基于动态量本利分析的企业运营数据预测方法及装置

技术领域

本申请涉及数据处理的技术领域，具体涉及基于动态量本利分析的企业运营数据预测方法及装置。

背景技术

量本利分析法(Cost Volume Profit Analysis，CVP)，全称为产量成本利润分析，也叫保本分析或盈亏平衡分析，是一种管理会计工具，用于帮助企业理解其成本、销量和利润之间的关系。量本利分析的本质原理是研究企业的成本、销售量和利润之间的关系，以及如何影响企业的盈利能力。这种分析帮助企业了解在不同销售水平下如何盈利，并做出更明智的财务和运营决策。

在量本利分析中，其基本分析公式为：利润=(单位产品收入-单位产品变动成本)×业务量-固定成本。其中，变动成本指的是在生产过程中随着业务量（生产量或者销售量）变化而变化的成本，如原材料费用、能源费用。固定成本为在一定时期内，不随业务量变化而变化的成本，如场地租金、固定资产折旧费。在量本利分析中，盈亏平衡点的计算为关键部分之一。在盈亏平衡点下，企业的产品的销售收入刚好能够覆盖所有成本（包括固定成本和变动成本），达到盈亏平衡。

基于量本利分析法预测企业的运营数据（产品销售价格）时，主要依据历史数据来预测企业运营数据，同时市场趋势的变化也会影响企业运营数据的预测。目前在基于历史数据预测企业运营数据主要依赖于人工进行，并且，随着市场趋势的变化，数据的更新以及分析预测也需要人工进行，导致企业运营数据的预测效率较低。

发明内容

本申请提供基于动态量本利分析的企业运营数据预测方法及装置，能够提高企业运营数据的预测准确性。

在本申请的第一方面提供了基于动态量本利分析的企业运营数据预测方法，所述方法包括：

在预设第一时间段之前，根据目标企业针对目标产品的历史业务量数据，通过预设的预测模型，计算得到所述目标产品在所述预设第一时间段内的目标业务量趋势数据，所述历史业务量数据包括所述目标产品的历史销售量数据，所述目标业务量趋势数据为所述目标产品的销售量变化趋势的数据；

在所述预设第一时间段之后，获取针对所述目标产品在所述预设第一时间段的市场趋势数据，所述市场趋势数据为所述预设第一时间段内，所述目标产品的总销售量变化趋势的数据；

根据所述市场趋势数据，调整所述预测模型的计算参数，得到调整预测模型，所述调整预测模型根据所述历史业务量数据，预测的所述目标产品在所述预设第一时间段业务量趋势数据与所述市场趋势数据之差满足预设条件；

根据所述调整预测模型预测的所述目标产品的预测业务量，计算所述目标产品的预测变动成本，所述预测业务量为预测的所述目标产品的总销售量；

基于所述预测变动成本以及所述预测业务量，计算盈亏平衡状态下的预测销售价格，所述盈亏平衡状态下，根据所述预测变动成本、所述预测业务量以及所述预测销售价格计算得到边际贡献总额，与所述目标企业的预设固定成本数据相同。

通过采用上述技术方案，能够提高企业运营数据的预测效率，主要是因为它采用了一种自动化且动态的预测方法，有效地结合了历史销售数据和市场趋势分析。首先，通过分析目标产品的历史业务量数据，能够理解产品的过往市场表现提供了基础，并构建了一个初始的预测模型，减少了人工分析的需求。接着，通过引入实际的市场趋势数据并调整预测模型的参数，能够使预测模型计算的数据更贴合当前和预期的市场状况数据，提高计算的准确性和时效性。此外，将预测的业务量数据用于计算变动成本和盈亏平衡点下的销售价格，实现了目标产品的定价策略的预测推荐，完成了企业运营数据的预测。总之，整个过程的自动化减少了对人工干预的依赖，提高了运营数据处理和分析的效率，同时也增强了预测的准确性。

可选的，所述在预设第一时间段之前，根据目标企业针对目标产品的历史业务量数据，通过预设的预测模型，计算得到所述目标产品在所述预设第一时间段内的目标业务量趋势数据，具体包括：

获取所述目标产品在预设第二时间段的历史业务量数据，所述历史业务量数据包括产生所述历史销售量数据的时间序列数据、针对所述历史销售量数据的多个线性影响因素数据以及针对所述历史销售量数据的多个非线性影响因素数据，所述预设第二时间段在所述预设第一时间段之前；

基于所述时间序列数据，采用预设的第一预测模型，计算得到所述目标产品的第一业务量趋势数据，所述第一业务量趋势数据为所述第一预测模型计算的所述目标产品的销售量变化趋势的数据；

基于多个所述线性影响因素数据，采用第二预测模型，计算得到所述目标产品的第二业务量趋势数据，所述线性影响因素数据为针对所述历史销售量数据的线性影响因素的变化趋势数据，所述第二业务量趋势数据为所述第二预测模型计算的所述目标产品的销售量变化趋势的数据；

基于所述多个所述非线性影响因素数据，采用第三预测模型，计算得到所述目标产品的第三业务量趋势数据，所述非线性影响因素数据为针对所述历史销售量数据的非线性影响因素的变化趋势数据，所述第三业务量趋势数据为所述第三预测模型计算的所述目标产品的销售量变化趋势的数据；；

确定所述第一预测模型对应的第一权重、所述第二预测模型对应的第二权重以及所述第三预测模型对应的第三权重；

根据所述第一业务量趋势数据和第一权重、所述第二业务量趋势数据和第二权重以及所述第三业务量趋势数据和第三权重，进行融合计算，得到所述目标业务量趋势数据。

通过采用上述技术方案，通过分析历史业务量数据，包括时间序列数据以及线性和非线性影响因素，这个方案深入挖掘了影响销售的各种潜在因素。接着，采用三种不同的预测模型分别分析这些因素，确保了对每种影响的全面考量。例如，时间序列模型可能捕捉到销售的周期性趋势，而线性和非线性模型则分别处理其他简单或复杂的影响因素。最后，通过为每个模型分配一个权重并进行融合分析，方案综合了不同模型的优势，平衡了它们在预测过程中的贡献。这种方法不仅考虑了多种可能影响销售的因素，还通过加权融合来优化预测结果，使得最终的业务量趋势预测更加全面和精确。

