CN111489003B - 生命周期的预测方法及装置 - Google Patents
生命周期的预测方法及装置 Download PDFInfo
- Publication number
- CN111489003B CN111489003B CN201910074387.8A CN201910074387A CN111489003B CN 111489003 B CN111489003 B CN 111489003B CN 201910074387 A CN201910074387 A CN 201910074387A CN 111489003 B CN111489003 B CN 111489003B
- Authority
- CN
- China
- Prior art keywords
- sample data
- data
- product
- predicted
- target
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种生命周期的预测方法,基于待预测产品的样本数据和参考产品的样本数据构建用于预测待预测产品生命周期的生命周期预测模型,本申请实施例方法包括:计算机设备获取第一样本数据和至少两个第二样本数据;计算机设备对第一样本数据进行目标正则化处理,得到第一目标样本数据,以及对第三样本数据进行目标正则化处理,得到第二目标样本数据;计算机设备基于第一目标样本数据和目标关键节点预测模型获取待预测产品的关键节点值,关键节点值为待预测产品的最大预测值和最小预测值;计算机设备基于关键节点值和第二目标样本数据生成待预测产品的生命周期预测模型;计算机设备基于生命周期预测模型预测待预测产品的生命周期。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种生命周期的预测方法及装置。
背景技术
产品的生命周期是指产品从投入市场到更新换代和退出市场所经历的全过程,是产品在市场运动中的经济寿命,其中,产品的生命周期是由消费者的需求变化以及影响市场的其他因素所造成的商品由盛转衰的周期,产品的生命周期可以包括引入期、上升期、成熟期及衰退期四个阶段,准确的预测产品的生命周期有利于产品的生产商主导该产品的市场,对产品的生产商至关重要。
目前产品的生命周期预测应用最为广泛的是巴斯(BASS)扩散模型,其中,BASS扩散模型的模型参数的正确与否能直接影响预测产品的生命周期的准确性,现有技术中,可通过判断法或类比法来确定BASS扩散模型的模型参数,判断法是指通过对与待预测产品类似的产品的参数值进行加权平均来获取BASS扩散模型的模型参数;类比法是指通过与待预测产品类似的产品的扩散路径以及专家预测来获取BASS扩散模型的模型参数。
但是,无论是通过判断法还是类比法获取BASS扩散模型的模型参数,其关键是与选择待预测产品类似的产品,现有技术中,选择与待预测产品类似的产品依赖于大量的外部信息,比如市场营销研究、二手资料和管理判断等,且整个模型参数选择过程需要较多的手工交互,没有实现自动化,使得BASS扩散模型的模型参数的准确率较低,从而导致通过BASS扩散模型得到预测产品的生命周期的准确性较低。
发明内容
本申请实施例提供一种生命周期的预测方法,基于待预测产品的样本数据和参考产品的样本数据构建用于预测待预测产品生命周期的生命周期预测模型,提高了预测待预测产品的生命周期的准确性。
本申请实施例第一方面提供一种生命周期的预测方法,包括:
计算机设备获取第一样本数据和至少两个第二样本数据,所述第一样本数据为待预测产品的销售数据,所述至少两个第二样本数据中的每个第二样本数据对应一个参照产品的销售数据,所述参考产品已销售的周期大于所述待预测产品已销售的周期;所述计算机设备对所述第一样本数据进行目标正则化处理,得到第一目标样本数据,以及对第三样本数据进行所述目标正则化处理,得到第二目标样本数据,所述第三样本数据为所述至少两个第二样本数据中与所述第一样本数据的相似度最高的样本数据;所述计算机设备基于所述第一目标样本数据和目标关键节点预测模型获取所述待预测产品的关键节点值,所述关键节点值为所述待预测产品的最大预测值和最小预测值,所述目标关键节点预测模型由所述第二目标样本数据训练初始关键节点模型得到;所述计算机设备基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型;所述计算机设备基于所述生命周期预测模型预测所述待预测产品的生命周期。由第一方面可见,本申请实施例中,计算机设备可以基于待预测产品的样本数据和参考产品的样本数据构建用于预测待预测产品生命周期的生命周期预测模型,提高了预测待预测产品的生命周期的准确性。
基于本申请实施例第一方面,本申请实施例第一方面的第一种实现方式中,所述计算机设备基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型包括:所述计算机设备对所述第二目标样本数据进行集成学习,得到第一数据序列;所述计算机设备基于所述关键节点和所述第一数据序列生成所述生命周期预测模型。
基于本申请实施例第一方面以及本申请实施例第一方面的第一种实现方式,本申请实施例第一方面的第二种实现方式中,所述计算机设备基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型包括:所述计算机设备对所述第二目标样本数据进行集成学习,得到第一数据序列;所述计算机设备基于所述第一数据序列和关键节点值从巴斯(BASS)模型获取所述生命周期预测模型的模型参数,所述模型参数包括M、P和Q,所述M为待预测产品销售总量,所述P为创新系数,所述Q为模仿系数;所述计算机设备基于所述M、所述P、和所述Q生成所述命周期预测模型。
基于本申请实施例第一方面以及本申请实施例第一方面的第一种实现方式至本申请实施例第一方面的第二种实现方式,本申请实施例第一方面的第三种实现方式中,所述对第三样本数据进行所述正则化处理之前,所述方法还包括:所述计算机设备分别对所述至少两个第二样本数据进行第一正则化处理和第二正则化处理,分别得到第一样本集和第二样本集;所述计算机设备从第一样本集中确定第四样本数据,所述第四样本数据为所述第一样本集进行聚类和分类后相交得到的样本数据,以及从第二样本集中确定第五样本数据,所述第五样本数据为所述第二样本集分别进行聚类和分类后交叉得到的样本数据;所述计算机设备从所述第四样本数据和所述第五样本数据中确定与所述第一样本数据的误差最小的样本数据为所述第三样本数据。
基于本申请实施例第一方面以及本申请实施例第一方面的第一种实现方式至本申请实施例第一方面的第三种实现方式,本申请实施例第一方面的第四种实现方式中,所述方法还包括:所述计算机设备确定所述第三样本数据对应的样本集的正则化处理为所述目标正则化处理。
基于本申请实施例第一方面以及本申请实施例第一方面的第一种实现方式至本申请实施例第一方面的第四种实现方式,本申请实施例第一方面的第五种实现方式中,所述计算机设备分别对所述至少两个第二样本数据进行第一正则化处理和第二正则化处理之前,所述方法还包括:所述计算机设备将所述至少两个第二样本数据的每个第二样本数进行数据压缩,使得所述至少两个第二样本数据的中的每个第二样本数据的销售周期与所述第一样本数据的销售周期相同。
基于本申请实施例第一方面以及本申请实施例第一方面的第一种实现方式至本申请实施例第一方面的第五种实现方式,本申请实施例第一方面的第六种实现方式中,所述方法还包括:所述计算机设备从所述生命周期预测模型中获取所述待预测产品的第一预测数据;所述计算机设备基于所述第一预测数据训练所述生命周期预测模型。
基于本申请实施例第一方面以及本申请实施例第一方面的第一种实现方式至本申请实施例第一方面的第六种实现方式,本申请实施例第一方面的第七种实现方式中,所述方法还包括:所述计算机设备从所述生命周期预测模型中获取所述待预测产品的第二预测数据,所述计算机设备基于所述第二预测数据训练所述生命周期预测模型。
本申请实施例第二方面提供一种计算机设备,所述计算机设备具有实现上述第一方面以及第一方面任一可能实现的方式的计算机设备行为的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现,还可以采用软件与硬件结合的形式实现。该硬件和/或软件包括一个或多个与上述功能相对应的模块。
本申请实施例第三方面提供一种计算机设备,所述计算机设备包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序或指令,当所述程序或指令被所述处理器执行时,使得计算机设备执行上述第一方面以及第一方面任一可能实现的方式在计算机设备侧进行的处理或操作。
本申请实施例第四方面提供一种存储介质,其上存储有计算机程序或指令,其特征在于,所述计算机程序或指令被执行时使得计算机执行第一方面以及第一方面任一可能实现的方法。
本申请实施例第五方面提供一种包含指令的计算机程序产品,其特征在于,当其在计算机上运行时,使得所述计算机执行第一方面以及第一方面任一可能实现的方法。
本申请实施例第六方面提供一种芯片系统,所述芯片系统包括至少一个处理器和通信接口,所述芯片系统还可以包括存储器,所述存储器、所通信接口和所述至少一个处理器通过线路互联,所述至少一个存储器中存储有指令;所述指令被所述至少一个处理器执行,以执行第一方面以及第一方面任一可能实现的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本实施例中,计算机设备通过对至少两个第二样本数据进行正则化处理、聚类和分类可得到与待预测产品的误差最小的第三样本数据,并对第三样本数据进行正则化处理得到的第二目标样本数据,以及基于第二目标样本数据得到关键节点值,再基于第二样本数据和关键节点值生成生命周期预测模型。因此,本实施例中,只需要待预测产品的当前已销售的第一样本数据和与待预测产品最相似的参考产品的样本数据可得到待预测产品的生命周期预测模型,提高了生命周期预测模型预测生命周期的准确性。
附图说明
图1为本申请实施例提供的一个实施例示意图;
图2为本申请实施例提供的一种生命周期的预测方法的示意性流程图;
图3为本申请实施例提供的另一个实施例示意图;
图4为本申请实施例提供的另一个实施例示意图;
图5为本申请实施例提供的另一个实施例示意图;
图6为本申请实施例提供的另一个实施例示意图;
图7为本申请实施例提供的计算机设备的一个示意性框图;
图8为本申请实施例提供的计算机设备一个硬件结构示意图。
具体实施方式
下面结合附图,对本申请的实施例进行描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。本领域普通技术人员可知,随着新技术的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请实施例的实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种生命周期的预测方法,基于待预测产品的样本数据和参考产品的样本数据构建用于预测待预测产品生命周期的生命周期预测模型,提高了预测待预测产品的生命周期的准确性。
请参考图1,图1为本申请实施例提供的一个实施例示意图,如图1所示,图1可以为待预测产品的生命周期示意图,本实施例提供的待预测产品可以为短生命周期产品,比如,手机类产品、汽车类产品或者其他类型的产品,本实施例提供的待预测产品的生命周期可以包括引入期、上升期、成熟和衰退期,本实施例中计算机设备通过生命周期预测模型可以预测待预测产品的在每个周期的销售数量,可以为生产商对待预测产品在市场的销售情况提供参考。
上面对本申请实施例的一个实施例示意图进行了描述,下面对本申请实施例提供的一种生命周期的预测方法进行描述。
请参考图2,图2为本申请实施例提供的一种生命周期的预测方法的示意性流程图,如图2所示,该示意性流程图可以包括以下步骤:
201、计算机设备获取第一样本数据。
计算机设备获取待预测产品的第一样本数据,本实施例中第一样本数据为待预测产品在市场上已经销售的销售数据,比如,待预测产品在市场上已经销售了N个周期,则第一样本数据为该N个周期中的每个周期的销售数量,其中,N为大于等于1的整数。
需要说明的是,本实施例提供的周期可以以一个月或者一个星期为单位,即一个周期可以为一个月或者一个星期,当然,本实施提供的周期的单位还可以是其他,此处不做限定,需指出,本实施例中的N个周期包含于所述待预测产品的销售周期中,其中,该销售周期是指待预测产品从投入市场到结束销售的周期。
202、计算机设备对第一样本数据进行去缺处理。
计算机设备对第一样本数据进行去缺处理,具体地,计算机设备对第一样本数据进行去缺处理可以是指将第一样本数据中缺失的数据或者异常的数据进行处理,得到完整的第一样本数据。
203、计算机设备对第一样本数据进行正则化处理。
计算机设备进行去缺处理的第一样本数据进行正则化处理,本实施例提供的正则化处理可以包括第一正则化处理和第二正则化处理,其中,第一正则化处理可以为Min-Max算法,第二正则化处理可以为Z分数(Z-score)算法,需要说明的是,本实施例提供的正则化处理还可以包括其他的正则化处理,比如,第三正则化处理等,此处不做限定。
具体地,Min-Max算法可以为公式(2-1):
其中,min为N个周期的最小销售数量,max为N个周期的最大销售量,x为第一样本数据的每个周期的销售数量,x′为进行第一正则化处理后的第一样本数据,需要说明的是,min和max以周期为单位。
Z-score算法可以为公式(2-2):
其中,x为第一样本数据的每个周期的销售数量,x′为进行第二正则化处理后的第一样本数据,μ为第一样本数据的平均值,x-μ为第一样本数据的离均差,σ为第一样本数据的标准偏差。
204、计算机设备获取至少两个第二样本数据。
计算机设备获取参考产品的至少两个第二样本数据,该至少两个第二样本数据中的每个样本数据对应一个参照产品的销售数据,其中,参考产品已销售的周期大于待预测产品已销售的周期,比如,当待预测产品的已经销售了N个周期,则参考产品已经销售的周期大于N个周期,可以理解的是,参考产品已经销售的周期大于N个周期也可以是指已经销售完毕的产品,即该至少两个第二样本数据可以是参考产品的历史销售数据。
需要说明的是,本实施例提供的参照产品与待预测产品的产品类型可以相同,比如,当待预测产品为手机,且待预测产品为第一生产商的手机,则参考产品可以为第一运营商的其他手机。
205、计算机设备对至少两个第二样本数据进行压缩。
计算机设备对至少两个第二样本数据进行数据压缩,使得至少两个第二样本数据中每个第二样本数据的销售周期与第一样本数据的销售周期相同,比如,当待预测产品的销售周期为K,即K为待预测产品的完整的销售周期。而至少两个第二样本数据中的每个第二样本数据的销售周期为C,则将该至少两个第二样本数据中的每个样本数据的Z个周期的数据压缩至K个周期,其中,K为大于N的整数,C为大于N的整数。
206、计算机设备对至少两个第二样本数据进行正则化处理。
计算机设备确定对第一样本数据进行的正则化处理,比如,计算机设备确定对第一样本数据进行的正则化处理包括第一正则化处理和第二正则化处理,其中,第一正则化处理包括Min-Max算法,第二正则化处理包括Z-score算法。
则计算机设备根据对第一样本数据进行的正则化处理方法对至少两个第二样本数据进行正则化处理,比如,计算机设备对至少两个第二样本数据中的每个第二样本数据进行分别进行第一正则化处理和第二正则化处理,当然,第一正则化处理同样可以为Min-Max算法,第二正则化处理可以同样为Z-score算法。
需要说明的是,计算机设备对至少两个第二样本数据中的每个第二样本数据进行第一正则化处理得到第一样本集,计算机设备对至少两个第二样本数据中的每个第二样本数据进行第二正则化处理得到第二样本集。
207、计算机设备确定第三样本数据。
计算机设备获取到第一样本集和第二样本集之后,计算机设备分别对第一样本集进行聚类和分类,并将第一样本集聚类得到的样本数据和和第一样本集分类得到的样本数据之间的交集确定为第四样本数据,需要说明的是,本实施例中第四样本数据可以为一个或者多个。
本实施例提供的聚类算法可以包括Agglomerative聚类算法或者其他聚类算法,分类方法可以包括邻近(KNN)分类算法或者其他分类算法。
计算机设备还分别对第二样本集进行聚类和分类,并将第二样本集聚类得到的样本数据和和第二样本集分类得到的样本数据之间的交集确定为第五样本数据,需要说明的是,第五样本数据可以为一个或者多个。其中,对第二样本集进行的聚类算法和分类方法可以如上述所述。
计算机设备从第一样本集确定第四样本数据,以及从第二样本集确定第五样本数据之后,计算机设备判断第一样本数据和第四样本数据之间的误差和第一样本数据和第五样本数据的误差的大小,当第一样本数据和第四样本数据之间的误差大于第一样本数据和第五样本数据的误差,则计算机设备确定第五样本数据为第三样本数据,当第一样本数据和第四样本数据之间的误差小于第一样本数据和第五样本数据的误差,则计算机设备确定第四样本数据为第三样本数据,即第三样本数据为至少两个第二样本数据中与第一样本数据的相似度最高的样本数据。
208、计算机设备确定目标正则化处理。
计算机设备确定第三样本数据对应的样本集的正则化处理为目标正则化处理,比如,当第三样本数据为第五样本数据,且第五样本数据为第二样本集聚类和分类的交集时,计算机设备确定第二样本集对应的正则化处理为目标正则化处理,比如,当第二样本集为计算机设备对至少两个第二样本数据进行Z-score算法得到的时,则计算机设备确定目标正则化处理为Z-score算法,即Z-score算法为最优正则化算法。
209、计算机设备确定第一目标样本数据和第二目标样本数据。
计算机确定目标正则化处理后,计算机设备确定第一样本数据进行目标正则化处理后的样本数据为第一目标样本数据,比如,当目标正则化处理为Z-score算法,则计算机设备确定对第一样本数据进行Z-score算法得到的样本数据为第一目标样本数据。
计算机设备还确定第二样本数据进行目标正则化处理后的样本数据为第二目标样本数据,比如,当目标正则化处理为Z-score算法,则计算机设备确定对第二样本数据进行Z-score算法得到的样本数据为第一目标样本数据。
210、计算机设备基于第二目标样本数据确定目标关键节点预测模型。
请参考图3,图3为本申请实施例的另一个实施例示意图,如图3所示,在关键节点预测模型池中,可以包括多个初始关键节点预测模型,比如,包括弹性网络回归(ElasticNetCV)、松弛的最小角回归(LassoLarsCV)、极端随机森林回归(ExtraTreesRegressor)、梯度增强回归(GradientBoostingRegressor)、迭代增强回归(AdaBoostRegressor)、决策树回归(DecisionTreeRegressor)、邻近回归(KNeighborsRegressor)、随机森林回归(RandomForestRegressor)和极端梯度增强回归(XGBRegressor)等初始关键节点预测模型。
本实施例中,计算机设备可以基于第二目标样本数据对多个初始关键节点预测模型进行训练,从每个初始关键节点模型的配置参数的取值范围获取每个初始关键节点模型的最优参数配置。然后计算机设备从最优参数配置对应的初始关键节点预测模型中确定为目标关键节点预测模型,其中该目标关键节点预测模型用于预测待预测产品的关键节点值。
需要说明的是,本实施例提供的关键节点包括待预测产品在销售周期除上述N个周期中销售数量最多的周期和销售数量最少的周期,关键节点值包括在销售周期除上述N个周期中销售数量最多的周期对应的销售数量和销售数量最少的周期对应的销售数量,即关键节点值包括在销售周期除上述N个周期中的最大预测值和最小预测值。比如,如图4所示,待测产品的在销售周期中,关键节点对应第N周期和第K周期。
211、计算机设备从目标关键节点预测模型中确定关键节点值。
本实施例中,算机设备基于第二目标样本数据确定目标关键节点预测模型之后,计算机设备将第一目标样本数据输出目标关键节点预测模型得到关键节点值,即从目标关键节点预测模型中确定待预测产品的最大销售数量和最少销售数量,即从目标关键节点预测模型中得到如图4所示的待预测产品的最大预测值和最小预测值。
212、计算机设备生成生命周期预测模型。
本实施例中,计算机设备可以基于关键节点值和第二目标样本数据生成待预测产品的生命周期预测模型,具体地,计算机设备可以通过以下两种方式生成关键节点预测模型。
方式一:
具体地,计算机设备对第二目标样本数据进行集成学习,得到第一数据序列,其中,本实施例提供的集成学习对应的集成方法可以为加权平均法。比如,如图5所示,图5所示的曲线为参考产品的至少两个第二样本数据进行目标正则化处理得到的第二目标样本数据,其中,图5所示是以4个第二样本数据为例。基于图5所示的第二目标样本数据,计算机设备通过对图5所示的第二目标样本数据进行加权平均,得到第一数据序列。
然后,计算机设备基于第一数据序列和关键节点值生成生命周期预测模型,具体地,计算机设备基于第一数据序列和关键节点值以及利用目标正则化处理所对应的算法生成生命周期预测模型,其中,该生命周期预测模型可以参考图6。比如,当目标正则化处理对应的算法为公式(2-3)时,
其中,max'为最大预测值,min'最大预测值,x'为第一数据例。
计算机设备通过将第一数据序列中的数据输入公式(2-3)即可得到待测产品的生命周期。
方式2:
具体地,计算机设备对第二目标样本数据进行集成学习,得到第一数据序列,其中,本实施例提供的集成学习对应的集成方法可以为加权平均法。比如,如图5所示,图5所示的曲线为参考产品的至少两个第二样本数据进行目标正则化处理得到的第二目标样本数据,其中,图5所示是以4个第二样本数据为例。基于图5所示的第二目标样本数据,计算机设备通过对图5所示的第二目标样本数据进行加权平均,得到第一数据序列。
计算机设备得到第一数据序列之后,计算机设备基于第一数据序列和关键节点值从巴斯(BASS)模型公式获取M、p和Q,其中,M为待预测产品销售总量,P为创新系数,Q为模仿系数,其中,P大于等于0且小于1,Q大于等于0且小于1。需指出,P指示尚未使用待预测产品的人受,到大众传媒或其他外部因素的影响,开始使用待预测产品的可能性,Q指示尚未使用待预测产品的人,受到使用者的口碑影响或者其他因素,开始使用待预测产品的可能性。
计算机设备基于M、p和Q生命周期预测模型,该生命周期预测模型如公式(2-4)所示:
其中,t为第t周期,t大于等于N且小于等于K,n(t)为第t周期的销售数量。
可选的,本实施例中,计算机设备可以从方式一得到的生命周期预测模型获取待预测产品的第一预测数据,基于第一预测数据预测从方式一得到生命周期预测模型。计算机设备也可以从方式二得到的生命周期预测模型获取待预测产品的第二预测数据,基于第二预测数据预测从方式二得到的生命周期预测模型。然后计算机设备从方式一得到生命周期预测模型和从方式二得到的生命周期预测模型中输出最优的生命周期预测模型。
213、计算机设备预测待预测产品的生命周期。
计算机设备基于生命周期预测模型预测待预测产品的生命周期。
本实施例中,计算机设备通过对至少两个第二样本数据进行正则化处理、聚类和分类可得到与待预测产品的误差最小的第三样本数据,并对第三样本数据进行正则化处理得到的第二目标样本数据,以及基于第二目标样本数据得到关键节点值,再基于第二样本数据和关键节点值生成生命周期预测模型。因此,本实施例中,只需要待预测产品的当前已销售的第一样本数据和与待预测产品最相似的参考产品的样本数据可得到待预测产品的生命周期预测模型,提高了生命周期预测模型预测生命周期的准确性。
上面对本申请实施例提供的生命周期的预测方法进行了描述,下面对本申请实施例提供的装置进行描述。
请参考图7,图7为本申请实施例提供的计算机设备的一个示意性框图,该计算机设备70包括:
获取单元701,用于获取第一样本数据和至少两个第二样本数据,所述第一样本数据为待预测产品的销售数据,所述至少两个第二样本数据中的每个第二样本数据对应一个参照产品的销售数据,所述参考产品已销售的周期大于所述待预测产品销售的周期;
处理单元702,用于对所述第一样本数据进行目标正则化处理,得到第一目标样本数据,以及对第三样本数据进行所述目标正则化处理,得到第二目标样本数据,所述第三样本数据为所述至少两个第二样本数据中与所述第一样本数据的相似度最高的样本数据;
所述获取单元701还用于基于所述第一目标样本数据和目标关键节点预测模型获取所述待预测产品的关键节点值,所述关键节点值为所述待预测产品的最大预测值和最小预测值,所述目标关键节点预测模型由所述第二目标样本数据训练初始关键节点模型得到;
生成单元703,用于基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型;
预测单元704,用于基于所述生命周期预测模型预测所述待预测产品的生命周期。
可选地,在一种可能实现的方式中,所述生成单元703具体用于:
对所述第二目标样本数据进行集成学习,得到第一数据序列;
基于所述关键节点和所述第一数据序列生成所述生命周期预测模型。
可选地,在另一种可能实现的方式中,所述生成单元703具体用于:
对所述第二目标样本数据进行集成学习,得到第一数据序列;
基于所述第一数据序列和关键节点值从巴斯(BASS)模型获取所述生命周期预测模型的模型参数,所述模型参数包括M、P和Q,所述M为待预测产品销售总量,所述P为创新系数,所述Q为模仿系数;
基于所述M、所述P、和所述Q生成所述命周期预测模型。
可选地,在另一种可能实现的方式中,所述处理单元702还用于:
分别对所述至少两个第二样本数据进行第一正则化处理和第二正则化处理,分别得到第一样本集和第二样本集;
从第一样本集中确定第四样本数据,所述第四样本数据为所述第一样本集进行聚类和分类后相交得到的样本数据,以及从第二样本集中确定第五样本数据,所述第五样本数据为所述第二样本集分别进行聚类和分类后交叉得到的样本数据;
从所述第四样本数据和所述第五样本数据中确定与所述第一样本数据的误差最小的样本数据为所述第三样本数据。
可选地,在另一种可能实现的方式中,所述处理单元702还用于确定所述第三样本数据对应的样本集的正则化处理为所述目标正则化处理。
可选地,在另一种可能实现的方式中,所述处理单元702还用于将所述至少两个第二样本数据的每个第二样本数进行数据压缩,使得所述至少两个第二样本数据的中的每个第二样本数据的销售周期与所述第一样本数据的销售周期相同。
可选地,在另一种可能实现的方式中,所述获取单元701还用于从所述生命周期预测模型中获取所述待预测产品的第一预测数据;
所述预测单元704还用于基于所述第一预测数据训练所述生命周期预测模型。
可选地,在另一种可能实现的方式中,所述获取单元701还用于从所述生命周期预测模型中获取所述待预测产品的第二预测数据;
所述预测单元704还用于基于所述第二预测数据训练所述生命周期预测模型。
本实施例中,通过对至少两个第二样本数据进行正则化处理、聚类和分类可得到与待预测产品的误差最小的第三样本数据,处理单元702对第三样本数据进行正则化处理得到的第二目标样本数据,获取单元701基于第二目标样本数据得到关键节点值,生成单元703基于第二样本数据和关键节点值生成生命周期预测模型。因此,本实施例中,只需要待预测产品的当前已销售的第一样本数据和与待预测产品最相似的参考产品的样本数据可得到待预测产品的生命周期预测模型,提高了生命周期预测模型预测生命周期的准确性。
上面对本申请实施例提供的一种计算机设备进行了描述,下面对实施例提供的另一种计算机设备进行描述。
请参考图8,图8为本实施例提供的计算机设备一个硬件结构示意图,如图8所示,该计算机设备80包括:
至少一个处理器810、存储器850和收发器830。该收发器可包括接收机和发射机,该存储器850可以包括只读存储器和/或随机存取存储器,并向处理器810提供操作指令和数据。存储器850的一部分还可以包括非易失性随机存取存储器(NVRAM)。存储器与处理器可以是各自独立通过总线或者接口连接,也可以集成在一起。
在一些实施方式中,存储器850存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集。
在本申请实施例中,通过调用存储器850存储的操作指令(该操作指令可存储在操作系统中),执行相应的操作。处理器810控制计算机设备80的操作,处理器810还可以称为CPU(Central Processing Unit,中央处理单元)。存储器850可以包括只读存储器和随机存取存储器,并向处理器810提供指令和数据。存储器850的一部分还可以包括非易失性随机存取存储器(NVRAM)。具体的应用中计算机设备80的各个组件通过总线系统820耦合在一起,其中总线系统820除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线系统820。
上述本申请实施例揭示的方法可以应用于处理器810中,或者由处理器810实现。处理器810可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器810中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器810可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器850,该存储器850可以是物理上独立的单元,也可以是与处理器810集成在一起的,处理器810读取存储器850中的信息,结合其硬件完成上述方法的步骤。
本实施例中,收发器830用于执行上述方法实施例中计算机设备侧涉及到接收和发送的操作步骤,或用于执行其他可选实施例中的计算机设备侧的数据发送以及接收的步骤。
处理器810用于执行上述方法实施例中计算机设备侧数据处理的步骤,或用于执行其他可选实施例中计算机设备侧数据处理的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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,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接口,装置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,在本申请各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;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: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申请各实施例技术方案的精神和范围。
Claims (17)
1.一种生命周期的预测方法,其特征在于,包括:
计算机设备获取第一样本数据和至少两个第二样本数据,所述第一样本数据为待预测产品的销售数据,所述至少两个第二样本数据中的每个第二样本数据对应一个参考产品的销售数据,所述参考产品已销售的周期大于所述待预测产品已销售的周期;
所述计算机设备对所述第一样本数据进行目标正则化处理,得到第一目标样本数据,以及对第三样本数据进行所述目标正则化处理,得到第二目标样本数据,所述第三样本数据为所述至少两个第二样本数据中与所述第一样本数据的相似度最高的样本数据;
所述计算机设备基于所述第一目标样本数据和目标关键节点预测模型获取所述待预测产品的关键节点值,所述关键节点值为所述待预测产品的最大预测值和最小预测值,所述目标关键节点预测模型由所述第二目标样本数据训练初始关键节点模型得到;
所述计算机设备基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型;
所述计算机设备基于所述生命周期预测模型预测所述待预测产品的生命周期。
2.根据权利要求1所述的方法,其特征在于,所述计算机设备基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型包括:
所述计算机设备对所述第二目标样本数据进行集成学习,得到第一数据序列;
所述计算机设备基于所述关键节点和所述第一数据序列生成所述生命周期预测模型。
3.根据权利要求1所述的方法,其特征在于,所述计算机设备基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型包括:
所述计算机设备对所述第二目标样本数据进行集成学习,得到第一数据序列;
所述计算机设备基于所述第一数据序列和关键节点值从巴斯(BASS)模型获取所述生命周期预测模型的模型参数,所述模型参数包括M、P和Q,所述M为待预测产品销售总量,所述P为创新系数,所述Q为模仿系数;
所述计算机设备基于所述M、所述P和所述Q生成所述命周期预测模型。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述对第三样本数据进行所述正则化处理之前,所述方法还包括:
所述计算机设备分别对所述至少两个第二样本数据进行第一正则化处理和第二正则化处理,分别得到第一样本集和第二样本集;
所述计算机设备从第一样本集中确定第四样本数据,所述第四样本数据为所述第一样本集进行聚类和分类后相交得到的样本数据,以及从第二样本集中确定第五样本数据,所述第五样本数据为所述第二样本集分别进行聚类和分类后交叉得到的样本数据;
所述计算机设备从所述第四样本数据和所述第五样本数据中确定与所述第一样本数据的误差最小的样本数据为所述第三样本数据。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
所述计算机设备确定所述第三样本数据对应的样本集的正则化处理为所述目标正则化处理。
6.根据权利要求4或5所述的方法,其特征在于,所述计算机设备分别对所述至少两个第二样本数据进行第一正则化处理和第二正则化处理之前,所述方法还包括:
所述计算机设备将所述至少两个第二样本数据的每个第二样本数进行数据压缩,使得所述至少两个第二样本数据的中的每个第二样本数据的销售周期与所述第一样本数据的销售周期相同。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述计算机设备从所述生命周期预测模型中获取所述待预测产品的第一预测数据;
所述计算机设备基于所述第一预测数据训练所述生命周期预测模型。
8.根据权利要求3所述的方法,其特征在于,所述方法还包括:
所述计算机设备从所述生命周期预测模型中获取所述待预测产品的第二预测数据;
所述计算机设备基于所述第二预测数据训练所述生命周期预测模型。
9.一种计算机设备,其特征在于,包括:
获取单元,用于获取第一样本数据和至少两个第二样本数据,所述第一样本数据为待预测产品的销售数据,所述至少两个第二样本数据中的每个第二样本数据对应一个参考产品的销售数据,所述参考产品已销售的周期大于所述待预测产品销售的周期;
处理单元,用于对所述第一样本数据进行目标正则化处理,得到第一目标样本数据,以及对第三样本数据进行所述目标正则化处理,得到第二目标样本数据,所述第三样本数据为所述至少两个第二样本数据中与所述第一样本数据的相似度最高的样本数据;
所述获取单元还用于基于所述第一目标样本数据和目标关键节点预测模型获取所述待预测产品的关键节点值,所述关键节点值为所述待预测产品的最大预测值和最小预测值,所述目标关键节点预测模型由所述第二目标样本数据训练初始关键节点模型得到;
生成单元,用于基于所述关键节点值和所述第二目标样本数据生成所述待预测产品的生命周期预测模型;
预测单元,用于基于所述生命周期预测模型预测所述待预测产品的生命周期。
10.根据权利要求9所述的计算机设备,其特征在于,所述生成单元具体用于:
对所述第二目标样本数据进行集成学习,得到第一数据序列;
基于所述关键节点和所述第一数据序列生成所述生命周期预测模型。
11.根据权利要求9所述的计算机设备,其特征在于,所述生成单元具体用于:
对所述第二目标样本数据进行集成学习,得到第一数据序列;
基于所述第一数据序列和关键节点值从巴斯(BASS)模型获取所述生命周期预测模型的模型参数,所述模型参数包括M、P和Q,所述M为待预测产品销售总量,所述P为创新系数,所述Q为模仿系数;
基于所述M、所述P和所述Q生成所述命周期预测模型。
12.根据权利要求9至11任一项所述的计算机设备,其特征在于,所述处理单元还用于:
分别对所述至少两个第二样本数据进行第一正则化处理和第二正则化处理,分别得到第一样本集和第二样本集;
从第一样本集中确定第四样本数据,所述第四样本数据为所述第一样本集进行聚类和分类后相交得到的样本数据,以及从第二样本集中确定第五样本数据,所述第五样本数据为所述第二样本集分别进行聚类和分类后交叉得到的样本数据;
从所述第四样本数据和所述第五样本数据中确定与所述第一样本数据的误差最小的样本数据为所述第三样本数据。
13.根据权利要求12所述的计算机设备,其特征在于,所述处理单元还用于确定所述第三样本数据对应的样本集的正则化处理为所述目标正则化处理。
14.根据权利要求12或13所述的计算机设备,其特征在于,所述处理单元还用于将所述至少两个第二样本数据的每个第二样本数进行数据压缩,使得所述至少两个第二样本数据的中的每个第二样本数据的销售周期与所述第一样本数据的销售周期相同。
15.根据权利要求10所述的计算机设备,其特征在于,所述获取单元还用于从所述生命周期预测模型中获取所述待预测产品的第一预测数据;
所述预测单元还用于基于所述第一预测数据训练所述生命周期预测模型。
16.根据权利要求11所述的计算机设备,其特征在于,所述获取单元还用于从所述生命周期预测模型中获取所述待预测产品的第二预测数据;
所述预测单元还用于基于所述第二预测数据训练所述生命周期预测模型。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得所述计算机执行上述权利要求1至8任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074387.8A CN111489003B (zh) | 2019-01-25 | 2019-01-25 | 生命周期的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910074387.8A CN111489003B (zh) | 2019-01-25 | 2019-01-25 | 生命周期的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489003A CN111489003A (zh) | 2020-08-04 |
CN111489003B true CN111489003B (zh) | 2023-04-18 |
Family
ID=71812095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910074387.8A Active CN111489003B (zh) | 2019-01-25 | 2019-01-25 | 生命周期的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489003B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
CN112989183B (zh) * | 2021-02-20 | 2022-03-22 | 湖南视拓信息技术股份有限公司 | 一种基于生命周期的产品信息推荐方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464023A (zh) * | 2017-08-16 | 2017-12-12 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
CN108648000A (zh) * | 2018-04-24 | 2018-10-12 | 腾讯科技(深圳)有限公司 | 对用户留存生命周期进行评估的方法及装置、电子设备 |
CN108959778A (zh) * | 2018-07-06 | 2018-12-07 | 南京航空航天大学 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235239A1 (en) * | 2014-02-19 | 2015-08-20 | International Business Machines Corporation | Predicting demand of a newly introduced short lifecycle product within an assortment |
US10657548B2 (en) * | 2017-03-08 | 2020-05-19 | Architecture Technology Corporation | Product obsolescence forecast system and method |
-
2019
- 2019-01-25 CN CN201910074387.8A patent/CN111489003B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464023A (zh) * | 2017-08-16 | 2017-12-12 | 新疆金风科技股份有限公司 | 生命周期预测模型的在线学习方法和设备 |
CN108648000A (zh) * | 2018-04-24 | 2018-10-12 | 腾讯科技(深圳)有限公司 | 对用户留存生命周期进行评估的方法及装置、电子设备 |
CN108959778A (zh) * | 2018-07-06 | 2018-12-07 | 南京航空航天大学 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111489003A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052528B (zh) | 一种存储设备时序分类预警方法 | |
US11294754B2 (en) | System and method for contextual event sequence analysis | |
US20190065343A1 (en) | Automated Log Analysis and Problem Solving Using Intelligent Operation and Deep Learning | |
CN109242013B (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
CN109992473B (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
US10162879B2 (en) | Label filters for large scale multi-label classification | |
US10715176B1 (en) | Recommending data compression scheme using machine learning and statistical attributes of the data | |
CN111489003B (zh) | 生命周期的预测方法及装置 | |
US20170364839A1 (en) | Information processing device, model construction method, and program recording medium | |
CN111737125B (zh) | 量化交易的行情数据的生成方法、装置和服务器 | |
CN107357764B (zh) | 数据分析方法、电子设备及计算机存储介质 | |
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
JP7145059B2 (ja) | モデルの予測根拠提示システム及びモデルの予測根拠提示方法 | |
US11734103B2 (en) | Behavior-driven die management on solid-state drives | |
CN110109899B (zh) | 物联网数据填补方法、装置及系统 | |
CN111582341A (zh) | 用户异常操作预测方法及装置 | |
CN111783873A (zh) | 基于增量朴素贝叶斯模型的用户画像方法及装置 | |
JP2020144493A (ja) | 学習モデル生成支援装置、及び学習モデル生成支援方法 | |
CN112734570A (zh) | 信用违约预测方法、装置及电子设备 | |
CN115081613A (zh) | 生成深度学习模型的方法、装置、电子设备及存储介质 | |
EP1920367A1 (en) | Electronic circuit design | |
EP3452927A1 (en) | Feature-set augmentation using knowledge engine | |
US10380304B2 (en) | Assistance programs, design assistance methods, and information processing apparatuses | |
CN115576502A (zh) | 一种数据存储的方法、装置、电子设备以及存储介质 | |
CN113449008B (zh) | 一种建模方法及装置 |
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 |