CN111127104A - 一种商品销量预测方法及系统 - Google Patents
一种商品销量预测方法及系统 Download PDFInfo
- Publication number
- CN111127104A CN111127104A CN201911353728.1A CN201911353728A CN111127104A CN 111127104 A CN111127104 A CN 111127104A CN 201911353728 A CN201911353728 A CN 201911353728A CN 111127104 A CN111127104 A CN 111127104A
- Authority
- CN
- China
- Prior art keywords
- sales
- data
- sales data
- commodity
- lstm
- 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 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000002457 bidirectional effect Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 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
- 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
-
- 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
Abstract
本发明公开一种商品销量预测方法及系统,涉及深度学习技术领域,包括:获取商品的历史销量数据;对历史销量数据进行预处理,得到预处理销量数据;对预处理销量数据进行第一特征提取,得到第一特征销量数据;根据第一特征销量数据和预处理销量数据进行训练得到销量初始预测模型;对第一特征销量数据和预处理销量数据进行第二特征提取,得到第二特征销量数据;根据第一特征销量数据、预处理销量数据和第二特征销量数据对销量初始预测模型进行训练得到商品销量预测模型,以对商品的销量进行预测。本发明商品销量预测模型融合了wavenet网络和LSTM网络,对于历史销量数据充足的情况下,商品销量模型的平均绝对百分比误差能达到百分之五。
Description
技术领域
本发明涉及深度学习技术领域,具体涉及一种商品销量预测方法及系统。
背景技术
商品销量预测是在充分考虑未来各种影响因素的基础上,根据历史销量以及市场上对产品需求的变化情况,对未来一定时期内产品的销量变化所进行的科学预计和推测。
现有技术中,对商品销量的预测,主要基于三类模型。一是传统统计模型(如arima,garch模型等),其缺点在于,这类模型只能对单个商店的单种商品进行预测,当数据包含多个商店、多种商品时,需要基于商店和商品的数量给出多个模型进行预测,非常麻烦。且这类模型对于某一天销量的预测大多基于前几天的销量数据,即模型没有长期记忆能力。且无法添加除销量数据以外的其他数据特征,导致模型的预测并不准确。
二是机器学习模型(如GBDT、XGBOOST、LGBM等回归树模型)。相比于传统统计模型,这类模型实现了单模型对多数据(多商店、多商品)的预测,且可以添加除销量数据以外的其他相关数据作为拟合特征。但使用机器学习类的算法对时间序列类型的数据进行预测时,并没有办法凸显数据在时间相关性上的特征,且机器学习算法需要进行特征提取,非相关行业的专家或非常了解数据的人没有办法很好的利用这类模型以达到需求的效果。
三是深度学习模型(如LSTM、GRU、RNN等循环神经网络)。这类模型通过权值共享的循环计算的方式以及输入门、遗忘门和输出门的控制实现了模型对时间序列的长期记忆功能,且这类模型属于端到端的模型,操作者并不需要对相关数据有非常强的专业知识及理解。最新也有一些使用CNN的方法用于时序预测;例如,Wavenet作为一种基于CNN的生成模型,由于其使用的因果卷积及空洞卷积的特性,使得当网络层次越高时,其对底层信息的可见度范围也越广(这对于像销售数据这类历史数据可能长达4年(一条数据记录多达1000个时间点)及以上的数据类型非常实用)。然而相比于LSTM而言,wavenet的缺点在于其无法像LSTM模型通过使用双向的网络,使得模型具有对未来信息进行提取的能力(如:未来几天的天气(这可以通过天气预报大概得知),未来几天的商店销售计划,以及未来几天的放假安排(节假日,特殊天气预警导致的放假)等等。
发明内容
本发明的目的在于提供一种商品销量预测方法及系统。
为达此目的,本发明采用以下技术方案:
提供一种商品销量预测方法,具体包括以下步骤:
步骤S1,获取商品的销量数据;
步骤S2,对所述销量数据进行预处理,得到经数据预处理后的所述销量数据;
步骤S3,对经数据预处理后的所述销量数据进行特征提取,得到所述销量数据对应的销量特征数据;
步骤S4,以所述销量数据及各所述销量特征数据作为WaveNet网络的输入,训练形成一WaveNet初始预测模型并存储;
步骤S5,将经所述步骤S2数据预处理后的所述销量数据输入到一预先训练的LSTM模型中,以对所述销量数据中的时间序列数据进行特征提取,得到所述销量数据对应的LSTM特征;
步骤S6,以所述步骤S5得到的所述LSTM特征以及原始输入到所述LSTM模型的所述销量数据为训练样本,对所述步骤S4训练形成的所述WaveNet初始预测模型进行更新训练,最终训练形成一用于预测商品销量的WaveNet预测模型。
作为本发明的一种优选方案,对所述销量数据进行数据预处理的方式包括对所述销量数据的缺失值填补,和/或异常值填补,和/或数值归一化处理。
作为本发明的一种优选方案,所述LSTM模型为Bi-LSTM模型,所述Bi-LSTM模型由双向LSTM网络训练而得。
作为本发明的一种优选方案,所述销量数据包括所述商品的前一天销量数据,和/或前七天销量数据,和/或前三十天销量数据。
一种商品销量预测系统,可实现以上任意一项所述的商品销量预测方法,其特征在于,所述商品销量预测系统包括:
数据获取模块,用于获取所述商品的所述销量数据;
数据预处理模块,连接所述数据获取模块,用于对所述销量数据进行数据预处理,得到经所述预处理后的所述销量数据;
销量数据特征提取模块,连接所述数据预处理模块,用于对经数据预处理后的所述销量数据进行数据特征提取,得到所述销量数据对应的所述销量特征数据;
模型训练模块,分别连接所述数据预处理模块和所述销量数据特征提取模块,用于以所述销量数据和各所述销量特征数据作为WaveNet网络的输入,训练形成一WaveNet初始预测模型并存储;
LSTM特征提取模块,连接所述数据预处理模块,用于将经数据预处理后的所述销量数据输入到一预先训练的LSTM模型中,以对所述销量数据中的所述时间序列数据进行特征提取,得到所述销量数据对应的LSTM特征;
所述模型训练模块还连接所述LSTM特征提取模块,还用于以所述LSTM特征以及原始输入到所述LSTM模型的所述销量数据为训练样本,更新训练所述WaveNet初始预测模型,最终训练形成一用于预测商品销量的WaveNet预测模型。
作为本发明的一种优选方案,对所述销量数据进行数据预处理的方式包括对所述销量数据的缺失值填补,和/或异常值填补,和/或数值归一化处理。
作为本发明的一种优选方案,所述LSTM模型为Bi-LSTM模型,所述Bi-LSTM模型由双向LSTM网络训练而得。
本发明的有益效果:
1)本发明的商品销量预测模型融合了wavenet网络和LSTM网络,在拥有wavenet网络的拟合能力下,又包含了双向LSTM网络对未来数据特征的考虑;
2)对于历史销量数据充足的情况下,本发明的商品销量模型的平均绝对百分比误差能达到百分之五。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明一实施例所述的一种商品销量预测方法的流程示意图。
图2是本发明一实施例所述的使用双向LSTM网络进行特征提取的示意图。
图3是本发明一实施例所述的一种商品销量预测系统的结构示意图。
图4是本发明一实施例所述的一种商品销量预测方法的流程框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
基于现有技术中存在的技术问题,本发明提供一种商品销量预测方法,如图1所示,具体包括以下步骤:
步骤S1,获取商品的销量数据;
步骤S2,对销量数据进行预处理,得到经数据预处理后的销量数据;
步骤S3,对经数据预处理后的销量数据进行特征提取,得到销量数据对应的销量特征数据;
步骤S4,以销量数据及各销量特征数据作为WaveNet网络的输入,训练形成一WaveNet初始预测模型并存储;
步骤S5,将经步骤S2数据预处理后的销量数据输入到一预先训练的LSTM模型中,以对销量数据中的时间序列数据进行特征提取,得到销量数据对应的LSTM特征;
步骤S6,以步骤S5得到的LSTM特征以及原始输入到LSTM模型的销量数据为训练样本,对步骤S4训练形成的WaveNet初始预测模型进行更新训练,最终训练形成一用于预测商品销量的WaveNet预测模型。
具体地,本实施例中,本发明在商量销量预测中,为了充分利用运营企业未来的商品销量计划、考虑未来天气和节假日安排等重大因素等,同时支持长期大跨度历史数据的时间序列预测,将商品的历史销量数据作为销量初始预测模型的训练数据,随后将训练好的销量初始预测模型的参数作为初始值应用到合并了LSTM特征提取的历史销量数据中,重新训练得到最终的商品销量预测模型。像wavenet这类深度学习模型,通常具有很复杂的网络结构以及庞大的网络参数,这使得使用随机梯度下降算法训练的模型很容易陷入一个局部最优解,而对模型参数进行合理的初始化,即先炫林得到销量初始预测模型,可以在某种程度上避免这个问题的出现。
进一步具体地,首先对历史销量数据进行预处理得到预处理销量数据,上述预处理过程包括但不限于缺失值和异常值填补,数值归一化处理。随后对预处理销量数据进行第一特征提取,通过上述第一特征提取进行预处理销量数据的特征提取及特征添加,虽然深度学习模型是一种端到端的模型,但适当的对数据进行特征提取和添加可以增加数据的维度,使得模型更容易提取到数据的核心特征,从而提高模型的预测或分类能力。随后利用提取得到的第一特征销量数据进行训练得到销量初始预测模型,上述销量初始预测模型为wavenet模型且由于上述训练过程为模型的预训练过程,上述训练过程的训练迭代次数可以相对设置的较少,以提升训练速度。
进一步地,对第一特征销量数据和历史销量数据进行进一步特征提取,本实施例中,如图2所示,其中Xt-1为原始数据X′t-1为融合了特征之后的数据。采用双向LSTM网络对第一特征销量数据和历史销量数据进行特征提取,并将提取出的第二特征销量数据与原有的第一特征销量数据和历史销量数据合并在一起作为已经预训练好的销量初始预测模型得输入,重新训练生成最终的商品销量预测模型,以对商品的销量进行预测。
作为本发明的一种优选方案,对销量数据进行数据预处理的方式包括对销量数据的缺失值填补,和/或异常值填补,和/或数值归一化处理。
作为本发明的一种优选方案,LSTM模型为Bi-LSTM模型,Bi-LSTM模型由双向LSTM网络训练而得。
作为本发明的一种优选方案,销量数据包括商品的前一天销量数据,和/或前七天销量数据,和/或前三十天销量数据。
一种商品销量预测系统,可实现以上任意一项的商品销量预测方法,如图3所示,商品销量预测系统包括:
数据获取模块1,用于获取商品的销量数据;
数据预处理模块2,连接数据获取模块1,用于对销量数据进行数据预处理,得到经预处理后的销量数据;
销量数据特征提取模块3,连接数据预处理模块2,用于对经数据预处理后的销量数据进行数据特征提取,得到销量数据对应的销量特征数据;
模型训练模块4,分别连接数据预处理模块2和销量数据特征提取模块3,用于以销量数据和各销量特征数据作为WaveNet网络的输入,训练形成一WaveNet初始预测模型并存储;
LSTM特征提取模块5,连接数据预处理模块2,用于将经数据预处理后的销量数据输入到一预先训练的LSTM模型中,以对销量数据中的时间序列数据进行特征提取,得到销量数据对应的LSTM特征;
模型训练模块4还连接LSTM特征提取模块5,还用于以LSTM特征以及原始输入到LSTM模型的销量数据为训练样本,更新训练WaveNet初始预测模型,最终训练形成一用于预测商品销量的WaveNet预测模型。
作为本发明的一种优选方案,对销量数据进行数据预处理的方式包括对销量数据的缺失值填补,和/或异常值填补,和/或数值归一化处理。
作为本发明的一种优选方案,LSTM模型为Bi-LSTM模型,Bi-LSTM模型由双向LSTM网络训练而得。
本发明的一个较佳的实施例中,如图4所示,本发明应用于商品销量预测时,优选对历史销量数据进行预处理后,将历史销量数据中的每间商店的每件商品的全部销售记录作为一条记录输入到wavenet网络中,训练得到预训练模型并保存。
随后将进行预处理后的历史销量数据进行初步特征提取,优选将前一天、前7天、前30天等数据作为特征并入历史销量数据中以对历史销量数据进行扩展。随后将扩展后的历史销量数据输入双向LSTM中进行特征提取,并加载上述预训练模型重新进行训练得到最终的商品预测模型。
本发明的另一个较佳的实施例中,本发明的商品销量预测方法及系统对于销量预测、电量预测等时间时序预测场景均可适用。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (7)
1.一种商品销量预测方法,其特征在于,具体包括以下步骤:
步骤S1,获取商品的销量数据;
步骤S2,对所述销量数据进行预处理,得到经数据预处理后的所述销量数据;
步骤S3,对经数据预处理后的所述销量数据进行特征提取,得到所述销量数据对应的销量特征数据;
步骤S4,以所述销量数据及各所述销量特征数据作为WaveNet网络的输入,训练形成一WaveNet初始预测模型并存储;
步骤S5,将经所述步骤S2数据预处理后的所述销量数据输入到一预先训练的LSTM模型中,以对所述销量数据中的时间序列数据进行特征提取,得到所述销量数据对应的LSTM特征;
步骤S6,以所述步骤S5得到的所述LSTM特征以及原始输入到所述LSTM模型的所述销量数据为训练样本,对所述步骤S4训练形成的所述WaveNet初始预测模型进行更新训练,最终训练形成一用于预测商品销量的WaveNet预测模型。
2.根据权利要求1所述的商品销量预测方法,其特征在于,所述步骤S2中,对所述销量数据进行数据预处理的方式包括对所述销量数据的缺失值填补,和/或异常值填补,和/或数值归一化处理。
3.根据权利要求1所述的商品销量预测方法,其特征在于,所述步骤S5中,所述LSTM模型为Bi-LSTM模型,所述Bi-LSTM模型由双向LSTM网络训练而得。
4.根据权利要求1所述的商品销量预测方法,其特征在于,所述销量数据包括所述商品的前一天销量数据,和/或前七天销量数据,和/或前三十天销量数据。
5.一种商品销量预测系统,可实现如权利要求1-4中任意一项所述的商品销量预测方法,其特征在于,所述商品销量预测系统包括:
数据获取模块,用于获取所述商品的所述销量数据;
数据预处理模块,连接所述数据获取模块,用于对所述销量数据进行数据预处理,得到经所述预处理后的所述销量数据;
销量数据特征提取模块,连接所述数据预处理模块,用于对经数据预处理后的所述销量数据进行数据特征提取,得到所述销量数据对应的所述销量特征数据;
模型训练模块,分别连接所述数据预处理模块和所述销量数据特征提取模块,用于以所述销量数据和各所述销量特征数据作为WaveNet网络的输入,训练形成一WaveNet初始预测模型并存储;
LSTM特征提取模块,连接所述数据预处理模块,用于将经数据预处理后的所述销量数据输入到一预先训练的LSTM模型中,以对所述销量数据中的所述时间序列数据进行特征提取,得到所述销量数据对应的LSTM特征;
所述模型训练模块还连接所述LSTM特征提取模块,还用于以所述LSTM特征以及原始输入到所述LSTM模型的所述销量数据为训练样本,更新训练所述WaveNet初始预测模型,最终训练形成一用于预测商品销量的WaveNet预测模型。
6.如权利要求5所述的商品销量预测系统,其特征在于,对所述销量数据进行数据预处理的方式包括对所述销量数据的缺失值填补,和/或异常值填补,和/或数值归一化处理。
7.如权利要求5所述的商品销量预测系统,其特征在于,所述LSTM模型为Bi-LSTM模型,所述Bi-LSTM模型由双向LSTM网络训练而得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353728.1A CN111127104A (zh) | 2019-12-25 | 2019-12-25 | 一种商品销量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353728.1A CN111127104A (zh) | 2019-12-25 | 2019-12-25 | 一种商品销量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127104A true CN111127104A (zh) | 2020-05-08 |
Family
ID=70502792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353728.1A Pending CN111127104A (zh) | 2019-12-25 | 2019-12-25 | 一种商品销量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127104A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396466A (zh) * | 2020-11-30 | 2021-02-23 | 上海明略人工智能(集团)有限公司 | 电商平台流量预测方法、系统、存储介质及电子设备 |
CN112766619A (zh) * | 2021-04-07 | 2021-05-07 | 广东众聚人工智能科技有限公司 | 一种商品时序数据预测方法及系统 |
CN113298031A (zh) * | 2021-06-16 | 2021-08-24 | 中国人民解放军国防科技大学 | 一种考虑信号物理和时序特性的信号调制识别方法及应用 |
CN116308495A (zh) * | 2023-05-22 | 2023-06-23 | 酒仙网络科技股份有限公司 | 一种基于大数据的白酒销售管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293497A1 (en) * | 2017-04-06 | 2018-10-11 | The Boston Consulting Group, Inc. | Systems and Methods for Learning and Predicting Transactions |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN109559163A (zh) * | 2018-11-16 | 2019-04-02 | 广州麦优网络科技有限公司 | 一种基于机器学习的模型构建方法及销售预测方法 |
CN109767778A (zh) * | 2018-12-27 | 2019-05-17 | 中国人民解放军陆军工程大学 | 一种融合Bi-LSTM和WaveNet的语音转换方法 |
-
2019
- 2019-12-25 CN CN201911353728.1A patent/CN111127104A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293497A1 (en) * | 2017-04-06 | 2018-10-11 | The Boston Consulting Group, Inc. | Systems and Methods for Learning and Predicting Transactions |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
CN109559163A (zh) * | 2018-11-16 | 2019-04-02 | 广州麦优网络科技有限公司 | 一种基于机器学习的模型构建方法及销售预测方法 |
CN109767778A (zh) * | 2018-12-27 | 2019-05-17 | 中国人民解放军陆军工程大学 | 一种融合Bi-LSTM和WaveNet的语音转换方法 |
Non-Patent Citations (1)
Title |
---|
MICHAEL MARINO 等: "A New Classifier Network for Ultrasonic NDE Applications based on Ensemble Deep Learning" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396466A (zh) * | 2020-11-30 | 2021-02-23 | 上海明略人工智能(集团)有限公司 | 电商平台流量预测方法、系统、存储介质及电子设备 |
CN112766619A (zh) * | 2021-04-07 | 2021-05-07 | 广东众聚人工智能科技有限公司 | 一种商品时序数据预测方法及系统 |
CN113298031A (zh) * | 2021-06-16 | 2021-08-24 | 中国人民解放军国防科技大学 | 一种考虑信号物理和时序特性的信号调制识别方法及应用 |
CN116308495A (zh) * | 2023-05-22 | 2023-06-23 | 酒仙网络科技股份有限公司 | 一种基于大数据的白酒销售管理方法及系统 |
CN116308495B (zh) * | 2023-05-22 | 2023-08-15 | 酒仙网络科技股份有限公司 | 一种基于大数据的白酒销售管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127104A (zh) | 一种商品销量预测方法及系统 | |
CN110414719B (zh) | 一种基于多变量灰色模型时间序列的车流量预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN113905391B (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
CN109284866B (zh) | 商品订单预测方法及装置、存储介质、终端 | |
CN109816221A (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
CN108460679B (zh) | 融合注意力机制的深度网络智能投资系统数据分析方法 | |
CN107563705A (zh) | 利用大数据分析家电产品安全库存及再订货的系统和方法 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN111260156B (zh) | 现金流预测模型的构建方法及现金流预测方法及装置 | |
CN112232604B (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN109840628A (zh) | 一种短时多区域车速预测方法及系统 | |
CN110619427A (zh) | 基于序列到序列学习模型的交通指数预测方法和装置 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN112651534A (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
CN115145901A (zh) | 一种基于多尺度的时间序列预测方法及系统 | |
CN114120637A (zh) | 一种基于连续监测器的智慧高速交通流量预测方法 | |
CN114066510A (zh) | 物品销量预测方法、装置、计算机设备和存储介质 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN110390041B (zh) | 在线学习方法及装置、计算机可读存储介质 | |
CN111144923B (zh) | 一种基于深层循环神经网络的产品周期需求量预测方法 | |
Ma et al. | Deep Learning Algorithms for Automotive Spare Parts Demand Forecasting | |
CN112231307A (zh) | 一种基于lstm的冷链监测温湿度数据拟合方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |