CN110717628A - 一种货源优配模型构建方法、优配模型以及优配方法 - Google Patents
一种货源优配模型构建方法、优配模型以及优配方法 Download PDFInfo
- Publication number
- CN110717628A CN110717628A CN201910952392.4A CN201910952392A CN110717628A CN 110717628 A CN110717628 A CN 110717628A CN 201910952392 A CN201910952392 A CN 201910952392A CN 110717628 A CN110717628 A CN 110717628A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- network model
- retail customer
- model
- 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
Images
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种货源优配模型构建方法、优配模型以及优配方法,属于深度学习领域,要解决的技术问题为如何对营销系统中的商品货源进行智能化最优分配。方法包括:S100、构建BP神经网络模型以及LSTM循环神经网络模型;采集零售户基础信息数据和零售户历史订购数据;S200、以训练样本中零售户基础信息数据训练BP神经网络模型模型;以输出的零售户货源历史分配数据以及训练样本中零售户历史订购数据训练LSTM循环神经网络模型;S300、如果模型准确率不符合阈值,循环执行步骤S200直至模型准确率达到阈值。模型为上述方法构建的货源优配模型。优配方法为通过上述方法构建的优配模型出参决策货源优配。
Description
技术领域
本发明涉及深度学习领域,具体地说是一种货源优配模型构建方法、优配模型以及优配方法。
背景技术
深度学习是机器学习的一种,而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究,含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本等。
神经网络是一组粗略模仿人类大脑,用于模式识别的算法。神经网络这个术语来源于这些系统架构设计背后的灵感,这些系统是用于模拟生物大脑自身神经网络的基本结构,以便计算机能够执行特定的任务。
LSTM是一种时间序列循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层,而LSTM加入门控结构,在每个序列索引位置的门一般包括遗忘门,输入门和输出门三种。
基于深度学习以及神经网络,通过深度学习训练历史销售数据,学习专家经验,减少营销系统中的货源人为参与程度,达到全流程货源分配自动化进行,降低误差,实现物取所需,精准优配,并实现对对营销系统中的商品货源进行智能化最优分配,是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供一种货源优配模型构建方法、优配模型以及优配方法,来解决如何对营销系统中的商品货源进行智能化最优分配的问题。
第一方面,本发明提供一种货源优配模型构建方法,包括如下步骤:
S100、构建BP神经网络模型以及LSTM循环神经网络模型,所述BP神经网络模型用于对零售户基础信息数据进行数据特征学习,所述LSTM循环神经网络模型用于对零售户历史订购数据进行循环长期记忆学习;
采集零售户基础信息数据和零售户历史订购数据,将零售户基础信息数据和零售户历史订购数据划分为测试样本和训练样本;
S200、以训练样本中零售户基础信息数据为一级入参,通过一级入参训练BP神经网络模型模型,输出零售户货源历史分配数据,并得到训练后BP神经网络模型;
以输出的零售户货源历史分配数据以及训练样本中零售户历史订购数据为二级入参,通过二级入参训练LSTM循环神经网络模型,输出零售户货源历史分配数据,并得到训练后BP神经网络模型;
S300、将测试样本中零售户基础信息数据为一级入参,将一级入参输入训练后BP神经网络模型模型,输出零售户货源历史分配数据;
将上述训练后BP神经网络模型输出的零售户货源历史分配数据以及测试样本中零售户历史订购数据作为二级入参,将二级入参输入训练后LSTM循环神经网络模型,输出零售户货源历史分配数据;
将训练后LSTM循环神经网络模型输出的零售户货源历史分配数据与实际的零售户货源历史分配数据进行对比计算,得到模型准确率,如果模型准确率不符合阈值,循环执行步骤S200直至模型准确率达到阈值。
作为优选,采集零售户基础信息数据和零售户历史订购数据后,分别对零售户基础信息数据和零售户历史订购数据进行数据预处理;
所述数据预处理包括:
对数据进行one-hot编码;
对数据进行标准化处理;
对数据进行异常值检测;
对数据进行相关特征筛选,去除冗余特征;
将数据预处理后的零售户基础信息数据和零售户历史订购数据划分为测试样本和训练样本。
作为优选,零售户基础信息数据包括但不限于商圈类型、经营规模、经营业态、市场类型以及地理位置。
作为优选,所述BP神经网络模型以及LSTM循环神经网络模型均包括输入层、隐藏层和输出层;
BP神经网络模型中隐藏层共五层,LSTM循环神经网络模型中隐藏层的层数M与采集的零售户历史订购数据周期个数N相关,M=3*N。
作为优选,BP神经网络模型以及LSTM循环神经网络模型均为通过通过python脚本编写的神经网络模型。
作为优选,所述零售户货源历史分配数据存储于关系型数据库。
作为优选,通过构建BP神经网络模型以及LSTM循环神经网络模型之前,部署神经网络模型运行环境,包括:
通过Docker容器化部署基于TensorFlow深度学习框架环境;
整合python环境;
安装数据分析挖掘核心库,核心库包括numpy、pandas、keras;
部署关系型数据库。
第二方面,本发明提供一种基于深度学习的货源优配模型,所述模型为通过如第一方面任一项所述的一种货源优配模型构建方法构建的模型,包括训练后BP神经网络模型以及训练后LSTM循环神经网络模型;
所述BP神经网络模型用于对零售户基础信息数据进行数据特征学习,所述LSTM循环神经网络模型用于对零售户历史订购数据进行循环长期记忆学习,通过所述训练后BP神经网络模型以及训练后LSTM循环神经网络模型得到零售户货源历史分配数据。
第三方面,本发明提供一种基于深度学习的货源优配方法,包括如下步骤:
通过如第一方面任一项所述的一种货源优配模型构建方法,构建货源优配模型,所述模型包括训练后BP神经网络模型以及训练后LSTM循环神经网络模型;
采集零售户基础信息数据和零售户历史订购数据;
将零售户基础信息数据作为一级入参,将一级入参输入训练后BP神经网络模型得到零售户货源历史分配数据;
将上述零售户货源历史分配数据和零售户历史订购数据作为二级入参,将二级入参输入训练后LSTM循环神经网络模型,得到零售户货源历史分配数据,所述训练后LSTM循环神经网络模型输出的零售户货源历史分配数据作为所述货源优配模型的出参;
参照所述出参决策货源优配。
本发明的一种货源优配模型构建方法、优配模型以及优配方法具有以下优点:
1、以深度学习技术为基础,利用BP神经网络、LSTM循环神经网络综合建模,进行特征相关系分析,为货源的合理分配提供可靠依据,实现了对商品货源的智能化分配;
2、基于神经网络,模拟人类神经元,将人为经验转化为科学合理的算法建模方法,更具说服力,可以更好地辅助货源管理员根据模型预测结果进行决策,减少人为操作误差,货源分配更精准。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
下面结合附图对本发明进一步说明。
附图1为实施例1一种货源优配模型构建方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供一种货源优配模型构建方法、优配模型以及优配方法,用于解决如何对营销系统中的商品货源进行智能化最优分配的技术问题。
实施例1:
本发明的一种货源优配模型构建方法,包括如下步骤:
S100、构建BP神经网络模型以及LSTM循环神经网络模型,所述BP神经网络模型用于对零售户基础信息数据进行数据特征学习,所述LSTM循环神经网络模型用于对零售户历史订购数据进行循环长期记忆学习;
采集零售户基础信息数据和零售户历史订购数据,将零售户基础信息数据和零售户历史订购数据划分为测试样本和训练样本;
S200、以训练样本中零售户基础信息数据为一级入参,通过一级入参训练BP神经网络模型模型,输出零售户货源历史分配数据,并得到训练后BP神经网络模型;
以输出的零售户货源历史分配数据以及训练样本中零售户历史订购数据为二级入参,通过二级入参训练LSTM循环神经网络模型,输出零售户货源历史分配数据,并得到训练后BP神经网络模型;
S300、将测试样本中零售户基础信息数据为一级入参,将一级入参输入训练后BP神经网络模型模型,输出零售户货源历史分配数据;
将上述训练后BP神经网络模型输出的零售户货源历史分配数据以及测试样本中零售户历史订购数据作为二级入参,将二级入参输入训练后LSTM循环神经网络模型,输出零售户货源历史分配数据;
将训练后LSTM循环神经网络模型输出的零售户货源历史分配数据与实际的零售户货源历史分配数据进行对比计算,得到模型准确率,如果模型准确率不符合阈值,循环执行步骤S200直至模型准确率达到阈值。
其中,步骤S100中,BP神经网络模型以及LSTM循环神经网络模型均包括输入层、隐藏层和输出层。本实施例中BP神经网络模型中隐藏层共五层,LSTM循环神经网络模型中隐藏层的层数M与采集的零售户历史订购数据周期个数N相关,M=3*N。
本实施例中,BP神经网络模型以及LSTM循环神经网络模型均为通过python脚本编写的神经网络模型。在构建模型之前,需要部署模型运行环境,具体包括:Docker容器化部署基于TensorFlow深度学习框架环境,整合python环境,安装numpy、pandas、keras等数据分析挖掘核心库,用来运行神经网络算法模型。部署MySql数据库,利用关系型数据库存储结果数据,为后续展示分配数据提供数据源。
采集的零售户基础信息数据包括但不限于商圈类型、经营规模、经营业态、市场类型以及地理位置。如果零售户历史订购数据周期T为一个月,样本中采集的零售户历史订购数据共半年即6*T,则LSTM循环神经网络模型中隐藏层的层数M为3*6层。
输出的零售户货源历史分配数据存储于关系型数据库,本实施例中关系型数据库为MySql,为后续展示分配数据提供数据源。
为精确模型,在通过数据训练模型之前,需要对采集的零售户基础信息数据和零售户历史订购数据进行数据预处理。数据预处理包括:对数据进行one-hot编码,对数据进行标准化处理,对数据进行异常值检测,对数据进行相关特征筛选、去除冗余特征。
其中,独热编码即One-Hot编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位有效。
如果直接用原始指标值进行分析,就会突出数值较高的指标在综合分析中的作用,相对削弱数值水平较低指标的作用。数据经过标准化处理后,原始数据转化为无量纲化指标测评值,各指标值处于同一数量级别,可进行综合测评分析。常用的标准化处理方法为最大值标准化或最小值标准化。
异常值检测用于去除超出正常范围的值,本实施例中采用密度聚类的方法进行异常值检测。也可设定阈值范围,通过算法将数据与阈值范围对比,将不在阈值范围内的数据剔除。
数据进行相关特征筛选、去除冗余特征,即将不相关的特向从样本中删除,例如,零售户基础信息数据中地理位置为不相关特性,则将地理位置不作为样本。
步骤S300中精确率阈值为90%,当模型准确率达到90%或以上时,停止迭代循环得到最终的训练后模型。
本发明得到训练后BP神经网络模型以及训练后LSTM循环神经网络模型,通过训练后BP神经网络模型对零售户基础信息数据进行数据特征学习,通过训练后LSTM循环神经网络模型对零售户历史订购数据进行循环长期记忆学习,训练后BP神经网络模型以及训练后LSTM循环神经网络模型配合最终得到的零售户货源历史分配数据可作为货源优配决策依据。
实施例2:
本发明的一种货源优配模型,该优配模型为通过实施例1公开的一种货源优配模型构建方法构建的模型,包括训练后BP神经网络模型以及训练后LSTM循环神经网络模型。
训练后BP神经网络模型用于对零售户基础信息数据进行数据特征学习,训练后LSTM循环神经网络模型用于对零售户历史订购数据进行循环长期记忆学习,通过上述训练后BP神经网络模型以及训练后LSTM循环神经网络模型得到零售户货源历史分配数据。
本实施例中,BP神经网络模型以及LSTM循环神经网络模型均包括输入层、隐藏层和输出层。BP神经网络模型中隐藏层共五层,LSTM循环神经网络模型中隐藏层的层数M与采集的零售户历史订购数据周期个数N相关,M=3*N。
实施例3:
本发明的一种基于深度学习的货源优配方法,包括如下步骤:
S100、通过实施例1公开的一种货源优配模型构建方法,构建货源优配模型,该模型包括训练后BP神经网络模型以及训练后LSTM循环神经网络模型;
S200、采集零售户基础信息数据和零售户历史订购数据;
S300、将零售户基础信息数据作为一级入参,将一级入参输入训练后BP神经网络模型得到零售户货源历史分配数据;
将上述零售户货源历史分配数据和零售户历史订购数据作为二级入参,将二级入参输入训练后LSTM循环神经网络模型,得到零售户货源历史分配数据,所述训练后LSTM循环神经网络模型输出的零售户货源历史分配数据作为所述货源优配模型的出参;
S400、参照所述出参决策货源优配。
本发明的一种基于深度学习的货源优配方法,以深度学习技术为基础,利用BP神经网络、LSTM循环神经网络综合建模,进行特征相关系分析,为货源的合理分配提供可靠依据,实现了对商品货源的智能化分配。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.一种货源优配模型构建方法,其特征在于包括如下步骤:
S100、构建BP神经网络模型以及LSTM循环神经网络模型,所述BP神经网络模型用于对零售户基础信息数据进行数据特征学习,所述LSTM循环神经网络模型用于对零售户历史订购数据进行循环长期记忆学习;
采集零售户基础信息数据和零售户历史订购数据,将零售户基础信息数据和零售户历史订购数据划分为测试样本和训练样本;
S200、以训练样本中零售户基础信息数据为一级入参,通过一级入参训练BP神经网络模型模型,输出零售户货源历史分配数据,并得到训练后BP神经网络模型;
以输出的零售户货源历史分配数据以及训练样本中零售户历史订购数据为二级入参,通过二级入参训练LSTM循环神经网络模型,输出零售户货源历史分配数据,并得到训练后BP神经网络模型;
S300、将测试样本中零售户基础信息数据为一级入参,将一级入参输入训练后BP神经网络模型模型,输出零售户货源历史分配数据;
将上述训练后BP神经网络模型输出的零售户货源历史分配数据以及测试样本中零售户历史订购数据作为二级入参,将二级入参输入训练后LSTM循环神经网络模型,输出零售户货源历史分配数据;
将训练后LSTM循环神经网络模型输出的零售户货源历史分配数据与实际的零售户货源历史分配数据进行对比计算,得到模型准确率,如果模型准确率不符合阈值,循环执行步骤S200直至模型准确率达到阈值。
2.根据权利要求1所述的一种货源优配模型构建方法,其特征在于采集零售户基础信息数据和零售户历史订购数据后,分别对零售户基础信息数据和零售户历史订购数据进行数据预处理;
所述数据预处理包括:
对数据进行one-hot编码;
对数据进行标准化处理;
对数据进行异常值检测;
对数据进行相关特征筛选,去除冗余特征;
将数据预处理后的零售户基础信息数据和零售户历史订购数据划分为测试样本和训练样本。
3.根据权利要求1或2所述的一种货源优配模型构建方法,其特征在于零售户基础信息数据包括但不限于商圈类型、经营规模、经营业态、市场类型以及地理位置。
4.根据权利要求1或2所述的一种货源优配模型构建方法,其特征在于所述BP神经网络模型以及LSTM循环神经网络模型均包括输入层、隐藏层和输出层;
BP神经网络模型中隐藏层共五层,LSTM循环神经网络模型中隐藏层的层数M与采集的零售户历史订购数据周期个数N相关,M=3*N。
5.根据权利要求1或2所述的一种货源优配模型构建方法,其特征在于BP神经网络模型以及LSTM循环神经网络模型均为通过通过python脚本编写的神经网络模型。
6.根据权利要求5所述的一种货源优配模型构建方法,其特征在于所述零售户货源历史分配数据存储于关系型数据库。
7.根据权利要求6所述的一种货源优配模型构建方法,其特征在于通过构建BP神经网络模型以及LSTM循环神经网络模型之前,部署神经网络模型运行环境,包括:
通过Docker容器化部署基于TensorFlow深度学习框架环境;
整合python环境;
安装数据分析挖掘核心库,核心库包括numpy、pandas、keras;
部署关系型数据库。
8.一种货源优配模型,其特征在于所述模型为通过如权利要求1-7任一项所述的一种货源优配模型构建方法构建的模型,包括训练后BP神经网络模型以及训练后LSTM循环神经网络模型;
所述BP神经网络模型用于对零售户基础信息数据进行数据特征学习,所述LSTM循环神经网络模型用于对零售户历史订购数据进行循环长期记忆学习,通过所述训练后BP神经网络模型以及训练后LSTM循环神经网络模型得到零售户货源历史分配数据。
9.一种货源优配方法,其特征在于包括如下步骤:
通过如权利要求1-7任一项所述的一种货源优配模型构建方法,构建货源优配模型,所述模型包括训练后BP神经网络模型以及训练后LSTM循环神经网络模型;
采集零售户基础信息数据和零售户历史订购数据;
将零售户基础信息数据作为一级入参,将一级入参输入训练后BP神经网络模型得到零售户货源历史分配数据;
将上述零售户货源历史分配数据和零售户历史订购数据作为二级入参,将二级入参输入训练后LSTM循环神经网络模型,得到零售户货源历史分配数据,所述训练后LSTM循环神经网络模型输出的零售户货源历史分配数据作为所述货源优配模型的出参;
参照所述出参决策货源优配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952392.4A CN110717628B (zh) | 2019-10-09 | 2019-10-09 | 一种货源优配模型构建方法、优配模型以及优配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910952392.4A CN110717628B (zh) | 2019-10-09 | 2019-10-09 | 一种货源优配模型构建方法、优配模型以及优配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717628A true CN110717628A (zh) | 2020-01-21 |
CN110717628B CN110717628B (zh) | 2023-05-23 |
Family
ID=69212370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910952392.4A Active CN110717628B (zh) | 2019-10-09 | 2019-10-09 | 一种货源优配模型构建方法、优配模型以及优配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717628B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
US20180218311A1 (en) * | 2017-01-27 | 2018-08-02 | Wal-Mart Stores, Inc. | System for improving order batching using location information of items in retail store and method of using same |
US20180253700A1 (en) * | 2017-03-02 | 2018-09-06 | Shop-Ware, Inc. | Systems and methods for operating an interactive repair facility |
CN108764704A (zh) * | 2018-05-24 | 2018-11-06 | 浪潮软件集团有限公司 | 一种基于人工智能的货源分配的方法 |
CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN110205427A (zh) * | 2019-06-20 | 2019-09-06 | 东北大学 | 一种智能热风炉优化控制系统及方法 |
CN110310064A (zh) * | 2019-06-29 | 2019-10-08 | 江苏满运软件科技有限公司 | 一种货源流量的控制方法、装置、存储介质及电子设备 |
-
2019
- 2019-10-09 CN CN201910952392.4A patent/CN110717628B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
US20180218311A1 (en) * | 2017-01-27 | 2018-08-02 | Wal-Mart Stores, Inc. | System for improving order batching using location information of items in retail store and method of using same |
US20180253700A1 (en) * | 2017-03-02 | 2018-09-06 | Shop-Ware, Inc. | Systems and methods for operating an interactive repair facility |
CN108764704A (zh) * | 2018-05-24 | 2018-11-06 | 浪潮软件集团有限公司 | 一种基于人工智能的货源分配的方法 |
CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN110205427A (zh) * | 2019-06-20 | 2019-09-06 | 东北大学 | 一种智能热风炉优化控制系统及方法 |
CN110310064A (zh) * | 2019-06-29 | 2019-10-08 | 江苏满运软件科技有限公司 | 一种货源流量的控制方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
孙存浩;胡兵;邹雨轩;: "指数趋势预测的BP-LSTM模型" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN115564106B (zh) * | 2022-09-29 | 2023-10-17 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110717628B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chua et al. | Model for construction budget performance—Neural network approach | |
Farsi et al. | Parallel genetic algorithms for optimizing the SARIMA model for better forecasting of the NCDC weather data | |
US7792769B2 (en) | Apparatus and method for learning and reasoning for systems with temporal and non-temporal variables | |
Jeong et al. | Machine learning methodology for management of shipbuilding master data | |
CN107977748B (zh) | 一种多变量扭曲时间序列预测方法 | |
Ivanov | Intelligent digital twin (iDT) for supply chain stress-testing, resilience, and viability | |
Chang et al. | A hybrid system by evolving case-based reasoning with genetic algorithm in wholesaler's returning book forecasting | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN112508265A (zh) | 面向业务流程管理的时间与活动多任务预测方法及系统 | |
Abualdenien et al. | Ensemble-learning approach for the classification of Levels Of Geometry (LOG) of building elements | |
Smith et al. | Using multivariate regression trees and multiobjective tradeoff sets to reveal fundamental insights about water resources systems | |
Scherer et al. | On the practical art of state definitions for Markov decision process construction | |
CN115760380A (zh) | 一种融合用电信息的企业信用评估方法与系统 | |
CN110334720A (zh) | 业务数据的特征提取方法、装置、服务器和存储介质 | |
CN110717628B (zh) | 一种货源优配模型构建方法、优配模型以及优配方法 | |
Ashoori et al. | Compare failure prediction models based on feature selection technique: empirical case from Iran | |
Dagonneau et al. | Strategic risk appraisal. Comparing expert-and literature-informed consequence assessments for environmental policy risks receiving national attention | |
Bijak et al. | Modelling migration: Decisions, processes and outcomes | |
Coates et al. | Neural networks for store performance forecasting: an empirical comparison with regression techniques. | |
Satapathy | Effort estimation methods in software development using machine learning algorithms | |
Tettamanti et al. | Pattern recognition based speed forecasting methodology for urban traffic network | |
Verdhan et al. | Supervised learning for regression analysis | |
KR102574605B1 (ko) | 영상 데이터 및 소리 데이터를 활용하여 소리 데이터를 분류하고 그리고 소음도를 측정하는 방법, 장치 및 컴퓨터 프로그램 | |
CN117708759B (zh) | 定位企业所属产业链环节的方法及装置 | |
Kıran et al. | Machine learning in scm |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 271000 Langchao science and Technology Park, 527 Dongyue street, Tai'an City, Shandong Province Applicant after: INSPUR SOFTWARE Co.,Ltd. Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant before: INSPUR SOFTWARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |