CN116957640A - 产品销量预测方法及系统 - Google Patents
产品销量预测方法及系统 Download PDFInfo
- Publication number
- CN116957640A CN116957640A CN202310833606.2A CN202310833606A CN116957640A CN 116957640 A CN116957640 A CN 116957640A CN 202310833606 A CN202310833606 A CN 202310833606A CN 116957640 A CN116957640 A CN 116957640A
- Authority
- CN
- China
- Prior art keywords
- data
- test
- sales
- rmse
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 35
- 238000013112 stability test Methods 0.000 claims description 20
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005311 autocorrelation function Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000009499 grossing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产品销量预测方法及系统,方法包括:获取产品历史销量数据;调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE;挑选均方根误差RMSE最小的值作为结果。本发明通过使用多种算法进行预测,可以兼顾不同销量变化特性的产品,例如季节性需求和零星需求;取拟合度最优的算法作为最终预测值,可以提高预测的准确性;采用计算机程序进行预测,可大幅减少库存维护的人工工作量,进而提高运营效率并降低成本。
Description
本申请的优先权信息如下:
申请号:CN202210800386.9
申请日:2022.07.08
发明名称:一种产品销量预测方法及系统
技术领域
本发明涉及数据处理技术领域,尤其涉及一种产品销量预测方法及系统。
背景技术
在MRO工业品采购场景中,客户需求会随其生产情况,季节,消费者需求等多方面因素影响,并且采购产品具有品类多,不同品类数量差异大的特点。为及时满足客户需求,供应商需要建设仓库,提前储备各种产品,但随之而来的问题是如何高效的通过补货来保持健康的库存水平。现有方式是销售计划专员依据客户提供的需求预测,以及以往的销量数据做出大致估算;这种依赖于个人经验的方式存在以下问题:(1)难以保证预测的准确性;(2)人工预测需求效率低;(3)预测难度大。最终使得库存水平较高,或者无法及时满足客户需求,导致了服务质量的降低并且拉高了整体运营成本。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种产品销量预测方法及系统。
根据本发明提供的一种产品销量预测方法,包括:
获取产品历史销量数据;
调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE;
挑选均方根误差RMSE最小的值作为结果。
进一步的,所述调用不同的预测算法,包括:差分整合移动平均自回归模型ARIMA、Croston方法、Holt-Winters方法、移动平均MA,其中Holt-Winters方法为加法模型和乘法模型。
进一步的,所述差分整合移动平均自回归模型ARIMA包括:
步骤1:收集产品历史销量数据,产品历史销量数据包含时间信息;
步骤2:将收集到的产品历史销量数据按照时间维度所需粒度填充至整个时间长度,得到数据序列;
步骤3:对填充长度后的数据序列进行平稳性检验;
步骤4:对于不满足平稳性要求的数据序列,进行数据转换并回到步骤3,对于满足平稳性要求的数据序列进入步骤5,对于依旧不满足平稳性要求的数据序列则终止处理;
步骤5:对通过平稳性检验的数据序列进行白噪声检验;
步骤6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算;
步骤7:对构造的差分整合移动平均自回归模型ARIMA进行参数显著性检验和残差分析。
进一步的,所述步骤3包括:
步骤3.1:对填充长度后的数据序列进行首次平稳性检验;
步骤3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处理并进行再次平稳性检验,若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入步骤4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入步骤5。
进一步的,所述步骤4包括:
对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行步骤3的平稳性检验,若通过平稳性检验,则进入步骤5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
进一步的,所述步骤5包括:
对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF和偏相关函数PACF建立时序图,通过抽象两个函数图像,识别建立差分整合移动平均自回归模型ARIMA的参数:自回归项数p和滑动平均项数q;对不通过白噪声检验的数据序列终止处理流程。
进一步的,所述调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE的步骤,包括:
将历史销量数据按照时间段划分为两部分,调用算法并使用第一部分参与计算,得到预测结果,并使预测结果的时间范围与第二部分的时间范围相同;
使用上述预测结果及第二部分销量数据计算RMSE。
进一步的,挑选RMSE最小的值作为结果的步骤包括:针对同一产品,分别使用上述不同的预测算法计算出预测值和RMSE,然后取RMSE值最小的一种算法作为该产品的销量预测值。
进一步的,所述均方根误差RMSE的计算步骤为:
其中,为销量预测值;yi为对应月份的历史销量;n为时间跨度。
进一步的,所述挑选均方根误差RMSE最小的值作为结果具体为:通过将每种算法的预测结果存储到数据库,再通过SQL结构化查询语言将各个结果进行聚合,并挑选RMSE最小的值作为结果。
根据本发明提供的一种产品销量预测系统,包括:
数据获取模块,用于获取产品历史销量数据;
数据计算模块,用于调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE;
数据输出模块,用于挑选均方根误差RMSE最小的值作为结果。
与现有技术相比,本发明具有如下的有益效果:
本发明通过使用多种算法进行预测,可以兼顾不同销量变化特性的产品,例如季节性需求和零星需求;取拟合度最优的算法作为最终预测值,可以提高预测的准确性;采用计算机程序进行预测,可大幅减少库存维护的人工工作量,进而提高运营效率并降低成本。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明实施例的销量预测方法流程示意图;
图2是本发明实施例的销量预测方法的功能模块示意图;
图3是本发明差分整合移动平均自回归模型ARIMA的预测流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1是本发明实施例的销量预测方法流程示意图。如图1所示,本发明实施例的销量预测方法,主要包括以下步骤:
步骤S1:获取产品历史销量数据;表1为一实施例的历史销量数据,展示了部分商品最近12个月的历史销量。
表1历史销量数据
步骤S2:调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差(RMSE)。RMSE的计算方式为:将历史销量数据按照时间段划分为两部分(比如第一部分为按照自然月的12个月前至9个月前的历史销量数据,第二部分为最近的3个月的历史销量数据),调用算法并使用第一部分参与计算,得到预测结果,并使预测结果的时间范围与第二部分的时间范围相同(比如使用12个月前至9个月前的历史销量数据预测出最近3个月的销量);
使用上述预测结果及第二部分销量数据计算RMSE;其计算方法为:
其中,为销量预测值;yi为对应月份的历史销量;n为时间跨度(比如,比较最近3个月的销量预测值与真实销量,则n=3)。
步骤S3:通过将每种算法的预测结果存储到数据库(如MySQL),再通过SQL结构化查询语言将各个结果进行聚合,并挑选RMSE最小的值作为结果,该步骤为计算机程序定时自动运行。
不同的预测算法如图2所示,其中,如图3所示,差分整合移动平均自回归模型ARIMA包括:
步骤1:收集用于预测的历史数据(产品历史销量数据),并且收集到的数据要包含必要的时间信息,以满足时间序列数据的基本要求。
步骤2:将收集到的历史数据按照时间维度所需粒度填充至整个时间长度。
步骤3:对补充长度后的数据序列进行平稳性检验。平稳性检验又称为单位根检验,该检验的零假设是时间序列可以用单位根表示。采用迭代循环的方式,解决了平稳性检验和差分阶数d的人工选择的问题。
步骤3包括如下步骤:
步骤3.1:对于平稳性检验不通过的数据序列,进行首次差分处理(yt-yt-1),其中yt是t时刻的历史销量。
步骤3.2:对于首次差分后的数据序列再次进行数据平稳性检验,循环此步骤直至差分达到两次的上限。对于通过平稳性检验的数据序列,则进入步骤5。
步骤4:对于两次差分后仍不满足数据平稳性要求的数据序列,进行数据转换。采用对数据进行对数转换、box-cox转换的数据处理方式,解决了直接使用数据序列进行白噪声检验通过率不及预期的问题。
步骤4.1:对原数据序列进行对数转换得到转换序列。
步骤4.2:对转换序列执行步骤3;
步骤4.3:通过数据平稳性检验的转换序列进行后续步骤5,不通过的转换序列终止,不进行以下流程。
步骤5:数据序列包含原序列的差分序列或转换序列,对通过平稳性检验数据序列进行白噪声检验,记录差分阶数d。通过抽象自相关函数和偏相关函数的函数图像规律,建立程序判断标准,解决了人工确立自回归项数p、滑动平均项数q的效率局限性。
步骤5包括如下步骤:
步骤5.1:对白噪声检验通过的数据序列,根据自相关函数ACF(Auto CorrelationFunction)和偏相关函数PACF(Partial Correlation Function)建立时序图,通过抽象两个函数图像,识别建立ARIMA算法模型的参数:自回归项数p和滑动平均项数q。
步骤5.2:白噪声检验不通过的数据序列终止流程。
步骤6:将以上步骤中得到的差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA运算。
步骤7:对构造的差分整合移动平均自回归模型ARIMA进行参数显著性检验和残差分析。
图2是本发明实施例的销量预测方法的功能模块示意图。主要包括:
模块S21(ARIMA模型):差分整合移动平均自回归模型。其计算公式为:
其中,p为自回归项数,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数),L是滞后算子,φi是自回归系数,Xt是t时刻的历史销量,θi是滑动平均项数,εt是t时刻与真实值的误差。ARIMA模型对于季节性,周期性变化较弱的商品销量预测效果较好。
模块S22(Croston方法):其计算公式为:
其中,根据原始的时间序列构造两个新的序列,并指出哪些时间段包含零值以及哪些时间段包含非零值。设qi为第i个非零值,ai为qi-1与qi之间的时间间隔。Croston方法对两个新序列a和q分别进行简单的指数平滑预测。q为历史销量,a为间隔时间。α为平滑指数,取值范围(0,1)。对时间T+h对应的h步预测由上述q与a的比率给出。Croston方法更适合对零星的,间歇性的需求进行预测。
模块S23(Holt-Winters方法(加法模块)),其计算公式为:
lt=α(yt-st-m)+(1-α)(lt-1+bt-1)
bt=β*(lt-lt-1)+(1-β*)bt-1
st=γ(yt-lt-1-bt-1)+(1-γ)st-m,
Holt-Winters季节性方法包括预测方程和三个平滑方程:一个用于水平lt,一个用于趋势bt,另一个用于季节性分量st,是要进行预测的时间到预测当期的间隔期数,相应的平滑参数分别为α,β*和γ。我们用m来表示季节频率,即一年中包含的季节数。例如,季度数据的m=4,月度数据的m=12。这种模型更适合对季节性,趋势性较明显的商品销量进行预测。
模块S24(Holt-Winters方法(乘法模块)),其计算公式为:
bt=β*(lt-lt-1)+(1-β*)bt-1
Holt-winters乘法模型与加法模型相比,更适合季节变化与时间序列的水平成比例变化时的情况。
模块S25(MA):移动平均模型使用过去一段时间(窗口)内的历史销量数据来预测未来一段时间的销量,更适合对短期的需求进行预测。
本发明还提供一种产品销量预测系统,所述产品销量预测系统可以通过执行所述产品销量预测方法的流程步骤予以实现,即本领域技术人员可以将所述产品销量预测方法理解为所述产品销量预测系统的优选实施方式。
一种产品销量预测系统,包括:
数据获取模块,用于获取产品历史销量数据。
数据计算模块,用于调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE。
数据输出模块,用于挑选均方根误差RMSE最小的值作为结果。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种产品销量预测方法,其特征在于,包括:
获取产品历史销量数据;
调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE;
挑选均方根误差RMSE最小的值作为结果。
2.如权利要求1所述的一种产品销量预测方法,其特征在于,所述调用不同的预测算法,包括:差分整合移动平均自回归模型ARIMA、Croston方法、Holt-Winters方法、移动平均MA,其中Holt-Winters方法为加法模型和乘法模型。
3.如权利要求2所述的一种产品销量预测方法,其特征在于,所述差分整合移动平均自回归模型ARIMA包括:
步骤1:收集产品历史销量数据,产品历史销量数据包含时间信息;
步骤2:将收集到的产品历史销量数据按照时间维度所需粒度填充至整个时间长度,得到数据序列;
步骤3:对填充长度后的数据序列进行平稳性检验;
步骤4:对于不满足平稳性要求的数据序列,进行数据转换并回到步骤3,对于满足平稳性要求的数据序列进入步骤5,对于依旧不满足平稳性要求的数据序列则终止处理;
步骤5:对通过平稳性检验的数据序列进行白噪声检验;
步骤6:对通过白噪声检验的数据序列,获取差分阶数d、自回归项数p、滑动平均项数q带入差分整合移动平均自回归模型ARIMA进行运算;
步骤7:对构造的差分整合移动平均自回归模型ARIMA进行参数显著性检验和残差分析。
4.如权利要求3所述的一种产品销量预测方法,其特征在于,所述步骤3包括:
步骤3.1:对填充长度后的数据序列进行首次平稳性检验;
步骤3.2:若首次平稳性检验不通过,则对数据序列进行首次差分处理并进行再次平稳性检验,若再次平稳性检验不通过,则对数据序列进行再次差分处理和第三次平稳性检验,若第三次平稳性检验不通过,则进入步骤4,若通过首次平稳性检验、再次平稳性检验或第三次平稳性检验,则进入步骤5。
5.如权利要求4所述的一种产品销量预测方法,其特征在于,,所述步骤4包括:
对于平稳性检验不通过的数据序列进行数据转换,并对转换后的数据序列执行步骤3的平稳性检验,若通过平稳性检验,则进入步骤5,若不通过平稳性检验,则终止对该转换后的数据序列的处理流程。
6.如权利要求4所述的一种产品销量预测方法,其特征在于,,所述步骤5包括:
对数据序列进行白噪声检验,对通过白噪声检验的数据序列,根据自相关函数ACF和偏相关函数PACF建立时序图,通过抽象两个函数图像,识别建立差分整合移动平均自回归模型ARIMA的参数:自回归项数p和滑动平均项数q;对不通过白噪声检验的数据序列终止处理流程。
7.如权利要求1所述的一种产品销量预测方法,其特征在于,所述调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE的步骤,包括:
将历史销量数据按照时间段划分为两部分,调用算法并使用第一部分参与计算,得到预测结果,并使预测结果的时间范围与第二部分的时间范围相同;
使用上述预测结果及第二部分销量数据计算RMSE。
8.如权利要求1所述的一种产品销量预测方法,其特征在于,挑选RMSE最小的值作为结果的步骤包括:针对同一产品,分别使用上述不同的预测算法计算出预测值和RMSE,然后取RMSE值最小的一种算法作为该产品的销量预测值;
所述挑选均方根误差RMSE最小的值作为结果具体为:通过将每种算法的预测结果存储到数据库,再通过SQL结构化查询语言将各个结果进行聚合,并挑选RMSE最小的值作为结果。
9.如权利要求7所述的一种产品销量预测方法,其特征在于,所述均方根误差RMSE的计算步骤为:
其中,为销量预测值;yi为对应月份的历史销量;n为时间跨度。
10.一种产品销量预测系统,其特征在于,包括:
数据获取模块,用于获取产品历史销量数据;
数据计算模块,用于调用不同的预测算法,并将预测值与部分历史销量数据比较,计算出均方根误差RMSE;
数据输出模块,用于挑选均方根误差RMSE最小的值作为结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210800386.9A CN115170191A (zh) | 2022-07-08 | 2022-07-08 | 一种产品销量预测方法及系统 |
CN2022108003869 | 2022-07-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957640A true CN116957640A (zh) | 2023-10-27 |
Family
ID=83493803
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210800386.9A Pending CN115170191A (zh) | 2022-07-08 | 2022-07-08 | 一种产品销量预测方法及系统 |
CN202310833606.2A Pending CN116957640A (zh) | 2022-07-08 | 2023-07-07 | 产品销量预测方法及系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210800386.9A Pending CN115170191A (zh) | 2022-07-08 | 2022-07-08 | 一种产品销量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115170191A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957471B (zh) * | 2023-07-29 | 2024-03-19 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、系统、电子设备及存储介质 |
-
2022
- 2022-07-08 CN CN202210800386.9A patent/CN115170191A/zh active Pending
-
2023
- 2023-07-07 CN CN202310833606.2A patent/CN116957640A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115170191A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
CN109784979B (zh) | 一种大数据驱动的供应链需求预测方法 | |
CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
US10740773B2 (en) | Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities | |
CN107563705A (zh) | 利用大数据分析家电产品安全库存及再订货的系统和方法 | |
CN110019420B (zh) | 一种数据序列预测方法及计算设备 | |
CN111915254A (zh) | 一种适用于汽车售后配件的库存优化控制方法和系统 | |
CN108921702A (zh) | 基于大数据的园区招商方法及装置 | |
Siregar et al. | Forecasting of raw material needed for plastic products based in income data using ARIMA method | |
Qiu et al. | Multivariate time series analysis from a Bayesian machine learning perspective | |
CN116957640A (zh) | 产品销量预测方法及系统 | |
CN111738505A (zh) | 银行网点工作量预测方法和装置、电子设备及存储介质 | |
CN109886737A (zh) | 需求预测方法、装置、电子设备及可读存储介质 | |
CN106056239A (zh) | 一种产品库存预测方法及装置 | |
JP2020112847A (ja) | 水需要予測方法およびシステム | |
CN114782065A (zh) | 一种基于模型组合的商品销量预测方法、装置及存储介质 | |
CN116187650A (zh) | 针对产品零部件的自主机器学习需求预测方法及系统 | |
Ivanov et al. | Demand forecasting | |
CN111738507A (zh) | 银行清算头寸资金备付量预测方法和装置、设备及介质 | |
Vithitsoontorn et al. | Demand forecasting in production planning for dairy products using machine learning and statistical method | |
CN116957639A (zh) | 基于arima算法自适应参数选择的方法及系统 | |
CN105354644A (zh) | 一种基于集成经验模态分解和1-范数支持向量机分位数回归的金融时间序列预测方法 | |
CN116843378A (zh) | 一种基于深度学习的五金配件供应预测方法及系统 | |
CN111738506A (zh) | 现金中心现金库存用量预测方法和装置、电子设备及介质 | |
CN115018553A (zh) | 基于深度学习的区域物流单量预测系统及方法 |
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 |