CN108256924A - 一种产品销售预测装置 - Google Patents
一种产品销售预测装置 Download PDFInfo
- Publication number
- CN108256924A CN108256924A CN201810161553.3A CN201810161553A CN108256924A CN 108256924 A CN108256924 A CN 108256924A CN 201810161553 A CN201810161553 A CN 201810161553A CN 108256924 A CN108256924 A CN 108256924A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- kernel function
- product marketing
- prediction model
- 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
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
根据本发明所涉及的产品销售预测装置,其特征在于,包括管理用储存部、核函数参数优化部、预测模型建立部、历史数据追加部以及预测结果生成部,管理用储存部至少储存有产品销售的历史数据、多个支持向量机核函数,核函数参数优化部对核函数中的预定参数进行优化,预测模型建立部用于建立预测模型,历史数据追加部把产品销售的历史数据追加存储到预测模型中,预测结果生成部基于预测模型产生的数据并生成相应的产品销售预测结果。本发明的产品销售预测装置通过机器学习方法大大提高了销售预测的精确度,SVM(支持向量机)预测模型预测时间短,预测精度高,鲁棒性强,同时避免部分非线性模型容易陷入局部极小值、收敛速度慢的缺点。
Description
技术领域
本发明涉及一种预测装置,具体涉及一种产品销售预测装置。
背景技术
21世纪的科技飞速发展,人们的生活水平得到了极大提高,越来越多的家庭购买汽车作为代步工具,我国汽车市场已进入品牌营销时代,市场竞争也从传统的产品和价格竞争转移到品牌和渠道的竞争。汽车制造企业若能在生产、制造、销售等环节实现定量化预测,为其决策提供必要依据,则可在满足客户个性化需求的同时,使其在日益激烈的市场竞争中占得先机。
但是,目前汽车销售预测方法大多采用人工统计或定性模型,具有精确性差、计算效率低的缺点,
发明内容
本发明是为了解决上述问题而进行的,因此,本发明采用SVM(支持向量机)这种先进的机器学习方法,在尽可能不增加参数及少量增加模型复杂度的情况下,对预测模型进行优化,以期实现较为精准的汽车产品的销售预测,本发明的一方面目的在于提供一种基于参数优化的支持向量机的销售预测装置。
本发明提供了一种产品销售预测装置,其特征在于,包括管理用储存部、核函数参数优化部、预测模型建立部、历史数据追加部以及预测结果生成部,其中,管理用储存部至少储存有产品销售的历史数据、多个不同类型的包括预定参数的支持向量机核函数,核函数参数优化部对核函数中的预定参数进行优化,预测模型建立部用于建立预测模型,预测模型中包括预定参数优化后的核函数,历史数据追加部把产品销售的历史数据追加存储到预测模型中,所述预测结果生成部基于所述预测模型产生的数据并生成相应的产品销售预测结果。
在本发明提供的产品销售预测装置中,还包括:核函数选择部,核函数选择部从多个支持向量机核函数中选择预定的支持向量机核函数用于建立预测模型。
在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,支持向量机核函数包括多项式核函数、径向基核函数以及Sigmoid核函数。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,预定的支持向量机核函数为径向基核函数,径向基核函数的表达式为:
σ为径向基函数的宽度,g是径向基核参数,,x为判别样本;xi为训练样本。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,预定参数包括惩罚系数C和径向基核参数g。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,核函数参数优化部采用网格搜索法对核函数中的预定参数进行优化,包括以下步骤:初始化惩罚系数C和核函数参数g的搜索范围和搜索步长;进行粗略选择,得到粗略选择的C和g;根据粗略选择结果再进行精确选择。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,粗略选择的C值的取值范围是[2-8,28],当输入变量的个数小于8,则C值的取值范围中的C值的指数步长为0.8,g值的取值范围是[2-8,28],g值的取值范围中的g值的指数步长为0.8。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,精确选择的C和g的取值范围中的C值和g值的指数步长均为0.5。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,预测模型为支持向量机模型,支持向量机模型的表达式为:
K(xi,xj)为核函数,i为用于预测的月份数采用核函数。αi是对偶问题的解,b为阈值,k为月份的计数。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:产品销售预测装置为固定终端和移动终端中的任意一种。
另外,在本发明提供的产品销售预测装置中,还可以具有这样的特征:其中,固定终端包括台式电脑,移动终端包括智能手机、平板电脑。
发明的作用与效果
根据本发明所涉及的产品销售预测装置,因为采用支持向量机模型作为预测模型对销售进行预测,同时对模型中的参数进行优化后得到优化的预测模型,将历史产品销售额数据应用到优化的预测模型上,得到产品销售的预测结果。
本发明通过机器学习方法大大提高了销售预测的精确度,SVM(支持向量机)预测模型预测时间短,预测精度高,鲁棒性强,同时避免部分非线性模型容易陷入局部极小值、收敛速度慢的缺点,因此基于SVM优化的预测模型是有效可行的。
本发明的预测装置克服了传统产品销售预测中精确性差、计算效率低的缺点,可为企业决策层提供较为准确的销售预测参考,具有良好的应用价值。
附图说明
图1是本发明的实施例中产品销售预测装置结构框图;
图2是本发明的实施例中Model-3m预测模型实际销售额和预测销售额对比图;
图3是本发明的实施例中Model-X模型和Model-3m模型相对误差对比图;
图4是本发明的实施例中Model-6m预测模型的相对误差图;
图5是本发明的实施例中Model-3m模型和Model-6m模型相对误差对比图;
图6是本发明的实施例中Model-6m,Model-9m和Model-12m三种模型的相对误差对比图;以及
图7是本发明的实施例中Model-12m和Model-24m相对误差对比图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的产品销售预测装置作具体阐述。
实施例
图1是本发明的实施例中产品销售预测装置结构框图。
如图1所示,产品销售预测装置100包括管理用储存部11、核函数选择部12、核函数参数优化部13、预测模型建立部14、预测参数设定部15、历史数据追加部16、预测结果生成部17、画面存储部18以及控制上述各部的管理侧控制部19。
管理用储存部11至少储存有产品销售的历史数据以及多个不同类型的包括预定参数的支持向量机核函数。
本实施例产品销售的历史数据至少包括2009年到2015年共计7年(84个月)的销售额,以及包括2010年到2015年共计72个月的预测数据和实际销售额。
支持向量机核函数包括多项式核函数、径向基核函数以及Sigmoid核函数。
核函数选择部12从上述多个支持向量机核函数中选择预定的支持向量机核函数用于建立预测模型。
支持向量机不同的内积核函数将形成不同的算法,回归支持向量机常用的核函数有三种,即多项式核函数、径向基核函数和Sigmoid核函数。对于多项式核函数,当特征空间位数很高时,其计算量将大大增加,甚至对某些情况无法得到正确的结果,而径向基函数不存在这个问题。另外,径向基函数的选取是隐含的,每个支持向量机产生一个以其为中心的局部径向基函数,使用结构风险最小化原则,能找到全局的径向基函数参数。对某些参数,RBF与Sigmoid核函数具有相似的性能,在一般情况下,首先考虑的是RBF。
因此本实施例选取径向基核函数(RBF)建立预测模型,即:
式中:σ为径向基函数的宽度,σ越小,径向基函数的宽度越小,越有选择性。是径向基核参数,g越大,径向基函数越有选择性,x为判别样本;xi为训练样本。预定参数包括惩罚系数C和径向基核参数g。
核函数参数优化部13采用网格搜索法对核函数中的预定参数进行优化。
基于网格搜索的SVM参数优化。在本实施例中支持向量机(SVM)的核函数采用的是径向基核函数(RBF),径向基函数中的参数g和惩罚系数C的选择对汽车销售量的预测值有着很大的影响,为了寻找最佳的参数C和g,本发明根据样本特性选择的是网格搜索法(gridsearch)。网格搜索法首先是要把所有的可能的参数值做统计然后进行分组,分组的依据是由步距决定的网络。然后对逐个网络中可能的最优参数值进行计算,并验证观察结果是否最优,即找到的最优参数。
网格搜索法参数优化的基本流程如下:
(1)先初始化网格搜索中惩罚系数C和核函数参数g的搜索范围和搜索步长,本发明在寻优时分为粗略选择和精细选择。
(2)进行粗略选择,粗略选择时C的取值范围是[2-8,28],当输入变量(C的取值范围、g的取值范围、交叉验证的折数等)个数小于8,则C值指数的步长为0.8,g的取值范围是[2-8,28],g值指数的步长为0.8。得到粗略选择的C和g。
(3)根据粗略选择结果再进行精确选择,C和g的取值范围是粗略选择后确定的范围,指数步长均为0.5。
预测模型建立部14用于建立预测模型,预测模型中包括预定参数优化后的核函数。
实施例中,预测模型为支持向量机模型,支持向量机模型的表达式为:
式中:K(xi,xj)为核函数,可将原问题通过非线性变换,映射为某个高维特征空间上的线性问题,进行求解。i为用于预测的月份数。本发明采用的汽车销售数据属于非线性数据,故需采用核函数。αi是对偶问题的解,b为阈值,k为月份的计数。
预测参数设定部15选取并设定预定时间的销售数据来进行预测。
本实施例中选取一个季度(3个月)或多个季度的销售数据进行预测,较其他不以季度为周期的预测模型预测效果更佳。
历史数据追加部16将产品销售的历史数据追加存储到预测模型中。
本实施例利用基于网格搜索和交叉验证的SVM回归模型对某公司2009年到2015年共计7年(84个月)的销售额进行预测。
预测结果生成部17基于预测模型产生的数据并生成相应的产品销售预测结果。
本实施例得到的产品销售预测结果能预测汽车销售趋势,实施例将汽车销售额数据应用到训练好的支持向量机模型上,对预测结果进行分析,通过交叉验证和网格搜索,从而提升取汽车销售趋势预测的精确性。
画面存储部18存储有基于预测结果生成部17生成的相应的产品销售预测结果得到的多个图表,包括预测模型实际销售额和预测销售额对比图、预测模型的相对误差图以及不同预测模型相对误差对比图、各模型名称表以及各模型评价指标表。
本实施例利用基于网格搜索和交叉验证的SVM回归模型对某公司2009年到2015年共计7年(84个月)的销售额进行预测,选取2010年到2015年共计72个月的预测数据与实际销售额进行比较分析。多次尝试的结果表明,利用一个季度(3个月)或多个季度的销售数据进行预测较其他不以季度为周期的预测模型预测效果更佳。假定每3个月数据预测下一个月销售额的模型为Model-3m,其他各模型名称见表1。
表1各模型名称
为了说明所建预测模型的优劣,将预测模型的预测值和真实值的均方误差(MeanSquared Error,MSE)、绝对误差(Absolute Error,AE)和相对误差(Relative Error,RE)作为评价指标来评价模型,其中均方误差主要评价预测模型的整体性能,相对误差和绝对误差可用于评价预测模型的局部性能,以季度为周期的预测模型的绝对误差相较别的预测模型更小,对整体性能亦可作为参考。
AE=|yi-yi|
式中:yi为原始销售额,y′i为预测销售额;i为月份,1月则i为1;k为月份数。
图2是本发明的实施例中Model-3m预测模型实际销售额和预测销售额对比图;
图3是本发明的实施例中Model-X模型和Model-3m模型相对误差对比图。
Model-3m预测模型
经网格搜索与交叉验证寻优,采用三个月数据预测下一个月销售额的Model-3m模型的最优SVM参数组合为g=2,预测结果见图2。
Model-3m模型预测结果的相对误差示于图3中,相对误差最大值为38.02%(2015年8月),比Model-X的最大相对误差61.4%小23.38%;最小值为0.23%(2011年3月),且75%的样本(54个月)相对误差在20%以下。
图4是本发明的实施例中Model-6m预测模型的相对误差图。
Model-6m预测模型
采用6个月数据预测下一个月销售额的Model-6m模型优化后的SVM参数组合为C=2,g=4。该模型预测销售额与实际销售额的绝对误差较Model-X模型和Model-3m模型均有大幅下降,绝对误差最大值约为14万元(2010年2月),最小值是约为4.6万元(2010年1月),前者仅为后者的3倍,而非200倍(Model-X)或150倍(Model-3m)。Model-6m的绝对误差主要集中在13万元到14万元之间,幅度比较稳定。由Model-6m预测模型的相对误差图4可见,该模型的相对误差基本以0.45%为中心上下浮动,落在0.15%到0.75%之间,最大相对误差是2014年1月的0.724%,最小的相对误差值是2010年1月的0.18%,二者较为接近。
图5是本发明的实施例中Model-3m模型和Model-6m模型相对误差对比图。
如图5所示,将Model-6m与Model-3m的相对误差进行比较分析,与Model-3m模型相比,Model-6m模型的相对误差紧贴着横轴,总体上明显较小,除3个月的相对误差略有上升外(2011年3月,2013年4月,2014年8月),其余月份的相对误差均大幅下降,降幅最大的是2015年8月,达37.39%;降幅超过10%的有33个月,占样本总数的45%。表明,Model-6m模型的预测效果较Model-3m模型有显著提高。
Model-9m和Model-12m预测模型
采用9个月数据预测下一个月销售额的Model-9m模型,其优化后的SVM的最优参数组合为g=2。以一年(12个月)数据作为预测基准的Model-12m模型,优化后的SVM的参数组合为
图6是本发明的实施例中Model-6m,Model-9m和Model-12m三种模型的相对误差对比图。
将Model-9m模型、Model-12m模型与前述最佳模型Model-6m的相对误差共同示于图6中。可见,Model-6m的相对误差在0.15%~0.75%之间,Model-9m模型的相对误差在0.25%~0.75%之间,Model-12m模型的相对误差在0.25%~0.65%之间。三个模型相对误差低于0.45%的月份数分别为29个月,29个月和42个月,分别占样本总数的40%,40%和58%。
相对于Model-9m模型,Model-12m模型每一个月的相对误差均有所下降;相对于Model-6m模型,Model-12m模型除了2010年1月、2015年1月相对误差分别增大了0.286%和0.152%,其余的月份均有不同程度下降。表明,以6个月、9个月、12个月的数据进行销售额预测,效果均较佳,其中Model-12m模型的整体性能更好。数据有限时,Model-6m模型亦可实现较为准确的销售额预测。
Model-24m预测模型
图7是本发明的实施例中Model-12m和Model-24m相对误差对比图。
如图7所示,采用24个月数据预测下一个月销售额的Model-24m模型,其优化后的SVM参数组合为C=1,g=0.5。Model-24m模型的相对误差在0.25%~0.65%之间,相对于Model-12m模型,有38个月的相对误差减小,22个月的相对误差增大。与Model-6m和Model-9m模型一样,Model-24m模型在中间月份,即2013年和2014年的预测性能较好,而在起始和末端月份的预测性能较差。
各模型评价指标的比较与分析。表2列出了各模型的决定系数,平方相对误差和均方误差三项评价指标。Model-24m模型的决定系数最大,平均相对误差最小;Model-12m模型均方误差最小,决定系数和平均相对误差与Model-24m相近。在基于优化SVM的模型中,采用三个月数据进行预测的Model-3m模型,决定系数是某公司当前采用的Model-X模型的近3倍,平均相对误差小4.67%,而Model-24m和Model-12m的平均相对误差更是Model-X的1/25(即4%),充分说明基于交叉验证网格搜索的SVM预测模型整体性能非常好,最佳模型是Model-12m和Model-24m,当数据有限时,亦可以采用Model-6m模型进行预测。
表2各模型评价指标
管理侧控制部19用于对上述各部进行控制。
产品销售预测装置为固定终端和移动终端中的任意一种。固定终端包括台式电脑,移动终端包括智能手机、平板电脑。
本发明的实施例中产品销售预测装置为台式电脑。
实施例的作用与效果
根据本实施例涉及的产品销售预测装置,因为采用支持向量机模型作为预测模型对销售进行预测,同时对模型中的参数通过交叉验证和网格搜索进行优化后得到优化的预测模型,将历史产品销售额数据应用到优化的预测模型上,得到产品销售的预测结果,从而提升取汽车销售趋势预测的精确性。
所以,本实施例通过机器学习方法大大提高了销售预测的精确度,SVM(支持向量机)预测模型预测时间短,预测精度高,鲁棒性强,同时避免部分非线性模型容易陷入局部极小值、收敛速度慢的缺点,因此基于SVM优化的预测模型是有效可行的,
本实施例的预测方法克服了传统汽车销售预测中精确性差、计算效率低的缺点,可为企业决策层提供较为准确的销售预测参考,具有良好的应用价值。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (10)
1.一种产品销售预测装置,其特征在于,包括:
管理用储存部、核函数参数优化部、预测模型建立部、历史数据追加部以及预测结果生成部,
其中,所述管理用储存部至少储存有所述产品销售的历史数据、多个不同类型的包括预定参数的支持向量机核函数,
所述核函数参数优化部对所述核函数中的所述预定参数进行优化,
所述预测模型建立部用于建立预测模型,所述预测模型中包括所述预定参数优化后的所述核函数,
所述历史数据追加部把所述产品销售的历史数据追加存储到所述预测模型中,
所述预测结果生成部基于所述预测模型产生的数据并生成相应的产品销售预测结果。
2.根据权利要求1所述的产品销售预测装置,其特征在于,还包括:
核函数选择部,所述核函数选择部从多个所述支持向量机核函数中选择预定的所述支持向量机核函数用于建立所述预测模型。
3.根据权利要求2所述的产品销售预测装置,其特征在于:
其中,所述支持向量机核函数包括多项式核函数、径向基核函数以及Sigmoid核函数。
4.根据权利要求3所述的产品销售预测装置,其特征在于:
其中,预定的所述支持向量机核函数为所述径向基核函数,所述径向基核函数的表达式为:
σ为所述径向基函数的宽度,g是径向基核参数,x为判别样本;xi为训练样本。
5.根据权利要求4所述的产品销售预测装置,其特征在于:
其中,所述预定参数包括惩罚系数C和径向基核参数g。
6.根据权利要求5所述的产品销售预测装置,其特征在于:
其中,所述核函数参数优化部采用网格搜索法对所述核函数中的所述预定参数进行优化,包括以下步骤:
初始化所述惩罚系数C和所述核函数参数g的搜索范围和搜索步长;
进行粗略选择,得到粗略选择的C和g;
根据粗略选择结果再进行精确选择。
7.根据权利要求6所述的产品销售预测装置,其特征在于:
其中,粗略选择的C值的取值范围是[2-8,28],当输入变量的个数小于8,则C值的取值范围中的所述C值的指数步长为0.8,g值的取值范围是[2-8,28],g值的取值范围中的所述g值的指数步长为0.8,
精确选择的C和g的取值范围中的所述C值和所述g值的指数步长均为0.5。
8.根据权利要求1所述的产品销售预测装置,其特征在于:
其中,所述预测模型为支持向量机模型,所述支持向量机模型的表达式为:
k(xi,xj)为核函数,i为用于预测的月份数,αi是对偶问题的解,b为阈值,k为月份的计数。
9.根据权利要求1-8所述的产品销售预测装置,其特征在于:
所述产品销售预测装置为固定终端和移动终端中的任意一种。
10.根据权利要求9所述的产品销售预测装置,其特征在于:
其中,所述固定终端包括台式电脑,
所述移动终端包括智能手机、平板电脑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810161553.3A CN108256924A (zh) | 2018-02-26 | 2018-02-26 | 一种产品销售预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810161553.3A CN108256924A (zh) | 2018-02-26 | 2018-02-26 | 一种产品销售预测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256924A true CN108256924A (zh) | 2018-07-06 |
Family
ID=62745532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810161553.3A Pending CN108256924A (zh) | 2018-02-26 | 2018-02-26 | 一种产品销售预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256924A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242141A (zh) * | 2018-07-24 | 2019-01-18 | 杭州汇数智通科技有限公司 | 一种商品库存数量的预测方法及装置 |
CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
CN110222353A (zh) * | 2019-03-12 | 2019-09-10 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
CN111382890A (zh) * | 2018-12-27 | 2020-07-07 | 珠海格力电器股份有限公司 | 一种家电安装量预测方法、系统及存储介质 |
CN112070529A (zh) * | 2020-08-24 | 2020-12-11 | 贵州民族大学 | 载客热点并行预测方法、系统、终端及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331816A (zh) * | 2014-10-28 | 2015-02-04 | 常州大学 | 基于知识学习和隐私保护的大数据用户购买意愿预测方法 |
CN106295686A (zh) * | 2016-08-01 | 2017-01-04 | 安徽农业大学 | 参数优化支持向量机的茶叶香气分类方法 |
CN106485348A (zh) * | 2016-09-22 | 2017-03-08 | 中国银联股份有限公司 | 一种交易数据的预测方法及装置 |
CN107194490A (zh) * | 2016-03-14 | 2017-09-22 | 商业对象软件有限公司 | 预测建模优化 |
CN107316501A (zh) * | 2017-06-28 | 2017-11-03 | 北京航空航天大学 | 一种基于网格搜索的支持向量机行程时间预测方法 |
-
2018
- 2018-02-26 CN CN201810161553.3A patent/CN108256924A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331816A (zh) * | 2014-10-28 | 2015-02-04 | 常州大学 | 基于知识学习和隐私保护的大数据用户购买意愿预测方法 |
CN107194490A (zh) * | 2016-03-14 | 2017-09-22 | 商业对象软件有限公司 | 预测建模优化 |
CN106295686A (zh) * | 2016-08-01 | 2017-01-04 | 安徽农业大学 | 参数优化支持向量机的茶叶香气分类方法 |
CN106485348A (zh) * | 2016-09-22 | 2017-03-08 | 中国银联股份有限公司 | 一种交易数据的预测方法及装置 |
CN107316501A (zh) * | 2017-06-28 | 2017-11-03 | 北京航空航天大学 | 一种基于网格搜索的支持向量机行程时间预测方法 |
Non-Patent Citations (4)
Title |
---|
于谦龙 著: "《基于企业财务预警模式的高校财务困境预警研究 以教育部直属高校为例》", 28 February 2014, 北京:企业管理出版社 * |
杨飞,王猛: ""基于支持向量机的煤炭销售预测系统的研究"", 《计算机与数字工程》 * |
涂歆,严洪森: ""基于扩展的径向基函数核支持向量机的产品销售预测模型"", 《计算机集成制造系统》 * |
郝瑞 著: "《基于虚拟可信平台的软件可信性研究》", 31 May 2017, 武汉大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242141A (zh) * | 2018-07-24 | 2019-01-18 | 杭州汇数智通科技有限公司 | 一种商品库存数量的预测方法及装置 |
CN109242141B (zh) * | 2018-07-24 | 2020-12-25 | 杭州汇数智通科技有限公司 | 一种商品库存数量的预测方法及装置 |
CN111382890A (zh) * | 2018-12-27 | 2020-07-07 | 珠海格力电器股份有限公司 | 一种家电安装量预测方法、系统及存储介质 |
CN111382890B (zh) * | 2018-12-27 | 2022-04-12 | 珠海格力电器股份有限公司 | 一种家电安装量预测方法、系统及存储介质 |
CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
CN110222353A (zh) * | 2019-03-12 | 2019-09-10 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
CN112070529A (zh) * | 2020-08-24 | 2020-12-11 | 贵州民族大学 | 载客热点并行预测方法、系统、终端及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256924A (zh) | 一种产品销售预测装置 | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN101329683A (zh) | 推荐系统及方法 | |
CN108921376B (zh) | 一种智能配电网用电可靠性提升对象的优选方法及系统 | |
CN110751326B (zh) | 一种光伏日前功率预测方法、装置以及存储介质 | |
CN112566196A (zh) | 一种基于智能电网的异构网络接入选择方法及相关设备 | |
CN106504098A (zh) | 一种基于大数据技术的金融投资系统的投资方法 | |
CN107766929A (zh) | 模型分析方法及装置 | |
CN105468628B (zh) | 一种排序方法及装置 | |
CN109978660A (zh) | 一种基于强化学习框架的推荐系统离线训练方法 | |
CN107402961B (zh) | 一种推荐方法及装置,电子设备 | |
CN110175689A (zh) | 一种概率预测的方法、模型训练的方法及装置 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
CN108305103A (zh) | 一种基于参数优化的支持向量机模型的产品销售预测方法 | |
Yue et al. | Product life cycle based demand forecasting by using artificial bee colony algorithm optimized two-stage polynomial fitting | |
CN106600146A (zh) | 一种电费回收风险评价方法和装置 | |
CN115797005A (zh) | 预测模型的训练、商品推荐方法、装置、电子设备及介质 | |
CN109754135A (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
CN110796296A (zh) | 多目标投资优化模型的构建方法、装置和计算设备 | |
CN106776757A (zh) | 用户完成网银操作的指示方法及装置 | |
CN109146316A (zh) | 电力营销稽查方法、装置及计算机可读存储介质 | |
Ulkhaq et al. | Predicting customer churn: A comparison of eight machine learning techniques: A case study in an Indonesian telecommunication company | |
CN109615470A (zh) | 标签推荐方法、标签推荐装置、电子设备及存储介质 | |
Yu et al. | Forecasting digital economy of China using an Adaptive Lasso and grey model optimized by particle swarm optimization algorithm | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 |
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: 20180706 |