CN113743643A - 一种确定商品数据预测准确率的方法、装置、设备和介质 - Google Patents
一种确定商品数据预测准确率的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113743643A CN113743643A CN202110164164.8A CN202110164164A CN113743643A CN 113743643 A CN113743643 A CN 113743643A CN 202110164164 A CN202110164164 A CN 202110164164A CN 113743643 A CN113743643 A CN 113743643A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- data set
- accuracy
- prediction accuracy
- time
- 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 69
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000012360 testing method Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 208000010543 22q11.2 deletion syndrome Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提出了一种确定商品数据预测准确率的方法、装置、电子设备和计算机存储介质,该方法包括:获取商品的历史时序数据集,提取所述历史时序数据集中每个时间序列的时序特征;基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值;根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;获取商品的待评估时序数据集,基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率。
Description
技术领域
本申请涉及供应链服务技术领域,尤其涉及一种确定商品数据预测准确率的方法、装置、电子设备和计算机存储介质。
背景技术
随着电商平台不断建设完善供应链能力,越来越多的商家依赖于电商平台物流的供应链服务;其中,供应链服务包括预测、补调、商品布局等,而预测作为供应链服务的第一道防线,起到了至关重要的作用。对于很多商家而言,预测结果的好坏直接决定商家是否认可供应链技术服务能力。通常情况下,在与商家沟通合作中,往往需要快速判定商品数据质量以及是否可预测,从而更高效的制定相关合作方案,因此,需要一个能够快速确定商品数据预测准确率的方法。
相关技术中,由于受到实际场景中多种因素的影响,使得大部分商品数据形成的时间序列呈现非平稳特点;而对于非平稳序列,常规方法是通过对需要判定的时间序列创建预测模型,最终根据预测模型在这些时间序列上表现的准确率作为可预测指标。然而,这种方法在对新的商家数据的预测准确率进行确定时,需要再次经过预测模型的训练、预测以及计算准确率这三个基本步骤,导致确定准确率的时间较长;其次,由于准确率的计算完全依赖于所选的时序模型,而根据不同时序模型得到的准确率往往存在一定差异,因而,会降低时序模型的预测性能。
发明内容
本申请提供一种确定商品数据预测准确率的方法、装置、电子设备和计算机存储介质。
本申请的技术方案是这样实现的:
本申请实施例提供了一种确定商品数据预测准确率的方法,所述方法包括:
获取商品的历史时序数据集,提取所述历史时序数据集中每个时间序列的时序特征;
基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值;
根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;
获取商品的待评估时序数据集,基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率。
在一些实施例中,所述基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值,包括:
将所述历史时序数据集中每个时间序列划分为训练数据集和测试数据集;
基于所述模型池中的多个时序模型,确定所述训练数据集在所述多个时序模型下的拟合准确率以及所述测试数据集在所述多个时序模型下的测试准确率;
基于所述拟合准确率和所述测试准确率,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值。
在一些实施例中,所述根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型,包括:
确定所述每个时间序列的训练数据;所述训练数据包括:时序特征、预测准确率标签值和权重;
通过所述训练数据对所述预估模型进行训练,得到训练完成的预估模型。
在一些实施例中,所述方法还包括:
在确定所述每个时间序列在所述多个时序模型下的预测准确率标签值后,基于所述每个时间序列的拟合准确率、测试准确率和所述预测准确率标签值,得到所述每个时间序列在所述多个时序模型下的权重。
在一些实施例中,所述基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率,包括:
提取所述待评估时序数据集中每个时间序列的时序特征,将所述待评估时序数据集中每个时间序列的时序特征输入到所述预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率。
在一些实施例中,所述方法还包括:
在所述待评估时序数据集中至少一个时间序列的预测准确率处于设定区间的情况下,确定所述待评估时序数据集中所述至少一个时间序列是可预测的;
在所述待评估时序数据集中至少一个时间序列的预测准确率未处于设定区间的情况下,确定所述待评估时序数据集中所述至少一个时间序列是不可预测的。
本申请实施例还提出了一种确定商品数据预测准确率的装置,所述装置包括获取模块、识别模块、第一确定模块、训练模块和第二确定模块,其中,
获取模块,用于获取商品的历史时序数据集,提取所述历史时序数据集中每个时间序列的时序特征;
第一确定模块,用于基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值;
训练模块,用于根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;
第二确定模块,用于获取商品的待评估时序数据集,基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率。
本申请实施例提供一种电子设备,所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述一个或多个技术方案提供的确定商品数据预测准确率的方法。
本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机程序;所述计算机程序被执行后能够实现前述一个或多个技术方案提供的确定商品数据预测准确率的方法。
本申请实施例提出了一种确定商品数据预测准确率的方法、装置、电子设备和计算机存储介质,该方法包括:获取商品的历史时序数据集,提取所述历史时序数据集中每个时间序列的时序特征;基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值;根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;获取商品的待评估时序数据集,基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率;如此,对于新的商品的待评估时间序列,无需再次经过预估模型的训练、预测以及计算准确率步骤,而是直接根据训练完成的预估模型,便可快速确定该时间序列对应的预测准确率;进一步地,由于在预估模型的训练过程中,并非通过一个时序模型,而是通过多个时序模型确定的预测准确率标签值对预估模型进行训练,能够降低根据不同时序模型得到的预测准确率之间的差异性,进而,提高预估模型的预测性能。
附图说明
图1是本申请实施例中的一种确定商品数据预测准确率的方法的流程示意图;
图2为相关技术中对时间序列进行时序特征提取后的示意图;
图3a为本申请实施例中时间序列的拟合准确率、测试准确率与预测准确率标签值关系的示意图;
图3b为本申请实施例中时间序列的拟合准确率、测试准确率与权重关系的示意图;
图4为本发明实施例中的一种采用全连接神经网络建立预估模型的网络结构示意图;
图5为本发明实施例中的一种确定商品数据预测准确率的方法的框架的结构示意图;
图6为本申请实施例的确定商品数据预测准确率的装置的组成结构示意;
图7为本申请实施例的电子设备的结构示意图。
具体实施方式
以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所提供的实施例仅仅用以解释本申请,并不用于限定本申请。另外,以下所提供的实施例是用于实施本申请的部分实施例,而非提供实施本申请的全部实施例,在不冲突的情况下,本申请实施例记载的技术方案可以任意组合的方式实施。
需要说明的是,在本申请实施例中,术语“包括”、“包含”或者其任何其它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方法或者装置不仅包括所明确记载的要素,而且还包括没有明确列出的其它要素,或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元,例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,I和/或J,可以表示:单独存在I,同时存在I和J,单独存在J这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括I、J、R中的至少一种,可以表示包括从I、J和R构成的集合中选择的任意一个或多个元素。
例如,本申请实施例提供的确定商品数据预测准确率的方法包含了一系列的步骤,但是本申请实施例提供的确定商品数据预测准确率的方法不限于所记载的步骤,同样地,本申请实施例提供的确定商品数据预测准确率的装置包括了一系列模块,但是本申请实施例提供的确定商品数据预测准确率的装置不限于包括所明确记载的模块,还可以包括为获取相关时序数据、或基于时序数据进行处理时所需要设置的模块。
本申请实施例可以应用于终端设备和服务器组成的计算机系统中,并可以与众多其它通用或专用计算系统环境或配置一起操作。这里,终端设备可以是瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统,等等,服务器可以是服务器计算机系统小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
相关技术中,通过平稳性、相关性来判断时间序列是否可进行预测;其中,对于不相关的白噪声序列,是不可预测的;对于平稳且相关的时间序列,是可预测的;对于非平稳且相关的时间序列,是可预测的;由于大多数时间序列呈现非平稳特点;而对于非平稳序列,存在有两种预测方法,一种是通过差分等平稳变换方法将其转化为平稳序列;另一种是通过对需要判定的时间序列创建预测模型,最终根据预测模型在这些数据上表现的准确率作为可预测指标。
对于第一种预测方法,由于平稳变换方法自身存在一定的局限性,无法确保预测准确率的可靠性;对于第二种预测方法,每次对新的商家数据的预测准确率进行确定时,均需要再次经过预测模型的训练、预测以及计算准确率这三个基本步骤,导致确定准确率的时间较长。
针对上述技术问题,提出以下各实施例。
在本申请的一些实施例中,确定商品数据预测准确率的方法可以利用确定商品数据预测准确率的装置中的处理器实现,上述处理器可以为特定用途集成电路(ApplicationSpecific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程逻辑门阵列(Field Programmable GateArray,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。
图1是本申请实施例中的一种确定商品数据预测准确率的方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤100:获取商品的历史时序数据集,提取历史时序数据集中每个时间序列的时序特征。
这里,商品可以表示电商平台或卖家等商家通过互联网进行交易的任意类型的物品;例如,可以是服饰类物品、食品类物品等,还可以是虚拟物品等;本申请实施例对物品的类型不作限制。
本申请实施例中,历史时序数据集表示多个时间序列的集合;其中,时间序列可以表示在时间间隔不变的情况下收集的不同时间点的商品数据集合。这里,不同时间序列的长度可以相同,也可以不同;例如,历史时序数据集中包括时间序列1和时间序列2,时间序列1的长度为L,时间序列2的长度可以为L,也可以不为L。
示例性地,历史时序数据可以表示商品的历史销量数据,也可以表示商品的历史价格数据等其它时序数据;其中,对于历史销量数据,可以是商品前三年的销量数据,也可以是商品前三个月的销量数据;这里,对历史时序数据的时间段不作限制。
在一种实施方式中,对于商家验证性测试(Proof of Concept,POC)场景,由于大多数商家均可以提供商品的历史销量数据,所以这里以商品的历史销量数据为例,对历史销量数据形成的每个时间序列的数据规范定义如表1所示:
表1
其中,表1中obj_no表示商家的商品编号,ds表示商品的销售日期,y表示商品的历史销量实际值。
这里,对于商品的历史时序数据集的获取方式,示例性地,可以通过商家直接获取,也可以通过其它方式进行获取,具体可以根据实际应用场景进行设置,本发明实施例对此不作限制。
本申请实施例中,在获取到商品的历史时序数据集后,需要对历史时序数据集中每个时间序列提取不同种类的时序特征,这些时序特征可以包括相关性、数据分布、熵、稳定性、趋势性、间断性、波峰个数等等,这些时序特征可以反映出一个时间序列的基本形态,比如趋势、波动特点等等。
图2为相关技术中对时间序列进行时序特征提取后的示意图,如图2所示,横坐标表示商品的销售时间,纵坐标表示商品的销量;可以看出,对于这个时间序列,经过时序特征提取,可以获取到该时间序列的最大值、中位数、均值、尖峰数量等等。
在一些实施例中,已经存在很多时序特征提取的开源库,其中,开源库中广泛使用的特征提取工具包括基于R语言的tsfeatures、基于matlab的hctsa以及基于python的tsfresh和catch22;示例性地,在基于python提取历史时序数据集中每个时间序列的时序特征时,本申请实施例可以使用的特征提取工具是tsfresh和catch22。
在一种实施方式中,通过对时间序列的分析,并且结合tsfresh和catch22,本申请实施例中主要对历史时序数据集中每个时间序列提取的时序特征如表2所示:
表2
由于本申请实施例中提取的时序特征是基于对时间序列的分析得到的,因而,通过提取这些时序特征能够很好地反映历史时序数据集中每个时间序列的基本形态。
步骤101:基于模型池中的多个时序模型,确定每个时间序列在多个时序模型下的预测准确率标签值。
在时序模型中,以时间为自变量,研究各个时间序列对应数值的变化趋势,用于预测各个时间序列的未来值或其他未知的信息;由于单一时序模型自身的局限性,使其不能完全反映出不同时间序列的真实特点,所以本申请实施例在确定每个时间序列在多个时序模型下的预测准确率标签值之前,需要预先建立模型池;这里,模型池表示多个时序模型的集合,模型池中不同类型的时序模型具有一定的差异性。
表3中是经常用到的一些时序模型,如表3所示,时序模型可以包括:k阶滑动平均模型(SA_K)、空间状态模型(state space model,ETS)、自回归移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)、facebook开源模型(fbprophet)、间断模型(croston)、XG boost模型(XGB)和神经网络模型(Neural Network,NN);本申请实施例中,可以使用表3中的至少两种不同的时序模型建立模型池。
表3
本申请实施例中,在模型池建立完成后,使用模型池中的每个时序模型对每个时间序列进行数据打标处理,确定每个时间序列在多个时序模型下的预测准确率标签值。
在一些实施例中,对于数据打标处理的实现过程可以包括:将历史时序数据集中每个时间序列划分为训练数据集和测试数据集;基于模型池中的多个时序模型,确定训练数据集在多个时序模型下的拟合准确率以及测试数据集在多个时序模型下的测试准确率;基于拟合准确率和测试准确率,确定每个时间序列在多个时序模型下的预测准确率标签值。
本申请实施例中,每个时间序列均由训练数据集和测试数据集两部分组成;这里,对于将每个时间序列划分为训练数据集和测试数据集的划分方式,本申请实施例不作限制,可以通过人工的方式进行划分,也可以通过其它方式进行划分。
这里,训练数据集用来估计时序模型中的参数,使得时序模型能够反映时间序列的实际变化情况,进而预测未来或其他未知的信息,而测试数据集用来评估时序模型的预测性能。
在一种实施方式中,为了确保时序模型对时间序列的预测性能,每个时间序列中训练数据集的长度通常要大于测试数据集的长度;这里,以商品的历史销量数据集中的一个时间序列为例,该时间序列的自变量是商品的销售月份,因变量是商品的销售数量;假设该时间序列表示商品在2019年1月份到12月份的销售情况,则可以将商品在前10个月的销售数量作为训练数据集,将后两个月的销售数量作为测试数据集。
在一种实施方式中,以模型池中的一个时序模型为例,对每个时间序列在该时序模型下的拟合准确率和测试准确率的确定进行说明;首先,分别使用每个时间序列的训练数据集对时序模型中的参数进行训练,直到该时序模型达到预设要求,此时,时序模型训练完成;接着,使用训练完成的时序模型可以得到每个时间序列的拟合时序;然后,计算每个时间序列与对应拟合时序上每个时序数据的偏差;再根据这些偏差,可以得到每个时间序列上每个时序数据的拟合准确率;最后,将每个时序数据的拟合准确率的均值作为对应时间序列的拟合准确率。
进一步地,在得到时间序列的拟合准确率后,首先,使用训练完成的时序模型对每个时间序列的测试数据集的输出进行预测,得到预测时序;然后,计算每个时间序列与对应预测时序上每个时序数据的偏差;再根据这些偏差,可以得到每个时间序列上每个时序数据的测试准确率;最后,将每个时序数据的测试准确率的均值作为对应时间序列的测试准确率。
这里,对于模型池中的每个时序模型,均可以通过上述方式确定每个时间序列的训练数据集在多个时序模型下的拟合准确率以及每个时间序列的测试数据集在多个时序模型下的测试准确率。
本申请实施例中,在得到每个时间序列的拟合准确率和测试准确率后,可以通过公式(1)确定每个时间序列在多个时序模型下的预测准确率标签值label。
这里,accuracyfitted表示每个时间序列的拟合准确率,accuracytest表示每个时间序列的测试准确率,ε=0.0001,用于避免分母为0。
可以看出,预测准确率标签值是对每个时间序列在多个时序模型下的拟合准确率和测试集准确率的调和均值,该计算方法能更好地评价时序模型的准确率;此外,通过多个时序模型对每个时间序列的预测准确率标签值进行计算,能够有效避免单一时序模型造成的偏差。
步骤102:根据每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型。
本申请实施例中,首先,建立初始预估模型,该初始预估模型是基于神经网络建模得到的;然后,根据每个时间序列的时序特征以及对应的预测准确率标签值对初始预估模型进行训练,即,通过训练数据对预估模型进行训练。
这里,对预估模型的训练是有监督的学习,即,对于输入X有着与之对应的实际值Y;这里,输入X表示每个时间序列的时序特征,实际值Y表示每个时间序列的时序特征对应的预测准确率标签值。而预估模型的输入X与实际值Y之间的损失函数就是网络反向传播,整个神经网络的训练过程就是不断缩小损失函数的值的过程。
本申请实施例中,对建立初始预估模型类型不作限制,可以使用神经网络模型,比如卷积神经网络(Convolutional Neural Networks,CNN);也可以使用传统机器学习模型,比如线性回归(Linear Regression)、随机森林(Random Forest)、XGBoost等。
在一些实施例中,根据每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型,可以包括:确定每个时间序列的训练数据;训练数据包括:时序特征、预测准确率标签值和权重;通过训练数据对预估模型进行训练,得到训练完成的预估模型。
在一种实施方式中,在对初始预估模型训练之前,需要确定对初始预估模型进行训练的训练数据;这里,训练数据包括每个时间序列的时序特征、预测准确率标签值和权重;其中,时序特征作为初始预估模型训练过程中的输入,可以表示为预测输出值的一组特征值;预测准确率标签值作为预估模型训练过程中的输出,表示与时序特征对应输出的实际值;权重表示与输入的时序特征相关联的值,用于表明该时序特征在预测输出值中的重要程度;即,与权重较大的时序特征相比,权重较小的时序特征在预测过程中的重要性较低。
本申请实施例中,对于每个时间序列,都存在与之对应的权重;由于每个时间序列包括若干个时序特征,即,对于每个时间序列的时序特征都存在对应的权重。
在一些实施例中,对于权重的设置,只要为大于等于0的值即可;例如,权重可以为0-1之间的值,也可以为0到100之间的值。
在一些实施例中,对于权重的获取方式,可以包括:在确定每个时间序列在多个时序模型下的预测准确率标签值后,基于每个时间序列的拟合准确率、测试准确率和预测准确率标签值,得到每个时间序列在多个时序模型下的权重。
在一种实施方式中,在通过上述步骤得到每个时间序列的拟合准确率、测试准确率和预测准确率标签值之后,可以通过公式(2)确定每个时间序列在多个时序模型下的权重weight。
这里,σ表示超参数率。
在一种实施方式中,对于每一个时间序列的权重,结合偏差-方差的权衡原则以及预测准确率标签值,当拟合准确率和测试准确率的差异越大,说明时序模型的质量越差,则赋予其较小的权重,反之,当拟合准确率和测试准确率的差异越小,说明时序模型的质量越好,则赋予其较大的权重。另外,预测准确率标签值越大,则权重也越大,表明更侧重于最优准确率。
图3a为本申请实施例中时间序列的拟合准确率、测试准确率与预测准确率标签值关系的示意图,如图3a所示,x轴表示拟合准确率,y轴表示测试准确率,z轴表示预测准确率标签值;可以看出,当拟合准确率和测试准确率差异越小时,对应的预测准确率标签值越大;当拟合准确率和测试准确率均较小时,对应的预测准确率标签值也较小。
图3b为本申请实施例中时间序列的拟合准确率、测试准确率与权重关系的示意图,如图3b所示,x轴表示拟合准确率,y轴表示测试准确率,z轴表示权重;可以看出,当拟合准确率和测试准确率差异越小时,对应的权重越大。
在一种实施方式中,在通过不同时序模型对每个时间序列进行数据打标处理后,可以得到对应的拟合准确率、测试准确率、预测准确率标签值以及权重;下面通过表4对数据打标处理后的具体数值与格式进行举例说明:
表4
在表4中,时序1、时序2、时序3和时序4分别表示不同的时间序列;模型A、模型B和模型C分别表示不同的时序模型;可以看出,每个时间序列在不同时序模型下均可以得到对应的拟合准确率、测试准确率、预测准确率标签值以及权重。
本申请实施例中,在确定每个时间序列在多个时序模型下的预测准确率标签值以及权重后,根据每个时间序列的训练数据,即,时序特征、预测准确率标签值以及权重对建立的初始预估模型进行训练;这里,可以通过表5对训练数据的具体格式进行举例说明,表5中第一列的时序特征表示每个时间序列包括的时序特征,例如,可以是表2中包括的所有时序特征。
表5
在对初始预估模型进行训练的过程中,对于每个时间序列的时序特征,会得到一个对应的预测输出值,如表6所示;本申请实施例中,预测准确率标签值表示模型输出的实际值,预测输出值表示模型输出的预测值;通过不断调整初始预估模型的参数,使得实际值与预测值之间的差异不断缩小至设定范围,此时,说明预估模型训练完成。
表6
下面通过神经网络结构对初始预估模型的训练过程进行简单说明;图4为本发明实施例中的一种采用全连接神经网络建立预估模型的网络结构示意图,如图4所示,该网络结构包括1个输入层、4个隐藏层和1个输出层;其中,输入层用于输入每个时间序列的时序特征,例如,可以是表2中所示的15个时序特征;输出层用于输出每个时间序列的预测输出值;隐藏层包括的单元数为128个,且采用的激活函数为修正线性单元(Rectified LinearUnit,Relu);这里,输入层将输入的时序特征分发到各个隐藏层的单元上,隐藏层使用时序特征对应的权重以及激活函数对时序特征拟合的函数进行计算,并将输出结果发送给输出层。
这里,对神经网络中隐藏层包括的层数以及包括的单元数不作限制,可以根据实际情况进行设置。
步骤103:获取商品的待评估时序数据集,基于训练完成的预估模型,得到待评估时序数据集中每个时间序列的预测准确率。
本申请实施例中,待评估时序数据集表示与商品相关的新的时间序列的集合;这里,新的时间序列表示由商品历史时序数据形成的时间序列,该时间序列可以与预估模型训练时使用的时间序列相同,也可以不相同。
在一些实施例中,基于训练完成的预估模型,得到待评估时序数据集中每个时间序列的预测准确率,可以包括:提取待评估时序数据集中每个时间序列的时序特征,将待评估时序数据集中每个时间序列的时序特征输入到预估模型,得到待评估时序数据集中每个时间序列的预测准确率。
本申请实施例中,由于训练完成的预估模型可以描述每个时间序列的时序特征与预测准确率之间的对应关系;因而,在确定待评估时序数据集中每个时间序列后,首先,需要提取每个时间序列的时序特征,然后,将每个时间序列对应的时序特征输入至预估模型;最终,预估模型输出待评估时序数据集中每个时间序列的预测准确率。
在一种实施方式中,当得到待评估时序数据集中每个时间序列的预测准确率后,需要进一步确定这些预测准确率是否处于设定区间;在待评估时序数据集中至少一个时间序列的预测准确率处于设定区间的情况下,确定待评估时序数据集中至少一个时间序列是可预测的;在待评估时序数据集中至少一个时间序列的预测准确率未处于设定区间的情况下,确定待评估时序数据集中至少一个时间序列是不可预测的。
在一些实施例中,当确定待评估时序数据集中每个时间序列是可预测时,说明待评估时序数据集中的数据质量较好,当确定待评估时序数据集中每个时间序列是不可预测时,说明待评估时序数据集中的数据质量较差;进一步地,根据数据质量的优劣,可以更好地执行对商品的补调和布局等操作。
本申请实施例提出了一种确定商品数据预测准确率的方法,该方法包括:获取商品的历史时序数据集,提取历史时序数据集中每个时间序列的时序特征;基于模型池中的多个时序模型,确定每个时间序列在多个时序模型下的预测准确率标签值;根据每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;获取商品的待评估时序数据集,基于训练完成的预估模型,得到待评估时序数据集中每个时间序列的预测准确率;如此,对于新的商品的待评估时间序列,无需再次经过预估模型的训练、预测以及计算准确率步骤,而是直接根据训练完成的预估模型,便可快速确定该时间序列对应的预测准确率;进一步地,由于在预估模型的训练过程中,并非通过一个时序模型,而是通过多个时序模型确定的预测准确率标签值对预估模型进行训练,能够降低根据不同时序模型得到的预测准确率之间的差异性,进而,提高提高预估模型的预测性能。
为了能够更加体现本申请的目的,在本申请上述实施例的基础上,进行进一步的举例说明。
图5为本发明实施例中的一种确定商品数据预测准确率的方法的框架的结构示意图,如图5所示,该框架包括建模和预测两个部分;其中,建模过程为:首先,对已有的历史时序数据集进行分析,提取历史时序数据集中每个时间序列的时序特征;然后,计算每个时间序列在模型池中三个时序模型下的预测准确率标签值,图中以一个时间序列为例,该时间序列对应的预测准确率标签值分别为0.78、0.8和0.5;接着,结合每个时间序列的时序特征以及对应的预测准确率标签值形成训练数据集,其中,F表示时序特征,w表示预测准确率标签值;最后,根据训练数据集进行训练,得到预估模型其中是预测准确率。预测过程为:首先,对待评估时序数据集中每个时间序列进行时序特征抽取;然后,使用进行准确率预测,得到其中一个时间序列的预测准确率为0.8。
图6为本申请实施例的确定商品数据预测准确率的装置的组成结构示意图,如图6所示,装置包括:获取模块600、第一确定模块601、训练模块602和第二确定模块603,其中:
获取模块600,用于获取商品的历史时序数据集,提取历史时序数据集中每个时间序列的时序特征;
第一确定模块601,用于基于模型池中的多个时序模型,确定每个时间序列在多个时序模型下的预测准确率标签值;
训练模块602,用于根据每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;
第二确定模块603,用于获取商品的待评估时序数据集,基于训练完成的预估模型,得到待评估时序数据集中每个时间序列的预测准确率。
在一些实施例中,第一确定模块601,用于基于模型池中的多个时序模型,确定每个时间序列在多个时序模型下的预测准确率标签值,包括:
将历史时序数据集中每个时间序列划分为训练数据集和测试数据集;
基于模型池中的多个时序模型,确定训练数据集在多个时序模型下的拟合准确率以及测试数据集在多个时序模型下的测试准确率;
基于拟合准确率和测试准确率,确定每个时间序列在多个时序模型下的预测准确率标签值。
在一些实施例中,训练模块602,用于根据每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型,包括:
确定每个时间序列的训练数据;训练数据包括:时序特征、预测准确率标签值和权重;
