CN108629618A - 一种无模型推测基础的产品销售预测方法及*** - Google Patents
一种无模型推测基础的产品销售预测方法及*** Download PDFInfo
- Publication number
- CN108629618A CN108629618A CN201810239713.1A CN201810239713A CN108629618A CN 108629618 A CN108629618 A CN 108629618A CN 201810239713 A CN201810239713 A CN 201810239713A CN 108629618 A CN108629618 A CN 108629618A
- Authority
- CN
- China
- Prior art keywords
- sales data
- model
- product
- predicted
- inference
- 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 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000012552 review Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 240000003768 Solanum lycopersicum Species 0.000 claims 1
- 238000013135 deep learning Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 241000227653 Lycopersicon Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了无模型推测基础的产品销售预测方法及***，所述方法包括建立数据库，用于储存产品历史销售数据及多种变异项；提供预处理模块，用于由储存于该数据库中之该过往相似的产品历史销售数据及其对应之多种变异项以找出销售数据的主要特征，及优化该主要特征及其系数；提供计算模块，用于计算预测数据：置入共变项算出该待预测产品的系数及加总该待预测产品的系数相乘已优化之该主要特征的总数，以预测该待预测产品销售数据；和提供输出模块，用于输出该待预测产品销售数据。采用本发明实施例，无需要服务器建立模型来进行销售数据的预测，有利于提高服务器的预测效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种无模型推测基础的产品销售预测方法及***。
背景技术
销售预测在一公司的表现中扮演重要角色。不准确的预测可能会使得产品容易售磬或滞销，因而造成公司庞大的损失。然而，「销售预测」一直以来都是的不容易的，因为在销售中会有许多复杂且不确定的因子或机制，导致对于产品如何被售出以及为何会被购买的原因，知道得非常少。因此，推演出一套正确的数学模型来描述销售状况是非常困难的。
尽管销售预测非常困难，仍然有许多人在这块上面付出许多努力。大部分现行的方法可分为三大类；第一大类：普遍大众倾向导出具有几个特定假设的明确数学公式来预测未来销售情形。例如Bass,F.M.(1969)(A new product growth for model consumerdurables.Management Science 15,215–227)在假设消费者不会买超过一个该产品的前提假设下提出一个简单的扩散模型，即巴斯扩散模型(Bass diffusion model)，利用该模型来叙述一个新产品的销售状况；Ishii et al.2012(A mathematical model of humandynamics interactions as a stochastic process"New J.Phys.14)，提出一种随机模型，诠释口耳相传(word-of-mouth，WoM)对于销售的效果。第二大类：在这一大类中，会运用时间序模型，例如指数平滑法(exponential smoothing)、自身回归整合移动平均模型(ARIMA)、广义自我回归条件异质性(GARCH)等等来预测销售状况。第三大类：机器学习(machine learning)及数据探勘(data mining)方法。例如Ghiassi et al.2015(Pre-production forecasting of movie revenues with a dynamic artificial neuralnetwork.Expert Systems with Applications 42,3176–3193)利用人工类神经网络(artificial neural network)来预测电影的收益；Kulkarni et al.2012(Using onlinesearch data to forecast now product sales.Decision Support System 52,604–611)则采纳网络搜寻量来预测未来销售状况。
可惜的是，上述的方法倚赖事先决定的特定的参数模型，而现实生活中，产品的销售往往是非常复杂而难以通过参数模型来叙述。例如，无论是巴斯扩散模型或是WoM模型皆无法描述季节性效应对产品销售的影响。而大多的时间序模型是线性的，而无法处理在销售数据中的不对称行为(asymmetric behavior)(Makridakis et al.,1998.Forecastingmethods and applications(3rd ed.).Wiley.)。再者，机器学习及数据探勘方法试图利用更多复杂的模型来呈现销售行为，然而这样的做法却经常导致过度拟合(overfitting)，因此实务上鲜少使用(Tetko et al.,1995.Neural network studies.1.comparison ofoverfitting and overtraining.Journal of Chemical Information and Modeling 35,826–833；Leinweber,2007Stupid data miner tricks:Overfitting the s&p 500.TheJournal of Investing 16,15–22)。
其他预测方法，例如以评论为基础的方法(judgement-based method)、Bases及Lin模型、集群法等等。
因此，本发明提供了一无参数模型，用于取代事先默认的方程式。本发明的无参数模型完全通过历史数据来产生最适合的方程式，且会自动选择对于销售行为中具有或可能影响销售的变因的共变量，无需要服务器建立模型来进行销售数据的预测，有利于提高服务器的预测计算效率。
发明内容
本发明的目的是提供一种无模型推测基础的产品销售数据预测方法，其特征在于，包含：A.建立一数据库，用于储存过往相似的产品历史销售数据的记录及多种变异项；B.提供一预处理模块用于处理：b1.由储存于该数据库中之该过往相似的产品历史销售数据及其对应之多种变异项以找出销售数据的主要特征，及b2.利用统计优化方式，优化该主要特征及其系数；C.提供一计算模块，用于计算预测数据：c1.置入一待预测产品的共变项，以算出该待预测产品的系数，及c2.加总该待预测产品的系数相乘该已优化之该主要特征的总数，以预测该待预测产品销售数据；以及，D.提供一输出模块，用于输出该待预测产品销售数据。
在一实施例中，其中该历史销售数据是一真实数据。
在一实施例中，其中该主要特征是通过统计成分分析法或自动编码器估算。
在一实施例中，其中该统计成分分析法是主成分分析(Principal ComponentAnalysis)。
在一实施例中，其中该主要特征是通过奇异值分解(singular valuedecomposition)或非负矩阵分解(nonnegative matrix decomposition)估算。
在一实施例中，其中该统计优化方式是基追踪(Basis pursuit)或非参数回归模型估算。于一较佳实施例中，其中该非参数回归模型是区域多项式回归(local polynomialregression)或支持向量回归(support vector regression)。
在一实施例中，其中该待预测产品的系数是依拟合稀疏单指数模型(fittedsparse single indexed model)估算。
本发明更提供了一种无模型推测基础的产品销售数据预测方法，其特征在于，包括：A.建立一数据库，用于储存过往相似的产品历史销售值X及多种变异项；B.提供一预处理模块，用于处理：b1.由该数据库中储存的该过往相似的产品历史销售值X及多种变异项记录Z找出主要特征，b2.提供式1的方程式，
其中，是用于产生一曲线X(t|Z)的基底函数，αk是相对于的基底系数，其中αk(Z)取决于共变量Z，b3.将αk视为Z的函数αk(Z)并改写式I为式I-1，
b4.提供n个产品销售值与可能影响销售的变因Zi，
利用的自动编码器分解找出式II中的以代表
b5.通过式III而获得αi,k(Zi)的值，
以代表αi,k(Zi)，及b6.通过非参数回归模型估算及Zi之间的关系，经计算以找出αk及Z之间的关系，其中1≤i≤n；C.提供一计算模块，用于计算销售数据：c1.将该待预测产品的共变量Z带入，来预测该产品的系数及c2.提供一个式IV，以计算出该待预测产品的销售预测数据
其中αk为以及，D.提供一输出模块，用于输出该待预测产品销售数据。
在一实施例中，其中该产品是手机或电影票房。
在一实施例中，其中该产品是电影票房。于一较佳实施例中，其中该共变量Z包含预算、获奖数、取自rottentomatoes.com的烂番茄指数(包括该电影的平均评分、评论数、新鲜(正面)、腐烂(负面)评价、影迷评分，包括平均评分及用户评分)、IMDb的评分、Metascore、和评价数。于另一较佳实施例中，其中该共变量Z包含每日票房、排行、分数评比、评分的使用者人数、评价数、上映日期作为数据库，训练式1产品销售时间的基底函数。
在一实施例中，其中该主要特征是通过统计成分分析法或自动编码器估算。
在一实施例中，其中该统计成分分析法是主成分分析。
在一实施例中，其中该主要特征是通过奇异值分解(singular valuedecomposition)或非负矩阵分解(nonnegative matrix decomposition)估算。
在一实施例中，其中该待预测产品的系数是依拟合稀疏单指数模型(fittedsparse single indexed model)估算。
在一实施例中，其中该非参数回归模型是区域多项式回归(local polynomialregression)或支持向量回归(support vector regression)。
本发明并提供了一种无模型推测基础的产品销售数据预测***，其特征在于，包含：A.一数据库，用于：用于储存过往相似的产品历史销售数据的记录及多种变异项；B.一预处理模块，用于：b1.由储存于该数据库中之该过往相似的产品历史销售数据及其对应之多种变异项以找出销售数据的主要特征，及b2.利用统计优化方式，优化该主要特征及其系数；C.一计算预测数据模块，用于：c1.置入一待预测产品的共变项，以算出该待预测产品的系数，及c2.加总该待预测产品的系数相乘该已优化之该主要特征的总数，以预测该待预测产品销售数据；以及，D.一输出模块，用于：输出该待预测产品销售数据。
