CN110619407A - 对象销量的预测方法及系统、电子设备和存储介质 - Google Patents
对象销量的预测方法及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110619407A CN110619407A CN201810631537.6A CN201810631537A CN110619407A CN 110619407 A CN110619407 A CN 110619407A CN 201810631537 A CN201810631537 A CN 201810631537A CN 110619407 A CN110619407 A CN 110619407A
- Authority
- CN
- China
- Prior art keywords
- sales volume
- sales
- probability value
- predicting
- preset
- 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 32
- 238000013145 classification model Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 abstract description 4
- 238000013179 statistical model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种对象销量的预测方法及系统、电子设备和存储介质。所述预测方法包括:获取历史销售数据;根据所述历史销售数据统计预设时间段内毎个周期的对象的销量,并预测下个周期销量的概率值;所述预设时间段包括若干周期;基于GBDT分类模型预测对象在下个周期的销售量;根据所述销售量调整所述概率值。本发明能够准确预测对象SKU的销量,特别是能提高销量相对较小且波动较大的对象SKU的销量预测准确度,为用户对对象SKU的库存补给提供参考,实现良好的库存周转,最大化销售收益。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种对象销量的预测方法及系统、电子设备和存储介质。
背景技术
交易对象会涉及到SKU(Stock Keeping Unit,库存量单位)粒度的选品推荐工作,本质是基于某个SKU相关的历史数据预测出未来一段时间该对象SKU的销量,预测的销量减去当下该对象SKU的库存量就是下次需要的补货量。
现有技术中有两类销量预测方法:
(1)基于简单的数据统计分析,计算出某一时间段内某个对象SKU的日均/周均/月均销量,以该均值作为下次补货量的参考;该方案统计指标较为单一,而且均值很难抓住近期的销售变化及趋势,所以整体预测精度较差;
(2)基于时间序列模型的预测,将某个对象SKU的历史销量数据输入一个时间序列模型,挖掘出销售规律(季节性和趋势性等),同时预测出下个时间段的销量;该方案本质上也是一个统计模型,只是用到了一些指数平滑等手段,尝试找到历史数据中的“趋势性和周期性”等信息,虽然在那些一直有较大销量的SKU(统计特征明显)上表现比较好,但对于那些销量相对较小且波动较大的SKU(统计特征不明显)上表现一般,预测精度较差。
发明内容
本发明要解决的技术问题是为了克服现有技术中销量预测方式精度较差,特别是针对销量相对较小且波动较大的对象SKU的预测准确度较低的缺陷,提供一种对象销量的预测方法及系统、电子设备和存储介质。
本发明是通过下述技术方案来解决上述技术问题:
一种对象销量的预测方法,所述预测方法包括:
获取历史销售数据;
根据所述历史销售数据统计预设时间段内毎个周期的对象的销量,并预测下个周期销量的概率值;所述预设时间段包括若干周期;
基于GBDT分类模型预测对象在下个周期的销售量;
根据所述销售量调整所述概率值。
较佳地,所述预测方法还包括:
建立所述GBDT分类模型;
所述GBDT分类模型的输入参数包括至少三个以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内每个周期的销量、周期的销量均值、天销量、天销量均值、天销量方差;
所述GBDT分类模型的输出参数为所述销售量的二分类标签。
较佳地,根据所述销售量调整所述概率值的步骤,包括:
若所述二分类标签为所述销售量大于等于销量阈值,则将所述下个周期销量小于等于所述销量阈值的概率值依次递增第一预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值依次递增第二预设概率值;
所述第二预设概率值小于所述第一预设概率值。
较佳地,根据所述销售量调整所述概率值的步骤,包括:
若所述二分类标签为所述销售量小于销量阈值,则将所述下个周期销量小于等于所述销量阈值的概率值依次递减第三预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值设为第四预设概率值;
所述第四预设概率值小于所述第三预设概率值。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的对象销量的预测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的对象销量的预测方法的步骤。
本发明还提供一种对象销量的预测系统,所述预测系统包括:
数据获取模块,用于获取历史销售数据;
概率值预测模块,用于根据所述历史销售数据统计预设时间段内毎个周期的对象的销量,并预测下个周期销量的概率值;
所述预设时间段包括若干周期;
销售量预测模型,用于基于GBDT分类模型预测对象在下个周期的销售量;
调节模块,用于根据所述销售量调整所述概率值。
较佳地,所述预测系统还包括:
模型建立模块,用于建立所述GBDT分类模型;
所述GBDT分类模型的输入参数包括至少三个以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内每个周期的销量、周期的销量均值、天销量、天销量均值、天销量方差;
所述GBDT分类模型的输出参数为所述销售量的二分类标签。
较佳地,若所述二分类标签为所述销售量大于等于销量阈值,所述调节模块具体用于将所述下个周期销量小于等于所述销量阈值的概率值依次递增第一预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值依次递增第二预设概率值;
所述第二预设概率值小于所述第一预设概率值。
较佳地,若所述二分类标签为所述销售量小于销量阈值,所述调节模块具体用于将所述下个周期销量小于等于所述销量阈值的概率值依次递减第三预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值设为第四预设概率值;
所述第四预设概率值小于所述第三预设概率值。
本发明的积极进步效果在于:本发明能够准确预测对象SKU的销量,特别是能提高销量相对较小且波动较大的对象SKU的销量预测准确度,为用户对对象SKU的库存补给提供参考,实现良好的库存周转,最大化销售收益。
附图说明
图1为本发明实施例1的对象销量的预测方法的第一流程图。
图2为本发明实施例1的对象销量的预测方法的第二流程图。
图3为本发明实施例2的电子设备的硬件结构示意图。
图4为本发明实施例4的对象销量的预测系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种对象销量的预测方法,为用户对对象SKU的库存补给提供参考,实现良好的库存周转,最大化销售收益。如图1所示,本实施例的预测方法包括以下步骤:
步骤101、获取历史销售数据。
历史销售数据包括以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内的各天/周的销量、销量均值及销量方差等。
步骤102、根据历史销售数据统计对象在预设时间段内毎个周期的销量,并预测下个周期销量的概率值。
其中,预设时间段包括若干周期。根据实际需求,可以以周或月作为一个周期,而根据销量基础数据波动性较大的特点,选择周作为统计周期更加合适,也即将一周作为一个周期。
本实施例中,基于简单统计模型进行下个周期(未来销量概率值)的预测。具体的,概率值的计算公式如下:
概率值=k/N*100%;
其中,N表示预设时间段内的周期数(例如,8周);k表示预设时间段内对象SKU的销售件数大于一销量的周数。
为了便于理解,以下举个具体实例对步骤102中概率值的预测过程进行说明:
若预设时间段的时长设为8周(周期的数量不限于8周,可以在8周上下浮动,如10周),统计得到该预设时间段内某一对象SKU(以下简称对象A)的销售件数分别为:当前周销售2件、上周(-1)销售3件、上上周(-2)销售5件、(-3)周销售3件、(-4)周销售7件、(-5)周销售7件、(-6)周销售4件和(-7)周销售6件。由于8周中,每周的销量均大于1件,则销量大于1件的概率值为100%;8周中,周销量大于2件的有7周,则销量大于2件的效率概率值=7/8×100%=87.5%;以此类推,预测得到对象A在下个周期的销量概率值如下表1:
表1对象A的销量概率值表
步骤103、基于GBDT分类模型预测对象在下个周期的销售量。
本实施例中,在步骤103之前,还需要建立GBDT分类模型,具体的:将历史销售数据作为训练样本,训练GBDT模型,得到最终的GBDT分类模型。
GBDT分类模型的输入参数包括至少三个以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内每个周期的销量、周期的销量均值、天销量(例如过去1-10天对象SKU的销售量)、天销量均值、天销量方差。
GBDT分类模型的输出参数为销售量的二分类标签。例如,若对象SKU在未来一周的销售件数大于等于销量阈值,则标签label=1;若销售件数小于销量阈值,则标签label=0。其中,销量阈值由预设时间段内对象SKU的销量的中位数确定。
本实施例的GBDT分类模型的输入参数不只考虑周期的销量均值,还构建了多时间窗口、更细粒度的数据特征,使得预测销售量的分类结果更加准确。
步骤104、根据销售量调整概率值。
步骤104也即实现简单统计模型与机器学习GBDT分类模型的融合。本实施例中,采用较为粗放的融合策略,实现两个模型的融合,以覆盖销量相对较小且波动较大的对象SKU,从而避免模型过拟合。由于GBDT分类模型考虑了更多的数据特征,其分类结果有很重要的指导性。因此,本实施例将GBDT分类模型的二分类结果适配到统计模型输出的概率值中,也即对统计模型中各对象SKU的销量概率值进行调整,得到最终预测的下一周期的对象概率值,为对象SKU的库存量补给提供参考。
具体的,如图2所示,步骤104包括:
步骤104-1、判断标签类型。
若二分类标签为label=1,也即GBDT分类模型预测下一周期对象的销售量大于等于销量阈值,则执行步骤104-2。若二分类标签为label=0,也即GBDT分类模型预测下一周期对象的销售量小于销量阈值,则执行步骤104-3。
步骤104-2、将销量小于等于销量阈值的概率值依次递增第一预设概率值;和/或,将销量大于销量阈值的概率值依次递增第二预设概率值。
其中,第二预设概率值小于第一预设概率值。当然,销量大于销量阈值的概率值也可维持不变。
步骤104-3、将销量小于等于销量阈值的概率值依次递减第三预设概率值;和/或,将销量大于销量阈值的概率值设为第四预设概率值。
需要说明的是,上述四个预设概率值的大小可根据实际需求自行设置,例如将第一预设概率值设为10%,第二预设概率值设为5%,第三预设概率值设为5%,第四预设概率值为销量的概率值中的最小值或0。
本实施例中,还进一步判断经过调整后的销量概率值是否大于100%或小于0,在判断调整后的销量概率值大于100%时,将大于100%的销量概率值设置为100%;在判断调整后的销量概率值小于0时,将小于0的销量概率值设置为0,以确保销量的概率值在[0,100%]的区间范围内。
以下还是以对象A为例,对销量概率值的调整过程进行说明:
若GBDT分类模型判断对象A的标签label=1,则经过调整后确定的对象的销量概率值如下表2:
表2对象的销量概率值表
从上表中可得出,对象A在下个周期的销量大于1件的概率为100%,大于2件的概率为97.5%,大于3件的概率为72.5%,大于4件的概率为60%,大于5件的概率为42.5%,大于6件的概率为30%,大于7件的概率为5%,从而,用户可根据该表自行决定对对象SKU的库存补给量,以提高库存周转率,最大化销售收益。本实施例中,模型采用“销量的概率值”表征预测结果,赋予了用户极大的自由度(既有单一SKU各件的销量概率值,还能根据实际情况进行筛选SKU),给用户带来了极大的方便。
实施例2
图3为本发明实施例提供的一种电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备30的框图。图3显示的电子设备30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3所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1所提供的对象销量的预测方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的电子设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器36通过总线33与模型生成的电子设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的电子设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例3
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1所提供的对象销量的预测方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1所提供的对象销量的预测方法中的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
实施例4
如图4所示,本实施例的对象销量的预测系统包括:数据获取模块1、概率值预测模块2、销售量预测模型3、调节模块4和模型建立模块5。
数据获取模块1用于获取历史销售数据。其中,历史销售数据包括以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内的各天/周的销量、销量均值及销量方差等。
概率值预测模块2用于根据历史销售数据统计预设时间段内毎个周期的对象的销量,并预测下个周期销量的概率值。
其中,预设时间段包括若干周期。根据实际需求,可以以周或月作为一个周期,而根据销量基础数据波动性较大的特点,选择周作为统计周期更加合适,也即将一周作为一个周期。
本实施例中,基于简单统计模型进行下个周期(未来销量概率值)的预测。具体的,概率值的计算公式如下:
概率值=k/N*100%;
其中,N表示预设时间段内的周期数(例如,8周);k表示预设时间段内对象SKU的销售件数大于一销量的周数。
模型建立模块5用于建立GBDT分类模型。具体的,模型建立模块5将历史销售数据作为训练样本,训练GBDT模型,得到最终的GBDT分类模型。
GBDT分类模型的输入参数包括至少三个以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内每个周期的销量、周期的销量均值、天销量(例如过去1-10天对象SKU的销售量)、天销量均值、天销量方差;GBDT分类模型的输出参数为销售量的二分类标签。
二分类标签例如,若对象SKU在未来一周的销售件数大于等于销量阈值,则标签label=1;若销售件数小于销量阈值,则标签label=0。其中,销量阈值由预设时间段内对象SKU的销量的中位数确定。
本实施例的GBDT分类模型的输入参数不只考虑周期的销量均值,还构建了多时间窗口、更细粒度的数据特征,使得预测销售量的分类结果更加准确。
销售量预测模型3调用模型建立模块5建立的GBDT分类模型,以预测对象在下个周期的销售量。
调节模块4用于根据销售量的二分类标签调整概率值,也即实现统计模型与机器学习GBDT分类模型的融合。具体的:
若二分类标签为销售量大于等于销量阈值,则调节模块4将下个周期销量小于等于销量阈值的概率值依次递增第一预设概率值;和/或,将下个周期销量大于销量阈值的概率值依次递增第二预设概率值;其中,第二预设概率值小于第一预设概率值;
若二分类标签为销售量小于销量阈值,则调节模块4将下个周期销量小于等于销量阈值的概率值依次递减第三预设概率值;和/或,将下个周期销量大于销量阈值的概率值设为第四预设概率值;其中,第四预设概率值小于第三预设概率值。
需要说明的是,上述四个预设概率值的大小可根据实际需求自行设置,第二预设概率值和第三预设概率值的大小可设置为相同,第四预设概率值可设置为销量的概率值中的最小值或0。
本实施例中,还进一步判断经过调整后的销量概率值是否大于100%或小于0,在判断调整后的销量概率值大于100%时,将大于100%的销量概率值设置为100%;在判断调整后的销量概率值小于0时,将小于0的销量概率值设置为0,以确保销量的概率值在[0,100%]的区间范围内。
本实施例中,用户可根据调节模块4调节后的概率值可自行决定对对象SKU的库存补给量,以提高库存周转率,最大化销售收益。模型采用“销量的概率值”表征预测结果,赋予了用户极大的自由度(既有单一SKU各件的销量概率值,还能根据实际情况进行筛选SKU),给用户带来了极大的方便。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种对象销量的预测方法,其特征在于,所述预测方法包括:
获取历史销售数据;
根据所述历史销售数据统计预设时间段内毎个周期的对象的销量,并预测下个周期销量的概率值;所述预设时间段包括若干周期;
基于GBDT分类模型预测对象在下个周期的销售量;
根据所述销售量调整所述概率值。
2.如权利要求1所述的对象销量的预测方法,其特征在于,所述预测方法还包括:
建立所述GBDT分类模型;
所述GBDT分类模型的输入参数包括至少三个以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内每个周期的销量、周期的销量均值、天销量、天销量均值、天销量方差;
所述GBDT分类模型的输出参数为所述销售量的二分类标签。
3.如权利要求2所述的对象销量的预测方法,其特征在于,根据所述销售量调整所述概率值的步骤,包括:
若所述二分类标签为所述销售量大于等于销量阈值,则将所述下个周期销量小于等于所述销量阈值的概率值依次递增第一预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值依次递增第二预设概率值;
所述第二预设概率值小于所述第一预设概率值。
4.如权利要求2所述的对象销量的预测方法,其特征在于,根据所述销售量调整所述概率值的步骤,包括:
若所述二分类标签为所述销售量小于销量阈值,则将所述下个周期销量小于等于所述销量阈值的概率值依次递减第三预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值设为第四预设概率值;
所述第四预设概率值小于所述第三预设概率值。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的对象销量的预测方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述的对象销量的预测方法的步骤。
7.一种对象销量的预测系统,其特征在于,所述预测系统包括:
数据获取模块,用于获取历史销售数据;
概率值预测模块,用于根据所述历史销售数据统计预设时间段内毎个周期的对象的销量,并预测下个周期销量的概率值;
所述预设时间段包括若干周期;
销售量预测模型,用于基于GBDT分类模型预测对象在下个周期的销售量;
调节模块,用于根据所述销售量调整所述概率值。
8.如权利要求7所述的对象销量的预测系统,其特征在于,所述预测系统还包括:
模型建立模块,用于建立所述GBDT分类模型;
所述GBDT分类模型的输入参数包括至少三个以下参数:季节、SKU的三级品类、SKU首次上柜可售时间、SKU在预设时间段内每个周期的销量、周期的销量均值、天销量、天销量均值、天销量方差;
所述GBDT分类模型的输出参数为所述销售量的二分类标签。
9.如权利要求8所述的对象销量的预测系统,其特征在于,若所述二分类标签为所述销售量大于等于销量阈值,所述调节模块具体用于将所述下个周期销量小于等于所述销量阈值的概率值依次递增第一预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值依次递增第二预设概率值;
所述第二预设概率值小于所述第一预设概率值。
10.如权利要求8所述的对象销量的预测系统,其特征在于,若所述二分类标签为所述销售量小于销量阈值,所述调节模块具体用于将所述下个周期销量小于等于所述销量阈值的概率值依次递减第三预设概率值;和/或,将所述下个周期销量大于所述销量阈值的概率值设为第四预设概率值;
所述第四预设概率值小于所述第三预设概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631537.6A CN110619407B (zh) | 2018-06-19 | 2018-06-19 | 对象销量的预测方法及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631537.6A CN110619407B (zh) | 2018-06-19 | 2018-06-19 | 对象销量的预测方法及系统、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619407A true CN110619407A (zh) | 2019-12-27 |
CN110619407B CN110619407B (zh) | 2024-04-09 |
Family
ID=68920434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810631537.6A Active CN110619407B (zh) | 2018-06-19 | 2018-06-19 | 对象销量的预测方法及系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619407B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652638A (zh) * | 2020-05-27 | 2020-09-11 | 北京建宏印刷有限公司 | 一种图书印刷指导方法、系统及存储介质 |
CN113159708A (zh) * | 2021-03-19 | 2021-07-23 | 北京京东拓先科技有限公司 | 预警信息生成方法及装置、可读存储介质及电子设备 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200992A1 (en) * | 2013-01-14 | 2014-07-17 | Oracle International Corporation | Retail product lagged promotional effect prediction system |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
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 |
CN107491922A (zh) * | 2017-09-06 | 2017-12-19 | 太仓埃特奥数据科技有限公司 | 一种无人超市的库存量预测方法 |
-
2018
- 2018-06-19 CN CN201810631537.6A patent/CN110619407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200992A1 (en) * | 2013-01-14 | 2014-07-17 | Oracle International Corporation | Retail product lagged promotional effect prediction system |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
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 |
CN107491922A (zh) * | 2017-09-06 | 2017-12-19 | 太仓埃特奥数据科技有限公司 | 一种无人超市的库存量预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652638A (zh) * | 2020-05-27 | 2020-09-11 | 北京建宏印刷有限公司 | 一种图书印刷指导方法、系统及存储介质 |
CN113159708A (zh) * | 2021-03-19 | 2021-07-23 | 北京京东拓先科技有限公司 | 预警信息生成方法及装置、可读存储介质及电子设备 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110619407B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
US11120347B2 (en) | Optimizing data-to-learning-to-action | |
CN106462795B (zh) | 用于针对金融市场中的大数据交易将资本分配到交易策略的系统及方法 | |
KR20210116435A (ko) | 재고 관리 및 최적화를 위한 시스템 및 방법 | |
US20180276757A1 (en) | Methods and Apparatus for Improving Factor Risk Model Responsiveness | |
EP2192537A2 (en) | Predictive modeling | |
US20140310059A1 (en) | System , method and computer program forecasting energy price | |
CN113544707A (zh) | 用于连续检测、诊断和优化的深度因果学习 | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN108629436B (zh) | 一种估算仓库拣货能力的方法和电子设备 | |
CN110619407A (zh) | 对象销量的预测方法及系统、电子设备和存储介质 | |
US20230297583A1 (en) | Time Series Forecasting | |
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 | |
CN111292109A (zh) | 产品的价格区间的确定方法、系统、设备和存储介质 | |
WO2022187946A1 (en) | Conditional parameter optimization method & system | |
EP1107157A2 (en) | System and method for performing predictive analysis | |
CN104321800A (zh) | 价格目标生成器 | |
CN104360905A (zh) | 一种应用于it系统的自适应控制方法和装置 | |
CN111340541A (zh) | 酒店房型异常价格的预警方法、系统、设备和介质 | |
CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
AU2018102066A4 (en) | An Automated Investment Robo-Advisor System using Artificial Intelligence | |
EP4050531A1 (en) | System and method for predictive inventory | |
Hong | Cryptocurrency automatic trading research by using facebook deep learning algorithm. | |
CN117131753A (zh) | 一种信息预测方法、装置、设备和存储介质 | |
CN116645210A (zh) | 资管产品的风控方法及系统、设备与介质 |
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 |