CN116166886A - 向量指数平滑新分类法在季节时间序列预测中的应用系统 - Google Patents
向量指数平滑新分类法在季节时间序列预测中的应用系统 Download PDFInfo
- Publication number
- CN116166886A CN116166886A CN202310128779.4A CN202310128779A CN116166886A CN 116166886 A CN116166886 A CN 116166886A CN 202310128779 A CN202310128779 A CN 202310128779A CN 116166886 A CN116166886 A CN 116166886A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- target
- data
- time sequence
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供向量指数平滑新分类法在季节时间序列预测中的应用系统,包括:获取模块,用于获取至少一个预测需求信息;确定模块,用于基于预测需求信息,确定对应于预设的向量模型的模型约束参数;构建模块,用于基于指数平滑技术,根据模型约束参数和向量模型,构建预测模型;预测模块,用于基于预测模型,根述截面数据,进行相应预测。本发明的向量指数平滑新分类法在季节时间序列预测中的应用系统,引入向量模型的模型约束参数,减少了估计参数的数量,无需后续选择参数分量,提高了系统预测效率;引入指数平滑技术构建预测模型,无需人工预测,提升了预测的智能化和准确性;根据目标季节时间序列的截面数据进行预测,更加合理。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及向量指数平滑新分类法在季节时间序列预测中的应用系统。
背景技术
目前,人们在进行短期需求预测时,由于数据历史记录较短(例如:预测明年第一季度的产品销量,但是该产品只有今年第四季度的产品销售记录),难以确定预测目标的季节性,在后续进行预测时,需要大量参数化,确定适宜的预测模型的过程较为繁琐、系统预测的效率低下。若采用人工预测的方式,存在预测人员经验不足导致预测不准确的情形,也不够智能,同时,人工预测全部依靠预测人员的经验,没有统一的预测标准,合理性较低。
因此,亟需一种解决办法。
发明内容
本发明目的之一在于提供了向量指数平滑新分类法在季节时间序列预测中的应用系统,引入用于预测的向量模型的模型约束参数,减少了估计参数的数量,无需后续选择参数分量,提高了系统预测效率;引入指数平滑技术进行预测模型的构建,无需人工预测,提升了预测的智能化和准确性;根据目标季节时间序列的截面数据进行预测,更加合理。
本发明实施例提供的向量指数平滑新分类法在季节时间序列预测中的应用系统,包括:
获取模块,用于获取至少一个预测需求信息,所述预测需求信息包括:预测目标、目标季节时间序列、截面数据和预测范围;
确定模块,用于基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数;
构建模块,用于基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型;
预测模块,用于基于所述预测模型,根据所述截面数据,进行相应预测。
优选的,所述确定模块基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数,包括:
尝试获取所述预测目标的第一季节性行为;
若尝试获取成功,基于预设的模型约束参数提取模板,根据所述第一季节性行为,提取所述模型约束参数;
若尝试获取失败,确定所述预测目标的同质组;
获取所述同质组对应于目标季节时间序列的第二季节性行为;
基于所述模型约束参数提取模板,根据所述第二季节性行为,提取所述模型约束参数。
优选的,所述确定所述预测目标的同质组,包括:
获取预测的售卖产品库,所述售卖产品库包括:多个一一对应的售卖产品和售卖产品特征值集;
基于预设的产品特征提取模板,对所述预测目标进行产品特征提取,获得目标产品特征值集;
将所述目标产品特征值集与所述售卖产品库中的每一售卖产品特征值集进行匹配,获得多个匹配度;
若匹配度大于等于预设的匹配度阈值,将对应售卖产品作为同质产品;
整合所有所述同质产品,获得同质组。
优选的,其特征在于,所述构建模块基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型,包括:
基于预设的模型约束参数分类规则,对所述模型约束参数进行分类处理,确定多个一一对应的模型约束参数类型和所述模型约束参数;
基于所述指数平滑技术和预设的约束矩阵构建规则,根据所述模型约束参数类型和所述模型约束参数,构建约束矩阵;
通过所述约束矩阵对所述向量模型进行约束,获得所述预测模型。
优选的,所述预测模块基于所述预测模型,根据所述截面数据,进行相应预测,包括:
基于预设的滤波规则,对所述截面数据进行滤波处理,获得滤波完成的滤波输出数据;
将所述滤波输出数据输入所述预测模型,获得所述预测模型预测的对应于所述滤波输出数据的预测数据。
优选的,向量指数平滑新分类法在季节时间序列预测中的应用系统,还包括:
建议模块,用于基于所述预测数据,在所述目标时间序列的下一时间序列进行相应建议;
所述在所述目标时间序列的下一时间序列进行相应建议,包括:
确定所述预测数目中对应于所述目标时间序列的下一时间序列,并作为应用时间序列;
获取所述预测数据中对应于所述应用时间序列的应用数据;
基于所述应用数据,确定目标应用策略;
将所述目标应用策略对应的策略信息发送给目标用户进行相应建议。
优选的,所述基于所述应用数据,确定目标应用策略,包括:
获取预测目标的计划售卖记录,所述计划售卖记录包括:计划时间序列和计划数据;
确定所述计划时间序列中所述应用时间序列对应的所述计划时间序列,并作为参考时间序列;
确定所述参考时间序列对应的所述计划数据,并作为参考数据;
基于所述参考数据和所述应用数据,确定所述目标应用策略。
优选的,所述基于所述参考数据和所述应用数据,确定所述目标应用策略,包括:
基于所述参考数据和所述应用数据,确定对应于同一产品种类的所述应用数据的差异信息,同时,基于预设的差异信息特征提取模板,确定差异信息特征值;
基于所述差异信息特征值,构建差异信息特征矩阵;
获取预设的策略关联触发特征矩阵集;
匹配所述差异信息特征矩阵和所述策略关联触发特征矩阵集中的每一策略关联触发特征矩阵,获取匹配结果最佳的所述策略关联触发特征矩阵,并作为目标策略关联触发特征矩阵;
基于预设的应用策略库,确定所述目标策略关联触发特征矩阵对应的所述应用策略,并作为所述目标应用策略;
其中,所述匹配所述差异信息特征矩阵和所述策略关联触发特征矩阵集中的每一策略关联触发特征矩阵,获取匹配结果最佳的所述策略关联触发特征矩阵,并作为目标策略关联触发特征矩阵,包括:
获取预设的匹配结果计算模板,基于所述匹配结果评价模板,根据所述差异信息特征矩阵和所述策略关联触发特征矩阵,确定每一矩阵元素的元素位置的匹配结果计算值和对应于所述矩阵元素的校正因子;
赋予所述匹配结果计算值对应所述校正因子,获得匹配结果校正值,并与对应所述策略关联触发特征矩阵进行关联;
对每一所述策略关联触发特征矩阵关联的所述匹配结果校正值进行求和,获得校正值和值,将校正值和值最大的对应所述策略关联触发特征矩阵作为目标策略关联触发特征矩阵。
本发明实施例提供的向量指数平滑新分类法在季节时间序列预测中的应用方法,包括:
步骤1:获取至少一个预测需求信息,所述预测需求信息包括:预测目标、目标季节时间序列、截面数据和预测范围;
步骤2:基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数;
步骤3:基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型;
步骤4:基于所述预测模型,根据所述截面数据,进行相应预测。
优选的,步骤2:基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数,包括:
尝试获取所述预测目标的第一季节性行为;
若尝试获取成功,基于预设的模型约束参数提取模板,根据所述第一季节性行为,提取所述模型约束参数;
若尝试获取失败,确定所述预测目标的同质组;
获取所述同质组对应于目标季节时间序列的第二季节性行为;
基于所述模型约束参数提取模板,根据所述第二季节性行为,提取所述模型约束参数。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中向量指数平滑新分类法在季节时间序列预测中的应用系统的示意图;
图2为本发明实施例中向量指数平滑新分类法在季节时间序列预测中的应用方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了向量指数平滑新分类法在季节时间序列预测中的应用系统,如图1所示,包括:
第一获取模块1,用于获取目标季节时间序列对应于预设的向量模型的模型约束参数;
构建模块2,用于基于向量指数平滑新分类技术,根据所述模型约束参数和所述向量模型,构建预测模型;
第二获取模块3,用于获取所述目标季节时间序列的截面数据;
预测模块4,用于基于所述预测模型,根据所述截面数据,进行相应预测。
上述技术方案的工作原理及有益效果为:
预测需求信息为,例如:预测明年A产品的销量,预测需求信息包括:预测目标(例如:A产品)、目标季节时间序列(例如:A产品历史销量记录)、截面数据(例如:A产品距离当前时间最近一个月的销量数据)和预测范围,(例如:1年)。基于预测需求信息,确定对应于预设的向量模型的模型约束参数;向量模型为:产品需求对应的向量表示;模型约束参数为,例如:平滑常数的水平,趋势,季节性,阻尼参数,又例如:水平,趋势,季节性。一般的,预测的时间序列附近的数据趋势是规则且稳定的,同时,距离需要预测的时间序列越近的时间序列的数据趋势越能影响进行预测的时间序列,因此,引入指数平滑技术,基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型;指数平滑技术为:进行数据预测时,赋予新数据较大的权重,赋予数据较小的权重,指数平滑技术属于现有技术,可以实现。基于预测模型,根据截面数据,进行相应预测,例如:预测2023年每个季度A、B产品的售卖量。
本申请引入用于预测的向量模型的模型约束参数,减少了估计参数的数量,无需后续选择参数分量,提高了系统预测效率;引入指数平滑技术进行预测模型的构建,无需人工预测,提升了预测的智能化和准确性;根据目标季节时间序列的截面数据进行预测,更加合理。
在一个实施例中,所述确定所述预测目标的同质组,包括:
获取预测的售卖产品库,所述售卖产品库包括:多个一一对应的售卖产品和售卖产品特征值集;
基于预设的产品特征提取模板,对所述预测目标进行产品特征提取,获得目标产品特征值集;
将所述目标产品特征值集与所述售卖产品库中的每一售卖产品特征值集进行匹配,获得多个第二匹配度;
若第二匹配度大于等于预设的匹配度阈值,将对应售卖产品作为同质产品;
整合所有所述同质产品,获得同质组。
上述技术方案的工作原理及有益效果为:
第一季节性行为通过解析预测目标的历史销售记录获得,第一季节性行为具体为:售卖预测目标时,预测目标售卖量和对应的变化周期。如果尝试成功,说明预测目标的季节行为可以直接获取,那么基于预测目标的第一季节性行为,从第一季节性行为中提取模型约束参数;预设的模型约束参数提取模板具体为:用于根据季节性行为提取模型约束参数的模板,例如:提取何种大小的平滑参数、初始值,提取何种参数表征的水平、趋势和季节性等。若尝试获取失败,说明预测目标无季节性或者现有的售卖记录无法判断预测目标是否具有季节性,因此,可以获取预测目标的同质组,同质组为预测目标的同类型产品的产品集合,例如:预测目标为电热毯,同质组为暖贴、保温热水袋等。第二季节行为具体为:售卖同质组中产品时,产品售卖量和对应的周期变化。基于上述模型约束参数提取模板提取第二季节行为对应的模型约束参数,例如:第一季节行为对应的平滑参数、初始值为多少,水平、趋势和季节性的参数表征等。
本申请引入同质组,在无法获取预测目标的第一季节性行为时,提取同质组的模型约束参数,提升了模型约束参数获取的全面性;引入模型约束参数提取模板,进一步提高了模型约束参数获取的适宜性。
在一个实施例中,所述确定所述预测目标的同质组,包括:
获取预测的售卖产品库,所述售卖产品库包括:多个一一对应的售卖产品和售卖产品特征值集;
基于预设的产品特征提取模板,对所述预测目标进行产品特征提取,获得目标产品特征值集;
将所述目标产品特征值集与所述售卖产品库中的每一售卖产品特征值集进行匹配,获得多个匹配度;
若匹配度大于等于预设的匹配度阈值,将对应售卖产品作为同质产品;
整合所有所述同质产品,获得同质组。
上述技术方案的工作原理及有益效果为:
售卖产品库包括:多个售卖产品和售卖产品特征值集,例如:产品用途、产品价格等。基于预设的产品特征提取模板,提取预测目标的产品特征集,例如:预测目标的产品用途、产品价格等。匹配目标产品特征值集和每一售卖产品特征值集,获得多个匹配度(匹配度越大,对应售卖产品越有可能被纳入同质组)。若匹配度大于等于预设的匹配度阈值(匹配度阈值由人工预先设置),将对应售卖产品作为同质产品,整合所有同质产品,获得同质组(同质产品的集合)。
本申请引入售卖产品库,确定预测目标适宜的同质产品,提高了同质产品获取的全面性;引入产品特征提取模板提取预测目标的目标产品特征值集,提高了目标产品特征值集获取的准确性;引入匹配值阈值,将匹配度大于等于匹配度阈值的同质产品纳入同质组,提高了同质组获取的适宜性。
在一个实施例中,所述构建模块基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型,包括:
基于预设的模型约束参数分类规则,对所述模型约束参数进行分类处理,确定多个一一对应的模型约束参数类型和所述模型约束参数;
基于所述指数平滑技术和预设的约束矩阵构建规则,根据所述模型约束参数类型和所述模型约束参数,构建约束矩阵;
通过所述约束矩阵对所述向量模型进行约束,获得所述预测模型。
上述技术方案的工作原理及有益效果为:
基于预设的模型约束参数分类规则,将模型约束参数划分成多个一一对应的模型约束参数类型和模型约束参数;模型约束参数分类规则由人工预先设置。基于模型约束参数类型和所述模型约束参数,根据预设的约束矩阵构建规则,构建约束矩阵;预设的约束矩阵构建规则为人工预先设置。通过约束矩阵对所述向量模型进行约束,获得预测模型。约束时,一般存在两种约束模型:乘法模型和加法模型,乘法模型为通过矩阵乘法对向量模型进行约束,当需要在不同产品之间评估季节性时,乘法模型可能更有用,其中,乘法模型可以表示为:
logyt=Wlogvt-l+log∈t
logvt=Flogvt-l+Glog∈t
其中,yt为预测模型的向量表示,W为测量矩阵,vt为目标时间序列的状态向量,l是vt的滞后向量,vt-l表示vt可以有不同的滞后向量,∈t是误差项向量,F为过渡矩阵,G为持续矩阵,包含平滑参数,log表示取对数。
本申请引入数平滑技术和预设的约束矩阵构建规则构建约束矩阵,基于约束矩阵限定向量模型获得预测模型,进一步提高了预测模型的获取效率,同时,也更加合理。
在一个实施例中,所述预测模块基于所述预测模型,根据所述截面数据,进行相应预测,包括:
基于预设的滤波规则,对所述截面数据进行滤波处理,获得滤波完成的滤波输出数据;
将所述滤波输出数据输入所述预测模型,获得所述预测模型预测的对应于所述滤波输出数据的预测数据。
上述技术方案的工作原理及有益效果为:
基于预设的滤波规则,对截面数据进行滤波处理,获得滤波完成的滤波输出数据;预设的滤波规则为:预先设置用于滤除截面数据的噪声数据的规则,噪声数据为:没有预测价值的数据,滤波输出数据为:具有预测价值的数据。将滤波输出数据输入预测模型,获得预测数据(例如:预测A产品2023年销售量为XX件,每月预测销量分别为:……)。
本申请引入滤波规则,对截面数据进行滤波处理,滤除无用数据,进一步提高了预测效率。
在一个实施例中,所述向量指数平滑新分类法在季节时间序列预测中的应用系统,还包括:
建议模块,用于基于所述预测数据,在所述目标时间序列的下一时间序列进行相应建议;
所述在所述目标时间序列的下一时间序列进行相应建议,包括:
确定所述预测数目中对应于所述目标时间序列的下一时间序列,并作为应用时间序列;
获取所述预测数据中对应于所述应用时间序列的应用数据;
基于所述应用数据,确定目标应用策略;
将所述目标应用策略对应的策略信息发送给目标用户进行相应建议。
上述技术方案的工作原理及有益效果为:
用户有预测需求时,一般是为了根据预测结果确定下一步的工作,例如:预测明年的产品销量,便利于与工厂提前沟通生产需求,以免出现滞销或者产品供应不足造成损失的情形,因此,需要根据预测数据确定适宜的策略。
目标时间序列的下一时间序列为,例如:目标时间序列为2022年,下一时间序列为2023年,将上述目标时间序列的下一时间序列作为应用时间序列,应用时间序列为:用户想要预测的预测时间序列。确定预测数据中应用时间序列对应的应用数据,基于应用数据,确定目标应用策略(例如:2023全年备货多少件,每月备货多少件)。将目标应用策略对应的策略信息(目标应用策略对应的传输数据)发送给目标用户进行建议,发送时,基于物联网技术将策略信息发送给目标用户对应设备节点,物联网技术属于现有技术,不作赘述。
本申请基于预测数据给出目标用户相应建议,更加人性化。
在一个实施例中,所述基于所述应用数据,确定目标应用策略,包括:
获取预测目标的计划售卖记录,所述计划售卖记录包括:计划时间序列和计划数据;
确定所述计划时间序列中所述应用时间序列对应的所述计划时间序列,并作为参考时间序列;
确定所述参考时间序列对应的所述计划数据,并作为参考数据;
基于所述参考数据和所述应用数据,确定所述目标应用策略。
上述技术方案的工作原理及有益效果为:
用户在获得预测目标的预测数据后,还需要从预测数据中挑选出每一产品对应的预测数据并进行计划调整,便利性较低,因此,亟需进行解决。
计划售卖记录为:计划何时售出多少数量的预测目标,获取计划售卖记录时,可以解析产品的售卖计划书获得。确定应用时间序列对应的计划时间序列为参考时间序列,将参考时间序列对应的计划数据作为参考数据。基于参考数据和应用数据,确定目标应用策略(例如:提高何种产品的计划售卖数量,提高多少,又例如:降低何种产品的计划售卖数量,降低多少)。
本申请引入计划售卖记录,确定相应的计划数据并给出预测数据的目标应用策略,更加合理。
在一个实施例中,所述基于所述参考数据和所述应用数据,确定所述目标应用策略,包括:
基于所述参考数据和所述应用数据,确定对应于同一产品种类的所述应用数据的差异信息,同时,基于预设的差异信息特征提取模板,确定差异信息特征值;
基于所述差异信息特征值,构建差异信息特征矩阵;
获取预设的策略关联触发特征矩阵集;
匹配所述差异信息特征矩阵和所述策略关联触发特征矩阵集中的每一策略关联触发特征矩阵,获取匹配结果最佳的所述策略关联触发特征矩阵,并作为目标策略关联触发特征矩阵;
基于预设的应用策略库,确定所述目标策略关联触发特征矩阵对应的所述应用策略,并作为所述目标应用策略;
其中,所述匹配所述差异信息特征矩阵和所述策略关联触发特征矩阵集中的每一策略关联触发特征矩阵,获取匹配结果最佳的所述策略关联触发特征矩阵,并作为目标策略关联触发特征矩阵,包括:
获取当前正在匹配的所述策略关联触发特征矩阵,并作为选定策略关联触发特征矩阵;
获取预设的匹配结果计算模板,基于所述匹配结果评价模板,根据所述差异信息特征矩阵和所述选定策略关联触发特征矩阵,确定每一矩阵元素的元素位置的匹配结果计算值和对应于所述矩阵元素的校正因子;
赋予所述匹配结果计算值对应所述校正因子,获得匹配结果校正值,并与对应所述策略关联触发特征矩阵进行关联;
对每一所述策略关联触发特征矩阵关联的所述匹配结果校正值进行求和,获得校正值和值,将校正值和值最大的对应所述策略关联触发特征矩阵作为目标策略关联触发特征矩阵。
上述技术方案的工作原理及有益效果为:
基于参考数据和应用数据,确定对应于同一产品种类的应用数据的差异信息(例如:C产品的参考数据为2023年计划售卖2万件,应用数据为2023年计划售卖1.5万件)。基于预设的差异信息特征提取模板,对差异信息进行特征提取,获得差异信息特征值;预设的差异信息特征提取模板为:预先设置用于提取差异信息对应的产品名称、差异大小和差异方向的模板,基于上述差异信息特征提取模板,提取差异信息的差异信息特征值(例如:C产品,差异大小为0.5万件,差异方向为负,差异方向为负表征应用数据小于参考数据),基于差异信息特征值构建差异信息特征矩阵;基于特征值构建特征矩阵属于现有技术,其原理不作赘述。获取预设的策略关联触发特征矩阵集;策略关联触发特征矩阵集为:多个策略关联触发特征矩阵的集合,策略关联触发特征矩阵为根据应用策略中(例如:如何调整产品的计划数据,调多少)的产品的差异信息,基于上述特征矩阵构建方法构建的特征矩阵。
匹配差异信息特征矩阵和策略关联触发特征矩阵,确定匹配结果最佳的策略关联触发特征矩阵作为目标策略关联触发特征矩阵,获取目标策略关联触发特征矩阵对应的应用策略,并作为目标应用策略(例如:提高2023年第二季度A产品产量2000件)。
其中,匹配差异信息特征矩阵和策略关联触发特征矩阵集中的每一策略关联触发特征矩阵,获取匹配结果最佳的策略关联触发特征矩阵,并作为目标策略关联触发特征矩阵,包括:匹配结果计算模板基于人工进行矩阵匹配时的匹配逻辑进行构建。基于匹配结果评价模板,确定每一矩阵元素的元素位置(例如:1行2列)的匹配结果计算值(例如:矩阵元素的元素差值)和对应于矩阵元素的校正因子(例如:0.7)。赋予匹配结果计算值对应的校正因子,获得匹配结果校正值,并与对应策略关联触发特征矩阵进行关联。对每一策略关联触发特征矩阵关联的匹配结果校正值进行求和,获得校正值和值(校正值和值越小,对应的策略关联触发特征矩阵越匹配),将校正值和值最大的对应策略关联触发特征矩阵作为目标策略关联触发特征矩阵。
本申请引入差异信息特征提取模板提取差异信息的差异信息特征值,提高了差异信息特征值获取的准确性;引入应用策略库,匹配差异信息特征值对应的差异信息特征矩阵和策略关联触发特征矩阵,确定应用策略中适宜的目标应用策略,进一步提高了目标应用策略的适宜性。
本发明实施例提供了向量指数平滑新分类法在季节时间序列预测中的应用方法,如图2所示,包括:
步骤1:获取至少一个预测需求信息,所述预测需求信息包括:预测目标、目标季节时间序列、截面数据和预测范围;
步骤2:基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数;
步骤3:基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型;
步骤4:基于所述预测模型,根据所述截面数据,进行相应预测。
在一个实施例中,所述步骤2:基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数,包括:
尝试获取所述预测目标的第一季节性行为;
若尝试获取成功,基于预设的模型约束参数提取模板,根据所述第一季节性行为,提取所述模型约束参数;
若尝试获取失败,确定所述预测目标的同质组;
获取所述同质组对应于目标季节时间序列的第二季节性行为;
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.向量指数平滑新分类法在季节时间序列预测中的应用系统,其特征在于,包括:
获取模块,用于获取至少一个预测需求信息,所述预测需求信息包括:预测目标、目标季节时间序列、截面数据和预测范围;
确定模块,用于基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数;
构建模块,用于基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型;
预测模块,用于基于所述预测模型,根据所述截面数据,进行相应预测。
2.如权利要求1所述的向量指数平滑新分类法在季节时间序列预测中的应用系统,其特征在于,所述确定模块基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数,包括:
尝试获取所述预测目标的第一季节性行为;
若尝试获取成功,基于预设的模型约束参数提取模板,根据所述第一季节性行为,提取所述模型约束参数;
若尝试获取失败,确定所述预测目标的同质组;
获取所述同质组对应于目标季节时间序列的第二季节性行为;
基于所述模型约束参数提取模板,根据所述第二季节性行为,提取所述模型约束参数。
3.如权利要求2所述的向量指数平滑新分类法在季节时间序列预测中的应用系统,所述确定所述预测目标的同质组,包括:
获取预测的售卖产品库,所述售卖产品库包括:多个一一对应的售卖产品和售卖产品特征值集;
基于预设的产品特征提取模板,对所述预测目标进行产品特征提取,获得目标产品特征值集;
将所述目标产品特征值集与所述售卖产品库中的每一售卖产品特征值集进行匹配,获得多个匹配度;
若匹配度大于等于预设的匹配度阈值,将对应售卖产品作为同质产品;
整合所有所述同质产品,获得同质组。
4.如权利要求1所述的向量指数平滑新分类法在季节时间序列预测中的应用系统,其特征在于,所述构建模块基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型,包括:
基于预设的模型约束参数分类规则,对所述模型约束参数进行分类处理,确定多个一一对应的模型约束参数类型和所述模型约束参数;
基于所述指数平滑技术和预设的约束矩阵构建规则,根据所述模型约束参数类型和所述模型约束参数,构建约束矩阵;
通过所述约束矩阵对所述向量模型进行约束,获得所述预测模型。
5.如权利要求1所述的向量指数平滑新分类法在季节时间序列预测中的应用系统,其特征在于,所述预测模块基于所述预测模型,根据所述截面数据,进行相应预测,包括:
基于预设的滤波规则,对所述截面数据进行滤波处理,获得滤波完成的滤波输出数据;
将所述滤波输出数据输入所述预测模型,获得所述预测模型预测的对应于所述滤波输出数据的预测数据。
6.如权利要求5所述的向量指数平滑新分类法在季节时间序列预测中的应用系统,其特征在于,还包括:
建议模块,用于基于所述预测数据,在所述目标时间序列的下一时间序列进行相应建议;
所述在所述目标时间序列的下一时间序列进行相应建议,包括:
确定所述预测数目中对应于所述目标时间序列的下一时间序列,并作为应用时间序列;
获取所述预测数据中对应于所述应用时间序列的应用数据;
基于所述应用数据,确定目标应用策略;
将所述目标应用策略对应的策略信息发送给目标用户进行相应建议。
7.如权利要求6所述的向量指数平滑新分类法在季节时间序列预测中的应用系统,其特征在于,所述基于所述应用数据,确定目标应用策略,包括:
获取预测目标的计划售卖记录,所述计划售卖记录包括:计划时间序列和计划数据;
确定所述计划时间序列中所述应用时间序列对应的所述计划时间序列,并作为参考时间序列;
确定所述参考时间序列对应的所述计划数据,并作为参考数据;
基于所述参考数据和所述应用数据,确定所述目标应用策略。
8.如权利要求7所述的向量指数平滑新分类法在季节时间序列预测中的应用系统,其特征在于,所述基于所述参考数据和所述应用数据,确定所述目标应用策略,包括:
基于所述参考数据和所述应用数据,确定对应于同一产品种类的所述应用数据的差异信息,同时,基于预设的差异信息特征提取模板,确定差异信息特征值;
基于所述差异信息特征值,构建差异信息特征矩阵;
获取预设的策略关联触发特征矩阵集;
匹配所述差异信息特征矩阵和所述策略关联触发特征矩阵集中的每一策略关联触发特征矩阵,获取匹配结果最佳的所述策略关联触发特征矩阵,并作为目标策略关联触发特征矩阵;
基于预设的应用策略库,确定所述目标策略关联触发特征矩阵对应的所述应用策略,并作为所述目标应用策略。
9.向量指数平滑新分类法在季节时间序列预测中的应用方法,其特征在于,包括:
步骤1:获取至少一个预测需求信息,所述预测需求信息包括:预测目标、目标季节时间序列、截面数据和预测范围;
步骤2:基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数;
步骤3:基于指数平滑技术,根据所述模型约束参数和所述向量模型,构建预测模型;
步骤4:基于所述预测模型,根据所述截面数据,进行相应预测。
10.如权利要求9所述的向量指数平滑新分类法在季节时间序列预测中的应用方法,其特征在于,步骤2:基于所述预测需求信息,确定对应于预设的向量模型的模型约束参数,包括:
尝试获取所述预测目标的第一季节性行为;
若尝试获取成功,基于预设的模型约束参数提取模板,根据所述第一季节性行为,提取所述模型约束参数;
若尝试获取失败,确定所述预测目标的同质组;
获取所述同质组对应于目标季节时间序列的第二季节性行为;
基于所述模型约束参数提取模板,根据所述第二季节性行为,提取所述模型约束参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310128779.4A CN116166886A (zh) | 2023-02-08 | 2023-02-08 | 向量指数平滑新分类法在季节时间序列预测中的应用系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310128779.4A CN116166886A (zh) | 2023-02-08 | 2023-02-08 | 向量指数平滑新分类法在季节时间序列预测中的应用系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116166886A true CN116166886A (zh) | 2023-05-26 |
Family
ID=86412890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310128779.4A Pending CN116166886A (zh) | 2023-02-08 | 2023-02-08 | 向量指数平滑新分类法在季节时间序列预测中的应用系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166886A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829740A (zh) * | 2024-03-05 | 2024-04-05 | 深圳泽熙网络科技有限公司 | 一种库存监测方法、系统、计算机设备及介质 |
-
2023
- 2023-02-08 CN CN202310128779.4A patent/CN116166886A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829740A (zh) * | 2024-03-05 | 2024-04-05 | 深圳泽熙网络科技有限公司 | 一种库存监测方法、系统、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291266B (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
CN111476441A (zh) | 一种电动汽车充电设备负荷预测方法及相关装置 | |
CN105786711A (zh) | 一种数据分析的方法及装置 | |
CN103399280A (zh) | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114330863A (zh) | 时间序列预测处理方法、装置、存储介质及电子装置 | |
CN108446714A (zh) | 一种多工况下的非马尔科夫退化系统剩余寿命预测方法 | |
CN108596664B (zh) | 一种电子车票的单边交易费用确定方法、系统及装置 | |
CN116166886A (zh) | 向量指数平滑新分类法在季节时间序列预测中的应用系统 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN113283924A (zh) | 需求预测方法以及需求预测装置 | |
CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
CN117575663A (zh) | 基于深度学习的装修成本估算方法及系统 | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
CN112084825B (zh) | 烹饪评价方法、烹饪推荐方法、计算机设备及存储介质 | |
CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
CN112651534A (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
CN112801357A (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN113240181B (zh) | 一种水库调度运行滚动模拟方法及装置 | |
CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
CN112579721B (zh) | 构建人群分布图的方法及系统、终端设备、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 |