CN111008749B - 一种需求预测的方法及装置 - Google Patents

一种需求预测的方法及装置 Download PDF

Info

Publication number
CN111008749B
CN111008749B CN201911317064.3A CN201911317064A CN111008749B CN 111008749 B CN111008749 B CN 111008749B CN 201911317064 A CN201911317064 A CN 201911317064A CN 111008749 B CN111008749 B CN 111008749B
Authority
CN
China
Prior art keywords
data
demand
sequence
determining
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.)
Active
Application number
CN201911317064.3A
Other languages
English (en)
Other versions
CN111008749A (zh
Inventor
牛世雄
许平
杨秋源
周超
徐明泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing SF Intra City Technology Co Ltd
Original Assignee
Beijing SF Intra City Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing SF Intra City Technology Co Ltd filed Critical Beijing SF Intra City Technology Co Ltd
Priority to CN201911317064.3A priority Critical patent/CN111008749B/zh
Publication of CN111008749A publication Critical patent/CN111008749A/zh
Application granted granted Critical
Publication of CN111008749B publication Critical patent/CN111008749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种需求预测的方法及装置，其中，该方法通过获取预测对象对应的需求数据，基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征，基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息，通过上述方法使用所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征从不同的维度进行需求预测，提高了需求预测结果的准确性。

Description

一种需求预测的方法及装置
技术领域
本发明涉及数据分析与应用技术领域，具体而言，涉及一种需求预测的方法及装置。
背景技术
在对一项事物进行需求预测时，预测对象的需求数据可以是如产品的实际销量之类的具体需求的数据，也可以是如物流的货运量之类的象征性需求的数据。以产品的实际销量数据为例，现有技术在进行需求预测时，一般会以产品的实际销量作为统一指标，将产品的实际销量数据按照时间先后排列，进而得到产品实际销量的时间序列，通过对所述时间序列采用趋势拟合法或者指数平滑法进行序列分析，以便对未来时间段内产品的市场需求进行预测。
现有的需求预测方法在进行序列分析时，通常是对序列中数据的短期的确定性的变化趋势以及随机的干扰因素进行分析，这种分析方法挖掘到的信息有限，所得到的需求预测的结果准确率并不高。
发明内容
有鉴于此，本发明的目的在于提供一种需求预测的方法及装置，以提高需求预测结果的准确率。
第一方面，本发明实施例提供了一种需求预测的方法，所述方法包括：
获取预测对象对应的需求数据；
基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征；
基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息。
在一种可能的实施方式中，在所述确定所述需求数据对应的数据变化趋势特征之前，所述方法还包括：
将所述预测对象的需求数据按照数据产生时间进行排序，得到预测对象的需求数据序列；
判断所述需求数据序列长度是否大于或等于预设长度阈值，若是，则针对所述需求数据序列中的每个数据，判断该数据是否大于预设的第一阈值，若是，则使用预设的第一阈值替换该数据，若否，则判断该数据是否小于预设的第二阈值；若是，则使用预设的第二阈值替换该数据。
在一种可能的实施方式中，所述确定所述需求数据对应的数据变化趋势特征，所述方法包括：
确定所述需求数据序列的数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征；
基于所述数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征，确定所述需求数据的数据变化趋势特征。
在一种可能的实施方式中，所述确定所述需求数据序列的数据稳定性特征，包括：
针对所述需求数据序列中的每个数据，基于所述需求数据序列对应的数据均值、所述需求数据序列对应的标准差和该数据，确定该数据与所述数据均值的偏差特征；
基于所述需求数据序列中的所有数据与所述数据均值的偏差特征，确定所述需求数据序列的数据稳定性特征。
在一种可能的实施方式中，确定所述数据间歇性特征，包括：
获取预设的间歇数值；
获取间歇数值在所述需求数据序列中出现的第一次数，以及所述间歇数值在所述需求数据序列中连续出现的第二次数；
基于所述第一次数和所述第二次数，确定所述需求数据序列的数据间歇性特征。
在一种可能的实施方式中，确定所述数据单调性特征，包括：
剔除所述需求数据序列中的周期性变化的数据；
基于所述需求数据序列中剩余数据，确定所述需求数据序列的数据单调性特征。
在一种可能的实施方式中，确定所述数据周期性特征，包括：
剔除所述需求数据序列中的单调变化的数据；
基于所述需求数据序列中剩余数据，确定所述需求数据序列的数据周期性特征。
在一种可能的实施方式中，确定所述需求数据对应的数据分布特征，包括：
获取预设的离散分布参数；
基于离散分布参数在所述需求数据序列中出现的次数以及所述需求数据序列中不同数值的数量，确定所述需求数据序列是否为离散型序列；
若所述需求数据序列为离散型序列，则确定所述需求数据序列属于各个预设的离散型分布类型的概率值；
基于所述需求数据序列属于各个预设的离散型分布类型的概率值，确定所述需求数据对应的数据分布特征。
在一种可能的实施方式中，确定所述需求数据对应的数据分布特征，还包括：
若所述需求数据序列不为离散型序列，则确定所述需求数据序列属于各个预设的连续型分布类型的概率值；
基于所述需求数据序列属于各个预设的连续型分布类型的概率值，确定所述需求数据对应的数据分布特征。
在一种可能的实施方式中，确定所述影响预测对象需求的特征，包括：
从所述需求数据中，获取与多个预设的需求相关特征对应的目标需求子数据；
确定各个目标需求子数据与对应的需求相关特征的相关性系数；
基于各个目标需求子数据与对应的需求相关特征的相关性系数，确定影响预测对象需求的特征。
在一种可能的实施方式中，所述基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息，包括：
若数据变化趋势特征是指所述需求数据为稳定性数据，则获取所述预设时间段对应的历史需求数据，并基于获取的所述历史需求数据和所述数据变化趋势特征，预测未来预设时间段内的对预测对象的需求信息；
利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息。
在一种可能的实施方式中，所述基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息，还包括：
若数据变化趋势特征是指所述需求数据不为稳定性数据，则基于所述数据变化趋势特征和所述影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息；
利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息。
第二方面，本发明实施例还提供了一种需求预测的装置，所述装置包括：
数据获取模块，用于获取预测对象对应的需求数据；
数据处理模块，用于基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征；
需求预测模块，用于基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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需求预测的方法中任意一种实施方式中的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述需求预测的方法中任意一种实施方式中的步骤。
本申请实施例提供的需求预测的方法及装置，通过获取预测对象对应的需求数据，基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征，基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息，与现有技术中的技术方案相比，其使用所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征从不同的维度进行需求预测，提高了需求预测结果的准确性。
进一步，本申请实施例提供的需求预测方法，还可以利用所述数据分布特征对预测得到的所述需求信息进行修正，提高了方法的适用性以及需求预测结果的准确性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1示出了本发明实施例所提供的一种需求预测方法流程示意图；
图2示出了本发明实施例所提供的另一种需求预测方法中确定所述需求数据对应的数据变化趋势特征的流程示意图；
图3示出了本发明实施例所提供的再一种需求预测方法中确定所述需求数据对应的数据分布特征的流程示意图；
图4示出了本发明实施例所提供的一种需求预测装置结构示意图；
图5示出了本发明实施例所提供的所述需求数据对应的数据变化趋势特征的样例图；
图6示出了本发明实施例所提供的所述需求数据对应的数据分布特征的样例图；
图7为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
考虑到企业进行经营管理时，需要以未来时间段内旗下产品的市场需求预测结果为基础，制定包括产品生产数量、订购产品所需原材料量，控制库存量在内的多项生产决策。基于此，本发明实施例提供了一种需求预测的方法和装置，下面通过实施例进行描述。
实施例一
图1示出了本发明实施例所提供的一种需求预测方法流程示意图，该方法包括步骤S101-S103；具体的：
S101，获取预测对象对应的需求数据。
在获取到需求数据之后，还可以对获取的数据进行预处理，实现对获取的需求数据的筛选。具体可以利用如下步骤进行数据的预处理：将所述预测对象的需求数据按照数据产生时间进行排序，得到预测对象的需求数据序列。
判断所述需求数据序列长度是否大于或等于预设长度阈值，若是，则针对所述需求数据序列中的每个数据，判断该数据是否大于预设的第一阈值，若是，则使用预设的第一阈值替换该数据，若否，则判断该数据是否小于预设的第二阈值；若是，则使用预设的第二阈值替换该数据。
上述步骤，通过预设长度阈值，筛选出足够长的所述需求数据序列，以保证所述需求数据序列中所包含的需求数据数量足够充分，提高需求预测结果的准确率。通过预设的第一阈值以及第二阈值，消除对所述需求数据序列分析的干扰项，便于得到所述需求数据的数据变化趋势特征。
示例性的说明，例如，在预测产品A未来一段时间内的市场需求时，所述需求数据序列可以是产品A的历史销量数据按照时间排序而成的时间序列，若所述需求数据序列长度大于预设的长度阈值，则可以使用3sigma方法针对所述需求数据序列中的每个数据判断其是否需要被预设的第一阈值或预设的第二阈值替换，并得到替换后的用于确定产品A的市场需求数据变化趋势特征的需求数据序列。
S102，基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征。
在确定所述需求数据对应的数据变化趋势特征时，按照稳定性、间歇性、单调性、周期性的优先级顺序，依次确定所述需求数据序列的数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征，基于所述数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征，确定所述需求数据对应的数据变化趋势特征，所述需求数据序列的数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征的样例如图5所示。
作为一可选实施例，也可以不限定优先级，同时确定所述需求数据序列的数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征，从中选取与需求数据匹配度最高的特征作为所述需求数据对应的数据变化趋势特征。
在确定所述需求数据对应的数据分布特征时，获取预设的离散分布参数，所述离散分布参数可以为0这样的具体数值，也可以为小于0.0001这样的一个区间范围，基于离散分布参数在所述需求数据序列中出现的次数以及所述需求数据序列中不同数值的数量，确定所述需求数据序列是否为离散型序列，若所述需求数据序列为离散型序列，则确定所述需求数据序列属于各个预设的离散型分布类型的概率值，所述的预设的离散型分布类型可以为0-1分布、二项分布、泊松分布以及离散型均匀分布等常见的离散型分布类型，基于所述需求数据序列属于各个预设的离散型分布类型的概率值，确定所述需求数据对应的最接近的离散型分布类型；若所述需求数据序列不为离散型序列，则确定所述需求数据序列属于各个预设的连续型分布类型的概率值，所述预设的连续型分布类型可以为正太分布、指数分布、连续型均匀分布等常见的连续型分布类型，基于所述需求数据序列属于各个预设的连续型分布类型的概率值，确定所述需求数据对应的最接近的连续型分布类型，基于所属需求数据对应的最接近的分布类型，确定所述需求数据对应的数据分布特征，所述需求数据对应的数据分布特征的样例如图6所示。
在确定所述需求数据对应的影响预测对象需求的特征时，从所述需求数据中，获取与多个预设的需求相关特征对应的目标需求子数据，例如，预设的需求相关特征可以包括日期相关特征：如当前日期是月份的第几天、月份的第几周、当年的第几周、当年的第几月等；预设的需求相关特征还包括节假日相关特征：如当前日期是否是工作日、法定节假日、重大活动日、国外节日等；预设的需求相关特征还包括天气相关特征：如当前日期对应的天气阴晴状况、风力、温度等；预设的需求相关特征还包括：过去N周的需求、第X周的环比、近1周与第X轴环比、过去N周的均值、中位数、分位点等统计性的需求相关特征。通过计算各个目标需求子数据与对应的需求相关特征的相关性系数，确定N个相关系数较大的影响预测对象需求的特征。
示例性的说明，例如，可以使用Pearson相关系数法确定所述各个目标需求子数据与对应的需求相关特征的相关性系数，根据确定的所述相关系数大小排序，利用top N算法，选取相关系数最大的前N个特征作为所述需求数据对应的影响预测对象需求的特征。
S103，基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息。
本申请实施例中，若数据变化趋势特征是指所述需求数据为稳定性数据，则获取所述预设时间段对应的历史需求数据，并基于获取的所述历史需求数据和所述数据变化趋势特征，预测未来预设时间段内的对预测对象的需求信息，利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息。
示例性的说明，例如，使用X公司的产品的需求数据进行数据变化趋势分析，确定该产品需求数据对应的数据变化趋势类型为稳定型数据，进而确定所述需求数据对应的数据稳定性特征为所述需求数据序列中的所有数据与所述数据均值的偏差Q；使用X公司的产品的需求数据进行数据分布分析，确定该产品需求数据对应的数据分布特征为需求数据一个周期内的分布近似于正太分布；因此未来预设时间段内的X公司的产品的需求预测结果为在该产品历史数据的需求均值基础上，以所述偏差Q为浮动范围上下浮动，并且可以利用需求数据分布近似于二项分布的特征，从而应用二项分布模型对所述需求预测的结果进行修正。
本申请实施例中，若数据变化趋势特征是指所述需求数据不为稳定性数据，则基于所述数据变化趋势特征和所述影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息，利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息。
