CN117131753A - 一种信息预测方法、装置、设备和存储介质 - Google Patents
一种信息预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117131753A CN117131753A CN202210540750.2A CN202210540750A CN117131753A CN 117131753 A CN117131753 A CN 117131753A CN 202210540750 A CN202210540750 A CN 202210540750A CN 117131753 A CN117131753 A CN 117131753A
- Authority
- CN
- China
- Prior art keywords
- target
- demand
- information
- determining
- 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 53
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 61
- 238000007637 random forest analysis Methods 0.000 claims description 20
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明实施例公开了一种信息预测方法、装置、设备和存储介质,该方法包括:获取目标物品在当前日期之前的历史时间段内的历史物品信息以及目标物品对应的预设库存满足率;确定用于预测目标未来日期的需求量信息的目标预测网络模型;将历史物品信息和预设库存满足率输入至目标预测网络模型中,目标预测网络模型是基于历史物品信息确定出相应的条件概率分布信息,并基于条件概率分布信息和预设库存满足率进行分位数预测的;获取目标预测网络模型输出的第一预测需求量,并将第一预测需求量作为在目标未来日期目标物品对应的目标预测需求量。通过本发明实施例的技术方案,可以提高需求量信息预测的准确性。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种信息预测方法、装置、设备和存储介质。
背景技术
随着大数据的发展和物流科技信息化进程的加快,企业供应链数据呈爆炸式增长,且种类繁多、关系网络复杂,而传统时序点预测模型已经不能适应供应链大数据需求预测,更不能依据需求预测进行有效的库存管理。
目前,可以基于分位数回归模型进行不同分位点的信息预测,从而可以获得用户所要求的服务水平,即库存满足率对应的预测结果,以便实现库存的有效管理。
然而,在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
利用现有的分位数回归模型预测时需要进行分布假设,然而假设的分布情况通常与实际需求量的分布情况存在偏差,从而降低了需求量信息预测的准确性。
发明内容
本发明实施例提供了一种信息预测方法、装置、设备和存储介质,以提高需求量信息预测的准确性。
第一方面,本发明实施例提供了一种信息预测方法,包括:
获取目标物品在当前日期之前的历史时间段内的历史物品信息以及所述目标物品对应的预设库存满足率;
确定用于预测目标未来日期的需求量信息的目标预测网络模型;
将所述历史物品信息和所述预设库存满足率输入至所述目标预测网络模型中,所述目标预测网络模型是基于所述历史物品信息确定出相应的条件概率分布信息,并基于所述条件概率分布信息和所述预设库存满足率进行分位数预测的;
获取所述目标预测网络模型输出的第一预测需求量,并将所述第一预测需求量作为在所述目标未来日期所述目标物品对应的目标预测需求量。
第二方面,本发明实施例还提供了一种信息预测装置,包括:
信息获取模块,用于获取目标物品在当前日期之前的历史时间段内的历史物品信息以及所述目标物品对应的预设库存满足率;
目标预测网络模型确定模块,用于确定用于预测目标未来日期的需求量信息的目标预测网络模型;
信息输入模块,用于将所述历史物品信息和所述预设库存满足率输入至所述目标预测网络模型中,所述目标预测网络模型是基于所述历史物品信息确定出相应的条件概率分布信息,并基于所述条件概率分布信息和所述预设库存满足率进行分位数预测的;
目标预测需求量确定模块,用于获取所述目标预测网络模型输出的第一预测需求量,并将所述第一预测需求量作为在所述目标未来日期所述目标物品对应的目标预测需求量。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的信息预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的信息预测方法。
上述发明中的实施例具有如下优点或有益效果:
通过将目标物品对应的历史物品信息和预设库存满足率输入至用于预测目标未来日期的需求量信息的目标预测网络模型中,目标预测网络模型是基于目标历史信息动态确定出相应的条件概率分布信息,并基于条件概率分布信息和预设库存满足率进行分位数预测的,从而利用目标预测网络模型进行不同分位点的预测无需进行分布假设,避免了假设分布与实际需求量分布不一致所带来的预测偏差,提高了需求量信息预测的准确性。
附图说明
图1是本发明实施例一提供的一种信息预测方法的流程图;
图2是本发明实施例二提供的一种信息预测方法的流程图;
图3是本发明实施例三提供的一种信息预测方法的流程图;
图4是本发明实施例四提供的一种信息预测装置的结构示意图;
图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种信息预测方法的流程图,本实施例可适用于对物品在未来预测日期内的需求量信息进行预测的情况。该方法可以由信息预测装置来执行,该装置可以由软件和/或硬件的方式来实现,集成于电子设备中。如图1所示,该方法具体包括以下步骤:
S110、获取目标物品在当前日期之前的历史时间段内的历史物品信息以及目标物品对应的预设库存满足率。
其中,目标物品可以是指待预测需求量的SKU(Stock Keeping Unit,库存量单位)粒度的物品。历史时间段可以是指当前日期之前预设天数的时间段。历史物品信息可以包括目标物品的历史需求量。历史需求量可以是指目标物品在历史时间段内的每天销量。历史物品信息还可以包括目标物品的品类、价格、尺寸大小、体积和颜色等物品特征信息,以便进一步提高预测准确性。预设库存满足率可以是预先基于所要求的服务水平设置的仓库不缺货的概率,用于表征满足用户需求的能力。预设库存满足率越高,缺货概率越小,服务水平越高,但会导致仓库的积压成本越高,从而为了保证一定的流动资金,用户会将预设库存满足率设置为小于100%的数值,比如90%,以便减少一部分的库存积压。本实施例可以将预设库存满足率作为预设分位点进行分位数预测,以便可以基于用户要求的服务水平进行预测,获得不同分位点,即不同库存满足率对应的分位数预测结果,从而避免了因均值预测而抹去的波动信息。
具体地,可以从数据库中获取目标物品在当前日期之前的历史订单数据,并可以剔除历史订单数据中的大于预设值的需求量,并可以利用预设历史天数的库存均值进行需求量回填,以避免预测结果受到极高的需求量的影响。根据历史订单数据可以统计出目标物品在历史时间段内连续的日需求量,从而获得目标物品的历史需求量信息。还可以获取目标物品的品类、价格、尺寸大小、体积和颜色等物品特征信息,作为历史物品信息,以便进一步提高需求量信息预测的准确性。
S120、确定用于预测目标未来日期的需求量信息的目标预测网络模型。
其中,目标未来日期可以是指当前需要预测需求量的日期。例如,若当前日期还未发生物品销量,则可以将当前日期作为目标未来日期的方式预测当前日期的目标物品的需求量,此时可以将当前日期视为未来第一天的日期。可以将当前日期之后的任一日期作为目标未来日期进行需求量信息的预测。本实施例可以利用不同的预测网络模型来预测不同的未来日期的需求量信息,以便保证预测的准确性。本实施例中的目标预测网络模型可以是用于实现信息预测的任意一种网络架构。例如,目标预测网络模型可以是但不限于目标随机森林模型。
具体地,本实施例可以实时构建出用于预测目标未来日期的需求量信息的目标预测网络模型,也可以预先构建出每个未来日期对应的预测网络模型,以便可以从预先构建好的各个预测网络模型中直接选择目标预测网络模型,提高预测效率。
示例性地,S120可以包括:获取预先基于每个预测时间间隔对应的样本物品信息构建出的每个预测时间间隔对应的预测网络模型;确定目标未来日期与当前日期之间的目标时间间隔;将每个预测时间间隔对应的预测网络模型与目标时间间隔进行匹配,获得目标时间间隔对应的目标预测网络模型。
其中,预测时间间隔可以是指待预测的未来日期与当前日期之间的天数。例如,当前日期为10月20日,未来日期为10月21日,则预测时间间隔为1天。针对不同的预测时间间隔可以构建不同的预测网络模型。例如,预设时间间隔为0,则可以构建出用于预测未来第1天的预测网络模型。预设时间间隔为1,则可以构建出用于预测未来第2天的预测网络模型。针对不同的预测时间间隔,获取相应的样本物品信息。例如,在预设时间间隔为0时,当前日期为10月20日,此时可以利用历史的9月1日到9月19日的历史物品信息去预测在9月20日设置的库存满足率下的9月20日的需求量信息,也就是将9月1日到9月19日的历史物品信息作为样本物品信息以及将9月20日的实际需求量作为标准预测结果进行预测网络的构建训练,从而可以获得用于预测未来第1天的预测网络模型,进而利用该预测网络模型,可以基于10月1日到10月19日的历史物品信息预测出在给定库存满足率下的10月20日的需求量结果。
具体地,针对每个预测时间间隔而言,可以利用现有预测网络的构建训练方式,基于该预测时间间隔对应的样本物品信息构建训练出相应的预测网络模型,产生大量的随机树模型。在构建预测网络模型的过程中,对于每个树模型和每个树模型中的每个节点,在选择要分割的特征变量时都采用随机抽样的方式。每个树模型使用的训练样本是通过有放回的随机抽样的方式获得的。每个树模型中的每个节点上只考虑样本物品信息的一个随机子集(即预设个数的特征信息)进行分点选择,随机子集的大小是模型的单一调优参数。本实施例不直接采用pinball损失函数最小化,而是基于预测网络模型采用随机节点和分割点选择来生长树木,可以看作是一种自适应邻域分类和回归方式。需要说明的是,对于每个树模型中的每个叶节点,需要关注所有叶节点上的观测需求量,而不仅仅是所有观测需求量的平均值。
在实际预测过程中,可以将目标未来日期与当前日期之间的天数作为目标时间间隔,并将目标时间间隔与预先构建好的每个预测时间间隔对应的预测网络模型进行匹配,获得目标时间间隔对应的目标预测网络模型,即用于预测目标未来日期的需求量信息的目标预测网络模型。
S130、将历史物品信息和预设库存满足率输入至目标预测网络模型中,目标预测网络模型是基于历史物品信息确定出相应的条件概率分布信息,并基于条件概率分布信息和预设库存满足率进行分位数预测的。
其中,条件概率分布信息可以是指在给定历史物品信息的情况下,每个预测需求量所对应的概率值。例如,条件概率分布信息可以利用条件概率分布函数F(y|X=x)=P(Y≤y|X=x)进行表征,其中,X表示自变量历史物品信息,Y表示因变量未来需求量,x是指给定的历史物品信息,即限定的条件,y是指预测需求量。
具体地,将历史物品信息和预设库存满足率输入至目标预测网络模型中,目标预测网络模型可以基于历史物品信息确定出相应的条件概率分布信息,并可以将预设库存满足率作为目标概率,从条件概率分布信息中确定出目标概率所对应的第一预测需求量,即具体的分位数大小,从而实现了基于目标预测网络的分位数预测。本实施例中的目标预测网络模型可以基于目标历史信息动态确定出相应的条件概率分布信息,从而基于目标预测网络模型的分位数预测无需进行分布假设,避免了假设分布与实际需求量分布不一致所带来的预测偏差,进而提高了需求量信息预测的准确性。
S140、获取目标预测网络模型输出的第一预测需求量,并将第一预测需求量作为在目标未来日期目标物品对应的目标预测需求量。
具体地,将目标预测网络模型输出的第一预测需求量作为在目标未来日期目标物品对应的目标预测需求量,从而可以基于预设库存满足率对应的目标预测需求量进行补货,进而可以在较高的服务水平下,有效降低平均库存。
需要说明的是,本实施例中的预设库存满足率的数量可以为一个或多个。若存在多个预设库存满足率,则可以通过上述步骤S220-S240的方式,逐个确定出每个预设库存满足率对应的目标预测需求量,以便补货时可以基于不同的补货需求,选择不同的预设库存满足率的预测结果。
本实施例的技术方案,通过将目标物品对应的历史物品信息和预设库存满足率输入至用于预测目标未来日期的需求量信息的目标预测网络模型中,目标预测网络模型是基于目标历史信息动态确定出相应的条件概率分布信息,并基于条件概率分布信息和预设库存满足率进行分位数预测的,从而利用目标预测网络模型进行不同分位点的预测无需进行分布假设,避免了假设分布与实际需求量分布不一致所带来的预测偏差,提高了需求量信息预测的准确性。
在上述技术方案的基础上,该方法还包括:获取目标物品对应的未来补货周期,并确定未来补货周期中的各个补货子周期;将每个补货子周期中的未来每天作为目标未来日期,确定在未来每天目标物品对应的目标预测需求量;基于每个补货子周期中的未来每天对应的目标预测需求量,确定每个补货子周期对应的总预测需求量。
其中,未来补货周期可以是指目标物品的VLT(Vendor Lead Time)补货提前期。补货子周期可以是指未来补货周期0天-VLT天中所包含的滚动计算的各个子周期。例如,当前日期为10月1日,未来补货周期为10月1日-10月4日,则存在4个补货子周期,分别为:10月1日-10月4日、10月2日-10月4日、10月3日-10月4日和10月4日。
具体地,针对每个补货子周期而言,可以将补货子周期中的未来每天作为目标未来日期,通过执行上述步骤S110-S140的操作确定出在未来每天目标物品对应的目标预测需求量,并将未来每天对应的目标预测需求量进行相加,获得的相加结果确定为该补货子周期对应的总预测需求量。例如,当前日期为10月1日,则可以确定出10月1日-10月4日中每天的目标预测需求量,并将四天的目标预测需求量进行相加,获得的相加结果即为10月1日-10月4日这个补货子周期对应的总预测需求量。本实施例通过对未来补货周期内的所有时长进行动态预测,可以为下游的库存补货提供更灵活的预测输出。由于在实际应用中,下游的库存采购周期可能发生变化,给出动态多周期的预测结果,可以支持下游库存补货的需求,从而以补货周期VLT整体的预测比每一天单点的预测更为重要。
实施例二
图2为本发明实施例二提供的一种信息预测方法的流程图,本实施例在上述实施例的基础上,在目标预测网络模型为目标随机森林模时,对目标随机森林模型内部的分位数预测过程进行了详细描述。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2,本实施例提供的信息预测方法具体包括以下步骤:
S210、获取目标物品在当前日期之前的历史时间段内的历史物品信息以及目标物品对应的预设库存满足率。
S220、确定用于预测目标未来日期的需求量信息的目标随机森林模型。
S230、将历史物品信息输入至目标随机森林模型中的每个树模型中,确定每个树模型中的每个叶节点对应的第一观测需求量。
具体地,目标随机森林模型中包含多个随机构建的树模型,将历史物品信息输入至所有的树模型中,每个树模型对历史物品信息进行处理,并在每个叶节点处会输出一个第一观测需求量,即观测销量值。
S240、根据每个树模型中的每个叶节点对应的第一观测需求量和模型构建后获得的观测需求量范围,确定每个树模型中的每个叶节点对应的第一权值。
其中,每个叶节点均对应一个观测需求量范围。观测需求量范围是通过在目标随机森林模型构建训练过程中进行迭代优化获得的。同一个树模型中的所有叶节点对应的第一权值的总和为1。
具体地,可以通过检测每个叶节点的第一观测需求量是否处于相应的观测需求量范围的方式确定每个叶节点的第一权值。
示例性地,S240可以包括:检测每个树模型中的每个叶节点对应的第一观测需求量是否处于相应的模型构建后获得的观测需求量范围内;将未处于观测需求量范围内的每个第一叶节点对应的第一权值确定为0;根据处于观测需求量范围内的第二叶节点的数量,确定每个第二叶节点对应的第一权值。
例如,针对每个树模型中的每个叶节点而言,可以检测当前叶节点的第一观测需求量是否处于相应的观测需求量范围,若否,则当前叶节点为第一叶节点,并将0作为当前叶节点对应的第一权值,若是,则当前叶节点为第二叶节点,第二叶节点对应的第一权值为正数,并可以基于所有处于观测需求量范围内的第二叶节点的数量,确定每个第二叶节点对应的第一权值。每个第二叶节点对应的第一权值可以相同,也可以不同。
示例性地,根据处于观测需求量范围内的第二叶节点的数量,确定每个第二叶节点对应的第一权值,可以包括:将1与处于观测需求量范围内的第二叶节点的数量之间的比值,确定为每个第二叶节点对应的第一权值。
例如,在X=x的条件下,即给定历史物品信息下,可以在第二叶节点的第一观测需求量处于相应的观测需求量范围中时,将1与第二叶节点的数量/>之间的比值确定为第i个树模型中的第m个第二叶节点对应的第一权值wi(x,θm)。通过这种平均方式,每个叶节点对应的第一权值是相同的。
S250、根据每个树模型中的每个叶节点对应的第一观测需求量和第一权值,确定每个树模型对应的第二观测需求量。
具体地,针对每个树模型而言,可以各个叶节点输出的第一观测需求量和相应的第一权值,获得的观测需求量均值作为该树模型对应的第二观测需求量。
示例性地,S250可以包括:基于当前树模型中的各个叶节点对应的第一权值,对相应的第一观测需求量进行加权处理,获得的结果作为当前树模型对应的第二观测需求量。
具体地,可以将当前树模型中的每个叶节点的第一观测需求量和相应的第一权值进行相乘,并将各个叶节点的相乘结果进行相加,获得的相加结果作为当前树模型对应的第二观测需求量。
S260、根据每个树模型中的每个叶节点对应的第一权值,确定每个树模型对应的第二权值。
示例性地,S260可以包括:将当前树模型中的各个叶节点对应的第一权值进行取平均处理,获得的结果作为当前树模型对应的第二权值。
例如,可以第i个树模型中的每个叶节点对应的第一权值wi(x,θt)进行相加取平均,获得的平均值为在X=x的条件下,第i个树模型对应的第二权值wi(x)。
S270、根据每个树模型对应的第二观测需求量和第二权值,确定在目标未来日期目标物品的预测需求量对应的条件概率分布信息。
具体地,目标随机森林模型的条件均值估计结果可以为所有树模型的第二观测需求量的加权平均值。目标随机森林模型通过因变量未来需求量Y的第二观测需求量的加权平均来近似条件均值E(Y|X=x)。加权观测结果不仅可以提供一个很好的条件均值近似值,而且也提供完全条件分布的近似值。在X=x的条件下,Y的条件概率分布函数可以为F(y|X=x)=P(Y≤y|X=x)=E(1{Y≤y}|X=x)。
示例性地,S270可以包括:检测每个树模型对应的第二观测需求量是否小于或等于目标物品的预测需求量;将小于或等于预测需求量的各个目标树模型对应的第二权值进行相加,获得的相加结果确定为预测需求量对应的概率值。
例如,根据目标随机森林模型的权值估计,预测需求量对应的条件概率分布函数可以具体表示为:第i个树模型的第二观测需求量Yi小于或等于预测需求量y时,/>为1,否则/>为0。将每个树模型对应的第二权值wi(x)与/>进行加权求和,获得的求和结果为预测需求量对应的概率值。基于条件概率分布函数/>可以获得每个预测需求量对应的概率值。
S280、基于条件概率分布信息,确定预设库存满足率对应的第一预测需求量,并输出第一预测需求量。
具体地,可以将预设库存满足率作为目标概率值,从条件概率分布函数中确定出该目标概率值对应的预测需求量,作为预设库存满足率对应的第一预测需求量,即分位数预测结果。例如,可以将概率值大于或等于预设库存满足率的各个预测需求量的最大下确界作为第一预测需求量以便逼近收敛。
需要说明的是,在目标随机森林模型的训练过程中,目标随机森林模型也是基于与上述S230-S280相同的操作进行需求量预测的,此处不再赘述。
S290、获取目标随机森林模型输出的第一预测需求量,并将第一预测需求量作为在目标未来日期目标物品对应的目标预测需求量。
本实施例的技术方案,通过将历史物品信息输入至目标随机森林模型中的每个树模型中,基于树模型中的每个叶节点对应的第一观测需求量和第一权值进行条件概率分布信息的确定,从而使得加权观测结果可以提供一个准确的条件均值近似值,以及完全条件分布的近似值,进而无需进行分布假设,避免了假设分布与实际需求量分布不一致所带来的预测偏差,提高了需求量信息预测的准确性。
在上述技术方案的基础上,步骤S230可以包括:将历史物品信息输入至抽样获得的每个树模型中,并对每个树模型中的各个叶节点进行随机抽样,获得抽样后的每个叶节点对应的第一观测需求量。
具体地,针对目标随机森林模型中的每个树模型而言,由于每个树模型的叶节点数量较多,从而可以通过对多个叶节点进行随机抽样的方式,仅利用抽样后的每个叶节点对应的第一观测需求量进行后续的条件概率分布信息的确定,进而可以减少计算量,提高预测效率。本实施例还可以通过分布式框架并行计算,进一步提高计算效率。例如,在项目工程化实施时,可以通过spark分布式框架在不同的Executor中并行计算,进一步提高预测效率。
实施例三
图3为本发明实施例三提供的一种信息预测方法的流程图,本实施例在上述实施例的基础上,对基于目标预测网络模型预测出的第一预测需求量和基于目标回归模型预测出的第二预测需求量进行调和获得目标预测需求量,以进一步提高预测准确性。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图3,本实施例提供的信息预测方法具体包括以下步骤:
S310、获取目标物品在当前日期之前的历史时间段内的历史物品信息以及目标物品对应的预设库存满足率。
S320、确定用于预测目标未来日期的需求量信息的目标预测网络模型。
S330、将历史物品信息和预设库存满足率输入至目标预测网络模型中,获取目标预测网络模型输出的第一预测需求量。
S340、确定用于预测目标未来日期的需求量信息的目标回归模型,其中,目标回归模型是通过最小化损失函数的方式训练获得的。
其中,类似于预测网络模型,本实施例也可以利用不同的回归模型来预测不同的未来日期的需求量信息,以便保证预测的准确性。
具体地,本实施例预先获得训练好的用于预测每个未来日期对应的回归模型,以便可以从预先训练好的各个回归模型中直接选择目标回归模型,提高预测效率。示例性地,可以基于每个预测时间间隔对应的样本物品信息训练出的每个预测时间间隔对应的回归模型,并将目标未来日期与当前日期之间的目标时间间隔与每个预测时间间隔对应的回归模型进行匹配,获得目标时间间隔对应的目标回归模型,即用于预测目标未来日期的需求量信息的目标回归模型。
示例性地,通过拟合经验分布,构造条件均值公式类似的平方误差最小化,构建条件分位数回归模型。在回归模型训练过程中,可以通过最小化pinball损失函数的方式进行模型训练。通过调整回归模型中的参数,即经验分布来调整预测需求量y,使得Lα(y,q)的损失值最小。
S350、将历史物品信息和预设库存满足率输入至目标回归模型中进行需求量信息的预测,获得目标回归模型输出的第二预测需求量。
具体地,将历史物品信息和预设库存满足率输入至训练好的目标回归模型中,目标回归模型可以从经验分布中确定出预设库存满足率对应的第二预测需求量并进行输出。例如,第二预测需求量可以通过最小化损失函数获得的回归模型进行确定。
S360、根据第一预测需求量和第二预设需求量,确定在目标未来日期目标物品对应的目标预测需求量。
具体地,可以对利用目标预测网络模型获得的第一预测需求量和利用目标回归模型获得的第二预设需求量进行加权调和处理,获得的结果作为在目标未来日期目标物品对应的目标预测需求量,从而可以同时保留条件均值和条件分布的信息,使得分位数预测结果更加符合实际情况,进一步提高了预测的准确性。
示例性地,S360可以包括:确定在经验分布函数中第一预测需求量对应的第一分位点和第二预测需求量对应的第二分位点;基于第一预测需求量、第二预测需求量、第一分位点和第二分位点,确定在目标未来日期目标物品对应的目标预测需求量。
其中,经验分布函数可以是对产生样本点的累积分布函数的估计。经验分布函数可以基于历史物品信息进行确定。具体地,可以将第一预测需求量在经验分布函数中的概率值作为第一分位点,以及将第二预测需求量在经验分布函数中的概率值作为第二分位点。利用第一分位点和第二分位点,对第一预测需求量和第二预测需求量进行加权求和,获得的求和结果确定为目标预测需求量。
本实施例的技术方案,通过可以利用目标预测网络模型获得的第一预测需求量和利用目标回归模型获得的第二预设需求量,确定出在目标未来日期目标物品对应的目标预测需求量,从而可以同时保留条件均值和条件分布的信息,使得分位数预测结果更加符合实际情况,进一步提高了预测的准确性。
以下是本发明实施例提供的信息预测装置的实施例,该装置与上述各实施例的信息预测方法属于同一个发明构思,在信息预测装置的实施例中未详尽描述的细节内容,可以参考上述信息预测方法的实施例。
实施例四
图4为本发明实施例四提供的一种信息预测装置的结构示意图,本实施例可适用于对物品在未来预测日期内的需求量信息进行预测的情况,该装置具体包括:信息获取模块410、目标预测网络模型确定模块420、信息输入模块430和目标预测需求量确定模块440。
其中,信息获取模块410,用于获取目标物品在当前日期之前的历史时间段内的历史物品信息以及目标物品对应的预设库存满足率;目标预测网络模型确定模块420,用于确定用于预测目标未来日期的需求量信息的目标预测网络模型;信息输入模块430,用于将历史物品信息和预设库存满足率输入至目标预测网络模型中,目标预测网络模型是基于历史物品信息确定出相应的条件概率分布信息,并基于条件概率分布信息和预设库存满足率进行分位数预测的;目标预测需求量确定模块440,用于获取目标预测网络模型输出的第一预测需求量,并将第一预测需求量作为在目标未来日期目标物品对应的目标预测需求量。
可选地,目标预测网络模型确定模块420,具体用于:
获取预先基于每个预测时间间隔对应的样本物品信息构建出的每个预测时间间隔对应的预测网络模型;确定目标未来日期与当前日期之间的目标时间间隔;将每个预测时间间隔对应的预测网络模型与目标时间间隔进行匹配,获得目标时间间隔对应的目标预测网络模型。
可选地,目标预测网络模型为目标随机森林模型;信息输入模块430,包括:
第一观测需求量确定单元,用于将历史物品信息输入至目标随机森林模型中的每个树模型中,确定每个树模型中的每个叶节点对应的第一观测需求量;
第一权值确定单元,用于根据每个树模型中的每个叶节点对应的第一观测需求量和模型构建后获得的观测需求量范围,确定每个树模型中的每个叶节点对应的第一权值;
第二观测需求量确定单元,用于根据每个树模型中的每个叶节点对应的第一观测需求量和第一权值,确定每个树模型对应的第二观测需求量;
第二权值确定单元,用于根据每个树模型中的每个叶节点对应的第一权值,确定每个树模型对应的第二权值;
条件概率分布信息确定单元,用于根据每个树模型对应的第二观测需求量和第二权值,确定在目标未来日期目标物品的预测需求量对应的条件概率分布信息;
第一预测需求量确定单元,用于基于条件概率分布信息,确定预设库存满足率对应的第一预测需求量,并输出第一预测需求量。
可选地,第一权值确定单元,包括:
第一观测需求量检测子单元,用于检测每个树模型中的每个叶节点对应的第一观测需求量是否处于相应的模型构建后获得的观测需求量范围内;
第一确定子单元,用于将未处于观测需求量范围内的每个第一叶节点对应的第一权值确定为0;
第二确定子单元,用于根据处于观测需求量范围内的第二叶节点的数量,确定每个第二叶节点对应的第一权值。
可选地,第二确定子单元,具体用于:将1与处于观测需求量范围内的第二叶节点的数量之间的比值,确定为每个第二叶节点对应的第一权值。
可选地,第二观测需求量确定单元,具体用于:基于当前树模型中的各个叶节点对应的第一权值,对相应的第一观测需求量进行加权处理,获得的结果作为当前树模型对应的第二观测需求量。
可选地,第二权值确定单元,具体用于:将当前树模型中的各个叶节点对应的第一权值进行取平均处理,获得的结果作为当前树模型对应的第二权值。
可选地,条件概率分布信息确定单元,具体用于:检测每个树模型对应的第二观测需求量是否小于或等于目标物品的预测需求量;将小于或等于预测需求量的各个目标树模型对应的第二权值进行相加,获得的相加结果确定为预测需求量对应的概率值。
可选地,第一观测需求量确定单元,具体用于:将历史物品信息输入至抽样获得的每个树模型中,并对每个树模型中的各个叶节点进行随机抽样,获得抽样后的每个叶节点对应的第一观测需求量。
可选地,目标预测需求量确定模块440,包括:
目标回归模型确定单元,用于确定用于预测目标未来日期的需求量信息的目标回归模型,其中,目标回归模型是通过最小化损失函数的方式训练获得的;
第二预测需求量确定单元,用于将历史物品信息和预设库存满足率输入至目标回归模型中进行需求量信息的预测,获得目标回归模型输出的第二预测需求量;
目标预测需求量确定单元,用于根据第一预测需求量和第二预设需求量,确定在目标未来日期目标物品对应的目标预测需求量。
可选地,目标预测需求量确定单元,具体用于:确定在经验分布函数中第一预测需求量对应的第一分位点和第二预测需求量对应的第二分位点;基于第一预测需求量、第二预测需求量、第一分位点和第二分位点,确定在目标未来日期目标物品对应的目标预测需求量。
可选地,该装置还包括:
补货周期需求量确定模块,用于获取目标物品对应的未来补货周期,并确定未来补货周期中的各个补货子周期;将每个补货子周期中的未来每天作为目标未来日期,确定在未来每天目标物品对应的目标预测需求量;基于每个补货子周期中的未来每天对应的目标预测需求量,确定每个补货子周期对应的总预测需求量。
本发明实施例所提供的信息预测装置可执行本发明任意实施例所提供的信息预测方法,具备执行信息预测方法相应的功能模块和有益效果。
值得注意的是,上述信息预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的一种信息预测方法步骤,该方法包括:
获取目标物品在当前日期之前的历史时间段内的历史物品信息以及目标物品对应的预设库存满足率;
确定用于预测目标未来日期的需求量信息的目标预测网络模型;
将历史物品信息和预设库存满足率输入至目标预测网络模型中,目标预测网络模型是基于历史物品信息确定出相应的条件概率分布信息,并基于条件概率分布信息和预设库存满足率进行分位数预测的;
获取目标预测网络模型输出的第一预测需求量,并将第一预测需求量作为在目标未来日期目标物品对应的目标预测需求量。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的信息预测方法的技术方案。
实施例六
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的信息预测方法步骤,该方法包括:
获取目标物品在当前日期之前的历史时间段内的历史物品信息以及目标物品对应的预设库存满足率;
确定用于预测目标未来日期的需求量信息的目标预测网络模型;
将历史物品信息和预设库存满足率输入至目标预测网络模型中,目标预测网络模型是基于历史物品信息确定出相应的条件概率分布信息,并基于条件概率分布信息和预设库存满足率进行分位数预测的;
获取目标预测网络模型输出的第一预测需求量,并将第一预测需求量作为在目标未来日期目标物品对应的目标预测需求量。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、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。在本文件中,计算机可读存储介质可以是任何包含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。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种信息预测方法,其特征在于,包括:
获取目标物品在当前日期之前的历史时间段内的历史物品信息以及所述目标物品对应的预设库存满足率;
确定用于预测目标未来日期的需求量信息的目标预测网络模型;
将所述历史物品信息和所述预设库存满足率输入至所述目标预测网络模型中,所述目标预测网络模型是基于所述历史物品信息确定出相应的条件概率分布信息,并基于所述条件概率分布信息和所述预设库存满足率进行分位数预测的;
获取所述目标预测网络模型输出的第一预测需求量,并将所述第一预测需求量作为在所述目标未来日期所述目标物品对应的目标预测需求量。
2.根据权利要求1所述的方法,其特征在于,所述确定用于预测目标未来日期的需求量信息的目标预测网络模型,包括:
获取预先基于每个预测时间间隔对应的样本物品信息构建出的每个预测时间间隔对应的预测网络模型;
确定所述目标未来日期与当前日期之间的目标时间间隔;
将每个预测时间间隔对应的预测网络模型与所述目标时间间隔进行匹配,获得所述目标时间间隔对应的目标预测网络模型。
3.根据权利要求1所述的方法,其特征在于,所述目标预测网络模型为目标随机森林模型;
所述将所述历史物品信息和所述预设库存满足率输入至所述目标预测网络模型中,包括:
将所述历史物品信息输入至所述目标随机森林模型中的每个树模型中,确定每个树模型中的每个叶节点对应的第一观测需求量;
根据每个树模型中的每个叶节点对应的第一观测需求量和模型构建后获得的观测需求量范围,确定每个树模型中的每个叶节点对应的第一权值;
根据每个树模型中的每个叶节点对应的所述第一观测需求量和所述第一权值,确定每个树模型对应的第二观测需求量;
根据每个树模型中的每个叶节点对应的所述第一权值,确定每个树模型对应的第二权值;
根据每个树模型对应的所述第二观测需求量和所述第二权值,确定在所述目标未来日期所述目标物品的预测需求量对应的条件概率分布信息;
基于所述条件概率分布信息,确定所述预设库存满足率对应的第一预测需求量,并输出所述第一预测需求量。
4.根据权利要求3所述的方法,其特征在于,所述根据每个树模型中的每个叶节点对应的第一观测需求量和模型构建后获得的观测需求量范围,确定每个树模型中的每个叶节点对应的第一权值,包括:
检测每个树模型中的每个叶节点对应的第一观测需求量是否处于相应的模型构建后获得的观测需求量范围内;
将未处于所述观测需求量范围内的每个第一叶节点对应的第一权值确定为0;
根据处于所述观测需求量范围内的第二叶节点的数量,确定每个所述第二叶节点对应的第一权值。
5.根据权利要求4所述的方法,其特征在于,所述根据处于所述观测需求量范围内的第二叶节点的数量,确定每个所述第二叶节点对应的第一权值,包括:
将1与处于所述观测需求量范围内的第二叶节点的数量之间的比值,确定为每个所述第二叶节点对应的第一权值。
6.根据权利要求3所述的方法,其特征在于,所述根据每个树模型中的每个叶节点对应的所述第一观测需求量和所述第一权值,确定每个树模型对应的第二观测需求量,包括:
基于当前树模型中的各个叶节点对应的所述第一权值,对相应的第一观测需求量进行加权处理,获得的结果作为当前树模型对应的第二观测需求量。
7.根据权利要求3所述的方法,其特征在于,所述根据每个树模型中的每个叶节点对应的所述第一权值,确定每个树模型对应的第二权值,包括:
将当前树模型中的各个叶节点对应的所述第一权值进行取平均处理,获得的结果作为当前树模型对应的第二权值。
8.根据权利要求3所述的方法,其特征在于,所述根据每个树模型对应的所述第二观测需求量和所述第二权值,确定在所述目标未来日期所述目标物品的预测需求量对应的条件概率分布信息,包括:
检测每个树模型对应的所述第二观测需求量是否小于或等于所述目标物品的预测需求量;
将小于或等于所述预测需求量的各个目标树模型对应的第二权值进行相加,获得的相加结果确定为所述预测需求量对应的概率值。
9.根据权利要求3所述的方法,其特征在于,所述将所述历史物品信息输入至所述目标随机森林模型中的每个树模型中,确定每个树模型中的每个叶节点对应的第一观测需求量,包括:
将所述历史物品信息输入至抽样获得的每个树模型中,并对每个树模型中的各个叶节点进行随机抽样,获得抽样后的每个叶节点对应的第一观测需求量。
10.根据权利要求1所述的方法,其特征在于,所述将所述第一预测需求量作为在所述目标未来日期所述目标物品对应的目标预测需求量,包括:
确定用于预测目标未来日期的需求量信息的目标回归模型,其中,所述目标回归模型是通过最小化损失函数的方式训练获得的;
将所述历史物品信息和所述预设库存满足率输入至所述目标回归模型中进行需求量信息的预测,获得所述目标回归模型输出的第二预测需求量;
根据所述第一预测需求量和所述第二预设需求量,确定在所述目标未来日期所述目标物品对应的目标预测需求量。
11.根据权利要求10所述的方法,其特征在于,所述根据所述第一预测需求量和所述第二预设需求量,确定在所述目标未来日期所述目标物品对应的目标预测需求量,包括:
确定在经验分布函数中所述第一预测需求量对应的第一分位点和所述第二预测需求量对应的第二分位点;
基于所述第一预测需求量、所述第二预测需求量、所述第一分位点和所述第二分位点,确定在所述目标未来日期所述目标物品对应的目标预测需求量。
12.根据权利要求1-11任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标物品对应的未来补货周期,并确定所述未来补货周期中的各个补货子周期;
将每个补货子周期中的未来每天作为目标未来日期,确定在未来每天所述目标物品对应的目标预测需求量;
基于每个补货子周期中的未来每天对应的目标预测需求量,确定每个补货子周期对应的总预测需求量。
13.一种信息预测装置,其特征在于,包括:
信息获取模块,用于获取目标物品在当前日期之前的历史时间段内的历史物品信息以及所述目标物品对应的预设库存满足率;
目标预测网络模型确定模块,用于确定用于预测目标未来日期的需求量信息的目标预测网络模型;
信息输入模块,用于将所述历史物品信息和所述预设库存满足率输入至所述目标预测网络模型中,所述目标预测网络模型是基于所述历史物品信息确定出相应的条件概率分布信息,并基于所述条件概率分布信息和所述预设库存满足率进行分位数预测的;
目标预测需求量确定模块,用于获取所述目标预测网络模型输出的第一预测需求量,并将所述第一预测需求量作为在所述目标未来日期所述目标物品对应的目标预测需求量。
14.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一所述的信息预测方法。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-12中任一所述的信息预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540750.2A CN117131753A (zh) | 2022-05-17 | 2022-05-17 | 一种信息预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540750.2A CN117131753A (zh) | 2022-05-17 | 2022-05-17 | 一种信息预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131753A true CN117131753A (zh) | 2023-11-28 |
Family
ID=88858716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210540750.2A Pending CN117131753A (zh) | 2022-05-17 | 2022-05-17 | 一种信息预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131753A (zh) |
-
2022
- 2022-05-17 CN CN202210540750.2A patent/CN117131753A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
CN110751497A (zh) | 一种商品补货方法和装置 | |
US10748072B1 (en) | Intermittent demand forecasting for large inventories | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN110555578A (zh) | 一种销量预测方法和装置 | |
CN113095893A (zh) | 确定物品销量的方法和装置 | |
CN110796513A (zh) | 多任务学习方法、装置、电子设备及存储介质 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN112215546A (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN110650170A (zh) | 用于推送信息的方法和装置 | |
CN110619407A (zh) | 对象销量的预测方法及系统、电子设备和存储介质 | |
US11256748B2 (en) | Complex modeling computational engine optimized to reduce redundant calculations | |
CN114663015A (zh) | 补货方法和装置 | |
CN113869596A (zh) | 任务预测处理方法、设备、产品和介质 | |
CN113822734A (zh) | 用于生成信息的方法和装置 | |
CN111768246A (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
Huynh et al. | Causal inference in econometrics | |
CN114520773B (zh) | 一种服务请求的响应方法、装置、服务器及存储介质 | |
CN117131753A (zh) | 一种信息预测方法、装置、设备和存储介质 | |
CN117113613A (zh) | 一种数据处理方法及装置 |
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 |