CN109472648A - 销量预测方法及服务器 - Google Patents
销量预测方法及服务器 Download PDFInfo
- Publication number
- CN109472648A CN109472648A CN201811385269.0A CN201811385269A CN109472648A CN 109472648 A CN109472648 A CN 109472648A CN 201811385269 A CN201811385269 A CN 201811385269A CN 109472648 A CN109472648 A CN 109472648A
- Authority
- CN
- China
- Prior art keywords
- sales
- sales forecast
- history
- data
- sales volume
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，本发明是要解决现有销量预测的准确度不高的问题，提出一种销量预测方法，包括以下步骤：获取待预测产品的历史销量数据，对所述历史销量数据进行预处理；根据预处理后的历史销量数据分别建立多个不同的销量预测模型进行销量预测，得到多个初步销量预测结果；对所述各个销量预测模型的初步销量预测结果进行算术平均计算，得到最终的销量预测结果，通过对历史销量数据进行相应的预处理，得到最具有预测价值的历史销量数据，并根据该历史销量数据建立多个不同的销量预测模型，对不同销量预测模型的不同预测结果进行平均计算，得到最终的销量预测结果，从而提高销量预测的准确度，适用于各类产品的销量预测。
Description
技术领域
本发明涉及数据处理技术领域，具体来说涉及一种销量预测方法及服务器。
背景技术
在商品销售行业，销量的预测是一项不可缺少的重要指标，例如，在电视产品生产过程中，电视厂商往往需要预测未来的销量并结合自身的库存，来制定自己的生产计划，以及原材料的采购计划。不准确的销量预测结果，往往会导致厂商的电视产品积压，或者是造成供应短缺，将会严重影响厂家的良性发展。目前，产品销量预测的相关技术方案通常分为两种：一种是由专家结合自身在行业的经验，对产品的销量进行预测，这种方式由于主观性强，预测结果的准确度较差，另一种是收集历史销量数据，通过回归分析方法对销量进行预测，但实际中的历史销量数据分布不一，通过回归分析方法泛化性较差，预测结果也不准确，进而导致产品出现滞销和脱销等现象，影响公司盈利。
发明内容
本发明的目的是要解决现有销量预测的准确度不高的问题，提出一种销量预测方法及服务器。
本发明解决上述技术问题所采用的技术方案是：销量预测方法，包括以下步骤：
S01.获取待预测产品的历史销量数据，对所述历史销量数据进行预处理；
S02.根据预处理后的历史销量数据分别建立多个不同的销量预测模型进行销量预测，得到多个初步销量预测结果；
S03.对所述各个销量预测模型的初步销量预测结果进行算术平均计算，得到最终的销量预测结果。
具体的，为进一步提高销量预测的准确度，所述获取待预测产品的历史销量数据包括：
获取在当前时刻之前的指定时间段内待预测产品的销量大于第一预设值的历史销量数据。
具体的，为进一步提高销量预测的准确度，所述对所述历史销量数据进行预处理还包括：
剔除缺失率大于第二预设值的历史销量数据，对缺失率不大于第二预设值的历史销量数据的缺失部分进行填充。
具体的，为进一步提高销量预测的准确度，所述对缺失率不大于第二预设值的历史销量数据的缺失部分进行填充包括：
首尾两端的缺失数据通过前后最邻近数据插补进行填充，中间的缺失数据通过线性插补进行填充。
为进一步提高销量预测的准确度，所述对所述历史销量数据进行预处理还包括：
S11.获取历史销量数据的特征变量集合；
S12.删除所述特征变量集合中的近零方差变量、高相关度变量及线性组合变量；
S13.使用递归特征消除算法计算最佳变量组合，使用随机森林算法计算多个关键变量；
S14.选取所述最佳变量组合和所述多个关键变量的交集作为销量预测模型的输入变量。
具体的，为进一步提高销量预测的准确度，所述对所述历史销量数据进行预处理还包括：
将竞品数据、宏观数据、节假日数据、国家政策数据及市场推广数据加入所述历史销量数据中，根据不同的预测组织维度，创建不同字段和格式的历史销量数据，作为预处理后的历史销量数据。
具体的，为进一步提高销量预测的准确度，所述根据预处理后的历史销量数据分别建立多个销量预测模型进行销量预测包括：
根据预处理后的历史销量数据分别建立随机森林模型、GMB模型及LSTM模型进行待预测产品的销量预测。
具体的，为进一步提高销量预测的准确度，所述对所述各个销量预测模型的初步销量预测结果进行算术平均计算包括：
给每个销量预测模型分别赋予一个权重值，然后进行加权算术平均计算，得到最终的销量预测结果。
另一方面，本发明还提供一种服务器，所述服务器包括处理器、存储器和通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中的一个或多个计算机程序，以实现上述销量预测方法的步骤。
本发明的有益效果是：本发明所述的销量预测方法，通过对历史销量数据进行相应的预处理，得到最具有预测价值的历史销量数据，并根据该历史销量数据建立多个不同的销量预测模型，对不同销量预测模型的不同预测结果进行平均计算，得到最终的销量预测结果，使销量预测结果更具有说服力，提高销量预测的准确度。
附图说明
图1为本发明实施例所述的销量预测方法的一种流程示意图；
图2为本发明实施例所述的销量预测方法的另一种流程示意图。
具体实施方式
下面将结合附图对本发明的实施方式进行详细描述。
本发明所述的销量预测方法，包括以下步骤：首先，获取待预测产品的历史销量数据，对所述历史销量数据进行预处理；然后，根据预处理后的历史销量数据分别建立多个不同的销量预测模型进行销量预测，得到多个初步销量预测结果；最后，对所述各个销量预测模型的初步销量预测结果进行算术平均计算，得到最终的销量预测结果。
实施例
本发明实施例所述的销量预测方法，如图1所示，包括以下步骤：
S01.获取待预测产品的历史销量数据，对所述历史销量数据进行预处理；
其中，待预测产品为待进行销量预测的产品，该预测的产品可以根据需要设定或者选择，历史销量数据可以包括历史时间序列对应的销量，也可以包括特征变量集合对应的销量，以电视产品为例，特征变量集合可以包括电视产品的尺寸、型号和/或电视产品的其他参数信息，还可以包括历史交易的物流信息、客户信息等等，特征变量集合根据预测的需要选择。
S02.根据预处理后的历史销量数据分别建立多个不同的销量预测模型进行销量预测，得到多个初步销量预测结果；
将处理后的历史销量数据作为训练样本，建立多个不同的销量预测模型，具体可以为，建立多个初步销量预测模型，将历史销量数据中的历史时间序列作为初步销量预测模型的输入，将该历史时间序列对应的销量作为初步销量预测模型的输出，也可以将历史销量数据中的历史时间序列及特征变量集合作为初步销量预测模型的输入，将该历史时间序列及特征变量集合对应的销量作为初步销量预测模型的输出，进行初步销量预测模型的参数调整，在参数不断调整后，得到能够进行销量预测的多个销量预测模型，进行待预测产品的销量预测，得到多个初步销量预测结果，该多个销量预测结果的个数与销量预测模型的个数是对应的。
本实施例通过建立随机森林模型、GMB模型及LSTM模型为例进行说明，根据预处理后的历史销量数据分别建立随机森林模型、GMB模型及LSTM模型，进行待预测产品的销量预测，分别得到销量预测结果A、B、C。
S03.对所述各个销量预测模型的初步销量预测结果进行算术平均计算，得到最终的销量预测结果。
对上述销量预测结果进行算术平均计算，即计算A、B、C的平均值，为了使预测的结果更加准确，可采用加权算术平均计算各个销量预测结果，具体来说为，给每个销量预测模型分别赋予一个权重值，然后进行加权算术平均计算，得到最终的销量预测结果。
可选的，如图2所示，对历史销量数据进行筛选，具体为，所述获取待预测产品的历史销量数据包括：
获取在当前时刻之前的指定时间段内待预测产品的销量大于第一预设值的历史销量数据。
为了保证历史销量数据的可靠性，在获取的历史销量数据中，当前时刻之前的指定时间段内待预测产品的销量大于第一预设值，例如，近12个月中，至少6个月的销量大于10，近3个月的销量均大于20，近6个月的销量占总销量的1/6以上，等等，第一预设值可以根据实际需要设置。
可选的，如图2所示，对历史销量数据的确实数据进行处理，具体为，所述对所述历史销量数据进行预处理还包括：
剔除缺失率大于第二预设值的历史销量数据，对缺失率不大于第二预设值的历史销量数据的缺失部分进行填充。
可以理解的是，历史销售数据中的某个历史时间序列或者某个历史时间序列和特征变量集合对应的历史销量可能会存在缺失，因此，将缺失率大于第二预设值的历史销量数据剔除，将缺失率不大于第二预设值的历史销量数据的缺失部分进行填充，具体可以为，根据历史时间序列在历史销量数据首尾两端的缺失数据通过前后最邻近数据插补进行填充，中间的缺失数据通过线性插补进行填充，其中，第二预设值可以根据需要设置，如20％。
可选的，如图2所示，进行特征变量筛选，具体为，所述对所述历史销量数据进行预处理还包括：
S11.获取历史销量数据的特征变量集合；
特征变量集合可以包括历史交易中的特征变量，例如，产品型号、产品参数、历史交易客户信息、历史交易物流信息或其他与历史交易相关的特征变量。
S12.删除所述特征变量集合中的近零方差变量、高相关度变量及线性组合变量；
其中，近零方差变量为方差接近零的特征变量，表示该特征变量在历史销量数据中对历史销量几乎没有任何影响，高相关度变量为多个特征变量之间的存在很强的线性关系，表示该特征变量与其他特征变量具有直接关系，线性组合变量表示该特征变量为多个特征变量的线性组合，删除上述特征变量，提高历史销量数据的可靠性。
S13.使用递归特征消除算法计算最佳变量组合，使用随机森林算法计算多个关键变量；
可以理解的是，最佳变量组合表示对历史销量影响最大的多个特征变量的组合，关键变量表示对历史销量产生关键影响的特征变量，其中，关键变量的个数可以根据需要选择，如5个。
S14.选取所述最佳变量组合和所述多个关键变量的交集作为销量预测模型的输入变量。
可以理解的是，选取上述最佳变量组合和多个关键变量之间相同的特征变量作为训练销量预测模型时的输入变量，该特征变量对应的历史销量作为训练销量预测模型时的输出变量，进行初步销量预测模型的参数调整，完成销量预测模型的建立。
可选的，如图2所示，所述对所述历史销量数据进行预处理还包括：
将竞品数据、宏观数据、节假日数据、国家政策数据及市场推广数据加入所述历史销量数据中，根据不同的预测组织维度，创建不同字段和格式的历史销量数据，作为预处理后的历史销量数据。
其中，竞品数据可以表示其他品牌对应的待预测产品的参数、价格的维度销量及销售额等，宏观数据可以表示国家统计局公布的与待预测产品相关的数据信息，节假日数据表示国内外节假日与待预测产品相关的数据信息，如双11,618，国家政策数据表示国家政策下发的与待预测产品相关的数据信息，市场推广数据表示该公司下发的与待预测相关的数据信息，将上述数据采用数据融合技术加入历史销量数据中，进行相应的数据处理，即根据不同的预测维度，创建不同字段和格式的历史销量数据，加入初步销量预测模型进行训练。
基于上述技术方案，本发明实施例还提供一种服务器，所述服务器包括处理器、存储器和通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中的一个或多个计算机程序，以实现上述销量预测方法的步骤。
由于上述销量预测方法能够实现对待预测产品较高准确度的销量预测，因此，实现上述销量预测方法步骤的服务器同样能够实现对待预测产品较高准确度的销量预测。
Claims (9)
1.销量预测方法，其特征在于，包括以下步骤：
S01.获取待预测产品的历史销量数据，对所述历史销量数据进行预处理；
S02.根据预处理后的历史销量数据分别建立多个不同的销量预测模型进行销量预测，得到多个初步销量预测结果；
S03.对所述各个销量预测模型的初步销量预测结果进行算术平均计算，得到最终的销量预测结果。
2.如权利要求1所述的销量预测方法，其特征在于，所述获取待预测产品的历史销量数据包括：
获取在当前时刻之前的指定时间段内待预测产品的销量大于第一预设值的历史销量数据。
3.如权利要求1所述的销量预测方法，其特征在于，所述对所述历史销量数据进行预处理还包括：
剔除缺失率大于第二预设值的历史销量数据，对缺失率不大于第二预设值的历史销量数据的缺失部分进行填充。
4.如权利要求3所述的销量预测方法，其特征在于，所述对缺失率不大于第二预设值的历史销量数据的缺失部分进行填充包括：
首尾两端的缺失数据通过前后最邻近数据插补进行填充，中间的缺失数据通过线性插补进行填充。
5.如权利要求1所述的销量预测方法，其特征在于，所述对所述历史销量数据进行预处理还包括：
S11.获取历史销量数据的特征变量集合；
S12.删除所述特征变量集合中的近零方差变量、高相关度变量及线性组合变量；
S13.使用递归特征消除算法计算最佳变量组合，使用随机森林算法计算多个关键变量；
S14.选取所述最佳变量组合和所述多个关键变量的交集变量作为销量预测模型的输入变量。
6.如权利要求1所述的销量预测方法，其特征在于，所述对所述历史销量数据进行预处理还包括：
将竞品数据、宏观数据、节假日数据、国家政策数据及市场推广数据加入所述历史销量数据中，根据不同的预测组织维度，创建不同字段和格式的历史销量数据，作为预处理后的历史销量数据。
7.如权利要求1所述的销量预测方法，其特征在于，所述根据预处理后的历史销量数据分别建立多个销量预测模型进行销量预测包括：
根据预处理后的历史销量数据分别建立随机森林模型、GMB模型及LSTM模型进行待预测产品的销量预测。
8.如权利要求1所述的销量预测方法，其特征在于，所述对所述各个销量预测模型的初步销量预测结果进行算术平均计算包括：
给每个销量预测模型分别赋予一个权重值，然后进行加权算术平均计算，得到最终的销量预测结果。
9.服务器，其特征在于，所述服务器包括处理器、存储器和通信总线；
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行存储器中的一个或多个计算机程序，以实现如权利要求1至8任一项所述的销量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811385269.0A CN109472648A (zh) | 2018-11-20 | 2018-11-20 | 销量预测方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811385269.0A CN109472648A (zh) | 2018-11-20 | 2018-11-20 | 销量预测方法及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109472648A true CN109472648A (zh) | 2019-03-15 |
Family
ID=65674069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811385269.0A Pending CN109472648A (zh) | 2018-11-20 | 2018-11-20 | 销量预测方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472648A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390433A (zh) * | 2019-07-22 | 2019-10-29 | 国网河北省电力有限公司邢台供电分公司 | 一种订单预测方法、订单预测装置及终端设备 |
| CN110866790A (zh) * | 2019-11-26 | 2020-03-06 | 上海景域文化传播股份有限公司 | 一种景点门票销量预测系统及方法 |
| CN111445133A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 一种材料管理方法、装置、计算机设备和存储介质 |
| CN113065882A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 一种商品处理方法、装置及电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
| CN102819682A (zh) * | 2012-08-02 | 2012-12-12 | 清华大学 | 一种多阈值空间相关的浮动车数据清洗和修复算法 |
| CN106127879A (zh) * | 2016-06-24 | 2016-11-16 | 都城绿色能源有限公司 | 用于新能源发电设备的移动智能巡检管理系统及巡检方法 |
| CN106646430A (zh) * | 2016-12-26 | 2017-05-10 | 国家测绘地理信息局卫星测绘应用中心 | 一种基于地面探测器的激光足印中心确定方法 |
| 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 |
| CN107506845A (zh) * | 2017-07-07 | 2017-12-22 | 成都阜特科技股份有限公司 | 一种基于多模型融合的售电量预测方法及其系统 |
| CN107909401A (zh) * | 2017-11-14 | 2018-04-13 | 阮敬 | 一种基于大数据技术的满意度测算方法 |
| CN107967624A (zh) * | 2017-11-24 | 2018-04-27 | 四川长虹电器股份有限公司 | 一种业务活动销售预测模型的评价方法 |
| CN108182595A (zh) * | 2017-12-19 | 2018-06-19 | 山东浪潮云服务信息科技有限公司 | 一种制定运营策略方法及装置 |
| CN108492043A (zh) * | 2018-03-29 | 2018-09-04 | 南京财经大学 | 一种基于聚类算法的电力用户负荷测算方法 |
-
2018
- 2018-11-20 CN CN201811385269.0A patent/CN109472648A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
| CN102819682A (zh) * | 2012-08-02 | 2012-12-12 | 清华大学 | 一种多阈值空间相关的浮动车数据清洗和修复算法 |
| CN106127879A (zh) * | 2016-06-24 | 2016-11-16 | 都城绿色能源有限公司 | 用于新能源发电设备的移动智能巡检管理系统及巡检方法 |
| CN106646430A (zh) * | 2016-12-26 | 2017-05-10 | 国家测绘地理信息局卫星测绘应用中心 | 一种基于地面探测器的激光足印中心确定方法 |
| 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 |
| CN107506845A (zh) * | 2017-07-07 | 2017-12-22 | 成都阜特科技股份有限公司 | 一种基于多模型融合的售电量预测方法及其系统 |
| 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 |
| CN107909401A (zh) * | 2017-11-14 | 2018-04-13 | 阮敬 | 一种基于大数据技术的满意度测算方法 |
| CN107967624A (zh) * | 2017-11-24 | 2018-04-27 | 四川长虹电器股份有限公司 | 一种业务活动销售预测模型的评价方法 |
| CN108182595A (zh) * | 2017-12-19 | 2018-06-19 | 山东浪潮云服务信息科技有限公司 | 一种制定运营策略方法及装置 |
| CN108492043A (zh) * | 2018-03-29 | 2018-09-04 | 南京财经大学 | 一种基于聚类算法的电力用户负荷测算方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390433A (zh) * | 2019-07-22 | 2019-10-29 | 国网河北省电力有限公司邢台供电分公司 | 一种订单预测方法、订单预测装置及终端设备 |
| CN110866790A (zh) * | 2019-11-26 | 2020-03-06 | 上海景域文化传播股份有限公司 | 一种景点门票销量预测系统及方法 |
| CN113065882A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 一种商品处理方法、装置及电子设备 |
| CN111445133A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 一种材料管理方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bleaney et al. | The impact of terms of trade and real exchange rate volatility on investment and growth in sub-Saharan Africa | |
| CN109472648A (zh) | 销量预测方法及服务器 | |
| US20200090195A1 (en) | Electronic neural network system for dynamically producing predictive data using varying data | |
| WO2003040868A2 (en) | Preference information-based metrics | |
| CN108256802B (zh) | 基于人群搜索算法的多供应商订单分配云处理方法 | |
| US20210241293A1 (en) | Apparatuses, computer-implemented methods, and computer program products for improved model-based determinations | |
| CN102156932A (zh) | 一种客户再次购买意向预测方法及装置 | |
| CN107730386A (zh) | 投资组合产品的生成方法、装置、存储介质和计算机设备 | |
| US20130346150A1 (en) | System, method, and computer program product for forecasting sales | |
| Astuti et al. | Entrepreneurial marketing and marketing strategies of SMEs on marketing performance: an empirical analysis of fit | |
| CN107153977A (zh) | 网上交易平台中交易实体信用评估方法、装置及系统 | |
| CN107563816A (zh) | 电子商务网站的用户流失的预测方法及系统 | |
| Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
| Avetisyan et al. | Impacts of trade facilitation on modal choice and international trade flows | |
| CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
| KR102217886B1 (ko) | 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법 | |
| Zou | Endogenous production networks and gains from trade | |
| Tarsidin et al. | Nowcasting Household Consumption and Investment in Indonesia | |
| Kiran et al. | Analysis on the prediction of sales using various machine learning testing algorithms | |
| KR101677316B1 (ko) | 실질가치 지향적 브랜드가치 평가방법 | |
| CN113744024A (zh) | 一种商家匹配方法、装置、计算机设备及存储介质 | |
| KR20220163089A (ko) | 제품 공동구매 연계 시스템 및 방법 | |
| Vere et al. | Structural econometric modelling in Australia's livestock production and marketing systems: the potential benefits of model integration for industry analysis | |
| Ozhegov et al. | Ensemble Method for Censored Demand Prediction | |
| KR20210065668A (ko) | 블록체인을 이용한 신뢰 기반 금융 예측 정보 평가 플랫폼 및 이를 이용한 블록체인 기반의 금융 정보 제공 방법 |
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: 20190315 |