示例性的说明，例如，使用X公司的产品的需求数据进行数据变化趋势分析，确定该产品需求数据对应的数据变化趋势类型为周期型数据，进而确定所述需求数据对应的数据周期性特征为所述需求数据序列随时间呈周期性变化且周期为T；确定该产品需求数据对应的影响预测对象需求的特征为N；此时需要基于所述数据周期性特征以及影响预测对象需求的特征N，运用sarima模型对X公司的产品进行需求预测，得到预设时间段内的X公司的产品的需求预测结果；使用X公司的产品的需求数据进行数据分布分析，确定该产品需求数据对应的数据分布特征为周期T内的数据分布近似于正态分布；因此可以根据所述数据分布特征，从而应用正态分布模型对所述一个周期T内的需求预测的结果进行修正。
实施例二
图2示出了本发明实施例所提供的另一种需求预测方法中确定所述需求数据对应的数据变化趋势特征的流程示意图，具体的通过以下步骤来实现：
a).获取预测对象对应的需求数据，将所述预测对象的需求数据按照数据产生时间进行排序，得到预测对象的需求数据序列。
b).判断所述需求数据序列的长度是否大于或等于预设长度阈值，若是，则进行步骤c)。
c).针对所述需求数据序列中的每个数据，判断该数据是否大于预设的第一阈值，若是，则使用预设的第一阈值替换该数据，若否，则判断该数据是否小于预设的第二阈值；若是，则使用预设的第二阈值替换该数据。
d).针对所述需求数据序列中的每个数据x，基于所述需求数据序列对应的数据均值E(X)、所述需求数据序列对应的标准差σ和预设的用于衡量各数据与均值偏差的容错参数α，依据公式：|E(X)-x|<ασ，判断该数据x与所述需求数据序列对应的数据均值E(X)之差的绝对值与所述需求数据序列对应的标准差σ相除所得的商值是否小于预设的容错参数α，若是，则统计结果数加一，若否，则统计结果数不变。
基于最终的统计结果数与所述需求数据序列中包含的数据个数，判断最终的统计结果数与所述需求数据序列中包含的数据个数相除所得的商值是否大于预设的偏差阈值，若是，则进行步骤d-1)，若否，则进行步骤e)。
d-1).获取步骤d).中预设的容错参数α以及所述需求数据序列对应的数据均值E(X)，确定所述需求数据序列的数据稳定性特征为以预设的容错参数α为偏差，需求数据数值在E(X)处上下浮动。
e).获取预设的间歇数值，
针对所述需求数据序列中的每个数据，若数据对应的需求数值小于或者等于预设的间歇数值，则认为该数据对应的需求为预设的间歇数值，统计所述需求数据序列中间歇数值的占比，判断所述需求数据序列中间歇数值的占比是否大于预设的占比阈值，若是，则进行步骤e-1)，若否，则进行步骤f)。e-1).获取间歇数值在所述需求序列中连续出现的次数，若间歇数值连续出现次数为0，则进行步骤f)；若间歇数值连续出现次数为1，则确定所述需求数据序列的间歇性特征为该次间歇数值连续出现的时间间隔；若间歇数值连续出现次数大于1，则确定所述需求数据序列的间歇性特征为多次间歇数值连续出现的时间间隔的平均值。
示例性的说明，例如，预设的间歇数值为0，预设的占比阈值为50％，则认为所述需求数据序列中小于或者等于0的数据其对应的需求数值均为0，经过统计得到所述需求数据序列中0的占比为60％大于预设的占比阈值50％，且所述需求数据序列中0连续出现为2次，进一步获取0在所述需求数据序列中连续出现的第一次数持续至所述需求数据序列中第16位，第二次数起始为第46位，则确定所述需求数据序列的数据间歇性特征为需求近似以30为时间间隔出现；若所述需求数据序列中0连续出现的次数为1次，此时0从需求数据序列中的第11位连续出现至第51位，则确定所述需求数据序列的数据间歇性特征为需求近似以40为时间间隔出现；若所述需求数据序列中0的占比小于或者等于预设的占比阈值，又或是所述需求数据序列中0没有连续出现的情况，则进行步骤f)。
f).作为一可选实施例，
可以使用seasonal的分解方法对所述需求数据序列进行分解，剔除所述需求数据序列中的周期性变化的数据，基于所述需求数据序列中剩余数据，利用Mann-Kenddall非参数检测方法，假设剩余的需求数据序列具有单调性的数据变化趋势，若根据检测结果的Z值决定接受上述假设，则可以得到控制需求数据变化趋势的斜率的范围k且进行步骤f-1)；若根据检测结果的Z值决定拒绝上述假设，则进行步骤g)。
对于步骤f)，作为一可选实施例，还可以使用tsa的x11分解方法分解序列，或者使用线性拟合的方法确定所述需求数据序列的数据单调性特征。
f-1).基于剩余的需求数据序列中数据变化趋势以及所述斜率的范围k，若数据变化趋势为上升趋势，则确定所述需求数据序列的数据单调性特征为需求变化趋势呈上升趋势且控制趋势斜率的范围为k；若数据变化趋势为下降趋势，则确定所述需求数据序列的数据单调性特征为需求变化趋势呈下降趋势且控制趋势斜率的范围为k。
g).对所述需求数据序列进行分解，分解方法同步骤f)一样，在此不再赘述。对分解后的序列，剔除所述需求数据序列中的单调变化的数据，基于所述需求数据序列中剩余数据，作为一可选实施例，可以利用fft谱密度检测周期的方法，先去掉分解常数项，然后检测fft的峰值，峰值处即为频率，若根据频率计算周期为T，则进行步骤g-1)；若利用fft谱密度检测周期的方法无法计算得到周期T，则确定所述需求数据序列为无序型的数据序列，即需求变化无规则，无法预测需求的数据变化趋势。
对于步骤g)，作为一可选实施例，还可以使用自相关系数检测周期的方法确定所述需求数据序列的数据周期性特征。
g-1).确定所述需求数据序列的数据为以T为周期变化。
h).基于所述数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征，确定所述需求数据对应的数据变化趋势特征。
实施例三
图3示出了本发明实施例所提供的再一种需求预测方法中确定所述需求数据对应的数据分布特征的流程示意图；具体的通过以下步骤来实现：
步骤a)以及步骤b)与实施例二的步骤a)以及步骤b)相同，在此不再赘述。
c).
获取预设的离散分布参数，针对所述需求数据序列中的每个数据，若数据对应的需求数值小于或者等于预设的离散分布参数，则认为该数据对应的需求为预设的离散分布参数，统计所述需求数据序列中离散分布参数的占比，判断所述需求数据序列中离散分布参数的占比是否大于或者等于预设的离散占比阈值，若是，则进行步骤d)；剩余情况均进行步骤e)。
d).进一步判断所述需求数据序列中不同数值的需求数据数量是否小于预设的数量阈值，若是，则确定所述需求数据序列的分布类型为离散型，进行步骤d-1)；若否，则进行步骤e)。
示例性的说明，例如，获取预设的离散分布参数b，针对所述需求数据序列中的每个数据，统计所述需求数据序列中数据对应的需求数值小于或者等于b的数据占比为60％，预设的离散占比阈值为40％，进一步获取所述需求数据序列中不同数值的需求数据数量为400，预设的数量阈值为700，则确定所述需求数据序列的分布类型为离散型，进行步骤d-1)；若所述需求数据序列中离散分布参数的占比小于预设的离散占比阈值，又或是所述需求数据序列中不同数值的需求数据数量大于或者等于预设的数量阈值，则进行步骤e)。d-1).作为一可选实施例，可以使用Kolmogorov-Smirnov检测的方法，依据预设的离散型分布类型，假设所述需求数据序列的分布符合预设的各个离散型分布类型，得到所述需求数据序列对应的各个预设的离散型分布类型假设成功的概率值，进行步骤f)。
示例性的说明，例如，所述需求数据序列的分布类型为离散型，预设的离散型分布类型包括0-1分布、二项分布、泊松分布以及离散型均匀分布，利用Kolmogorov-Smirnov检测的方法，分别假设所述需求数据序列的分布类型为0-1分布、二项分布、泊松分布、均匀分布，通过匹配预设的离散型分布类型，得到所述需求数据序列是0-1分布的概率为0.5，是二项分布的概率为0.8，是泊松分布的概率为0.6，是均匀分布的概率为0.7，进行步骤f)。。
e).确定所述需求数据序列的分布类型为连续型，进行步骤e-1)。
e-1).作为一可选实施例，可以使用Kolmogorov-Smirnov检测的方法，依据预设的连续型分布类型，假设所述需求数据序列的分布符合预设的各个连续型分布类型，得到所述需求数据序列对应的各个预设的连续型分布类型假设成功的概率值，进行步骤f)。
f).基于步骤d-1)或者步骤e-1)返回的各个概率值，确定所述需求数据序列最接近的数据分布类型，进而确定所述需求数据序列对应的数据分布特征。
实施例四
本申请实施例提供了一种需求预测的装置，参见图4所示的是需求预测装置的结构示意图，具体的：
数据获取模块401，用于获取预测对象对应的需求数据；
数据处理模块402，用于基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征；
需求预测模块403，用于基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息。
实施例五
基于同一技术构思，参见图7所示，本申请一实施例提供了一种计算机设备700，用于执行上述任意一种实施例中的的需求预测方法，该设备包括存储器701、处理器702及存储在该存储器701上并可在该处理器702上运行的计算机程序，其中，上述处理器702执行上述计算机程序时实现上述需求预测方法的步骤。
具体地，上述存储器701和处理器702能够为通用的存储器和处理器，这里不做具体限定，当处理器702运行存储器701存储的计算机程序时，能够执行上述需求预测方法。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任意一种实施例中的需求预测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述需求预测方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (13)

1.一种需求预测的方法，其特征在于，所述方法包括：
获取预测对象对应的需求数据；
基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征；
基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息；
其中，若数据变化趋势特征是指所述需求数据为稳定性数据，则获取所述预设时间段对应的历史需求数据，并基于获取的所述历史需求数据和所述数据变化趋势特征，预测未来预设时间段内的对预测对象的需求信息；
利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息；
若数据变化趋势特征是指所述需求数据不为稳定性数据，则基于所述数据变化趋势特征和所述影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息；
利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息。
2.根据权利要求1所述的方法，其特征在于，在所述确定所述需求数据对应的数据变化趋势特征之前，所述方法还包括：
将所述预测对象的需求数据按照数据产生时间进行排序，得到预测对象的需求数据序列；
判断所述需求数据序列的长度是否大于或等于预设长度阈值，若是，则针对所述需求数据序列中的每个数据，判断该数据是否大于预设的第一阈值，若是，则使用预设的第一阈值替换该数据，若否，则判断该数据是否小于预设的第二阈值；若是，则使用预设的第二阈值替换该数据。
3.根据权利要求2所述的方法，其特征在于，所述确定所述需求数据对应的数据变化趋势特征，包括：
确定所述需求数据序列的数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征；
基于所述数据稳定性特征、数据间歇性特征、数据单调性特征以及数据周期性特征，确定所述需求数据的数据变化趋势特征。
4.根据权利要求3所述的方法，其特征在于，所述确定所述需求数据序列的数据稳定性特征，包括：针对所述需求数据序列中的每个数据，基于所述需求数据序列对应的数据均值、所述需求数据序列对应的标准差和该数据，确定该数据与所述数据均值的偏差特征；
基于所述需求数据序列中的所有数据与所述数据均值的偏差特征，确定所述需求数据序列的数据稳定性特征。
5.根据权利要求3所述的方法，其特征在于，确定所述数据间歇性特征，包括：
获取预设的间歇数值；
获取间歇数值在所述需求数据序列中出现的第一次数，以及所述间歇数值在所述需求数据序列中连续出现的第二次数；
基于所述第一次数和所述第二次数，确定所述需求数据序列的数据间歇性特征。
6.根据权利要求3所述的方法，其特征在于，确定所述数据单调性特征，包括：
剔除所述需求数据序列中的周期性变化的数据；
基于所述需求数据序列中剩余数据，确定所述需求数据序列的数据单调性特征。
7.根据权利要求3所述的方法，其特征在于，确定所述数据周期性特征，包括：
剔除所述需求数据序列中的单调变化的数据；
基于所述需求数据序列中剩余数据，确定所述需求数据序列的数据周期性特征。
8.根据权利要求2所述的方法，其特征在于，确定所述需求数据对应的数据分布特征，包括：
获取预设的离散分布参数；
基于离散分布参数在所述需求数据序列中出现的次数以及所述需求数据序列中不同数值的数量，确定所述需求数据序列是否为离散型序列；
若所述需求数据序列为离散型序列，则确定所述需求数据序列属于各个预设的离散型分布类型的概率值；
基于所述需求数据序列属于各个预设的离散型分布类型的概率值，确定所述需求数据对应的数据分布特征。
9.根据权利要求2所述的方法，其特征在于，确定所述需求数据对应的数据分布特征，还包括：
若所述需求数据序列不为离散型序列，则确定所述需求数据序列属于各个预设的连续型分布类型的概率值；
基于所述需求数据序列属于各个预设的连续型分布类型的概率值，确定所述需求数据对应的数据分布特征。
10.根据权利要求1所述的方法，其特征在于，确定所述影响预测对象需求的特征，包括：
从所述需求数据中，获取与多个预设的需求相关特征对应的目标需求子数据；
确定各个目标需求子数据与对应的需求相关特征的相关性系数；
基于各个目标需求子数据与对应的需求相关特征的相关性系数，确定影响预测对象需求的特征。
11.一种需求预测的装置，其特征在于，包括：
数据获取模块，用于获取预测对象对应的需求数据；
数据处理模块，用于基于所述预测对象对应的需求数据，确定所述需求数据对应的数据变化趋势特征、数据分布特征以及影响预测对象需求的特征；
需求预测模块，用于基于所述数据变化趋势特征、数据分布特征和/或影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息；
所述需求预测模块具体用于：若数据变化趋势特征是指所述需求数据为稳定性数据，则获取所述预设时间段对应的历史需求数据，并基于获取的所述历史需求数据和所述数据变化趋势特征，预测未来预设时间段内的对预测对象的需求信息；
利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息；
若数据变化趋势特征是指所述需求数据不为稳定性数据，则基于所述数据变化趋势特征和所述影响预测对象需求的特征，预测未来预设时间段内的对预测对象的需求信息；
利用所述数据分布特征对预测得到的所述需求信息进行修正，得到最终的需求信息。
12.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至10任一所述的需求预测的方法的步骤。
13.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至10任一所述的需求预测的方法的步骤。
CN201911317064.3A 2019-12-19 2019-12-19 一种需求预测的方法及装置 Active CN111008749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911317064.3A CN111008749B (zh) 2019-12-19 2019-12-19 一种需求预测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911317064.3A CN111008749B (zh) 2019-12-19 2019-12-19 一种需求预测的方法及装置

Publications (2)

Publication Number Publication Date
CN111008749A CN111008749A (zh) 2020-04-14
CN111008749B true CN111008749B (zh) 2023-06-30

Family

ID=70117001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911317064.3A Active CN111008749B (zh) 2019-12-19 2019-12-19 一种需求预测的方法及装置

Country Status (1)

Country Link
CN (1) CN111008749B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902188B (zh) * 2021-10-08 2023-12-22 国网江苏省电力有限公司镇江供电分公司 一种电能计量物资需求预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011232950A (ja) * 2010-04-27 2011-11-17 Hitachi East Japan Solutions Ltd 需要予測装置、需要予測方法、及び需要予測プログラム
WO2014002974A1 (ja) * 2012-06-27 2014-01-03 ヤンマー株式会社 予測装置、予測方法及びコンピュータプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106469332A (zh) * 2015-08-19 2017-03-01 阿里巴巴集团控股有限公司 一种数据处理方法及装置
CN106971348B (zh) * 2016-01-14 2021-04-30 阿里巴巴集团控股有限公司 一种基于时间序列的数据预测方法和装置
CN106875027B (zh) * 2016-06-06 2020-11-06 创新先进技术有限公司 资源请求值的预测方法及装置、交易量的预测方法
CN106295995A (zh) * 2016-08-10 2017-01-04 曼威网络科技（上海）有限公司 一种用于确定生产计划的数据分析方法与设备
CN106600064A (zh) * 2016-12-16 2017-04-26 东软集团股份有限公司 一种数据预测方法及装置
CN109376924A (zh) * 2018-10-18 2019-02-22 广东电网有限责任公司 一种物资需求预测的方法、装置、设备及可读存储介质
CN109697527A (zh) * 2018-12-19 2019-04-30 浙江大学 一种多维度基于时间序列趋势分解的电量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011232950A (ja) * 2010-04-27 2011-11-17 Hitachi East Japan Solutions Ltd 需要予測装置、需要予測方法、及び需要予測プログラム
WO2014002974A1 (ja) * 2012-06-27 2014-01-03 ヤンマー株式会社 予測装置、予測方法及びコンピュータプログラム

Also Published As

Publication number Publication date
CN111008749A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN108256898B (zh) 一种产品销量预测方法、系统及存储介质
Kolassa Combining exponential smoothing forecasts using Akaike weights
US11055450B2 (en) Industrial asset health model update
CN110298509B (zh) 一种结合短期负荷预测的大工业行业用电优化方法
JP2017142781A (ja) 確率的価格及び急変予測
Cherkaoui et al. Quantitative assessments of performance and robustness of maintenance policies for stochastically deteriorating production systems
CN113657668A (zh) 基于lstm网络的电力负荷预测方法及系统
CN112308414A (zh) 收入异常检测的方法、装置、电子设备及存储介质
CN111008749B (zh) 一种需求预测的方法及装置
CN116894687A (zh) 一种基于机器学习的用电量分析方法及系统、电子设备
CN111488200A (zh) 一种基于动态分析模型的虚拟机资源使用率分析方法
CN116627342A (zh) 一种固态硬盘剩余使用寿命预测方法、装置、设备及介质
CN112418534B (zh) 揽件量预测方法及装置、电子设备、计算机可读存储介质
CN115794906A (zh) 一种确定突发事件影响的方法、装置、设备及存储介质
CN114118637A (zh) 一种配件需求的预测模型构建方法、装置及计算机设备
CN115204278A (zh) 异常样本检测方法和装置、电子设备、存储介质
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN113837782A (zh) 时间序列模型的周期项参数优化方法、装置、计算机设备
CN117609740B (zh) 基于工业大模型智能预测维护系统
CN113516518B (zh) 参数异常原因的确定方法、装置、电子设备及存储介质
CN117934247B (zh) 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质
CN111339156B (zh) 业务数据的长期确定方法、装置和计算机可读存储介质
CN113743532B (zh) 异常检测方法、装置、设备及计算机存储介质
CN116976515A (zh) 指标未来趋势的预测方法、装置和电子设备
Davies et al. Assessment of the SNA 8 stock for the 2004–05 fishing year

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