CN109559163A - 一种基于机器学习的模型构建方法及销售预测方法 - Google Patents

一种基于机器学习的模型构建方法及销售预测方法 Download PDF

Info

Publication number
CN109559163A
CN109559163A CN201811368278.9A CN201811368278A CN109559163A CN 109559163 A CN109559163 A CN 109559163A CN 201811368278 A CN201811368278 A CN 201811368278A CN 109559163 A CN109559163 A CN 109559163A
Authority
CN
China
Prior art keywords
model
machine learning
method based
prediction
data
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
Application number
CN201811368278.9A
Other languages
English (en)
Inventor
蒋健波
兰俊杰
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.)
Guangzhou I-Mybest Network Technology Co Ltd
Original Assignee
Guangzhou I-Mybest Network Technology 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 Guangzhou I-Mybest Network Technology Co Ltd filed Critical Guangzhou I-Mybest Network Technology Co Ltd
Priority to CN201811368278.9A priority Critical patent/CN109559163A/zh
Publication of CN109559163A publication Critical patent/CN109559163A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的模型构建方法，包括以下步骤：数据处理步骤：对接收到的产品的历史数据进行处理以得到产品统计特征和促销特征；数据传输步骤：将产品统计特征和促销特征传输至LGB模型、WaveNet模型和LSTM模型中以进行数据处理；预测模型构建步骤：对经LGB模型、WaveNet模型和LSTM模型处理后的数据进行加权以得到预测模型。本发明还提供了一种基于机器学习的销售预测方法。本发明的一种基于机器学习的模型构建方法采用经典时间序列模型与深度学习模型等多个模型混合组成最终的预测模型，大大提高了产品销售的预测准确率，从而可以为用户提供更为准确的库存管理以及运营规划数据。

Description

一种基于机器学习的模型构建方法及销售预测方法
技术领域
本发明涉及一种机器学习技术领域，尤其涉及一种基于机器学习的模型构建方法及销售预测方法。
背景技术
目前，在互联网+的电商领域；传统的基于业务专家的经验对每个产品的销售进行预测，称之为专家法。其优点是快速、简洁；缺点就是准确率参差不齐。由于销售预测的准确性对库存管理、运营规划都有着举足轻重的影响。因此提高产品销售的预测准确率成为本领域技术人员所要亟待解决的技术问题。
现有的实施方案有如下方式：如发明授权专利CN201510133375.X中所提供的农产品产销决策方法、装置及系统，根据从数据库中获取的农产品的生长环境监测数据，预测未来几天的农产品的生产量，以生产量与当前库存量的和作为农产品的生产总量，根据生产总量以及农产品的市场数据，生成农产品的销售地及其对应的预售价格和分配量等数据，提高了农产品的产销决策效率和准确度。
以及发明专利申请CN201610041699.5中所提供的技术方案，可以基于可获得的商业数据和对不同销售价格之上的需求预测，以自动化、系统化的方式提供库存商品库存价值估算，并同时获得相应的销售方案，克服目前依赖人工随意决定销售方案无法实现库存商品最大价值的缺点。本申请的技术方案便于自动化处理，可以方便的对多种不同时长的销售周期、不同时长的总销售周期提供优化库存商品库存价值的估算方法和销售方案，从而为对库存商品的销售提供良好的决策辅助。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种基于机器学习的模型构建方法，其能提高预测模型的预测精度。
本发明的目的之二在于提供一种电子设备，其能提高预测模型的预测精度。
本发明的目的之三在于提供一种计算机可读存储介质，其能提高预测模型的预测精度。
本发明的目的之四在于提供一种基于机器学习的销售预测方法，其能提高预测结果的准确性。
本发明的目的之五在于提供一种计算机可读存储介质，其能提高预测结果的准确性。
本发明的目的之一采用如下技术方案实现：
一种基于机器学习的模型构建方法，包括以下步骤：
数据处理步骤：对接收到的产品的历史数据进行处理以得到产品统计特征和促销特征；
数据传输步骤：将产品统计特征和促销特征传输至LGB模型、WaveNet模型和LSTM模型中以进行数据处理；
预测模型构建步骤：对经LGB模型、WaveNet模型和LSTM模型处理后的数据进行加权以得到预测模型。
进一步地，在所述预测模型步骤中，通过权重搜索或者均值权重的方式对经LGB模型、WaveNet模型和LSTM模型处理后的数据进行加权以得到预测模型。
进一步地，所述产品统计特征包括最大值、最小值、中位数；所述促销特征包括促销次数和衰减指数。
进一步地，所述数据处理步骤：对接收到的历史数据进行处理以得到产品统计特征、促销特征和分类特征。
进一步地，在所述数据传输步骤中的LGB模型，采用label-encoding的方式将分类特征与产品关联；在WaveNet模型中，通过扩张因果卷积将分类特征以嵌入层的方式进入深度神经网络中。
进一步地，在数据传输步骤之后预测模型构建步骤之前还包括调参步骤：根据接收到的调参参数对LGB模型、WaveNet模型和LSTM模型进行调参；所述调参参数为LGB模型的树参数和WaveNet模型、LSTM模型的网络结构层参数。
本发明的目的之二采用如下技术方案实现：
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明目的之一中任意一项所述的一种基于机器学习的模型构建方法。
本发明的目的之三采用如下技术方案实现：
一种计算机可中读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明目的之一任意一项所述的一种基于机器学习的模型构建方法。
本发明的目的之四采用如下技术方案实现：
一种基于机器学习的销售预测方法，包括以下步骤：
获取步骤：获取历史销售值和预测参数；
预测步骤：根据所述历史销售值和预测参数与预测模型得到预测数值。
本发明的目的之五采用如下技术方案实现：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明目的之四中所述的一种基于机器学习的销售预测方法。
相比现有技术，本发明的有益效果在于：
本发明的一种基于机器学习的模型构建方法采用经典时间序列模型与深度学习模型等多个模型混合组成最终的预测模型，大大提高了产品销售的预测准确率，从而可以为用户提供更为准确的库存管理以及运营规划数据。
附图说明
图1为实施例一的基于机器学习的模型构建方法的流程图；
图2为实施例一中因果卷积结构图；
图3为实施例一中扩散因果卷积结构图；
图4为实施例一中的seq2seq架构图；
图5为实施例一中预测模型建模过程设计图；
图6为实施例四的基于机器学习的销售预测方法的流程图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
为了解决上述电商领域销售预测专家法以及简单移动平均统计方法准确率参差不齐的情况；本发明使用3个模型；LightGBM，WaveNet(CNN+DNN)，LSTM对历史销售数据(Time Series；时间序列TS)进行预测之后进行加权作为最后的预测模型。
LightGBM：将预测目标看作回归的问题进行预测；在商品销量预测中，可以有效将商品的属性(如类别、周期性)等离散特征与时间滑动窗口获取连续销量的连续特征结合。传统的移动平均法只能提取与时间相关的统计特征，无法对类别特征进行处理；同时无法一次预测多个商品(Mulit_Step)具体的预测如图5，其能解决一次预测多个商品的问题。
WaveNet(CNN+DNN)：主要成分是因果卷积(causal convolution)如图2；使用因果卷积我们在预测时间T的模型只与历史的最近有限个时间序列(X1,…,Xt-1)有关；扩散因果指数卷积(A dilated convolution)可以更充分地利用历史的数据，其中过滤器应用于大于其长度的区域，方法是通过某一步骤跳过输入值，如图3。DNN：上述的CNN自动提取特征后；利用DNN进行预测。将历史销售与未来销售的内容进行关联。
LSTM：将时间序列转化为seq2seq的监督预测问题；如图4(encoder state)状态变量；上一时间(段)状态变量和输入数据一起共同组成本次时间的输入。也就是说时间序列与滞后(lagged)时间序列之间存在相关性，因此可以使用LSTM进行解决。通过将上述三种模型进行组合能够很好的解决对未来数据进行预测的问题；从而进一步使得运营者对库存管理和运营规划提供对应的数据依据。
如图1所示，本实施例提供了一种基于机器学习的模型构建方法，包括以下步骤：
S101：对接收到的产品的历史数据进行处理以得到产品统计特征和促销特征；所述产品统计特征包括最大值、最小值、中位数；所述促销特征包括促销次数和衰减指数。还包括处理得到的分类特征。对每个产品在一个时间区间长度的统计特征(包括最大值、最小值、中位数等)以及促销特征进行构造：比如是否是促销；促销次数、衰减指数等，这里的特征差异主要表现在不同的促销类型的统计特征构造上。如果不对接收到的数据特征进行对应的处理，以使得送入到对应模型中的数据也更好的处理。促销特征不单单包括自己的促销，还可以包括平台的促销对产品销售的影响，比如天猫的双十一、618等等都属于一种促销方式，并且在构建促销特征的时候，也需要对其进行详细的概括，使得该模型可以获取更为丰富的特征，使得模型对各种情况有一种感知，从而提升模型预测的准确。
S102：将产品统计特征和促销特征传输至LGB模型、WaveNet模型和LSTM模型中以进行数据处理；在LGB模型中，采用label-encoding的方式将分类特征与产品关联；在WaveNet模型中，通过扩张因果卷积将分类特征以嵌入层的方式进入深度神经网络中。所有的Categorical features(星期几，产品类型等)，使用label-encoding的形式。其本质上是一种经典监督性机器学习的方法。其中Categorical features指的即是分类特征，通过设置分类特征能够更方便的对部分特征数据进行筛选和调取，大大提高了数据获取的便利性。
在WaveNet(CNN+DNN)中：在产品的统计特征以序列的形式进入DNN；Categoricalfeatures(星期几，产品类型等)则使用上述已经介绍的CNN(扩张因果卷积)进行Embeddings(嵌入层)的方式进入DNN。如上图5所示，需要注意的是在WaveNet架构下图4的Seq2Seq的模块将不使用；而是直接将处理好的特征进入FCN(DNN)。
模型设计的架构如下：16扩张因果卷积层；64fiters；width 2；指数增长型扩张因子(1,2,4,8,16,…,256)；2全连接层映射到最终输出。
在LSTM中，与WaveNet共享数据处理特征；进入模型框架。其中GRU架构如上图4所示；将真实时间序列值(lagged＝1；滞后因子可修改)以Inputs的形式进入Deconder。更直观地说，我们试图让DNN如何根据之前的时间间隔来预测。在预测时，该过程中的真实值将被每个先前时间步的预测值替换(也就是说，当在需要预测多步Mulit_step时，比如预测未来7天每一天的销售，由于序列连续所以我们把预测的结果当做下一次的输入，因为选取了lagged＝1，也即是滞后因子为1，使得能够预测未来几天中每一天的销售
在步骤S102之后还包括调参步骤：根据接收到的调参参数对LGB模型、WaveNet模型和LSTM模型进行调参；所述调参参数为LGB模型的树参数和WaveNet模型、LSTM模型的网络结构层参数。通过调节参数使得该预测模型能够更为的准确。
S103：对经LGB模型、WaveNet模型和LSTM模型处理后的数据进行加权以得到预测模型。进行加权的时候可以采用如下的方式进行加权处理，一种是权重搜索或者均值权重进行加权。用此模型预测TOP20的产品未来一个月的销售；准确率大概在80％左右。
本发明的一种基于机器学习的模型构建方法采用经典时间序列模型与深度学习模型等多个模型混合组成最终的预测模型，大大提高了产品销售的预测准确率，从而可以为用户提供更为准确的库存管理以及运营规划数据。大大提升了运营效率，不会使得因为销售量急剧增大而造成的备货不足或者由于备货过多而造成的浪费。
实施例二
实施例二公开了一种电子设备，该电子设备包括处理器、存储器以及程序，其中处理器和存储器均可采用一个或多个，程序被存储在存储器中，并且被配置成由处理器执行，处理器执行该程序时，实现实施例一的一种基于机器学习的模型构建方法。该电子设备可以是手机、电脑、平板电脑等等一系列的电子设备。
实施例三
实施例三公开了一种计算机可读存储介质，该存储介质用于存储程序，并且该程序被处理器执行时，实现实施例一的一种基于机器学习的模型构建方法。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(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的方法。
值得注意的是，上述基于内容更新通知装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
如图6所示，本实施例提供了一种基于机器学习的销售预测方法，包括以下步骤：
S201：获取历史销售值和预测参数；这里的预测参数指所需要预测的数据，比如未来一周的销售量等等。
S202：根据所述历史销售值和预测参数与预测模型得到预测数值。当库存的货物快消耗完的时候，可以通过输入未来一个月的预计销售量，从而得到一个对应的预测数值，运营人员可以根据这个数值来进行下单。针对于不同类型的产品，还可以设置不同的规则提醒，比如保存期限长的，可以不限制预测时间，如果保存期限比较短，当用户输入的时间过长，比如水果未来一年的销售，这个时候还可以通过提醒用户来警示这种类型的产品最好不要备过多的货，防止由于过期而导致的经营损失。
实施例五
实施例五公开了一种计算机可读存储介质，该存储介质用于存储程序，并且该程序被处理器执行时，实现实施例一的一种基于机器学习的销售预测方法。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(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的方法。
值得注意的是，上述基于内容更新通知装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种基于机器学习的模型构建方法，其特征在于，包括以下步骤：
数据处理步骤：对接收到的产品的历史数据进行处理以得到产品统计特征和促销特征；
数据传输步骤：将产品统计特征和促销特征传输至LGB模型、WaveNet模型和LSTM模型中以进行数据处理；
预测模型构建步骤：对经LGB模型、WaveNet模型和LSTM模型处理后的数据进行加权以得到预测模型。
2.如权利要求1所述的一种基于机器学习的模型构建方法，其特征在于，在所述预测模型步骤中，通过权重搜索或者均值权重的方式对经LGB模型、WaveNet模型和LSTM模型处理后的数据进行加权以得到预测模型。
3.如权利要求1所述的一种基于机器学习的模型构建方法，其特征在于，所述产品统计特征包括最大值、最小值、中位数；所述促销特征包括促销次数和衰减指数。
4.如权利要求1-3中任意一项所述的一种基于机器学习的模型构建方法，其特征在于，所述数据处理步骤：对接收到的历史数据进行处理以得到产品统计特征、促销特征和分类特征。
5.如权利要求4所述的一种基于机器学习的模型构建方法，其特征在于，在所述数据传输步骤中的LGB模型，采用label-encoding的方式将分类特征与产品关联；在WaveNet模型中，通过扩张因果卷积将分类特征以嵌入层的方式进入深度神经网络中。
6.如权利要求4所述的一种基于机器学习的模型构建方法，其特征在于，在数据传输步骤之后预测模型构建步骤之前还包括调参步骤：根据接收到的调参参数对LGB模型、WaveNet模型和LSTM模型进行调参；所述调参参数为LGB模型的树参数和WaveNet模型、LSTM模型的网络结构层参数。
7.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任意一项所述的一种基于机器学习的模型构建方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的一种基于机器学习的模型构建方法。
9.一种基于机器学习的销售预测方法，其特征在于，包括以下步骤：
获取步骤：获取历史销售值和预测参数；
预测步骤：根据所述历史销售值和预测参数与预测模型得到预测数值。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求9中所述的一种基于机器学习的销售预测方法。
CN201811368278.9A 2018-11-16 2018-11-16 一种基于机器学习的模型构建方法及销售预测方法 Pending CN109559163A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811368278.9A CN109559163A (zh) 2018-11-16 2018-11-16 一种基于机器学习的模型构建方法及销售预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811368278.9A CN109559163A (zh) 2018-11-16 2018-11-16 一种基于机器学习的模型构建方法及销售预测方法

Publications (1)

Publication Number Publication Date
CN109559163A true CN109559163A (zh) 2019-04-02

Family

ID=65866587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811368278.9A Pending CN109559163A (zh) 2018-11-16 2018-11-16 一种基于机器学习的模型构建方法及销售预测方法

Country Status (1)

Country Link
CN (1) CN109559163A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060016A (zh) * 2019-04-30 2019-07-26 深圳春沐源控股有限公司 生鲜备货方法、装置、计算机设备及存储介质
CN110264251A (zh) * 2019-05-31 2019-09-20 杭州博钊科技有限公司 表征现金流的数据组织形式与基于多任务学习的预测方法
CN110610382A (zh) * 2019-09-10 2019-12-24 浙江大搜车软件技术有限公司 车辆销售量预测方法、装置、计算机设备和存储介质
CN111127104A (zh) * 2019-12-25 2020-05-08 创新奇智(广州)科技有限公司 一种商品销量预测方法及系统
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
CN111882358A (zh) * 2020-07-30 2020-11-03 杭州翔毅科技有限公司 基于直播平台的数据管控方法、设备、存储介质及装置
CN113379125A (zh) * 2021-06-11 2021-09-10 武汉大学 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法
CN116308495A (zh) * 2023-05-22 2023-06-23 酒仙网络科技股份有限公司 一种基于大数据的白酒销售管理方法及系统
CN116882902A (zh) * 2023-09-06 2023-10-13 酒仙网络科技股份有限公司 基于酒品购销信息的仓储管理优化方法、系统及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
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
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
CN107665373A (zh) * 2016-07-29 2018-02-06 上海新飞凡电子商务有限公司 一种混合模型的电影票房预测方法
CN107832897A (zh) * 2017-11-30 2018-03-23 浙江工业大学 一种基于深度学习的股票市场预测方法
CN107944986A (zh) * 2017-12-28 2018-04-20 广东工业大学 一种o2o商品推荐方法、系统及设备
US10002322B1 (en) * 2017-04-06 2018-06-19 The Boston Consulting Group, Inc. Systems and methods for predicting transactions
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
CN108364092A (zh) * 2018-01-29 2018-08-03 西安理工大学 一种基于深度学习的餐饮业菜品销量预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
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
CN107665373A (zh) * 2016-07-29 2018-02-06 上海新飞凡电子商务有限公司 一种混合模型的电影票房预测方法
US10002322B1 (en) * 2017-04-06 2018-06-19 The Boston Consulting Group, Inc. Systems and methods for predicting transactions
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
CN107832897A (zh) * 2017-11-30 2018-03-23 浙江工业大学 一种基于深度学习的股票市场预测方法
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
CN107944986A (zh) * 2017-12-28 2018-04-20 广东工业大学 一种o2o商品推荐方法、系统及设备
CN108364092A (zh) * 2018-01-29 2018-08-03 西安理工大学 一种基于深度学习的餐饮业菜品销量预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MENGGANG LI等: "A time series approach for risk forecasting of individual stocks in the new three board market", 《2017 4TH INTERNATIONAL CONFERENCE ON INDUSTRIAL ECONOMICS SYSTEM AND INDUSTRIAL SECURITY ENGINEERING (IEIS)》 *
姜艳梅等: "基于数据挖掘的超市商品销量预测", 《数据挖掘》 *
张钠等: "面向连锁零售业的时间序列预测方法研究", 《工业工程与管理》 *
白杨等: "基于人工神经网络的商品销售额预测 ", 《宁波高等专科学校学报》 *
马超群等: "基于LSTM网络模型的菜品销量预测", 《现代计算机》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060016A (zh) * 2019-04-30 2019-07-26 深圳春沐源控股有限公司 生鲜备货方法、装置、计算机设备及存储介质
CN110264251B (zh) * 2019-05-31 2021-08-10 杭州博钊科技有限公司 表征现金流的数据组织形式与基于多任务学习的预测方法
CN110264251A (zh) * 2019-05-31 2019-09-20 杭州博钊科技有限公司 表征现金流的数据组织形式与基于多任务学习的预测方法
CN110610382A (zh) * 2019-09-10 2019-12-24 浙江大搜车软件技术有限公司 车辆销售量预测方法、装置、计算机设备和存储介质
CN111127104A (zh) * 2019-12-25 2020-05-08 创新奇智(广州)科技有限公司 一种商品销量预测方法及系统
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
CN111882358A (zh) * 2020-07-30 2020-11-03 杭州翔毅科技有限公司 基于直播平台的数据管控方法、设备、存储介质及装置
CN111882358B (zh) * 2020-07-30 2024-05-24 杭州翔毅科技有限公司 基于直播平台的数据管控方法、设备、存储介质及装置
CN113379125A (zh) * 2021-06-11 2021-09-10 武汉大学 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法
CN113379125B (zh) * 2021-06-11 2022-05-13 武汉大学 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法
CN116308495A (zh) * 2023-05-22 2023-06-23 酒仙网络科技股份有限公司 一种基于大数据的白酒销售管理方法及系统
CN116308495B (zh) * 2023-05-22 2023-08-15 酒仙网络科技股份有限公司 一种基于大数据的白酒销售管理方法及系统
CN116882902A (zh) * 2023-09-06 2023-10-13 酒仙网络科技股份有限公司 基于酒品购销信息的仓储管理优化方法、系统及存储介质
CN116882902B (zh) * 2023-09-06 2023-11-07 酒仙网络科技股份有限公司 基于酒品购销信息的仓储管理优化方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN109559163A (zh) 一种基于机器学习的模型构建方法及销售预测方法
CN109784806B (zh) 供应链控制方法、系统以及存储介质
Özceylan et al. Interactive fuzzy programming approaches to the strategic and tactical planning of a closed-loop supply chain under uncertainty
Özceylan et al. Fuzzy multi-objective linear programming approach for optimising a closed-loop supply chain network
Shi et al. Multi-agent based dynamic scheduling optimisation of the sustainable hybrid flow shop in a ubiquitous environment
Diabat et al. Supply chain risk management and its mitigation in a food industry
Yang et al. Multiple attribute decision-making methods for the dynamic operator allocation problem
Huang et al. The adaptation of product cost estimation techniques to estimate the cost of service
Bayrak et al. A fuzzy approach method for supplier selection
Tirkel Forecasting flow time in semiconductor manufacturing using knowledge discovery in databases
Paksoy et al. Fuzzy multi-objective optimization of a green supply chain network with risk management that includes environmental hazards
Fattahi et al. Investigating replenishment policies for centralised and decentralised supply chains using stochastic programming approach
Vahdani et al. A hybrid multi-stage predictive model for supply chain network collapse recovery analysis: a practical framework for effective supply chain network continuity management
Guajardo et al. Inventory management of spare parts in an energy company
Cao et al. Modelling on service capability maturity and resource configuration for public warehouse product service systems
Yang et al. Optimal acquisition policy in remanufacturing under general core quality distributions
Feng et al. An improved production planning method for process industries
CN107506845A (zh) 一种基于多模型融合的售电量预测方法及其系统
Nuzzolo et al. City logistics long-term planning: simulation of shopping mobility and goods restocking and related support systems
Akhoondi et al. A heuristic algorithm for master production scheduling problem with controllable processing times and scenario-based demands
Xiao et al. An optimization approach to risk decision-making of closed-loop logistics based on SCOR model
Ilgin An integrated methodology for the used product selection problem faced by third-party reverse logistics providers
Cheng et al. Intermittent demand forecasting in a tertiary pediatric intensive care unit
Tse et al. Improving postponement operation in warehouse: an intelligent pick-and-pack decision-support system
Li et al. Discrete event simulation analysis of a reservation-based, one-way car-sharing system

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: 20190402