基于人工智能的服装纺织行业上市公司盈利能力综合评估指标构建

财务指标分析对于公司运营情况的评价有着至关重要的作用。以往传统的财务指标分析,一般都只能通过流动比率、资产负债率、总资产周转率、资产报酬率等指标,相对单一、孤立地进行对比分析与评价,无法以一个整体、全面的指标进行综合性的评价与度量。本论文创新性地将分析侧重于公司的盈利能力水平,依托主成分分析算法将包括净利润率、总资产报酬率在内的6个代表盈利能力的指标进行整合,提炼形成经营获利能力指标和投资获利能力指标,以及一个直观简洁的盈利能力综合评价指标,建立起面向服装纺织行业上市公司盈利能力的三级量化评估体系,并进一步确定了其余各方面指标和盈利能力之间存在的潜在关联。从而帮助相关管理者与分析者切实提升从庞大的财务信息数据中获得关键信息的速度与效率。

基于改进Prophet算法的碳排放量预测方法

为了响应“十四五”纲要提出的碳达峰碳中和要求,企业需要有效地控制自身碳排放量,如何基于历史碳排放时序变化特征进一步对未来碳排放趋势进行预估对于企业的双碳规划与减碳工作有着至关重要的作用。本文尝试使用基于改进Prophet的预测模型对时间序列的碳排放数据进行预测,在数据预处理后,先使用Prophet算法进行预训练,将所有时间段内的残差放入LSTM神经网络进行残差的预测,再将预测获得的残差与Prophet原预测值相加,得到改进后的预测值。通过该值与原预测值的对比,能够发现该改进模型相较于原本的Prophet和LSTM模型在预测准确度(基于平均绝对误差指标度量)上分别有12%和82%的提升。

基于XGBoost的热电联产供热需求预测方法

精准预测蒸汽需求量能为热电联产电厂优化生产调度提供关键数据支撑。为了充分利用蒸汽历史用量数据、检修数据、上下游数据、外部环境数据及节假日数据等热电联产电厂中关键数据预测蒸汽需求量,提出了一种基于XGBoost的供热需求预测方法。对上述数据进行特征提取后使用该方法进行模型训练和优化,用于预测供热需求量,最终预测结果的均方根误差为134,远低于ARIMA和随机森林等方法。提出的方法在预测供热需求量的工程实践中表现出良好的效果,可用于支撑实际工程工作。

“双碳”背景下非控排企业的入局机会与落地路径

企业需要基于各方面用能、排放数据的汇集,遵循国家、行业的权威测算标准,构建适合于自身的碳排放计算模型,以全面的碳排放状态监测支撑精细化的现状分析与减碳管理提升,获取先发收益。