通过训练数据对预估模型进行训练,得到训练完成的预估模型。
在一些实施例中,训练模块602,还用于:
在确定每个时间序列在多个时序模型下的预测准确率标签值后,基于每个时间序列的拟合准确率、测试准确率和预测准确率标签值,得到每个时间序列在多个时序模型下的权重。
在一些实施例中,第二确定模块603,用于基于训练完成的预估模型,得到待评估时序数据集中每个时间序列的预测准确率,包括:
提取待评估时序数据集中每个时间序列的时序特征,将待评估时序数据集中每个时间序列的时序特征输入到预估模型,得到待评估时序数据集中每个时间序列的预测准确率。
在一些实施例中,第二确定模块603,还用于:
在待评估时序数据集中至少一个时间序列的预测准确率处于设定区间的情况下,确定待评估时序数据集中至少一个时间序列是可预测的;
在待评估时序数据集中至少一个时间序列的预测准确率未处于设定区间的情况下,确定待评估时序数据集中至少一个时间序列是不可预测的。
在实际应用中,上述获取模块600、第一确定模块601、训练模块602和第二确定模块603均可以由位于电子设备中的处理器实现,该处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
另外,在本实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)或processor(处理器)执行本实施例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(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。
具体来讲,本实施例中的一种确定商品数据预测准确率的方法对应的计算机程序指令可以被存储在光盘、硬盘、U盘等存储介质上,当存储介质中的与一种确定商品数据预测准确率的方法对应的计算机程序指令被一电子设备读取或被执行时,实现前述实施例的任意一种确定商品数据预测准确率的方法。
基于前述实施例相同的技术构思,参见图7,其示出了本申请提供的电子设备700,可以包括:存储器701和处理器702;其中,
存储器701,用于存储计算机程序和数据;
处理器702,用于执行存储器中存储的计算机程序,以实现前述实施例的任意一种确定商品数据预测准确率的方法。
在实际应用中,上述存储器701可以是易失性存储器(volatile memory),例如RAM;或者非易失性存储器(non-volatile memory),例如ROM、快闪存储器(flash memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器702提供指令和数据。
上述处理器702可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的商品数据预测设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述
本申请所提供的各方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的各产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的各方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用硬件实施例、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用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (10)
1.一种确定商品数据预测准确率的方法,其特征在于,所述方法包括:
获取商品的历史时序数据集,提取所述历史时序数据集中每个时间序列的时序特征;
基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值;
根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;
获取商品的待评估时序数据集,基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率。
2.根据权利要求1所述的方法,其特征在于,所述基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值,包括:
将所述历史时序数据集中每个时间序列划分为训练数据集和测试数据集;
基于所述模型池中的多个时序模型,确定所述训练数据集在所述多个时序模型下的拟合准确率以及所述测试数据集在所述多个时序模型下的测试准确率;
基于所述拟合准确率和所述测试准确率,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型,包括:
确定所述每个时间序列的训练数据;所述训练数据包括:时序特征、预测准确率标签值和权重;
通过所述训练数据对所述预估模型进行训练,得到训练完成的预估模型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在确定所述每个时间序列在所述多个时序模型下的预测准确率标签值后,基于所述每个时间序列的拟合准确率、测试准确率和所述预测准确率标签值,得到所述每个时间序列在所述多个时序模型下的权重。
5.根据权利要求1所述的方法,其特征在于,所述基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率,包括:
提取所述待评估时序数据集中每个时间序列的时序特征,将所述待评估时序数据集中每个时间序列的时序特征输入到所述预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
在所述待评估时序数据集中至少一个时间序列的预测准确率处于设定区间的情况下,确定所述待评估时序数据集中所述至少一个时间序列是可预测的;
在所述待评估时序数据集中至少一个时间序列的预测准确率未处于设定区间的情况下,确定所述待评估时序数据集中所述至少一个时间序列是不可预测的。
7.一种确定商品数据预测准确率的装置,其特征在于,所述装置包括:
获取模块,用于获取商品的历史时序数据集,提取所述历史时序数据集中每个时间序列的时序特征;
第一确定模块,用于基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值;
训练模块,用于根据所述每个时间序列的时序特征以及对应的预测准确率标签值对预估模型进行训练,得到训练完成的预估模型;
第二确定模块,用于获取商品的待评估时序数据集,基于训练完成的预估模型,得到所述待评估时序数据集中每个时间序列的预测准确率。
8.根据权利要求7所述的装置,其特征在于,所述第一确定模块,用于基于模型池中的多个时序模型,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值,包括:
将所述历史时序数据集中每个时间序列划分为训练数据集和测试数据集;
基于所述模型池中的多个时序模型,确定所述训练数据集在所述多个时序模型下的拟合准确率以及所述测试数据集在多个时序模型下的测试准确率;
基于所述拟合准确率和所述测试准确率,确定所述每个时间序列在所述多个时序模型下的预测准确率标签值。
9.一种电子设备,其特征在于,所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至6任一项所述的方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164164.8A CN113743643B (zh) | 2021-02-05 | 2021-02-05 | 一种确定商品数据预测准确率的方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110164164.8A CN113743643B (zh) | 2021-02-05 | 2021-02-05 | 一种确定商品数据预测准确率的方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743643A true CN113743643A (zh) | 2021-12-03 |
CN113743643B CN113743643B (zh) | 2023-11-03 |
Family
ID=78728159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110164164.8A Active CN113743643B (zh) | 2021-02-05 | 2021-02-05 | 一种确定商品数据预测准确率的方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743643B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202123A (zh) * | 2021-12-14 | 2022-03-18 | 深圳壹账通智能科技有限公司 | 业务数据预测方法、装置、电子设备及存储介质 |
CN114971057A (zh) * | 2022-06-09 | 2022-08-30 | 支付宝(杭州)信息技术有限公司 | 模型选择的方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764974A (zh) * | 2018-05-11 | 2018-11-06 | 国网电子商务有限公司 | 一种基于深度学习的商品采购量预测方法及装置 |
CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
WO2019076173A1 (zh) * | 2017-10-20 | 2019-04-25 | 广州优视网络科技有限公司 | 内容推送方法、装置及计算机设备 |
CN110457369A (zh) * | 2019-08-07 | 2019-11-15 | 北京嘉和海森健康科技有限公司 | 一种模型的训练方法及相关设备 |
CN111401940A (zh) * | 2020-03-05 | 2020-07-10 | 杭州网易再顾科技有限公司 | 特征预测方法、装置、电子设备及存储介质 |
WO2020143409A1 (zh) * | 2019-01-07 | 2020-07-16 | 阿里巴巴集团控股有限公司 | 预测业务指标的方法及装置 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN111882363A (zh) * | 2020-08-06 | 2020-11-03 | 四川长虹电器股份有限公司 | 销量预测方法、系统及终端 |
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
-
2021
- 2021-02-05 CN CN202110164164.8A patent/CN113743643B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019076173A1 (zh) * | 2017-10-20 | 2019-04-25 | 广州优视网络科技有限公司 | 内容推送方法、装置及计算机设备 |
CN108764974A (zh) * | 2018-05-11 | 2018-11-06 | 国网电子商务有限公司 | 一种基于深度学习的商品采购量预测方法及装置 |
CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
WO2020143409A1 (zh) * | 2019-01-07 | 2020-07-16 | 阿里巴巴集团控股有限公司 | 预测业务指标的方法及装置 |
CN110457369A (zh) * | 2019-08-07 | 2019-11-15 | 北京嘉和海森健康科技有限公司 | 一种模型的训练方法及相关设备 |
CN111401940A (zh) * | 2020-03-05 | 2020-07-10 | 杭州网易再顾科技有限公司 | 特征预测方法、装置、电子设备及存储介质 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN111882363A (zh) * | 2020-08-06 | 2020-11-03 | 四川长虹电器股份有限公司 | 销量预测方法、系统及终端 |
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
LEI REN: "A Wide -Deep-Sequence Model-Based Quality Prediction Method in Industrial Process Analysis", IEEE, pages 3721 - 3731 * |
杨欢耸;: "CRM中序列模式分析与神经网络结合的应用研究", 浙江大学学报(理学版), no. 02, pages 174 - 181 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202123A (zh) * | 2021-12-14 | 2022-03-18 | 深圳壹账通智能科技有限公司 | 业务数据预测方法、装置、电子设备及存储介质 |
CN114971057A (zh) * | 2022-06-09 | 2022-08-30 | 支付宝(杭州)信息技术有限公司 | 模型选择的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113743643B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Empirical analysis of optimal hidden neurons in neural network modeling for stock prediction | |
Omar et al. | A hybrid neural network model for sales forecasting based on ARIMA and search popularity of article titles | |
CA2428235A1 (en) | System and method for building a time series model | |
US8515850B2 (en) | System and method for forecasting realized volatility via wavelets and non-linear dynamics | |
CN113743643B (zh) | 一种确定商品数据预测准确率的方法、装置、设备和介质 | |
Kollmann | Tractable latent state filtering for non-linear DSGE models using a second-order approximation and pruning | |
Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
US20140379310A1 (en) | Methods and Systems for Evaluating Predictive Models | |
CN111340565B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
JP5251217B2 (ja) | 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム | |
CN115423575B (zh) | 一种基于互联网的数字化分析管理系统及方法 | |
US20230306505A1 (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
CN113837806A (zh) | 产品流转量预测方法、装置、电子设备和存储介质 | |
CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
CN110956278A (zh) | 重新训练机器学习模型的方法和系统 | |
US20160148224A1 (en) | Prediction of Consumer Spending | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
CN116703568A (zh) | 信用卡异常交易识别方法及装置 | |
CN116151353A (zh) | 一种序列推荐模型的训练方法和对象推荐方法 | |
KR20140146437A (ko) | 특허정보를 이용한 기업성과 예측 장치 및 방법 | |
TW201506827A (zh) | 用以從經整理及分析之一段時間內資料信號導出實質變化屬性以預測傳統預測因子之未來變化的系統及方法 | |
Kitaeva et al. | The Multi-product Newsboy Problem with Price-Depended Demand and Fast Moving Items | |
Saputra et al. | Analysis of Random Forest, Multiple Regression, and Backpropagation Methods in Predicting Apartment Price Index in Indonesia | |
CN113822371A (zh) | 训练分组模型,以及对时序数据进行分组的方法和装置 | |
CN112819404A (zh) | 数据处理方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant |