CN112001759A - 仓库价格数据预测方法、装置、电子设备和可读存储介质 - Google Patents

仓库价格数据预测方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN112001759A
CN112001759A CN202010877995.5A CN202010877995A CN112001759A CN 112001759 A CN112001759 A CN 112001759A CN 202010877995 A CN202010877995 A CN 202010877995A CN 112001759 A CN112001759 A CN 112001759A
Authority
CN
China
Prior art keywords
data
warehouse
city
warehouse price
price
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
Application number
CN202010877995.5A
Other languages
English (en)
Inventor
钟乐
刘茜
邹曦
李朋远
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.)
Sichuan Wulianyida Technology Co ltd
Original Assignee
Sichuan Wulianyida 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 Sichuan Wulianyida Technology Co ltd filed Critical Sichuan Wulianyida Technology Co ltd
Priority to CN202010877995.5A priority Critical patent/CN112001759A/zh
Publication of CN112001759A publication Critical patent/CN112001759A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

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

Abstract

本发明公开了一种仓库价格数据预测方法、装置、电子设备和可读存储介质，涉及物流仓库数据处理技术领域。本发明根据仓库所在城市的类型，将仓库数据划分为一线城市仓库数据、二线城市仓库数据和其他城市仓库数据进行统计，然后绘制数据序列图，观察其数据分布状态、观测其稳定性和趋势性，采用本发明特定的预测数据模型预测数据，可以提高预测数据的准确性。本发明的预测方法不但具有较高的预测精度，且预测数据模型相对稳定，具有自由纠错能力，对突发情况造成的波动有一定的包容性。

Description

仓库价格数据预测方法、装置、电子设备和可读存储介质
技术领域
本发明涉及物流仓库数据处理技术领域，更具体地说涉及一种仓库价格数据预测方法、装置、电子设备和可读存储介质。
背景技术
随着互联网技术的快速发展，基于互联网的服务越来越多，例如物流仓储服务。作为物流仓储的需求方，为了降低物流成本，需要对仓库面积、位置、价格等进行综合考量。作为提供物流仓储服务的服务方，为提升己方服务水平，会尽量为需求方提供更加便利的服务。
由于需求方在进行找仓的过程中，需要综合考量仓库各方面数据，如面积、位置、价格等，而针对仓库面积数据，是根据需求方的需求面积进行确定的，而仓库的位置也是可以根据需求方的需求确定；但是仓库的价格并无法根据需求方的需求进行确定。
需求方在找仓时，所需仓库的当前价格并不能作为需求方预算成本的基础，是由于需求方在找仓是都是为未来一周甚至一个月进行规划，也就是说，所找到的仓库的当前价格并不能反映未来一周或是一个月的价格，这就使得需求方的成本预算误差率较大，确定了仓库之后，其实际价格有可能会超出需求方的预算成本，给需求方带来不便。
因此，现在急需一种可以对仓库价格数据进行预测的方法，以便于提高需求方成本预算的准确度，方便需求方合理有效地控制成本，同时也便于服务方对其所提供的物流仓储服务进行合理的预估，做好规划。
发明内容
为了克服上述现有技术中存在的缺陷和不足，本发明提供了一种仓库价格数据预测方法、装置、电子设备和可读存储介质，本发明的发明目的在于提供一种可以对仓库价格数据进行预测的方法、装置、电子设备和可读存储介质，以便于提高需求方成本预算的准确度，方便需求方合理有效地控制成本，同时也便于服务方对其所提供的物流仓储服务进行合理的预估，做好规划。本发明根据仓库所在城市的类型，将仓库数据划分为一线城市仓库数据、二线城市仓库数据和其他城市仓库数据进行统计，然后绘制数据序列图，观察其数据分布状态、观测其稳定性和趋势性，采用本发明特定的预测数据模型预测数据，可以提高预测数据的准确性。本发明的预测方法不但具有较高的预测精度，且预测数据模型相对稳定，具有自由纠错能力，对突发情况造成的波动有一定的包容性。
为了解决上述现有技术中存在的问题，本发明是通过下述技术方案实现的：
根据本发明的第一方面，提供一种仓库价格数据预测方法，包括以下步骤：
步骤A、从仓库历史数据中调取多个历史周期的真实仓库价格数据；
步骤B、根据仓库所在城市的城市类型，将真实仓库价格数据对应划分为一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据进行统计；
步骤C、将步骤B中得到的一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据分别按照时间序列绘制数据序列图，并确定数据序列图的数据分布状态、稳定性和趋势性；
步骤D、根据一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据，分别建立一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型；一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型的建立方式相同；
步骤D1、将按照时间序列排序后的仓库价格数据
Figure 353161DEST_PATH_IMAGE001
中的前三个数据进行平均得到第一个参数
Figure 739143DEST_PATH_IMAGE002
，即
Figure 112356DEST_PATH_IMAGE003
；利用参数
Figure 976406DEST_PATH_IMAGE002
以及仓库价格数据中的第一个数据
Figure 624732DEST_PATH_IMAGE004
，得到第二个参数
Figure 181616DEST_PATH_IMAGE005
，即
Figure 183070DEST_PATH_IMAGE006
，依次类推，得到第
Figure 241024DEST_PATH_IMAGE007
个参数，
Figure 644324DEST_PATH_IMAGE008
为正整数，
Figure 106529DEST_PATH_IMAGE009
；其中
Figure 470646DEST_PATH_IMAGE010
为预测系数，且
Figure 942078DEST_PATH_IMAGE010
的取值范围为0.5~1，
Figure 199884DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定的；
步骤D2、根据上述D1步骤中计算得到的参数，建立仓库价格预测模型，
Figure 364149DEST_PATH_IMAGE011
；其中
Figure 464830DEST_PATH_IMAGE010
为预测系数，且
Figure 474374DEST_PATH_IMAGE010
的取值范围为0.5~1，
Figure 852266DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定的。
可选地，在第一方面的一种可能实现方式中，在步骤D1中，所述
Figure 30175DEST_PATH_IMAGE010
的取值为0.5。
可选地，在第一方面的一种可能实现方式中，在步骤D1和步骤D2中，
Figure 493517DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定，具体是指，当数据序列相对平稳时，
Figure 306752DEST_PATH_IMAGE010
的取值较小；当数据序列波动较大时
Figure 539151DEST_PATH_IMAGE010
的取值越大。
当数据序列图呈现较稳定的水平趋势时，应选较小的
Figure 169852DEST_PATH_IMAGE010
值，在0.05~0.20之间取值；当数据序列图有波动，但长期趋势变化不大时，可选稍大的
Figure 854911DEST_PATH_IMAGE010
值，在0.1~0.4之间取值；当数据序列图波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的
Figure 471838DEST_PATH_IMAGE010
值，在0.6~0.8间选值；当数据序列图是上升或下降的发展趋势类型，
Figure 168529DEST_PATH_IMAGE010
应取较大的值，在0.6~1之间。
可选地，在第一方面的一种可能实现方式中，一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型中，
Figure 845498DEST_PATH_IMAGE010
的取值不同。
根据本发明的第二方面，提供一种仓库价格数据预测装置，包括：
获取模块，用于从仓库历史数据中，获取多个历史周期的真实仓库价格数据；
分类模块，用于根据仓库所在城市的城市类型，将真实仓库价格数据对应划分为一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据进行统计；
显示模块，用于将分类模块中得到的一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据分别按照时间序列绘制数据序列图，并确定数据序列图的数据分布状态、稳定性和趋势性；
处理模块，根据一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据，分别建立一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型；一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型的建立方式相同；
将按照时间序列排序后的仓库价格数据
Figure 17854DEST_PATH_IMAGE001
中的前三个数据进行平均得到第一个参数
Figure 172891DEST_PATH_IMAGE002
，即
Figure 504516DEST_PATH_IMAGE003
；利用参数
Figure 352386DEST_PATH_IMAGE002
以及仓库价格数据中的第一个数据
Figure 12037DEST_PATH_IMAGE004
，得到第二个参数
Figure 970766DEST_PATH_IMAGE005
，即
Figure 877936DEST_PATH_IMAGE006
，依次类推，得到第
Figure 896707DEST_PATH_IMAGE007
个参数，
Figure 43655DEST_PATH_IMAGE008
为正整数，
Figure 930708DEST_PATH_IMAGE009
；其中
Figure 846712DEST_PATH_IMAGE010
为参数预测系数，且
Figure 770805DEST_PATH_IMAGE010
的取值范围为0~1，
Figure 14836DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块中数据序列图的数据分布状态、稳定性和趋势性决定的；
输出模块，用于根据上述处理模块中计算得到的参数，建立仓库价格预测模型，
Figure 315367DEST_PATH_IMAGE011
；其中
Figure 351456DEST_PATH_IMAGE010
为预测系数，且
Figure 446451DEST_PATH_IMAGE010
的取值范围为0~1，
Figure 692625DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块中数据序列图的数据分布状态、稳定性和趋势性决定的，获得下一周期的价格预测值。
可选地，在第二方面的另一种可能实现方式中，在处理模块中，所述
Figure 796847DEST_PATH_IMAGE010
的取值为0.5。
可选地，在第二方面的一种可能实现方式中，在处理模块和输出模块中，
Figure 156284DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块中数据序列图的数据分布状态、稳定性和趋势性决定，具体是指，当数据序列相对平稳时，
Figure 61661DEST_PATH_IMAGE010
的取值较小；当数据序列波动较大时
Figure 404918DEST_PATH_IMAGE010
的取值越大。
当数据序列图呈现较稳定的水平趋势时，应选较小的
Figure 312831DEST_PATH_IMAGE010
值，在0.05~0.20之间取值；当数据序列图有波动，但长期趋势变化不大时，可选稍大的
Figure 57933DEST_PATH_IMAGE010
值，在0.1~0.4之间取值；当数据序列图波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的
Figure 884944DEST_PATH_IMAGE010
值，在0.6~0.8间选值；当数据序列图是上升或下降的发展趋势类型，
Figure 449917DEST_PATH_IMAGE010
应取较大的值，在0.6~1之间。
可选地，在第二方面的一种可能实现方式中，一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型中，
Figure 895942DEST_PATH_IMAGE010
的取值不同。
根据本发明的第三方面，提供一种电子设备，包括存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能涉及的所述仓库价格数据预测方法。
根据本发明的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述仓库价格数据预测方法。
与现有技术相比，本发明所带来的有益的技术效果表现在：
1、本发明提供的一种仓库价格数据预测方法、装置、电子设备和可读存储介质，通过从仓库历史数据中调取多个历史周期的真实仓库价格数据，将真实仓库价格数据划分为一线城市仓库数据、二线城市仓库数据和其他城市仓库数据进行统计，然后绘制数据序列图，观察其数据分布状态、观测其稳定性和趋势性，采用本发明特定的预测数据模型预测数据，可以提高预测数据的准确性。本发明的预测方法不但具有较高的预测精度，且预测数据模型相对稳定，具有自由纠错能力，对突发情况造成的波动有一定的包容性。
2、在本发明中，将真实仓库价格数据按照城市类型进行划分，避免不同类型城市之间的数据干扰，由于不同类型城市之间的消费水平不同，仓库建设成本不同，因此其价格也是不同的，若将所有仓库价格数据全部放在一起进行处理，则其预测得到的数据误差率较大。本发明将仓库价格数据按照城市类型进行划分，也方便需求方根据实际需求进行选择，且划分之后的预测模型预测得到的数据更加准确。
3、在本发明中，为建立预测模型所使用的参数
Figure 370917DEST_PATH_IMAGE012
具有逐期追溯性质，包括全部数据，预测系数
Figure 244195DEST_PATH_IMAGE010
越接近于1，远期实际值对本期预测参数的影响下降越迅速；预测系数
Figure 562044DEST_PATH_IMAGE010
越接近于 0，远期实际值对本期预测参数的影响下降越缓慢。由此，当时间数列相对平稳时，可取较小的
Figure 546180DEST_PATH_IMAGE010
；当时间数列波动较大时，应取较大的
Figure 390508DEST_PATH_IMAGE010
，以不忽略远期实际值的影响。
4、在本发明中，当数据序列图呈现较稳定的水平趋势时，应选较小的
Figure 169109DEST_PATH_IMAGE010
值，在0.05~0.20之间取值；当数据序列图有波动，但长期趋势变化不大时，可选稍大的
Figure 974253DEST_PATH_IMAGE010
值，在0.1~0.4之间取值；当数据序列图波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的
Figure 138912DEST_PATH_IMAGE010
值，在0.6~0.8间选值；当数据序列图是上升或下降的发展趋势类型，
Figure 447534DEST_PATH_IMAGE010
应取较大的值，在0.6~1之间，以使预测模型灵敏度高些，能迅速跟上数据的变化。
附图说明
图1是本发明实施例提供的一种应用场景示意图；
图2是本发明实施例提供的一种仓库价格预测方法的流程示意图；
图3是本发明实施例提供的一种仓库价格预测装置的结构示意图；
图4是本发明实施例提供的一种电子设备的硬件结构示意图。
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作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。
本发明实施例的说明书和权利要求书及上述附图中各过程的序号的顺序并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明实施例中，“多个”是指两个或两个以上。
应当理解，在本发明实施例中，历史周期是已具有真实价格数据的计算周期，可以理解为是之前做仓库价格预测的一个计算周期，例如一天、一周或一个月。
下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
参见图1，是本发明实施例提供的一种应用场景。在图1所示的应用场景中，用户通过客户端1发起网络查询请求，服务器2从客户端1接收到网络查询请求之后，根据用户限定的城市、地区条件，从数据库3中调取历史周期的真实仓库价格数据，对用户想查询的未来时间内的仓库价格进行预测。在本实施例中，将一个月作为一个周期，每个月的真实仓库价格数据，就作为一个历史周期的真实仓库价格数据。本实施例中的仓库可以理解为实体服务的仓库，也可以理解为是虚拟服务中的备用资源管理系统等。本实施例通过服务器2执行下述各种实施例中的仓库价格数据预测方法，提高了仓库价格数据预测的准确性和可靠性。
参见图2，是本发明实施例提供的一种仓库价格数据预测方法的流程示意图，图2所示方法的执行主体可以是软件和/或硬件装置，下面以服务器为执行主体作举例说明。如2所示的方法主要包括步骤A至步骤D，具体如下：
步骤A、从仓库历史数据中调取多个历史周期的真实仓库价格数据。
可以理解为，在接收仓库管理方（即服务方）通过客户端1录入仓库价格数据时都进行了价格数据的存储，可以是根据多个历史周期，在每个周期结束后获取预先存储的真实价格数据，对未来的下一周期的价格数据进行预测。历史周期可以是按一天、一周、一个月或者其他预设的时间段。
步骤B、根据仓库所在城市的城市类型，将真实仓库价格数据对应划分为一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据进行统计。
可以理解为，按照仓库所在城市所归属的城市类型进行划分，将仓库价格数据划分为一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据；上述步骤可以在服务方录入仓库真实价格数据时进行划分，也可以是在仓库立式数据中进行划分。
步骤C、将步骤B中得到的一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据分别按照时间序列绘制数据序列图，并确定数据序列图的数据分布状态、稳定性和趋势性；
步骤D、根据一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据，分别建立一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型；一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型的建立方式相同；
步骤D1、将按照时间序列排序后的仓库价格数据
Figure 662614DEST_PATH_IMAGE001
中的前三个数据进行平均得到第一个参数
Figure 814110DEST_PATH_IMAGE002
，即
Figure 140049DEST_PATH_IMAGE003
；利用参数
Figure 568756DEST_PATH_IMAGE002
以及仓库价格数据中的第一个数据
Figure 564525DEST_PATH_IMAGE004
，得到第二个参数
Figure 344262DEST_PATH_IMAGE005
，即
Figure 332947DEST_PATH_IMAGE006
，依次类推，得到第
Figure 350582DEST_PATH_IMAGE007
个参数，
Figure 281366DEST_PATH_IMAGE008
为正整数，
Figure 282820DEST_PATH_IMAGE009
；其中
Figure 950562DEST_PATH_IMAGE010
为预测系数，且
Figure 212916DEST_PATH_IMAGE010
的取值范围为0.5~1，
Figure 940701DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定的；
步骤D2、根据上述D1步骤中计算得到的参数，建立仓库价格预测模型，
Figure 429451DEST_PATH_IMAGE011
；其中
Figure 510670DEST_PATH_IMAGE010
为预测系数，且
Figure 768476DEST_PATH_IMAGE010
的取值范围为0.5~1，
Figure 791796DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定的。
可选地，在步骤D1中，所述
Figure 502263DEST_PATH_IMAGE010
的取值为0.5。
可选地，在步骤D1和步骤D2中，
Figure 511807DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定，具体是指，当数据序列相对平稳时，
Figure 266530DEST_PATH_IMAGE010
的取值较小；当数据序列波动较大时
Figure 70538DEST_PATH_IMAGE010
的取值越大。
当数据序列图呈现较稳定的水平趋势时，应选较小的
Figure 533881DEST_PATH_IMAGE010
值，在0.05~0.20之间取值；当数据序列图有波动，但长期趋势变化不大时，可选稍大的
Figure 206170DEST_PATH_IMAGE010
值，在0.1~0.4之间取值；当数据序列图波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的
Figure 438569DEST_PATH_IMAGE010
值，在0.6~0.8间选值；当数据序列图是上升或下降的发展趋势类型，
Figure 288844DEST_PATH_IMAGE010
应取较大的值，在0.6~1之间。
可选地，一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型中，
Figure 239482DEST_PATH_IMAGE010
的取值不同。
以申请人2018年7月到2019年10的一线城市仓库价格数据为例，周期为一个月，预测样本数量共有16个，周期内的仓库价格为周期内平均价格，具体数据参照表1所示：
Figure 590829DEST_PATH_IMAGE014
表1为2018年7月到2019年10的一线城市仓库价格数据
将前三个月的数据进行平均，计算出第一个参数
Figure 802368DEST_PATH_IMAGE002
，在利用
Figure 213758DEST_PATH_IMAGE002
以及2018年7月的实际值
Figure 386113DEST_PATH_IMAGE015
得出第二个参数
Figure 649473DEST_PATH_IMAGE005
；
Figure 856463DEST_PATH_IMAGE016
；
Figure 438754DEST_PATH_IMAGE017
；
Figure 223040DEST_PATH_IMAGE018
；
依次类推，得到
Figure 916189DEST_PATH_IMAGE019
，于是得到为了预测所需的参数。
其中
Figure 977686DEST_PATH_IMAGE010
等于0.5，是根据数据波动情况和趋势情况所选用的数值。
因为预测所需系数问题，所以2018年7月的数据不能预测，预测起始点是2018年8月，以2018年8月距离，可以得到如下预测方程：
Figure 871824DEST_PATH_IMAGE020
；
依次类推，利用上述预测方程将每个月预测数据计算得出，并和实际数据做对比，得到下表2：
Figure 18771DEST_PATH_IMAGE022
表2为周期预测数据和实际数据对比表
误差率=|实际值−预测值|实际值
最后，从表2中可以看到一线城市平均误差率是1.57%，再分别对二线城市平均误差率和其他城市平均误差率分别计算，得到平均误差为1.62%和3.23%。
参见图3，是本发明实施例提供的一种仓库价格数据预测装置的结构示意图，图3所示的仓库价格数据预测装置30主要包括：
获取模块31，用于从仓库历史数据中，获取多个历史周期的真实仓库价格数据；
分类模块32，用于根据仓库所在城市的城市类型，将真实仓库价格数据对应划分为一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据进行统计；
显示模块33，用于将分类模块32中得到的一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据分别按照时间序列绘制数据序列图，并确定数据序列图的数据分布状态、稳定性和趋势性；
处理模块34，根据一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据，分别建立一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型；一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型的建立方式相同；
将按照时间序列排序后的仓库价格数据
Figure 515612DEST_PATH_IMAGE023
中的前三个数据进行平均得到第一个参数
Figure 431615DEST_PATH_IMAGE002
，即
Figure 745922DEST_PATH_IMAGE024
；利用参数
Figure 114586DEST_PATH_IMAGE002
以及仓库价格数据中的第一个数据
Figure 415118DEST_PATH_IMAGE004
，得到第二个参数
Figure 574177DEST_PATH_IMAGE005
，即
Figure 934752DEST_PATH_IMAGE025
，依次类推，得到第
Figure 56291DEST_PATH_IMAGE007
个参数，
Figure 894934DEST_PATH_IMAGE008
为正整数，
Figure DEST_PATH_IMAGE026
；其中
Figure 379005DEST_PATH_IMAGE010
为参数预测系数，且
Figure 910481DEST_PATH_IMAGE010
的取值范围为0~1，
Figure 129104DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块中数据序列图的数据分布状态、稳定性和趋势性决定的；
输出模块35，用于根据上述处理模块中计算得到的参数，建立仓库价格预测模型，
Figure 37017DEST_PATH_IMAGE027
；其中
Figure 782119DEST_PATH_IMAGE010
为预测系数，且
Figure 343550DEST_PATH_IMAGE010
的取值范围为0~1，
Figure 174103DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块33中数据序列图的数据分布状态、稳定性和趋势性决定的，获得下一周期的价格预测值。
可选地，所述处理模块34中，所述
Figure 354549DEST_PATH_IMAGE010
的取值为0.5。
可选地，在处理模块34和输出模块35中，
Figure 219737DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块中数据序列图的数据分布状态、稳定性和趋势性决定，具体是指，当数据序列相对平稳时，
Figure 466916DEST_PATH_IMAGE010
的取值较小；当数据序列波动较大时
Figure 784765DEST_PATH_IMAGE010
的取值越大。
当数据序列图呈现较稳定的水平趋势时，应选较小的
Figure 768901DEST_PATH_IMAGE010
值，在0.05~0.20之间取值；当数据序列图有波动，但长期趋势变化不大时，可选稍大的
Figure 347650DEST_PATH_IMAGE010
值，在0.1~0.4之间取值；当数据序列图波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的
Figure 391830DEST_PATH_IMAGE010
值，在0.6~0.8间选值；当数据序列图是上升或下降的发展趋势类型，
Figure 196975DEST_PATH_IMAGE010
应取较大的值，在0.6~1之间。
可选地，一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型中，
Figure 984802DEST_PATH_IMAGE010
的取值不同。
本实施例提供的仓库价格数据预测装置30，通过获取模块31从仓库历史数据中获取多个历史周期的真实仓库价格数据，分类模块32用于将真实仓库价格数据划分为一线城市仓库数据、二线城市仓库数据和其他城市仓库数据进行统计，显示模块33用于将分类模块32中得到的一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据分别按照时间序列绘制数据序列图，并确定数据序列图的数据分布状态、稳定性和趋势性，处理模块34和输出模块35用于根据一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据，分别建立一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型，可以提高预测数据的准确性。本发明的预测装置不但具有较高的预测精度，且预测数据模型相对稳定，具有自由纠错能力，对突发情况造成的波动有一定的包容性。
参见图4，是本发明实施例提供的一种电子设备的硬件结构示意图，该电子设备40包括处理器41、存储器42和计算机程序，其中：
存储器42，用于存储所述计算机程序，该存储器还可以是闪存（flash）。所述计算机程序例如是实现上述方法的应用程序、功能模块等；
处理器41，用于执行所述存储器42存储的计算机程序，以实现上述方法中电子设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选的，存储器42既可以是独立的，也可以跟处理器41集成在一起。当所述存储器42是独立于处理器41之外的器件时，所述电子设备还可以包括总线43，用于连接所述存储器和处理器。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述电子设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.仓库价格数据预测方法，其特征在于：包括以下步骤，
步骤A、从仓库历史数据中调取多个历史周期的真实仓库价格数据；
步骤B、根据仓库所在城市的城市类型，将真实仓库价格数据对应划分为一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据进行统计；
步骤C、将步骤B中得到的一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据分别按照时间序列绘制数据序列图，并确定数据序列图的数据分布状态、稳定性和趋势性；
步骤D、根据一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据，分别建立一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型；一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型的建立方式相同；
步骤D1、将按照时间序列排序后的仓库价格数据
Figure 196881DEST_PATH_IMAGE001
中的前三个数据进行平均得到第一个参数
Figure DEST_PATH_IMAGE002
，即
Figure 973076DEST_PATH_IMAGE003
；利用参数
Figure 221654DEST_PATH_IMAGE002
以及仓库价格数据中的第一个数据
Figure DEST_PATH_IMAGE004
，得到第二个参数
Figure 757809DEST_PATH_IMAGE005
，即
Figure DEST_PATH_IMAGE006
，依次类推，得到第
Figure 149345DEST_PATH_IMAGE007
个参数，
Figure DEST_PATH_IMAGE008
为正整数，
Figure 237387DEST_PATH_IMAGE009
；其中
Figure DEST_PATH_IMAGE010
为预测系数，且
Figure 114207DEST_PATH_IMAGE010
的取值范围为0.5~1，
Figure 781949DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定的；
步骤D2、根据上述D1步骤中计算得到的参数，建立仓库价格预测模型，
Figure 44303DEST_PATH_IMAGE011
；其中
Figure 506508DEST_PATH_IMAGE010
为预测系数，且
Figure 106510DEST_PATH_IMAGE010
的取值范围为0.5~1，
Figure 312363DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定的。
2.如权利要求1所述的仓库价格数据预测方法，其特征在于：在步骤D1和步骤D2中，
Figure 163645DEST_PATH_IMAGE010
具体值的确定，是由上述步骤C中数据序列图的数据分布状态、稳定性和趋势性决定，具体是指，当数据序列相对平稳时，
Figure 62331DEST_PATH_IMAGE010
的取值较小；当数据序列波动较大时
Figure 648164DEST_PATH_IMAGE010
的取值越大。
3.如权利要求1或2所述的仓库价格数据预测方法，其特征在于：当数据序列图呈现较稳定的水平趋势时，应选较小的
Figure 392129DEST_PATH_IMAGE010
值，在0.05~0.20之间取值；当数据序列图有波动，但长期趋势变化不大时，可选稍大的
Figure 629075DEST_PATH_IMAGE010
值，在0.1~0.4之间取值；当数据序列图波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的
Figure 229821DEST_PATH_IMAGE010
值，在0.6~0.8间选值；当数据序列图是上升或下降的发展趋势类型，
Figure 427584DEST_PATH_IMAGE010
应取较大的值，在0.6~1之间。
4.如权利要求1所述的仓库价格数据预测方法，其特征在于：一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型中，
Figure 349141DEST_PATH_IMAGE010
的取值不同。
5.一种仓库价格数据预测装置，其特征在于：包括
获取模块（31），用于从仓库历史数据中，获取多个历史周期的真实仓库价格数据；
分类模块（32），用于根据仓库所在城市的城市类型，将真实仓库价格数据对应划分为一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据进行统计；
显示模块（33），用于将分类模块（32）中得到的一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据分别按照时间序列绘制数据序列图，并确定数据序列图的数据分布状态、稳定性和趋势性；
处理模块（34），根据一级城市仓库价格数据、二级城市仓库价格数据和其他城市仓库价格数据，分别建立一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型；一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型的建立方式相同；
将按照时间序列排序后的仓库价格数据
Figure 315960DEST_PATH_IMAGE001
中的前三个数据进行平均得到第一个参数
Figure 681083DEST_PATH_IMAGE002
，即
Figure 100563DEST_PATH_IMAGE003
；利用参数
Figure 327276DEST_PATH_IMAGE002
以及仓库价格数据中的第一个数据
Figure 883022DEST_PATH_IMAGE004
，得到第二个参数
Figure 419046DEST_PATH_IMAGE005
，即
Figure 325822DEST_PATH_IMAGE006
，依次类推，得到第
Figure 857691DEST_PATH_IMAGE007
个参数，
Figure 533523DEST_PATH_IMAGE008
为正整数，
Figure 240447DEST_PATH_IMAGE009
；其中
Figure 634520DEST_PATH_IMAGE010
为参数预测系数，且
Figure 203035DEST_PATH_IMAGE010
的取值范围为0~1，
Figure 733374DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块中数据序列图的数据分布状态、稳定性和趋势性决定的；
输出模块（35），用于根据上述处理模块中计算得到的参数，建立仓库价格预测模型，
Figure 611200DEST_PATH_IMAGE011
；其中
Figure 492568DEST_PATH_IMAGE010
为预测系数，且
Figure 786146DEST_PATH_IMAGE010
的取值范围为0~1，
Figure 810472DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块（33）中数据序列图的数据分布状态、稳定性和趋势性决定的，获得下一周期的价格预测值。
6.如权利要求5所述的一种仓库价格数据预测装置，其特征在于：在处理模块（32）和输出模块（35）中，
Figure 468986DEST_PATH_IMAGE010
具体值的确定，是由上述显示模块（33）中数据序列图的数据分布状态、稳定性和趋势性决定，具体是指，当数据序列相对平稳时，
Figure 696705DEST_PATH_IMAGE010
的取值较小；当数据序列波动较大时
Figure 731658DEST_PATH_IMAGE010
的取值越大。
7.如权利要求5或6所述的一种仓库价格数据预测装置，其特征在于：当数据序列图呈现较稳定的水平趋势时，应选较小的
Figure 377534DEST_PATH_IMAGE010
值，在0.05~0.20之间取值；当数据序列图有波动，但长期趋势变化不大时，可选稍大的
Figure 206949DEST_PATH_IMAGE010
值，在0.1~0.4之间取值；当数据序列图波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的
Figure 187544DEST_PATH_IMAGE010
值，在0.6~0.8间选值；当数据序列图是上升或下降的发展趋势类型，
Figure 26187DEST_PATH_IMAGE010
应取较大的值，在0.6~1之间。
8.如权利要求5所述的一种仓库价格数据预测装置，其特征在于：一级城市仓库价格预测模型、二级城市仓库价格预测模型和其他城市仓库价格预测模型中，
Figure 182362DEST_PATH_IMAGE010
的取值不同。
9.一种电子设备，包括存储器（42）、处理器（41）以及计算机程序，所述计算机程序存储在所述存储器（42）中，其特征在于：所述处理器（41）运行所述计算机程序执行权利要求1-4任一所述仓库价格数据预测方法。
10.一种可读存储介质，所述可读存储介质中存储有计算机程序，其特征在于：所述计算机程序被处理器执行时用于实现权利要求1-4任一所述仓库价格数据预测方法。
CN202010877995.5A 2020-08-27 2020-08-27 仓库价格数据预测方法、装置、电子设备和可读存储介质 Pending CN112001759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010877995.5A CN112001759A (zh) 2020-08-27 2020-08-27 仓库价格数据预测方法、装置、电子设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010877995.5A CN112001759A (zh) 2020-08-27 2020-08-27 仓库价格数据预测方法、装置、电子设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN112001759A true CN112001759A (zh) 2020-11-27

Family

ID=73472071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010877995.5A Pending CN112001759A (zh) 2020-08-27 2020-08-27 仓库价格数据预测方法、装置、电子设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN112001759A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686703A (zh) * 2020-12-31 2021-04-20 长沙市到家悠享网络科技有限公司 全国家政行业价格的自动生成及查询方法、电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686703A (zh) * 2020-12-31 2021-04-20 长沙市到家悠享网络科技有限公司 全国家政行业价格的自动生成及查询方法、电子设备

Similar Documents

Publication Publication Date Title
CN110418022B (zh) 为多个用户标识调整流量套餐的方法及装置
WO2021204176A1 (zh) 业务数据预测方法、装置、电子设备及计算机可读存储介质
CN112365070A (zh) 一种电力负荷预测方法、装置、设备及可读存储介质
CN114266473A (zh) 一种基于数据分析的供应链需求预测系统及方法
CN112001759A (zh) 仓库价格数据预测方法、装置、电子设备和可读存储介质
CN114445102A (zh) 报价数据处理方法及装置
CN110442598A (zh) 一种数据查询方法和装置
CN116071102A (zh) 一种基于订单的电力变压器供应预警方法及系统
CN103530190A (zh) 一种负载预测方法及装置
CN110555711A (zh) 数据处理方法、装置、服务器和计算机可读存储介质
CN115169089A (zh) 基于核密度估计和copula的风电功率概率预测方法和装置
CN111260384A (zh) 服务订单处理方法、装置、电子设备及存储介质
CN115130889A (zh) 一种供应链管理方法、装置、电子设备及介质
CN111753208B (zh) 确定用户可比属性收敛度的方法、装置、介质和电子设备
CN114463065A (zh) 一种定价方法、装置、计算机设备以及存储介质
CN116228316A (zh) 投放选址的确定方法、装置、电子设备及可读存储介质
CN114548810A (zh) 跨境电商大数据智能处理传输方法及平台
CN111164633B (zh) 一种评分卡模型的调整方法、装置、服务器及存储介质
CN113780703A (zh) 一种指标调整方法和装置
CN112561552A (zh) 一种物品价值属性调整方法和装置
CN115375407B (zh) Oms的库存管理方法及系统
CN113538026B (zh) 一种业务量计算方法和装置
CN118154283A (zh) 一种租赁物的价格预警方法、装置、设备及存储介质
CN114387022A (zh) 定价信息调整方法、装置、电子设备及存储介质
CN115907823A (zh) 大工业用户基本电费优化辅助决策方法及相关产品

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201127

WD01 Invention patent application deemed withdrawn after publication