.在一种可能的实施方式中，如图4c中所示，预测模型可以为多维分析的反向的树状结构，基于现有的预测路径
②
中的配置做相应的调整和衍生，解决同类型
②
反向的资源分配的决策问题，并且通过对中间预测路径的配置为及关键信息的调整，可以有效地提供面向此类决策问题的推演模型，为不同决策方案提供量化依据。
116.在一种可能的实现方式中，对上述不同的预测路径进行相应的配置，根据不同预测路径匹配相关的业务和/财务配置信息，构建预测模型，将预测路径和业务配置信息解析为开发代码，进行运算。
117.在一种可能的实现方式中，针对抽象出来的预测路径，分别提供了数据配置及规则配置的模板，将各个类型的预测路径翻译成可以在对应数据库执行的计算机代码。
118.企业在日常业务活动中常见的管理决策问题之一是资源分配问题。该问题一般始于一个有限资源的总量节点，然后基于公司针对该资源在某一经营管理层级上的业务场景，定义相关的约束条件和分配原则，将有限的资源分配到下一管理层级的多个节点上。
119.示例性地，基于财务三表的定义，将通用性的预测路径以高阶有向图的形式作为基础的模板存贮在本技术的实施例的图谱库131中。其中，高阶有向图的上层节点表达的预测对象可以作为模板的图标设置于应用界面的预测节点的类型选择框内，在不同的预测场景下通过用户拖拉拽的方式移动该图标以调用基础的模板。
120.图5a-5c展示了工程化预测分析的方法的应用层的应用界面示意图。
121.其中，图5a为构建预测模型的应用界面示意图；如图5a所示，用户可以配置化构建模板，在一种可能的实现方式中，业务人员可以在预测节点区51点击指标类或基线类按键可搜索系统集成的业务和财务指标库及基线库，拖拽指标类节点或基线类节点至中间模型编辑区52，再通过鼠标连接不同的节点，通过有向箭头的形式表达的预测路径显示了父节点和子节点之间的节点关系，箭头指向的为父节点，生成模板。业务人员可以基于已构建的模板，进行节点层级的配置和模板层级的配置。
122.多个节点两两之间的节点关系同时表达了逻辑判断和/或计算规则。例如，在一条预测路径中，如果节点与节点之间是计算关系，有向边的起始节点在等式的右边，起始节点作为该计算规则计算的输入；有向边指向的终节点位于等式的左边，终节点作为该计算规则的输出。
123.示例性地，由高阶有向图表达的模板中最底端的节点被称为叶子节点，模板中还包括中间节点及父节点(leadingindicator)。
124.示例性地，用户可以在属性配置区53进行模板的节点属性的配置和公共属性的配置。
125.示例性地，在预测模型区52，用户双击节点，进行节点属性的配置，包括定义节点，配置节点属性以及设置节点之间的算法，例如逻辑判断和数值计算的算法。其中，定义节点包括定义预测对象、步长/频次、维度和分析粒度的定义。
126.节点属性为该节点的预测对象。示例性地，配置节点的属性包括配置调整属性、计算顺序属性、节点类型、预测限制等。
127.示例性地，配置调整属性包括将节点的业务范围、预测对象、预测步长/频次和预测维度；的调整属性设置为可调整或不可调整模式。
128.配置计算顺序属性包括配置执行逻辑判断的顺序和执行计算的顺序。
129.配置节点的类型包含将节点为配置计算类节点、条件判断类节点、信息类节点或算法类节点等。
130.示例性地，节点与节点之间可以是多对多的关系，即一个节点可以同时作为多个上层节点的输入。
131.示例性地，一个模板可以是由2-3层节点和节点之间的有向边构成的高阶有向图；或者可以是一个通过节点有向连接的网状结构，多叉树结构是其中一种较为简单的模板。
132.示例性地，公共属性的配置包括模板的应用属性和模板的id等，应用属性例如财务三表属性、业务范围等，id为表示目标在计算机中的位置和身份标识的编码。财务三表包括资产负债表、利润表或现金流量表。
133.用户可以保存高阶有向图作为模板以供未来预测场景的泛化使用，还可以将已有的模板应用于新产生的业务数据中，形成良性企业财务预测知识的迭代循环。
134.在一种可能的实现方式中，模板可以是系统承载的模板。业务人员可以在预测节点区51中的对话框内输入关键词搜索系统承载的模板，一键导入已有的模板至预测模型区52，再基于业务或财务作业的应用场景做修改，进行节点层级的增删改查。
135.用户同样可以对模板进行编辑，在属性配置区53进行模板的节点属性的配置和公共属性的配置。
136.在图5a的应用界面上设置了按钮可以进入图5b所示的界面和图5c所示的界面。点击应用界面上设置的“实例化”按钮可以进入图5b进行预测模型的实例化配置。图5b为预测模型实例化配置的用户应用界面示意图；如图5b所示，用户对模板进行实例化配置实现模板与实例数据之间的连接。it工程师可以通过属性配置区53的配置框输入实例化需要的相关信息，进行模型层级的实例配置及节点层级实例配置，并由后台的语义解析引擎转化成可以在计算机计算机可执行的解析代码，例如sql语句。
137.示例性地，在属性配置区53显示模板的模型层级的实例配置信息和节点实例的配置信息。
138.示例性地，用户在属性配置区53能进行模型层级的实例配置，包括公共属性实例化的配置，例如数据源的id、输入表的id、输出表的id、可视化配置、预测对象id和维度度量。
139.示例性地，用户可以在预测模型区52双击节点，在属性配置区53输入每个节点的信息配置及取数条件。
140.示例性地，用户在预测模型区52双击节点，在属性配置区53输入节点实例的属性，包括配置基本信息、计算逻辑、sql自动生成vs sql手动编辑按钮、调整属性和关联属性。
141.示例性地，配置节点实例的基本信息：如节点实例名称，id，编码等。
142.示例性地，配置计算逻辑，如收入量＝正向收入量 dos递延量等。
143.示例性地，设置按钮，通过该按钮选择sql自动生成还是sql手动生成等。
144.示例性地，配置节点调整属性，如节点是否可调，是否有调整限制，限制条件等。
145.示例性地，配置节点关联属性，如是否需要关联其他的输入表或预测模型。
146.预测模型的实例化配置过程首先可以实现同一模板在不同数据库上的复用，并针对不同预测目标收敛于不同的预测维度；其次可以实现对预测模型的编辑，支撑预测模型在类似的预测场景快速泛化，避免重复开发可以复用的预测模型。
147.例如it工程师可以通过属性配置区53的配置框输入进行实例化所涉及到的公共属性以及节点层级的个性化属性。双击预测模型区52的某个具体节点，即可在预测对象属性区53弹出的配置框，根据配置框输入的数据进行节点实例化的配置，并由后台结合在图5a中定义的模板，由解析引擎转化成可以在计算机计算机可执行的解析代码。对于需要it人员进行审视或者调整的节点，可以双击按钮，对该节点上的预测路径及预测维度信息进行验证，将预测结果输出至输出表中。
148.在一种可能的实现方式中，通过用户按照以下步骤s601-s603进行预测模型的实例化配置：
149.s601，在预测模型区52选定叶子节点，在预测对象属性区53的配置框中配置该叶
子节点对应的数据源的链接信息。
150.s602，在预测模型区52选定中间子节点，在预测对象属性区53的配置框中配置所述层级的相关属性，包括公共属性以及节点层级的个性化属性，配置节点的预测维度；生成预测模型。
151.s603，审视该预测模型，对节点上的预测结果及预测维度进行验证。
152.在一种可能的实现方式中，用户可以在预测模型实例化的过程中可以配置多维的数据源，以连接不同企业的数据库。
153.在配置完成数据库连接及预测维度后，将预测模型及实例化的相关配置信息通过后台的解析引擎解析为计算机计算机可执行的解析代码。
154.本技术的实施例对预测模型的构建及预测模型的实例化配置过程进行了解耦设计，由不同的人员在图5a和图5b中的界面分别进行预测模型的构建及预测模型的实例化配置，再由语义解析引擎实现预测模型和数据源的工程化连接。
155.本技术的实施例提供的方法基于企业数据的部署环境提供相匹配的配置信息以实现不同节点的数据源连接。
156.用户可以在图5b预测模型区52中审视预测模型，以确保预测模型表达的逻辑判断和计算规则与计算机计算机可执行的解析代码一致。此外，对于预测模型中需要特殊处理的节点，it工程师可以双击该节点，在编辑框中对该节点进行调整，调整的操作包括增加新节点、删除节点、修改参数和检查配置。在图5b的用户应用界面上设置了按钮可以进入图5c和图5a所示的界面。用户点击应用界面上设置的“可视化”按钮可以进入图5c，基于用户应用界面的预测模型进行审视调整。
157.图5c为预测结果审视调整的用户应用界面示意图；在图5c的用户应用界面上设置了“提交”按钮，点击该按钮，可以显示预测和分析的结果。示例性地，点击图5c应用界面上设置的“提交”按钮后，基于预测模型连接相关的数据源并在配置的预测维度层级上进行数据预测分析。
158.如图5c所示，在预测模型区52，显示叶子节点的输入数据表信息、中间节点的计算过程信息和父节点的预测结果信息，还显示节点调整的影响信息。以图中正向收入量的预测模型为例，将日均销量从1199调整至1299，提升8％，该调整的影响路径在预测模型区52中即时显性化可视。同时，预测模型区52中会显示受日均销量影响的相关节点的变化率，通过向上的箭头表示提升率，下降的箭头表示降低率。
159.示例性地，在属性配置区53，可以显示实例名称，例如**正向收入量；可以显示实例结果维度筛选信息，如模型中所有节点公用的维度取值，包括产品、日期、版本、地区等；还可以显示节点层级维度筛选信息，如需要个性化配置维度取值的节点的产品、日期、版本、地区等。
160.示例性地，用户在属性配置区53可以调整逻辑判断和计算规则，并实时连接数据计算，展现规则调整的影响模型及受影响节点的变化率。
161.例如，用户在属性配置区53调整模型中所有节点公用的维度取值，实时连接数据计算，在预测模型区52中会显示受公用的维度取值调整影响的模型及受影响节点的变化率。
162.又例如，选定需要个性化配置维度取值的节点后，基于该节点的情况筛选维度取
值，实时连接数据计算，在预测模型区52中会显示受个性化配置维度取值调整影响的模型及受影响节点的变化率。
163.本技术的实施例提供的工程化预测分析的方法，分类型构建预测模型，并适配交互配置设计以及语义解析引擎，支撑跨类型构建复杂的预测模型，支撑多实例预测校验。
164.在一种可能的实现方式中，通过执行s701-s703实现预测路径和数据之间的联动可视，具体流程如下：
165.s701，根据预测结果调整节点的分析粒度。示例性地，分析粒度可以是模型中所有节点公用的属性，也可以是需要个性化配置的节点。
166.s702，选定具有调整属性的节点调整维度取值，基于预测模型和数据源之间的链接进行假设试算。
167.s703，设定受节点调整的影响标识，同时获取该模型上各个节点调整后预测数据变化率。
168.s704，根据预测数据变化率对预测模型进行调整，对不确定的预测模型进行推演验证，获得理想的预测模型。
169.示例性地，如果节点调整后，预测结果是正向增长的，则可以设定影响标识显示为上箭头；如果节点调整后，预测结果是负向减少的，则可以设定影响标识显示为下箭头。
170.该方案可以使预测作业人员能够根据预测结果实时调整预测路径并连接数据源进行试计算，获得预测路径调整的影响过程及受影响的节点的信息变化率。
171.在一种可能的实现方式中，预测作业人员对不确定性的预测场景构建预测模型，基于预测模型和数据源之间的链接进行假设试算，根据试算的预测结果对预测模型进行调整，对不确定的预测路径进行推演验证，获得理想的预测模型。
172.该方案基于实例配置信息链接相关的数据源，通过图查询的技术，即时反馈受该预测模型调整影响的所有子图，并量化受到影响的各个节点的信息变化率，量化分析预测模型调整的影响。通过量化局部预测路径变化获得预测模型的影响。
173.预测规则和数据之间的解耦实现了不同专业之间的分工作业，同时通过过程化实现的预测路径与数据联动实现了不同专业人员之间高效协同作业。
174.本技术的实施例基于高阶有向图的配置应用界面以及预测路径的过程可视的应用探索式分析，在预测模型初始化配置完成之后，业务人员可以独立完成发现、探索和推理的全部过程，不需要it专业人员的协助。图数据调取速度更快，可计算海量预测对象的属性分布，实现秒级返回结果，支撑预测业务人员即时决策，敏捷应对业务变化或市场突发事件。从海量数据中提取的财务预测知识，结合业务专家积累的经验判断，两者之间形成应用验证，固化成新的知识存储于图谱库中。
175.本技术的实施例提供的工程化预测分析的方法通过多个预测路径在预测模型上的有序连接及相关属性配置，可以实现复杂预测作业流上多节点之间的协同作业。
176.在一个可实现的方式中，基于所述预测模型进行构建预测作业流，包括：预测模型a和至少一个预测模型b，在预测模型a上配置第一预测规则以及第一预测规则启动和生成的第一配置信息；第一配置信息包括第一启动条件、第一数据库和与第二预测规则之间的联动关系；在预测模型b上配置第二预测规则以及第二预测规则启动和生成的第二配置信息；第二配置信息包括第二启动条件、第二数据库和与第一预测规则之间的联动关系；第一
预测模型和所述第二预测模型按照第一预测规则和第二预测规则之间的联动关系有序连接，构成预测作业流。
177.以企业经营管理中最为常见的利润预测为例，在固定时点上进行例行的利润预测作业流如图6a所示，其中由收入预测节点、成本预测节点、销毛预测节点和其他费用预测节点串行的第一条预测作业线，与图6b中的营销费用预测作业线并行，两者最终汇总形成利润预测。这一预测作业流可以通过收入预测模型表达收入预测节点，成本预测模型表达成本预测节点，销毛预测模型表达销毛预测节点和其他费用预测模型表达其他费用预测节点，并在每个预测节点/预测模型上配置相关的预测规则以及该预测规则启动和生成的相关配置信息，例如启动条件，相关数据库，和其他相关预测规则之间的联动关系等。
178.基于表达每个节点的预测模型的复杂程度，可以配置一个或多个预测规则，例如“收入预测”节点一般配置正向收入预测和逆向收入预测两个预测规则，基于表达每个节点的预测模型的复杂程度，可以配置一个或多个预测实例，例如“收入预测”节点一般配置正向收入预测和逆向收入预测两个预测实例，其中逆向收入预测又可以基于企业逆向收入预测的复杂程度拆分为多个子实例。除了节点之间的预测规则可以相互调用之外，同一节点上的多个预测规则之间也可以配置化的实现协同作业，例如正向收入预测中正向收入量这个指标会作为逆向收入预测的输入信息，这两个预测规则之间的依赖关系可以通过预测规则层级的配置实现。
179.解耦设计有效的避免了预测作业多版本之间的勾稽影响，作为初始化的自动生成版本，与后续多个作业调整相独立，通过识别预测路径上的相关节点进行增量调度，基于调整作业快速生成预测结果。
180.财务预测常使用统计学习或机器学习等算法从历史数据中捕捉规律，并基于此规律去预测未来的变化。
181.在本技术的实施例提供的工程化预测分析的方法中，预测模型可以连接基于算法预测的结果，即将算法预测的结果作为叶子节点的数据输入预测模型；或预测模型直接连接训练好的算法模型输出接口，实时调用该算法进行预测，与系统集成的最新业务或财务数据输入相结合，最终进行数据预测分析。在应用算法针对某一预测对象做预测的过程，由预测规则所构成的预测模型对算法提供了有效的辅助，能够更高效地从预测数据中学习知识；以图数据形式存储的预测模型可以将业务逻辑，财务规则以及专家经验融入到异常数据识别、特征工程、信息调整、细分预测场景等构建算法的步骤中，从而提升算法学习的效率，并利用确定性的知识提升算法预测的质量。
182.例如以某产品的销量预测作为该产品收入预测的底层输入节点，基于历史数据通过算法对未来销量进行预测，将销量预测结果作为收入预测的一个输入节点，基于全损益计算规则图进行关系及实例查询，识别出基于企业利润预测背景下的和销量预测相关的计算规则及实例上承载的重要业务规则，作为算法建模的背景知识反向传递到算法构建过程中，可以极大的提高销量预测的质量。
183.在预测模型基于实例自动生成一版预测结果之后，业务专家们会对模型生成的预测结果进行审视，再结合自己的专业知识及经验做出判断，对预测结果进行调整。预测作业任务的完成过程涉及到不同领域的专家在一段预测时间窗之内相继地进行预测审视和调整，直至该预测版本的最终版上交截止。
184.本技术的实施例提供的工程化预测分析的方法，可以实现预测审视调整功能，从而系统化地存贮业务专家基于某一具体的预测对象和作业流程做出的调整信息，该调整信息还可以包括某一预测规则的调整信息以及对该预测规则调整的时间。
185.在一个可实现的方式中，可以将该调整信息作为业务专家的行为数据，对业务专家进行数字化的预测行为画像。预测行为画像一方面可以反馈给业务专家，支撑业务专家的复盘回溯；另一方面，可以在业务专家面对突发事件或者企业政策调整需做出判断时提供先验模型的输入，通过概率分布的形式集成到预测模型的搭建过程中，或自动集成到预测模型对类似事件的预测路径中。
186.此外，企业对其各个财务管理模块之间有预测权限拆分的。
187.本技术的实施例提供的工程化预测分析的方法，基于财务预测时效性的特殊要求，预测作业流可以灵活的配置化实现分时段作业权限的管控，并为复杂的权限配置提供了可以按需定义的权限配置单元。此权限配置单元可以是一个预测模型中的某个基线节点，或是一个预测模型中的某个分支，或是一个或多个预测规则，或是整个预测作业流。
188.本技术的实施例中针对不同知识形态之间的连接配置，转化解析，调整反馈及物质执行的交互设计，建立了数据之间，知识之间，数据与知识之间，知识与作业人员之间的物理连接。同时提供了系统化承载各知识融合过程中的联动反馈，并提供系统化的回溯管理，在此基础上可高效实现知识的沉淀和复盘，以及推理和校验。
189.本技术的实施例提供了一种的工程化预测分析的方法，基于统一的知识表示多类型的预测知识库，形成预测知识网络以供知识的消费，集成和积累。本技术的实施例提供的工程化预测分析的方法的系统架构搭建了企业财务预测的预测模型管理平台，使得与预测相关的业务及财务知识得以的沉淀，降低对企业财务预测对人为传承经验的依赖，支撑多数据、多知识、多角色一体化协同的预测分析作业。
190.本技术的实施例提出一种工程化预测分析的系统，该系统提供基于多知识表示融合技术的预测模型管理平台，提供可以连接企业数据、业务逻辑、财务规则、算法和专家判断的预测模型，一方面可以工程化实现企业的财务或业务数据预测，另一方面通过预测模型管理平台提供的人机交互的应用界面，进行灵活的业务和/或财务规则适配，帮助专家对预测结果进行合理干预调整。
191.图7为本技术的实施例提供的工程化预测分析的系统的功能模块框图。如图7所示，本技术的实施例的数据预测工程化分析的装置包括定义模块70、构建模块71、实例化模块72、审视调整模块73和服务化调用模块74组成。具体地，定义模块70通过应用接口获取业务专家和解决方案分析师基于节点定义的业务范围、预测对象、预测步长/频次和预测维度。
192.构建模块71用于基于模板批量导入预测规则，或基于预测对象以高阶有向图的形式构建模板，对模板进行编辑和修改。
193.实例化模块72用于链接与预测模型的预测对象相关的数据源，根据用户的入参配置预测模型的预测维度，配置个性化节点、配置节点的调整属性、配置参数信息限制阈值，通过json、xml解析引擎将预测模型解析成计算机可执行的解析代码，通过api接口输入到链接关数据源中；在数据源上执行解析代码，针对不同预测维度的预测对象，进行数据预测分析。
194.审视调整模块73用于审视预测模型的节点的各项配置信息和预测结果、调整节点、节点维度、调整节点配置信息、调整预测模型的版本、调整预测路径配置和规则集成关系的配置。
195.服务化调用模块74用于保存预测模型，服务化调用预测模型，将多个预测模型集成/模型与其它应用集成。
196.在一个具体的业务场景中，业务专家和解决方案分析师通过定义模块70定义节点，包括预测的业务范围、指标、步长、频次和维度等，首先在构建模块71中定义预测模型，其次由it工程师在实例化模块72中配置化数据源和预测模型的连接，通过解析引擎将预测模型解析成计算机可执行的解析代码，在数据源上运行获得预测结果；然后由业务专家和解决方案分析师在审视调整模块73中对预测结果进行审视和调整。最后服务化调用模块74中对预测模型进行保存和服务化调用，进行多个预测模型集成或预测模型与其它应用集成。
197.以上基于应用工程化实现的可操作的功能模块由与预测模型管理平台的it技术相关的五个组件支撑：多知识融合组件701、算法组件702、技术组件703、服务组件704和管理组件705。
198.知识融合组件701用于基于多知识表示技术进行知识表示、知识抽取、知识匹配、规则检验、知识推理和知识存贮。在知识融合组件701支持下定义模块70能够获得基于节点定义的业务范围、预测对象、预测步长/频次和预测维度预测，实现知识表示；在知识融合组件701支持下构建模块71能够实现基于节点对模板进行编辑和修改，批量导入预测路径，基于高阶有向图构建预测模型，实现知识抽取。
199.算法组件702用于进行统计建模、机器学习、深度学习、迁移学习和语义解析从数据中践行学习。在算法组件702支持下，审视调整模块73能够审视预测模型的节点的各项配置信息和预测结果、调整节点、节点维度、调整节点配置信息、调整预测模型的版本、调整预测路径配置和规则集成关系的配置，实现规则检验和关系推理。
200.技术组件703用于链接adi、jalors、mysql、db2、oracle、ges和neo4j等数据库接口。在技术组件703支持下，实例化模块72能够实现连接数据源，配置预测维度，配置个性化节点、配置节点的调整属性、配置信息限制阈值，通过解析引擎将预测模型解析成计算机可执行的解析代码，计算获得预测结果等功能，实例化模块72能够与知识管理层13的配置和连接，实现知识匹配。
201.服务组件704用于进行集成调度、日志分析、远程配置、专家行为分析和性能比较。在服务组件704支持下，服务化调用模块74能够实现对预测模型进行集成调度、日志分析、远程配置、专家行为分析和性能比较等服务化调用。
202.管理组件705，用于对于预测模型的服务化调用进行权限管理、作业流管理、模型管理、维度和生命周期等管理。
203.在管理组件705支持下，服务化调用模块74能够实现对预测模型进行服务化调用，进行多个预测模型组合或预测模型与其它应用组合。
204.本技术的实施例的提供一种灵活简易的构建预测模型的人机交互方式，能够处理复杂多样的预测对象之间的关联关系，构建交互式的工程系统，满足预测中分析探索，泛化实施及知识管理的不同阶段性的需求。
205.本技术的实施例提出一种工程化预测分析的系统，该系统提供基于多知识表示融合技术的预测模型管理平台，基于统一的知识表示方法表达多类型的预测知识库，采用高阶有向图预测知识网络以供知识的消费，集成和积累，使得与节点相关的业务及财务知识得以系统化的沉淀，降低企业财务预测对人为传承经验的依赖，支撑多数据、多知识、多角色一体化协同的预测分析作业。
206.本技术的实施例提供工程化预测分析的系统，采用多知识表示融合技术，针对财务领域的复杂知识建立一种的结构化的预测模型。其中，预测对象、预测路径、业务逻辑及财务规则在不同管理分析层面，通过统一的知识方式存贮为预测模型，且预测模型之间相互关联融合。这样构建预测模型的优势在于可以将业务语言中描述性的专家知识和存在于专家经验判断中的规则信息，以及通过各类算法从数据中学习到的知识以机器易于存储的方式表示出来，同时通过本技术的实施例提供的工程化预测分析的系统的应用界面同预测用户形成互动，高效集成新知识并及时反馈该知识对现有预测系统的影响，从而有效地实现预测模型的生成和迭代。
207.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术实施例的范围。
208.此外，本技术实施例的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本技术中使用的术语“制品”涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如，计算机可读介质可以包括，但不限于:磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，压缩盘(compactdisc，cd)、数字通用盘(digitalversatiledisc，dvd)等)，智能卡和闪存器件(例如，可擦写可编程只读存储器(erasableprogrammableread-onlymemory，eprom)、卡、棒或钥匙驱动器等)。另外，本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可包括但不限于，无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
209.应当理解的是，在本技术实施例的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
210.所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
211.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
212.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
213.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者接入网设备等)执行本技术实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
214.以上所述，仅为本技术实施例的具体实施方式，但本技术实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术实施例的保护范围之内。