CN103617466B - 一种商品需求预测模型的综合评价方法 - Google Patents

Abstract

本发明公开一种商品需求预测模型的综合评价方法，根据模型的不同适用条件及特性，建立合理的精度评价指标，在预测前通过分析录入的数据选取相应模型，并于预测完成后对模型的准确度和实用性进行检测及反馈的评价技术。当输入的预测要求中包含“预测过程考虑外界因素对预测对象的影响”时，选取SVM模型为最优预测模型。否则，对输入的数据做异常值修正处理，并判断其周期性。对于周期性数据，选取温特斯预测模型为最优预测模型。非周期数据则分别运行二次曲线预测模型与二次指数平滑模型，结果导入精确度比较程序，选取精确度较高的模型为最优预测模型。最后，将所选模型的精确度与标准值比较，当结果符合要求时，输出预测值。

Description

一种商品需求预测模型的综合评价方法

技术领域

本发明涉及一种商品需求预测模型的综合评价方法，属于信息预测技术领域。

背景技术

随着全球电子商务的兴起，全球市场的形成，无论是对制造商还是零售商都将面临越来越激烈的竞争。在这样的销售环境下，如何保证自身成本，并最大程度满足消费者的需求变得越来越为重要。通过建立数学模型计算消费者对某种商品在未来一定周期内的需求数量已是业界较为成熟的预测模式。而如何针对模型预测结果，采用合理的精度评价指标，确保预测过程的准确性与预测系统的时效性，则是业界持续关注的主要问题之一。

发明内容

发明目的：针对现有的四种经典商品量预测模型，本发明提出一种基于预测误差率与预测精度两个基本指标的将模型的通用性与时效性评价相结合的检测方法。根据不同模型与录入时间序列数据的特点，为预测对象选取最优预测模型，确保数据能够被高效完全的利用。在相关预测完成后，通过定量方法，计算模型的预测误差率及拟合有效度，检验执行模型的可行性。同时，对系统中所有模型的预测过程进行实时检验，以便当预测出现失误时能做出最快速的调整。

技术方案：一种商品需求预测模型的综合评价方法，包括如下步骤：

第一步 获得商品流量的历史数据并输入大数据库。

第二步 确定预测模型：

(1)当输入数据包含多种因素，并且预测过程需要考虑这些因素时，选取SVM模型为最优预测模型；

(2)判断数据是否有周期性。当确定数据有周期性时，选取温特斯模型为最优预测模型。

(3)反之，运行二次曲线预测模型与二次指数平滑模型，分别计算出预测结果后，各取[T1,T2]为分析区间，x_t为实际值，x'_t为预测值，可知：

预测误差：e＝x_t-x_t'

预测误差率：

选取MAPE值小的模型为最优预测模型。

第三步 精确度检验：计算出最优模型的预测结果，取[T1,T2]为分析区间，x_t为实际值，x'_t为预测值，可知：

预测误差：e＝x_t-x_t'

预测误差率：

预测精度：S取0。(判定为特殊事件))

预测精度的均值：

预测精度的标准差：

预测模型的拟合有效度：m＝(1-σ(S))*E(S)

当MAPE<＝0.05且m>＝0.7时，模型拟合高度有效，可执行第四步；仅m>＝0.7，模型基本有效，可执行第四步；当m<0.7时，模型无效，返回第二步，反馈信息至模型数据库，进行数据检查或模型调整。

第四步 输出所选模型与预测结果。

第五步 当有数据更新时，将数据导入当期预测模块计算相关模型在这一期的预测精确度，并按精确度检验原理做相应处理。

有益效果：与现有技术相比，本发明提供的商品需求预测模型的综合评价方法，将四个主流预测模型的特性及优势有机的结合，提供了科学、准确的模型选择方法与后期评价机制。最大的发挥预测模型的有效性，为市场交易活动中的商品预测、生产、制造、库存管理等环节提供科学、准确地判断结果。

附图说明

图1为本发明方法流程图；

图2为预测模型选择原理图；

图3为模型精确度检验原理图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所述，商品需求预测模型的综合评价方法，包括如下步骤：

第一步 获得商品流量的历史数据并输入大数据库。

第二步 确定预测模型：(如图2所示)

(1)当输入数据包含多种因素，并且预测过程需要考虑这些因素时，选取SVM模型为最优预测模型；

(2)判断数据是否有周期性。当确定数据有周期性时，选取温特斯模型为最优预测模型。

判断方法：

1.对所得历史数据进行异常值修正：

Step1:：获得历史数据。

Step2：构建时间序列{Y_t}；设修改后的时间序列为{Y_t}’，则r_i'和r_i"为相邻y_i的相对比率，y_i为原时间序列{Y_t}所一一对应的值，i＝1,2...n。

Step3：计算和

Step4：如果存在r_i'＞1.4或r_i”＞1.4，说明有异常值存在，进行异常值的剔除处理，否则不需要进行异常值的剔除处理。

Step5：计算d_i'＝|y_i-y_i-1|和d_i”＝|y_i-y_i+1|，由于y₁是原时间序列{Y_t}第一个数据，只计算d₁”＝|y₁-y₂|；y_n是原时间序列最后一个数据，只计算d'_n＝|y_n-y_n-1|；d_i'和d_i"为相邻y_i的绝对误差。

Step6：计算d_i＝d_i'+d_i”，d_i是y_i与其前后两个数据的绝对误差的和。

Step7：计算和样本标准差 是所有d_i的求和平均数。

Step8：计算

Step9：如果对d_i所对应的y_i予以剔除，否则予以保留。

Step10：重复step3到step9直到剔除异常值完成。

Step11：将剔除的异常值进行修正，y_c＝y_i＝(y_i-1+y_i+1)/2。其中，y_c为修正后的异常值，即用y_c替代y_i-1与y_i+1中间的y_i，y_i为之前剔除异常值过程中发现的异常值。

Step12：获得修正异常值后的时间序列数据{Y_t}'。

2.根据新获得的时间序列{Y_t}'，通过3、5、8、12点移动平均获得周期曲线，确定周期L。

并用新数据生成曲线图，当曲线图呈现周期性时，则判断原始数据是周期性数据。

其中，移动平均法处理方法如下：

3点法的移动平均：

Y₁'＝(Y₁+Y₂+Y₃)/3；Y₂'＝(Y₂+Y₃+Y₄)/3……Y_n-2'＝(Y_n-2+Y_n-1+Y_n)/3

5点法的移动平均：

Y₁'＝(Y₁+Y₂+Y₃+Y₄+Y₅)/5；

Y₂'＝(Y₂+Y₃+Y₄+Y₅+Y₆)/5……Y_n-4'＝(Y_n-4+Y_n-3+Y_n-2+Y_n-1+Y_n)/5

8点法的移动平均：

Y₁'＝(Y₁*0.5+Y₂+Y₃+......Y₈+Y₉*0.5)/8；

Y₂'＝(Y₂*0.5+Y₃+Y₄+......Y₉+Y₁₀*0.5)/8……

Y_n-8'＝(Y_n-8*0.5+Y_n-7+Y_n-6+......Y_n-1+Y_n*0.5)/8

12点法的移动平均：

Y₁'＝(Y₁*0.5+Y₂+Y₃+......Y₁₂+Y₁₃*0.5)/12；

Y₂'＝(Y₂*0.5+Y₃+Y₄+......Y₁₃+Y₁₄*0.5)/12……

Y_n-12'＝(Y_n-12*0.5+Y_n-11+Y_n-10+......Y_n-1+Y_n*0.5)/12

(3)反之，运行二次曲线预测模型与二次指数平滑模型，分别计算出预测结果后，各设[T1,T2]为分析区间，x_t为实际值，x'_t为预测值，T1，T2为时间序列中的两个时间点，可知：

预测误差：e＝x_t-x_t'

预测误差率：

选取MAPE值小的模型为最优预测模型。

第三步 精确度检验：(如图3所示)计算出最优模型的预测结果，取[T1,T2]为分析区间，x_t为实际值，x'_t为预测值，可知：

预测误差：e＝x_t-x_t'

预测误差率：

预测精度：(当S取0。(判定为特殊事件))

预测精度的均值：

预测精度的标准差：

预测模型的拟合有效度：m＝(1-σ(S))*E(S)

当MAPE<＝0.05且m>＝0.7时，模型拟合高度有效，可执行第四步；仅m>＝0.7，模型基本有效，可执行第四步；当m<0.7时，模型无效，返回第二步，反馈信息至模型数据库，进行数据检查或模型调整。

第四步 输出所选模型与预测结果。

第五步 当有数据更新时，将数据导入当期预测模块计算相关模型在这一期的预测精确度，并按精确度检验原理做相应处理。

Claims (1)

1.一种商品需求预测模型的综合评价方法，其特征在于，包括如下步骤：

第一步获得商品流量的历史数据并输入数据库；

第二步确定预测模型：

(1)当输入数据包含多种因素，并且预测过程需要考虑这些因素时，选取SVM模型为最优预测模型；

(2)判断数据是否有周期性；当确定数据有周期性时，选取温特斯模型为最优预测模型；

(3)反之，运行二次曲线预测模型与二次指数平滑模型，分别计算出预测结果后，各设[T1,T2]为分析区间，T1，T2为时间序列中的两个时间点，x_t为实际值，x'_t为预测值，可知：

预测误差：e＝x_t-x_t'

预测误差率：n为预测数值的数量；

选取MAPE值小的模型为最优预测模型；

第三步精确度检验：计算出最优模型的预测结果，取[T1,T2]为分析区间，x_t为实际值，x'_t为预测值，可知：

预测误差：e＝x_t-x_t'

预测误差率：

预测精度：当S取0；

预测精度的均值：

预测精度的标准差：

预测模型的拟合有效度：m＝(1-σ(S))*E(S)

当MAPE<＝0.05且m>＝0.7时，模型拟合高度有效，可执行第四步；仅m＞＝0.7，模型有效，执行第四步；当m＜0.7时，模型无效，返回第二步，反馈信息至模型数据库，进行数据检查或模型调整；

第四步输出所选模型与预测结果；

第五步当有数据更新时，将数据导入当期预测模块计算相关模型在这一期的预测精确度，并按精确度检验原理做相应处理；

第二步中判断数据是否有周期性的方法为：

(1).对所得历史数据进行异常值修正：

Step1：获得历史数据；

Step2：构建时间序列{Y_t}；设修改后的时间序列为{Y_t}’，则r_i′和r_i″为相邻y_i的相对比率，y_i为原时间序列{Y_t}所一一对应的值，i＝1，2...n；

Step3：计算和

Step4：如果存在r_i′＞1.4或r_i″＞1.4，说明有异常值存在，进行异常值的剔除处理，否则不需要进行异常值的剔除处理；

Step5：计算d′_i＝|y_i-y_i-1|和d″_i＝|y_i-y_i+1|，在这一步中，由于y₁是第一个数据，所以只计算d″₁＝|y₁-y₂|；由于y_n是最后一个数据，所以只计算d′_n＝|y_n-y_n-1|；d_i′和d_i″为相邻y_i的绝对误差；

Step6：计算d_i＝d′_i+d″_i，d_i是y_i与其前后两个数据的绝对误差的和；

Step7：计算和样本标准差 是所有d_i的求和平均数；

Step8：计算

Step9：如果对d_i所对应的y_i予以剔除，否则予以保留；

Step10：重复step3到step9，直到剔除异常值完成；

Step11：将剔除的异常值进行修正，y_c＝y_i＝(y_i-1+y_i+1)/2，y_c为修正后的异常值；

Step12：获得修正异常值后的时间序列数据{Y_t}'；

(2).根据时间序列{Y_t}'，对数据分别进行3、5、8、12点移动平均获得周期曲线，确定周期L，并用新数据生成曲线图，当曲线图呈现周期性时，则判断原始数据是周期性数据；

其中，移动平均法处理方法如下：

3点法的移动平均：

Y₁'＝(Y₁+Y₂+Y₃)/3；Y₂'＝(Y₂+Y₃+Y₄)/3……Y_n-2'＝(Y_n-2+Y_n-1+Y_n)/3

5点法的移动平均：

Y₁'＝(Y₁+Y₂+Y₃+Y₄+Y₅)/5；

Y₂'＝(Y₂+Y₃+Y₄+Y₅+Y₆)/5……Y_n-4'＝(Y_n-4+Y_n-3+Y_n-2+Y_n-1+Y_n)/5

8点法的移动平均：

Y₁'＝(Y₁*0.5+Y₂+Y₃+......Y₈+Y₉*0.5)/8；

Y₂'＝(Y₂*0.5+Y₃+Y₄+......Y₉+Y₁₀*0.5)/8……

Y_n-8'＝(Y_n-8*0.5+Y_n-7+Y_n-6+......Y_n-1+Y_n*0.5)/8

12点法的移动平均：

Y₁'＝(Y₁*0.5+Y₂+Y₃+......Y₁₂+Y₁₃*0.5)/12；

Y₂'＝(Y₂*0.5+Y₃+Y₄+......Y₁₃+Y₁₄*0.5)/12……

Y_n-12'＝(Y_n-12*0.5+Y_n-11+Y_n-10+......Y_n-1+Y_n*0.5)/12。