CN116308482A - 一种基于神经网络模型和Xgboost的订单销量预测方法及装置 - Google Patents

一种基于神经网络模型和Xgboost的订单销量预测方法及装置 Download PDF

Info

Publication number
CN116308482A
CN116308482A CN202310147946.XA CN202310147946A CN116308482A CN 116308482 A CN116308482 A CN 116308482A CN 202310147946 A CN202310147946 A CN 202310147946A CN 116308482 A CN116308482 A CN 116308482A
Authority
CN
China
Prior art keywords
model
xgboost
neural network
interval
features
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
CN202310147946.XA
Other languages
English (en)
Inventor
李珣
张乐
郭盛
余卓阳
沈诣钦
武恺莉
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.)
Hangzhou Dinglan Technology Co ltd
Original Assignee
Hangzhou Dinglan Technology Co 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 Hangzhou Dinglan Technology Co ltd filed Critical Hangzhou Dinglan Technology Co ltd
Priority to CN202310147946.XA priority Critical patent/CN116308482A/zh
Publication of CN116308482A publication Critical patent/CN116308482A/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
    • 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
    • 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

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

本发明提供了一种基于神经网络模型和Xgboost的订单销量预测方法，属于人工智能技术领域。它解决了现有技术无法准确预测未来订单数据等问题。本基于神经网络模型和Xgboost的订单销量预测方法以下步骤：步骤S1:构建神经网络模型，预测下个月的sku销量，输出多个区间的预测值；步骤S2：训练分类模型Xgboost，判别最佳区间。本发明具有将过往历史数据通过神经网络模型输出得到τ个区间的预测值，再通过Xgboost模型判别哪个区间的预测值最佳，将判别为最佳的预测值作为下一个周期的订单销量预测值等优点。

Description

一种基于神经网络模型和Xgboost的订单销量预测方法及 装置
技术领域
本发明属于人工智能技术领域，特别涉及一种基于神经网络模型和Xgboost的订单销量预测方法及装置。
背景技术
对于大多数生产制造企业，目前都在向以销定产方式进行销售，生产，供应链协同等方向的转型和升级。但面对瞬息万变的市场经济，无法准确的预测销售订单量，成为了现在企业的一大痛点和难点。订单预测的偏差导致企业库存积压而爆品脱销，生产和库存成本增加等一系列的问题和重大经济损失。
现在常见的销售订单预测方法是人工手动预测。由“客户”及需求者对下个周期的销售情况基于过往经验、季节性变化或供应者给出的销售策略进行订单预测报由上级供应者。供应者进行汇总及统一管理后输出至生产供应者的生产部分进行生产。预测级别一般是sku级，sku为最小存货单位，指一款商品，每款都有出现一个sku，便于电商品牌识别商品。因人类无法精确地掌握过多且负责的资料，仅依赖经验、先前的订单及库存资料，采用简单的回归或时间序列分析未来订单，无法确保其客观的预测准确率，及预测结果对生产降本增效的指导性分析作用。因此一种预测准确度高且具备可解释性的结果的预测方法受到迫切需要。
订单销量预测属于多元时序预测任务，该任务可以分为3个主要领域：机器学习、统计学习以及神经网络。在机器学习领域，杨佳慧于2021年在其硕士论文中提出了使用决策树模型进行订单延时预测，王德健等人于2020年提出了使用xgboost回归模型进行销量预测。在统计学习领域，刘飏等人于2010年提出了使用指数平滑法进行半导体生产库存预测，李永超等人于2013年提出了基于蒙特卡洛模拟的酒店分销平台订单预测。在神经网络领域，宋作玲于2007年提出了基于BP物料的卷烟配送中心订单预测，李浩等人于2020年提出了融合VGG与FCN的智能出租车订单预测模型。然而，目前的机器学习以及统计方法往往具有很强的先验假设，无法从下游任务中学习。同时，没有充分考虑到所有类型的订单数据，无法充分习得过往数据的时空关联信息，使得预测效果不太理想。神经网络领域的模型往往占有最高的准确率，然而缺乏一定的可解释性。
随着机器学习的蓬勃发展，更多的多元时序预测模型被设计开发出来达到更佳表现。其中，在订单预测领域表现最佳的莫过于temporal fusion transformer(TFT模型)。TFT由Google于2019年提出，使用Sequence to Sequence生成中间的时间序列特征，做多步预测。
本方案采取了TFT模型的思想，结合复杂的实际销量数据，优化了原有TFT模型的模型结构以及损失函数，并且通过Xgboost分类模型对输出区间做优化选择，如此大大提高了模型预测精度，并且在效率方面也超过了原有的人工预测方案。
发明内容
本发明的目的是针对现有技术中存在的上述问题，提供了一种基于神经网络模型和Xgboost的订单销量预测方法及装置。
本发明的第一个目的可通过下列技术方案来实现：一种基于神经网络模型和Xgboost的订单销量预测方法，其特征在于，包括以下步骤：
步骤S1:构建神经网络模型，预测下个月的sku销量，输出多个区间的预测值:
步骤S1.a：通过相加的方式聚合相同sku但是不同渠道的订单销量数据集；
步骤S1.b：构建训练以及验证订单销量数据集，将最后一个月数据作为验证数据集；
X＝{x1，x2，…,xt}，x1＞0
Ds＝{X1，Xi+1，…，Xk}， (1)
Ds为训练数据集，t为输入长度，k为sku单品数量；
步骤S1.c：区分静态特征以及动态特征:
静态特征为可预知特征，所述的静态特征包括动态特征；
动态特征为不可预知特征；
步骤S1.d：对静态特征进行类别编码：
对n个渠道特征每个赋予1至n的数字编码,再对静态特征映射，并与动态特征拼接：
η1＝Softmax(W1Xs+b1)
Figure BDA0004089748000000031
η2＝W2η1+b2
Figure BDA0004089748000000032
Figure BDA0004089748000000033
Xs为编码后的动态特征，W为模型权重，b为模型偏差值，zi为输入向量的元素，
Figure BDA0004089748000000035
为矩阵向量乘积；
步骤S1.e：拼接映射后的静态特征以及经过标准归一化的动态特征：
Figure BDA0004089748000000034
Figure BDA0004089748000000041
μ为均值，σ为标准差，Xt为归一化后的动态特征，
Figure BDA0004089748000000042
为模型输入
步骤S1.f：通过长短记忆模型LSTM来捕捉数据前后信息：
LSTM网络由在时刻T的输入数据
Figure BDA0004089748000000043
记忆细胞ct、瞬时记忆细胞/>
Figure BDA0004089748000000044
隐藏门ht、遗忘门ft、输出门ot组成，计算过程中提取记忆细胞中的有效信息，丢弃无效信息，得到输出，丢弃、记忆、输出由最后时刻的隐层状态ht-1控制，通过当前的输入数据/>
Figure BDA0004089748000000045
放入输出、遗忘、记忆门中计算输出：H＝{h0，h1，...，hn-1}；
步骤S1.g：利用多头注意力集中机制赋予特征不同的权重，
Figure BDA0004089748000000046
Figure BDA0004089748000000047
A为每个头的注意力，WQ、WK、WV等是模型参数，其中WV为各头共享权重，d为特征数量，最后拼接每个头的注意力得到输出
Figure BDA0004089748000000048
步骤S1.h：将
Figure BDA0004089748000000049
通过全连接层得到模型的输出，输出为区间型指标：
Figure BDA00040897480000000410
步骤S1.i：损失函数为区间型损失函数，(·)+＝max(0，..),M为样本个数，τ为设置的区间个数，q为设置的区间
Figure BDA00040897480000000411
步骤S1.j：将损失函数反向传播，更新模型参数；优化器为Adam，每组样本保留最优模型参数，下一组样本训练调用上一组样本训练得到的最优参数，最后一组样本训练完得到最终模型，并输出所有区间的预测结果；
步骤S2：训练分类模型Xgboost，判别最佳区间：
步骤S2.a：采集过往有效历史数据并放入模型之中预测得到过往区间结果
步骤S2.b：将过往区间结果对比真实值，得到最佳区间：
Figure BDA0004089748000000051
步骤S2.c：将过往的销量数据作为输入数据，最佳区间作为输出类别，将最新一个月的数据作为验证集，过往数据构建训练集；
步骤S2.d：训练分类预测模型Xgboost，XGBoost是以分类回归树(CART树)进行组合，CART回归树是假设树为二叉树，通过不断将特征进行分裂；Xgboost算法通过不断的增加数，不断的特征分裂来生长一棵树；每次添加一棵树，学习一个新的函数，拟合上次预测的残差：
Figure BDA0004089748000000052
Figure BDA0004089748000000053
Figure BDA0004089748000000054
K为树的总个数，
Figure BDA0004089748000000055
为预测值，fk表示第k颗树，yi表示样本xi的预测结果，损失函数Obj(θ)中/>
Figure BDA0004089748000000058
表示第i个样本的预测误差，Ω表示树的复杂度，γ为叶子个数，T为树的叶子节点个数，w为叶子节点的分支；
步骤S2.e：在测试数据集上验证模型精度，计算预测类别与真实类别的Accuracy，Recall，Precision，F1 Score作为评估指标：
Figure BDA0004089748000000056
Figure BDA0004089748000000057
Figure BDA0004089748000000061
Figure BDA0004089748000000062
TP代表分类器把正向的分类预测正确，TN代表分类器把负向的分类预测正常，FN代表分类器把正向的分类预测错误，FP代表分类器把负向的分类预测错误；最终提取最优分类模型作为区间分类模型来判别哪个区间最优。
在上述的基于神经网络模型和Xgboost的订单销量预测方法中，对于新品，选择最开始有销量的月份作为初始月份构建训练数据集。
在上述的基于神经网络模型和Xgboost的订单销量预测方法中，静态特征包含渠道、sku编码、月份。
在上述的基于神经网络模型和Xgboost的订单销量预测方法中，动态特征为包含订单销量、单价、金额。
在上述的基于神经网络模型和Xgboost的订单销量预测方法中，q为设置的区间采用{0.4，0.5，0.6，0.7，0.9}区间。
在上述的基于神经网络模型和Xgboost的订单销量预测方法中，初始学习率0.0001，每10轮学习率衰减0.5。
本发明的第二个目的可通过下列技术方案来实现：一种基于神经网络模型和Xgboost的订单销量预测装置，包括输入端、输出端、一个或多个处理器、存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行上述的基于神经网络模型和Xgboost的订单销量预测方法。
与现有技术相比，本发明具有将过往历史数据通过神经网络模型输出得到τ个区间的预测值，再通过Xgboost模型判别哪个区间的预测值最佳，将判别为最佳的预测值作为下一个周期的订单销量预测值的优点。
附图说明
图1是本发明的一种基于神经网络模型和Xgboost的订单销量预测方法的流程图。
图2是本发明的一种基于神经网络模型和Xgboost的订单销量预测方法的下个月销量预测值的流程图。
图3是本发明的一种基于神经网络模型和Xgboost的订单销量预测方法的步骤1流程图。
图4是本发明的一种基于神经网络模型和Xgboost的订单销量预测方法的步骤2流程图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
如图1-图4所示，本基于神经网络模型和Xgboost的订单销量预测方法，其特征在于，包括以下步骤：
步骤S1:构建神经网络模型，预测下个月的sku销量，输出多个区间的预测值:
步骤S1.a：通过相加的方式聚合相同sku但是不同渠道的订单销量数据集；
步骤S1.b：构建训练以及验证订单销量数据集，将最后一个月数据作为验证数据集；
X＝{x1，x2，...，xt}，x1＞0
Ds＝{Xi，Xi+1，...，Xk}， (1)
Ds为训练数据集，t为输入长度，k为sku单品数量；
步骤S1.c：区分静态特征以及动态特征:
静态特征为可预知特征，所述的静态特征包括动态特征；
动态特征为不可预知特征；
步骤S1.d：对静态特征进行类别编码：
对n个渠道特征每个赋予1至n的数字编码,再对静态特征映射，并与动态特征拼接：
η1＝Softmax(W1Xs+b1)
Figure BDA0004089748000000081
η2＝W2η1+b2
Figure BDA0004089748000000082
Figure BDA0004089748000000083
Xs为编码后的动态特征，W为模型权重，b为模型偏差值，zi为输入向量的元素，
Figure BDA0004089748000000084
为矩阵向量乘积；
步骤S1.e：拼接映射后的静态特征以及经过标准归一化的动态特征：
Figure BDA0004089748000000085
Figure BDA0004089748000000086
μ为均值，σ为标准差，Xt为归一化后的动态特征，
Figure BDA0004089748000000087
为模型输入
步骤S1.f：通过长短记忆模型LSTM来捕捉数据前后信息：
LSTM网络由在时刻T的输入数据
Figure BDA0004089748000000088
记忆细胞Ct、瞬时记忆细胞/>
Figure BDA0004089748000000089
隐藏门ht、遗忘门ft、输出门ot组成，计算过程中提取记忆细胞中的有效信息，丢弃无效信息，得到输出，丢弃、记忆、输出由最后时刻的隐层状态ht-1控制，通过当前的输入数据/>
Figure BDA0004089748000000091
放入输出、遗忘、记忆门中计算输出：H＝{h0，h1，…，hn-1}；
步骤S1.g：利用多头注意力集中机制赋予特征不同的权重，
Figure BDA0004089748000000092
Figure BDA0004089748000000093
A为每个头的注意力，WQ、WK、WV等是模型参数，其中WV为各头共享权重，d为特征数量，最后拼接每个头的注意力得到输出
Figure BDA0004089748000000094
步骤S1.h：将
Figure BDA0004089748000000095
通过全连接层得到模型的输出，输出为区间型指标：
Figure BDA0004089748000000096
步骤S1.i：损失函数为区间型损失函数，(·)+＝max(0，..),M为样本个数，τ为设置的区间个数，q为设置的区间
Figure BDA0004089748000000097
步骤S1.j：将损失函数反向传播，更新模型参数；优化器为Adam，每组样本保留最优模型参数，下一组样本训练调用上一组样本训练得到的最优参数，最后一组样本训练完得到最终模型，并输出所有区间的预测结果；
步骤S2：训练分类模型Xgboost，判别最佳区间：
步骤S2.a：采集过往有效历史数据并放入模型之中预测得到过往区间结果
步骤S2.b：将过往区间结果对比真实值，得到最佳区间：
Figure BDA0004089748000000098
步骤S2.c：将过往的销量数据作为输入数据，最佳区间作为输出类别，将最新一个月的数据作为验证集，过往数据构建训练集；
步骤S2.d：训练分类预测模型Xgboost，XGBoost是以分类回归树(CART树)进行组合，CART回归树是假设树为二叉树，通过不断将特征进行分裂；Xgboost算法通过不断的增加数，不断的特征分裂来生长一棵树；每次添加一棵树，学习一个新的函数，拟合上次预测的残差：
Figure BDA0004089748000000101
Figure BDA0004089748000000102
Figure BDA0004089748000000103
K为树的总个数，
Figure BDA0004089748000000104
为预测值，fk表示第k颗树，yi表示样本xi的预测结果，损失函数Obj(θ)中/>
Figure BDA0004089748000000105
表示第i个样本的预测误差，Ω表示树的复杂度，γ为叶子个数，T为树的叶子节点个数，w为叶子节点的分支；
步骤S2.e：在测试数据集上验证模型精度，计算预测类别与真实类别的Accuracy，Recall，Precision，F1 Score作为评估指标：
Figure BDA0004089748000000106
Figure BDA0004089748000000107
Figure BDA0004089748000000108
Figure BDA0004089748000000109
TP代表分类器把正向的分类预测正确，TN代表分类器把负向的分类预测正常，FN代表分类器把正向的分类预测错误，FP代表分类器把负向的分类预测错误；最终提取最优分类模型作为区间分类模型来判别哪个区间最优。
进一步细说，对于新品，选择最开始有销量的月份作为初始月份构建训练数据集。
进一步细说，所述静态特征包含渠道、sku编码、月份。
进一步细说，所述动态特征为包含订单销量、单价、金额。
进一步细说，q为设置的区间采用{0.4，0.5，0.6，0.7，0.9}区间。
进一步细说，初始学习率0.0001，每10轮学习率衰减0.5。
本发明的第二个目的可通过下列技术方案来实现：一种基于神经网络模型和Xgboost的订单销量预测装置，包括输入端、输出端、一个或多个处理器、存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行上述的基于神经网络模型和Xgboost的订单销量预测方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了大量术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (7)

1.一种基于神经网络模型和Xgboost的订单销量预测方法，其特征在于，包括以下步骤：
步骤S1：构建神经网络模型，预测下个月的sku销量，输出多个区间的预测值：
步骤S1.a：通过相加的方式聚合相同sku但是不同渠道的订单销量数据集；
步骤S1.b：构建训练以及验证订单销量数据集，将最后一个月数据作为验证数据集；
X＝{x1，x2，...,xt},x1＞0
Ds＝{Xi，Xi+1，...，Xk}， (1)
Ds为训练数据集，t为输入长度，k为sku单品数量；
步骤S1.c：区分静态特征以及动态特征：
静态特征为可预知特征，所述的静态特征包括动态特征；
动态特征为不可预知特征；
步骤S1.d：对静态特征进行类别编码：
对n个渠道特征每个赋予1至n的数字编码，再对静态特征映射，并与动态特征拼接：
η1＝Softmax(W1Xs+b1)
Figure FDA0004089747990000011
η2＝W2η1+b2
Figure FDA0004089747990000012
Figure FDA0004089747990000013
Xs为编码后的动态特征，W为模型权重，b为模型偏差值，zi为输入向量的元素，⊙为矩阵向量乘积；
步骤S1.e：拼接映射后的静态特征以及经过标准归一化的动态特征：
Figure FDA0004089747990000021
Figure FDA0004089747990000022
μ为均值，σ为标准差，Xt为归一化后的动态特征，
Figure FDA0004089747990000023
为模型输入；
步骤S1.f：通过长短记忆模型LSTM来捕捉数据前后信息：
LSTM网络由在时刻T的输入数据
Figure FDA0004089747990000024
记忆细胞Ct、瞬时记忆细胞/>
Figure FDA0004089747990000025
隐藏门ht、遗忘门ft、输出门ot组成，计算过程中提取记忆细胞中的有效信息，丢弃无效信息，得到输出，丢弃、记忆、输出由最后时刻的隐层状态ht-1控制，通过当前的输入数据/>
Figure FDA0004089747990000028
放入输出、遗忘、记忆门中计算输出：H＝{h0，h1，...，hn-1}；
步骤S1.g：利用多头注意力集中机制赋予特征不同的权重，
Figure FDA0004089747990000026
Figure FDA0004089747990000027
A为每个头的注意力，WQ、WK、WV等是模型参数，其中WV为各头共享权重，d为特征数量，最后拼接每个头的注意力得到输出
Figure FDA0004089747990000029
步骤S1.h：将
Figure FDA00040897479900000210
通过全连接层得到模型的输出，输出为区间型指标：
Figure FDA00040897479900000211
步骤S1.i：损失函数为区间型损失函数，(·)+＝max(0，..)，M为样本个数，τ为设置的区间个数，q为设置的区间：
Figure FDA0004089747990000031
步骤S1.j：将损失函数反向传播，更新模型参数；优化器为Adam，每组样本保留最优模型参数，下一组样本训练调用上一组样本训练得到的最优参数，最后一组样本训练完得到最终模型，并输出所有区间的预测结果；
步骤S2：训练分类模型Xgboost，判别最佳区间：
步骤S2.a：采集过往有效历史数据并放入模型之中预测得到过往区间结果
步骤S2.b：将过往区间结果对比真实值，得到最佳区间：
Figure FDA0004089747990000032
步骤S2.c：将过往的销量数据作为输入数据，最佳区间作为输出类别，将最新一个月的数据作为验证集，过往数据构建训练集；
步骤S2.d：训练分类预测模型Xgboost，XGBoost是以分类回归树(CART树)进行组合，CART回归树是假设树为二叉树，通过不断将特征进行分裂；Xgboost算法通过不断的增加数，不断的特征分裂来生长一棵树；每次添加一棵树，学习一个新的函数，拟合上次预测的残差：
Figure FDA0004089747990000033
Figure FDA0004089747990000034
Figure FDA0004089747990000035
K为树的总个数，
Figure FDA0004089747990000036
为预测值，fk表示第k颗树，yi表示样本xi的预测结果，损失函数Obj(θ)中/>
Figure FDA0004089747990000037
表示第i个样本的预测误差，Ω表示树的复杂度，γ为叶子个数，T为树的叶子节点个数，w为叶子节点的分支；
步骤S2.e：在测试数据集上验证模型精度，计算预测类别与真实类别的Accuracy，Recall，Precision，F1 Score作为评估指标：
Figure FDA0004089747990000041
Figure FDA0004089747990000042
Figure FDA0004089747990000043
Figure FDA0004089747990000044
TP代表分类器把正向的分类预测正确，TN代表分类器把负向的分类预测正常，FN代表分类器把正向的分类预测错误，FP代表分类器把负向的分类预测错误；最终提取最优分类模型作为区间分类模型来判别哪个区间最优。
2.根据权利要求1所述的一种基于神经网络模型和XGBOOST的订单销量预测方法，其特征在于，对于新品，选择最开始有销量的月份作为初始月份构建训练数据集。
3.根据权利要求1所述的一种基于神经网络模型和XGBOOST的订单销量预测方法，其特征在于，所述静态特征包含渠道、sku编码、月份。
4.根据权利要求1所述的一种基于神经网络模型和XGBOOST的订单销量预测方法，其特征在于，所述动态特征为包含订单销量、单价、金额。
5.根据权利要求1所述的一种基于神经网络模型和XGBOOST的订单销量预测方法，其特征在于，q为设置的区间采用{0.4，0.5，0.6，0.7，0.9}区间。
6.根据权利要求1所述的一种基于神经网络模型和XGBOOST的订单销量预测方法，其特征在于，初始学习率0.0001，每10轮学习率衰减0.5。
7.一种基于神经网络模型和Xgboost的订单销量预测装置，包括输入端、输出端、一个或多个处理器、存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1-6任意一项所述的一种基于神经网络模型和Xgboost的订单销量预测方法。
CN202310147946.XA 2023-02-09 2023-02-09 一种基于神经网络模型和Xgboost的订单销量预测方法及装置 Pending CN116308482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310147946.XA CN116308482A (zh) 2023-02-09 2023-02-09 一种基于神经网络模型和Xgboost的订单销量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310147946.XA CN116308482A (zh) 2023-02-09 2023-02-09 一种基于神经网络模型和Xgboost的订单销量预测方法及装置

Publications (1)

Publication Number Publication Date
CN116308482A true CN116308482A (zh) 2023-06-23

Family

ID=86778922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310147946.XA Pending CN116308482A (zh) 2023-02-09 2023-02-09 一种基于神经网络模型和Xgboost的订单销量预测方法及装置

Country Status (1)

Country Link
CN (1) CN116308482A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370770A (zh) * 2023-12-08 2024-01-09 江苏米特物联网科技有限公司 一种基于Shapelet-XGboost的酒店负荷综合预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370770A (zh) * 2023-12-08 2024-01-09 江苏米特物联网科技有限公司 一种基于Shapelet-XGboost的酒店负荷综合预测方法
CN117370770B (zh) * 2023-12-08 2024-02-13 江苏米特物联网科技有限公司 一种基于Shapelet-XGboost的酒店负荷综合预测方法

Similar Documents

Publication Publication Date Title
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN106022549A (zh) 基于神经网络和思维演化搜索的短期负荷预测方法
CN109034861A (zh) 基于移动端日志行为数据的用户流失预测方法及装置
Kaboli et al. An expression-driven approach for long-term electric power consumption forecasting
CN116264388A (zh) 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法
KR20200045416A (ko) 프로젝트 가속화의 자동화된 평가
CN112396234A (zh) 一种基于时域卷积神经网络的用户侧负荷概率预测方法
CN114757104B (zh) 一种串联闸群调水工程水力实时调控模型的构建方法
CN113360848A (zh) 一种时序数据预测方法及装置
CN112686693A (zh) 电力现货市场边际电价预测方法、系统、设备及存储介质
CN111697560B (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN116308482A (zh) 一种基于神经网络模型和Xgboost的订单销量预测方法及装置
CN113919944A (zh) 基于强化学习算法与时间序列模型的股票交易方法及系统
Inteha A GRU-GA hybrid model based technique for short term electrical load forecasting
Wang et al. An electricity load forecasting model based on multilayer dilated LSTM network and attention mechanism
CN115049102A (zh) 一种电价预测方法、装置、移动终端及存储介质
CN114626898A (zh) 一种销量预测方法、工具、系统、设备及存储介质
Amal Crude palm oil price prediction using multilayer perceptron and long short-term memory
CN116757829A (zh) 基于lstm的房地产贷款预测方法
CN116703607A (zh) 一种基于扩散模型的金融时间序列预测方法与系统
Irankhah et al. A parallel CNN-BiGRU network for short-term load forecasting in demand-side management
CN114971688A (zh) 一种基于组合模型的供应链生产预测方法
Porteiro et al. Forecasting hourly electricity demand of Uruguay for the next day using artificial neural networks
Nagashima et al. Data Imputation Method based on Programming by Example: APREP-S
Ahmia et al. Multi-model approach for electrical load forecasting

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