一种企业运营情况预测方法及装置

技术领域

本发明涉及神经网络技术领域，更具体的，涉及一种企业运营情况预测方法及装置。

背景技术

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、Bonacich power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。

发明内容

为了解决上述问题中的至少一个，本发明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。

本发明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。

本发明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发明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发明的一些实施方式，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为本发明实施例中一种企业运营情况预测方法流程示意图；

图2为本发明实施例中一种指标特征训练方法流程示意图；

图3为本发明实施例中一种网络能效预测训练方法流程示意图；

图4为本发明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为本发明实施例中一种杂扩展特征学习方法流程示意图；

图6为本发明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为本发明实施例中一种企业运营情况预测装置的结构示意图；

图8为本发明实施例中一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施方式中的附图，对本发明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发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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，都属于本发明保护的范围。

以下公开内容提供了许多用于实现本发明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发明。当然，这些仅仅是实例，而不旨在限制本发明。为便于描述，在本发明中涉及“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技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

日益错综复杂的企业间关系与日益爆炸的企业运行数据，为单纯基于传统理论及人工经验的方法采用复杂社会网络及复杂社会网络分析方法的带来了日益严峻的挑战，影响企业成长、企业间交易以及企业间合作的因素日益复杂、综合，各影响因素的耦合模式也日益复杂。面对上述趋势，现有的复杂社会网络分析手段显得难以应对，而单纯依靠人来总结归纳扩展复杂社会网络理论更是周期长、难度大。

基于此，本发明提出一种企业运营情况预测方法，该方法以现有的复杂社会网络分析理论及方法为引导，借助基于深度神经网络的深度学习算法，对日益爆炸的多维度企业数据进行分析，综合分析出网络节点演化以及网络演化影响因素及各影响因素间耦合关系，进而支持企业发展、企业间合作影响因素的分析。

请参阅图1，本发明第一方面提供一种企业运营情况预测方法，所述方法包括：

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；

具体的，获取企业时序数据可以通过系统直接获取，也可以通过服务器接收企业时序数据；在一具体场景中，对企业时序数据进行说明，以大型制造业互联网协作平台中的注册企业信息、地理分布以及入网企业之间的线上交易数据构成的复杂社会网络为例，该社会网络以入网企业为网络节点，以企业之间发生线上协作为边，依据线上协作发生的具体方式，以协作发起方为入、参与方为出，形成动态的、时序变化的复杂社会网络。

基于上述场景，根据企业间协作交易发生情况形成的网络可得到度数中心性、小世界商等经典复杂网络特征指标，同时，依据入网企业数量、发生协作交易企业数量以及相应的地域分布情况，可得到网络密度、入网企业地域性分布等特征指标。同时，由于入网企业的情况是基于时间变化的，因此，上述特征及其他数据(包括企业交易额、企业人员变动情况、协作交易发生和结束等)均表现为时序数据。

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；

具体的，将上述企业运行时序数据、企业协作交易网络特征时序数据给入深度神经网络，融合复杂社会网络与深度神经网络方法，分别进行复杂社会网络理论指标特征学习、复杂扩展特征学习(包括网络扩展特征学习以及网络演化扩展特征学习)和网络节点效能、网络效能预测学习，通过模型训练，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。

具体的，复杂社会网络以现有的复杂社会网络分析理论及方法为引导，借助基于深度神经网络的深度学习算法，对日益爆炸的多维度企业数据进行分析，综合分析出网络节点演化以及网络演化影响因素及各影响因素间耦合关系，进而对企业运营情况进行预测。

本发明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。

在具体实例中，本发明提供的方法还包括：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。

具体的，对网络描述数据各维度进行归一化处理，以便有效训练神经网络，使神经网络能够对数据特征进行有效的学习；在具体应用场景中，网络描述数据的不同维度值的量级(或者量纲)往往不同，若直接引入深度神经网络，则在采用梯度下降等方法进行神经网络参数优化的过程中，导致模型训练收敛速度缓慢和求解过程精度较差，通过归一化处理，将各维度的数据规约至相同的量级，从而保证保证了提升了模型训练收敛速率，同时，也提升了训练所得模型的精度。

此外，针对不同的模块的训练，对完整的时序数据集分别抽取构建时序数据集和静态数据集，其中，时序数据将一定的时间跨度的数据段作为一条数据样本，而静态数据则将每一个时刻的数据作为一个数据样本；举例而言，抽取的时序及静态数据集分别按照8:1:1的比例进行随机分割，将随机抽取的80％的数据用于神经网络训练，10％的数据用于训练神经网络的性能测试，10％的数据用于所得神经网络的性能验证(涉及查全率、查准率、召回率等的评价)。

需要说明的是，本发明采用已有软件或根据现有理论自行编写计算程序，对已处理的复杂社会网络静态数据进行程序解算，并将解算结果数据存储，以用于神经网络模型的训练。

在具体实例中，本发明提供的方法还包括：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。

具体的，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。

下面结合具体实施例，分别对指标特征训练、扩展特征训练和网络能效预测训练进行说明。

请参阅图2，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。

具体的，指标特征训练以监督学习的形式进行训练，具体而言需要考虑神经网络的训练和测试过程，即在训练数据集上训练神经网络模型参数，在测试集上进行测试，如果测试精度满足要求，则获得模；举例而言，神经网络结构设计为少量隐层(10层以内的神经网络隐藏层)，但每个网络层均采用较宽(即每层神经元数量较多)的方式设计，训练过程中，将网络描述数据(即企业时序数据，例如企业交易信息、企业加工能力变化信息以及企业订单变化信息等)作为训练数据输入给神经网络，并完成基于该数据的复杂社会网络理论指标特征计算(如中心性、网络密度等)作为数据标签，将每一帧数据(即企业时序数据)送入神经网络进行复杂社会网络理论指标特征拟合计算，并以理论计算的复杂社会网络理论指标特征值作为数据训练标签，采用反向传播方法对网络参数进行迭代更新，对于收敛的模型，通过测试及验证的方式进行检验，最终，收敛的模型去掉最后的输出层(因为后续扩展学习是要基于已经习得的抽象特征进行扩展，而不是直接采用输出)，作为基础模型送入下一阶段的训练。

需要说明的是，复杂社会网络理论指标特征计算是通过现有的定义和公式进行计算得到的理论指标特征；数据标签作用在于训练神经网络收敛，从而实现神经网络对上述理论特征的学习和拟合。

在具体实例中，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。

具体的，基于上述收敛的神经网络模型，采用无监督学习的方式进行训练，以实现对可拟合复杂社会网络理论指标特征的高级特征(高级特征是抽象的特征，是通过神经网络进行抽象获取的，而不是通过人的认知获取的)的扩展，举例而言，通过基于神经网络的无监督学习方法(例如(变分)自动编码器、(受限)玻尔兹曼机等)，针对无标签网络描述数据进行特征提取及分析(这里是为了对通过理论未能认知的更复杂的特征进行学习和挖掘，在隐藏层空间中进行分析和挖掘)，通过扩展网络权重及网络节点，实现基于上述监督学习收敛模型所能提取特征的扩展，其中，扩展特征(完成扩展后的特征)既包括类似复杂社会网络理论指标特征的静态类特征，也包括基于时间演化的动态类特征的学习。

需要说明的是，扩展分为宽度扩展和深度扩展，宽度扩展是在原有神经网络的每层增加神经元数量，但保持原有神经元参数不变；深度扩展是在宽度扩展的基础上，补充添加神经元层。

下面分别对第一扩展特征训练和第二扩展特征训练进行说明。

具体的，网络扩展特征学习(第一扩展特征训练)主要涉及静态类网络节点及网络特征的学习，在该类特征学习中，网络的训练数据以单一时刻的网络描述数据为样本，通过无监督训练对网络单一时刻描述数据的特征进行学习，获得网络单一时刻的扩展特征描述(通过基于循环神经网络的编解码机制方式实现)，该描述是基于复杂社会网络特征描述的补充及扩展。

需要说明的是，用于网络扩展特征学习的神经网络结构主要采用全连接网络、卷积网络以及基于网络描述数据特点(如对称性)特别设计的网络结构。

网络演化扩展特征学习(第二扩展特征训练)主要涉及动态类网络节点及网络特征的学习，在该类特征的学习中，网络的训练数据以多个时刻或一段时间内的网络描述数据为样本，同样通过无监督训练对网络该段时间内演化特征进行学习，获取网络演化扩展特征，该特征是独立于复杂社会网络理论特征的，是对该特征在另一个维度上的扩展，因为在监督学习部分已经对复杂社会网络理论特征进行了拟合训练，通过抽取隐藏层特征并进行扩展，得到了理论之外的特征捕获，同时，通过加入时序的考虑，将扩展的特征延申至时域上，是对理论特征在时域上变化特性的分析和挖掘。

需要说明的是，用于网络演化扩展特征学习的神经网络结构主要采用基于循环神经网络、融合循环神经网络的、以及(融合)卷积神经网络的网络结构。

请参阅图3，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。

具体的，基于上述复杂扩展特征学习训练收敛的模型，并融合上述网络扩展特征及网络演化扩展特征，对后续网络节点效能、网络整体效能进行预测，举例而言，神经网络训练仍采用网络时序描述数据，但训练输入数据与标签间存在特定时间间隔。训练过程采用监督训练的方式，将网络时序描述数据送入神经网络，获得网络节点效能、网络效能预测结果，再与实际效能(标签)做差形成偏差信号(监督学习损失函数)，从而利用反向传播训练网络参数，通过模型训练，完成对企业未来效益、企业间未来合作的预测。

需要说明的是，训练输入数据与标签间存在特定时间间隔，因为要训练的是基于当前复杂社会网络数据对未来某一时刻(如一周后等)的网络节点效能、网络效能进行预测，因此在进行监督训练时，真实的网络节点效能、网络效能(标签)应采用未来时刻的(也就是一定时间间隔后的)；该训练过程是基于习得扩展特征模型的进一步学习过程，扩展及演化特征模型的作用在于促进得到更好的节点效能及网络效能预测精度，又同时保有一定的泛化能力(即通过复杂特征的学习避免过拟合问题)。

下面结合附图和具体实例，对本发明提供的方法进行说明。

在具体应用场景中，本发明提供的方法主要包括四个步骤，分别为：收集数据及数据预处理、复杂社会网络理论指标特征学习训练、复杂扩展特征训练、网络节点效能及网络效能预测训练四个步骤，最终综合形成完整的特征分析及效能预测智能体。

第一步、收集数据及数据预处理

此步骤主要涉及训练数据的准备，是后续所有步骤的基础。该步骤主要可分为数据收集整理、复杂社会网络理论指标特征数据计算、数据归一化预处理、以及数据集分割四个子步骤，下面对上述子步骤进行逐一介绍。

(1)数据收集

该步骤将网络运行的时序数据按不同维度进行量化处理，将网络描述数据表示为一个数值向量，由于网络数据较为复杂，这个数值向量可能维数较高。在获得数值向量后，便可开展对网络描述数据进行数据预处理。

(2)复杂社会网络理论指标特征数据计算

本步骤采用已有软件或根据现有理论自行编写计算程序，对已处理的复杂社会网络静态数据进行程序解算，并将解算结果数据存储，以用于第二步中监督学习的训练。

(3)数据归一化预处理

网络描述数值向量预处理主要是对网络描述数据各维度进行归一化处理，以便有效训练神经网络，使神经网络能够对数据特征进行有效的学习。在具体应用场景中，网络描述数据的不同维度值的量级(或者量纲)往往不同，若直接引入深度神经网络，则在采用梯度下降等方法进行神经网络参数优化的过程中，一方面将导致模型训练收敛速度缓慢，另一方面将导致求解过程精度较差。通过归一化处理，将各维度的数据规约至相同的量级，从而保证一方面保证了提升了模型训练收敛速率，另一方面也提升了训练所得模型的精度。

(4)数据集分割

首先，针对技术方案中不同的模块的训练，对完整的时序数据集分别抽取构建时序数据集和静态数据集。其中，时序数据将一定的时间跨度的数据段作为一条数据样本，而静态数据则将每一个时刻的数据作为一个数据样本。抽取的时序及静态数据集分别按照8:1:1的比例进行随机分割，将随机抽取的80％的数据用于神经网络训练，10％的数据用于训练神经网络的性能测试，10％的数据用于所得神经网络的性能验证(涉及查全率、查准率、召回率等的评价)。

第二步、基于监督学习的复杂社会网络理论指标特征学习训练

请参阅图4，本步骤涉及对复杂社会网络理论指标特征的学习，具体实施过程如下：

(1)采用选定程序设计语言及深度学习框架，实现神经网络模型构建，搭建整体训练计算流程程序。

(2)将预处理并切割的训练数据集导入训练程序，对神经网络进行监督训练，并采用测试数据集对神经网络泛化能力进行评价。

(3)将预处理并切割的验证数据集导入训练收敛的模型进行模型性能指标计算，完成模型性能评价，此阶段性能满足要求的模型才能进入下一步骤模型的构建和训练。

第三步、基于无监督学习的复杂扩展特征学习

请参阅图5，本步骤主要基于上述收敛且性能良好的模型，开展复杂社会网络扩展特征及演化扩展特征的训练，训练数据分别采用时序数据集和静态数据集。具体训练过程如下：

复杂社会网络扩展特征训练：神经网络按照神经网络层数开展逐层训练，具体训练方法包括但不限于自动编码器、玻尔兹曼机、深度信念网络的训练方式；

复杂社会网络演化扩展特征训练：神经网络中间段采用循环网络神经元或卷积网络神经元进行实现，多个卷积或循环层网络构成的块看作一个单元，仍采用与复杂社会网络扩展特征训练相类似的方式进行训练。

上述两个部分的训练过程与第二步中的训练过程相同，采用模型实现、训练、测试、验证等步骤，训练过程中第二步中训练已收敛模型部分参数仅允许小幅变化。

第四步、基于监督学习的网络节点效能、网络效能预测学习

请参阅图6，本步骤基于第三步收敛模型，在该模型基础上补充添加神经网络层，即实现基于网络扩展特征及网络演化扩展特征的网络节点及网络效能预测模型。该模型训练同样采用与第二步相同的方法，只是用于训练的时序数据及标签设置一定的时间差，使得神经网络对网络节点效能及网络效能的未来预测得到后续时间实际效能值的修正，从而实现通过反向传播完成对此部分神经网络的训练。

请参阅图7，本发明第二方面提高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701，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702，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703，根据特征值得到复杂社会网络；

预测模块704，利用所述复杂社会网络对企业运营情况进行预测。

本发明提供的装置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。

进一步地，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。

进一步地，还包括：建立神经网络模型模块，建立神经网络模型。

进一步地，还包括：神经网络模型训练模块，对所述神经网络模型进行训练，其中训练包括：指标特征训练、扩展特征训练和网络能效预测训练。

本发明的实施方式还提供能够实现上述实施方式中的企业运营情况预测方法中全部步骤的一种电子设备的具体实施方式，参见图8，所述电子设备具体包括如下内容：

处理器(processor)801、存储器(memory)802、通信接口(CommunicationsInterface)803和总线804；其中，所述处理器801、存储器802、通信接口803通过所述总线804完成相互间的通信；所述通信接口803用于实现装置、客户终端、缺陷监测设备以及其他参与机构之间的信息传输；

所述处理器801用于调用所述存储器802中的计算机程序，所述处理器执行所述计算机程序时实现上述实施方式中的企业运营情况预测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

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。

从上述描述可知，本发明提供的电子设备，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。

本发明的实施方式还提供能够实现上述实施方式中的企业运营情况预测方法中全部步骤的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计算机程序，该计算机程序被处理器执行时实现上述实施方式中的企业运营情况预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

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。

从上述描述可知，本发明提供的计算机可读存储介质，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。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，对于硬件+程序类实施方式而言，由于其基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。虽然本说明书实施方式提供了如实施方式或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施方式中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施方式或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、方法、产品或者设备不仅包括那些要素，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、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施方式时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施方式仅仅是示意性的，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。本发明是参照根据本发明实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。本领域技术人员应明白，本说明书的实施方式可提供为方法、系统或计算机程序产品。因此，本说明书实施方式可采用完全硬件实施方式、完全软件实施方式或结合软件和硬件方面的实施方式的形式。而且，本说明书实施方式可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，对于系统实施方式而言，由于其基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施方式或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已，并不用于限制本说明书实施方式。对于本领域技术人员来说，本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施方式的权利要求范围之内。