CN111382890B - 一种家电安装量预测方法、系统及存储介质 - Google Patents
一种家电安装量预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111382890B CN111382890B CN201811615905.4A CN201811615905A CN111382890B CN 111382890 B CN111382890 B CN 111382890B CN 201811615905 A CN201811615905 A CN 201811615905A CN 111382890 B CN111382890 B CN 111382890B
- Authority
- CN
- China
- Prior art keywords
- household appliance
- installation
- historical
- installation quantity
- 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.)
- Active
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种家电安装量预测方法、系统及存储介质。预测方法包括：根据历史家电安装量特征数据和对应的历史家电安装量分析安装量走势；根据安装量走势、历史家电安装量特征数据和历史家电安装量构建预测模型；将当前获取的家电安装量特征数据输入预测模型得到家电安装量。企业可以根据预测结果，做到有计划备料，可有效避免脱销现象和因备料不足而造成的生产延误，从而减少空调生产的等待时间；结合预测结果，可减少安全库存量，做到合理组织货源，以降低物流成本；通过考虑企业的可控因素、不可控因素和空调安装数据的变化，对比预测值与真实值，分析安装数据波动，从而有计划、有组织地启动企业的可控因素，进行正干扰。
Description
技术领域
本发明涉及智能家居技术领域，尤其涉及一种家电安装量预测方法、系统及存储介质。
背景技术
空调即空气调节器(Air Conditioner)。是指用人工手段，对建筑/构筑物内环境空气的温度、湿度、洁净度、流速等参数进行调节和控制的设备。一般包括冷源/热源设备，冷热介质输配系统，末端装置等几大部分和其他辅助设备。主要包括，制冷主机、水泵、风机和管路系统。末端装置则负责利用输配来的冷热量，具体处理空气状态，使目标环境的空气参数达到要求。
对空调制造企业来说，空调的制造量如果过大，会造成产品滞销，产品滞销会对企业的仓储能力和流动资金造成较大的考验，空调的制造量过小，会导致空调制造企业最终的收益减少，而且会导致一部分客源流失，最终有可能降低用户粘性，导致更大的利益损失。
发明内容
为了解决现有技术存在的问题，本发明的至少一个实施例提供了一种家电安装量预测方法、系统及存储介质。
第一方面，本发明实施例提供了一种家电安装量预测方法，所述预测方法包括：
从历史数据中获取多组历史家电安装量特征数据和对应的历史家电安装量；
根据所述历史家电安装量特征数据和对应的所述历史家电安装量分析安装量走势；
根据所述安装量走势、历史家电安装量特征数据和历史家电安装量构建预测模型；
将当前获取的家电安装量特征数据输入所述预测模型得到家电安装量。
结合第一方面，在第一方面的第一种实施例中，所述根据所述安装量走势、历史家电安装量特征数据和历史家电安装量构建预测模型，包括：
S1、基于所述安装量走势，通过所述历史家电安装量特征数据得到多组预测安装量；
S2、基于邻近算法通过所述预测安装量建立回归模型；
S3、通过所述回归模型得到模型预测安装量，通过所述历史家电安装量评估所述模型预测安装量是否合理；
S4、若是，输出所述回归模型作为所述预测模型；若否，调整所述回归模型中的参数，重新进行S3～S4。
结合第一方面的第一种实施例，在第一方面的第二种实施例中，所述基于邻近算法通过所述预测安装量建立回归模型，包括：
基于所述邻近算法为每个预测安装量设置权重，并选取k值，得到所述回归模型；
所述k表示距离所述模型预测安装量最近的k个预测安装量；根据每个所述预测安装量距离所述模型预测安装量的距离设置所述权重。
结合第一方面的第二种实施例，在第一方面的第三种实施例中，所述通过所述回归模型得到模型预测安装量，包括：
通过如下计算公式计算得到所述模型预测安装量：
其中，所述P模为所述模型预测安装量，所述Pi为距离所述模型预测安装量最近的第i个预测安装量，所述α为第i个预测安装量的权重，所述k表示距离所述模型预测安装量最近的k个所述预测安装量。
结合第一方面的第三种实施例，在第一方面的第四种实施例中，所述通过所述历史家电安装量评估所述模型预测安装量是否合理，包括：
通过如下计算公式计算所述历史家电安装量与所述模型预测安装量的差异度:
其中，n为所述差异度，所述P模为所述模型预测安装量，所述P历为所述历史家电安装量；
将所述差异度与预设阈值进行比较，判断所述差异度是否大于预设阈值；
当所述差异度大于所述预设阈值时，所述模型预测安装量不合理；
或者，当所述差异度小于或等于所述预设阈值时，所述模型预测安装量合理。
结合第一方面，在第一方面的第五种实施例中，所述从历史数据中获取多组历史家电安装量特征数据和对应的历史家电安装量，包括：
从历史数据中获取多组预处理特征数据和对应的预处理家电安装量；
根据所述预处理特征数据对所述预处理特征数据和对应的预处理家电安装量进行过滤；
将过滤后所述预处理特征数据和对应的预处理家电安装量作为所述历史家电安装量特征数和对应的历史家电安装量。
结合第一方面的第五种实施例，在第一方面的第六种实施例中，所述根据所述预处理特征数据对所述预处理特征数据和对应的家电安装量进行过滤，包括：
对所有所述预处理特征数据进行一致性检测，判断是否有所述预处理特征数据为异常特征数据；
若有所述预处理特征数据为异常特征数据，将所述异常特征数据对应的家电安装量为异常家电安装量；
判断是否存在与所述异常家电安装量一致的所述家电安装量；
若存在与所述异常家电安装量一致的所述家电安装量，将所述异常家电安装量对应的异常特征数据进行替换；
或者，若不存在与所述异常家电安装量一致的所述家电安装量，将所述异常家电安装量和所述异常家电安装量对应的异常特征数据进行删除。
结合第一方面，在第一方面的第七种实施例中，所述根据所述历史家电安装量特征数据和对应的所述历史家电安装量分析安装量走势之前，所述预测方法还包括：
计算所述历史家电安装量特征数据和对应的所述历史家电安装量之间的相关度；
并将相关度低于预设阈值的历史家电安装量特征数据和对应的所述历史家电安装量进行删除。
结合第一方面的第七种实施例，在第一方面的第八种实施例中，所述根据所述历史家电安装量特征数据和对应的所述历史家电安装量分析安装量走势之前，所述预测方法还包括：
确认所述历史家电安装量特征数据是否发散；
若所述历史家电安装量特征数据不发散，将所述历史家电安装量特征数据和对应的所述历史家电安装量进行删除。
结合第一方面或第一方面的第一、第二、第三、第四、第五、第六、第七或第八种实施例中任意一种实施例，在第一方面的第九种实施例中，所述预测方法还包括：
将所述家电安装量特征数据和根据所述家电安装量特征数据得到的家电安装量生成安装量报表。
第二方面，本发明实施例提供了一种家电安装量预测系统，所述家电安装量预测系统包括处理器、存储器；所述处理器用于执行所述存储器中存储的家电安装量预测程序，以实现第一方面中任一实施例所述的家电安装量预测方法。
第三方面，本发明实施例提供了一种计算机可存储介质，所述计算机可存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一实施例所述的家电安装量预测方法。
本发明的上述技术方案与现有技术相比具有如下优点：本发明实施例通过获取历史数据，根据历史数据分析安装量走势，根据过往历史构建预测模型，通过预测模型基于家电安装量特征数据分析得到家电安装量。企业可以根据预测结果，做到有计划备料，可有效避免脱销现象和因备料不足而造成的生产延误，从而减少空调生产的等待时间，并提供给客户更优质的服务；结合预测结果，可减少安全库存量，做到合理组织货源，以降低物流成本；通过考虑企业的可控因素、不可控因素和空调安装数据的变化，对比预测值与真实值，分析安装数据波动，从而有计划、有组织地启动企业的可控因素，进行正干扰，减缓空调安装数量衰退期的到来。综上所述，正确的预测空调安装数据，将对企业的设计、生产、管理、销售等起着举足轻重的作用。
附图说明
图1是本发明实施例提供的一种家电安装量预测方法流程示意图；
图2是本发明另一实施例提供的一种家电安装量预测方法流程示意图；
图3是本发明又一实施例提供的一种家电安装量预测方法流程示意图其一；
图4是本发明又一实施例提供的一种家电安装量预测方法流程示意图其二；
图5是本发明又一实施例提供的一种家电安装量预测系统结构示意图。
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的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
如图1所示，本发明实施例提供的一种家电安装量预测方法，预测方法包括：
S11、从历史数据中获取多组历史家电安装量特征数据和对应的历史家电安装量。
在本实施例中，获取历史数据中的历史家电安装量特征数据和每个特征数据对应的历史家电安装量，比如，历史家电安装量特征数据可以是天气数据，不同的天气情况下会对空调的安装量造成较大影响，因为天气在较为极端的情况下，用户对空调的需求会更大，特征数据还可以是政策数据，当国家下发补贴政策，购买家电或者以旧换新的政策条件时，用户花费更少的资金就可以购买到原先的产品，用户的购买意愿会更大，特征数据还可以是股票数据，当家电公司的股票价格上升时，公司市值就会越高，此时该公司的产品推广力度和影响力就会更大，其家电产品的安装量也会受到影响，同理，股票价格下降时，公司的流动资金会随之下降，导致推广力度的下降，造成产品不为人所知的情况，所以公司的股票价格会影响到产品的销售，随之影响家电的安装量。
在本实施例中，可以获取天气数据和不同天气数据对应的家电安装量，政策条件和不同政策条件下对应的家电安装量，股票数据和不同股票数据下对应的家电安装量。
S12、根据历史家电安装量特征数据和对应的历史家电安装量分析安装量走势。
在本实施例中，可以根据天气数据和不同天气数据对应的家电安装量通过线性回归分析得到安装量线性走势趋势，还可以根据政策条件和不同政策条件下对应的家电安装量分析得到另一种安装量线性走势趋势，通过政策条件进行分析时，需要将政策条件进行合理化分析，将政策条件根据经验进行赋值，还可以根据股票数据和不同股票数据下对应的家电安装量分析得到另一中安装量线性走势趋势，当然，还可以根据其他特征数据和对应的安装量分析相应安装量线性走势趋势。
S13、根据安装量走势、历史家电安装量特征数据和历史家电安装量构建预测模型。
在本实施例中，通过历史家电安装量特征数据代入相应的安装量走势得到相应的预测安装量，而后通过真实的历史家电安装量判断预测安装量是否正确，最终通过多组历史家电安装量特征数据和历史家电安装量构建预测模型。
如图2所示，在本实施例中，构建预测模型的方法包括：
S21、基于安装量走势，通过历史家电安装量特征数据得到多组预测安装量。
在本实施例中，通过历史家电安装量特征数据代入相应的安装量走势得到相应的多组预测安装量，不同的历史家电安装量特征数据对应的多组预测安装量不同，比如可以是历史家电安装量特征数据相临近的特征数据在安装量走势中对应的安装量，比如历史家电安装量特征数据为30摄氏度，可以获取28摄氏度、29摄氏度、31摄氏度和32摄氏度对应的安装量为预测安装量。
S22、基于邻近算法通过预测安装量建立回归模型。
邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别，在本实施例中，将预测安装量作为与待确定的安装量的邻居，通过设置K，获取与待确定的安装量最近的K个邻居，计算待确定的安装量，比如，可以将与待确定的安装量最近的K个邻居取平均值计算得到该待确定的安装量。
在本实施例中，通过邻近算法建立回归模型包括：
基于邻近算法为每个预测安装量设置权重，并选取k值，得到回归模型；
k表示距离模型预测安装量最近的k个预测安装量；根据每个预测安装量距离模型预测安装量的距离设置权重，每个预测安装量距离模型预测安装量的距离，可以根据度量空间距离来进行计算，当度量空间距离越小，设置的权重就越大。
S23、通过回归模型得到模型预测安装量，通过历史家电安装量评估模型预测安装量是否合理。
在本实施例中，将任一历史家电安装量特征数据输入回归模型中，通过回归模型得到模型预测安装量，通过历史家电安装量特征数据对应的历史家电安装量来评估该模型预测安装量是否合理，当任一家里家电安装量特征数据和对应的历史家电安装量均匹配上，则模型预测安装量合理，比如，可以根据模型预测安装量和真实的历史家电安装量的差值来确认模型预测安装量是否合理，若差值过大，说明模型预测安装量不合理，若差值较小，则模型预测安装量合理。
在本实施例中，通过如下计算公式计算得到模型预测安装量：
其中，P模为模型预测安装量，Pi为距离模型预测安装量最近的第i个预测安装量，α为第i个预测安装量的权重，k表示距离模型预测安装量最近的k个预测安装量。每个历史家电安装量特征数据均可对应安装量走势，得到多组预测安装量，权重值可以是通过上述距离度量来规划，也可以根据历史经验进行设定，通过本公式计算得到模型预测安装量。
在本实施例中，通过历史家电安装量评估模型预测安装量是否合理，包括：
通过如下计算公式计算历史家电安装量与模型预测安装量的差异度:
其中，n为差异度，P模为模型预测安装量，P历为历史家电安装量；
将差异度与预设阈值进行比较，判断差异度是否大于预设阈值；
当差异度大于预设阈值时，模型预测安装量不合理；
或者，当差异度小于或等于预设阈值时，模型预测安装量合理。
S24、若是，输出回归模型作为预测模型；若否，调整回归模型中的参数，重新进行S23～S24。
当模型预测安装量合理时，将回归模型作为预测模型，当模型预测安装量不合理时，需要调整回归模型中的K值，重新进行S23～S24。
S14、将当前获取的家电安装量特征数据输入预测模型得到家电安装量。
在本实施例中，将当前获取的家电安装量特征数据输入预测模型，得到未来可能的家电安装量，为公司确认未来一段时间内的家电安装量，方便公司按照预测的家电安装量进行生产和配运，通过分析特征因素对安装数据的影响，合理进行生产，有计划、有组织地启动企业的可控因素。
在本实施例中，将家电安装量特征数据和根据家电安装量特征数据得到的家电安装量生成安装量报表。
通过安装量报表对比预测值与真实值，分析安装数据波动，分析特征因素对安装数据的影响，为工作人员提供一些有效的理论依据，使其做到合理生产，减少空调生产的等待时间，减少安全库存量，以降低物流成本，并通过分析特征因素对安装数据的影响，有计划、有组织地启动企业的可控因素，进行正干扰，减缓空调安装数量衰退期的到来。
如图3所示，本发明实施例提供的一种家电安装量预测方法，与图1所示家电安装量预测方法相比，区别在于，预测方法包括：
S31、从历史数据中获取多组预处理特征数据和对应的预处理家电安装量。
在本实施例中，获取历史数据中的预处理特征数据和每个特征数据对应的预处理家电安装量，比如，预处理特征数据可以是天气数据，不同的天气情况下会对空调的安装量造成较大影响，因为天气在较为极端的情况下，用户对空调的需求会更大，预处理特征数据还可以是政策数据，当国家下发补贴政策，购买家电或者以旧换新的政策条件时，用户花费更少的资金就可以购买到原先的产品，用户的购买意愿会更大，预处理特征数据还可以是股票数据，当家电公司的股票价格上升时，公司市值就会越高，此时该公司的产品推广力度和影响力就会更大，其家电产品的安装量也会受到影响，同理，股票价格下降时，公司的流动资金会随之下降，导致推广力度的下降，造成产品不为人所知的情况，所以公司的股票价格会影响到产品的销售，随之影响家电的安装量。
S32、根据预处理特征数据对预处理特征数据和对应的预处理家电安装量进行过滤。
在本实施例中，对预处理特征数据和预处理家电安装量进行过滤，可以通过预处理特征数据的离散程度进行过滤。
具体的，可以通过对所有预处理特征数据进行一致性检测，判断是否有预处理特征数据为异常特征数据；若有预处理特征数据为异常特征数据，将异常特征数据对应的家电安装量为异常家电安装量；判断是否存在与异常家电安装量一致的家电安装量；若存在与异常家电安装量一致的家电安装量，将异常家电安装量对应的异常特征数据进行替换；或者，若不存在与异常家电安装量一致的家电安装量，将异常家电安装量和异常家电安装量对应的异常特征数据进行删除。
S33、将过滤后预处理特征数据和对应的预处理家电安装量作为历史家电安装量特征数和对应的历史家电安装量。
S34、根据历史家电安装量特征数据和对应的历史家电安装量分析安装量走势。
在本实施例中，可以根据天气数据和不同天气数据对应的家电安装量通过线性回归分析得到安装量线性走势趋势，还可以根据政策条件和不同政策条件下对应的家电安装量分析得到另一种安装量线性走势趋势，通过政策条件进行分析时，需要将政策条件进行合理化分析，将政策条件根据经验进行赋值，还可以根据股票数据和不同股票数据下对应的家电安装量分析得到另一中安装量线性走势趋势，当然，还可以根据其他特征数据和对应的安装量分析相应安装量线性走势趋势。
S35、根据安装量走势、历史家电安装量特征数据和历史家电安装量构建预测模型。
在本实施例中，通过历史家电安装量特征数据代入相应的安装量走势得到相应的预测安装量，而后通过真实的历史家电安装量判断预测安装量是否正确，最终通过多组历史家电安装量特征数据和历史家电安装量构建预测模型。
S36、将当前获取的家电安装量特征数据输入预测模型得到家电安装量。
在本实施例中，将当前获取的家电安装量特征数据输入预测模型，得到未来可能的家电安装量，为公司确认未来一段时间内的家电安装量，方便公司按照预测的家电安装量进行生产和配运，通过分析特征因素对安装数据的影响，合理进行生产，有计划、有组织地启动企业的可控因素。
如图4所示，本发明实施例提供的一种家电安装量预测方法，与图1所示家电安装量预测方法相比，区别在于，预测方法包括：
S41、从历史数据中获取多组历史家电安装量特征数据和对应的历史家电安装量。
在本实施例中，获取历史数据中的历史家电安装量特征数据和每个特征数据对应的历史家电安装量，比如，历史家电安装量特征数据可以是天气数据，不同的天气情况下会对空调的安装量造成较大影响，因为天气在较为极端的情况下，用户对空调的需求会更大，特征数据还可以是政策数据，当国家下发补贴政策，购买家电或者以旧换新的政策条件时，用户花费更少的资金就可以购买到原先的产品，用户的购买意愿会更大，特征数据还可以是股票数据，当家电公司的股票价格上升时，公司市值就会越高，此时该公司的产品推广力度和影响力就会更大，其家电产品的安装量也会受到影响，同理，股票价格下降时，公司的流动资金会随之下降，导致推广力度的下降，造成产品不为人所知的情况，所以公司的股票价格会影响到产品的销售，随之影响家电的安装量。
在本实施例中，可以获取天气数据和不同天气数据对应的家电安装量，政策条件和不同政策条件下对应的家电安装量，股票数据和不同股票数据下对应的家电安装量。
S42、计算历史家电安装量特征数据和对应的历史家电安装量之间的相关度。
在本实施例中，计算历史家电安装量特征数据和对应的历史家电安装量之间的相关度，比如，历史家电安装量特征数据对历史家电安装量影响度，即历史家电安装量特征数据的变化对历史家电安装量的变化影响较大。相关度越高说明历史家电安装量特征数据对历史家电安装量的影响越大。
S43、并将相关度低于预设阈值的历史家电安装量特征数据和对应的历史家电安装量进行删除。
将相关度低于预设阈值的历史家电安装量特征数据和对应的历史家电安装量进行删除，减少相关度较低的数据对模型的干扰，提高数据处理的效率。
S44、根据历史家电安装量特征数据和对应的历史家电安装量分析安装量走势。
在本实施例中，可以根据天气数据和不同天气数据对应的家电安装量通过线性回归分析得到安装量线性走势趋势，还可以根据政策条件和不同政策条件下对应的家电安装量分析得到另一种安装量线性走势趋势，通过政策条件进行分析时，需要将政策条件进行合理化分析，将政策条件根据经验进行赋值，还可以根据股票数据和不同股票数据下对应的家电安装量分析得到另一中安装量线性走势趋势，当然，还可以根据其他特征数据和对应的安装量分析相应安装量线性走势趋势。
在本实施例中，分析安装量走势之前，预测方法还包括：确认历史家电安装量特征数据是否发散，在数学概念中，发散是与收敛相对应的概念。
若历史家电安装量特征数据不发散，将历史家电安装量特征数据和对应的历史家电安装量进行删除，若历史家电安装特征数据不发散说明历史家电安装量特征数据不够用于进行数据参考，进行安装量走势分析，容易出现错误。
S45、根据安装量走势、历史家电安装量特征数据和历史家电安装量构建预测模型。
在本实施例中，通过历史家电安装量特征数据代入相应的安装量走势得到相应的预测安装量，而后通过真实的历史家电安装量判断预测安装量是否正确，最终通过多组历史家电安装量特征数据和历史家电安装量构建预测模型。
S46、将当前获取的家电安装量特征数据输入预测模型得到家电安装量。
在本实施例中，将当前获取的家电安装量特征数据输入预测模型，得到未来可能的家电安装量，为公司确认未来一段时间内的家电安装量，方便公司按照预测的家电安装量进行生产和配运，通过分析特征因素对安装数据的影响，合理进行生产，有计划、有组织地启动企业的可控因素。
如图5所示，本发明实施例提供了一种家电安装量预测系统，家电安装量预测系统包括处理器、存储器；处理器用于执行存储器中存储的家电安装量预测程序，以实现上述任一实施例的家电安装量预测方法。
对上述实施例中的系统或装置提供用于记录可以实现上述实施例的功能的软件程序的程序代码的存储介质，并通过系统或装置的计算机(或CPU或MPU)读取并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读出的程序代码本身执行上述实施例的功能，而存储程序代码的存储介质构成本发明实施例。
作为用于提供程序代码的存储介质，例如软盘、硬盘、光盘、磁光盘、CD-ROM、CD-R、磁带、非易失存储卡、ROM、以及类似物都可以使用。
上述实施例的功能不仅可以通过由计算机执行读出的程序代码来实现，而且也可以通过在计算机上运行的OS(操作系统)根据程序代码的指令执行的一些或全部的实际处理操作来实现。
此外，本发明实施例还包括这样一种情况，即在从存储介质读出的程序代码被写入被插入计算机的功能扩展卡之后，或者被写入和计算机相连的功能扩展单元内提供的存储器之后，在功能扩展卡或功能扩展单元中包括的CPU或类似物按照程序代码的命令执行部分处理或全部处理，从而实现上述实施例的功能。
本发明实施例提供了一种计算机可存储介质，计算机可存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述任一实施例的家电安装量预测方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种家电安装量预测方法，其特征在于，所述预测方法包括：
从历史数据中获取多组历史家电安装量特征数据和对应的历史家电安装量；
根据所述历史家电安装量特征数据和对应的所述历史家电安装量分析安装量走势；所述历史家电安装量特征数据包括：天气数据、政策数据和股票数据中的至少一种；
根据所述安装量走势、历史家电安装量特征数据和历史家电安装量构建预测模型，包括：
S1、基于所述安装量走势，通过所述历史家电安装量特征数据得到多组预测安装量；
S2、基于邻近算法通过所述预测安装量建立回归模型；
S3、通过所述回归模型得到模型预测安装量，通过所述历史家电安装量评估所述模型预测安装量是否合理；
S4、若是，输出所述回归模型作为所述预测模型；若否，调整所述回归模型中的参数，重新进行S3～S4；
将当前获取的家电安装量特征数据输入所述预测模型得到家电安装量；
其中，所述基于邻近算法通过所述预测安装量建立回归模型，包括：
基于所述邻近算法为每个预测安装量设置权重，并选取k值，得到所述回归模型；
所述k表示距离所述模型预测安装量最近的k个预测安装量；根据每个所述预测安装量距离所述模型预测安装量的距离设置所述权重。
2.根据权利要求1所述的家电安装量预测方法，其特征在于，所述通过所述回归模型得到模型预测安装量，包括：
通过如下计算公式计算得到所述模型预测安装量：
其中，所述P模为所述模型预测安装量，所述Pi为距离所述模型预测安装量最近的第i个预测安装量，所述α为第i个预测安装量的权重，所述k表示距离所述模型预测安装量最近的k个所述预测安装量。
3.根据权利要求2所述的家电安装量预测方法，其特征在于，所述通过所述历史家电安装量评估所述模型预测安装量是否合理，包括：
通过如下计算公式计算所述历史家电安装量与所述模型预测安装量的差异度:
其中，n为所述差异度，所述P模为所述模型预测安装量，所述P历为所述历史家电安装量；
将所述差异度与预设阈值进行比较，判断所述差异度是否大于预设阈值；
当所述差异度大于所述预设阈值时，所述模型预测安装量不合理；
或者，当所述差异度小于或等于所述预设阈值时，所述模型预测安装量合理。
4.根据权利要求1所述的家电安装量预测方法，其特征在于，所述从历史数据中获取多组历史家电安装量特征数据和对应的历史家电安装量，包括：
从历史数据中获取多组预处理特征数据和对应的预处理家电安装量；
根据所述预处理特征数据对所述预处理特征数据和对应的预处理家电安装量进行过滤；
将过滤后所述预处理特征数据和对应的预处理家电安装量作为所述历史家电安装量特征数和对应的历史家电安装量。
5.根据权利要求4所述的家电安装量预测方法，其特征在于，所述根据所述预处理特征数据对所述预处理特征数据和对应的家电安装量进行过滤，包括：
对所有所述预处理特征数据进行一致性检测，判断是否有所述预处理特征数据为异常特征数据；
若有所述预处理特征数据为异常特征数据，将所述异常特征数据对应的家电安装量为异常家电安装量；
判断是否存在与所述异常家电安装量一致的所述家电安装量；
若存在与所述异常家电安装量一致的所述家电安装量，将所述异常家电安装量对应的异常特征数据进行替换；
或者，若不存在与所述异常家电安装量一致的所述家电安装量，将所述异常家电安装量和所述异常家电安装量对应的异常特征数据进行删除。
6.根据权利要求1所述的家电安装量预测方法，其特征在于，所述根据所述历史家电安装量特征数据和对应的所述历史家电安装量分析安装量走势之前，所述预测方法还包括：
计算所述历史家电安装量特征数据和对应的所述历史家电安装量之间的相关度；
并将相关度低于预设阈值的历史家电安装量特征数据和对应的所述历史家电安装量进行删除。
7.根据权利要求6所述的家电安装量预测方法，其特征在于，所述根据所述历史家电安装量特征数据和对应的所述历史家电安装量分析安装量走势之前，所述预测方法还包括：
确认所述历史家电安装量特征数据是否发散；
若所述历史家电安装量特征数据不发散，将所述历史家电安装量特征数据和对应的所述历史家电安装量进行删除。
8.根据权利要求1～7中任一所述的家电安装量预测方法，其特征在于，所述预测方法还包括：
将所述家电安装量特征数据和根据所述家电安装量特征数据得到的家电安装量生成安装量报表。
9.一种家电安装量预测系统，其特征在于，所述家电安装量预测系统包括处理器、存储器；所述处理器用于执行所述存储器中存储的家电安装量预测程序，以实现权利要求1～8中任一项所述的家电安装量预测方法。
10.一种计算机可存储介质，其特征在于，所述计算机可存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～8中任一项所述的家电安装量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811615905.4A CN111382890B (zh) | 2018-12-27 | 2018-12-27 | 一种家电安装量预测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811615905.4A CN111382890B (zh) | 2018-12-27 | 2018-12-27 | 一种家电安装量预测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111382890A CN111382890A (zh) | 2020-07-07 |
| CN111382890B true CN111382890B (zh) | 2022-04-12 |
Family
ID=71219823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811615905.4A Active CN111382890B (zh) | 2018-12-27 | 2018-12-27 | 一种家电安装量预测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111382890B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385719A (zh) * | 2011-11-01 | 2012-03-21 | 中国科学院计算技术研究所 | 回归预测方法及装置 |
| CN102968670A (zh) * | 2012-10-23 | 2013-03-13 | 北京京东世纪贸易有限公司 | 预测数据的方法和装置 |
| CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及系统 |
| CN106128100A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种基于Spark平台的短时交通流量预测方法 |
| CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
| CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
| CN107193876A (zh) * | 2017-04-21 | 2017-09-22 | 美林数据技术股份有限公司 | 一种基于最近邻knn算法的缺失数据填补方法 |
| CN107633030A (zh) * | 2017-09-04 | 2018-01-26 | 深圳市华傲数据技术有限公司 | 基于数据模型的信用评估方法及装置 |
| CN108256924A (zh) * | 2018-02-26 | 2018-07-06 | 上海理工大学 | 一种产品销售预测装置 |
| CN108846505A (zh) * | 2018-05-25 | 2018-11-20 | 合肥学院 | 可再生能源并网消纳信息多维度校核方法及设备 |
| CN108876458A (zh) * | 2018-06-19 | 2018-11-23 | 湖北国网华中科技开发有限责任公司 | 一种基于网络爬虫的商品动态预测方法及系统 |
-
2018
- 2018-12-27 CN CN201811615905.4A patent/CN111382890B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385719A (zh) * | 2011-11-01 | 2012-03-21 | 中国科学院计算技术研究所 | 回归预测方法及装置 |
| CN102968670A (zh) * | 2012-10-23 | 2013-03-13 | 北京京东世纪贸易有限公司 | 预测数据的方法和装置 |
| CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及系统 |
| CN106128100A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种基于Spark平台的短时交通流量预测方法 |
| CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
| CN107193876A (zh) * | 2017-04-21 | 2017-09-22 | 美林数据技术股份有限公司 | 一种基于最近邻knn算法的缺失数据填补方法 |
| CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
| CN107633030A (zh) * | 2017-09-04 | 2018-01-26 | 深圳市华傲数据技术有限公司 | 基于数据模型的信用评估方法及装置 |
| CN108256924A (zh) * | 2018-02-26 | 2018-07-06 | 上海理工大学 | 一种产品销售预测装置 |
| CN108846505A (zh) * | 2018-05-25 | 2018-11-20 | 合肥学院 | 可再生能源并网消纳信息多维度校核方法及设备 |
| CN108876458A (zh) * | 2018-06-19 | 2018-11-23 | 湖北国网华中科技开发有限责任公司 | 一种基于网络爬虫的商品动态预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111382890A (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6702092B2 (ja) | 住宅需要反応におけるクーポンの最適化及び配信 | |
| US11687847B2 (en) | System and method for home automation services | |
| KR102322845B1 (ko) | 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 | |
| US20160371762A1 (en) | System and method for providing energy-efficient product recommendations consistent with defined economic criteria | |
| CA2766650C (en) | Demand side portfolio manager system for recommending and processing energy rebates | |
| US20140067461A1 (en) | System and Method for Predicting Customer Attrition Using Dynamic User Interaction Data | |
| CN110555578A (zh) | 一种销量预测方法和装置 | |
| CN111260438A (zh) | 产品配置方法、装置、计算机设备和存储介质 | |
| US20200084601A1 (en) | Systems and methods for anomaly detection and survival analysis for physical assets | |
| JP7010674B2 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
| CN114037383A (zh) | 采购数据的确定方法及其装置、计算机可读存储介质 | |
| US20120095794A1 (en) | Eco score analytics system | |
| CN114202256B (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
| Ismail | Planning step-stress life tests for the generalized Rayleigh distribution under progressive type-II censoring with binomial removals | |
| CN111382890B (zh) | 一种家电安装量预测方法、系统及存储介质 | |
| CN112232556B (zh) | 产品的推荐方法、装置、计算机设备和存储介质 | |
| CN113554301A (zh) | 一种生产计划排程方法及系统 | |
| US9312695B2 (en) | Condition-based management of power transformers | |
| Vöth et al. | Demand response service architecture for power system of Russian mining enterprise | |
| Teich et al. | Measurement of load and capacity flexibility in manufacturing | |
| US11232501B2 (en) | Machine-learning for combinatorial decisioning | |
| US11393002B2 (en) | Transaction system, method, and medium | |
| JP2001134643A (ja) | 需要予測装置及び需要予測方法 | |
| Meller et al. | Prescriptive analytics for inventory management: A comparison of new approaches | |
| Dahane et al. | Development of joint maintenance and production strategies in a subcontracting environment |
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 |