CN109242141B - 一种商品库存数量的预测方法及装置 - Google Patents

Abstract

本发明提供一种商品库存数量的预测方法及装置，涉及数据分析技术领域，获取商品库存量预测的目标样本数据；目标样本数据包括：训练样本数据；然后将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数；将最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型；将新的待预测输入参数数据输入基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。本发明能够通过训练样本数据在随机多尺度核学习框架中的训练，及交叉验证算法，确定出基于随机多尺度核函数的库存量预测模型，提高商品库存量预测结果的精确度和可信度。

Description

一种商品库存数量的预测方法及装置

技术领域

本发明涉及数据分析技术领域，尤其是涉及一种商品库存数量的预测方法及装置。

背景技术

商品库存量的预测方法是市场预测分析与商品生产销售决策的基础，是市场预测领域中的一个重要问题，在商品生产、销售等很多方面起着关键作用。

现有的基于随机多尺度核函数的库存量预测方法中，核的选取全凭经验，所产生的预测模型时好时坏，精确度不高，或者泛化性能不强；另外，在选取了核(基函数)之后，对于多核的一些算法，没有一种自动化的方法可以去优化这些核函数的组合，甚至人为的去设置一种核函数的组合并进行优化，这种计算方法太复杂或优化成本太高，而且有时候，即使得到了一种优化的组合，该模型的泛化性能也不强。

发明内容

有鉴于此，本发明的目的在于提供一种商品库存数量的预测方法及装置，能够通过训练样本数据在随机多尺度核学习框架中的训练，及交叉验证算法，得到最优模型参数，进一步确定出基于随机多尺度核函数的库存量预测模型，利用该模型对商品库存量进行预测，提高商品库存量预测结果的精确度和可信度，帮助商家自动化很多供应链过程中的决策，更精确的需求预测，能够大大地优化运营成本，降低收货时效，提升整个社会的供应链物流效率。

第一方面，本发明实施例提供了一种商品库存数量的预测方法，包括：

获取商品库存量预测的目标样本数据；目标样本数据包括：第一参数和第二参数所对应的数据；将第一参数作为输入参数；其中第一参数包括：商品属性参数、商品所处环境参数；将第二参数作为输出参数；其中第二参数包括：商品库存量；目标样本数据包括：训练样本数据和验证样本数据；

将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数；最优模型参数包括：最优参数对及其对应的核组合系数；

将最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型；

将新的待预测输入参数数据输入基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，随机多尺度核学习框架为：

其中，

为函数空间；

K为高斯核函数：K_σ(x_i,x)＝exp{-||x_i-x||²/σ}；σ_i∈[0,Ω]；

λ为正则化参数，惩罚项为||ξ||₁＝|ξ₁|+…+|ξ_m|，m为样本个数；

{ξ_i}为核组合系数。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数，具体包括：

确定m*n组参数{(λ_j,Ω_j):j＝1,…,mn}；

将训练样本数据代入随机多尺度核学习框架中，计算每一组参数(λ_j,Ω_j)对应的交叉误差；

将m*n组参数中交叉误差最小的一组参数作为最优参数，记作{λ^*,Ω^*}；

将最优参数及其对应的核组合系数{ξ_i ^*}作为最优模型参数。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，将训练样本数据代入随机多尺度核学习框架中，计算每一组参数(λ_j,Ω_j)对应的交叉误差，具体包括：

对于每一组参数(λ_j,Ω_j)，将训练样本数据随机等分为十份数据；

分别利用公式(1)计算其中任意九份数据的核组合系数{ξ_i}；

利用九个核组合系数得到的公式(1)在剩下的一份数据上计算均方误差，得到十个均方误差；

将十个均方误差求和，得到每一组参数(λ_j,Ω_j)对应的交叉误差。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，在将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数之前，还包括：

对目标样本数据进行预处理，具体包括：

针对目标样本数据中存在缺失数据的情况，采用均值替换规则进行处理或者对缺失数据进行删除处理；

针对目标样本数据中存在高维数据的情况，进行特征提取降维处理。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，进行特征提取降维处理，具体包括：

采用线性特征提取算法，对目标样本数据中的数据特征进行稀疏降维，具体包括：

设有线性关系：t＝β^Tx+ε，通过以下公式进行优化：

其中T＝[t₁,…,t_N]^T,X＝[x₁,…,x_N]^T；

选择合适的正则化参数λ以将输入数据x从d维降至r(<d)维；其中X是N个样本数据的输入数据构成的N×d矩阵；T为输出数据构成的N×1矩阵；

或者，

采用梯度学习算法，通过梯度分量的范数大小对原始数据的特征进行筛选，具体包括：

设有非线性关系：t＝f(x)+ε，通过以下公式进行优化：

得到梯度函数，利用梯度函数的分量的范数值大小选择前r个重要变量。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，在将最优模型参数代入所述随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型之后，还包括：

将验证样本数据代入基于随机多尺度核函数的库存量预测模型，对基于随机多尺度核函数的库存量预测模型的精确性进行验证。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，商品包括：房屋；

商品属性参数包括：房屋户型、房屋面积、房屋地理位置；商品所处环境参数包括：房屋周边空气质量、房屋周边设施类型；商品库存量包括：房屋库存量。

第二方面，本发明实施例提供一种商品库存数量的预测装置，包括：

数据获取模块，用于获取商品库存量预测的目标样本数据；目标样本数据包括：第一参数和第二参数所对应的数据；将第一参数作为输入参数；其中第一参数包括：商品属性参数、商品所处环境参数；将第二参数作为输出参数；其中第二参数包括：商品库存量；目标样本数据包括：训练样本数据和验证样本数据；

模型参数确定模块，用于将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数；最优模型参数包括：最优参数对及其对应的核组合系数；

模型确定模块，用于将最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型；

库存量预测模块，用于将新的待预测输入参数数据输入基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，还包括：

数据预处理模块，用于对目标样本数据进行预处理，具体包括：

针对目标样本数据中存在缺失数据的情况，采用均值替换规则进行处理或者对缺失数据进行删除处理；

针对目标样本数据中存在高维数据的情况，进行特征提取降维处理。

第三方面，本发明实施例提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行第一方面所述的方法。

本发明实施例带来了以下有益效果：

在本发明实施例提供的商品库存数量的预测方法中，首先获取商品库存量预测的目标样本数据；其中，目标样本数据包括：第一参数和第二参数所对应的数据；将第一参数作为输入参数；其中第一参数包括：商品属性参数、商品所处环境参数；将第二参数作为输出参数；其中第二参数包括：商品库存量；目标样本数据包括：训练样本数据和验证样本数据；然后将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数；最优模型参数包括：最优参数对及其对应的核组合系数；将最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型；将新的待预测输入参数数据输入基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。本发明能够通过训练样本数据在随机多尺度核学习框架中的训练，及交叉验证算法，得到最优模型参数，进一步确定出基于随机多尺度核函数的库存量预测模型，利用该模型对商品库存量进行预测，提高商品库存量预测结果的精确度和可信度，帮助商家自动化很多供应链过程中的决策，更精确的需求预测，能够大大地优化运营成本，降低收货时效，提升整个社会的供应链物流效率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例一提供的一种商品库存数量的预测方法的流程图；

图2为本发明实施例一提供的另一种商品库存数量的预测方法的流程图；

图3为本发明实施例一提供的另一种商品库存数量的预测方法的流程图；

图4为本发明实施例一提供的另一种商品库存数量的预测方法的流程图；

图5为本发明实施例二提供的一种商品库存数量的预测装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。

现有的基于随机多尺度核函数的库存量预测方法中，核的选取全凭经验，所产生的预测模型时好时坏，精确度不高，或者泛化性能不强；另外，在选取了核(基函数)之后，对于多核的一些算法，没有一种自动化的方法可以去优化这些核函数的组合，甚至人为的去设置一种核函数的组合并进行优化，这种计算方法太复杂或优化成本太高，而且有时候，即使得到了一种优化的组合，该模型的泛化性能也不强。

基于此，本发明实施例提供一种商品库存数量的预测方法及装置，能够通过训练样本数据在随机多尺度核学习框架中的训练，及交叉验证算法，得到最优模型参数，进一步确定出基于随机多尺度核函数的库存量预测模型，利用该模型对商品库存量进行预测，提高商品库存量预测结果的精确度和可信度，帮助商家自动化很多供应链过程中的决策，更精确的需求预测，能够大大地优化运营成本，降低收货时效，提升整个社会的供应链物流效率。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种商品库存数量的预测方法进行详细介绍。

实施例一：

本发明实施例提供了一种商品库存数量的预测方法，参见图1所示，该方法包括以下步骤：

S11：获取商品库存量预测的目标样本数据；目标样本数据包括：训练样本数据和验证样本数据。

其中，目标样本数据包括：第一参数和第二参数所对应的数据；将第一参数作为输入参数；其中第一参数包括：商品属性参数、商品所处环境参数；将第二参数作为输出参数；其中第二参数包括：商品库存量。

需要说明的是，本发明实施例中的商品可以是日用品、可以是房屋或者农产品等其他具有经济意义的商品。此外，通常采集的目标样本数据中，一部分用来训练模型，称为训练样本数据，另一部分用来对模型的精确性进行验证，称为验证样本数据。

在一种具体的实施方式中，上述商品为房屋，商品属性参数包括：房屋户型、房屋面积、房屋地理位置等；商品所处环境参数包括：房屋周边空气质量、房屋周边设施类型等；商品库存量包括：房屋库存量。

比如，获取的房屋库存量预测的训练样本数据为：D＝{z_i＝(x_i,t_i):x_i∈R^d,t_i∈R,i＝1,…,N}，在房屋库存量预测中，z_i表示第i个房子的相关数据。其中x_i是d维的输入数据，即记录或者测量的与库存量有关的d个特征数据构成的一个向量，例如，房屋库存量预测中，与库存量相关的特征数据包括：城镇人均犯罪率，房龄，氮氧化污染物，低收入人群比率，城镇非零售商用土地的比例，住宅平均房间数等。t_i是1维输出变量，即库存量。

S12：将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数。

其中，随机多尺度核学习框架为：

其中，

为函数空间；

K为高斯核函数：K_σ(x_i,x)＝exp{-||x_i-x||²/σ}；σ_i∈[0,Ω]；

λ为正则化参数，惩罚项为||ξ||₁＝|ξ₁|+…+|ξ_m|，m为样本个数；

{ξ_i}为核组合系数。

上述最优模型参数的获得过程包括以下步骤，参见图2所示：

S121：确定多组参数。

如m*n组参数{(λ_j,Ω_j):j＝1,…,mn}。

上述随机多尺度核学习框架中，λ为正则化参数，惩罚项为||ξ||₁＝|ξ₁|+…+|ξ_m|，其主要起到让解具有稀疏性的作用。由于σ_i不能直接通过交叉验证的方式选取，所以这里采取事先从区间[0,Ω]中均匀抽样产生m个尺度参数。

S122：将训练样本数据代入随机多尺度核学习框架中，计算每一组参数对应的交叉误差。

上述随机多尺度核学习框架中有两个参数，分别是正则化参数λ，以及随机尺度所属分布的参数Ω，其中，λ控制模型的复杂度；Ω控制核函数空间的多样性。将这两个参数联合起来，并结合其对应的核组合系数{ξ_i}作为模型参数，通过分别给定取值范围以及步长的方式，构成网格模式，然后将训练数据等分成10份，采用交叉验证的方法，选取最佳配对值。

具体的计算过程如下：

对于每一组参数(λ_j,Ω_j)，将训练样本数据随机等分为十份数据；

分别利用公式(1)计算其中任意九份数据的核组合系数{ξ_i}；

利用九个核组合系数得到的公式(1)在剩下的一份数据上计算均方误差，得到十个均方误差；

将十个均方误差求和，得到每一组参数(λ_j,Ω_j)对应的交叉误差。

S123：将多组参数中交叉误差最小的一组参数作为最优参数。

S124：将最优参数及其对应的核组合系数作为最优模型参数。

在得到每一组参数(λ_j,Ω_j)对应的交叉误差后，将m*n组参数中交叉误差最小的一组参数作为最优参数，记作{λ^*,Ω^*}，并结合该最优参数对应的核组合系数{ξ_i ^*}，共同作为最优模型参数。

S13：将最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型。

通过上述交叉验证方法，确定出最优模型参数后，将最优模型参数{λ^*,Ω^*}和{ξ_i}代入随机多尺度核函数中，得到最终的基于随机多尺度核函数的库存量预测模型，如下：

S14：将新的待预测输入参数数据输入基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。

具体的，将新的待预测输入参数数据

代入上述基于随机多尺度核函数的库存量预测模型，计算该模型的输出值，即：

作为新的待预测输入参数数据对应的商品预测库存量。其中，数据按照格式D输入；对参数的取值范围限定为：λ,Ω∈{2^-20,2^-19,…2²⁰}.

在上述随机多尺度核学习框架中，当所有尺度相同时，该框架模型退化为单核模型，单尺度核为了同时拟合目标快速变化的地方和平稳变化的地方，会选择尺度小的核，这样，平缓的地方就需要很多小尺度的核来逼近，整体上即使有稀疏性限制，单核模型也会选取68个核作为基函数存在于最终的模型中。而多尺度核会自动选择大尺度拟合平缓部分，小尺度拟合陡峭部分，进而最终多尺度模型只选取了23个核作为基函数。

由于尺度是在区间[0,Ω]中均匀抽取，一般情况下，不同次的抽取产生不同的核函数，会影响最终的模型效果。但是，按照本实施例中的方式选出最优参数{λ^*,Ω^*}及其对应的核组合系数{ξ_i ^*}之后，发现在[0,Ω^*]上的不同抽样效果变化不大。因而，大大提高了本实施例中库存量预测模型的精确性及可靠性。

作为一种优选实施方式，在上述步骤S12：在将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数之前，还可以包括以下步骤，参见图3所示：

S21：对目标样本数据进行预处理。该步骤具体包括：

针对目标样本数据中存在缺失数据的情况，采用均值替换规则进行处理或者对缺失数据进行删除处理；

针对目标样本数据中存在高维数据的情况，进行特征提取降维处理。

上述进行特征提取降维处理，具体包括如下两种方式：

(1)采用线性特征提取算法，对目标样本数据中的数据特征进行稀疏降维，具体包括：

设有线性关系：t＝β^Tx+ε，通过以下公式进行优化：

其中T＝[t₁,…,t_N]^T,X＝[x₁,…,x_N]^T；

选择合适的正则化参数λ以将输入数据x从d维降至r(<d)维；其中X是N个样本数据的输入数据构成的N×d矩阵；T为输出数据构成的N×1矩阵。

(2)采用梯度学习算法，通过梯度分量的范数大小对原始数据的特征进行筛选，具体包括：

设有非线性关系：t＝f(x)+ε，通过以下公式进行优化：

得到梯度函数，利用梯度函数的分量的范数值大小选择前r个重要变量。

在执行步骤S13：将所述最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型之后，还包括以下步骤，参见图4所示：

S31：将验证样本数据代入基于随机多尺度核函数的库存量预测模型，对基于随机多尺度核函数的库存量预测模型的精确性进行验证。

验证样本数据与上述训练样本数据的输入格式一样，通过验证样本数据，检测商品库存量预测分布模型的精确性，以对模型中的参数进行修正和调整，通过不断的数据更新和积累，可以使上述模型的精确度变的越来越高，从而使其可信度大大增加。

本发明实施例能够通过训练样本数据在随机多尺度核学习框架中的训练，及交叉验证算法，得到最优模型参数，进一步确定出基于随机多尺度核函数的库存量预测模型，利用该模型对商品库存量进行预测，提高商品库存量预测结果的精确度和可信度，帮助商家自动化很多供应链过程中的决策，更精确的需求预测，能够大大地优化运营成本，降低收货时效，提升整个社会的供应链物流效率。

需要说明的是，本实施例所提供的方法除了可以对各种商品的库存量进行预测，还可以应用于其他的故障预警领域，当本实施例中的输入参数、输出参数为各种电压、电流值时，可以通过预测分布函数模型的输出结果进行设备故障预警等。

实施例二：

本发明实施例提供一种商品库存数量的预测装置，参见图5所示，该装置包括：数据获取模块41、模型参数确定模块42、模型确定模块43及库存量预测模块44。

其中，数据获取模块41，用于获取商品库存量预测的目标样本数据；目标样本数据包括：第一参数和第二参数所对应的数据；将第一参数作为输入参数；其中第一参数包括：商品属性参数、商品所处环境参数；将第二参数作为输出参数；其中第二参数包括：商品库存量；目标样本数据包括：训练样本数据和验证样本数据；模型参数确定模块42，用于将训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数；最优模型参数包括：最优参数对及其对应的核组合系数；模型确定模块43，用于将最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型；库存量预测模块44，用于将新的待预测输入参数数据输入基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。

此外，上述装置中还包括：数据预处理模块45，用于对目标样本数据进行预处理，具体包括：

针对目标样本数据中存在缺失数据的情况，采用均值替换规则进行处理或者对缺失数据进行删除处理；针对目标样本数据中存在高维数据的情况，进行特征提取降维处理。

本发明实施例所提供的商品库存数量的预测装置中，各个模块与前述商品库存数量的预测方法具有相同的技术特征，因此，同样可以实现上述功能。本装置中各个模块的具体工作过程参见上述方法实施例，在此不再赘述。

本发明实施例所提供的一种商品库存数量的预测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种商品库存数量的预测方法，其特征在于，包括：

获取商品库存量预测的目标样本数据；所述目标样本数据包括：第一参数和第二参数所对应的数据；将所述第一参数作为输入参数；其中所述第一参数包括：商品属性参数、商品所处环境参数；将所述第二参数作为输出参数；其中所述第二参数包括：商品库存量；所述目标样本数据包括：训练样本数据和验证样本数据；

将所述训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数；所述最优模型参数包括：最优参数对及其对应的核组合系数；

将所述最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型；

将新的待预测输入参数数据输入所述基于随机多尺度核函数的库存量预测模型，计算所述库存量预测模型的输出结果，作为所述新的待预测输入参数数据对应的商品预测库存量；

所述将所述训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数，具体包括：

确定m*n组参数{(λ_j,Ω_j):j＝1,…,mn}；

将所述训练样本数据代入所述随机多尺度核学习框架中，计算每一组参数(λ_j,Ω_j)对应的交叉误差；

将m*n组参数中交叉误差最小的一组参数作为最优参数，记作{λ^*,Ω^*}；

将所述最优参数及其对应的核组合系数{ξ_i ^*}作为最优模型参数；

其中，所述随机多尺度核学习框架为：

其中，

为函数空间；

K为高斯核函数：

σ_i∈[0,Ω]；

λ为正则化参数，惩罚项为||ξ||₁＝|ξ₁|+…+|ξ_m|，m为样本个数；

{ξ_i}为核组合系数。

2.根据权利要求1所述的方法，其特征在于，所述将所述训练样本数据代入所述随机多尺度核学习框架中，计算每一组参数(λ_j,Ω_j)对应的交叉误差，具体包括：

对于每一组参数(λ_j,Ω_j)，将所述训练样本数据随机等分为十份数据；

分别利用公式(1)计算其中任意九份数据的核组合系数{ξ_i}；

利用九个核组合系数得到的公式(1)在剩下的一份数据上计算均方误差，得到十个均方误差；

将所述十个均方误差求和，得到所述每一组参数(λ_j,Ω_j)对应的交叉误差。

3.根据权利要求1所述的方法，其特征在于，在所述将所述训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数之前，还包括：

对所述目标样本数据进行预处理，具体包括：

针对所述目标样本数据中存在缺失数据的情况，采用均值替换规则进行处理或者对缺失数据进行删除处理；

针对所述目标样本数据中存在高维数据的情况，进行特征提取降维处理。

4.根据权利要求3所述的方法，其特征在于，所述进行特征提取降维处理，具体包括：

采用线性特征提取算法，对所述目标样本数据中的数据特征进行稀疏降维，具体包括：

设有线性关系：t＝β^Tx+ε，通过以下公式进行优化：

其中T＝[t₁,…,t_N]^T,X＝[x₁,…,x_N]^T；

选择合适的正则化参数λ以将输入数据x从d维降至r维，其中r<d；其中X是N个样本数据的输入数据构成的N×d矩阵；T为输出数据构成的N×1矩阵；

或者，

采用梯度学习算法，通过梯度分量的范数大小对原始数据的特征进行筛选，具体包括：

设有非线性关系：t＝f(x)+ε，通过以下公式进行优化：

得到梯度函数，利用梯度函数的分量的范数值大小选择前r个重要变量。

5.根据权利要求1所述的方法，其特征在于，在所述将所述最优模型参数代入所述随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型之后，还包括：

将所述验证样本数据代入所述基于随机多尺度核函数的库存量预测模型，对所述基于随机多尺度核函数的库存量预测模型的精确性进行验证。

6.根据权利要求1所述的方法，其特征在于，所述商品包括：房屋；

所述商品属性参数包括：房屋户型、房屋面积、房屋地理位置；所述商品所处环境参数包括：房屋周边空气质量、房屋周边设施类型；所述商品库存量包括：房屋库存量。

7.一种商品库存数量的预测装置，其特征在于，包括：

数据获取模块，用于获取商品库存量预测的目标样本数据；所述目标样本数据包括：第一参数和第二参数所对应的数据；将所述第一参数作为输入参数；其中所述第一参数包括：商品属性参数、商品所处环境参数；将所述第二参数作为输出参数；其中所述第二参数包括：商品库存量；所述目标样本数据包括：训练样本数据和验证样本数据；

模型参数确定模块，用于将所述训练样本数据输入到随机多尺度核学习框架中进行训练，并通过交叉验证算法，得到最优模型参数；所述最优模型参数包括：最优参数对及其对应的核组合系数；

模型确定模块，用于将所述最优模型参数代入随机多尺度核函数中，得到基于随机多尺度核函数的库存量预测模型；

库存量预测模块，用于将新的待预测输入参数数据输入所述基于随机多尺度核函数的库存量预测模型，计算所述库存量预测模型的输出结果，作为所述新的待预测输入参数数据对应的商品预测库存量；

所述模型参数确定模块还用于：

确定m*n组参数{(λ_j,Ω_j):j＝1,…,mn}；

将所述训练样本数据代入所述随机多尺度核学习框架中，计算每一组参数(λ_j,Ω_j)对应的交叉误差；

将m*n组参数中交叉误差最小的一组参数作为最优参数，记作{λ^*,Ω^*}；

将所述最优参数及其对应的核组合系数{ξ_i ^*}作为最优模型参数；

其中，所述随机多尺度核学习框架为：

其中，

为函数空间；

K为高斯核函数：

σ_i∈[0,Ω]；

λ为正则化参数，惩罚项为||ξ||₁＝|ξ₁|+…+|ξ_m|，m为样本个数；

{ξ_i}为核组合系数。

8.根据权利要求7所述的装置，其特征在于，还包括：

数据预处理模块，用于对所述目标样本数据进行预处理，具体包括：

针对所述目标样本数据中存在缺失数据的情况，采用均值替换规则进行处理或者对缺失数据进行删除处理；

针对所述目标样本数据中存在高维数据的情况，进行特征提取降维处理。

9.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至6任一项所述的方法。

Images