可选的，基于所述时间序列数据，采用预设的第一预测模型，计算得到所述目标产品的第一业务量趋势数据，具体包括：

输入所述时间序列数据至所述第一预测模型，以使所述第一预测模型对所述时间序列数据进行平稳性检验，确定检验输出值；

若确定所述检验输出值大于预设显著性水平值，则对所述时间序列数据进行差分处理，得到平稳时间序列数据，并根据所述差分处理的结果确定差分阶数；

基于所述平稳时间序列数据确定自回归阶数和移动平均阶数；

采用所述差分阶数、所述自回归阶数以及所述移动平均阶数设置所述第一预测模型，以使所述第一预测模型计算所述预设第一时间段的所述第一业务量趋势数据。

通过采用上述技术方案，对时间序列数据进行平稳性检验，能确定数据是否需要差分处理来达到平稳性，这是时间序列预测的关键步骤。如果数据非平稳，差分处理及其结果的差分阶数成为建立有效第一预测模型的基础。接着，基于平稳化后的数据确定自回归阶数和移动平均阶数，这些参数对第一预测模型的预测能力至关重要。综合这些步骤，能够构建一个既考虑了历史数据的趋势，又能适应数据波动性的预测模型，提高了对未来业务量趋势的预测准确性。

可选的，基于多个所述线性影响因素数据，采用第二预测模型，计算得到所述目标产品的第二业务量趋势数据，具体包括：

对类别型的第一影响因素数据进行数据结构转换，得到目标数值型数据，所述第一影响因素数据为多个所述线性影响因素数据中的任意一个线性影响因素数据；

对目标数值型数据与所述历史销售量数据进行回归分析，量化所述第一影响因素数据对所述历史销售量数据的影响参数；

输入针对所述目标产品的多个预定影响因素数据至所述第二预测模型，以使所述第二预测模型以所述影响参数，根据所述多个预定影响因素数据，计算所述目标产品在所述预设第一时间段的所述第二业务量趋势数据，所述预定影响因素数据为预定的用于影响所述目标产品的销售量趋势的线性因素的数据。

通过采用上述技术方案，将类别型数据转换为目标数值型数据，解决了处理非数值型因素的难题，使得这些因素可以被纳入回归分析中。然后，通过对这些数值化后的数据与历史销售量进行回归分析，能够量化每个线性影响因素对销售量的具体影响程度，即影响参数。这种方法使得对线性关系的理解更加深入和具体，从而在预测模型中可以更精确地考虑这些因素的影响。最终，当这些影响参数被应用于第二预测模型中，可以根据预定的影响因素数据计算出目标产品在特定时间段的销售趋势。这种方法的优势在于它结合了定量和定性分析，将多种可能影响销售的线性因素整合到一个统一的预测框架中，从而提供了一个更全面、更精确的预测工具。

可选的，所述基于所述多个所述非线性影响因素数据，采用第三预测模型，计算得到所述目标产品的第三业务量趋势数据，具体包括：

对第二影响因素数据进行特征提取，得到目标特征数据，所述第二影响因素数据为多个所述非线性影响因素数据中的任意一个非线性影响因素数据；

输入所述目标特征数据至所述第三预测模型，以使所述第三预测模型确定所述目标特征数据与所述历史销售量数据的变化趋势的第一对应关系；

输入针对所述目标产品的多个预测影响因素数据至所述第三预测模型，以使所述第三预测模型根据所述第一对应关系，计算多个所述预测影响因素数据对应的所述第三业务量趋势数据，所述预测影响因素数据为预测的预设第一时间段内影响所述目标产品的销售量趋势的非线性因素的数据。

通过采用上述技术方案，对非线性影响因素数据进行深入的特征提取，将可能影响销售量的复杂因素转换为可量化和分析的特征数据。然后，这些特征数据被输入到第三预测模型中，模型通过分析这些特征与历史销售量数据之间的关系，建立起非线性的对应关系。这种方法特别适用于处理那些线性模型难以捕捉的复杂关系，如市场趋势的突变、消费者行为的变化或经济因素的波动等。

可选的，所述输入所述市场趋势数据至所述预测模型，以调整所述预测模型的计算参数，得到调整预测模型，具体包括：

获取多个权重组，每个权重组包括一个所述第一权重、所述第二权重以及所述第三权重；

依次通过各个权重组，结合所述第一业务量趋势数据、所述第二业务量趋势数据以及所述第三业务量趋势数据，进行融合分析得到多个目标业务量趋势数据；

确定多个所述目标业务量趋势数据中，与所述市场趋势数据之差小于预设差值的目标业务量趋势数据；

通过多个所述目标业务量趋势数据中与所述市场趋势数据之差小于预设差值的目标业务量趋势数据，对应的权重组设置为所述预测模型的计算参数，得到所述调整预测模型。

通过采用上述技术方案，获取不同的权重组合，这些权重组合分别对应于三种不同的预测模型。通过融合这些模型的预测结果，生成一系列可能的目标业务量趋势数据。随后，方案通过比较这些融合后的业务量趋势与实际市场趋势数据之间的差异，选取差异最小的那个趋势作为最终预测。不仅仅依赖单一模型的输出，而是综合多个模型的优势，并通过比较与市场实际数据的接近程度来优化权重配置。这种多模型融合的策略使得预测更加全面和稳健，能够更有效地捕捉和反映市场的复杂动态。通过选择与市场数据最为吻合的融合结果，该方案确保了预测结果的实际相关性和可靠性。总之，该技术方案提供了一种高度灵活和精确的方法来预测业务量趋势，对于指导企业的市场策略和运营决策至关重要。

可选的，所述根据所述调整预测模型预测的所述目标产品的预测业务量，计算所述目标产品的预测变动成本，具体包括：

根据各个历史业务量数据以及对应的历史变动成本数据，分析业务量与变动成本之间的第二对应关系；

根据所述第二对应关系，计算所述预测业务量对应的预测变动成本。

通过采用上述技术方案，通过对历史数据的分析，能够识别出业务量与变动成本之间的相关性（第二对应关系），这可能是线性或非线性的。这种对应关系的明确化允许更好地理解成本结构，特别是如何随业务量的变化而变化。随后，应用这一关系于预测的业务量数据，可以准确计算出对应的预测变动成本。

在本申请的第二方面提供了基于动态量本利分析的企业运营数据预测装置，包括预测算法模块、实时监控与调整模块、融合与优化模块以及量本利分析模块，其中：

所述预测算法模块，用于在预设第一时间段之前，根据目标企业针对目标产品的历史业务量数据，通过预设的预测模型，计算得到所述目标产品在所述预设第一时间段内的目标业务量趋势数据，所述历史业务量数据包括所述目标产品的历史销售量数据，所述目标业务量趋势数据为所述目标产品的销售量变化趋势的数据；

所述实时监控与调整模块，用于在预设第一时间段之后，获取针对所述目标产品在所述预设第一时间段的市场趋势数据，所述市场趋势数据为所述预设第一时间段内，所述目标产品的总销售量变化趋势的数据；

所述融合与优化模块，用于根据所述市场趋势数据，调整所述预测模型的计算参数，得到调整预测模型，所述调整预测模型根据所述历史业务量数据，预测的所述目标产品在所述预设第一时间段业务量趋势数据与所述市场趋势数据之差满足预设条件；

所述预测算法模块，用于根据所述调整预测模型预测的所述目标产品的预测业务量，计算所述目标产品的预测变动成本，所述预测业务量为预测的所述目标产品的总销售量；

所述量本利分析模块，用于基于所述预测变动成本以及所述预测业务量，计算盈亏平衡状态下的预测销售价格，所述盈亏平衡状态下，根据所述预测变动成本、所述预测业务量以及所述预测销售价格计算得到边际贡献总额，与所述目标企业的预设固定成本数据相同。

在本申请的第三方面提供了一种电子设备，包括处理器、存储器、用户接口以及网络接口，所述存储器用于存储指令，所述用户接口和所述网络接口均用于与其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任意一项所述的方法。

在本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如上述任意一项所述的方法。

综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请能够提高企业运营数据的预测效率，主要是因为它采用了一种自动化且动态的预测方法，有效地结合了历史销售数据和市场趋势分析。首先，通过分析目标产品的历史业务量数据，能够理解产品的过往市场表现提供了基础，并构建了一个初始的预测模型，减少了人工分析的需求。接着，通过引入实际的市场趋势数据并调整预测模型的参数，能够使预测模型计算的数据更贴合当前和预期的市场状况数据，提高计算的准确性和时效性。此外，将预测的业务量数据用于计算变动成本和盈亏平衡点下的销售价格，实现了目标产品的定价策略的预测推荐，完成了企业运营数据的预测。总之，整个过程的自动化减少了对人工干预的依赖，提高了运营数据处理和分析的效率，同时也增强了预测的准确性。

附图说明

图1是本申请实施例公开的量本利分析图；

图2是本申请实施例公开的基于动态量本利分析的企业运营数据预测方法的流程示意图；

图3是本申请实施例公开的基于动态量本利分析的企业运营数据预测装置的模块示意图；

图4是本申请实施例公开的一种电子设备的结构示意图。

附图标记说明：301、预测算法模块；302、实时监控与调整模块；303、融合与优化模块；304、量本利分析模块；401、处理器；402、通信总线；403、用户接口；404、网络接口；405、存储器。

具体实施方式

为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

量本利分析法(Cost Volume Profit Analysis，CVP)，全称为产量成本利润分析，也叫保本分析或盈亏平衡分析，是一种管理会计工具，用于帮助企业理解其成本、销量和利润之间的关系。量本利分析的本质原理是研究企业的成本、销售量和利润之间的关系，以及如何影响企业的盈利能力。这种分析帮助企业了解在不同销售水平下如何盈利，并做出更明智的财务和运营决策。

在量本利分析中，其基本分析公式为：利润=(单位产品收入-单位产品变动成本)×业务量-固定成本。其中，变动成本指的是在生产过程中随着业务量（生产量或者销售量）变化而变化的成本，如原材料费用、能源费用。固定成本为在一定时期内，不随业务量变化而变化的成本，如场地租金、固定资产折旧费。

在量本利分析中，盈亏平衡点的计算为关键部分之一。参照图1，在盈亏平衡点下，基本分析公式中的利润为零，企业的销售量与生产量持平，并且边际贡献总额（单位产品收入与单位产品变动成本之差为边际贡献，边际贡献与业务量之积为边际贡献总量）刚好能够覆盖总成本（包括固定成本和变动成本），达到盈亏平衡。

基于量本利分析法预测企业的运营数据（产品销售价格）时，主要依据历史数据来预测企业运营数据，同时市场趋势的变化也会影响企业运营数据的预测。目前在基于历史数据预测企业运营数据主要依赖于人工进行，并且，随着市场趋势的变化，数据的更新以及分析预测也需要人工进行，导致企业运营数据的预测效率较低。

本实施例公开了基于动态量本利分析的企业运营数据预测方法，参照图2，包括如下步骤S210-S250：

S210，在预设第一时间段之前，根据目标企业针对目标产品的历史业务量数据，通过预设的预测模型，计算得到目标产品在预设第一时间段内的目标业务量趋势数据。

本申请实施例公开的基于动态量本利分析的企业运营数据预测方法应用于服务器，服务器包括但不限于诸如手机、平板电脑、可穿戴设备、PC(Personal Computer，个人计算机)等电子设备，也可以是运行基于动态量本利分析的企业运营数据预测方法的后台服务器。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

量本利分析法在市场趋势预测中的应用具有显著优势，首先，量本利分析法综合考虑企业的成本、收益和利润等因素，反映企业经营状况的全貌。在运用量本利分析法之前，需要获取分析的基本数据，包括目标企业的历史业务量数据。服务器首先通过查询预设数据库中，目标企业的历史业务量数据，历史业务量数据为目标产品的历史销售量数据，这些第一历史业务数据还应包括具体的时间戳（如每日、每周或每月的销售量）。假设目标企业销售某种电子产品，想要预测接下来一年内的月销售量，目标企业收集了过去三年该电子产品的月销售数据。

在一种可能的实施方式中，对于通过历史业务量数据分析第一业务量趋势数据，本申请公开一种多模型融合分析法，采用多种预测算法对市场趋势（第一业务量趋势数据）进行预测计算，并对比分析各算法的预测效果。通过融合多种预测方法，充分考虑市场趋势的非线性特征，提高了预测准确性。

在多模型方案中，每个模型可以专门针对特定的数据类型或影响因素进行优化。例如，一个模型可能专注于时间序列分析，另一个可能专注于处理季节性影响，还有的可能专注于非线性市场因素。这种专门化使每个模型能在其专长领域内达到更高的预测准确度。并且每个模型处理相对较简单的任务，这降低了单个模型的复杂性。简化的模型通常更易于开发、调试和维护，从而提高了整体系统的可靠性和稳定性。此外由于不同模型可能有不同的偏差和局限性，多模型方案可以将这些风险分散开来。即使其中一个模型预测失误，其他模型的正确预测可以减轻整体预测错误的影响。

具体地，需要预测预设第一时间段的目标业务量趋势数据，则输入预设第二时间段的历史业务量数据至预设的第一预测模型，预设第二时间段在预设第一时间段之前，可以为过去预设时长的时间段，例如过去三年时间内。第一预测模型优选为自回归滑动平均模型（Auto-Regressive Moving Average Model，ARIMA）。通过ARIMA模型对历史业务量数据进行时间序列分析。

在时间序列分析中，平稳性意味着数据的统计特性（如均值、方差）不随时间变化。如果一个时间序列是非平稳的，它可能会显示出趋势或季节性模式，这会影响到对数据的分析和预测。ARIMA模型对历史业务量数据包括的产生历史销售量的时间序列数据进行平稳性分析。时间序列数据是按照时间顺序将销售量数据排列的一系列数据点。在这种类型的数据中，时间是一个关键的因素，历史销售量数据的数据点是根据时间间隔（如每小时、每天、每周、每月、每年等）连续记录的。

ARIMA模型对时间序列数据进行平稳性检验（例如ADF检验，Augmented Dickey-Fuller Test），获取ADF检验的检验输出值，即P值（P-Value）。通过ADF对时间序列数据进行ADF检验过程中，通过构建一个统计模型来描述时间序列数据，并检验时间序列中是否存在单位根。单位根是时间序列分析中的一个概念，它指的是时间序列分析中的一种特定类型的随机性，可以导致数据的统计特性随时间变化（即非平稳性）。如果一个时间序列具有单位根，那么它可能是非平稳的；如果没有单位根，那么它可能是平稳的。

检验会给出一个P值，这个P值用来判断结果的显著性。P值是用来衡量检验结果显著性的指标，如果P值小于或等于事先设定的显著性水平（即预设显著性水平值），则拒绝原假设，认为时间序列数据是平稳的。如果P值大于预设显著性水平值，则无法拒绝原假设，认为时间序列数据是非平稳的，则需要对时间序列数据进行一阶或多阶差分，直到时间序列数据变为平稳，此时根据差分处理的结果确定差分阶数，以用于ARIMA模型的计算参数。差分处理是减去前一个时间点的观测值的过程，用于消除时间序列的趋势和季节性，从而使其平稳，时间序列数据进行差分处理后得到的数据标记为平稳时间序列数据。

根据平稳时间序列数据和时间序列数据之间的相关性，通过自相关函数识别滑动平均项的阶数，即移动平均阶数，同时通过偏自相关函数识别自回归想的阶数，得到自回归阶数。具体通过自相关函数分析平稳时间序列数据与时间序列数据的相关性，查询最后一个显著非滞后的位置，假设相关性在第2个滞后之后变得不显著，这表明移动平均阶数可能为2。同理通过偏自相关函数分析平稳时间序列数据与时间序列数据的相关性，查询最后一个显著非零滞后的位置，假设相关性在第1个滞后之后变得不显著，这表明移动平均阶数可能为1。

得到差分阶数、自回归阶数以及移动平均阶数在内的参数后，通过差分阶数、自回归阶数以及移动平均阶数设置为ARIMA模型的计算参数，搭建ARIMA模型。当然在后续还需要对ARIMA模型进行进一步拟合与诊断，这些过程仅为相关技术领域的常规技术手段，在此不再做进一步赘述。最后使用构建的ARIMA模型，预测未来一段时间内（预设第一时间段）各时间点的数值，这里的数值就是目标产品的销售量值。连接各时间点的值即可得到目标产品在预设第一时间段的第一业务量趋势数据。

对时间序列数据进行平稳性检验，能确定数据是否需要差分处理来达到平稳性，这是时间序列预测的关键步骤。如果数据非平稳，差分处理及其结果的差分阶数成为建立有效第一预测模型的基础。接着，基于平稳化后的数据确定自回归阶数和移动平均阶数，这些参数对第一预测模型的预测能力至关重要。综合这些步骤，能够构建一个既考虑了历史数据的趋势，又能适应数据波动性的预测模型，提高了对未来业务量趋势数据的预测准确性。

进一步地，还需要通过另外两种预测模型，分别根据历史数据预测出目标产品的业务量趋势三个月还有，从而对三个预测模型预测的业务量趋势进行融合分析，以更精准地预测出目标产品的销售量趋势。

在一种可能的实施方式中，基于多个线性影响因素数据，采用第二预测模型，计算得到目标产品的第二业务量趋势数据，具体包括：对类别型的第一影响因素数据进行数据结构转换，得到目标数值型数据，第一影响因素数据为多个线性影响因素数据中的任意一个线性影响因素数据；对目标数值型数据与历史销售量数据进行回归分析，量化第一影响因素数据对历史销售量数据的影响参数；输入针对目标产品的多个预定影响因素数据至第二预测模型，以使第二预测模型以影响参数，根据多个预定影响因素数据，计算目标产品在预设第一时间段的第二业务量趋势数据，预定影响因素数据为预定的用于影响目标产品的销售量趋势的线性因素的数据。

针对历史销售量数据的多个线性影响因素数据，线性影响因素数据为影响目标产品的历史销售量数据的因素的数据，且因素与业务量之间呈现直接且明显的正比例或反比例关系，当这些因素的量发生变化时，业务量的变化呈现出稳定的、可预测的变化模式，如广告支出、市场均价等，当广告支出增加时，目标产品的销售量增加。对于影响目标产品销售量的众多因素中，哪些属于线性因素，哪些属于非线性因素需要人为提前设定，并在后续计算过程中直接运用。接着需要对多个线性影响因素数据进行预处理，包括处理缺失值和异常值等。但是重点需要将类别型数据转换成数值型数据，类别型数据即数据内容并非数值结构的数据，而是表意型的数据，例如参与促销活动的是与否，数据内容没有数值结构。则需要对其处理转换成数值型数据，可以通过独热编码（One-Hot Encoding）或标签编码（Label Encoding）实现，例如将是转换成1，否转换成0。

以多个线性影响因素数据中的任意一个线性影响因素数据，第一影响因素数据进行举例说明，对类别型的第一影响因素数据进行数据转换，得到目标数值型数据。然后对目标数值型数据与历史销售量数据进行回归分析，量化第一影响因素数据对历史销售量数据的影响参数。具体根据实际预测需求选择合适的回归模型，本申请第二预测模型优选为多元线性回归模型。使用历史销售量数据与转换后的目标数值型数据进行回归分析，以量化目标影响因素对销售量的影响。根据回归分析的结果，调整第二预测模型，第二预测模型将包含回归分析中确定的各个影响因素的参数，即影响参数。最后，第二预测模型将使用影响参数和预定测线性影响因素数据来计算目标产品在预设第一时间段的销售量趋势，得到第二业务量趋势数据，其中，预定影响因素数据为预定的用于影响目标产品的销售量趋势的因素的数据，例如企业预计将制定用于目标产品促销的广告营销等。

将类别型数据转换为目标数值型数据，解决了处理非数值型因素的难题，使得这些因素可以被纳入回归分析中。然后，通过对这些数值化后的数据与历史销售量进行回归分析，能够量化每个线性影响因素对销售量的具体影响程度，即影响参数。这种方法使得对线性关系的理解更加深入和具体，从而在预测模型中可以更精确地考虑这些因素的影响。最终，当这些影响参数被应用于第二预测模型中，可以根据预定的影响因素数据计算出目标产品在特定时间段的销售趋势。这种方法的优势在于它结合了定量和定性分析，将多种可能影响销售的线性因素整合到一个统一的预测框架中，从而提供了一个更全面、更精确的预测工具。

进一步地，由于多元线性回归模型是基于线性关系假设，即输出是输入特征的线性组合，通常只能处理线性关系，对于非线性模式的拟合能力有限。但是对于历史销售量数据还存在非线性因素的影响，例如市场饱和度、消费者行为等，这些因素可能在某个范围内与历史销售量数据表现出非线性关系，因此无法通过多元线性回归模型进行处理。

在一种可能的实施方式中，基于多个非线性影响因素数据，采用第三预测模型，计算得到目标产品的第三业务量趋势数据，具体包括：对第二影响因素数据进行特征提取，得到目标特征数据，第二影响因素数据为多个非线性影响因素数据中的任意一个非线性影响因素数据；输入目标特征数据至第三预测模型，以使第三预测模型确定目标特征数据与历史销售量数据的变化趋势的第一对应关系；输入针对目标产品的多个预测影响因素数据至第三预测模型，以使第三预测模型根据第一对应关系，计算多个预测影响因素数据对应的第三业务量趋势数据，预测影响因素数据为预测的预设第一时间段内影响目标产品的销售量趋势的非线性因素的数据。

同样以多个非线性影响因素数据中的任意一个非线性影响因素数据，第二影响因素数据进行举例说明。通过特征工程，从第二影响因素数据中提取出有助于预测的特征，得到目标特征数据。例如，从季节性数据中提取月份、节假日信息；从市场竞争数据中提取竞争强度指标等。然后选择能够处理非线性关系的第三预测模型，例如支持向量机（SVM）、神经网络等，SVM通过在数据集中找到一个边界，来区分不同类别或预测未来的值。在回归问题中，SVM尝试找到一个函数，最小化预测值和实际值之间的差异。神经网络通过模拟人脑的处理方式来处理复杂的数据模式。它们通过多层（或“神经元”）的结构来学习数据中的非线性关系，从而进行预测。

然后以历史销售量数据和提取的目标特征数据作为训练集，训练第三预测模型，在此过程中，模型将学习这些特征与历史销售量之间的关系。并进行交叉验证以评估模型的预测性能和准确性，根据验证结果调整模型参数，优化预测性能。最后将预测影响因素数据输入到训练好的第三预测模型中，预测影响因素数据应涵盖预测的预设第一时间段内可能影响销售量的非线性因素。第三预测模型将根据学习到的特征与销售量之间的关系，预测这些因素对应的未来销售量趋势，从而得到第三业务量趋势数据。

对非线性影响因素数据进行深入的特征提取，将可能影响销售量的复杂因素转换为可量化和分析的特征数据。然后，这些特征数据被输入到第三预测模型中，模型通过分析这些特征与历史销售量数据之间的关系，建立起非线性的对应关系。这种方法特别适用于处理那些线性模型难以捕捉的复杂关系，如市场趋势的突变、消费者行为的变化或经济因素的波动等。

进一步地，对于每个预测模型，基于每个预测模型在历史数据上的表现（比如预测准确率）来确定融合权重，更准确的预测模型应获得更高的权重。最后将第一预测模型、第二预测模型以及第三预测模型，根据对应的权重进行加权求平均值，得到的结果就是目标业务量趋势数据。其中第一预测模型的第一业务量趋势数据对应第一权重，第二预测模型的第二业务量趋势数据对应第二权重，第三预测模型的第三业务量趋势数据对应第三权重。

通过分析历史业务量数据，包括时间序列数据以及线性和非线性影响因素，这个方案深入挖掘了影响销售的各种潜在因素。接着，采用三种不同的预测模型分别分析这些因素，确保了对每种影响的全面考量。例如，时间序列模型可能捕捉到销售的周期性趋势，而线性和非线性模型则分别处理其他简单或复杂的影响因素。最后，通过为每个模型分配一个权重并进行融合分析，方案综合了不同模型的优势，平衡了它们在预测过程中的贡献。这种方法不仅考虑了多种可能影响销售的因素，还通过加权融合来优化预测结果，使得最终的业务量趋势预测更加全面和精确。

S220，在预设第一时间段之后，获取针对目标产品在预设第一时间段的市场趋势数据。

量本利分析也有一些局限性和弊端，通常基于一组静态的假设，比如销售价格、单位变动成本和总固定成本是恒定不变的，并且主要依赖于历史数据来预测预测销售收入，进而分析企业运营数据，在实际商业环境中，这些因素可能会随市场条件和企业策略的变化而变化。因此，传统量本利分析法对市场环境的变化和不确定因素考虑不足，导致企业运营数据的预测准确性不高。本申请公开一种基于动态量本利分析的企业运营数据预测方法，能够解决上述技术问题。

在步骤S210中，通过多个预测模型分别根据过去预设第二时间段的历史数据，目标产品在预测未来预设第一时间段的销售量预测趋势。但是为了进一步提高后续预测的准确性，需要实时收集预设第一时间段的市场动态数据，并在预设第一时间段过后，对预测结果进行动态调整，提高了市场趋势预测的实时性。因此，预设第一时间段的时长不能过长，例如不能设置成一年或者几年，而应该设置为短期，例如数月或者几个季度。否则，预设第一时间段过长，即在预设第一时间段后（例如超过一年），根据预设第一时间段的市场趋势数据调整预测模型的计算参数，再根据调整后的模型再次预测趋势会显得较晚，及时性较低。

市场趋势数据即目标产品再预设第一时间段内总销售量的变化趋势的数据，收集目标产品在该时间段内的销售数据，这包括每日、每周或每月的销售量，具体取决于数据的可用性和所需的分析精度。数据可以来源于内部销售记录、POS系统、ERP系统或外部市场研究报告。

S230，根据市场趋势数据，调整预测模型的计算参数，得到调整预测模型。

在通过对目标产品进行实际销售后，能够获取目标产品在市场上的实际表现，进而对预测模型的计算参数进行调整，本申请中即对第一权重、第二权重以及第三权重进行调整，使得调整后的预测模型预测的目标业务量趋势数据能够与市场趋势数据相同。

具体可以使用优化算法，如粒子群优化（Particle Swarm Optimization，PSO），来调整预测模型的权重是一种有效的方法，旨在找到一组最佳的权重组合，从而使得融合后的预测结果的准确性最高。粒子群优化是一种基于群体的优化工具，其中每个粒子代表一个解决方案。在PSO中，粒子通过模拟鸟群或鱼群的社会行为在解空间中搜索最优解。每个粒子有自己的位置和速度。位置代表可能的解决方案（在本申请中是权重组），速度决定了其搜索新位置的方式。随机生成一群粒子，每个粒子代表一个权重组。在本申请中，三个预测模型对应三个权重，一个粒子可以是一组权重值，包括第一权重、第二权重以及第三权重。定义一个适应度函数来评估每个粒子（权重组）的性能，本申请中该适应度函数优选为计算目标业务量趋势数据与市场趋势数据之差。重复执行评估适应度、更新位置的步骤，直到达到满足预设停止条件（目标业务量趋势数据与市场趋势数据之差小于预设差值）。在迭代过程结束后，多个目标业务量趋势数据中，存在一个目标业务量趋势数据与市场趋势数据的差值小于预设阈值，满足了预设条件。选择具有最佳适应度值的粒子的位置（权重组）作为最优权重组合，从而得到最佳的计算参数，即第一权重、第二权重以及第三权重。

获取不同的权重组合，这些权重组合分别对应于三种不同的预测模型。通过融合这些模型的预测结果，生成一系列可能的目标业务量趋势数据。随后，方案通过比较这些融合后的业务量趋势与实际市场趋势数据之间的差异，选取差异最小的那个趋势作为最终预测。不仅仅依赖单一模型的输出，而是综合多个模型的优势，并通过比较与市场实际数据的接近程度来优化权重配置。这种多模型融合的策略使得预测更加全面和稳健，能够更有效地捕捉和反映市场的复杂动态。通过选择与市场数据最为吻合的融合结果，该方案确保了预测结果的实际相关性和可靠性。总之，该技术方案提供了一种高度灵活和精确的方法来预测业务量趋势，对于指导企业的市场策略和运营决策至关重要。

S240，根据调整预测模型预测的目标产品的预测业务量，计算目标产品的预测变动成本。

在步骤S230中，使用粒子群优化算法对预测模型的计算参数进行调整，使得调整预测模型预测的预设第一时间段内的目标业务量趋势数据贴合了实际的市场趋势数据。前面提到，预设第一时间段为较短的一个时间段，例如数月或者一个季度。而企业对于某款产品的销售周期可能为一年或者数年，那么在预测第一时间段内目标产品的目标业务量趋势数据，接着需要根据企业制定的销售计划（销售目标产品多长时间下架）或者生产计划（生产目标产品多长时间停产），确定预设第三时间段。预设第三时间段在预设第一时间段之后，二者之和即是目标产品的销售时长或者生产时长。

通过调整预测模型再次预测目标产品在预设第三时间段内的总销售量变化趋势，对与预设第三时间段内的总销售量变化趋势的预测，与上述步骤中预设第一时间段内的目标产品的总销售量变化趋势的预测同理，仅在计算参数上存在区别，在此不再做进一步赘述。通过预设第三时间段内的总销售量变化趋势并根据预设第三时间段的时长，计算出目标产品的预测业务量，预测业务量即预测的目标产品在预设第三时间段的总销售量。

对变动成本进行预测首先需要理解在目标产品生产过程中哪些成本是变动成本。变动成本通常包括原材料、直接劳动力成本、能源费用等，这些成本随着业务量（生产量或销售量）的增加而增加，在各种成本中哪些属于变动成本均需要提前定义。收集过去的历史业务量（目标产品的生产量）和相应的历史变动成本数据，例如生产5万个目标产品时，计算的变动成本为3千元，每一个历史业务量数据以及对应的历史变动成本数据为一个数据组。根据多个数据组分析出业务量与变动成本之间的第二对应关系，这一对应关系可能是线性也可能是非线性的。最后根据第二对应关系，计算预测业务量对应的预测变动成本。

通过对历史数据的分析，能够识别出业务量与变动成本之间的相关性（第二对应关系），这可能是线性或非线性的。这种对应关系的明确化允许更好地理解成本结构，特别是如何随业务量的变化而变化。随后，应用这一关系于预测的业务量数据，可以准确计算出对应的预测变动成本。

S250，基于预测变动成本以及预测业务量，计算盈亏平衡状态下的预测销售价格。

前面提到，在量本利分析中，其基本分析公式为：利润=(单位产品收入-单位产品变动成本)×业务量-固定成本。而对于盈亏平衡状态下，公式中的利润为零，则固定成本=(单位产品收入-单位产品变动成本)×业务量。根据预测变动成本、预测业务量以及预测销售价格计算得到边际贡献总额，即(预测销售价格-预测变动成本)×预测业务量为边际贡献总额，当边际贡献总额与预设固定成本数据相同时，可实现盈亏平衡。在更精确地量本利分析中，还会考虑税率等因素，但最基本公式均为利润=(单位产品收入-单位产品变动成本)×业务量-固定成本，并在此基础上进行拓展。在固定成本数据、预测变动成本以及预测业务量均已知的情况下，即可通过量本利分析的分析公式计算出预设第三时间段内的预测销售价格。

通过本申请的技术方案，能够提高企业运营数据的预测效率，主要是因为它采用了一种自动化且动态的预测方法，有效地结合了历史销售数据和市场趋势分析。首先，通过分析目标产品的历史业务量数据，能够理解产品的过往市场表现提供了基础，并构建了一个初始的预测模型，减少了人工分析的需求。接着，通过引入实际的市场趋势数据并调整预测模型的参数，能够使预测模型预测更贴合当前和预期的市场状况，提高预测的准确性和时效性。此外，将预测的业务量数据用于计算变动成本和盈亏平衡点下的销售价格，实现了目标产品的定价策略的预测推荐，完成了企业运营数据的预测。总之，整个过程的自动化减少了对人工干预的依赖，提高了运营数据处理和分析的效率，同时也增强了预测的准确性。这种综合自动化预测方法使得企业能够快速响应市场变化，及时调整运营策略，从而有效提高运营决策的效率和质量。

本实施例还公开了基于动态量本利分析的企业运营数据预测装置，参照图3，包括预测算法模块301、实时监控与调整模块302、融合与优化模块303以及量本利分析模块304，其中：

预测算法模块301，用于在预设第一时间段之前，根据目标企业针对目标产品的历史业务量数据，通过预设的预测模型，计算得到目标产品在预设第一时间段内的目标业务量趋势数据，历史业务量数据包括目标产品的历史销售量数据，目标业务量趋势数据为目标产品的销售量变化趋势的数据。

实时监控与调整模块302，用于在预设第一时间段之后，获取针对目标产品在预设第一时间段的市场趋势数据，市场趋势数据为预设第一时间段内，目标产品的总销售量变化趋势的数据。

融合与优化模块303，用于根据市场趋势数据，调整预测模型的计算参数，得到调整预测模型，调整预测模型根据历史业务量数据，预测的目标产品在预设第一时间段业务量趋势数据与市场趋势数据之差满足预设条件。

预测算法模块301，用于根据调整预测模型预测的目标产品的预测业务量，计算目标产品的预测变动成本，预测业务量为预测的目标产品的总销售量。

量本利分析模块304，用于基于预测变动成本以及预测业务量，计算盈亏平衡状态下的预测销售价格，盈亏平衡状态下，根据预测变动成本、预测业务量以及预测销售价格计算得到边际贡献总额，与目标企业的预设固定成本数据相同。

在一种可能的实施方式中，实时监控与调整模块302，用于获取目标产品在预设第二时间段的历史业务量数据，历史业务量数据包括产生历史销售量数据的时间序列数据、针对历史销售量数据的多个线性影响因素数据以及针对历史销售量数据的多个非线性影响因素数据，预设第二时间段在预设第一时间段之前。

预测算法模块301，用于基于时间序列数据，采用预设的第一预测模型，计算得到目标产品的第一业务量趋势数据，第一业务量趋势数据为第一预测模型计算的目标产品的销售量变化趋势的数据。

预测算法模块301，用于基于多个线性影响因素数据，采用第二预测模型，计算得到目标产品的第二业务量趋势数据，线性影响因素数据为针对历史销售量数据的线性影响因素的变化趋势数据，第二业务量趋势数据为第二预测模型计算的目标产品的销售量变化趋势的数据。

预测算法模块301，用于基于多个非线性影响因素数据，采用第三预测模型，计算得到目标产品的第三业务量趋势数据，非线性影响因素数据为针对历史销售量数据的非线性影响因素的变化趋势数据，第三业务量趋势数据为第三预测模型计算的目标产品的销售量变化趋势的数据。

融合与优化模块303，用于确定第一预测模型对应的第一权重、第二预测模型对应的第二权重以及第三预测模型对应的第三权重。

融合与优化模块303，用于根据第一业务量趋势数据和第一权重、第二业务量趋势数据和第二权重以及第三业务量趋势数据和第三权重，进行融合分析，得到目标业务量趋势数据。

在一种可能的实施方式中，预测算法模块301，用于输入时间序列数据至第一预测模型，以使第一预测模型对时间序列数据进行平稳性检验，确定检验输出值。

预测算法模块301，用于若确定检验输出值大于预设显著性水平值，则对时间序列数据进行差分处理，得到平稳时间序列数据，并根据差分处理的结果确定差分阶数。

预测算法模块301，用于基于平稳时间序列数据确定自回归阶数和移动平均阶数。

预测算法模块301，用于采用差分阶数、自回归阶数以及移动平均阶数设置第一预测模型，以使第一预测模型预测预设第一时间段的第一业务量趋势数据。

在一种可能的实施方式中，预测算法模块301，用于对类别型的第一影响因素数据进行数据结构转换，得到目标数值型数据，第一影响因素数据为多个线性影响因素数据中的任意一个线性影响因素数据。

预测算法模块301，用于对目标数值型数据与历史销售量数据进行回归分析，量化第一影响因素数据对历史销售量数据的影响参数。

预测算法模块301，用于输入针对目标产品的多个预定影响因素数据至第二预测模型，以使第二预测模型以影响参数，根据多个预定影响因素数据，计算目标产品在预设第一时间段的第二业务量趋势数据，预定影响因素数据为预定的用于影响目标产品的销售量趋势的线性因素的数据。

在一种可能的实施方式中，预测算法模块301，用于对第二影响因素数据进行特征提取，得到目标特征数据，第二影响因素数据为多个非线性影响因素数据中的任意一个非线性影响因素数据。

预测算法模块301，用于输入目标特征数据至第三预测模型，以使第三预测模型确定目标特征数据与历史销售量数据的变化趋势的第一对应关系。

预测算法模块301，用于输入针对目标产品的多个预测影响因素数据至第三预测模型，以使第三预测模型根据第一对应关系，计算多个预测影响因素数据对应的第三业务量趋势数据，预测影响因素数据为预测的预设第一时间段内影响目标产品的销售量趋势的非线性因素的数据。

在一种可能的实施方式中，融合与优化模块303，用于获取多个权重组，每个权重组包括一个第一权重、第二权重以及第三权重。

融合与优化模块303，用于依次通过各个权重组，结合第一业务量趋势数据、第二业务量趋势数据以及第三业务量趋势数据，进行融合分析得到多个目标业务量趋势数据。

融合与优化模块303，用于确定多个目标业务量趋势数据中，与市场趋势数据之差小于预设差值的目标业务量趋势数据。

融合与优化模块303，用于通过多个目标业务量趋势数据中与市场趋势数据之差小于预设差值的目标业务量趋势数据，对应的权重组设置为预测模型的计算参数，得到调整预测模型。

在一种可能的实施方式中，量本利分析模块304，用于根据各个历史业务量数据以及对应的历史变动成本数据，分析业务量与变动成本之间的第二对应关系。

预测算法模块301，用于根据第二对应关系，计算预测业务量对应的预测变动成本。

需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本实施例还公开了一种电子设备，参照图4，电子设备可以包括：至少一个处理器401，至少一个通信总线402，用户接口403，网络接口404，至少一个存储器405。

其中，通信总线402用于实现这些组件之间的连接通信。

其中，用户接口403可以包括显示屏（Display）、摄像头（Camera），可选用户接口403还可以包括标准的有线接口、无线接口。

其中，网络接口404可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行服务器的各种功能和处理数据。可选的，处理器401可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器401可集成中央处理器401（CentralProcessing Unit，CPU）、图像处理器401（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。

其中，存储器405可以包括随机存储器405（Random Access Memory，RAM），也可以包括只读存储器405（Read-Only Memory）。可选的，该存储器405包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。如图所示，作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口403模块以及基于动态量本利分析的企业运营数据预测方法的应用程序。

在图4所示的电子设备中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而处理器401可以用于调用存储器405中存储基于动态量本利分析的企业运营数据预测方法的应用程序，当由一个或多个处理器401执行时，使得电子设备执行如上述实施例中一个或多个的方法。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所披露的装置，可通过其他的方式实现。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服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

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。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元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器405中。基于这样的理解，本申请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全部或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器405中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器405包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。