CN109214601A - 家电行业大数据销量预测方法 - Google Patents
家电行业大数据销量预测方法 Download PDFInfo
- Publication number
- CN109214601A CN109214601A CN201811285898.6A CN201811285898A CN109214601A CN 109214601 A CN109214601 A CN 109214601A CN 201811285898 A CN201811285898 A CN 201811285898A CN 109214601 A CN109214601 A CN 109214601A
- Authority
- CN
- China
- Prior art keywords
- data
- sales
- sales forecast
- sales volume
- 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据领域,针对现有的家电行业的销量预测方法预测准确率低的问题,提出一种家电行业大数据销量预测方法,包括:对历史销量数据进行周期性及趋势性分析确定至少两种时间序列模型,采用历史销量数据对两种时间序列模型进行训练测试得到最优时间序列模型一和最优时间序列模型二并对销量进行分别预测得到销量预测值一和销量预测值二;采用历史销量数据和所有影响因子的历史数据对机器学习模型进行训练测试得到最优机器学习模型,利用最优机器学习模型和预先得到的所有影响因子的预测结果对销量进行预测得到销量预测值三;根据销量预测值一、销量预测值二和销量预测值三得到最终的销量预测值。本发明适用于家电产品销量的预测。
Description
技术领域
本发明涉及大数据技术领域,特别涉及一种家电行业大数据销售预测方法。
背景技术
为了更好地控制库存存量,降低资金压力进而从根本上控制成本,提升利润,家电行业迫切需要有效的销量预测方法。目前,家电行业处于向智能制造转型的过程中,如何有效进行销量预测也是需要解决的核心问题。销量预测使用历史销量数据和相关影响因素数据,通过数据分析、算法模型等技术搭建销量预测系统。目前,销量预测技术中缺乏针对家电行业的销量预测方法,已有的销量预测技术不适用于家电行业且准确率较低。
公开号为CN106779859A的中国专利《一种移动终端产品实时销量预测方法》中通过历史销量数据以及用户访问搜索引擎和电子商务网站的历史记录数据进行销量的预测,该专利中使用的行业特性数据只有用户的搜索频率,特征量较少,在利用算法模型对销量进行预测前未对历史销量趋势进行分析,存在所选择的时间序列模型可能不符合实际的风险。
公开号为CN106845683A的中国专利《基于网络平台的大数据烟草销量预测方法》只选择了一个因素类,特征量较单一;且使用的预测模型较单一,未能很好刻画因素与销量之间的复杂关系。
发明内容
本发明所要解决的技术问题是:克服现有的家电行业的销量预测方法预测准确率低的问题,提出一种家电行业大数据销量预测方法。
本发明解决上述技术问题,采用的技术方案是:
家电行业大数据销量预测方法,包括如下步骤:
对家电的历史销量数据进行周期性及趋势性分析,根据分析结果确定至少两种时间序列模型,采用历史销量数据和对应的时间数据对确定后的两种时间序列模型分别进行训练和测试得到销量的最优时间序列模型一和最优时间序列模型二,利用最优时间序列模型一和最优时间序列模型二对销量分别进行预测得到销量预测值一和销量预测值二;
采用历史销量数据和所有影响因子的历史数据对机器学习模型进行训练和测试得到销量的最优机器学习模型,利用最优机器学习模型和预先得到的所有影响因子的预测结果对销量进行预测得到销量预测值三,所述影响因子包括企业内部与销量相关的数据和企业外部与销量相关的数据;
根据销量预测值一、销量预测值二和销量预测值三得到最终的销量预测值。
优选的,所述根据分析结果确定至少两种时间序列模型,包括:
若历史销量数据具有明显的周期性和趋势性,则相对应的两种时间序列模型为ETS(ExponenTial Smoothing,指数平滑算法)模型和ARIMA(Autoregressive IntegratedMoving Average,自回归积分滑动平均算法)模型;
若历史销量数据具有明显的周期性,则相对应的两种时间序列模型为STL模型(时间序列分解模型)和ARIMA模型;
若历史销量数据没有明显的周期性和趋势性,则相应的两种时间序列模型为神经网络自回归模型和ARIMA模型。
优选的,所述预先得到的所有影响因子的预测结果包括:采用影响因子各自的历史数据对时间序列模型进行训练得到各自相应的最优模型,根据最优模型对相应影响因子进行预测得到影响因子的预测结果。
进一步的,采用影响因子各自的历史数据对时间序列模型进行训练得到各自相应的最优模型之前还包括:对影响因子各自的历史数据进行预处理,所述预处理包括对影响因子各自的历史数据按照时间段进行数据融合,在每个时间段加入对应的节假日标注和对应第几个月第几周。
进一步的,所述预处理还包括:若影响因子的历史数据存在缺失且缺失量未超过预定量,则根据缺失值两侧数据的均值进行填充,否则删除对应影响因子的历史数据。
进一步的,所述预处理还包括计算影响因子历史数据的均方差,若均方差小于预定差值则删除对应影响因子的历史数据。
优选的,所述机器学习模型包括GBM(Gradient Boosting Machine,梯度提升树算法)模型。
优选的,所述企业内部与销量相关的数据包括订单销售属性数据、任务数据、库存数据和关键部件采购数据,所述企业外部与销量相关的数据包括宏观经济数据、竞争产品数据和舆情监控数据。
优选的,所述订单销售属性数据包括销售价格、销售折扣、销售地点和销售产品属性;
和/或,所述任务数据包括年初制定的销量任务;
和/或,所述库存数据包括库存数量和库存产品价格;
和/或,所述关键部件采购数据包括采购数量、关键部件名称和采购价格;
和/或,所述宏观经济数据包括宏观经济指标、居民消费指数和房地产业指数;
和/或,所述竞争产品数据包括同类产品销量和产品属性;
和/或,所述舆情监控数据包括对产品的评论。
优选的,所述根据销量预测值一、销量预测值二和销量预测值三得到最终的销量预测值包括:对预测值一、销量预测值二和销量预测值三的总和取平均值得到最终的销量预测值。
本发明的有益效果是:
在机器学习模型的训练和预测中考虑到了影响因子各自的历史数据,且影响因子包括了企业内部与销量相关的数据和企业外部与销量相关的数据,解决了销量预测时未考虑家电行业自身受内部数据和外部数据影响的问题,对历史销量数据进行周期性及趋势性分析,根据分析结果确定至少两种时间序列模型,解决了现有技术中选择预测模型不灵活未考虑历史销量数据的不同趋势的问题,采用多种算法模型进行销量数据的预测,解决了已有技术中算法模型单一不能充分体现数据之间的复杂关系的问题,如此提升了家电行业销量预测方法的准确率。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及如下实施例对本发明进行进一步详细说明。
如图1所示,家电行业大数据销量预测方法,包括如下步骤:
S1、对家电的历史销量数据进行周期性及趋势性分析,根据分析结果确定至少两种时间序列模型,采用历史销量数据和对应的时间数据对确定后的两种时间序列模型分别进行训练和测试得到销量的最优时间序列模型一和最优时间序列模型二,利用最优时间序列模型一和最优时间序列模型二对销量分别进行预测得到销量预测值一和销量预测值二;
其中,可将历史销量数据按照确定的时间维度例如月或周进行汇总,分析历史销量数据是否具有周期性,是否具有增加或者下降的趋势,所述根据分析结果确定至少两种时间序列模型,包括:
若历史销量数据具有明显的周期性和趋势性,则相对应的两种时间序列模型为ETS模型和ARIMA模型;
若历史销量数据具有明显的周期性,则相对应的两种时间序列模型为STL模型和ARIMA模型;
若历史销量数据没有明显的周期性和趋势性,则相应的两种时间序列模型为神经网络自回归模型和ARIMA模型。
上述采用历史销量数据对确定后的两种时间序列模型分别进行训练和测试得到销量的最优时间序列模型一和最优时间序列模型二,可包括:
将历史销量数据按照时间顺序分为训练集和测试集,划分比例可为70%和30%,设置时间模型参数的取值范围,针对每个参数的组合,利用训练集对确定后的两种时间序列模型进行训练,将得到的模型用于测试集,比较测试集上预测结果与实际值的误差,选取测试误差最小时对应的模型参数为最优模型参数,相应的模型即为最优模型,分别对上述两种时间序列模型按照以上方法进行训练和测试便可得到销量的最优时间序列模型一和最优时间序列模型二。将需要进行预测的时间输入上述最优时间序列模型一和最优时间序列模型二即可分别得到与输入时间相对应的销量预测值一和销量预测值二。
S2、采用历史销量数据和所有影响因子的历史数据对机器学习模型进行训练和测试得到销量的最优机器学习模型,利用最优机器学习模型和预先得到的所有影响因子的预测结果对销量进行预测得到销量预测值三,所述影响因子包括企业内部与销量相关的数据和企业外部与销量相关的数据;
其中,所述预先得到的所有影响因子的预测结果包括:采用影响因子各自的历史数据对时间序列模型进行训练得到各自相应的最优模型,根据最优模型对相应影响因子进行预测得到影响因子的预测结果。其中时间序列模型可选取ETS模型。
采用影响因子各自的历史数据对时间序列模型进行训练得到各自相应的最优模型之前还可包括:对影响因子各自的历史数据进行预处理,所述预处理包括对影响因子各自的历史数据按照时间段进行数据融合,在每个时间段加入对应的节假日标注和对应第几个月第几周,如此可体现节假日等特殊日子对销量的影响。
为保证影响因子的数据的有效性,所述预处理还包括:若影响因子的历史数据存在缺失且缺失量未超过预定量,则根据缺失值两侧数据的均值进行填充,否则删除对应影响因子的历史数据。其中,预定量可选取为40%。
为了保证影响因子的数据确定存在对销量的影响,所述预处理还包括计算影响因子历史数据的均方差,若均方差小于预定差值则删除对应影响因子的历史数据。
所述企业内部与销量相关的数据可包括订单销售属性数据、任务数据、库存数据和关键部件采购数据,所述企业外部与销量相关的数据包括宏观经济数据、竞争产品数据和舆情监控数据。
所述订单销售属性数据可包括销售价格、销售折扣、销售地点和销售产品属性;所述任务数据可包括年初制定的销量任务;所述库存数据可包括库存数量和库存产品价格;所述关键部件可采购数据包括采购数量、关键部件名称和采购价格;所述宏观经济数据可包括宏观经济指标、居民消费指数和房地产业指数;所述竞争产品数据可包括同类产品销量和产品属性;所述舆情监控数据可包括对产品的评论。
上述机器学习模型可为GBM模型,机器学习模型需要使用所有历史数据,历史数据包括历史销量数据和影响因子的历史数据,可将所有历史数据按照70%和30%的比例随机地分为训练集和测试集,设置模型关键参数的取值范围,对每组参数的取值组合,在训练集上训练模型,将训练好的模型用于测试集,得到测试集上预测结果与实际值的误差,选择测试集上误差最小时对应的参数作为最优参数,利用最优参数和所有历史数据训练模型,将该模型作为最优机器学习模型,将步骤S1得到的影响因子的预测结果和需要进行预测的时间以及时间特征输入到最优机器学习模型中得到与输入时间对应的销量预测值三。
其中,步骤S1和步骤S2的顺序可互换。
S3、根据销量预测值一、销量预测值二和销量预测值三得到最终的销量预测值。
上述根据销量预测值一、销量预测值二和销量预测值三得到最终的销量预测值包括:对预测值一、销量预测值二和销量预测值三的总和取平均值得到最终的销量预测值。
Claims (10)
1.家电行业大数据销量预测方法,其特征在于,包括如下步骤:
对家电的历史销量数据进行周期性及趋势性分析,根据分析结果确定至少两种时间序列模型,采用历史销量数据和对应的时间数据对确定后的两种时间序列模型分别进行训练和测试得到销量的最优时间序列模型一和最优时间序列模型二,利用最优时间序列模型一和最优时间序列模型二对销量分别进行预测得到销量预测值一和销量预测值二;
采用历史销量数据和所有影响因子的历史数据对机器学习模型进行训练和测试得到销量的最优机器学习模型,利用最优机器学习模型和预先得到的所有影响因子的预测结果对销量进行预测得到销量预测值三,所述影响因子包括企业内部与销量相关的数据和企业外部与销量相关的数据;
根据销量预测值一、销量预测值二和销量预测值三得到最终的销量预测值。
2.如权利要求1所述的家电行业大数据销量预测方法,其特征在于,所述根据分析结果确定至少两种时间序列模型,包括:
若历史销量数据具有明显的周期性和趋势性,则相对应的两种时间序列模型为ETS模型和ARIMA模型;
若历史销量数据具有明显的周期性,则相对应的两种时间序列模型为STL模型和ARIMA模型;
若历史销量数据没有明显的周期性和趋势性,则相应的两种时间序列模型为神经网络自回归模型和ARIMA模型。
3.如权利要求1所述的家电行业大数据销量预测方法,其特征在于,所述预先得到的所有影响因子的预测结果包括:采用影响因子各自的历史数据对时间序列模型进行训练得到各自相应的最优模型,根据最优模型对相应影响因子进行预测得到影响因子的预测结果。
4.如权利要求3所述的家电行业大数据销量预测方法,其特征在于,采用影响因子各自的历史数据对时间序列模型进行训练得到各自相应的最优模型之前还包括:对影响因子各自的历史数据进行预处理,所述预处理包括对影响因子各自的历史数据按照时间段进行数据融合,在每个时间段加入对应的节假日标注和对应第几个月第几周。
5.如权利要求4所的述的家电行业大数据销量预测方法,其特征在于,所述预处理还包括:若影响因子的历史数据存在缺失且缺失量未超过预定量,则根据缺失值两侧数据的均值进行填充,否则删除对应影响因子的历史数据。
6.如权利要求4或5所述的家电行业大数据销量预测方法,其特征在于,所述预处理还包括计算影响因子历史数据的均方差,若均方差小于预定差值则删除对应影响因子的历史数据。
7.如权利要求1所述的家电行业大数据销量预测方法,其特征在于,所述机器学习模型包括GBM模型。
8.如权利要求1所述的家电行业大数据销量预测方法,其特征在于,所述企业内部与销量相关的数据包括订单销售属性数据、任务数据、库存数据和关键部件采购数据,所述企业外部与销量相关的数据包括宏观经济数据、竞争产品数据和舆情监控数据。
9.如权利要求1所述的家电行业大数据销量预测方法,其特征在于,所述订单销售属性数据包括销售价格、销售折扣、销售地点和销售产品属性;
和/或,所述任务数据包括年初制定的销量任务;
和/或,所述库存数据包括库存数量和库存产品价格;
和/或,所述关键部件采购数据包括采购数量、关键部件名称和采购价格;
和/或,所述宏观经济数据包括宏观经济指标、居民消费指数和房地产业指数;
和/或,所述竞争产品数据包括同类产品销量和产品属性;
和/或,所述舆情监控数据包括对产品的评论。
10.如权利要求1所述的家电行业大数据销量预测方法,其特征在于,所述根据销量预测值一、销量预测值二和销量预测值三得到最终的销量预测值包括:对预测值一、销量预测值二和销量预测值三的总和取平均值得到最终的销量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285898.6A CN109214601A (zh) | 2018-10-31 | 2018-10-31 | 家电行业大数据销量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285898.6A CN109214601A (zh) | 2018-10-31 | 2018-10-31 | 家电行业大数据销量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214601A true CN109214601A (zh) | 2019-01-15 |
Family
ID=64997637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285898.6A Pending CN109214601A (zh) | 2018-10-31 | 2018-10-31 | 家电行业大数据销量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214601A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829758A (zh) * | 2019-01-25 | 2019-05-31 | 北京每日优鲜电子商务有限公司 | 面向多保期的商品销量预测方法和系统 |
CN110046788A (zh) * | 2019-01-17 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 车辆需求量预测方法及装置、车辆供给量预测方法及装置 |
CN110070148A (zh) * | 2019-03-15 | 2019-07-30 | 北京木业邦科技有限公司 | 一种林业产品特征分析方法、装置及计算机可读介质 |
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 |
CN110348622A (zh) * | 2019-07-02 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 一种基于机器学习的时间序列预测方法、系统及电子设备 |
CN110400182A (zh) * | 2019-07-31 | 2019-11-01 | 浪潮软件集团有限公司 | 一种采用时间序列预测产品销量的优化方法 |
CN110599256A (zh) * | 2019-09-18 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 汽车销量的预测方法、装置、终端设备及存储介质 |
CN110675960A (zh) * | 2019-09-10 | 2020-01-10 | 北京大学 | 基于时间序列分析的呼吸运动预测建模方法 |
CN111046909A (zh) * | 2019-11-05 | 2020-04-21 | 新奥数能科技有限公司 | 一种负荷预测的方法及装置 |
CN111274531A (zh) * | 2020-01-19 | 2020-06-12 | 苏宁云计算有限公司 | 商品销售额预测方法、装置、计算机设备和存储介质 |
CN111445095A (zh) * | 2020-05-18 | 2020-07-24 | 江苏电力信息技术有限公司 | 一种基于指数平滑法的年度出库金额预测方法 |
CN111652654A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 销量预测及神经网络构建的方法、装置、设备、存储介质 |
CN111652657A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 商品销量预测方法、装置、电子设备及可读存储介质 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN112288457A (zh) * | 2020-06-23 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 基于多模型计算融合的数据处理方法及装置、设备和介质 |
CN112685273A (zh) * | 2020-12-29 | 2021-04-20 | 京东数字科技控股股份有限公司 | 异常检测方法、装置、计算机设备和存储介质 |
CN112862137A (zh) * | 2019-11-27 | 2021-05-28 | 顺丰科技有限公司 | 件量预测方法、装置、计算机设备和计算机可读存储介质 |
CN113743643A (zh) * | 2021-02-05 | 2021-12-03 | 北京京东振世信息技术有限公司 | 一种确定商品数据预测准确率的方法、装置、设备和介质 |
CN113962745A (zh) * | 2021-10-30 | 2022-01-21 | 重庆长安汽车股份有限公司 | 基于prophet模型及大数据的销量预测方法和系统 |
CN114119081A (zh) * | 2021-11-15 | 2022-03-01 | 北京京东尚科信息技术有限公司 | 对象预测模型的训练方法、装置、电子设备及存储介质 |
TWI757828B (zh) * | 2020-08-13 | 2022-03-11 | 國立成功大學 | 原料採購決策方法、電子裝置與電腦程式產品 |
WO2023082553A1 (zh) * | 2021-11-12 | 2023-05-19 | 珠海格力电器股份有限公司 | 采购数据的确定方法及其装置、计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
CN106951514A (zh) * | 2017-03-17 | 2017-07-14 | 合肥工业大学 | 一种考虑品牌情感的汽车销量预测方法 |
CN107146015A (zh) * | 2017-05-02 | 2017-09-08 | 联想(北京)有限公司 | 多变量时间序列预测方法和系统 |
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
CN108416479A (zh) * | 2018-03-20 | 2018-08-17 | 易联众信息技术股份有限公司 | 一种基于gdp的决策方案数据分析模型的构建方法 |
-
2018
- 2018-10-31 CN CN201811285898.6A patent/CN109214601A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
CN106951514A (zh) * | 2017-03-17 | 2017-07-14 | 合肥工业大学 | 一种考虑品牌情感的汽车销量预测方法 |
CN107146015A (zh) * | 2017-05-02 | 2017-09-08 | 联想(北京)有限公司 | 多变量时间序列预测方法和系统 |
CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108416479A (zh) * | 2018-03-20 | 2018-08-17 | 易联众信息技术股份有限公司 | 一种基于gdp的决策方案数据分析模型的构建方法 |
Non-Patent Citations (1)
Title |
---|
闫博 等: "基于ARMA和BP_AdaBoost的组合销售预测模型研究", 《计算机与现代化》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046788A (zh) * | 2019-01-17 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 车辆需求量预测方法及装置、车辆供给量预测方法及装置 |
CN109829758A (zh) * | 2019-01-25 | 2019-05-31 | 北京每日优鲜电子商务有限公司 | 面向多保期的商品销量预测方法和系统 |
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 |
CN110070148A (zh) * | 2019-03-15 | 2019-07-30 | 北京木业邦科技有限公司 | 一种林业产品特征分析方法、装置及计算机可读介质 |
CN110348622A (zh) * | 2019-07-02 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 一种基于机器学习的时间序列预测方法、系统及电子设备 |
CN110400182A (zh) * | 2019-07-31 | 2019-11-01 | 浪潮软件集团有限公司 | 一种采用时间序列预测产品销量的优化方法 |
CN110675960B (zh) * | 2019-09-10 | 2022-08-26 | 北京大学 | 基于时间序列分析的呼吸运动预测建模方法 |
CN110675960A (zh) * | 2019-09-10 | 2020-01-10 | 北京大学 | 基于时间序列分析的呼吸运动预测建模方法 |
CN110599256A (zh) * | 2019-09-18 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 汽车销量的预测方法、装置、终端设备及存储介质 |
CN111046909A (zh) * | 2019-11-05 | 2020-04-21 | 新奥数能科技有限公司 | 一种负荷预测的方法及装置 |
CN112862137A (zh) * | 2019-11-27 | 2021-05-28 | 顺丰科技有限公司 | 件量预测方法、装置、计算机设备和计算机可读存储介质 |
CN111274531A (zh) * | 2020-01-19 | 2020-06-12 | 苏宁云计算有限公司 | 商品销售额预测方法、装置、计算机设备和存储介质 |
CN111445095A (zh) * | 2020-05-18 | 2020-07-24 | 江苏电力信息技术有限公司 | 一种基于指数平滑法的年度出库金额预测方法 |
CN111652657A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 商品销量预测方法、装置、电子设备及可读存储介质 |
CN111652654A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 销量预测及神经网络构建的方法、装置、设备、存储介质 |
CN112288457A (zh) * | 2020-06-23 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 基于多模型计算融合的数据处理方法及装置、设备和介质 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
TWI757828B (zh) * | 2020-08-13 | 2022-03-11 | 國立成功大學 | 原料採購決策方法、電子裝置與電腦程式產品 |
CN112685273A (zh) * | 2020-12-29 | 2021-04-20 | 京东数字科技控股股份有限公司 | 异常检测方法、装置、计算机设备和存储介质 |
CN113743643A (zh) * | 2021-02-05 | 2021-12-03 | 北京京东振世信息技术有限公司 | 一种确定商品数据预测准确率的方法、装置、设备和介质 |
CN113743643B (zh) * | 2021-02-05 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种确定商品数据预测准确率的方法、装置、设备和介质 |
CN113962745A (zh) * | 2021-10-30 | 2022-01-21 | 重庆长安汽车股份有限公司 | 基于prophet模型及大数据的销量预测方法和系统 |
WO2023082553A1 (zh) * | 2021-11-12 | 2023-05-19 | 珠海格力电器股份有限公司 | 采购数据的确定方法及其装置、计算机可读存储介质 |
CN114119081A (zh) * | 2021-11-15 | 2022-03-01 | 北京京东尚科信息技术有限公司 | 对象预测模型的训练方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214601A (zh) | 家电行业大数据销量预测方法 | |
US20170308934A1 (en) | Management method of power engineering cost | |
CN103617548B (zh) | 一种趋势性、周期性商品的中长期需求预测方法 | |
CN107346502A (zh) | 一种基于大数据的迭代产品销售预测方法 | |
CA2708911C (en) | Marketing model determination system | |
CN101620692A (zh) | 一种移动通信业务的客户流失分析方法 | |
CN102004768A (zh) | 自适应分析多维处理系统 | |
CN109559163A (zh) | 一种基于机器学习的模型构建方法及销售预测方法 | |
CN103440283A (zh) | 一种测点数据的补缺系统及补缺方法 | |
CN109146611A (zh) | 一种电商产品质量信用指数分析方法及系统 | |
CN109993380A (zh) | 一种信息处理方法、装置和计算机可读存储介质 | |
JP7304698B2 (ja) | 水需要予測方法およびシステム | |
CN106407305A (zh) | 一种数据挖掘系统和方法 | |
CN109118012A (zh) | 一种工业动态多维度能耗成本预测方法、系统、存储介质和终端 | |
CN105184078A (zh) | 基于专利相对量分析的技术成熟度评价方法 | |
Bilişik et al. | A comparative performance analyze model and supplier positioning in performance maps for supplier selection and evaluation | |
Zhang | Pathways to carbon neutrality in major exporting countries: the threshold effect of digital transition | |
CN109934469A (zh) | 基于异源交叉回归分析的停电敏感度预警方法及装置 | |
CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
CN109635996A (zh) | 房价走势前瞻模型构建方法、装置及存储介质 | |
Jakaitiene et al. | Forecasting the world economy in the short term | |
CN108182448A (zh) | 一种标注策略的选择方法及相关装置 | |
Wagh et al. | Customer churn prediction in telecom sector using machine learning techniques | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
Lesmana et al. | Productivity analysis in assembly department using objective matrix (OMAX) method in labor intensive manufacturing |
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: 20190115 |