CN109741082A - 一种基于时间序列分解的季节性商品需求预测方法 - Google Patents
一种基于时间序列分解的季节性商品需求预测方法 Download PDFInfo
- Publication number
- CN109741082A CN109741082A CN201811445998.0A CN201811445998A CN109741082A CN 109741082 A CN109741082 A CN 109741082A CN 201811445998 A CN201811445998 A CN 201811445998A CN 109741082 A CN109741082 A CN 109741082A
- Authority
- CN
- China
- Prior art keywords
- peak value
- peak
- value
- length
- sequence
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时间序列分解的季节性商品需求预测方法。本发明步骤如下:首先基于统计方法从历史需求数据分离出峰值序列s1和常规值序列s2;其次基于峰值序列s1,对训练数据是否为峰值需求进行标注;然后利用两个分类器组成的复合分类器预测峰值出现概率p,并利用近期的历史数据计算峰值概率阈值α,基于峰值预测概率p和峰值概率阈值α进行回归策略选择,若p>α,则利用K近邻模型进行峰值需求预测,否则,利用随机森林模型进行非峰值需求回归预测。本发明通过季节性峰值概率建模,同时利用多个回归模型对季节性需求分别预测,有效应对了季节性商品峰值的突发性,同时极大地提升了预测峰值的准确度,为企业采购季节性商品提供了有利的支撑。
Description
技术领域
本发明属于信息预测技术领域,提供一种基于时间序列分解的季节性商品需求预测方法。一种适用于出库数据呈现周期变化的季节性物料的中长期预测方法。
背景技术
需求预测不仅涉及客户的需求管理,还对后续的订货、库存等运营起主导作用,直接影响着企业的利润增加。需求预测偏高,库存积压,增加企业的库存费用,不利于企业资金周转;需求预测偏低,无法满足当前客户需求,导致客户流失。因此,需求预测是多数企业,尤其是制造业、零售业,在供应链管理中面临的一大挑战。
传统的需求预测方法大多基于统计学的时间序列分析,比如指数平滑、(差分)移动自回归模型,这些模型对过去邻近时刻的历史依赖性强,对周期性需求尤其长周期需求预测有明显的滞后性,预测偏差较大。而对于季节性物料,需求曲线呈现明显的波峰,且峰值出现间隔时间较长,这就需要预测方法能提前预测到峰值的出现。
其他考虑到季节影响的模型,如SARIMAX,先对时序列做季节差分来消除季节影响,进而使用ARIMA模型来预测需求,适用于周期不大的情形。而实际中要预测的需求通常是提前期(Lead Time)需求,这样一来计算的周期较长,SARIMAX模型并不适用。此外,将时序列分解为趋势、季节扰动的三次指数平滑模型,使用前要先判断趋势/季节扰动是加法或乘法类型,在同时处理多个物料时有一定实现难度。相比之下,我们的模型通用性更好,易于进行批处理。
综上可见,大部分研究工作均没有考虑预测峰值的出现,本发明基于实际情况考虑峰值出现的影响因素,选取日平均温度、季度等天气因素作为特征,通过概率预测的方式预测峰值出现的概率。同时,本发明利用峰值序列对季节性物料的真实历史出库序列进行分解,考虑到峰值序列和常规值序列的特点采取不同的回归方法进行预测。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于时间序列分解的季节性商品需求预测方法。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:获取商品的采购提前期lt、历史日销售出库表、同时间段商品销售门店所在地区的天气数据表,对历史日销售出库表按照时间窗lt进行滚动求和,得到商品的lt销售出库表,对天气数据表提取特征;
所述的天气数据表包含日期和日平均温度;
所述的特征包括日平均温度、日平均温差、当前周、当前季度;
所述的四个季度,每个季度对应一个0/1虚拟变量;
步骤2:确定测试数据集长度n1,训练数据集长度n2,提取峰值所需历史销售序列,该序列长度n3(n3>n2);记录峰值所需子序列s0,子序列s0长度为n4;计算概率阈值所需历史序列s3,历史序列s3长度为n5;长度单位为月,概率阈值区间为[0.1,0.9],步长ε∈[0.002,0.01];
步骤3:在测试期间的第t天,隔lt天向前取长度n3的历史销售序列,从该序列起始点选取n4长度的子序列s0,将s0中与平均值Ⅰ的偏差超过三倍标准差Ⅰ的出库值记为峰值,并将峰值所对应的时间点放在时间列表中;移动选取子序列s0并记录所有峰值,剔除时间列表中重复的时间点,得到最终的时间列表对应的峰值序列s1;
所述的平均值Ⅰ为子序列s0的平均值;标准差Ⅰ为子序列s0的标准差;
步骤4:利用峰值序列s1,标记训练数据集是否为峰值:0代表非峰值,1代表峰值,对训练数据集增加标记列;