在一实施例中，其中该历史销售数据是一真实数据。
在一实施例中，其中该主要特征是通过统计成分分析法或自动编码器估算。
在一实施例中，其中该统计成分分析法是主成分分析(Principal ComponentAnalysis)。
在一实施例中，其中该主要特征是通过奇异值分解(singular valuedecomposition)或非负矩阵分解(nonnegative matrix decomposition)估算。
在一实施例中，其中该统计优化法是基追踪(Basis pursuit)或非参数回归模型估算。
在另一实施例中，其中该非参数回归模型是区域多项式回归(local polynomialregression)或支持向量回归(support vector regression)。
在一实施例中，其中该待预测产品的系数是依拟合稀疏单指数模型(fittedsparse single indexed model)估算。
本发明以类似产品销售数据的模式，再利用这些模式，结合其他市场调查的结果预测新产品的销售情形，进而可对欲销售的产品营销策略做实时的调整来符合市场需求，或甚至更进一步创造需求，用于提高产品销售率。
本发明与现有技术不同之处在于现有技术均需假设销售模式来自一个已知的数学模型，例如巴斯扩散模型(Bass diffusion model)等；然而不同的模型均各自有其假设与限制，如巴斯扩散模型假设每个人只能购买一次产品。现实产品销售情形往往难以符合已知模型的模型假设，因此利用这些模型预测产品销售数据往往难以得到满意的预测。
本发明解决现有技术此一缺点，利用分析类似产品的真实历史销售数据，找出类似产品销售数据的模式，再利用这些模式，结合其他市场调查的结果预测新产品的销售情形。本技术的优势在于不需要限制消费者的消费模式之类的模型假设，因此可得到较精确的销售预测结果。
本发明找到一用于表现销售活动的自动编码/解码正交模型(orthonormalpattern)。一旦这样的模型找到了，便可以通过这些模型的组合来呈现销售曲线，并通过非参数回归来预测未来销售状况。
一种无模型推测基础的产品销售预测方法，包括：
提供过往相似的产品历史销售值X及多种变异项，
利用统计成分分析方法，由该过往相似的产品历史销售记录多种变异项找出主要的变异项
提供式1的方程式，
其中，是用于产生一曲线X(t|Z)的基底函数，αk是相对于的基底系数，其中αk(Z)取决于共变量Z，
将αk视为Z的函数αk(Z)并改写式I为式I-1，
提供n个产品销售值与可能影响销售的变因Zi，
利用的非负矩阵分解，找出式II中的αi,k及以及分别代表αi,k及
通过式III而获得αi,k(Zi)的值，
通过非参数回归模型估算αi,k(Zi)及Zi之间的关系，
找出αk及Z之间的关系，其中1≤i≤n；
将该待预测产品的共变量Z带入，来预测该产品的系数及
提供一个式IV，得到该待预测产品的销售预测
其中αk为
文中“共变量”指对于销售行为中具有或可能影响销售的变因的共变量。令X(t|Z)代表在t时间的产品销售曲线，Z为一些对于销售活动具有影响力的共变量Z＝(z1,z2,···,zp)′。由于大部分的销售曲线有相似的形状，例如：单调递减(monotonedecreasing)、钟形、S形曲线等等。合理假设X(t|Z)可通过一正交基底函数的固定数字来呈现。因此，先假设
其中，是用于产生一曲线X(t|Z)的基底函数，αk(Z)是相对于的基底系数，其中αk(Z)可能取决于共变量Z。须注意的是，αk(Z)彼此之间并无关连，因为为正交集。是在各种可能的销售曲线中的一种模式(或特征)。然而，不同于先前是根据一些特定假设的销售行为来预先决定一个曲线模式的明确公式，本发明是根据历史销售数据来测定该模式，其叙述如下。
从一个含有n产品的历史销售曲线的数据库(也就是X1(t|Z1),
X2(t|Z2),···,Xn(t|Zn))中假设
由式II的假设式得知，可以通过奇异值分解(singular value decomposition)或非负矩阵分解(nonnegative matrix decomposition)函数等等自动编码器演算法从数据库中估算式1的基底函数一旦估算好(以表示)，系数αi,k(Zi)(以表示)也进而可以通过例如解开式III而获得
分别通过及估算好及αi,k(Zi)，本发明可以通过对应至n的基底系数来呈现n的历史销售曲线。系数可能是取决于共变量Zi，在操作时，Zi可能是未知的。本发明通过非参数回归模型(例如区域多项式回归(localpolynomial regression，Fan et al.,1996)、支持向量回归(support vectorregression，Drucker et al.,1997))来估算及Zi之间的关系，而并非具体指出及Zi之间的闭合形式关系。当共变量Z为未知的时候，可提供一些共变量的候选项，并通过变量选择程序(variable selection procedures)，例如：Miller et al.,2010,Local polynomial regression and variable selection,Volume Volume 6ofCollections,pp.216–233.Beachwood,Ohio,USA:Institute of MathematicalStatistics、Bi et al.,2003,Dimensionality Reduction via Sparse Support VectorMachines 3,1229-1243；Li 2007Sparse sufficient dimension reduction.Biometrika94,603–613)来选择真实的共变量。
附图说明
图1为本发明实施例的方法流程图。
图2为电影《飓风营救3》(Taken 3)的每日总收额与预测总收额图。
图3为电影《最后那五年》(The Last Five Years)的每日总收额与预测总收额图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一具体实施例中，利用每日票房预测来验证本发明。收集2013年至2014年的每日票房、排行、分数评比、评分的使用者人数、评价数、上映日期等等作为数据库来训练本发明的模型的基底函数以及其他未知项。以2015年的电影来做为验证。在本实施例中利用两部电影来呈现本发明的预测准度：《飓风营救3》(Taken 3，上映日期2015年5月14日)，及《最后那五年》(Last Five Years，上映日期2015年3月5日)。
票房第i部电影在第tij天；其中，令Xij＝Xi(tij)，1≤tij≤Ti。令T＝Ti及Zi为第i部电影的共变量；该共变量包含预算、获奖数、取自rottentomatoes.com的烂番茄指数(包括该电影的平均评分、评论数、新鲜(正面)、腐烂(负面)评价、影迷评分，包括平均评分及用户评分)、IMDb的评分、Metascore、和评价数。
步骤：1.将Xij展开如下：
2.利用的非负矩阵分解(Berry et al.,，2007,Algorithms andapplications for approximate nonnegative matrix factorization.ComputationalStatistics and Data Analysis 52,155–173)找出式II中的αi,k及以及分别代表αi,k及
3.利用拟合稀疏单指数模型(fitting sparse single indexed models)(Alquier et al.,2013,Sparse single-index model.Journal of Machine LearningResearch 14,243–280.)找出αk及Z之间的关系，其中1≤i≤n。
4.预测一新的电影：将该电影的评价Z带入步骤3的拟合稀疏单指数模型(fittedsparse single indexed model)来预测该电影的系数αk。令αk为该电影的票房预测可通过下述式子得到：
《飓风营救3》及《最后那五年》的评分非常相似。然而，《飓风营救3》的总收额却显着高于《最后那五年》。实际总收额与本发明的预测总收额的图显示于图1及图2。由两个图可知本发明的预测模型相当公正准确地运用在两部电影之中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (26)
1.一种无模型推测基础的产品销售数据预测方法，其特征在于，包含：
A.建立一数据库，用于储存过往相似的产品历史销售数据的记录及多种变异项；
B.提供一预处理模块用于处理：
b1.由储存于该数据库中之该过往相似的产品历史销售数据及其对应之多种变异项以找出销售数据的主要特征，及
b2.利用统计优化方式，优化该主要特征及其系数；
C.提供一计算模块，用于计算预测数据：
c1.置入一待预测产品的共变项，以算出该待预测产品的系数，及
c2.加总该待预测产品的系数相乘已优化之该主要特征的总数，以预测该待预测产品销售数据；以及，
D.提供一输出模块，用于输出该待预测产品销售数据。
2.如权利要求1所述的无模型推测基础的产品销售数据预测方法，其特征在于，该历史销售数据是一真实数据。
3.如权利要求1所述的无模型推测基础的产品销售数据预测方法，其特征在于，该主要特征是通过统计成分分析法或自动编码器估算。
4.如权利要求3所述的无模型推测基础的产品销售数据预测方法，其特征在于，该统计成分分析法是主成分分析。
5.如权利要求1所述的无模型推测基础的产品销售数据预测方法，其特征在于，该主要特征是通过奇异值分解或非负矩阵分解等方法估算。
6.如权利要求1所述的无模型推测基础的产品销售数据预测方法，其特征在于，该统计优化方式是基追踪(Basis pursuit)或非参数回归模型估算。
7.如权利要求6所述的无模型推测基础的产品销售数据预测方法，其特征在于，该非参数回归模型是区域多项式回归或支持向量回归。
8.如权利要求1所述的无模型推测基础的产品销售数据预测方法，其特征在于该待预测产品的系数是依拟合稀疏单指数模型估算。
9.一种无模型推测基础的产品销售数据预测方法，其特征在于，包括：
A.建立一数据库，用于储存过往相似的产品历史销售值X及多种变异项；
B.提供一预处理模块，用于处理：
b1.由该数据库中储存的该过往相似的产品历史销售值X及多种变异项记录Z找出主要特征，
b2.提供式1的方程式，
其中，是用于产生一曲线X(t|Z)的基底函数，αk是相对于的基底系数，其中αk(Z)取决于共变量Z，
b3.将αk视为Z的函数αk(Z)并改写式I为式I-1，
b4.提供n个产品销售值与可能影响销售的变因Zi，
利用的自动编码器分解找出式II中的以代表
b5.通过式III而获得αi,k(Zi)的值，
以代表αi,k(Zi)，及
b6.通过非参数回归模型估算及Zi之间的关系，经计算以找出αk及Z之间的关系，其中1≤i≤n；
C.提供一计算模块，用于计算销售数据：
c1.将该待预测产品的共变量Z带入，来预测该产品的系数及
c2.提供一个式IV，以计算出该待预测产品的销售预测数据
其中αk为以及，
D.提供一输出模块，用于输出该待预测产品销售数据。
10.如权利要求9所述的无模型推测基础的产品销售数据预测方法，其特征在于，该产品是手机或电影票房。
11.如权利要求9所述的无模型推测基础的产品销售数据预测方法，其特征在于，该产品是电影票房。
12.如权利要求11所述的无模型推测基础的产品销售数据预测方法，其特征在于，该共变量Z包含预算、获奖数、取自rottentomatoes.com的烂番茄指数(包括该电影的平均评分、评论数、新鲜(正面)、腐烂(负面)评价、影迷评分，包括平均评分及用户评分)、IMDb的评分、Metascore、和评价数。
13.如权利要求11所述的无模型推测基础的产品销售数据预测方法，其特征在于，该共变量Z包含每日票房、排行、分数评比、评分的使用者人数、评价数、上映日期作为数据库，训练式1产品销售时间的基底函数。
14.如权利要求9所述的无模型推测基础的产品销售数据预测方法，其特征在于，该主要特征是通过统计成分分析法或自动编码器估算。
15.如权利要求14所述的无模型推测基础的产品销售数据预测方法，其特征在于，该统计成分分析法是主成分分析。
16.如权利要求9所述的无模型推测基础的产品销售数据预测方法，其特征在于，该主要特征是通过奇异值分解或非负矩阵分解等方法估算。
17.如权利要求9所述的无模型推测基础的产品销售数据预测方法，其特征在于该待预测产品的系数是依拟合稀疏单指数模型估算。
18.如权利要求9所述的无模型推测基础的产品销售数据预测方法，其特征在于，该非参数回归模型是深度学习、区域多项式回归或支持向量回归等。
19.一种无模型推测基础的产品销售数据预测***，其特征在于，包含：
A.一数据库，用于：用于储存过往相似的产品历史销售数据的记录及多种变异项；
B.一预处理模块，用于：
b1.由储存于该数据库中之该过往相似的产品历史销售数据及其对应之多种变异项以找出销售数据的主要特征，及
b2.利用统计优化方式，优化该主要特征及其系数；
C.一计算预测数据模块，用于：
c1.置入一待预测产品的共变项，以算出该待预测产品的系数，及
c2.加总该待预测产品的系数相乘该已优化之该主要特征的总数，以预测该待预测产品销售数据；以及，
D.一输出模块，用于：输出该待预测产品销售数据。
20.如权利要求19所述的无模型推测基础的产品销售数据预测***，其特征在于，该历史销售数据是一真实数据。
21.如权利要求19所述的无模型推测基础的产品销售数据预测***，其特征在于，该主要特征是通过统计成分分析法或自动编码器估算。
22.如权利要求19所述的无模型推测基础的产品销售数据预测***，其特征在于，该统计成分分析法是主成分分析。
23.如权利要求19所述的无模型推测基础的产品销售数据预测***，其特征在于，该主要特征是通过奇异值分解或非负矩阵分解估算。
24.如权利要求19所述的无模型推测基础的产品销售数据预测***，其特征在于，该统计优化法是基追踪或非参数回归模型估算。
25.如权利要求24所述的无模型推测基础的产品销售数据预测***，其特征在于，该非参数回归模型是区域多项式回归或支持向量回归。
26.如权利要求19所述的无模型推测基础的产品销售数据预测***，其特征在于，该待预测产品的系数是依拟合稀疏单指数模型估算。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106109444 | 2017-03-22 | ||
| TW106109444 | 2017-03-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108629618A true CN108629618A (zh) | 2018-10-09 |
Family
ID=63696180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810239713.1A Pending CN108629618A (zh) | 2017-03-22 | 2018-03-22 | 一种无模型推测基础的产品销售预测方法及*** |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20180300738A1 (zh) |
| CN (1) | CN108629618A (zh) |
| TW (1) | TW201837814A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633401A (zh) * | 2019-07-26 | 2019-12-31 | 苏宁云计算有限公司 | 一种门店数据的预测模型及其建立方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544118B (zh) * | 2019-08-23 | 2023-07-14 | 阿里巴巴（中国）有限公司 | 销量预测方法、装置、介质和计算设备 |
| TWI793412B (zh) * | 2020-03-31 | 2023-02-21 | 廣達電腦股份有限公司 | 消費預測系統及消費預測方法 |
| CN114677174A (zh) * | 2022-03-25 | 2022-06-28 | 北京京东尚科信息技术有限公司 | 一种计算未上架物品销量的方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040054572A1 (en) * | 2000-07-27 | 2004-03-18 | Alison Oldale | Collaborative filtering |
| US20060031107A1 (en) * | 1999-12-27 | 2006-02-09 | Dentsu Inc. | Advertisement portfolio model, comprehensive advertisement risk management system using advertisement risk management system using advertisement portfolio model, and method for making investment decision by using advertisement portfolio |
| US20080154693A1 (en) * | 2006-12-20 | 2008-06-26 | Arash Bateni | Methods and systems for forecasting product demand using a causal methodology |
| US20110153386A1 (en) * | 2009-12-22 | 2011-06-23 | Edward Kim | System and method for de-seasonalizing product demand based on multiple regression techniques |
| US20120303411A1 (en) * | 2011-05-25 | 2012-11-29 | International Business Machines Corporation | Demand modeling and prediction in a retail category |
| CN103559623A (zh) * | 2013-09-24 | 2014-02-05 | 浙江大学 | 一种基于联合非负矩阵分解的个性化产品推荐方法 |
| CN104899660A (zh) * | 2015-06-15 | 2015-09-09 | 西北工业大学 | 基于奇异值分解的商铺受欢迎度预测方法 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
| CN106127594A (zh) * | 2016-06-30 | 2016-11-16 | 武汉斗鱼网络科技有限公司 | 基于主成分分析的用户房间兴趣度计算方法及*** |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010047293A1 (en) * | 1999-01-26 | 2001-11-29 | Waller Matthew A. | System, method and article of manufacture to optimize inventory and inventory investment utilization in a collaborative context |
| US20030195791A1 (en) * | 1999-01-26 | 2003-10-16 | Waller Matthew A. | System, method and article of manufacture to determine and communicate redistributed product demand |
| US20020099596A1 (en) * | 2000-11-27 | 2002-07-25 | Geraghty Michael Kevin | Dynamic ratemaking for insurance |
| US20030036890A1 (en) * | 2001-04-30 | 2003-02-20 | Billet Bradford E. | Predictive method |
| US20020194148A1 (en) * | 2001-04-30 | 2002-12-19 | Billet Bradford E. | Predictive method |
| US20030149603A1 (en) * | 2002-01-18 | 2003-08-07 | Bruce Ferguson | System and method for operating a non-linear model with missing data for use in electronic commerce |
| US20030140023A1 (en) * | 2002-01-18 | 2003-07-24 | Bruce Ferguson | System and method for pre-processing input data to a non-linear model for use in electronic commerce |
| US20090132347A1 (en) * | 2003-08-12 | 2009-05-21 | Russell Wayne Anderson | Systems And Methods For Aggregating And Utilizing Retail Transaction Records At The Customer Level |
| US20080288889A1 (en) * | 2004-02-20 | 2008-11-20 | Herbert Dennis Hunt | Data visualization application |
| US20090234710A1 (en) * | 2006-07-17 | 2009-09-17 | Asma Belgaied Hassine | Customer centric revenue management |
| US10621203B2 (en) * | 2007-01-26 | 2020-04-14 | Information Resources, Inc. | Cross-category view of a dataset using an analytic platform |
| US20080270363A1 (en) * | 2007-01-26 | 2008-10-30 | Herbert Dennis Hunt | Cluster processing of a core information matrix |
| US20100049538A1 (en) * | 2008-08-22 | 2010-02-25 | Durban Frazer | Method and apparatus for selecting next action |
| US9811794B2 (en) * | 2009-02-11 | 2017-11-07 | Johnathan Mun | Qualitative and quantitative modeling of enterprise risk management and risk registers |
| US9881339B2 (en) * | 2012-12-18 | 2018-01-30 | Johnathan Mun | Project economics analysis tool |
| SG10201406215YA (en) * | 2014-09-30 | 2016-04-28 | Mentorica Technology Pte Ltd | Systems and methods for automated data analysis and customer relationship management |
-
2018
- 2018-03-21 TW TW107109719A patent/TW201837814A/zh unknown
- 2018-03-21 US US15/928,063 patent/US20180300738A1/en not_active Abandoned
- 2018-03-22 CN CN201810239713.1A patent/CN108629618A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060031107A1 (en) * | 1999-12-27 | 2006-02-09 | Dentsu Inc. | Advertisement portfolio model, comprehensive advertisement risk management system using advertisement risk management system using advertisement portfolio model, and method for making investment decision by using advertisement portfolio |
| US20040054572A1 (en) * | 2000-07-27 | 2004-03-18 | Alison Oldale | Collaborative filtering |
| US20080154693A1 (en) * | 2006-12-20 | 2008-06-26 | Arash Bateni | Methods and systems for forecasting product demand using a causal methodology |
| US20110153386A1 (en) * | 2009-12-22 | 2011-06-23 | Edward Kim | System and method for de-seasonalizing product demand based on multiple regression techniques |
| US20120303411A1 (en) * | 2011-05-25 | 2012-11-29 | International Business Machines Corporation | Demand modeling and prediction in a retail category |
| CN103559623A (zh) * | 2013-09-24 | 2014-02-05 | 浙江大学 | 一种基于联合非负矩阵分解的个性化产品推荐方法 |
| CN104899660A (zh) * | 2015-06-15 | 2015-09-09 | 西北工业大学 | 基于奇异值分解的商铺受欢迎度预测方法 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
| CN106127594A (zh) * | 2016-06-30 | 2016-11-16 | 武汉斗鱼网络科技有限公司 | 基于主成分分析的用户房间兴趣度计算方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 段江娇: "基于模型的时间序列数据挖掘", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633401A (zh) * | 2019-07-26 | 2019-12-31 | 苏宁云计算有限公司 | 一种门店数据的预测模型及其建立方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201837814A (zh) | 2018-10-16 |
| US20180300738A1 (en) | 2018-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adetunji et al. | House price prediction using random forest machine learning technique | |
| Ong et al. | Model identification of ARIMA family using genetic algorithms | |
| CN108629618A (zh) | 一种无模型推测基础的产品销售预测方法及*** | |
| Vatter et al. | Generalized additive models for pair-copula constructions | |
| CN107563841A (zh) | 一种基于用户评分分解的推荐*** | |
| Van Calster et al. | ProfARIMA: A profit-driven order identification algorithm for ARIMA models in sales forecasting | |
| CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
| Chang et al. | A hybrid system by evolving case-based reasoning with genetic algorithm in wholesaler's returning book forecasting | |
| Dorfman | Bayesian economics through numerical methods: a guide to econometrics and decision-making with prior information | |
| Prasanna et al. | An analysis on stock market prediction using data mining techniques | |
| CN111191814A (zh) | 一种电价预测方法、***和计算机可读存储介质 | |
| Yu | Bayesian analysis of order-statistics models for ranking data | |
| CN117575663A (zh) | 基于深度学习的装修成本估算方法及*** | |
| CN113111924A (zh) | 电力客户分类方法及装置 | |
| CN112418485A (zh) | 基于负荷特性和用电行为模式的家庭负荷预测方法及*** | |
| Pliszczuk et al. | Forecasting sales in the supply chain based on the LSTM network: the case of furniture industry | |
| CN117787569B (zh) | 一种智能辅助评标方法及*** | |
| CN115423538A (zh) | 新品销量数据的预测方法及装置、存储介质、电子设备 | |
| CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
| Singhania et al. | Forecasting the United States unemployment rate by using recurrent neural networks with Google Trends data | |
| CN115841345A (zh) | 跨境大数据智能化分析方法、***以及存储介质 | |
| Hanapi et al. | Developed a hybrid sliding window and GARCH model for forecasting of crude palm oil prices in Malaysia | |
| Lim | A note on a robust inventory model with stock-dependent demand | |
| Kundu et al. | Forecasting the United States unemployment rate by using recurrent neural networks with Google Trends data | |
| Mao | A Comparative Study of Random Forest Regression for Predicting House Prices Using |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181009 |