CN107958297B - 一种产品需求预测方法及产品需求预测装置 - Google Patents
一种产品需求预测方法及产品需求预测装置 Download PDFInfo
- Publication number
- CN107958297B CN107958297B CN201610902912.7A CN201610902912A CN107958297B CN 107958297 B CN107958297 B CN 107958297B CN 201610902912 A CN201610902912 A CN 201610902912A CN 107958297 B CN107958297 B CN 107958297B
- Authority
- CN
- China
- Prior art keywords
- product
- current
- stage
- predicted value
- model
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产品需求预测方法,包括:根据产品阶段以及调整状态,对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型;根据初始预测值以及修正预测值,对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型;获取当前阶段的初始预测值以及当前产品阶段;使用判断模型对当前产品阶段进行处理,确定当前调整状态;若当前调整状态为需要调整,则将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值。本发明还提供一种可以实现上述方法的产品需求预测装置。本发明能够对现有预测结果进行优化,提高产品需求预测的准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种产品需求预测方法及产品需求预测装置。
背景技术
产品需求预测是企业经营中的关键环节,用于指导企业的生产和备货。过大的产品需求预测会导致库存量过多,库存成本风险增加。过小的需求预测会导致订单满足率不高,客户满意度下降。随着数据科学的发展以及企业对数据的重视程度越来越高,许多企业开始使用大数据相关的技术进行产品需求预测。产品需求预测方法包括时间序列预测法、多元回归分析法等,需求预测模型包括自回归积分滑动平均模型(AutoregressiveIntegrated Moving Average Model,简称ARIMA)、岭回归模型(也称为Ridge回归模型)等。
在现有技术中,产品需求的预测方法大致如下:根据产品需求的历史数据(如产品历史订单)建立时间序列模型;根据产品需求的预测因子(如季节性、天气、预测因子相关系数、促销活动影响等)建立回归模型;通过模拟器分别对时间序列模型以及回归模型进行评估;根据评估结果,使用贝叶斯集成方法将时间序列模型和回归模型合并,输出预测结果,如图1所示。
现有的需求预测方法依赖于已知的有规律的预测因子,当已知的预测因子出现两次以上,才能进行有效估计。然而,现有的需求预测模型考虑的预测因子有限,还有很多隐含的预测因子没有加入需求预测模型,在实际应用中隐含的预测因子对需求影响很大,因此预测结果与实际需求往往有较大出入,预测准确率不高。
发明内容
本发明提供了一种产品需求预测方法及产品需求预测装置,能够提高预测准确率。
第一方面提供了一种产品需求预测方法,包括:产品需求预测装置根据第一样本属性,对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型;根据第二样本属性,对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型;获取待处理数据,待处理数据包括当前阶段的初始预测值以及当前产品阶段;使用判断模型对当前产品阶段进行处理,确定当前调整状态;若当前调整状态为需要调整,则将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值,当前阶段的修正预测值用于制定当前阶段的生产计划;若当前调整状态为不需要调整,则输出当前阶段的初始预测值。其中,第一样本属性包括产品阶段以及调整状态,第二样本属性包括初始预测值以及修正预测值,产品阶段为产品生命周期中的一个阶段。
由此可见,修正预测值为业务专家结合产品阶段,将专家经验进行训练得到改良的需求预测模型,相比于现有产品需求预测***,本发明实施例中改良预测模型考虑的预测因子更多,因此使用本发明提供的产品需求预测方法能够提高预测精度。
在一种可能的实现方式中,产品需求预测装置根据第一样本集建立判断模型具体可以通过以下方式实现:产品需求预测装置从第一样本集中选取第一训练集,将第一训练集进行训练得到判断模型,判断模型为逻辑回归模型、决策树模型或随机森林模型。本发明实施例可以选取第一样本集中的全部或部分样本建立多种判断模型,然后利用判断模型对产品需求进行预测,可见本发明实施例具有良好的灵活性。
在另一种可能的实现方式中,产品需求预测装置可以从第一样本集中选取第一测试集,利用第一测试集对判断模型进行测试得到第一测试结果,将第一测试结果与调整状态的历史数据进行比较得到第一预测准确率;当第一预测准确率不小于第一预设阈值时,执行使用判断模型对当前产品阶段进行处理,确定当前调整状态的步骤。本发明实施例可以对判断模型进行测试,当判断模型具有良好的准确率时,才使用判断模型进行预测,从而保证产品需求预测结果的准确性。
进一步的,在另一种可能的实现方式中,产品需求预测装置使用判断模型对当前产品阶段进行处理,确定当前调整状态具体可以通过以下方式实现:产品需求预测装置使用判断模型对当前产品阶段以及当前阶段的业务专家信息进行处理,确定当前调整状态。产品调整记录包括业务专家信息的历史数据,第一样本属性还包括业务专家信息,待处理数据包括当前阶段的业务专家信息。业务专家对产品预测结果有显著影响,本发明实施例将业务专家作为判断模型的输入参数,能够体现业务专家在产品需求预测方法的影响,能够进一步提高预测的准确性。
在另一种可能的实现方式中,产品需求预测装置使用判断模型对当前产品阶段进行处理,确定当前调整状态具体可以通过以下方式实现:产品需求预测装置使用判断模型对当前产品阶段以及当前阶段的产品供应信息进行处理,确定当前调整状态。产品调整记录包括产品供应信息的历史数据,第一样本属性还包括产品供应信息,待处理数据包括当前阶段的产品供应信息,产品供应信息包括货期、供应地点或供应商数量中的至少一项。本发明实施例将产品供应信息作为判断模型的输入参数,能够体现产品供应信息在产品需求预测方法的影响,能够进一步提高预测的准确性。
进一步的,在另一种可能的实现方式中,产品需求预测装置根据第二样本集建立目标回归模型具体可以通过以下方式实现:产品需求预测装置从第二样本集中选取第二训练集,将第二训练集进行训练得到目标回归模型。本发明实施例可以选取第二样本集中全部或部分样本建立目标回归模型。
进一步的,在另一种可能的实现方式中,产品需求预测装置还可以从第二样本集中选取第二测试集,利用第二测试集对目标回归模型进行测试得到第二测试结果,计算第二测试结果与历史订单量的偏移量,根据偏移量确定第二预测准确率;当第二预测准确率不小于第二预设阈值时,产品需求预测装置执行将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值的步骤。本发明实施例可以对目标回归模型进行测试,当目标回归模型具有良好的准确率时,才使用目标回归模型进行预测,从而保证产品需求预测结果的准确性。
在另一种可能的实现方式中,在将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值之后,产品需求预测装置还可以将当前产品阶段、当前调整状态、当前阶段的初始预测值以及当前阶段的修正预测值记录在数据库中。
第二方面提供一种产品需求预测装置,能够实现第一方面的产品需求预测方法。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。
从以上实施例可以看出,本发明具有以下优点:
产品需求预测装置可以对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型;对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型;使用判断模型对当前产品阶段进行处理,确定当前调整状态;若当前调整状态为需要调整,则将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值;若当前调整状态为不需要调整,则输出当前阶段的初始预测值。本发明可以通过不规律的产品相关信息(如产品阶段)建立判断模型和目标回归模型,然后利用判断模型和目标回归模型对现有预测结果进行优化,使预测结果更加接近实际产品需求,从而提高产品需求预测的准确性。
附图说明
图1为现有技术中产品需求预测方法的一个示意图;
图2为本发明实施例中产品需求预测方法的一个流程示意图;
图3为本发明实施例中产品需求预测方法的另一个流程示意图;
图4为本发明实施例中产品需求预测方法的另一个流程示意图;
图5为本发明实施例中产品需求预测装置的一个示意图;
图6为本发明实施例中产品需求预测装置的另一个示意图;
图7为本发明实施例中产品需求预测装置的另一个示意图;
图8为本发明实施例中产品需求预测装置的另一个示意图;
图9为本发明实施例中用户设备的一个示意图。
具体实施方式
下面先对本发明提供的产品需求预测方法的应用环境进行介绍,本发明的产品需求预测方法既可以应用于用户设备,也可以应用于由用户设备和服务器构成的数据处理***。
用户设备可以是手机、平板电脑、个人数字助理(Personal Digital Assistant,简称PDA)、销售终端(Point of Sales,简称POS)或车载电脑等任意电子设备。
服务器是指提供计算服务的设备。在网络环境下,根据服务器提供的服务类型不同,服务器可以分为文件服务器,数据库服务器,应用程序服务器,WEB服务器等。
现有技术中的产品需求预测方法往往忽略对预测结果影响很大的预测因子,导致预测结果与实际需求有较大出入,预测准确率不高。在实际应用中,业务专家还要结合当前阶段的影响因数,对现有技术得到的初始预测结果进行调整。为了解决以上问题,本发明提供一种产品需求预测方法,其核心思想是获取不规律的产品相关信息的历史记录,例如历史预测结果和产品调整记录,分别对历史预测结果和产品调整记录进行训练得到回归模型以及判断模型,然后利用判断模型和回归模型对现有预测结果进行优化,从而得到更准确的预测结果。
下面以用户设备作为产品需求预测装置为例对本发明提供的产品需求预测方法进行介绍。请参阅图2,本发明提供的产品需求预测方法的一个实施例包括:
步骤201、用户设备根据第一样本属性,对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型。
本实施例中,产品调整记录的属性可以包括产品阶段、调整状态,还可以包括其他产品相关信息,例如业务专家信息(即计划员信息),产品型号,产品类型、初始预测值或修正预测值等,此处不作限定。选取产品调整记录的时间可以根据实际情况设定,例如30天、10个星期、12个月等,具体此处不作限定。产品生命周期一般可以划分为研发期、小批量发行期、正式生产以及产品末期,产品阶段是指产品生命周期的一个阶段。举例来说,当同功能的新产品研发成功时,原产品的产品阶段可以从正式生产修改为产品末期。第一样本属性可以包括产品阶段以及调整状态,用户设备根据第一样本属性对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型。
用户设备根据第一样本集建立判断模型具体可以为:用户设备可以从第一样本集中选取若干样本作为第一训练集,然后将第一训练集进行训练得到判断模型。用户设备将第一训练集进行训练得到判断模型具体可以通过以下方式实现:
在一个可选实施例中,用户设备将第一训练集进行训练得到逻辑回归模型。具体可分为三个步骤:(1)构造预测函数h(xi)=P(y=1|xi;θ);(2)构造损失函数J(θ);(3)根据梯度下降法计算逻辑回归模型的回归参数θ。其中,xi为第一训练集中的第i个样本。P(y=1|xi;θ)表示在产品阶段为产品末期时需要调整的概率。逻辑回归模型可以是Logistic函数(也称为sigmoid函数)。
在另一个可选实施例中,用户设备可以将第一训练集进行训练得到决策树模型。在另一个可选实施例中,用户设备可以将第一训练集进行训练得到随机森林模型。具体的,决策树模型或随机森林模型的训练算法可参阅现有技术中决策树算法或随机森林算法,此处不再赘述。
步骤202、用户设备根据第二样本属性,对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型。
其中,产品历史预测值包括初始预测值的历史数据以及修正预测值的历史数据,还可以包括其他产品相关信息,例如调整量等。初始预测值是指利用现有需求预测方法计算得到预测结果,修正预测值是指业务专家确定的预测结果,调整量是指修正预测值与初始预测值之间的差值,用来表示产品预测值的调整数量。
第二样本属性包括初始预测值以及修正预测值,用户设备根据第二样本属性对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型。
用户设备根据第二样本集建立目标回归模型具体可以为:用户设备可以从第二样本集中选取若干样本作为第二训练集,将第二训练集进行训练得到目标回归模型,目标回归模型是指第二训练集对应的回归模型。目标回归模型可以是线性回归模型,也可以是非线性回归模型。
在一个可选实施例中,将第二训练集进行训练得到目标回归模型具体可以为:构建目标回归模型为Z=d*K。其中,K是初始预测值,Z是修正预测值,d为目标回归模型的回归参数。根据第二训练集计算得到d的值之后,就建立了目标回归模型。
步骤203、用户设备获取待处理数据,待处理数据包括当前阶段的初始预测值以及当前产品阶段。
具体的,用户设备可以根据产品需求的历史数据获取当前阶段的初始预测值,还可以获取当前产品阶段。产品需求的历史数据可以是产品历史订单量。需要说明的是,步骤201至步骤203并无固定先后顺序。用户设备获取当前阶段的初始预测值的过程,和用户设备获取当前产品阶段的过程并无固定先后顺序,此处不作限定。
步骤204、用户设备使用判断模型对当前产品阶段进行处理,确定当前调整状态。
具体的,获取当前产品阶段以及判断模型之后,用户设备将当前产品阶段作为判断模型的输入参数,计算当前调整状态。
举例来说,当前产品阶段为产品末期,判断模型为逻辑回归模型,则计算结果为1,表明当前调整状态为需要调整,执行步骤205,当前产品阶段为正常生产,则计算结果为0,表明当前调整状态为不需要调整,执行步骤206。
步骤205、若当前调整状态为需要调整,则将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值。
若当前调整状态为需要调整,用户设备将当前阶段的初始预测值作为目标回归模型的输入参数,计算并输出当前阶段的修正预测值。用户设备可以显示修正预测值,用户可以根据当前阶段的修正预测值,制定当前阶段的生产计划。可以理解的是,用户设备可以根据当前阶段的初始预测值、当前阶段的修正预测值、调整量、业务专家等产品相关信息,输出需求预测表。
步骤206、若当前调整状态为不需要调整,则输出当前阶段的初始预测值。
若当前调整状态为不需要调整,则用户设备可以输出并显示当前阶段的初始预测值,此时用户可以根据当前阶段的初始预测值,制定当前阶段的生产计划。
在实际应用中,由于部分预测因子不具有规律性,例如产品阶段会因为同功能产品的研发成功改变状态,因此现有需求预测模型难以准确预测产品需求。在产品生命周期进入产品末期的情况下,实际产品需求将下降,由于初始预测值没有考虑不规律的预测因子(如产品阶段)的状态变化,因此初始预测值与实际产品需求相差较大。
本实施例通过产品调整记录可以估计以上预测因子对产品需求的影响,将历史预测结果和产品调整记录进行训练得到回归模型以及判断模型,然后利用回归模型以及判断模型对现有的预测结果优化,使预测结果更符合实际需求,从而提高预测准确性。
基于图2所示实施例,在本发明的一个可选实施例中,在步骤201之后,且在步骤204之前,该产品需求预测方法还包括:
用户设备从第一样本集中选取第一测试集,利用第一测试集对判断模型进行测试得到第一测试结果,将第一测试结果与调整状态的历史数据进行比较得到第一预测准确率;当第一预测准确率不小于第一预设阈值时,执行步骤204。
本实施例中,第一预设阈值用于衡量判断模型的预测准确率。用户设备可以根据第一测试集中的样本测试判断模型的预测准确率。若预测准确率不小于第一预设阈值,表明上述判断模型是可靠的,具有合理的可信度。若预测准确率小于第一预设阈值,表明上述判断模型是不够可靠,可信度较低,则可以不使用上述判断模型确定当前调整状态,此时用户设备可以通过第一训练集继续寻找合适的回归参数来获取更优的判断模型。一般来说,第一测试集中的样本与第一训练集中的样本无交叉重合,以保证测试结果的准确性。
举例来说,第一测试集包括n1个样本,第一测试结果包括n1个调整状态,其中m1个调整状态和历史调整状态一致,预测准确率为m1/n1。第一预设阈值以98%为例,若m1/n1≥98%,则确定判断模型可信,若m1/n1<98%,则确定判断模型不可信。
基于图2所示实施例,在本发明的另一个可选实施例中,在步骤202之后,且在步骤205之前,该产品需求预测方法还包括:
用户设备从第二样本集中选取第二测试集,利用第二测试集对目标回归模型进行测试得到第二测试结果,计算第二测试结果与历史订单量的偏移量,根据偏移量确定第二预测准确率;当第二预测准确率不小于第二预设阈值时,执行步骤205。
本实施例中,第二预设阈值用于衡量第二训练集对应的回归模型的精确性。用户设备可以根据第二测试集中的样本获取回归模型的预测精确度。若预测精确率不小于第二预设阈值,表明上述逻辑回归模型是可靠的,具有合理的精确度。若预测准确率小于第二预设阈值,表明上述回归模型是不够精确,可信度较低,则不使用上述回归模型计算当前阶段的修正预测值,此时用户设备可以通过第二训练集继续寻找合适的回归参数来获取更优的回归模型。
具体的,若偏移量小于预设偏移阈值,可以确定获得的修正预测值是精确的。反之,则确定获得的修正预测值不够精确,利用该回归模型计算得到的修正预测值与实际订单量误差较大。一般来说,第二测试集中的样本与第二训练集中的样本无交叉重合,以保证测试结果的准确性。
举例来说,第二测试集包括n2个样本,第二测试结果包括n2个修正预测值,其中m2个修正预测值和历史订单量之差小于预设偏移量,预测准确率为m2/n2。第二预设阈值以95%为例,若m2/n2≥95%,则确定判断模型可信,若m2/n2<95%,则确定判断模型不可信,此时用户设备可以通过第二训练集继续寻找合适的回归参数来获取更优的回归模型。
基于图2所示实施例,在本发明的另一个可选实施例中,在步骤205之后,该产品需求预测方法还包括:
用户设备将当前产品阶段、当前调整状态、当前阶段的初始预测值以及当前阶段的修正预测值记录在数据库中。
本实施例中,用户设备获取当前产品阶段、当前调整状态、当前阶段的初始预测值以及当前阶段的修正预测值之后,可以将以上数据记录在数据库中,作为下一阶段的产品需求预测的历史数据。
为了进一步提高产品需求预测模型的预测准确率,本发明还可以将产品的其他属性作为预测因子,构造更好的产品需求预测模型。请参阅图3,本发明提供的产品需求预测方法的另一个实施例包括:
步骤301、用户设备根据产品阶段、业务专家信息以及调整状态,对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型。
本实施例中,产品调整记录的属性至少包括产品阶段、业务专家信息以及调整状态,第一样本属性包括产品阶段、业务专家信息以及调整状态。用户设备根据第一样本属性从产品调整记录中采样得到第一样本集。用户设备可以从第一样本集中选取若干样本作为第一训练集,然后将第一训练集进行训练得到判断模型。本实施例中判断模型的预测因子包括产品阶段以及业务专家信息。
步骤302、用户设备根据第二样本属性,对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型。
步骤303、用户设备获取当前阶段的初始预测值、当前产品阶段以及当前阶段的业务专家信息。
步骤304、用户设备使用判断模型对当前产品阶段以及当前阶段的业务专家信息进行处理,确定当前调整状态。
具体的,获取当前产品阶段以及当前阶段的业务专家信息之后,用户设备可以将当前产品阶段、当前阶段的业务专家信息作为判断模型的输入参数,计算当前调整状态。当前阶段是指当前产品阶段对应的时期。
步骤305、若当前调整状态为需要调整,则将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值。
步骤306、若当前调整状态为不需要调整,则输出当前阶段的初始预测值。
本实施例中,步骤302与步骤202相似,步骤305与步骤205相似,步骤306与步骤206相似,此处不再赘述。
从以上可见,本实施例将业务专家信息作为判断模型的预测因子,表示业务专家信息对调整状态的影响,从而优化判断模型的判断结果,进一步提高了产品需求预测的准确性。
下面以产品供应信息作为预测因子,对本发明提供的产品需求预测方法进一步进行说明。请参阅图4,本发明提供的产品需求预测方法的另一个实施例包括:
步骤401、用户设备根据产品阶段、产品供应信息以及调整状态,对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型。
本实施例中,产品调整记录的属性至少包括产品阶段、产品供应信息以及调整状态,产品供应信息包括货期、供应地点或供应商数量中的至少一项。第一样本属性包括产品阶段、产品供应信息以及调整状态。用户设备根据第一样本属性从产品调整记录中采样得到第一样本集。用户设备可以从第一样本集中选取若干样本作为第一训练集,然后将第一训练集进行训练得到判断模型。本实施例中判断模型的预测因子包括产品阶段以及产品供应信息。
步骤402、用户设备根据第二样本属性,对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型。
步骤403、用户设备获取当前阶段的初始预测值、当前产品阶段以及当前阶段的产品供应信息。
步骤404、用户设备使用判断模型对当前产品阶段以及当前阶段的产品供应信息进行处理,确定当前调整状态。
具体的,获取当前产品阶段以及当前阶段的产品供应信息之后,用户设备可以将当前产品阶段、当前阶段的产品供应信息作为判断模型的输入参数,计算当前调整状态。
步骤405、若当前调整状态为需要调整,则将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值。
步骤406、若当前调整状态为不需要调整,则输出当前阶段的初始预测值。
本实施例中,步骤402与步骤202相似,步骤405与步骤205相似,步骤406与步骤206相似,此处不再赘述。
从以上可见,产品供应信息(如货期,供应地点或供应商数量等)的变化对产品需求的影响显著,本实施例将产品供应信息作为判断模型的预测因子,表示产品供应信息对调整状态的影响,因此可以优化判断模型的判断结果,进一步提高产品需求预测的准确性。
可以理解的是,本发明还可以将业务专家、产品供应信息和/或其他产品相关信息的组合,作为产品需求预测方法的预测因子,然后利用预测因子建立判断模型。
为便于理解,下面以一个具体应用场景对本发明实施例提供的产品需求预测方法进行详细说明:
电脑从数据库中获取产品调整记录如表1所示。当调整状态为“是”时,表示需要调整,当调整状态为“否”时,表示不需要调整。
编号 | 月份 | 业务专家 | 产品阶段 | 调整状态 |
1 | 1月 | 专家甲 | 正式生产 | 否 |
2 | 2月 | 专家甲 | 产品末期 | 是 |
3 | 3月 | 专家乙 | 正式生产 | 否 |
… | … | … | … | … |
10 | 10月 | 专家乙 | 产品末期 | 是 |
表1
当第一样本属性包括产品阶段以及调整状态时,电脑选取9个样本得到的训练集1如表2所示。
编号 | 产品阶段 | 调整状态 |
1 | 正式生产 | 否 |
2 | 产品末期 | 是 |
3 | 正式生产 | 否 |
… | … | … |
9 | 产品末期 | 是 |
表2
在训练集1中,产品阶段为产品末期的概率为50%,产品阶段为正常生产的概率为50%,在产品末期的条件下调整状态为“是”的概率是100%,在正常生产的条件下调整状态为“是”的概率是0。那么根据训练集2获得的逻辑回归函数可以是:P(y=1|xi;θ)=g(0.5+0.1x1-0.1x2),x1表示产品末期,x2表示正常生产。
电脑从数据库中获取的产品历史预测值如表3所示。
表3
当第二样本属性为初始预测值以及修正预测值时,电脑选取8个样本得到的训练集2如表4所示。
编号 | 初始预测值 | 修正预测值 |
1 | 3280 | 1000 |
2 | 948 | 200 |
… | … | … |
8 | 2429 | 1400 |
表4
当根据训练集2训练回归函数是:Z=d×K时,计算d=0.53。
当前阶段以11月为例,电脑获取11月的初始预测值以及当前产品阶段。当前产品阶段以产品末期为例,则将产品末期作为判断模型的输入参数(即x1=1,x2=0),计算当前调整状态P(y=1|x1;θ)=g(0.6)=1,表示当前调整状态为需要调整。11月的初始预测值以2800为例,电脑将2800作为Z=0.53×K的输入参数,计算并显示修正预测值Z=1484。
若当前产品阶段为正常生产,电脑将正常生产作为判断模型的输入参数(即x2=1,x1=0),计算当前调整状态P(y=1|x2;θ)=g(0.4)=0,表示当前调整状态为不需要调整,输出并显示预测结果K=2800。在产品生命周期进入产品末期的情况下,实际产品需求将下降,由于初始预测值没有考虑产品阶段的变化,因此初始预测值与实际产品需求相差较大,本发明将产品阶段作为预测因子,将产品阶段的变化加入产品需求预测方法,从而提高了预测准确性。
基于本发明上述提供的产品需求预测方法,请参阅图5,本发明提供产品需求预测装置500的一个实施例包括:
第一训练模块501,用于根据第一样本属性,对产品调整记录进行采样得到第一样本集,根据第一样本集建立判断模型,第一样本属性包括产品阶段以及调整状态;
第二训练模块502,用于根据第二样本属性,对产品历史预测值进行采样得到第二样本集,根据第二样本集建立目标回归模型,第二样本属性包括初始预测值以及修正预测值;
获取数据模块503,用于获取待处理数据,待处理数据包括当前阶段的初始预测值以及当前产品阶段;
确定状态模块504,用于使用判断模型对当前产品阶段进行处理,确定当前调整状态;
预测模块505,用于若当前调整状态为需要调整,则将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值,当前阶段的修正预测值用于制定当前阶段的生产计划;若当前调整状态为不需要调整,则输出当前阶段的初始预测值。
基于图5所示实施例,在本发明的一个可选实施例中,第一训练模块501具体用于从第一样本集中选取第一训练集,将第一训练集进行训练得到判断模型,判断模型为逻辑回归模型、决策树模型或随机森林模型。
基于图5所示实施例或可选实施例,在本发明的另一个可选实施例中,产品需求预测装置500还包括:
第一测试模块601,用于从第一样本集中选取第一测试集,利用第一测试集对判断模型进行测试得到第一测试结果,将第一测试结果与调整状态的历史数据进行比较得到第一预测准确率;当第一预测准确率不小于第一预设阈值时,触发确定状态模块504执行使用判断模型对当前产品阶段进行处理,确定当前调整状态的步骤。
基于图5所示实施例或可选实施例,在本发明的另一个可选实施例中,产品调整记录包括业务专家信息的历史数据,第一样本属性还包括业务专家信息,待处理数据包括当前阶段的业务专家信息。确定状态模块504具体用于使用判断模型对当前产品阶段以及当前阶段的业务专家信息进行处理,确定当前调整状态。
基于图5所示实施例或可选实施例,在本发明的另一个可选实施例中,产品调整记录包括产品供应信息的历史数据,第一样本属性还包括产品供应信息,待处理数据包括当前阶段的产品供应信息,产品供应信息包括货期、供应地点或供应商数量中的至少一项;
确定状态模块504具体用于使用判断模型对当前产品阶段以及当前阶段的产品供应信息进行处理,确定当前调整状态。
基于图5所示实施例或可选实施例,在本发明的另一个可选实施例中,产品需求预测装置500还包括:
第二测试模块701,用于从第二样本集中选取第二测试集,利用第二测试集对目标回归模型进行测试得到第二测试结果,计算第二测试结果与历史订单量的偏移量,根据偏移量确定第二预测准确率;
当第二预测准确率不小于第二预设阈值时,触发预测模块505执行将当前阶段的初始预测值代入目标回归模型计算,输出当前阶段的修正预测值的步骤。
基于图5所示实施例或可选实施例,在本发明的另一个可选实施例中,产品需求预测装置500还包括:
记录模块801,用于将当前产品阶段、当前调整状态、当前阶段的初始预测值以及当前阶段的修正预测值记录在数据库中。
为便于理解,下面以一个具体应用场景对本发明实施例提供的产品需求预测装置中各模块之间的交互进行详细说明:
第一训练模块501从数据库中获取产品调整记录如表1所示。当调整状态为“是”时,表示需要调整,当调整状态为“否”时,表示不需要调整。
编号 | 月份 | 业务专家 | 产品阶段 | 调整状态 |
1 | 1月 | 专家甲 | 正式生产 | 否 |
2 | 2月 | 专家甲 | 产品末期 | 是 |
3 | 3月 | 专家乙 | 正式生产 | 否 |
… | … | … | … | … |
10 | 10月 | 专家乙 | 产品末期 | 是 |
表1
当第一样本属性包括产品阶段以及调整状态时,第一训练模块501选取9个样本得到的训练集1如表2所示。
表2
在训练集1中,产品阶段为产品末期的概率为50%,产品阶段为正常生产的概率为50%,在产品末期的条件下调整状态为“是”的概率是100%,在正常生产的条件下调整状态为“是”的概率是0。那么第一训练模块501根据训练集2获得的逻辑回归函数可以是:P(y=1|xi;θ)=g(0.5+0.1x1-0.1x2),x1表示产品末期,x2表示正常生产。
第二训练模块502获取的产品历史预测值如表3所示。
编号 | 初始预测值 | 修正预测值 | 调整量 |
1 | 14474 | 14474 | 0 |
2 | 3280 | 1000 | 2280 |
3 | 948 | 200 | 748 |
… | … | … | … |
10 | 2429 | 1400 | 1029 |
表3
当第二样本属性为初始预测值以及修正预测值时,第二训练模块502选取8个样本得到的训练集2如表4所示。
编号 | 初始预测值 | 修正预测值 |
1 | 3280 | 1000 |
2 | 948 | 200 |
… | … | … |
8 | 2429 | 1400 |
表4
当根据训练集2训练回归函数是Z=d×K时,计算d=0.53。
当前阶段以11月为例,获取数据模块503分别获取当前阶段的初始预测值以及当前产品阶段。当前产品阶段以产品末期为例,则将产品末期作为判断模型的输入参数(即x1=1,x2=0),计算当前调整状态P(y=1|x1;θ)=g(0.6)=1,表示当前调整状态为需要调整。11月的初始预测值以2800为例,预测模块505将2800作为Z=0.53×K的输入参数,计算并显示修正预测值Z=1484。
若当前产品阶段为正常生产,确定状态模块504将正常生产作为判断模型的输入参数(即x2=1,x1=0),计算当前调整状态P(y=1|x2;θ)=g(0.4)=0,表示当前调整状态为不需要调整,预测模块505输出并显示预测结果K=2800。
下面从硬件装置角度来对本发明实施例中的用户设备900进行介绍,图5至图8所示实施例中产品需求预测装置500均可以基于该用户设备900的结构,实现本发明提供的产品需求预测方法。本发明提供的用户设备900的一个实施例包括:
用户设备900包括输入装置901、输出装置902、处理器903、存储器904以及总线;输入装置901、输出装置902、处理器903以及存储器904之间通过总线相互连接。
处理器903可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件等。
存储器904可以包括随机存取存储器(Random Access Memory,简称RAM)实现,也可能包括非易失性存储器(Non-Volatile Memory,简称NVM),例如至少一个磁盘存储器。
存储器904用于存储数据以及操作指令,通过调用存储器904存储的操作指令,处理器903可以执行图2至图4所示实施例或可选实施例中的产品需求预测处理方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种产品需求预测方法,其特征在于,包括:
根据第一样本属性,对产品调整记录进行采样得到第一样本集,根据所述第一样本集建立判断模型,所述第一样本属性包括产品阶段以及调整状态;
根据第二样本属性,对产品历史预测值进行采样得到第二样本集,根据所述第二样本集建立目标回归模型,所述第二样本属性包括初始预测值以及修正预测值;
获取待处理数据,所述待处理数据包括当前阶段的初始预测值以及当前产品阶段;
使用所述判断模型对所述当前产品阶段进行处理,确定当前调整状态;
若所述当前调整状态为需要调整,则将所述当前阶段的初始预测值代入所述目标回归模型计算,输出当前阶段的修正预测值,所述当前阶段的修正预测值用于制定当前阶段的生产计划;
若所述当前调整状态为不需要调整,则输出所述当前阶段的初始预测值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本集建立判断模型包括:
从所述第一样本集中选取第一训练集,将所述第一训练集进行训练得到判断模型,所述判断模型为逻辑回归模型、决策树模型或随机森林模型。
3.根据权利要求2所述的方法,其特征在于,在所述使用所述判断模型对所述当前产品阶段进行处理,确定当前调整状态之前,所述方法还包括:
从所述第一样本集中选取第一测试集,利用所述第一测试集对所述判断模型进行测试得到第一测试结果,将所述第一测试结果与调整状态的历史数据进行比较得到第一预测准确率;
当所述第一预测准确率不小于第一预设阈值时,执行所述使用所述判断模型对所述当前产品阶段进行处理,确定当前调整状态的步骤。
4.根据权利要求2所述的方法,其特征在于,所述产品调整记录包括业务专家信息的历史数据,所述第一样本属性还包括业务专家信息,所述待处理数据包括当前阶段的业务专家信息;
所述使用所述判断模型对所述当前产品阶段进行处理,确定当前调整状态包括:
使用所述判断模型对所述当前产品阶段以及当前阶段的业务专家信息进行处理,确定当前调整状态。
5.根据权利要求2所述的方法,其特征在于,所述产品调整记录包括产品供应信息的历史数据,所述第一样本属性还包括产品供应信息,所述待处理数据包括当前阶段的产品供应信息,所述产品供应信息包括货期、供应地点或供应商数量中的至少一项;
所述使用所述判断模型对所述当前产品阶段进行处理,确定当前调整状态包括:
使用所述判断模型对所述当前产品阶段以及当前阶段的产品供应信息进行处理,确定当前调整状态。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述根据所述第二样本集建立目标回归模型包括:
从所述第二样本集中选取第二训练集,将所述第二训练集进行训练得到目标回归模型。
7.根据权利要求6所述的方法,其特征在于,在所述将所述当前阶段的初始预测值代入所述目标回归模型计算,输出当前阶段的修正预测值之前,所述方法还包括:
从所述第二样本集中选取第二测试集,利用所述第二测试集对所述目标回归模型进行测试得到第二测试结果,计算所述第二测试结果与历史订单量的偏移量,根据所述偏移量确定第二预测准确率;
当所述第二预测准确率不小于第二预设阈值时,执行所述将所述当前阶段的初始预测值代入所述目标回归模型计算,输出当前阶段的修正预测值的步骤。
8.根据权利要求6所述的方法,其特征在于,在所述将所述当前阶段的初始预测值代入所述目标回归模型计算,输出当前阶段的修正预测值之后,所述方法还包括:
将所述当前产品阶段、所述当前调整状态、所述当前阶段的初始预测值以及当前阶段的修正预测值记录在数据库中。
9.一种产品需求预测装置,其特征在于,包括:
第一训练模块,用于根据第一样本属性,对产品调整记录进行采样得到第一样本集,根据所述第一样本集建立判断模型,所述第一样本属性包括产品阶段以及调整状态;
第二训练模块,用于根据第二样本属性,对所述产品历史预测值进行采样得到第二样本集,根据所述第二样本集建立目标回归模型,所述第二样本属性包括初始预测值以及修正预测值;
获取数据模块,用于获取待处理数据,所述待处理数据包括当前阶段的初始预测值以及当前产品阶段;
确定状态模块,用于使用所述判断模型对所述当前产品阶段进行处理,确定当前调整状态;
预测模块,用于若所述当前调整状态为需要调整,则将所述当前阶段的初始预测值代入所述目标回归模型计算,输出当前阶段的修正预测值,所述当前阶段的修正预测值用于制定当前阶段的生产计划;若所述当前调整状态为不需要调整,则输出当前阶段的初始预测值。
10.根据权利要求9所述的装置,其特征在于,所述第一训练模块具体用于从所述第一样本集中选取第一训练集,将所述第一训练集进行训练得到判断模型,所述判断模型为逻辑回归模型、决策树模型或随机森林模型。
11.根据权利要求10所述的装置,其特征在于,所述产品需求预测装置还包括:
第一测试模块,用于从所述第一样本集中选取第一测试集,利用所述第一测试集对所述判断模型进行测试得到第一测试结果,将所述第一测试结果与调整状态的历史数据进行比较得到第一预测准确率;
当所述第一预测准确率不小于第一预设阈值时,触发所述确定状态模块执行所述使用所述判断模型对所述当前产品阶段进行处理,确定当前调整状态的步骤。
12.根据权利要求10所述的装置,其特征在于,所述产品调整记录包括业务专家信息的历史数据,所述第一样本属性还包括业务专家信息,所述待处理数据包括当前阶段的业务专家信息;
所述确定状态模块具体用于使用所述判断模型对所述当前产品阶段以及当前阶段的业务专家信息进行处理,确定当前调整状态。
13.根据权利要求10所述的装置,其特征在于,所述产品调整记录包括产品供应信息的历史数据,所述第一样本属性还包括产品供应信息,所述待处理数据包括当前阶段的产品供应信息,所述产品供应信息包括货期、供应地点或供应商数量中的至少一项;
所述确定状态模块具体用于使用所述判断模型对所述当前产品阶段以及当前阶段的产品供应信息进行处理,确定当前调整状态。
14.根据权利要求9至13中任一项所述的装置,其特征在于,所述第二训练模块具体用于从所述第二样本集中选取第二训练集,将所述第二训练集进行训练得到目标回归模型。
15.根据权利要求14所述的装置,其特征在于,所述产品需求预测装置还包括:
第二测试模块,用于从所述第二样本集中选取第二测试集,利用所述第二测试集对所述目标回归模型进行测试得到第二测试结果,计算所述第二测试结果与历史订单量的偏移量,根据所述偏移量确定第二预测准确率;
当所述第二预测准确率不小于第二预设阈值时,触发所述预测模块执行所述将所述当前阶段的初始预测值代入所述目标回归模型计算,输出当前阶段的修正预测值的步骤。
16.根据权利要求14所述的装置,其特征在于,所述产品需求预测装置还包括:
记录模块,用于将所述当前产品阶段、所述当前调整状态、所述当前阶段的初始预测值以及当前阶段的修正预测值记录在数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610902912.7A CN107958297B (zh) | 2016-10-17 | 2016-10-17 | 一种产品需求预测方法及产品需求预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610902912.7A CN107958297B (zh) | 2016-10-17 | 2016-10-17 | 一种产品需求预测方法及产品需求预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107958297A CN107958297A (zh) | 2018-04-24 |
CN107958297B true CN107958297B (zh) | 2021-10-26 |
Family
ID=61954388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610902912.7A Active CN107958297B (zh) | 2016-10-17 | 2016-10-17 | 一种产品需求预测方法及产品需求预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958297B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829718B (zh) * | 2018-05-07 | 2021-04-06 | 北京奇艺世纪科技有限公司 | 一种数据处理的方法和装置 |
CN109101612B (zh) * | 2018-08-06 | 2022-06-17 | 优信数享(北京)信息技术有限公司 | 一种提供解决方案的方法、装置和*** |
CN109544076B (zh) * | 2018-11-28 | 2021-06-18 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111717588B (zh) * | 2019-03-20 | 2024-04-16 | 北京京东乾石科技有限公司 | 自动立体仓库的管理方法、***、装置和可读存储介质 |
CN110083802B (zh) * | 2019-04-12 | 2022-05-03 | 重庆邮电大学 | 基于多目标回归的高速公路收费站车流量大数据预测方法 |
CN112668746A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 一种备用模块需求预测方法、装置、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
CN102142120A (zh) * | 2010-02-01 | 2011-08-03 | 台湾积体电路制造股份有限公司 | 动态库存控制的方法与*** |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测***及方法 |
CN104636823A (zh) * | 2015-01-23 | 2015-05-20 | 中国农业大学 | 一种风电功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020165765A1 (en) * | 2001-05-03 | 2002-11-07 | Benny Sommerfeld | Method for managing a product strategy |
-
2016
- 2016-10-17 CN CN201610902912.7A patent/CN107958297B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142120A (zh) * | 2010-02-01 | 2011-08-03 | 台湾积体电路制造股份有限公司 | 动态库存控制的方法与*** |
CN102214338A (zh) * | 2010-04-06 | 2011-10-12 | 上海驭策信息技术有限公司 | 销售预测***及方法 |
CN101819668A (zh) * | 2010-04-27 | 2010-09-01 | 浙江大学 | 基于产品固有生命周期特征的销售预测模型 |
CN104636823A (zh) * | 2015-01-23 | 2015-05-20 | 中国农业大学 | 一种风电功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107958297A (zh) | 2018-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
US11593817B2 (en) | Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium | |
US8027897B2 (en) | System and method for optimizing financial performance generated by marketing investments under budget constraints | |
CN108710905B (zh) | 一种基于多模型联合的备件数量预测方法和*** | |
US8180693B2 (en) | Prediction of financial performance for a given portfolio of marketing investments | |
US20140207705A1 (en) | Residual risk analysis system, method and computer program product therefor | |
CN110555578B (zh) | 一种销量预测方法和装置 | |
CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
US20210065128A1 (en) | System and method for recruitment candidate equity modeling | |
CN111652655A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
US20200034859A1 (en) | System and method for predicting stock on hand with predefined markdown plans | |
US11301763B2 (en) | Prediction model generation system, method, and program | |
CN116188061A (zh) | 商品销量预测方法、装置、电子设备及存储介质 | |
Mishra et al. | Failure prediction model for predictive maintenance | |
CN110574065A (zh) | 预测管理***及方法 | |
JP2013131259A (ja) | 統合需要予測装置、統合需要予測方法、及び統合需要予測プログラム | |
JP5847137B2 (ja) | 需要予測装置及びプログラム | |
CN114372735A (zh) | 一种物流供应链中缓冲库存数量数据的确定方法以及装置 | |
US11586951B2 (en) | Evaluation system, evaluation method, and evaluation program for evaluating a result of optimization based on prediction | |
US8180694B2 (en) | System and method for incorporating qualitative inputs into econometric models | |
KR102531633B1 (ko) | 기술 자산 기여도를 이용한 제약 산업 기술자산평가 시스템 및 방법 | |
US20210397993A1 (en) | Generalized machine learning application to estimate wholesale refined product price semi-elasticities | |
US20200192915A1 (en) | Prediction model generation system, method, and program | |
Demgne et al. | Modelling and numerical assessment of a maintenance strategy with stock through piecewise deterministic Markov processes and quasi Monte Carlo methods | |
CN115943399A (zh) | 生成方法、生成装置、程序、信息处理方法及信息处理装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |