CN107808220A - 一种收入预测方法及装置 - Google Patents

Abstract

本发明提供了一种收入预测方法及装置，其中，该方法包括：接收企业对每个推广渠道的当前支出数据；将当前支出数据输入至预先设置的神经网络结构中，输出对应于当前支出数据的预测总收入数据；其中，通过如下步骤得到神经网络结构：获取企业的历史数据集合；其中，历史数据集合包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于支出数据和总收入数据对构建的神经网络结构进行训练，直至在神经网络结构的输出达到收敛时，停止训练。本发明将企业对每个推广渠道的当前支出数据输入至预先利用反向传播方法训练的神经网络结构中，得到预测总收入数据，预测的效率和灵活度均较高。

Description

一种收入预测方法及装置

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种收入预测方法及装置。

背景技术

网络推广作为一种新兴的推广方式，由于其相对传统推广方式，具有无地域性、传播不间断性、精准度高、互动性强、受众层次高等特点，并且可以方便地进行信息反馈、效果跟踪、消费者分析、行为调查、甚至消费等行为而受到越来越多的重视。

对于企业产品(如网站、APP等)而言，其可以通过各种网络推广渠道进行产品宣传。其中，网站的推广渠道可以是包括360、百度、搜狗等在内的各个搜索引擎，APP的推广渠道则可以是包括App Store、应用宝、华为应用市场等在内的各个应用平台。企业可以根据自身需要选取上述推广渠道中的一种或多种进行产品推广，然而，不管是应用哪一种推广渠道，企业都需要投入相应的资金，最终的推广效果则以企业的收入进行评判。

就一定程度而言，企业采用各个推广渠道进行推广后的总收入将随着推广渠道的总支出的增加而增加，然而，上述总收入与总支出不一定成正比，因此，如何利用有限的推广资金获取企业的收入最大化成为一个亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种收入预测方法及装置，基于反向传播方法对企业的收入进行预测，预测效率和灵活度均较高。

第一方面，本发明提供了一种收入预测方法，所述方法包括：

接收企业对每个推广渠道的当前支出数据；

将所述当前支出数据输入至预先设置的神经网络结构中，输出对应于所述当前支出数据的预测总收入数据；

其中，通过如下步骤得到所述神经网络结构：

获取所述企业的历史数据集合；其中，所述历史数据集合包括每个所述推广渠道的支出数据和对应于所有推广渠道的总收入数据；

利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练。

结合第一方面，本发明提供了第一方面的第一种可能的实施方式，其中，所述获取所述企业的历史数据集合之后和所述利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练之前，还包括：

对所述历史数据集合中的所述支出数据和所述总收入数据进行归一化，得到归一化后的支出数据和总收入数据。

结合第一方面，本发明提供了第一方面的第二种可能的实施方式，其中，通过如下步骤判断所述神经网络结构的输出是否达到收敛：

确定所述神经网络结构的训练次数是否达到预设阈值，得到第一匹配结果；

根据所述第一匹配结果判断是否达到收敛。

结合第一方面，本发明提供了第一方面的第三种可能的实施方式，其中，通过如下步骤判断所述神经网络结构的输出是否达到收敛：

确定所述神经网络结构的输出结果和所述总收入数据之间的输出误差是否小于预设误差，得到第二匹配结果；

根据所述第二匹配结果判断是否达到收敛。

结合第一方面的第三种可能的实施方式，本发明提供了第一方面的第四种可能的实施方式，其中，所述利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练，包括：

构建神经网络结构；

将初始训练参数和每个所述推广渠道的支出数据输入至构建的神经网络结构；

判断所述输出误差是否小于所述预设误差，若否，基于所述输出误差对所述初始训练参数进行调整；

循环将调整后的训练参数和每个所述推广渠道的支出数据输入至所述神经网络结构，判断所述输出误差是否小于所述预设误差，直至在判断出所述输出误差小于所述预设误差时，停止循环。

第二方面，本发明还提供了一种收入预测装置，所述装置包括：

接收模块，用于接收企业对每个推广渠道的当前支出数据；

预测模块，用于将所述当前支出数据输入至预先设置的神经网络结构中，输出对应于所述当前支出数据的预测总收入数据；

训练模块，用于获取所述企业的历史数据集合；其中，所述历史数据集合包括每个所述推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练。

结合第二方面，本发明提供了第二方面的第一种可能的实施方式，其中，还包括：

归一化模块，用于对所述历史数据集合中的所述支出数据和所述总收入数据进行归一化，得到归一化后的支出数据和总收入数据。

结合第二方面，本发明提供了第二方面的第二种可能的实施方式，其中，还包括：

第一判断模块，用于确定所述神经网络结构的训练次数是否达到预设阈值，得到第一匹配结果；根据所述第一匹配结果判断是否达到收敛。

结合第二方面，本发明提供了第二方面的第三种可能的实施方式，其中，还包括：

第二判断模块，用于确定所述神经网络结构的输出结果和所述总收入数据之间的输出误差是否小于预设误差，得到第二匹配结果；根据所述第二匹配结果判断是否达到收敛。

结合第二方面的第三种可能的实施方式，本发明提供了第二方面的第四种可能的实施方式，其中，所述训练模块包括：

构建单元，用于构建神经网络结构；

输入单元，用于将初始训练参数和每个所述推广渠道的支出数据输入至构建的神经网络结构；

判断单元，用于判断所述输出误差是否小于所述预设误差，若否，基于所述输出误差对所述初始训练参数进行调整；

循环单元，用于循环将调整后的训练参数和每个所述推广渠道的支出数据输入至所述神经网络结构，判断所述输出误差是否小于所述预设误差，直至在判断出所述输出误差小于所述预设误差时，停止循环。

本发明提供的收入预测方法及装置，其首先接收企业对每个推广渠道的当前支出数据；然后将当前支出数据输入至预先设置的神经网络结构中，输出对应于当前支出数据的预测总收入数据；其中，通过如下步骤得到神经网络结构：获取企业的历史数据集合；其中，历史数据集合包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于支出数据和总收入数据对构建的神经网络结构进行训练，直至在神经网络结构的输出达到收敛时，停止训练，其将企业对每个推广渠道的当前支出数据输入至预先利用反向传播方法训练的神经网络结构中，得到预测总收入数据，预测的效率和灵活度均较高。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例所提供的一种收入预测方法的流程图；

图2示出了本发明实施例所提供的另一种收入预测方法的流程图；

图3示出了本发明实施例所提供的另一种收入预测方法的流程图；

图4示出了本发明实施例所提供的一种收入预测装置的模块组成示意图。

主要元件符号说明：

11、接收模块；22、训练模块；33、预测模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到相关技术亟待需求一种如何利用有限的推广资金获取企业的收入最大化的解决方案，基于此，本发明实施例提供了一种收入预测方法及装置，基于反向传播方法对企业的收入进行预测，预测效率和灵活度均较高。

参见图1所示的本发明实施例提供的收入预测方法的流程图，上述方法具体包括如下步骤：

S101、接收企业对每个推广渠道的当前支出数据；

S102、将当前支出数据输入至预先设置的神经网络结构中，输出对应于当前支出数据的预测总收入数据。

具体的，考虑到本发明实施例提供的收入预测方法的具体应用场景，本发明实施例提供的收入预测方法需要接收企业对每个推广渠道的当前支出数据。在将当前支出数据输入至神经网络结构之前，首先对上述当前支出数据进行归一化处理，然后再进行数据输入，经过上述神经网络结构运算的输出值即为对应于当前支出数据的预测总收入数据，企业运营部门可以依据这个数据来优化渠道推广投入。

具体的，随着大数据时代的到来，只有比较复杂的模型，或者说表达能力强的模型，才能充分发掘海量数据中蕴藏的丰富信息，所以，本发明实施例中的神经网络结构采用的是更强大的模型，以使得我们能够从历史数据挖掘出更多有价值的信息和知识。其中，在对当前支出数据进行总收入预测时，首先需要获取预先训练好的神经网络结构以实现上述预测，参见图2，上述神经网络结构的训练过程具体包括：

S201、获取企业的历史数据集合；其中，历史数据集合包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据；

S202、利用反向传播方法基于支出数据和总收入数据对构建的神经网络结构进行训练，直至在神经网络结构的输出达到收敛时，停止训练。

具体的，本发明实施例提供的收入预测方法在进行神经网络结构训练之前，需要获取历史数据作为样本数据。该样本数据包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据。其中，上述样本数据可以通过数据接口、网络爬虫甚至是人工方式进行获取，本发明实施例对此不做具体的限制。

另外，本发明实施例提供的收入预测方法可以整理企业近两年每天各渠道投入及当天总收入等历史数据，随机选取其中80％的数据作为训练数据，20％作为测试数据，其中训练集用来训练模型、确定模型参数，而测试集用来检验模型的准确率，此数据只在模型检验时使用。

考虑到一个用户从知晓某个企业产品(如网站或者APP)到最终购买网络产品/会员，一般包括以下几个步骤：1.通过某个渠道获知某网站或APP；2.访问网站或使用APP获取所需的功能；3.如果有需要的话就购买网络产品或购买会员完成消费。基于上述用户行为，本发明实施例首先构建包括输入层、隐藏层和输出层的神经网络结构，其中，上述输入层即推广的各个渠道，其输入为对应渠道的推广费用；隐藏层可能包含多层，不能在训练样本时直接观测到它们的值；输出层即购买产品或购买会员等消费行为，输出层只包含一个节点，最终输出即为当日的收入；然后再基于上述获取的样本数据对该神经网络结构进行训练，以得到符合用户行为的神经网络结构，实用性较佳。

本发明提供的收入预测方法，其首先接收企业对每个推广渠道的当前支出数据；然后将当前支出数据输入至预先设置的神经网络结构中，输出对应于当前支出数据的预测总收入数据；其中，通过如下步骤得到神经网络结构：获取企业的历史数据集合；其中，历史数据集合包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于支出数据和总收入数据对构建的神经网络结构进行训练，直至在神经网络结构的输出达到收敛时，停止训练，其将企业对每个推广渠道的当前支出数据输入至预先利用反向传播方法训练的神经网络结构中，得到预测总收入数据，预测的效率和灵活度均较高。

为了把不同来源的数据统一到一个参考系下，这样比较起来才有意义。本发明实施例提供的收入预测方法在获取企业的历史数据集合后，还对该历史数据集合中的支出数据和总收入数据进行归一化处理，以得到归一化后的支出数据和总收入数据。其中，本发明实施例中优选的采用均值归一化处理方法对上述样本数据(如支出数据和总收入数据)进行归一化处理，把数据变换到(-1,1)区间，具体采用公式其中，μ为所有样本数据的均值，σ为所有样本数据的标准差进行实现。

本发明实施例提供的收入预测方法可以采用如下方式判断上述神经网络结构的输出是否达到收敛。第一种情况，本发明实施例可以采用确定神经网络结构的训练次数是否达到预设阈值(如5000次)的判断方式，如果训练次数达到预设阈值，则确定上述神经网络结构的输出已达到收敛，若训练次数未达到预设阈值，则确定未达到收敛。第二种情况，本发明实施例还可以采用确定神经网络结构的输出结果和总收入数据之间的输出误差(如误差0.0001)是否小于预设误差的判断方式，如果输出误差小于预设误差，则确定上述神经网络结构的输出已达到收敛，若输出误差小于或等于预设误差，则确定未达到收敛。第三种情况，本发明实施例还可以采用上述第一种判断方式和第二种判断方式的结合方式，如果训练次数且输出误差均符合要求时，才确定已收敛。可见，本发明实施例提供的收入预测方法可以满足不同用户的不同需求，适用性更强。

下面对第二种情况下的神经网络结构的训练过程进一步进行阐述，参见图3，本发明实施例提供的收入预测方法还包括如下步骤：

S301、构建神经网络结构；

S302、将初始训练参数和每个推广渠道的支出数据输入至构建的神经网络结构；

S303、判断输出误差是否小于预设误差，若否，基于输出误差对初始训练参数进行调整；

S304、循环将调整后的训练参数和每个推广渠道的支出数据输入至神经网络结构，判断输出误差是否小于预设误差，直至在判断出输出误差小于预设误差时，停止循环。

为了便于说明上述神经网络结构的训练过程，接下来以一个具体的示例进行说明。

以APP推广过程为例，构建的神经网络结构的输入层即为所有推广渠道，数量一般在n＝50左右，即为输入层节点数；输出层为当日的总收入，只需一个节点；隐含层初始节点数为log₂ ⁿ，其中，n为输入层的节点数；故隐含层可以设计为2层，每层包含6个节点。

其中，本发明实施例将数据输入至神经网络结构之前，可以对输入的样本数据进行归一化处理，对于APP而言，其推广渠道包括App Store、应用宝、华为应用市场、360推广等，则对应的支出数据即为输入样本数据；总收入数据为输出样本数据，上述输入样本数据和输出样本数据均是归一化处理后的数据。另外，对应于神经网络结构的输入层节点数即为推广渠道个数，分别对应App Store、应用宝、华为应用市场、360推广等，隐含层设计包含为2层，每层包含6个节点，输出层一个节点。

本发明实施例提供的收入预测方法还将初始训练参数和每个推广渠道的支出数据输入至上述构建的神经网络结构中以对神经网络结构进行训练，得到相应的训练参数。也即，本发明实施例输入上述样本数据(即各个渠道的支出数据)到输入层，使用反向传播方法对网络结构的权值和偏差进行反复的调整训练，具体过程为：对于所给的输入数据，从输入层传递给隐藏层，隐藏层通过连接权重及激励函数将处理后的结果传递给输出层，将输出层的输出结果同总收入数据进行比较，得到输出误差，再逆推对神经网络中的连接权重进行反馈修正，使用训练数据对神经网络进行多次训练以完善模型的准确性，当网络输出的误差小于指定的预设误差时训练即完成。其中，上述隐含层节点的激活函数选用的是sigmoid函数；激活函数表达式：中，上述表达式中的x由输入数据和连接权重确定。

其中，上述初始训练参数包括初始连接权重和初始偏差，本发明实施例提供的收入预测方法优选的采用随机函数随机产生上述初始值，以避免所有参数均采用相同的值，所有隐藏层的节点输出函数全部相同，而导致学习失败的可能性。

本发明提供的收入预测方法，其首先接收企业对每个推广渠道的当前支出数据；然后将当前支出数据输入至预先设置的神经网络结构中，输出对应于当前支出数据的预测总收入数据；其中，通过如下步骤得到神经网络结构：获取企业的历史数据集合；其中，历史数据集合包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于支出数据和总收入数据对构建的神经网络结构进行训练，直至在神经网络结构的输出达到收敛时，停止训练，其将企业对每个推广渠道的当前支出数据输入至预先利用反向传播方法训练的神经网络结构中，通过得到的预测总收入数据预测企业当日的收入情况，进而指导企业运营部门进行渠道投入优化工作，获得以最小的渠道投入获取最大的收入的效果，达到利润最大化。

本发明实施例还提供了一种收入预测装置，该装置用于执行上述收入预测方法，参见图4，上述装置包括：

接收模块11，用于接收企业对每个推广渠道的当前支出数据；

预测模块33，用于将当前支出数据输入至预先设置的神经网络结构中，输出对应于当前支出数据的预测总收入数据；

训练模块22，用于获取企业的历史数据集合；其中，历史数据集合包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于支出数据和总收入数据对构建的神经网络结构进行训练，直至在神经网络结构的输出达到收敛时，停止训练。

为了把不同来源的数据统一到一个参考系下，这样比较起来才有意义。本发明实施例提供的收入预测装置在获取企业的历史数据集合后，还通过归一化模块对该历史数据集合中的支出数据和总收入数据进行归一化处理，以得到归一化后的支出数据和总收入数据。其中，本发明实施例中优选的采用均值归一化处理方法对上述样本数据(如支出数据和总收入数据)进行归一化处理，把数据变换到(-1,1)区间，具体采用公式其中，μ为所有样本数据的均值，σ为所有样本数据的标准差进行实现。

本发明实施例提供的收入预测装置可以采用如下方式判断上述神经网络结构的输出是否达到收敛。第一种情况，本发明实施例可以采用第一判断模块确定神经网络结构的训练次数是否达到预设阈值(如5000次)的判断方式，如果训练次数达到预设阈值，则确定上述神经网络结构的输出已达到收敛，若训练次数未达到预设阈值，则确定未达到收敛。第二种情况，本发明实施例还可以采用第二判断模块确定神经网络结构的输出结果和总收入数据之间的输出误差(如误差0.0001)是否小于预设误差的判断方式，如果输出误差小于预设误差，则确定上述神经网络结构的输出已达到收敛，若输出误差小于或等于预设误差，则确定未达到收敛。第三种情况，本发明实施例还可以采用上述第一种判断方式和第二种判断方式的结合方式，如果训练次数且输出误差均符合要求时，才确定已收敛。可见，本发明实施例提供的收入预测装置可以满足不同用户的不同需求，适用性更强。

本发明实施例提供的收入预测装置中的训练模块22，具体包括：

构建单元，用于构建神经网络结构；

输入单元，用于将初始训练参数和每个推广渠道的支出数据输入至构建的神经网络结构；

判断单元，用于判断输出误差是否小于预设误差，若否，基于输出误差对初始训练参数进行调整；

循环单元，用于循环将调整后的训练参数和每个推广渠道的支出数据输入至神经网络结构，判断输出误差是否小于预设误差，直至在判断出输出误差小于预设误差时，停止循环。

本发明提供的收入预测装置，其接收模块11接收企业对每个推广渠道的当前支出数据；预测模块33将当前支出数据输入至预先设置的神经网络结构中，输出对应于当前支出数据的预测总收入数据；训练模块22，则获取企业的历史数据集合；其中，历史数据集合包括每个推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于支出数据和总收入数据对构建的神经网络结构进行训练，直至在神经网络结构的输出达到收敛时，停止训练，其将企业对每个推广渠道的当前支出数据输入至预先利用反向传播方法训练的神经网络结构中，通过得到的预测总收入数据预测企业当日的收入情况，进而指导企业运营部门进行渠道投入优化工作，获得以最小的渠道投入获取最大的收入的效果，达到利润最大化。

本发明实施例所提供的进行收入预测的方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的收入预测的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的***、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，多个单元或组件可以结合或者可以集成到另一个***，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通信接口，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。

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。

另外，在本发明提供的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。

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，或者网络设备等)执行本发明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-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种收入预测方法，其特征在于，包括：

接收企业对每个推广渠道的当前支出数据；

将所述当前支出数据输入至预先设置的神经网络结构中，输出对应于所述当前支出数据的预测总收入数据；

其中，通过如下步骤得到所述神经网络结构：

获取所述企业的历史数据集合；其中，所述历史数据集合包括每个所述推广渠道的支出数据和对应于所有推广渠道的总收入数据；

利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练。

2.根据权利要求1所述的方法，其特征在于，所述获取所述企业的历史数据集合之后和所述利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练之前，还包括：

对所述历史数据集合中的所述支出数据和所述总收入数据进行归一化，得到归一化后的支出数据和总收入数据。

3.根据权利要求1所述的方法，其特征在于，通过如下步骤判断所述神经网络结构的输出是否达到收敛：

确定所述神经网络结构的训练次数是否达到预设阈值，得到第一匹配结果；

根据所述第一匹配结果判断是否达到收敛。

4.根据权利要求1所述的方法，其特征在于，通过如下步骤判断所述神经网络结构的输出是否达到收敛：

确定所述神经网络结构的输出结果和所述总收入数据之间的输出误差是否小于预设误差，得到第二匹配结果；

根据所述第二匹配结果判断是否达到收敛。

5.根据权利要求4所述的方法，其特征在于，所述利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练，包括：

构建神经网络结构；

将初始训练参数和每个所述推广渠道的支出数据输入至构建的神经网络结构；

判断所述输出误差是否小于所述预设误差，若否，基于所述输出误差对所述初始训练参数进行调整；

循环将调整后的训练参数和每个所述推广渠道的支出数据输入至所述神经网络结构，判断所述输出误差是否小于所述预设误差，直至在判断出所述输出误差小于所述预设误差时，停止循环。

6.一种收入预测装置，其特征在于，包括：

接收模块，用于接收企业对每个推广渠道的当前支出数据；

预测模块，用于将所述当前支出数据输入至预先设置的神经网络结构中，输出对应于所述当前支出数据的预测总收入数据；

训练模块，用于获取所述企业的历史数据集合；其中，所述历史数据集合包括每个所述推广渠道的支出数据和对应于所有推广渠道的总收入数据；利用反向传播方法基于所述支出数据和所述总收入数据对构建的神经网络结构进行训练，直至在所述神经网络结构的输出达到收敛时，停止训练。

7.根据权利要求6所述的装置，其特征在于，还包括：

归一化模块，用于对所述历史数据集合中的所述支出数据和所述总收入数据进行归一化，得到归一化后的支出数据和总收入数据。

8.根据权利要求6所述的装置，其特征在于，还包括：

第一判断模块，用于确定所述神经网络结构的训练次数是否达到预设阈值，得到第一匹配结果；根据所述第一匹配结果判断是否达到收敛。

9.根据权利要求6所述的装置，其特征在于，还包括：

第二判断模块，用于确定所述神经网络结构的输出结果和所述总收入数据之间的输出误差是否小于预设误差，得到第二匹配结果；根据所述第二匹配结果判断是否达到收敛。

10.根据权利要求9所述的装置，其特征在于，所述训练模块包括：

构建单元，用于构建神经网络结构；

输入单元，用于将初始训练参数和每个所述推广渠道的支出数据输入至构建的神经网络结构；

判断单元，用于判断所述输出误差是否小于所述预设误差，若否，基于所述输出误差对所述初始训练参数进行调整；

循环单元，用于循环将调整后的训练参数和每个所述推广渠道的支出数据输入至所述神经网络结构，判断所述输出误差是否小于所述预设误差，直至在判断出所述输出误差小于所述预设误差时，停止循环。