CN117710008B - 一种适用于喀斯特地区生态产品销售信息管理系统 - Google Patents
一种适用于喀斯特地区生态产品销售信息管理系统 Download PDFInfo
- Publication number
- CN117710008B CN117710008B CN202410166773.0A CN202410166773A CN117710008B CN 117710008 B CN117710008 B CN 117710008B CN 202410166773 A CN202410166773 A CN 202410166773A CN 117710008 B CN117710008 B CN 117710008B
- Authority
- CN
- China
- Prior art keywords
- data
- measured
- sales
- moment
- value
- 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.)
- Active
Links
- 230000005856 abnormality Effects 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims description 54
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 235000013569 fruit product Nutrition 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims 3
- 230000002596 correlated effect Effects 0.000 claims 2
- 238000007726 management method Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 11
- 238000013523 data management Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 11
- 235000013399 edible fruits Nutrition 0.000 description 10
- 238000010606 normalization Methods 0.000 description 9
- 230000001419 dependent effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据管理技术领域,具体涉及一种适用于喀斯特地区生态产品销售信息管理系统,包括获取模块,用于获取销售数据和温度数据;初始异常分析模块,用于根据状态数据的数值波动和数值分布,确定初始异常程度;异常修正模块,用于确定销售数据和温度数据的相关程度;结合相关程度和温度数据的初始异常程度,对销售数据的初始异常程度进行修正,得到销售数据的目标异常程度;预测管理模块,用于确定待测时刻的自适应参数,构建分析模型,对下一时刻的销售信息进行预测管理,得到预测销售值。本发明能够规避温度对销售的影响,增强销售的预测效果,便于后续进行销售策略的制定和资源的调配,提升销售信息管理的准确性。
Description
技术领域
本发明涉及数据管理技术领域,具体涉及一种适用于喀斯特地区生态产品销售信息管理系统。
背景技术
喀斯特是对岩溶地貌的一种代称,是地下水与地表水对可溶性岩石溶蚀与沉淀,侵蚀与沉积,以及重力崩塌、坍塌、堆积等作用形成的地貌,因其独特的地理环境和气候而产生了各种备受欢迎的生态产品,水果就是其中之一。为了了解消费者的消费行为模式,需要对水果的销售额进行预测。
相关技术中,通过历史水果销售量的变化对下一时刻的水果销售额进行预测,但由于销售过程中受到多种环境因素干扰,温度既是干扰最大的一种,温度数据的变化会干扰到销售情况,而这种方式下无法考虑温度对销售的影响,使得销售的预测效果较差,在进行销售策略的制定和资源的调配时的可靠性不足,销售信息管理的准确性较低。
发明内容
为了解决相关技术中无法考虑温度对销售的影响,使得销售的预测效果较差,在进行销售策略的制定和资源的调配时的可靠性不足,销售信息管理的准确性较低的技术问题,本发明提供一种适用于喀斯特地区生态产品销售信息管理系统,所采用的技术方案具体如下:
本发明提出了一种适用于喀斯特地区生态产品销售信息管理系统,方法包括:
获取模块,用于获取喀斯特地区的水果产品在不同时刻不同区域的销售数据和温度数据,将所述销售数据和温度数据共同作为状态数据;
初始异常分析模块,用于将任一时刻作为待测时刻,将任一区域作为待测区域,所述待测时刻为中心的预设时序范围作为所述待测时刻的邻域时间段,根据所述邻域时间段中待测区域的同一类型的状态数据的数值波动和数值分布,确定所述待测时刻待测区域的每一类型的状态数据的初始异常程度;
异常修正模块,用于根据所述待测区域的所有类型的状态数据的极值、邻域时间段内所有时刻所有类型的状态数据的数值分布差异,确定数值分布一致性;根据所述邻域时间段内所有时刻不同类型的状态数据的变化趋势,确定趋势变化一致性;根据所述数值分布一致性和所述趋势变化一致性,确定所述待测时刻待测区域的销售数据和温度数据的相关程度;根据待测时刻待测区域的销售数据和温度数据的所述相关程度,以及所述温度数据的初始异常程度,对所述销售数据的初始异常程度进行修正,得到销售数据的目标异常程度;
预测管理模块,用于根据待测时刻下所有区域的销售数据的目标异常程度和销售数据的数值,确定待测时刻的自适应参数,根据所有时刻的所述自适应参数构建分析模型,基于所述分析模型对下一时刻的销售信息进行预测管理,得到预测销售值。
进一步地,所述根据所述邻域时间段中待测区域的同一类型的状态数据的数值波动和数值分布,确定所述待测时刻待测区域的每一类型的状态数据的初始异常程度,包括:
任选一个状态数据的类型作为待测类型,将任意两个相距最近的时刻在待测区域中待测类型的状态数据数值的差值绝对值,作为对应两个时刻中前一时刻待测区域内待测类型的状态数据的状态波动指标;
计算所述邻域时间段中所有时刻待测区域内待测类型的所述状态波动指标的和值,得到待测区域待测类型的邻域波动指标;
计算所述待测区域待测类型的所有状态数据的数值的均值作为待测数据均值;将所述待测时刻下待测区域待测类型的状态数据的数值与所述待测数据均值的差值绝对值作为待测状态差异,对所述待测状态差异归一化得到偏差程度;
计算所述偏差程度与所述邻域波动指标的乘积的归一化值,得到所述待测时刻待测区域在待测类型的状态数据的初始异常程度。
进一步地,所述根据所述待测区域的所有类型的状态数据的极值、邻域时间段内所有时刻所有类型的状态数据的数值分布差异,确定数值分布一致性,包括:
将所有时刻下所述待测区域的销售数据的极大值和极小值的差作为销售极差,将所有时刻下所述待测区域的温度数据的极大值和极小值的差作为温度极差;
以所述邻域时间段内每一时刻温度数据的状态波动指标为分子,温度极差和第一预设常数的和值为分母,计算得到所述邻域时间段内每一时刻的温度变化指标;
以所述邻域时间段内每一时刻销售数据的状态波动指标为分子,销售极差和第二预设常数的和值为分母,计算得到所述邻域时间段内每一时刻的销售变化指标;
计算同一时刻的温度变化指标和销售变化指标的差值绝对值,得到对应时刻的状态数值差异系数;
将所述邻域时间段内所有时刻的状态数值差异系数的和值,负相关映射得到数值分布一致性。
进一步地,所述根据所述邻域时间段内所有时刻不同类型的状态数据的变化趋势,确定趋势变化一致性,包括:
以时序为横轴,状态数据的数据值为纵轴构建二维坐标系,将所述邻域时间段内所有时刻的温度数据所对应的变化曲线作为邻域温度曲线;
将所述邻域时间段内所有时刻的销售数据所对应的变化曲线作为邻域销售曲线;
基于DTW匹配算法计算所述邻域温度曲线和所述邻域销售曲线的DTW值,负相关映射得到趋势变化一致性。
进一步地,所述根据所述数值分布一致性和所述趋势变化一致性,确定所述待测时刻待测区域的销售数据和温度数据的相关程度,包括:
计算所述数值分布一致性和所述趋势变化一致性的乘积,归一化得到所述待测时刻待测区域的销售数据和温度数据的相关程度。
进一步地,所述根据待测时刻待测区域的销售数据和温度数据的所述相关程度,以及所述温度数据的初始异常程度,对所述销售数据的初始异常程度进行修正,得到销售数据的目标异常程度,包括:
根据所述温度数据的初始异常程度和所述相关程度,确定异常修正权重;
计算所述销售数据的初始异常程度与所述异常修正权重的乘积得到待测时刻待测区域的销售数据的目标异常程度。
进一步地,所述温度数据的初始异常程度与所述异常修正权重呈正相关关系,所述相关程度与所述异常修正权重呈负相关关系,所述异常修正权重的取值为归一化后的数值。
进一步地,所述根据待测时刻下所有区域的销售数据的目标异常程度和销售数据的数值,确定待测时刻的自适应参数,包括:
对待测时刻下每一区域的销售数据进行归一化,得到销售系数;
根据待测时刻下的同一区域的所述销售系数和所述销售数据的目标异常程度,确定参数影响因子;
计算待测时刻下所有区域的销售数据的目标异常程度的均值,得到异常参数指标;
将所述参数影响因子与所述异常参数指标的乘积的归一化值,作为待测时刻的自适应参数。
进一步地,所述销售系数与所述参数影响因子呈正相关关系,所述目标异常程度与所述参数影响因子呈负相关关系。
进一步地,所述根据所有时刻的所述自适应参数构建分析模型,包括:
将所有时刻的所述自适应参数按照时序组成参数序列;
基于ARIMA算法,构建所述参数序列的ARIMA模型,并将所述ARIMA模型作为分析模型。
本发明具有如下有益效果:
本发明结合温度对销售的影响,通过获取喀斯特地区的水果产品在不同时刻不同区域的销售数据和温度数据。通过对数值波动和数值分布进行分析,确定每一时刻下每一区域销售数据和温度数据的初始异常程度,而后,对销售数据和温度数据的数值分布一致性和趋势变化一致性进行获取,其中数值分布一致性表征销售数据和温度数据的数值分布的一致性程度,趋势变化一致性则表征销售数据和温度数据的变化趋势的一致性程度,结合数值分布一致性和趋势变化一致性确定相关程度,相关程度可以有效表征温度数据与销售数据在待测时刻变化的相关性,根据温度数据的初始异常程度和相关程度对销售数据的初始异常程度进行修正,得到销售数据的目标异常程度,使得销售数据的目标异常程度能够有效结合温度的影响,降低温度的影响效果,使得后续构建的分析模型具有更强的客观性与鲁棒性,增强对下一时刻的销售信息进行预测管理的可靠性,进而使得所得到的预测销售值能够规避温度对销售的影响,增强销售的预测效果,便于后续进行销售策略的制定和资源的调配,提升销售信息管理的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种适用于喀斯特地区生态产品销售信息管理系统结构图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种适用于喀斯特地区生态产品销售信息管理系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种适用于喀斯特地区生态产品销售信息管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种适用于喀斯特地区生态产品销售信息管理系统结构图,包括获取模块101、初始异常分析模块102、异常修正模块103和预测管理模块104。
获取模块101,用于获取喀斯特地区的水果产品在不同时刻不同区域的销售数据和温度数据,将销售数据和温度数据共同作为状态数据。
本发明实施例的一种实施场景可以具体例如为对喀斯特地区的水果产品进行销售预测。便于对未来的水果商品销售趋势进行精准定位,以更好地调整资源投入比例来预防资源浪费和供需失衡等问题。
本发明实施例中,可以将待测的地区划分为多个区域,而后,周期性对不同区域水果产品的销售额和不同区域对应的气温数据进行采集获取,本发明实施例中的获取周期可以具体例如为30天,也即每30天统计30天内的销售额作为销售数据,将30天内的气温均值作为温度数据,当然,本发明实施例中,还可以根据实际不同水果的保质期、生长条件、应季时间等进行自适应的周期设置,对此不做限制。
需要说明的是,由于气温影响到水果的保质效果,进而影响到水果本身的品质、售价等,水果的销售情况和对应的气温情况具有一定关联关系,因此,本发明可以根据气温情况对水果的未来销售进行预测分析,也即将销售数据和温度数据共同作为状态数据,在后续进行具体的销售分析。
初始异常分析模块102,用于将任一时刻作为待测时刻,将任一区域作为待测区域,待测时刻为中心的预设时序范围作为待测时刻的邻域时间段,根据邻域时间段中待测区域的同一类型的状态数据的数值波动和数值分布,确定待测时刻待测区域的每一类型的状态数据的初始异常程度。
本发明实施例中,先对特定时刻下特定区域的状态数据进行分析,也即是说,预设任一时刻为待测时刻,任一区域为待测区域,则待测区域内在待测时刻为中心的预设时序范围为待测时刻的邻域时间段。本发明的预设时序范围可以具体例如为待测时刻为中心相距最近的10个时刻所对应的范围,也即将包括待测时刻在内的相邻的11个时刻的时序范围作为待测时刻的邻域时间段,对此不做限制。
本发明实施例中,可以结合邻域时间段内的状态数据的分析,从而进行异常分析。
进一步地,在本发明的一些实施例中,根据邻域时间段中待测区域的同一类型的状态数据的数值波动和数值分布,确定待测时刻待测区域的每一类型的状态数据的初始异常程度,包括:任选一个状态数据的类型作为待测类型,将任意两个相距最近的时刻在待测区域中待测类型的状态数据数值的差值绝对值,作为对应两个时刻中前一时刻待测区域内待测类型的状态数据的状态波动指标;计算邻域时间段中所有时刻待测区域内待测类型的状态波动指标的和值,得到待测区域待测类型的邻域波动指标;计算待测区域待测类型的所有状态数据的数值的均值作为待测数据均值;将待测时刻下待测区域待测类型的状态数据的数值与待测数据均值的差值绝对值作为待测状态差异,对待测状态差异归一化得到偏差程度;计算偏差程度与邻域波动指标的乘积的归一化值,得到待测时刻待测区域在待测类型的状态数据的初始异常程度。
本发明实施例中,任选一个状态数据的类型作为待测类型,也即是说,将销售数据或温度数据分别作为待测类型的状态数据进行分析。
其中,将任意两个相距最近的时刻在待测区域中待测类型的状态数据数值的差值绝对值,作为对应的状态波动指标,具体地,可以计算两个时刻中后一时刻的状态数据与前一时刻的状态数据的差值绝对值,表征两个时刻的状态数据的数值差异,而后,将该数值差异作为前一时刻的状态数据的状态波动指标。
举例而言,以待测类型为销售数据进行分析,则将同一区域两个相邻时刻的销售数据的差值绝对值,作为对应前一时刻销售数据的状态波动指标。温度数据同理,由此,得到同一区域每一时刻每一类型的状态数据的状态波动指标。
本发明实施例中,计算邻域时间段中所有时刻待测区域内待测类型的状态波动指标的和值,得到待测区域待测类型的邻域波动指标,通过将邻域时间段中所有时刻同一类型的状态波动指标求和,得到对应类型的邻域波动指标,可以理解的是,邻域波动指标的数值越大,表征对应待测区域待测时刻待测类型的邻域波动情况越异常。
本发明实施例中,计算待测区域待测类型的所有状态数据的数值的均值作为待测数据均值,将待测时刻下待测区域待测类型的状态数据的数值与待测数据均值的差值绝对值作为待测状态差异,也即是说,将某一时刻某一区域某一类型的状态数据与对应的均值进行差异计算,得到待测状态差异,待测数据均值表征对应类型的整体状态数据的数值,在对应的状态数据与待测数据均值的差异越大时,表征待测时刻待测区域待测类型的异常程度越大。而后,对待测状态差异归一化得到偏差程度。
本发明实施例中,由于偏差程度越大,表征待测时刻的状态数据的数值越异常,异常程度越大;而状态波动指标越大,表征待测时刻在对应局部范围内的数据波动越异常,由此,本发明将偏差程度与邻域波动指标的乘积的归一化值作为待测时刻待测区域在待测类型的状态数据的初始异常程度,该初始异常程度表征了对应状态数据的异常情况,由于状态数据包括销售数据和温度数据,可以得到同一区域同一时刻的销售数据的初始异常程度和温度数据的初始异常程度。
可以理解的是,本发明主要对销售数据进行预测,而销售数据受到温度数据影响会产生误差,需要规避温度的影响,便于后续实现更为准确客观的销售数据预测效果,由此,本发明的后续实施例对不同类型的状态数据进行分析。
异常修正模块103,用于根据待测区域的所有类型的状态数据的极值、邻域时间段内所有时刻所有类型的状态数据的数值分布差异,确定数值分布一致性;根据邻域时间段内所有时刻不同类型的状态数据的变化趋势,确定趋势变化一致性;根据数值分布一致性和趋势变化一致性,确定待测时刻待测区域的销售数据和温度数据的相关程度;根据待测时刻待测区域的销售数据和温度数据的相关程度,以及温度数据的初始异常程度,对销售数据的初始异常程度进行修正,得到销售数据的目标异常程度。
本发明实施例,温度数据对销售数据的影响,可以例如为正反馈影响,也即温度越高,对应水果销售额越高;或者,也可以为负反馈影响,也即温度越高,对应销售额越低,其为市场的客观规律所调控,而且不同类型的水果受到该调控效果可能不同,由此,本发明通过计算数值分布一致性和趋势变化一致性进行具体分析。
进一步地,在本发明的一些实施例中,根据待测区域的所有类型的状态数据的极值、邻域时间段内所有时刻所有类型的状态数据的数值分布差异,确定数值分布一致性,包括:将所有时刻下待测区域的销售数据的极大值和极小值的差作为销售极差,将所有时刻下待测区域的温度数据的极大值和极小值的差作为温度极差;以邻域时间段内每一时刻温度数据的状态波动指标为分子,温度极差和第一预设常数的和值为分母,计算得到邻域时间段内每一时刻的温度变化指标;以邻域时间段内每一时刻销售数据的状态波动指标为分子,销售极差和第二预设常数的和值为分母,计算得到邻域时间段内每一时刻的销售变化指标;计算同一时刻的温度变化指标和销售变化指标的差值绝对值,得到对应时刻的状态数值差异系数;将邻域时间段内所有时刻的状态数值差异系数的和值,负相关映射得到数值分布一致性。
本发明实施例中,通过计算温度极差和销售极差作为对应温度数据和销售数据的数值变化总量,基于温度极差和销售极差对邻域时间段内每一时刻对应的温度数据和进行归一化,计算得到温度变化指标和销售变化指标作为对应的数值变化程度,通过温度变化指标和销售变化指标的差值绝对值表征数值变化的差异情况,该差值绝对值越大,表征数值变化的差异越大,也即在状态数值差异系数越大时,表示温度变化和销量变化的一致性越低,则将所有时刻的状态数值差异系数求和并负相关映射归一化处理,得到数值分布一致性。
其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定;负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。
在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
其中,第一预设常数和第二预设常数,为防止分母为0所设置的安全值,可选地,第一预设常数和第二预设常数均可以为0.01,对此不做限制。
进一步地,在本发明的一些实施例中,根据邻域时间段内所有时刻不同类型的状态数据的变化趋势,确定趋势变化一致性,包括:以时序为横轴,状态数据的数据值为纵轴构建二维坐标系,将邻域时间段内所有时刻的温度数据所对应的变化曲线作为邻域温度曲线;将邻域时间段内所有时刻的销售数据所对应的变化曲线作为邻域销售曲线;基于DTW匹配算法计算邻域温度曲线和邻域销售曲线的DTW值,负相关映射得到趋势变化一致性。
本发明实施例中,DTW匹配算法为时序匹配算法,其为本领域所熟知的算法,对此不作进一步赘述与限定。对应的DTW值越大,则表征邻域温度曲线和邻域销售曲线的变化趋势越不一致,由此,本发明对DTW值进行负相关映射得到趋势变化一致性。
在确定数值分布一致性和趋势变化一致性之后,可以结合数值分布一致性和趋势变化一致性进行具体分析。进一步地,在本发明的一些实施例中,根据数值分布一致性和趋势变化一致性,确定待测时刻待测区域的销售数据和温度数据的相关程度,包括:计算数值分布一致性和趋势变化一致性的乘积,归一化得到待测时刻待测区域的销售数据和温度数据的相关程度。
也即是说,数值分布一致性表征数值波动的一致性程度,趋势变化一致性表征数据趋势的一致性程度,则数值分布一致性和趋势变化一致性越大均能够表征对应销售数据和温度数据的变化越一致,也即温度数据对销售数据产生正相关的影响。由此,计算得到相关程度,相关程度越大,表征温度数据对销售数据的正相关影响越大。可以理解的是,本发明实施例可以将相关程度作为温度对销量影响的客观性指标,也即其具有一定等相关性,但在实际场景中,温度数据本身也具有一定的博东二环异常,则需要考虑温度的波动和异常进行进一步优化。
进一步地,在本发明的一些实施例中,根据待测时刻待测区域的销售数据和温度数据的相关程度,以及温度数据的初始异常程度,对销售数据的初始异常程度进行修正,得到销售数据的目标异常程度,包括:根据温度数据的初始异常程度和相关程度,确定异常修正权重;计算销售数据的初始异常程度与异常修正权重的乘积得到待测时刻待测区域的销售数据的目标异常程度。
本发明实施例中,由于温度数据对销售变化有着相关性影响,则本发明通过温度数据的异常和相关性,确定异常修正权重,其中,温度数据的初始异常程度与异常修正权重呈正相关关系,相关程度与异常修正权重呈负相关关系,异常修正权重的取值为归一化后的数值,则本发明可以计算温度数据的初始异常程度与相关程度比值的归一化值,得到异常修正权重,或者计算温度数据的初始异常程度与相关程度的差值的归一化值,得到异常修正权重,对此不做限制。
举例而言,温度有可能因天气原因发生短暂的突变,例如临时的升温或降温,但这些变化并不会立刻影响到水果的销量,即温度发生突变时销售数据并不会发生突变,此时它们之间的相关性相较于正常情况一定会减弱,利用该相关性直接修正异常程度会增大误差。因此,温度的异常程度越高,则产生的误差越高,使得相关性越小,也即温度数据的异常程度越高,相关程度的参考就越小,而又由于在后续计算过程中需要消除相关程度的影响,由此,计算相关程度与温度数据的异常程度的比值归一化值得到异常修正权重。
本发明实施例中,将异常修正权重作为销售数据的初始异常程度的权重指标,对销售数据的初始异常程度进行加权处理,得到对应待测时刻待测区域的销售数据的目标异常程度。该目标异常程度也即考虑温度对销售量的影响所得到的异常指标,温度越异常,且对应的相关性越高。
预测管理模块104,用于根据待测时刻下所有区域的销售数据的目标异常程度和销售数据的数值,确定待测时刻的自适应参数,根据所有时刻的自适应参数构建分析模型,基于分析模型对下一时刻的销售信息进行预测管理,得到预测销售值。
进一步地,在本发明的一些实施例中,根据待测时刻下所有区域的销售数据的目标异常程度和销售数据的数值,确定待测时刻的自适应参数,包括:对待测时刻下每一区域的销售数据进行归一化,得到销售系数;根据待测时刻下的同一区域的销售系数和销售数据的目标异常程度,确定参数影响因子;计算待测时刻下所有区域的销售数据的目标异常程度的均值,得到异常参数指标;将参数影响因子与异常参数指标的乘积的归一化值,作为待测时刻的自适应参数。
本发明实施例中,可以基于最大最小值归一化的方式,对销售数据进行归一化得到销售系数,通过归一化能够降低不同销售数据的数值量纲影响,而后,根据待测时刻下的同一区域的销售系数与目标异常程度进行参数影响因子的分析,需要说明的是,由于销售系数越高,则参数影响越高,且销售数据的目标异常程度越高,对应的销售系数的影响力越小,也即将目标异常程度负相关映射作为销售系数的权重,得到参数影响因子。
本发明实施例中的销售系数与参数影响因子呈正相关关系,目标异常程度与参数影响因子呈负相关关系。则可以计算销售系数与目标异常程度的差值,得到参数影响因子,或者,也可以计算销售系数与目标异常程度的比值,得到参数影响因子,对此不做限制。
本发明实施例中,由于均是对待测时刻的待测区域进行区域分析,则可以结合所有区域,也即计算待测时刻下所有区域的销售数据的目标异常程度的均值,得到异常参数指标,表征待测时刻下所有区域的异常情况,而后,计算参数影响因子与异常参数指标的乘积的归一化值,得到待测时刻的自适应参数,该自适应参数也即考虑温度异常影响,降低温度的相关性影响所得到的客观的销量变化的参数,本发明可以根据该自适应参数进行下一时刻的销量预测。
进一步地,在本发明的一些实施例中,根据所有时刻的自适应参数构建分析模型,包括:将所有时刻的自适应参数按照时序组成参数序列;基于ARIMA算法,构建参数序列的ARIMA模型,并将ARIMA模型作为分析模型。
其中,ARIMA算法为本领域所熟知的自回归移动平均算法,对此不作进一步赘述与限定,基于ARIMA算法可以对下一时刻的数据进行预测,而本发明实施例中通过获得每一时刻的客观的销量变化的自适应参数,从而构建ARIMA模型作为分析模型,使得分析模型能够消除复杂变化的天气对销量的影响,由此,本发明可以基于分析模型对下一时刻的销售信息进行预测管理,得到预测销售值,提升对后续预测销售值的客观性与可靠性,同时便于后续根据下一时刻实际的温度变化对预测销售值进行更为有效的分析。便于通过预测销售值对未来的销售策略制定和资源调配进行管理。
本发明结合温度对销售的影响,通过获取喀斯特地区的水果产品在不同时刻不同区域的销售数据和温度数据。通过对数值波动和数值分布进行分析,确定每一时刻下每一区域销售数据和温度数据的初始异常程度,而后,对销售数据和温度数据的数值分布一致性和趋势变化一致性进行获取,其中数值分布一致性表征销售数据和温度数据的数值分布的一致性程度,趋势变化一致性则表征销售数据和温度数据的变化趋势的一致性程度,结合数值分布一致性和趋势变化一致性确定相关程度,相关程度可以有效表征温度数据与销售数据在待测时刻变化的相关性,根据温度数据的初始异常程度和相关程度对销售数据的初始异常程度进行修正,得到销售数据的目标异常程度,使得销售数据的目标异常程度能够有效结合温度的影响,降低温度的影响效果,使得后续构建的分析模型具有更强的客观性与鲁棒性,增强对下一时刻的销售信息进行预测管理的可靠性,进而使得所得到的预测销售值能够规避温度对销售的影响,增强销售的预测效果,便于后续进行销售策略的制定和资源的调配,提升销售信息管理的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述系统包括:
获取模块,用于获取喀斯特地区的水果产品在不同时刻不同区域的销售数据和温度数据,将所述销售数据和温度数据共同作为状态数据;
初始异常分析模块,用于将任一时刻作为待测时刻,将任一区域作为待测区域,所述待测时刻为中心的预设时序范围作为所述待测时刻的邻域时间段,根据所述邻域时间段中待测区域的同一类型的状态数据的数值波动和数值分布,确定所述待测时刻待测区域的每一类型的状态数据的初始异常程度;
异常修正模块,用于根据所述待测区域的所有类型的状态数据的极值、邻域时间段内所有时刻所有类型的状态数据的数值分布差异,确定数值分布一致性;根据所述邻域时间段内所有时刻不同类型的状态数据的变化趋势,确定趋势变化一致性;根据所述数值分布一致性和所述趋势变化一致性,确定所述待测时刻待测区域的销售数据和温度数据的相关程度;根据待测时刻待测区域的销售数据和温度数据的所述相关程度,以及所述温度数据的初始异常程度,对所述销售数据的初始异常程度进行修正,得到销售数据的目标异常程度;
预测管理模块,用于根据待测时刻下所有区域的销售数据的目标异常程度和销售数据的数值,确定待测时刻的自适应参数,根据所有时刻的所述自适应参数构建分析模型,基于所述分析模型对下一时刻的销售信息进行预测管理,得到预测销售值。
2.如权利要求1所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述根据所述邻域时间段中待测区域的同一类型的状态数据的数值波动和数值分布,确定所述待测时刻待测区域的每一类型的状态数据的初始异常程度,包括:
任选一个状态数据的类型作为待测类型,将任意两个相距最近的时刻在待测区域中待测类型的状态数据数值的差值绝对值,作为对应两个时刻中前一时刻待测区域内待测类型的状态数据的状态波动指标;
计算所述邻域时间段中所有时刻待测区域内待测类型的所述状态波动指标的和值,得到待测区域待测类型的邻域波动指标;
计算所述待测区域待测类型的所有状态数据的数值的均值作为待测数据均值;将所述待测时刻下待测区域待测类型的状态数据的数值与所述待测数据均值的差值绝对值作为待测状态差异,对所述待测状态差异归一化得到偏差程度;
计算所述偏差程度与所述邻域波动指标的乘积的归一化值,得到所述待测时刻待测区域在待测类型的状态数据的初始异常程度。
3.如权利要求2所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述根据所述待测区域的所有类型的状态数据的极值、邻域时间段内所有时刻所有类型的状态数据的数值分布差异,确定数值分布一致性,包括:
将所有时刻下所述待测区域的销售数据的极大值和极小值的差作为销售极差,将所有时刻下所述待测区域的温度数据的极大值和极小值的差作为温度极差;
以所述邻域时间段内每一时刻温度数据的状态波动指标为分子,温度极差和第一预设常数的和值为分母,计算得到所述邻域时间段内每一时刻的温度变化指标;
以所述邻域时间段内每一时刻销售数据的状态波动指标为分子,销售极差和第二预设常数的和值为分母,计算得到所述邻域时间段内每一时刻的销售变化指标;
计算同一时刻的温度变化指标和销售变化指标的差值绝对值,得到对应时刻的状态数值差异系数;
将所述邻域时间段内所有时刻的状态数值差异系数的和值,负相关映射得到数值分布一致性。
4.如权利要求1所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述根据所述邻域时间段内所有时刻不同类型的状态数据的变化趋势,确定趋势变化一致性,包括:
以时序为横轴,状态数据的数据值为纵轴构建二维坐标系,将所述邻域时间段内所有时刻的温度数据所对应的变化曲线作为邻域温度曲线;
将所述邻域时间段内所有时刻的销售数据所对应的变化曲线作为邻域销售曲线;
基于DTW匹配算法计算所述邻域温度曲线和所述邻域销售曲线的DTW值,负相关映射得到趋势变化一致性。
5.如权利要求1所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述根据所述数值分布一致性和所述趋势变化一致性,确定所述待测时刻待测区域的销售数据和温度数据的相关程度,包括:
计算所述数值分布一致性和所述趋势变化一致性的乘积,归一化得到所述待测时刻待测区域的销售数据和温度数据的相关程度。
6.如权利要求1所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述根据待测时刻待测区域的销售数据和温度数据的所述相关程度,以及所述温度数据的初始异常程度,对所述销售数据的初始异常程度进行修正,得到销售数据的目标异常程度,包括:
根据所述温度数据的初始异常程度和所述相关程度,确定异常修正权重;
计算所述销售数据的初始异常程度与所述异常修正权重的乘积得到待测时刻待测区域的销售数据的目标异常程度。
7.如权利要求6所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述温度数据的初始异常程度与所述异常修正权重呈正相关关系,所述相关程度与所述异常修正权重呈负相关关系,所述异常修正权重的取值为归一化后的数值。
8.如权利要求1所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述根据待测时刻下所有区域的销售数据的目标异常程度和销售数据的数值,确定待测时刻的自适应参数,包括:
对待测时刻下每一区域的销售数据进行归一化,得到销售系数;
根据待测时刻下的同一区域的所述销售系数和所述销售数据的目标异常程度,确定参数影响因子;
计算待测时刻下所有区域的销售数据的目标异常程度的均值,得到异常参数指标;
将所述参数影响因子与所述异常参数指标的乘积的归一化值,作为待测时刻的自适应参数。
9.如权利要求8所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述销售系数与所述参数影响因子呈正相关关系,所述目标异常程度与所述参数影响因子呈负相关关系。
10.如权利要求1所述的一种适用于喀斯特地区生态产品销售信息管理系统,其特征在于,所述根据所有时刻的所述自适应参数构建分析模型,包括:
将所有时刻的所述自适应参数按照时序组成参数序列;
基于ARIMA算法,构建所述参数序列的ARIMA模型,并将所述ARIMA模型作为分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166773.0A CN117710008B (zh) | 2024-02-06 | 2024-02-06 | 一种适用于喀斯特地区生态产品销售信息管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166773.0A CN117710008B (zh) | 2024-02-06 | 2024-02-06 | 一种适用于喀斯特地区生态产品销售信息管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710008A CN117710008A (zh) | 2024-03-15 |
CN117710008B true CN117710008B (zh) | 2024-04-30 |
Family
ID=90157462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166773.0A Active CN117710008B (zh) | 2024-02-06 | 2024-02-06 | 一种适用于喀斯特地区生态产品销售信息管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710008B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120075910A (ko) * | 2010-12-29 | 2012-07-09 | 한국전력거래소 | 전력 수요 예측 방법 |
CN107220764A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 一种基于前导分析和因素补偿的售电量预测方法及装置 |
CN112348571A (zh) * | 2020-10-21 | 2021-02-09 | 四川长虹电器股份有限公司 | 基于销售预测系统的组合模型销售预测方法 |
CN112581212A (zh) * | 2020-12-10 | 2021-03-30 | 广州依琪信息科技有限公司 | 一种电子商务用的商城数据统计分析系统 |
CN112686713A (zh) * | 2021-01-21 | 2021-04-20 | 海澜智云科技有限公司 | 基于人工智能的服装销量预测方法、系统以及设备 |
CN116596580A (zh) * | 2023-05-22 | 2023-08-15 | 浙江理工大学 | 一种基于天气预报信息的季节性服装短期销量预测方法 |
CN117236800A (zh) * | 2023-11-14 | 2023-12-15 | 齐信科技(北京)有限公司 | 一种多场景自适应的用电负荷预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021178731A1 (en) * | 2020-03-04 | 2021-09-10 | Karl Denninghoff | Neurological movement detection to rapidly draw user attention to search results |
-
2024
- 2024-02-06 CN CN202410166773.0A patent/CN117710008B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120075910A (ko) * | 2010-12-29 | 2012-07-09 | 한국전력거래소 | 전력 수요 예측 방법 |
CN107220764A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 一种基于前导分析和因素补偿的售电量预测方法及装置 |
CN112348571A (zh) * | 2020-10-21 | 2021-02-09 | 四川长虹电器股份有限公司 | 基于销售预测系统的组合模型销售预测方法 |
CN112581212A (zh) * | 2020-12-10 | 2021-03-30 | 广州依琪信息科技有限公司 | 一种电子商务用的商城数据统计分析系统 |
CN112686713A (zh) * | 2021-01-21 | 2021-04-20 | 海澜智云科技有限公司 | 基于人工智能的服装销量预测方法、系统以及设备 |
CN116596580A (zh) * | 2023-05-22 | 2023-08-15 | 浙江理工大学 | 一种基于天气预报信息的季节性服装短期销量预测方法 |
CN117236800A (zh) * | 2023-11-14 | 2023-12-15 | 齐信科技(北京)有限公司 | 一种多场景自适应的用电负荷预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
A hybrid seasonal autoregressive integrated moving average and quantile regression for daily food sales forecasting;Nari Sivanandam Arunraj 等;《International Journal of Production Economics》;20151231;第170卷;第321-335页 * |
石漠化农村社区能源的结构优化及多能互补技术与示范;罗璐;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20160315(第3期);第J149-214页 * |
自动售卖机销量预测模型研究;刘晴;《中国优秀硕士学位论文全文数据库 基础科学辑》;20220415(第4期);第A002-726页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710008A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN102056182B (zh) | 一种基于ls-svm的移动话务量预测方法 | |
CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
CN112507610B (zh) | 一种热轧卷取温度的区间预测方法 | |
KR101432436B1 (ko) | 최근린기법을 이용한 하수처리장의 유입유량과 유입성분농도의 예측 장치 및 방법 | |
CN103177289B (zh) | 一种噪声不确定复杂非线性动态系统的建模方法 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
Truong et al. | Design of an advanced time delay measurement and a smart adaptive unequal interval grey predictor for real-time nonlinear control systems | |
CN113408869A (zh) | 一种配电网建设目标风险评估方法 | |
CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
CN103028614B (zh) | 一种带钢热连轧生产过程控制系统的优化方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
US7155367B1 (en) | Method for evaluating relative efficiency of equipment | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN117710008B (zh) | 一种适用于喀斯特地区生态产品销售信息管理系统 | |
CN102479261A (zh) | 一种新型数控机床的热误差最小二乘支持向量机建模方法 | |
CN112464567A (zh) | 基于变分同化框架的智能资料同化方法 | |
Yang et al. | Prediction models based on multivariate statistical methods and their applications for predicting railway freight volume | |
CN114093433B (zh) | 基于观测器的精馏过程单吨能耗预报精度评价方法及系统 | |
CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
CN114444392A (zh) | 动液面预测方法和装置、电子设备和存储介质 | |
CN114580151A (zh) | 一种基于灰色线性回归-马尔科夫链模型的需水预测方法 | |
CN113887816A (zh) | 一种家用电器社会保有量的智能预测方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |