CN114881676A - 一种新产品销量的预测方法 - Google Patents

一种新产品销量的预测方法 Download PDF

Info

Publication number
CN114881676A
CN114881676A CN202110159412.XA CN202110159412A CN114881676A CN 114881676 A CN114881676 A CN 114881676A CN 202110159412 A CN202110159412 A CN 202110159412A CN 114881676 A CN114881676 A CN 114881676A
Authority
CN
China
Prior art keywords
feature
sales
similar
product
new product
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
CN202110159412.XA
Other languages
English (en)
Inventor
戴芸
黄景浩
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN202110159412.XA priority Critical patent/CN114881676A/zh
Priority to JP2022011919A priority patent/JP7315733B2/ja
Publication of CN114881676A publication Critical patent/CN114881676A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)

Abstract

本发明提供了一种新产品销量的预测方法，其包括：特征集合构建步骤，构建包括新产品的所有特征的特征集合；销量数据获取步骤，获取具有特征集合中的全部或者部分特征的已上市产品的销量；相似产品筛选步骤，从特征集合中选取一个特征子集，通过使用相似性度量函数，从已上市产品中筛选出具有特征子集中的特征且在特征子集上与新产品相似的多个相似产品；销量一致性检测步骤，算出多个相似产品的销量的差异度，若差异度小于预先规定的容忍值，则认为多个相似产品的销量通过一致性检测，否则认为多个相似产品的销量没有通过一致性检测；新产品销量预测步骤，使用通过一致性检测的多个相似产品的销量，预测新产品的销量。

Description

一种新产品销量的预测方法
技术领域
本发明涉及一种新产品销量的预测方法。
背景技术
在商业经营上，产品需求预测是一个重要课题，其中新产品销量预测就是其中一个较为困难但重要的子课题。现代生产中，产品生命周期显著缩短，特别是手机、汽车等领域的产品，新产品发布十分频繁。企业对即将上市的产品销量估计有着迫切需求，准确预测新产品在上市初期的销量能为企业进行生产、营销部署提供决策依据。新产品销量预测比一般产品的销量预测更加困难，其主要原因是产品上市前没有任何历史销量数据，无法从历史销量数据学习到销量规律。
目前，对新产品的销量预测主要依靠专家评估法，即企业成立一个由多位该领域的专家组成评估小组，根据专家经验以及对过往产品的研究，通过讨论达成共识，估计出新上市产品的上市初期销量。但是该方法成本较高，具有较大的主观性，也缺乏对已有的类似的已上市产品的历史数据的有效利用。
发明内容
发明要解决的问题
对此，本发明的目的在于提供一种新产品销量的预测方法,能够利用已上市产品的销量数据，客观、低成本且准确地对新产品的销量进行预测。
解决问题的技术手段
为了实现上述目的，本发明的新产品销量的预测方法包括：特征集合构建步骤，构建包括新产品的所有特征的特征集合；销量数据获取步骤，获取具有所述特征集合中的全部或者部分特征的已上市产品的销量；相似产品筛选步骤，从所述特征集合中选取一个特征子集，通过使用相似性度量函数，从所述已上市产品中筛选出具有所述特征子集中的所述特征且在所述特征子集上与所述新产品相似的多个相似产品；销量一致性检测步骤，算出多个所述相似产品的销量的差异度，若所述差异度小于预先规定的容忍值，则认为多个所述相似产品的销量通过一致性检测，否则认为多个所述相似产品的销量没有通过一致性检测；新产品销量预测步骤，使用通过所述一致性检测的多个所述相似产品的销量，预测所述新产品的销量，在多个所述相似产品的销量没有通过一致性检测的情况下，从所述特征集合中选取与之前的所述特征子集不同的另一个所述特征子集，重复所述相似产品筛选步骤以及所述销量一致性检测步骤，直至由相似产品筛选步骤筛选出的所述相似产品的销量通过一致性检测。
发明的效果
根据本发明，能够利用已上市产品的销量数据，客观、低成本且准确地对新产品的销量进行预测。
附图说明
图1为本发明的新产品销量的预测方法的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍，但这并不代表本发明的特征仅限于该实施方式。恰恰相反，结合实施方式作本发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
图1为本发明的新产品销量的预测方法的流程图。
在本发明中，新产品为没有上市的产品，没有任何历史销量数据的产品，其可以为全新产品，也可以是旧产品的新款，本发明可以对以上两种类型的新产品的销量进行预测。
本发明的发明人想到，特征相似的产品销量应该相似，因此可以通过寻找与新产品相似的已上市产品，使用已上市产品的历史销量对新产品的销量进行预测。通过构造相似度量函数，衡量新产品与已上市产品的相似性，从已上市产品找到与新产品相似的多个相似产品。但找出的多个相似产品之间的销量可能不相似，不满足“特征相似的商品销量应该相似”假设，因此本发明还引入了特征子集搜索、销量一致性检测用来解决这一问题。
因此，如图1所示，本发明的新产品销量的预测方法主要包括特征集合构建步骤、销量数据获取步骤、相似产品筛选步骤、销量一致性检测步骤、以及新产品销量预测步骤。
在特征集合构建步骤中，构建包括新产品的所有特征的特征集合。特征是使用者认为对销量有影响的特征，如外观、价格、性能等。
在销量数据获取步骤中，获取具有所述特征集合中的全部或者部分特征的已上市产品的销量。在此，在本发明中，要确认新产品的销量预测的时间粒度(时间单位)，如月预测、周预测，以及要预测的时间长度，然后收集已上市商品对应粒度、对应时长的销量数据，如月销量、周销量，以及几个月的月销量、几周的周销量。
此外，在本发明中，还可以对于收集到的已上市产品的特征的特征值进行数据处理。例如，对缺失值进行补全，对于连续型特征(数值特征)，可以使用已上市产品的该特征平均数进行补全；对于类别型特征，新建一个“未知”类别进行补全。为了保证预测准确性，已上市产品的销量不允许有缺失。对于连续型特征，需要确保各样本在该特征上的特征值的单位保持一致；对于类别型特征，存在同一种类别不同表述的情况，对该表述进行调整，确保表述保持一致。
在相似产品筛选步骤中，从所述特征集合中选取一个特征子集，通过使用相似性度量函数，从所述已上市产品中筛选出具有所述特征子集中的所述特征且在所述特征子集上与所述新产品相似的多个相似产品。
在本发明中，构造相似性度量函数，来衡量两个产品的相似性。本发明使用加权余弦距离或者加权欧氏距离来度量新产品与已上市产品的相似性。
即，所述相似性度量函数可以为如下式所示的加权余弦距离函数，
Figure BDA0002935729920000031
其中，d(xi,xj)为所述新产品与第j个所述已上市产品的加权余弦距离，xi,k为所述新产品的第k个特征的特征值，xj,k为第j个所述上市产品的第k个特征的特征值，P为所述特征子集中的所述特征的数量，wk为预先设定的第k个特征的权重，且
Figure BDA0002935729920000032
在所述特征为数值特征的情况下，使用该特征的数值作为所述特征值，
在所述特征为类别特征的情况下，在所述新产品与所述上市产品的特征相同时，将所述新产品与所述上市产品的该特征的特征值均记为0，在在所述新产品与所述上市产品的特征不同时，将所述新产品与所述上市产品的该特征的特征值均记为1，
将所述加权余弦距离较小的规定数量的所述已上市产品作为所述相似产品。使用者能够根据需要(预测精度，计算能力等)决定该规定数量，即决定选择多少个已上市产品作为相似产品。
所述相似性度量函数还可以为如下式所示的加权欧氏距离函数，
Figure BDA0002935729920000041
其中，d(xi,xj)为所述新产品与第j个所述已上市产品的加权欧氏距离，xi,k为所述新产品的第k个特征的特征值，xj,k为第j个所述上市产品的第k个特征的特征值，P为所述特征子集中的所述特征的数量，wk为预先设定的第k个特征的权重，且
Figure BDA0002935729920000042
在所述特征为数值特征的情况下，使用该特征的数值作为所述特征值，
在所述特征为类别特征的情况下，在所述新产品与所述上市产品的特征相同时，将xi,k-xj,k记为0，在在所述新产品与所述上市产品的特征不同时，将xi,k-xj,k记为1，
将所述加权欧氏距离较小的规定数量的所述已上市产品作为所述相似产品。使用者能够根据需要(预测精度，计算能力等)决定该规定数量，即决定选择多少个已上市产品作为相似产品。
其中权重wk代表特征重要性，权重wk可以依据使用者对特征的理解而人工进行赋予，或通过检验销量与该特征的相似性，将相关性大的特征赋予更大权重。
在销量一致性检测步骤中，算出多个所述相似产品的销量的差异度，若所述差异度小于预先规定的容忍值，则认为多个所述相似产品的销量通过一致性检测，否则认为多个所述相似产品的销量没有通过一致性检测。
在此，所述差异度可以由下式算出：
Figure BDA0002935729920000043
其中，ε为所述差异度，yin为第n个所述相似产品在第i个时间单位的销量，max yin为所述yin中的最大值，即多个相似产品在第i个时间单位中的销量的最大值，min yin为所述yin中的最小值，即多个相似产品在第i个时间单位中的销量的最小值，median yin为所述yin中的中位值，即多个相似产品在第i个时间单位中的销量的中位值，M为所述相似产品的销量的期间中包含的时间单位的数量。
所述差异度也可以由下式算出：
Figure BDA0002935729920000051
其中，ε为所述差异度，sigmai为多个所述相似产品在第i个时间单位的销量的平均值、mui为多个所述相似产品第i个时间单位的销量的标准差。
在多个所述相似产品的销量没有通过一致性检测的情况下，即，所述差异度为规定的容忍度以上的情况下，从所述特征集合中选取与之前的所述特征子集不同的另一个所述特征子集，重复所述相似产品筛选步骤以及所述销量一致性检测步骤，直至由相似产品筛选步骤筛选出的所述相似产品的销量通过一致性检测。
在本发明中，采用随机法、减少法、或者增加法等来选取所述特征子集。
所谓随机法是指从所述特征集合中随机选取任意数目的特征构成所述特征子集。具体来说，随机选取S个(所有特征数量≥S，S也是随机值)特征构成特征集，重复所述相似产品筛选步骤以及所述销量一致性检测步骤，若所述相似产品的销量满足一致性检测，使用所述相似产品的销量来预测新产品上市后的销量。若所述相似产品的销量不满足一致性检测，则再进行随机选取构造新的特征子集，直至所述相似产品的销量满足一致性检测。此外，若述相似产品筛选步骤以及所述销量一致性检测步骤的重复次数超过给定阈值，则停止重复，在需要补充更多的已上市商品的数据后再次尝试。如此，能够减少无用的计算量，提高新产品的销量预测的效率。
所谓减少法是指，首先以所述特征集合为所述特征子集进行所述相似产品筛选步骤以及所述销量一致性检测步骤，在多个所述相似产品的销量没有通过一致性检测的情况下，从所述特征子集中随机删除一个特征作为另一个所述特征子集，再次进行所述相似产品筛选步骤以及所述销量一致性检测步骤。如此重复，直至所述特征子集为空或多个所述相似产品的销量通过一致性检验。
所谓增加法是指，首先从所述特征集合中随机选取一个特征作为所述特征子集进行所述相似产品筛选步骤以及所述销量一致性检测步骤，在多个所述相似产品的销量没有通过一致性检测的情况下，向所述特征子集中随机增加一个所述特征集合中的与之前选取的特征不同的特征作为另一个所述特征子集，再次进行所述相似产品筛选步骤以及所述销量一致性检测步骤。如此重复，直至特征子集包含所述特征集合中的全部特征或者多个所述相似产品的销量通过一致性检验。
在新产品销量预测步骤中，使用通过所述一致性检测的多个所述相似产品的销量，预测所述新产品的销量。
具体来说，在本发明中，新产品的预测销量可以通过下式算出。
Figure BDA0002935729920000061
其中，yi为新产品第i个时间单位的预测销量，N为所述相似产品的数量，wn为第n个所述相似产品的权重，且wn＝1/d(xi,xj),
Figure BDA0002935729920000062
yin为第n个所述相似产品在第i个时间单位的销量。
如此，根据本发明，能够利用已上市产品的销量数据，客观、低成本且准确地对新产品的销量进行预测。
此外，在本发明中，还可以具有归因分析步骤，即，对于通过所述一致性检测的多个所述相似产品以及所述特征子集，针对每一个所述特征子集中的特征，计算在该特征上与所述新产品相似的所述相似产品的数量，将计算出的相似产品的数量最多的规定个数的所述特征作为最相似特征并作为所述销量相似的原因，其中，在所述特征为数值特征的情况下，计算所述新产品与所述相似产品的所述特征的特征值之差，在所述特征值之差的绝对值小于预先设定的阈值时，判定为所述新产品与所述相似产品在该特征上相似，在所述特征为类别特征的情况下，在所述新产品与所述上市产品的特征相同时，判定为所述新产品与所述相似产品在该特征上相似。
由此，能够在对新产品的销量进行预测之后，向使用者提供对销量影响较大的特征。
此外，在本发明中，也可以在多个相似产品的销量通过了一致性检测的情况下，还继续选取新的特征子集，重复相似产品筛选步骤以及销量一致性检测步骤，直至重复的次数达到规定的次数。在这种情况下，根据本发明，能够获得多组新产品的预测销量以及与该预测销量相对应的最相似特征的组合，以供使用者参考。
以下，为了便于理解，使用具体事例对本发明进行说明。
对2019年新上市的3款车型(W,Y,Z)进行销量预测，其中W与Y是年度换款车型，Z为全新车型，目标是预测新车型上市后3个月销量。
1.数据收集与处理
收集三类数据。
一是待预测新产品的特征数据，即特征以及特征值，构件特征集合。在本例中，特征具体包括：品牌、价格、排量(电动记为0)、是否进口、车辆类型、座位数、车身类型、挡位个数、变速箱类型、驱动方式、ABS防抱死、天窗类型、中控台彩色大屏、气缸数、最大马力、工信油耗、最高车速、电动车窗、排放标准，共20个特征。
二是用于参考的包括新产品的特征的已上市产品的特征数据，即特征以及特征值。
三是用于参考的已上市产品的销量数据。在本例中，目标是预测新车型上市后3个月销量，因此在本例中，需要对应地收集已上市商品上市后3个月销量。共收集了37款(O1～O37)已上市车型数据，包括5大汽车品牌(B1～B5)。
Figure BDA0002935729920000071
对于收集好的特征数据，进行数据处理。首先对缺失值进行补全：对于连续型特征，可以使用数据中的该特征平均数补全缺失值；对于类别型特征，新建一个“未知”类别进行补全。另外，为保证预测准确性，已上市产品的销量数据不允许有缺失。对于连续型特征，需要确保各样本在该特征上的特征值的单位保持一致；对于类别型特征，在存在同一种类别不同表述的情况下，要调整表述，确保表述保持一致。
2.筛选相似产品
本例中，使用加权余弦距离作为相似性度量函数从上市产品中筛选相似产品，加权权重使用人工赋予。
3.销量一致性检测
本例中使用下式计算相似产品的销量的差异度：
Figure BDA0002935729920000072
在本例中，预先规定容忍度为1.2，若筛选出的相似产品的销量的差异度ε小于容忍度则通过一致性检验。
4.选取特征子集
在本例中，在筛选相似产品时，使用随机法选取特征子集。
具体来说，随机选取15个特征构成特征子集，计算新产品与所有已上市产品在该特征子集上的距离，获得以下结果：与W最相近的车型为O2、O9；与Y最相近的车型为O11、O32；与Z最相近的车型为O16、O29。
5.销量预测
分别得到与新产品相似的2个相似产品后，将相似产品的加权平均数作为新产品后每月的预测销量，权重为相似产品与新产品越相似，权重越大，并进行归一化。换而言之，权重为相似产品与新产品加权余弦距离的倒数，并进行归一化而获得的数值。新产品的销量预测结果如下。
新品名称 上市后三个月销量预测值 上市后三个月销量真实值
W(年度换款车型) [46,88,86] [30,84,79]
Y(年度换款车型) [13,53,42] [19,59,33]
Z(全新车型) [25,70,67] [22,69,55]
在本例中，使用均方根百分比误差RMSPE(Root Mean Square Percentage Error)对预测销量进行评价，结果为RMSPE＝6.3。由此可知，根据本发明，能够捕捉到上市前三个月的销量变化趋势，能够获得相似结果，即，根据本发明能够获得的预测销量。
6.归因分析
计算新产品与相似产品最相似的5个特征，进行归因分析，表明新产品在以上5个特征与相似产品最相似，因此上市后销量也相似。如：W的相似车型为“O2”和“O9”，最相似的五个特征为：价格、排量、是否进口、车辆类型、座位数。Y的相似车型为“O11”和“O32”，最相似的五个特征为：价格、是否进口、车辆类型、座位数、驱动方式。
以上对本发明的实施方式进行了说明，但实施方式仅作为举例说明，并不具有限定本发明范围的意图。这些实施方式能够通过其他各种形态实施，在不超出本发明主旨的范围内进行各种各样的省略、置换、变更、组合。这些实施方式和其变形包含在本发明范围和主旨中的同时，也包含在权利要求书中记载的发明以及与其均等的范围内。

Claims (10)

1.一种新产品销量的预测方法，其特征在于，包括：
特征集合构建步骤，构建包括新产品的所有特征的特征集合；
销量数据获取步骤，获取具有所述特征集合中的全部或者部分特征的已上市产品的销量；
相似产品筛选步骤，从所述特征集合中选取一个特征子集，通过使用相似性度量函数，从所述已上市产品中筛选出具有所述特征子集中的所述特征且在所述特征子集上与所述新产品相似的多个相似产品；
销量一致性检测步骤，算出多个所述相似产品的销量的差异度，若所述差异度小于预先规定的容忍值，则认为多个所述相似产品的销量通过一致性检测，否则认为多个所述相似产品的销量没有通过一致性检测；
新产品销量预测步骤，使用通过所述一致性检测的多个所述相似产品的销量，预测所述新产品的销量，
在多个所述相似产品的销量没有通过一致性检测的情况下，从所述特征集合中选取与之前的所述特征子集不同的另一个所述特征子集，重复所述相似产品筛选步骤以及所述销量一致性检测步骤，直至由相似产品筛选步骤筛选出的所述相似产品的销量通过一致性检测。
2.如权利要求1所述的新产品销量的预测方法，其特征在于，
所述相似性度量函数为如下式所示的加权余弦距离函数，
Figure FDA0002935729910000011
其中，d(xi,xj)为所述新产品与第j个所述已上市产品的加权余弦距离，xi,k为所述新产品的第k个特征的特征值，xj,k为第j个所述上市产品的第k个特征的特征值，P为所述特征子集中的所述特征的数量，wk为预先设定的第k个特征的权重，且
Figure FDA0002935729910000012
在所述特征为数值特征的情况下，使用该特征的数值作为所述特征值，
在所述特征为类别特征的情况下，在所述新产品与所述上市产品的特征相同时，将所述新产品与所述上市产品的该特征的特征值均记为0，在在所述新产品与所述上市产品的特征不同时，将所述新产品与所述上市产品的该特征的特征值均记为1，
将所述加权余弦距离较小的规定数量的所述已上市产品作为所述相似产品。
3.如权利要求1所述的新产品销量的预测方法，其特征在于，
所述相似性度量函数为如下式所示的加权欧氏距离函数，
Figure FDA0002935729910000021
其中，d(xi,xj)为所述新产品与第j个所述已上市产品的加权欧氏距离，xi,k为所述新产品的第k个特征的特征值，xj,k为第j个所述上市产品的第k个特征的特征值，P为所述特征子集中的所述特征的数量，wk为预先设定的第k个特征的权重，且
Figure FDA0002935729910000022
在所述特征为数值特征的情况下，使用该特征的数值作为所述特征值，
在所述特征为类别特征的情况下，在所述新产品与所述上市产品的特征相同时，将xi,k-xj,k记为0，在在所述新产品与所述上市产品的特征不同时，将xi,k-xj,k记为1，
将所述加权欧氏距离较小的规定数量的所述已上市产品作为所述相似产品。
4.如权利要求1所述的新产品销量的预测方法，其特征在于，
所述差异度由下式算出：
Figure FDA0002935729910000023
其中，ε为所述差异度，yin为第n个所述相似产品在第i个时间单位的销量，max yin为所述yin中的最大值，min yin为所述yin中的最小值，median yin为所述yin中的中位值，M为所述相似产品的销量的期间中包含的时间单位的数量。
5.如权利要求1所述的新产品销量的预测方法，其特征在于，
所述差异度由下式算出：
Figure FDA0002935729910000024
其中，ε为所述差异度，sigmai为多个所述相似产品在第i个时间单位的销量的平均值、mui为多个所述相似产品第i个时间单位的销量的标准差。
6.如权利要求1所述的新产品销量的预测方法，其特征在于，
在所述相似产品筛选步骤中，采用随机法来选取所述特征子集，即，从所述特征集合中随机选取任意数目的特征构成所述特征子集。
7.如权利要求1所述的新产品销量的预测方法，其特征在于，
在所述相似产品筛选步骤中，采用减少法来选取所述特征子集，即，首先以所述特征集合为所述特征子集进行所述相似产品筛选步骤以及所述销量一致性检测步骤，
在多个所述相似产品的销量没有通过一致性检测的情况下，从所述特征子集中随机删除一个特征作为另一个所述特征子集，再次进行所述相似产品筛选步骤以及所述销量一致性检测步骤，
如此重复，直至所述特征子集为空或多个所述相似产品的销量通过一致性检验。
8.如权利要求1所述的新产品销量的预测方法，其特征在于，
在所述相似产品筛选步骤中，采用增加法来选取所述特征子集，即，首先从所述特征集合中随机选取一个特征作为所述特征子集进行所述相似产品筛选步骤以及所述销量一致性检测步骤，
在多个所述相似产品的销量没有通过一致性检测的情况下，向所述特征子集中随机增加一个所述特征集合中的与之前选取的特征不同的特征作为另一个所述特征子集，再次进行所述相似产品筛选步骤以及所述销量一致性检测步骤，
如此重复，直至特征子集包含所述特征集合中的全部特征或者多个所述相似产品的销量通过一致性检验。
9.如权利要求2或3所述的新产品销量的预测方法，其特征在于，
在新产品销量预测步骤中，使用通过所述一致性检测的多个所述相似产品的销量的加权平均数作为新产品的预测销量，即：
Figure FDA0002935729910000041
其中，yi为新产品第i个时间单位的预测销量，N为所述相似产品的数量，wn为第n个所述相似产品的权重，且wn＝1/d(xi,xj),
Figure FDA0002935729910000042
yin为第n个所述相似产品在第i个时间单位的销量。
10.如权利要求1所述的新产品销量的预测方法，其特征在于，
还具有归因分析步骤，即，对于通过所述一致性检测的多个所述相似产品以及所述特征子集，针对每一个所述特征子集中的特征，计算在该特征上与所述新产品相似的所述相似产品数量，将计算出的相似产品的数量最多的规定个数的所述特征作为最相似的特征并作为所述销量相似的原因，
其中，在所述特征为数值特征的情况下，计算所述新产品与所述相似产品的所述特征的特征值之差，在所述特征值之差的绝对值小于预先设定的阈值时，判定为所述新产品与所述相似产品在该特征上相似，
在所述特征为类别特征的情况下，在所述新产品与所述上市产品的特征相同时，判定为所述新产品与所述相似产品在该特征上相似。
CN202110159412.XA 2021-02-05 2021-02-05 一种新产品销量的预测方法 Pending CN114881676A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110159412.XA CN114881676A (zh) 2021-02-05 2021-02-05 一种新产品销量的预测方法
JP2022011919A JP7315733B2 (ja) 2021-02-05 2022-01-28 新製品の販売量の予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110159412.XA CN114881676A (zh) 2021-02-05 2021-02-05 一种新产品销量的预测方法

Publications (1)

Publication Number Publication Date
CN114881676A true CN114881676A (zh) 2022-08-09

Family

ID=82667885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110159412.XA Pending CN114881676A (zh) 2021-02-05 2021-02-05 一种新产品销量的预测方法

Country Status (2)

Country Link
JP (1) JP7315733B2 (zh)
CN (1) CN114881676A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196695A (zh) * 2023-11-03 2023-12-08 中国民航信息网络股份有限公司 一种目标产品的销量数据的预测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000200260A (ja) * 1998-07-21 2000-07-18 Toyota Motor Corp 商品販売数予測システム
JP4987499B2 (ja) * 2007-01-31 2012-07-25 株式会社エヌ・ティ・ティ・データ 需要予測装置、需要予測方法、及び、需要予測プログラム
JP6716076B2 (ja) * 2016-08-23 2020-07-01 富士通株式会社 探索プログラム、探索方法および探索装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196695A (zh) * 2023-11-03 2023-12-08 中国民航信息网络股份有限公司 一种目标产品的销量数据的预测方法及装置
CN117196695B (zh) * 2023-11-03 2024-02-27 中国民航信息网络股份有限公司 一种目标产品的销量数据的预测方法及装置

Also Published As

Publication number Publication date
JP7315733B2 (ja) 2023-07-26
JP2022120816A (ja) 2022-08-18

Similar Documents

Publication Publication Date Title
CN106649709B (zh) 一种基于数据挖掘的车辆停留行为模式预测与评估方法
CN112526351B (zh) 一种评估电动汽车的动力电池健康状态及剩余寿命的方法
CN106407464A (zh) 一种基于knn的改进缺失数据填补算法
CN112613406A (zh) 一种基于大数据的商用车多维度运行评估方法
JP2017004504A (ja) 車両、車両の通信モジュールと通信するシステム、および１組の車両と通信するシステム
US20190378180A1 (en) Method and system for generating and using vehicle pricing models
CN111091401A (zh) 一种网约车定价方法、系统、存储介质及设备
CN107274066B (zh) 一种基于lrfmd模型的共享交通客户价值分析方法
CN114881676A (zh) 一种新产品销量的预测方法
Almeida et al. The impact of uncertainty in the measurement of progress in earned value analysis
CN101957941A (zh) 基于时间趋势的融合显著性和敏感性来识别凸现问题的方法
CN112241808A (zh) 路面技术状况预测方法、装置、电子设备及存储介质
CN112950030B (zh) 电动汽车的残差评估方法、装置、电子设备及存储介质
Moore Segmentation of store choice models using stated preferences
CN108255949B (zh) 一种游客在参观展会时的展园细分选择行为偏好的方法
CN112052898A (zh) 一种城际高铁乘客的潜在分类模型构建方法和系统
CN111950760A (zh) 基于机器学习算法的劳动力需求预测系统及预测方法
CN112396342B (zh) 一种旅客价值计算方法、装置及服务器
CN110555659A (zh) 第四方物流平台对于货主的价值分析方法
US10346786B1 (en) Method for applying expert usage based data
CN117494981B (zh) 一种基于安全的车辆智能调度方法及装置
CN117035244B (zh) 基于标识解析的空间规划信息采集方法及系统
CN118607932B (zh) 基于深度学习的驾驶人个性化风险评价方法、电子设备和存储介质
Xu Research on the prediction of bike sharing system’s demand based on linear regression model
Chaiwuttisak Forecasting export value in the automobile industry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220809

WD01 Invention patent application deemed withdrawn after publication