CN108537382B - 一种电商价格趋势预测方法及系统 - Google Patents

一种电商价格趋势预测方法及系统 Download PDF

Info

Publication number
CN108537382B
CN108537382B CN201810309191.8A CN201810309191A CN108537382B CN 108537382 B CN108537382 B CN 108537382B CN 201810309191 A CN201810309191 A CN 201810309191A CN 108537382 B CN108537382 B CN 108537382B
Authority
CN
China
Prior art keywords
price
commodity
commerce
characteristic
historical
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.)
Active
Application number
CN201810309191.8A
Other languages
English (en)
Other versions
CN108537382A (zh
Inventor
张永生
梁恒
李富强
张轩
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.)
Chengdu Yishang Shangmeng Data Service Co ltd
Original Assignee
Chengdu Yishang Shangmeng Data Service Co 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 Chengdu Yishang Shangmeng Data Service Co ltd filed Critical Chengdu Yishang Shangmeng Data Service Co ltd
Priority to CN201810309191.8A priority Critical patent/CN108537382B/zh
Publication of CN108537382A publication Critical patent/CN108537382A/zh
Application granted granted Critical
Publication of CN108537382B publication Critical patent/CN108537382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电商价格趋势的预测方法及系统,所述的方法包括:收集商品的相关历史数据,对收集到的商品相关历史数据进行进一步的整理，将不同电商的同一商品建立起对应关系；构造包含有L棵决策树的随机森林；当商品价格出现变化时，针对该商品的最近n次历史价格变化情况，计算其每次价格变化时的价格特征、销量特征、历史价格特征；结合数据整理得到的该次价格变化的行为分类判断，对随机森林进行训练；最后根据训练好的随机森林对当前商品价格变化对应的行为分类判断，并根据判断结果，对相应商品的价格变化趋势进行预测。本发明提供了一种电商价格趋势预测方法及系统，能够电商商品价格发生变化时，对其接下来的价格变化趋势进行预测。

Description

一种电商价格趋势预测方法及系统
技术领域
本发明涉及电商领域，具体涉及一种电商价格趋势预测方法及系统。
背景技术
电商商品价格变化时，将其分类为清仓、促销、促销准备、异常促销、调价、调价、被动调价、异常变动，分别定义如下：
清仓：商品生命周期末期，需要清理库存回收资金或者其它原因对齐进行降价促销，销完后不会再有该商品出售。
促销：在节假日或者其它特点情况下，对商品的价格进行调整，从而达到增加销量或者是访问量的目的。
促销准备：在商品促销钱提高商品价格，从而为商品促销提供降价空间的行为。
异常促销：由于管理或者操作的原因，商品没有经过前期准备进入了促销列表中，导致商品价格出现异常变化的行为。
调价：包括涨价和降价，是商品价格的正常调整行为。在调价后商品的销售和库存没有出现太剧烈的变化。
被动调价：盯死主流电商价格，在其价格变化后立即跟进价格调整，与之持平或者是略低的行为。
异常变动：在上述行为之外的商品价格变化。
目前，当电商商品价格发生变化时，需要通过人工调查和复杂的数据分析，才能够得到价格变化趋势，人力成本高，不利于电商的自动化价格调整。
发明内容
本发明的目的在于克服现有技术的不足，提供一种电商价格趋势预测方法及系统，能够电商商品价格发生变化时，对其接下来的价格变化趋势进行预测。
本发明的目的是通过以下技术方案来实现的：一种电商价格趋势的预测方法，包括以下步骤：
S1.通过网络爬虫收集商品的相关历史数据；
S2.对收集到的商品相关历史数据进行进一步的整理，将不同电商的同一商品建立起对应关系；
S3.构造包含有L棵决策树的随机森林：
森林中每棵树h(x,θi)是一棵用CART算法生成的没有剪枝的回归分类树，x为输入向量，θi是独立而且同分布的随机向量，决定每一棵树的生长过程；所有的树自由生长，最终的决策结果采用多数投票法产生；
S4.当商品价格出现变化时，针对该商品的最近n次历史价格变化情况，计算其每次价格变化时的价格特征、销量特征、历史价格特征；
S5.将该商品的价格特征、销量特征、历史价格特征数据作为输入参数，将之前整理的相关历史数据中该次价格变化的行为分类判断作为输出结果，训练步骤S3中构造得到的随机森林模型；
S6.根据训练得到的随机森林，带入当前时刻的价格特征、销量特征、历史价格特征等信息，得到输出即为对当前商品价格变化对应的行为分类判断。
步骤S4中所述的价格特征计算方法包括以下子步骤：
S411.对于每一个商品的每一次价格变动，生成该商品在其他电商的价格列表priceRival[price1,price2,...,pricen]；
S412.计算价格列表priceRival的均值和方差，作为该商品当前时间的价格特征。
步骤S4中所述的销量特征计算方法包括以下子步骤：
S421.对于每一个商品的每一次价格变动时，获取该商品的销售情况salesValume；以及在其他电商的销量情况列表为salesRival[salesValume1,salesValume2,...,salesValumen]；将该销量列表按照其在电商上的价格进行修正
Figure GDA0002615224300000021
其中
Figure GDA0002615224300000022
为当前商品价格的均值；
S422.计算salesRival‘的均值和方差，作为该商品当前时间的销量特征。
步骤S4中所述的历史价格特征计算方法包括以下子步骤：
S431.对于该商品的历史价格变化，取该商品的最近n次历史价格变化情况列表priceChange[priceChange1,priceChange2,...,priceChangen]；
S432.将价格变化的数据进行修正，
Figure GDA0002615224300000023
其中
Figure GDA0002615224300000024
为商品当时的平均价格；
S433.将修正后的priceChange‘作为商品的历史价格信息。
步骤S3构造的随机森林中，对每棵树纪录一个历史判断准确率，理论上随着训练次数越多，单棵树越能准确的进行分类，但是此时的准确其实是一个过拟合的现象，所以，对某一棵树，如果其准确率在一段时间以内都保持在一个比森林整体分类正确性高t倍的状态，则判定该树产生了过拟合，将该树砍掉，加入一个新的树。
所述的行为判断包括但不限于清仓、促销、促销准备、异常促销、调价、被动调价、异常变动。
所述的一种电商价格趋势的预测方法，还包括一个策略制定步骤：根据步骤S6获得的行为分类判断，对相应商品的价格变化趋势进行预测，从而辅助制定本地策略。
一种电商价格趋势的预测系统，包括：
数据收集模块，用于通过网络爬虫收集商品的相关历史数据；
数据整理模块，用于对收集到的商品相关历史数据进行进一步的整理，将不同电商的同一商品建立起对应关系；
随机森林构造模块，用于构造包含有L棵决策树的随机森林；
特征计算模块，用于当商品价格出现变化时，针对该商品的最近n次历史价格变化情况，计算其每次价格变化时的价格特征、销量特征、历史价格特征；
森林训练模块，用于训练构造得到的随机森林模型；
行为分类判断模块，用于根据训练得到的随机森林模型，对当前商品价格变化对应的行为分类判断。
所述的预测系统还包括价格变化趋势预测模块，用于根据行为分类判断，对相应商品的价格变化趋势进行预测，从而辅助制定本地策略。
本发明的有益效果是：提供一种电商价格趋势预测方法及系统，能够电商商品价格发生变化时，对其接下来的价格变化趋势进行预测，为从而辅助制定本地策略提供依据，大量节约了人力预测和市场调研成本。
附图说明
图1为本发明的方法流程图；
图2为本发明的系统原理框图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种电商价格趋势的预测方法，包括以下步骤：
S1.通过网络爬虫收集商品的相关历史数据；
S2.对收集到的商品相关历史数据进行进一步的整理，将不同电商的同一商品建立起对应关系；
S3.构造包含有L棵决策树的随机森林：
森林中每棵树h(x,θi)是一棵用CART算法生成的没有剪枝的回归分类树，x为输入向量，θi是独立而且同分布的随机向量，决定每一棵树的生长过程；所有的树自由生长，最终的决策结果采用多数投票法产生；
S4.当商品价格出现变化时，针对该商品的最近n次历史价格变化情况，计算其每次价格变化时的价格特征、销量特征、历史价格特征；
S5.将该商品的价格特征、销量特征、历史价格特征数据作为输入参数，将之前整理的相关历史数据中该次价格变化的行为分类判断作为输出结果，训练步骤S3中构造得到的随机森林模型；
S6.根据训练得到的随机森林，带入当前时刻的价格特征、销量特征、历史价格特征等信息，得到输出即为对当前商品价格变化对应的行为分类判断。
步骤S4中所述的价格特征计算方法包括以下子步骤：
S411.对于每一个商品的每一次价格变动，生成该商品在其他电商的价格列表priceRival[price1,price2,...,pricen]；
S412.计算价格列表priceRival的均值和方差，作为该商品当前时间的价格特征。
步骤S4中所述的销量特征计算方法包括以下子步骤：
S421.对于每一个商品的每一次价格变动时，获取该商品的销售情况salesValume；以及在其他电商的销量情况列表为salesRival[salesValume1,salesValume2,...,salesValumen]；将该销量列表按照其在电商上的价格进行修正
Figure GDA0002615224300000041
其中
Figure GDA0002615224300000042
为当前商品价格的均值；
S422.计算salesRival‘的均值和方差，作为该商品当前时间的销量特征。
步骤S4中所述的历史价格特征计算方法包括以下子步骤：
S431.对于该商品的历史价格变化，取该商品的最近n次历史价格变化情况列表priceChange[priceChange1,priceChange2,...,priceChangen]；
S432.将价格变化的数据进行修正，
Figure GDA0002615224300000043
其中
Figure GDA0002615224300000044
为商品当时的平均价格；
S433.将修正后的priceChange‘作为商品的历史价格信息。
步骤S3构造的随机森林中，对每棵树纪录一个历史判断准确率，理论上随着训练次数越多，单棵树越能准确的进行分类，但是此时的准确其实是一个过拟合的现象，所以，对某一棵树，如果其准确率在一段时间以内都保持在一个比森林整体分类正确性高t倍的状态，则判定该树产生了过拟合，将该树砍掉，加入一个新的树。
所述的行为判断包括但不限于清仓、促销、促销准备、异常促销、调价、被动调价、异常变动。
所述的一种电商价格趋势的预测方法，还包括一个策略制定步骤：根据步骤S6获得的行为分类判断，对相应商品的价格变化趋势进行预测，从而辅助制定本地策略。
如图2所示，一种电商价格趋势的预测系统，包括：
数据收集模块，用于通过网络爬虫收集商品的相关历史数据；
数据整理模块，用于对收集到的商品相关历史数据进行进一步的整理，将不同电商的同一商品建立起对应关系；
随机森林构造模块，用于构造包含有L棵决策树的随机森林；
特征计算模块，用于当商品价格出现变化时，针对该商品的最近n次历史价格变化情况，计算其每次价格变化时的价格特征、销量特征、历史价格特征；
森林训练模块，用于训练构造得到的随机森林模型；
行为分类判断模块，用于根据训练得到的随机森林模型，对当前商品价格变化对应的行为分类判断。
所述的预测系统还包括价格变化趋势预测模块，用于根据行为分类判断，对相应商品的价格变化趋势进行预测，从而辅助制定本地策略。
在本申请中，网络爬虫收集后整理得到的信息包括，商品在不同电商中，每次价格变化对应的销售价格、销售情况以及价格变化的原因(即所述的行为分类判断：清仓、促销、促销准备、异常促销、调价、被动调价、异常变动)；基于该信息，通过本申请所述的方法，能够建立随机森林，并对随机森林进行训练；训练好的随机森林在实际应用中时，能够在当前商品价格发生变化时，进行行为分类判断：清仓、促销、促销准备、异常促销、调价、被动调价、异常变动；根据判断结果能够对相应商品的价格变化趋势进行预测，辅助指定本地策略，在一些电商中，还能够直接根据商品的价格变化趋势，自动调整商品价格，从而提高可电商的自动化管理水平。

Claims (6)

1.一种电商价格趋势的预测方法，其特征在于：包括以下步骤：
S1.通过网络爬虫收集商品的相关历史数据；
S2.对收集到的商品相关历史数据进行进一步的整理，将不同电商的同一商品建立起对应关系；
S3.构造包含有L棵决策树的随机森林：
森林中每棵树h(x,θi)是一棵用CART算法生成的没有剪枝的回归分类树，x为输入向量，θi是独立而且同分布的随机向量，决定每一棵树的生长过程；所有的树自由生长，最终的决策结果采用多数投票法产生；
S4.当商品价格出现变化时，针对该商品的最近n次历史价格变化情况，计算其每次价格变化时的价格特征、销量特征、历史价格特征；
S5.将该商品的价格特征、销量特征、历史价格特征数据作为输入参数，将之前整理的相关历史数据中该次价格变化的行为分类判断作为输出结果，训练步骤S3中构造得到的随机森林模型；
S6.根据训练得到的随机森林，带入当前时刻的价格特征、销量特征、历史价格特征信息，得到输出即为对当前商品价格变化对应的行为分类判断；
步骤S4中所述的价格特征计算方法包括以下子步骤：
S411.对于每一个商品的每一次价格变动，生成该商品在其他电商的价格列表priceRival[price1,price2,...,pricen]；
S412.计算价格列表priceRival的均值和方差，作为该商品当前时间的价格特征；
步骤S4中所述的销量特征计算方法包括以下子步骤：
S421.对于每一个商品的每一次价格变动时，获取该商品的销售情况salesValume；以及在其他电商的销量情况列表为salesRival[salesValume1,salesValume2,...,salesValumen]；将该销量列表进行修正
Figure FDA0002692621570000011
其中
Figure FDA0002692621570000012
为当前商品价格的均值；
S422.计算salesRival‘的均值和方差，作为该商品当前时间的销量特征；
步骤S4中所述的历史价格特征计算方法包括以下子步骤：
S431.对于该商品的历史价格变化，取该商品的最近n次历史价格变化情况列表priceChange[priceChange1,priceChange2,...,priceChangen]；
S432.将价格变化的数据进行修正，
Figure FDA0002692621570000021
其中
Figure FDA0002692621570000022
为商品当时的平均价格；
S433.将修正后的priceChange‘作为商品的历史价格信息。
2.根据权利要求1所述的一种电商价格趋势的预测方法，其特征在于：步骤S3构造的随机森林中，对每棵树纪录一个历史判断准确率，理论上随着训练次数越多，单棵树越能准确的进行分类，但是此时的准确其实是一个过拟合的现象，所以，对某一棵树，如果其准确率在一段时间以内都保持在一个比森林整体分类正确性高t倍的状态，则判定该树产生了过拟合，将该树砍掉，加入一个新的树。
3.根据权利要求1所述的一种电商价格趋势的预测方法，其特征在于：所述的行为分类判断包括清仓、促销、促销准备、异常促销、调价、被动调价、异常变动。
4.根据权利要求1所述的一种电商价格趋势的预测方法，其特征在于：还包括一个策略制定步骤：根据步骤S6获得的行为分类判断，对相应商品的价格变化趋势进行预测，从而辅助制定本地策略。
5.一种用于实现权利要求1-4中任一项所述的电商价格趋势的预测系统，其特征在于：包括：数据收集模块，用于通过网络爬虫收集商品的相关历史数据；
数据整理模块，用于对收集到的商品相关历史数据进行进一步的整理，将不同电商的同一商品建立起对应关系；
随机森林构造模块，用于构造包含有L棵决策树的随机森林；
特征计算模块，用于当商品价格出现变化时，针对该商品的最近n次历史价格变化情况，计算其每次价格变化时的价格特征、销量特征、历史价格特征；
森林训练模块，用于训练构造得到的随机森林模型；
行为分类判断模块，用于根据训练得到的随机森林模型，对当前商品价格变化对应的行为分类判断。
6.根据权利要求5所述的一种电商价格趋势的预测系统，其特征在于：所述的预测系统还包括价格变化趋势预测模块，用于根据行为分类判断，对相应商品的价格变化趋势进行预测，从而辅助制定本地策略。
CN201810309191.8A 2018-04-09 2018-04-09 一种电商价格趋势预测方法及系统 Active CN108537382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810309191.8A CN108537382B (zh) 2018-04-09 2018-04-09 一种电商价格趋势预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810309191.8A CN108537382B (zh) 2018-04-09 2018-04-09 一种电商价格趋势预测方法及系统

Publications (2)

Publication Number Publication Date
CN108537382A CN108537382A (zh) 2018-09-14
CN108537382B true CN108537382B (zh) 2020-11-06

Family

ID=63483343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810309191.8A Active CN108537382B (zh) 2018-04-09 2018-04-09 一种电商价格趋势预测方法及系统

Country Status (1)

Country Link
CN (1) CN108537382B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389426A (zh) * 2018-09-26 2019-02-26 深圳壹账通智能科技有限公司 商品价格层次的获取方法、系统、计算机设备和存储介质
CN109544233B (zh) * 2018-11-21 2022-12-27 上海欧睿供应链管理有限公司 一种面向电商业务的时尚品需求预测方法
CN109492827A (zh) * 2018-12-06 2019-03-19 深圳市中农易讯信息技术有限公司 商品价格预测方法、装置、计算机设备及存储介质
CN109377291A (zh) * 2018-12-19 2019-02-22 拉扎斯网络科技（上海）有限公司 任务价格预测方法、装置、电子设备及计算机存储介质
CN109658154B (zh) * 2018-12-25 2022-10-14 山东浪潮新世纪科技有限公司 一种基于区域贸易数据分析的订单预测方法
CN109767039A (zh) * 2019-01-14 2019-05-17 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 技术交易的数据处理方法、装置、计算机设备和存储介质
CN110992097B (zh) * 2019-12-03 2024-02-13 上海钧正网络科技有限公司 营收产品价格的处理方法、装置、计算机设备及存储介质
CN113554449A (zh) * 2020-04-23 2021-10-26 阿里巴巴集团控股有限公司 商品变量预测方法、设备以及计算机可读介质
CN111738486B (zh) * 2020-05-09 2024-03-01 北京兴中海建工程造价咨询有限公司 一种工程项目造价、招标、咨询综合管理方法及系统
CN113781107A (zh) * 2021-08-27 2021-12-10 湖州市吴兴区数字经济技术研究院 一种基于大数据的电商促销定价决策辅助方法及系统
CN115358771B (zh) * 2022-07-29 2023-07-28 中远海运科技股份有限公司 一种基于多元回归的经营性租赁集装箱定价方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021402A (en) * 1997-06-05 2000-02-01 International Business Machines Corporaiton Risk management system for electric utilities
CN103729687A (zh) * 2013-12-18 2014-04-16 国网山西省电力公司晋中供电公司 基于小波变换和神经网络的电价预测方法
CN105809451A (zh) * 2016-02-29 2016-07-27 江苏大学 一种大数据电商网购评价分析预测方法及系统
CN106355499A (zh) * 2016-09-29 2017-01-25 河南理工大学 一种股票价格趋势预测及交易方法
CN106875218A (zh) * 2017-02-04 2017-06-20 武汉昊阳科技有限公司 数据流量产品的价格预测方法及装置
CN107169806A (zh) * 2017-06-29 2017-09-15 北京京东尚科信息技术有限公司 用于确定商品属性对于购买决策的影响度的方法及装置
CN107578281A (zh) * 2017-08-31 2018-01-12 湖南大学 电子商务环境下用户优惠券行为预测方法及模型构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021402A (en) * 1997-06-05 2000-02-01 International Business Machines Corporaiton Risk management system for electric utilities
CN103729687A (zh) * 2013-12-18 2014-04-16 国网山西省电力公司晋中供电公司 基于小波变换和神经网络的电价预测方法
CN105809451A (zh) * 2016-02-29 2016-07-27 江苏大学 一种大数据电商网购评价分析预测方法及系统
CN106355499A (zh) * 2016-09-29 2017-01-25 河南理工大学 一种股票价格趋势预测及交易方法
CN106875218A (zh) * 2017-02-04 2017-06-20 武汉昊阳科技有限公司 数据流量产品的价格预测方法及装置
CN107169806A (zh) * 2017-06-29 2017-09-15 北京京东尚科信息技术有限公司 用于确定商品属性对于购买决策的影响度的方法及装置
CN107578281A (zh) * 2017-08-31 2018-01-12 湖南大学 电子商务环境下用户优惠券行为预测方法及模型构建方法

Also Published As

Publication number Publication date
CN108537382A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108537382B (zh) 一种电商价格趋势预测方法及系统
Chang et al. A neural network with a case based dynamic window for stock trading prediction
Ni et al. A two-stage dynamic sales forecasting model for the fashion retail
CN107844901A (zh) 一种企业运营自动化分析的方法及其系统
CN117495019B (zh) 基于农产品供应链的农产品协同调度方法与系统
CN113570240B (zh) 一种基于农作物全生命周期管理的智慧农场平台
Mariadass et al. EXtreme gradient boosting (XGBoost) regressor and shapley additive explanation for crop yield prediction in agriculture
CN114782075A (zh) 一种基于机器学习的电力现货交易策略确定方法及系统
CN113988929A (zh) 一种基于人工智能的果蔬生鲜门店日出货量预测方法
CN111242556B (zh) 一种货物分类方法及装置
CN110503456B (zh) 一种生鲜产品生产指导方法及生产指导系统
CN111581252A (zh) 基于多维度信息数据的动态催收方法及系统
CN112990584B (zh) 一种基于深度强化学习的自动生产决策系统及方法
CN110040411B (zh) 一种智能选箱装箱包装线归集区参数优化方法
KR20210018605A (ko) 과채류 물동량 예측시스템 및 방법
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN115719194A (zh) 一种基于大数据预测物资采购方法和系统
CN113762415A (zh) 一种基于神经网络的汽车金融产品智能匹配方法和系统
CN115796928A (zh) 产品销量预测方法、装置、电子设备和可读存储介质
CN112785142A (zh) 物联网污水处理设备预警智慧工单方法及其系统
Gurumoorthi et al. The Outlook of Food Industry: Effectual Traceability Practice in Supply Chain Management using Internet of Things
Camara Does an increase in the cost of imported inputs hurt exports? Evidence from firms' network of foreign suppliers
Purmala et al. Analysis of machine repair time prediction using machine learning at one of leading footwear manufacturers in Indonesia
Wirotcheewan et al. Modelling and forecasting for automotive parts demand of foreign markets on Thailand
CN111652646A (zh) 一种短期商品需求预测方法

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
GR01 Patent grant
GR01 Patent grant