CN116228284A - 货品需求预测方法、训练方法、装置、计算机系统及介质 - Google Patents
货品需求预测方法、训练方法、装置、计算机系统及介质 Download PDFInfo
- Publication number
- CN116228284A CN116228284A CN202211083563.2A CN202211083563A CN116228284A CN 116228284 A CN116228284 A CN 116228284A CN 202211083563 A CN202211083563 A CN 202211083563A CN 116228284 A CN116228284 A CN 116228284A
- Authority
- CN
- China
- Prior art keywords
- demand
- sequence
- prediction
- hidden state
- sample
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种货品需求预测方法,包括:将历史时序数据分解为需求量序列和需求间隔序列,其中,历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,需求量序列包括多个表征满足预设数量条件的货品需求量,需求间隔序列包括需求量序列中任意两个相邻货品需求量之间的时间间隔;对需求量序列进行特征提取,得到需求预测量隐藏态序列;对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列;根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的需求预测结果。本公开还提供了一种货品需求预测模型的训练方法、装置、计算机系统及介质。
Description
技术领域
本公开涉及计算机技术领域和人工智能技术领域,更具体地,涉及货品需求预测方法、训练方法、装置、计算机系统及介质。
背景技术
供应链管理对于降低库存周转、提高服务水平有着重大的意义。单品的需求预测作为输入供应链管理的基础数据,通过对其可解释性的输出,可以反映未来销量的相关趋势及特征。在供应链管理的常见行业,如汽车后服务、工程机械中,时间序列的数据特点呈现间断型,且数据特征形态各异,复杂多样。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:利用传统时序模型或深度学习模型在处理间断型时序数据时,深度学习模型对于间断型时序数据的相关特征不能较好体现,传统时序模型无法识别间断型时序数据中独立分布序列之间的相关性,降低了针对间断型时序数据的需求预测结果。
发明内容
有鉴于此,本公开提供了一种货品需求预测方法、训练方法、装置、计算机系统、介质及程序产品。
本公开的一个方面提供了一种货品需求预测方法,包括:将历史时序数据分解为需求量序列和需求间隔序列,其中,历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,需求量序列包括多个表征满足预设数量条件的货品需求量,需求间隔序列包括需求量序列中任意两个相邻货品需求量之间的时间间隔;对需求量序列进行特征提取,得到需求预测量隐藏态序列;对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列;根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的需求预测结果。
本公开的另一个方面提供了一种货品需求预测模型的训练方法,包括:将待测样本时序数据分解为样本需求量序列、样本需求间隔序列,其中,待测样本时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,样本需求量序列包括多个表征满足预设数量条件的货品需求量,样本需求间隔序列包括样本需求量序列中任意两个相邻货品需求量之间的时间间隔;将样本需求量序列输入第一需求预测模型,对样本需求量进行特征提取,得到样本需求预测量隐藏态序列;将样本需求间隔序列输入第二需求预测模型,对样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列;根据样本需求预测量隐藏态序列和样本需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的样本需求预测结果;根据样本需求预测结果和待测样本时序数据中的真实需求结果之间的损失值调整第一需求预测模型和第二需求预测模型的模型参数;根据训练完成的第一需求预测模型和第二需求预测模型确定需求预测模型。
本公开的另一个方面提供了一种货品货品需求预测装置,包括:第一分解模块,用于将历史时序数据分解为需求量序列和需求间隔序列,其中,历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,需求量序列包括多个表征满足预设数量条件的货品需求量,需求间隔序列包括需求量序列中任意两个相邻货品需求量之间的时间间隔;第一提取模块,用于对需求量序列进行特征提取,得到需求预测量隐藏态序列;第二提取模块,用于对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列;第一获得模块,用于根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的需求预测结果。
本公开的另一个方面提供了一种货品需求预测模型的训练装置,包括:第二分解模块,用于将待测样本时序数据分解为样本需求量序列、样本需求间隔序列,其中,待测样本时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,样本需求量序列包括多个表征满足预设数量条件的货品需求量,样本需求间隔序列包括样本需求量序列中任意两个相邻货品需求量之间的时间间隔;第一输入模块,用于将样本需求量序列输入第一需求预测模型,对样本需求量进行特征提取,得到样本需求预测量隐藏态序列;第二输入模块,用于将样本需求间隔序列输入第二需求预测模型,对样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列;第二获得模块,用于根据样本需求预测量隐藏态序列和样本需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的样本需求预测结果;调整模块,用于根据样本需求预测结果和待测样本时序数据中的真实需求结果之间的损失值调整第一需求预测模型和第二需求预测模型的模型参数;确定模块,用于根据训练完成的第一需求预测模型和第二需求预测模型确定需求预测模型。
本公开的另一方面提供了一种计算机系统,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现本公开实施例的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,指令在被执行时用于实现本公开实施例的方法。
本公开的另一方面提供了一种计算机程序产品,包括计算机可执行指令,指令在被执行时用于实现本公开实施例的方法。
根据本公开的实施例,因为采用了对需求量序列和需求间隔序列分别进行特征提取,并得到相应的需求预测量隐藏态序列和需求间隔预测隐藏态序列,基于需求预测量隐藏态序列和需求间隔预测隐藏态序列的,分析得到的需求量预测分量和需求间隔预测分量之间的相关关系,从而得到货品在预设预测时间长度对应的需求预测结果的技术手段,所以至少部分地克服了传统货品需求预测方法通常聚焦于连续型时序数据的预测,而无法较好地反映间断型时序数据特征中需求量和需求间隔之间的相关关系,从而无法满足针对间断型时序数据预测的技术问题,进而达到了可以通过分析得到的需求量预测分量和需求间隔预测分量之间的相关关系,实现需求预测量和需求间隔预测量的优化,有效区分间断型时序数据中需求点和未发生需求点,实现对间断型时序数据的预测处理,提高间断型时序数据预测的精确度。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的货品需求预测方法、训练方法和装置的示例性系统架构;
图2示意性示出了根据本公开实施例的货品需求预测方法的流程图;
图3示意性示出了根据本公开实施例的历史时序数据分解的示意图;
图4示意性示出了根据本公开实施例的货品需求预测模型的训练方法的流程图;
图5示意性示出了根据本公开实施例的本申请货品需求预测模型和传统货品需求预测模型的对比结果示意图;
图6示意性示出了根据本公开一实施例的货品需求预测方法的示意图;
图7示意性示出了根据本公开另一实施例的货品需求预测方法的示意图;
图8示意性示出了根据本公开实施例的货品需求预测装置的框图;
图9示意性示出了根据本公开实施例的货品需求预测模型的训练装置的框图;以及
图10示意性示出了根据本公开实施例的适于货品需求预测方法或货品需求预测模型的训练方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包括”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
供应链技术人员可以将深度学习技术应用在时序预测的研究中,以实现对货品需求预测。例如,技术人员提出使用自回归网络及蒙特卡洛方法对时间序列数据进行概率分布预测;也有技术人员提出使用传统的指数平滑方法对时序数据进行趋势或季节性规范化,并利用残差连接网络及注意力机制构造用于规范化数据的神经网络预测,从而实现货品需求的预测。但是这些方法往往聚焦于连续型时序数据的预测问题,对于间断型时序数据的处理存在较大的不足。
针对间断型时序数据的预测,使用传统统计时序模型将每个时序分开按时间排列,使用时间维度及时序历史信息对时序进行分析,拟合出一条适合该时序的曲线。但该传统统计时序模型往往用于单条时序预测的场景,且将需求间隔和需求量分开预测,无法识别出这两个序列的相关性对预测结果的影响。
基于此,本公开的实施例提供了一种货品需求预测方法,包括:将历史时序数据分解为需求量序列和需求间隔序列,其中,历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,需求量序列包括多个表征满足预设数量条件的货品需求量,需求间隔序列包括需求量序列中任意两个相邻货品需求量之间的时间间隔;对需求量序列进行特征提取,得到需求预测量隐藏态序列;对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列;根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的需求预测结果。
图1示意性示出了根据本公开实施例的货品需求预测方法、训练方法和装置的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的货品需求预测方法和训练方法一般可以由服务器105执行。相应地,本公开实施例所提供的货品需求预测装置和训练装置一般可以设置于服务器105中。本公开实施例所提供的货品需求预测方法和训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的货品需求预测装置和训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的货品需求预测方法和训练方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的货品需求预测装置和训练装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,历史时序数据或待测样本时序数据可以原本存储在终端设备101、102、或103中的任意一个(例如,终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到终端设备101中。然后,终端设备101可以在本地执行本公开实施例所提供的货品需求预测方法和训练方法,或者将历史时序数据或待测样本时序数据发送到其他终端设备、服务器、或服务器集群,并由接收该历史时序数据或待测样本时序数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的货品需求预测方法和训练方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的货品需求预测方法的流程图。
如图2所示,该方法200包括操作S210~S240。
在操作S210,将历史时序数据分解为需求量序列和需求间隔序列,其中,历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,需求量序列包括多个表征满足预设数量条件的货品需求量,需求间隔序列包括需求量序列中任意两个相邻货品需求量之间的时间间隔。
在操作S220,对需求量序列进行特征提取,得到需求预测量隐藏态序列。
在操作S230,对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列。
在操作S240,根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的需求预测结果。
根据本公开的实施例,历史时序数据可以为在某一场景下,按照时间顺序排序,与不同时间点分别对应的货品需求量。其中,场景可以为供应链管理的常见行业,如汽车后服务领域的货品需求、工程机械领域的货品需求。时间顺序可以为小时、天、月和季度等,本申请对此不作具体限定。例如,历史时序数据可以表示汽车后服务领域的货品需求按照时间(天)顺序排序,在历史时间段内的每个时间(天)分别对应的货品需求量。
根据本公开的实施例,针对本公开中的上述场景的历史时序数据,该历史时序数据特点呈现较强的间断性。例如,历史时序数据的平均需求间隔(ADI)大于1.32时,属于间断型需求数据。间断型需求数据的直观特点在历史时序数据中可以体现为历史时序数据中含有大量“0”需求量。可以理解为,本申请是针对历史时序数据为间断型需求数据的预测方法,历史时序数据中包括有“0”需求量和非“0”需求量。
根据本公开的实施例,需求量序列可以为在历史时序数据中表征满足预设数量条件的货品需求量组成的序列,满足预设数量条件可以为需求量不为0。需求量序列可以包括多个需求不为0的货品需求量。需要说明的是,本申请中将历史时序数据分解为需求量序列和需求间隔序列,需求量序列为非“0”需求量序列。
根据本公开的实施例,需求间隔序列可以包括需求序列中任意两个相邻货品需求量之间的时间间隔,也就是,历史时序数据中任意两个相邻非“0”货品需求量之间的时间间隔,需要说明的是,任意两个相邻非“0”货品需求量之间的时间间隔可以为任意两个相邻非“0”货品需求量之间“0”货品需求量响应的次数。
根据本公开的实施例,可以利用与需求量序列对应的需求量神经网络模型,将需求量序列输入该需求量神经网络模型中,从需求量序列中提取每个时间点对应的货品需求量的特征序列信息,得出需求量序列中对应的需求量隐藏态序列w,基于需求隐藏态序列,对需求隐藏态序列进行计算,得到货品在预设预测时间长度对应的需求预测量隐藏态序列。
根据本公开的实施例,与对需求量序列进行特征提取类似,可以利用与需求间隔序列对应的需求间隔神经网络模型,将需求间隔序列输入该需求间隔神经网络模型中,从需求间隔序列中提取每个时间间隔对应的特征序列信息,得出需求间隔序列对应的需求间隔隐藏态序列v,基于需求间隔隐藏态序列,对需求间隔隐藏态序列进行计算,得到货品在预设预测时间长度对应的需求间隔预测隐藏态序列。
根据本公开的实施例,需求预测量隐藏态序列和需求间隔预测隐藏态序列是分别通过需求量神经网络模型和需求间隔神经网络模型独立预测得到的。预设预测时间长度可以为需要预测的未来时间段。
根据本公开的实施例,将独立的需求预测量隐藏态序列和独立的需求间隔预测隐藏态序列进行处理,得到货品在预设预测时间长度内的每个时间点下的处理后的隐藏态序列,其中,处理后的隐藏态序列包括独立的需求预测量隐藏态序列和独立的需求间隔预测隐藏态序列。
根据本公开的实施例,可以对处理后的隐藏态序列进行特征提取,即,对处理后的隐藏态序列中的需求预测量隐藏态序列和需求间隔预测隐藏态序列进行交叉特征提取,分别得到货品在预设预测时间长度内的每个时间点下的需求量预测分量和需求间隔预测分量。基于预设预测时间长度内的每个时间点下的需求量预测分量和需求间隔预测分量,得到货品在预设预测时间长度对应的需求预测结果。
根据本公开的实施例,因为采用了对需求量序列和需求间隔序列分别进行特征提取,并得到相应的需求预测量隐藏态序列和需求间隔预测隐藏态序列,基于需求预测量隐藏态序列和需求间隔预测隐藏态序列的,确定得到的需求量预测分量和需求间隔预测分量之间的相关关系,从而得到货品在预设预测时间长度对应的需求预测结果的技术手段,所以至少部分地克服了现有货品需求预测方法通常聚焦于连续型时序数据的预测,而无法较好地反映间断型时序数据特征中需求量和需求间隔之间的相关关系,从而无法满足针对间断型时序数据预测的技术间题,进而达到了可以通过确定得到的需求量预测分量和需求间隔预测分量之间的相关关系,实现需求预测量和需求间隔预测量的优化,有效区分间断型时序数据中需求点和未发生需求点,实现对间断型时序数据的预测处理,提高间断型时序数据预测的精确度。
根据本公开的实施例,将历史时序数据分解为需求量序列和需求间隔序列,包括:对历史时序数据进行选点分割,得到分割后的历史时序数据;在分割后的历史时序数据满足预设时序长度的情况下,将分割后的历史时序数据分解为需求量序列和需求间隔序列。
根据本公开的实施例,在历史时序数据进行选点分割之前,对历史时序数据进行数据预处理,将历史时序数据中不满足预设条件的历史时序数据进行筛选清除,得到满足预设条件的历史时序数据。其中,满足预设条件可以为历史时序数据中满足不同时间点下需求量的数据。
根据本公开的实施例,对历史时序数据进行选点分割,可以包括:在历史时序数据上按照一定的预设规则对历史时序数据确定数据分割的分割点,根据确定的分割点,将历史时序数据分割为多个不同时序长度的时序数据。按照一定的预设规则对历史时序数据确定分割点可以包括:按照时间间隔对历史时序数据确定分割点,时间间隔可以为随机设置,并非按照特定的时间间隔。
根据本公开的实施例,分割后的历史时序数据满足预设时序长度的历史时序数据可以利用数据读取器进行分解,根据序列分解方法将该历史数据数据分解为需求量序列和需求间隔序列。可以将满足预设时序长度设置为n,则,将满足预设时序长度n的历史时序数据可以表示为式(1):
Z={d0,0,...,0,d1,0,...,0,di,0,...,0,dn} (1)
其中,di为第i个时间点对应的非“0”需求响应的需求量,即,第i次需求量,d1∈{1,2,...,m},m为大于等于1的整数,d0为初始需求量。
图3示意性示出了根据本公开实施例的历史时序数据分解的示意图。
如图3所示,在示意图300中,历史时序数据301中包括有需求量为“0”的值和需求量不为“0”的值,需求量不为“0”的值包括d0,d1,...,di,...,dn。
将历史时序数据301利用数据读取器进行序列分解,将历史时序数据中需求量不为“0”值提取出来组成的序列为需求量序列D,由于d0为初始需求量,d0前的需求间隔是未知的,在对需求量进行预测时,可以不考虑初始需求量d0,因此,需求量序列D(302)可以表示为式(2):
D={d1,d2,...,di,...,dn} (2)
在示意图300中,将历史时序数据301中的任意相邻两个需求量不为“0”的值之间的时间间隔t提取出来组成的序列可以为需求间隔序列T。例如,初始需求量d0与第一个时间点的非“0”需求量d1之间的时间间隔记为t1,第一个时间点的非“0”需求量d1与第二个时间点的非“0”需求量d2之间的时间间隔记为t2。需求间隔序列T可以表示为式(3):
T={t1,t2,...,ti,...,tn} (3)
其中,t1为与第1个时间点对应的第1次需求间隔,ti为与第i个时间点对应的第i次需求间隔,i∈{1,2,...,n}。
根据本公开的实施例,在分割后的历史时序数据不满足预设时序长度的情况下,对分割后的历史时序数据向前补零,使得分割后的历史时序数据满足预设时序长度,再将满足预设时序长度的历史时序数据按照上述序列分解方法进行时序数据分解。
根据本公开的实施例,需求量序列包括n个需求量分量,n为大于等于1的正整数。
根据本公开的实施例,对需求量序列进行特征提取,得到需求预测量隐藏态序列,包括:对需求量序列进行升维处理,得到升维后的需求量序列,对升维后的需求量序列进行特征提取,得到需求量序列中每个需求量分量对应的需求量隐藏态序列;根据需求量序列中的第n个需求量分量对应的需求量隐藏态序列,得到货品在预设预测时间长度内每个需求预测分量对应的需求预测量隐藏态序列。
根据本公开的实施例,对历史时序数据经过数据读取器分解处理后,将历史时序数据分解为需求量序列D和需求间隔序列T。
根据本公开的实施例,为了能够对该需求量序列进行全面的高维度表征,基于需求量神经网络模型,可以将维度为一维的需求量序列进行升维处理,使得一维矩阵的需求量序列放大至一个较高维度矩阵的需求量序列。
根据本公开的实施例,升维后的需求量序列中可以包括n个需求量分量,对升维后的需求量序列中的n个需求量分量分别进行特征提取,对提取的需求量分量的特征进行计算,得到每个需求量分量对应的需求量隐藏态序列。
根据本公开的实施例,通过最后一个时间点对应的需求序列中的货品需求量,和前一个时间点对应的需求量隐藏态序列,计算得到预设预测时间长度内的第一个需求量预测分量对应的需求预测量隐藏态序列。再根据预设预测时间长度内的第一个需求量预测分量对应的需求预测量隐藏态序列,计算得到下一预设预测时间点对应的需求预测量隐藏态序列,最终得到预设预测时间长度内每个需求预测分量对应的需求预测量隐藏态序列。
根据本公开的实施例,需求间隔序列的时序长度与需求量序列的时序长度相同,需求间隔序列可以包括与n个需求量分量对应的n个需求间隔,n为大于等于1的正整数。
根据本公开的实施例,基于需求间隔神经网络模型,对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列的具体步骤和对需求量序列进行特征提取,得到需求预测量隐藏态序列的处理过程相同,在此不再赘述。
根据本公开的实施例,对需求量序列进行升维处理,得到升维后的需求量序列,包括:将需求量序列输入全连接层,对需求量序列进行升维处理,得到升维后的需求量序列。
根据本公开的实施例,对需求量序列进行升维处理可以通过在需求量神经网络模型中加入全连接层(FC层),通过全连接层以增加需求量序列中的每个时间点对应的需求量分量的向量维度,使得需求量序列中的每个时间点对应的需求量分量。
根据本公开的实施例,根据需求量序列中的第n个需求量分量对应的需求量隐藏态序列,得到预设预测时间长度内每个需求预测分量对应的需求预测量隐藏态序列,包括:
根据需求量序列中的第n个需求量分量对应的需求量隐藏态序列,预测第n+1个需求量预测分量对应的需求预测量隐藏态序列,其中,第n+1个需求量分量为预设预测时间长度内的第1个需求量;根据第n+1个需求量预测分量对应的需求预测量隐藏态序列预测第n+2个需求量预测分量对应的需求预测量隐藏态序列/>直到预测预设预测时间长度内的第n+h个需求量预测分量对应的需求预测量隐藏态序列/>其中,第n+2个需求量分量为预设预测时间长度内的第2个需求量,预设预测时间长度为h,h为大于等于1的正整数。
根据本公开的实施例,预设预测时间可以为按照小时、天、月和季度等,预设预测时间长度可以为h,h为大于等于1的正整数。
根据本公开的实施例,例如,根据历史时序数据中需求量序列的第n个需求量分量对应的需求量隐藏态序列,预测第n+1个需求量预测分量对应的需求预测量隐藏态序列,可以包括:将历史时序数据中需求序列中的每个需求量分量(即,每个时间点的需求量分量)转换为高维度的需求量分量,将第n-1个时间点的需求量分量对应的需求量隐藏态序列的输出和第n个时间点的需求量分量对应的需求量隐藏态序列进行计算,预测得到第n+1个时间点的需求量预测分量对应的需求预测量隐藏态序列。
根据本公开的实施例,将预测得到的第n+1个时间点的需求量预测分量对应的需求预测量隐藏态序列的输出可以作为第n+2个时间点预测的输入,预测得到第n+2个时间点的需求量预测分量对应的需求预测量隐藏态序列。
根据本公开的实施例,将预测得到的第n+2个时间点的需求量预测分量对应的需求预测量隐藏态序列的输出可以作为第n+3个时间点预测的输入,预测得到第n+3个时间点的需求量预测分量对应的需求预测量隐藏态序列/>
根据本公开的实施例,利用递归预测的方法,将前一个时间点的需求量预测分量对应的需求预测量隐藏态序列的输出可以作为下一个时间点的输入,得到下一个时间点需求量预测分量对应的需求量隐藏态序列,直到递归预测得到第n+h个时间点的需求量预测分量对应的需求预测量隐藏态序列,即,预测期间的第h个时间点的需求量预测分量对应的需求预测量隐藏态序列。
根据本公开的实施例,根据需求量序列中的第n个需求量分量对应的需求量隐藏态序列,预测第n+1个需求量预测分量对应的需求预测量隐藏态序列,包括:将需求量序列中的第n个需求量分量对应的需求量隐藏态序列输入长短期记忆层,根据需求量序列中的第n个需求量分量对应的需求量隐藏态序列,预测第n+1个需求量预测分量对应的需求预测量隐藏态序列。
根据本公开的实施例,利用递归预测进行预设预测时间长度的时序数据的预测,可以通过在全连接层之后设置长短期记忆层(LSTM)。长短期记忆层的维度设置为与全连接层输出的维度相同。也就是说,将第n个时间点的需求量分量对应的需求量隐藏态序列利用长短期记忆层得到第n+1个时间点的需求量预测分量对应的需求预测量隐藏态序列。第n+1个时间点的需求量预测分量可以为预设预测时间长度内第1个需求量预测分量。
根据本公开的实施例,根据历史时序数据中的需求间隔序列,对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列的实现步骤与上述得到需求预测量隐藏态序列步骤相同,具体地,将需求间隔序列输入全连接层,得到每个时间间隔的需求间隔分量对应的需求间隔隐藏态序列,基于长短期记忆层,利用递归预测的方法,根据第n个时间间隔的需求间隔分量对应的需求间隔隐藏态序列,预测得到第n+1个时间间隔的需求间隔预测分量对应的需求间隔预测隐藏态序列。
根据本公开的实施例,将第n+1个时间间隔的需求间隔预测分量对应的需求间隔预测隐藏态序列的输出作为预测第n+2个时间间隔的输入,预测得到的第n+1个时间间隔的需求间隔预测分量对应的需求间隔预测隐藏态序列的输出,直到预测得到第n+h个时间间隔的需求间隔预测分量对应的需求间隔预测隐藏态序列的输出,得到预设预测时间长度h的需求间隔预测隐藏态序列。
根据本公开的实施例,预设预测时间长度h的需求预测量隐藏态序列可以通过需求量神经网络模型中的长短期记忆层预测得到;预设预测时间长度h的需求间隔预测隐藏态序列可以通过需求间隔神经网络模型中的长短期记忆层预测得到。
根据本公开的实施例,根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的需求预测结果,包括:根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到需求量预测分量和需求间隔预测分量;将需求量预测分量和需求间隔预测分量进行处理,得到货品在预设预测时间长度对应的需求预测结果。
根据本公开的实施例,需求预测量隐藏态序列可以表征某一时间点下的需求量预测分量的数据特征;需求间隔预测隐藏态序列可以表征与需求量预测分量对应的需求间隔预测分量的数据特征。
根据本公开的实施例,在预设预测时间长度内,可以预测得到每个时间点的需求量预测分量对应的需求预测量隐藏态序列,和与需求预测量隐藏态序列对应的需求间隔预测隐藏态序列。
根据本公开的实施例,根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到需求量预测分量和需求间隔预测分量,可以包括:根据每个时间点的需求量预测分量对应的需求预测量隐藏态序列,和每个时间间隔的需求间隔预测分量对应的需求间隔预测隐藏态序列,预测得到每个时间点的需求量预测分量和需求间隔预测分量。
根据本公开的实施例,例如,可以根据第n+2个时间点的需求预测量隐藏态序列和需求间隔预测隐藏态序列,预测得到第n+2个时间点的需求量预测分量和需求间隔预测分量。
根据本公开的实施例,对预测得到的第n+2个时间点的需求量预测分量和需求间隔预测分量进行处理,得到第n+2个时间点的需求量预测分量。
根据本公开的实施例,利用上述同样步骤,得到预设预测时间长度内的每个时间点的需求量预测分量,将预设预测时间长度内的每个时间点的需求量预测分量进行序列结合,得到货品在预设预测时间长度对应的需求预测结果。
根据本公开的实施例,针对根据每个时间点需求预测量隐藏态序列和每个时间间隔的需求间隔预测隐藏态序列,得到每个时间点的需求量预测分量和需求间隔预测分量可以包括:将需求预测量隐藏态序列和需求间隔预测隐藏态序列进行合并,得到合并隐藏态序列;对合并隐藏态序列进行交叉特征提取,得到需求量预测分量和需求间隔预测分量。
根据本公开的实施例,例如,将需求预测量隐藏态序列和需求间隔预测隐藏态序列进行合并可以包括:对分别通过长短期记忆层获得的货品在预设预测时间长度内的每个时间点的需求预测量隐藏态序列和需求间隔预测隐藏态序列进行拼接组合,使得独立的两个序列组合成一个隐藏态序列,即,每个时间点的合并隐藏态序列,合并隐藏态序列包含需求预测量隐藏态序列的数据特征和需求间隔预测隐藏态序列的数据特征。
根据本公开的实施例,将每个时间点的合并隐藏态序列输入新的全连接层,以使得新的全连接层对合并隐藏态序列进行降维处理,并对降维后的合并隐藏态序列进行交叉特征提取,得到每个时间点的需求量预测分量和需求间隔预测分量。
根据本公开的实施例,通过对每个时间点的需求预测量隐藏态序列和需求间隔预测隐藏态序列进行合并,对合并隐藏态序列进行输出,可以通过交叉提取合并后的需求预测量隐藏态序列和需求间隔预测隐藏态序列的数据特征,对需求量预测分量和需求间隔预测分量进行优化,以解决传统预测方法无法利用需求量预测分量与需求间隔预测分量之间的相关性进行间断型时序数据预测的技术问题。
根据本公开的实施例,针对每个时间点的需求量预测分量和需求间隔预测分量,得到货品在预设预测时间长度对应的需求预测结果,可以包括:根据需求量预测分量和需求间隔预测分量,得到针对需求间隔预测分量的时间段内的需求率;根据需求率和修正参数,得到针对需求间隔预测分量的需求预测结果,其中,预设预测时间长度包括多个需求间隔预测分量对应的时间段。
根据本公开的实施例,需求率可以表征货品在预设预测时间长度的每个时间间隔对应的时间段内的需求。需求率可以通过计算每个时间点的需求量预测分量与需求间隔预测分量的比值而得到的。
根据本公开的实施例,例如,计算第n+2个时间间隔对应的时间段内的需求,也即,预设预测时间长度的第2个时间间隔对应的时间段内的需求,可以通过第n+2个时间点的需求量预测分量和第n+2个时间间隔的需求间隔预测分量/>的比值。/>
根据本公开的实施例,修正参数c可以是为了使得计算得到的每个时间点的需求预测结果的准确度较高而设置的参数。根据需求率和修正参数,可以得到每个时间点的需求预测结果。
根据本公开的实施例,预设预测时间长度h对应的需求预测结果可以表示为式(5):
图4示意性示出了根据本公开实施例的货品需求预测模型的训练方法的流程图。
如图4所示,该方法400可以包括操作S410~S460。
在操作S410,将待测样本时序数据分解为样本需求量序列和样本需求间隔序列,其中,待测样本时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,样本需求量序列包括多个表征满足预设数量条件的货品需求量,样本需求间隔序列包括样本需求量序列中任意两个相邻货品需求量之间的时间间隔。
在操作S420,将样本需求量序列输入第一需求预测模型,对样本需求量进行特征提取,得到样本需求预测量隐藏态序列。
在操作S430,将样本需求间隔序列输入第二需求预测模型,对样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列。
在操作S440,根据样本需求预测量隐藏态序列和样本需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的样本需求预测结果。
在操作S450,根据样本需求预测结果和待测样本时序数据中的真实需求结果之间的损失值调整第一需求预测模型和第二需求预测模型的模型参数。
在操作S460,根据训练完成的第一需求预测模型和第二需求预测模型确定货品需求预测模型。
根据本公开的实施例,将待测样本时序数据分解为样本需求量序列和样本需求间隔序列,可以包括:对待测样本时序数据进行选点分割,得到分割后的待测样本时序数据,在确定分割后的待测样本时序数据满足预设时序长度的情况下,将分割后的待测样本时序数据分解为样本需求量序列和样本需求间隔序列。
根据本公开的实施例,利用序列分解法将分割后的待测样本时序数据分解为样本需求量序列和样本需求间隔序列的具体步骤可以参考货品需求预测方法的相关部分,在此不再赘述。
根据本公开的实施例,样本需求量序列可以包括n个时间点的样本需求量,样本需求间隔序列可以包括与n个时间点的样本需求量对应的n个样本需求间隔,每个样本需求间隔可以包括零需求响应的多个时间点。
根据本公开的实施例,将样本需求序列输入第一需求预测模型,对样本需求量进行特征提取,得到样本需求预测量隐藏态序列;以及将样本需求间隔序列输入第二需求预测模型,对样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列的相关实现过程可以参照上述货品需求预测方法中得到需求预测量隐藏态序列和需求间隔预测隐藏态序列的相关部分,在此不再赘述。
根据本公开的实施例,预设预测时间长度可以为h,预设预测时间长度对应的样本需求预测结果可以包括:预设预测时间长度内每个时间点的需求预测结果的集合。
根据样本需求预测量隐藏态序列和样本需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的样本需求预测结果可以包括:根据每个时间点的样本需求预测量隐藏态序列和每个时间间隔的样本需求间隔预测隐藏态序列,计算得到每个时间点的样本需求预测结果。
根据本公开的实施例,损失值可以表征样本需求预测结果和真实需求结果之间的差异。利用样本需求预测量隐藏态序列和样本需求间隔预测隐藏态序列得到的样本需求预测结果训练第一需求预测模型和第二需求预测模型,基于该损失值,对第一需求预测模型和第二需求预测模型的模型参数进行调整,直至该损失值达到预设阈值,得到训练完成的第一需求预测模型和第二需求预测模型,将训练完成后的第一需求预测模型和第二需求预测模型确定货品需求预测模型。
根据本公开的实施例,因为采用了样本需求预测量和样本需求间隔量之间的相关关系,确定货品在预设预测时间长度对应的样本需求预测结果,根据样本需求预测结果和真实需求结果的损失值对第一需求预测模型和第二需求预测模型进行训练,确定货品需求预测模型,所以至少部分地解决了传统货品需求预测方法通常聚焦于连续型时序数据的预测,而无法较好地反映间断型时序数据特征中需求量和需求间隔之间的相关关系,从而无法满足针对间断型时序数据预测的技术问题,进而达到了可以通过分析得到的需求量预测分量和需求间隔预测分量之间的相关关系,实现需求预测量和需求间隔预测量的优化,有效区分间断型时序数据中需求点和未发生需求点,实现对间断型时序数据的预测处理,提高间断型时序数据预测的精确度。
根据本公开的实施例,第一需求预测模型和第二需求预测模型的网络结构相同,均包括依次连接的全连接层和长短期记忆层。
根据本公开的实施例,样本需求量序列包括n个样本需求量分量,n为大于等于1的正整数,样本需求间隔序列包括与样本需求序列对应的n个样本需求间隔。
根据本公开的实施例,将样本需求量序列输入第一需求预测模型,对样本需求量进行特征提取,得到样本需求预测量隐藏态序列可以包括:将样本需求量序列输入全连接层,对样本需求量序列进行升维处理,得到升维后的样本需求量序列,对升维后的样本需求量序列进行特征提取,得到样本需求量序列中每个样本需求量分量对应的样本需求量隐藏态序列;将样本需求量序列中的第n个需求量分量对应的样本需求量隐藏态序列输入长短期记忆层,根据样本需求量序列中的第n个需求量分量对应的样本需求量隐藏态序列,得到货品在预设预测时间长度内每个样本需求预测分量对应的样本需求预测量隐藏态序列。
根据本公开的实施例,将样本需求间隔序列输入第二需求预测模型,对样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列,与得到样本需求预测量隐藏态序列的相关部分相似,在此不再赘述。
根据本公开的实施例,得到样本需求预测量隐藏态序列和得到样本需求间隔预测隐藏态序列的实现步骤与货品需求预测方法中得到需求预测量隐藏态序列和得到需求间隔预测隐藏态序列的相关部分相似,在此不再赘述。
根据本公开的实施例,在第一需求预测模型和第二需求预测模型中的全连接层和长短期记忆层均加入了Dropout,以预防过拟合。全连接层的Dropout主要针对于需求量预测分量和需求间隔预测分量生成阶段,也即,将需求量预测隐藏态序列和需求间隔预测隐藏态序列进行合并后,在生成需求量预测分量和需求间隔预测分量时丢弃部分全连接层的神经元,可有效缓解第一需求预测模型和第二需求预测模型的过拟合现象,增加第一需求预测模型和第二需求预测模型的泛化能力。
根据本公开的实施例,上述训练方法还包括:将待测样本时序数据分解为补零标识序列。
根据本公开的实施例,其中,根据样本需求预测结果和待测样本时序数据中的真实需求结果之间的损失值调整第一需求预测模型和第二需求预测模型的模型参数,包括:将补零标识序列中补零标识值、样本需求预测结果和待测样本时序数据中的真实需求结果,输入预设损失函数中,输出实际损失值;根据实际损失值调整第一需求预测模型和第二需求预测模型的模型参数。
根据本公开的实施例,货品需求预测方法中的货品需求量神经网络模型为训练完成后的第一需求预测模型;需求间隔神经网络模型为训练完成后的第二需求预测模型。
根据本公开的实施例,待测样本时序数据的时序长度不满足预设时序长度时,将该待测样本时序数据向前补零,对补零后的待测样本时序数据进行分解,可以得到样本需求量序列、样本需求间隔序列和补零标识序列。
根据本公开的实施例,预设损失函数Loss可以表示为式(6),即:
其中,h为预设预测时间长度;i为预设预测时间长度内的第i个时间点,1≤i≤h;为第i个时间点的样本需求预测值;xi为第i个时间点的真实需求值;mi为第i个时间点的补零标识,当第i个时间点的需求预测值为非补零值,则mi取值为1;当第i个时间点的需求预测值为补零值,则mi取值为0,不参与损失函数的计算。
根据本公开的实施例,将利用预设损失函数,基于样本需求预测结果和待测样本时序数据中的真实需求结果,输出实际损失值,也就是输出样本需求预测结果与真实需求结果的差异。通过实际损失值,对第一预测模型和第二预测模型的参数进行调整,再利用上述损失函数计算实际损失值,直到实际损失值达到预设损失值。
根据本公开的实施例,可以以某大型汽后商家的销量数据进行货品需求预测模型的训练及传统货品需求预测模型的训练进行对比,以说明本申请训练完成后的货品需求预测模型与传统的货品需求预测模型的预测结果准确性高,传统货品需求预测模型,例如,可以为Croston(克罗斯顿模式)、ETS(指数平滑模型)、DeepAR(时序预测算法)等。
根据本公开的实施例,例如,初步筛选掉日均销量过低及近期无销量时序数据,将该商家可用于训练需求预测模型的时序数据为30000条,其中,将该时序数据中90%的时序数据的平均需求间隔(ADI)大于1.32,该时序数据中90%的时序数据属于间断型时序数据。将该间断性数据作为原始输入数据输入至数据读取器,经过重复采样得到待测样本时序数据。将待测样本时序数据分别输入本申请待训练的货品需求预测模型和传统待训练需求预测模型。在模型训练时,预设预测时间长度h可以设置为60天,将预设预测时间长度为60天的需求预测量和真实需求值的对比结果作为本申请和传统的货品需求预测模型的评价指标。
根据本公开的实施例,例如,图5示意性示出了根据本公开实施例的本申请货品需求预测模型和传统货品需求预测模型的对比结果示意图;表1示意性示出了本申请和传统的货品需求预测模型的对比结果。如表1所示。
表1
预测方法 | Croston | ETS | DeepAR | 本申请 |
预测误差 | 0.56 | 0.54 | 0.49 | 0.45 |
非零值误差 | 1.35 | 0.83 | 0.88 | 0.73 |
根据本公开的实施例,结合图5中示意图500及表1可知,本申请提出的货品需求预测模型的直接输出可较好地反应出间断型时序数据的特征,可有效地区分需求点及未发生需求点,且需求发生点的预测较准确;作为对比,DeepAR预测结果较平滑,未抓取到间断性特征,在平均值上下浮动。且本申请的货品需求预测模型在预测过程中能较好地识别每个时间点的需求量分量和需求间隔分量的相关关系,准确地预测出时序数据中需求量不为零时的高销点及低销点,以便于及时了解货品的补货或压货的风险。
图6示意性示出了根据本公开一实施例的货品需求预测方法的示意图。
如图6所示,在示意图600中,将历史时序数据601输入数据读取器602中分解,生成需求量序列603和需求间隔序列604;将需求量序列603输入第一需求预测模型605,得到需求预测量隐藏态序列606;将需求间隔序列604输入第二需求预测模型607,得到需求间隔预测隐藏态序列608,通过对需求预测量隐藏态序列606和需求间隔预测隐藏态序列608进行交叉特征提取,得到需求量预测分量609和需求间隔预测分量610,根据需求量预测分量609和需求间隔预测分量610,得到预设预测时间长度内的每个时间点的需求预测量611。
图7示意性示出了根据本公开另一实施例的货品需求预测方法的示意图。
如图7所示,在示意图700中,经过数据读取器对历史时序数据的处理,历史时序数据被分解为需求量序列D和需求间隔序列T,即D={d1,d2,...,dn},T={t1,t2,...,tn},将需求量序列D(701)输入第一需求预测模型中,利用第一需求预测模型中的全连接层,对需求量序列D中的每个需求量分量d1,d2,...,dn进行特征提取,得到与每个需求量分量对应的需求量隐藏态序列w1,w2,...,wn,将与每个需求量分量对应的需求量隐藏态序列w1,w2,...,wn输入至长短期记忆层,利用第n个时间点对应的需求量隐藏态序列wn(703)生成第n+1个时间点对应的需求量隐藏态序列(704)。
同理,将需求间隔序列T(702)输入第二需求预测模型中,利用第二需求预测模型中的全连接层,对需求间隔序列T中的每个需求间隔分量t1,t2,...,tn进行特征提取,得到与每个需求间隔分量对应的需求间隔预测隐藏态序列v1,v2,...,vn,将与每个需求间隔分量对应的需求间隔预测隐藏态序列v1,v2,...,vn输入至长短期记忆层,利用第n个时间点对应的需求间隔预测隐藏态序列vn(705)生成第n+1个时间点对应的需求间隔预测隐藏态序列(706)。/>
将第n+1个时间点对应的需求量隐藏态序列(704)和第n+1个时间点对应的需求间隔预测隐藏态序列/>(706)进行合并,得到与第n+1个时间点对应的合并隐藏态序列707,利用新的全连接层,对合并隐藏态序列进行特征提取,得到需求量预测分量/>(708)和需求间隔预测分量/>(709),根据需求量预测分量708和需求间隔预测分量709,确定第n+1个时间点的需求预测量/>(710)。
将第n+1个时间点对应的需求量隐藏态序列(704)作为预测第n+2个时间点的输入,得到第n+2个时间点对应的需求量隐藏态序列/>(711);将第n+1个时间点对应的需求间隔预测隐藏态序列/>(706)作为预测第n+2个时间点的输入,得到第n+2个时间点对应的需求间隔预测隐藏态序列/>(712),将第n+2个时间点对应的需求量隐藏态序列/>(711)和第n+2个时间点对应的需求量隐藏态序列/>(712)进行合并,得到与第n+2个时间点对应的合并隐藏态序列713,利用新的全连接层,对合并隐藏态序列进行特征提取,得到需求量预测分量/>(714)和需求间隔预测分量/>(715),根据需求量预测分量714和需求间隔预测分量715,确定第n+2个时间点的需求预测量/>(716)。
根据本公开的实施例,基于上述方法,直到将第n+h-1个时间点对应的需求量隐藏态序列(717)作为预测第n+h个时间点的输入,得到第n+h个时间点对应的需求量隐藏态序列/>(718);将第n+h-1个时间点对应的需求间隔预测隐藏态序列/>(719)作为预测第n+h个时间点的输入,得到第n+h个时间点对应的需求间隔预测隐藏态序列(720);将第n+h个时间点对应的需求量隐藏态序列/>(718)和第n+h个时间点对应的需求间隔预测隐藏态序列/>(720)进行合并,得到与第n+h个时间点对应的合并隐藏态序列721,利用新的全连接层,对合并隐藏态序列进行特征提取,得到需求量预测分量(722)和需求间隔预测分量/>(723),根据需求量预测分量722和需求量预测分量723,确定第n+h个时间点的需求预测量/>(724)。
图8示意性示出了根据本公开实施例的货品需求预测装置的框图。
如图8所示,该货品需求预测装置800可以包括:第一分解模块810、第一提取模块820、第二提取模块830和第一获得模块840。
第一分解模块810,用于将历史时序数据分解为需求量序列和需求间隔序列,其中,历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,需求量序列包括多个表征满足预设数量条件的货品需求量,需求间隔序列包括需求量序列中任意两个相邻货品需求量之间的时间间隔。
第一提取模块820,用于对需求量序列进行特征提取,得到需求预测量隐藏态序列。
第二提取模块830,用于对需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列。
第一获得模块840,用于根据需求预测量隐藏态序列和需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的需求预测结果。
图9示意性示出了根据本公开实施例的货品需求预测模型的训练装置的框图。
如图9所示,该训练装置900可以包括:第二分解模块910、第一输入模块920、第二输入模块930、第二获得模块940、调整模块950和确定模块960。
第二分解模块910,用于将待测样本时序数据分解为样本需求量序列和样本需求间隔序列,其中,待测样本时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,样本需求量序列包括多个表征满足预设数量条件的货品需求量,样本需求间隔序列包括样本需求量序列中任意两个相邻货品需求量之间的时间间隔。
第一输入模块920,用于将样本需求量序列输入第一需求预测模型,对样本需求量进行特征提取,得到样本需求预测量隐藏态序列。
第二输入模块930,用于将样本需求间隔序列输入第二需求预测模型,对样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列。
第二获得模块940,用于根据样本需求预测量隐藏态序列和样本需求间隔预测隐藏态序列,得到货品在预设预测时间长度对应的样本需求预测结果。
调整模块950,用于根据样本需求预测结果和待测样本时序数据中的真实需求结果之间的损失值调整第一需求预测模型和第二需求预测模型的模型参数。
确定模块960,用于根据训练完成的第一需求预测模型和第二需求预测模型确定需求预测模型。
根据本公开的实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一分解模块810、第一提取模块820、第二提取模块830和第一获得模块840中或第二分解模块910、第一输入模块920、第二输入模块930、第二获得模块940、调整模块950和确定模块960中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一分解模块810、第一提取模块820、第二提取模块830和第一获得模块840中或第二分解模块910、第一输入模块920、第二输入模块930、第二获得模块940、调整模块950和确定模块960中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一分解模块810、第一提取模块820、第二提取模块830和第一获得模块840中或第二分解模块910、第一输入模块920、第二输入模块930、第二获得模块940、调整模块950和确定模块960中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本公开实施例的适于货品需求预测方法或货品需求预测模型的训练方法的电子设备的框图。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,根据本公开实施例的电子设备1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中,存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1000还可以包括输入/输出(I/O)接口1005,输入/输出(I/O)接口1005也连接至总线1004。系统1000还可以包括连接至I/O接口1005的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包括的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包括或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (15)
1.一种货品需求预测方法,包括:
将历史时序数据分解为需求量序列和需求间隔序列,其中,所述历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,所述需求量序列包括多个表征满足预设数量条件的货品需求量,所述需求间隔序列包括所述需求量序列中任意两个相邻所述货品需求量之间的时间间隔;
对所述需求量序列进行特征提取,得到需求预测量隐藏态序列;
对所述需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列;
根据所述需求预测量隐藏态序列和所述需求间隔预测隐藏态序列,得到所述货品在预设预测时间长度对应的需求预测结果。
2.根据权利要求1所述的方法,其中,所述需求量序列包括n个需求量分量,n为大于等于1的正整数;
其中,所述对所述需求量序列进行特征提取,得到需求预测量隐藏态序列,包括:
对所述需求量序列进行升维处理,得到升维后的需求量序列,对所述升维后的需求量序列进行特征提取,得到所述需求量序列中每个需求量分量对应的需求量隐藏态序列;
根据所述需求量序列中的第n个需求量分量对应的需求量隐藏态序列,得到预设预测时间长度内每个需求预测分量对应的需求预测量隐藏态序列。
3.根据权利要求2所述的方法,其中,所述对所述需求量序列进行升维处理,得到升维后的需求量序列,包括:
将所述需求量序列输入全连接层,对所述需求量序列进行升维处理,得到升维后的需求量序列。
4.根据权利要求2所述的方法,其中,所述根据所述需求量序列中的第n个需求量分量对应的需求量隐藏态序列,得到预设预测时间长度内每个需求预测分量对应的需求预测量隐藏态序列,包括:
根据所述需求量序列中的第n个需求量分量对应的需求量隐藏态序列,预测第n+1个需求量预测分量对应的需求预测量隐藏态序列,其中,第n+1个需求量分量为所述预设预测时间长度内的第1个需求量;
根据所述第n+1个需求量预测分量对应的需求预测量隐藏态序列,预测第n+2个需求量预测分量对应的需求预测量隐藏态序列,直到预测所述预设预测时间长度内的第n+h个需求量预测分量对应的需求预测量隐藏态序列,其中,第n+2个需求量分量为所述预设预测时间长度内的第2个需求量,预设预测时间长度为h,h为大于等于1的正整数。
5.根据权利要求4所述的方法,其中,所述根据所述需求量序列中的第n个需求量分量对应的需求量隐藏态序列,预测第n+1个需求量预测分量对应的需求预测量隐藏态序列,包括:
将所述需求量序列中的第n个需求量分量对应的需求量隐藏态序列输入长短期记忆层,根据所述需求量序列中的第n个需求量分量对应的需求量隐藏态序列,预测第n+1个需求量预测分量对应的需求预测量隐藏态序列。
6.根据权利要求1所述的方法,其中,所述根据所述需求预测量隐藏态序列和所述需求间隔预测隐藏态序列,得到所述货品在预设预测时间长度对应的需求预测结果,包括:
根据所述需求预测量隐藏态序列和所述需求间隔预测隐藏态序列,得到需求量预测分量和需求间隔预测分量;
将所述需求量预测分量和需求间隔预测分量进行处理,得到所述货品在预设预测时间长度对应的需求预测结果。
7.根据权利要求6所述的方法,其中,所述根据所述需求预测量隐藏态序列和所述需求间隔预测隐藏态序列,得到需求量预测分量和需求间隔预测分量,包括:
针对每个所述需求预测量隐藏态序列和每个所述需求间隔预测隐藏态序列,
将所述需求预测量隐藏态序列和所述需求间隔预测隐藏态序列进行合并,得到合并隐藏态序列;
对所述合并隐藏态序列进行交叉特征提取,得到需求量预测分量和需求间隔预测分量。
8.根据权利要求6所述的方法,其中,所述将所述需求量预测分量和所述需求间隔预测分量进行处理,得到所述货品在预设预测时间长度对应的需求预测结果,包括:
针对每个所述需求量预测分量和所述需求间隔预测分量,
根据所述需求量预测分量和所述需求间隔预测分量,得到针对所述需求间隔预测分量的时间段内的需求率;
根据所述需求率和修正参数,得到针对所述需求间隔预测分量的需求预测结果,其中,所述预设预测时间长度包括多个所述需求间隔预测分量对应的时间段。
9.一种货品需求预测模型的训练方法,包括:
将待测样本时序数据分解为样本需求量序列和样本需求间隔序列,其中,所述待测样本时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,所述样本需求量序列包括多个表征满足预设数量条件的货品需求量,所述样本需求间隔序列包括所述样本需求量序列中任意两个相邻所述货品需求量之间的时间间隔;
将所述样本需求量序列输入第一需求预测模型,对所述样本需求量进行特征提取,得到样本需求预测量隐藏态序列;
将所述样本需求间隔序列输入第二需求预测模型,对所述样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列;
根据所述样本需求预测量隐藏态序列和所述样本需求间隔预测隐藏态序列,得到所述货品在预设预测时间长度对应的样本需求预测结果;
根据所述样本需求预测结果和所述待测样本时序数据中的真实需求结果之间的损失值调整所述第一需求预测模型和所述第二需求预测模型的模型参数;
根据训练完成的所述第一需求预测模型和所述第二需求预测模型确定所述货品需求预测模型。
10.根据权利要求9所述的方法,其中,所述第一需求预测模型包括依次连接的全连接层和长短期记忆层,所述样本需求量序列包括n个样本需求量分量,n为大于等于1的正整数;
所述将所述样本需求量序列输入第一需求预测模型,对所述样本需求量进行特征提取,得到样本需求预测量隐藏态序列包括:
将所述样本需求量序列输入所述全连接层,对所述样本需求量序列进行升维处理,得到升维后的样本需求量序列,对所述升维后的样本需求量序列进行特征提取,得到所述样本需求量序列中每个样本需求量分量对应的样本需求量隐藏态序列;
将所述样本需求量序列中的第n个需求量分量对应的样本需求量隐藏态序列输入所述长短期记忆层,根据所述样本需求量序列中的第n个需求量分量对应的样本需求量隐藏态序列,得到货品在预设预测时间长度内每个样本需求预测分量对应的样本需求预测量隐藏态序列。
11.一种货品需求预测装置,包括:
第一分解模块,用于将历史时序数据分解为需求量序列和需求间隔序列,其中,所述历史时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,所述需求量序列包括多个表征满足预设数量条件的货品需求量,所述需求间隔序列包括所述需求量序列中任意两个相邻所述货品需求量之间的时间间隔;
第一提取模块,用于对所述需求量序列进行特征提取,得到需求预测量隐藏态序列;
第二提取模块,用于对所述需求间隔序列进行特征提取,得到需求间隔预测隐藏态序列;
第一获得模块,用于根据所述需求预测量隐藏态序列和所述需求间隔预测隐藏态序列,得到所述货品在预设预测时间长度对应的需求预测结果。
12.一种货品需求预测模型的训练装置,包括:
第二分解模块,用于将待测样本时序数据分解为样本需求量序列和样本需求间隔序列,其中,所述待测样本时序数据包括按照时间顺序排序,与不同时间点分别对应的货品需求量,所述样本需求量序列包括多个表征满足预设数量条件的货品需求量,所述样本需求间隔序列包括所述样本需求量序列中任意两个相邻所述货品需求量之间的时间间隔;
第一输入模块,用于将所述样本需求量序列输入第一需求预测模型,对所述样本需求量进行特征提取,得到样本需求预测量隐藏态序列;
第二输入模块,用于将所述样本需求间隔序列输入第二需求预测模型,对所述样本需求间隔序列进行特征提取,得到样本需求间隔预测隐藏态序列;
第二获得模块,用于根据所述样本需求预测量隐藏态序列和所述样本需求间隔预测隐藏态序列,得到所述货品在预设预测时间长度对应的样本需求预测结果;
调整模块,用于根据所述样本需求预测结果和所述待测样本时序数据中的真实需求结果之间的损失值调整所述第一需求预测模型和所述第二需求预测模型的模型参数;
确定模块,用于根据训练完成的所述第一需求预测模型和所述第二需求预测模型确定所述需求预测模型。
13.一种计算机系统,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1~8中任一项或权利要求9~10中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1~8中任一项或权利要求9~10中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项或权利要求9~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211083563.2A CN116228284A (zh) | 2022-09-06 | 2022-09-06 | 货品需求预测方法、训练方法、装置、计算机系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211083563.2A CN116228284A (zh) | 2022-09-06 | 2022-09-06 | 货品需求预测方法、训练方法、装置、计算机系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116228284A true CN116228284A (zh) | 2023-06-06 |
Family
ID=86585952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211083563.2A Pending CN116228284A (zh) | 2022-09-06 | 2022-09-06 | 货品需求预测方法、训练方法、装置、计算机系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228284A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402321A (zh) * | 2023-06-08 | 2023-07-07 | 北京京东乾石科技有限公司 | 物品需求量确定方法及装置、电子设备和存储介质 |
-
2022
- 2022-09-06 CN CN202211083563.2A patent/CN116228284A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402321A (zh) * | 2023-06-08 | 2023-07-07 | 北京京东乾石科技有限公司 | 物品需求量确定方法及装置、电子设备和存储介质 |
CN116402321B (zh) * | 2023-06-08 | 2023-09-22 | 北京京东乾石科技有限公司 | 物品需求量确定方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569427B (zh) | 一种多目标排序模型训练、用户行为预测方法及装置 | |
CN110866628A (zh) | 利用动态时间上下文学习进行多界限时间序列预测的系统和方法 | |
CN107133865B (zh) | 一种信用分的获取、特征向量值的输出方法及其装置 | |
CN111814910B (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN111369344B (zh) | 一种动态生成预警规则的方法和装置 | |
CN113283671B (zh) | 一种预测补货量的方法、装置、计算机设备及存储介质 | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
WO2023103527A1 (zh) | 一种访问频次的预测方法及装置 | |
Bekiroglu et al. | Predictive analytics of crude oil prices by utilizing the intelligent model search engine | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN116228284A (zh) | 货品需求预测方法、训练方法、装置、计算机系统及介质 | |
CN116091110A (zh) | 资源需求量预测模型训练方法、预测方法及装置 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
CN111339157B (zh) | 一种配电网日运行效率计算及预测方法、系统及设备 | |
CN110457329B (zh) | 一种实现个性化推荐的方法及装置 | |
CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115062687A (zh) | 企业信用监控方法、装置、设备及存储介质 | |
CN114037518A (zh) | 风险预测模型的构建方法、装置、电子设备和存储介质 | |
CN113656702A (zh) | 用户行为的预测方法及装置 |
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 |