CN113807758B - 一种数据生成方法和装置 - Google Patents
一种数据生成方法和装置 Download PDFInfo
- Publication number
- CN113807758B CN113807758B CN202011398622.6A CN202011398622A CN113807758B CN 113807758 B CN113807758 B CN 113807758B CN 202011398622 A CN202011398622 A CN 202011398622A CN 113807758 B CN113807758 B CN 113807758B
- Authority
- CN
- China
- Prior art keywords
- target object
- seasonal
- demand
- label
- attribute value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001932 seasonal effect Effects 0.000 claims description 168
- 238000005457 optimization Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 241000728173 Sarima Species 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000010801 machine learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 241000531116 Blitum bonus-henricus Species 0.000 description 2
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011550 data transformation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据生成方法和装置,其中方法包括:接收客户端发送的目标物品的预测需求量数据查询请求;获取所述目标物品的历史需求量数据;根据所述历史需求量数据,确定所述目标物品的特征属性值,根据所述特征属性值,确定所述目标物品的特征类别;将所述历史需求量数据,输入至预先训练的、与所述特征类别相匹配的需求量预测模型,生成所述目标物品的预测需求量数据并发送至所述客户端。采用本发明可以提高数据生成的准确度,并且能够降低方案实施的维护开销、提高维护效率。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种数据生成方法和装置。
背景技术
目前,在仓储物流领域,预测是供应链后续决策的基础,特别是货品需求量数据(如销量数据)的预测,该预测结果的准确性,会直接影响后续补货调拨和采购方案的准确实施。因此,当货品需求量的预测准确性低时,容易发生货品缺货的情况,该情况的发生将会导致用户所订购的物品无法被及时送达,从而会降低用户购买物品的效率。
目前,货品需求量数据的预测以具体货品为预测对象,在消费者需求日益多元化的影响下,逐渐呈现出“大库存单元(SKU)”的发展趋势,具体体现为更多、更复杂的产品品类、越来越短的产品生命周期等,这也进一步增加了货品需求量数据预测的任务量和难度。
目前的预测方法主要分为时间序列和以机器学习算法两种。时间序列预测方法大多利用统计学的思想,对时间排列的系列数据进行分析,通过建立适当的数学模型拟合历史时间趋势曲线,来预测未来需求量,常见模型包括移动平均法、指数平滑法、arima模型等。机器学习算法则根据具体的应用场景,提取可能影响预测值的特征并引入模型,利用机器学习领域里的分类和回归模型来进行预测,常见的模型有线性回归模型、支持向量回归、决策树、神经网络等算法模型。
在实现本发明过程中,发明人发现上述现有方案存在预测精度低、方案实施维护开销大、效率低等问题。具体原因分析如下:
1)现有的预测方案对于所有货品品类,使用统一的模型进行预测。而目前的货品品类数量繁多,不同品类货品的需求量数据特征不同,使得一个预测模型无法适用于所有类别的货品。具体而言,时间序列模型种类繁多,但是每个模型都有各自的特点以及适用范围,如移动平均法和arima模型适用于比较平稳的时间序列,二阶指数平滑适用于有趋势性的时间序列,三阶指数平滑适用于具有趋势性和季节性的时间序列。对于数量繁多的货品,需要一一判断合适的方法,无疑是十分困难的。而机器学习模型,如目前预测效果较好的xgboost、lightgbm等模型,也无法涵盖住所有类别的货品。
2)无论是时间序列模型还是机器学习模型都需要依据大量的数据,才能完成有效的建模,尤其是机器学习模型不仅需要依据大量的数据还需要依据不同维度的数据,如此,才能确保模型预测的准确度。而现有的货品生命周期越来越短,这样,用于训练预测模型的样本数据量和维度都会较少,从而降低了模型的预测准确度。
3)随着时间的推移,部分货品需求量数据的特征可能会发生变化,导致模型适用性降低,预测精度下降,为了确保模型预测的准确度,需要对模型进行优化。由于模型是用于对所有货品的需求量数据进行预测,特征发生变化的需求量数据往往是部分货品的,因此需要对待优化的数据特征进行准确定位,才能达到模型优化目的。而货品品类的复杂性,增加了对待优化数据特征的进行定位的难度,从而使得模型的后续优化很困难,优化效率很低,进而导致方案的维护开销大、效率低。
发明内容
有鉴于此,本发明的主要目的在于提供一种数据生成方法和装置,可以提高数据生成的准确度、降低维护开销、提高维护效率。
为了达到上述目的,本发明实施例提出的技术方案为:
一种数据生成方法,包括:
接收客户端发送的目标物品的预测需求量数据查询请求;
获取所述目标物品的历史需求量数据;
根据所述历史需求量数据,确定所述目标物品的特征属性值,
根据所述特征属性值,确定所述目标物品的特征类别;
将所述历史需求量数据,输入至预先训练的、与所述特征类别相匹配的需求量预测模型,生成所述目标物品的预测需求量数据并发送至所述客户端。
较佳地,所述特征属性值包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值。
较佳地,根据所述历史需求量数据,确定所述目标物品的季节性强度属性值包括:
当所述目标物品的历史需求量数据对应的时间长度大于预设的第一时长阈值时,设置季节性周期候选集合包括预设数量n个候选周期;
当所述目标物品的历史需求量数据对应的时间长度大于等于预设的第二时长阈值且小于所述第一时长阈值时,设置季节性周期候选集合包括预设数量m个候选周期;1≤m<n;
对于所述季节性周期候选集合中的每个候选周期,利用所述历史需求量数据,以该候选周期作为季节性强度计算周期,计算对应的季节性强度值;
从所有所述候选周期对应的季节性强度值中,选择出最大值作为所述目标物品的季节性强度属性值。
较佳地,根据所述特征属性值,确定所述目标物品的特征类别包括:
x1、如果所述目标物品的历史需求量数据对应的时间长度小于预设的第二时长阈值,则将新品标签加入所述类别标签集合中,执行步骤x7;否则,执行步骤x2;
x2、如果所述目标物品的平均需求间隔属性值为1,则将连续性标签加入类别标签集合中,执行步骤x3;否则,将间断性标签加入所述类别标签集合中,执行步骤x5;
x3、如果所述目标物品的季节性强度属性值大于预设的连续强季节阈值S1,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的连续弱季节阈值S2且小于等于所述连续强季节阈值S1,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S2<S1,0≤S1≤1;0≤S2≤1;
如果所述目标物品的季节性强度属性值小于等于所述连续弱季节阈值S2,则将无季节性标签加入所述类别标签集合中,执行步骤x4;
x4、如果所述目标物品的非零需求变异系数属性值小于预设的连续非零需求变异系数阈值C1,则将稳定标签加入所述类别标签集合中,执行步骤x7;否则,将波动标签加入所述类别标签集合中,执行步骤x7;
x5、如果所述目标物品的季节性强度属性值大于预设的间断强季节阈值S3,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的间断弱季节阈值S4且小于等于所述间断强季节阈值S3,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S4<S3,0≤S3≤1;0≤S4≤1;
如果所述目标物品的季节性强度属性值小于等于所述间断弱季节阈值S4,则将无季节性标签加入所述类别标签集合中,执行步骤x6;
x6、如果所述目标物品的非零需求变异系数属性值小于等于预设的间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于预设的平均需求间隔阈值C3,则将高频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于所述平均需求间隔阈值C3,则将高频波动标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于等于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频波动标签加入所述类别标签集合中;
x7、将所述类别标签集合,确定为所述目标物品所属的特征类别的集合。
较佳地,当所述特征类别的集合中包括强季节性标签或弱季节性标签时,所述相匹配的需求量预测模型由snaive模型、三阶指数平滑模型和sarima模型的任一模型组合训练得到;
当所述特征类别的集合中包括连续性标签、无季节性标签和稳定标签时,所述相匹配的需求量预测模型由naive模型、移动平均模型和一阶指数平滑模型的任一模型组合训练得到;
当所述特征类别的集合中包括连续性标签、无季节性标签和波动标签时,所述相匹配的需求量预测模型由移动平均模型和ETS模型的任一模型组合训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和高频稳定标签时,所述相匹配的需求量预测模型由基于预设的第一参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和高频波动标签时,所述相匹配的需求量预测模型由基于预设的第二参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和低频稳定标签时,所述相匹配的需求量预测模型由基于预设的第三参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和低频波动标签时,所述相匹配的需求量预测模型由基于预设的第四参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括新品标签时,所述相匹配的需求量预测模型由二阶指数平滑模型和移动平均模型的任一模型组合训练得到。
较佳地,所述根据所述历史需求量数据,确定所述目标物品的特征属性值包括:
按照预设的数据变换方式,对所述历史需求量数据进行数据变换;
根据所述数据变换的结果,确定所述目标物品的特征属性值。
较佳地,所述方法进一步包括:
监测所述需求量预测模型的预测精度,当所述预测精度下降到预设精度阈值时,触发根据所述需求量预测模型进行优化调整。
本发明实施例还公开了一种数据生成装置,包括:
请求接收模块,用于接收客户端发送的目标物品的预测需求量数据查询请求;
数据获取模块,用于获取所述目标物品的历史需求量数据;
特征确定模块,用于根据所述历史需求量数据,确定所述目标物品的特征属性值,
分类模块,用于根据所述特征属性值,确定所述目标物品的特征类别;
数据生成模块,用于将所述历史需求量数据,输入至预先训练的、与所述特征类别相匹配的需求量预测模型,生成所述目标物品的预测需求量数据并发送至所述客户端。
较佳地,所述特征属性值包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值。
较佳地,所述特征确定模块,具体用于根据所述特征属性值,确定所述目标物品的特征类别,包括:
x1、如果所述目标物品的历史需求量数据对应的时间长度小于预设的第二时长阈值,则将新品标签加入所述类别标签集合中,执行步骤x7;否则,执行步骤x2;
x2、如果所述目标物品的平均需求间隔属性值为1,则将连续性标签加入类别标签集合中,执行步骤x3;否则,将间断性标签加入所述类别标签集合中,执行步骤x5;
x3、如果所述目标物品的季节性强度属性值大于预设的连续强季节阈值S1,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的连续弱季节阈值S2且小于等于所述连续强季节阈值S1,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S2<S1,0≤S1≤1;0≤S2≤1;
如果所述目标物品的季节性强度属性值小于等于所述连续弱季节阈值S2,则将无季节性标签加入所述类别标签集合中,执行步骤x4;
x4、如果所述目标物品的非零需求变异系数属性值小于预设的连续非零需求变异系数阈值C1,则将稳定标签加入所述类别标签集合中,执行步骤x7;否则,将波动标签加入所述类别标签集合中,执行步骤x7;
x5、如果所述目标物品的季节性强度属性值大于预设的间断强季节阈值S3,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的间断弱季节阈值S4且小于等于所述间断强季节阈值S3,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S4<S3,0≤S3≤1;0≤S4≤1;
如果所述目标物品的季节性强度属性值小于等于所述间断弱季节阈值S4,则将无季节性标签加入所述类别标签集合中,执行步骤x6;
x6、如果所述目标物品的非零需求变异系数属性值小于等于预设的间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于预设的平均需求间隔阈值C3,则将高频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于所述平均需求间隔阈值C3,则将高频波动标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于等于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频波动标签加入所述类别标签集合中;
x7、将所述类别标签集合,确定为所述目标物品所属的特征类别的集合。
较佳地,所述装置进一步包括:
优化模块,用于监测所述需求量预测模型的预测精度,当所述预测精度下降到预设精度阈值时,触发根据所述需求量预测模型进行优化调整。
本申请还公开了一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储指令,所述指令在由处理器执行时使得所述处理器执行如前所述的数据生成方法的步骤。
本申请还公开了一种电子设备,包括如前所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
由上述技术方案可见,本申请实施例提出的数据生成方案,采用了下述技术手段:在根据查询请求生成目标物品的预测需求量数据时,需要先从数据存储设备中获取目标物品的历史需求量数据,根据该历史需求量数据,确定目标物品的特征类别,然后再为目标物品选择与其特征类别相匹配的需求量预测模型,基于该需求量预测模型为其生成相应的预测需求量数据。如此,通过采用上述技术手段,选择与物品本身的信息特征相匹配的预测模型,可以确保预测模型所生成的信息与相应的实际信息相一致,从而可以获得提高预测需求量数据生成的准确度这一技术效果。并且,由于每种物品所使用的预测模型与其信息特征相对应,使得预测模型与物品的类型相绑定,这样,在后续优化时,只需要有针对性地对精度下降的模型进行优化即可,而不需要对所有模型进行优化,如此,可以大幅度降低模型优化处理的复杂度,减少模型优化处理的资源开销,提高模型优化优化效率。因此,采用上述技术特征,还可以获得技术效果:降低方案实施的维护开销、提高维护效率,进而提高数据生成的整体效率。
附图说明
图1为本发明实施例的方法流程示意图;
图2为本发明实施例的物品分类架构示意图;
图3为本发明实施例的装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1为本发明实施例的方法流程示意图,如图1所示,该实施例实现的数据生成方法主要包括:
步骤101、接收客户端发送的目标物品的预测需求量数据查询请求。
步骤102、获取所述目标物品的历史需求量数据。
本步骤中,需要从数据存储设备中获取上述请求所指示的目标物品的历史需求量数据,以便利用需求量预测模型,为该目标物品生成相应的需求量预测信息。
在实际应用中,所获取的历史需求量数据可以为目标物品的所有历史需求量数据,也可以预设时间范围内的历史需求量数据,具体可由本领域技术人员根据实际需要,考虑运算开销和预测准确性要求,选择合适时长的历史需求量数据。
步骤103、根据所述历史需求量数据,确定所述目标物品的特征属性值。
本步骤,用于从历史需求量数据中,提取出目标物品的特征,以便基于物品的特征为其选择出相匹配的预测模型,以确保预测的准确性,并有利于后续的模型优化。
在一个实施方式中,为了使得所选择的预测模型与物品的需求量数据特征相匹配,并具有较强的可解释性,且有利于模型的优化,较佳地,采用下述特征选择策略,选择本步骤中需要确定的特征属性:
选择最能描述时间序列数据特点的基本特征;
选择较为直观的、可解释性强的特征;
选择能涵盖不同类别时间序列的特征;
选择能结合业务逻辑、方便进行迭代优化的特征。
基于上述选择策略,本步骤中需要确定的特征属性值可以包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值。
在一个实施方式中,为了提高本步骤中目标物品的季节性强度属性值的准确性,较佳地,可以采用下述方法,区分历史需求量数据所覆盖时长的长度,根据所述历史需求量数据,确定所述目标物品的季节性强度属性值:
步骤a1、当所述目标物品的历史需求量数据对应的时间长度大于预设的第一时长阈值时,设置季节性周期候选集合包括预设数量n个候选周期。
当所述目标物品的历史需求量数据对应的时间长度大于等于预设的第二时长阈值且小于所述第一时长阈值时,设置季节性周期候选集合包括预设数量m个候选周期;1≤m<n。
本步骤中,当所述目标物品的历史需求量数据对应的时间长度大于预设的第一时长阈值时,说明历史需求量数据所覆盖的时长较长,此种情况下,可以从较多数量长短不同的季节性强度计算周期对应的季节性强度中,选择出目标物品的季节性强度属性值。当所述目标物品的历史需求量数据对应的时间长度介于第一时长阈值和第二时长阈值时,说明历史需求量数据所覆盖的时长相对较短,此种情况下,可以从较少数量长短不同的季节性强度计算周期对应的季节性强度中,选择出目标物品的季节性强度属性值。
所述第一时长阈值大于所述第二时长阈值。在实际应用中,本领域技术人员可根据实际需要设置所述第一时长阈值和所述第二时长阈值的合适取值。例如,所述第一时长阈值可以是15个月,所述第二时长阈值可以是5个月,但不限于此。
在实际应用中,本领域技术人员可根据实际需要设置所述n个候选周期和所述m个候选周期所包括的具体周期。例如,所述n个候选周期包括季度、半年和一年,所述m个候选周期包括季度和半年,但不限于此。
步骤a2、对于所述季节性周期候选集合中的每个候选周期,利用所述历史需求量数据,以该候选周期作为季节性强度计算周期,计算对应的季节性强度值。
本步骤中,对于集合中的每个候选周期,具体可以采用下述方法计算得到相应的季节性强度值:
首先利用STL分解方法,对所述历史需求量数据对应的时间序列yt进行分解:
yt=Tt+St+Rt
其中,Tt表示平滑后的趋势项,St表示季节项,Rt表示残差项。
按照下述公式,基于上述残差的方差与去掉趋势后数据的方差的比值,计算得到季节性强度属性值:
其中,Var(·)表示方差运算。
步骤a3、从所有所述候选周期对应的季节性强度值中,选择出最大值作为所述目标物品的季节性强度属性值。
本步骤中,需要从季节性周期候选集合中各候选周期对应的季节性强度值中,选择出最大的季节性强度,作为目标物品的季节性强度属性值,以便更合理、准确地对目标物品进行分类,并有利于对预测模型精准配置。
较佳地,为了便于快速地确定出目标物品的特征属性值,可以在确定所述目标物品的特征属性值之前,先采用某种数据变换方式,对历史需求量数据进行数据变换,具体方法如下:
按照预设的数据变换方式,对所述历史需求量数据进行数据变换;根据所述数据变换的结果,确定所述目标物品的特征属性值。
在实际应用中,本领域技术人员可以根据实际需要,设置所述数据变换方式,例如,所述数据变换方式可以是取对数、平方根或倒数等,但不限于此。
具体地,可以采用下述方法计算平均需求间隔属性值和非零需求变异系数属性值:
假设所述历史需求量数据对应的时间序列yt去掉数据为0的部分后,重新组成的时间序列为zt。
按照计算平均需求间隔ADI:其中,len(·)表示时间序列的数据长度。
按照计算非零需求变异系数CV2:其中U(·)表示均值运算。
步骤104、根据所述特征属性值,确定所述目标物品的特征类别。
在一个实施方式中,当步骤102中所确定的特征属性值包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值时,本步骤中可以采用下述方法确定所述目标物品的特征类别:
步骤x1、如果所述目标物品的历史需求量数据对应的时间长度小于预设的第二时长阈值,则将新品标签加入所述类别标签集合中,执行步骤x7;否则,执行步骤x2。
本步骤,所述第二时长阈值用于划分新品标签。当所述目标物品的历史需求量数据对应的时间长度小于第二时长阈值时,说明历史需求量数据对应的时间跨度太短,此时直接将目标物品划分为新品,由于新品无季节性、信息量少,因此不需要再作进一步的特征细分。
步骤x2、如果所述目标物品的平均需求间隔属性值为1,则将连续性标签加入类别标签集合中,执行步骤x3;否则,将间断性标签加入所述类别标签集合中,执行步骤x5。
这里需要说明的是,当平均需求间隔属性值ADI为1时,说明历史需求量数据对应的时间序列数据中没有非零数据,表明为连续性数据,故将连续性标签加入类别标签集合中,反之,ADI大于1,说明历史需求量数据对应的时间序列数据中有非零数据,表明为间断性数据,故将间断性标签加入类别标签集合中。
步骤x3、如果所述目标物品的季节性强度属性值大于预设的连续强季节阈值S1,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的连续弱季节阈值S2且小于等于所述连续强季节阈值S1,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S2<S1,0≤S1≤1;0≤S2≤1。
如果所述目标物品的季节性强度属性值小于等于所述连续弱季节阈值S2,则将无季节性标签加入所述类别标签集合中,执行步骤x4。
具体地,本领域技术人员可以根据实际的信息特征,设置具有连续性特征时的连续强季节阈值S1、连续弱季节阈值S2。
步骤x4、如果所述目标物品的非零需求变异系数属性值小于预设的连续非零需求变异系数阈值C1,则将稳定标签加入所述类别标签集合中,执行步骤x7;否则,将波动标签加入所述类别标签集合中,执行步骤x7。
具体地,本领域技术人员可以根据实际的信息特征,设置连续非零需求变异系数阈值C1。
步骤x5、如果所述目标物品的季节性强度属性值大于预设的间断强季节阈值S3,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的间断弱季节阈值S4且小于等于所述间断强季节阈值S3,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S4<S3,0≤S3≤1;0≤S4≤1;
如果所述目标物品的季节性强度属性值小于等于所述间断弱季节阈值S4,则将无季节性标签加入所述类别标签集合中,执行步骤x6。
具体地,本领域技术人员可以根据实际的信息特征,设置具有间断性特征时的间断强季节阈值S3和间断弱季节阈值S4。例如,S3可以为0.8、S4可以为0.5,但不限于此。
步骤x6、如果所述目标物品的非零需求变异系数属性值小于等于预设的间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于预设的平均需求间隔阈值C3,则将高频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于所述平均需求间隔阈值C3,则将高频波动标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于等于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频波动标签加入所述类别标签集合中。
所述平均需求间隔阈值用于界定具有间断性、无季节性标签时的低频和高频。
所述间断非零需求变异系数阈值用于界定具有间断性、无季节性标签时的稳定性和波动性。
具体地,本领域技术人员可以根据实际需要设置所述平均需求间隔阈值C3和所述间断非零需求变异系数阈值C2。例如,所述平均需求间隔阈值C3可以为1.32,所述间断非零需求变异系数阈值C2可以为0.49,但不限于此。
步骤x7、将所述类别标签集合,确定为所述目标物品所属的特征类别的集合。
利用上述步骤x1至x7,即可得到所述目标物品所属的特征类别的集合,如图2的物品分类架构示意图中所示。
步骤105、将所述历史需求量数据,输入至预先训练的、与所述特征类别相匹配的需求量预测模型,生成所述目标物品的预测需求量数据并发送至所述客户端。
本步骤中,将利用与步骤104中所确定出的特征类别相匹配的需求量预测模型,来生成所述目标物品的预测需求量数据,以提高所生成的预测需求量数据的准确性。
在实际应用中,在需求量预测模型生成所述目标物品的预测需求量数据之后,可以按照预设的格式,对所生成的预测需求量数据进行格式转换后输出。
另外,本步骤中使用的需求量预测模型是与目标物品的特征类别相匹配的,即方案所使用的需求量预测模型仅适用于部分物品。这样,在对方案进行维护时,仅需要针对预测精度不准确的物品所使用的模型进行优化即可,使得优化更有针对性,因此,采用上述步骤可以大幅度降低模型优化处理的资源开销,提高优化的效率和准确性,进而可以提高方案维护的效率、降低维护开销。
在一实施方式中,具体可以采用下述方法预先为不同的特征类别组合,配置相应的需求量预测模型。
当所述特征类别的集合中包括强季节性标签或弱季节性标签时,所述相匹配的需求量预测模型由snaive模型、三阶指数平滑模型和sarima模型的任一模型组合训练得到;
当所述特征类别的集合中包括连续性标签、无季节性标签和稳定标签时,所述相匹配的需求量预测模型由naive模型、移动平均模型和一阶指数平滑模型的任一模型组合训练得到;
当所述特征类别的集合中包括连续性标签、无季节性标签和波动标签时,所述相匹配的需求量预测模型由移动平均模型和ETS模型的任一模型组合训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和高频稳定标签时,所述相匹配的需求量预测模型由基于预设的第一参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和高频波动标签时,所述相匹配的需求量预测模型由基于预设的第二参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和低频稳定标签时,所述相匹配的需求量预测模型由基于预设的第三参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和低频波动标签时,所述相匹配的需求量预测模型由基于预设的第四参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括新品标签时,所述相匹配的需求量预测模型由二阶指数平滑模型和移动平均模型的任一模型组合训练得到。
在一个实施方式中,为了持续保障模型预测精度的准确性,可以对各个模型的预测精度进行监测,并在精度下降时,及时触发对相应模型进行优化调整,具体可以采用下述方法实现这一目的:
监测所述需求量预测模型的预测精度,当所述预测精度下降到预设精度阈值时,触发根据所述需求量预测模型进行优化调整。
这里,当预测的需求量与相应的实际需求量差距很大时,即触发对相应模型进行优化调整,如此,由于是针对预测精度不准确的物品所使用的模型进行优化,使得优化更有针对性,而不是对所有物品通用的模型进行优化,因此,可以大幅度降低优化的复杂度,减少模型优化处理的资源开销,提高优化的效率和准确性,进而可以提高方案维护的效率、降低维护开销。
由上述方法实施例可以看出,该实施例提出的数据生成方法,在生成目标物品的预测需求量数据时,需要先根据该目标物品的历史需求量数据,确定其特征类别,然后再选择与其特征类别相匹配的需求量预测模型,为其生成相应的预测需求量数据。如此,通过选择与物品本身的信息特征相匹配的预测模型,可以确保预测模型所生成的信息与相应的实际信息相一致,解决了sku数量大带来的模型选择问题,避免数据信息少对预测精度的影响,从而可以提高数据生成的准确度。并且,通过预先将预测模型与物品的特征类别相绑定,如此,一方面,能充分利用各种不同模型的特点,有针对性地提高每一类物品的预测效果,并在后续优化时,只需要有针对性的对精度下降的模型进行优化即可,而不需要对所有模型进行优化,从而可以大幅度降低模型优化的复杂度,提高优化效率,进而降低了方案维护开销、提高维护效率以及数据生成的整体效率。另一方面,也增强了预测模型的可解释性,满足用户的可解释性要求,有利于提升用户体验。
与上述方法实施例相对应,本发明实施例还公开了一种数据生成装置,如图3所示,包括:
请求接收模块301,用于接收客户端发送的目标物品的预测需求量数据查询请求;
数据获取模块302,用于获取所述目标物品的历史需求量数据;
特征确定模块303,用于根据所述历史需求量数据,确定所述目标物品的特征属性值,
分类模块304,用于根据所述特征属性值,确定所述目标物品的特征类别;
数据生成模块305,用于将所述历史需求量数据,输入至预先训练的、与所述特征类别相匹配的需求量预测模型,生成所述目标物品的预测需求量数据并发送至所述客户端
在一个实施方式中,所述特征属性值包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值。
较佳地,所述特征确定模块303,具体用于根据所述特征属性值,确定所述目标物品的特征类别,包括:
x1、如果所述目标物品的历史需求量数据对应的时间长度小于预设的第二时长阈值,则将新品标签加入所述类别标签集合中,执行步骤x7;否则,执行步骤x2;
x2、如果所述目标物品的平均需求间隔属性值为1,则将连续性标签加入类别标签集合中,执行步骤x3;否则,将间断性标签加入所述类别标签集合中,执行步骤x5;
x3、如果所述目标物品的季节性强度属性值大于预设的连续强季节阈值S1,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的连续弱季节阈值S2且小于等于所述连续强季节阈值S1,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S2<S1,0≤S1≤1;0≤S2≤1;
如果所述目标物品的季节性强度属性值小于等于所述连续弱季节阈值S2,则将无季节性标签加入所述类别标签集合中,执行步骤x4;
x4、如果所述目标物品的非零需求变异系数属性值小于预设的连续非零需求变异系数阈值C1,则将稳定标签加入所述类别标签集合中,执行步骤x7;否则,将波动标签加入所述类别标签集合中,执行步骤x7;
x5、如果所述目标物品的季节性强度属性值大于预设的间断强季节阈值S3,则将强季节性标签加入所述类别标签集合中,执行步骤x7;
如果所述目标物品的季节性强度属性值大于预设的间断弱季节阈值S4且小于等于所述间断强季节阈值S3,则将弱季节性标签加入所述类别标签集合中,执行步骤x7;S4<S3,0≤S3≤1;0≤S4≤1;
如果所述目标物品的季节性强度属性值小于等于所述间断弱季节阈值S4,则将无季节性标签加入所述类别标签集合中,执行步骤x6;
x6、如果所述目标物品的非零需求变异系数属性值小于等于预设的间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于预设的平均需求间隔阈值C3,则将高频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于所述平均需求间隔阈值C3,则将高频波动标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于等于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频波动标签加入所述类别标签集合中;
x7、将所述类别标签集合,确定为所述目标物品所属的特征类别的集合。
在一个实施方式中,所述装置进一步包括:
优化模块,用于监测所述需求量预测模型的预测精度,当所述预测精度下降到预设精度阈值时,触发根据所述需求量预测模型进行优化调整。
与上述方法实施例相对应,本发明实施例还公开了一种数据生成设备,包括处理器和存储器;所述存储器中存储有可被所述处理器执行的应用程序,用于使得所述处理器执行如上所述的数据生成方法。
其中,存储器具体可以实施为电可擦可编程只读存储器(EEPROM)、快闪存储器(Flash memory)、可编程程序只读存储器(PROM)等多种存储介质。处理器可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列,其中现场可编程门阵列集成一或多个中央处理器核。具体地,中央处理器或中央处理器核可以实施为CPU或MCU。
需要说明的是,上述各流程和各结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分,实际实现时,一个模块可以分由多个模块实现,多个模块的功能也可以由同一个模块实现,这些模块可以位于同一个设备中,也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如,一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器,如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式,或是采用专用的永久性电路,或是采用临时配置的电路(如由软件进行配置)来实现硬件模块,可以根据成本和时间上的考虑来决定。
与上述方法实施例相对应,本发明实施例还公开了一种计算机可读存储介质,具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着计算机可读指令,该计算机可读指令被处理器执行时,实现上述实施例中任一实施方式的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外,还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施方式中任一实施方式的功能。
用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机或云上下载程序代码。
在本文中,“示意性”表示“充当实例、例子或说明”,不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。为使图面简洁,各图中的只示意性地表示出了与本发明相关部分,而并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”并不表示将本发明相关部分的数量限制为“仅此一个”,并且“一个”不表示排除本发明相关部分的数量“多于一个”的情形。在本文中,“上”、“下”、“前”、“后”、“左”、“右”、“内”、“外”等仅用于表示相关部分之间的相对位置关系,而非限定这些相关部分的绝对位置。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据生成方法,其特征在于,包括:
接收客户端发送的目标物品的预测需求量数据查询请求;
获取所述目标物品的历史需求量数据;
根据所述历史需求量数据,确定所述目标物品的特征属性值,
根据所述特征属性值,确定所述目标物品的特征类别;
将所述历史需求量数据,输入至预先训练的、与所述特征类别相匹配的需求量预测模型,生成所述目标物品的预测需求量数据并发送至所述客户端;
其中,所述特征属性值包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值;
所述根据所述特征属性值,确定所述目标物品的特征类别包括:
x1、如果所述目标物品的历史需求量数据对应的时间长度小于预设的第二时长阈值,则将新品标签加入所述类别标签集合中,执行步骤x5;否则,执行步骤x2;
x2、如果所述目标物品的平均需求间隔属性值为1,则将连续性标签加入类别标签集合中,执行步骤x3;否则,将间断性标签加入所述类别标签集合中,执行步骤x4;
x3、如果所述目标物品的季节性强度属性值大于预设的连续强季节阈值S1,则将强季节性标签加入所述类别标签集合中,执行步骤x5;
如果所述目标物品的季节性强度属性值大于预设的连续弱季节阈值S2且小于等于所述连续强季节阈值S1,则将弱季节性标签加入所述类别标签集合中,执行步骤x5; S2<S1,0≤S1≤1; 0≤S2≤1;
x4、如果所述目标物品的季节性强度属性值大于预设的间断强季节阈值S3,则将强季节性标签加入所述类别标签集合中,执行步骤x5;
如果所述目标物品的季节性强度属性值大于预设的间断弱季节阈值S4且小于等于所述间断强季节阈值S3,则将弱季节性标签加入所述类别标签集合中,执行步骤x5; S4<S3,0≤S3≤1;0≤S4≤1;
x5、将所述类别标签集合,确定为所述目标物品所属的特征类别的集合。
2.如权利要求1所述的方法,其特征在于:根据所述历史需求量数据,确定所述目标物品的季节性强度属性值包括:
当所述目标物品的历史需求量数据对应的时间长度大于预设的第一时长阈值时,设置季节性周期候选集合包括预设数量n个候选周期;
当所述目标物品的历史需求量数据对应的时间长度大于等于预设的第二时长阈值且小于所述第一时长阈值时,设置季节性周期候选集合包括预设数量m个候选周期; 1≤m<n;
对于所述季节性周期候选集合中的每个候选周期,利用所述历史需求量数据,以该候选周期作为季节性强度计算周期,计算对应的季节性强度值;
从所有所述候选周期对应的季节性强度值中,选择出最大值作为所述目标物品的季节性强度属性值。
3.如权利要求1所述的方法,其特征在于:所述方法进一步包括:
所述将连续性标签加入类别标签集合中之后,所述执行步骤x5之前,所述方法进一步包括:
如果所述目标物品的季节性强度属性值小于等于所述连续弱季节阈值S2,则将无季节性标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于预设的连续非零需求变异系数阈值C1,则将稳定标签加入所述类别标签集合中;否则,将波动标签加入所述类别标签集合中;
所述将间断性标签加入所述类别标签集合中之后,所述执行步骤x5之前,所述方法进一步包括:
如果所述目标物品的季节性强度属性值小于等于所述间断弱季节阈值S4,则将无季节性标签加入所述类别标签集合中,执行步骤x6;
x6、如果所述目标物品的非零需求变异系数属性值小于等于预设的间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于预设的平均需求间隔阈值C3,则将高频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于所述平均需求间隔阈值C3,则将高频波动标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于等于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频波动标签加入所述类别标签集合中。
4.如权利要求3所述的方法,其特征在于:
当所述特征类别的集合中包括强季节性标签或弱季节性标签时,所述相匹配的需求量预测模型由snaive模型、三阶指数平滑模型和sarima模型的任一模型组合训练得到;
当所述特征类别的集合中包括连续性标签、无季节性标签和稳定标签时,所述相匹配的需求量预测模型由naive模型、移动平均模型和一阶指数平滑模型的任一模型组合训练得到;
当所述特征类别的集合中包括连续性标签、无季节性标签和波动标签时,所述相匹配的需求量预测模型由移动平均模型和ETS模型的任一模型组合训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和高频稳定标签时,所述相匹配的需求量预测模型由基于预设的第一参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和高频波动标签时,所述相匹配的需求量预测模型由基于预设的第二参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和低频稳定标签时,所述相匹配的需求量预测模型由基于预设的第三参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括间断性标签、无季节性标签和低频波动标签时,所述相匹配的需求量预测模型由基于预设的第四参数集合设置的croston模型训练得到;
当所述特征类别的集合中包括新品标签时,所述相匹配的需求量预测模型由二阶指数平滑模型和移动平均模型的任一模型组合训练得到。
5.如权利要求1所述的方法,其特征在于:所述根据所述历史需求量数据,确定所述目标物品的特征属性值包括:
按照预设的数据变换方式,对所述历史需求量数据进行数据变换;
根据所述数据变换的结果,确定所述目标物品的特征属性值。
6.如权利要求1所述的方法,其特征在于:所述方法进一步包括:
监测所述需求量预测模型的预测精度,当所述预测精度下降到预设精度阈值时,触发根据所述需求量预测模型进行优化调整。
7.一种数据生成装置,其特征在于,包括:
请求接收模块,用于接收客户端发送的目标物品的预测需求量数据查询请求;
数据获取模块,用于获取目标物品的历史需求量数据;
特征确定模块,用于根据所述历史需求量数据,确定所述目标物品的特征属性值,
分类模块,用于根据所述特征属性值,确定所述目标物品的特征类别;
数据生成模块,用于将所述历史需求量数据,输入至预先训练的、与所述特征类别相匹配的需求量预测模型,生成所述目标物品的预测需求量数据并发送至所述客户端;
其中,所述特征属性值包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值;
所述特征确定模块,具体用于根据所述特征属性值,确定所述目标物品的特征类别,包括:
x1、如果所述目标物品的历史需求量数据对应的时间长度小于预设的第二时长阈值,则将新品标签加入所述类别标签集合中,执行步骤x5;否则,执行步骤x2;
x2、如果所述目标物品的平均需求间隔属性值为1,则将连续性标签加入类别标签集合中,执行步骤x3;否则,将间断性标签加入所述类别标签集合中,执行步骤x4;
x3、如果所述目标物品的季节性强度属性值大于预设的连续强季节阈值S1,则将强季节性标签加入所述类别标签集合中,执行步骤x5;
如果所述目标物品的季节性强度属性值大于预设的连续弱季节阈值S2且小于等于所述连续强季节阈值S1,则将弱季节性标签加入所述类别标签集合中,执行步骤x5; S2<S1,0≤S1≤1; 0≤S2≤1;
x4、如果所述目标物品的季节性强度属性值大于预设的间断强季节阈值S3,则将强季节性标签加入所述类别标签集合中,执行步骤x5;
如果所述目标物品的季节性强度属性值大于预设的间断弱季节阈值S4且小于等于所述间断强季节阈值S3,则将弱季节性标签加入所述类别标签集合中,执行步骤x5; S4<S3,0≤S3≤1;0≤S4≤1;
x5、将所述类别标签集合,确定为所述目标物品所属的特征类别的集合。
8.如权利要求7所述的装置,其特征在于:所述特征确定模块,具体用于执行将连续性标签加入类别标签集合中之后,执行步骤x5之前,执行:
如果所述目标物品的季节性强度属性值小于等于所述连续弱季节阈值S2,则将无季节性标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于预设的连续非零需求变异系数阈值C1,则将稳定标签加入所述类别标签集合中;否则,将波动标签加入所述类别标签集合中;
执行所述将间断性标签加入所述类别标签集合中之后,执行步骤x5之前,执行:
如果所述目标物品的季节性强度属性值小于等于所述间断弱季节阈值S4,则将无季节性标签加入所述类别标签集合中,执行步骤x6;
x6、如果所述目标物品的非零需求变异系数属性值小于等于预设的间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于预设的平均需求间隔阈值C3,则将高频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值小于等于所述平均需求间隔阈值C3,则将高频波动标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值小于等于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频稳定标签加入所述类别标签集合中;
如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2,且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3,则将低频波动标签加入所述类别标签集合中。
9.一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储指令,其特征在于,所述指令在由处理器执行时使得所述处理器执行如权利要求1至6中任一项所述的数据生成方法的步骤。
10.一种电子设备,其特征在于,包括如权利要求9所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398622.6A CN113807758B (zh) | 2020-12-02 | 2020-12-02 | 一种数据生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011398622.6A CN113807758B (zh) | 2020-12-02 | 2020-12-02 | 一种数据生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807758A CN113807758A (zh) | 2021-12-17 |
CN113807758B true CN113807758B (zh) | 2023-11-03 |
Family
ID=78943528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011398622.6A Active CN113807758B (zh) | 2020-12-02 | 2020-12-02 | 一种数据生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807758B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402321B (zh) * | 2023-06-08 | 2023-09-22 | 北京京东乾石科技有限公司 | 物品需求量确定方法及装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822380A (zh) * | 2014-03-12 | 2014-05-28 | 福建师范大学 | 一种能控制集热系统出水温度的控制系统 |
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN107292429A (zh) * | 2017-06-07 | 2017-10-24 | 上海欧睿供应链管理有限公司 | 一种基于需求特性分析的需求预测模型选择方法 |
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 |
CN110070382A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN110533462A (zh) * | 2019-08-15 | 2019-12-03 | 刘德建 | 一种基于bim模型的建筑装饰成本控制系统及方法 |
CN111242369A (zh) * | 2020-01-09 | 2020-06-05 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的pm2.5数据预测方法 |
CN111401609A (zh) * | 2020-03-04 | 2020-07-10 | 平安科技(深圳)有限公司 | 车流量时间序列的预测方法及预测装置 |
CN111507762A (zh) * | 2020-04-15 | 2020-08-07 | 中国科学院自动化研究所 | 基于多任务共预测神经网络的城市出租车需求预测方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8027863B2 (en) * | 2006-10-31 | 2011-09-27 | Caterpillar Inc. | Method for forecasting a future inventory demand |
US10169720B2 (en) * | 2014-04-17 | 2019-01-01 | Sas Institute Inc. | Systems and methods for machine learning using classifying, clustering, and grouping time series data |
-
2020
- 2020-12-02 CN CN202011398622.6A patent/CN113807758B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822380A (zh) * | 2014-03-12 | 2014-05-28 | 福建师范大学 | 一种能控制集热系统出水温度的控制系统 |
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN107292429A (zh) * | 2017-06-07 | 2017-10-24 | 上海欧睿供应链管理有限公司 | 一种基于需求特性分析的需求预测模型选择方法 |
CN110070382A (zh) * | 2018-01-24 | 2019-07-30 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
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 |
CN110533462A (zh) * | 2019-08-15 | 2019-12-03 | 刘德建 | 一种基于bim模型的建筑装饰成本控制系统及方法 |
CN111242369A (zh) * | 2020-01-09 | 2020-06-05 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的pm2.5数据预测方法 |
CN111401609A (zh) * | 2020-03-04 | 2020-07-10 | 平安科技(深圳)有限公司 | 车流量时间序列的预测方法及预测装置 |
CN111507762A (zh) * | 2020-04-15 | 2020-08-07 | 中国科学院自动化研究所 | 基于多任务共预测神经网络的城市出租车需求预测方法 |
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 |
Non-Patent Citations (3)
Title |
---|
A statistical model for predicting power demand peaks in power systems;Xiangdong An等;2015 12th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD);1-5 * |
基于需求特性的备件分类模型研究;任喜;毕鹏;张晓斐;;舰船电子工程(04);79-81、97 * |
旅游季节性测度框架及其实证研究;余向洋;经济地理;第39卷(第11期);225-234 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807758A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bianchi et al. | Short-term electric load forecasting using echo state networks and PCA decomposition | |
US20130166350A1 (en) | Cluster based processing for forecasting intermittent demand | |
Basallo-Triana et al. | Analogue-based demand forecasting of short life-cycle products: a regression approach and a comprehensive assessment | |
CN109064212A (zh) | 商品价格预测方法及装置 | |
CN113807758B (zh) | 一种数据生成方法和装置 | |
CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
CN114169625A (zh) | 电力系统的短期负荷预测方法及装置 | |
CN109410502A (zh) | 火灾预警方法及装置 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
Cobb et al. | Accurate lead time demand modeling and optimal inventory policies in continuous review systems | |
US20140324760A1 (en) | Synthetic time series data generation | |
CN116362607B (zh) | 一种物资储备效能评估方法及装置 | |
US10558767B1 (en) | Analytical derivative-based ARMA model estimation | |
Choi et al. | Analysis of electricity consumption at home using K-means clustering algorithm | |
CN109948773A (zh) | 生成信息的方法和装置 | |
CN116865254A (zh) | 一种电力负荷指标预测方法、系统、设备及介质 | |
Islam et al. | Sustainability of Machine Learning Models: An Energy Consumption Centric Evaluation | |
CN112115182A (zh) | 时序数据的处理方法、装置、设备及存储介质 | |
Yamaguchi et al. | Model-based multi-objective reinforcement learning with unknown weights | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
CN110874640A (zh) | 使用机器学习(ml)的间歇数据的分布选择和模拟 | |
Riesener et al. | Identification of evaluation criteria for algorithms used within the context of product development | |
Sagoolmuang et al. | Median-difference window subseries score for contextual anomaly on time series | |
Mohan et al. | Demand forecasting and route optimization in supply chain industry using data Analytics |
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 |