CN112561551A - 用于优化对象预测的方法、设备和存储介质 - Google Patents

用于优化对象预测的方法、设备和存储介质 Download PDF

Info

Publication number
CN112561551A
CN112561551A CN201910918057.2A CN201910918057A CN112561551A CN 112561551 A CN112561551 A CN 112561551A CN 201910918057 A CN201910918057 A CN 201910918057A CN 112561551 A CN112561551 A CN 112561551A
Authority
CN
China
Prior art keywords
predictor
objects
characteristic data
group
library
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
CN201910918057.2A
Other languages
English (en)
Inventor
刘汝杰
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.)
Fujitsu Ltd
Original Assignee
Fujitsu 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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to CN201910918057.2A priority Critical patent/CN112561551A/zh
Priority to US16/851,759 priority patent/US20210097557A1/en
Priority to JP2020109822A priority patent/JP2021057010A/ja
Publication of CN112561551A publication Critical patent/CN112561551A/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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Discrete Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种用于优化对象预测的方法和设备以及存储介质。该方法包括：对多个对象进行分组，其中每组对象具有相似的特性；针对每组对象分别构建预测器库；基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。

Description

用于优化对象预测的方法、设备和存储介质
技术领域
本公开内容涉及需求预测的领域，并且具体地涉及优化对产品需求的预测的方法。
背景技术
销量预测是企业管理决策的重要依据，是合理控制库存、制定运输计划和整个供应链优化的前提。精确的销量预测，可以指导后端运营提前进行合理的资源配置和优化，避免浪费或者出现瓶颈。比如，提前进行呼叫中心、物流中心的建设，提前储备呼叫中心员工，提前进行包装、耗材的采购与备货等。产品销量的预测精度是影响企业运营效率的主要因素，如果预测的精度高，则即便反应链的反应速度不够快，也能实现库存与资金的高周转。采购管理、补货管理、销售管理等的基础便是销售预测。
销量预测对于企业运营有至关重大的指导意义，包括：指导后端运营提前进行合理的资源匹配和优化，避免浪费或出现瓶颈；让工厂计划和运作更加高效(例如，可减少供不应求时的原材料短缺情况，提高资产利用率等)；对顾客或市场的反应更加灵敏，让厂商有更多的机会卖出更多的产品；对成品库存进行更好的规划和控制，防止缺货或者库存过高。
销售预测需以具体产品为预测对象，例如经销商所销售的商品、或者工厂所生产的产品等。随着经济的发展，产品品类变得更加多元化，产品矩阵也变得更加复杂，因此，对销量预测的需求也越来越迫切，而销售预测的难度也越来越大。此外，企业还需考虑各种节日与消费热点对销售的影响，以及市面上花样层出的上新计划与促销，这些因素进一步提升了销售预测的难度。
依照核心流程，销量预测系统可分为以时间序列为主、和以机器学习算法为主两种。
前者对时间排列的系列数据进行分析，通过曲线拟合和参数估计来建立数学模型、预测未来趋势。这种方法统计性味浓，对数据量积累的要求高，且当数据趋势性不明显时预测效果会很差，传统销售预测系统中多是运用了此种流程。
以机器学习算法为主的销售预测则通过假设与算法，使模型具备自我改进的能力，且对数据量要求较低。此种系统是当下的流行，在百威英国、蒙牛等大企业中均有应用。然而，由于机器学习具有场景局限性，而且预测是基于因素间的相关关系而不是因果，这种系统也存在着不足。
发明内容
在下文中给出了关于本公开内容的简要概述，以便提供关于本公开内容的某些方面的基本理解。应当理解，这个概述并不是关于本公开内容的穷举性概述。它并不是意图确定本公开内容的关键或重要部分，也不是意图限定本公开内容的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
根据本发明的一个方面，提供了一种优化对象预测的方法，包括：对多个对象进行分组，其中每组对象具有相似的特性；针对每组对象分别构建预测器库；基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
根据本发明的另一个方面，提供了一种用于优化对象预测的设备，包括：分组装置，其被配置成对多个对象进行分组，其中每组对象具有相似的特性；构建装置，其被配置成针对每组对象分别构建预测器库；确定装置，其被配置成基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和更新装置，其被配置成利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
根据本发明的其它方面，还提供了相应的计算机程序代码、计算机可读存储介质和计算机程序产品。
通过本发明的对象预测方法和设备，使得加快了预测速度并且提高了预测准确度，从而节约了库存成本。
通过以下结合附图对本发明的优选实施方式的详细说明，本发明的这些以及其他优点将更加明显。
附图说明
为了进一步阐述本公开内容的以上和其它优点和特征，下面结合附图对本公开内容的具体实施方式作进一步详细的说明。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。具有相同的功能和结构的元件用相同的参考标号表示。应当理解，这些附图仅描述本公开内容的典型示例，而不应看作是对本公开内容的范围的限定。在附图中：
图1示意性地示出了根据本发明的预测方法；
图2是根据实施方式的用于优化对象预测的方法200的流程图；
图3示例性地示出了四种商品在过去两年内的销量曲线；
图4示例性地示出了聚类结果的曲线图；
图5是根据实施方式的用于优化对象预测的设备500的框图；和
图6是其中可以实现根据本发明的实施方式的方法和/或设备的通用个人计算机的示例性结构的框图。
具体实施方式
在下文中将结合附图对本公开的示范性实施方式进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施方式的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与根据本公开的方案密切相关的设备结构和/或处理步骤，而省略了与本公开关系不大的其他细节。
众所周知，库存管理是一项重要的技术，其直接影响企业的盈利和客户服务水平。有效的库存管理需要存货水平与客户服务水平之间的良好折衷。已经针对库存管理构建了大型全球市场。根据美国咨询公司IHL集团的2015年的报告，全球零售商每年在库存管理方面损失大约1.75万亿美金(库存过剩、缺货和不需要的退还方面的成本)，这高达收益的11.7％。另一方面，哈克特集团(Hackett Group)于2017年的调查表明，在1000个最大的美国总部公司中，库存产品占用了4120亿美金的营运资金。
当前存货管理中存在的一个主要问题是由于缺乏准确的需求信息所导致的。也就是说，如果对产品的未来需求是未知的，那么应在存货中保存多少产品是不确定的，这导致缺货或库存过剩。目前，对于产品的未来需求通常是凭个人经验来确定的，也就是说专家按照历史需求数据来估计需求。然而，仓库最小保存单元(SKU，stock keep unit)的数目通常很大，例如成千上万个SKU，这使得凭人工逐个估计未来需求是不可行的。
本发明通过提出一种预测多个对象(产品)的未来需求的方法而克服或减轻了上述缺陷。
简言之，根据本发明的预测方法包括以下阶段：1)将N个对象分成k组，每组中的对象具有相似的特性；2)针对每组对象构建一个包括M个预测器的预测器库；3)针对每个对象选择一个性能最佳的预测器作为默认预测器；和4)动态地更新用于每个对象的最佳预测器。图1示意性地示出了上述四个阶段。
下面将结合图2来详细描述根据实施方式的用于优化对象预测的方法200。
方法200开始于步骤201。在步骤201中，对多个对象进行分组，其中每组对象具有相似的特性。在本实施方式中，对象可以是产品，例如服务或物品。
根据一个实施方式，取决于不同的应用领域，可以基于物理属性来对对象分组。例如，可以将超市中的清洁类产品分成一组，而将烹饪食品类产品分成另一组。例如，可以将在线教育类产品分成一组，而将在线咨询类产品分成另一组。
根据另一个实施方式，可以基于对象的历史需求来对对象进行分组。应理解，对象的历史需求是指对象的历史销量特性。例如，可以基于超市中的商品的历史销量特性，来对商品的下周销量、工厂产品的下一季订购量等等来进行分组。对于超市来说，如果给出了商品的未来销量的准确数目(超市通常拥有数以万计的商品，包括日用品、食品等)，那么就可以准确地从供货商安排订购，从而减少资金占用和库存成本。下面结合图3和图4详细描述根据本实施方式的分组方案。
应指出，为了获得对象的未来销量，输入信息是对象的历史销量。例如，给出产品在过去12个月内的销量，那么输出信息就是该产品在下个月的销量。输入信息和输出信息可以例如总结如下：给定一组N个对象X1,…XN，过去t个时段内的历史销量数据Xi＝Xi,1,…Xi,t，其中i＝1，…N对应于对象，并且每个Xi是t维向量。时段可以例如是一天、一星期、一个月等等，这取决于不同的应用。目标是预测在第t+1个时段的销量，即Xi,t+1。
为了进行分组，可以采用聚类策略，该策略测量向量的相似性并且将N个向量分为K个组。
由于季节性效应和周期性因素，一些方法可以被设计成达到平移不变性。例如，给定具有如下历史数据的两个产品：
产品1：[30 40 50 60 70 60 50 40]
产品2：[70 60 50 40 30 40 50 60]
这两个产品具有完全相同的特性，但是数据在时域中存在一些平移。因此，可以将这两个产品分成一组。
为此，首先对原始数据进行快速傅里叶(FFT)变换，然后针对聚类中的相似性计算使用频域中的幅值。
在上述示例中，产品1和产品2的历史数据的值是相同的。在另一个示例中，也可以提供具有相似值的历史数据：
产品1：[32 40 47 59 73 61 50 42]
产品2：[70 60 50 40 30 40 50 60]
可以看到，在该示例中，产品1的历史数据的值与产品2存在一些偏差。只要该偏差在阈值以内，仍可以将它们分成一组。该阈值可以凭经验设定或根据需要来设定。
为了便于理解上述分组方案，图3示例性地示出了四种商品在过去两年内的销量曲线。在图3中，带星号的曲线表示原始销量，而带圆圈的曲线表示平滑后的销量。从图3可以看出，这些商品的历史销售数据具有十分相似的特性，即在年初和年终销量相对较低，而在年中阶段销量较高。图4示例性地示出了一个聚类结果的曲线图，其中，每条曲线表示一种商品在过去24个月的历史销售数据。
通过上述的分组方案，将销量数据看为一个多维向量(例如：考虑12个月的历史销售数据，则为12维的向量)；然后，计算这些向量的FFT变换，并提取傅里叶变换的幅值作为特征；最后，基于这些特征进行聚类分析，就能将具有相似销售特性的商(产)品聚集在一起，即分组。通过将具有相似特性的对象分成一组来进行相同的处理，能够提高预测准确度。
应理解，本发明不限于以上介绍的两种分组方案。本领域技术人员可以设想任何其他合适的分组方案。
接着，在步骤202中，针对每组对象分别构建预测器库。具体地，在本实施方式中，针对k组中的每一组中的若干产品，基于这些产品的历史需求数据来训练预测器。预测器可以例如是线性回归、回归树、随机预测、支持向量回归等等。
然后，在步骤203中，基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器。具体地，在本实施方式中，在对预测器进行训练之前，对产品的历史数据(需求或销量)进行预处理，这是因为不同产品的历史数据的长度可能也不相同。例如，产品A的历史数据可能是从2015年1月开始的，而产品B的历史数据可能是从2016年3月开始的。在多数情况下，无法用不同维度的输入数据来构建预测器模型。
为此，在一个实施方式中，可以例如使用滑窗来将每个产品的原始数据转换为固定长度的数据。例如，给定产品A的月度历史数据是从2015年1月至2019年5月，而用于构建预测器模型的数据的目标长度是12，也就是说使用过去1年内的数据来预测未来需求。通过使用滑窗，第一数据向量将是从2015年1月至2015年12月，而第二数据向量从2015年2月至2016年1月，直到最后一个数据向量从2018年6月至2019年5月。在滑窗操作之后，可以使用所有数据向量来训练(构建)预测器模型。
在构建预测器之后，每组产品拥有M个预测器。针对每组中的每个产品找到最佳的预测器，从而构建每个组中的产品与预测器之间的对应性。也就是说，每个产品拥有一个默认的最佳预测器。例如，在组k中，与产品XK,1对应的最佳预测器是模型M。而与产品XK,2对应的最佳预测器是模型2，等等。
用于每个产品的默认最佳预测器可以通过例如以下方式找到。假设目标是在当前时间点t预测在时间t+1的量。在这种情况下，时间t的真值是已知的。因此，可以计算所有预测器在时间点t-1针对时间t进行预测时的预测准确度，并且将预测准确度最高的预测器用作对应产品的默认最佳预测器。
应理解，上述步骤201至203是离线实现的，即预训练阶段。
最后，在步骤204中，利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
与步骤201至203不同，步骤204是一个在线过程。
已知地，产品的需求是一直随时间变化的，例如从上升趋势变成下滑趋势。因此，针对每个产品在当前时间确定的最佳预测器不一定是下一时间段内的最佳预测器。为此，需要更新每个产品的默认预测器。
应理解，默认预测器的更新可以以与上述确定初始最佳预测器相同的方式实现，即将每组产品的预测器库中的在时间t-1的预测准确度最高的那个预测器确定为要针对时间t+1进行预测的新的最佳预测器。
通过动态地更新每个对象的最佳预测器，使得进一步提高了预测准确度。
以上所讨论的方法可以完全由计算机可执行的程序来实现，也可以部分地或完全地使用硬件和/或固件来实现。当其用硬件和/或固件实现时，或者将计算机可执行的程序载入可运行程序的硬件设备时，则实现了下文将要描述的用于优化对象预测的设备。下文中，在不重复上文中已经讨论的一些细节的情况下给出这些设备的概要，但是应当注意，虽然这些设备可以执行前文所描述的方法，但是所述方法不一定采用所描述的设备的那些部件或不一定由那些部件执行。
图5示出了根据实施方式的用于优化对象预测的设备500，其包括分组装置501、构建装置502、确定装置503和和更新装置504。其中，分组装置501用于对多个对象进行分组，其中每组对象具有相似的特性；构建装置502用于针对每组对象分别构建预测器库；确定装置503用于基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；以及更新装置504用于利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
图5所示的用于优化对象预测的设备500对应于图2所示的方法200。因此，用于优化对象预测的设备500中的各装置的相关细节已经在对图2的用于优化对象预测的方法200的描述中详细给出，在此不再赘述。
上述装置中各个组成模块、单元可通过软件、固件、硬件或其组合的方式进行配置。配置可使用的具体手段或方式为本领域技术人员所熟知，在此不再赘述。在通过软件或固件实现的情况下，从存储介质或网络向具有专用硬件结构的计算机(例如图6所示的通用计算机600)安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等。
图6是其中可以实现根据本发明的实施方式的方法和/或设备的通用个人计算机的示例性结构的框图。如图6所示，中央处理单元(CPU)601根据只读存储器(ROM)602中存储的程序或从存储部分608加载到随机存取存储器(RAM)603的程序执行各种处理。在RAM 603中，也根据需要存储当CPU 601执行各种处理等等时所需的数据。CPU 601、ROM 602和RAM603经由总线604彼此连接。输入/输出接口605也连接到总线604。
下述部件连接到输入/输出接口605：输入部分606(包括键盘、鼠标等等)、输出部分607(包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等)、存储部分608(包括硬盘等)、通信部分609(包括网络接口卡比如LAN卡、调制解调器等)。通信部分609经由网络比如因特网执行通信处理。根据需要，驱动器610也可连接到输入/输出接口605。可移除介质611比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器610上，使得从中读出的计算机程序根据需要被安装到存储部分608中。
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可移除介质611安装构成软件的程序。
本领域的技术人员应当理解，这种存储介质不局限于图6所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可移除介质611。可移除介质611的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 602、存储部分608中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
本发明还提出了相应的计算机程序代码、一种存储有机器可读取的指令代码的计算机程序产品。所述指令代码由机器读取并执行时，可执行上述根据本发明实施方式的方法。
相应地，被配置为承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。所述存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
通过以上描述，本公开的实施方式提供了以下的技术方案，但不限于此。
附记1.一种用于优化对象预测的方法，包括：
对多个对象进行分组，其中每组对象具有相似的特性；
针对每组对象分别构建预测器库；
基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和
利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
附记2.根据附记1的方法，其中，所述的确定初始的对应预测器包括利用每组中的每个对象的历史特性数据来训练与该组对象相关的预测器库，以获得每个对象初始的对应预测器。
附记3.根据附记1或2的方法，其中，所述的构建预测器库包括基于每组对象的相似的特性来选取一个或更多个合适的预测器。
附记4.根据附记1或2的方法，其中，所述对象是物品或服务，并且所述相似的特性是指所述物品或服务的历史需求量曲线在时域中呈现相似的形状。
附记5.根据附记4的方法，其中，所述历史需求量曲线是通过对所述物品或服务的历史需求量数据进行快速傅里叶变换得到的。
附记6.根据附记1或2的方法，其中，所述对象是物品或服务，所述相似的特性是指所述物品或服务具有相同的应用类别。
附记7.根据附记1或2的方法，其中，所述初始的对应预测器是所述预测器库中的用于相关对象的最佳预测器。
附记8.根据附记1或2的方法，其中，所述对象是物品或服务，并且所述随时间变化的特性数据是所述物品或服务的需求量数据。
附记9.根据附记1或2的方法，其中，利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器包括：
将所述预测器库中的在当前时段内对每个对象的预测结果与该对象在当前时段内的特性数据最匹配的那个预测器用作该对象在下一时段内的对应预测器。
附记10.根据附记1或2的方法，其中，基于聚类策略对所述多个对象进行分组。
附记11.一种用于优化对象预测的设备，包括：
分组装置，其被配置成对多个对象进行分组，其中每组对象具有相似的特性；
构建装置，其被配置成针对每组对象分别构建预测器库；
确定装置，其被配置成基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和
更新装置，其被配置成利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
附记12.根据附记11的设备，其中，所述确定装置还被配置成利用每组中的每个对象的历史特性数据来训练与该组对象相关的预测器库，以获得每个对象初始的对应预测器。
附记13.根据附记11或12的设备，其中，所述构建装置还被配置成基于每组对象的相似的特性来选取一个或更多个合适的预测器。
附记14.根据附记11或12的设备，其中，所述对象是物品或服务，并且所述相似的特性是指所述物品或服务的历史需求量曲线在时域中呈现相似的形状。
附记15.根据附记14的设备，其中，所述历史需求量曲线是通过对所述物品或服务的历史需求量数据进行快速傅里叶变换得到的。
附记16.根据附记11或12的设备，其中，所述对象是物品或服务，所述相似的特性是指所述物品或服务具有相同的应用类别。
附记17.根据附记11或12的设备，其中，所述初始的对应预测器是所述预测器库中的用于相关对象的最佳预测器。
附记18.根据附记11或12的设备，其中，所述对象是物品或服务，并且所述随时间变化的特性数据是所述物品或服务的需求量数据。
附记19.根据附记11或12的设备，其中，所述更新装置还被配置成将所述预测器库中的在当前时段内对每个对象的预测结果与该对象在当前时段内的特性数据最匹配的那个预测器用作该对象在下一时段内的对应预测器。
附记20.一种计算机可读存储介质，所述计算机可读存储介质存储有能够由处理器运行来执行以下操作的程序：
对多个对象进行分组，其中每组对象具有相似的特性；
针对每组对象分别构建预测器库；
基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和
利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
最后，还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上虽然结合附图详细描述了本发明的实施方式，但是应当明白，上面所描述的实施方式只是被配置为说明本发明，而并不构成对本发明的限制。对于本领域的技术人员来说，可以对上述实施方式作出各种修改和变更而没有背离本发明的实质和范围。因此，本发明的范围仅由所附的权利要求及其等效含义来限定。

Claims (10)

1.一种用于优化对象预测的方法，包括：
对多个对象进行分组，其中每组对象具有相似的特性；
针对每组对象分别构建预测器库；
基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和
利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
2.根据权利要求1所述的方法，其中，所述的确定初始的对应预测器包括利用每组中的每个对象的历史特性数据来训练与该组对象相关的预测器库，以获得每个对象初始的对应预测器。
3.根据权利要求1或2所述的方法，其中，所述的构建预测器库包括基于每组对象的相似的特性来选取一个或更多个合适的预测器。
4.根据权利要求1或2所述的方法，其中，所述对象是物品或服务，并且所述相似的特性是指所述物品或服务的历史需求量曲线在时域中呈现相似的形状，其中，所述历史需求量曲线是通过对所述物品或服务的历史需求量数据进行快速傅里叶变换得到的。
5.根据权利要求1或2所述的方法，其中，所述对象是物品或服务，并且所述相似的特性是指所述物品或服务具有相同的应用类别。
6.根据权利要求1或2所述的方法，其中，所述初始的对应预测器是所述预测器库中的用于相关对象的最佳预测器。
7.根据权利要求1或2所述的方法，其中，所述对象是物品或服务，并且所述随时间变化的特性数据是所述物品或服务的需求量数据。
8.根据权利要求1或2所述的方法，其中，利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器包括：
将所述预测器库中的在当前时段内对每个对象的预测结果与该对象在当前时段内的特性数据最匹配的那个预测器用作该对象在下一时段内的对应预测器。
9.一种用于优化对象预测的设备，包括：
分组装置，其被配置成对多个对象进行分组，其中每组对象具有相似的特性；
构建装置，其被配置成针对每组对象分别构建预测器库；
确定装置，其被配置成基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和
更新装置，其被配置成利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有能够由处理器运行来执行以下操作的程序：
对多个对象进行分组，其中每组对象具有相似的特性；
针对每组对象分别构建预测器库；
基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和
利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。
CN201910918057.2A 2019-09-26 2019-09-26 用于优化对象预测的方法、设备和存储介质 Pending CN112561551A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910918057.2A CN112561551A (zh) 2019-09-26 2019-09-26 用于优化对象预测的方法、设备和存储介质
US16/851,759 US20210097557A1 (en) 2019-09-26 2020-04-17 Method and apparatus for optimizing object prediction and storage medium
JP2020109822A JP2021057010A (ja) 2019-09-26 2020-06-25 オブジェクト予測の最適化方法、装置及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910918057.2A CN112561551A (zh) 2019-09-26 2019-09-26 用于优化对象预测的方法、设备和存储介质

Publications (1)

Publication Number Publication Date
CN112561551A true CN112561551A (zh) 2021-03-26

Family

ID=75029872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910918057.2A Pending CN112561551A (zh) 2019-09-26 2019-09-26 用于优化对象预测的方法、设备和存储介质

Country Status (3)

Country Link
US (1) US20210097557A1 (zh)
JP (1) JP2021057010A (zh)
CN (1) CN112561551A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230162090A1 (en) * 2021-11-19 2023-05-25 Liveline Technologies Inc. Object-based data science platform
JP2023124238A (ja) 2022-02-25 2023-09-06 トヨタ自動車株式会社 需要予測システム、学習システム、需要予測方法、学習方法、及びプログラム

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1741053A (zh) * 2005-09-22 2006-03-01 上海交通大学 物流仓储决策支持系统
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
CN108230049A (zh) * 2018-02-09 2018-06-29 新智数字科技有限公司 订单的预测方法及系统
US20180247322A1 (en) * 2017-02-28 2018-08-30 International Business Machines Corporation Computer-based forecasting of market demand for a new product
CN108960537A (zh) * 2018-08-17 2018-12-07 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
US20180374109A1 (en) * 2017-06-26 2018-12-27 Kronos Technology Systems Limited Partnership Using machine learning to predict retail business volume
CN109376924A (zh) * 2018-10-18 2019-02-22 广东电网有限责任公司 一种物资需求预测的方法、装置、设备及可读存储介质
CN109711865A (zh) * 2018-12-07 2019-05-03 恒安嘉新（北京）科技股份公司 一种基于用户行为挖掘的移动通信网流量精细化预测的方法
CN109711606A (zh) * 2018-12-13 2019-05-03 平安医疗健康管理股份有限公司 一种基于模型的数据预测方法及装置
CN109978306A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 数据处理方法及装置
CN110135876A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 销量预测的方法及装置
CN110135907A (zh) * 2019-05-14 2019-08-16 网易无尾熊（杭州）科技有限公司 销量预测模型的建立方法、介质、装置和计算设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200184494A1 (en) * 2018-12-05 2020-06-11 Legion Technologies, Inc. Demand Forecasting Using Automatic Machine-Learning Model Selection

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1741053A (zh) * 2005-09-22 2006-03-01 上海交通大学 物流仓储决策支持系统
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
US20180247322A1 (en) * 2017-02-28 2018-08-30 International Business Machines Corporation Computer-based forecasting of market demand for a new product
US20180374109A1 (en) * 2017-06-26 2018-12-27 Kronos Technology Systems Limited Partnership Using machine learning to predict retail business volume
CN109978306A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 数据处理方法及装置
CN108230049A (zh) * 2018-02-09 2018-06-29 新智数字科技有限公司 订单的预测方法及系统
CN110135876A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 销量预测的方法及装置
CN108960537A (zh) * 2018-08-17 2018-12-07 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
CN109376924A (zh) * 2018-10-18 2019-02-22 广东电网有限责任公司 一种物资需求预测的方法、装置、设备及可读存储介质
CN109711865A (zh) * 2018-12-07 2019-05-03 恒安嘉新（北京）科技股份公司 一种基于用户行为挖掘的移动通信网流量精细化预测的方法
CN109711606A (zh) * 2018-12-13 2019-05-03 平安医疗健康管理股份有限公司 一种基于模型的数据预测方法及装置
CN110135907A (zh) * 2019-05-14 2019-08-16 网易无尾熊（杭州）科技有限公司 销量预测模型的建立方法、介质、装置和计算设备

Also Published As

Publication number Publication date
US20210097557A1 (en) 2021-04-01
JP2021057010A (ja) 2021-04-08

Similar Documents

Publication Publication Date Title
CN110392899B (zh) 用于模型生成的动态特征选择
CN113228068B (zh) 用于库存管理和优化的系统和方法
Belo-Filho et al. An adaptive large neighbourhood search for the operational integrated production and distribution problem of perishable products
US11010798B2 (en) System and method for integrating retail price optimization for revenue and profit with business rules
CN104200279B (zh) 商品首次需求预测方法和装置
US20190378061A1 (en) System for modeling the performance of fulfilment machines
CN112561551A (zh) 用于优化对象预测的方法、设备和存储介质
AU2020260401A1 (en) Prospect recommendation
CN116739217A (zh) 一种基于供应链大数据平台的零售管理方法及系统
Nasiri et al. Incorporating sales and marketing considerations into a competitive multi-echelon distribution network design problem with pricing strategy in a stochastic environment
CN113191533A (zh) 仓库用工预测方法、装置、设备及存储介质
US11379767B2 (en) Adjusting a master build plan based on events using machine learning
CN118076967A (zh) 基于优化树集成的需求模型
Sukhia et al. Introducing Economic Order Quantity Model for inventory control in web based point of sale applications and comparative analysis of techniques for demand forecasting in inventory management
Hu et al. Modelling diffusion for multi-generational product planning strategies using bi-level optimization
CN114881694A (zh) 自动补货方法、系统、电子设备、存储介质、程序产品
Pramodhini et al. E-Commerce Inventory Management System Using Machine Learning Approach
CN114971688A (zh) 一种基于组合模型的供应链生产预测方法
US12020124B2 (en) Selecting optimum primary and secondary parameters to calibrate and generate an unbiased forecasting model
Horden et al. Optimisation of promotions in the retail industry
Inyang et al. Unsupervised learning framework for customer requisition and behavioral pattern classification
US11301791B2 (en) Fulfilment machine for optimizing shipping
Tantawy et al. Applying Big Data Analytics to Retail for Improved Supply Chain Visibility
CN117541411B (zh) 一种基于大数据处理的财务预测模型的构建方法及系统
Demiriz Demand Forecasting based on Pairwise Item Associations

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