CN109685583A - 一种基于大数据的供应链需求预测方法 - Google Patents
一种基于大数据的供应链需求预测方法 Download PDFInfo
- Publication number
- CN109685583A CN109685583A CN201910021434.2A CN201910021434A CN109685583A CN 109685583 A CN109685583 A CN 109685583A CN 201910021434 A CN201910021434 A CN 201910021434A CN 109685583 A CN109685583 A CN 109685583A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- supply chain
- feature
- commodity
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 8
- 230000007774 longterm Effects 0.000 abstract description 7
- 241001269238 Data Species 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly 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
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
本发明属于大数据预测领域，本发明具体提供了一种基于大数据的供应链需求预测方法；所述方法包括采用规则模型和算法模型融合的方式，通过使用商品的历史销售数据来构造不同的数据划分和特征工程，并且采用树模型和线性模型两种算法构建模型进行预测，从而保证模型的差异性，最终将规则模型和差异度较大且预测效果精准的算法模型进行基于树形结构的融合得到最终的预测未来的销量结果；本发明能够精准预测远期的商品销售，为供应链提供数据基础，为企业建立全球化供应链方案提供关键的技术支持。
Description
技术领域
本发明属于大数据预测领域，涉及供应链需求销量预测领域，具体为一种基于大数据的供应链需求预测方法。
背景技术
在电商产业链中，为提升用户物流服务体验，供应链协同将货品提前准备在全球各个市场的本地仓，可有效降低物流时间，极大提升用户体验。目前产品生产和销售地区往往是全球化的，商品的采购，运输，海关质检等，整个商品准备链路需要较长的时间。在大数据和人工智能技术快速发展的新时代背景下，运用大数据分析和算法技术，精准预测远期的商品销售，为供应链提供数据基础，将能够为企业建立全球化供应链方案提供关键的技术支持。
2018年5月，在《黑河学院学报》作者吴慧林发表了一篇论文《基于Agent技术的企业供应链需求预测模型构建研究》，该文章基于Agent技术进一步提高企业供应链的管理效率预测市场需求趋势,对推动企业发展有极其重要的意义。而当下大数据背景下，供应链需求预测趋势表现得越发的重要，而现有技术中并没有公开相应的供应链需求预测方法；另一方面，现有技术中的需求预测方法的精度不够高，也需要进一步的改进。
发明内容
基于现有技术存在的问题，本发明提出了一种基于大数据的供应链需求预测方法，本发明提出的供应链需求预测方法在预测精度具有很强的优势，利用机器去学习历史数据中潜在的规律与趋势，从而精准的挖掘未来远期的商品销量预测，并能够为企业建立全球化供应链方案提供关键的技术支持。采用规则模型和算法模型融合的方式，通过使用商品的历史销售数据来构造不同的数据划分和特征工程，并且采用树模型和线性模型两种算法构建模型进行预测，从而保证模型的差异性，最终将规则模型和差异度较大且预测效果精准的算法模型进行基于树形结构的融合得到最终的预测未来的销量结果。本发明利用电商平台企业历史周期一年的数据，预测接下来35天中不同商品每一周的销量预测值。运用大数据分析和算法技术，精准预测远期的商品销售，为供应链过程提供技术基础。本发明采用的方法包括以下步骤：
步骤101：使用规则模型最优常值回归方法，对用户的历史行为数据进行处理，预测出供应链需求的第一结果；
步骤102：根据规则模型获得的第一结果，划分出历史行为数据区间中满足销量变化趋势的训练集数据，并对训练集数据进行选择以及扩充操作；
步骤103：对用户历史数据进行特征工程操作，构建出不同特征的样本集；
步骤104：对构建出的样本集进行基于均方根误差最小值的特征选择；
步骤105：建立多个机器学习模型，即多个算法模型，包括回归模型和多个树模型；
步骤106：将规则模型与算法模型进行基于树形结构的融合，从而获得供应链需求的第二结果；该第二结果则为供应链需求的最终预测结果。
进一步的，所述第一结果的获取方式包括所述第一结果的获取方式包括选择时间段为距离待预测周期最近的前M天的历史销量数据作为规则验证集；将前M天中每一周的商品销量均值分别作为规则验证集对应周的初始回归值，最小化损失函数，从而确定出该周对应的分配系数；在该分配系数下，通过改变初始回归值，从而确定出最小化损失函数下的回归值；将每一周的分配系数与相应周最小化损失函数下的回归值之间的乘积作为供应链需求的第一结果。
例如需要预测未来35天的每一周销量值，包括五周。假设需要预测的是2018年1月1日起的后五周，那么就可以截取(最近前31天)2017年12月份的历史销量数据，计算商品的销量取平均值，扩大7倍即为这里的规则验证集结果；把均值结果作为规则验证集的商品销量的回归；确定出比均值结果更精准的回归值，该回归值满足在规则验证集的前M天上的损失值最小，根据损失最小值获取未来周中每一周的最优常值回归的分配系数，并预测出供应链需求的第一结果。
进一步的，所述初始回归值的计算公式包括：
其中，Ysku_idj为商品sku_id在第j周的商品销量均值，即初始回归值；M为规则验证集时间段；|M|表示规则验证集的天数；Sumsku_id，m表示商品sku_id在第m天的全天商品销量值，m∈{7j-6，7j}；
进一步的，所述最小化损失函数包括：
RMSEmin＝|Ysku_idj×ratioj-Ysku_id_truej|
其中，Ysku_id_truej为商品sku_id在第j周真实的销量，当均方根误差值RMSEmin最小时，ratioj即为第j周的最优常值回归的分配系数。
进一步的，所述步骤103中对用户历史数据进行特征工程操作，构建出不同特征的样本集(样本集包括训练集和测试集共同的特征工程操作)包括：
构建基础统计特征122维，包括商品goods_id/suk_id的点击、加购、收藏、购买次数最值、均值、偏度、峰度、极值、中位数、总数的统计，商品goods_id/suk_id的平均价格、吊牌价格、促销价格三者两两之间的差值、比率、比率倒数、乘积、方差的统计；
构建离散特征179维，包括商品季节属性、电商平台活动类型、商品类目属性、节假日特征独热编码，并使用压缩稀疏矩阵的存储方式(Compressed Sparse Row matrix，csr_matrix)进行存储；
构建时序相关特征447维，包括按时间粒度统计商品goods_id/suk_id的加购、购买、购买除以加购的最值、均值、标准差、峰度、以及销量的求和排名统计；
构建最优组合特征200维，选取相关性最高的前50个特征，两两组合出乘法特征、除法比率特征、加法求和。
进一步的，所述组合特征包括以下特征中任意一种及其以上的组合，具体包括：
其中，Fi和Fj为样本集的不同属性列，F_newi为组合特征；原始特征构建出组合特征，再选取相关性前200维特征作为最优组合特征。
进一步的，所述步骤104对构建出的样本集进行基于均方根误差最小值的特征选择包括利用七折交叉验证获取特征选择训练集和验证集(七折交叉验证，即从构建的训练集中，随机划分为7份的数据，随机选取6份作为特征选择训练集，剩余1份为特征选择验证集)，利用贪心后向搜索策略进行删除特征，计算当前验证集的均方根误差值RMSE，如果误差值变大，表明特征无用则删除，否则保留。
进一步的，所述多个树模型包括极端随机树模型和LGB树模型；
所述极端随机树模型的构建包括采用训练集扰动和参数绕动构造了三个极端树模型；其中训练集扰动包括对于三个极端树模型，每次随机选择步骤102中扩充后的任意几个训练集作为每个极端树模型分别的训练集(即从所述步骤102中扩充的11个训练集中随机抽取)；而参数扰动包括三个极端树模型模型分别设置不同的参数配置，包括迭代次数、学习率、最大深度、行列随机比例；
所述LGB树模型包括选取步骤102中扩充后的全部训练集，通过扩充训练样本的方式提升模型优化程度。
进一步的，回归模型的构建包括满足树模型和回归模型的异构，同时利用特征扰动来构建两个多项式回归模型，设置两个多项式回归模型的特征列的采样率分别对应为0.65和0.925，即对特征工程部分构建的特征总维数进行不同数目的采样，从而保证特征的差异性。
本文的供应链需求预测方案分为规则模型和算法模型，其中，本发明在技术上的创新包括以下内容：
在规则模型部分，提出了一种最优常值回归方法，利用历史最近销量数据寻找最小均方根误差的回归预测值，来拟合出近优的真实销量值。
在算法模型部分，未采用传统的数据滑窗法划分训练集，而是利用规则模型寻找最优分布区间。同时在特征工程完成后，提出了一种基于最小均方根误差的贪心后向搜索的特征选择方法，是对于后向搜索特征选择方法的一种改进。
模型融合方案也是本文的技术创新点，通过特征扰动、参数扰动、训练集扰动保证了模型的异构性，并提出一种基于树形结构的融合方法，优化模型结果。
基于本发明的创造下，本发明的有益效果包括：
本发明提供的基于大数据的供应链需求预测方法，通过采用规则模型和算法模型融合的方式，从而保证模型的差异性，最终将规则模型和差异度较大且预测效果精准的算法模型进行基于树形结构的融合得到最终的预测未来的销量结果，精准的预测了远期的商品销售，为供应链过程提供技术基础。
附图说明
图1是本发明实施例提供的大数据供应链需求预测方法流程图；
图2是本发明实施例提供的规则模型分布对比图；
图3是本发明实施例根据图1的基于均方根误差最小值的特征选择算法流程图；
图4是本发明实施例根据图1的算法模型异构框架图；
图5是本发明实施例根据图1的基于树形结构的集成结构图；
图6是本发明实施例提供的销量预测值结果示例图。
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，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
本方面的数据来源：某出海的跨境电商企业提供的供应链预测目标市场为沙特阿拉伯历史数据积累。提供历史周期一年的商品促销价格数据、商品销售数据、商品信息数据、商品在用户的表现数据、平台活动数据信息，
作为一种可选方式，数据时间跨度为2017年1月1日-2017年12月31日，且选择的时间段应不受元旦等节假日的异常销量的影响，而更久远的时间段与测试时间段之间的差异过大，不被包含在其中；预测接下来35天(2018年1月1日起未来5周)中不同商品每一周的销量预测值。一种基于大数据的供应链需求预测的算法流程图如附图1所示，包括以下步骤：
所述步骤101对用户的历史行为数据使用规则模型最优常值回归方法具体步骤为：规则最优常值回归计算如公式(1)。
式中,Ysku_id为某个商品sku_id的预测值；M为规则验证集时间段；|M|规则验证集的天数；Sumsku_id，m表示商品sku_id在某日m的全天的销量值。
选择时间段为待预测周期最近的35天作为规则验证集，即2017年11月27日-2017年12月31日，该时间段未包含节假日。将2017年11月27日，2017年12月4日，2017年12月11日，2017年12月18日，2017年12月15日起五周的均值，分别赋值给待预测区间中2018年1月1日，2018年1月8日，2018年1月15日，2018年1月22日，2018年1月29日起的5周。再根据损失最小值获取未来五周每一周的比例系数分配给2018年待预测的五周得到规则模型的销量预测，最小化损失函数如公式2所示：
式中，Ysku_id为(1)中求得的均值，Ysku_id_true为真实的销量，当均方根误差值RMSEmin最小时，ratio就为最优常值回归的分配系数。
作为一种可选方式，所述步骤102根据规则模型获得的分布划分出训练集数据具体步骤为：获取规则模型的最优分布结果，划分出历史区间中最满足销量变化趋势最吻合的训练集数据，如图2中2017年5月14日至2017年6月17日，并根据历史销量计算出训练集的五个目标的真实值作为回归训练目标。同理在历史数据中完成构建同分布的11个训练集。
为了便于概述，本实施例中减少了对每周的区分，作为一种可选方式，本发明在对销量进行预测的时候，可以不对每一周进行预测，而是对每天进行预测，甚至对每天中不同时间段进行预测，本领域技术人员可以再不付出创造性劳动的前提下，适当变通上式，对相应的数据进行处理，从而获取相应结果。
所述步骤103对用户历史数据进行特征工程操作具体步骤为：
构建基础统计特征122维，包括goods_id/suk_id的点击、加购、收藏、购买次数最值、均值、偏度、峰度、极值、中位数、总数的统计,goods_id/suk_id的平均价格、吊牌价格、促销价格三者两两之间的差值、比率、比率倒数、乘积、方差的统计；
构建离散特征179维，包括商品季节属性(包括春夏秋冬)、电商平台活动类型(包括电商定义促销日以及315消费者权益日或者双11异常销量日)、商品类目属性(商品各级类目)、节假日特征(包括传统节假日以及国际图书日等)采取独热编码的方法提取，编码后的特征，由于独热编码离散后产生特征维数庞大，且存在稀疏性，因此将独热编码后的特征矩阵使用csr_matrix的稀疏存储方式，不影响特征性能的情况下降低特征维数。
构建时序相关特征447维，包括按时间粒度，即距离待预测周期最近的180天、90天、75天、60天、45天、35天、30天、27天、21天、15天、7天、5天、3天、1天进行统计goods_id/suk_id的加购、购买、购买除以加购(即转化率)的最值、均值、标准差、峰度、以及销量的求和排名统计；其中销量求和排名特征分为商品sku_id的全局排名和局部排名：全局排名，体现出sku_id的销量竞争力和购买程度，反映商品热度；局部排名，体现出用户更喜欢同一goods_id下哪一个sku_id，反映用户偏好。
构建最优组合特征，在前三组特征中可以提取特征维数不低于700维，再通过皮尔森相关系数计算相关性最高的top50个特征，两两组合出乘法特征(取对数)、除法比率特征、加法求和特征构建出组合特征，最后根据皮尔森相关系数计算出组合特征中相关性最高的top200维特征作为最优组合特征。其中，组合特征构建如公式3所示：
式中，其中Fi和Fj为数据集不同属性列，F_newi为组合特征。原始特征构建出组合特征，再选取相关性top200维特征作为最优组合特征。
所述步骤104对构建特征完成的样本集进行基于均方根误差最小值的特征选择具体步骤为：利用7折交叉验证获取特征选择训练集和验证集，利用贪心后向搜索策略进行删除特征，计算当前验证集的均方根误差值RMSE，如果误差值变大，说明特征无用则删除，否则保留。基于均方根误差最小值的特征选择算法具体方案以流程图如图3所示，所有特征遍历完成时结束内层循环；均方根误差值RMSE变化范围小于设定阈值，作为一种可选方式，设定阈值为0.01，则结束外层循环。此步骤将特征工程部分构建的748维特征减少到520维。
所述步骤105建立多个机器学习模型，包括树模型与回归模型具体步骤为：共计构建了6个算法模型，具体构建流程如图4所示：采用训练集扰动和参数绕动构造了3个ET树模型，即ET_V1、ET_V2、ET_V3；采取尽可能多的使用训练样本，从而进行LGB模型的构建，即LGB_V1；利用特征扰动来构建2个PR模型，即PR_V1以及PR_V2，设置2个PR模型的特征列的采样率分别为0.65和0.925，即分别构建338维特征和481维特征。
所述步骤106通过建立的规则模型与算法模型进行融合，根据用户历史行为数据预测在供应链需求中，精准预测远期的商品销售量具体步骤为：通过建立的规则模型与算法模型进行融合，根据用户历史行为数据预测，在供应链需求中，精准预测远期的商品销售量。在第一步中，构建了1个规则模型；在第五步中，构建了树模型和回归模型共计6个模型。Stacking与Blending的集成的方式更适用于分类模型，而回归模型提升效果不明显。最终采用的方案为基于树形结构的融合，如图5所示，具体而言，基于树形结构的由低到高，根据线下验证均方根误差值，两两线性加权融合，层层递进，最后输出的销量预测值与真实销量具有高可靠性，从而实现精准预测远期的商品销售，即预测得到未来35天中每一周商品的销量值。
最后输出的销量预测值与真实销量具有高可靠性，从而实现精准预测远期的商品销售，即预测得到未来35天中每一周商品的销量值，预测结果如图6所示(截取部分商品sku_id未来五周的销量预测值)。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的供应链需求预测方法，其特征在于，所述方法包括以下步骤：
步骤101：使用规则模型的最优常值回归方法，对用户的历史行为数据进行处理，并预测出供应链需求的第一结果；
步骤102：根据规则模型获得的第一结果，划分出历史行为数据区间中满足销量变化趋势的训练集数据，并对训练集数据进行选择以及扩充操作；
步骤103：对用户历史数据进行特征工程操作，构建出不同特征的样本集；
步骤104：对构建出的样本集进行基于均方根误差最小值的特征选择；
步骤105：建立多个机器学习模型，即多个算法模型，包括回归模型和多个树模型；
步骤106：将规则模型与算法模型进行基于树形结构的融合，从而获得供应链需求的第二结果；该第二结果则为供应链需求的最终预测结果。
2.根据权利要求1所述的一种基于大数据的供应链需求预测方法，其特征在于，所述第一结果的获取方式包括选择时间段为距离待预测周期最近的前M天的历史销量数据作为规则验证集；将前M天中每一周的商品销量均值分别作为规则验证集对应周的初始回归值，最小化损失函数，从而确定出该周对应的分配系数；在该分配系数下，通过改变初始回归值，从而确定出最小化损失函数下的回归值；将每一周的分配系数与相应周最小化损失函数下的回归值之间的乘积作为供应链需求的第一结果。
3.根据权利要求2所述的一种基于大数据的供应链需求预测方法，其特征在于，初始回归值的计算公式包括：
其中，Ysku_idj为商品sku_id在第j周的商品销量均值，即初始回归值；M为规则验证集时间段；|M|表示规则验证集的天数；Sumsku_id，m表示商品sku_id在第m天的全天商品销量值，m∈{7j-6，7j}；
4.根据权利要求3所述的一种基于大数据的供应链需求预测方法，其特征在于，所述最小化损失函数包括：
RMSEmin＝|Ysku_idj×ratioj-Ysku_id_truej|
其中，Ysku_id_truej为商品sku_id在第j周真实的销量，当均方根误差值RMSEmin最小时，ratioj即为第j周的最优常值回归的分配系数。
5.根据权利要求1所述的一种基于大数据的供应链需求预测方法，其特征在于，所述步骤103中对用户历史数据进行特征工程操作，构建出不同特征的样本集包括：
构建基础统计特征122维包括对商品的点击、加购、收藏、购买次数最值、均值、偏度、峰度、极值、中位数、总数的统计，商品的平均价格、吊牌价格、促销价格三者两两之间的差值、比率、比率倒数、乘积、方差的统计；
构建离散特征179维包括商品季节属性、电商平台活动类型、商品类目属性、节假日特征独热编码，并使用压缩稀疏矩阵的存储方式csr_matrix进行存储；
构建时序相关特征447维包括按时间粒度统计商品的加购、购买、购买除以加购的最值、均值、标准差、峰度、以及销量的求和排名统计；
构建最优组合特征200维包括选取相关性最高的前50个特征，两两组合行程组合特征，从中选取出最优组合特征。
6.根据权利要求5所述的一种基于大数据的供应链需求预测方法，其特征在于，所述组合特征包括以下特征中任意一种特征组合的构建，具体包括：
其中，Fi和Fj为样本集的不同属性列，F_newi为组合特征；根据原始特征构建出组合特征，再从所构建的组合特征中，选取相关性前200维特征作为最优组合特征。
7.根据权利要求1所述的一种基于大数据的供应链需求预测方法，其特征在于，所述步骤104对构建出的样本集进行基于均方根误差最小值的特征选择包括利用七折交叉验证获取特征选择训练集和验证集，利用贪心后向搜索策略进行删除特征，计算当前验证集的均方根误差值RMSE，如果误差值变大，表明特征无用则删除，否则保留。
8.根据权利要求1所述的一种基于大数据的供应链需求预测方法，其特征在于，所述多个树模型包括极端随机树模型和LGB树模型；
所述极端随机树模型的构建包括采用训练集扰动和参数绕动构造了三个极端树模型；其中训练集扰动包括对于三个极端树模型，每次随机选择步骤102中扩充后的任意几个训练集分别作为每个极端树模型的训练集；而参数扰动包括三个极端树模型分别设置不同的参数配置，包括迭代次数、学习率、最大深度以及行列随机比例；
所述LGB树模型包括选取步骤102中扩充后的全部训练集，通过扩充训练样本的方式提升模型优化程度。
9.根据权利要求1所述的一种基于大数据的供应链需求预测方法，其特征在于，回归模型的构建包括满足树模型和回归模型的异构，同时利用特征扰动来构建两个多项式回归模型，设置两个多项式回归模型的特征列的采样率分别对应为0.65和0.925，即对特征工程部分构建的特征总维数进行不同数目的采样，从而保证特征的差异性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021434.2A CN109685583B (zh) | 2019-01-10 | 2019-01-10 | 一种基于大数据的供应链需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910021434.2A CN109685583B (zh) | 2019-01-10 | 2019-01-10 | 一种基于大数据的供应链需求预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109685583A true CN109685583A (zh) | 2019-04-26 |
| CN109685583B CN109685583B (zh) | 2020-12-25 |
Family
ID=66192837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910021434.2A Active CN109685583B (zh) | 2019-01-10 | 2019-01-10 | 一种基于大数据的供应链需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685583B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472863A (zh) * | 2019-08-12 | 2019-11-19 | 北京联想金服科技有限公司 | 一种预警指数评价方法、装置及存储介质 |
| CN110766232A (zh) * | 2019-10-30 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 动态预测方法及其系统 |
| CN111614520A (zh) * | 2020-05-25 | 2020-09-01 | 杭州东方通信软件技术有限公司 | 一种基于机器学习算法的idc流量数据预测方法及装置 |
| CN112396466A (zh) * | 2020-11-30 | 2021-02-23 | 上海明略人工智能(集团)有限公司 | 电商平台流量预测方法、系统、存储介质及电子设备 |
| CN112418898A (zh) * | 2019-08-21 | 2021-02-26 | 北京京东乾石科技有限公司 | 基于多时间窗口融合的物品需求数据分析方法和装置 |
| CN112487146A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 一种法律案件争议焦点获取方法、装置以及计算机设备 |
| CN112651534A (zh) * | 2019-10-10 | 2021-04-13 | 顺丰科技有限公司 | 一种预测资源供应链需求量的方法、装置及存储介质 |
| CN113240359A (zh) * | 2021-03-30 | 2021-08-10 | 中国科学技术大学 | 一种应对外界重大变动的需求预测方法 |
| CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
| CN113919558A (zh) * | 2021-09-28 | 2022-01-11 | 三一重机有限公司 | 产品销量预测方法及装置 |
| CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
| CN116402241A (zh) * | 2023-06-08 | 2023-07-07 | 浙江大学 | 一种基于多模型的供应链数据预测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236795A (zh) * | 2011-06-30 | 2011-11-09 | 内蒙古电力勘测设计院 | 风电场风速预测方法 |
| CN105844353A (zh) * | 2016-03-22 | 2016-08-10 | 中国农业大学 | 一种水产品价格的预测方法以及装置 |
| CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
| CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
| CN107292713A (zh) * | 2017-06-19 | 2017-10-24 | 武汉科技大学 | 一种基于规则与层级融合的个性推荐方法 |
| CN107766946A (zh) * | 2017-09-28 | 2018-03-06 | 第四范式（北京）技术有限公司 | 生成机器学习样本的组合特征的方法及系统 |
| CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
| CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
| CN108229986A (zh) * | 2016-12-14 | 2018-06-29 | 腾讯科技（深圳）有限公司 | 信息点击预测中的特征构建方法、信息投放方法和装置 |
| CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
| CN108875842A (zh) * | 2018-06-29 | 2018-11-23 | 山东师范大学 | 一种金融时间序列预测方法、服务器及装置 |
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
-
2019
- 2019-01-10 CN CN201910021434.2A patent/CN109685583B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236795A (zh) * | 2011-06-30 | 2011-11-09 | 内蒙古电力勘测设计院 | 风电场风速预测方法 |
| CN105844353A (zh) * | 2016-03-22 | 2016-08-10 | 中国农业大学 | 一种水产品价格的预测方法以及装置 |
| CN108229986A (zh) * | 2016-12-14 | 2018-06-29 | 腾讯科技（深圳）有限公司 | 信息点击预测中的特征构建方法、信息投放方法和装置 |
| CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
| CN107220845A (zh) * | 2017-05-09 | 2017-09-29 | 北京小度信息科技有限公司 | 用户复购概率预测/用户质量确定方法、装置及电子设备 |
| CN107292713A (zh) * | 2017-06-19 | 2017-10-24 | 武汉科技大学 | 一种基于规则与层级融合的个性推荐方法 |
| CN107766946A (zh) * | 2017-09-28 | 2018-03-06 | 第四范式（北京）技术有限公司 | 生成机器学习样本的组合特征的方法及系统 |
| CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
| CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
| CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
| CN108875842A (zh) * | 2018-06-29 | 2018-11-23 | 山东师范大学 | 一种金融时间序列预测方法、服务器及装置 |
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472863B (zh) * | 2019-08-12 | 2020-09-25 | 北京联想金服科技有限公司 | 一种预警指数评价方法、装置及存储介质 |
| CN110472863A (zh) * | 2019-08-12 | 2019-11-19 | 北京联想金服科技有限公司 | 一种预警指数评价方法、装置及存储介质 |
| CN112418898A (zh) * | 2019-08-21 | 2021-02-26 | 北京京东乾石科技有限公司 | 基于多时间窗口融合的物品需求数据分析方法和装置 |
| CN112651534A (zh) * | 2019-10-10 | 2021-04-13 | 顺丰科技有限公司 | 一种预测资源供应链需求量的方法、装置及存储介质 |
| CN110766232A (zh) * | 2019-10-30 | 2020-02-07 | 支付宝(杭州)信息技术有限公司 | 动态预测方法及其系统 |
| CN110766232B (zh) * | 2019-10-30 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 动态预测方法及其系统 |
| CN111614520B (zh) * | 2020-05-25 | 2021-12-14 | 杭州东方通信软件技术有限公司 | 一种基于机器学习算法的idc流量数据预测方法及装置 |
| CN111614520A (zh) * | 2020-05-25 | 2020-09-01 | 杭州东方通信软件技术有限公司 | 一种基于机器学习算法的idc流量数据预测方法及装置 |
| CN112396466A (zh) * | 2020-11-30 | 2021-02-23 | 上海明略人工智能(集团)有限公司 | 电商平台流量预测方法、系统、存储介质及电子设备 |
| CN112487146A (zh) * | 2020-12-02 | 2021-03-12 | 重庆邮电大学 | 一种法律案件争议焦点获取方法、装置以及计算机设备 |
| CN112487146B (zh) * | 2020-12-02 | 2022-05-31 | 重庆邮电大学 | 一种法律案件争议焦点获取方法、装置以及计算机设备 |
| CN113240359A (zh) * | 2021-03-30 | 2021-08-10 | 中国科学技术大学 | 一种应对外界重大变动的需求预测方法 |
| CN113240359B (zh) * | 2021-03-30 | 2024-02-23 | 中国科学技术大学 | 一种应对外界重大变动的需求预测方法 |
| CN113393041A (zh) * | 2021-06-21 | 2021-09-14 | 湖南大学 | 一种基于销量预测的零售领域供应链库存优化方法 |
| CN113919558A (zh) * | 2021-09-28 | 2022-01-11 | 三一重机有限公司 | 产品销量预测方法及装置 |
| CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
| CN116402241A (zh) * | 2023-06-08 | 2023-07-07 | 浙江大学 | 一种基于多模型的供应链数据预测方法及装置 |
| CN116402241B (zh) * | 2023-06-08 | 2023-08-18 | 浙江大学 | 一种基于多模型的供应链数据预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109685583B (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685583A (zh) | 一种基于大数据的供应链需求预测方法 | |
| US20200090195A1 (en) | Electronic neural network system for dynamically producing predictive data using varying data | |
| JP5175903B2 (ja) | 適応分析多次元処理システム | |
| US9123052B2 (en) | Marketing model determination system | |
| CN110135876A (zh) | 销量预测的方法及装置 | |
| CN113553540A (zh) | 一种商品销量的预测方法 | |
| CN107180362A (zh) | 基于深度学习的零售商品销售预测方法 | |
| CN111178624A (zh) | 一种新产品需求预测的方法 | |
| CN101783004A (zh) | 快速智能化的商品推荐系统 | |
| CN101727640A (zh) | 基于具有统计意义的地理位置参数的动态在线体验修改和库存优化 | |
| US20210110413A1 (en) | Systems and methods for dynamic demand sensing | |
| Kim et al. | Reference-dependent preferences on smart phones in South Korea: Focusing on attributes with heterogeneous preference direction | |
| US20230086226A1 (en) | Systems and methods for features engineering | |
| Nuzzolo et al. | City logistics long-term planning: simulation of shopping mobility and goods restocking and related support systems | |
| CN111652653A (zh) | 价格确定及预测模型构建的方法、装置、设备及存储介质 | |
| Rakićević et al. | Focus forecasting in supply chain: the case study of fast moving consumer goods company in Serbia | |
| CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
| Pliszczuk et al. | Forecasting sales in the supply chain based on the LSTM network: the case of furniture industry | |
| Yue et al. | Product life cycle based demand forecasting by using artificial bee colony algorithm optimized two-stage polynomial fitting | |
| Fu et al. | Bike-sharing inventory management for market expansion | |
| CN105574599A (zh) | 估算订单退货率的方法及装置 | |
| Sun et al. | Identifying regime shifts in the US electricity market based on price fluctuations | |
| Kumar et al. | Big Mart Sales Prediction Using Machine Learning | |
| CN111177657B (zh) | 需求确定方法、系统、电子设备及存储介质 | |
| Yuan et al. | Research on large supermarket fresh food supplier evaluation and selection based on SWOT-Entropy Weight Fuzzy Comprehensive model |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A supply chain demand forecasting method based on big data Effective date of registration: 20220520 Granted publication date: 20201225 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd. Registration number: Y2022500000028 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230614 Granted publication date: 20201225 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2022500000028 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Supply Chain Demand Forecasting Method Based on Big Data Effective date of registration: 20230809 Granted publication date: 20201225 Pledgee: Chongqing Branch of China Everbright Bank Co.,Ltd. Pledgor: BOLAA NETWORK Co.,Ltd.|Chongqing Wingshengda Technology Co.,Ltd. Registration number: Y2023500000055 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tong Yi Inventor before: Tong Yi Inventor before: Zhou Boyi |
|
| CB03 | Change of inventor or designer information |