CN108133391A - 销量预测方法以及服务器 - Google Patents

销量预测方法以及服务器 Download PDF

Info

Publication number
CN108133391A
CN108133391A CN201711403277.9A CN201711403277A CN108133391A CN 108133391 A CN108133391 A CN 108133391A CN 201711403277 A CN201711403277 A CN 201711403277A CN 108133391 A CN108133391 A CN 108133391A
Authority
CN
China
Prior art keywords
sales volume
product
history
time series
history sales
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711403277.9A
Other languages
English (en)
Inventor
欧阳文理
范伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201711403277.9A priority Critical patent/CN108133391A/zh
Publication of CN108133391A publication Critical patent/CN108133391A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种销量预测方法以及服务器，该方法包括：分别获取待预测的多个产品各自的历史销量时间序列；根据该多个产品的历史销量时间序列，对该多个产品进行聚类，得到多个聚类类别，每个聚类类别包括至少一个所述产品；针对每个聚类类别，根据该聚类类别内的所有产品的历史销量时间序列，训练出该聚类类别对应的预测模型；利用产品所属的聚类类别对应的预测模型，以及产品的历史销量时间序列，确定产品在当前时刻之后的指定时间段内的销量数据。本申请的方法可以提高产品销量预测的准确度。

Description

销量预测方法以及服务器
技术领域
本发明涉及数据处理技术领域，更具体地说，涉及一种销量预测方法以及服务器。
背景技术
通过数据处理平台或者服务器对产品的销量数据进行统计并预测已经十分普遍。
目前，一般会根据产品的历史销量数据预测该产品未来的销量情况，然而，产品的未来销量与历史销量趋势可能会存在很大的差异，因此，通过产品的历史销量数据对产品的销量进行预测，会导致产品销量预测的准确度较低。
发明内容
本发明的目的是提供一种销量预测方法以及服务器，以提高产品销量预测的准确度。
为实现上述目的，本发明提供了如下技术方案：一种销量预测方法，包括：
分别获取待预测的多个产品各自的历史销量时间序列；
根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别，每个聚类类别包括至少一个所述产品；
针对每个聚类类别，根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型，所述聚类类别对应的预测模型用于预测所述聚类类别内的产品的销量趋势；
针对每个产品，利用所述产品所属的聚类类别对应的预测模型，以及所述产品的历史销量时间序列，确定所述产品在当前时刻之后的指定时间段内的销量数据。
优选的，所述根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型，包括：
根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型。
优选的，所述根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型，包括：
将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中；
将所述待训练的神经网络模型输出的各个产品的销量趋势，与所述聚类产品内的所有产品的历史销量时间序列进行比较，并根据比较结果检测所述待训练的神经网络模型预测的准确度；
当所述待训练的神经网络模型预测的准确度小于预设阈值时，则调整所述待训练的神经网络模型中的参数，并返回执行所述将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中的操作，直至所述待训练的神经网络模型预测的准确度不小于所述预设阈值，将当前得到的神经网络模型确定为用于预测销量数据的神经网络模型。
优选的，在所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别之前，还包括：
对所述产品的历史销量时间序列进行时间序列分解，以分解出所述产品的历史销量时间序列中，属于残差部分的历史销量时间序列；
从所述属于残差部分的历史销量时间序列中，确定出至少一个时间点上的异常历史销量；
依据所述产品对应的不属于所述异常历史销量的历史销量时间序列，分别预测所述至少一个时间点上的异常历史销量对应的修正历史销量，并将所述历史销量时间序列中的异常历史销量替换为所述修正历史销量。
优选的，在所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别之前，还包括：
从所述产品的历史销量时间序列中各个时间点对应的历史销量中，选取出历史销量最大的指定数量个目标历史销量；
依据所述指定数量个目标历史销量，确定出评价历史销量有销量的历史销量指标值；
依据所述历史销量指标值，从所述产品的历史销量时间序列中，确定出至少一对有效时间点对，每对有效时间点对包括一个有效起始时刻点和有效结束时刻点，其中，所述历史销量时间序列中处于所述有效起始时刻点之后连续的指定数量个时刻点上的历史销量均大于所述历史销量指标值，且处于所述有效结束时刻点之后连续的指定数量个时刻点上的历史销量均小于所述历史销量指标值；
从所述历史销量时间序列中，去除不属于所述有效时间点对构成的有效时间段内的历史销量时间序列。
另一方面，本申请还提供了一种服务器，包括：
数据接口和处理器；
所述数据接口，用于分别获取待预测的多个产品各自的历史销量时间序列；
所述处理器，用于根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别，每个聚类类别包括至少一个所述产品；针对每个聚类类别，根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型，所述聚类类别对应的预测模型用于预测所述聚类类别内的产品的销量趋势；针对每个产品，利用所述产品所属的聚类类别对应的预测模型，以及所述产品的历史销量时间序列，确定所述产品在当前时刻之后的指定时间段内的销量数据。
优选的，所述处理器在执行根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型时，具体用于：根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型。
优选的，所述处理器根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型时，具体用于：
将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中；
将所述待训练的神经网络模型输出的各个产品的销量趋势，与所述聚类产品内的所有产品的历史销量时间序列进行比较，并根据比较结果检测所述待训练的神经网络模型预测的准确度；
当所述待训练的神经网络模型预测的准确度小于预设阈值时，则调整所述待训练的神经网络模型中的参数，并返回执行所述将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中的操作，直至所述待训练的神经网络模型预测的准确度不小于所述预设阈值，将当前得到的神经网络模型确定为用于预测销量数据的神经网络模型。
优选的，所述处理器，还用于，在执行所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类之前，对所述产品的历史销量时间序列进行时间序列分解，以分解出所述产品的历史销量时间序列中，属于残差部分的历史销量时间序列；从所述属于残差部分的历史销量时间序列中，确定出至少一个时间点上的异常历史销量；依据所述产品对应的不属于所述异常历史销量的历史销量时间序列，分别预测所述至少一个时间点上的异常历史销量对应的修正历史销量，并将所述历史销量时间序列中的异常历史销量替换为所述修正历史销量。
优选的，所述处理器，还用于在执行所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类之前，从所述产品的历史销量时间序列中各个时间点对应的历史销量中，选取出历史销量最大的指定数量个目标历史销量；依据所述指定数量个目标历史销量，确定出评价历史销量有销量的历史销量指标值；依据所述历史销量指标值，从所述产品的历史销量时间序列中，确定出至少一对有效时间点对，每对有效时间点对包括一个有效起始时刻点和有效结束时刻点，其中，所述历史销量时间序列中处于所述有效起始时刻点之后连续的指定数量个时刻点上的历史销量均大于所述历史销量指标值，且处于所述有效结束时刻点之后连续的指定数量个时刻点上的历史销量均小于所述历史销量指标值；从所述历史销量时间序列中，去除不属于所述有效时间点对构成的有效时间段内的历史销量时间序列。
通过以上方案可知，在本申请实施例中，依据获取到待预测的多个产品各自的历史销量时间序列，对该多个产品进行聚类，使得历史销量趋势具有相似性的至少一个产品可以聚为一个聚类类别，这样，依据该聚类类别内所有产品的历史销量时间序列训练出用于预测产品销量的预测模型之后，利用该预测模型对该聚类类别内的产品的销量进行预测，而且，由于该预测模型是综合了多个销量趋势相似的多个产品的历史销量时间序列得到的，相对于只利用一个产品的历史销量时间序列进行销量预测，可以降低由于某个产品中部分销量数据无法真实反映该产品的销量情况等原因，而导致预测出产品销量的准确度过低的情况，从而可以提高产品销量预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本申请实施例提供的一种销量预测方法一个实施例的流程示意图；
图2为本申请实施例提供的一种销量预测方法中训练循环神经网络模型的一种流程示意图；
图3为本申请实施例提供的一种销量预测方法又一个实施例的流程示意图；
图4为本申请实施例提供的一种销量预测装置一个实施例的组成结构示意图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。
具体实施方式
本申请实施例的销量预测方法可以应用于具备数据处理的服务器、服务器集群中的服务器或者大数据处理平台的服务器。该销量预测方法结合人工智能技术，实现更为精准的预测产品的销量。
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动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。
请参阅图1，图1为本申请实施例提供的一种销量预测方法又一个实施例的流程示意图，本实施例的方法可以应用于前面提到的不同数据场景中的服务器，本实施例的方法可以包括：
S101，分别获取待预测的多个产品各自的历史销量时间序列。
其中，待预测的产品为待进行销量预测的产品。该待预测的产品可以根据需要设定或者选择，如，该待预测的该多个产品可以为属于同一类别或者相似的产品。
时间序列是指是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。相应的，产品的历史销量时间序列为当前时刻之前该产品的历史销量按照生成时刻的先后顺序排列成的数列。如，产品的历史销量时间序列可以为该产品在当前时刻之前一个月内的每天的历史销量所构成的序列。
可以理解的是，产品的历史销量时间序列可以为产品的销售平台或者数据采集服务器等收集，并提供给该用于数据处理的服务器进行分析处理，以通过产品的历史销量时间序列对产品未来的销量情况进行分析预测。
