CN110766184A - 订单量预测方法和装置 - Google Patents
订单量预测方法和装置 Download PDFInfo
- Publication number
- CN110766184A CN110766184A CN201810824965.0A CN201810824965A CN110766184A CN 110766184 A CN110766184 A CN 110766184A CN 201810824965 A CN201810824965 A CN 201810824965A CN 110766184 A CN110766184 A CN 110766184A
- Authority
- CN
- China
- Prior art keywords
- prediction
- order quantity
- historical
- period
- transaction amount
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012216 screening Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 39
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种订单量预测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量；利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，将该订单量确定为目标仓库在所述未来统计周期的第二渠道预测量；将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果。该实施方式能够将交易金额融入订单量预测过程中，从而提高预测准确性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种订单量预测方法和装置。
背景技术
在现代仓储规划与运作中，需要准确地预测仓库未来的出库订单量，以提前规划仓库的人力、设备及容量等资源，从而实现效率最大化。现有技术中，一般利用多个订单量历史数据来预测未来的订单量。由于该方法信息来源单一，其准确性难以保证。
发明内容
有鉴于此，本发明实施例提供一种订单量预测方法和装置，能够在利用订单量历史数据预测未来订单量之外，利用与订单量相关性较强的交易金额的历史数据预测未来订单量，最后将两个渠道的数据融合，从而提高预测准确性。
为实现上述目的，根据本发明的一个方面，提供了一种订单量预测方法。
本发明实施例的订单量预测方法包括：在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量；利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，将该订单量确定为目标仓库在所述未来统计周期的第二渠道预测量；以及，将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果。
可选地，所述相关条件包括：目标仓库在历史统计周期的订单量与交易金额的相关系数大于预设阈值；以及，所述方法进一步包括：在判断目标仓库在历史统计周期的订单量与交易金额不符合所述相关条件时，将第二渠道预测量确定为目标仓库在所述未来统计周期的订单量预测结果。
可选地，所述利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，具体包括：将目标仓库在所述多个历史统计周期的交易金额输入预先训练完成的第一时序预测模型，得到目标仓库在所述未来统计周期的交易金额；所述利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，具体包括：将目标仓库在所述多个历史统计周期的订单量输入预先训练完成的第二时序预测模型，得到目标仓库在所述未来统计周期的订单量；以及，所述该交易金额对应的订单量是将由第一时序预测模型得到的交易金额输入预先训练完成的交易金额与订单量匹配模型得到的。
可选地，所述将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果，具体包括：将第一渠道预测量与第二渠道预测量的加权平均值确定为所述订单量预测结果。
可选地，所述多个历史统计周期是连续的，其时间跨度为第一时长，其与所述未来统计周期的时间间隔为第二时长；以及，确定所述加权平均值所需的第一渠道预测量的权重值与第二渠道预测量的权重值根据以下步骤获得：利用所述第一时序预测模型针对M个历史统计周期的交易金额执行M次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；M为正整数；将M次预测得到的预测值输入所述交易金额与订单量匹配模型，获得M个历史统计周期订单量的预测值；比较该预测值和M个历史统计周期的订单量，得到M次预测的偏离指数，将该偏离指数的倒数作为第一渠道预测量的权重值；以及，利用所述第二时序预测模型针对N个历史统计周期的订单量执行N次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；N为正整数；比较N次预测得到的预测值与N个历史统计周期的订单量，得到N次预测的偏离指数，将该偏离指数的倒数作为第二渠道预测量的权重值。
可选地，比较该预测值和M个历史统计周期的订单量，得到M次预测的偏离指数，具体包括：将M个历史统计周期订单量的预测值相对于对应订单量的均方误差作为M次预测的偏离指数；比较N次预测得到的预测值与N个历史统计周期的订单量，得到N次预测的偏离指数，具体包括：将N次预测的预测值相对于对应订单量的均方误差作为N次预测的偏离指数。
可选地，所述方法进一步包括：在判断目标仓库在历史统计周期的订单量与交易金额符合所述相关条件之后，如果任一历史统计周期的订单量为零或不处于预设的第一筛选区间，则将该历史统计周期的订单量和交易金额去除；如果任一历史统计周期的交易金额为零或不处于预设的第二筛选区间，则将该历史统计周期的订单量和交易金额去除；其中，第一筛选区间的上限是：历史统计周期订单量数组的第一四分位数与该数组四分位距的预设倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；第二筛选区间的上限是：历史统计周期交易金额数组的第一四分位数与该数组四分位距的所述倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；以及，所述交易金额包括：成交总额GMV或者销售总额。
为实现上述目的，根据本发明的另一方面，提供了一种订单量预测装置。
本发明实施例的订单量预测装置可包括：第一预测单元，其用于在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量；第二预测单元，其用于利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，将该订单量确定为目标仓库在所述未来统计周期的第二渠道预测量；以及，数据融合单元，其用于将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果。
可选地，所述相关条件可包括：目标仓库在历史统计周期的订单量与交易金额的相关系数大于预设阈值；以及，所述装置可进一步包括传统方式预测单元，其用于在判断目标仓库在历史统计周期的订单量与交易金额不符合所述相关条件时，将第二渠道预测量确定为目标仓库在所述未来统计周期的订单量预测结果。
可选地，第一预测单元可进一步用于：将目标仓库在所述多个历史统计周期的交易金额输入预先训练完成的第一时序预测模型，得到目标仓库在所述未来统计周期的交易金额；第二预测单元可进一步用于：将目标仓库在所述多个历史统计周期的订单量输入预先训练完成的第二时序预测模型，得到目标仓库在所述未来统计周期的订单量；以及，所述该交易金额对应的订单量是将由第一时序预测模型得到的交易金额输入预先训练完成的交易金额与订单量匹配模型得到的。
可选地，数据融合单元可进一步用于：将第一渠道预测量与第二渠道预测量的加权平均值确定为所述订单量预测结果。
可选地，所述多个历史统计周期是连续的，其时间跨度为第一时长，其与所述未来统计周期的时间间隔为第二时长；以及，所述装置可进一步包括第一权重确定单元，其用于：利用所述第一时序预测模型针对M个历史统计周期的交易金额执行M次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；M为正整数；将M次预测得到的预测值输入所述交易金额与订单量匹配模型，获得M个历史统计周期订单量的预测值；比较该预测值和M个历史统计周期的订单量，得到M次预测的偏离指数；将该偏离指数的倒数作为第一渠道预测量的权重值，用于确定所述加权平均值；所述装置还可包括第二权重确定单元，其用于利用所述第二时序预测模型针对N个历史统计周期的订单量执行N次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；N为正整数；比较N次预测得到的预测值与N个历史统计周期的订单量，得到N次预测的偏离指数；将该偏离指数的倒数作为第二渠道预测量的权重值，用于确定所述加权平均值。
可选地，第一权重确定单元可进一步用于：将M个历史统计周期订单量的预测值相对于对应订单量的均方误差作为M次预测的偏离指数；第二权重确定单元可进一步用于：将N次预测的预测值相对于对应订单量的均方误差作为N次预测的偏离指数。
可选地，所述装置可进一步包括数据过滤单元，其用于在判断目标仓库在历史统计周期的订单量与交易金额符合所述相关条件之后，如果任一历史统计周期的订单量为零或不处于预设的第一筛选区间，则将该历史统计周期的订单量和交易金额去除；如果任一历史统计周期的交易金额为零或不处于预设的第二筛选区间，则将该历史统计周期的订单量和交易金额去除；其中，第一筛选区间的上限是：历史统计周期订单量数组的第一四分位数与该数组四分位距的预设倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；第二筛选区间的上限是：历史统计周期交易金额数组的第一四分位数与该数组四分位距的所述倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；以及，所述交易金额包括：成交总额GMV或者销售总额。
为实现上述目的，根据本发明的又一方面，提供了一种电子设备。
本发明的一种电子设备包括：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本发明所提供的订单量预测方法。
为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。
本发明的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本发明所提供的订单量预测方法。
根据本发明的技术方案，上述发明中的一个实施例具有如下优点或有益效果：
其一，对于订单量与交易金额相关性较强的仓库，通过两种渠道独立预测未来统计周期的订单量。一种是将多个历史统计周期的订单量输入时序预测模型进行预测，一种是将上述多个历史统计周期的交易金额输入时序预测模型进行预测，并利用交易金额与订单量匹配模型对预测值进行从交易金额到订单量的转换，最后将两种数据融合，即可得到准确性较高的预测结果。
其二，在进行数据融合时，需要分别获取两种数据的可信度。为此，本发明以与上述预测相同的方式(即时序预测模型输入数据的时间跨度相同，输入数据与预测数据的时间间隔相同)对多个历史数据进行多次预测，比较预测值与真实值即可获知多次预测的偏离程度进而确定其可信度，可信度可以用于待融合数据的加权融合处理。这样，本发明即可实现两种渠道待融合数据权重的准确计算，从而确保数据融合的可靠性。
其三，在现有技术中，执行数据融合所需的多种渠道的权重值为固定值，其只与渠道本身特性相关，与渠道执行任务的具体情形无关。本发明对其进行改进，针对第二时长(即输入数据与预测数据的时间间隔)不同的预测任务，可根据具有该第二时长的、对历史数据的多次预测确定其相应的权重值，从而得到可动态调整的权重值用于数据融合，进而提升预测准确性。
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中订单量预测方法的主要步骤示意图；
图2是根据本发明实施例中第一渠道预测量权重值的计算流程示意图；
图3是根据本发明实施例中第二渠道预测量权重值的计算流程示意图；
图4是根据本发明实施例中订单量预测装置的组成部分示意图；
图5是根据本发明实施例可以应用于其中的示例性系统架构图；
图6是用来实现本发明实施例中订单量预测方法的电子设备的结构示意图。
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。
在现代仓储规划与运作中，需要准确地预测仓库未来的出库订单量，以提前规划仓库的人力、设备及容量等资源，从而实现效率最大化。本发明各实施例中的订单量均指出库订单量。实际应用中，一般通过将多个历史统计周期的订单量输入时序预测模型，如自回归积分滑动平均模型ARIMA(Autoregressive Integrated Moving Average Model)、长短期记忆网络LSTM(Long Short Term Memory)、Holt-Winters模型(一种由时间基线部分、时间趋势部分以及季节性部分组成的预测模型)等，对一个或多个未来统计周期的订单量进行预测。其中，统计周期指的是统计订单量的时间范围，如一天、两天、一周等。一般地，在一个订单量预测任务中采用一个固定的统计周期，本发明以下内容均以天为统计周期进行介绍。
例如，如果当前日期为公历2001年1月1日，具体应用中可将过去一年(即从2000年1月1日到2000年12月31日，即365个历史统计周期)的订单量输入时序预测模型，来预测未来90天(即从2001年1月1日到3月31日，90天即90个未来统计周期)每天的订单量。
由于上述预测方法仅有历史订单量一种数据来源，其预测准确性提升的空间较为有限，往往难以满足业务需求。此时，需要寻找另外的数据来源与之进行融合，从而提升预测精度。在计算机技术领域，数据融合指的是：对各种信息源提供的可用信息进行采集、传输、综合、过滤、相关或合成，以实现决策或结果的判定、规划、探测、验证与诊断。本发明的发明人在实施本发明的过程中发现，成交总额GMV、销售总额等交易金额往往与订单量具有较强的相关性，因此可将交易金额作为另一数据来源。作为本领域熟知概念，成交金额GMV(Gross Merchandise Volume)指的是一定时间内的订单成交总额，包括已付款订单的金额和未付款订单的金额；销售金额指的是实际收入金额，其可由成交金额减去取消订单金额、拒收订单金额、退货订单金额得到。
可以理解，本发明所使用的术语“第一”、“第二”等在本文中用于描述各种概念，但这些概念不受上述术语限制。上述术语仅用于将一个概念与另一个概念区分。举例而言，在不脱离本发明范围的情况下，可以将第一渠道称为第二渠道，也可以将第二渠道称为第一渠道，第一渠道与第二弹簧都是渠道，但二者不是同一渠道。
以下将详细介绍本发明的技术方案。需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例中订单量预测方法的主要步骤示意图。
如图1所示，本发明实施例的订单量预测方法可具体按照如下步骤执行：
步骤S101：在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量。
在本步骤中，首先需要判断目标仓库(即当前预测任务针对的仓库)在历史统计周期的订单量与交易金额是否具有较强相关性。如果相关性较强，则可将交易金额作为预测的一个数据来源。否则仍采用现有的预测方法，即利用历史统计周期的订单量进行预测。在本发明的叙述语境中，将交易金额作为数据来源的预测渠道称为第一渠道，将订单量作为数据来源的渠道称为第二渠道。如果目标仓库的订单量与交易金额的相关性较弱，则将订单量的第二渠道预测量作为其预测结果。
具体应用中，可预设相关条件判断上述相关性。相关条件可以是：计算订单量与交易金额的相关系数，相关系数大于阈值(其为小于1的正数，如0.8)则说明二者的相关性较强。示例性地，上述相关系数可以是皮尔逊相关系数、斯皮尔曼等级相关系数、肯德尔等级相关系数等。
如果目标仓库在历史统计周期的订单量和交易金额符合相关条件，则可执行以下步骤以利用交易金额实现一个渠道的预测：
1.对需要使用的历史数据进行清洗。具体地，对于需要使用的历史统计周期的订单量和交易金额，如果任一历史统计周期的订单量为零或不处于预设的第一筛选区间，则将该历史统计周期的订单量和交易金额去除；如果任一历史统计周期的交易金额为零或不处于预设的第二筛选区间，则将该历史统计周期的订单量和交易金额去除。
其中，第一筛选区间的上限是：历史统计周期订单量数组的第一四分位数与该数组四分位距的预设倍数之差，下限是：该数组的第三四分位数与该数组四分位距的上述倍数之和；第二筛选区间的上限是：历史统计周期交易金额数组的第一四分位数与该数组四分位距的上述倍数之差，下限是：该数组的第三四分位数与该数组四分位距的上述倍数之和。上述二筛选区间上限、下限的开闭情况可以根据使用环境确定，四分位距作为本领域公知概念，表示第三四分位数与第一四分位数的差值。
以下以第一筛选区间为例进一步说明。如果历史统计周期订单量数组(即使用的历史订单周期的订单量形成的数组)中的三个四分位数分别是Q1、Q2、Q3，四分位距为IQR，上述倍数为1.5，则第一筛选区间可以是[Q1-1.5*IQR，Q3+1.5*IQR]。
2.数据清洗之后，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额。较佳地，多个历史统计周期是连续的，其时间跨度可以表示为第一时长，其与上述未来统计周期的时间间隔可以表示为第二时长。其中，上述时间间隔指的是从上述多个历史统计周期中(距当前日期)最近的一个历史统计周期到上述未来统计周期的时间间隔。可以理解的是，实际应用中也可采用存在间断的历史统计周期进行预测，本发明对此不作限制。
例如，在上述历史统计周期为2000年、未来统计周期为2001年3月31日时，第一时长为365天，第二时长为从2000年的最后一天12月31日到2001年3月31日的时间间隔(90天)。
具体场景中，可将目标仓库在上述多个历史统计周期的交易金额输入预先训练完成的第一时序预测模型，得到目标仓库在上述未来统计周期的交易金额。一般地，可从目标仓库的交易金额历史数据中选取训练样本，对第一时序预测模型进行预先训练，训练完成的第一时序预测模型可对多个未来日期的交易金额进行预测。例如，当前日期是2001年1月1日，则可对2001年1月1日到3月31日的每一天进行预测，本步骤可从每一天的预测值中选取所需的交易金额预测值(即上述未来统计周期的预测值)。可以理解，第一时序预测模型也可以对某一未来日期或某几个不连续的未来日期进行预测，可从中选取所需预测值；此外，获取上述未来统计周期的交易金额也可采用时序预测模型之外的其它适用算法。
3.将选取的交易金额预测值对应的订单量确定为目标仓库在上述未来统计周期的第一渠道预测量。具体地，可将该交易金额输入预先训练完成的交易金额与订单量匹配模型，得到对应的订单量，该订单量即可作为目标仓库在上述未来统计周期的第一渠道预测量。具体应用场景中，交易金额与订单量匹配模型可以利用目标仓库在历史统计周期的交易金额与订单量进行训练。其中，交易金额作为训练的输入数据，订单量作为训练的目标数据。此外，交易金额与订单量匹配模型可以采用线性回归、岭回归等算法实现；实际应用中，交易金额与订单量匹配模型也可用其它适用算法代替。
步骤S102：利用目标仓库在上述多个历史统计周期的订单量获取其在上述未来统计周期的订单量，将该订单量确定为目标仓库在上述未来统计周期的第二渠道预测量。
在本步骤中，使用的历史统计周期和未来统计周期与步骤S101中保持一致。即如果步骤S101中利用2000年作为历史统计周期来预测2001年3月31日的交易金额，本步骤中的多个历史统计周期即为2000年，未来统计周期即为2001年3月31日。
在一个实施例中，可将目标仓库在上述多个历史统计周期的订单量输入预先训练完成的第二时序预测模型，得到目标仓库在上述未来统计周期的订单量，该订单量可作为后续数据融合使用的第二渠道预测量。可以理解，获取上述未来统计周期的订单量也可采用时序预测模型之外的其它可用算法。
一般地，可从目标仓库的订单量历史数据中选取训练样本，对第二时序预测模型进行预先训练，训练完成的第二时序预测模型可对多个未来日期的交易金额进行预测。例如，当前日期是2001年1月1日，则可对2001年1月1日到3月31日的每一天进行预测，本步骤可从每一天的预测值中选取所需的订单量预测值(即上述未来统计周期的预测值)。可以理解，第二时序预测模型也可以对某一未来日期或某几个不连续的未来日期进行预测，可从中选取所需预测值。
可以理解，步骤S102可早于或晚于步骤S101执行，也可与步骤S101同时执行。
步骤S103：将第一渠道预测量与第二渠道预测量融合，得到目标仓库在上述未来统计周期的订单量预测结果。
一般地，数据融合可以采用贝叶斯算法、证据理论等方法。在本发明实施例中，可将第一渠道预测量与第二渠道预测量的加权平均值确定为订单量预测结果，从而实现两种渠道数据的融合。可以理解，计算加权平均值所需要的两种权重值表征两种渠道在执行当前预测任务时的可信度，以下将介绍计算两种权重值的具体流程。
图2是根据本发明实施例中第一渠道预测量权重值的计算流程示意图。如图2所示，计算流程可依次执行以下步骤：
步骤S201：利用第一时序预测模型针对M个历史统计周期的交易金额执行M次预测。
其中，M为正整数，M次预测中的每次预测均针对不同的历史统计周期。可以看到，只有一种情形可满足上述要求：M次预测中的每次预测均针对M个历史统计周期中的一个不同的统计周期，通过M次预测可以得到M个历史统计周期中每一统计周期的交易金额的预测值。
此外，如果获取第一渠道预测量时使用的多个历史统计周期是连续的，则M次预测中的每一次预测均需满足以下条件：每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长。实际应用中，在M次预测中的每一次预测过程中，可将符合上述条件的历史统计周期的交易金额输入第一时序预测模型，对M个历史统计周期的交易金额进行预测，可得到M个历史统计周期的交易金额的预测值。
需要说明的是，M次预测中每一次预测需满足的上述条件是为了保证每一次预测情形与获取第一渠道预测量的情形相同，即两种场景下输入数据的时间跨度、输入数据日期与预测日期的时间间隔、采用的预测模型完全相同。因此，如果获取第一渠道预测量时，模型输入的是间断日期的数据，则M次预测中每一次预测均需使用相同时间分布的输入数据。
例如，如果在获取第一渠道预测量时，第一时序预测模型的输入数据的历史统计周期为：2000年1月到12月每月最后一天，预测针对的未来统计周期为2001年3月31日，则对于M次预测中每一次预测，第一时序预测模型的输入数据为12个，其时间跨度应为335天(对应于获取第一渠道预测量时从2000年1月31日到12月31日)，12个输入数据中相邻数据的时间间隔应分别为：28天、31天、30天、31天、30天、31天、31天、30天、31天、30天、31天，该次预测输入数据中最近日期距离预测针对日期的时间间隔应为90天(对应于获取第一渠道预测量时从12月31日到3月31日)。
此外，实际应用中，一次预测往往会指向多个历史统计周期。因此，上述“M次预测中的每次预测均针对不同的历史统计周期”中针对的历史统计周期特指每次预测指向的历史统计周期中与当前预测任务对应的一个统计周期。例如，如果当前预测任务中第二时长为90天，则M次预测中的每次预测针对的历史统计周期均为距离输入数据最近日期为90天的历史统计周期。
步骤S202：将得到的M个交易金额预测值输入上述交易金额与订单量匹配模型，得到对应于M个历史统计周期的M个订单量预测值。其中，该交易金额与订单量匹配模型应与获取第一渠道预测量时使用的交易金额与订单量匹配模型相同。
步骤S203：将得到的M个订单量预测值与真实值进行比较得到偏离指数。其中，上述真实值即为M个历史统计周期的订单量，上述偏离指数用于表征上述预测值相对于真实值的偏差程度。
具体场景中，可将M个历史统计周期订单量的预测值相对于对应订单量(即真实值)的均方误差作为M次预测的偏离指数。以下通过公式展示偏离指数的计算方法：
其中，D1表示M次预测的偏离指数，k为M次预测中的某一次预测的序号，y＇k为预测值，yk为真实值；在上述公式中，M应大于1；实际应用中，上述公式中的常数因子也可以是1/M。
此外，在M次预测中的每次预测均指向多个历史统计周期时，上述历史统计周期对应于多个第二时长，如果当前预测任务的第二时长是t，则：
其中，y＇tk为对应于t的历史统计周期的订单量预测值，ytk为对应于t的历史统计周期的订单量真实值。
可以理解，在偏离指数的上述公式中，平方项可以用预测值与真实值差值的绝对值代替，本发明并不对偏离指数的具体计算方式进行限制。
步骤S204：利用偏离指数得到第一渠道预测量权重值。由于步骤S203中得到的偏离指数与M次预测的可信度负相关，因此，作为一个优选方案，可将偏离指数的倒数作为第一渠道预测量的权重值。具体应用中，也可根据应用环境将偏离指数平方的倒数等作为第一渠道预测量的权重值，本发明对此不作限制。
图3是根据本发明实施例中第二渠道预测量权重值的计算流程示意图。如图3所示，计算流程可依次执行以下步骤：
步骤S301：利用第一时序预测模型针对N个历史统计周期的订单量执行N次预测。
其中，N为正整数，其优选与M相等。N次预测中的每次预测均针对不同的历史统计周期。可以看到，满足上述要求的只有以下情形：N次预测中的每次预测均针对N个历史统计周期中的一个不同的统计周期，N次预测可以得到N个历史统计周期中每一统计周期的订单量预测值。
此外，如果获取第二渠道预测量时使用的多个历史统计周期是连续的，则N次预测中每一次预测均需满足以下条件：每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长。实际应用中，在N次预测中的每一次预测过程中，可将符合上述条件的历史统计周期的订单量输入第二时序预测模型，对N个历史统计周期的交易金额进行预测，可得到N个历史统计周期的订单量的预测值。
需要说明的是，N次预测中每一次预测需满足的上述条件是为了保证每一次预测情形与获取第一渠道预测量的情形相同，即两种场景下输入数据的时间跨度、输入数据日期与预测日期的时间间隔、采用的预测模型完全相同。因此，如果获取第二渠道预测量时，模型输入的是间断日期的数据，则N次预测中每一次预测均需使用相同时间分布的输入数据。
例如，如果获取第二渠道预测量时，第二时序预测模型的输入数据的历史统计周期为：2000年1月到12月每月最后一天，预测针对的未来统计周期为2001年3月31日，则对于N次预测中每一次预测，第二时序预测模型的输入数据为12个，其时间跨度应为335天(对应于获取第二渠道预测量时从2000年1月31日到12月31日)，12个输入数据中相邻数据的时间间隔应分别为：28天、31天、30天、31天、30天、31天、31天、30天、31天、30天、31天，该次预测输入数据中最近日期距离预测针对日期的时间间隔应为90天(对应于获取第二渠道预测量时从12月31日到3月31日)。
步骤S302：将得到的N个订单量预测值与真实值进行比较得到偏离指数。其中，上述真实值即为N个历史统计周期的订单量，上述偏离指数用于表征上述预测值相对于真实值的偏差程度。
具体场景中，可将N个历史统计周期订单量的预测值相对于对应订单量(即真实值)的均方误差作为N次预测的偏离指数。以下通过公式展示偏离指数的计算方法：
其中，D1表示N次预测的偏离指数，i为N次预测中的某一次预测的序号，x′i为N次预测得到的预测值，xi为对应的真实值；在上述公式中，N应大于1；实际应用中，上述公式中的常数因子也可以是1/N。
此外，在N次预测中的每次预测均指向多个历史统计周期时，上述历史统计周期对应于多个第二时长，如果当前预测任务的第二时长是s，则：
其中，x′si为N次预测得到的、对应于s的历史统计周期的订单量预测值，xsi为N次预测得到的、对应于s的历史统计周期的订单量真实值。
步骤S303：利用偏离指数得到第二渠道预测量权重值。由于步骤S302中得到的偏离指数与N次预测的可信度负相关，因此，作为一个优选方案，可将偏离指数的倒数作为第二渠道预测量的权重值。具体应用中，也可根据应用环境将偏离指数平方的倒数等作为第二渠道预测量的权重值，本发明对此不作限制。
经过上述步骤，本发明可根据预测任务的不同(即不同的第二时长)计算两种渠道相应的权重值，由此可反映不同预测阶段中预测数据的可信度，进而实现数据融合环节的动态加权。与现有的固定加权方法相比，本发明可提升数据融合的准确性与可靠性。
之后，可计算第一渠道预测量和第二渠道预测量的加权平均值作为最终的订单量预测结果。即，如果第一渠道预测量为A，其权重值为a；第二渠道预测量为B，其权重值为b，则订单量预测结果为(aA+bB)/(a+b)。这样即可完成订单量预测的全部流程。
在本发明实施例中，将成交总额或者销售总额等交易金额融入订单量预测中，从而提升预测准确性。在数据融合过程中，可动态计算不同预测阶段的可信度进而实现动态加权，由此提升数据融合的准确性。
需要说明的是，对于前述的各方法实施例，为了便于描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，某些步骤事实上可以采用其它顺序进行或者同时进行。此外，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是实现本发明所必须的。
为便于更好的实施本发明实施例的上述方案，下面还提供用于实施上述方案的相关装置。
请参阅图4所示，本发明实施例提供的一种订单量预测装置400可以包括：第一预测单元401、第二预测单元402和数据融合单元403。
其中，第一预测单元401可用于：在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量。
第二预测单元402可用于：利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，将该订单量确定为目标仓库在所述未来统计周期的第二渠道预测量。
数据融合单元403可用于将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果。
在本发明实施例中，所述相关条件包括：目标仓库在历史统计周期的订单量与交易金额的相关系数大于预设阈值；所述装置400可进一步包括传统方式预测单元，其用于：在判断目标仓库在历史统计周期的订单量与交易金额不符合所述相关条件时，将第二渠道预测量确定为目标仓库在所述未来统计周期的订单量预测结果。
作为一个优选方案，第一预测单元401可进一步用于：将目标仓库在所述多个历史统计周期的交易金额输入预先训练完成的第一时序预测模型，得到目标仓库在所述未来统计周期的交易金额；第二预测单元402可进一步用于：将目标仓库在所述多个历史统计周期的订单量输入预先训练完成的第二时序预测模型，得到目标仓库在所述未来统计周期的订单量；以及，所述该交易金额对应的订单量是将由第一时序预测模型得到的交易金额输入预先训练完成的交易金额与订单量匹配模型得到的。
较佳地，数据融合单元403可进一步用于：将第一渠道预测量与第二渠道预测量的加权平均值确定为所述订单量预测结果。
具体应用中，所述多个历史统计周期是连续的，其时间跨度为第一时长，其与所述未来统计周期的时间间隔为第二时长；所述装置400可进一步包括第一权重确定单元，其用于：利用所述第一时序预测模型针对M个历史统计周期的交易金额执行M次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；M为正整数；将M次预测得到的预测值输入所述交易金额与订单量匹配模型，获得M个历史统计周期订单量的预测值；比较该预测值和M个历史统计周期的订单量，得到M次预测的偏离指数；将该偏离指数的倒数作为第一渠道预测量的权重值，用于确定所述加权平均值。
所述装置400还可包括第二权重确定单元，其用于：利用所述第二时序预测模型针对N个历史统计周期的订单量执行N次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；N为正整数；比较N次预测得到的预测值与N个历史统计周期的订单量，得到N次预测的偏离指数；将该偏离指数的倒数作为第二渠道预测量的权重值，用于确定所述加权平均值。
实际应用中，第一权重确定单元可进一步用于将M个历史统计周期订单量的预测值相对于对应订单量的均方误差作为M次预测的偏离指数；第二权重确定单元可进一步用于：将N次预测的预测值相对于对应订单量的均方误差作为N次预测的偏离指数。
此外，在本发明实施例中，所述装置400可进一步包括数据过滤单元，其用于：在判断目标仓库在历史统计周期的订单量与交易金额符合所述相关条件之后，如果任一历史统计周期的订单量为零或不处于预设的第一筛选区间，则将该历史统计周期的订单量和交易金额去除；如果任一历史统计周期的交易金额为零或不处于预设的第二筛选区间，则将该历史统计周期的订单量和交易金额去除；其中，第一筛选区间的上限是：历史统计周期订单量数组的第一四分位数与该数组四分位距的预设倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；第二筛选区间的上限是：历史统计周期交易金额数组的第一四分位数与该数组四分位距的所述倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；以及，所述交易金额包括：成交总额GMV或者销售总额。
在本发明实施例中，将成交总额或者销售总额等交易金额融入订单量预测中，从而提升预测准确性。在数据融合过程中，可动态计算不同预测阶段的可信度进而实现动态加权，由此提升数据融合的准确性。
图5示出了可以应用本发明实施例的订单量预测方法或订单量预测装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如仓库管理应用、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501、502、503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505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所操作的仓库管理应用提供支持的仓库管理服务器(仅为示例)。仓库管理服务器可以对接收到的订单量预测请求等进行处理，并将处理结果(例如订单量预测结果--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订单量预测方法一般由服务器505执行，相应地，订单量预测装置一般设置于服务器505中。
应该理解，图5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。
本发明还提供了一种电子设备。本发明实施例的电子设备包括：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本发明所提供的订单量预测方法。
下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子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6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610上，以便从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明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主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元601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。在本发明中，计算机可读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、光信号或上述任意合适的组合。计算机可读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，这根据所涉及的功能而定。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单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一预测单元、第二预测单元和数据融合单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一预测单元还可以被描述为“向数据融合单元发送第一渠道预测量的单元”。
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的。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该设备执行时，使得该设备执行的步骤包括：在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量；利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，将该订单量确定为目标仓库在所述未来统计周期的第二渠道预测量；以及，将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果。
在本发明实施例中，将成交总额或者销售总额等交易金额融入订单量预测中，从而提升预测准确性。在数据融合过程中，可动态计算不同预测阶段的可信度进而实现动态加权，由此提升数据融合的准确性。
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 (16)
1.一种订单量预测方法，其特征在于，包括：
在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量；
利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，将该订单量确定为目标仓库在所述未来统计周期的第二渠道预测量；以及
将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果。
2.根据权利要求1所述的方法，其特征在于，
所述相关条件包括：目标仓库在历史统计周期的订单量与交易金额的相关系数大于预设阈值；以及
所述方法进一步包括：在判断目标仓库在历史统计周期的订单量与交易金额不符合所述相关条件时，将第二渠道预测量确定为目标仓库在所述未来统计周期的订单量预测结果。
3.根据权利要求1所述的方法，其特征在于，
所述利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，具体包括：将目标仓库在所述多个历史统计周期的交易金额输入预先训练完成的第一时序预测模型，得到目标仓库在所述未来统计周期的交易金额；
所述利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，具体包括：将目标仓库在所述多个历史统计周期的订单量输入预先训练完成的第二时序预测模型，得到目标仓库在所述未来统计周期的订单量；以及
所述该交易金额对应的订单量是将由第一时序预测模型得到的交易金额输入预先训练完成的交易金额与订单量匹配模型得到的。
4.根据权利要求3所述的方法，其特征在于，所述将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果，具体包括：
将第一渠道预测量与第二渠道预测量的加权平均值确定为所述订单量预测结果。
5.根据权利要求4所述的方法，其特征在于，所述多个历史统计周期是连续的，其时间跨度为第一时长，其与所述未来统计周期的时间间隔为第二时长；以及，确定所述加权平均值所需的第一渠道预测量的权重值与第二渠道预测量的权重值根据以下步骤获得：
利用所述第一时序预测模型针对M个历史统计周期的交易金额执行M次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；M为正整数；
将M次预测得到的预测值输入所述交易金额与订单量匹配模型，获得M个历史统计周期订单量的预测值；比较该预测值和M个历史统计周期的订单量，得到M次预测的偏离指数，将该偏离指数的倒数作为第一渠道预测量的权重值；以及
利用所述第二时序预测模型针对N个历史统计周期的订单量执行N次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；N为正整数；
比较N次预测得到的预测值与N个历史统计周期的订单量，得到N次预测的偏离指数，将该偏离指数的倒数作为第二渠道预测量的权重值。
6.根据权利要求5所述的方法，其特征在于，
比较该预测值和M个历史统计周期的订单量，得到M次预测的偏离指数，具体包括：将M个历史统计周期订单量的预测值相对于对应订单量的均方误差作为M次预测的偏离指数；
比较N次预测得到的预测值与N个历史统计周期的订单量，得到N次预测的偏离指数，具体包括：将N次预测的预测值相对于对应订单量的均方误差作为N次预测的偏离指数。
7.根据权利要求1-6任一所述的方法，其特征在于，
所述方法进一步包括：在判断目标仓库在历史统计周期的订单量与交易金额符合所述相关条件之后，如果任一历史统计周期的订单量为零或不处于预设的第一筛选区间，则将该历史统计周期的订单量和交易金额去除；如果任一历史统计周期的交易金额为零或不处于预设的第二筛选区间，则将该历史统计周期的订单量和交易金额去除；
其中，第一筛选区间的上限是：历史统计周期订单量数组的第一四分位数与该数组四分位距的预设倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；第二筛选区间的上限是：历史统计周期交易金额数组的第一四分位数与该数组四分位距的所述倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；以及
所述交易金额包括：成交总额GMV或者销售总额。
8.一种订单量预测装置，其特征在于，包括：
第一预测单元，用于：在判断目标仓库在历史统计周期的订单量与交易金额符合预设的相关条件时，利用目标仓库在多个历史统计周期的交易金额获取其在一个未来统计周期的交易金额，将该交易金额对应的订单量确定为目标仓库在所述未来统计周期的第一渠道预测量；
第二预测单元，用于：利用目标仓库在所述多个历史统计周期的订单量获取其在所述未来统计周期的订单量，将该订单量确定为目标仓库在所述未来统计周期的第二渠道预测量；以及
数据融合单元，用于：将第一渠道预测量与第二渠道预测量融合，得到目标仓库在所述未来统计周期的订单量预测结果。
9.根据权利要求8所述的装置，其特征在于，所述相关条件包括：目标仓库在历史统计周期的订单量与交易金额的相关系数大于预设阈值；以及，所述装置进一步包括：
传统方式预测单元，用于：在判断目标仓库在历史统计周期的订单量与交易金额不符合所述相关条件时，将第二渠道预测量确定为目标仓库在所述未来统计周期的订单量预测结果。
10.根据权利要求8所述的装置，其特征在于，
第一预测单元进一步用于：将目标仓库在所述多个历史统计周期的交易金额输入预先训练完成的第一时序预测模型，得到目标仓库在所述未来统计周期的交易金额；
第二预测单元进一步用于：将目标仓库在所述多个历史统计周期的订单量输入预先训练完成的第二时序预测模型，得到目标仓库在所述未来统计周期的订单量；以及
所述该交易金额对应的订单量是将由第一时序预测模型得到的交易金额输入预先训练完成的交易金额与订单量匹配模型得到的。
11.根据权利要求10所述的装置，其特征在于，数据融合单元进一步用于：
将第一渠道预测量与第二渠道预测量的加权平均值确定为所述订单量预测结果。
12.根据权利要求11所述的装置，其特征在于，所述多个历史统计周期是连续的，其时间跨度为第一时长，其与所述未来统计周期的时间间隔为第二时长；以及，所述装置进一步包括：
第一权重确定单元，用于：利用所述第一时序预测模型针对M个历史统计周期的交易金额执行M次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；M为正整数；将M次预测得到的预测值输入所述交易金额与订单量匹配模型，获得M个历史统计周期订单量的预测值；比较该预测值和M个历史统计周期的订单量，得到M次预测的偏离指数；将该偏离指数的倒数作为第一渠道预测量的权重值，用于确定所述加权平均值；
第二权重确定单元，用于：利用所述第二时序预测模型针对N个历史统计周期的订单量执行N次预测；其中：每次预测均针对不同的历史统计周期；每次预测的输入数据对应的历史统计周期是连续的，其时间跨度为第一时长，其与该次预测针对的历史统计周期的时间间隔为第二时长；N为正整数；比较N次预测得到的预测值与N个历史统计周期的订单量，得到N次预测的偏离指数；将该偏离指数的倒数作为第二渠道预测量的权重值，用于确定所述加权平均值。
13.根据权利要求12所述的装置，其特征在于，
第一权重确定单元进一步用于：将M个历史统计周期订单量的预测值相对于对应订单量的均方误差作为M次预测的偏离指数；
第二权重确定单元进一步用于：将N次预测的预测值相对于对应订单量的均方误差作为N次预测的偏离指数。
14.根据权利要求8-13任一所述的装置，其特征在于，所述装置进一步包括：
数据过滤单元，用于：在判断目标仓库在历史统计周期的订单量与交易金额符合所述相关条件之后，如果任一历史统计周期的订单量为零或不处于预设的第一筛选区间，则将该历史统计周期的订单量和交易金额去除；如果任一历史统计周期的交易金额为零或不处于预设的第二筛选区间，则将该历史统计周期的订单量和交易金额去除；
其中，第一筛选区间的上限是：历史统计周期订单量数组的第一四分位数与该数组四分位距的预设倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；第二筛选区间的上限是：历史统计周期交易金额数组的第一四分位数与该数组四分位距的所述倍数之差，下限是：该数组的第三四分位数与该数组四分位距的所述倍数之和；以及，所述交易金额包括：成交总额GMV或者销售总额。
15.一种电子设备，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1-7中任一所述的方法。
16.一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，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810824965.0A CN110766184A (zh) | 2018-07-25 | 2018-07-25 | 订单量预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810824965.0A CN110766184A (zh) | 2018-07-25 | 2018-07-25 | 订单量预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110766184A true CN110766184A (zh) | 2020-02-07 |
Family
ID=69328068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810824965.0A Pending CN110766184A (zh) | 2018-07-25 | 2018-07-25 | 订单量预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110766184A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508598A (zh) * | 2020-05-06 | 2020-08-07 | 万达信息股份有限公司 | 一种呼吸系统疾病门诊量预测方法 |
| CN111598425A (zh) * | 2020-05-08 | 2020-08-28 | 拉扎斯网络科技（上海）有限公司 | 一种订单流控方法及装置 |
| CN111967684A (zh) * | 2020-08-27 | 2020-11-20 | 北京合众伟奇科技有限公司 | 一种基于大数据分析的计量资产主动配送方法 |
| CN113408797A (zh) * | 2021-06-07 | 2021-09-17 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
| CN116739627A (zh) * | 2022-10-25 | 2023-09-12 | 荣耀终端有限公司 | 一种产品销量预测方法和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
| CN105335875A (zh) * | 2015-10-30 | 2016-02-17 | 小米科技有限责任公司 | 购买力预测方法和装置 |
| CN106327255A (zh) * | 2016-08-24 | 2017-01-11 | 明算科技（北京）股份有限公司 | 一种销售预测方法和系统 |
| CN106934196A (zh) * | 2015-12-30 | 2017-07-07 | 中国移动通信集团河南有限公司 | 一种定量预测方法及装置 |
| US20180005253A1 (en) * | 2016-06-30 | 2018-01-04 | International Business Machines Corporation | Revenue prediction for a sales pipeline using optimized weights |
| CN108230049A (zh) * | 2018-02-09 | 2018-06-29 | 新智数字科技有限公司 | 订单的预测方法及系统 |
-
2018
- 2018-07-25 CN CN201810824965.0A patent/CN110766184A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310286A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种具有时间序列特性的产品订单预测方法及装置 |
| CN105335875A (zh) * | 2015-10-30 | 2016-02-17 | 小米科技有限责任公司 | 购买力预测方法和装置 |
| CN106934196A (zh) * | 2015-12-30 | 2017-07-07 | 中国移动通信集团河南有限公司 | 一种定量预测方法及装置 |
| US20180005253A1 (en) * | 2016-06-30 | 2018-01-04 | International Business Machines Corporation | Revenue prediction for a sales pipeline using optimized weights |
| CN106327255A (zh) * | 2016-08-24 | 2017-01-11 | 明算科技（北京）股份有限公司 | 一种销售预测方法和系统 |
| CN108230049A (zh) * | 2018-02-09 | 2018-06-29 | 新智数字科技有限公司 | 订单的预测方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111508598A (zh) * | 2020-05-06 | 2020-08-07 | 万达信息股份有限公司 | 一种呼吸系统疾病门诊量预测方法 |
| CN111508598B (zh) * | 2020-05-06 | 2023-12-08 | 万达信息股份有限公司 | 一种呼吸系统疾病门诊量预测方法 |
| CN111598425A (zh) * | 2020-05-08 | 2020-08-28 | 拉扎斯网络科技（上海）有限公司 | 一种订单流控方法及装置 |
| CN111967684A (zh) * | 2020-08-27 | 2020-11-20 | 北京合众伟奇科技有限公司 | 一种基于大数据分析的计量资产主动配送方法 |
| CN111967684B (zh) * | 2020-08-27 | 2024-02-02 | 北京合众伟奇科技股份有限公司 | 一种基于大数据分析的计量资产主动配送方法 |
| CN113408797A (zh) * | 2021-06-07 | 2021-09-17 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
| CN113408797B (zh) * | 2021-06-07 | 2023-09-26 | 北京京东振世信息技术有限公司 | 流转量预测多时序模型生成方法、信息发送方法和装置 |
| CN116739627A (zh) * | 2022-10-25 | 2023-09-12 | 荣耀终端有限公司 | 一种产品销量预测方法和电子设备 |
| CN116739627B (zh) * | 2022-10-25 | 2024-06-07 | 荣耀终端有限公司 | 一种产品销量预测方法和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110766184A (zh) | 订单量预测方法和装置 | |
| CN109214585B (zh) | 用户消费预测方法、装置、电子设备及存储介质 | |
| US20160041849A1 (en) | System, method and product for task allocation | |
| CN108960520A (zh) | 一种电力负荷预测方法、系统、计算机设备、介质 | |
| US20220245526A1 (en) | Quantile hurdle modeling systems and methods for sparse time series prediction applications | |
| CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
| US20140136260A1 (en) | System and method for operational quality aware staffing requirements in service systems | |
| CN114205690A (zh) | 流量预测、模型训练方法及装置、电子设备、存储介质 | |
| WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
| CN110866625A (zh) | 促销指标信息生成方法和装置 | |
| CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| WO2022218068A1 (zh) | 素材投放方法、装置、设备和介质 | |
| CN109978421A (zh) | 信息输出方法和装置 | |
| CN110675176B (zh) | 用于生成属性预测模型的方法和装置 | |
| CN113159453A (zh) | 资源数据预测方法、装置、设备及存储介质 | |
| CN112927050A (zh) | 待推荐金融产品确定方法、装置、电子设备及存储介质 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
| CN114257521A (zh) | 流量预测方法、装置、电子设备和存储介质 | |
| WO2022015496A1 (en) | Applying telematics to generate dynamic insurance premiums | |
| CN113793162A (zh) | 物流数据处理方法及装置、存储介质、设备 | |
| CN113763080A (zh) | 推荐物品的确定方法、装置、电子设备和存储介质 | |
| US20190205996A1 (en) | Projecting time-to-pay of healthcare invoices | |
| CN110880068A (zh) | 业务办理效率的评估方法、装置、计算机设备和存储介质 |
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 |