CN110019165A - 一种清洗异常数据的方法和装置 - Google Patents

Abstract

本发明公开了清洗异常数据的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取历史数据，识别所述历史数据的概率分布种类；根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。该实施方式能够解决现有技术中受到异常数据的影响，导致补货量偏大，造成商品周转变大占用资金成本的问题。

Description

一种清洗异常数据的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种清洗异常数据的方法和装置。

背景技术

目前，供应链管理是企业管理的核心，尤其是对于电商行业。在供应链管理中补货是十分重要的一个环节，补货量多少取决于对商品未来销量的预测。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：对商品未来销量进行预测时，考虑的一大因素是商品的历史销量，然而历史销量中，由于存在促销、节假日等影响，商品往往会在个别天中出现明显大于平常的异常高销量，尤其是在电商企业，异常高销量可以达到平常的好几倍。在做预测时，必须想办法剔除这些异常销量，否则在预测模型中会受到这些异常销量的影响，导致补货量偏大，造成商品周转变大占用资金成本，甚至是滞销。

发明内容

有鉴于此，本发明实施例提供一种清洗异常数据的方法和装置，能够解决现有技术中受到异常数据的影响，导致补货量偏大，造成商品周转变大占用资金成本的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种清洗异常数据的方法，包括获取历史数据，识别所述历史数据的概率分布种类；根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。

可选地，所述识别所述历史销量数据的概率分布种类，包括：选择备选的至少两种概率分布种类；根据极大似然估计，以获得每种备选概率分布的参数；根据所述参数和历史数据，计算每种备选概率分布的K-S统计量，以在所述备选概率分布中选中所述历史数据的概率分布种类。

可选地，根据所述概率分布种类，确定存在异常数据，包括：根据所述概率分布种类和历史数据，采用最大期望算法，以识别异常数据。

可选地，所述采用最大期望算法，以识别异常数据，包括：获取历史数据的集合S＝{X_i,i＝1,2,3...L}和所述概率分布种类F，其中L为历史数据的天数；计算集合S中最大数据X_max，以对去除所述最大数据X_max的集合S计算极大似然估计，获得基线数据的累计概率分布F(x；θ)中的参数θ；确定X_max不满足则X_max为异常数据，剔除集合S中的X_max，计算集合S中新的最大数据X_max，直至X_max满足其中为F(θ)的1-α分位数，α为0.05或0.01。

另外，根据本发明实施例的一个方面，提供了一种清洗异常数据的装置，包括分布识别模块，用于获取历史数据，识别所述历史数据的概率分布种类；异常识别模块，用于根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。

可选地，所述分布识别模块识别所述历史数据的概率分布种类时，包括：选择备选的至少两种概率分布种类；根据极大似然估计，以获得每种备选概率分布的参数；根据所述参数和历史数据，计算每种备选概率分布的K-S统计量，以在所述备选概率分布中选中所述历史数据的概率分布种类。

可选地，所述异常识别模块根据所述概率分布种类确定存在异常数据时，包括：根据所述概率分布种类和历史数据，采用最大期望算法，以识别异常数据。

可选地，所述异常识别模块采用最大期望算法以识别异常数据时，还包括：获取历史数据的集合S＝{X_i,i＝1,2,3...L}和所述概率分布种类F，其中L为历史数据的天数；计算集合S中最大数据X_max，以对去除所述最大数据X_max的集合S计算极大似然估计，获得基线数据的累计概率分布F(x；θ)中的参数θ；确定X_max不满足则X_max为异常数据，剔除集合S中的X_max，计算集合S中新的最大数据X_max，直至X_max满足其中为F(θ)的1-α分位数，α为0.05或0.01。

根据本发明实施例的另一个方面，还提供了一种电子设备，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，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一清洗异常数据的实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一清洗异常数据的实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用了识别历史数据的概率分布种类；根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。从而，本发明能够准确、有效的识别异常数据，为提升数据预测准确性、提升商品的现货率和周转保驾护航。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的清洗异常数据的方法的主要流程的示意图；

图2是近似泊松分布销量特征和近似正态分布销量特征的示意图；

图3是根据本发明可参考实施例的清洗异常数据的方法的主要流程的示意图；

图4是根据本发明历史销售数据的经验分布函数的示意图；

图5是根据本发明实施例的清洗异常数据的装置的主要模块的示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的清洗异常数据的方法，如图1所示，所述清洗异常数据的方法包括：

步骤S101，获取历史数据，识别所述历史数据的概率分布种类。

作为实施例，在识别历史数据的概率分布种类时，可以选择备选的至少两种概率分布种类。然后根据极大似然估计，以获得每种备选概率分布的参数。最后根据所述参数和历史数据，计算每种备选概率分布的K-S统计量，以在所述备选概率分布中选中所述历史数据的概率分布种类。其中，K-S统计量全称为Kolmogorov-Smirnov统计量，是一种检验实际数据的经验分布是否来自某个参考分布的统计量，值越大表示越不能接受来自这个分布。还有，极大似然估计是统计学中估计参数的一种方法，其思想是要找到一组参数，使得在这个参数下样本的联合概率函数达到最大值。

较佳地，可以选择正态分布和泊松分布两种概率分布。所述正态分布表示一系列随机值是围绕一个均值，以一定的标准差波动的，其分布的特点是对称性和中心性。所述泊松分布相比正态分布由两个参数决定，其只有一个参数λ，且常见情况下概率分布形态并不对称。例如：获取的历史数据为历史销量数据，如图2中所示，左侧的为近似泊松分布销量特征，其特点是非对称性和非中心性，多出现在较低销量的商品中。右侧的为近似正态分布的销售特征，具有近似的对称性和中心性，多出现在较高销量的商品中。

步骤S102，根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。

较佳地，采用最大期望算法，以识别异常数据。其中，所述最大期望算法(Expectation Maximization Algorithm)也叫EM算法，是一种迭代算法，用于含有隐变量(latent variable)的概率参数模型的最大似然估计或极大后验概率估计。

优选地，可以获取历史数据的集合S＝{X_i,i＝1,2,3...L}和所述概率分布种类F，其中L为历史数据的天数；计算集合S中最大数据X_max，以对去除所述最大数据X_max的集合S计算极大似然估计，获得基线数据的累计概率分布F(x；θ)中的参数θ；确定X_max不满足则X_max为异常数据，剔除集合S中的X_max，计算集合S中新的最大数据X_max，直至X_max满足其中为F(θ)的1-α分位数，α为0.05或0.01。

值得说明的是，在异常数据识别中，将数据分为了两类：基线数据和异常数据，其中基线数据就是正常情况下的数据，异常就是异常情况下的数据。

根据上面的各种实施例，可以看出所述的清洗异常数据的方法，对不同数据分布特性的商品，能利用不同的概率分布来有效识别异常数据。从而，可以准确识别数据来自的概率分布种类，为利用分布特征进行异常值识别打下基础。另外，在历史数据较少，或者是异常数据数量较多、异常数据特别大的情况下，通过EM算法，来估计出未受到异常数据影响的“真实”概率分布，从而真正有效地识别异常数据。同时，本发明基于EM算法可以有效剔除异常值本身对于异常识别方法的干扰，能够更全面地识别出异常数据。

图3是根据本发明可参考实施例的清洗异常数据的方法的主要流程的示意图，以获取历史销量数据为例，所述清洗异常数据的方法可以包括：

步骤S301，获取历史销量数据，以及选择正态分布和泊松分布作为备选的概率分布种类。

步骤S302，根据极大似然估计，计算每种备选概率分布的参数。

作为实施例，对于不同概率分布，其参数种类和数量都不相同。在该步骤中利用极大似然估计便可以计算出每种备选概率分布中的参数，以获取正态分布函数和泊松分布函数。

较佳地，可以根据极大似然估计，计算选择的正态分布中的均值和标准差两个参数，而泊松分布则可以计算概率分布中的既是均值又是方差的唯一参数。其中，均值可以理解为一系列观察值的平均值。标准差用来描述一系列观察值相对平均值的波动情况。

步骤S303，计算每种备选概率分布的K-S统计量。

在实施例中，K-S统计量通过如下公式计算获得：

其中，F_n(x)表示样本数据的经验累积概率分布，F(x)表示参考的累积概率分布。

值得说明的是，F_n(x)样本数据的经验累积概率分布，即经验分布函数，为一个阶梯状的曲线，而每个转折点就是样本数据对应点(例如图4所示)。F(x)参考累积概率分布为每种备选概率分布，较佳地为正态分布函数、泊松分布函数。

步骤S304，选择K-S统计量小的备选概率分布作为所述历史销量数据的概率分布。

步骤S305，设历史销量数据的集合为S＝{X_i,i＝1,2,3...L}(其中L为历史销量数据的天数)，所述概率分布种类为F。

步骤S306，计算集合S中最大销量数据X_max。

步骤S307，计算去除了最大销量数据X_max的集合S的极大似然估计，获得基线销量的累计概率分布F(x；θ)中的参数θ。

其中，所述的参数θ就是历史销量数据的概率分布的参数，例如如果作为所述历史销售数据的概率分布是正态分布，则所述参数θ是指均值和标准差两个参数。如果作为所述历史销售数据的概率分布是泊松分布，则所述参数θ是指既是均值又是方差的唯一参数。也就是说，参数θ是统一指代任一最后作为历史销售数据概率分布的备选概率分布的参数。

步骤S308，判断X_max是否满足若满足则直接退出该流程，否则进行步骤S209。

其中为F(θ)的1-α分位数，1-α通常称为“置信度”。α为常量，较佳地α选择0.05或0.01。

步骤S309，X_max为异常销量数据，剔除集合S中的X_max，返回步骤S306。

另外，在本发明可参考实施例中所述清洗异常数据的方法的具体实施内容，在上面所述清洗异常数据的方法中已经详细说明了，故在此重复内容不再说明。

图5是根据本发明实施例的清洗异常数据的装置，如图5所示，所述清洗异常数据的装置500包括分布识别模块501和异常识别模块502。其中，分布识别模块501获取历史数据，识别所述历史数据的概率分布种类。然后异常识别模块502根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。

在一个较佳地实施例中，分布识别模块501在识别历史数据的概率分布种类时，可以选择备选的至少两种概率分布种类。然后根据极大似然估计，以获得每种备选概率分布的参数。最后根据所述参数和历史数据，计算每种备选概率分布的K-S统计量，以在所述备选概率分布中选中所述历史数据的概率分布种类。

另外，异常识别模块502采用最大期望算法，以识别异常数据。进一步地，异常识别模块502可以获取历史数据的集合S＝{X_i,i＝1,2,3...L}和所述概率分布种类F，其中L为历史数据的天数；计算集合S中最大数据X_max，以对去除所述最大数据X_max的集合S计算极大似然估计，获得基线数据的累计概率分布F(x；θ)中的参数θ；确定X_max不满足则X_max为异常数据，剔除集合S中的X_max，计算集合S中新的最大数据X_max，直至X_max满足其中为F(θ)的1-α分位数，α为0.05或0.01。

需要说明的是，在本发明所述清洗异常数据的装置的具体实施内容，在上面所述清洗异常数据的方法中已经详细说明了，故在此重复内容不再说明。

图6示出了可以应用本发明实施例的清洗异常数据的方法或清洗异常数据的装置的示例性系统架构600。或者图6示出了可以应用本发明实施例的清洗异常数据的方法或清洗异常数据的装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，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605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类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产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的清洗异常数据的方法一般由服务器605执行，相应地，清洗异常数据的装置一般设置于服务器605中。

应该理解，图6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。

下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有系统700操作所需的各种程序和数据。CPU701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本发明中，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。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括分布识别模块501和异常识别模块502。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读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一个该设备执行时，使得该设备包括：获取历史数据，识别所述历史数据的概率分布种类；根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。

根据本发明实施例的技术方案，实现了准确、有效的识别异常数据，为提升数据预测准确性、提升商品的现货率和周转保驾护航。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种清洗异常数据的方法，其特征在于，包括：

获取历史数据，识别所述历史数据的概率分布种类；

根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。

2.根据权利要求1所述的方法，其特征在于，所述识别所述历史数据的概率分布种类，包括：

选择备选的至少两种概率分布种类；

根据极大似然估计，以获得每种备选概率分布的参数；

根据所述参数和历史数据，计算每种备选概率分布的K-S统计量，以在所述备选概率分布中选中所述历史数据的概率分布种类。

3.根据权利要求1或2所述的方法，其特征在于，根据所述概率分布种类，确定存在异常数据，包括：

根据所述概率分布种类和历史销量数据，采用最大期望算法，以识别异常数据。

4.根据权利要求3所述的方法，其特征在于，所述采用最大期望算法，以识别异常数据，包括：

获取历史数据的集合S＝{X_i,i＝1,2,3...L}和所述概率分布种类F，其中L为历史数据的天数；

计算集合S中最大数据X_max，以对去除所述最大数据X_max的集合S计算极大似然估计，获得基线数据的累计概率分布F(x；θ)中的参数θ；

确定X_max不满足则X_max为异常数据，剔除集合S中的X_max，计算集合S中新的最大数据X_max，直至X_max满足其中为F(θ)的1-α分位数，α为0.05或0.01。

5.一种清洗异常数据的装置，其特征在于，包括：

分布识别模块，用于获取历史数据，识别所述历史数据的概率分布种类；

异常识别模块，用于根据所述概率分布种类，确定存在异常数据，以剔除所述历史数据中的异常数据。

6.根据权利要求5所述的装置，其特征在于，所述分布识别模块识别所述历史数据的概率分布种类时，包括：

选择备选的至少两种概率分布种类；

根据极大似然估计，以获得每种备选概率分布的参数；

根据所述参数和历史数据，计算每种备选概率分布的K-S统计量，以在所述备选概率分布中选中所述历史数据的概率分布种类。

7.根据权利要求5或6所述的装置，其特征在于，所述异常识别模块根据所述概率分布种类确定存在异常数据时，包括：

根据所述概率分布种类和历史数据，采用最大期望算法，以识别异常数据。

8.根据权利要求6所述的装置，其特征在于，所述异常识别模块采用最大期望算法以识别异常数据时，还包括：

获取历史数据的集合S＝{X_i,i＝1,2,3...L}和所述概率分布种类F，其中L为历史销量数据的天数；

计算集合S中最大数据X_max，以对去除所述最大数据X_max的集合S计算极大似然估计，获得基线数据的累计概率分布F(x；θ)中的参数θ；

确定X_max不满足则X_max为异常数据，剔除集合S中的X_max，计算集合S中新的最大数据X_max，直至X_max满足其中为F(θ)的1-α分位数，α为0.05或0.01。

9.一种电子设备，其特征在于，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，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。