CN113947439A - 需求预测模型训练方法和装置、需求预测方法和装置 - Google Patents

需求预测模型训练方法和装置、需求预测方法和装置 Download PDF

Info

Publication number
CN113947439A
CN113947439A CN202111247123.1A CN202111247123A CN113947439A CN 113947439 A CN113947439 A CN 113947439A CN 202111247123 A CN202111247123 A CN 202111247123A CN 113947439 A CN113947439 A CN 113947439A
Authority
CN
China
Prior art keywords
demand
prediction model
factor
baseline
model
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
Application number
CN202111247123.1A
Other languages
English (en)
Inventor
石正新
张建申
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN202111247123.1A priority Critical patent/CN113947439A/zh
Publication of CN113947439A publication Critical patent/CN113947439A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种需求预测模型训练方法和装置，涉及机器学习等技术领域。该方法的一具体实施方式包括：获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型；基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，因子用于表征需求因素对需求基项的影响程度；基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，需求预测模型预测用于表征需求基项、至少一个需求因素与待测产品的需求量之间的对应关系。该实施方式提高了需求预测模型的性能。

Description

需求预测模型训练方法和装置、需求预测方法和装置
技术领域
本公开涉及计算机技术领域，具体涉及机器学习等技术领域，尤其涉及需求预测模型训练方法和装置、需求预测方法和装置、电子设备、计算机可读介质以及计算机程序产品。
背景技术
随着电子商务的不断发展，各大电商在供应链技术中做出了巨大贡献，而供应链的上游则是销量预测技术，目前普遍采用机器学习、深度学习的方式做销量预测，这种方式虽然能够取得较好的效果，但是对于销量预测的下游使用场景，比如补货，使用智能预测进行备货，当业务系统采纳智能预测时，会基于智能预测生成补货建议量，此时因为多个影响因素存在，使业务系统补货决策结果具有不准确的风险。
发明内容
本公开的实施例提出了需求预测模型训练方法和装置、需求预测方法和装置、电子设备、计算机可读介质以及计算机程序产品。
第一方面，本公开的实施例提供了一种需求预测模型训练方法，该方法包括：获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型，基线预测模型用于表征需求基项与基线需求量之间的对应关系；基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，因子用于表征需求因素对需求基项的影响程度，因子预测模型用于表征需求因素与因子之间的对应关系；基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，需求预测模型预测用于表征需求基项、至少一个需求因素与待测产品的需求量之间的对应关系。
在一些实施例中，上述因子预测模型包括：系数预测模型和增量预测模型；需求因素包括：系数因素和增量因素；基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型包括：响应于当前需求因素为系数因素，训练得到与当前系数因素对应的系数进行预测的系数预测模型，系数预测模型用于表征需求因素与系数之间的对应关系；响应于当前需求因素为增量因素，训练得到与当前增量因素对应的增量进行预测的增量预测模型，增量预测模型用于表征需求因素与增量之间的对应关系。
在一些实施例中，上述基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型包括：将基线预测模型分别与各个系数预测模型相乘，得到至少一个分量模型，每个分量模型对应一个系数预测模型；将基线预测模型、所有分量模型以及增量预测模型相加，得到需求预测模型。
在一些实施例中，上述基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型包括：从预先构建的备选基线模型池中选取备选基线模型；基于选取的备选基线模型，得到基线预测模型；采用需求基项的数据样本对基线预测模型进行训练，得到训练完成的基线预测模型，训练完成的基线预测模型用于输出基线需求量。
在一些实施例中，上述因子预测模型包括：树模型、拟合模型之中的一项或两项。
第二方面，本公开的实施例提供了一种需求预测方法，该方法包括：获取待测时刻待测产品的需求基项的数据、至少一个需求因素的数据；将需求基项的数据、各个需求因数的数据分别输入采用如第一方面任一实现方式生成的需求预测模型中，待测产品的需求量。
在一些实施例中，上述需求基项为销量，需求因素包括：促销、营销、季节中一项或两项。
第三方面，本公开的实施例提供了一种需求预测模型训练装置，该装置包括：获取单元，被配置成获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；基线训练单元，被配置成基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型，基线预测模型用于表征需求基项与基线需求量之间的对应关系；因素训练单元，被配置成基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，因子用于表征需求因素对需求基项的影响程度，因子预测模型用于表征需求因素与因子之间的对应关系；生成单元，被配置成基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，需求预测模型预测用于表征需求基项、至少一个需求因素与待测产品的需求量之间的对应关系。
在一些实施例中，上述因子预测模型包括：系数预测模型和增量预测模型；需求因素包括：系数因素和增量因素；因素训练单元包括：系数训练模块，被配置成响应于当前需求因素为系数因素，训练得到与当前系数因素对应的系数进行预测的系数预测模型，系数预测模型用于表征需求因素与系数之间的对应关系；增量训练模块，被配置成响应于当前需求因素为增量因素，训练得到与当前增量因素对应的增量进行预测的增量预测模型，增量预测模型用于表征需求因素与增量之间的对应关系。
在一些实施例中，上述生成单元包括：相乘模块，被配置成将基线预测模型分别与各个系数预测模型相乘，得到至少一个分量模型，每个分量模型对应一个系数预测模型；求和模块，被配置成将基线预测模型、所有分量模型以及增量预测模型相加，得到需求预测模型。
在一些实施例中，上述基线训练单元包括：构建模块，被配置成从预先构建的备选基线模型池中选取备选基线模型；选取模块，被配置成基于选取的备选基线模型，得到基线预测模型；训练模块，被配置成采用需求基项的数据样本对基线预测模型进行训练，得到训练完成的基线预测模型，训练完成的基线预测模型用于输出基线需求量。
在一些实施例中，上述因子预测模型包括：树模型、拟合模型之中的一项或两项。
第四方面，本公开的实施例提供了一种需求预测装置，该装置包括：获取单元，被配置成获取待测时刻待测产品的需求基项的数据、至少一个需求因素的数据；识别单元，被配置成预测单元，被配置成将需求基项的数据、各个需求因数的数据分别输入采用如第三方面任一实现方式生成的需求预测模型中，输出对待测产品的需求量。
在一些实施例中，上述需求基项为销量，需求因素包括：促销、营销、季节中一项或两项。
第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。
第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
第七方面，本公开的实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面任一实现方式描述的方法。
本公开的实施例提供的需求预测模型训练方法和装置，首先获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；其次，基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型；再次，基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型；最后，基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型。由此，在进行需求预测时，通过确定需求基项以及对需求基项产生影响的至少一个需求因素，从多个方面分析需求量的影响因素，为保证预测的需求量的准确性提供可靠依据；需求预测模型基于基线预测模型和至少一个因子预测模型组合得到，可以保证需求量全链路的各个链路节点的可解释性，提高了需求预测模型的预测的准确性，保证了业务系统补货决策的可靠性。
本公开的实施例提供的需求预测方法和模型，通过采用需求预测模型训练方法生成的需求预测模型，可以有效地预测待测产品需求量，保证了需求预测模型对待测产品的预测效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的需求预测模型训练方法的一个实施例的流程图；
图3是本公开需求预测模型训练过程的一种结构示意图；
图4是根据本公开的需求预测方法的一个实施例的流程图；
图5是根据本公开的需求预测模型训练装置的实施例的结构示意图；
图6是根据本公开的需求预测装置的实施例的结构示意图；
图7是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的需求预测模型训练方法或需求预测方法的示例性系统架构100。
如图1所示，系统架构100可以包括终端101、102，网络103、数据库服务器104和服务器105。网络103用于在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、图像识别应用、文本识别应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102为硬件时，其上还可以安装有需求基项(产品销量)和需求因素(促销、营销、季节、天气)采集设备。采集设备可以是各种能实现采集功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的采集设备，采集需求基项的数据、至少一个需求因素的数据。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的数据样本。其中，数据样本可以包括需求基项的数据样本和至少一个需求因素的数据样本。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取数据样本。
服务器105也可以是提供各种服务的服务器，例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的数据样本，对初始模型进行训练，并可以将训练结果(如生成的需求预测模型)发送给终端101、102。这样，用户可以应用生成的需求预测模型进行需求量预测。
这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开的实施例所提供的需求预测模型训练方法或需求预测方法一般由服务器105执行。相应地，需求预测模型训练装置或需求预测装置一般也设置于服务器105中。
需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。
应该理解，图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络、数据库服务器和服务器。
如图2，示出了根据本公开的需求预测模型训练方法的一个实施例的流程200，该需求预测模型训练方法包括以下步骤：
步骤201，获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本。
本实施例中，需求基项是对待测产品的需求量起主导作用的影响因素，例如，电商供给系统中，对待测产品的需求量的预测以销量作为需求基项，而在预设周期(一年、半年)中，销量的平均水平反映了待测产品的需求量的长期趋势。再如，供电系统中，待测产品为电力，需求基项为对提供给用户的供电量，而季节信息则是对供电量产生影响的需求因素，从而供电量和季节信息可以共同作为供电需求量预测的影响因素。
本实施例中，待测产品的需求基项不同，需求因素的数量、内容形式等可以不同，如3所示，需求基项为销量X，至少一个需求因素包括促销信息Q、营销信息R、季节信息O。
本实施例中，需求基项的数据样本是与需求基项的特征相关的样本信息，如图3所示，当需求基项为销量X时，则需求基项的数据样本可以包括：在预设周期T的不同时刻的销量值FX(T)；在需求因素包括：促销信息Q、营销信息R、季节信息O时，需求因素的数据样本是与需求因素的特征相关的样本信息，如，促销信息Q的特征FQ(T)包括：在预设周期T的不同时刻中的待测产品的价格值、满减值等；营销信息R的特征FR(T)包括：营销数量、营销范围值等；季节信息O的特征FO(O)包括：预设周期的阴阳历信息、季节周期、季节性起量值。
需要说明的是，预设周期T可以将需求基准样本数据与至少一个需求因素的样本数据统一在一起，例如，预设周期T中第一时刻的销量和促销量。
本实施例中，获取需求基项的数据样本和需求因素的数据样本独立对需求预测模型的各个部分进行训练，其中一部分模型以需求基项作为基准的影响因素，另一部分模型以对需求基项产生影响的需求因素作为辅助的影响因素，从而可以对待测产品的需求预测进行可靠的分析，需求预测模型中各个独立模型均以需求基项训练的模型为基础得出，需求预测模型中多个独立模型形成链路，各个链路节点均可解析，而链路节点的可解释表征可以解释预测模型的过程及结果，便于执行主体或者业务系统对全链路的各个链路节点的理解，从而达到了尽量减少模型黑盒的范围的目的。
在本实施例中，需求预测模型训练方法的执行主体(例如图1所示的服务器)可以通过多种方式来获取需求基项的数据样本和需求因素的数据样本，例如，用户可以通过终端(例如图1所示的终端101、102)来收集需求基项和需求因素的原始数据。对需求基项和需求因素的原始数据进行数据选取、特征提取等方式可以得到适用于模型训练的需求基项的数据样本和需求因素的数据样本，并将处理得到的数据样本存储在本地。
再如，执行主体还可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的需求基项的数据样本和需求因素的数据样本。
在这里，还可以从数据库服务器获取原始数据，并对原始数据进行数据选取，特征提取，对提取的特征进行数据标注，得到需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本。
步骤202，基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型。
其中，基线预测模型用于表征需求基项与基线需求量之间的对应关系。
在本实施例中，得到的基线预测模型是训练完成的模型，上述基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型可以包括：构建基线预测模型，将需求基项的数据样本输入基线预测模型，对基线预测模型进行训练。在训练过程中，可以根据基线预测模型对需求基项的数据样本进行预测得到的预测值与真实值之间的差异并通过调整基线预测模型的参数改变差异的大小，为了衡量基线预测模型的好坏可以采用损失函数表示预测值与真实值之间的差异程度。而当需求预测模型的损失函数的损失值小于预定损失值阈值时，例如，损失值小于0.05，可以停止调整参数，确定需求预测模型满足训练完成条件，得到训练完成的需求预测模型。
可选地，若需求预测模型不满足训练完成条件，则调整需求预测模型中的相关参数使得损失函数的损失值收敛，直至需求预测模型的损失函数的损失值小于预定损失值阈值为止，确定得到训练完成的需求预测模型。
本可选实现方式中，在每次迭代训练之后，若需求预测网络不满足训练完成通过调整需求预测网络的相关参数，可以快速地得到需求预测模型，保证了模型的收敛效果。
在本实施例的一些可选实现方式中，上述基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型包括：从预先构建的备选基线模型池中选取备选基线模型；基于选取的备选基线模型，得到基线预测模型；采用需求基项的数据样本对基线预测模型进行训练，得到训练完成的基线预测模型，训练完成的基线预测模型用于输出基线需求量。
本可选实现方式中，预先构建的备选基线模型池中的备选基线模型可以是任何预测模型，各个备选基线模型均用于对基线需求量进行预测，并且各个备选基线模型的均是通过需求基项的特征训练得到；在构建完成备选基线模型池之后，通过机器学习模型从备选基线模型池中选取具有较优预测结果的备选基线模型，提高了基线预测模型准确性。
本实施例中，可以将具有较优预测结果的备选基线模型中具有最优预测结果的备选基线模型作为基线预测模型。
可选地，当具有较优预测结果的备选基线模型为多个时，为选取的各个备选基线模型赋权重值，将各个备选基线模型与各自的权重值相乘求和，得到基线预测模型。
可选地，当具有较优预测结果的备选基线模型为多个时，可以通过改进损失函数，得到基线预测模型的损失函数，如式(1)所示，基于预测结果的准确程度，为从N(N＞1)个备选基线模型中选取的(共选取M个，M＞1)各个备选基线模型fn的损失函数赋权重值w(fn)，将选取的各个备选基线模型的损失函数Lnm与各自的权重值相乘求和的最小值，得到基线预测模型的基线损失函数，在采用需求基项的数据样本对基线预测模型进行训练时，通过上述基线损失函数计算基线预测模型的损失值，响应于基线预测模型的损失值达到预设的损失阈值时，得到训练完成的基线预测模型，训练完成的基线预测模型用于输出基线需求量。
Figure BDA0003321452240000101
本可选实现方式中，通过机器学习模型，从备选基线模型池中选取备选基线模型，基于选取的备选基线模型，得到训练完成基线预测模型，为得到基线预测模型提供可靠的获取手段，保证了基线需求量预测的可靠性。
步骤203，基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型。
其中，因子用于表征需求因素对需求基项的影响程度，因子预测模型用于表征需求因素与因子之间的对应关系。
在本实施例中，执行主体基于从步骤201中获取的需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型。
本实施例中，因子是指与需求基项相关的参数，该参数可以在不同方面反映需求因素对需求基项的影响程度，通过因子预测模型可以有效反映因子的大小或者多少，例如，需求因素促销信息可以对销量产生比例上的影响，则因子为比例值大小；再如，需求因素季节可以对销量产生需求量上的影响，则因子为需求量的多少。针对需求基项是销量时，需求因素对应的因子包括：促销因子、营销因子，季节因子。
本实施例中，可以根据需求因素对需求基项的影响，将需求因素划分为：系数因素和增量因素，由于不同的待测产品对应的需求因素不同，则因子预测模型也不同，因子预测模型的训练过程也可以不同。可选地，当需求因素为系数因素时，因子预测模型包括：系数预测模型。可选地，当需求因素为增量因素时，因子预测模型包括：增量预测模型。
基于需求因素的特征不同，因子预测模型可以采用的模型结构不同，在本实施例的一些可选实现方式中，因子预测模型包括：树模型、拟合模型之中的一项或两项。
本实施例中，可以采用GBDT(Gradient Boosting Decision Tree，梯度提升随机树模型)学习促销因子。GBDT是一种基于集成思想的决策树模型，本质是基于残差学习。GBDT可处理各种类型的数据；有着较高的准确率；对异常值的鲁棒性强。GBDT的训练过程为：采用加法模型，通过不断减小训练过程产生的残差，以此对数据进行回归或分类。
本实施例中，可以采用prophet(先知)模型学习季节因子，prophet模型由以下部分组成：趋势项g(t)，表示时间序列在非周期上面的变化趋势；周期项s(t)，以周或年为单元；节假日项h(t)，表示时间序列中那些潜在的具有非固定周期的节假日对预测值造成的影响。误差项ε(t)，表示模型未预测到的波动值，服从高斯分布。prophet模型通过拟合上述几项，并将这些项累加起来就得到了时间序列的预测值。
可选地，基于需求因素的特征，因子预测模型还可以采用非线性窗函数，该非线性窗函数在促销活动期间的促销信息为：销量除以活动前的销量；在非促销活动期间的促销信息为预设的固定值。
本可选实现方式中，因子预测模型采用多种机器学习的算法模型中一种或者多种，为因子预测模型提供了多样的模型架构的支持，保证了因子预测模型的多样性。
可选地，在需求基项为销量时，基于需求因素的类型不同，如图4所示，与各个需求因素对应因子预测模型包括：促销因子预测模型、营销因子预测模型、季节因子预测模型。
在本实施例的一些可选实现方式中，因子预测模型包括：系数预测模型和增量预测模型；需求因素包括：系数因素和增量因素；基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型包括：响应于当前需求因素为系数因素，训练得到与当前系数因素对应的系数进行预测的系数预测模型，系数预测模型用于表征需求因素与系数之间的对应关系；响应于当前需求因素为增量因素，训练得到与当前增量因素对应的增量进行预测的增量预测模型，增量预测模型用于表征需求因素与增量之间的对应关系。
本实施例中，系数因素是对需求基项的具有倍数影响的因子，例如使需求基项呈系数因素对应的值倍的扩大或缩小；增量因素是对需求基项具有大小量影响的因子，例如使需求基项减小或者增加增长因素对应的值的。
系数预测模型是与系数因素对应的算法模型，该算法模型可以采用函数进行表示；增量预测模型是与增量因素对应的算法模型，该算法模型可以采用函数进行表示。在需求基项为销量时，促销因子预测模型和营销因子预测模型为系数预测模型；季节因子预测模型为增量预测模型。
本实施例中，将需求因素划分为系数因素和增量因素将对需求基项的影响划分为系数和增量两个不同方面，从而可以较全面的涵盖需求因素对需求基项的影响，提高了对待测产品的需求量分析的可靠性。
可选地，因子预测模型包括：系数预测模型；需求因素包括：系数因素；上述基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型包括：训练得到与当前系数因素对应的系数进行预测的系数预测模型，系数预测模型用于表征需求因素与系数之间的对应关系。
本可选实现方式中，对于只对需求基项具有倍数影响的需求因素，可以只采用系数预测模型，从而在呈倍增比例变化的系数因素方面保证了待测产品的需求量分析的可靠性。
可选地，因子预测模型包括：增量预测模型，需求因素包括：系数因素；上述基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型包括：训练得到与当前增量因素对应的增量进行预测的增量预测模型，增量预测模型用于表征需求因素与增量之间的对应关系。
步骤204，基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型。
其中，需求预测模型预测用于表征需求基项、至少一个需求因素与待测产品的需求量之间的对应关系。
本实施例中，基线预测模型和因子预测模型可以均是算法模型，将基线预测模型和因子预测模型进行线性计算，可以得到需求预测模型。基于因子预测模型的类型不同，进行线性计算的方式可以包括：加权、相乘、相加等。
当所有因子预测模型均为系数预测模型时，上述基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，包括：将基线预测模型分别与所有因子预测模型中各个因子预测模型相乘，并将得到乘积值相加，得到需求预测模型。
当所有因子预测模型均为增量预测模型时，上述基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，包括：将基线预测模型与所有因子预测模型中各个因子预测模型相加，得到需求预测模型。
在本实施例的一些可选实现方式中，当所有因子预测模型包括系数预测模型和增量预测模型时，上述基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型包括：将基线预测模型分别与各个系数预测模型相乘，得到至少一个分量模型，每个分量模型对应一个系数预测模型；将基线预测模型、所有分量模型以及增量预测模型相加，得到需求预测模型。
本可选实现方式中，需求因素包括：系数因素和增量因素，将各个系数预测模型输出的系数分别与基线预测模型输出的基线需求量相乘，得到各个系数因素对应的待测产品的需求量；对基线需求量、所有增量因素对应的增量、所有系数因素对应的待测产品的需求量求和，得到需求预测模型预测的待测产品的需求量。
本可选实现方式中，将基线预测模型和因子预测模型进行线性计算，得到需求预测模型可以有效监测到各个影响因素的对待测产品的需求量的影响的大小，从而对需求量的大小进行有效地拆解。
本公开的实施例提供的需求预测模型训练方法，首先获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；其次，基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型；再次，基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型；最后，基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型。由此，在进行需求预测时，通过确定需求基项以及对需求基项产生影响的至少一个需求因素，从多个方面分析需求量的影响因素，为保证预测的需求量的准确性提供可靠依据；需求预测模型基于基线预测模型和至少一个因子预测模型组合得到，可以在全链路的每一个链路节点确定需求量含量，提高了需求预测模型的预测的准确性，保证了业务系统补货决策的可靠性。
请参见图4，其示出了本公开提供的需求预测方法的一个实施例的流程400。该需求预测方法可以包括以下步骤：
步骤401，获取待测时刻待测产品的需求基项的数据、至少一个需求因素的数据。
本实施例中，需求基项的数据是与需求基项的特征相关的数据，例如，需求基项为销量，则需求基项的数据可以在某时刻的销量值。需求因素的数据是与需求因素的特征相关的数据，例如，需求因素为促销，则需求因素为某时刻待测产品的价格值。
在本实施例中，需求预测模型训练方法的执行主体(例如图1所示的服务器)可以通过多种方式来获取需求基项的数据、至少一个需求因素的数据，例如，用户可以通过终端(例如图1所示的终端101、102)来收集需求基项的数据、至少一个需求因素的数据。再如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的需求基项的数据、至少一个需求因素的数据。
在本实施例的一些可选实现方式中，上述需求基项为销量，需求因素包括：促销、营销、季节中一项或两项。
本可选实现方式中，促销的数据包括：预设周期的不同时刻中的待测产品的价格值、满减值等；营销的数据包括：预设周期的不同时刻中的营销数量、营销范围值等；季节的数据包括：预设周期的阴阳历信息、季节周期、季节性起量值。
可选地，需求因素还可以包括：天气、随机等。
本实施例中，将需求基项设置为销量，基于促销、营销以及不同季节对销量的影响，可以使需求预测模型精确地确定待测产品的需求量。
步骤402，将需求基项的数据、各个需求因数的数据分别输入采用需求预测模型训练方法生成的需求预测模型中，得到待测产品的需求量。
在本实施例中，执行主体可以将步骤401中获取的需求基项的数据、至少一个需求因素的数据输入需求预测模型中，从而输出待测产品的需求量。步骤201-204训练生成的需求预测模型可以预测待测产品的需求量。
本实施例中，待测产品的需求量是指待向市场投入的待测产品的数量，该需求量用于表征市场对待测产品的需求数量。
在本实施例中，需求预测模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。
需要说明的是，本实施例需求预测方法可以用于测试上述各实施例所生成的需求预测模型。进而根据转换结果可以不断地优化需求预测模型。该方法也可以是上述各实施例所生成的需求预测模型的实际应用方法。采用上述各实施例所生成的需求预测模型，来进行需求预测，有助于提高需求预测的性能。
本公开的实施例提供的需求预测方法，通过采用需求预测模型训练方法生成的需求预测模型，可以有效地预测待测产品需求量，保证了需求预测模型对待测产品的预测效果。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了需求预测模型训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本公开的实施例提供了一种需求预测模型训练装置500，该装置500包括：获取单元501、基线训练单元502、因素训练单元503、生成单元504。其中，获取单元501，可以被配置成获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本。基线训练单元502，可以被配置成基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型，基线预测模型用于表征需求基项与基线需求量之间的对应关系。因素训练单元503，可以被配置成基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，因子用于表征需求因素对需求基项的影响程度，因子预测模型用于表征需求因素与因子之间的对应关系。上述生成单元504，可以被配置成基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，需求预测模型预测用于表征需求基项、至少一个需求因素与待测产品的需求量之间的对应关系。
在本实施例中，需求预测模型训练装置500中，获取单元501、基线训练单元502、因素训练单元503、生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在一些实施例中，上述因子预测模型包括：系数预测模型和增量预测模型；需求因素包括：系数因素和增量因素；上述因素训练单元503包括：系数训练模块(图中未示出)、增量训练模块(图中未示出)。其中，上述系数训练模块，可以被配置成响应于当前需求因素为系数因素，训练得到与当前系数因素对应的系数进行预测的系数预测模型，系数预测模型用于表征需求因素与系数之间的对应关系。上述增量训练模块，可以被配置成响应于当前需求因素为增量因素，训练得到与当前增量因素对应的增量进行预测的增量预测模型，增量预测模型用于表征需求因素与增量之间的对应关系。
在一些实施例中，上述生成单元504包括：相乘模块(图中未示出)、求和模块(图中未示出)。其中，上述相乘模块，可以被配置成将基线预测模型分别与各个系数预测模型相乘，得到至少一个分量模型，每个分量模型对应一个系数预测模型。上述求和模块，可以被配置成将基线预测模型、所有分量模型以及增量预测模型相加，得到需求预测模型。
在一些实施例中，上述基线训练单元502包括:构建模块(图中未示出)、选取模块(图中未示出)、训练模块(图中未示出)。其中，上述构建模块，可以被配置成从预先构建的备选基线模型池中选取备选基线模型。上述选取模块，可以被配置成基于选取的备选基线模型，得到基线预测模型。上述训练模块，可以被配置成采用需求基项的数据样本对基线预测模型进行训练，得到训练完成的基线预测模型，训练完成的基线预测模型用于输出基线需求量。
在一些实施例中，上述因子预测模型包括：树模型、拟合模型之中的一项或两项。
本公开的实施例提供的需求预测模型训练装置，首先获取单元501获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；其次，基线训练单元502基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型；再次，因素训练单元503基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型；最后，生成单元504基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型。由此，在进行需求预测时，通过确定需求基项以及对需求基项产生影响的至少一个需求因素，从多个方面分析需求量的影响因素，为保证预测的需求量的准确性提供可靠依据；需求预测模型基于基线预测模型和至少一个因子预测模型组合得到，可以保证需求量全链路的各个链路节点的可解释性，提高了需求预测模型的预测的准确性，保证了业务系统补货决策的可靠性。
继续参见图6，作为对上述图4所示方法的实现，本申请提供了一种需求预测装置的一个实施例。该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的需求预测装置600可以包括：获取单元601，被配置成获取待测时刻待测产品的需求基项的数据、至少一个需求因素的数据。预测单元602，被配置成将需求基项的数据、各个需求因数的数据分别输入采用上述图5所示的需求预测模型训练装置生成的需求预测模型中，输出对待测产品的需求量。
可以理解的是，该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
在一些实施例中，上述需求基项为销量，需求因素包括：促销、营销、季节中一项或两项。
需要说明的是，本公开的实施例中所涉及的图像、个人信息等数据均已通过用户自愿授权，个人信息数据的获取、存储、处理和传输等均符合相关法律法规的要求。
下面参考图7，其示出了适于用来实现本公开的实施例的电子设备700的结构示意图。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、等的输入装置706；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本；基于需求基项的数据样本，训练得到对待测产品的基线需求量进行预测的基线预测模型，基线预测模型用于表征需求基项与基线需求量之间的对应关系；基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，因子用于表征需求因素对需求基项的影响程度，因子预测模型用于表征需求因素与因子之间的对应关系；基于基线预测模型和所有的因子预测模型，得到对待测产品的需求量进行预测的需求预测模型，需求预测模型预测用于表征需求基项、至少一个需求因素与待测产品的需求量之间的对应关系。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、基线训练单元、因素训练单元、生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“被配置成获取预设周期中待测产品的需求基项的数据样本和对需求基项产生影响的至少一个需求因素的数据样本”的单元。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种需求预测模型训练方法，所述方法包括：
获取预设周期中待测产品的需求基项的数据样本和对所述需求基项产生影响的至少一个需求因素的数据样本；
基于所述需求基项的数据样本，训练得到对所述待测产品的基线需求量进行预测的基线预测模型，所述基线预测模型用于表征需求基项与基线需求量之间的对应关系；
基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，所述因子用于表征需求因素对所述需求基项的影响程度，所述因子预测模型用于表征所述需求因素与所述因子之间的对应关系；
基于所述基线预测模型和所有的因子预测模型，得到对所述待测产品的需求量进行预测的需求预测模型，所述需求预测模型预测用于表征需求基项、至少一个需求因素与所述待测产品的需求量之间的对应关系。
2.根据权利要求1所述的方法，所述因子预测模型包括：系数预测模型和增量预测模型；所述需求因素包括：系数因素和增量因素；
所述基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型包括：
响应于当前需求因素为系数因素，训练得到与当前系数因素对应的系数进行预测的系数预测模型，所述系数预测模型用于表征所述需求因素与所述系数之间的对应关系；
响应于当前需求因素为增量因素，训练得到与当前增量因素对应的增量进行预测的增量预测模型，所述增量预测模型用于表征所述需求因素与所述增量之间的对应关系。
3.根据权利要求2所述的方法，其中，所述基于所述基线预测模型和所有的因子预测模型，得到对所述待测产品的需求量进行预测的需求预测模型包括：
将所述基线预测模型分别与各个系数预测模型相乘，得到至少一个分量模型，每个分量模型对应一个系数预测模型；
将所述基线预测模型、所有分量模型以及所述增量预测模型相加，得到需求预测模型。
4.根据权利要求1-3之一所述的方法，其中，所述基于所述需求基项的数据样本，训练得到对所述待测产品的基线需求量进行预测的基线预测模型包括：
从预先构建的备选基线模型池中选取备选基线模型；
基于选取的备选基线模型，得到基线预测模型；
采用所述需求基项的数据样本对所述基线预测模型进行训练，得到训练完成的基线预测模型，训练完成的基线预测模型用于输出基线需求量。
5.根据权利要求1-3之一所述的方法，其中，所述因子预测模型包括：树模型、拟合模型之中的一项或两项。
6.一种需求预测方法，所述方法包括：
获取待测时刻待测产品的需求基项的数据、至少一个需求因素的数据；
将所述需求基项的数据、各个需求因数的数据分别输入采用如权利要求1-5中任一项所述的需求预测模型训练方法生成的需求预测模型中，得到所述待测产品的需求量。
7.根据权利要求6所述的方法，其中，所述需求基项为销量，所述需求因素包括：促销、营销、季节中一项或两项。
8.一种需求预测模型训练装置，所述装置包括：
获取单元，被配置成获取预设周期中待测产品的需求基项的数据样本和对所述需求基项产生影响的至少一个需求因素的数据样本；
基线训练单元，被配置成基于所述需求基项的数据样本，训练得到对所述待测产品的基线需求量进行预测的基线预测模型，所述基线预测模型用于表征需求基项与基线需求量之间的对应关系；
因素训练单元，被配置成基于各个需求因素的数据样本，训练得到对各个需求因素对应的因子进行预测的因子预测模型，所述因子用于表征需求因素对所述需求基项的影响程度，所述因子预测模型用于表征所述需求因素与所述因子之间的对应关系；
生成单元，被配置成基于所述基线预测模型和所有的因子预测模型，得到对所述待测产品的需求量进行预测的需求预测模型，所述需求预测模型预测用于表征需求基项、至少一个需求因素与所述待测产品的需求量之间的对应关系。
9.一种需求预测装置，所述装置包括：
获取单元，被配置成获取待测时刻待测产品的需求基项的数据、至少一个需求因素的数据；
预测单元，被配置成将所述需求基项的数据、各个需求因数的数据分别输入采用如权利要求8所述的需求预测模型训练装置生成的需求预测模型中，输出对所述待测产品的需求量。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
CN202111247123.1A 2021-10-26 2021-10-26 需求预测模型训练方法和装置、需求预测方法和装置 Pending CN113947439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111247123.1A CN113947439A (zh) 2021-10-26 2021-10-26 需求预测模型训练方法和装置、需求预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111247123.1A CN113947439A (zh) 2021-10-26 2021-10-26 需求预测模型训练方法和装置、需求预测方法和装置

Publications (1)

Publication Number Publication Date
CN113947439A true CN113947439A (zh) 2022-01-18

Family

ID=79332407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111247123.1A Pending CN113947439A (zh) 2021-10-26 2021-10-26 需求预测模型训练方法和装置、需求预测方法和装置

Country Status (1)

Country Link
CN (1) CN113947439A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640917A (zh) * 2022-12-26 2023-01-24 北京京东振世信息技术有限公司 物品需求量生成方法、装置、设备、介质和程序产品
WO2024119865A1 (zh) * 2022-12-06 2024-06-13 北京京东尚科信息技术有限公司 预测信息生成方法、装置、设备、介质和程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110363454A (zh) * 2018-04-09 2019-10-22 杉数科技(北京)有限公司 用于确定商品补货量的方法及装置
CN111626515A (zh) * 2020-05-29 2020-09-04 浙江百世技术有限公司 一种智能补货系统
CN113469595A (zh) * 2020-03-31 2021-10-01 株式会社日立制作所 智慧供应链系统及服务器平台

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110363454A (zh) * 2018-04-09 2019-10-22 杉数科技(北京)有限公司 用于确定商品补货量的方法及装置
CN113469595A (zh) * 2020-03-31 2021-10-01 株式会社日立制作所 智慧供应链系统及服务器平台
CN111626515A (zh) * 2020-05-29 2020-09-04 浙江百世技术有限公司 一种智能补货系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024119865A1 (zh) * 2022-12-06 2024-06-13 北京京东尚科信息技术有限公司 预测信息生成方法、装置、设备、介质和程序产品
CN115640917A (zh) * 2022-12-26 2023-01-24 北京京东振世信息技术有限公司 物品需求量生成方法、装置、设备、介质和程序产品

Similar Documents

Publication Publication Date Title
CN110648026A (zh) 预测模型构建方法、预测方法、装置、设备及介质
CN106095895B (zh) 信息推送方法和装置
CN112561082A (zh) 生成模型的方法、装置、设备以及存储介质
CN113743971B (zh) 一种数据处理方法和装置
CN110070382B (zh) 用于生成信息的方法和装置
JP7010674B2 (ja) 電力需要予測装置、電力需要予測方法およびプログラム
CN113763019A (zh) 一种用户信息管理方法和装置
CN113947439A (zh) 需求预测模型训练方法和装置、需求预测方法和装置
CN114677183A (zh) 一种新品销量预测方法、装置、计算机设备及存储介质
CN115018552A (zh) 产品点击率确定方法
CN110866625A (zh) 促销指标信息生成方法和装置
CN114049162B (zh) 模型训练方法、需求量预测方法、装置、设备和存储介质
CN113191806B (zh) 确定流量调控目标的方法及装置
CN113822734A (zh) 用于生成信息的方法和装置
CN111598599B (zh) 用户表征方法、装置、电子设备及计算机可读介质
CN113792931B (zh) 数据预测方法、装置、物流货量预测方法、介质和设备
KR102284440B1 (ko) 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
CN113743906A (zh) 一种确定业务处理策略的方法和装置
CN111506643B (zh) 用于生成信息的方法、装置和系统
CN111105274A (zh) 数据处理方法、装置、介质及电子设备
CN113379436A (zh) 信息处理方法、装置、计算设备及介质
CN110619537A (zh) 用于生成信息的方法和装置
US20240211250A1 (en) Software version control using forecasts as covariate for experiment variance reduction
KR102311108B1 (ko) 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
KR102313181B1 (ko) 딥러닝 솔루션 플랫폼을 제공하는 딥러닝 플랫폼 제공장치에 의해서 수행되는 딥러닝 솔루션 제공 방법

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