CN112150201A - 基于knn的时序迁移学习在销量预测中的应用 - Google Patents
基于knn的时序迁移学习在销量预测中的应用 Download PDFInfo
- Publication number
- CN112150201A CN112150201A CN202011010247.3A CN202011010247A CN112150201A CN 112150201 A CN112150201 A CN 112150201A CN 202011010247 A CN202011010247 A CN 202011010247A CN 112150201 A CN112150201 A CN 112150201A
- Authority
- CN
- China
- Prior art keywords
- knn
- sales
- index
- time series
- sample
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 41
- 230000005012 migration Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013526 transfer learning Methods 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013277 forecasting method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Abstract
本发明提供了一种基于KNN的时序迁移学习的销量预测方法,其特征在于:以Lookalike作为KNN的轮廓范围识别基准,计算获得具有相似时序特征指数的对象集作为可识别对象群,将包含可识别对象群的所有指标集作为迁移样本,通过使用随机森林Random Forest Tree模型,进行迁移学习建模以获得销量预测模型。本发明采取基于KNN的时序切割思想,结合基于模型的迁移学习方法,达到了提升销量预测模型的建模效果。
Description
技术领域
本发明涉及一种效量预测方法,具体地,涉及一种基于KNN的时序迁移学习的销量预测方法。
背景技术
根据过去的订单数据对快消品进行科学的销量预测分析,不仅对企业合理地制定生产计划、采购计划、库存计划和营销计划,提供了更贴合实际的数据参考;也在快消品供应链上的各节点企业的紧密配合,提供了辅助支持。如:及时调整店铺进货量,减少商品断货、或滞销现象——提升利润,降低销售风险;根据预测结果,采购适量的原材料进入生产规划——尽量减少资源浪费及库存浪费而带来的成本消耗。因此,销售预测具有广泛的应用前景,对其预测准确率的提升也有着重要的意义。
由于不同店铺开店时间不同、营销模式不同、受外界影响不同、而导致销量特征各有差异。故而,现有的方案中未能提供一种通用的高效的预测方法。
发明内容
对于在售卖的快消品,如果能提前预知到用户的销量需求,对后面的精细化运营乃至在快消品供应链各节点的紧密配合均有很大的帮助。故而,本发明旨在克服上述缺陷提供一种基于KNN的时序切割思想,结合基于模型的迁移学习方法,达到了提升销量预测模型的建模效果。
本发明提供了一种基于KNN的时序迁移学习的销量预测方法,其特征在于:以Lookalike作为KNN的轮廓范围识别基准,计算获得具有相似时序特征指数的对象集作为可识别对象群,将包含可识别对象群的所有指标集作为迁移样本,通过使用随机森林RandomForest Tree模型,进行迁移学习建模以获得销量预测模型。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于,具体步骤如下所示:
S1:以指定粒度计算出衍生指标群,得到样本集Smp;此处,衍生指标群为建模数据指标,也是可理解的时序指标如:去年同比、环比、同比增速、趋势值、区域人均GDP、区域居住人口数量等,这些指标根据所需建模对象、所属行业特点、所能获取到的基准数据内容有关,其计算法则可根据该行业的额定/规定的规则进行;
S2:以区域+SKU计算时序特征指数;此处时序特征指数即为传统的季节指数,在本发明中将该指数的结果作为模型中的输入维度之一,其计算规则为传统规则,如:采用EXCEL、SPSS、R、PYTHON等分析工具也可进行计算;
S3:计算每个区域+SKU的时序特征指数与其他区域+SKU的时序特征指数的相似度;
S4:计算产生供迁移学习的拓展迁移样本;
S5:设原指标集为原始源域样本DataS,ExtObjList_SmpTr为拓展迁移样本,合成的迁移源域样本为:Smp_Tr=DataS∪ExtObjList_SmpTI;
Smp=Smp_Tr;
S6:将S3-S5中每个样本集Smp叠加,形成KNN叠加样本;
S7:在样本集中,以指定指标Dim作为因变量、Train_Y为预测目标,使用随机森林训练建模,得到Train_Y=F(Dim)。此处,Dim代表每条记录中的维度信息,例如:输入的数据列中的建模用数据指标,该指标可以根据建模的需要进行选择和指定;
Train_Y即为目标预测的那个月份的效量,一般为下个月销量。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:所述时序特征指数为季节指数。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:所述S3中相似度包括皮尔逊系数和距离系数。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:所述S3中相似度的具体计算方法如下:
Sim=1–R
其中,Fs为源域中观测对象的时序特征指数;
Ft为源域中的候选对象的时序特征指数为;
n为时序特征指数的指数数量。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:所述S4中拓展迁移样本的计算方法为:针对每个区域+SKU的时序特征指数,S4-1.筛选出和该对象相似度满足特定的Sim和D值范围的所有对象集Obj,并将其加入到拓展的Lookalike对象池ExtObj中;
S4-2.将每个Obj对应的若干条指标集,加入到拓展的Lookalike对象样本池ExtObjList_SmpTr中。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:Sim<指定数值I且D<=指定数值II;
其中,所述指定数值I选自0-0.50中的任一数值。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:F(Sim,D)->Max。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:将S7中的样本集划分为测试集和训练集;
其中,训练集用于训练模型,测试集用于对模型进行评估。
进一步地,本发明提供的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:将训练获得的模型,使用测试集数据进行预测,F(Dim)=Data_Y。
发明的作用和效果:
本发明通过KNN的时序迁移思想,以Lookalike作为KNN的的轮廓范围识别基准,计算获得具有相似季节指数的对象集作为可识别对象群,将包含可识别对象群的所有指标集作为迁移样本,通过使用Random Forest Tree模型,进行迁移学习建模,获得的模型预测准确率和未进行任何迁移学习计算所得的预测准确率进行比对,在一定程度上提升了预测准确率。
具体实施方式
本实施例以某一国际品牌快消品的历史订单销量数据为背景,引入基于KNN的时序迁移学习,通过这种协同互助的数据带动方式,进一步提高模型销量预测的准确率。
一、数据处理
已有的实验数据为:某啤酒商在2012.01—2017.12期间发生的的销量订单记录;以2010.01—2017.08的销量记录作为测试样本,预测2017.09的销量。按表1方式通过计算获得衍生指标:
上表中包含了本次模型建立所依托的数据内容,在实际的模型建立过程中,根据不同数据源、不同商品属性、不同行业特点,均可选用具有其行业特征的数据集合来作为模型基准数据。
二、基于KNN的时序迁移学习
2.1、时序迁移单元
将源域数据集DataT的每个对象作为种子数据,针对每个种子数据为基础扩展时序相似对象——即从源域中筛选出与当前种子时序特征最相似的对象,并将筛选出的每个相似对象下的所有记录集DataSi_Similar,均纳入到迁移样本Smp_Tr中,直到(其中:q为源域中对象总个数)。Smp_Tr便是经过负迁移处理后的数据集。
迁移样本由如下两部分组成:
其中:DataT为目标域数据集;
DataSi_Similar为与目标数据源相似的源域中的数据集
q为源域中对象数量
相似度计算指标:
Sim=1–R (1)
本实施例通过在源域中每个对象的时序指数,计算得到的时序特征因子,使用上述公式计算对象间的时序相似度距离。
其中:源域中观测对象的时序指数为:FS=Fs1,Fs2,......Fsn n为时序指数的指数数量;
源域中的候选对象的时序指数为:FT=Ft1,Ft2,......Ftn n为时序指数的指数数量
2.2、基于KNN的时序迁移学习
基于2.1中时序迁移单元的叠加,形成迁移样本群。
三、基于KNN的时序迁移学习的方法
Step1:按表1中指定粒度计算出衍生指标群,得到样本集Smp,若需要进行基于KNN的时序迁移学习则转Step2;若需要原始建模则转Step6;
Step2:按区域+SKU计算时序特征指数(即:季节指数);
Step3:按每个区域+SKU的时序特征指数根据公式(1)、(2)计算和其他区域+SKU时序特征指数的相似度;
Step4:计算产生供迁移学习的拓展样本步骤如下:
针对每个区域+SKU,均做如下操作:
Step4.1:筛选出和该对象相似度满足Sim<0.15and D<=0.093的所有对象集Obj,加入到拓展的Lookalike对象池——ExtObj中;同时将每个Obj对应的若干条指标集,加入拓展到Lookalike对象样本池——ExtObjList_SmpTr中;
Step4.2:待所有对象都完成Step4.1操作,则转入Step5;否则仍继续执行Step4.1;
Step5:设原指标集为原始源域样本(DataS),ExtObjList_SmpTr为拓展迁移样本,则合成的迁移源域样本为:Smp_Tr=DataS∪ExtObjList_SmpTrI;
Smp=Smp_Tr
Step6:上述Step3-Step5中,每个Smp的叠加,形成KNN叠加样本;
Step7:将样本集划分成TrainSmp(75%)、和测试集TestSmp(25%);
Step8:模型训练在训练集TrainSmp中,以表1中指定指标Dim作为因变量、Train_Y为预测目标,使用随机森林训练建模,得到Train_Y=F(Dim);然后在TestSmp中,对所得的模型进行评估;
Step9:将Step8训练获得的模型,使用测试集TestSmp数据进行预测,F(Dim)=Data_Y。
四、根据待预测对象,使用已经训练好的模型预测销量
使用上述2、3构建好的模型,对预测对象进行预测,获得销量预测结果。
将无迁移学习过程(即、同样采用随机森林训练建模的模型,其所采用的数据源未经迁移学习过程获得)获得的模型与含迁移学习过程获得的模型,进行预测,其预测结果如下表(基于KNN的时序迁移学习实验效果比对表)所示:
从上表可以发现,引入基于KNN的时序迁移学习后,通过这种协同互助的数据带动方式,能够有效提高模型销量预测的准确率。
Claims (10)
1.一种基于KNN的时序迁移学习的销量预测方法,其特征在于:以Lookalike作为KNN的轮廓范围识别基准,计算获得具有相似时序特征指数的对象集作为可识别对象群,将包含可识别对象群的所有指标集作为迁移样本,通过使用随机森林Random Forest Tree模型,进行迁移学习建模以获得销量预测模型。
2.如权利要求1所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于,具体步骤如下所示:
S1:以指定粒度计算出衍生指标群,得到样本集Smp;
S2:以区域+SKU计算时序特征指数;
S3:计算每个区域+SKU的时序特征指数与其他区域+SKU的时序特征指数的相似度;
S4:计算产生供迁移学习的拓展迁移样本;
S5:设原指标集为原始源域样本DataS,ExtObjList_SmpTr为拓展迁移样本,合成的迁移源域样本为:Smp_Tr=DataS∪ExtObjList_SmpTr;
Smp=Smp_Tr;
S6:将S3-S5中每个样本集Smp叠加,形成KNN叠加样本Smp_KNN;
S7:在叠加样本Smp_KNN中,以指定指标Dim作为因变量、Train_Y为预测目标,使用随机森林训练建模,得到Train_Y=F(Dim)。
3.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:
所述时序特征指数为季节指数序列。
4.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:
所述S3中相似度包括皮尔逊系数和距离系数。
6.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:
所述S4中拓展迁移样本的计算方法为:针对每个区域+SKU的时序特征指数,
S4-1.筛选出和该对象相似度满足特定的Sim和D值范围的所有对象集Obj,并将其加入到拓展的Lookalike对象池ExtObj中;
S4-2.将每个Obj对应的若干条指标集,加入到拓展的Lookalike对象样本池ExtObjList_SmpTr中。
7.如权利要求6所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:
F(Sim,D)->Max。
8.如权利要求6所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:
Sim<指定数值I且D<=指定数值II;
其中,所述指定数值I选自0-0.50中的任一数值。
9.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:
将S7中的样本集划分为测试集和训练集;
其中,训练集用于训练模型,测试集用于对模型进行评估。
10.如权利要求9所述的一种基于KNN的时序迁移学习的销量预测方法,其特征在于:
将训练获得的模型,使用测试集数据进行预测,F(Dim)=Data_Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010247.3A CN112150201A (zh) | 2020-09-23 | 2020-09-23 | 基于knn的时序迁移学习在销量预测中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010247.3A CN112150201A (zh) | 2020-09-23 | 2020-09-23 | 基于knn的时序迁移学习在销量预测中的应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112150201A true CN112150201A (zh) | 2020-12-29 |
Family
ID=73896194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011010247.3A Pending CN112150201A (zh) | 2020-09-23 | 2020-09-23 | 基于knn的时序迁移学习在销量预测中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150201A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734494A (zh) * | 2021-01-18 | 2021-04-30 | 深圳市轱辘车联数据技术有限公司 | 一种销量预测方法、装置、终端设备及可读存储介质 |
CN114048927A (zh) * | 2022-01-11 | 2022-02-15 | 北京京东振世信息技术有限公司 | 需求量预测方法、装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039979A1 (en) * | 2012-08-01 | 2014-02-06 | Opera Solutions, Llc | System and Method for Demand Forecasting |
CN104616031A (zh) * | 2015-01-22 | 2015-05-13 | 哈尔滨工业大学深圳研究生院 | 迁移学习方法及装置 |
WO2017090194A1 (ja) * | 2015-11-27 | 2017-06-01 | 富士通株式会社 | リスク評価方法、リスク評価プログラム及び情報処理装置 |
CN106815643A (zh) * | 2017-01-18 | 2017-06-09 | 中北大学 | 基于随机森林迁移学习的红外光谱模型传递方法 |
WO2017131696A1 (en) * | 2016-01-28 | 2017-08-03 | Entit Software Llc | Database server to predict sales |
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 |
CN108491891A (zh) * | 2018-04-04 | 2018-09-04 | 桂林电子科技大学 | 一种基于决策树局部相似性的多源在线迁移学习方法 |
CN109360022A (zh) * | 2018-10-15 | 2019-02-19 | 广东工业大学 | 一种基于数据挖掘的商场商品销量预测方法、装置及设备 |
CN109558992A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的销售峰值预测方法、装置、设备及存储介质 |
CN110634027A (zh) * | 2019-09-18 | 2019-12-31 | 创络(上海)数据科技有限公司 | 一种基于迁移学习的首次订购用户精细化流失预判方法 |
EP3686750A1 (en) * | 2019-01-23 | 2020-07-29 | Accenture Global Solutions Limited | Data migration |
-
2020
- 2020-09-23 CN CN202011010247.3A patent/CN112150201A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039979A1 (en) * | 2012-08-01 | 2014-02-06 | Opera Solutions, Llc | System and Method for Demand Forecasting |
CN104616031A (zh) * | 2015-01-22 | 2015-05-13 | 哈尔滨工业大学深圳研究生院 | 迁移学习方法及装置 |
WO2017090194A1 (ja) * | 2015-11-27 | 2017-06-01 | 富士通株式会社 | リスク評価方法、リスク評価プログラム及び情報処理装置 |
WO2017131696A1 (en) * | 2016-01-28 | 2017-08-03 | Entit Software Llc | Database server to predict sales |
CN106815643A (zh) * | 2017-01-18 | 2017-06-09 | 中北大学 | 基于随机森林迁移学习的红外光谱模型传递方法 |
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 |
CN108491891A (zh) * | 2018-04-04 | 2018-09-04 | 桂林电子科技大学 | 一种基于决策树局部相似性的多源在线迁移学习方法 |
CN109360022A (zh) * | 2018-10-15 | 2019-02-19 | 广东工业大学 | 一种基于数据挖掘的商场商品销量预测方法、装置及设备 |
CN109558992A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的销售峰值预测方法、装置、设备及存储介质 |
EP3686750A1 (en) * | 2019-01-23 | 2020-07-29 | Accenture Global Solutions Limited | Data migration |
CN110634027A (zh) * | 2019-09-18 | 2019-12-31 | 创络(上海)数据科技有限公司 | 一种基于迁移学习的首次订购用户精细化流失预判方法 |
Non-Patent Citations (3)
Title |
---|
何海洪;余军合;许立波;李兴森;: "基于可拓聚类的服装需求预测方法", 计算机应用与软件, no. 05 * |
武玉英等: "基于迁移学习的新产品销量预测模型", 系统工程, vol. 36, no. 6 * |
闻克宇;赵国堂;何必胜;马剑;: "基于改进迁移学习的高速铁路短期客流时间序列预测方法", 系统工程, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734494A (zh) * | 2021-01-18 | 2021-04-30 | 深圳市轱辘车联数据技术有限公司 | 一种销量预测方法、装置、终端设备及可读存储介质 |
CN114048927A (zh) * | 2022-01-11 | 2022-02-15 | 北京京东振世信息技术有限公司 | 需求量预测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarkar et al. | A cooperative advertising collaboration policy in supply chain management under uncertain conditions | |
Cheriyan et al. | Intelligent sales prediction using machine learning techniques | |
Tavana et al. | A two-stage data envelopment analysis model for measuring performance in three-level supply chains | |
Gazoli de Oliveira et al. | Productivity improvement through the implementation of lean manufacturing in a medium-sized furniture industry: A case study | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
CN112150201A (zh) | 基于knn的时序迁移学习在销量预测中的应用 | |
Shafiee et al. | A mixed integer bi-level DEA model for bank branch performance evaluation by Stackelberg approach | |
CN109727078A (zh) | 一种基于商品类别树的销量预测修正方法 | |
CN109360022A (zh) | 一种基于数据挖掘的商场商品销量预测方法、装置及设备 | |
Hsiao et al. | Measuring the relative efficiency of IC design firms using the directional distance function and a meta-frontier approach | |
Cho et al. | The effect of the Korean robot act on the Korean robotics industry and its implications | |
CN111008861A (zh) | 基于智能预测的商品在线交易系统及方法 | |
CN115470705A (zh) | 基于ai算法的智能业务建模方法 | |
CN114549035A (zh) | 一种基于电信大数据的理财用户精准获客标签构建方法 | |
Kozonogova et al. | Computer visualization of the identify industrial clusters task using GVMap | |
Tran | Applying grey system theory to forecast the total value of importsand exports of top traded commodities in Taiwan | |
Kompil et al. | Modeling the spatial consequences of retail structure change of Izmir-Turkey: a quasi empirical application of spatial interaction model | |
Amrutkar et al. | Sales Prediction Using Machine Learning Techniques | |
Van Calster et al. | Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective | |
Jacobo | A Multi-Time-Scale Analysis of Economic Growth and Cycles | |
OZSAGLAM | Data mining techniques for sales forecastings | |
Vedernikov et al. | Analysis of competitive behavior strategies in the Russian banking industry | |
Lam et al. | The trends in construction output forecasting studies over the last 25 years | |
Medina et al. | Inventory Management Model Applying Cyclic Counting by ABC-AHP Classification in a Laboratory Equipment Distribution Company | |
Saini et al. | Demand and Supply Forecast using Hybridization Machine and Deep Learning |
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 |