CN112669065A - 一种快消品需求预测方法、装置、计算机设备及存储介质 - Google Patents
一种快消品需求预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112669065A CN112669065A CN202011548818.9A CN202011548818A CN112669065A CN 112669065 A CN112669065 A CN 112669065A CN 202011548818 A CN202011548818 A CN 202011548818A CN 112669065 A CN112669065 A CN 112669065A
- Authority
- CN
- China
- Prior art keywords
- data
- fast
- demand
- demand data
- external environment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 235000013410 fast food Nutrition 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 239000010902 straw Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims description 2
- 235000011888 snacks Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 235000013361 beverage Nutrition 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013485 heteroscedasticity test Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 235000021485 packed food Nutrition 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 235000014101 wine Nutrition 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种快消品需求预测方法、装置、计算机设备及存储介质,该方法包括:获取快消品的历史需求数据以及对应的外部环境变量,并对历史需求数据进行数据增强处理;对历史需求数据和外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box‑Cox变换;对需求数据集进行小波分解以对需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box‑Cox变换,从而得到所述快消品的需求预测结果。本发明实施例可有效提高对于快消品需求预测的精度。
Description
技术领域
本发明涉及计算机应用技术领域,特别涉及一种快消品需求预测方法、装置、计算机设备及存储介质。
背景技术
生产需求管理对于工厂生产管理具有十分重要的影响,精准的需求预测可以在保证高服务水平的前提下,减少库存带来的积压成本和滞销风险,也有利于工厂有效地进行生产计划管理,提升企业的运营管理水平,降低企业的整体运营成本。
当前,对生产产品的需求预测具有较多方法,例如以指数平滑、移动平均、支持向量机为代表的模型,也有以RNN、LSTM为代表的神经网络模型等。这些方法从一定程度上解决了需求预测问题,但是也都存在着一定的局限性。例如以指数平滑、移动平均、支持向量机为代表的模型一般只是从数据本身出发,没有考虑外部因素或者是外部环境对产品销售自身的影响,对信息利用并不完整,同时对数据分布假设也有较强的要求,导致最终的预测结果不够可靠。而神经网络模型RNN和LSTM虽然具有针对性,但是模型本身需要大量的数据支撑,对于少样本的精准预测较为困难,而对于一些快消品,其可供参考的样本数据并不多,因此导致最终的预测结果同样不够精准。
另外,快消品在实际的产销过程中,从产品出厂最终到达消费者手中,通常需要经过多级经销商,终端消费中对产品的需求波动,经过多级经销商之后被严重放大,造成所谓的“牛鞭效应”。所以除了具有数据样本过少的特点以外,数据的高度随机性和震荡性还会使得整体数据分布具有异方差性。除此之外,由于多级供应链的影响,导致快消品的数据没有表现出明显的趋势性和周期性。
发明内容
本发明实施例提供了一种快消品需求预测方法、装置、计算机设备及存储介质,旨在提高对于快消品需求的预测精度。
第一方面,本发明实施例提供了一种快消品需求预测方法,包括:
获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理;
对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集;
对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;
对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;
将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box-Cox变换,从而得到所述快消品的需求预测结果。
第二方面,本发明实施例提供了一种快消品需求预测装置,包括:
第一获取单元,用于获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理;
第一变换单元,用于对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集;
提取单元,用于对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;
第一构建单元,用于对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;
求和单元,用于将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box-Cox变换,从而得到所述快消品的需求预测结果。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的快消品需求预测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的快消品需求预测方法。
本发明实施例提供了一种快消品需求预测方法、装置、计算机设备及存储介质,该方法包括:获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理;对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集;对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box-Cox变换,从而得到所述快消品的需求预测结果。本发明实施例通过对历史需求数据进行数据增强处理和Box-Cox变换,使经过小波分解后得到的子序列更加精准,从而提高对于快消品需求预测的精度。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种快消品需求预测方法的流程示意图;
图2为本发明实施例提供的一种快消品需求预测方法中步骤S101的子流程示意图;
图3为本发明实施例提供的一种快消品需求预测方法中步骤S102的子流程示意图;
图4为本发明实施例提供的一种快消品需求预测方法中步骤S102的另一子流程示意图;
图5为本发明实施例提供的一种快消品需求预测方法中步骤S104的子流程示意图;
图6为本发明实施例提供的一种快消品需求预测方法的网络结构示意图;
图7为本发明实施例提供的一种快消品需求预测方法中小波分解的具体示例示意图;
图8为本发明实施例提供的一种快消品需求预测装置的示意性框图;
图9为本发明实施例提供的一种快消品需求预测装置中第一获取单元801的子示意性框图;
图10为本发明实施例提供的一种快消品需求预测装置中第一变换单元802的子示意性框图;
图11为本发明实施例提供的一种快消品需求预测装置中第一变换单元802的子示意性框图;
图12为本发明实施例提供的一种快消品需求预测装置中第一构建单元804的子示意性框图。
具体实施方式
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参见图1,图1为本发明实施例提供的一种快消品需求预测方法的流程示意图,具体包括:步骤S101~S105。
S101、获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理;
S102、对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集;
S103、对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;
S104、对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;
S105、将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box-Cox变换,从而得到所述快消品的需求预测结果。
本实施例中,所述快消品即是指快速消费品(FMCG,FastMoving ConsumerGoods),是指使用寿命较短、消费速度较快的消费品。例如包装的食品、个人卫生用品、烟草及酒类和饮料等。首先获取所述快消品的历史需求数据,例如过去一段时间内的销售出库数据(需求数据)或者过往的经销商的需求数据,以及获取同时期的对所述快消品存在影响的外部环境变量。然后对所述历史需求数据依次进行数据增强处理、Box-Cox变换和小波分解,从而得到的表示快消品不同尺度特征信息的多个子序列,再根据经过预处理后的外部环境变量为每一子序列构建SARIMAX模型,并利用SARIMAX模型输出每一子序列的预测结果,将每一子序列的预测结果相加,然后对相加后的结果进行逆Box-Cox变换(即反向Box-Cox变换)即可得到最终的需求预测结果,例如未来一周的出库需求量。可以理解的是,本实施例所述的将每一子序列的预测结果相加,即是将各子序列的预测结果相加求和,所述对相加后的结果进行逆Box-Cox变换即是采用反向Box-Cox变换的方式对各子序列的预测结果相加后的结果进行计算。
结合图6,在对快消品进行需求预测时,采用DTW重心平均技术对读取的需求数据进行增强,然后检查是否存在空值,再对读取的需求数据进行预处理(Box-Cox变换),然后再对读取的需求数据中的序列进行小波分解,得到多个子序列,对各子序列进行重构,然后根据重构后的子序列以及以及特征预处理的外部影响特征构建SARIMAX模型,得到初步预测结果,在对初步预测结果进行逆Box-Cox变换,得到最终的预测结果。
举例来说,例如以快消品行业中的饮料产品为例进行分析,对于饮料类产品,其存活时间通常不长,导致可以利用的历史数据十分有限,故训练样本数据规模较小,不利于数据信息挖掘及后续的建模。因此,本实施例为了提高模型(即所述SARIMAX模型)的鲁棒性,在正式建模之前对原始数据(即所述历史需求数据)进行了数据增强,扩充样本数量,以便于构建合适的模型。同时,本实施例为了使所述历史需求数据尽可能地服从正态分布,采用Box-Cox变换来消除所述历史需求数据的异方差性,从而保证满足线性性、独立性、方差齐性以及正态性的同时又不丢失历史需求数据的信息。另外,快消品的客户需求,通常会受到诸如天气、节假日等外部特征的影响,同时又由于可能存在多级经销商,因此可能会导致所述历史需求数据和对应的外部环境变量之间会存在一定的时间错位,所以在对外部环境变量进行选取时,需要对外部环境变量在时间轴上进行一定的平移,即计算过去各时刻所对应的外部环境变量与当前需求相关系数,并选择相关系数最大的外部环境变量为最终选择的外部环境变量。
本实施例还通过引入小波分解方法对所述历史需求数据提取各个尺度上的特征信息,通过小波分析挖掘出所述历史需求数据潜在的各种信息。通过对历史需求数据进行小波分解,最初的时间序列数据会被分解成代表着不同频率尺度信息的子序列,而子序列又可以通过重构还原成最初的时间序列数据。
由于快消品可利用的历史数据有限,获取的样本数据较小,因此选择SARIMAX模型作为本实施例中的预测模型,将外部环境变量作为SARIMAX模型的输入,由SARIMAX模型输出与历史需求数据相对应的预测结果作为输出。在数据量较少的情况下,相对于其他模型来说,SARIMAX模型具有较高的稳定性和可靠性。根据本实施例提供的快消品需求预测方法,不仅可以提高快消品的需求预测精度,还可以据此为相关企业的生产安排、库存管理等提供重要的参考性信息。另外,在一具体场景中,对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列,如图7所示,其中,(a)中的原始信号(original signal)为所述需求数据集,经过小波分解后得到了3个表示快消品不同尺度特征信息的子序列,具体的,(b)中的二阶近似分量(approximated component in level 2)序列代表所述需求数据集的整体趋势信息(时域),而(c)中的一阶细节分量(detailed componentin level 1)和(d)中的二阶细节分量(detailed component in level 2)代表所述需求数据集的高阶震荡信息(频域)。
在一实施例中,如图2所示,所述步骤S101包括:步骤S201~S204。
S201、在所述历史需求数据中随机选择一个时间序列,并对所述时间序列赋予预设的第一权重,然后将所述时间序列作为第一时间序列;
S202、根据动态时间调整算法为所述第一时间序列获取距离最近的n个第二时间序列;
S203、在所述n个第二时间序列中随机选择m个第三时间序列,并为所述第三时间序列赋予预设的第二权重,其中,所述第二权重小于所述第一权重且所述第一权重与第二权重之和小于1,其中m小于n;
S204、求所述第一权重和m个第二权重之和,并计算求和结果与1的差值,然后将计算结果作为第三权重,再将第三权重平均分配至所述历史需求数据中的其余的时间序列。
本实施例中,在对所述历史需求数据进行数据增强处理时,采用基于加权形式的DTW(动态时间调整算法)重心平均(DBA)来进行所述历史需求数据的时间序列数据增强,通过改变所述历史需求数据的时间序列的权重,可以根据所述历史需求数据中的任意一个时间序列创建无穷多个新的时间序列。例如,在所述历史需求数据中随机选择一个时间序列,并对该时间序列赋予0.5的第一权重,然后将其作为第一时间序列,再根据DTW选取距离所述第一时间序列最近的2个第二时间序列,并分别为每个第二时间序列赋予0.2的第二权重,那么第一时间序列和2个第二时间序列的权重之和即为0.9,对应的,得到第三权重为0.1,将0.1平均分配至所述历史需求数据中的其余的时间序列,即可达到数据增强的目的。
在一实施例中,如图3所示,所述步骤S102包括:步骤S301~S303。
S301、判断所述历史需求数据中是否存在空值;
S302、若所述历史需求数据中存在空值,则删除所述空值;
S303、按照下列公式对经过预处理后的历史需求数据进行Box-Cox变换:
式中,y(λ)为Box-Cox变换后的历史需求数据,y为未经Box-Cox变换的历史需求数据,λ为变换参数。
本实施例中,对经过数据增强处理后的历史需求数据进行预处理,包括判断所述历史需求数据中是否存在空值,如果存在则删除该空值。当然,在其他实施例中,也可以采用对该空值的前后历史需求数据取平均值,并利用该平均值代替该空值。然后对所述历史需求数据进行Box-Cox变换,以减少所述历史需求数据的异方差性。进一步的,当按照上述Box-Cox变换公式对所述历史需求数据进行Box-Cox变换时,若次变换要求y为负数,则可以对相应历史需求数据加上一个常数a,使得(y+a)为正,如此再进行Box-Cox变换。
在一实施例中,所述外部环境变量包括:所述历史需求数据对应的每一天的最高温数据、每一天的降雨量数据和节假日数据;
如图4所示,所述步骤S102还包括:步骤S401~S403。
S401、按照下列公式对所述最高温数据进行预处理,得到所述历史需求数据对应的最高温变量:
式中,tmp_high为某一天的最高温数据,tmp_highest为所述最高温变量;
S402、按照下列公式对所述节假日数据进行预处理:
S403、按照下列公式对所述降雨量数据进行预处理:
式中,rain_为某天的降水量数据,rain为最终对应的一周降水量数据。
本实施例中,选取了所述历史需求数据相对应的最高温数据、降雨量数据和节假日数据。当然,在其他实施例中,也可以根据快消品的具体特性相应选择所述外部环境变量。在对所述最高温数据、降雨量数据和节假日数据进行预处理时,本实施例根据某一地区每一周内的每天最高温数据计算得到该周平均的最高温数据,根据某一地区每一周内的每天降雨量数据计算得到该周平均降雨量数据,以及根据法定节假日确定对应的一周内是否存在节假日。可以理解的是,本实施例是按照每周选取、计算外部环境变量,在实际应用场景中,也可以根据具体的条件对应选取、计算外部环境变量。
在一实施例中,所述步骤S103包括:
利用不同的小波基函数对所述需求数据集进行小波分解,其中,所述不同的小波基函数包括Daubechies小波、哈尔小波、墨西哥草帽小波、迈耶小波中的一种或者多种。
本实施例中,通过对所述需求数据集进行小波分解,以达到对所述需求数据集进行数据信息提取的目的。为了提高数据信息提取的准确度,本实施例选择利用不同的小波基函数对所述需求数据集进行小波分解,并可以根据最终的预测结果确定数据信息提取精度最高的小波基函数,然后将其作为本实施例对所述需求数据集进行小波分解时采用的小波基函数。
进一步的,为了保证经过小波分解后得到子序列与所述需求数据集中的原始数据长度一致,可以对得到的子序列进行重构,即小波合成,以将得到子序列的长度合成为所述需求数据集中的原始数据长度。
在一实施例中,如图5所示,所述步骤S104包括:步骤S501~S502。
S501、按照下列公式构建每一子序列的SARIMAX模型:
式中,Y1为第一个子序列,X1为最高温变量、X2为降雨量数据,X3为节假日数据,B为延迟算子,S为季节周期长度,β1,β2,β3为外部环境变量系数;
S502、将所述需求数据集和外部环境变量数据集划分为训练集和测试集,并根据所述训练集和测试集对每一子序列的SARIMAX模型进行训练和参数调整。
本实施例中,根据子序列和外部环境变量数据集为每一子序列分别构建SARIMAX模型,并利用由所述需求数据集和外部环境变量数据集划分得到的训练集对每一SARIMAX模型进行训练。需要说明的是,本实施例对SARIMAX模型的训练过程是一个滚动训练的过程,也就是说,每完成一次训练并由SARIMAX模型输出结果后,将该输出结果对应的真实值及其对应的外部环境变量加入至训练集中,对应的,测试集中的数据相应减少,直至测试集中的数据全部被删除。
在一实施例中,所述快消品需求预测方法还包括:
利用平均绝对百分比误差MAPE对所述快消品的需求预测结果进行评价:
本实施例中,利用平均绝对百分比误差MAPE对所述快消品的需求预测结果进行评价,即是对每一SARIMAX模型的输出结果进行评价,从而根据评价对每一SARIMAX模型进行反向优化更新,可以提高SARIMAX模型的预测性能,进而提高所述快消品最终的需求预测结果。
图8为本发明实施例提供的一种快消品需求预测装置800的示意性框图,该装置800包括:
第一获取单元801,用于获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理;
第一变换单元802,用于对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集;
提取单元803,用于对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;
第一构建单元804,用于对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;
求和单元805,用于将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box-Cox变换,从而得到所述快消品的需求预测结果。
在一实施例中,如图9所示,所述第一获取单元801包括:
第一赋予单元901,用于在所述历史需求数据中随机选择一个时间序列,并对所述时间序列赋予预设的第一权重,然后将所述时间序列作为第一时间序列;
第二获取单元902,用于根据动态时间调整算法为所述第一时间序列获取距离最近的n个第二时间序列;
第二赋予单元903,用于在所述n个第二时间序列中随机选择m个第三时间序列,并为所述第三时间序列赋予预设的第二权重,其中,所述第二权重小于所述第一权重且所述第一权重与第二权重之和小于1,其中m小于n;
权重计算单元904,用于求所述第一权重和m个第二权重之和,并计算求和结果与1的差值,然后将计算结果作为第三权重,再将第三权重平均分配至所述历史需求数据中的其余的时间序列。
在一实施例中,如图10所示,所述第一变换单元802包括:
判断单元1001,用于判断所述历史需求数据中是否存在空值;
删除单元1002,用于若所述历史需求数据中存在空值,则删除所述空值;
第二变换单元1003,用于按照下列公式对经过预处理后的历史需求数据进行Box-Cox变换:
式中,y(λ)为Box-Cox变换后的历史需求数据,y为未经Box-Cox变换的历史需求数据,λ为变换参数。
在一实施例中,所述外部环境变量包括:所述历史需求数据对应的每一天的最高温数据、每一天的降雨量数据和节假日数据;
如图11所示,所述第一变换单元802还包括:
第一预处理单元1101,用于按照下列公式对所述最高温数据进行预处理,得到所述历史需求数据对应的最高温变量:
式中,tmp_high为某一天的最高温数据,tmp_highest为所述最高温变量;
第二预处理单元1102,用于按照下列公式对所述节假日数据进行预处理:
第三预处理单元1103,用于按照下列公式对所述降雨量数据进行预处理:
式中,rain_为某天的降水量数据,rain为最终对应的一周降水量数据。
在一实施例中,所述提取单元803包括:
小波分解单元,用于利用不同的小波基函数对所述需求数据集进行小波分解,其中,所述不同的小波基函数包括Daubechies小波、哈尔小波、墨西哥草帽小波、迈耶小波中的一种或者多种。
在一实施例中,如图12所示,所述第一构建单元804包括:
第二构建单元1201,用于按照下列公式构建每一子序列的SARIMAX模型:
式中,Y1为第一个子序列,X1为最高温变量、X2为降雨量数据,X3为节假日数据,B为延迟算子,S为季节周期长度,β1,β2,β3为外部环境变量系数;
训练单元1202,用于将所述需求数据集和外部环境变量数据集划分为训练集和测试集,并根据所述训练集和测试集对每一子序列的SARIMAX模型进行训练和参数调整。
在一实施例中,所述快消品需求预测装置800还包括:
评价单元,用于利用平均绝对百分比误差MAPE对所述快消品的需求预测结果进行评价:
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备,可以包括存储器和处理器,存储器中存有计算机程序,处理器调用存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。在没有更多限制的状况下,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。
Claims (10)
1.一种快消品需求预测方法,其特征在于,包括:
获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理;
对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集;
对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;
对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;
将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box-Cox变换,从而得到所述快消品的需求预测结果。
2.根据权利要求1所述的快消品需求预测方法,其特征在于,所述获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理,包括:
在所述历史需求数据中随机选择一个时间序列,并对所述时间序列赋予预设的第一权重,然后将所述时间序列作为第一时间序列;
根据动态时间调整算法为所述第一时间序列获取距离最近的n个第二时间序列;
在所述n个第二时间序列中随机选择m个第三时间序列,并为所述第三时间序列赋予预设的第二权重,其中,所述第二权重小于所述第一权重且所述第一权重与第二权重之和小于1,其中m小于n;
求所述第一权重和m个第二权重之和,并计算求和结果与1的差值,然后将计算结果作为第三权重,再将第三权重平均分配至所述历史需求数据中的其余的时间序列。
4.根据权利要求1所述的快消品需求预测方法,其特征在于,所述外部环境变量包括:所述历史需求数据对应的每一天的最高温数据、每一天的降雨量数据和节假日数据;
所述对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集,还包括:
按照下列公式对所述最高温数据进行预处理,得到所述历史需求数据对应的最高温变量:
式中,tmp_high为某一天的最高温数据,tmp_highest为所述最高温变量;
按照下列公式对所述节假日数据进行预处理:
按照下列公式对所述降雨量数据进行预处理:
式中,rain_为某天的降水量数据,rain为最终对应的一周降水量数据。
5.根据权利要求1所述的快消品需求预测方法,其特征在于,所述对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到多个所述快消品的子序列,包括:
利用不同的小波基函数对所述需求数据集进行小波分解,其中,所述不同的小波基函数包括Daubechies小波、哈尔小波、墨西哥草帽小波、迈耶小波中的一种或者多种。
8.一种快消品需求预测装置,其特征在于,包括:
第一获取单元,用于获取快消品的历史需求数据以及对应的外部环境变量,并对所述历史需求数据进行数据增强处理;
第一变换单元,用于对经过数据增强处理后的历史需求数据和所述外部环境变量进行预处理,并对经过预处理后的历史需求数据进行Box-Cox变换,从而得到所述快消品的需求数据集以及外部环境变量数据集;
提取单元,用于对所述需求数据集进行小波分解以对所述需求数据集进行数据信息提取,得到用于表示快消品不同尺度特征信息的多个子序列;
第一构建单元,用于对每一子序列分别构建SARIMAX模型,并基于外部环境变量数据集对每一子序列的SARIMAX模型进行学习,得到每一子序列的预测结果;
求和单元,用于将所有的子序列的预测结果相加求和,并对相加求和结果进行逆Box-Cox变换,从而得到所述快消品的需求预测结果。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的快消品需求预测方法。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的快消品需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548818.9A CN112669065B (zh) | 2020-12-24 | 2020-12-24 | 一种快消品需求预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011548818.9A CN112669065B (zh) | 2020-12-24 | 2020-12-24 | 一种快消品需求预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669065A true CN112669065A (zh) | 2021-04-16 |
CN112669065B CN112669065B (zh) | 2022-05-03 |
Family
ID=75409957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011548818.9A Active CN112669065B (zh) | 2020-12-24 | 2020-12-24 | 一种快消品需求预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669065B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780655A (zh) * | 2021-09-08 | 2021-12-10 | 欧冶云商股份有限公司 | 一种基于智慧供应链的钢材多品种需求预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
-
2020
- 2020-12-24 CN CN202011548818.9A patent/CN112669065B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
Non-Patent Citations (5)
Title |
---|
KEERQINFU ET AL: "Time series analysis of correlativity between pulmonary tuberculosis and seasonal meteorological factors based on theory of Human-Environmental Inter Relation", 《JOURNAL OF TRADITIONAL CHINESE MEDICAL SCIENCES》 * |
LAILI NAHLUL FARIH ET AL.: "Prediction of the number of ship Passengers in the port of makassar using arimax method in the presence of calender variartion", 《INDONESIAN JOURNAL OF PURE AND APPLIED MATHEMATICS》 * |
刘志壮等: "基于小波组合模型的短期城市用水量预测", 《给水排水》 * |
成诚等: "考虑节假日效应的交通枢纽客流量预测模型", 《交通运输系统工程与信息》 * |
栗然等: "基于Box-Cox变换的风电场短期风速预测模型", 《现代电力》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780655A (zh) * | 2021-09-08 | 2021-12-10 | 欧冶云商股份有限公司 | 一种基于智慧供应链的钢材多品种需求预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112669065B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abolghasemi et al. | Demand forecasting in supply chain: The impact of demand volatility in the presence of promotion | |
US20030200134A1 (en) | System and method for large-scale automatic forecasting | |
Aras et al. | Robust supply chain network design with multi-products for a company in the food sector | |
CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
JP5777404B2 (ja) | 時系列データの予測装置、予測方法、予測プログラムおよび記憶媒体 | |
CA3097449A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
US20210117995A1 (en) | Proactively predicting transaction quantity based on sparse transaction data | |
Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
Mishra et al. | A study on forecasting prices of groundnut oil in Delhi by ARIMA methodology and artificial neural networks | |
CN111461786A (zh) | 基于Prophet-CEEMDAN-ARIMA的商品销量预测方法及装置 | |
CN112669065B (zh) | 一种快消品需求预测方法、装置、计算机设备及存储介质 | |
WO2021077226A1 (en) | Method and system for individual demand forecasting | |
CN116308486A (zh) | 一种目标卷烟销量预测方法、装置、电子设备及存储介质 | |
Edward et al. | Forecast model using ARIMA for stock prices of automobile sector | |
CN112132498A (zh) | 库存管理方法、装置、设备及存储介质 | |
Liço et al. | Predicting customer behavior using prophet algorithm in A real time series Dataset | |
CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
CN115829624A (zh) | 基于门店周期性回本的价格预测方法、装置及相关介质 | |
CN110728466B (zh) | 一种新产品的目标配件需求量确定方法及计算机设备 | |
CN114862459A (zh) | 零售产品销量预测方法、工具、系统、设备及存储介质 | |
JP2023091669A (ja) | 販売数量予測システム、販売数量予測方法 | |
CN113537577A (zh) | 收入预测方法、系统、电子设备和计算机可读存储介质 | |
Vaitkus et al. | Electrical spare parts demand forecasting | |
CN114372601A (zh) | 一种商品采购量的预测方法及装置 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000 Patentee after: China Resources Digital Technology Co., Ltd. Address before: Room 801, building 2, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000 Patentee before: Runlian software system (Shenzhen) Co.,Ltd. |