CN109740814A - 预测方法、装置及电子设备 - Google Patents
预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109740814A CN109740814A CN201811634114.6A CN201811634114A CN109740814A CN 109740814 A CN109740814 A CN 109740814A CN 201811634114 A CN201811634114 A CN 201811634114A CN 109740814 A CN109740814 A CN 109740814A
- Authority
- CN
- China
- Prior art keywords
- spare part
- demand
- measured
- specified time
- spare
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种备件需求量预测方法、装置及计算机设备,获取待测备件所属类型备件的历史数据,利用该历史数据,先验证该待测备件的历史需求量是否受环境条件影响,之后,利用与验证结果对应的机器学习算法,自动获得待测备件在今年的待测时间内的需求量,相对于传统预测方法未考虑备件在今年指定时间内的需求量是否受环境条件影响,如是否受雨季影响,本申请提出的这种备件需求量预测方法提供了预测准确性,能够在满足消费者对备件需求的同时,避免备件进货量过多,造成库存积压及资金积压。
Description
技术领域
本申请主要涉及数据处理技术领域,更具体地说是涉及一种预测方法及相关设备。
背景技术
在实际应用中,对于如键盘、主板、显示屏、外壳等电子设备的使用寿命,很容易受到外界环境条件的影响,比如外界环境的湿度,湿度过大,很容易导致电子设备损坏。因此,对于一些雨季时间较长的地方,业务部门往往会在雨季到来之前预备较多电子设备的备件,满足客户在雨季的部件更换需求。
目前,业务部门通常是根据去年雨季期间电子设备的损坏率,以及今年雨季期间电子设备的保有量,来预测今年雨季电子设备备件的需求量。但是,这种预测方式并未考虑考虑不同生产条件、不同厂商及不同生产成本等因素,对相同型号的备件在雨季受影响程度的不同,这就会导致现有预测方法无法准确预测出的备件需求量。
因此,如何提高雨季电子设备备件需求量的预测准确性,成为技术人员急需解决的问题之一。
发明内容
有鉴于此,本申请提供了一种备件需求量预测方法、装置及计算机设备,解决了现有的预测方法对备件雨季需求量预测不准确的技术问题。
为了解决上述技术问题,本申请提供了以下技术方案:
一种备件需求量预测方法,方法包括
获取备件的历史数据;
利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
可选的,所述利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响,包括:
利用所述历史数据,获得备件在往年指定时间内的需求量增长率和保有量增长率;
对所述需求量增长率和所述保有量增长率进行比较;
基于得到的比较结果,检测备件在往年指定时间内的需求量是否受环境条件影响。
可选的,所述利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响,还包括:
利用所述历史数据中待测备件的历史保有量,确定所述待测备件当前所处生命周期的目标阶段;
如果所述目标阶段是上升阶段,确定所述待测备件的需求量受指定时间内的环境条件影响;
如果所述目标阶段不是上升阶段,执行步骤所述利用所述历史数据,获取备件在往年指定时间内的需求量增长率和保有量量增长率。
可选的,所述基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量,包括:
利用所述待测备件在今年指定时间内的保有量,及所述待测备件所属类型备件在上升阶段的需求量增长率,得到所述待测备件在今年指定时间内的预测需求量;或者,
采用移动平均方式,获得备件在上升阶段的历史平均需求量,并基于所述历史平均需求量及备件在上升阶段的历史需求量增长率,得到所述备件中的待测备件在今年指定时间内的预测需求量。
可选的,所述基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量,还包括:
如果所述目标阶段是上升阶段,利用所述历史数据,获得备件的历史保有量变化数据和历史需求量变化数据;
如果所述历史保有量变化数据与所述历史需求量变化数据匹配,执行步骤所述利用所述待测备件在今年指定时间内的保有量,及所述待测备件所属类型备件在上升阶段的需求量增长率,得到所述待测备件在今年指定时间内的预测需求量;
如果所述历史保有量数据与所述历史需求量数据不匹配,执行步骤所述采用移动平均方式,获得备件在上升阶段的历史平均需求量。
可选的,所述基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量,还包括:
如果所述目标阶段不是上升阶段,且所述待测备件的需求量受指定时间内的环境条件影响,执行步骤所述利用所述待测备件在今年指定时间内的保有量,及所述待测备件所属类型备件在上升阶段的需求量增长率,得到所述待测备件在今年指定时间内的预测需求量;
如果所述目标阶段不是上升阶段,且所述待测备件的需求量不受指定时间内的环境条件影响,执行步骤所述采用移动平均方式,获得备件在上升阶段的历史平均需求量。
可选的,所述需求量增长率的获取过程包括:
获取与所述待测备件类型相同的多个备件在往年指定时间内的需求量,以及对应年份的指定时间相邻的前N个月和/或后N个月的需求量,N大于1;
利用获取的需求量,计算所述多个备件分别具有的需求量增长率;
获取得到的多个需求量增长率的平均值,并所述平均值作为与所述待测备件类型相同的多个备件的需求量增长率。
一种备件需求量预测装置,包括:
数据获取模块,用于获取备件的历史数据;
检测模块,用于利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
预测模块,用于基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
可选的,所述检测模块包括:
增长率获得单元,用于利用所述历史数据,获得备件在往年指定时间内的需求量增长率和保有量增长率;
比较单元,用于对所述需求量增长率和所述保有量增长率进行比较;
检测单元,用于基于得到的比较结果,检测备件在往年指定时间内的需求量是否受环境条件影响。
一种计算机设备,包括:
通信接口;
存储器,用于存储实现如上所述的备件需求量预测方法的程序;
处理器,用于加载并执行所述存储器存储的程序,所述程序用于:
获取备件的历史数据;
利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
由此可见,与现有技术相比,本申请提供了一种备件需求量预测方法、装置及计算机设备,获取待测备件所属类型备件(即指定类型备件)的历史数据,利用该历史数据,先验证该待测备件的历史需求量是否受环境条件影响,之后,利用与验证结果对应的机器学习算法,自动获得待测备件在今年的待测时间内的需求量,相对于传统预测方法未考虑备件在今年指定时间内的需求量是否受环境条件影响,如是否受雨季影响,本申请提出的这种备件需求量预测方法提供了预测准确性,能够在满足消费者对备件需求的同时,避免备件进货量过多,造成库存积压及资金积压。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种备件需求量预测方法的流程示意图;
图2为本申请实施例提供的一种备件需求量预测方法中,如何确定待测备件需求量是否受环境条件影响的流程示意图;
图3为一种备件的多年需求量变化曲线;
图4a为一种需求量受雨季影响的备件的需求量和保有量示意图;
图4b为一种需求量不受雨季影响的备件的需求量和保有量示意图;
图5为本申请实施例提供的一种备件需求量预测方法中,获得处于上升阶段的备件的预测需求量的流程示意图;
图6为本申请实施例提供的一种备件需求量预测方法中,获得未处于上升阶段的备件的预测需求量的流程示意图;
图7为本申请实施例提供的另一种备件需求量预测方法的流程示意图;
图8为一种生命周期处于上升阶段的备件需求量示意图;
图9为本申请实施例提供的一种备件需求量预测装置的结构示意图;
图10为本申请实施例提供的另一种备件需求量预测装置的结构示意图;
图11为本申请实施例提供的又一种备件需求量预测装置的结构示意图;
图12为本申请实施例提供的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,为本申请实施例提供的一种备件需求量预测方法流程示意图,该方法可以用于计算机设备,如服务器或数据处理能力的电子设备等,如图1所示,该方法可以包括但并不局限于以下步骤:
步骤S11,获取备件的历史数据;
在实际应用中,对于生命周期处于上升阶段的待测备件,由于其并不具有满足要求的历史数据,需要借用其所属类型的其他备件的历史数据,来预测该待测备件的在今年指定时间内的需求量。
因此,本实施例步骤S11中的备件可以包括待测备件及其所属类型的其他备件,也就是待测备件所属类型的至少一个备件。
基于此,本实施例获取的历史数据可以包括备件在过去几年内的历史需求量、历史保留量、历史销量等,还可以包括由此计算得到的历史需求量增长率和历史保有量量增长率等等,本申请对该历史数据包含的内容及其获取方式不做限定。
步骤S12,利用该历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
实际应用中,有的备件的性能受其所处环境的影响,而有的备件性能并不受或者基本不受环境影响,本实施例可以将环境变化较大的时间记为指定时间,如某地区每年6~10月为雨季,环境湿度较大,会影响某些备件的性能,甚至会缩短某些备件的使用寿命,本实施例就可以将6~10月记为指定时间,但并不局限于该时间段。
由于指定时间内环境因素的改变,会影响备件的使用寿命,对于备件厂商和销售商来说,在该指定时间内,就需要比其他时间准备更多的备件,才能够满足消费者的需求,而对于基本不受环境条件影响的备件,就可以不用考虑环境因素,直接利用往年同时期的需求量,预测今年该备件的需求量。
可见,备件的需求量是否受环境条件影响,预测该备件今年在未来指定时间内的需求量所采用的预测方法并不相同,因此,在预测备件在未来指定时间内的需求量之前,可以先检测备件的需求量是否受环境条件影响,本申请对具体的检测方法不做限定。
步骤S13,基于检测结果,利用机器学习算法,获得备件中的待测备件在今年指定时间内的预测需求量。
继上文分析,对于步骤S12的不同检测结果,利用机器学习算法,来预测待测备件在未来指定时间内的预测需求量的计算方法可能不同,也就是说,本实施例在预测待测备件在未来指定时间内的需求量时,考虑到了今年指定时间内的环境条件对待测备件需求量的影响,提高了备件需求量预测准确性。
可选的,参照图2,为本申请实施例提供的另一种备件需求量预测方法的流程示意图,本实施例主要描述如何检测备件的历史需求量是否受环境条件影响,关于其他步骤可以参照上述实施例相应部分的描述,如图2所示,该方法可以包括:
步骤S21,获取备件的历史数据;
步骤S22,利用该历史数据中待测备件的历史保有量,确定该待测备件当前所处生命周期的目标阶段;
备件的整个生命周期通常可以分为上升阶段、稳定阶段及下降阶段,通常情况下,在某一个时间点,备件只能处于生命周期中的某一个阶段,且备件的保有量和需求量都可以呈现上升、稳定及下降的变化规则。所以说,对于处于不同生命周期阶段的备件,每个月的备件保有量往往是不同的,本实施例可以利用备件的历史保有量,来确定备件处于整个生命周期的哪个阶段。
如计算待测备件当前保有量与前几个月的保有量的比值,将得到的结果作为待测备件的保有量增长因子,若该增长因子为1,可以认为待测备件处于上升阶段,反之,可以认为待测备件未处于上升阶段,还可以进一步根据该增长因子大小或变化,来确定待测备件所处的具体阶段,本申请对检测备件当前所处的生命周期的哪个阶段的具体实现方法不做限定。
步骤S23,检测目标阶段是否为上升阶段,如果否,进入步骤S24;如果是,执行步骤S28;
结合上述分析,对于处于上升阶段的备件的历史数据并不完整,即这类备件的历史数据未包含各生命周期阶段对应的历史数据,往往无法直接据此判断该备件是否受环境条件影响。对于生命周期处于上升阶段的备件,假设其不受环境影响(如雨季的潮湿环境),而该备件的需求量是受环境硬系那个的,按照不受环境影响的预测方式,得到的该备件在未来指定时间内的预测需求量往往会小于实际需求量,将会导致大量缺货,无法满足消费者对备件的需求。
若假设处于上升阶段的这类备件受环境影响,而该备件的需求量实际不受环境条件影响,那么,经过预测计算得到的备件的预测需求量往往大于实际需求量,虽然增加了库存,但能够满足消费者对备件的需求,不会拉低客户满意度,且随着时间推移,处于上升阶段的备件库存,总会被消耗掉,不会出现挤压库存的情况。
基于此,本实施例为了保证消费者在雨季对备件的需求,对于生命周期处于上升阶段的备件,可以默认其需求量受环境条件影响。而对于处于稳定阶段或下降阶段的备件,需要进一步结合其他历史参数,检测这类备件是否受环境条件影响。
步骤S24,利用该历史数据,获得备件在往年指定时间内的需求量增长率和保有量增长率;
本实施例中,该历史数据包含往年指定时间及其前后几个月,备件的保有量和需求量等,该指定时间可以是一年内环境条件比较特别的几个月份,参照图3所示的某备件的历年需求量(usage)变化曲线图,每年都有几个月份的较大需求量,因此,本实施例可以将每年这几个月份记为指定时间
举例说明,某地区每年的6~10月份是雨季,在此期间会降低大部分备件的性能,甚至是使用寿命,因此,每年这几个月份备件的需求量都比较大,本实施例可以将每年的6~10月份作为每年的指定时间,这种情况下,获取的历史数据可以包括备件在4月、5月、11月、12月和6~10月份的平均月需求量和月保有量,以便由此计算出备件在往年6~10月份的需求量增长率和保有量增长率,具体计算方法不作限定。
可见,步骤S24获得的是备件在前N年中每一年的指定时间内的需求量增长率和保有量增长率,如今年是2018年,获得的是在2017年的6~10月份期间,备件的需求量增长率和保有量增长率;以及2016年的6~10月份期间,备件的需求量增长率和保有量增长率等等。
步骤S25,对该需求量增长率和保有量增长率进行比较,得到比较结果;
步骤S26,验证该比较结果是否满足预定条件,如果是,进入步骤S27;如果否,执行步骤S28;
其中,预定条件可以是表明待测备件的需求量不受指定时间内的环境条件影响的条件,如前N年中每一年的指定时间内的需求量增长率小于保有量增长率,但并不局限于此。
可选的,参照图4a和图4b所示的多年备件需求量及保有量的示意图,曲线表示备件需求量,点表示备件保有量。结合上文分析,本实施例可以通过采样每年的平均月需求量和平均月保有量,计算得到该年指定时间内的需求量增长率和保有量增长率。
如利用图4a所示的备件2016年和2017年这两年的需求量和保有量,计算得到2016年指定时间内的需求量增长率是1.95,保有量增长率是0.39;2017年指定时间内的需求量增长率是0.36,保有量增长率是-0.25。可见,过去这两年内,消费者对备件的需求量的增长速度降低了,商家每年在指定时间内确定的备件保有量减少了,但是,每一年的需求量的增长速度都大于保有量的增长速度,可以认为,图4a所示的备件在指定时间内的需求量受环境条件影响。
如图4b所示的备件在过去2014~2017年的需求量变化及保有量变化示意图,利用该图4b中的需求量和保有量的数值,计算得到2014年指定时间内的需求量增长率是0.58,保有量增长率是0.79;2015年指定时间内的需求量增长率是-0.63,保有量增长率是-0.55;2016年指定时间内的需求量增长率是-0.12,保有量增长率是-0.56;2017年指定时间内的需求量增长率是-0.53,保有量增长率是-0.04。按照对图4a所示数据的分析方式可知,过去几年中,每一年的指定时间内备件的需求量增长率都小于保有量增长率,说明消费者对备件的需求量在指定时间内并未大幅度增加,且商家对备件的供给大于消费者对备件的需求量,可以认为该备件的需求量并未受到指定时间内的环境条件影响。
基于上述分析,如果备件在指定时间内的需求量增长率大于保有量增长率,可以认为该备件在指定时间内的需求量受环境条件影响;反之,如果备件在指定时间内的需求量增长率小于保有量增长率,可以认为该备件在指定时间内的需求量并不受环境条件影响。本实施例可以按照这种检测备件在指定时间内的需求量是否受环境条件影响的规则,确定上述预定条件,但并不局限于这种检测方式。
步骤S27;确定待测备件的需求量不受指定时间内的环境条件影响;
步骤S28,确定待测备件的需求量受指定时间内的环境条件影响。
可见,本实施例可以通过检测待测备件当前是否处于生命周期的上升阶段的方式,来直接确定待测备件的需求量是否受环境条件影响,即确定处于上升阶段的待测备件,为需求量预测会受环境条件影响的备件;而对于不是处于上升阶段的备件,将利用待测备件所属类型的其他备件,在过去几年中指定时间内的需求量增长率和保有量增长率,来确定这类检测备件的需求量是否受指定时间内的环境条件影响。
之后,本实施例可以基于待测备件在指定时间内的需求量是否受环境条件影响的检测结果,采用相应的预测方式,预测该待测备件在未来指定时间内的预测需求量,相对于直接基于去年备件在指定时间内的损坏率,及今年备件的保有量,来预测今年备件的需求量的传统预测方法,考虑了环境因素对不同备件需求量的影响,提高了需求量预测准确性。
在上述实施例的基础上,本申请实施例提供的又一种备件需求量预测方法,参照图5所示的流程示意图,本实施例主要对生命周期处于上升阶段的备件的需求量具体预测过程进行说明,关于其他步骤,可以参照上述实施例相应部分的描述,如图5所示,该方法可以包括但并不局限于以下步骤:
步骤S31,利用备件的历史数据,获得备件的历史保有量变化数据和历史需求量变化数据;
在实际应用中,备件的需求量和保有量的产生时机往往不同,通常是先有备件的保有量,消费者购买备件后,才会产生备件的需求量,且备件的需求量产生时间与保有量产生时间可能会间隔几个月,所以说,每月备件的保有量的变化对需求量的变化并无直接影响,但是,消耗量的变化,影响了下一个月需求量,进而影响了下一个月保有量。
因此,当需要预测未来指定时间内的备件的需求量,本实施例可以研究备件的需求量的变化趋势及保有量的变化趋势,进而根据两者变化趋势是否一致的不同判断结果,采用对应的预测方法,预测备件在未来指定时间内的需求量。
基于此,上述步骤S31获得的历史保有量变化数据可以表示过去几年内,备件保有量变化曲线,历史需求量变化数据可以是过去几年内,备件需求量变化曲线。
步骤S32,检测该历史保有量变化数据与该历史需求量变化数据是否匹配,如果匹配,进入步骤S33;如果不匹配,执行步骤S35;
继上文分析,步骤S32具体可以是检测备件的历史保有量变化曲线和历史需求量变化曲线是否相似,即两个曲线的整个形状是否相似,如果相似,可以认为历史保有量变化数据与该历史需求量变化数据匹配;反之,可以认为历史保有量变化数据与该历史需求量变化数据不匹配。本实施例对两个曲线的相似度计算方法不作限定,如聚类分析等机器学习算法。
步骤S33,获取待测备件在今年指定时间内的保有量,及该待测备件所属类型备件在上升阶段的需求量增长率;
其中,待测备件在未来指定时间内的保有量可以根据商家销售计划确定,也可以参照该待测备件同类型的其他备件,历年指定时间内的保有量确定等,本申请对此不做限定。
而对于该待测备件所属类型的其他备件在上升阶段的需求量增长率,可以是多个备件在上升阶段的需求量增长率的平均值,本实施例可以将同类型的其他备件在上升阶段的需求量增长率平均值,作为需求量预测的增长因子,即属于该类型的待测备件在上升阶段的需求量增长率。
需要说明,由于本实施例默认处于上升阶段的备件,在指定时间内的需求量是受环境条件影响的,所以,步骤S33中待测备件所属类型备件可以指:与待测备件属于同一备件类型,且在指定时间内的需求量受环境条件影响的其他备件。
步骤S34,计算该保有量与需求量增长率的乘积,得到待测备件在今年指定时间内的预测需求量;
可见,对于保有量与需求量变化趋势一致的备件,在无法获得处于上升阶段的待测备件在指定时间内的需求量增长率的情况下,本实施例可以利用待测备件所属类型的其他备件的需求量增长率,作为待测备件的需求量增长率,进而结合待测备件的保有量,预测待测备件在今年指定时间内的需求量。
步骤S35;采用移动平均方式,获得备件在上升阶段的历史平均需求量;
其中,移动平均方式是将相邻的前几个月的需求量平均值,作为当前月的需求量,如将2~4月份内备件的需求量平均值,作为5月份该备件的需求量,因此,当需要计算预测时间内的需求量时,可以获取该预测时间之前的几个月份的历史需求量的平均值,记为历史平均需求量。
若预测时间为6~10月份,按照移动平均方式,可以利用备件(即待测备件所属类型的备件)3~5月份的历史平均需求量,计算待测备件6月份的预测需求量,利用备件4~6月份的历史平均需求量,计算待测备件7月份的预测需求量,利用备件5~7月份的历史平均需求量,计算待测备件8月份的预测需求量,依次类推,实现待测备件6~10月份中各月份的预测需求量。
步骤S36,基于该历史平均需求量及备件在上升阶段的历史需求量增长率,得到待测备件在今年指定时间内的预测需求量。
继上文描述,在计算待测备件在预测时间中每个月份的预测需求量时,除了获取同类型备件在与该月份相邻的前几个月的历史平均需求量,还需要获取同类型备件在上升阶段的历史需求量增长率,可以按照预测需求量=历史平均需求量*(1+历史需求量增长率)这个计算公式,待测备件在预测时间中每个月份的预测需求量。
具体的,待测备件在6月份的预测需求量=同类型备件在3~5月份的历史平均需求量*(1+历史需求量增长率);待测备件在7月份的预测需求量=同类型备件在4~6月份的历史平均需求量*(1+历史需求量增长率),以此类推,得到待测备件在6~10月(某地区的雨季月份)中每月的预测需求量。
综上,对于处于上升阶段的待测备件,本实施例将利用该待测备件所属类型的其他备件,在上升阶段的各历史数据,实现对该待测备件在今年指定时间内的预设需求量。可见,本实施例考虑到了备件在生命周期的不同阶段的需求量增长率的区别,相对于利用待测备件所属类型的其他备件,在稳定阶段或下降阶段的历史数据,预测待测备件在预测时间内的需求量的方式,提高了需求量预测准确性。
其中,本实施例获取处于上升阶段的待测备件,在预测时间内的需求量过程中,是基于待测备件所属类型的其他备件的保有量和需求量的变化趋势是否匹配的检测结果,来确定计算待测备件的预测需求量的具体计算方法,进一步提高了需求量预测准确性。
对于未处于生命周期的上升阶段的待测备件,需要进一步检测这类待测备件在预测时间内的需求量是否受环境条件的影响,进而基于检测结果,采用相应的预测方式,得到待测备件的预测需求量,具体检测过程可以参照上述图2所示实施例的相应步骤的描述,本实施例在此不再赘述。
参照图6所示的又一备件需求量预测方法的流程示意图,该方法主要对未处于生命周期的上升阶段的待测备件,在其需求量受环境条件影响,或不受环境条件影响两种情况下,如何计算得到预测时间内的预测需求量的过程进行说明,关于其他步骤,可以参照上述实施例相应部分的描述,如图6所示,该方法可以包括但并不局限于:
步骤S41,在待测备件未处于上升阶段的情况下,检测待测备件所属类型的其他备件在往年指定时间内的需求量是否受环境条件影响,如果否,进入步骤S42;如果是,执行步骤S44;
步骤S42,检测该其他备件的历史保有量变化数据与历史需求量变化数据是否匹配,如果是,进入步骤S43;如果否,执行步骤S44;
关于步骤S42的实现方法与上述步骤S32的实现过程类似,本实施例不再赘述。
可选的,在执行步骤S42过程中,若过去几年(如从今年开始,过去的3年、5年等)中,每一年的历史保有量变化数据与历史需求量变化数据都匹配,可以认为该备件的需求量受环境条件的影响;若每一年的历史保有量变化数据与历史需求量变化数据都不匹配,可以认为该备件的需求量不受环境条件的影响。
若过去几年中,一些年份的历史保有量变化数据与历史需求量变化数据匹配,另一些年份的历史保有量变化数据与历史需求量变化数据不匹配,也就是说,过去几年中每一年的历史保有量变化数据与历史需求量变化数据的匹配检测结果并不一致,这种情况下,本实施例可以检测相匹配的年份与不相匹配的年份的数量哪个多,若对过去5年进行历史保有量变化数据与历史需求量变化数据的匹配检测,其中3年中每一年的历史保有量变化数据与历史需求量变化数据相匹配,2年中每一年的历史保有量变化数据与历史需求量变化数据不匹配,可以认为,该备件的需求量受环境条件的影响。经过这种匹配检测之后的预测过程,可以参照本实施例后续步骤的描述,本申请不再详述。
步骤S43,基于待测备件在今年指定时间内的保有量,及该其他备件在上升阶段的需求量增长率,得到待测备件在预测时间内的预测需求量;
步骤S44,采用移动平均方式,获得该其他备件在上升阶段的历史平均需求量;
步骤S45,基于该历史平均需求量及其他备件在上升阶段的历史需求量增长率,得到待测备件在预测时间内的预测需求量。
需要说明,关于上述步骤S43~步骤S45描述的两种获取待测备件的预测需求量的具体实现方法,可以参照上述实施例相应部分的描述,如上述步骤S33~步骤S36的描述内容,本实施例不再赘述。
由此可见,对于未处于上升阶段的待测备件,可以考虑获取这类备件的预测需求量是否受环境条件影响,并基于该检测结果,采用相应的预测方式,来获得该预测需求量,且在确定该待测备件的预测需求量不受环境条件的影响的情况下,可以进一步考虑同类型的其他备件的需求量与保有量的变化曲线是否匹配,来选择对应的预测方法,得到待测备件的预测需求量。所以说,本实施例提供的备件需求量预测方法,既考虑到了备件的需求量是否受环境条件的影响,又考虑到了备件的需求量数据比保有量数据在时间上的延迟性问题,还考虑到了备件所处生命周期的什么阶段,极大提高了备件需求量预测准确性,能够在满足消费者对备件需求的同时,避免备件的积压。
基于上述各实施例描述的备件需求量预测方法,下文将以环境条件为湿热气候为例进行说明,如某地区每年的6~10月份都处于高温多雨的天气,很多电子设备,如电脑的键盘、主板、显示屏及外壳等的故障率,相对于其他月份都会突然暴涨,出现大量坏件的情况,这种情况下,商家就需要提前预估6~10月份的坏件量,来满足消费者的备件更换需求,避免因无法满足消费者更换备件需求,导致客户流失;同时也避免提前准确的备件数量过大,造成积压,而增大商家资金投入流动资金。
本申请以备件为服务备件为例,具体可以是不同品牌的电子产品备件,且该备件的生命周期通常可以分为上升阶段、稳定阶段及下降阶段。
在实际应用中,可以针对不同品牌的备件,采用对应预测方法,来提前预测该品牌下的各备件在6~10月份的需求量,如对于think系列电子设备的各待测备件,可以根据去年6~10月份备件(可以是待测备件或其同类型备件)的损坏率RA,及今年6~10月份该待测备件的保有量,来获得该备件今年6~10月份的预测需求量,如该预测需求量=损坏率RA×待测备件的保有量。
对于IDEA系列电子设备的各待测备件,都可以采用移动平均方式,利用备件在往年6~10月份的需求量增长因子,得到待测备件今年6~10月份的预测需求量。其中,该增长因子可以由备件过去两年6~10月份的需求量除以1~5月份需求量得到。
发明人注意到,上述对think系列电子设备的待测备件的预测需求量的预测方法,并未考虑备件需求量数据比保有量数据的延迟问题,导致这种预测方法得到的需求量预测结果并不准确;而对于IDEA系列电子设备的待测备件的预测需求量的预测方法,并未考虑到处于不同生命周期阶段的需求量增长因子不同,如处于上升阶段(或稳定阶段)的备件的需求量增长率,往往大于处于稳定阶段和下降阶段(或下降阶段)的需求量增长率,而这种预测方法并未考虑这一问题,降低了备件需求量预测准确性。
综合上述两种预测方法中存在的问题,本申请提供的如上述各实施例描述的备件需求量预测方法,也就是说,本申请提供的该预测方法,同时考虑备件的需求量是否受环境条件的影响,备件的需求量数据比保有量数据在时间上的延迟性问题,以及备件所处生命周期的什么阶段。
参照图7所示的流程示意图,本申请确定待测备件后,可以先判断待测备件是否处于上升阶段,具体实现方式可以参照上述实施例相应部分的描述.,如果备件处于上升阶段,说明该待测备件可能是新产品,从如图8所示上升阶段的备件需求量示意图得知,这类备件的历史数据并不完整,因此,在对这类备件进行需求量预测时,可以考虑雨季的影响,并利用同类型的其他备件的历史数据实现需求量预测。所以,本申请可以默认处于上升阶段的备件的需求量(相当于坏件量)受雨季的影响。
这种情况下,本申请还需要考虑备件保有量的增多,对备件需求量增大的影响,所以,本申请可以通过判断待测备件所属类型的其他备件,往年在雨季期间保有量曲线与需求量曲线的相似度是否达到阈值,如果达到,认为这两个曲线相匹配,备件的需求量主要受保有量的变化而改变,此时,可以基于备件的保有量,实现待测备件的需求量预测;若两个曲线的相似度未达到阈值,可以认为备件的需求量的变化,除了受备件保有量的影响,在很大程度上受到雨季环境条件的影响,此时,本申请可以采用移动平均方式,利用前几个月需求量的平均值,得到当前月需求量,进而再结合上升阶段的需求量增长因子,计算得到待测备件在雨季的预测需求量。
经过对待测备件的生命周期的检测,得知该待测备件未处于上升阶段,可以统计备件在过去雨季(6~10月份)和非雨季(如4、5、11和12月份,但并不局限于此)的平均月需求量和平均月保有量,并计算往年备件在雨季期间的需求量增长率和保有量增长率,之后,通过比较这两个增长率的大小,来确定备件的需求量是否受雨季影响。
结合上述分析,由于备件的保有量与未来某个时刻备件需求量有很大关系,因此,本申请可以基于映射后的备件保有量,根据其是否受雨季影响的检测结果对应的增长因子,即受雨季影响的增长因子为(1+备件的需求量增长率);不受雨季影响的增长因子为1。
具体的,受雨季影响的备件,可以采用移动平均需求量乘以(1+备件的需求量增长率),得到该备件在雨季的需求量预测结果;不受雨季影响的备件,可以进一步检测需求量与保有量的变化关系,若两者变化一致,即两者数据曲线相似度大于阈值,可以直接将备件的保有量乘以同类备件的需求量增长率得到的结果,作为该备件需求量预测结果;若两者变化不一致,考虑雨季影响,可以将移动平均需求量乘以(1+备件的需求量增长率)的结果,作为该备件在雨季的需求量预测结果。
需要说明,关于本实施例中,备件是否处于上升阶段,是否受雨季影响,备件需求量和保有量的变化是否匹配的不同检测结果的组合,所对应的备件需求量预测过程,可以参照上述实施例相应部分的描述,本实施例在此简单说明各种情况下采用的预测方法,且图7中各步骤的描述也比较简单。
按照本申请提供的备件需求量预测方法,下面将对不同类别的备件需求量预测结果,从不同角度与传统预测方法进行比对,来说明本申请这种预测方法的优势,但并不局限于下文列举的几方面的对比。
AI.ACC | AI.PAL | AI.E&Q | AP.ACC | AP.PAL | AP.E&Q | |
备件1 | 0.70 | 0.96 | $22,644 | 0.67 | 0.95 | $49,644 |
备件2 | 0.73 | 0.96 | $203,127 | 0.69 | 0.95 | $231,853 |
备件3 | 0.68 | 0.94 | $42,564 | 0.69 | 0.93 | $20,037 |
备件4 | 0.69 | 0.94 | $55,352 | 0.60 | 0.83 | $15,327 |
备件5 | 0.68 | 0.97 | $16,877 | 0.64 | 0.84 | $3,825 |
表一
在表一中,AI表示采用本申请提供的备件需求量预测方法,AP表示采用传统预测方法,ACC(accuracy)可以表示利用该预测方法得到的预测结果的准确率,PAL表示利用该预测方法得到的预测结果的预测命中率,E&Q(Excess and Obsolete)可以表示利用该预测方法得到的预测需求量与实际需求量多余部所花费的金额,通常情况下,商家希望预测结果的PAL的数值较大,且E&Q的金额较小。
对表一中,同一备件的两种预测方法得到的预测结果的同一方面性能进行比较,可以得知,本申请提供的预测方法相对于传统预测方法,各备件的预测结果的准确率都比较多,即提高了备件需求量预测准确性。且综合考虑PAL和E&Q这两方面的预测结果,采用本申请提供的这种预测方法得到的预测结果,更加满足备件商家的要求,包括库存和资金链等多方面的要求。
另外,本申请还可以对不同品牌备件,采用本申请预测方法和传统预测方法得到的预测结果的准确率、预测命中率Hit和E&Q这三方面进行比较,如下表二所示,以Think系列和idea系列电子设备的备件需求量预测结果进行分析,但并不局限于这两个品牌。
表二
表二中,PNs可以表示备件数量,Usage可以表示备件的需求量;Input可以表示购买预测需求量的输入备件花费的金额。需要说明,关于对不同品牌备件的预测结果的比较,可以根据实际需要,如业务人员的需求或后台研究人员的需求等确定,但并不局限于表二列举的几方面。
由表二示出的几方面的比较可以得知,本申请提供的备件需求量预测方法,相对于传统预测方式,对这两个品牌备件的预测准确率都比较高,尤其是Tink系列备件的预测结果准确性更加突出;在其他方面,本申请提供的这种预测方法的优势也比较大,能够满足不同需求。
参照图9,为本申请实施例提供的一种备件需求量预测装置的结构示意图,该装置可以包括:
数据获取模块11,用于获取备件的历史数据;
检测模块12,用于利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
可选的,如图10所示,该检测模块12可以包括:
增长率获得单元121,用于利用所述历史数据,获得备件在往年指定时间内的需求量增长率和保有量增长率。
比较单元122,用于对所述需求量增长率和所述保有量增长率进行比较;
检测单元123,用于基于得到的比较结果,检测备件在往年指定时间内的需求量是否受环境条件影响。
在本申请另一可选实施例中,如图10所示,该检测模块12还可以包括:
生命周期阶段确定单元124,用于利用所述历史数据中待测备件的历史保有量,确定所述待测备件当前所处生命周期的目标阶段;
生命周期检测单元125,用于检测该目标阶段是否为上升阶段;
第一确定单元126,用于在生命周期检测单元125的检测结果为是的情况下,确定所述待测备件的需求量受指定时间内的环境条件影响;在目标阶段不是上升阶段的情况下,触发增长率获得单元121利用所述历史数据,获取备件在往年指定时间内的需求量增长率和保有量量增长率。
预测模块13,用于基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
可选的,如图11所示,该预测模块13可以包括:
第一预测单元131,用于利用所述待测备件在今年指定时间内的保有量,及所述待测备件所属类型备件在上升阶段的需求量增长率,得到所述待测备件在今年指定时间内的预测需求量;
在本实施例实际应用中,为了获得需求量增长率,该装置还可以包括:
需求量获取模块,用于获取与所述待测备件类型相同的多个备件在往年指定时间内的需求量,以及对应年份的指定时间相邻的前N个月和/或后N个月的需求量,N大于1;
增长率计算模块,用于利用获取的需求量,计算所述多个备件分别具有的需求量增长率;
需求量增长率确定模块,用于获取得到的多个需求量增长率的平均值,并所述平均值作为与所述待测备件类型相同的多个备件的需求量增长率。
移动平均计算单元132,用于采用移动平均方式,获得备件在上升阶段的历史平均需求量;
第二预测单元133,用于基于所述历史平均需求量及备件在上升阶段的历史需求量增长率,得到所述备件中的待测备件在今年指定时间内的预测需求量。
可选的,如图11所示,该预测模块13还可以包括:
数据获取单元134,用于在上述目标阶段是上升阶段的情况下,利用所述历史数据,获得备件的历史保有量变化数据和历史需求量变化数据;
匹配检测单元135,用于检测历史保有量变化数据与所述历史需求量变化数据是否匹配,如果检测结果为是,触发第一预测单元11获得待测备件的预测需求量;如果检测结果为否,触发移动平均计算单元132和第二预测单元133,获得待测备件的预测需求量。
可选的,预测模块13还可以包括:
第一触发单元,用于在生命周期检测单元125的检测结果为否,且匹配检测单元135的检测结果为是的情况下,触发第一预测单元11获得待测备件的预测需求量;
第二触发单元,用于在生命周期检测单元125的检测结果为否,且匹配检测单元135的检测结果为否的情况下,触发移动平均计算单元132和第二预测单元133,获得待测备件的预测需求量。
本申请实施例还提供了一种存储介质,其上存储有程序,该程序被处理器加载并执行,实现上述备件需求量预测方法的各个步骤。
参照图12,为本申请实施例提供的一种计算机设备的硬件结构示意图,该计算机设备可以是电脑、服务器、上位机等设备,如图12所示,该计算机设备可以包括:通信接口21、存储器22和处理器23,其中:
通信接口21、存储器22和处理器23的数量都可以是至少一个,且通信接口21、存储器22和处理器23利用通信总线实现相互之间的通信。
通信接口21可以包括计算机设备内各部件之间的数据通信的接口,还可以包括实现该计算机设备与其他设备之间的数据通信的无需通信接口等,本申请对该通信接口的类型不做限定。
存储器22可以用于存储实现上述的备件需求量预测方法的程序;
在本实施例实际应用中,该存储器22还可以存储预测处理过程中产生的中间数据,以及各备件的历史数据等,当然,备件的历史数据可以存在数据服务器中,计算机设备可以根据实际需要,从该数据服务器中调取所需历史数据,本申请该存储器22存储内容不做限定。
可选的,该存储器可以包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
处理器13可以用于加载并执行所述存储器存储的程序,所述程序主要可以用于:
获取备件的历史数据;
利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
关于处理器执行程序实现备件需求量预测方法的其他步骤,可以参照上述方法实施例相应部分的描述,本实施例不再赘述。
最后,需要说明的是,关于上述各实施例中,诸如第一、第二等之类的关系术语仅仅用来将一个操作、单元或模块与另一个操作、单元或模块区分开来,而不一定要求或者暗示这些单元、操作或模块之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者系统中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、计算机设备而言,由于其与实施例公开的方法对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种备件需求量预测方法,方法包括
获取备件的历史数据;
利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
2.根据权利要求1所述的方法,所述利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响,包括:
利用所述历史数据,获得备件在往年指定时间内的需求量增长率和保有量增长率;
对所述需求量增长率和所述保有量增长率进行比较;
基于得到的比较结果,检测备件在往年指定时间内的需求量是否受环境条件影响。
3.根据权利要求2所述的方法,所述利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响,还包括:
利用所述历史数据中待测备件的历史保有量,确定所述待测备件当前所处生命周期的目标阶段;
如果所述目标阶段是上升阶段,确定所述待测备件的需求量受指定时间内的环境条件影响;
如果所述目标阶段不是上升阶段,执行步骤所述利用所述历史数据,获取备件在往年指定时间内的需求量增长率和保有量量增长率。
4.根据权利要求3所述的方法,所述基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量,包括:
利用所述待测备件在今年指定时间内的保有量,及所述待测备件所属类型备件在上升阶段的需求量增长率,得到所述待测备件在今年指定时间内的预测需求量;或者,
采用移动平均方式,获得备件在上升阶段的历史平均需求量,并基于所述历史平均需求量及备件在上升阶段的历史需求量增长率,得到所述备件中的待测备件在今年指定时间内的预测需求量。
5.根据权利要求4所述的方法,所述基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量,还包括:
如果所述目标阶段是上升阶段,利用所述历史数据,获得备件的历史保有量变化数据和历史需求量变化数据;
如果所述历史保有量变化数据与所述历史需求量变化数据匹配,执行步骤所述利用所述待测备件在今年指定时间内的保有量,及所述待测备件所属类型备件在上升阶段的需求量增长率,得到所述待测备件在今年指定时间内的预测需求量;
如果所述历史保有量数据与所述历史需求量数据不匹配,执行步骤所述采用移动平均方式,获得备件在上升阶段的历史平均需求量。
6.根据权利要求4所述的方法,所述基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量,还包括:
如果所述目标阶段不是上升阶段,且所述待测备件的需求量受指定时间内的环境条件影响,执行步骤所述利用所述待测备件在今年指定时间内的保有量,及所述待测备件所属类型备件在上升阶段的需求量增长率,得到所述待测备件在今年指定时间内的预测需求量;
如果所述目标阶段不是上升阶段,且所述待测备件的需求量不受指定时间内的环境条件影响,执行步骤所述采用移动平均方式,获得备件在上升阶段的历史平均需求量。
7.根据权利要求4~6任意一项所述的方法,所述需求量增长率的获取过程包括:
获取与所述待测备件类型相同的多个备件在往年指定时间内的需求量,以及对应年份的指定时间相邻的前N个月和/或后N个月的需求量,N大于1;
利用获取的需求量,计算所述多个备件分别具有的需求量增长率;
获取得到的多个需求量增长率的平均值,并所述平均值作为与所述待测备件类型相同的多个备件的需求量增长率。
8.一种备件需求量预测装置,包括:
数据获取模块,用于获取备件的历史数据;
检测模块,用于利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
预测模块,用于基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
9.根据权利要求8所述的装置,所述检测模块包括:
增长率获得单元,用于利用所述历史数据,获得备件在往年指定时间内的需求量增长率和保有量增长率;
比较单元,用于对所述需求量增长率和所述保有量增长率进行比较;
检测单元,用于基于得到的比较结果,检测备件在往年指定时间内的需求量是否受环境条件影响。
10.一种计算机设备,包括:
通信接口;
存储器,用于存储实现如权利要求1~7任一项所述的备件需求量预测方法的程序;
处理器,用于加载并执行所述存储器存储的程序,所述程序用于:
获取备件的历史数据;
利用所述历史数据,检测备件在往年指定时间内的需求量是否受环境条件影响;
基于检测结果,利用机器学习算法,获得所述待测备件在今年指定时间内的预测需求量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634114.6A CN109740814A (zh) | 2018-12-29 | 2018-12-29 | 预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634114.6A CN109740814A (zh) | 2018-12-29 | 2018-12-29 | 预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740814A true CN109740814A (zh) | 2019-05-10 |
Family
ID=66362217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811634114.6A Pending CN109740814A (zh) | 2018-12-29 | 2018-12-29 | 预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740814A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728466A (zh) * | 2019-10-24 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
CN110852513A (zh) * | 2019-11-13 | 2020-02-28 | 联想(北京)有限公司 | 预测方法、装置、计算设备以及介质 |
CN114862482A (zh) * | 2022-07-05 | 2022-08-05 | 未来地图(深圳)智能科技有限公司 | 一种基于大数据预测产品需求的数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1520571A (zh) * | 2002-05-13 | 2004-08-11 | 本田技研工业株式会社 | 预测对配件的需求的系统 |
CN103377399A (zh) * | 2012-04-27 | 2013-10-30 | 日立(中国)研究开发有限公司 | 零部件市场供应量预测装置 |
CN104732287A (zh) * | 2013-12-19 | 2015-06-24 | 广州市地下铁道总公司 | 一种基于备件最佳补充周期的库存控制方法 |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
US20180075385A1 (en) * | 2016-09-11 | 2018-03-15 | Bank Of America Corporation | Aggregated entity resource tool |
-
2018
- 2018-12-29 CN CN201811634114.6A patent/CN109740814A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1520571A (zh) * | 2002-05-13 | 2004-08-11 | 本田技研工业株式会社 | 预测对配件的需求的系统 |
CN103377399A (zh) * | 2012-04-27 | 2013-10-30 | 日立(中国)研究开发有限公司 | 零部件市场供应量预测装置 |
CN104732287A (zh) * | 2013-12-19 | 2015-06-24 | 广州市地下铁道总公司 | 一种基于备件最佳补充周期的库存控制方法 |
US20180075385A1 (en) * | 2016-09-11 | 2018-03-15 | Bank Of America Corporation | Aggregated entity resource tool |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728466A (zh) * | 2019-10-24 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
CN110728466B (zh) * | 2019-10-24 | 2022-05-20 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
CN110852513A (zh) * | 2019-11-13 | 2020-02-28 | 联想(北京)有限公司 | 预测方法、装置、计算设备以及介质 |
CN114862482A (zh) * | 2022-07-05 | 2022-08-05 | 未来地图(深圳)智能科技有限公司 | 一种基于大数据预测产品需求的数据处理方法及系统 |
CN114862482B (zh) * | 2022-07-05 | 2023-06-27 | 未来地图(深圳)智能科技有限公司 | 一种基于大数据预测产品需求的数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501204B2 (en) | Predicting a consumer selection preference based on estimated preference and environmental dependence | |
US10453026B2 (en) | System and method for forecasting high-sellers using multivariate bayesian time series | |
CN109740814A (zh) | 预测方法、装置及电子设备 | |
CN108256898B (zh) | 一种产品销量预测方法、系统及存储介质 | |
US10558946B2 (en) | Item replenishment | |
CN109509030A (zh) | 销量预测方法及其模型的训练方法、装置和电子系统 | |
US20180365755A1 (en) | Transaction based location assignment system and method | |
US20230410135A1 (en) | System and method for selecting promotional products for retail | |
US20140257912A1 (en) | Product inventory allocation | |
US10424006B2 (en) | Automatic ordering of products | |
WO2017070555A1 (en) | Systems and methods for pricing optimization with competitive influence effects | |
US20080235130A1 (en) | System and Computer Program for Modeling and Pricing Loan Products | |
CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
CN116823409B (zh) | 一种基于目标搜索数据的智能筛选方法及系统 | |
CN110020173B (zh) | 用于优化搜索排序的方法、装置及电子设备 | |
US20210192435A1 (en) | Systems and methods for safety stock optimization for products stocked at retail facilities | |
US20200219022A1 (en) | Method and apparatus for determining similarity between user and merchant, and electronic device | |
CA3037941A1 (en) | Method and system for generating and using vehicle pricing models | |
CN115115315A (zh) | 一种基于云计算的电商商品库存数量动态提醒管理系统 | |
US20160148226A1 (en) | System and method for forecasting and managing returned merchanidse in retail | |
CN114091993A (zh) | 仓库选址方法、装置、设备及存储介质 | |
CN116342169B (zh) | 一种商品陈列位置确定方法及无人售货系统 | |
US20200175533A1 (en) | Systems and methods for price markdown optimization | |
JP5830183B2 (ja) | 自動需要パラメータエスカレーション | |
US8645188B2 (en) | Automatic demand parameter estimation |
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 |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |