CN114862323A - 库存储备的分析方法、装置、设备及存储介质 - Google Patents
库存储备的分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114862323A CN114862323A CN202210591526.6A CN202210591526A CN114862323A CN 114862323 A CN114862323 A CN 114862323A CN 202210591526 A CN202210591526 A CN 202210591526A CN 114862323 A CN114862323 A CN 114862323A
- Authority
- CN
- China
- Prior art keywords
- data
- inventory
- sample
- user
- stock
- 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
- 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
- G06Q10/06—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)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种库存储备的分析方法、装置、设备及存储介质,应用于人工智能领域,包括:获取多个样本用户的样本库存流动数据;根据各样本用户的样本库存流动数据生成各样本用户的样本库存需求数据;基于各样本用户的样本库存需求数据构建库存储备分析模型,该库存储备分析模型由储备分析模型和回归分析模型组合得到,储备分析模型由各样本用户的样本库存需求数据训练得到,回归分析模型由各样本用户的样本库存需求数据和储备分析模型的输出数据训练得到;当获取到待分析用户的库存需求数据时,通过库存储备分析模型输出待分析用户的库存储备分析数据。采用本申请实施例,可提高库存储备的分析效率和准确率,降低库存调度成本。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种库存储备的分析方法、装置、设备及存储介质。
背景技术
目前,随着经济不断发展,商品和资金的流动速度日益加快,这需要企业或机构对自己的库存或者资金进行分析,从而对库存或者资金进行及时调度,保障生产经营效率。例如,在金融领域,一个银行经常需要分析自己的经营情况和库存储备(例如,现金储备)情况,并基于经营情况和库存储备情况在总行、各支行以及其他同业机构之间进行库存储备的调度。现有技术中,银行通常由业务专家分析评估接下来一段周期的现金需求量,以此为依据确定库存储备的调度方案。但是,这种库存储备的调度方案通常是根据业务专家的经验确定的,主观性强,库存储备分析数据的准确性差、库存储备分析效率低,库存储备的调度成本高,适用性差。
发明内容
本申请实施例提供一种库存储备的分析方法、装置、设备及存储介质,可提高库存储备的分析效率和准确率,降低库存调度成本,操作简单,适用性高。
第一方面,本申请实施例供了一种库存储备的分析方法,该方法包括:
获取多个样本用户的样本库存流动数据,上述样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种;
根据各样本用户的上述残损资源数据、上述指定数额交易数据、上述经营收支数据、上述同业资源调度数据或者上述交易日特征数据中的至少一种样本库存流动数据生成上述各样本用户的样本库存需求数据;
基于上述各样本用户的样本库存需求数据构建库存储备分析模型,其中,上述库存储备分析模型由储备分析模型和回归分析模型组合得到,上述储备分析模型由上述各样本用户的样本库存需求数据训练得到,上述回归分析模型由上述各样本用户的样本库存需求数据和上述储备分析模型的输出数据训练得到;
当获取到待分析用户的库存需求数据时,将上述待分析用户的库存需求数据输入上述库存储备分析模型,通过上述库存储备分析模型输出上述待分析用户的库存储备分析数据。
在本申请实施例中,可以获取多个样本用户的样本库存流动数据,并根据各样本用户的至少一种样本库存流动数据生成各样本用户的样本库存需求数据。这里,样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种。在得到各样本用户的样本库存需求数据之后,可以基于各样本用户的样本库存需求数据构建库存储备分析模型。这里,库存储备分析模型至少包括储备分析模型和回归分析模型,这里的储备分析模型可以由各样本用户的样本库存需求数据训练得到,这里的回归分析模型可以由各样本用户的样本库存需求数据和储备分析模型的输出数据训练得到。当获取到待分析用户的库存需求数据时,可以将待分析用户的库存需求数据输入库存储备分析模型,进而通过库存储备分析模型输出待分析用户的库存储备分析数据。采用本申请的实施例,可以利用训练好的库存储备分析模型基于待分析用户的库存需求数据确定待分析用户的库存储备分析数据,可提高库存储备的分析效率和准确率,同时降低库存调度成本,操作简单,适用性高。
结合第一方面,在一种可能的实施方式中,上述获取多个样本用户的样本库存流动数据包括:
获取多个样本用户的库存流动数据,从各样本用户的上述库存流动数据中确定出上述各样本用户的以下参考数据中的至少一项:上述各样本用户的库存流动数据的平均数、上述各样本用户的库存流动数据的众数、或者上述各样本用户的库存流动数据中位数;
基于上述各样本用户的至少一项上述参考数据以及上述各样本用户的库存流动数据确定上述各样本用户的数据波动差值;
将上述数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到各样本用户的样本库存流动数据。
在本申请实施例中,可以获取多个样本用户的库存流动数据,进而对各样本用户的库存流动数据进行统计处理,以得到各样本用户的参考数据。这里,参考数据至少包括各样本用户的库存流动数据的平均数、各样本用户的库存流动数据的众数、或者各样本用户的库存流动数据中位数中的一项。可以理解,这里的参考数据可以作为衡量库存流动数据的参考,也即,可以用各样本用户的参考数据来评估获取到的各样本用户的库存流动数据的质量,并对各样本用户的库存流动数据加以处理。进一步可以理解,可以基于各样本用户的至少一项参考数据以及各样本用户的库存流动数据确定各样本用户的数据波动差值,并将数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到各样本用户的样本库存流动数据,计算方法简单,同时提升了各样本用户的样本库存流动数据的数据质量,进而提高了通过样本库存流动数据构建得到的存储备分析模型的精度和准确度,降低库存调度成本。
结合第一方面,在一种可能的实施方式中,在将上述数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除之后,上述方法还包括:
从筛除后的各样本用户的库存流动数据中确定出上述各样本用户缺失的库存流动数据;
利用上述各样本用户的至少一项上述参考数据补足上述各样本用户缺失的库存流动数据,以得到上述各样本用户的样本库存流动数据。
结合第一方面,在一种可能的实施方式中,上述根据各样本用户的上述残损资源数据、上述指定数额交易数据、上述经营收支数据、上述同业资源调度数据或者上述交易日特征数据中的至少一种样本库存流动数据生成上述各样本用户的样本库存需求数据包括:
基于任一样本用户的上述残损资源数据、上述指定数额交易数据、上述经营收支数据、上述同业资源调度数据或者上述交易日特征数据中的至少一种样本库存流动数据,得到上述任一样本用户的样本库存流动数据的数据均值、数据极值、数据标准差或者窗口滑动数据中的至少一种样本库存衍生数据;
基于上述至少一种样本库存流动数据和上述至少一种样本库存衍生数据确定上述任一样本用户的样本库存需求数据,以得到上述各样本用户的样本库存需求数据。
在本申请实施例中,可以基于任一样本用户的至少一种样本库存流动数据,以得到任一样本用户的至少一种样本库存衍生数据,进而根据各样本用户的至少一种样本库存流动数据和至少一种样本库存衍生数据,确定各样本用户的样本库存需求数据。这里,样本库存流动数据至少包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据。这里,样本库存衍生数据至少包括样本库存流动数据的数据均值、数据极值、数据标准差或者窗口滑动数据。采用本申请提供的实施例,可以丰富样本库存需求数据的维度,进一步提高通过样本库存流动数据构建得到的存储备分析模型的精度和准确度,降低库存调度成本。
结合第一方面,在一种可能的实施方式中,上述基于上述至少一种样本库存流动数据和上述至少一种样本库存衍生数据确定上述任一样本用户的样本库存需求数据包括:
对上述至少一种样本库存流动数据进行归一化处理,以得到上述至少一种样本库存流动数据对应的嵌入式特征向量;
对上述至少一种样本库存衍生数据进行归一化处理,以得到上述至少一种样本库存衍生数据对应的嵌入式特征向量;
将上述至少一种样本库存流动数据对应的嵌入式特征向量和上述至少一种样本库存衍生数据对应的嵌入式特征向量确定为上述任一样本用户的样本库存需求数据。
在本申请实施例中,可以对至少一种样本库存流动数据进行归一化处理,以得到至少一种样本库存流动数据对应的嵌入式特征向量,并对至少一种样本库存衍生数据进行归一化处理,以得到至少一种样本库存衍生数据对应的嵌入式特征向量,进而得到任一样本用户的样本库存需求数据。采用本申请提供的实施例,可以将离散的样本库存流动数据和样本库存衍生数据变为连续的嵌入式特征向量,以此构建库存储备分析模型,进而提高库存储备分析模型的精度和准确率。
结合第一方面,在一种可能的实施方式中,上述基于上述各样本用户的样本库存需求数据构建库存储备分析模型包括:
基于上述各样本用户的样本库存需求数据构建储备分析模型,并获取上述储备分析模型针对上述样本库存需求数据的输出数据;
基于上述储备分析模型的输出数据以及上述各样本用户的样本库存需求数据、利用线性回归算法训练得到上述回归分析模型,以得到上述库存储备分析模型。
结合第一方面,在一种可能的实施方式中,在上述通过上述库存储备分析模型确定上述待分析用户的库存储备分析数据之后,上述方法还包括:
基于上述待分析用户的库存储备分析数据确定上述待分析用户的基本库存储备数据、节假日库存储备数据或者紧急库存储备数据;
基于上述待分析用户的基本库存储备数据、节假日库存储备数据或者临时库存储备数据生成上述待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案;
基于上述待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案向上述待分析用户发送库存调度指示。
在本申请实施例中,可以基于待分析用户的库存储备分析数据确定待分析用户的基本库存储备数据、节假日库存储备数据或者紧急库存储备数据,进而生成待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案,并向待分析用户发送库存调度指示,进一步提高提高库存储备分析的效率和准确率,降低库存调度成本。
第二方面,本申请实施例提供了一种库存储备的分析装置,该装置包括:
样本获取模块,用于获取多个样本用户的样本库存流动数据,上述样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种;
数据处理模块,用于根据各样本用户的上述残损资源数据、上述指定数额交易数据、上述经营收支数据、上述同业资源调度数据或者上述交易日特征数据中的至少一种样本库存流动数据生成上述各样本用户的样本库存需求数据;
模型训练模块,用于基于上述各样本用户的样本库存需求数据构建库存储备分析模型,其中,上述库存储备分析模型由储备分析模型和回归分析模型组合得到,上述储备分析模型由上述各样本用户的样本库存需求数据训练得到,上述回归分析模型由上述各样本用户的样本库存需求数据和上述储备分析模型的输出数据训练得到;
库存分析模块,用于在获取到待分析用户的库存需求数据时,将上述待分析用户的库存需求数据输入上述库存储备分析模型,通过上述库存储备分析模型输出上述待分析用户的库存储备分析数据。
在本申请实施例中,装置可以获取多个样本用户的样本库存流动数据,并根据各样本用户的至少一种样本库存流动数据生成各样本用户的样本库存需求数据。这里,样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种。在得到各样本用户的样本库存需求数据之后,可以基于各样本用户的样本库存需求数据构建库存储备分析模型。这里,库存储备分析模型至少包括储备分析模型和回归分析模型,这里的储备分析模型可以由各样本用户的样本库存需求数据训练得到,这里的回归分析模型可以由各样本用户的样本库存需求数据和储备分析模型的输出数据训练得到。当获取到待分析用户的库存需求数据时,装置可以将待分析用户的库存需求数据输入库存储备分析模型,进而通过库存储备分析模型输出待分析用户的库存储备分析数据。采用本申请的实施例,装置可以利用训练好的库存储备分析模型基于待分析用户的库存需求数据确定待分析用户的库存储备分析数据,可提高库存储备的分析效率和准确率,同时降低库存调度成本,操作简单,适用性高。
第三方面,本申请实施例提供了一种终端设备,该终端设备包括处理器和存储器,该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序,该计算机程序包括程序指令,该处理器被配置用于调用上述程序指令,执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
在本申请实施例中,可以获取多个样本用户的样本库存流动数据,并根据各样本用户的至少一种样本库存流动数据生成各样本用户的样本库存需求数据。这里,样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种。在得到各样本用户的样本库存需求数据之后,可以基于各样本用户的样本库存需求数据构建库存储备分析模型。这里,库存储备分析模型至少包括储备分析模型和回归分析模型,这里的储备分析模型可以由各样本用户的样本库存需求数据训练得到,这里的回归分析模型可以由各样本用户的样本库存需求数据和储备分析模型的输出数据训练得到。当获取到待分析用户的库存需求数据时,可以将待分析用户的库存需求数据输入库存储备分析模型,进而通过库存储备分析模型输出待分析用户的库存储备分析数据。采用本申请的实施例,可以利用训练好的库存储备分析模型基于待分析用户的库存需求数据确定待分析用户的库存储备分析数据,可提高库存储备的分析效率和准确率,同时降低库存调度成本,操作简单,适用性高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的库存储备的分析方法的一流程示意图;
图2是本申请实施例提供的样本库存需求数据的生成方法的流程示意图;
图3是本申请实施例提供的库存储备的分析方法的另一流程示意图;
图4是本申请实施例提供的库存储备的分析装置的结构示意图;
图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例提供的库存储备的分析方法(或简称本申请实施例提供的方法)适用于利用人工智能(Artificial Intelligence,AI)技术对某个领域的库存需求数据进行模型的构建,可以更好地基于用户的库存需求数据得到用户的库存储备分析数据,并基于用户的库存储备分析数据生成用户的库存调度方案,进而基于库存调度方案向用户发送库存调度指示。换句话说,对用户的库存需求数据进行库存储备分析模型构建,可以将更准确地利用库存储备分析模型确定用户对应的库存储备分析数据,根据用户对应的库存储备分析数据生成库存调度方案,进而基于库存调度方案向用户发送库存调度指示,或者将库存调度方案展示或发送给用户的上一级用户等。例如,在银行的现金库存储备的分析场景中,可以根据一个银行网点或一个地区的银行网点的库存需求数据(比如该银行网点的库存储备现金量、该银行网点的日均现金交易量等),得到该银行网点的库存储备分析数据(例如,在未来一天、未来一周或者未来一段时间内需要储备的现金量),并生成库存调度方案(例如,生成该银行网点在未来一天、未来一周或者未来一段时间内需要需要从其他银行网点或者现金库运输调度的现金额度、现金面值、调度时间等数据),进而基于库存调度方案向该银行网点发送库存调度指示、或者将库存调度方案展示或发送给该银行网点的上一级银行网点(例如,将支行网点的库存调度方案统一发送给总行)等。或者,在对企业的经营点的货物库存储备的分析场景中,可以根据一个企业的经营点的或一个地区的经营点的库存需求数据(比如该经营点的库存储备货物量、该经营点的月均货物交易量等),得到该营业点的库存储备分析数据(例如,在未来一周或者未来一段时间内需要储备的货物量),并生成库存调度方案(例如,生成该经营点在未来一周或者未来一段时间内需要需要从其他经营点或者库房运输调度的货物数量、货物种类、发货时间等数据),进而基于库存调度方案向该经营点发送库存调度指示、或者将库存调度方案展示或发送给该经营点的上一级经营点(例如,将一个市内各区经营点的库存调度方案统一发送给市区的总经营点)等。可见,进行模型构建并利用模型进行预测的适用范围非常广泛。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。任何基于人工智能技术对相关的数据进行获取和建模的场景都可以包含在本申请提供的实施例中,为方便描述,本申请实施例将以在金融领域对库存需求数据的库存储备分析模型构建作为应用场景进行说明,对其他领域或金融领域的其他数据进行其他种类的模型构建与本申请提供的实施例本质相同,在此不再赘述。
在本申请实施例中,为表述方便,下面将以库存储备的分析系统或者库存储备的分析装置(以下简称为系统或装置)为执行主体构建库存储备分析模型,并通过库存储备分析模型确定待分析用户的库存储备分析数据为例,对本申请实施例提供的库存储备的分析方法及装置进行示例说明。
请参阅图1,图1是本申请实施例提供的库存储备的分析方法的一流程示意图。本申请实施例提供的方法可包括如下步骤:
S101:获取多个样本用户的残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种样本库存流动数据。
S102:根据各样本用户的残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种样本库存流动数据生成各样本用户的样本库存需求数据。
在一些可行的实施方式中,系统可以获取多个样本用户的样本库存流动数据,并根据各样本用户的样本库存流动数据生成各样本用户的样本库存需求数据,再利用各样本用户的样本库存需求数据构建库存储备分析模型。
具体地,请一并参阅图2,图2是本申请实施例提供的样本库存需求数据的生成方法的流程示意图。上述样本库存需求数据的生成方法可包括如下步骤S201至S207中各个步骤所提供的实现方式。
S201:获取多个样本用户的库存流动数据,从各样本用户的库存流动数据中确定出各样本用户的以下参考数据中的至少一项:各样本用户的库存流动数据的平均数、各样本用户的库存流动数据的众数、或者各样本用户的库存流动数据中位数。
S202:基于各样本用户的至少一项参考数据以及各样本用户的库存流动数据确定各样本用户的数据波动差值。
S203:将数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到筛除后的各样本用户的库存流动数据。
在一些可行的实施方式中,系统可以获取样本用户的库存流动数据。可选的,系统可以从库存储备应用(例如,银行系统应用(在本申请提供的实施例中为银行系统应用,也可以是购物类应用等其他具有记录库存储备功能的应用))的数据库中获取到样本用户的库存流动数据。这里,库存流动数据包括但不限于用户或库房在库存储备应用的网页或者客户端的业务操作页面上录入的现有库存数据、储备出库数据、储备入库数据,用户在生产经营期间通过库存储备应用的网页或者客户端的业务操作页面上的录入的储备出库数据、储备入库数据,等等。这里,每一个库存储备的分析场景都可以对应不同的库存流动数据,系统可以根据库存储备的分析场景确定该库存储备的分析场景对应的库存流动数据。可以理解,本申请提供的库存储备的分析场景包括但不限于银行的现金库存储备的分析场景或企业的经营点的货物库存储备的分析场景等需要对库存储备进行分析的场景。
进一步可以理解,银行的现金库存储备的分析场景对应可以反映现金储备需求的库存流动数据(例如,一个银行网点的库存储备现金量、日均现金交易量等库存流动数据),企业的经营点的货物库存储备的分析场景对应可以反映货物储备需求的库存流动数据(例如,一个经营点的库存储备货物量、月均货物交易量等库存流动数据)。下面将以银行的现金库存储备的分析场景为例,对本申请实施例提供的库存储备的分析方法及装置进行示例说明。这里,银行的现金库存储备的分析场景对应的库存流动数据可以包括:残损资源数据(例如,一个银行网点在一天或者一周或者其他交易周期内库存中破损的现金钞票的数量、面额等数据)、指定数额交易数据(例如,一个银行网点在一天或者一周或者其他交易周期(例如,一周内的工作日或者一个国庆假期内等交易周期)内收入和/或支出的各种面额的现金的数量等数据)、经营收支数据(例如,一个银行网点在一天或者一周或者其他交易周期内入库和/或出库的现金量等数据)、同业资源调度数据(例如,一个银行网点在一天或者一周或者其他交易周期内向上级银行网点运输的现金数量、面额和/或向下级银行网点运输的现金数量、面额等数据)或者交易日特征数据(例如,每笔交易的交易日期是星期几、是否在节假日,距离节假日的天数等数据)中的一种或者多种,具体可根据实际应用场景确定,在此不做限制。具体地,交易日特征数据可以参见表1,表1是交易日特征数据的统计表,如表1所示,第一列表示一项交易的交易日是星期几(0-6代表星期一-星期日),第二列表示一项交易的交易日是不是工作日(1表示是,0表示否),第三列表示一项交易的交易日距离假期的天数。
表1交易日特征数据的统计表
在一些可行的实施方式中,系统可以在获取到多个样本用户(例如,银行网点)的库存流动数据之后,对各样本用户的库存流动数据进行统计处理,以得到各样本用户的参考数据。这里,参考数据至少包括各样本用户的库存流动数据的平均数、各样本用户的库存流动数据的众数、各样本用户的库存流动数据中位数或者其他可以作为各样本用户的库存流动数据的参考的统计量中的一项。可以理解,这里的参考数据可以作为衡量库存流动数据的参考,也即,可以用各样本用户的参考数据来评估获取到的各样本用户的库存流动数据的质量,并对各样本用户的库存流动数据加以处理。这里,系统可以基于各样本用户的至少一项参考数据以及各样本用户的库存流动数据确定各样本用户的数据波动差值,并将数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到筛除后的各样本用户的库存流动数据。这里,参考数据可以代表各项库存流动数据的参考值,波动差值可以表示一项库存流动数据与其对应的参考数据之间的差异量。这里,波动阈值可以是用户提前设定好的值,也可以是根据各样本用户的库存流动数据的标准差或者方差等描述各样本用户的库存流动数据的质量的数值设定的值。换句话说,如果一个样本用户的库存流动数据与参考数据的差值大于或等于某个阈值,则可能说明这项库存流动数据存在异常,进而可能导致这个样本用户的库存流动数据的质量较差,系统可以将质量较差的数据进行剔除。进一步可以理解,系统也可以联合利用一个样本用户的几项参考数据对这个样本用户的库存流动数据的质量进行评估,例如,系统可以筛除一个样本用户的库存流动数据中与均值的差值超过3倍标准差的数据。采用本申请提供的实施例,计算方法简单,同时提升了筛除后的各样本用户的库存流动数据的数据质量,进而提高了通过样本库存流动数据构建得到的存储备分析模型的精度和准确度,降低库存调度成本。
S204:从筛除后的各样本用户的库存流动数据中确定出各样本用户缺失的库存流动数据。
S205:利用各样本用户的至少一项参考数据补足各样本用户缺失的库存流动数据,以得到各样本用户的样本库存流动数据。
在一些可行的实施方式中,系统可以在得到筛除后的各样本用户(例如,银行网点)的库存流动数据之后,对各样本用户的库存流动数据进行统计处理,以得到各样本用户缺失的库存流动数据。这里,缺失的库存流动数据可以是各样本用户的库存流动数据在获取阶段缺失的数据,例如,系统可能没有获取到一个银行网点在某一天的库存中破损的现金钞票的数量或面额数据,那么可以认为这个银行网点在这一天的库存中破损的现金钞票的数量或面额数据是这个银行网点缺失的库存流动数据。这里,缺失的库存流动数据也可以是各样本用户的库存流动数据中被筛除后缺失的数据,例如,系统可能由于一个银行网点在某一天的入库和/或出库的现金量的数据波动差值较大而将其删除,造成这个银行网点在这一天的入库和/或出库的现金量缺失,那么可以认为这个银行网点在这一天的的入库和/或出库的现金量是这个银行网点缺失的库存流动数据。可以理解,在确定出各样本用户缺失的库存流动数据之后,系统可以利用各样本用户的至少一项参考数据补足各样本用户缺失的库存流动数据,以得到各样本用户的样本库存流动数据。这里,参考数据可以是在步骤S201中计算得到的各样本用户的库存流动数据的平均数、各样本用户的库存流动数据的众数、各样本用户的库存流动数据中位数中的一项或几项,也可以是或者其他可以作为各样本用户的库存流动数据的参考的统计量。采用参考数据对缺失的库存流动数据进行补足,可以在不减少库存流动数据的数据维度的基础上,同时避免了在补足库存流动数据时引入误差,这样得到的样本库存流动数据的误差小,同时提升了各样本用户的样本库存流动数据的数据质量,进而提高了通过样本库存流动数据构建得到的存储备分析模型的精度和准确度,降低库存调度成本。
在一些可行的实施方式中,系统可以基于各样本用户的库存流动数据确定各样本用户的样本库存流动数据,并执行步骤S206和S207,以进一步基于各样本用户的样本库存流动数据确定各样本用户的样本库存需求数据。
S206:基于任一样本用户的残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种样本库存流动数据,得到任一样本用户的样本库存流动数据的数据均值、数据极值、数据标准差或者窗口滑动数据中的至少一种样本库存衍生数据。
在一些可行的实施方式中,系统可以基于任一样本用户的至少一种样本库存流动数据,以得到任一样本用户的至少一种样本库存衍生数据,进而根据各样本用户的至少一种样本库存流动数据和至少一种样本库存衍生数据,确定各样本用户的样本库存需求数据。这里,样本库存流动数据至少包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据。这里,样本库存衍生数据至少包括样本库存流动数据的数据均值(例如,计算一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的平均值,并将这个平均值作为这个银行网点的一项样本库存衍生数据)、数据极值(例如,确定一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的极大值或极小值,并将这个极大值或极小值作为这个银行网点的一项样本库存衍生数据)、数据标准差(例如,计算一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的标准差,并将这个标准差作为这个银行网点的一项样本库存衍生数据)或者窗口滑动数据(例如,计算一个银行网点在一个窗口周期内每天收入和/或支出的各种面额的现金的数量,并将这个标准差作为这个银行网点的一项样本库存衍生数据)。具体地,窗口滑动数据可以参见表2,表2是窗口滑动数据的示意统计表。如表2所示,在表2中共有一个样本用户15天的样本库存流动数据(这里作为示例,样本库存流动数据可以是一个银行网点的日现金交易总值,可以理解,样本库存流动数据也可以是其他样本库存流动数据或样本库存流动数据的统计值等数据),窗口长度为6,第一列是原始窗口截取的前6项样本库存流动数据(可以是6个日现金交易总值也可以是其他样本库存流动数据或样本库存流动数据的统计值等数据),第二列至第七列分别表示窗口平移1步到4步分别截取4次的6项样本库存流动数据,装置可以计算得到第一列的平均值A1,第二列的平均值A2,第三列的平均值A3,第四列的平均值A4和第五列的平均值A5,进而得到这10项的样本库存流动数据的均值滑动数据等于(A1+A2+A3+A4+A5)/5,并将这个均值滑动数据作为该样本用户的样本库存衍生数据中的一种窗口滑动数据。
表2窗口滑动数据的示意统计表
窗口1 | 窗口2 | 窗口3 | 窗口4 | 窗口5 |
1.48362e | 5.68672e | 4.62307e | 3.66462e | 5.15087e |
1.44811e | 1.48362e | 5.68672e | 4.62307e | 3.66462e |
5.85689e | 1.44811e | 1.48362e | 5.68672e | 4.62307e |
5.24589e | 5.85689e | 1.44811e | 1.48362e | 5.68672e |
3.22724e | 5.24589e | 5.85689e | 1.44811e | 1.48362e |
3.61273e | 3.22724e | 5.24589e | 5.85689e | 1.44811e |
在一些可行的实施方式中,系统也可以通过自回归滑动平均算法(Autoregressive moving average model,ARMA算法)对窗口滑动数据或者其他样本库存衍生数据进行分析,得到额外的样本库存衍生数据。例如,如果窗口滑动数据的窗口大小为7,则可以将7项窗口内的窗口滑动数据作为ARMA算法的输入,将ARMA算法的输出作为第8项窗口滑动数据,将8项窗口滑动数据也作为样本库存衍生数据,进而增加后续处理中样本用户的样本库存需求数据的特征维度。
采用本申请提供的实施例,可以丰富样本库存需求数据的维度,进一步提高通过样本库存流动数据构建得到的存储备分析模型的精度和准确度,降低库存调度成本。
S207:基于至少一种样本库存流动数据和至少一种样本库存衍生数据确定任一样本用户的样本库存需求数据,以得到各样本用户的样本库存需求数据。
在一些可行的实施方式中,系统可以对至少一种样本库存流动数据进行归一化处理,以得到至少一种样本库存流动数据对应的嵌入式特征向量。系统还可以对至少一种样本库存衍生数据进行归一化处理,以得到至少一种样本库存衍生数据对应的嵌入式特征向量。在得到至少一种样本库存流动数据对应的嵌入式特征向量和至少一种样本库存衍生数据对应的嵌入式特征向量之后,系统可以将其确定为任一样本用户的样本库存需求数据。这里,对样本库存流动数据或者样本库存衍生数据进行归一化处理,可以是将样本库存流动数据或者样本库存衍生数据中不同量纲的数据统一用(0,1)之间的数字进行表示,也即,分别将相同量纲的数据映射到(0,1)之间,最后所有不同量纲的数据都可以用(0,1)之间的形式表示。例如,将星期一映射为0,1,将星期日映射为0.7,将1万元映射为0.1,将9万元映射为0.9,这样将不同量纲的数据映射在(0,1)之间,将离散形式的数据转换为连续形式,便于后续构建时模型对数据进行学习。
在一些可行的实施方式中,在系统获取到多个样本用户的库存流动数据,基于各个样本用户的库存流动数据,生成各样本用户的样本库存需求数据之后,系统可以基于各样本用户的样本库存需求数据构建库存储备分析模型,并利用库存储备分析模型对待分析用户的库存需求数据进行分析,具体如步骤S103-S104所示:
S103:基于各样本用户的样本库存需求数据构建库存储备分析模型。
在一些可行的实施方式中,系统可以基于各样本用户的样本库存需求数据构建库存储备分析模型。这里,库存储备分析模型可以是由储备分析模型和回归分析模型组成的组合模型。这里,回归分析模型可以基于储备分析模型的输出数据确定待分析用户的库存需求数据,相比于储备分析模型的输出数据,采用组合模型构建的样本库存需求数据输出的待分析用户的库存需求数据更加平滑,准确率更高。具体地,系统可以通过分析算法基于样本用户的样本库存需求数据构建库存储备分析模型中的储备分析模型,以得到储备分析模型的模型参数。其中,分析算法可以采用Xgboost算法,Xgboost算法是一种改进后的梯度提升算法,它的基本思想是先构建一个决策树,然后计算这个决策树的输出结果与样本的真实值的差值(也即,残差),后面构建一颗决策树用来修正这个差值,并计算这个决策树的输出与此前所有决策树的输出的和与样本的真实值的差值,并继续构建决策树来修正这个差值,最后将构建好的模型内所有决策树的输出结果之和作为该模型的输出。其中,利用Xgboost算法构建的模型内的决策树可以是弱决策树,也即,分析能力略强于随机分类(分析正确率略大于1/2)的决策树,通过不断地叠加弱决策树对模型的分析结果进行修正,进而将模型整体的分析正确率大幅度提升。采用这种方法构建储备分析模型,可以降低模型的复杂程度,同时提高模型的计算速度。具体地,XGBRegressor是一种可以调整Xgboost算法构建的模型的工具,系统可以利用XGBRegressor对构建好的储备分析模型进行超参数模型调优。例如,系统可以利用XGBRegressor通过网格搜索,遍历储备分析模型所有可能的超参数组合,找到泛化误差最小的超参数组合作为储备分析模型的参数。
在一些可行的实施方式中,系统可以利用线性回归算法或其他回归算法构建库存储备分析模型中的回归分析模型。具体地,系统可以将储备分析模型的输出数据作为回归分析模型的输入,并根据各样本用户的样本库存需求数据调整回归分析模型的参数,进而得到库存储备分析模型。采用本申请提供的实施例,可以将储备分析模型得到的输出数据作为回归分析模型的输入,将储备分析模型的输出数据进行平滑处理,提高了库存储备分析模型的正确率。
S104:当获取到待分析用户的库存需求数据时,将待分析用户的库存需求数据输入库存储备分析模型,通过库存储备分析模型输出待分析用户的库存储备分析数据。
在一些可行的实施方式中,当获取到待分析用户的库存需求数据时,系统可以将待分析用户的库存需求数据输入库存储备分析模型,通过库存储备分析模型输出待分析用户的库存储备分析数据。比如,在银行的现金库存储备的分析场景中,待分析用户的库存储备分析数据可以是一个银行网点的基本库存储备数据(例如,该银行网点在工作日需要的现金储备数量、面额等数据)、节假日库存储备数据(例如,该银行网点在节假日需要的现金储备数量、面额等数据)或者紧急库存储备数据(例如,该银行网点在紧急时期可以临时进行上下解的现金储备数量、面额等数据);在对企业的经营点的货物库存储备的分析场景中,待分析用户的库存储备分析数据可以是一个经营点的基本库存储备数据(例如,该经营点在工作日需要的货物储备数量、种类等数据)、节假日库存储备数据(例如,该经营点在节假日需要的货物储备数量、种类等数据)或者紧急库存储备数据(例如,该经营点在促销时期可以临时进行上下解的货物储备数量、种类等数据)。
采用本申请的实施例,可以利用训练好的库存储备分析模型基于待分析用户的库存需求数据确定待分析用户的库存储备分析数据,可提高库存储备的分析效率和准确率,同时降低库存调度成本,操作简单,适用性高。
请参阅图3,图3是本申请实施例提供的库存储备的分析方法的另一流程示意图。
S301:获取多个样本用户的残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种样本库存流动数据。
在一些可行的实施方式中,系统可以获取样本用户的库存流动数据。可选的,系统可以从库存储备应用(例如,银行系统应用(在本申请提供的实施例中为银行系统应用,也可以是购物类应用等其他具有记录库存储备功能的应用))的数据库中获取到样本用户的库存流动数据。这里,库存流动数据包括但不限于用户或库房在库存储备应用的网页或者客户端的业务操作页面上录入的现有库存数据、储备出库数据、储备入库数据,用户在生产经营期间通过库存储备应用的网页或者客户端的业务操作页面上的录入的储备出库数据、储备入库数据,等等。这里,每一个库存储备的分析场景都可以对应不同的库存流动数据,系统可以根据库存储备的分析场景确定该库存储备的分析场景对应的库存流动数据。可以理解,本申请提供的库存储备的分析场景包括但不限于银行的现金库存储备的分析场景或企业的经营点的货物库存储备的分析场景等需要对库存储备进行分析的场景。
进一步可以理解,银行的现金库存储备的分析场景对应可以反映现金储备需求的库存流动数据(例如,一个银行网点的库存储备现金量、日均现金交易量等库存流动数据),企业的经营点的货物库存储备的分析场景对应可以反映货物储备需求的库存流动数据(例如,一个经营点的库存储备货物量、月均货物交易量等库存流动数据)。下面将以银行的现金库存储备的分析场景为例,对本申请实施例提供的库存储备的分析方法及装置进行示例说明。这里,银行的现金库存储备的分析场景对应的库存流动数据可以包括:残损资源数据(例如,一个银行网点在一天或者一周或者其他交易周期内库存中破损的现金钞票的数量、面额等数据)、指定数额交易数据(例如,一个银行网点在一天或者一周或者其他交易周期(例如,一周内的工作日或者一个国庆假期内等交易周期)内收入和/或支出的各种面额的现金的数量等数据)、经营收支数据(例如,一个银行网点在一天或者一周或者其他交易周期内入库和/或出库的现金量等数据)、同业资源调度数据(例如,一个银行网点在一天或者一周或者其他交易周期内向上级银行网点运输的现金数量、面额和/或向下级银行网点运输的现金数量、面额等数据)或者交易日特征数据(例如,每笔交易的交易日期是星期几、是否在节假日,距离节假日的天数等数据)中的一种或者多种,具体可根据实际应用场景确定,在此不做限制。
在一些可行的实施方式中,系统可以在获取到多个样本用户(例如,银行网点)的库存流动数据之后,对各样本用户的库存流动数据进行统计处理,以得到各样本用户的参考数据。这里,参考数据至少包括各样本用户的库存流动数据的平均数、各样本用户的库存流动数据的众数、各样本用户的库存流动数据中位数或者其他可以作为各样本用户的库存流动数据的参考的统计量中的一项。可以理解,这里的参考数据可以作为衡量库存流动数据的参考,也即,可以用各样本用户的参考数据来评估获取到的各样本用户的库存流动数据的质量,并对各样本用户的库存流动数据加以处理。这里,系统可以基于各样本用户的至少一项参考数据以及各样本用户的库存流动数据确定各样本用户的数据波动差值,并将数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到筛除后的各样本用户的库存流动数据。这里,参考数据可以代表各项库存流动数据的参考值,波动差值可以表示一项库存流动数据与其对应的参考数据之间的差异量。这里,波动阈值可以是用户提前设定好的值,也可以是根据各样本用户的库存流动数据的标准差或者方差等描述各样本用户的库存流动数据的质量的数值设定的值。换句话说,如果一个样本用户的库存流动数据与参考数据的差值大于或等于某个阈值,则可能说明这项库存流动数据存在异常,进而可能导致这个样本用户的库存流动数据的质量较差,系统可以将质量较差的数据进行剔除。进一步可以理解,系统也可以联合利用一个样本用户的几项参考数据对这个样本用户的库存流动数据的质量进行评估,例如,系统可以筛除一个样本用户的库存流动数据中与均值的差值超过3倍标准差的数据。采用本申请提供的实施例,计算方法简单,同时提升了筛除后的各样本用户的库存流动数据的数据质量,进而提高了通过样本库存流动数据构建得到的存储备分析模型的精度和准确度,降低库存调度成本。
在一些可行的实施方式中,系统可以在得到筛除后的各样本用户(例如,银行网点)的库存流动数据之后,对各样本用户的库存流动数据进行统计处理,以得到各样本用户缺失的库存流动数据。这里,缺失的库存流动数据可以是各样本用户的库存流动数据在获取阶段缺失的数据,例如,系统可能没有获取到一个银行网点在某一天的库存中破损的现金钞票的数量或面额数据,那么可以认为这个银行网点在这一天的库存中破损的现金钞票的数量或面额数据是这个银行网点缺失的库存流动数据。这里,缺失的库存流动数据也可以是各样本用户的库存流动数据中被筛除后缺失的数据,例如,系统可能由于一个银行网点在某一天的入库和/或出库的现金量的数据波动差值较大而将其删除,造成这个银行网点在这一天的入库和/或出库的现金量缺失,那么可以认为这个银行网点在这一天的的入库和/或出库的现金量是这个银行网点缺失的库存流动数据。可以理解,在确定出各样本用户缺失的库存流动数据之后,系统可以利用各样本用户的至少一项参考数据补足各样本用户缺失的库存流动数据,以得到各样本用户的样本库存流动数据。
S302:根据各样本用户的残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种样本库存流动数据生成各样本用户的样本库存需求数据。
在一些可行的实施方式中,系统可以基于任一样本用户的至少一种样本库存流动数据,以得到任一样本用户的至少一种样本库存衍生数据,进而根据各样本用户的至少一种样本库存流动数据和至少一种样本库存衍生数据,确定各样本用户的样本库存需求数据。这里,样本库存流动数据至少包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据。这里,样本库存衍生数据至少包括样本库存流动数据的数据均值(例如,计算一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的平均值,并将这个平均值作为这个银行网点的一项样本库存衍生数据)、数据极值(例如,确定一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的极大值或极小值,并将这个极大值或极小值作为这个银行网点的一项样本库存衍生数据)、数据标准差(例如,计算一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的标准差,并将这个标准差作为这个银行网点的一项样本库存衍生数据)或者窗口滑动数据(例如,计算一个银行网点在一个窗口周期内每天收入和/或支出的各种面额的现金的数量,并将这个标准差作为这个银行网点的一项样本库存衍生数据)。
S303:基于各样本用户的样本库存需求数据构建储备分析模型,并获取储备分析模型针对样本库存需求数据的输出数据。
在一些可行的实施方式中,系统可以基于各样本用户的样本库存需求数据构建库存储备分析模型。这里,库存储备分析模型可以是由储备分析模型和回归分析模型组成的组合模型。这里,回归分析模型可以基于储备分析模型的输出数据确定待分析用户的库存需求数据,相比于储备分析模型的输出数据,采用组合模型构建的样本库存需求数据输出的待分析用户的库存需求数据更加平滑,准确率更高。具体地,系统可以通过分析算法基于样本用户的样本库存需求数据构建库存储备分析模型中的储备分析模型,以得到储备分析模型的模型参数。其中,分析算法可以采用Xgboost算法,Xgboost算法是一种改进后的梯度提升算法,它的基本思想是先构建一个决策树,然后计算这个决策树的输出结果与样本的真实值的差值(也即,残差),后面构建一颗决策树用来修正这个差值,并计算这个决策树的输出与此前所有决策树的输出的和与样本的真实值的差值,并继续构建决策树来修正这个差值,最后将构建好的模型内所有决策树的输出结果之和作为该模型的输出。其中,利用Xgboost算法构建的模型内的决策树可以是弱决策树,也即,分析能力略强于随机分类(分析正确率略大于1/2)的决策树,通过不断地叠加弱决策树对模型的分析结果进行修正,进而将模型整体的分析正确率大幅度提升。采用这种方法构建储备分析模型,可以降低模型的复杂程度,同时提高模型的计算速度。具体地,XGBRegressor是一种可以调整Xgboost算法构建的模型的工具,系统可以利用XGBRegressor对构建好的储备分析模型进行超参数模型调优。例如,系统可以利用XGBRegressor通过网格搜索,遍历储备分析模型所有可能的超参数组合,找到泛化误差最小的超参数组合作为储备分析模型的参数。
S304:基于储备分析模型的输出数据以及各样本用户的样本库存需求数据、利用线性回归算法训练得到回归分析模型,以得到库存储备分析模型。
在一些可行的实施方式中,系统可以利用线性回归算法或其他回归算法构建库存储备分析模型中的回归分析模型。具体地,系统可以将储备分析模型的输出数据作为回归分析模型的输入,并根据各样本用户的样本库存需求数据调整回归分析模型的参数,进而得到库存储备分析模型。采用本申请提供的实施例,可以将储备分析模型得到的输出数据作为回归分析模型的输入,将储备分析模型的输出数据进行平滑处理,提高了库存储备分析模型的正确率。
S305:当获取到待分析用户的库存需求数据时,将待分析用户的库存需求数据输入库存储备分析模型,通过库存储备分析模型输出待分析用户的库存储备分析数据。
在一些可行的实施方式中,系统可以获取待分析用户的库存流动数据,并基于待分析用户的库存流动数据生成待分析用户的库存需求数据。可选的,系统可以从库存储备应用(例如,银行系统应用(在本申请提供的实施例中为银行系统应用,也可以是购物类应用等其他具有记录库存储备功能的应用))的数据库中获取到待分析用户的库存流动数据。这里,库存流动数据包括但不限于用户或库房在库存储备应用的网页或者客户端的业务操作页面上录入的现有库存数据、储备出库数据、储备入库数据,用户在生产经营期间通过库存储备应用的网页或者客户端的业务操作页面上的录入的储备出库数据、储备入库数据,等等。这里,每一个库存储备的分析场景都可以对应不同的库存流动数据,系统可以根据库存储备的分析场景确定该库存储备的分析场景对应的库存流动数据。这里,银行的现金库存储备的分析场景对应的库存流动数据可以包括:残损资源数据(例如,一个银行网点在一天或者一周或者其他交易周期内库存中破损的现金钞票的数量、面额等数据)、指定数额交易数据(例如,一个银行网点在一天或者一周或者其他交易周期(例如,一周内的工作日或者一个国庆假期内等交易周期)内收入和/或支出的各种面额的现金的数量等数据)、经营收支数据(例如,一个银行网点在一天或者一周或者其他交易周期内入库和/或出库的现金量等数据)、同业资源调度数据(例如,一个银行网点在一天或者一周或者其他交易周期内向上级银行网点运输的现金数量、面额和/或向下级银行网点运输的现金数量、面额等数据)或者交易日特征数据(例如,每笔交易的交易日期是星期几、是否在节假日,距离节假日的天数等数据)中的一种或者多种。
在一些可行的实施方式中,系统在获取到待分析用户的库存流动数据之后,可以从待分析用户的库存流动数据中确定出待分析用户的以下参考数据中的至少一项:待分析用户的库存流动数据的平均数、待分析用户的库存流动数据的众数、或者待分析用户的库存流动数据中位数。系统可以基于待分析用户的至少一项参考数据以及待分析用户的库存流动数据确定待分析用户的数据波动差值,并将数据波动差值大于或等于波动阈值的待分析用户对应的库存流动数据筛除,以得到筛除后的待分析用户的库存流动数据。同时,系统可以从筛除后的待分析用户的库存流动数据中确定出待分析用户缺失的库存流动数据,进而利用待分析用户的至少一项参考数据补足待分析用户缺失的库存流动数据,以得到待分析用户的待分析库存流动数据。系统还可以基于待分析用户的残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种待分析库存流动数据,得到待分析用户的待分析库存流动数据的数据均值、数据极值、数据标准差或者窗口滑动数据中的至少一种库存衍生数据。系统可以基于至少一种待分析库存流动数据和至少一种库存衍生数据确定任一待分析用户的库存需求数据,以得到各待分析用户的库存需求数据。
在一些可行的实施方式中,当获取到或生成了待分析用户的库存需求数据时,系统可以将待分析用户的库存需求数据输入库存储备分析模型,通过库存储备分析模型输出待分析用户的库存储备分析数据。
S306:基于待分析用户的库存储备分析数据确定待分析用户的基本库存储备数据、节假日库存储备数据或者紧急库存储备数据。
S307:基于待分析用户的基本库存储备数据、节假日库存储备数据或者临时库存储备数据生成待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案。
在一些可行的实施方式中,在得到待分析用户的库存储备分析数据之后,系统可以基于待分析用户的库存储备分析数据得到待分析用户的库存调度方案。比如,在银行的现金库存储备的分析场景中,待分析用户的库存储备分析数据可以是一个银行网点的基本库存储备数据(例如,该银行网点在工作日需要的现金储备数量、面额等数据)、节假日库存储备数据(例如,该银行网点在节假日需要的现金储备数量、面额等数据)或者紧急库存储备数据(例如,该银行网点在紧急时期可以临时进行上下解的现金储备数量、面额等数据),待分析用户的库存调度方案可以是一个银行网点基本库存调度方案(例如,该银行网点在工作日从其他银行网点或者现金库调度的现金储备数量、面额、调度时间等方案)、节假日库存调度方案(例如,该银行网点在节假日从其他银行网点或者现金库调度的现金储备数量、面额、调度时间等方案)或者临时库存调度方案(例如,该银行网点在紧急时期与其他银行网点或者现金库临时进行上下解的现金储备数量、面额、调度时间等方案);在对企业的经营点的货物库存储备的分析场景中,待分析用户的库存储备分析数据可以是一个经营点的基本库存储备数据(例如,该经营点在工作日需要的货物储备数量、种类等数据)、节假日库存储备数据(例如,该经营点在节假日需要的货物储备数量、种类等数据)或者紧急库存储备数据(例如,该经营点在促销时期可以临时进行上下解的货物储备数量、种类等数据),待分析用户的库存调度方案可以是一个经营点基本库存调度方案(例如,该经营点在工作日从其他经营点或者库房调度的货物储备数量、种类、调度时间等方案)、节假日库存调度方案(例如,该经营点在节假日从其他经营点或者库房调度的货物储备数量、种类、调度时间等方案)或者临时库存调度方案(例如,该经营点在促销时期与其他经营点或者库房临时进行上下解的货物储备数量、种类、调度时间等方案)。
S308:基于待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案向待分析用户发送库存调度指示。
在一些可行的实施方式中,在得到待分析用户的库存调度方案之后,系统可以向待分析用户发送库存调度指示,或者将库存调度方案展示或发送给用户的上一级用户等。例如,在银行的现金库存储备的分析场景中,可以根据一个银行网点或一个地区的银行网点的库存需求数据(比如该银行网点的库存储备现金量、该银行网点的日均现金交易量等),得到该银行网点的库存储备分析数据(例如,在未来一天、未来一周或者未来一段时间内需要储备的现金量),并生成库存调度方案(例如,生成该银行网点在未来一天、未来一周或者未来一段时间内需要需要从其他银行网点或者现金库运输调度的现金额度、现金面值、调度时间等数据),进而基于库存调度方案向该银行网点发送库存调度指示、或者将库存调度方案展示或发送给该银行网点的上一级银行网点(例如,将支行网点的库存调度方案统一发送给总行)等。或者,在对企业的经营点的货物库存储备的分析场景中,可以根据一个企业的经营点的或一个地区的经营点的库存需求数据(比如该经营点的库存储备货物量、该经营点的月均货物交易量等),得到该营业点的库存储备分析数据(例如,在未来一周或者未来一段时间内需要储备的货物量),并生成库存调度方案(例如,生成该经营点在未来一周或者未来一段时间内需要需要从其他经营点或者库房运输调度的货物数量、货物种类、发货时间等数据),进而基于库存调度方案向该经营点发送库存调度指示、或者将库存调度方案展示或发送给该经营点的上一级经营点(例如,将一个市内各区经营点的库存调度方案统一发送给市区的总经营点)等。
在本申请实施例中,系统可以基于待分析用户的库存储备分析数据确定待分析用户的基本库存储备数据、节假日库存储备数据或者紧急库存储备数据,进而生成待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案,并向待分析用户发送库存调度指示,进一步提高提高库存储备分析的效率和准确率,降低库存调度成本。
请参阅图4,图4是本申请实施例提供的库存储备的分析装置的结构示意图。
样本获取模块401,用于获取多个样本用户的样本库存流动数据,样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种。
在一些可行的实施方式中,样本获取模块401可以获取样本用户的库存流动数据。可选的,样本获取模块401可以从库存储备应用(例如,银行样本获取模块401应用(在本申请提供的实施例中为银行样本获取模块401应用,也可以是购物类应用等其他具有记录库存储备功能的应用))的数据库中获取到样本用户的库存流动数据。这里,库存流动数据包括但不限于用户或库房在库存储备应用的网页或者客户端的业务操作页面上录入的现有库存数据、储备出库数据、储备入库数据,用户在生产经营期间通过库存储备应用的网页或者客户端的业务操作页面上的录入的储备出库数据、储备入库数据,等等。这里,银行的现金库存储备的分析场景对应的库存流动数据可以包括:残损资源数据(例如,一个银行网点在一天或者一周或者其他交易周期内库存中破损的现金钞票的数量、面额等数据)、指定数额交易数据(例如,一个银行网点在一天或者一周或者其他交易周期(例如,一周内的工作日或者一个国庆假期内等交易周期)内收入和/或支出的各种面额的现金的数量等数据)、经营收支数据(例如,一个银行网点在一天或者一周或者其他交易周期内入库和/或出库的现金量等数据)、同业资源调度数据(例如,一个银行网点在一天或者一周或者其他交易周期内向上级银行网点运输的现金数量、面额和/或向下级银行网点运输的现金数量、面额等数据)或者交易日特征数据(例如,每笔交易的交易日期是星期几、是否在节假日,距离节假日的天数等数据)中的一种或者多种,具体可根据实际应用场景确定,在此不做限制。
数据处理模块402,用于根据各样本用户的残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种样本库存流动数据生成各样本用户的样本库存需求数据。
在一些可行的实施方式中,数据处理模块402可以在获取到多个样本用户(例如,银行网点)的库存流动数据之后,对各样本用户的库存流动数据进行统计处理,以得到各样本用户的参考数据。这里,参考数据至少包括各样本用户的库存流动数据的平均数、各样本用户的库存流动数据的众数、各样本用户的库存流动数据中位数或者其他可以作为各样本用户的库存流动数据的参考的统计量中的一项。可以理解,这里的参考数据可以作为衡量库存流动数据的参考,也即,可以用各样本用户的参考数据来评估获取到的各样本用户的库存流动数据的质量,并对各样本用户的库存流动数据加以处理。换句话说,数据处理模块402可以基于各样本用户的至少一项参考数据以及各样本用户的库存流动数据确定各样本用户的数据波动差值,并将数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到筛除后的各样本用户的库存流动数据。
在一些可行的实施方式中,数据处理模块402可以在得到筛除后的各样本用户(例如,银行网点)的库存流动数据之后,对各样本用户的库存流动数据进行统计处理,以得到各样本用户缺失的库存流动数据。这里,缺失的库存流动数据可以是各样本用户的库存流动数据在获取阶段缺失的数据,也可以是各样本用户的库存流动数据中被筛除后缺失的数据。可以理解,在确定出各样本用户缺失的库存流动数据之后,数据处理模块402可以利用各样本用户的至少一项参考数据补足各样本用户缺失的库存流动数据,以得到各样本用户的样本库存流动数据。
在一些可行的实施方式中,数据处理模块402可以基于任一样本用户的至少一种样本库存流动数据,以得到任一样本用户的至少一种样本库存衍生数据,进而根据各样本用户的至少一种样本库存流动数据和至少一种样本库存衍生数据,确定各样本用户的样本库存需求数据。这里,样本库存流动数据至少包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据。这里,样本库存衍生数据至少包括样本库存流动数据的数据均值(例如,计算一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的平均值,并将这个平均值作为这个银行网点的一项样本库存衍生数据)、数据极值(例如,确定一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的极大值或极小值,并将这个极大值或极小值作为这个银行网点的一项样本库存衍生数据)、数据标准差(例如,计算一个银行网点在一周内每天收入和/或支出的各种面额的现金的数量的标准差,并将这个标准差作为这个银行网点的一项样本库存衍生数据)或者窗口滑动数据(例如,计算一个银行网点在一个窗口周期内每天收入和/或支出的各种面额的现金的数量,并将这个标准差作为这个银行网点的一项样本库存衍生数据)。
模型训练模块403,用于基于各样本用户的样本库存需求数据构建库存储备分析模型,其中,库存储备分析模型由储备分析模型和回归分析模型组合得到,储备分析模型由各样本用户的样本库存需求数据训练得到,回归分析模型由各样本用户的样本库存需求数据和储备分析模型的输出数据训练得到。
在一些可行的实施方式中,模型训练模块403可以通过分析算法基于样本用户的样本库存需求数据构建库存储备分析模型中的储备分析模型,以得到储备分析模型的模型参数。其中,分析算法可以采用Xgboost算法,Xgboost算法是一种改进后的梯度提升算法,它的基本思想是先构建一个决策树,然后计算这个决策树的输出结果与样本的真实值的差值(也即,残差),后面构建一颗决策树用来修正这个差值,并计算这个决策树的输出与此前所有决策树的输出的和与样本的真实值的差值,并继续构建决策树来修正这个差值,最后将构建好的模型内所有决策树的输出结果之和作为该模型的输出。其中,利用Xgboost算法构建的模型内的决策树可以是弱决策树,也即,分析能力略强于随机分类(分析正确率略大于1/2)的决策树,通过不断地叠加弱决策树对模型的分析结果进行修正,进而将模型整体的分析正确率大幅度提升。采用这种方法构建储备分析模型,可以降低模型的复杂程度,同时提高模型的计算速度。具体地,XGBRegressor是一种可以调整Xgboost算法构建的模型的工具,模型训练模块403可以利用XGBRegressor对构建好的储备分析模型进行超参数模型调优。例如,模型训练模块403可以利用XGBRegressor通过网格搜索,遍历储备分析模型所有可能的超参数组合,找到泛化误差最小的超参数组合作为储备分析模型的参数。
在一些可行的实施方式中,模型训练模块403可以利用线性回归算法或其他回归算法构建库存储备分析模型中的回归分析模型。具体地,模型训练模块403可以将储备分析模型的输出数据作为回归分析模型的输入,并根据各样本用户的样本库存需求数据调整回归分析模型的参数,进而得到库存储备分析模型。采用本申请提供的实施例,可以将储备分析模型得到的输出数据作为回归分析模型的输入,将储备分析模型的输出数据进行平滑处理,提高了库存储备分析模型的正确率。
库存分析模块404,用于在获取到待分析用户的库存需求数据时,将待分析用户的库存需求数据输入库存储备分析模型,通过库存储备分析模型输出待分析用户的库存储备分析数据。
在一些可行的实施方式中,当获取到待分析用户的库存需求数据时,库存分析模块404可以将待分析用户的库存需求数据输入库存储备分析模型,通过库存储备分析模型输出待分析用户的库存储备分析数据。可以理解,在得到待分析用户的库存储备分析数据之后,库存分析模块404可以基于待分析用户的库存储备分析数据得到待分析用户的库存调度方案。比如,在银行的现金库存储备的分析场景中,待分析用户的库存储备分析数据可以是一个银行网点的基本库存储备数据(例如,该银行网点在工作日需要的现金储备数量、面额等数据)、节假日库存储备数据(例如,该银行网点在节假日需要的现金储备数量、面额等数据)或者紧急库存储备数据(例如,该银行网点在紧急时期可以临时进行上下解的现金储备数量、面额等数据),待分析用户的库存调度方案可以是一个银行网点基本库存调度方案(例如,该银行网点在工作日从其他银行网点或者现金库调度的现金储备数量、面额、调度时间等方案)、节假日库存调度方案(例如,该银行网点在节假日从其他银行网点或者现金库调度的现金储备数量、面额、调度时间等方案)或者临时库存调度方案(例如,该银行网点在紧急时期与其他银行网点或者现金库临时进行上下解的现金储备数量、面额、调度时间等方案);在对企业的经营点的货物库存储备的分析场景中,待分析用户的库存储备分析数据可以是一个经营点的基本库存储备数据(例如,该经营点在工作日需要的货物储备数量、种类等数据)、节假日库存储备数据(例如,该经营点在节假日需要的货物储备数量、种类等数据)或者紧急库存储备数据(例如,该经营点在促销时期可以临时进行上下解的货物储备数量、种类等数据),待分析用户的库存调度方案可以是一个经营点基本库存调度方案(例如,该经营点在工作日从其他经营点或者库房调度的货物储备数量、种类、调度时间等方案)、节假日库存调度方案(例如,该经营点在节假日从其他经营点或者库房调度的货物储备数量、种类、调度时间等方案)或者临时库存调度方案(例如,该经营点在促销时期与其他经营点或者库房临时进行上下解的货物储备数量、种类、调度时间等方案)。
在一些可行的实施方式中,上述样本获取模块401可用于执行上述库存储备的分析方法实施例中步骤S101、步骤S201-S205以及步骤S301所提供的实现方式,上述数据处理模块402可用于执行步骤S102、步骤S206-S207以及步骤S302-S303所提供的实施方式,上述模型训练模块403可用于执行步骤S103和步骤S304所提供的实施方式,上述库存分析模块404可用于执行步骤S104和步骤S305-S308所提供的实施方式,具体可参见上述库存储备的分析方法实施例,在此不做限制。
在本申请实施例中,装置可以利用训练好的库存储备分析模型基于待分析用户的库存需求数据确定待分析用户的库存储备分析数据,可提高库存储备的分析效率和准确率,同时降低库存调度成本,操作简单,适用性高。
参见图5,图5是本申请实施例提供的终端设备的结构示意图。如图5所示,本实施例中的终端设备可以包括:一个或多个处理器501和存储器502。上述处理器501和存储器502通过总线503连接。存储器502用于存储计算机程序,该计算机程序包括程序指令,处理器501用于执行存储器502存储的程序指令,执行如下操作:
获取多个样本用户的样本库存流动数据,上述样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种;
根据各样本用户的上述残损资源数据、上述指定数额交易数据、上述经营收支数据、上述同业资源调度数据或者上述交易日特征数据中的至少一种样本库存流动数据生成上述各样本用户的样本库存需求数据;
基于上述各样本用户的样本库存需求数据构建库存储备分析模型,其中,上述库存储备分析模型由储备分析模型和回归分析模型组合得到,上述储备分析模型由上述各样本用户的样本库存需求数据训练得到,上述回归分析模型由上述各样本用户的样本库存需求数据和上述储备分析模型的输出数据训练得到;
当获取到待分析用户的库存需求数据时,将上述待分析用户的库存需求数据输入上述库存储备分析模型,通过上述库存储备分析模型输出上述待分析用户的库存储备分析数据。
在一些可行的实施方式中,上述处理器501还用于:
获取多个样本用户的库存流动数据,从各样本用户的上述库存流动数据中确定出上述各样本用户的以下参考数据中的至少一项:上述各样本用户的库存流动数据的平均数、上述各样本用户的库存流动数据的众数、或者上述各样本用户的库存流动数据中位数;
基于上述各样本用户的至少一项上述参考数据以及上述各样本用户的库存流动数据确定上述各样本用户的数据波动差值;
将上述数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到各样本用户的样本库存流动数据。
在一些可行的实施方式中,上述处理器501用于:
从筛除后的各样本用户的库存流动数据中确定出上述各样本用户缺失的库存流动数据;
利用上述各样本用户的至少一项上述参考数据补足上述各样本用户缺失的库存流动数据,以得到上述各样本用户的样本库存流动数据。
在一些可行的实施方式中,上述处理器501用于:
基于任一样本用户的上述残损资源数据、上述指定数额交易数据、上述经营收支数据、上述同业资源调度数据或者上述交易日特征数据中的至少一种样本库存流动数据,得到上述任一样本用户的样本库存流动数据的数据均值、数据极值、数据标准差或者窗口滑动数据中的至少一种样本库存衍生数据;
基于上述至少一种样本库存流动数据和上述至少一种样本库存衍生数据确定上述任一样本用户的样本库存需求数据,以得到上述各样本用户的样本库存需求数据。
在一些可行的实施方式中,上述处理器501用于:
对上述至少一种样本库存流动数据进行归一化处理,以得到上述至少一种样本库存流动数据对应的嵌入式特征向量;
对上述至少一种样本库存衍生数据进行归一化处理,以得到上述至少一种样本库存衍生数据对应的嵌入式特征向量;
将上述至少一种样本库存流动数据对应的嵌入式特征向量和上述至少一种样本库存衍生数据对应的嵌入式特征向量确定为上述任一样本用户的样本库存需求数据。
在一些可行的实施方式中,上述处理器501还用于:
基于上述各样本用户的样本库存需求数据构建储备分析模型,并获取上述储备分析模型针对上述样本库存需求数据的输出数据;
基于上述储备分析模型的输出数据以及上述各样本用户的样本库存需求数据、利用线性回归算法训练得到上述回归分析模型,以得到上述库存储备分析模型。
在一些可行的实施方式中,上述处理器501还用于:
基于上述待分析用户的库存储备分析数据确定上述待分析用户的基本库存储备数据、节假日库存储备数据或者紧急库存储备数据;
基于上述待分析用户的基本库存储备数据、节假日库存储备数据或者临时库存储备数据生成上述待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案;
基于上述待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案向上述待分析用户发送库存调度指示。
在一些可行的实施方式中,上述处理器501可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如,存储器502还可以存储设备类型的数据。
具体实现中,上述终端设备可通过其内置的各个功能模块执行如上述图1至图3中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
在本申请实施例中,可以利用训练好的库存储备分析模型基于待分析用户的库存需求数据确定待分析用户的库存储备分析数据,可提高库存储备的分析效率和准确率,同时降低库存调度成本,操作简单,适用性高。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令被处理器执行时实现图1至图3中各个步骤所提供的库存储备的分析方法,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的基于预测模型的用户行为识别装置或者上述终端设备的内部存储单元,例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备,例如该电子设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flashcard)等。进一步地,该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的权利要求书和说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、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/或结构示意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存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。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/或结构示意一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种库存储备的分析方法,其特征在于,所述方法包括:
获取多个样本用户的样本库存流动数据,所述样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种;
根据各样本用户的所述残损资源数据、所述指定数额交易数据、所述经营收支数据、所述同业资源调度数据或者所述交易日特征数据中的至少一种样本库存流动数据生成所述各样本用户的样本库存需求数据;
基于所述各样本用户的样本库存需求数据构建库存储备分析模型,其中,所述库存储备分析模型由储备分析模型和回归分析模型组合得到,所述储备分析模型由所述各样本用户的样本库存需求数据训练得到,所述回归分析模型由所述各样本用户的样本库存需求数据和所述储备分析模型的输出数据训练得到;
当获取到待分析用户的库存需求数据时,将所述待分析用户的库存需求数据输入所述库存储备分析模型,通过所述库存储备分析模型输出所述待分析用户的库存储备分析数据。
2.根据权利要求1所述的方法,其特征在于,所述获取多个样本用户的样本库存流动数据包括:
获取多个样本用户的库存流动数据,从各样本用户的所述库存流动数据中确定出所述各样本用户的以下参考数据中的至少一项:所述各样本用户的库存流动数据的平均数、所述各样本用户的库存流动数据的众数、或者所述各样本用户的库存流动数据中位数;
基于所述各样本用户的至少一项所述参考数据以及所述各样本用户的库存流动数据确定所述各样本用户的数据波动差值;
将所述数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除,以得到各样本用户的样本库存流动数据。
3.根据权利要求2所述的方法,其特征在于,在将所述数据波动差值大于或等于波动阈值的样本用户对应的库存流动数据筛除之后,所述方法还包括:
从筛除后的各样本用户的库存流动数据中确定出所述各样本用户缺失的库存流动数据;
利用所述各样本用户的至少一项所述参考数据补足所述各样本用户缺失的库存流动数据,以得到所述各样本用户的样本库存流动数据。
4.根据权利要求3所述的方法,其特征在于,所述根据各样本用户的所述残损资源数据、所述指定数额交易数据、所述经营收支数据、所述同业资源调度数据或者所述交易日特征数据中的至少一种样本库存流动数据生成所述各样本用户的样本库存需求数据包括:
基于任一样本用户的所述残损资源数据、所述指定数额交易数据、所述经营收支数据、所述同业资源调度数据或者所述交易日特征数据中的至少一种样本库存流动数据,得到所述任一样本用户的样本库存流动数据的数据均值、数据极值、数据标准差或者窗口滑动数据中的至少一种样本库存衍生数据;
基于所述至少一种样本库存流动数据和所述至少一种样本库存衍生数据确定所述任一样本用户的样本库存需求数据,以得到所述各样本用户的样本库存需求数据。
5.根据权利要求4所述的方法,其特征在于,所述基于所述至少一种样本库存流动数据和所述至少一种样本库存衍生数据确定所述任一样本用户的样本库存需求数据包括:
对所述至少一种样本库存流动数据进行归一化处理,以得到所述至少一种样本库存流动数据对应的嵌入式特征向量;
对所述至少一种样本库存衍生数据进行归一化处理,以得到所述至少一种样本库存衍生数据对应的嵌入式特征向量;
将所述至少一种样本库存流动数据对应的嵌入式特征向量和所述至少一种样本库存衍生数据对应的嵌入式特征向量确定为所述任一样本用户的样本库存需求数据。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述基于所述各样本用户的样本库存需求数据构建库存储备分析模型包括:
基于所述各样本用户的样本库存需求数据构建储备分析模型,并获取所述储备分析模型针对所述样本库存需求数据的输出数据;
基于所述储备分析模型的输出数据以及所述各样本用户的样本库存需求数据、利用线性回归算法训练得到所述回归分析模型,以得到所述库存储备分析模型。
7.根据权利要求6所述的方法,其特征在于,在所述通过所述库存储备分析模型确定所述待分析用户的库存储备分析数据之后,所述方法还包括:
基于所述待分析用户的库存储备分析数据确定所述待分析用户的基本库存储备数据、节假日库存储备数据或者紧急库存储备数据;
基于所述待分析用户的基本库存储备数据、节假日库存储备数据或者临时库存储备数据生成所述待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案;
基于所述待分析用户的基本库存调度方案、节假日库存调度方案或者临时库存调度方案向所述待分析用户发送库存调度指示。
8.一种库存储备的分析装置,其特征在于,所述装置包括:
样本获取模块,用于获取多个样本用户的样本库存流动数据,所述样本库存流动数据包括残损资源数据、指定数额交易数据、经营收支数据、同业资源调度数据或者交易日特征数据中的至少一种;
数据处理模块,用于根据各样本用户的所述残损资源数据、所述指定数额交易数据、所述经营收支数据、所述同业资源调度数据或者所述交易日特征数据中的至少一种样本库存流动数据生成所述各样本用户的样本库存需求数据;
模型训练模块,用于基于所述各样本用户的样本库存需求数据构建库存储备分析模型,其中,所述库存储备分析模型由储备分析模型和回归分析模型组合得到,所述储备分析模型由所述各样本用户的样本库存需求数据训练得到,所述回归分析模型由所述各样本用户的样本库存需求数据和所述储备分析模型的输出数据训练得到;
库存分析模块,用于在获取到待分析用户的库存需求数据时,将所述待分析用户的库存需求数据输入所述库存储备分析模型,通过所述库存储备分析模型输出所述待分析用户的库存储备分析数据。
9.一种终端设备,其特征在于,包括处理器和存储器,所述处理器和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机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,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210591526.6A CN114862323A (zh) | 2022-05-28 | 2022-05-28 | 库存储备的分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210591526.6A CN114862323A (zh) | 2022-05-28 | 2022-05-28 | 库存储备的分析方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862323A true CN114862323A (zh) | 2022-08-05 |
Family
ID=82641942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210591526.6A Pending CN114862323A (zh) | 2022-05-28 | 2022-05-28 | 库存储备的分析方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862323A (zh) |
-
2022
- 2022-05-28 CN CN202210591526.6A patent/CN114862323A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
CN110197280A (zh) | 一种知识图谱构建方法、装置及系统 | |
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
CN109615760B (zh) | 基于机器学习对银行atm机智能加清钞的方法及系统 | |
CN109961165B (zh) | 件量预测方法、装置、设备及其存储介质 | |
US11586423B2 (en) | Automatic derivation of software engineering artifact attributes with integrated distribution calculation | |
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 | |
CN111738505A (zh) | 银行网点工作量预测方法和装置、电子设备及存储介质 | |
CN112613978B (zh) | 银行资本充足率的预测方法、装置、电子设备及介质 | |
Raju et al. | An approach for demand forecasting in steel industries using ensemble learning | |
CN110634061A (zh) | 一种资金需求预测方法、装置及终端设备 | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN114139490A (zh) | 一种自动数据预处理的方法、装置以及设备 | |
Noyan | Risk-averse stochastic modeling and optimization | |
CN111738507A (zh) | 银行清算头寸资金备付量预测方法和装置、设备及介质 | |
CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
CN114186989A (zh) | 一种资金分配决策方法、装置、服务器及存储介质 | |
CN111046947B (zh) | 分类器的训练系统及方法、异常样本的识别方法 | |
WO2012030419A1 (en) | Organization resource allocation based on forecasted change outcomes | |
CN112016765A (zh) | 一种基于量化投资风险偏好的资产配置方法、装置及终端 | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
CN114862323A (zh) | 库存储备的分析方法、装置、设备及存储介质 | |
Yu et al. | FRM: a Financial Risk Meter based on penalizing tail events occurrence |
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 |