《基于机器学习的预算管理预测研究》-工学论文，通信论文-论文范文参考-科学狗论文网

标题

基于机器学习的预算管理预测研究

范文

黄坤

【摘要】? ? 预算管理有助于公司更好的控制费用。目前，对预算的预测主要是各单位财务人员根据单位自身的情况以及经验进行估算，在实际的操作过程中受限于财务人员的主观性，预算往往存在较大的偏差。机器学习算法能够根据历史预算使用情况来预测未来的预算，具有比财务人员预测更强的客观性，因此本文研究机器学习中的支持向量机模型对预算的预测。本文基于支持向量机设计预算管理的预测模型，采用遗传算法对各个参数进行优化，在样本外的测试中，RMSE为 2496.82，优于BP神经网络模型以及随机森林模型。

【关键词】? ? 预算管理? ? 预算预测? ? 机器学习

一、绪论

预算管理作为企业绩效管理体系（EPM）的重要环节，是推进企业持续发展和战略目标实现的重要手段之一。在具体实现上，有五个环节，分别为预算目标确定、预算编制、预算执行监控、预算调整和预算分析。预算管理有助于公司更好的控制费用，对财务等进行规划。对于公司而言，资金的需求与供给之间可能存在不确定性，特别是公司处于发展期间，短期的资金短缺可能影响公司的业务发展，因此对预算进行管理是公司业务得以顺利发展的重要保障。而预算管理的基础是对预算进行预测，根据各单位的预测结果进行有序的规划与监督。目前，对预算的预测主要是各单位财务人员根据单位自身的情况以及经验进行估算，在实际的操作过程中受限于财务人员的主观性，预算往往存在较大的偏差。随着大数据的发展，充分利用单位的数据，并采用机器学习模型对公司的各项数据进行预测成为准确预估公司预算的重要手段。机器学习算法能够根据历史预算使用情况来预测未来的预算，具有比财务人员预测更强的客观性，因此本文研究机器学习中的支持向量机模型对预算的预测。

二、机器学习研究

机器学习模型根据历史数据中蕴含的规律，对系统的未来进行预测。常用的机器学习模型包括支持向量机模型、随机森林模型、BP神经网络模型等。

2.1支持向量机模型

最早的支持向量机理论是为了解决二分类的问题。Vapnik于1995年最早提出了该理论，并且通过严格的数学推导进行了求解。这种分类问题样本可以用如下的数学公式进行表达：

而分类器的目的是寻找一个学习函数f（x），当输入是x时该函数的输出为y，y的取值为-1或1，分类器的目标是尽可能的能够识别该样本的正确类型，也就是y的正确取值。一般而言，分类问题可以采用线性的方式或者非线性的方式进行建模分析，支持向量机也支持这两种方式。对于非线性的问题，支持向量机使用，将该样本数据集映射到更高的维度空间，在更高的维度空间重，构建切分子空间，对样本的分类问题进行求解，可以采用以下公式进行建模。

2.2随机森林模型

随机森林是一种应用较多的有监督学习算法，其性能较好，预测精度也较高，在很多领域得到了广泛的应用。回归树的基本属性原理便是将一系列输入属性x1，x2映射为最终的输出，可以用如下公式进行表达：

随机森林模型会针对不同的样本属性来进行划分，比如选择某个特征A，当该特征取值为a时，可以划分为属性等于a以及属性不等于a的两个集合，然后分别计算基尼指数，如（2-4）所示：

2.3 BP神经网络模型

BP算法是一种典型的前馈网络，能够解决各类线性的或者非线性的问题，并且能够对抗各类样本噪音的干扰。一般而言，BP神经网络具有三层或者三层以上的网络结构，每一层网络由神经元组成，这些神经元相互连接，形成网络。该网络具有一定的学习功能，首先把样本通过输入逐层传递到输出，然后根据预测结果与正式结果的差异，按照反方向反馈到网络结构中，并调整网络结构中的各项参数，并按照（9）修改连接权值：

其中是节点j到节点k在t+1步的权重，是节点j到节点k在t步的权重，是学习率，是节点j的输出。

三、基于支持向量机的预算预测模型构建

本文构建预算管理的预测模型，主要用于对项目的月度预算进行预测，其方式主要通过建立时间窗口，然后基于对下一个月的预算进行滚动预测，通过预测的结果分析，将其纳入到对整个项目预算生命周期的管理中。从预测的周期来看，由于采用滑动时间窗口，可以实现连续的滚动的预算预测，对项目整个生命周期以及每月的预算都可以进行预测，然后基于模型的预测结果，编制相应的预算文件。在进行滚动预测的时候，主要将项目的各项经营指标作为模型的输入，然后模型会生成以下一月度预算为基础的输出结果，基于数据结果可以分析项目的盈利以及现金流的相关情况，并建立预算的管理目标。通过对月度的财务预算进行预测，能够为整个项目编制预算提醒提供参考。通过审阅每个月预算与实际执行情况的差异，能够保障预算目标的正确执行。以此为基础，才能解决整个项目周期内预算情况的正常推进，对整体的收入、成本、税金等进行控制。一般而言，在对项目预算进行滚动预测时，采用4+N的方式进行，主要基于前4年的情况来进行预测，并进行更新。

本文采用支持向量機模型构建预算预测模型，支持向量机模型存在以下参数。

为了能够得到支持向量机模型的最优参数，本文基于遗传算法对模型进行最优化。遗传算法模拟生物界的进化方式，通过迭代的方式不断生成新的种群，然后不断接近最优解。本文为了检测模型的预测精准性，主要采用均方根误差以及平均绝对误差进行衡量。其中均方根误差的定义如（10）所示。

四、实证分析

本文采用某公司的预算历史数据进行实证分析，对每个月的预算进行预测。采用遗传算法求取该模型的最优参数，如表2所示。

样本外预测如图1所示。可以看到，样本外预测的结果与预算的真实使用之间的误差较小，经过计算可以得到该模型的RMSE为 2496.82。

为了对比分析支持向量机模型的有效性，采用BP神经网络以及随机森林模型进行样本外预测，得到下图。

可以看到，BP神经网络与随机森林的预测效果相对较弱，其中BP神经网络模型的RMSE为3416.36，随机森林的RMSE为3126.65，支持向量机模型的预测效果较好。

五、总结

本文基于支持向量机模型设计预算预测模型，通过实证分析检验了本文设计模型的有效性。通过与BP神经网络、随机森林等模型进行对比分析，验证了本文设计模型的有效性。

参? 考? 文? 献

[1]赖婧，欧通泽. 基于数据挖掘的电网企业收入预算预测系统研究[J]. 金融经济， 2019， 502（04）：199-200.

[2]孙云山，刘照德. 基于稀疏组Lasso惩罚函数支持向量机的经费预算困境预测[J]. 统计与决策， 2019（23）：19-23.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。