CN112819239A - 产品数量预测方法、装置、电子设备和可读存储介质 - Google Patents
产品数量预测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112819239A CN112819239A CN202110192233.6A CN202110192233A CN112819239A CN 112819239 A CN112819239 A CN 112819239A CN 202110192233 A CN202110192233 A CN 202110192233A CN 112819239 A CN112819239 A CN 112819239A
- Authority
- CN
- China
- Prior art keywords
- sub
- time period
- demand quantity
- network unit
- prediction network
- 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 84
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims description 61
- 230000015654 memory Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 210000004027 cell Anatomy 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 11
- 230000006403 short-term memory Effects 0.000 description 10
- 230000007787 long-term memory Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 102100023927 Asparagine synthetase [glutamine-hydrolyzing] Human genes 0.000 description 2
- 101100380329 Homo sapiens ASNS gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100048480 Vaccinia virus (strain Western Reserve) UNG gene Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013179 statistical model 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q30/0645—Rental transactions; Leasing transactions
Abstract
本申请实施例提供了一种产品数量预测方法、装置、电子设备和可读存储介质,涉及计算机技术领域,通过本申请实施例,可以基于至少一个预测网络单元、历史需求数量和第一影响因子,预测第一子时间段的目标需求数量,也就是说,通过本申请实施例,可以有效的利用历史需求数量以及外部变量因子输出准确的目标需求数量,相较于传统的预测方法具有更好的准确率,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种产品数量预测方法、装置、电子设备和可读存储介质。
背景技术
目前,共享经济的发展越来越迅速,越来越多的共享产品出现在人们的生活中,例如,共享汽车、共享单车等等,随着共享产品的数量增加,对共享产品的维护难度也逐渐增加。
在对共享产品日常维护时,往往需要预先准备待更换的零件、配件等等,以使得运维人员可以高效的对共享产品进行维护。
其中,若待更换的零件、配件过多,则会造成资源的浪费,若待更换的零件、配件过少,则会影响共享产品日常的维护,因此,如何维持待更换的零件、配件在一个合理的数量是一个亟需解决的问题。
发明内容
有鉴于此,本申请实施例提供一种产品数量预测方法、装置、电子设备和可读存储介质,可以有效的利用周期性时序特征以及外部变量因子输出准确的目标需求数量,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
第一方面,提供了一种产品数量预测方法,所述方法应用于电子设备,所述方法包括:
确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据;以及
将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量,所述初始输入信息包括所述历史需求数量和所述第1个第一子时间段对应的第一影响因子数据。
第二方面,提供了一种产品数量预测装置,所述装置应用于电子设备,所述装置包括:
第一确定模块,用于确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据;以及
第二确定模块,用于将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量,所述初始输入信息包括所述历史需求数量和所述第1个第一子时间段对应的第一影响因子数据。
第三方面,本申请实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如第一方面所述的方法。
通过本申请实施例,可以基于至少一个预测网络单元、历史需求数量和第一影响因子,预测第一子时间段的目标需求数量,也就是说,通过本申请实施例,可以有效的利用历史需求数量以及外部变量因子输出准确的目标需求数量,相较于传统的预测方法具有更好的准确率,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
附图说明
通过以下参照附图对本申请实施例的描述,本申请实施例的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1为本申请实施例提供的一种产品数量预测方法的流程图;
图2为本申请实施例提供的一种预测网络单元的示意图;
图3为本申请实施例提供的一种多个预测网络单元的示意图;
图4为本申请实施例提供的另一种多个预测网络单元的示意图;
图5为本申请实施例提供的一种影响因子数据的示意图;
图6为本申请实施例提供的另一种产品数量预测方法的流程图;
图7为本申请实施例提供的一种预测网络单元训练过程的示意图;
图8为本申请实施例提供的一种产品数量预测装置的结构示意图;
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下基于实施例对本申请进行描述,但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
目前,共享经济的发展越来越迅速,越来越多的共享产品出现在人们的生活中,例如,共享汽车、共享单车等等,随着时间的推移,共享产品容易出现老化、损坏等不可避免的问题,以共享单车为例,共享单车的车锁、刹车部件、座椅等等都会随着时间逐渐老化或损坏。
因此,对于共享产品的维护业务是共享经济中必不可少的一环,在对共享产品日常维护时,往往需要预先准备待更换的零件、配件等等,以使得运维人员可以高效的对共享产品进行维护。
在实际应用中,待更换零件、配件的准备周期(采购周期或制作周期等)往往是一个较长的时间,当共享产品的数量较多时,需要一次性准备充足的待更换的零件、配件。
但是,若待更换的零件、配件过多,则会造成资源的浪费,若待更换的零件、配件过少,则会影响共享产品日常的维护,因此,如何维持待更换的零件、配件在一个合理的数量是一个亟需解决的问题。
相关技术中,传统的机器学习模型或者传统的非神经网络算法模型可以在一定程度上起到预测作用,但是,在共享产品维护的场景中,相关技术缺少抓取周期性时序特征的能力,也无法有效引入外部变量因子,也就是说,传统的预测方法无法有效预测共享产品维护所需的待更换的零件、配件数量。
为了解决上述问题,本申请实施例提供一种产品数量预测方法,该方法可以应用于电子设备,其中,电子设备既可以是终端也可以是服务器,终端设备可以是智能手机、平板电脑或者个人计算机(Personal Computer,PC)等,服务器可以是单个服务器,也可以是以分布式方式配置的服务器集群,还可以是云服务器。
下面将结合具体实施方式,对本申请实施例提供的一种产品数量预测方法进行详细的说明,如图1所示,具体步骤如下:
在步骤11,确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据。
其中,目标产品可以是上述共享产品的待更换的零件、配件,也可以是其他适用的产品,本申请实施例对此不作限定。
历史需求数量可以是最近一段时间目标产品的需求数量,以共享单车的零件X为例,历史需求数量可以是零件X在前一日的需求数量。第一影响因子数据是可以在待预测时间段内影响目标产品需求数量的参数因子,例如,第一影响因子数据可以是基于业务规划确定的待预测时间段内的运营信息(例如共享单车已投放数量、维护人员数量等等)、基于天气预报确定的待预测时间段内的天气信息等。
待预测时间段可以包括至少一个第一子时间段,其中,第一子时间段和第一影响因子数据中的“第一”仅用于区别于下文中的“第二”,在实际应用中,第一子时间段可以是具有固定时长的子时间段,也可以是按照预设规律进行变化的变长子时间段,本申请实施例对此不作限定。
例如,待预测时间段可以是未来30天所对应的时间段,该30天内的每一天均为一个第一子时间段,而历史需求数量可以为该30天前一天的实际需求数量。当然,也可以基于其他适用的方式对待预测时间段和第一子时间段进行划分,本申请实施例对此不做赘述。
在步骤12,将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量。
其中,初始输入信息包括历史需求数量和第1个第一子时间段对应的第一影响因子数据。
另外,预测网络单元可以是一个独立的预测单元,也可以是一个预测模型中的一部分(即预测网络单元可以是一个预测模型中的一个子单元),当预测网络单元是是一个预测模型中的一部分时,该预测模型中的第1个预测网络单元可以基于步骤12接收初始输入信息,以确定第1个第一子时间段的目标需求数量。其中,第一子时间段为待预测时间段中的一部分。
为了更清楚的进行解释说明,本申请实施例提供一种预测网络单元的示意图,如图2所示,该示意图包括:预测网络单元21。
在预测目标需求数量的过程中,预测网络单元21可以接收目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据,然后输出目标需求数量。
具体的,如图2所示,预测网络单元21可以接收初始输入信息,并输出预测网络单元21对应的第一子时间段的目标需求数量,其中,初始输入信息包括历史需求数量和第1个第一子时间段对应的第一影响因子数据。
在一种情况下,若存在1个预测网络单元(即预测网络单元21),则预测网络单元21可以根据历史需求数量和第一子时间段对应的第一影响因子数据,确定第一子时间段的目标需求数量。
在另一种情况下,若存在多个预测网络单元,而预测网络单元21是在多个预测网络单元中位于起始位置的预测网络单元,则预测网络单元21可以根据历史需求数量和第一子时间段对应的第一影响因子数据,确定第一子时间段的目标需求数量,然后,预测网络单元21之后的预测网络单元可以基于预测网络单元21输出的目标需求数量,确定之后各个第一子时间段的目标需求数量。
通过本申请实施例,可以基于至少一个预测网络单元、历史需求数量和第一影响因子,预测第一子时间段的目标需求数量,也就是说,通过本申请实施例,可以有效的利用历史需求数量以及外部变量因子输出准确的目标需求数量,相较于传统的预测方法具有更好的准确率,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
在一种可选的实施方式中,第1个预测网络单元之后还可以包括多个预测网络单元,各预测网络单元分别对应不同的第一子时间段。
进而,本申请实施例还可以执行:根据第i个预测网络单元输出的第i个第一子时间段的目标需求数量和第i+1个预测网络单元对应的第一影响因子数据,确定中间输入信息,以及将中间输入信息输入到预先训练的第i+1个预测网络单元,以确定第i+1个第一子时间段的目标需求数量。
其中,中间输入信息用于表征第i+1个预测网络单元的输入信息,i为大于等于1的自然数。
也就是说,当有多个预测网络单元时,第1个预测网络单元可以根据目标产品的历史需求数量和第1个第一子时间段的第一影响因子数据,确定第1个第一子时间段的目标需求数量。之后的预测网络单元可以根据上一预测网络单元输出的目标需求数量和对应第一子时间段的第一影响因子数据,确定对应第一子时间段的目标需求数量。也即通过一个初始的历史需求数量和各第一子时间段的第一影响因子数据,可以确定各第一子时间段的目标需求数量。
通过本申请实施例,可以基于多个预测网络单元、历史需求数量和多个第一影响因子,预测各第一子时间段的目标需求数量,也就是说,通过本申请实施例,可以有效的利用周期性时序特征以及外部变量因子输出准确的目标需求数量,相较于传统的预测方法具有更好的准确率,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
具体的,为了更清楚的进行解释说明,本申请实施例提供一种多个预测网络单元的示意图,如图3所示,该示意图包括:多个第一子时间段t1-t(n+1)和预测网络单元31-3(n+1)。
在目标需求数量预测的过程中,预测网络单元31可以接收历史需求数量和第一子时间段t1的第一影响因子数据,然后预测网络单元31可以根据历史需求数量和第一子时间段t1的第一影响因子数据确定第一子时间段t1的目标需求数量。
然后,可以将预测网络单元31输出的目标需求数量和第一子时间段t2的第一影响因子数据输入至预测网络单元32,以使得预测网络单元32根据第一子时间段t1的目标需求数量和第一子时间段t2的第一影响因子数据确定第一子时间段t2的目标需求数量。
以此类推,最终第一子时间段t(n+1)对应的预测网络单元3(n+1)可以根据第一子时间段tn的目标需求数量和第一子时间段t(n+1)的第一影响因子数据确定第一子时间段t(n+1)的目标需求数量。
由图3可知,每个预测网络单元均可以输出对应第一子时间段的目标需求数量,也就是说,通过图3所示的各预测网络单元,可以根据历史需求数量以及第一子时间段t1的第一影响因子数据,以时间顺序依次输出各第一子时间段的目标需求数量。
通过本申请实施例,递归神经网络模型可以基于串联的多个预测网络单元和历史需求数量,预测各第一子时间段的目标需求数量,即通过一个初始的真实值依次预测未来多个第一子时间段的目标需求数量,在此过程中,由于每个第一子时间段的目标需求数量都是基于前一段时间的需求数量确定的,所以,每个目标需求数量之间均存在较强的时序相关性,也就是说,通过本申请实施例,可以有效的利用周期性时序特征以及外部变量因子输出准确的目标需求数量,相较于传统的预测方法具有更好的准确率,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
在一种可选的实施方式中,预测网络单元可以包括神经元单元和似然估计单元。
其中,神经元单元至少被配置为接收初始输入信息以确定中间特征向量,或者接收中间输入信息以确定中间特征向量。
似然估计单元至少被配置为接收中间特征向量,根据预先训练的似然估计函数和中间特征向量确定目标需求数量。
似然估计单元可以至少基于似然估计函数进行计算,似然估计函数是统计学中一种关于统计模型参数的函数,其可以用于在已知某些观测所得到的结果时,对有关事物的性质的参数进行估计,例如,在本申请实施例中,可以通过似然估计函数确定目标需求数量恰好满足实际需求的概率。
在一种可选的实施方式中,神经元单元可以是长短期记忆(Long Short-TermMemory,LSTM)神经元单元,进而,第1个预测网络单元的长短期记忆神经元单元的输入还包括预定的细胞状态,长短期记忆神经元单元还被配置为输出隐层信息,第i个预测网络单元的长短期记忆神经元单元还被配置为接收第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,根据第i-1个预测网络单元输出的第i-1个第一子时间段的目标需求数量、第i个预测网络单元对应的第一影响因子数据、第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,确定中间特征向量。
LSTM是一种时间循环神经网络,其是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的一种神经网络。LSTM在进行数据处理时可以通过细胞状态和隐层特征来传递信息,其中,细胞状态是LSTM中用于存储关键信息的核心,是数据流线性操作得出的结果,避免了长序列依赖带来的梯度指数级变化导致的消失问题。数据流经过隐藏层记忆单元时,记忆单元对数据进行一系列的操作来决定细胞状态舍弃哪一部分旧信息,保留增加哪一部分信息。隐层状态包含了经过处理后所得到的信息。
例如,如图4所示,图4为本申请实施例提供的另一种多个预测网络单元的示意图,该示意图包括:多个第一子时间段t1-t(n+1)、LSTM神经元单元411-41(n+1)和似然估计单元421-42(n+1)。
在目标数量预测的过程中,LSTM神经元单元411可以接收历史需求数量和第一子时间段t1的第一影响因子数据,然后,LSTM神经元单元411可以将输出的中间特征向量纵向传递至似然估计单元421,同时,LSTM神经元单元411可以将细胞状态和隐层特征横向传递至LSTM神经元单元412。
似然估计单元421接收到LSTM神经元单元411输出的中间特征向量后,可以根据似然估计函数计算确定第一子时间段t1的目标需求数量。
其中,该似然估计函数的表达式可以如下公式所示:
其中,lT用于表征需求数量所对应的概率,也就是说,在给定一个需求数量时,lT用于表征该需求数量符合实际情况的概率;z用于表征目标需求数量;u和σ是基于中间特征向量计算的参数;e为自然常数;pi为圆周率。
具体的,u的计算公式具体如下:
u(ht)=wu*ht+bu
其中,ht为中间特征向量,wu和bu为该公式的预定参数。
另外,σ的计算公式具体如下:
其中,wσ和bσ为该公式的预定参数。
基于上述公式可知,在确定预定参数wu、bu、wσ和bσ后,似然估计单元可以基于中间特征向量ht确定u和σ。
然后,似然估计单元可以在lT设置为1的前提下,确定目标需求数量z,其中,由于lT用于表征需求数量所对应的概率,所以,将lT设置为1后,可以计算得到概率最大的目标需求数量,也就是说,可以计算得到最符合实际情况的目标需求数量。
进而,可以将似然估计单元421输出的目标需求数量和第一子时间段t2的第一影响因子数据输入至LSTM神经元单元412,以使得LSTM神经元单元412和似然估计单元422根据第一子时间段t1的目标需求数量和第一子时间段t2的第一影响因子数据确定第一子时间段t2的目标需求数量。
以此类推,最终第一子时间段t(n+1)对应的似然估计单元42(n+1)可以根据第一子时间段tn的目标需求数量和第一子时间段t(n+1)的第一影响因子数据确定第一子时间段t(n+1)的目标需求数量。
在本申请实施例中,由于LSTM可以很好的学习到时序数据之间的相关性,而且,本申请实施例中每个第一子时间段的目标需求数量都是基于前一段时间的需求数量确定的,所以,每个目标需求数量之间均存在较强的时序相关性,相较于传统的预测方法,基于LSTM神经元单元构建的递归神经网络模型具有较高的准确率,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
另外,针对各第一影响因子数据,在将第一影响因子数据输入预测网络单元之前,可以对各第一影响因子数据进行预处理,具体的,该过程可以执行为:对第一影响因子数据进行预处理。
其中,预处理包括独热(one-hot)编码、归一化处理中的至少一种。
one-hot编码又称一位有效编码,其方法是使用n位状态寄存器来对n个状态进行编码,每个状态都有其独立的寄存器位,并且在任意时候,其中只有一位有效。在本申请实施例中,one-hot编码可以用于对类别的数据进行预处理,例如,对于目标产品的损坏程度有完好、一般和损坏三种,当电子设备对目标产品的损坏程度数据进行one-hot编码后,可以得到三种数据100(完好)、010(一般)和001(损坏),而且,这些特征互斥,即每次只有一种数据被激活。
归一化处理一般用于对数值类数据(例如维护人员的人数)进行预处理,具体的,通过归一化处理,可以将数值类数据映射到(0,1)之间,以使得可以更加便捷快速的处理数值类数据。
例如,如图5所示,图5为本申请实施例提供的一种影响因子数据的示意图,该示意图包括一种影响因子数据的示例,其中,图5中的影响因子数据可以是实际预测时的影响因子数据,也可以是训练时的影响因子数据,本申请实施例对此不作限定。
如图5所示,影响因子数据包括数值类数据(数值类车辆数据、维护人员数量等等)和类别类数据(类别类车辆数据、天气数据等等),当针对影响因子数据进行预处理时,可以基于上述归一化处理对数值类数据进行归一化处理,可以基于上述one-hot编码对类别类数据进行one-hot编码处理。
在针对上述递归神经网络模型进行训练时,也需要获取历史各个子时间段(下文称为第二子时间段)对应的影响因子数据(下文称为第二影响因子数据),因此,针对各第二影响因子数据,也可以通过上述归一化处理和/或one-hot编码进行预处理。
在一种可选的实施方式中,本申请实施例还可以训练各预测网络单元,其中,如图6所示,预测网络单元可以基于如下步骤训练:
在步骤61,获取训练集。
其中,训练集包括至少一个第二子时间段所对应的第一需求数量和第二影响因子数据,第一需求数量用于表征对应第二子时间段的需求数量真实值。
在本申请实施例中,由于第二子时间段为在历史时间段中的一部分,所以各第一需求数量即为历史时间段中真实的需求数据,也就是说,第一需求数量是训练过程中的正样本。
在步骤62,将第i个第二子时间段所对应的第一需求数量和第i+1个第二子时间段所对应的第二影响因子数据输入预测网络单元,确定预测网络单元输出的第i+1个第二子时间段所对应的第二需求数量。
其中,第二需求数量用于表征对应第二子时间段的需求数量预测值。针对任一预测网络单元,第一需求数量为第二需求数量前一第二子时间段的需求数量,第二影响因子数据为第二需求数量对应第二子时间段的影响因子数据。
具体的,如图7所示,图7为本申请实施例提供的一种预测网络单元训练过程的示意图,该示意图包括:历史时间段中的多个第二子时间段t1′-t(n+1)′、预测网络单元711-71(n+1)和损失函数72。
需要说明的,图7中的符号“′”用于区分图7和图3中的各标识。
在一种可选的实施方式中,图7中的各预测网络单元可以包括LSTM神经元单元和似然函数(例如图4所示的结构)。
结合图6和图7所示的内容,在训练的过程中,训练集可以包括第二子时间段t0′-t(n+1)′的第一需求数量和第二子时间段t1′-t(n+1)′的第二影响因子数据。其中,由于在训练的过程中除了需要将各第二子时间段对应的第一需求数量作为正样本以外,还需要将各第二子时间段的前一第二子时间段的第一需求数量作为输入,因此,在对各预测网络单元训练的过程中,除了获取第二子时间段t1′-t(n+1)′对应的第二需求数量以外,还需要获取第二子时间段t1′的前一第二子时间段(即t0′)的第一需求数量。
需要说明的,第二子时间段和第二影响因子数据中的“第二”仅用于区别于上文中的“第一”,在实际应用中,第二子时间段可以是具有固定时长的子时间段,也可以是按照预设规律进行变化的变长子时间段,本申请实施例对此不作限定。
在获取训练集之后,可以将第二子时间段t0′的第一需求数量和第二子时间段t1′的第二影响因子数据输入至预测网络单元711,以确定预测网络单元711输出的第二子时间段t1′的第二需求数量。
以此类推,各第二子时间段对应的预测网络单元均可以接收前一第二子时间段的第一需求数量和当前第二子时间段的第二影响因子数据,然后输出当前第二子时间段的第二需求数量。
在此过程中,可以针对各第二子时间段对应的第二影响因子数据进行预处理,具体可以执行为:对第二影响因子数据进行预处理。
其中,预处理包括独热编码、归一化处理中的至少一种,针对第二影响因子数据的预处理和针对第一影响因子数据的预处理过程相似,本申请实施例对此不做赘述。
在步骤63,根据第i+1个第二子时间段所对应的第二需求数量和第i+1个第二子时间段所对应的第一需求数量,调整预测网络单元的参数。
如图7所示,当确定预测网络单元711-71(n+1)输出的各第二需求数量后,可以基于各第二子时间段对应的第二需求数量和第一需求数量计算损失,并基于二者的损失调整预测网络单元的参数。
具体的,调整模型参数的过程可以执行为:根据第i+1个第二子时间段所对应的第二需求数量、第i+1个第二子时间段所对应的第一需求数量和预先设置的反向传播算法(Backpropagation algorithm,BP),调整预测网络单元的参数。
也就是说,图7中的损失函数72可以是反向传播算法,反向传播算法适合于多层神经元网络的一种学习算法,它建立在梯度下降法的基础上。反向传播算法的输入输出关系实质上是一种映射关系,即一个输入n输出m的反向传播算法所完成的功能是:从n维欧氏空间向m维欧氏空间中一有限域的连续映射,这一映射具有高度非线性。反向传播算法的信息处理能力来源于简单非线性函数的多次复合,因此具有很强的函数复现能力。
具体的,若各预测网络单元包括LSTM神经元和似然估计单元,则通过反向传播函数,可以对LSTM神经元和似然估计单元的参数进行调整,在对LSTM神经元的参数进行调整后,可以使得LSTM神经元输出一个准确的中间特征向量ht。
同时,通过反向传播函数,还可以调整似然估计单元中的预定参数,由上述似然估计函数的公式可知,通过反向传播函数调整预定参数wu、bu、wσ和bσ后,在预测过程中,似然估计单元可以基于LSTM神经元输出的准确的中间特征向量ht确定准确的u和σ,然后基于准确的u和σ确定准确的目标需求数量z。
通过本申请实施例,由于每个第二子时间段所对应的第一需求数量均是真实的历史数据,所以,基于上述第一需求数量所建立的训练集可以有效训练各预测网络单元。
基于相同的技术构思,本申请实施例还提供了一种产品数量预测装置,如图8所示,该装置包括:第一确定模块81和第二确定模块82。
第一确定模块81,用于确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据;以及
第二确定模块82,用于将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量,所述初始输入信息包括所述历史需求数量和所述第1个第一子时间段对应的第一影响因子数据。
可选的,所述装置还包括:
第三确定模块,用于根据第i个预测网络单元输出的第i个第一子时间段的目标需求数量和第i+1个预测网络单元对应的第一影响因子数据,确定中间输入信息,其中,所述中间输入信息用于表征第i+1个预测网络单元的输入信息,i为大于等于1的自然数;以及
第四确定模块,用于将所述中间输入信息输入到预先训练的第i+1个预测网络单元,以确定第i+1个第一子时间段的目标需求数量。
可选的,所述预测网络单元包括神经元单元和似然估计单元;
所述神经元单元至少被配置为接收所述初始输入信息以确定中间特征向量,或者接收所述中间输入信息以确定中间特征向量;
所述似然估计单元至少被配置为接收中间特征向量,根据预先训练的似然估计函数和所述中间特征向量确定目标需求数量。
可选的,所述神经元单元为长短期记忆神经元单元,所述初始输入信息还包括细胞状态,第1个预测网络单元的长短期记忆神经元单元的输入还包括预定的细胞状态,所述长短期记忆神经元单元还被配置为输出隐层信息,所述第i个预测网络单元的长短期记忆神经元单元还被配置为接收第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,根据第i-1个预测网络单元输出的第i-1个第一子时间段的目标需求数量、第i个预测网络单元对应的第一影响因子数据、第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,确定中间特征向量。
可选的,所述装置还包括:
第一预处理模块,用于对所述第一影响因子数据进行预处理,所述预处理包括独热编码、归一化处理中的至少一种。
可选的,所述装置还包括:
训练模块,用于训练所述预测网络单元;
其中,所述训练模块,具体用于:
获取训练集,所述训练集包括至少一个第二子时间段所对应的第一需求数量和第二影响因子数据,所述第一需求数量用于表征对应第二子时间段的需求数量真实值;
将第i个第二子时间段所对应的第一需求数量和第i+1个第二子时间段所对应的第二影响因子数据输入所述预测网络单元,确定所述预测网络单元输出的第i+1个第二子时间段所对应的第二需求数量,所述第二需求数量用于表征对应第二子时间段的需求数量预测值;以及
根据第i+1个第二子时间段所对应的第二需求数量和第i+1个第二子时间段所对应的第一需求数量,调整所述预测网络单元的参数。
可选的,所述训练模块,具体用于:
根据第i+1个第二子时间段所对应的第二需求数量、第i+1个第二子时间段所对应的第一需求数量和预先设置的反向传播算法,调整所述预测网络单元的参数。
可选的,所述装置还包括:
第二预处理模块,用于对所述第二影响因子数据进行预处理,所述预处理包括独热编码、归一化处理中的至少一种。
通过本申请实施例,可以基于至少一个预测网络单元、历史需求数量和第一影响因子,预测第一子时间段的目标需求数量,也就是说,通过本申请实施例,可以有效的利用历史需求数量以及外部变量因子输出准确的目标需求数量,相较于传统的预测方法具有更好的准确率,进而,基于准确的目标需求数量可以有效地指导目标产品的储备工作。
图9是本申请实施例的电子设备的示意图。如图9所示,图9所示的电子设备为通用地址查询装置,其包括通用的计算机硬件结构,其至少包括处理器91和存储器92。处理器91和存储器92通过总线93连接。存储器92适于存储处理器91可执行的指令或程序。处理器91可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器91通过执行存储器92所存储的指令,从而执行如上所述的本申请实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线93将上述多个组件连接在一起,同时将上述组件连接到显示控制器94和显示装置以及输入/输出(I/O)装置95。输入/输出(I/O)装置95可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置95通过输入/输出(I/O)控制器96与系统相连。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本申请的另一实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的另一实施例涉及一种计算机程序产品,包括计算机程序/指令,计算机程序/指令被处理器执行时可以实现上述部分或全部的方法实施例。
即,本领域技术人员可以理解,本申请实施例可以通过处理器执行计算机程序产品(计算机程序/指令)来指定相关的硬件(包括处理器自身),进而实现上述实施例方法中的全部或部分步骤。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域技术人员而言,本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本申请实施例还公开了TS1、一种产品数量预测方法,其中,所述方法包括:
确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据;以及
将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量,所述初始输入信息包括所述历史需求数量和所述第1个第一子时间段对应的第一影响因子数据。
TS2、如TS1所述的方法,其中,所述方法还包括:
根据第i个预测网络单元输出的第i个第一子时间段的目标需求数量和第i+1个预测网络单元对应的第一影响因子数据,确定中间输入信息,其中,所述中间输入信息用于表征第i+1个预测网络单元的输入信息,i为大于等于1的自然数;以及
将所述中间输入信息输入到预先训练的第i+1个预测网络单元,以确定第i+1个第一子时间段的目标需求数量。
TS3、如TS2所述的方法,其中,所述预测网络单元包括神经元单元和似然估计单元;
所述神经元单元至少被配置为接收所述初始输入信息以确定中间特征向量,或者接收所述中间输入信息以确定中间特征向量;
所述似然估计单元至少被配置为接收中间特征向量,根据预先训练的似然估计函数和所述中间特征向量确定目标需求数量。
TS4、如TS3所述的方法,其中,所述神经元单元为长短期记忆神经元单元,第1个预测网络单元的长短期记忆神经元单元的输入还包括预定的细胞状态,所述长短期记忆神经元单元还被配置为输出隐层信息,所述第i个预测网络单元的长短期记忆神经元单元还被配置为接收第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,根据第i-1个预测网络单元输出的第i-1个第一子时间段的目标需求数量、第i个预测网络单元对应的第一影响因子数据、第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,确定中间特征向量。
TS5、如TS1或TS2所述的方法,其中,所述方法还包括:
对所述第一影响因子数据进行预处理,所述预处理包括独热编码、归一化处理中的至少一种。
TS6、如TS1或TS2所述的方法,其中,所述方法还包括:训练所述预测网络单元;
其中,所述训练所述预测网络单元,包括:
获取训练集,所述训练集包括至少一个第二子时间段所对应的第一需求数量和第二影响因子数据,所述第一需求数量用于表征对应第二子时间段的需求数量真实值;
将第i个第二子时间段所对应的第一需求数量和第i+1个第二子时间段所对应的第二影响因子数据输入所述预测网络单元,确定所述预测网络单元输出的第i+1个第二子时间段所对应的第二需求数量,所述第二需求数量用于表征对应第二子时间段的需求数量预测值;以及
根据第i+1个第二子时间段所对应的第二需求数量和第i+1个第二子时间段所对应的第一需求数量,调整所述预测网络单元的参数。
TS7、如TS6所述的方法,其中,所述根据第i+1个第二子时间段所对应的第二需求数量和第i+1个第二子时间段所对应的第一需求数量,调整所述预测网络单元的参数,包括:
根据第i+1个第二子时间段所对应的第二需求数量、第i+1个第二子时间段所对应的第一需求数量和预先设置的反向传播算法,调整所述预测网络单元的参数。
TS8、如TS6所述的方法,其中,所述方法还包括:
对所述第二影响因子数据进行预处理,所述预处理包括独热编码、归一化处理中的至少一种。
TS9、一种产品数量预测装置,其中,所述装置包括:
第一确定模块,用于确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据;以及
第二确定模块,用于将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量,所述初始输入信息包括所述历史需求数量和所述第1个第一子时间段对应的第一影响因子数据。
TS10、如TS9所述的装置,其中,所述装置还包括:
第三确定模块,用于根据第i个预测网络单元输出的第i个第一子时间段的目标需求数量和第i+1个预测网络单元对应的第一影响因子数据,确定中间输入信息,其中,所述中间输入信息用于表征第i+1个预测网络单元的输入信息,i为大于等于1的自然数;以及
第四确定模块,用于将所述中间输入信息输入到预先训练的第i+1个预测网络单元,以确定第i+1个第一子时间段的目标需求数量。
TS11、如TS10所述的装置,其中,所述预测网络单元包括神经元单元和似然估计单元;
所述神经元单元至少被配置为接收所述初始输入信息以确定中间特征向量,或者接收所述中间输入信息以确定中间特征向量;
所述似然估计单元至少被配置为接收中间特征向量,根据预先训练的似然估计函数和所述中间特征向量确定目标需求数量。
TS12、如TS11所述的装置,其中,所述神经元单元为长短期记忆神经元单元,第1个预测网络单元的长短期记忆神经元单元的输入还包括预定的细胞状态,所述长短期记忆神经元单元还被配置为输出隐层信息,所述第i个预测网络单元的长短期记忆神经元单元还被配置为接收第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,根据第i-1个预测网络单元输出的第i-1个第一子时间段的目标需求数量、第i个预测网络单元对应的第一影响因子数据、第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,确定中间特征向量。
TS13、如TS9或TS10所述的装置,其中,所述装置还包括:
第一预处理模块,用于对所述第一影响因子数据进行预处理,所述预处理包括独热编码、归一化处理中的至少一种。
TS14、如TS9或TS10所述的装置,其中,所述装置还包括:
训练模块,用于训练所述预测网络单元;
其中,所述训练模块,具体用于:
获取训练集,所述训练集包括至少一个第二子时间段所对应的第一需求数量和第二影响因子数据,所述第一需求数量用于表征对应第二子时间段的需求数量真实值;
将第i个第二子时间段所对应的第一需求数量和第i+1个第二子时间段所对应的第二影响因子数据输入所述预测网络单元,确定所述预测网络单元输出的第i+1个第二子时间段所对应的第二需求数量,所述第二需求数量用于表征对应第二子时间段的需求数量预测值;以及
根据第i+1个第二子时间段所对应的第二需求数量和第i+1个第二子时间段所对应的第一需求数量,调整所述预测网络单元的参数。
TS15、如TS14所述的装置,其中,所述训练模块,具体用于:
根据第i+1个第二子时间段所对应的第二需求数量、第i+1个第二子时间段所对应的第一需求数量和预先设置的反向传播算法,调整所述预测网络单元的参数。
TS16、如TS14所述的装置,其中,所述装置还包括:
第二预处理模块,用于对所述第二影响因子数据进行预处理,所述预处理包括独热编码、归一化处理中的至少一种。
TS17、一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如TS1-TS8中任一项所述的方法。
TS18、一种计算机可读存储介质,其中,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现TS1-TS8任一项所述的方法。
TS19、一种计算机程序产品,包括计算机程序/指令,其中,所述计算机程序/指令被处理器执行时实现TS1-TS8任一项所述的方法。
Claims (10)
1.一种产品数量预测方法,其特征在于,所述方法包括:
确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据;以及
将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量,所述初始输入信息包括所述历史需求数量和所述第1个第一子时间段对应的第一影响因子数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据第i个预测网络单元输出的第i个第一子时间段的目标需求数量和第i+1个预测网络单元对应的第一影响因子数据,确定中间输入信息,其中,所述中间输入信息用于表征第i+1个预测网络单元的输入信息,i为大于等于1的自然数;以及
将所述中间输入信息输入到预先训练的第i+1个预测网络单元,以确定第i+1个第一子时间段的目标需求数量。
3.根据权利要求2所述的方法,其特征在于,所述预测网络单元包括神经元单元和似然估计单元;
所述神经元单元至少被配置为接收所述初始输入信息以确定中间特征向量,或者接收所述中间输入信息以确定中间特征向量;
所述似然估计单元至少被配置为接收中间特征向量,根据预先训练的似然估计函数和所述中间特征向量确定目标需求数量。
4.根据权利要求3所述的方法,其特征在于,所述神经元单元为长短期记忆神经元单元,第1个预测网络单元的长短期记忆神经元单元的输入还包括预定的细胞状态,所述长短期记忆神经元单元还被配置为输出隐层信息,所述第i个预测网络单元的长短期记忆神经元单元还被配置为接收第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,根据第i-1个预测网络单元输出的第i-1个第一子时间段的目标需求数量、第i个预测网络单元对应的第一影响因子数据、第i-1个预测网络单元的长短期记忆神经元单元输出的隐层信息和细胞状态,确定中间特征向量。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
对所述第一影响因子数据进行预处理,所述预处理包括独热编码、归一化处理中的至少一种。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:训练所述预测网络单元;
其中,所述训练所述预测网络单元,包括:
获取训练集,所述训练集包括至少一个第二子时间段所对应的第一需求数量和第二影响因子数据,所述第一需求数量用于表征对应第二子时间段的需求数量真实值;
将第i个第二子时间段所对应的第一需求数量和第i+1个第二子时间段所对应的第二影响因子数据输入所述预测网络单元,确定所述预测网络单元输出的第i+1个第二子时间段所对应的第二需求数量,所述第二需求数量用于表征对应第二子时间段的需求数量预测值;以及
根据第i+1个第二子时间段所对应的第二需求数量和第i+1个第二子时间段所对应的第一需求数量,调整所述预测网络单元的参数。
7.一种产品数量预测装置,其特征在于,所述装置包括:
第一确定模块,用于确定目标产品的历史需求数量和待预测时间段内的至少一个第一影响因子数据;以及
第二确定模块,用于将初始输入信息输入预先训练的第1个预测网络单元,以确定第1个第一子时间段的目标需求数量,所述初始输入信息包括所述历史需求数量和所述第1个第一子时间段对应的第一影响因子数据。
8.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法。
9.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192233.6A CN112819239B (zh) | 2021-02-19 | 产品数量预测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192233.6A CN112819239B (zh) | 2021-02-19 | 产品数量预测方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819239A true CN112819239A (zh) | 2021-05-18 |
CN112819239B CN112819239B (zh) | 2024-05-14 |
Family
ID=
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463351A (zh) * | 2014-11-15 | 2015-03-25 | 国家电网公司 | 基于电力业务需求的通信带宽预测方法及装置 |
CN108564391A (zh) * | 2018-01-10 | 2018-09-21 | 大连理工大学 | 一种考虑主客观信息的共享电动汽车需求预测方法及系统 |
CN108628904A (zh) * | 2017-03-23 | 2018-10-09 | 北京嘀嘀无限科技发展有限公司 | 一种路径编码、相似路径检索方法及装置和电子设备 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN110400024A (zh) * | 2019-07-31 | 2019-11-01 | 京东城市(北京)数字科技有限公司 | 订单预测的方法、装置、设备和计算机可读存储介质 |
CN110796487A (zh) * | 2019-10-18 | 2020-02-14 | 上海钧正网络科技有限公司 | 数量预测方法、装置、计算机设备和存储介质 |
CN110866786A (zh) * | 2019-11-12 | 2020-03-06 | 德邦物流股份有限公司 | 一种货量预测方法、装置、电子设备及存储介质 |
CN111144542A (zh) * | 2019-12-26 | 2020-05-12 | 中国石油大学(北京) | 油井产能预测方法、装置和设备 |
CN111242341A (zh) * | 2018-11-29 | 2020-06-05 | 顺丰科技有限公司 | 一种线路定价方法、装置、设备和存储介质 |
CN111507553A (zh) * | 2019-01-31 | 2020-08-07 | 北京骑胜科技有限公司 | 一种资源调度方法及装置 |
CN111667115A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 自助存取款机现钞处理方法及装置 |
CN112215428A (zh) * | 2020-10-20 | 2021-01-12 | 国网山东省电力公司电力科学研究院 | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 |
CN112232887A (zh) * | 2020-11-05 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备以及存储介质 |
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463351A (zh) * | 2014-11-15 | 2015-03-25 | 国家电网公司 | 基于电力业务需求的通信带宽预测方法及装置 |
CN108628904A (zh) * | 2017-03-23 | 2018-10-09 | 北京嘀嘀无限科技发展有限公司 | 一种路径编码、相似路径检索方法及装置和电子设备 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN108564391A (zh) * | 2018-01-10 | 2018-09-21 | 大连理工大学 | 一种考虑主客观信息的共享电动汽车需求预测方法及系统 |
CN111242341A (zh) * | 2018-11-29 | 2020-06-05 | 顺丰科技有限公司 | 一种线路定价方法、装置、设备和存储介质 |
CN111507553A (zh) * | 2019-01-31 | 2020-08-07 | 北京骑胜科技有限公司 | 一种资源调度方法及装置 |
CN110400024A (zh) * | 2019-07-31 | 2019-11-01 | 京东城市(北京)数字科技有限公司 | 订单预测的方法、装置、设备和计算机可读存储介质 |
CN110796487A (zh) * | 2019-10-18 | 2020-02-14 | 上海钧正网络科技有限公司 | 数量预测方法、装置、计算机设备和存储介质 |
CN110866786A (zh) * | 2019-11-12 | 2020-03-06 | 德邦物流股份有限公司 | 一种货量预测方法、装置、电子设备及存储介质 |
CN111144542A (zh) * | 2019-12-26 | 2020-05-12 | 中国石油大学(北京) | 油井产能预测方法、装置和设备 |
CN111667115A (zh) * | 2020-06-05 | 2020-09-15 | 中国银行股份有限公司 | 自助存取款机现钞处理方法及装置 |
CN112215428A (zh) * | 2020-10-20 | 2021-01-12 | 国网山东省电力公司电力科学研究院 | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 |
CN112232887A (zh) * | 2020-11-05 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120775A1 (zh) | 一种数据异常检测方法与装置 | |
CN110287942B (zh) | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 | |
CN107622303A (zh) | 用于神经网络的方法和执行该方法的设备 | |
KR20190007468A (ko) | 비교 세트를 사용한 입력 예시들 분류 | |
CN111178537B (zh) | 一种特征提取模型训练方法及设备 | |
CN113837308B (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN109472344A (zh) | 类神经网络系统的设计方法 | |
Ibragimovich et al. | Effective recognition of pollen grains based on parametric adaptation of the image identification model | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN109345373A (zh) | 核销风险预警方法、装置、电子设备及计算机可读介质 | |
WO2023050534A1 (zh) | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 | |
CN114861758A (zh) | 多模态数据处理方法、装置、电子设备及可读存储介质 | |
CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112101543A (zh) | 神经网络模型确定方法、装置、电子设备及可读存储介质 | |
CN112819239A (zh) | 产品数量预测方法、装置、电子设备和可读存储介质 | |
CN110929516A (zh) | 文本的情感分析方法、装置、电子设备及可读存储介质 | |
CN113361381B (zh) | 人体关键点检测模型训练方法、检测方法及装置 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN113592136A (zh) | 一种交通数据预测方法、装置及电子设备 | |
CN112733452A (zh) | 轨迹预测方法、装置、电子设备和可读存储介质 |
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 |