CN113743994A - 一种供应商的旺季预测方法、系统、设备及存储介质 - Google Patents
一种供应商的旺季预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113743994A CN113743994A CN202111051860.4A CN202111051860A CN113743994A CN 113743994 A CN113743994 A CN 113743994A CN 202111051860 A CN202111051860 A CN 202111051860A CN 113743994 A CN113743994 A CN 113743994A
- Authority
- CN
- China
- Prior art keywords
- season
- data
- monthly
- historical data
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种供应商的旺季预测方法、系统、设备及存储介质,其中,方法包括:获取供应商的历史数据,所述历史数据包括有对账数据、进货数据和销售数据;对所述历史数据进行预处理和筛选,获取有效历史数据;根据季节性自回归差分移动平均算法和所述有效历史数据,构建旺季预测模型;获取所述有效历史数据中的月度历史数据,将所述月度历史数据输入所述旺季预测模型,获取供应商未来一段时间内的预测月度数据;在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季。本发明能够对供应商未来一段时间的数据进行预测,并获取旺季数据,实现旺季预测的自动化,替代了人工预测,提高了旺季预测精度。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其涉及一种供应商的旺季预测方法、系统、设备及存储介质。
背景技术
在企业内部,为了后续采购、仓储等的管理,通常会对供应商的旺季进行预测。现有技术中主要是通过业务人员参考历史销售、对账或进货等数据和供应商所供商品品类综合地进行分析,获取供应商未来的旺季,但是通过业务人员进行分析预判这种方式存在几个问题:业务人员之间的判断标准不一,存在较强的主观性;除了对强季节性且商品单一的供应商有一定准确性外,对其余供应商的预测效果欠佳;只能预测未来某月是否为旺季,不能够给出旺季对应的数值。
发明内容
基于此,有必要针对上述技术问题,提供一种供应商的旺季预测方法、系统、设备及存储介质。
一种供应商的旺季预测方法,包括以下步骤:获取供应商的历史数据,所述历史数据包括有对账数据、进货数据和销售数据;对所述历史数据进行预处理和筛选,获取有效历史数据;根据季节性自回归差分移动平均算法和所述有效历史数据,构建旺季预测模型;获取所述有效历史数据中的月度历史数据,将所述月度历史数据输入所述旺季预测模型,获取供应商未来一段时间内的预测月度数据;在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季。
在其中一个实施例中,所述对所述历史数据进行预处理和筛选,获取有效历史数据,具体包括:对所述历史数据依次进行行转列、数值类型转换和缺失值填充的处理,获取初处理历史数据;对所述初处理历史数据进行筛选,剔除初处理历史数据中时间序列不足三年,或近三个月的销售数据均小于或等于一千元的数据,获取有效历史数据。
在其中一个实施例中,所述根据季节性自回归差分移动平均算法和所述有效历史数据,构建旺季预测模型,具体包括:将所述有效历史数据输入季节性自回归差分移动平均算法进行训练,获取初始旺季预测模型;通过Auto Arima算法对所述初始旺季预测模型进行训练,确定所述初始旺季预测模型的超参数,将所述超参数输入所述初始旺季预测模型,获取旺季预测模型。
在其中一个实施例中,所述获取所述有效历史数据中的月度历史数据,将所述月度历史数据输入所述旺季预测模型,获取供应商未来一段时间内的预测月度数据,具体包括:在T月1日进行预测,采用所有月度历史数据,根据所述旺季预测模型获取供应商未来一段时间内的预测月度数据;在T+1月1日时,将所述T月的数据作为新增月度历史数据,根据所述新增月度历史数据对所述旺季预测模型进行重新拟合,获取新的旺季预测模型;根据新的旺季预测模型对T+1月后一段时间内的月度数据进行预测。
在其中一个实施例中,所述在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季,具体包括:将预测月度数据对应的所有月度作为检测区域,检测区域内包括有所有检测月度;根据所有的预测月度数据,计算预测月度数据的平均值和标准差;配置第一参数阈值,根据第一参数阈值、平均值和标准差,获取旺季判断阈值,公式为:Y=X+k*S,其中,Y为旺季判断阈值,X为平均值,k为第一参数阈值,S为标准差;依次对比检测月度与旺季判断阈值之间的关系,在检测月度对应的预测月度数据大于所述旺季判断阈值时,对所述预测月度数据进行旺季标记。
在其中一个实施例中,所述在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季之后,还包括:所述预测月度数据中包括有若干个预测月,所述预测月包括有旺季和非旺季;根据预测指标对所述预测月的旺季情况进行精度评价,所述预测指标包括有软性评价指标和硬性评价指标,所述软性评价指标和硬性评价指标均采用真阳性、假阳性、假阴性和真阴性的顺序依次进行判断。
在其中一个实施例中,所述根据预测指标对所述预测月的旺季情况进行精度评价,具体包括:在所述软性评价指标中,预测到预测月为旺季时,实际存在预测月和相邻两月中至少一个月为旺季,即为真阳性;在所述软性评价指标中,预测到预测月为旺季时,实际预测月为非旺季,即为假阳性;在所述软性评价指标中,预测到预测月为非旺季时,实际预测月为旺季,即为假阴性;在所述软性评价指标中,预测到预测月为非旺季时,实际预测月也为非旺季,即为真阴性;在所述硬性评价指标中,预测到预测月为旺季时,实际预测月也为旺季,即为真阳性;在所述硬性评价指标中,假阳性、假阴性和真阴性的评价方式与所述软性评价指标的相同。
一种供应商的旺季预测系统,包括:历史数据获取模块,用于获取供应商的历史数据,所述历史数据包括有对账数据、进货数据和销售数据;历史数据筛选模块,用于对所述历史数据进行预处理和筛选,获取有效历史数据;旺季预测模型构建模块,用于根据季节性自回归差分移动平均算法和所述有效历史数据,构建旺季预测模型;预测月度数据获取模块,用于获取所述有效历史数据中的月度历史数据,将所述月度历史数据输入所述旺季预测模型,获取供应商未来一段时间内的预测月度数据;旺季标记模块,用于在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季。
一种设备,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上述各个实施例中所述的一种供应商的旺季预测方法的步骤。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述各个实施例中所述的一种供应商的旺季预测方法的步骤。
相比于现有技术,本发明的优点及有益效果在于:本发明能够对供应商未来一段时间的数据进行预测,并获取旺季数据;实现了旺季预测全自动化,替代人工预测,提高了旺季预测的精度;旺季预测模型能够进行在线学习,不断优化。
附图说明
图1为一个实施例中一种供应商的旺季预测方法的流程示意图;
图2为一个实施例中一种供应商的旺季预测系统的结构示意图;
图3为一个实施例中设备的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在一个实施例中,如图1所示,提供了一种供应商的旺季预测方法,包括以下步骤:
步骤S101,获取供应商的历史数据,历史数据包括有对账数据、进货数据和销售数据。
具体地,可以从数据库中获取每个供应商的历史数据,历史数据可以是对账数据、进货数据和销售数据等。其中,对账数据为供应商和超市进行对账结算确定最终开票、付款额的数据。
步骤S102,对历史数据进行预处理和筛选,获取有效历史数据。
具体地,对获取的供应商历史数据进行预处理,从而获取能够识别的完整数据,并对历史数据进行筛选,排除部分无法进行预测供应商历史数据,获取有效历史数据。
步骤S103,根据季节性自回归差分移动平均算法和有效历史数据,构建旺季预测模型。
具体地,基于有效历史数据,对季节性自回归差分移动平均算法进行训练,获取供应商对应的旺季预测模型,同时可以采用Auto Arima算法对旺季预测模型进行训练,确定对应的超参数。在进行旺季预测模型构建时,可以基于不同供应商的历史数据分别进行模型构建,从而获取具有针对性的旺季预测模型,对不同的供应商采用对应的旺季预测模型,提高预测数据的精确性。
步骤S104,获取有效历史数据中的月度历史数据,将月度历史数据输入旺季预测模型,获取供应商未来一段时间内的预测月度数据。
具体地,根据有效历史数据获取对应的月度历史数据,将月度历史数据输入旺季预测模型,获取供应商未来一段时间内的预测月度数据。例如,在进行预测时,在T月1日进行预测,会通过T月之前所有的月度历史数据进行预测,获取未来6个月的数据。
步骤S105,在预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季。
具体地,将获取的预测月度数据作为检测区域,设置滑动时间窗,根据滑动时间窗确定第一检测点,根据滑动时间窗和第一检测点在检测区域内获取目标时间组,目标时间组内包括有若干目标时间,根据目标时间获取预测月度数据,计算所有预测月度数据的平均值和标准差,配置第一参数阈值,例如第一参数阈值设置为1.5,则根据第一参数阈值、平均值和标准差计算获取第一旺季判断阈值,获取第一检测点对应的第一预测月度数据,在第一预测月度数据大于第一旺季判断阈值时,标记第一预测月度为旺季,并根据上述方法,获取供应商预测月度数据中的所有旺季。其中,第一参数阈值的设置可以根据需求进行对应的更改。
在本实施例中,获取供应商的历史数据,历史数据包括有对账数据、进货数据和销售数据,对历史数据进行预处理和筛选,获取有效历史数据,根据季节性自回归差分移动平均算法和有效历史数据,构建旺季预测模型,获取有效历史数据中的月度历史数据,将月度历史数据输入旺季预测模型,获取供应商未来一段时间内的预测月度数据,在预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季,从而能够对供应商未来一段时间的数据进行预测,并获取旺季数据,实现旺季预测的自动化,替代了人工预测,提高了旺季预测精度。
其中,步骤S102还包括:对历史数据依次进行行转列、数值类型转换和缺失值填充的处理,获取初处理历史数据;对初处理历史数据进行筛选,剔除初处理历史数据中时间序列不足三年,或近三个月的销售数据均小于或等于一千元的数据,获取有效历史数据。
具体地,可以采用预先设置好的SQL语句,对供应商的历史数据依次进行行转列、数值类型转换和缺失值填充的处理,获取初处理历史数据;对初处理历史数据进行筛选,剔除其中无法预测的供应商,例如历史时间序列数据不足三年,导致数据量不足,预测精度会降低,因此可以剔除对应的供应商;此外,可以根据最近三个月的销售数据进行筛选,在最近三个月的销售数据均小于或等于一千元时,进行剔除,从而获取有效历史数据,也能够提高预测模型的预测精度。
其中,行转列能够便于对数据作聚合统计;数值类型转换需要将数值类型由浮点型转换为整型,便于后续计算;缺失值填充是由于在进行行转列后,供应商对应月不存在历史数据,因此可以采用0对缺失值进行填充。
其中,步骤S103具体包括:将有效历史数据输入季节性自回归差分移动平均算法进行训练,获取初始旺季预测模型;通过Auto Arima算法对初始旺季预测模型进行训练,确定初始旺季预测模型的超参数,将超参数输入初始旺季预测模型,获取旺季预测模型。
具体地,针对不同的供应商,将对应的有效历史数据输入季节性自回归差分移动平均算法进行训练,获取初始旺季预测模型,并通过Auto Arima算法对初始旺季预测模型进行训练,确定初始旺季预测模型的超参数,将超参数输入初始旺季预测模型,获取供应商对应的旺季预测模型。
其中,步骤S104具体包括:在T月1日进行预测,采用所有月度历史数据,根据旺季预测模型获取供应商未来一段时间内的预测月度数据;在T+1月1日时,将T月的数据作为新增月度历史数据,根据新增月度历史数据对所述旺季预测模型进行重新拟合,获取新的旺季预测模型;根据新的旺季预测模型对T+1月后一段时间内的月度数据进行预测。
具体地,在旺季预测模型进行预测时,例如在T月1日进行预测,采用T月前所有的月度历史数据,根据旺季预测模型获取供应商未来一段时间内的预测月度数据;在T+1月1日时,将T月的数据作为新增月度历史数据,根据新增月度历史数据对旺季预测模型进行重新拟合,获取新的旺季预测模型,根据新的旺季预测模型,对T+1月后一段时间内的月度数据进行预测,模型根据新增数据能够自动学习,进一步提高预测的精确度。
其中,步骤S105具体包括:将预测月度数据对应的所有月度作为检测区域,检测区域内包括有所有检测月度;根据所有的预测月度数据,计算预测月度数据的平均值和标准差;配置第一参数阈值,根据第一参数阈值、平均值和标准差,获取旺季判断阈值,公式为:Y=X+k*S,其中,Y为旺季判断阈值,X为平均值,k为第一参数阈值,S为标准差;依次对比检测月度与旺季判断阈值之间的关系,在检测月度对应的预测月度数据大于所述旺季判断阈值时,对预测月度数据进行旺季标记。
具体地,将获取的所有预测月度数据对应的月度作为检测区域,检测区域内包括有所有检测月度,根据所有的预测月度数据,计算获取预测月度数据的平均值和标准差,配置第一参数阈值,例如将第一参数阈值设置为1.5,根据第一参数阈值、平均值和标准差,计算获取旺季判断阈值,公式为Y=X+k*S,其中,Y为旺季判断阈值,X为平均值,k为第一参数阈值,S为标准差;依次对应检测月度和旺季判断阈值之间的关系,在检测月度对应的预测月度数据大于旺季判断阈值时,认定检测月度为旺季,将对应的预测月度数据进行旺季标记,从而获取所有检测月度中的旺季。
其中,步骤S105之后,还包括:预测月度数据中包括有若干个预测月,所述预测月包括有旺季和非旺季;根据预测指标对预测月的旺季情况进行精度评价,预测指标包括有软性评价指标和硬性评价指标,软性评价指标和硬性评价指标均采用真阳性、假阳性、假阴性和真阴性的顺序依次进行判断。
具体地,在对预测月度数据进行旺季标记后,预测月中包括有旺季和非旺季,根据预测指标对预测月的旺季情况进行精度评价,预测指标包括有软性评价指标和硬性评价指标,软性评价指标和硬性评价指标均采用真阳性、假阳性、假阴性和真阴性的顺序依次进行判断,满足其中一个条件,则对应类别计数加一,并进行后续的判断。
在软性评价指标中,预测到预测月为旺季时,实际存在预测月和相邻两月中至少一个月为旺季,即为真阳性;在软性评价指标中,预测到预测月为旺季时,实际预测月为非旺季,即为假阳性;在软性评价指标中,预测到预测月为非旺季时,实际预测月为旺季,即为假阴性;在软性评价指标中,预测到预测月为非旺季时,实际预测月也为非旺季,即为真阴性;在硬性评价指标中,预测到预测月为旺季时,实际预测月也为旺季,即为真阳性;在硬性评价指标中,假阳性、假阴性和真阴性的评价方式与软性评价指标的相同。
例如,预测9月为旺季时,实际8、9和10月中任意一月为旺季,即为软性评价指标中的真阳性;若预测9月为旺季,实际9月必须为旺季,为硬性评价指标中的真阳性。
其中,如表1所示,软性评价指标和硬性评价指标分别有4个预测精度评价指标,包括:准确度、召回率、精准度和F度量;其中,F度量为精确度与召回率之间的调和平均数。上述4个评价指标的数据越大,标识预测精度越高,从而可以根据实际需要对旺季情况进行判断。
表1
如图2所示,提供了一种供应商的旺季预测系统20,包括:历史数据获取模块21、历史数据筛选模块22、旺季预测模型构建模块23、预测月度数据获取模块24和旺季标记模块25,其中:
历史数据获取模块21,用于获取供应商的历史数据,历史数据包括有对账数据、进货数据和销售数据;
历史数据筛选模块22,用于对历史数据进行预处理和筛选,获取有效历史数据;
旺季预测模型构建模块23,用于根据季节性自回归差分移动平均算法和有效历史数据,构建旺季预测模型;
预测月度数据获取模块24,用于获取有效历史数据中的月度历史数据,将月度历史数据输入旺季预测模型,获取供应商未来一段时间内的预测月度数据;
旺季标记模块25,用于在预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季。
在一个实施例中,历史数据筛选模块22具体用于:对历史数据依次进行行转列、数值类型转换和缺失值填充的处理,获取初处理历史数据;对初处理历史数据进行筛选,剔除初处理历史数据中时间序列不足三年,或近三个月的销售数据均小于或等于一千元的数据,获取有效历史数据。
在一个实施例中,旺季预测模型构建模块23具体用于:将有效历史数据输入季节性自回归差分移动平均算法进行训练,获取初始旺季预测模型;通过Auto Arima算法对初始旺季预测模型进行训练,确定初始旺季预测模型的超参数,将超参数输入初始旺季预测模型,获取旺季预测模型。
在一个实施例中,预测月度数据获取模块24具体用于:在T月1日进行预测,采用所有月度历史数据,根据旺季预测模型获取供应商未来一段时间内的预测月度数据;在T+1月1日时,将T月的数据作为新增月度历史数据,根据新增月度历史数据对所述旺季预测模型进行重新拟合,获取新的旺季预测模型;根据新的旺季预测模型对T+1月后一段时间内的月度数据进行预测。
在一个实施例中,旺季标记模块25具体用于:将预测月度数据对应的所有月度作为检测区域,检测区域内包括有所有检测月度;根据所有的预测月度数据,计算预测月度数据的平均值和标准差;配置第一参数阈值,根据第一参数阈值、平均值和标准差,获取旺季判断阈值,公式为:Y=X+k*S,其中,Y为旺季判断阈值,X为平均值,k为第一参数阈值,S为标准差;依次对比检测月度与旺季判断阈值之间的关系,在检测月度对应的预测月度数据大于所述旺季判断阈值时,对预测月度数据进行旺季标记。
在一个实施例中,提供了一种设备,该设备可以是服务器,其内部结构图可以如图3所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储配置模板,还可用于存储目标网页数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种供应商的旺季预测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的设备的限定,具体的设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还可以提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法,所述计算机可以为上述提到的一种供应商的旺季预测系统的一部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种供应商的旺季预测方法,其特征在于,包括以下步骤:
获取供应商的历史数据,所述历史数据包括有对账数据、进货数据和销售数据;
对所述历史数据进行预处理和筛选,获取有效历史数据;
根据季节性自回归差分移动平均算法和所述有效历史数据,构建旺季预测模型;
获取所述有效历史数据中的月度历史数据,将所述月度历史数据输入所述旺季预测模型,获取供应商未来一段时间内的预测月度数据;
在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季。
2.根据权利要求1所述的一种供应商的旺季预测方法,其特征在于,所述对所述历史数据进行预处理和筛选,获取有效历史数据,具体包括:
对所述历史数据依次进行行转列、数值类型转换和缺失值填充的处理,获取初处理历史数据;
对所述初处理历史数据进行筛选,剔除初处理历史数据中时间序列不足三年,或近三个月的销售数据均小于或等于一千元的数据,获取有效历史数据。
3.根据权利要求1所述的一种供应商的旺季预测方法,其特征在于,所述根据季节性自回归差分移动平均算法和所述有效历史数据,构建旺季预测模型,具体包括:
将所述有效历史数据输入季节性自回归差分移动平均算法进行训练,获取初始旺季预测模型;
通过Auto Arima算法对所述初始旺季预测模型进行训练,确定所述初始旺季预测模型的超参数,将所述超参数输入所述初始旺季预测模型,获取旺季预测模型。
4.根据权利要求1所述的一种供应商的旺季预测方法,其特征在于,所述获取所述有效历史数据中的月度历史数据,将所述月度历史数据输入所述旺季预测模型,获取供应商未来一段时间内的预测月度数据,具体包括:
在T月1日进行预测,采用所有月度历史数据,根据所述旺季预测模型获取供应商未来一段时间内的预测月度数据;
在T+1月1日时,将所述T月的数据作为新增月度历史数据,根据所述新增月度历史数据对所述旺季预测模型进行重新拟合,获取新的旺季预测模型;
根据新的旺季预测模型对T+1月后一段时间内的月度数据进行预测。
5.根据权利要求1所述的一种供应商的旺季预测方法,其特征在于,所述在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季,具体包括:
将预测月度数据对应的所有月度作为检测区域,检测区域内包括有所有检测月度;
根据所有的预测月度数据,计算预测月度数据的平均值和标准差;
配置第一参数阈值,根据第一参数阈值、平均值和标准差,获取旺季判断阈值,公式为:Y=X+k*S,其中,Y为旺季判断阈值,X为平均值,k为第一参数阈值,S为标准差;
依次对比检测月度与旺季判断阈值之间的关系,在检测月度对应的预测月度数据大于所述旺季判断阈值时,对所述预测月度数据进行旺季标记。
6.根据权利要求1所述的一种供应商的旺季预测方法,其特征在于,所述在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季之后,还包括:
所述预测月度数据中包括有若干个预测月,所述预测月包括有旺季和非旺季;
根据预测指标对所述预测月的旺季情况进行精度评价,所述预测指标包括有软性评价指标和硬性评价指标,所述软性评价指标和硬性评价指标均采用真阳性、假阳性、假阴性和真阴性的顺序依次进行判断。
7.根据权利要求6所述的一种供应商的旺季预测方法,其特征在于,所述根据预测指标对所述预测月的旺季情况进行精度评价,具体包括:
在所述软性评价指标中,预测到预测月为旺季时,实际存在预测月和相邻两月中至少一个月为旺季,即为真阳性;
在所述软性评价指标中,预测到预测月为旺季时,实际预测月为非旺季,即为假阳性;
在所述软性评价指标中,预测到预测月为非旺季时,实际预测月为旺季,即为假阴性;
在所述软性评价指标中,预测到预测月为非旺季时,实际预测月也为非旺季,即为真阴性;
在所述硬性评价指标中,预测到预测月为旺季时,实际预测月也为旺季,即为真阳性;
在所述硬性评价指标中,假阳性、假阴性和真阴性的评价方式与所述软性评价指标的相同。
8.一种供应商的旺季预测系统,其特征在于,包括:
历史数据获取模块,用于获取供应商的历史数据,所述历史数据包括有对账数据、进货数据和销售数据;
历史数据筛选模块,用于对所述历史数据进行预处理和筛选,获取有效历史数据;
旺季预测模型构建模块,用于根据季节性自回归差分移动平均算法和所述有效历史数据,构建旺季预测模型;
预测月度数据获取模块,用于获取所述有效历史数据中的月度历史数据,将所述月度历史数据输入所述旺季预测模型,获取供应商未来一段时间内的预测月度数据;
旺季标记模块,用于在所述预测月度数据中进行旺季标记,获取供应商未来一段时间内的旺季。
9.一种设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111051860.4A CN113743994A (zh) | 2021-09-08 | 2021-09-08 | 一种供应商的旺季预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111051860.4A CN113743994A (zh) | 2021-09-08 | 2021-09-08 | 一种供应商的旺季预测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743994A true CN113743994A (zh) | 2021-12-03 |
Family
ID=78737265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111051860.4A Pending CN113743994A (zh) | 2021-09-08 | 2021-09-08 | 一种供应商的旺季预测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743994A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096242A (zh) * | 2024-04-26 | 2024-05-28 | 数应科技(浙江)有限公司 | 一种预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-08 CN CN202111051860.4A patent/CN113743994A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096242A (zh) * | 2024-04-26 | 2024-05-28 | 数应科技(浙江)有限公司 | 一种预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wardhana et al. | Agro-clusters and rural poverty: a spatial perspective for West Java | |
US7251589B1 (en) | Computer-implemented system and method for generating forecasts | |
CN108647914B (zh) | 生产排程方法、装置、计算机设备和存储介质 | |
US9123052B2 (en) | Marketing model determination system | |
Negahban | Simulation-based estimation of the real demand in bike-sharing systems in the presence of censoring | |
CN107133699A (zh) | 电影票房趋势预测方法和装置、设备、存储介质 | |
US20210150384A1 (en) | Model selection in a forecasting pipeline to optimize tradeoff between forecast accuracy and computational cost | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
CN112712203A (zh) | 一种配电网日最高负荷预测方法和系统 | |
US20140289007A1 (en) | Scenario based customer lifetime value determination | |
Kacar et al. | A comparison of multiple linear regression approaches for fitting clearing functions to empirical data | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN112036631A (zh) | 采购量确定方法、装置、设备及存储介质 | |
CN113743994A (zh) | 一种供应商的旺季预测方法、系统、设备及存储介质 | |
CN110874640B (zh) | 使用机器学习(ml)的间歇数据的分布选择和模拟 | |
CN114169590B (zh) | 一种基于多情景划分的水库入库径流预报校正方法和系统 | |
CN113837782B (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 | |
US11915180B2 (en) | Systems and methods for identifying an officer at risk of an adverse event | |
CN112669093A (zh) | 海洋经济预测方法、系统、电子设备及存储介质 | |
KAMLEY et al. | Multiple regression: A data mining approach for predicting the stock market trends based on open, close and high price of the month | |
CN111768282A (zh) | 数据分析方法、装置、设备及存储介质 | |
Nagashima et al. | Data Imputation Method based on Programming by Example: APREP-S | |
CN112101611B (zh) | 房地产客户复购时间的预测方法、服务器及存储介质 | |
CN112308293B (zh) | 违约概率预测方法及装置 | |
CN117807377B (zh) | 多维度物流数据挖掘与预测方法及系统 |
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 |