CN114004513A - 一种需求预测方法、系统及存储介质 - Google Patents

一种需求预测方法、系统及存储介质 Download PDF

Info

Publication number
CN114004513A
CN114004513A CN202111301395.5A CN202111301395A CN114004513A CN 114004513 A CN114004513 A CN 114004513A CN 202111301395 A CN202111301395 A CN 202111301395A CN 114004513 A CN114004513 A CN 114004513A
Authority
CN
China
Prior art keywords
product
prediction
screening
characteristic
feature
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
CN202111301395.5A
Other languages
English (en)
Inventor
周伟华
周云
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.)
Zhejiang University of Technology ZJUT
Zhejiang University ZJU
Original Assignee
Zhejiang University of Technology ZJUT
Zhejiang University ZJU
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 Zhejiang University of Technology ZJUT, Zhejiang University ZJU filed Critical Zhejiang University of Technology ZJUT
Priority to CN202111301395.5A priority Critical patent/CN114004513A/zh
Publication of CN114004513A publication Critical patent/CN114004513A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

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

Abstract

本发明公开了一种需求预测方法、系统及存储介质，涉及机器学习的数据驱动决策技术领域，具体步骤为：提取产品属性特征和预测特征；根据所述产品属性特征，构建产品簇；对所述预测特征进行初步筛选，得到产品重要特征集；根据所述产品重要特征集结合所述产品簇进行二次筛选，构成二次筛选特征集；将所述二次筛选特征集输入机器学习模型中进行需求预测。在本发明中，将产品归为不同的产品簇，借助同一类别内其他产品的特征信息进行特征二次精选，可以在避免学习模型失效的基础上，有效地解决特征筛选失灵的问题，减少特征维数，从而提升高特征维度、小样本量需求预测效果，降低预测的误差成本。

Description

一种需求预测方法、系统及存储介质
技术领域
本发明涉及机器学习的数据驱动决策技术领域，更具体的说是涉及一种需求预测方法、系统及存储介质。
背景技术
在大数据时代，公司的商务管理和决策发生了根本性的转变——由依赖于管理决策人员的直觉和经验变为尽可能基于数据和数据分析。大数据和机器学习、优化相结合，形成了数据驱动决策的基本内涵。借助大量的、高维的数据，对产品的需求进行预测，是数据驱动决策的重要方向，也是新零售等商业模式变革下产品运营和供应链管理的重要课题。
传统的需求预测，更多地考虑成本对称的情形，即过多预测成本与过少预测成本相等。然而，现实中这两个成本往往是不相等的(非对称)。另外，现实场景下，大量的需求预测任务存在高特征维度、小样本量的情形。如何在高特征维度、小样本量的情境下，基于机器学习进行成本非对称的需求预测，是当前大数据背景下数据驱动决策面临的重大挑战。
针对高特征维度、小样本量的学习任务，现有的方法多考虑对称成本，主要包括三大体系：(1)增加数据集样本量(比如聚类)，其核心思想是采用特定的方法或者技术来增加样本数量，比较常用的是生成虚拟样本；(2)通过特征选择来减少特征的数量，通常分为三种模式：过滤式，包裹式和嵌入式；(3)学习方法，采用机器学习方法来对小型数据集进行分类预测，包括正则化线性判别分析、加权分段线性判别分析、转移学习方法等。
在非对称成本和特征高维、小样本量的场景下，上述三个体系的效果大打折扣。采用聚类等方法可以增加样本量，但容易引起模型失效——对同一个簇内的两个产品A和B，预测成本存在结构
Figure BDA0003338460480000021
和
Figure BDA0003338460480000022
则模型降低产品A的预测损失，必然会导致B的损失提高。相对较少的样本量则会削弱特征筛选的效果，筛选出对模型真正重要的特征难度较大。现有的学习方法更多的是针对分类学习，在回归学习场景下难以直接应用。
综上所述，在机器学习框架下，传统的小样本需求预测方法在非对称成本情境下存在不足，容易引起特征筛选失灵和学习模型失效，从而导致较差的预测效果。因此，对本领域技术人员来说，如何在高特征维度、小样本量的情境下，基于机器学习进行准确的需求预测，是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种需求预测方法、系统及存储介质，以解决背景技术中指出的问题，在高特征维度、小样本量的情境下，基于机器学习进行准确的需求预测。
为了实现上述目的，本发明采用如下技术方案：一方面，提供一种基于相似产品特征信息的需求预测方法，具体步骤包括如下：
提取产品属性特征和预测特征；
根据所述产品属性特征，构建产品簇；
对所述预测特征进行初步筛选，得到产品重要特征集；
根据所述产品重要特征集结合所述产品簇进行二次筛选，构成二次筛选特征集；
将所述二次筛选特征集输入机器学习模型中进行需求预测。
可选的，所述产品属性特征包括产地、品牌、材质、工艺、规格、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度、相对价格水平、市场表现特征。
可选的，所述产品簇通过聚类方法构建，所述聚类方法包括划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。
可选的，还包括计算产品预测特征的不重要程度，具体为，对产品i，计算i所属的簇内其他产品k与i之间的相似度，根据所述相似度计算其他产品k的权重值
Figure BDA0003338460480000031
计算出产品i第s个特征的不重要程度，计算公式为：
Figure BDA0003338460480000032
其中，
Figure BDA0003338460480000033
可选的，所述相似度采用闵可夫斯基距离、余弦相似度、皮尔森相关系数中的其中一种方法进行计算。
可选的，还包括对机器学习模型计算损失函数，计算公式为：
Figure BDA0003338460480000034
其中，i表示第i个产品，j表示第j个样本，
Figure BDA0003338460480000035
表示模型对第i个产品、第j个样本的预测损失；
Figure BDA0003338460480000036
和
Figure BDA0003338460480000037
分别表示过多预测和过少预测的成本；
Figure BDA0003338460480000038
表示第i个产品、第j个样本的预测特征；
Figure BDA0003338460480000039
表示第i个产品、第j个样本的预测值。
可选的，所述进行初步筛选的方法包括卡方选择法、相关系数法、卡方检验、互信息法、递归特征消除法、基于惩罚项的特征选择方法、基于树模型的特征选择方法。
另一方面，提供一种基于相似产品特征信息的需求预测系统，包括特征提取模块、产品簇构建模块、初筛模块、精筛模块、预测模块；其中，
所述特征提取模块，用于提取产品属性特征和预测特征；
所述产品簇构建模块，用于根据所述产品属性特征，构建产品簇；
所述初筛模块，用于对所述预测特征进行初步筛选，得到产品重要特征集；
所述精筛模块，用于根据所述产品重要特征集结合所述产品簇进行二次筛选，构成二次筛选特征集；
所述预测模块，用于将所述二次筛选特征集输入机器学习模型中进行需求预测。
可选的，还包括损失函数计算模块，用于对所述机器学习模型计算损失函数。
最后，提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于相似产品特征信息的需求预测方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种需求预测方法、系统及存储介质，具有以下有益的技术效果：
(1)本发明将产品归为不同的类别(产品簇)，借助统一个类别内其他产品的特征信息进行特征二次精选，可以在避免学习模型失效的基础上，有效地解决特征筛选失灵的问题，减少特征维数，从而提升高特征维度、小样本量且考虑非对称成本(包含对称成本)的需求预测效果，降低预测的误差成本。
(2)本发明对特征进行二次降维，在提升预测效果的同时，降低了机器学习模型的复杂度，使得模型易于实践应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例1公开了一种基于相似产品特征信息的需求预测方法，如图1所示，具体步骤为：
S1、提取产品属性特征和预测特征；
S2、根据产品属性特征，构建产品簇；
S3、对预测特征进行初步筛选，得到产品重要特征集；
S4、根据产品重要特征集结合产品簇进行二次筛选，构成二次筛选特征集；
S5、将二次筛选特征集输入机器学习模型中进行需求预测。
进一步的，结合具体实施例说明本发明方法步骤。
国内某主流电商平台需要对部分在售产品未来一天的需求进行预测，以辅助其订货决策。选取该平台在售的189个SKU，收集原始数据并脱敏，包括产品属性信息、价格数据、在线访问数据、营销活动数据、销售数据，数据时间区间为2017年8月10日——2018年10月25日(440天)。也就是说，单个产品的销量时间序列长度最多只有440天，单个产品进行机器学习模型训练和预测时，所能用的样本量最多只有440个。
步骤一：提取产品属性特征集AFi。
Figure BDA0003338460480000061
AFi是长度为10的向量，意味着提取了10个产品属性特征。
步骤二：根据产品属性特征，采用层次聚类算法将189个SKU分为5个产品簇(类别)，分别记为CL1，CL2，CL3，CL4，CL5。
步骤三：从原始数据集中提取每个产品i的初始预测特征集OFi。
Figure BDA0003338460480000062
Figure BDA0003338460480000063
表示第一个特征，以此类推，总共有175个初始特征。对应的特征数据为：
Figure BDA0003338460480000064
其中FEAi为Mi×N矩阵(Mi≤440)，
Figure BDA0003338460480000065
分别表示175个特征的数值向量，每个向量内有Mi个数值，表示产品i的样本数(时间序列长度)。
步骤四：提取每个产品i的需求向量
Figure BDA0003338460480000066
Figure BDA0003338460480000067
和Di组成输入机器学习模型的预测数据集，记为OFDi。将预测数据集按8:1:1分割为3个部分：训练集、验证集、测试集。
步骤五：将每个产品预测数据集的训练集输入随机森林模型(树模型)，进行初步特征筛选，得到产品预测特征集的重要性标记向量
Figure BDA0003338460480000068
其中，标记
Figure BDA0003338460480000069
表示第r个特征为重要特征，标记
Figure BDA00033384604800000610
表示第r个特征的重要性不确定，标记
Figure BDA00033384604800000611
表示第r个特征为不重要特征。选出标记为1的特征构建产品级的重要特征集。
步骤六：在每一个产品簇中，对每一个产品i，分别计算簇内其他产品k与产品i的属性相似度
Figure BDA0003338460480000071
根据如下公式计算其他产品k的权重值
Figure BDA0003338460480000072
Figure BDA0003338460480000073
步骤七：结合特征的重要性标记和簇内产品的特征重要性信息，计算出产品i第e个特征的不重要程度：
Figure BDA0003338460480000074
(特征e标记为-1)，构建产品i的特征不重要程度向量
Figure BDA0003338460480000075
步骤七：对任一产品i，根据不重要程度向量Ui，在标记为1的特征中挑选出不重要程度最低的ni个特征，ni的数值由以下公式计算得到
ni＝min{ln(Mi),|Labeli|}。
表1对比了一次筛选(随机森林)和二次筛选(基于相似产品特征信息)之后，所有产品数据集对应的特征数分布。可见，二次筛选以后，预测数据集整体的特征数大大减少，平均值由15降到6，实现了特征的二次降维。
表1
Figure BDA0003338460480000076
步骤八：对任一产品i，将二次筛选得到的ni个特征，输入多隐层神经网络进行模型训练，用验证集进行调参，用测试集进行需求预测的效果评估。
其中，调参和效果评估所用的损失函数为
Figure BDA0003338460480000081
其中，
Figure BDA0003338460480000082
表2展示了使用两种特征选择方法时神经网络模型预测的结果。其中，BP_QQC_AF是指使用上述成本非对称损失函数，初始预测特征集的测试方案；BP_QQC_RF则使用上述成本非对称损失函数，使用随机森林算法所选择的重要特征集来进行模型训练和需求预测的方案；BP_QQC_New表示使用上述成本非对称损失函数，本发明提出的方法二次筛选的特征集来进行模型训练和需求预测的方案。
表2
Figure BDA0003338460480000083
表2中，相对于传统的一次筛选方法(BP_QQC_RF)，本发明提出的方法的结果，在测试集的日均误差成本均值下降31.6％(从509元下降至348元),日均误差成本中位数则下降30.3％(从264降到184)。因此，本发明提出的方法显著提升了高特征维度、小样本量的学习任务中，成本非对称的需求预测效果。
实施例2
实施例2与实施例1仅存在以下不同之处，其余部分均相同，相同部分参见实施例1：
步骤六：在每一个产品簇中，对每一个产品i，分别计算簇内其他产品k与产品i的属性相似度
Figure BDA0003338460480000091
根据如下公示计算其他产品k的权重值
Figure BDA0003338460480000092
Figure BDA0003338460480000093
结合特征的重要性标记和簇内产品的特征重要性信息，计算出产品i第e个特征的不重要程度：
Figure BDA0003338460480000094
(特征e标记为-1)，构建产品i的特征不重要程度向量
Figure BDA0003338460480000095
对任一产品i，根据频次向量FRs，在标记为1的特征中挑选出频次最高的ni个特征，ni的数值由以下公式计算得到
ni＝min{ln(Mi),|Labeli|}。
下表3对比了一次筛选(随机森林)和二次筛选(基于相似产品特征信息)之后，所有产品数据集对应的特征数分布。可见，二次筛选以后，预测数据集整体的特征数大大减少，平均值由15降到6，实现了特征的二次降维。
表3
Figure BDA0003338460480000096
对任一产品i，将二次筛选得到的ni个特征，输入随机森林模型进行训练，用验证集进行调参，用测试集进行需求预测的效果评估。其中，调参和效果评估所用的损失函数为
Figure BDA0003338460480000101
其中，
Figure BDA0003338460480000102
表4展示了使用两种特征选择方法时随机森林模型预测的结果。其中，RF_LLC_AF是指使用上述线性成本非对称损失函数，初始预测特征集的测试方案；RF_LLC_RF则使用上述线性成本非对称损失函数，使用随机森林算法所选择的重要特征集来进行模型训练和需求预测的方案；RF_LLC_ICPF表示使用上述线性成本非对称损失函数，基于相似产品特征信息二次筛选的特征集来进行模型进行训练和需求预测的方案。
表4
方法 训练集平均成本 测试集平均成本 测试集成本中位数
RF_LLC_AF 126 567 285
RF_LLC_RF 121 522 275
RF_LLC_ICPF 133 437 240
表4中，相对于传统的一次筛选方法(RF_QQC_RF)，本发明提出的方法的结果，在测试集的日均误差成本均值下降16.3％(从522元下降至437元),日均误差成本中位数则下降12.7％(从275降到240)。因此，本发明提出的方法显著提升了高特征维度、小样本量的学习任务中，成本非对称的需求预测效果，且该提升效果在不同的机器学习模型下都比较显著。
本发明实施例3提供一种基于相似产品特征信息的需求预测系统，如图2所示，包括特征提取模块、产品簇构建模块、初筛模块、精筛模块、预测模块；其中，
特征提取模块，用于提取产品属性特征和预测特征；
产品簇构建模块，用于根据产品属性特征，构建产品簇；
初筛模块，用于对预测特征进行初步筛选，得到产品重要特征集；
精筛模块，用于根据产品重要特征集结合产品簇进行二次筛选，构成二次筛选特征集；
预测模块，用于将二次筛选特征集输入机器学习模型中进行需求预测。
进一步的，还包括损失函数计算模块，用于对机器学习模型计算损失函数。
最后，提供一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器执行时实现基于相似产品特征信息的需求预测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于相似产品特征信息的需求预测方法，其特征在于，具体步骤包括如下：
提取产品属性特征和预测特征；
根据所述产品属性特征，构建产品簇；
对所述预测特征进行初步筛选，得到产品重要特征集；
根据所述产品重要特征集结合所述产品簇进行二次筛选，构成二次筛选特征集；
将所述二次筛选特征集输入机器学习模型中进行需求预测。
2.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，所述产品属性特征包括产地、品牌、材质、工艺、规格、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度、相对价格水平、市场表现特征。
3.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，所述产品簇通过聚类方法构建，所述聚类方法包括划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。
4.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，还包括计算产品预测特征的不重要程度，具体为，对产品i，计算i所属的簇内其他产品k与i之间的相似度，根据所述相似度计算其他产品k的权重值
Figure FDA0003338460470000011
计算出产品i第s个特征的不重要程度，计算公式为：
Figure FDA0003338460470000012
其中，
Figure FDA0003338460470000013
5.根据权利要求4所述的一种基于相似产品特征信息的需求预测方法，其特征在于，所述相似度采用闵可夫斯基距离、余弦相似度、皮尔森相关系数中的其中一种方法进行计算。
6.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，还包括对机器学习模型计算损失函数，计算公式为：
Figure FDA0003338460470000021
其中，i表示第i个产品，j表示第j个样本，
Figure FDA0003338460470000022
表示第i个产品、第j个样本的实际需求，
Figure FDA0003338460470000023
表示模型对第i个产品、第j个样本的预测损失；
Figure FDA0003338460470000024
表示预测值超过实际值引起的单位持有成本，
Figure FDA0003338460470000025
表示预测值低于实际值引起的单位缺货损失；
Figure FDA0003338460470000026
表示第i个产品、第j个样本的预测特征；
Figure FDA0003338460470000027
和
Figure FDA0003338460470000028
表示第i个产品、第j个样本的预测值。
7.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，所述进行初步筛选的方法包括卡方选择法、相关系数法、卡方检验、互信息法、递归特征消除法、基于惩罚项的特征选择方法、基于树模型的特征选择方法。
8.一种基于相似产品特征信息的需求预测系统，其特征在于，包括特征提取模块、产品簇构建模块、初筛模块、精筛模块、预测模块；其中，
所述特征提取模块，用于提取产品属性特征和预测特征；
所述产品簇构建模块，用于根据所述产品属性特征，构建产品簇；
所述初筛模块，用于对所述预测特征进行初步筛选，得到产品重要特征集；
所述精筛模块，用于根据所述产品重要特征集结合所述产品簇进行二次筛选，构成二次筛选特征集；
所述预测模块，用于将所述二次筛选特征集输入机器学习模型中进行需求预测。
9.根据权利要求8所述的一种基于相似产品特征信息的需求预测系统，其特征在于，还包括损失函数计算模块，用于对所述机器学习模型计算损失函数。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的基于相似产品特征信息的需求预测方法的步骤。
CN202111301395.5A 2021-11-04 2021-11-04 一种需求预测方法、系统及存储介质 Pending CN114004513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111301395.5A CN114004513A (zh) 2021-11-04 2021-11-04 一种需求预测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111301395.5A CN114004513A (zh) 2021-11-04 2021-11-04 一种需求预测方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114004513A true CN114004513A (zh) 2022-02-01

Family

ID=79927381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111301395.5A Pending CN114004513A (zh) 2021-11-04 2021-11-04 一种需求预测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114004513A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881294A (zh) * 2022-04-14 2022-08-09 浙江工业大学 一种基于融合机器学习和时间序列的需求预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103733214A (zh) * 2011-09-26 2014-04-16 三菱重工业株式会社 需求预测装置、需求预测方法以及需求预测程序
CN107577605A (zh) * 2017-09-04 2018-01-12 南京航空航天大学 一种面向软件缺陷预测的特征聚类选择方法
US20180081683A1 (en) * 2016-09-21 2018-03-22 Red Hat Israel, Ltd. Task assignment using machine learning and information retrieval
CN108629978A (zh) * 2018-06-07 2018-10-09 重庆邮电大学 一种基于高维路网和循环神经网络的交通轨迹预测方法
CN110135623A (zh) * 2019-04-12 2019-08-16 天津大学 基于层次聚类和神经网络的负荷预测输入特征筛选方法
CN111178624A (zh) * 2019-12-26 2020-05-19 浙江大学 一种新产品需求预测的方法
CN111401603A (zh) * 2020-01-22 2020-07-10 国网江苏省电力有限公司南京供电分公司 一种多类型能源需求预测方法
CN111401808A (zh) * 2020-03-12 2020-07-10 重庆文理学院 一种基于混合模型的物资协议库存需求预测方法
US20200302371A1 (en) * 2019-03-20 2020-09-24 Microsoft Technology Licensing, Llc Assessment-based opportunity exploration
CN112861925A (zh) * 2021-01-18 2021-05-28 中国科学院自动化研究所 基于深度学习网络的多区域车辆需求预测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103733214A (zh) * 2011-09-26 2014-04-16 三菱重工业株式会社 需求预测装置、需求预测方法以及需求预测程序
US20180081683A1 (en) * 2016-09-21 2018-03-22 Red Hat Israel, Ltd. Task assignment using machine learning and information retrieval
CN107577605A (zh) * 2017-09-04 2018-01-12 南京航空航天大学 一种面向软件缺陷预测的特征聚类选择方法
CN108629978A (zh) * 2018-06-07 2018-10-09 重庆邮电大学 一种基于高维路网和循环神经网络的交通轨迹预测方法
US20200302371A1 (en) * 2019-03-20 2020-09-24 Microsoft Technology Licensing, Llc Assessment-based opportunity exploration
CN110135623A (zh) * 2019-04-12 2019-08-16 天津大学 基于层次聚类和神经网络的负荷预测输入特征筛选方法
CN111178624A (zh) * 2019-12-26 2020-05-19 浙江大学 一种新产品需求预测的方法
CN111401603A (zh) * 2020-01-22 2020-07-10 国网江苏省电力有限公司南京供电分公司 一种多类型能源需求预测方法
CN111401808A (zh) * 2020-03-12 2020-07-10 重庆文理学院 一种基于混合模型的物资协议库存需求预测方法
CN112861925A (zh) * 2021-01-18 2021-05-28 中国科学院自动化研究所 基于深度学习网络的多区域车辆需求预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汤颖 等: "基于兴趣的社交网络用户聚类及可视化", 《计算机科学》, 15 November 2017 (2017-11-15), pages 385 - 390 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881294A (zh) * 2022-04-14 2022-08-09 浙江工业大学 一种基于融合机器学习和时间序列的需求预测方法

Similar Documents

Publication Publication Date Title
CN111178624B (zh) 一种新产品需求预测的方法
CN110968701A (zh) 用于图神经网络的关系图谱建立方法以及装置、设备
CN108388955A (zh) 基于随机森林和逻辑回归的客户服务策略制定方法、装置
CN109636482B (zh) 基于相似度模型的数据处理方法及系统
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN107784518A (zh) 一种基于多维指标的电力客户细分方法
CN111681022A (zh) 一种网络平台数据资源价值评估方法
CN113111924A (zh) 电力客户分类方法及装置
CN115660725A (zh) 多维度能源用户画像的刻画方法
Li et al. Prediction of electricity consumption during epidemic period based on improved particle swarm optimization algorithm
El Koufi et al. Research on precision marketing based on big data analysis and machine learning: case study of Morocco
Zhou et al. Research on corporate financial performance prediction based on self‐organizing and convolutional neural networks
CN114004513A (zh) 一种需求预测方法、系统及存储介质
CN112785156B (zh) 一种基于聚类与综合评价的产业领袖识别方法
Zhang Research on precision marketing based on consumer portrait from the perspective of machine learning
CN113450141A (zh) 一种基于电力大客户群体售电量特征的智能预测方法及装置
CN108009847A (zh) 外卖场景下店铺embedding特征提取的方法
CN111221915B (zh) 基于CWK-means的在线学习资源质量分析方法
CN115018207B (zh) 一种基于上下游的供应链管理方法、系统和设备
CN114372835B (zh) 综合能源服务潜力客户识别方法、系统及计算机设备
CN115907937A (zh) 基于神经网络的供应链金融风险监控方法及系统
CN115687788A (zh) 一种智能化商机推荐方法和系统
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
CN115689639A (zh) 一种基于深度学习的商业广告点击率预测方法
CN114529063A (zh) 一种基于机器学习的金融领域数据预测方法、设备及介质

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