步骤5:合并训练数据集和天气数据表,将日平均温度、日平均温差、当前周、当前季度作为特征,用于判断测试期第t天的需求是否为峰值需求;
步骤6:将步骤5中的特征作为决策树分类器、K近邻分类器的输入,两个分类器分别预测峰值出现概率p1,p2,最终峰值预测概率p为p1,p2的算术平均值;
步骤7:对测试期间的第t天,向前隔lt天取n5长度的历史序列s3计算该天的峰值概率阈值α;
步骤8:根据步骤6、步骤7得到峰值概率阈值α和峰值预测概率p,若p>α,判定为峰值需求,转向步骤9,否则判定为非峰值需求,转步骤10;
步骤9:若判断为峰值需求,则将峰值序列s1与天气数据表合并,将特征作为自变量,峰值作为因变量,使用K近邻回归模型对峰值需求进行预测;
步骤10:若为非峰值需求,对训练数据集按月聚合,计算月中位数,用月中位数代替原来的峰值,得到常规值序列s2,使用随机森林进行回归预测,回归变量包括第t天的日平均温度、日平均温差、当前周、当前季度以及第t-lt天的lt销售出库量。
步骤3所述的提取峰值序列s1的方法,具体包括以下步骤:
(3.1)从第t天往前推lt+n3天作为开始时间节点,取长度n4的lt出库序列s0,计算s0的平均值和标准差,将s0中与平均值的偏差超过三倍标准差的出库值,记为峰值;
(3.2)每次移动1天直至提取结束时间节点为第t天往前推lt+n4,重复步骤(3.1)的操作直到得到所有峰值,剔除重复值后得到最终的峰值序列s1。
步骤7所述的计算概率阈值方法,具体包括以下步骤:
(7.1)对每一个阈值α′∈[0.1,0.9],步长为ε,根据步骤6计算峰值预测概率p′,若p′>α′,判定为峰值,否则为非峰值;
(7.2)计算评价指标精确率precision、召回率recall、F1值:
precision=mr/mpred
recall=mr/m
其中,m表示s3内真实峰值总个数,mpred表示预测出峰值总数,mr表示预测正确峰值个数;
(7.3)选取最大的F1值对应的阈值作为最佳的峰值率阈值α。
本发明有益效果:
与直接预测峰值出现与否,本方法先利用分类器预测每天峰值出现概率,然后结合时变的概率阈值,来判断峰值是否出现,提高了预测的精度和可信性。
另一方面,鉴于峰值序列s1时间并不连续,且长度往往有限(小于2个月),若使用一般的回归方法,预测偏差较大。本发明使用K近邻回归预测,找到和预测特征最相近的点,取其对应值的加权平均值作为预测值,有效地利用以往峰值的信息做预测。相比之下,常规值序列s2时间连续,且长度较长(通常取1年),但其特征有日平均温度/日平均温差-浮点型变量、季度-0/1虚拟变量、t-lt自相关项-整型变量且数值较大,特征类型不同且差异较大,而随机森林回归模型可以接收不同类型的特征做输入,且模型泛化能力强,预测方差较小。
附图说明
图1是本发明实施例采用该方法的时间节点选取图。
图2是本发明实施例采用该方法的具体流程图。
图3是本发明实施例季节性物料-清凉油的历史lt销量曲线。
图4是本发明实施例对季节性物料-清凉油的预测值和真实值对比曲线。
具体实施方式
为了使本发明的目的和效果更加清楚,下面对基于时间序列分解的商品需求预测方法进行详细说明。
类似于其他需求预测模型,本发明公开的模型输入为商品的历史销售记录,由于销售记录在时间上并不连续,所以使用模型前,先要对历史销售记录补全日期,使其成为日期连续的时间序列,缺失值可用0填充(代表这一天无销量)。此外,模型还需要同时间段、同地区的天气数据,要求天气数据时间连续,至少包含日期、日平均温度两个维度。值得注意的是,由于模型在测试期每一天进行预测时,需要选取长度为n2的训练数据和长度为n3(n3>n2)的历史数据用于提取峰值序列,所以输入的历史销售记录要有足够的长度以保证这些数据能够取到。本模型的输出为训练期内每一天对应的提前期lt需求预测值。对于训练集、测试集等时间长度的选取参见图1。
模型的主要建模步骤如图2所示,
步骤1:根据商品补全日期的历史销售记录,按照采购提前期lt进行滚动求和,得到商品的lt销售出库表,从相同时间段商品销售门店所在地区的天气数据表(要求至少包含日期、日平均温度两个维度)中提取特征,根据日期计算对应的周、季度,这里季度按照农历季度定义即:2-4月为春季,5-7月为夏季,8-10月为秋季,11-1月为冬季,每个季度对应一个0/1变量(1-处于该季度,0-不处于该季度),根据日平均温度计算每相邻两天的温差,获取包含日期、日平均温度、日平均温差、周、季度变量等8个维度的天气数据表;
步骤2:确定测试数据集长度n1,训练数据集长度n2,提取峰值所需历史销售序列,该序列长度n3(n3>n2);记录峰值所需子序列s0,子序列s0长度为n4;计算概率阈值所需历史序列s3,历史序列s3长度为n5;长度单位为月,概率阈值区间为[0.1,0.9],步长ε∈[0.002,0.01];
步骤3:在测试期每一天t,
(3.1)从第t天往前推lt+n3天作为开始时间节点,取长度n4的lt出库序列s0,计算s0的平均值和标准差,将s0中与平均值的偏差超过三倍标准差的出库值,记为峰值;
(3.2)每次移动1天直至提取结束时间节点为第t天往前推lt+n4,重复步骤(3.1)的操作直到得到所有峰值,剔除重复值后得到最终的峰值序列s1。
步骤4:利用峰值序列s1,标记训练数据是否为峰值:0代表非峰值,1代表峰值,对训练数据集增加标记列;
步骤5:合并训练数据集和天气数据表,将日平均温度、日平均温差、当前周、当前季度作为特征,用于判断测试期第t天的需求是否为峰值需求;
步骤6:将步骤5中的特征作为决策树分类器、K近邻分类器的输入,两个分类器分别预测峰值出现概率p1,p2,最终峰值预测概率p为p1,p2的算术平均值;
步骤7:对测试期间的第t天,向前隔lt天取n5长度的历史序列s3计算该天的峰值概率阈值α;
(7.1)根据步骤3提取的峰值序列,计算s3内的真实峰值个数m;
(7.2)对每一个阈值α′∈[0.1,0.9],步长为ε,根据步骤6计算峰值出现概率p′,若p′>α′,判定为峰值,否则为非峰值,计算判别出的峰值总数mpred,判别正确的峰值个数mr;
(7.3)计算评价指标精确率precision、召回率recall、F1值:
precision=mr/mpred
recall=mr/m
(7.4)选取最大的F1对应的阈值作为最佳阈值α;
步骤8:根据步骤6、步骤7得到峰值概率阈值α和峰值预测概率p,若p>α,判定为峰值需求,转向步骤9,否则判定为非峰值需求,转步骤10;
步骤9:若判断为峰值需求,则将峰值序列s1与天气数据表合并,将特征作为自变量,峰值作为因变量,使用K近邻回归模型对峰值需求进行预测;
步骤10:若为非峰值需求,对训练数据按月聚合,计算月中位数,用月中位数代替原来的峰值,得到常规值序列s2,使用随机森林进行回归预测,回归变量包括第t天的日平均温度、日平均温差、当前周、当前季度以及第t-lt天的lt销售出库量。
其中,步骤2中提取峰值时要求历史销售出库序列长度n3>n2出于这样的考虑:若取n3=n2,则无法判别出t-lt-n3天出库值是否为峰值,所以增大n3便于判断所选历史序列开始那几天的出库值是否为峰值。
图3是季节性物料清凉油的lt出库曲线,可见,该物料lt出库呈现明显的周期性且总体趋势上升,每年的5、6、7月为销量旺季,且旺季月份与淡季月份销量差异显著。从图3可以观察到,该物料在2018年5月销量开始由淡季转为旺季,所以本次仿真选取2018-5-1到2018-5-31时间段为测试期,训练期长度n2=12,提取峰值序列所取历史序列总长度n3=15,n4=6,计算概率阈值取历史序列长度n5=1,单位为月。
图4是使用本发明公开方法在测试期内预测lt需求与真实lt需求的对比图。从图4可以看出,在开始几天,预测值较真实值偏大,这是由于该物料的lt出库呈上升趋势,模型根据到这一趋势给出偏大的预测值。
本发明不仅局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其它多种具体实施方案实施本发明。因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,都落入本发明保护范围。
Claims (3)
1.一种基于时间序列分解的季节性商品需求预测方法,其特征在于,包括以下步骤:
步骤1:获取商品的采购提前期lt、历史日销售出库表、同时间段商品销售门店所在地区的天气数据表,对历史日销售出库表按照时间窗lt进行滚动求和,得到商品的lt销售出库表,对天气数据表提取特征;
所述的天气数据表包含日期和日平均温度;
所述的特征包括日平均温度、日平均温差、当前周、当前季度;
所述的四个季度,每个季度对应一个0/1虚拟变量;
步骤2:确定测试数据集长度n1,训练数据集长度n2,提取峰值所需历史销售序列,该序列长度n3(n3>n2);记录峰值所需子序列s0,子序列s0长度为n4;计算概率阈值所需历史序列s3,历史序列s3长度为n5;长度单位为月,概率阈值区间为[0.1,0.9],步长ε∈[0.002,0.01];
步骤3:在测试期间的第t天,隔lt天向前取长度n3的历史销售序列,从该序列起始点选取n4长度的子序列s0,将s0中与平均值Ⅰ的偏差超过三倍标准差Ⅰ的出库值记为峰值,并将峰值所对应的时间点放在时间列表中;移动选取子序列s0并记录所有峰值,剔除时间列表中重复的时间点,时间列表作为索引,对应的值作为峰值序列s1;
所述的平均值Ⅰ为子序列s0的平均值;标准差Ⅰ为子序列s0的标准差;
步骤4:利用峰值序列s1,标记训练数据是否为峰值:0代表非峰值,1代表峰值,对训练数据集增加标记列;
步骤5:合并训练数据集和天气数据表,将日平均温度、日平均温差、当前周、当前季度作为特征,用于判断测试期第t天的需求是否为峰值需求;
步骤6:将步骤5中的特征作为决策树分类器、K近邻分类器的输入,两个分类器分别预测峰值出现概率p1,p2,最终峰值预测概率p为p1,p2的算术平均值;
步骤7:对测试期间的第t天,向前隔lt天取n5长度的历史序列s3计算该天的峰值概率阈值α;
步骤8:根据步骤6、步骤7得到峰值概率阈值α和峰值预测概率p,若p>α,判定为峰值需求,转向步骤9,否则判定为非峰值需求,转步骤10;
步骤9:若判断为峰值需求,则将峰值序列s1与天气数据表合并,将特征作为自变量,峰值作为因变量,使用K近邻回归模型对峰值需求进行预测;
步骤10:若为非峰值需求,对训练数据按月聚合,计算月中位数,用月中位数代替原来的峰值,得到常规值序列s2,使用随机森林进行回归预测,回归变量包括第t天的日平均温度、日平均温差、当前周、当前季度以及第t-lt天的lt销售出库量。
2.根据权利要求1所述的一种基于时间序列分解的季节性商品需求预测方法,其主要特征在于步骤3所述的提取峰值序列s1的方法,具体包括以下步骤:
(3.1)从第t天往前推lt+n3天作为开始时间节点,取长度n4的lt出库序列s0,计算s0的平均值和标准差,将s0中与平均值的偏差超过三倍标准差的出库值,记为峰值;
(3.2)每次移动1天直至提取结束时间节点为第t天往前推lt+n4,重复步骤(3.1)的操作直到得到所有峰值,剔除重复值后得到最终的峰值序列s1。
3.根据权利要求2所述的一种基于时间序列分解的季节性商品需求预测方法,其主要特征在于步骤7所述的计算概率阈值方法,具体包括以下步骤:
(7.1)对每一个阈值α′∈[0.1,0.9],步长为ε,根据步骤6计算峰值预测概率p′,若p′>α′,判定为峰值,否则为非峰值;
(7.2)计算评价指标精确率precision、召回率recall、F1值:
precision=mr/mpred
recall=mr/m
其中,m表示s3内真实峰值总个数,mpred表示预测出峰值总数,mr表示预测正确峰值个数;
(7.3)选取最大的F1值对应的阈值作为最佳的峰值率阈值α。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811445998.0A CN109741082B (zh) | 2018-11-29 | 2018-11-29 | 一种基于时间序列分解的季节性商品需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811445998.0A CN109741082B (zh) | 2018-11-29 | 2018-11-29 | 一种基于时间序列分解的季节性商品需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741082A true CN109741082A (zh) | 2019-05-10 |
CN109741082B CN109741082B (zh) | 2021-04-06 |
Family
ID=66358302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811445998.0A Active CN109741082B (zh) | 2018-11-29 | 2018-11-29 | 一种基于时间序列分解的季节性商品需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741082B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111833114A (zh) * | 2020-07-27 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 一种渠道业务发展目标智能预测方法、系统、介质及设备 |
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 |
CN112423327A (zh) * | 2019-08-22 | 2021-02-26 | 中兴通讯股份有限公司 | 一种容量预测方法及设备、存储介质 |
CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
CN112669065A (zh) * | 2020-12-24 | 2021-04-16 | 润联软件系统(深圳)有限公司 | 一种快消品需求预测方法、装置、计算机设备及存储介质 |
CN113807758A (zh) * | 2020-12-02 | 2021-12-17 | 北京京东振世信息技术有限公司 | 一种数据生成方法和装置 |
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 |
CN116629754A (zh) * | 2023-07-24 | 2023-08-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
CN116957471A (zh) * | 2023-07-29 | 2023-10-27 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894316A (zh) * | 2010-06-10 | 2010-11-24 | 焦点科技股份有限公司 | 一种国际市场景气状况的监测指数方法及系统 |
US20120036037A1 (en) * | 2010-08-03 | 2012-02-09 | Alibaba Group Holding Limited | Product reccommendation system |
CN103617548A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种趋势性、周期性商品的中长期需求预测方法 |
US20160189175A1 (en) * | 2014-12-24 | 2016-06-30 | Hanshuang LI | System and method of sensitivity-driven pricing service for non-stationary demand management |
CN108510128A (zh) * | 2018-04-11 | 2018-09-07 | 华南理工大学广州学院 | 一种区域电动汽车充电负荷时空分布预测方法 |
CN108805623A (zh) * | 2018-06-11 | 2018-11-13 | 浙江工业大学 | 一种快销产品供给预测方法 |
-
2018
- 2018-11-29 CN CN201811445998.0A patent/CN109741082B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894316A (zh) * | 2010-06-10 | 2010-11-24 | 焦点科技股份有限公司 | 一种国际市场景气状况的监测指数方法及系统 |
US20120036037A1 (en) * | 2010-08-03 | 2012-02-09 | Alibaba Group Holding Limited | Product reccommendation system |
CN103617548A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种趋势性、周期性商品的中长期需求预测方法 |
US20160189175A1 (en) * | 2014-12-24 | 2016-06-30 | Hanshuang LI | System and method of sensitivity-driven pricing service for non-stationary demand management |
CN108510128A (zh) * | 2018-04-11 | 2018-09-07 | 华南理工大学广州学院 | 一种区域电动汽车充电负荷时空分布预测方法 |
CN108805623A (zh) * | 2018-06-11 | 2018-11-13 | 浙江工业大学 | 一种快销产品供给预测方法 |
Non-Patent Citations (1)
Title |
---|
宋辞 等: "基于特征的时间序列聚类方法研究进展", 《地理科学进展》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112423327A (zh) * | 2019-08-22 | 2021-02-26 | 中兴通讯股份有限公司 | 一种容量预测方法及设备、存储介质 |
CN112423327B (zh) * | 2019-08-22 | 2024-02-09 | 中兴通讯股份有限公司 | 一种容量预测方法及设备、存储介质 |
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 |
CN111833114A (zh) * | 2020-07-27 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 一种渠道业务发展目标智能预测方法、系统、介质及设备 |
CN113807758A (zh) * | 2020-12-02 | 2021-12-17 | 北京京东振世信息技术有限公司 | 一种数据生成方法和装置 |
CN113807758B (zh) * | 2020-12-02 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种数据生成方法和装置 |
CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
CN112669065A (zh) * | 2020-12-24 | 2021-04-16 | 润联软件系统(深圳)有限公司 | 一种快消品需求预测方法、装置、计算机设备及存储介质 |
CN112669065B (zh) * | 2020-12-24 | 2022-05-03 | 润联软件系统(深圳)有限公司 | 一种快消品需求预测方法、装置、计算机设备及存储介质 |
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 |
CN116629754A (zh) * | 2023-07-24 | 2023-08-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
CN116629754B (zh) * | 2023-07-24 | 2023-12-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
CN116957471A (zh) * | 2023-07-29 | 2023-10-27 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
CN116957471B (zh) * | 2023-07-29 | 2024-03-19 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109741082B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741082A (zh) | 一种基于时间序列分解的季节性商品需求预测方法 | |
See-To et al. | Customer reviews for demand distribution and sales nowcasting: a big data approach | |
US10387900B2 (en) | Methods and apparatus for self-adaptive time series forecasting engine | |
Ma et al. | Demand forecasting with high dimensional data: The case of SKU retail sales forecasting with intra-and inter-category promotional information | |
CN106971348B (zh) | 一种基于时间序列的数据预测方法和装置 | |
CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
US7062447B1 (en) | Imputed variable generator | |
JP6027679B2 (ja) | 祭日用売れ筋商品を決定するための方法及びデバイス | |
CN109255651A (zh) | 一种基于大数据的搜索广告转化智能预测方法 | |
Koopman et al. | Forecasting the US term structure of interest rates using a macroeconomic smooth dynamic factor model | |
US20100010870A1 (en) | System and Method for Tuning Demand Coefficients | |
CN111652654A (zh) | 销量预测及神经网络构建的方法、装置、设备、存储介质 | |
CA3235875A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
US20140200992A1 (en) | Retail product lagged promotional effect prediction system | |
KR101963817B1 (ko) | 키워드 검색량 기반 예측 정보 생성 장치 및 방법 | |
KR20140056731A (ko) | 구매추천 시스템 및 방법 | |
CN109740624B (zh) | 一种基于大数据的物流供应链需求预测方法 | |
CN110570233A (zh) | 用于电商平台的用户回购时间预测方法及装置 | |
Sakib | Restaurant sales prediction using machine learning | |
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 | |
CN111352976A (zh) | 一种针对购物节的搜索广告转化率预测方法及装置 | |
US11182436B2 (en) | Predicting locations based on transaction records | |
CN116579804A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
Lingxian et al. | Online retail sales prediction with integrated framework of K-mean and neural network | |
CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 |
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 |