S102，根据该多个产品的历史销量时间序列，对该多个产品进行聚类，得到多个聚类类别。
其中，每个聚类类别包括至少一个产品。可以理解的是，除了由于个别产品的历史销量时间序列较为特殊，而使得某个产品独自构成一个聚类类别之外，大部分聚类类别都包括至少两个产品。
依据该多个产品的历史销量时间序列对该多个产品进行聚类的目的是，将历史销量的销量趋势存在共性的产品聚类到一起。可见，属于同一个聚类类别的多个产品的历史销量的趋势存在某种关联，这样，这多个产品未来的历史销量的趋势也会存在一定的共性。相应的，不同聚类类别内的产品的历史销量趋势则存在较大差异。
可以理解的是，在本申请实施例中，根据该多个产品的历史销量时间序列，将该多个产品聚类时，可以有多种聚类方式，如，可以采用k-means聚类算法进行聚类，本申请对于采用何种算法对该多个产品进行聚类不做限制。
S103，针对每个聚类类别，根据该聚类类别内的所有产品的历史销量时间序列，训练出该聚类类别对应的预测模型。
其中，该聚类类别对应的预测模型用于预测该聚类类别内的产品的销量趋势。
在本申请实施例中，在获取到产品的历史销量时间序列之后，并没有直接利用该产品的历史销量时间序列对该产品的未来销量进行预测，而是综合属于一个聚类类别内的所有产品的历史销量时间序列，来训练用于预测产品销量的预测模型。由于该聚类类别内不同产品的历史销量趋势存在相似性，这样，利用该多个产品的历史销量时间序列选练出的该预测模型可以对该聚类类别内的每个产品的销量情况进行预测。
可以理解的是，在实际应用中，该预测模型的预测方式可以有多种，如，可以采用深度学习算法、循环神经网络模型、深度神经网络、卷积神经网络等等算法，来预测该预测模型。其中，根据训练预测模型的具体方式不同，根据该聚类类别内的所有产品的历史销量时间序列，训练出的该预测模型的种类也会有说不同种可能。如，在一种可能的实现方式中，根据该聚类类别内的所有产品的历史销量时间序列，可以训练得到该聚类类别对应的神经网络模型，例如，循环神经网络模型、深度神经网络模型或者卷积神经网络模型等等。
S104，针对每个产品，利用该产品所属的聚类类别对应的预测模型，以及该产品的历史销量时间序列，确定该产品在当前时刻之后的指定时间段内的销量数据。
如，依据产品所属的聚类类别，将该产品的历史销量时间序列输入到该聚类类别对应的预测模型中，这样，该预测模型输出的销量预测结果就是该产品在该当前时刻之后指定时间段内的销量数据。
其中，该指定时间段可以与产品的历史销量时间序列有关，如，产品的历史销量时间序列为产品一周内的历史销量时间序列，则该指定时间段可以为当前时刻之后一周。
当然，该指定时间段也可以根据需要设定，在此不加以限制。
可以理解的是，单个产品的历史销量中很容易存在无法准确反映该产品实际销量情况的部分销量数据，如，由于受到某些因素影响，产品在某些较短时间段内的销量出现较大增幅或者降幅，这样，如果直接利用该产品的历史销量数据对该产品未来的销量进行预测，则可能使得预测出的销量的准确度较低。
在本申请实施例中，该预测模型是综合聚类类别内所有产品的历史销量时间序列训练得到的，又由于每个聚类类别内的产品的销量趋势存在相似性，因此，该预测模型中历史销量与未来销量之间的函数关系既可以实现对该聚类类别内的任意一个产品的未来销量进行预测，又可以降低由于单个产品本身的部分历史销量无法准确反映其销量情况而导致无法准确预测未来销量的情况。
可见，在本申请实施例中，依据获取到待预测的多个产品各自的历史销量时间序列，对该多个产品进行聚类，使得历史销量趋势具有相似性的至少一个产品可以聚为一个聚类类别，这样，依据该聚类类别内所有产品的历史销量时间序列训练出用于预测产品销量的预测模型之后，利用该预测模型对该聚类类别内的产品的销量进行预测，而且，由于该预测模型是综合了多个销量趋势相似的多个产品的历史销量时间序列得到的，相对于只利用一个产品的历史销量时间序列进行销量预测，可以降低由于某个产品中部分销量数据无法真实反映该产品的销量情况等原因，而导致预测出产品销量的准确度过低的情况，从而可以提高产品销量预测的准确度。
可以理解的是，在本申请实施例中，利用该聚类类别内的所有产品的历史销量时间序列训练预测模型的方式可以有多种。为了便于理解，以预测模型为神经网络模型为例进行介绍，如，参见图2，其示出了本申请一种销量预测方法中训练预测模型的一种流程示意图，该流程包括：
S201，将聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中。
可以理解的是，为了训练出用于预测产品销量的神经网络模型，可以预先预置一个神经网络模型，并将该神经网络模型作为当前待进行训练的模型，在预置的神经网络模型中设置有初始参数，通过后续步骤的不断训练，可以不断调整该神经网络模型的参数，直至该神经网络模型可以用于训练产品的销量为止。
S202，将该待训练的神经网络模型输出的各个产品的销量趋势，与该聚类产品内的所有产品的历史销量时间序列进行比较，并根据比较结果检测该待训练的神经网络模型预测的准确度。
其中，将训练样本输入到待训练的神经网络模型之后，该神经网络模型会输出各个产品在一段时间内的销量数据，产品在该段时间内的销量数据表示产品的销量趋势。
可以理解的是，将该待训练的神经网络模型输出的各个产品的销量趋势，分别与该各个产品的历史销量时间序列所表征的销量趋势进行比对，可以分别预测出的各个产品的销量趋势的匹配程度。如果该待训练的神经网络模型预测出的某个产品的销量趋势与该产品实际的历史销量趋势的匹配度超过预设阈值，则认为经过训练的该神经网络模型可以准确预测出该产品的销量趋势。
相应的，综合该经过训练的神经网络模型预测出的各个产品的销量趋势，可以得到该神经网络模型预测的准确度。例如，假设有100个产品，该神经网络模型对于其中40个产品预测出的销量趋势分别与这40个产品的销量趋势匹配，则该神经网络模型预测的准确度可以为百分之四十。
S203，检测该待训练的神经网络模型预测的准确度是否超过预设阈值，如果是，则当前训练得到的神经网络模型确定为用于预测产品销量的神经网络模型，训练结束；如果否，则执行步骤S204；
S203，当该待训练的神经网络模型预测的准确度小于预设阈值时，则调整该待训练的神经网络模型中的参数，并返回步骤S201。
如，假设该神经网络模型预测的准确度达到百分九十，则可以认为该神经网络模型的训练完成，并将当前训练得到的神经网络模型作为用于预测产品销量的神经网络模型。
相应的，如果该神经网络模型预测的准确度小于该预设阈值，则说明仍需要继续训练该神经网络模型，在该种情况下，则需要对该神经网络模型中的参数进行调整，并将调整参数后的神经网络模型作为待训练的神经网络模型，并返回该步骤S201继续进行训练。
需要说明的是，图2仅仅是为了便于理解训练预测模型的过程，而以预测模型为神经网络模型，对利用产品的历史销量时间序列训练神经网络模型的过程进行介绍。但是，但是当预测模型为其他类型的模型时，或者通过其他方式预测模型也同样适用于本申请实施例，在此不加以限制。
可以理解的是，在获取到多个产品的历史销量时间序列之后，获取到的历史销量时间序列中也可能会存在异常销量数据，因此，在利用多个产品的历史销量时间序列训练预测模型之前，需要先确定出该每个产品的历史销量时间序列中所存在的异常销量数据，并预估出该异常销量数据所对应的正常的销量数据，将该异常销量数据替换为预估出的该正常的销量数据。
进一步的，考虑到根据每个产品的历史销量时间序列，确定出该产品的历史销售趋势之后，该产品的历史销售趋势中肯定会存在部分时间段的历史销售趋势与产品总体上的历史销售趋势差异较大，因此，为了能够获取到可以准确反映该产品历史销售趋势的数据，可以将该部分时间段内的历史销售数据剔除，并将剩余的各个历史时刻上的历史销量数据作为训练预测模型所需的数据。
如，参见图3，其示出了本申请一种销量预测方法又一个实施例的流程示意图，本实施例的方法可以包括：
S301，分别获取待预测的多个产品各自的历史销量时间序列。
S302，对产品的历史销量时间序列进行时间序列分解，以分解出产品的历史销量时间序列中，属于残差部分的历史销量时间序列。
如，可以利用时间序列分解算法对该历史销量时间序列进行分解，以分解出该历史销量时间序列中的趋势部分、周期部分和残差部分。例如，可以采用STL算法对历史销量时间序列进行分解。
可以理解的是，由于历史销量时间序列中可能存在异常销量数据的部分为该残差部分，因此，需要确定出属于残差部分的历史销量时间序列。
S303，从该属于残差部分的历史销量时间序列中，确定出至少一个时间点上的异常历史销量。
其中，确定残差部分中的异常数据点的方式可以有多种。如，采用可以可以广义极端学生化偏差(extremestudentizeddeviate，ESD)方法确定出异常历史销量。
S304，依据产品对应的不属于异常历史销量的历史销量时间序列，分别预测该至少一个时间点上的异常历史销量对应的修正历史销量，并将该历史销量时间序列中的异常历史销量替换为所述修正历史销量。
其中，该修正历史销量为根据产品对应的不属于异常历史销量的历史销量时间序列，预估出的该异常历史销量所应对应的实际历史销量。
其中，根据不属于异常历史销量的历史销量时间序列，确定该历史异常销量对应的修正历史销量的方式可以有多种，如可以采用卡尔曼滤波算法，并依据该不属于异常历史销量的历史销量时间序列，确定出该异常历史销量所在时间点上的实际历史销量。
需要说明的是，以上步骤S302到S304是以一个产品的历史销量时间序列的处理过程为例进行介绍，但是对于每个待测试的产品的历史销量时间序列，均可以通过该步骤S302到S304的方式，确定出历史销量时间序列中的一个或者多个异常历史销量，并确定每个异常历史销量对应的修正历史销量。
S305，从产品的历史销量时间序列中各个时间点对应的历史销量中，选取出历史销量最大的指定数量个目标历史销量。
其中，该指定数量可以根据需要设定。如，该指定数量可以为该历史销量时间序列所包含的历史销量的总数量的百分之十。
举例说明，假设历史销量时间序列为一周内100个不同时刻上历史销量，那么可以从该100个历史销量中，选取出10个数值最大的历史销量。
为了便于区分，将该步骤中选取出的历史销量称为目标历史销量。
S306，依据该指定数量个目标历史销量，确定出评价历史销量有销量的历史销量指标值。
其中，该历史销量指标值为用于评价历史销量是否有效的数据指标。该历史销量指标值可以依据该指定数量个目标历史销量的具体数值来确定。如，该历史销量指标值可以为该指定数量个目标历史销量的取值之和的十分之一。
例如，假设确定出20个目标历史销量，则对这20个目标历史销量求和，并将求和所得的数值除以十作为该历史销量指标值。
S307，依据该历史销量指标值，从该产品的历史销量时间序列中，确定出至少一对有效时间点对。
其中，每对有效时间点对包括一个有效起始时刻点和有效结束时刻点。
其中，该历史销量时间序列中处于该有效起始时刻点之后连续的指定数量个时刻点上的历史销量均大于该历史销量指标值，且处于该有效结束时刻点之后连续的指定数量个时刻点上的历史销量均小于该历史销量指标值。
举例说明，假设该连续指定数量个时刻点为连续10个时刻点，历史销量指标值为1000件，那么可以从该历史销量时间序列中，找出一个时刻点，该时刻点之后连续10个时刻点上的历史销量均大于1000，则该时刻点为有效起始时刻点。然后，从该历史销量时间序列中处于该有效起始时刻点之后的时刻点中，找出最近的一个时刻点，该最近的时刻点之后连续10个时刻点均小于1000，则将找出的该最近的一个时刻点与该有效时刻点构成一个有效时间点对。
S308，从该历史销量时间序列中，去除不属于该有效时间点对构成的有效时间段内的历史销量时间序列。
可以理解的是，该历史销量时间序列中，处于一对有效时间点对所对应的时间段内的历史销量时间序列属于确定出的有效历史销量时间序列，则对于不属于有效历史销量时间序列的数据则可以删除，以便后续仅仅利用有效历史销量时间序列进行聚类。
需要说明的是，以上步骤S305到S308是以一个产品的历史销量时间序列的处理过程为例进行介绍，但是对于每个待测试的产品的历史销量时间序列，均可以通过该步骤S305到S308的方式，取出无效的历史销量时间序列。
S309，根据筛选出的该多个产品的历史销量时间序列，对该多个产品进行聚类，得到多个聚类类别。
其中，每个聚类类别包括至少一个产品。
在本实施例中聚类所依据的历史销量时间序列是经过前面步骤S302到S308处理之后剩余的历史销量时间序列，以便提高聚类的精准度以及构建出的预测模型预测的精准度。
S310，针对每个聚类类别，根据该聚类类别内的所有产品的历史销量时间序列，训练出该聚类类别对应的预测模型。
其中，该聚类类别对应的预测模型用于预测该聚类类别内的产品的销量趋势。
S311，针对每个产品，利用该产品所属的聚类类别对应的预测模型，以及该产品的历史销量时间序列，确定该产品在当前时刻之后的指定时间段内的销量数据。
本实施例中该步骤S309到S312可以参见前面实施例的相关介绍，在此不再赘述。
另一方面，对应本申请的销量预测方法，本申请还提供了一种服务器。
如，参见图4，其示出了本申请一种服务器一个实施例的组成结构示意图，本实施例的服务器可以包括：
数据接口401和服务器402；
所述数据接口402，用于分别获取待预测的多个产品各自的历史销量时间序列。如，该数据接口可以为通信接口，以从其他服务器或者存储设备获取该历史销量时间序列。当然，该数据接口为该服务器中的存储器相连的接口，以从存储器中查询存储的该历史销量数据等。
所述处理器402，用于根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别，每个聚类类别包括至少一个所述产品；针对每个聚类类别，根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型，所述聚类类别对应的预测模型用于预测所述聚类类别内的产品的销量趋势；针对每个产品，利用所述产品所属的聚类类别对应的预测模型，以及所述产品的历史销量时间序列，确定所述产品在当前时刻之后的指定时间段内的销量数据。
可以理解的是，该服务器还可以包括存储器403，用于存储处理器执行操作所需的程序。
在一种实现方式中，所述处理器在执行根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型时，具体用于：根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型。
在一种可能的实现方式中，所述处理器根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型时，具体用于：
将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中；
将所述待训练的神经网络模型输出的各个产品的销量趋势，与所述聚类产品内的所有产品的历史销量时间序列进行比较，并根据比较结果检测所述待训练的神经网络模型预测的准确度；
当所述待训练的神经网络模型预测的准确度小于预设阈值时，则调整所述待训练的神经网络模型中的参数，并返回执行所述将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中的操作，直至所述待训练的神经网络模型预测的准确度不小于所述预设阈值，将当前得到的神经网络模型确定为用于预测销量数据的神经网络模型。
在一种可能的实现方式中，所述处理器，还用于，在执行所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类之前，对所述产品的历史销量时间序列进行时间序列分解，以分解出所述产品的历史销量时间序列中，属于残差部分的历史销量时间序列；从所述属于残差部分的历史销量时间序列中，确定出至少一个时间点上的异常历史销量；依据所述产品对应的不属于所述异常历史销量的历史销量时间序列，分别预测所述至少一个时间点上的异常历史销量对应的修正历史销量，并将所述历史销量时间序列中的异常历史销量替换为所述修正历史销量。
在一种可能的实现方式中，所述处理器，还用于在执行所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类之前，从所述产品的历史销量时间序列中各个时间点对应的历史销量中，选取出历史销量最大的指定数量个目标历史销量；依据所述指定数量个目标历史销量，确定出评价历史销量有销量的历史销量指标值；依据所述历史销量指标值，从所述产品的历史销量时间序列中，确定出至少一对有效时间点对，每对有效时间点对包括一个有效起始时刻点和有效结束时刻点，其中，所述历史销量时间序列中处于所述有效起始时刻点之后连续的指定数量个时刻点上的历史销量均大于所述历史销量指标值，且处于所述有效结束时刻点之后连续的指定数量个时刻点上的历史销量均小于所述历史销量指标值；从所述历史销量时间序列中，去除不属于所述有效时间点对构成的有效时间段内的历史销量时间序列。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种销量预测方法，其特征在于，包括：
分别获取待预测的多个产品各自的历史销量时间序列；
根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别，每个聚类类别包括至少一个所述产品；
针对每个聚类类别，根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型，所述聚类类别对应的预测模型用于预测所述聚类类别内的产品的销量趋势；
针对每个产品，利用所述产品所属的聚类类别对应的预测模型，以及所述产品的历史销量时间序列，确定所述产品在当前时刻之后的指定时间段内的销量数据。
2.根据权利要求1所述的销量预测方法，其特征在于，所述根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型，包括：
根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型。
3.根据权利要求2所述的销量预测方法，其特征在于，所述根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型，包括：
将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中；
将所述待训练的神经网络模型输出的各个产品的销量趋势，与所述聚类产品内的所有产品的历史销量时间序列进行比较，并根据比较结果检测所述待训练的神经网络模型预测的准确度；
当所述待训练的神经网络模型预测的准确度小于预设阈值时，则调整所述待训练的神经网络模型中的参数，并返回执行所述将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中的操作，直至所述待训练的神经网络模型预测的准确度不小于所述预设阈值，将当前得到的神经网络模型确定为用于预测销量数据的神经网络模型。
4.根据权利要求1所述的销量预测方法，其特征在于，在所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别之前，还包括：
对所述产品的历史销量时间序列进行时间序列分解，以分解出所述产品的历史销量时间序列中，属于残差部分的历史销量时间序列；
从所述属于残差部分的历史销量时间序列中，确定出至少一个时间点上的异常历史销量；
依据所述产品对应的不属于所述异常历史销量的历史销量时间序列，分别预测所述至少一个时间点上的异常历史销量对应的修正历史销量，并将所述历史销量时间序列中的异常历史销量替换为所述修正历史销量。
5.根据权利要求1所述的销量预测方法，其特征在于，在所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别之前，还包括：
从所述产品的历史销量时间序列中各个时间点对应的历史销量中，选取出历史销量最大的指定数量个目标历史销量；
依据所述指定数量个目标历史销量，确定出评价历史销量有销量的历史销量指标值；
依据所述历史销量指标值，从所述产品的历史销量时间序列中，确定出至少一对有效时间点对，每对有效时间点对包括一个有效起始时刻点和有效结束时刻点，其中，所述历史销量时间序列中处于所述有效起始时刻点之后连续的指定数量个时刻点上的历史销量均大于所述历史销量指标值，且处于所述有效结束时刻点之后连续的指定数量个时刻点上的历史销量均小于所述历史销量指标值；
从所述历史销量时间序列中，去除不属于所述有效时间点对构成的有效时间段内的历史销量时间序列。
6.一种服务器，其特征在于，包括：
数据接口和处理器；
所述数据接口，用于分别获取待预测的多个产品各自的历史销量时间序列；
所述处理器，用于根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类，得到多个聚类类别，每个聚类类别包括至少一个所述产品；针对每个聚类类别，根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型，所述聚类类别对应的预测模型用于预测所述聚类类别内的产品的销量趋势；针对每个产品，利用所述产品所属的聚类类别对应的预测模型，以及所述产品的历史销量时间序列，确定所述产品在当前时刻之后的指定时间段内的销量数据。
7.根据权利要求6所述的服务器，其特征在于，所述处理器在执行根据所述聚类类别内的所有产品的历史销量时间序列，训练出所述聚类类别对应的预测模型时，具体用于：根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型。
8.根据权利要求7所述的服务器，其特征在于，所述处理器根据所述聚类产品内的所有产品的历史销量时间序列，训练出所述聚类类别对应的神经网络模型时，具体用于：
将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中；
将所述待训练的神经网络模型输出的各个产品的销量趋势，与所述聚类产品内的所有产品的历史销量时间序列进行比较，并根据比较结果检测所述待训练的神经网络模型预测的准确度；
当所述待训练的神经网络模型预测的准确度小于预设阈值时，则调整所述待训练的神经网络模型中的参数，并返回执行所述将所述聚类产品内的所有产品的历史销量时间序列作为训练样本，并将训练样本输入到待训练的神经网络模型中的操作，直至所述待训练的神经网络模型预测的准确度不小于所述预设阈值，将当前得到的神经网络模型确定为用于预测销量数据的神经网络模型。
9.根据权利要求6所述的服务器，其特征在于，所述处理器，还用于，在执行所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类之前，对所述产品的历史销量时间序列进行时间序列分解，以分解出所述产品的历史销量时间序列中，属于残差部分的历史销量时间序列；从所述属于残差部分的历史销量时间序列中，确定出至少一个时间点上的异常历史销量；依据所述产品对应的不属于所述异常历史销量的历史销量时间序列，分别预测所述至少一个时间点上的异常历史销量对应的修正历史销量，并将所述历史销量时间序列中的异常历史销量替换为所述修正历史销量。
10.根据权利要求6所述的服务器，其特征在于，所述处理器，还用于在执行所述根据所述多个产品的历史销量时间序列，对所述多个产品进行聚类之前，从所述产品的历史销量时间序列中各个时间点对应的历史销量中，选取出历史销量最大的指定数量个目标历史销量；依据所述指定数量个目标历史销量，确定出评价历史销量有销量的历史销量指标值；依据所述历史销量指标值，从所述产品的历史销量时间序列中，确定出至少一对有效时间点对，每对有效时间点对包括一个有效起始时刻点和有效结束时刻点，其中，所述历史销量时间序列中处于所述有效起始时刻点之后连续的指定数量个时刻点上的历史销量均大于所述历史销量指标值，且处于所述有效结束时刻点之后连续的指定数量个时刻点上的历史销量均小于所述历史销量指标值；从所述历史销量时间序列中，去除不属于所述有效时间点对构成的有效时间段内的历史销量时间序列。
CN201711403277.9A 2017-12-22 2017-12-22 销量预测方法以及服务器 Pending CN108133391A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711403277.9A CN108133391A (zh) 2017-12-22 2017-12-22 销量预测方法以及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711403277.9A CN108133391A (zh) 2017-12-22 2017-12-22 销量预测方法以及服务器

Publications (1)

Publication Number Publication Date
CN108133391A true CN108133391A (zh) 2018-06-08

Family

ID=62391497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711403277.9A Pending CN108133391A (zh) 2017-12-22 2017-12-22 销量预测方法以及服务器

Country Status (1)

Country Link
CN (1) CN108133391A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034255A (zh) * 2018-08-02 2018-12-18 深圳码隆科技有限公司 服装销量的预测方法及装置
CN109117991A (zh) * 2018-07-26 2019-01-01 北京京东金融科技控股有限公司 一种股票订单交易方法和装置
CN109409576A (zh) * 2018-09-27 2019-03-01 北京三快在线科技有限公司 一种预测成单司机数量的方法、装置、设备及存储介质
CN109447716A (zh) * 2018-11-09 2019-03-08 四川长虹电器股份有限公司 基于循环神经网络的销量预测方法及服务器
CN109558674A (zh) * 2018-11-28 2019-04-02 北京超萌国际文化有限公司 销量预测及其模型训练方法、装置
CN109886747A (zh) * 2019-02-22 2019-06-14 网易（杭州）网络有限公司 销量预测方法、介质、装置和计算设备
CN110147854A (zh) * 2018-07-19 2019-08-20 深圳码隆科技有限公司 服装识别方法、计算机设备和存储介质
CN110544118A (zh) * 2019-08-23 2019-12-06 阿里巴巴（中国）有限公司 销量预测方法、装置、介质和计算设备
CN110705777A (zh) * 2019-09-26 2020-01-17 联想(北京)有限公司 用于预测备件储备量的方法、装置及系统
CN110738508A (zh) * 2018-07-19 2020-01-31 北京京东尚科信息技术有限公司 一种数据分析方法和装置
WO2020024718A1 (zh) * 2018-08-03 2020-02-06 阿里巴巴集团控股有限公司 外汇交易量预测方法和装置
CN111127072A (zh) * 2019-11-14 2020-05-08 浙江大学 一种新产品需求的多阶段实时预测方法
CN111401940A (zh) * 2020-03-05 2020-07-10 杭州网易再顾科技有限公司 特征预测方法、装置、电子设备及存储介质
CN112241904A (zh) * 2020-10-23 2021-01-19 浙江集享电子商务有限公司 商品销售量预测方法、装置、计算机设备和存储介质
CN112347703A (zh) * 2020-12-03 2021-02-09 潍柴动力股份有限公司 物料用量预测模型的训练方法、物料用量预测方法及装置
CN113298546A (zh) * 2020-05-29 2021-08-24 阿里巴巴集团控股有限公司 销量预测方法及装置、商品处理方法及装置
CN113469461A (zh) * 2021-07-26 2021-10-01 北京沃东天骏信息技术有限公司 生成信息的方法和装置
CN113537549A (zh) * 2020-04-22 2021-10-22 富士通株式会社 信息处理装置和信息处理方法
CN113554447A (zh) * 2020-04-23 2021-10-26 顺丰科技有限公司 运输业载预测方法、预测装置、电子设备及存储介质
US12033180B2 (en) * 2021-06-25 2024-07-09 Z2 Cool Comics Llc Semi-autonomous advertising systems and methods

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101082972A (zh) * 2007-05-30 2007-12-05 华为技术有限公司 预测用户对商品的兴趣的方法、装置和广告发布方法
CN105956699A (zh) * 2016-04-29 2016-09-21 连云港天马网络发展有限公司 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法
CN106204086A (zh) * 2015-05-06 2016-12-07 阿里巴巴集团控股有限公司 商品销量的预警方法和装置
CN106408341A (zh) * 2016-09-21 2017-02-15 北京小米移动软件有限公司 货品销量的预测方法及装置、电子设备
CN106971348A (zh) * 2016-01-14 2017-07-21 阿里巴巴集团控股有限公司 一种基于时间序列的数据预测方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101082972A (zh) * 2007-05-30 2007-12-05 华为技术有限公司 预测用户对商品的兴趣的方法、装置和广告发布方法
CN106204086A (zh) * 2015-05-06 2016-12-07 阿里巴巴集团控股有限公司 商品销量的预警方法和装置
CN106971348A (zh) * 2016-01-14 2017-07-21 阿里巴巴集团控股有限公司 一种基于时间序列的数据预测方法和装置
CN105956699A (zh) * 2016-04-29 2016-09-21 连云港天马网络发展有限公司 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法
CN106408341A (zh) * 2016-09-21 2017-02-15 北京小米移动软件有限公司 货品销量的预测方法及装置、电子设备

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738508A (zh) * 2018-07-19 2020-01-31 北京京东尚科信息技术有限公司 一种数据分析方法和装置
CN110147854A (zh) * 2018-07-19 2019-08-20 深圳码隆科技有限公司 服装识别方法、计算机设备和存储介质
CN109117991A (zh) * 2018-07-26 2019-01-01 北京京东金融科技控股有限公司 一种股票订单交易方法和装置
CN109034255A (zh) * 2018-08-02 2018-12-18 深圳码隆科技有限公司 服装销量的预测方法及装置
WO2020024718A1 (zh) * 2018-08-03 2020-02-06 阿里巴巴集团控股有限公司 外汇交易量预测方法和装置
CN109409576A (zh) * 2018-09-27 2019-03-01 北京三快在线科技有限公司 一种预测成单司机数量的方法、装置、设备及存储介质
CN109447716A (zh) * 2018-11-09 2019-03-08 四川长虹电器股份有限公司 基于循环神经网络的销量预测方法及服务器
CN109558674A (zh) * 2018-11-28 2019-04-02 北京超萌国际文化有限公司 销量预测及其模型训练方法、装置
CN109886747A (zh) * 2019-02-22 2019-06-14 网易（杭州）网络有限公司 销量预测方法、介质、装置和计算设备
CN110544118A (zh) * 2019-08-23 2019-12-06 阿里巴巴（中国）有限公司 销量预测方法、装置、介质和计算设备
CN110544118B (zh) * 2019-08-23 2023-07-14 阿里巴巴（中国）有限公司 销量预测方法、装置、介质和计算设备
CN110705777B (zh) * 2019-09-26 2022-07-26 联想(北京)有限公司 用于预测备件储备量的方法、装置及系统
CN110705777A (zh) * 2019-09-26 2020-01-17 联想(北京)有限公司 用于预测备件储备量的方法、装置及系统
CN111127072A (zh) * 2019-11-14 2020-05-08 浙江大学 一种新产品需求的多阶段实时预测方法
CN111401940A (zh) * 2020-03-05 2020-07-10 杭州网易再顾科技有限公司 特征预测方法、装置、电子设备及存储介质
CN113537549A (zh) * 2020-04-22 2021-10-22 富士通株式会社 信息处理装置和信息处理方法
CN113554447A (zh) * 2020-04-23 2021-10-26 顺丰科技有限公司 运输业载预测方法、预测装置、电子设备及存储介质
CN113298546A (zh) * 2020-05-29 2021-08-24 阿里巴巴集团控股有限公司 销量预测方法及装置、商品处理方法及装置
CN112241904A (zh) * 2020-10-23 2021-01-19 浙江集享电子商务有限公司 商品销售量预测方法、装置、计算机设备和存储介质
CN112241904B (zh) * 2020-10-23 2024-07-19 浙江集享电子商务有限公司 商品销售量预测方法、装置、计算机设备和存储介质
CN112347703A (zh) * 2020-12-03 2021-02-09 潍柴动力股份有限公司 物料用量预测模型的训练方法、物料用量预测方法及装置
US12033180B2 (en) * 2021-06-25 2024-07-09 Z2 Cool Comics Llc Semi-autonomous advertising systems and methods
CN113469461A (zh) * 2021-07-26 2021-10-01 北京沃东天骏信息技术有限公司 生成信息的方法和装置
WO2023005635A1 (zh) * 2021-07-26 2023-02-02 北京沃东天骏信息技术有限公司 生成信息的方法和装置
CN113469461B (zh) * 2021-07-26 2024-07-19 北京沃东天骏信息技术有限公司 生成信息的方法和装置

Similar Documents

Publication Publication Date Title
CN108133391A (zh) 销量预测方法以及服务器
JP6174669B2 (ja) 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム
CN106814698B (zh) 具备芯焊接位置决定功能的线放电加工机的仿真装置
CN107463633A (zh) 一种基于eemd‑神经网络的实时数据异常值检测方法
CN107220734A (zh) 基于决策树的数控车床车削过程能耗预测系统
CN102183621A (zh) 水产养殖溶解氧浓度在线预测方法及系统
US20170031335A1 (en) Cell control system, manufacturing system, and control method which control manufacturing cell including plurality of manufacturing machines
CN109858714B (zh) 基于改进神经网络的烟丝质检指标预测方法、装置及系统
CN106772205A (zh) 一种电力计量自动化系统终端设备异常监测方法及装置
CN107563448A (zh) 基于近红外光谱分析的样本空间聚类划分法
CN112711621B (zh) 万物互联训练平台及控制方法与装置
CN115808922A (zh) 商用电动车辆能耗预测方法、装置和计算机设备
CN108380527B (zh) 一种电池批量分选的系统及方法
CN109886778A (zh) 机票的搭售产品的推荐方法及系统
CN111537888A (zh) 一种数据驱动的梯次电池soc预测方法
CN113723692A (zh) 数据处理方法、装置、设备、介质及程序产品
CN109858785A (zh) 一种评价智能电能表运行状态的方法和系统
CN110378586B (zh) 基于动态闭环知识管理的变电设备缺陷预警方法及系统
CN109359850A (zh) 一种生成风险评估量表的方法及装置
CN106821349A (zh) 用于可穿戴式监护设备的事件生成方法及装置
CN116189896B (zh) 一种基于云端的糖尿病健康数据预警方法及系统
CN117077893A (zh) 耕地智保数据分析方法及装置
CN110849617A (zh) 传送带故障检测方法、装置、计算机设备和存储介质
CN114819248A (zh) 一种基于随机森林的风电发电量预测方法及设备
CN117764424A (zh) 生产线的检测方法、装置、处理器和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180608