CN111652646A - 一种短期商品需求预测方法 - Google Patents
一种短期商品需求预测方法 Download PDFInfo
- Publication number
- CN111652646A CN111652646A CN202010489662.5A CN202010489662A CN111652646A CN 111652646 A CN111652646 A CN 111652646A CN 202010489662 A CN202010489662 A CN 202010489662A CN 111652646 A CN111652646 A CN 111652646A
- Authority
- CN
- China
- Prior art keywords
- commodity
- short
- term
- data
- commodities
- 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 25
- 238000013277 forecasting method Methods 0.000 claims abstract description 12
- 238000012856 packing Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 235000015097 nutrients Nutrition 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining 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
- 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)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (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
本发明公开了一种短期商品需求预测方法，具体涉及商品预测技术领域，其具体操作步骤为：采集数据；整理数据；分析数据；整合数据；分析关联性，得出短期商品需求预测模型；初级预测；中级预测；高级预测。本发明对短期商品、相关商品和外部影响因素的数据采集更加全面，使得预测的基础支撑更强，可对数据进行预处理，数据分析更加细化，可对数据进行分析，得出其关联性，然后根据数据关联性建立立体三维树状模型，形成短期商品需求预测模型，利用预测模型对短期商品的需求进行预测，预测结果更加准确，将当前数据输入预测模型中演化预测，可形成初级、中级和高级短期商品需求预测数据，有效保证预测结果数据的准确性。
Description
技术领域
本发明涉及商品预测技术领域，特别涉及一种短期商品需求预测方法。
背景技术
商品是为了出售而生产的劳动成果，是人类社会生产力发展到一定历史阶段的产物，是用于交换的劳动产品。商品的基本属性是价值和使用价值，价值是商品的本质属性，使用价值是商品的自然属性。交换价值是价值的表现形式，价值是交换价值的内容，价值反映了商品的社会属性，体现了商品生产者之间互相交换劳动的社会生产关系。目前随着全球生产能力的提升以及消费者需求的多样化，商品的生命周期越来越短，所以在一个生命周期内，商品的变化趋势的重要作用就显得尤其凸出。
目前对短期商品需求的预测大多是采用凭借经验和个人主观预测，预测基础支撑性不强，预测结果准确率较低。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种短期商品需求预测方法，本发明所要解决的问题是：如何改变短期商品需求的主观性预测的方法，加强预测基础的支撑性，提高预测结果的准确性。
为实现上述目的，本发明提供如下技术方案：一种短期商品需求预测方法，其具体操作步骤为：
步骤一：采集短期商品的历史数据、相关商品的历史数据和外部影响因素；所述短期商品的历史数据包括：短期商品基本信息、短期商品标识信息和短期商品内容信息，所述相关商品的历史数据包括前端相关商品的历史数据和后端相关商品的历史数据，所述前端相关商品的历史数据和所述后端相关商品的历史数据均分别包括相关商品基本信息、相关商品标识信息和相关商品内容信息，所述外部影响因素包括自然因素和社会因素，所述自然因素包括位置因素、地形因素、气候因素、水文因素、土壤因素、植被因素和资源因素，所述社会因素包括国际形势因素、技术发展因素、城市变迁因素、人口因素和经济因素；
步骤二：整合所述短期商品的历史数据和所述相关商品的历史数据；将数据整理成统计格式的数据；
步骤三：分析步骤二中整理出的数据，得出短期商品特征、短期商品需求信息数据、相关商品特征和相关商品需求信息数据；所述短期商品特征和所述相关商品特征均包括商品分类、商品品牌在同类商品中的定位、商品品质在同类商品中的定位、商品价格在同类商品中的定位、商品评价在同类商品中的定位，所述短期商品需求信息数据和相关商品需求信息数据均包括商品需求量、商品囤积量、商品使用量、商品需求时段和商品需求时长；
步骤四：整合所述短期商品特征、所述短期商品需求信息数据、所述相关商品特征、所述相关商品需求信息数据、所述自然因素和所述社会因素，将数据整理成统计格式的数据；
步骤五：分析步骤四中整理出的数据，分析出各项数据之间的关联性，对数据进行建模，以前端相关商品的历史数据为树根，以短期商品的历史数据为树叶，以后端相关商品的历史信息为树干和树枝，以外部影响因素为树木所需养分，建立立体三维树状模型，所述立体三维树状模型包括三维树木养分模型、三维树根模型、三维树叶模型、三维树干模型和三维树枝模型，形成短期商品需求预测模型，外部影响因素为主要影响数据，直接决定了前端相关商品、后端相关商品和短期商品的需求量，前端相关商品的数据和后端相关数据从侧面反映了短期商品的需求量；
步骤六：然后将当前外部影响因素和短期商品当前数据输入到步骤五中的短期商品需求预测模型，对立体三维树状模型进行演化，形成初级短期商品需求预测数据；
步骤七：在步骤六的基础上，将前端相关商品的当前数据输入到短期商品需求预测模型，继续对立体三维树状模型进行演化，形成中级短期商品需求预测数据；
步骤八：在步骤七的基础上，将后端相关商品的当前数据输入到短期商品需求预测模型，再对立体三维树状模型进行演化，形成高级短期商品需求预测数据。
优选的，所述短期商品基本信息包括短期商品种类、短期商品品牌、短期商品品质、短期商品价格和短期商品评价。
优选的，所述短期商品标识信息包括短期商品包装盒信息、短期商品外包装信息和短期商品外形信息。
优选的，所述短期商品内容信息包括短期商品表面信息，短期商品象征意义、短期商品质量信息和短期商品经营信息。
优选的，上述各个步骤通过人工智能算法实现。
优选的，前端相关商品为短期商品生产供应链中的商品以及短期商品应用前提条件中的商品。
优选的，后端相关商品为短期商品销售供应链中的商品以及短期商品应用过程中的辅助商品和衍生商品。
优选的，所述相关商品基本信息包括相关商品种类、相关商品品牌、相关商品品质、相关商品价格和相关商品评价。
优选的，所述相关商品标识信息包括相关商品包装盒信息、相关商品外包装信息和相关商品外形信息。
优选的，所述相关商品内容信息包括相关商品表面信息，相关商品象征意义、相关商品质量信息和相关商品经营信息。
本发明的技术效果和优点：
1、对短期商品、相关商品和外部影响因素的数据采集更加全面，以短期商品、相关商品和外部影响因素的数据为预测基础，使得预测的基础支撑更强，支撑更加全面，可对数据进行预处理，数据分析更加细化，数据定位更加准确；
2、可对短期商品、相关商品和外部影响因素的数据进行分析，得出其关联性，然后根据数据关联性建立立体三维树状模型，形成短期商品需求预测模型，利用预测模型对短期商品的需求进行预测，预测结果更加准确；
3、将当前数据输入到短期商品需求预测模型中演化预测，可形成初级、中级和高级短期商品需求预测数据，有效保证预测结果数据的准确性。
附图说明
图1为本发明整体的工作流程框图。
具体实施方式
下面将结合本发明的实施例中，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。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所示的一种短期商品需求预测方法，其具体操作步骤为：
步骤一：采集短期商品的历史数据、相关商品的历史数据和外部影响因素；所述短期商品的历史数据包括：短期商品基本信息、短期商品标识信息和短期商品内容信息，所述相关商品的历史数据包括前端相关商品的历史数据和后端相关商品的历史数据，所述前端相关商品的历史数据和所述后端相关商品的历史数据均分别包括相关商品基本信息、相关商品标识信息和相关商品内容信息，所述外部影响因素包括自然因素和社会因素，所述自然因素包括位置因素、地形因素、气候因素、水文因素、土壤因素、植被因素和资源因素，所述社会因素包括国际形势因素、技术发展因素、城市变迁因素、人口因素和经济因素；
步骤二：整合所述短期商品的历史数据和所述相关商品的历史数据；将数据整理成统计格式的数据；
步骤三：分析步骤二中整理出的数据，得出短期商品特征、短期商品需求信息数据、相关商品特征和相关商品需求信息数据；所述短期商品特征和所述相关商品特征均包括商品分类、商品品牌在同类商品中的定位、商品品质在同类商品中的定位、商品价格在同类商品中的定位、商品评价在同类商品中的定位，所述短期商品需求信息数据和相关商品需求信息数据均包括商品需求量、商品囤积量、商品使用量、商品需求时段和商品需求时长；
步骤四：整合所述短期商品特征、所述短期商品需求信息数据、所述相关商品特征、所述相关商品需求信息数据、所述自然因素和所述社会因素，将数据整理成统计格式的数据；
步骤五：分析步骤四中整理出的数据，分析出各项数据之间的关联性，对数据进行建模，以前端相关商品的历史数据为树根，以短期商品的历史数据为树叶，以后端相关商品的历史信息为树干和树枝，以外部影响因素为树木所需养分，建立立体三维树状模型，所述立体三维树状模型包括三维树木养分模型、三维树根模型、三维树叶模型、三维树干模型和三维树枝模型，形成短期商品需求预测模型，外部影响因素为主要影响数据，直接决定了前端相关商品、后端相关商品和短期商品的需求量，前端相关商品的数据和后端相关数据从侧面反映了短期商品的需求量；
步骤六：然后将当前外部影响因素和短期商品当前数据输入到步骤五中的短期商品需求预测模型，对立体三维树状模型进行演化，形成初级短期商品需求预测数据；
步骤七：在步骤六的基础上，将前端相关商品的当前数据输入到短期商品需求预测模型，继续对立体三维树状模型进行演化，形成中级短期商品需求预测数据；
步骤八：在步骤七的基础上，将后端相关商品的当前数据输入到短期商品需求预测模型，再对立体三维树状模型进行演化，形成高级短期商品需求预测数据。
进一步的，在上述技术方案中，所述短期商品基本信息包括短期商品种类、短期商品品牌、短期商品品质、短期商品价格和短期商品评价，对短期商品基本信息的详细阐述，对短期商品基本信息采集更加全面，数据支撑面更广。
进一步的，在上述技术方案中，所述短期商品标识信息包括短期商品包装盒信息、短期商品外包装信息和短期商品外形信息，对短期商品标识信息的详细阐述，对短期商品标识信息采集更加全面，数据支撑面更广。
进一步的，在上述技术方案中，所述短期商品内容信息包括短期商品表面信息，短期商品象征意义、短期商品质量信息和短期商品经营信息，对短期商品内容信息的详细阐述，对短期商品内容信息采集更加全面，数据支撑面更广。
进一步的，在上述技术方案中，上述各个步骤通过人工智能算法实现，软件智能计算可快速实现各个步骤的计算，计算数据更加准确，用时更短，加强实时更新立体三维树状模型的性能。
进一步的，在上述技术方案中，前端相关商品为短期商品生产供应链中的商品以及短期商品应用前提条件中的商品，前端相关商品为短期商品的前提，只有当前提相关商品存在之后，才能产出前提商品，前端相关商品是短期商品的基础。
进一步的，在上述技术方案中，后端相关商品为短期商品销售供应链中的商品以及短期商品应用过程中的辅助商品和衍生商品，后端相关商品为短期商品的应用支撑产品和衍生产品，用于保证短期商品的正常工作和正常使用。
进一步的，在上述技术方案中，所述相关商品基本信息包括相关商品种类、相关商品品牌、相关商品品质、相关商品价格和相关商品评价，对相关商品基本信息的详细阐述，对相关商品基本信息采集更加全面，数据支撑面更广。
进一步的，在上述技术方案中，所述相关商品标识信息包括相关商品包装盒信息、相关商品外包装信息和相关商品外形信息，对相关商品标识信息的详细阐述，对相关商品标识信息采集更加全面，数据支撑面更广。
进一步的，在上述技术方案中，所述相关商品内容信息包括相关商品表面信息，相关商品象征意义、相关商品质量信息和相关商品经营信息，对相关商品内容信息的详细阐述，对相关商品内容信息采集更加全面，数据支撑面更广。
实施方式具体为：使用时，步骤一可对短期商品和相关的历史行为数据和外部影响因素进行采集，可为建立短期商品需求预测模型提供基础数据；步骤二可对基础数据进行整合处理，便于下一步的数据分析处理；步骤三可整理出商品特征和需求信息数据，对商品进行分类和定位，对数据进行预处理；步骤四可对预处理之后的数据可进行整合处理，便于下一步对数据进行分析处理；步骤五对数据进行分析整理，建立立体三维树状模型，以短期商品数据、相关商品数据和外部影响因素为基础，构建形成短期商品需求预测模型；步骤六中将影响最大的外部影响因素和短期商品当前数据输入到短期商品需求预测模型中进行演化预测，形成初级短期商品需求预测数据，该数据可大致预测短期商品的需求；步骤七中在步骤六的基础上加入前端相关商品的当前数据演化预测，形成中级短期商品需求预测数据，该数据可细化预测短期商品需求；步骤八中在步骤七的基础上加入后端相关商品的当前数据演化预测，形成高级短期商品需求预测数据，该数据可进一步细化预测短期商品需求；预测的基础支撑更强，预测结果的准确率更高；该实施方式具体解决了背景技术中目前对短期商品需求的预测大多是采用凭借经验和个人主观预测，预测基础支撑性不强，预测结果准确率较低的问题。
本发明工作原理：
本方法对短期商品、相关商品和外部影响因素的数据采集更加全面，以短期商品、相关商品和外部影响因素的数据为预测基础，使得预测的基础支撑更强，支撑更加全面，可对数据进行预处理，数据分析更加细化，数据定位更加准确，可对短期商品、相关商品和外部影响因素的数据进行分析，得出其关联性，然后根据数据关联性建立立体三维树状模型，形成短期商品需求预测模型，利用预测模型对短期商品的需求进行预测，预测结果更加准确，将当前数据输入到短期商品需求预测模型中演化预测，可形成初级、中级和高级短期商品需求预测数据，有效保证预测结果数据的准确性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种短期商品需求预测方法，其具体操作步骤为：
步骤一：采集短期商品的历史数据、相关商品的历史数据和外部影响因素；所述短期商品的历史数据包括：短期商品基本信息、短期商品标识信息和短期商品内容信息，所述相关商品的历史数据包括前端相关商品的历史数据和后端相关商品的历史数据，所述前端相关商品的历史数据和所述后端相关商品的历史数据均分别包括相关商品基本信息、相关商品标识信息和相关商品内容信息，所述外部影响因素包括自然因素和社会因素，所述自然因素包括位置因素、地形因素、气候因素、水文因素、土壤因素、植被因素和资源因素，所述社会因素包括国际形势因素、技术发展因素、城市变迁因素、人口因素和经济因素；
步骤二：整合所述短期商品的历史数据和所述相关商品的历史数据；将数据整理成统计格式的数据；
步骤三：分析步骤二中整理出的数据，得出短期商品特征、短期商品需求信息数据、相关商品特征和相关商品需求信息数据；所述短期商品特征和所述相关商品特征均包括商品分类、商品品牌在同类商品中的定位、商品品质在同类商品中的定位、商品价格在同类商品中的定位、商品评价在同类商品中的定位，所述短期商品需求信息数据和相关商品需求信息数据均包括商品需求量、商品囤积量、商品使用量、商品需求时段和商品需求时长；
步骤四：整合所述短期商品特征、所述短期商品需求信息数据、所述相关商品特征、所述相关商品需求信息数据、所述自然因素和所述社会因素，将数据整理成统计格式的数据；
步骤五：分析步骤四中整理出的数据，分析出各项数据之间的关联性，对数据进行建模，以前端相关商品的历史数据为树根，以短期商品的历史数据为树叶，以后端相关商品的历史信息为树干和树枝，以外部影响因素为树木所需养分，建立立体三维树状模型，所述立体三维树状模型包括三维树木养分模型、三维树根模型、三维树叶模型、三维树干模型和三维树枝模型，形成短期商品需求预测模型，外部影响因素为主要影响数据，直接决定了前端相关商品、后端相关商品和短期商品的需求量，前端相关商品的数据和后端相关数据从侧面反映了短期商品的需求量；
步骤六：然后将当前外部影响因素和短期商品当前数据输入到步骤五中的短期商品需求预测模型，对立体三维树状模型进行演化，形成初级短期商品需求预测数据；
步骤七：在步骤六的基础上，将前端相关商品的当前数据输入到短期商品需求预测模型，继续对立体三维树状模型进行演化，形成中级短期商品需求预测数据；
步骤八：在步骤七的基础上，将后端相关商品的当前数据输入到短期商品需求预测模型，再对立体三维树状模型进行演化，形成高级短期商品需求预测数据。
2.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：所述短期商品基本信息包括短期商品种类、短期商品品牌、短期商品品质、短期商品价格和短期商品评价。
3.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：所述短期商品标识信息包括短期商品包装盒信息、短期商品外包装信息和短期商品外形信息。
4.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：所述短期商品内容信息包括短期商品表面信息，短期商品象征意义、短期商品质量信息和短期商品经营信息。
5.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：上述各个步骤通过人工智能算法实现。
6.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：前端相关商品为短期商品生产供应链中的商品以及短期商品应用前提条件中的商品。
7.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：后端相关商品为短期商品销售供应链中的商品以及短期商品应用过程中的辅助商品和衍生商品。
8.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：所述相关商品基本信息包括相关商品种类、相关商品品牌、相关商品品质、相关商品价格和相关商品评价。
9.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：所述相关商品标识信息包括相关商品包装盒信息、相关商品外包装信息和相关商品外形信息。
10.根据权利要求1所述的一种短期商品需求预测方法，其特征在于：所述相关商品内容信息包括相关商品表面信息，相关商品象征意义、相关商品质量信息和相关商品经营信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010489662.5A CN111652646A (zh) | 2020-06-02 | 2020-06-02 | 一种短期商品需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010489662.5A CN111652646A (zh) | 2020-06-02 | 2020-06-02 | 一种短期商品需求预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652646A true CN111652646A (zh) | 2020-09-11 |
Family
ID=72343413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010489662.5A Pending CN111652646A (zh) | 2020-06-02 | 2020-06-02 | 一种短期商品需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652646A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020169657A1 (en) * | 2000-10-27 | 2002-11-14 | Manugistics, Inc. | Supply chain demand forecasting and planning |
| US20110004510A1 (en) * | 2009-07-01 | 2011-01-06 | Arash Bateni | Causal product demand forecasting system and method using weather data as causal factors in retail demand forecasting |
| CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
| CN109285029A (zh) * | 2018-08-23 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 预测方法和装置、计算设备及存储介质 |
| CN110490670A (zh) * | 2019-08-27 | 2019-11-22 | 上海欧睿供应链管理有限公司 | 一种自适应商品销售规律的需求预测系统 |
| CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
-
2020
- 2020-06-02 CN CN202010489662.5A patent/CN111652646A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020169657A1 (en) * | 2000-10-27 | 2002-11-14 | Manugistics, Inc. | Supply chain demand forecasting and planning |
| US20110004510A1 (en) * | 2009-07-01 | 2011-01-06 | Arash Bateni | Causal product demand forecasting system and method using weather data as causal factors in retail demand forecasting |
| CN105956699A (zh) * | 2016-04-29 | 2016-09-21 | 连云港天马网络发展有限公司 | 基于电商销售数据的商品分类提取及在该分类提取下的销量预测方法 |
| CN109285029A (zh) * | 2018-08-23 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 预测方法和装置、计算设备及存储介质 |
| CN110516998A (zh) * | 2019-08-14 | 2019-11-29 | 广州淘通科技股份有限公司 | 一种基于供应链需求关联的智能补货系统 |
| CN110490670A (zh) * | 2019-08-27 | 2019-11-22 | 上海欧睿供应链管理有限公司 | 一种自适应商品销售规律的需求预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王瑛: "产品需求预测的演化神经网络算法MLPES" * |
| 荆浩;刘垭;唐金环;: "基于多变量支持向量机的供应链需求预测分析" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cassiman et al. | Innovation, exports and productivity | |
| Niu | Walmart sales forecasting using xgboost algorithm and feature engineering | |
| CN106504029A (zh) | 一种基于客户群体行为分析的加油站销量预测方法 | |
| CN111178624A (zh) | 一种新产品需求预测的方法 | |
| CN102385719A (zh) | 回归预测方法及装置 | |
| CN112330183A (zh) | 一种构建农业企业大数据画像的方法和系统 | |
| CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
| CN104346698A (zh) | 基于云计算和数据挖掘的餐饮会员大数据分析和考核系统 | |
| CN109740624A (zh) | 一种基于大数据的物流供应链需求预测方法 | |
| CN108921602A (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
| CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
| CN114611959A (zh) | 一种基于o2o大数据技术的选品策略系统 | |
| CN113421133A (zh) | 基于客户匹配的网络营销系统 | |
| CN114372848A (zh) | 一种基于机器学习的烟草行业智能营销系统 | |
| Wang | A hybrid machine learning model for sales prediction | |
| Liu | Supply chain integration through business intelligence | |
| CN110533466A (zh) | 基于大数据辅助产品开发的方法、系统和存储介质 | |
| CN111652646A (zh) | 一种短期商品需求预测方法 | |
| CN111222914A (zh) | 一种基于电商平台对货品的精准辅助式投放系统 | |
| CN105741143A (zh) | 一种基于负荷特性及其聚类分析的电力商品定价模型建立方法 | |
| CN105678430A (zh) | 基于邻近项目Slope One算法的用户改进推荐方法 | |
| CN107358494A (zh) | 一种基于大数据的客户需求信息挖掘方法 | |
| CN107545056B (zh) | 一种新技术潜力信息分析系统及信息分析方法 | |
| CN113421132A (zh) | 一种集成线索管理功能的营销运营交互系统 | |
| CN117035947B (zh) | 基于大数据处理的农产品数据分析方法及云平台 |
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: 20200911 |
|
| RJ01 | Rejection of invention patent application after publication |