CN109658153A - 备件需求量的预测方法及装置,以及电子设备 - Google Patents
备件需求量的预测方法及装置,以及电子设备 Download PDFInfo
- Publication number
- CN109658153A CN109658153A CN201811586201.9A CN201811586201A CN109658153A CN 109658153 A CN109658153 A CN 109658153A CN 201811586201 A CN201811586201 A CN 201811586201A CN 109658153 A CN109658153 A CN 109658153A
- Authority
- CN
- China
- Prior art keywords
- period
- spare part
- data group
- data
- demand
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000015654 memory Effects 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 230000002123 temporal effect Effects 0.000 claims description 23
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 239000000047 product Substances 0.000 description 25
- 238000004590 computer program Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种备件需求量的预测方法,该方法包括:获取第一数据组,该第一数据组包括备件在当前时间点之前的第一预设时段内的需求量;根据第一数据组,采用长短时记忆网络模型得到初始预测数据;以及根据初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二预设时段内备件的预测需求量。本公开还提供了一种备件需求量的预测装置以及一种电子设备。
Description
技术领域
本公开涉及一种备件需求量的预测方法及装置,以及电子设备。
背景技术
随着市场竞争的日益激烈,快速响应市场需求成为各产品供应商生存和发展的根本,其中影响客户满意度非常关键的因素之一是客户的售后体验。
在实现本公开的过程中,发明人发现现有技术中至少存在如下问题:为了提升客户的售后满意度,往往对产品备件的需求量具有一定的要求以在达到客户满意,但与此同时为了考虑商家利益,还需要最小化库存冗余。现有的备件需求量的预测往往是根据备件的历史需求数据逐点对未来备件的需求量进行预测而后求和,其中,并未考虑到备件需求的时序关系,且考虑到备件需求数据的随机波动性较大,即使使用很复杂的模型也很难准确捕捉到各时间点的随机波动,因此备件需求量的预测结果不尽理想。
发明内容
本公开的一个方面提供了一种用于提高备件需求预测准确率的备件需求量的预测方法,包括:获取第一数据组,该第一数据组包括备件在当前时间点之前的第一时段内的需求量;根据第一数据组,采用长短时记忆网络模型得到初始预测数据;以及根据初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内备件的预测需求量。
可选地,上述第一时段包括多个第一周期,上述获取第一数据组包括:获取第一时段内各第一周期中备件的需求量;以及根据滑动平均模型,对由各第一周期中备件的需求量组成的时序数据进行预处理,得到第一数据组。
可选地,上述第一时段包括多个第一周期,上述备件需求量的预测方法还包括:获取第二数据组,该第二数据组包括由第一时段内各第一周期中包括备件且满足预设条件的物品的数量组成的时序数据;根据第一数据组,采用长短时记忆网络模型得到初始预测数据包括:以第一数据组和第二数据组作为长短时记忆网络模型的输入,输出初始预测数据。
可选地,上述第二时段包括多个第二周期,上述第二数据组还包括:当前时间点获取的第二时段内各第二周期中包括备件且满足预设条件的物品的数量组成的时序数据。
可选地,上述备件需求量的预测方法还包括:获取特征数据,该特征数据包括:备件的参数信息和包括备件的物品的参数信息;上述根据初始预测数据,采用卷积神经网络得到备件的预测数据量包括:以初始预测数据及特征数据作为卷积神经网络模型的输入,输出第二预设时段内备件的预测需求量、备件的参数信息及包括备件的物品的参数信息。
可选地,基于针对备件的独有标识码,获取第一数据组、第二数据组和/或特征数据。
可选地,上述特征数据还包括:所述第二时段的时间信息,该时间信息包括以下至少之一:年份、季度和/或月份;以及上述卷积神经网络模型被构建为:根据时间信息来设置所述卷积神经网络模型的模型参数。
可选地,在获取的第一数据组包括具有不同参数信息的多种备件在第一时段内的需求量的情况下,采用长短时记忆网络模型和卷积神经网络模型,根据每种备件在第一时段内的需求量,逐备件地得到第二预设时段内每种备件的预测需求量。
本公开的另一个方面提供了一种备件需求量的预测装置,包括第一数据组获取模块、初始预测模块和需求量预测模块。其中,第一数据组获取模块用于获取第一数据组,该第一数据组包括物品在当前时间点之前的第一时段内的需求量;初始预测模块用于根据第一数据组,采用长短时记忆网络模型得到初始预测数据;以及需求量预测模块用于根据初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内备件的预测需求量。
可选地,第一时段包括多个第一周期,上述第一数据组获取模块包括备件需求量获取子模块和数据组确定子模块。其中,需求量获取子模块用于获取第一时段内各第一周期中备件的需求量;数据组确定子模块用于根据滑动平均模型,对由各第一周期中备件的需求量组成的时序数据进行预处理,得到第一数据组。
可选地,第一时段包括多个第一周期,上述备件需求量的预测装置还包括第二数据组获取模块,用于获取第二数据组,该第二数据组包括由第一时段内各第一周期中包括备件且满足条件的物品的数量组成的时序数据,相应地,上述初始预测模块用于以第一数据组和第二数据组作为长短时记忆网络模型的输入,输出初始预测数据。
可选地,上述第二时段包括多个第二周期,上述第二数据组还包括:当前时间点获取的第二时段内各第二周期中包括备件且满足条件的物品的数量组成的时序数据。
可选地,上述备件需求量的预测装置还包括:特征数据获取模块,用于获取特征数据,该特征数据包括:备件的参数信息和包括备件的物品的参数信息;上述需求量预测模块用于以初始预测数据及特征数据作为卷积神经网络模型的输入,输出第二时段内备件的预测需求量、备件的参数信息及包括备件的物品的参数信息。
可选地,上述第一数据组获取模块、第二数据组获取模块和/或特征数据获取模块,基于针对备件的独有标识码,获取所述第一数据组、第二数据组和/或特征数据。
可选地,上述特征数据还包括:第二时段的时间信息,该时间信息包括以下至少之一:年份、季度和/或月份;上述卷积神经网络模型被构建为:根据时间信息来设置所述卷积神经网络模型的模型参数。
可选地,在第一数据组获取模块获取的第一数据组包括具有不同参数信息的多种备件在第一时段内的需求量的情况下,通过上述初始预测模块和需求量预测模块,采用长短时记忆网络模型和卷积神经网络模型,根据每种备件在第一时段内的需求量,逐备件地得到第二时间内每种备件的预测需求量。
本公开的另一方面提供了一种电子设备,包括一个或多个处理器;以及存储装置,用于存储一个或读个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上所述的备件需求量的预测方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的备件需求量的预测方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的备件需求量的预测方法。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的备件需求量的预测方法及装置、以及电子设备的应用场景;
图2示意性示出了根据本公开第一实施例的备件需求量的预测方法的流程图;
图3示意性示出了根据本公开实施例的获取第一数据组的流程图;
图4示意性示出了根据本公开第二实施例的备件需求量的预测方法的流程图;
图5示意性示出了根据本公开第三实施例的备件需求量的预测方法的流程图;
图6示意性示出了根据本公开第四实施例的备件需求量的预测方法的流程图;
图7示意性示出了根据本公开实施例的备件需求量的预测装置的框图;以及
图8示意性示出了根据本公开实施例的适于实现备件需求量的预测方法的电子设备的结构框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种备件需求量的预测方法及装置、以及电子设备。其中,备件需求量的预测方法包括:获取第一数据组,该第一数据组包括备件在当前时间点之前的第一时段内的需求量;根据第一数据组,采用长短时记忆网络模型得到初始预测数据;以及根据初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内备件的预测需求量。
图1示意性示出了根据本公开实施例的备件需求量的预测方法及装置、以及电子设备的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,本公开实施例的应用场景100可以包括终端设备111、112、113,网络120和服务器131。网络120用以在终端设备111、112、113和服务器131之间提供通信链路的介质。网络120可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备111、112、113可以响应于用户的操作,通过网络120与服务器131交互,以自服务器131中获取预定时段内的历史数据等。终端设备111、112、113上可以安装有各种客户端应用,例如数据处理类应用、搜索类应用、网页浏览器应用、即时通信工具等(仅为示例)。
终端设备111、112、113可以是具有显示屏并且支持数据处理的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器131可以是提供各种服务的服务器,例如对用户利用终端设备111、112、113所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的数据获取请求等进行响应,并将相应的数据(例如可以是备件需求时序数据、备件在保量时序数据、备件机型等)反馈给终端设备。
根据本公开的实施例,服务器131例如还可以对终端设备111、112、113发送的用户请求等数据进行分析等处理,具体例如可以根据终端设备发送的参数获取其存储的数据,对获取的数据进行处理以得到处理结果,并将处理结果(例如可以是分析得到的备件的预测需求量等)反馈给终端设备。
根据本公开的实施例,该应用场景100中在服务器131仅用于向终端设备提供预存数据的情况下,该服务器131例如还可以被数据库132替代,则终端设备111、112、113通过网络120与数据库132进行交互;或者该服务器131与数据库132共存,由数据库132提供预存数据,由服务器131对数据进行处理。
需要说明的是,本公开实施例所提供的备件需求量的预测方法一般可以由终端设备111、112、113或服务器131执行。相应地,本公开实施例所提供的备件需求量的预测装置一般可以设置于终端设备111、112、113或服务器131中。本公开实施例所提供的备件需求量的预测方法也可以由不同于终端设备111、112、113及服务器131且能够与终端设备111、112、113和/或服务器131通信的服务器或服务器集群执行。相应地,本公开实施例所提供的备件需求量的预测装置也可以设置于不同于终端设备111、112、113及服务器131且能够与终端设备111、112、113和/或服务器131通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开第一实施例的备件需求量的预测方法的流程图。
如图2所示,该备件需求量的预测方法包括操作S210-操作S230。
在操作S210,获取第一数据组,该第一数据组包括备件在当前时间点之前的第一时段内的需求量。
其中,上述备件具体可以是各企业为其已出售的物品的配件准备的替补件,以便于在客户购买的物品因配件出问题的情况下,向客户提供及时的售后服务。其中的物品具体例如是由各配件组装得到的产品,尤其是电子设备(例如台式机、笔记本电脑、平板电脑或手机)等长期使用的产品。
其中,所述的第一时段具体可以是由用户根据预测需求设定的,例如对于电子设备的备件,一般的预测需求为预测一个月或一个季度的备件需求量,则该第一时段例如可以相应地设定为一个月或一个季度。第一时段内的需求量具体是该备件在过去的第一时段内被用来替换相应配件的数量。
其中,为了便于进行后续处理,上述获取的第一数据组具体例如可以是该第一时段内各个相同的周期中备件需求量组成的时序数据,在第一数据组仅包括一种备件的历史需求量时,上述数据组具体可以是一维数据组,数据组中的每个数据代表备件一个周期的需求量,数据组中的不同数据代表备件在不同周期的需求量。
根据本公开的实施例,上述获取的第一数据组具体例如可以包括有多种备件在第一时段内的需求量,该多种备件中任意两种备件都有不同的参数信息。例如,两种不同的备件例如可以是具有相同功能、但具有不同型号,且应用于不同型号产品的两种备件,或者可以是具有不同功能的两种备件;或者可以是具有相同功能、但具有不同性能参数的两种备件等,此时第一数据组的维数则根据备件种类数来确定,若第一数据组包括n种备件的需求量,该第一数据组则为n维的数据组。
根据本公开的实施例,各个备件在第一时段内的需求量具体例如可以是根据针对各个备件独有的标识码以及第一时段的时间信息(具体可以是该第一时段的起始时间和终止时间等),从参考图1中的服务器131或数据库132中获取的。服务器131或数据库132中可以以针对各个备件独有的标识码作为索引存储各个备件历史上所有时段的需求量。其中,相同备件具体例如可以是指可以作为同一产品的同一配件、且具有相同性能的备件,因此在本公开实施例中,不同生产商、不同型号的备件可能是相同备件。
在操作S220,根据第一数据组,采用长短时记忆网络模型得到初始预测数据。
根据本公开的实施例,该操作S220具体可以是以第一数据组作为长短时记忆网络模型的输入,经由长短时记忆网络模型处理后,得到初始的预测数据。
其中,上述长短时记忆网络模型(LSTM)是预先采用训练数据训练好的模型,其中训练过程中采用的训练数据即为备件需求量的历史时序数据,训练目标为用户根据经验设定的包含时间信息的预测数据。
其中,考虑到LSTM模型实质上为循环神经网络(RNN),则在第一数据组为一维数据组,且该一维数据组包括n个数据时,上述经由长短时记忆网络模型的处理,实质上是以该第一数据组的第一个数据作为第一次循环的输入,经由第一次循环处理得到的第一输出及该第一数据组的第二个数据作为第二次循环的输入,同理,第二次循环处理得到的第二输出及第一数据组的第三个数据作为第三次循环的输入,依次类推,以第n-1次循环的输出及该一维数据组的第n个数据作为第n次循环的输入,最终第n次循环的输出即为上述操作S220得到的初始预测数据。
根据本公开的实施例,在第一数据组为多维数据组的情况下,则将该多维数据组中每一维的数据组依次作为长短时记忆网络模型的输入,且每一维的多个数据依次通过上述一维数据组的处理方式,经由长短时记忆网络模型处理后得到一组初始预测数据。
由于LSTM包括有门结构能够对信息进行筛选和限制,使得被记住的信息传递至下一循环,而不该被记住的信息则被门卡主,因此,可以使得网络模型能够记住长期的信息,以对后面的网络输出起作用。在上第一数据组由按时间先后顺序排列的各个周期的备件需求量组成的情况下,由于LSTM可以学习备件需求的时间长期依赖关系、充分考虑备件需求的时序关系,因此处理得到的初始预测数据是考虑了备件需求随时间的波动性得到的,因此再根据初始预测数据进行备件需求量的预测,会有效提高最终得到的备件的预测需求量的准确性。
在操作S230,根据初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内备件的预测需求量。
其中,上述操作S230具体即为,以初始预测数据作为卷积神经网络模型的输入,经由该卷积神经网络模型处理后得到备件的预测需求量。其中,对于第一数据组为一维数据组的情况下,则直接将操作S220得到的初始预测数据作为卷积神经网络模型的输入;对于第一数据组为多维数据组的情况下,则以操作S220中长短时记忆网络模型的输出作为卷积神经网络的输入,根据每种备件在第一时段内的需求量,逐备件地得到第二时段内每种备件的预测需求量。
其中,第二时段具体可以是用户根据实际需求设定的,该第二时段的时长具体取决于上述第一时段的时长,例如,在第一时段当前时间点之前的一个月的情况下,第二时段则可以为当前时间点之后的一个月;或者,在第一时段为当前时间点之前的三个月的情况下,该第二时段也可以为当前时间点之后的一个月。该第二时段及第一时段的具体设定可以取决于对长短时记忆网络模型及卷积神经网络模型的训练过程,在此不再赘述。
其中,卷积神经网络模型具体例如可以是多层感知机模型,该多层感知机通过多个全链接层的堆叠,可以充分挖掘初始预测数据的信息,实现对长短时记忆网络模型的补充,从而得到相较于初始预测数据更为准确的备件的预测需求量。
根据本公开的实施例,上述卷积神经网络模型与长短时记忆网络模型具体例如可以以用户根据经验设定的备件的需求量作为目标,以备件需求历史时序数据作为训练数据输入长短时记忆网络模型,并以长短时记忆网络模型的输出作为卷积神经网络模型的输入进行整体训练,其中长短时记忆网络模型与卷积神经网络模型的层数及每层参数的初始值可以由用户根据实际需求进行设定。
综上可知,本公开实施例的备件需求量的预测方法由于将长短时记忆网络模型与卷积神经网络模型相结合来对备件需求量进行预测,不仅能够充分考虑备件需求的时序关系,还可以充分挖掘考虑了时序关系的预测数据的信息,因此可以有效提高备件需求预测的准确率,能够在一定程度上提升客户的售后满意度,并在一定程度上降低备件供应链的运营成本。
图3示意性示出了根据本公开实施例的获取第一数据组的流程图。
如图3所示,参考图2的操作S210具体例如可以包括操作S311-操作S312,以获取得到第一数据组,且上述的第一时段包括多个等长的第一周期。
具体地,在操作S311,获取第一时段内各第一周期中备件的需求量;在操作S312,根据滑动平均模型,对由各第一周期中备件的需求量组成的时序数据进行预处理,得到第一数据组。
其中,上述操作S311-操作S312具体可以是:先根据针对一种或多种备件独有的标识码,自参考图1中的服务器131或数据库132获取第一时段内备件的需求量数据,然后对该一种或多种备件的第一时段内的需求量数据分别进行求和处理,以得到一种或多种备件各第一周期中的需求总量,然后将该一种或多种备件的各第一周期的需求总量按时间顺序及备件种类进行排序,得到该一种或多种备件各第一周期的需求量组成的一维或多维的时序数据,每一维代表一种备件的需求量;然后根据滑动平均模型,对每一维时序数据进行预处理,最终得到预处理后的第一数据组。可以理解的是,在预测多种备件的需求量的情况下,也可以依次获取多种备件的需求量,并对每种备件的需求量进行预处理得到一个一维的第一数据组,则对多种备件的需求量进行预处理得到的多个一维的第一数据组可以依次作为长短时记忆网络模型的输入。
其中,第一周期的时长具体可以由用户根据经验设定,第一时段根据第一周期的时长可以分为多个相等的周期,每个周期备件的需求量则指该周期内备件的总需求量,例如,在第一时段为当前时间点之前的一个月时,第一周期的时长例如可以为6天,则由各第一周期中备件的需求量组成的时序数据包括有5个数据。
其中,上述的滑动平均模型的基本思想是:根据时间序列、逐项推移,依次计算包含一定项数的序时平均值,来反应长期趋势的方法。该滑动平均模型具体例如可以是用于采用滑动平均的计算公式,对原始的时间序列数据Yt,t=1,2,3……进行处理的计算模型,则只要输入该原始的时间序列数据,即上述描述的各第一周期中备件的需求量组成的时序数据,就可得到上述的第一数据组。其中,上述滑动平均的计算公式例如可以为:
其中,w为滑动平均窗宽,该滑动平均窗宽的设定值一般取决于上述第二时段的取值,为滑动平均处理后的时间序列数据,即为上述的第一数据组。
考虑到直接求和得到的时序数据中各数值由于受周期变动和随机波动的影响,存在起伏较大、不易显示出备件需求量的变化趋势的缺陷。采用本公开实施例获取第一数据组的方法,在获取到时序数据后,通过采用滑动平均模型对时序数据进行预处理,可以在一定程度上消除周期变动和随机波动的影响,减弱数据的随机波动,从而使得预处理得到的第一数据组更能反映备件需求量的变化趋势,以预处理得到的第一数据组作为预测的基础数据,可以在一定程度上提高备件需求量的预测结果的准确性。
图4示意性示出了根据本公开第二实施例的备件需求量的预测方法的流程图。
如图4,本公开实施例的备件需求量的预测方法除了参考图2描述的操作S210和操作S230外,还包括操作S410-操作S420。
在操作S410,获取第二数据组,该第二数据组包括由第一时段内各第一周期中包括备件且满足条件的物品的数量组成的时序数据。
其中,包括备件的物品具体例如可以是以备件作为配件的产品,例如,在备件为处理器的情况下,包括备件的物品可以是手机、笔记本电脑、平板电脑、台式电脑等。第一时段内满足条件的物品具体例如可以是:第一时段属于产品保修期内时段的已出售的产品。则上述获取的第二数据组即包括:第一时段内各第一周期中包括上述备件且在保修期内的产品的数量组成的时序数据。
根据本公开的实施例,考虑到多种型号的产品可能具有相同的配件,因此上述第二数据组中物品的数量可能是多种型号产品满足上述条件的数量总和,且上述的第二数据组具体例如也可以是根据针对备件的独有标识码,自参考图1中的服务器131或数据库132中获取的,且该第二数据组与第一数据组具体例如可以是同时获取得到的,或者依次获取得到的。
根据本公开的实施例,上述第二时段例如可以包括有多个等长的第二周期,为了尽可能使得备件的需求量的预测结果满足未来第二时段内的需求,第二数据组例如还可以包括有:当前时间点获取的第二时段内各第二周期中包括备件且满足条件的物品的数量组成的时序数据,该时序数据具体可以是:第二时段内各第二周期中包括上述备件且在保修期内的产品的数量组成的时序数据,即当前时间统计到的已出售产品在未来第二时段内的各第二周期中属于保修期的产品数量组成的时序数据。其中,第二周期的时长具体可以根据第一周期时长确定,以保证第一数据组和第二数据组中包括的数值个数相同。
根据本公开的实施例,在通过上述操作S410获取了第二数据组的情况下,参考图2描述的操作S220则变更为参考图4描述的操作S420,以第一数据组和第二数据组作为长短时记忆网络模型的输入,输出初始预测数据。该操作S420具体可以是,以第一数据组中的第一个数据与第二数据组中的第一个数据作为长短时记忆网络模型的第一次循环的输入,输出得到第一输出结果;然后以第一输出结果、第一数据组中的第二个数据、第二数据组中的第二个数据作为长短时记忆网络模型的第二次循环的输入,输出得到第二输出结果,以第二输出结果、第一数据组中的第三个数据、第二数据组中的第三个数据作为第三次循环的输入,依次类推,直至第一数据组和第二数据组中的所有数据都被处理,最终输出的结果即为初始预测数据。
综上可知,由于本公开实施例的备件需求量的预测方法中,长短时记忆网络模型的输入不仅包括备件的历史数据(第一数据组),还包括备件在保量时序数据(即上述的第二数据组)。因此,在进行预测时,综合考虑备件的历史需求及包括备件的物品在保修期内的数量值,可以在一定程度上确定包括备件的物品的维修率,从而能够进一步的确定备件需求的变化趋势,进一步地提高备件需求量的预测准确率。
图5示意性示出了根据本公开第三实施例的备件需求量的预测方法的流程图。
如图5所示,本公开实施例的备件需求量的预测方法除了参考图2描述的操作S210-操作S220外,例如还可以包括操作S510-操作S520。
在操作S510,获取特征数据,该特征数据包括备件的参数信息和包括备件的物品的参数信息。
其中,备件的参数信息具体例如可以包括:该备件所有可能的生产商、各生产商对应的产品型号和/或备件名称等;包括备件的物品的参数信息例如可以包括:物品的型号和/或物品名称等。该特征数据具体例如也可以是根据针对备件的独有标识码,自服务器131或数据库132中获取的,以用于补充完善预测结果。或者,在服务器131或数据库132中未存储该特征数据的情况下,该特征数据还可以由用户通过终端设备111、112、113输入得到。再者,该特征数据例如可以与第一数据组同时获取,或者在得到第一数据组之后获取,本公开对该特征数据的获取方式及时机不作限定。
根据本公开的实施例,在通过上述操作S510获取了特征数据的情况下,参考图2描述的操作S230则变更为参考图5描述的操作S520,以初始预测数据及特征数据作为卷积神经网络模型的输入,输出第二时段内备件的预测需求量、备件的参数信息及包括备件的物品的参数信息。其中,由于上述特征数据包括的备件的参数信息和包括备件的物品的参数信息可以通过卷积神经网络模型,与备件的预测需求量同时输出,因此可以进一步补充卷积神经网络模型的输出信息,使得用户通过该卷积神经网络模型的输出即可明确得知当前的预测需求量是可以应用于哪些产品的哪些备件的预测值,而无需再根据获取第一数据组的标识码确定备件类型,以及根据备件与产品的对照表确定该备件可以适用的产品,从而便于用户直接根据该输出结果进行相应备件的采购。
根据本公开的实施例,包括备件的产品的购买量及维修量可能会根据不同时间而具有不同的值,例如,包括备件的产品在夏季或冬季等促销季的购买量较大,产品的保修期通常为一年或两年,且用户通常倾向于在保修期即将结束的时段进行售后维修,则备件在夏季或冬季等促销季的需求量也会相应大一些。考虑到该备件需求量的时间相关性,上述的特征数据还可以包括第二时段的时间信息,该时间信息例如可以包括以下至少之一:年份、季度和/或月份,该时间信息具体可以是用于表征该第二时段所属年份、所属季节或所属月份的信息。因此上述操作S520中的卷积神经网络模型同时以该第二时段的时间信息作为输入,使卷积神经网络模型处理得到的预测值与第二时段的时间信息相关,使得备件的预测需求量更为符合实际需求。
考虑到备件需求量的时间相关性,在进行卷积神经网络模型训练时,还需要同时将时间信息作为部分的训练数据,以使得训练得到的卷积神经网络模型的各个模型参数与时间信息具有关联关系,即卷积神经网络模型被构建为:根据时间信息来设置卷积神经网络模型的模型参数,以使卷积神经网络模型通过上述的操作S520得到的预测需求量与第二时段的时间信息相关。
图6示意性示出了根据本公开第四实施例的备件需求量的预测方法的流程图。
如图6所示,本公开实施例的备件需求量的预测方法,具体可以包括以下步骤:首先根据针对备件的独有标识码从服务器和/或数据库中获取备件需求时序数据(具体可以是执行参考图3描述的操作S311);然后对该备件需求时序数据进行滑动平均处理,得到预处理后的时序数据(具体可以是执行参考图3描述的操作S322);然后以预处理后的时序数据及备件在保量时序数据(具体可以是通过参考图4中的操作S410获取的第二数据组)作为长短时记忆网络模型的输入,输出得到初始预测数据;最后以初始预测数据与备件机型等特征参数(具体可以是通过参考图5中的操作S510获取的特征数据)作为多层感知机模型的输入,输出得到备件的预测需求量。
综上可知,本公开实施例的备件需求量的预测方法,通过对备件需求时序数据进行滑动平均处理,可以减弱数据的随机波动,且滑动平均处理后的数据先经由长短时记忆网络模型得到初始预测数据,则可以在预测中充分考虑备件需求的时序关系,且在预测处理中,同时输入了备件在保量时序数据及备件机型等特征数据,因此,通过本公开实施例的备件需求量的预测方法,可以有效提高备件需求量的预测精度。
图7示意性示出了根据本公开实施例的备件需求量的预测装置的框图。
如图7所示,本公开实施例的备件需求量的预测装置700包括第一数据组获取模块710、初始预测模块720和需求量预测模块730。
其中,第一数据组获取模块710用于获取第一数据组,该第一数据组例如包括物品在当前时间点之前的第一时段内的需求量。根据本公开的实施例,该第一数据组获取模块710例如可以用于执行参考图2描述的操作S210,在此不再赘述。
其中,初始预测模块720用于根据第一数据组,采用长短时记忆网络模型得到初始预测数据。根据本公开的实施例,该初始预测模块720例如可以用于执行参考图2描述的操作S220,在此不再赘述。
其中,需求量预测模块730用于根据初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内备件的预测需求量。根据本公开的实施例,该需求量预测模块730例如可以用于执行参考图2描述的操作S230,在此不再赘述。
根据本公开的实施例,上述第一时段包括多个第一周期,上述第一数据组获取模块710例如可以包括备件需求量获取子模块711和数据组确定子模块712。其中,需求量获取子模块711用于获取第一时段内各第一周期中备件的需求量;数据组确定子模块712用于根据滑动平均模型,对由各第一周期中备件的需求量组成的时序数据进行预处理,得到第一数据组。根据本公开的实施例,备件需求量获取子模块711和数据组确定子模块712例如可以分别用于执行参考图3描述的操作S311和操作S312,在此不再赘述。
根据本公开的实施例,上述第一时段包括多个第一周期,上述备件需求量的预测装置700例如还可以包括第二数据组获取模块740,用于获取第二数据组,其中,第二数据组例如可以包括由第一时段内各第一周期中包括备件且满足条件的物品的数量组成的时序数据。相应地,上述的初始预测模块720可以用于以第一数据组和第二数据组作为长短时记忆网络模型的输入,输出初始预测数据。根据本公开的实施例,第二数据组获取模块740例如可以用于执行参考图4描述的操作S410,相应地,初始预测模块720还可以用于执行参考图4描述的操作S420,在此不再赘述。
根据本公开的实施例,上述第二时段包括多个第二周期,上述第二数据组例如还可以包括当前时间点获取的第二时段内各第二周期中包括备件且满足条件的物品的数量组成的时序数据。
根据本公开的实施例,如图7所示,上述备件需求量的预测装置700例如还可以包括特征数据获取模块750,用于获取特征数据,该特征数据可以包括备件的参数信息和包括备件的物品的参数信息。相应地,上述的需求量预测模块730具体可以用于以初始预测数据及特征数据作为卷积神经网络模型的输入,输出第二时段内备件的预测需求量、备件的参数信息及包括备件的物品的参数信息。根据本公开的实施例,特征数据获取模块750例如可以用于执行参考图5描述的操作S510,相应地,需求量预测模块730还可以用于执行参考图5描述的操作S520,在此不再赘述。
根据本公开的实施例,上述特征数据例如还可以包括:第二时段的时间信息,该时间信息包括以下至少之一:年份、季度和/或月份,相应地,上述卷积神经网络模型被构建为:根据时间信息来设置卷积神经网络模型的模型参数。
根据本公开的实施例,上述的第一数据组获取模块710、第二数据组获取模块740和/或特征数据获取模块750,具体可以用于基于针对备件的独有标识码,获取所述第一数据组、第二数据组和/或特征数据。
根据本公开的实施例,在第一数据组获取模块710获取的第一数据组包括具有不同参数信息的多种备件在第一时段内的需求量的情况下,通过上述初始预测模块720和需求量预测模块730,采用长短时记忆网络模型和卷积神经网络模型,根据每种备件在第一时段内的需求量,逐备件地得到第二时间内每种备件的预测需求量。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一数据组获取模块710、初始预测模块720、需求量预测模块730、第二数据组获取模块740、特征数据获取模块750、备件需求量获取子模块711以及数据组确定子模块712中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一数据组获取模块710、初始预测模块720、需求量预测模块730、第二数据组获取模块740、特征数据获取模块750、备件需求量获取子模块711以及数据组确定子模块712中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一数据组获取模块710、初始预测模块720、需求量预测模块730、第二数据组获取模块740、特征数据获取模块750、备件需求量获取子模块711以及数据组确定子模块712中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现备件需求量的预测方法的电子设备的结构框图。
如图8所示,电子设备800包括处理器810和计算机可读存储介质820。该电子设备800可以执行根据本公开实施例的方法。
具体地,处理器810例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器810还可以包括用于缓存用途的板载存储器。处理器810可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质820,例如可以是非易失性的计算机可读存储介质,具体示例包括但不限于:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;等等。
计算机可读存储介质820可以包括计算机程序821,该计算机程序821可以包括代码/计算机可执行指令,其在由处理器810执行时使得处理器810执行根据本公开实施例的方法或其任何变形。
计算机程序821可被配置为具有例如包括计算机程序模块的计算机程序代码。例如,在示例实施例中,计算机程序821中的代码可以包括一个或多个程序模块,例如包括821A、模块821B、……。应当注意,模块的划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合,当这些程序模块组合被处理器810执行时,使得处理器810可以执行根据本公开实施例的方法或其任何变形。
根据本发明的实施例,第一数据组获取模块710、初始预测模块720、需求量预测模块730、第二数据组获取模块740、特征数据获取模块750、备件需求量获取子模块711以及数据组确定子模块712中的至少一个可以实现为参考图8描述的计算机程序模块,其在被处理器810执行时,可以实现上面描述的相应操作。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (10)
1.一种备件需求量的预测方法,包括:
获取第一数据组,所述第一数据组包括所述备件在当前时间点之前的第一时段内的需求量;
根据所述第一数据组,采用长短时记忆网络模型得到初始预测数据;以及
根据所述初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内所述备件的预测需求量。
2.根据权利要求1所述的方法,其中,所述第一时段包括多个第一周期;所述获取第一数据组包括:
获取所述第一时段内各第一周期中所述备件的需求量;以及
根据滑动平均模型,对由所述各第一周期中所述备件的需求量组成的时序数据进行预处理,得到所述第一数据组。
3.根据权利要求1所述的方法,其中,所述第一时段包括多个第一周期;所述方法还包括:
获取第二数据组,所述第二数据组包括由所述第一时段内各第一周期中包括所述备件且满足条件的物品的数量组成的时序数据;以及
所述根据所述第一数据组,采用长短时记忆网络模型得到初始预测数据包括:
以所述第一数据组和所述第二数据组作为所述长短时记忆网络模型的输入,输出所述初始预测数据。
4.根据权利要求3所述的方法,其中,所述第二时段包括多个第二周期;所述第二数据组还包括:
当前时间点获取的所述第二时段内各第二周期中包括所述备件且满足所述条件的物品的数量组成的时序数据。
5.根据权利要求1所述的方法,还包括:
获取特征数据,所述特征数据包括:所述备件的参数信息和包括所述备件的物品的参数信息;
所述根据所述初始预测数据,采用卷积神经网络得到所述备件的预测数据量包括:
以所述初始预测数据及所述特征数据作为所述卷积神经网络模型的输入,输出所述第二时段内所述备件的预测需求量、所述备件的参数信息及包括所述备件的物品的参数信息。
6.根据权利要求5所述的方法,其中:
基于针对所述备件的独有标识码,获取所述第一数据组、第二数据组和/或特征数据。
7.根据权利要求5所述的方法,其中:
所述特征数据还包括:所述第二时段的时间信息,所述时间信息包括以下至少之一:年份、季度和/或月份;以及
所述卷积神经网络模型被构建为:根据时间信息来设置所述卷积神经网络模型的模型参数。
8.根据权利要求1所述的方法,其中,在获取的第一数据组包括具有不同参数信息的多种备件在所述第一时段内的需求量的情况下,采用所述长短时记忆网络模型和所述卷积神经网络模型,根据每种备件在所述第一时段内的需求量,逐备件地得到所述第二时段内每种备件的预测需求量。
9.一种备件需求量的预测装置,包括:
第一数据组获取模块,用于获取第一数据组,所述第一数据组包括所述物品在当前时间点之前的第一时段内的需求量;
初始预测模块,用于根据所述第一数据组,采用长短时记忆网络模型得到初始预测数据;以及
需求量预测模块,用于根据所述初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内所述备件的预测需求量。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811586201.9A CN109658153B (zh) | 2018-12-24 | 2018-12-24 | 备件需求量的预测方法及装置,以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811586201.9A CN109658153B (zh) | 2018-12-24 | 2018-12-24 | 备件需求量的预测方法及装置,以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109658153A true CN109658153A (zh) | 2019-04-19 |
CN109658153B CN109658153B (zh) | 2023-10-27 |
Family
ID=66116593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811586201.9A Active CN109658153B (zh) | 2018-12-24 | 2018-12-24 | 备件需求量的预测方法及装置,以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658153B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796487A (zh) * | 2019-10-18 | 2020-02-14 | 上海钧正网络科技有限公司 | 数量预测方法、装置、计算机设备和存储介质 |
CN110889490A (zh) * | 2019-11-13 | 2020-03-17 | 联想(北京)有限公司 | 预测方法、装置、计算设备以及介质 |
CN112668746A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 一种备用模块需求预测方法、装置、存储介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000305617A (ja) * | 1999-02-19 | 2000-11-02 | Nec Corp | データ処理方法および装置、情報記憶媒体 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN106934486A (zh) * | 2017-01-18 | 2017-07-07 | 四川航空股份有限公司 | 飞机航材周转件备件需求预测模型 |
CN107292429A (zh) * | 2017-06-07 | 2017-10-24 | 上海欧睿供应链管理有限公司 | 一种基于需求特性分析的需求预测模型选择方法 |
CN107832908A (zh) * | 2017-09-29 | 2018-03-23 | 深圳供电局有限公司 | 一种基于缺陷数据的备品备件需求预测方法 |
CN108537399A (zh) * | 2017-03-02 | 2018-09-14 | 华为技术有限公司 | 一种物料需求量的预测方法及装置 |
CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
-
2018
- 2018-12-24 CN CN201811586201.9A patent/CN109658153B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000305617A (ja) * | 1999-02-19 | 2000-11-02 | Nec Corp | データ処理方法および装置、情報記憶媒体 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN106934486A (zh) * | 2017-01-18 | 2017-07-07 | 四川航空股份有限公司 | 飞机航材周转件备件需求预测模型 |
CN108537399A (zh) * | 2017-03-02 | 2018-09-14 | 华为技术有限公司 | 一种物料需求量的预测方法及装置 |
CN107292429A (zh) * | 2017-06-07 | 2017-10-24 | 上海欧睿供应链管理有限公司 | 一种基于需求特性分析的需求预测模型选择方法 |
CN107832908A (zh) * | 2017-09-29 | 2018-03-23 | 深圳供电局有限公司 | 一种基于缺陷数据的备品备件需求预测方法 |
CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
Non-Patent Citations (2)
Title |
---|
张冬等: "基于BP神经网络和设备特性的工业设备备件需求预测", 《机械设计与研究》 * |
林琳等: "基于特征合成的周期性备件需求预测方法", 《哈尔滨工业大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668746A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 一种备用模块需求预测方法、装置、存储介质及设备 |
CN110796487A (zh) * | 2019-10-18 | 2020-02-14 | 上海钧正网络科技有限公司 | 数量预测方法、装置、计算机设备和存储介质 |
CN110889490A (zh) * | 2019-11-13 | 2020-03-17 | 联想(北京)有限公司 | 预测方法、装置、计算设备以及介质 |
CN110889490B (zh) * | 2019-11-13 | 2024-04-26 | 联想(北京)有限公司 | 预测方法、装置、计算设备以及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109658153B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922329B2 (en) | Systems for second-order predictive data analytics, and related methods and apparatus | |
CN106067080B (zh) | 提供可配置工作流能力 | |
US11222273B2 (en) | Service recommendation method, apparatus, and device | |
US10783442B1 (en) | Demand forecasting via direct quantile loss optimization | |
CN109934619A (zh) | 用户画像标签建模方法、装置、电子设备及可读存储介质 | |
CN112487278A (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
WO2018075995A1 (en) | Systems for predictive data analytics, and related methods and apparatus | |
CN109658153A (zh) | 备件需求量的预测方法及装置,以及电子设备 | |
US11422517B2 (en) | Automated transfer of items between compartments of a smart appliance | |
CN113888235B (zh) | 一种销量预测模型的训练方法、销量预测方法及相关装置 | |
CN111538907B (zh) | 一种对象推荐方法、系统及装置 | |
Onggo et al. | Combining symbiotic simulation systems with enterprise data storage systems for real-time decision-making | |
US20160283881A1 (en) | System and method for forecast driven replenishment of merchandise | |
CN110109750A (zh) | 虚拟资源获取方法、装置、计算机设备和存储介质 | |
US11501107B2 (en) | Key-value memory network for predicting time-series metrics of target entities | |
CN110069676A (zh) | 关键词推荐方法和装置 | |
CN104317790A (zh) | 一种基于大数据的用户行为的控制方法及系统 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
Diniz et al. | Ensuring consistency between strategic plans and equipment replacement decisions | |
Zhang et al. | A Back Propagation Neural Network‐Based Method for Intelligent Decision‐Making | |
US11922520B2 (en) | Determining significant events within an agribusiness system | |
Seth et al. | A multiple-item inventory model for a non-stationary demand | |
Krieg et al. | Performance evaluation of two-stage multi-product kanban systems | |
CN106997360A (zh) | 用户行为数据的处理方法和装置 | |
Makris et al. | Customer's behaviour modelling for manufacturing planning |
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 |