CN115423535B - 基于市场先验大数据的产品采购方法、装置、设备及介质 - Google Patents
基于市场先验大数据的产品采购方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115423535B CN115423535B CN202211269181.9A CN202211269181A CN115423535B CN 115423535 B CN115423535 B CN 115423535B CN 202211269181 A CN202211269181 A CN 202211269181A CN 115423535 B CN115423535 B CN 115423535B
- Authority
- CN
- China
- Prior art keywords
- sales
- product
- factor
- curve
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims description 75
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于市场先验大数据的产品采购方法,包括:获取预设产品集中每个产品的历史销量数据以及销量影响因子,对历史销量数据和销量影响因子进行时序关联存储,得到先验数据表;根据先验数据表统计不同时间段内每个产品的区间销量,并根据区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线;根据先验数据表计算销量影响因子的因子变化率,根据因子变化率生成伪随机因子函数;利用先验曲线与伪随机因子函数计算预设产品集中每个产品的当前分布权重;根据当前分布权重生成预设产品集的采购方案。本发明还提出一种基于市场先验大数据的产品采购装置、电子设备以及存储介质。本发明可以提高产品采购的准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于市场先验大数据的产品采购方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们消费水平的提升,产品的种类日益丰富,产品经销商也开始采购越来越多种类的产品进行销售,但为了减少产品的售卖周期,提高售卖利润,需要提前对产品的销售情况进行预测,以进行产品采购。
现有的产品采购的销售预测产品推荐技术多为基于单一历史销量的产品销量预测,进而进行产品采购。例如,基于过去一年的产品销量确定来年的采购量。实际应用中,不同的产品存在多种可以影响销售量的因素,仅考虑单一属性,可能导致对销量预测较为片面,从而导致对产品进行采购时的准确性较低。
发明内容
本发明提供一种基于市场先验大数据的产品采购方法、装置及计算机可读存储介质,其主要目的在于解决对产品进行采购时的准确性较低的问题。
为实现上述目的,本发明提供的一种基于市场先验大数据的产品采购方法,包括:
获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表;
根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线;
根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,其中,所述根据所述先验数据表计算所述销量影响因子的因子变化率,包括:
逐个选取所述销量影响因子中的因子作为目标因子,根据所述先验数据表生成所述目标因子的目标因子曲线;
根据如下的变化率计算公式计算出所述目标因子的因子变化率:其中,/>是指第i个所述目标因子在目标因子曲线中横坐标为s处的因子变化率,/>是指第i个所述目标因子曲线中横坐标为s处的目标因子的取值,/>是指第i个所述目标因子曲线中横坐标/>为处的目标因子的取值,t是所述目标因子曲线对应的时域窗口长度;
其中,所述伪随机因子函数如下:其中,/>是指所述伪随机因子函数在自变量为s时的取值,ρ为预设的初始随机数,s是指第s时刻,K是指所述因子变化率,/>是随机函数符号,u是所述销量影响因子的总数,/>是指所述销量影响因子中的随机一个因子,d是微分符号,t是指时间符号;
利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,其中,所述利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,包括:
获取系统对应的日期系数作为当前日期系数;
提取出所述当前日期系数对应的时域特征,将所述时域特征与所述先验曲线的时域特征进行匹配,得到所述先验曲线对应的近似时域特征;
将所述近似时域特征所对应的时域窗口作为预测时域窗口,根据所述预测时域窗口以及所述先验曲线逐个计算出所述预设产品集中每个产品的初级预测销量;
根据所述预测时域窗口以及所述伪随机因子函数逐个计算出所述预设产品集中每个产品的伪随机因子,将所述初级预测销量加上所述伪随机因子,得到标准预测销量;
根据所有的所述标准预测销量计算出总预测销量,逐个计算每个产品的所述标准预测销量与所述总预测销量的比值,将所述比值作为分布权重;
根据所述当前分布权重生成所述预设产品集的采购方案。
可选地,所述获取预设产品集中每个产品的历史销量数据以及销量影响因子,包括:
逐个选取所述预设产品集中的产品作为目标产品,获取所述目标产品对应的历史销售记录;
对所述历史销售记录进行数据清洗,得到历史销量数据;
获取所述目标产品的产品特征集,根据所述产品特征集计算出销量影响因子。
可选地,所述获取所述目标产品的产品特征集,包括:
获取所述目标产品的产品标签;
对所述产品标签进行文本分词,得到标签词集;
逐一将所述标签词集中的标签词语转化为词向量,得到标签词向量集;
对所述标签词向量集中的词向量进行聚类操作,得到产品特征集。
可选地,所述根据所述产品特征集计算出销量影响因子,包括:
逐个选取所述产品特征集中的产品特征作为目标产品特征;
利用预设的特征近似算法计算所述目标产品特征与预设的标准特征库中的每个销量特征之间的特征近似值:其中,S是指所述特征近似值,φ是预设的近似对抗系数,/>是反余弦函数,/>是指所述目标产品特征,/>是指所述销量特征,T是转置符号;
选取最大的所述特征近似值对应的销量特征作为目标销量特征,将所有的所述目标销量特征组成目标销量特征集;
利用预设的因子预测决策树根据所述目标销量特征集生成销量影响因子。
可选地,所述根据所述先验数据表统计不同时间段内每个产品的区间销量,包括:
逐个选取所述预设产品集中的产品作为目标产品,从所述先验数据表中提取出所述目标产品对应的目标数据表;
按照预设的时域窗口对所述目标数据表进行分段,得到多个时域数据组;
逐一选取所述时域数据组作为目标时域组,统计所述目标时域组中所述目标产品的总销量,将所述总销量作为所述目标产品在所述目标时域组中的区间销量。
为了解决上述问题,本发明还提供一种基于市场先验大数据的产品采购装置,所述装置包括:
时序关联模块,用于获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表;
先验曲线模块,用于根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线;
随机因子模块,用于根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,其中,所述根据所述先验数据表计算所述销量影响因子的因子变化率,包括:逐个选取所述销量影响因子中的因子作为目标因子,根据所述先验数据表生成所述目标因子的目标因子曲线;根据如下的变化率计算公式计算出所述目标因子的因子变化率:其中,/>是指第i个所述目标因子在目标因子曲线中横坐标为s处的因子变化率,/>是指第i个所述目标因子曲线中横坐标为s处的目标因子的取值,/>是指第i个所述目标因子曲线中横坐标为/>处的目标因子的取值,t是所述目标因子曲线对应的时域窗口长度;其中,所述伪随机因子函数如下:其中,/>是指所述伪随机因子函数在自变量为s时的取值,ρ为预设的初始随机数,s是指第s时刻,K是指所述因子变化率,/>是随机函数符号,u是所述销量影响因子的总数,/>是指所述销量影响因子中的随机一个因子,d是微分符号,t是指时间符号;
分布预测模块,用于利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,其中,所述利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,包括:获取系统对应的日期系数作为当前日期系数;提取出所述当前日期系数对应的时域特征,将所述时域特征与所述先验曲线的时域特征进行匹配,得到所述先验曲线对应的近似时域特征;将所述近似时域特征所对应的时域窗口作为预测时域窗口,根据所述预测时域窗口以及所述先验曲线逐个计算出所述预设产品集中每个产品的初级预测销量;根据所述预测时域窗口以及所述伪随机因子函数逐个计算出所述预设产品集中每个产品的伪随机因子,将所述初级预测销量加上所述伪随机因子,得到标准预测销量;根据所有的所述标准预测销量计算出总预测销量,逐个计算每个产品的所述标准预测销量与所述总预测销量的比值,将所述比值作为分布权重;
采购管理模块,用于根据所述当前分布权重生成所述预设产品集的采购方案。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于市场先验大数据的产品采购方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于市场先验大数据的产品采购方法。
本发明实施例通过获取预设产品集中每个产品的历史销量数据以及销量影响因子,能够提高所述历史销量数据的准确度,并通过所述销量影响因子增加了销量预测的宽容度,通过先验数据表能够方便后续对历史销量数据进行时序分析,从而确保产品采购管理方法与实际时间周期进行对应,提高产品采购的准确性;通过根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,能够有效地反应历史的销售数据随时间的变化趋势,方便采购人员根据实际时间周期进行采购,提高产品采购的准确性。
通过根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,能够模拟出销量影响因子的变化趋势,并通过引入伪随机因子函数,能够扩大后续采购管理方法的抗干扰能力,通过利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,能够结合历史销售数据预测出当前时刻的销售量分布,并通过所谓伪随机因子函数对预测结果进行修正,增强了分布权重的准确性,通过根据所述当前分布权重生成所述预设产品集的采购方案,能够结合时间特征对历史销售数据进行分析,得到与历史销售数据的对应时段相近的销售数据进行参考,并结合伪随机因子函数进行修正,得到所述采购方案,提高了产品采购的准确性。因此本发明提出的基于市场先验大数据的产品采购方法、装置、电子设备及计算机可读存储介质,可以解决对产品进行采购时的准确性较低的问题。
附图说明
图1为本发明一实施例提供的基于市场先验大数据的产品采购方法的流程示意图;
图2为本发明一实施例提供的计算先验曲线的流程示意图;
图3为本发明一实施例提供的计算分布权重的流程示意图;
图4为本发明一实施例提供的基于市场先验大数据的产品采购装置的功能模块图;
图5为本发明一实施例提供的实现所述基于市场先验大数据的产品采购方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于市场先验大数据的产品采购方法。所述基于市场先验大数据的产品采购方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于市场先验大数据的产品采购方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于市场先验大数据的产品采购方法的流程示意图。在本实施例中,所述基于市场先验大数据的产品采购方法包括:
S1、获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表。
本发明实施例中,所述预设产品集是包括多种产品的产品清单集合。
详细地,所述历史销量数据是指所述产品的销售记录清单。
具体地,所述销量影响因子是指对产品的销量有影响的因素,例如偏好权重、潮流权重以及包装权重等因素。
本发明实施例中,所述获取预设产品集中每个产品的历史销量数据以及销量影响因子,包括:
逐个选取所述预设产品集中的产品作为目标产品,获取所述目标产品对应的历史销售记录;
对所述历史销售记录进行数据清洗,得到历史销量数据;
获取所述目标产品的产品特征集,根据所述产品特征集计算出销量影响因子。
详细地,所述可以利用数据库检索语言或正则表达式在销售额表单中获取所述目标产品对应的历史销售记录。
详细地,所述对所述初级销售数据进行数据清洗,得到历史销量数据,包括:
从所述初级销售数据中筛除乱码数据,得到次级销售数据;
从所述次级销售数据中筛除越位数据,得到历史销售数据。
具体地,所述乱码数据可以是包含“#”、“@”、“¥”等符号的错误录入数据。
详细地,所述越位数据是指诸如负数或超越总销量等数据阈值的数据。
具体地,所述产品特征是指诸如产品的颜色、款式等特征。
本发明实施例中,所述获取所述目标产品的产品特征集,包括:
获取所述目标产品的产品标签;
对所述产品标签进行文本分词,得到标签词集;
逐一将所述标签词集中的标签词语转化为词向量,得到标签词向量集;
对所述标签词向量集中的词向量进行聚类操作,得到产品特征集。
具体地,所述产品标签可以是对产品的介绍信息。
具体地,所述根据所述产品特征集计算出销量影响因子,包括:
逐个选取所述产品特征集中的产品特征作为目标产品特征;
利用预设的特征近似算法计算所述目标产品特征与预设的标准特征库中的每个销量特征之间的特征近似值:其中,S是指所述特征近似值,φ是预设的近似对抗系数,/>是反余弦函数,/>是指所述目标产品特征,/>是指所述销量特征,T是转置符号;
选取最大的所述特征近似值对应的销量特征作为目标销量特征,将所有的所述目标销量特征组成目标销量特征集;
利用预设的因子预测决策树根据所述目标销量特征集生成销量影响因子。
详细地,所述标准特征库中包含预设的多个产品标准特征,用于输入所述因子预测决策树中计算出所述销量影响因子。
具体地,所述因子预测决策树是根据所述产品标准特征和预设地多个销量影响因子训练得到的。
详细地,通过利用预设的特征近似算法计算所述目标产品特征与所述标准特征库中的每个销量特征之间的特征近似值,可以将所述目标产品特征标准化,从而为每个产品确定对应的销量影响因子。
详细地,所述对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表,是指将每个所述产品的历史销量数据和对应的销量影响因子按照时间顺序分别存储在数据表中。
本发明实施例中,通过获取预设产品集中每个产品的历史销量数据以及销量影响因子,能够提高所述历史销量数据的准确度,并通过所述销量影响因子增加了销量预测的宽容度,通过先验数据表能够方便后续对历史销量数据进行时序分析,从而确保产品采购管理方法与实际时间周期进行对应,提高产品采购的准确性。
S2、根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线。
本发明实施例中,所述根据所述先验数据表统计不同时间段内每个产品的区间销量,包括:
逐个选取所述预设产品集中的产品作为目标产品,从所述先验数据表中提取出所述目标产品对应的目标数据表;
按照预设的时域窗口对所述目标数据表进行分段,得到多个时域数据组;
逐一选取所述时域数据组作为目标时域组,统计所述目标时域组中所述目标产品的总销量,将所述总销量作为所述目标产品在所述目标时域组中的区间销量。
详细地,所述时域窗口可以是一天或一周。
详细地,所述按照预设的时域窗口对所述目标数据表进行分段,得到多个时域数据组,例如,在所述目标数据表中的数据为所述目标产品的一年内的销量数据,且所述时域窗口为一个月时,分段后的时域数据组的数量是12个,且每段为一个月份的销量数据。
详细地,参照图2所示,所述根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,包括:
S21、根据所述区间销量的时域窗口以及所述销量影响因子创建初级销量拟合曲线,其中所述初级销量拟合曲线如下:其中,A是指所述初级销量拟合曲线所对应的预测区间销量,x是指所述初级销量拟合曲线中的时域窗口对应时间段,/>是所述销量影响因子,γ是所述初级销量拟合曲线的第一销量系数,/>是所述初级销量拟合曲线的第二销量系数、θ是所述初级销量拟合曲线的第三销量系数;
S22、利用预设的销量偏差算法根据所述区间销量计算出所述初级销量拟合曲线的拟合残差值:其中,C是指所述拟合残差值,n是所述区间销量的总个数,i是指第i个,/>是所述销量影响因子,γ是所述初级销量拟合曲线的第一销量系数,/>是所述初级销量拟合曲线的第二销量系数、θ是所述初级销量拟合曲线的第三销量系数,/>是指所述初级销量拟合曲线中第i个时域窗口对应时间段,/>是指第i个区间销量;
S23、根据所述拟合残差值对所述初级销量拟合曲线的各个参数进行更新,得到先验曲线。
详细地,可以利用梯度下降法根据所述拟合残差值对所述初级销量拟合曲线的各个参数进行更新,得到先验曲线。
详细地,通过利用所述销量偏差算法根据所述区间销量计算出所述初级销量拟合曲线的拟合残差值能够将所述销量影响因子作为销量考量的因素进行曲线拟合,从而增加了产品采购的准确性。
本发明实施例中,通过根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,能够有效地反应历史的销售数据随时间的变化趋势,方便采购人员根据实际时间周期进行采购,提高产品采购的准确性。
S3、根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数。
本发明实施例中,所述根据所述先验数据表计算所述销量影响因子的因子变化率,包括:
逐个选取所述销量影响因子中的因子作为目标因子,
根据所述先验数据表生成所述目标因子的目标因子曲线;
根据如下的变化率计算公式计算出所述目标因子的因子变化率:其中,/>是指第i个所述目标因子在目标因子曲线中横坐标为s处的因子变化率,/>是指第i个所述目标因子曲线中横坐标为s处的目标因子的取值,/>是指第i个所述目标因子曲线中横坐标为/>处的目标因子的取值,t是所述目标因子曲线对应的时域窗口长度。
详细地,所述根据所述先验数据表生成所述目标因子的目标因子曲线的方法与上述步骤S2中的所述根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线的方法一致,这里不再赘述。
具体地,通过根据所述变化率计算公式计算出所述目标因子的因子变化率,能够对所述目标因子随时间的变化进行表征,从而提高了后续销量预测的准确性。
详细地,所述根据所述因子变化率生成伪随机因子函数,其中,所述伪随机因子函数如下:其中,/>是指所述伪随机因子函数在自变量为s时的取值,ρ为预设的初始随机数,s是指第s时刻,K是指所述因子变化率,/>是随机函数符号,u是所述销量影响因子的总数,/>是指所述销量影响因子中的随机一个因子,d是微分符号,t是指时间符号。
详细地,通过根据所述因子变化率生成伪随机因子函数,能够扩大采购管理方法的宽容度,增强采购管理方法的抗随机因素干扰能力。
本发明实施例中,通过根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,能够模拟出销量影响因子的变化趋势,并通过引入伪随机因子函数,能够扩大后续采购管理方法的抗干扰能力。
S4、利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重。
本发明实施例中,参照图3所示,所述利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,包括:
S31、获取系统对应的日期系数作为当前日期系数;
S32、提取出所述当前日期系数对应的时域特征,将所述时域特征与所述先验曲线的时域特征进行匹配,得到所述先验曲线对应的近似时域特征;
S33、将所述近似时域特征所对应的时域窗口作为预测时域窗口,根据所述预测时域窗口以及所述先验曲线逐个计算出所述预设产品集中每个产品的初级预测销量;
S34、根据所述预测时域窗口以及所述伪随机因子函数逐个计算出所述预设产品集中每个产品的伪随机因子,将所述初级预测销量加上所述伪随机因子,得到标准预测销量;
S35、根据所有的所述标准预测销量计算出总预测销量,逐个计算每个产品的所述标准预测销量与所述总预测销量的比值,将所述比值作为分布权重。
本发明实施例中,所述日期系数是指系统日期,例如2022年9月30日10:14:31。
详细地,所述时域特征是诸如季节、星期几或者是早中晚等时间有关的特征,
详细地,可以利用关键字提取法提取出所述当前日期系数对应的时域特征。
具体地,所述将所述时域特征与所述先验曲线的时域特征进行匹配,得到所述先验曲线对应的近似时域特征的方法与上述步骤S1中的所述根据所述产品特征集计算出销量影响因子的方法一致,这里不再赘述。
本发明实施例中,通过利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,能够结合历史销售数据预测出当前时刻的销售量分布,并通过所谓伪随机因子函数对预测结果进行修正,增强了分布权重的准确性。
S5、根据所述当前分布权重生成所述预设产品集的采购方案。
本发明实施例中,所述根据所述当前分布权重生成所述预设产品集的采购方案是指将用户的采购总量逐个乘以所述分布权重,得到所述预设产品集中每个产品的采购量,并根据所述采购量进行采购。
本发明实施例中,通过根据所述当前分布权重生成所述预设产品集的采购方案,能够结合时间特征对历史销售数据进行分析,得到与历史销售数据的对应时段相近的销售数据进行参考,并结合伪随机因子函数进行修正,得到所述采购方案,提高了产品采购的准确性。
本发明实施例通过获取预设产品集中每个产品的历史销量数据以及销量影响因子,能够提高所述历史销量数据的准确度,并通过所述销量影响因子增加了销量预测的宽容度,通过先验数据表能够方便后续对历史销量数据进行时序分析,从而确保产品采购管理方法与实际时间周期进行对应,提高产品采购的准确性;通过根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,能够有效地反应历史的销售数据随时间的变化趋势,方便采购人员根据实际时间周期进行采购,提高产品采购的准确性。
通过根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,能够模拟出销量影响因子的变化趋势,并通过引入伪随机因子函数,能够扩大后续采购管理方法的抗干扰能力,通过利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,能够结合历史销售数据预测出当前时刻的销售量分布,并通过所谓伪随机因子函数对预测结果进行修正,增强了分布权重的准确性,通过根据所述当前分布权重生成所述预设产品集的采购方案,能够结合时间特征对历史销售数据进行分析,得到与历史销售数据的对应时段相近的销售数据进行参考,并结合伪随机因子函数进行修正,得到所述采购方案,提高了产品采购的准确性。因此本发明提出的基于市场先验大数据的产品采购方法,可以解决对产品进行采购时的准确性较低的问题。
如图4所示,是本发明一实施例提供的基于市场先验大数据的产品采购装置的功能模块图。
本发明所述基于市场先验大数据的产品采购装置100可以安装于电子设备中。根据实现的功能,所述基于市场先验大数据的产品采购装置100可以包括时序关联模块101、先验曲线模块102、随机因子模块103、分布预测模块104及采购管理模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述时序关联模块101,用于获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表;
所述先验曲线模块102,用于根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线;
所述随机因子模块103,用于根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,其中,所述根据所述先验数据表计算所述销量影响因子的因子变化率,包括:逐个选取所述销量影响因子中的因子作为目标因子,根据所述先验数据表生成所述目标因子的目标因子曲线;根据如下的变化率计算公式计算出所述目标因子的因子变化率:其中,/>是指第i个所述目标因子在目标因子曲线中横坐标为s处的因子变化率,/>是指第i个所述目标因子曲线中横坐标为s处的目标因子的取值,/>是指第i个所述目标因子曲线中横坐标为/>处的目标因子的取值,t是所述目标因子曲线对应的时域窗口长度;其中,所述伪随机因子函数如下:其中,/>是指所述伪随机因子函数在自变量为s时的取值,ρ为预设的初始随机数,s是指第s时刻,K是指所述因子变化率,/>是随机函数符号,u是所述销量影响因子的总数,/>是指所述销量影响因子中的随机一个因子,d是微分符号,t是指时间符号;
所述分布预测模块104,用于利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,其中,所述利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,包括:获取系统对应的日期系数作为当前日期系数;提取出所述当前日期系数对应的时域特征,将所述时域特征与所述先验曲线的时域特征进行匹配,得到所述先验曲线对应的近似时域特征;将所述近似时域特征所对应的时域窗口作为预测时域窗口,根据所述预测时域窗口以及所述先验曲线逐个计算出所述预设产品集中每个产品的初级预测销量;根据所述预测时域窗口以及所述伪随机因子函数逐个计算出所述预设产品集中每个产品的伪随机因子,将所述初级预测销量加上所述伪随机因子,得到标准预测销量;根据所有的所述标准预测销量计算出总预测销量,逐个计算每个产品的所述标准预测销量与所述总预测销量的比值,将所述比值作为分布权重;
所述采购管理模块105,用于根据所述当前分布权重生成所述预设产品集的采购方案。
详细地,本发明实施例中所述基于市场先验大数据的产品采购装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于市场先验大数据的产品采购方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于市场先验大数据的产品采购方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于市场先验大数据的产品采购程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于市场先验大数据的产品采购程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于市场先验大数据的产品采购程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于市场先验大数据的产品采购程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表;
根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线;
根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数;
利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重;
根据所述当前分布权重生成所述预设产品集的采购方案。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表;
根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线;
根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数;
利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重;
根据所述当前分布权重生成所述预设产品集的采购方案。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于市场先验大数据的产品采购方法,其特征在于,所述方法包括:
S1:获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表;
S2:根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,其中,所述根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,包括:
S21:根据所述区间销量的时域窗口以及所述销量影响因子创建初级销量拟合曲线,其中所述初级销量拟合曲线如下:其中,A是指所述初级销量拟合曲线所对应的预测区间销量,x是指所述初级销量拟合曲线中的时域窗口对应时间段,α、β、σ是所述销量影响因子,γ是所述初级销量拟合曲线的第一销量系数,/>是所述初级销量拟合曲线的第二销量系数、θ是所述初级销量拟合曲线的第三销量系数;
S22:利用预设的销量偏差算法根据所述区间销量计算出所述初级销量拟合曲线的拟合残差值:其中,C是指所述拟合残差值,n是所述区间销量的总个数,i是指第i个,α、β、σ是所述销量影响因子,γ是所述初级销量拟合曲线的第一销量系数,/>是所述初级销量拟合曲线的第二销量系数、θ是所述初级销量拟合曲线的第三销量系数,/>是指所述初级销量拟合曲线中第i个时域窗口对应时间段,/>是指第i个区间销量;
S23:根据所述拟合残差值对所述初级销量拟合曲线的各个参数进行更新,得到先验曲线;
S3:根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,其中,所述根据所述先验数据表计算所述销量影响因子的因子变化率,包括:
S31:逐个选取所述销量影响因子中的因子作为目标因子,根据所述先验数据表生成所述目标因子的目标因子曲线;
S32:根据如下的变化率计算公式计算出所述目标因子的因子变化率:其中,/>是指第i个所述目标因子在目标因子曲线中横坐标为s处的因子变化率,/>是指第i个所述目标因子曲线中横坐标为s处的目标因子的取值,是指第i个所述目标因子曲线中横坐标为/>处的目标因子的取值,t是所述目标因子曲线对应的时域窗口长度;
S33:其中,所述伪随机因子函数如下:其中,/>是指所述伪随机因子函数在自变量为s时的取值,ρ为预设的初始随机数,s是指第s时刻,K是指所述因子变化率,/>是随机函数符号,u是所述销量影响因子的总数,/>是指所述销量影响因子中的随机一个因子,d是微分符号,t是指时间符号;
S4:利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,其中,所述利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,包括:
S41:获取系统对应的日期系数作为当前日期系数;
S42:提取出所述当前日期系数对应的时域特征,将所述时域特征与所述先验曲线的时域特征进行匹配,得到所述先验曲线对应的近似时域特征;
S43:将所述近似时域特征所对应的时域窗口作为预测时域窗口,根据所述预测时域窗口以及所述先验曲线逐个计算出所述预设产品集中每个产品的初级预测销量;
S44:根据所述预测时域窗口以及所述伪随机因子函数逐个计算出所述预设产品集中每个产品的伪随机因子,将所述初级预测销量加上所述伪随机因子,得到标准预测销量;
S45:根据所有的所述标准预测销量计算出总预测销量,逐个计算每个产品的所述标准预测销量与所述总预测销量的比值,将所述比值作为分布权重;
S5:根据所述当前分布权重生成所述预设产品集的采购方案。
2.如权利要求1所述的基于市场先验大数据的产品采购方法,其特征在于,所述获取预设产品集中每个产品的历史销量数据以及销量影响因子,包括:
逐个选取所述预设产品集中的产品作为目标产品,获取所述目标产品对应的历史销售记录;
对所述历史销售记录进行数据清洗,得到历史销量数据;
获取所述目标产品的产品特征集,根据所述产品特征集计算出销量影响因子。
3.如权利要求2所述的基于市场先验大数据的产品采购方法,其特征在于,所述获取所述目标产品的产品特征集,包括:
获取所述目标产品的产品标签;
对所述产品标签进行文本分词,得到标签词集;
逐一将所述标签词集中的标签词语转化为词向量,得到标签词向量集;
对所述标签词向量集中的词向量进行聚类操作,得到产品特征集。
4.如权利要求2所述的基于市场先验大数据的产品采购方法,其特征在于,所述根据所述产品特征集计算出销量影响因子,包括:
逐个选取所述产品特征集中的产品特征作为目标产品特征;
利用预设的特征近似算法计算所述目标产品特征与预设的标准特征库中的每个销量特征之间的特征近似值:其中,S是指所述特征近似值,/>是预设的近似对抗系数,/>是反余弦函数,/>是指所述目标产品特征,/>是指所述销量特征,T是转置符号;
选取最大的所述特征近似值对应的销量特征作为目标销量特征,将所有的所述目标销量特征组成目标销量特征集;
利用预设的因子预测决策树根据所述目标销量特征集生成销量影响因子。
5.如权利要求1所述的基于市场先验大数据的产品采购方法,其特征在于,所述根据所述先验数据表统计不同时间段内每个产品的区间销量,包括:
逐个选取所述预设产品集中的产品作为目标产品,从所述先验数据表中提取出所述目标产品对应的目标数据表;
按照预设的时域窗口对所述目标数据表进行分段,得到多个时域数据组;
逐一选取所述时域数据组作为目标时域组,统计所述目标时域组中所述目标产品的总销量,将所述总销量作为所述目标产品在所述目标时域组中的区间销量。
6.一种基于市场先验大数据的产品采购装置,其特征在于,所述装置包括:
时序关联模块,用于获取预设产品集中每个产品的历史销量数据以及销量影响因子,对所述历史销量数据和所述销量影响因子进行时序关联存储,得到先验数据表;
先验曲线模块,用于根据所述先验数据表统计不同时间段内每个产品的区间销量,并根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,其中,所述根据所述区间销量在不同时间段内的分布进行曲线拟合,得到先验曲线,包括:根据所述区间销量的时域窗口以及所述销量影响因子创建初级销量拟合曲线,其中所述初级销量拟合曲线如下:其中,A是指所述初级销量拟合曲线所对应的预测区间销量,x是指所述初级销量拟合曲线中的时域窗口对应时间段,α、β、σ是所述销量影响因子,γ是所述初级销量拟合曲线的第一销量系数,/>是所述初级销量拟合曲线的第二销量系数、θ是所述初级销量拟合曲线的第三销量系数;利用预设的销量偏差算法根据所述区间销量计算出所述初级销量拟合曲线的拟合残差值:其中,C是指所述拟合残差值,n是所述区间销量的总个数,i是指第i个,α、β、σ是所述销量影响因子,γ是所述初级销量拟合曲线的第一销量系数,/>是所述初级销量拟合曲线的第二销量系数、θ是所述初级销量拟合曲线的第三销量系数,/>是指所述初级销量拟合曲线中第i个时域窗口对应时间段,/>是指第i个区间销量;根据所述拟合残差值对所述初级销量拟合曲线的各个参数进行更新,得到先验曲线;
随机因子模块,用于根据所述先验数据表计算所述销量影响因子的因子变化率,根据所述因子变化率生成伪随机因子函数,其中,所述根据所述先验数据表计算所述销量影响因子的因子变化率,包括:逐个选取所述销量影响因子中的因子作为目标因子,根据所述先验数据表生成所述目标因子的目标因子曲线;根据如下的变化率计算公式计算出所述目标因子的因子变化率:其中,/>是指第i个所述目标因子在目标因子曲线中横坐标s为处的因子变化率,/>是指第i个所述目标因子曲线中横坐标为s处的目标因子的取值,/>是指第I个所述目标因子曲线中横坐标为/>处的目标因子的取值,t是所述目标因子曲线对应的时域窗口长度;其中,所述伪随机因子函数如下:其中,/>是指所述伪随机因子函数在自变量为s时的取值,ρ为预设的初始随机数,是指第s时刻,K是指所述因子变化率,/>是随机函数符号,u是所述销量影响因子的总数,/>是指所述销量影响因子中的随机一个因子,d是微分符号,t是指时间符号;
分布预测模块,用于利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,其中,所述利用所述先验曲线与所述伪随机因子函数计算所述预设产品集中每个产品的当前分布权重,包括:获取系统对应的日期系数作为当前日期系数;提取出所述当前日期系数对应的时域特征,将所述时域特征与所述先验曲线的时域特征进行匹配,得到所述先验曲线对应的近似时域特征;将所述近似时域特征所对应的时域窗口作为预测时域窗口,根据所述预测时域窗口以及所述先验曲线逐个计算出所述预设产品集中每个产品的初级预测销量;根据所述预测时域窗口以及所述伪随机因子函数逐个计算出所述预设产品集中每个产品的伪随机因子,将所述初级预测销量加上所述伪随机因子,得到标准预测销量;根据所有的所述标准预测销量计算出总预测销量,逐个计算每个产品的所述标准预测销量与所述总预测销量的比值,将所述比值作为分布权重;
采购管理模块,用于根据所述当前分布权重生成所述预设产品集的采购方案。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的基于市场先验大数据的产品采购方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的基于市场先验大数据的产品采购方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269181.9A CN115423535B (zh) | 2022-10-17 | 2022-10-17 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269181.9A CN115423535B (zh) | 2022-10-17 | 2022-10-17 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423535A CN115423535A (zh) | 2022-12-02 |
CN115423535B true CN115423535B (zh) | 2023-07-18 |
Family
ID=84207474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211269181.9A Active CN115423535B (zh) | 2022-10-17 | 2022-10-17 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423535B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070995B (zh) * | 2023-01-17 | 2023-10-24 | 深圳市秦丝科技有限公司 | 一种基于大数据分析的商铺进销存管理系统及方法 |
CN116051170A (zh) * | 2023-01-28 | 2023-05-02 | 航天正通汇智(北京)科技股份有限公司 | 一种基于ai技术的区域常用药品需求量预测的方法及装置 |
CN116777508B (zh) * | 2023-06-25 | 2024-03-12 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688876A (zh) * | 2017-09-04 | 2018-02-13 | 北京京东尚科信息技术有限公司 | 业务目标预估方法及装置、存储介质和电子设备 |
CN113610575A (zh) * | 2021-08-06 | 2021-11-05 | 浙江吉利控股集团有限公司 | 一种产品销量的预测方法及预测系统 |
CN114004680A (zh) * | 2021-12-30 | 2022-02-01 | 杭州铭信信息科技有限公司 | 订货量信息处理方法、装置及存储介质 |
CN114022221A (zh) * | 2021-11-25 | 2022-02-08 | 佛山欧神诺云商科技有限公司 | 销量预测方法及其模型的获取方法、装置和电子设备 |
CN114328652A (zh) * | 2021-12-07 | 2022-04-12 | 深圳华云信息系统有限公司 | 预测方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7546248B2 (en) * | 2004-02-24 | 2009-06-09 | Asa Sales Systems, Llc | Sales management system and method |
US20140324521A1 (en) * | 2009-02-11 | 2014-10-30 | Johnathan Mun | Qualitative and quantitative analytical modeling of sales performance and sales goals |
-
2022
- 2022-10-17 CN CN202211269181.9A patent/CN115423535B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688876A (zh) * | 2017-09-04 | 2018-02-13 | 北京京东尚科信息技术有限公司 | 业务目标预估方法及装置、存储介质和电子设备 |
CN113610575A (zh) * | 2021-08-06 | 2021-11-05 | 浙江吉利控股集团有限公司 | 一种产品销量的预测方法及预测系统 |
CN114022221A (zh) * | 2021-11-25 | 2022-02-08 | 佛山欧神诺云商科技有限公司 | 销量预测方法及其模型的获取方法、装置和电子设备 |
CN114328652A (zh) * | 2021-12-07 | 2022-04-12 | 深圳华云信息系统有限公司 | 预测方法、装置、电子设备及存储介质 |
CN114004680A (zh) * | 2021-12-30 | 2022-02-01 | 杭州铭信信息科技有限公司 | 订货量信息处理方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
张冬 ; 明新国 ; 赵成雷 ; 李冬 ; 王鹏鹏."基于BP神经网络和设备特性的工业设备备件需求预测".《机械设计与研究》.2010,第26卷(第1期),第72-76页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115423535A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115423535B (zh) | 基于市场先验大数据的产品采购方法、装置、设备及介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN113032403B (zh) | 数据洞察方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113706322A (zh) | 基于数据分析的服务分发方法、装置、设备及存储介质 | |
CN116681082A (zh) | 离散文本语义分段方法、装置、设备及存储介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN114461630A (zh) | 智能归因分析方法、装置、设备及存储介质 | |
CN114625975A (zh) | 一种基于知识图谱的客户行为分析系统 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN114840660A (zh) | 业务推荐模型训练方法、装置、设备及存储介质 | |
CN113987206A (zh) | 异常用户的识别方法、装置、设备及存储介质 | |
CN113887201A (zh) | 文本定长纠错方法、装置、设备及存储介质 | |
CN112561500A (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
CN113706204B (zh) | 基于深度学习的权益发放方法、装置、设备及存储介质 | |
CN113793037B (zh) | 基于数据分析的业务分配方法、装置、设备及存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |