CN111177657A - 需求方法、***、电子设备及存储介质 - Google Patents
需求方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111177657A CN111177657A CN201911425328.7A CN201911425328A CN111177657A CN 111177657 A CN111177657 A CN 111177657A CN 201911425328 A CN201911425328 A CN 201911425328A CN 111177657 A CN111177657 A CN 111177657A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- model
- demand
- feature
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种需求确定方法、***、电子设备及存储介质,涉及供应链技术领域,该方法包括:基于用户配置的任务信息触发分析任务;获取与任务信息匹配的相关数据;在执行所述分析任务时,基于相关数据进行分析以获得需求分析结果。本申请文件基于不同的任务信息,能够筛选出与任务信息的相关数据从而得到不同任务下的分析结果,可以处理多种不同种类的需求确定任务、针对不同的对象进行需求确定,能够提高需求确定方法的通用性。
Description
技术领域
本申请涉及供应链技术领域,具体而言,涉及一种需求方法、***、电子设备及存储介质。
背景技术
在供应链技术领域,需要依赖准确的需求确定(包括需求分析、分析预测)以应用在门店需求预测、仓库需求预测等环节,供后续的补货计划、生产计划等使用。目前的需求确定主要针对单一货品做分析,比如某家店的某个商品,不能适应多种货品、多种需求确定任务,存在需求确定的通用性低的问题。
发明内容
本申请的实施例在于提供一种需求确定方法、***、电子设备及存储介质,以解决目前需求确定方法的通用性低的问题。
本申请的实施例提供了一种需求确定方法,所述方法包括:基于用户配置的任务信息触发分析任务;获取与所述任务信息匹配的相关数据;在执行所述分析任务时,基于所述相关数据进行分析以获得需求分析结果。
在上述实现过程中,可以基于用户配置的任务信息触发不同类型的分析任务,从而处理多种不同种类的需求确定任务、对不同的对象进行需求确定,能够提高需求确定方法的通用性。
可选地,所述在执行所述分析任务时,基于所述相关数据进行分析获得需求分析结果,包括:将所述相关数据进行预处理得到预处理数据;将所述预处理数据进行特征分析得到特征分析数据;对所述特征分析数据进行数据分析得到所述数据分析结果。
在上述实现过程中,将所述相关数据进行预处理能够所述预处理数据的完整性和准确性,因此能够提高所述特征分析数据的完整性和准确性,进一步能够提高所述数据分析结果的准确性。
可选地,所述将所述相关数据进行预处理得到预处理数据,包括:将所述相关数据进行缺值处理得到完整数据;将所述完整数据进行离散化处理得到所述预处理数据。
在上述实现过程中,所述完整数据能够将所述相关数据中缺失的部分进行补充,能够提高所述相关数据的完整性。离散化处理能够压缩所述完整数据的数据量得到所述预处理数据,提高基于所述离散化数据进行运算的效率。
可选地,所述将所述预处理数据进行特征分析得到特征分析数据,包括:对所述预处理数据进行特征选择得到特征选择数据;将所述特征选择数据进行特征提取得到特征提取数据;对所述特征提取数据进行特征组合得到所述特征分析数据。
在上述实现过程中,对所述预处理数据进行特征选择、特征提取、特征组合之后,能够达到数据降维、优化以及提高特征分类性能的目的,从而提高了数据分析的精确度。
可选地,所述对所述特征分析数据进行数据分析得到所述数据分析结果,包括:对所述特征分析数据进行趋势模式分析、数据分布分析、特征重要性分析、关联关系分析、生命周期分析中的一种或多种,获得所述数据分析结果。
在上述实现过程中,提供趋势模式分析、数据分布分析、特征重要性分析、关联关系分析、生命周期分析等多种特征分析类型,能够基于不同需求进行不同类型的分析,从而提高数据分析的通用性,并能够提高所述数据分析结果的准确性。
可选地,在所述分析任务中基于所述相关数据进行分析获得需求分析结果之后,所述方法还包括:基于所述需求分析结果选择预测模型集;通过所述预测模型获得需求预测结果。
在上述实现过程中,由于所述需求分析提高了需求分析的通用性,因此基于所述需求分析结果进行需求预测能够提高需求预测的通用性。
可选地,所述基于所述需求分析结果选择预测模型集,包括:基于所述需求分析结果确定候选模型集;对所述候选模型集中的各个候选模型进行特征提取、模型训练、模型评估,获得所述各个候选模型的评估结果;将所述候选模型集中所述评估结果满足第一预设条件的候选模型进行模型融合,获得第一融合模型;将所述融合模型和所述满足第一预设条件的每个候选模型作为候选预测模型集中的预测模型;对所述候选预测模型集中的各个预测模型进行特征提取、模型再训练、模型再评估,获得所述各个预测模型的再评估结果;选取所述各个预测模型中所述再评估结果满足第二预设条件的预测模型进行模型融合,获得所述预测模型集。
在上述实现过程中,基于所述需求分析结果选取与所述需求分析结果匹配的所述候选集合经过模型训练、模型评估、模型融合,在进行两次筛选,先后符合所述第一预设条件、第二预设条件最终得到的所述预测模型集能够提高所述预测模型的预测准确性。
本申请的实施例还提供了一种需求确定***,所述***包括数据与并行控制子***、算法策略引擎子***;所述数据与并行控制子***用于基于用户配置的任务信息触发分析任务,以及获取与所述任务信息匹配的相关数据;所述算法策略引擎子***用于在执行所述分析任务时,基于所述相关数据进行分析以获得需求分析结果。
在上述实现过程中,可以基于用户配置的任务信息触发不同类型的分析任务,从而处理多种不同种类的需求确定任务、对不同的对象进行需求确定,能够提高需求确定方法的通用性。
可选地,所述算法策略引擎子***具体用于将所述相关数据进行预处理得到预处理数据;将所述预处理数据进行特征分析得到特征分析数据;对所述特征分析数据进行数据分析得到所述数据分析结果。
在上述实现过程中,将所述相关数据进行预处理能够所述预处理数据的完整性和准确性,因此能够提高所述特征分析数据的完整性和准确性,进一步能够提高所述数据分析结果的准确性。
可选地,所述算法策略引擎子***具体还用于将所述相关数据进行缺值处理得到完整数据;将所述完整数据进行离散化处理得到所述预处理数据。
在上述实现过程中,所述完整数据能够将所述相关数据中缺失的部分进行补充,能够提高所述相关数据的完整性。离散化处理能够压缩所述完整数据的数据量得到所述预处理数据,提高基于所述预处理数据进行运算的效率。
可选地,所述算法策略引擎子***具体还用于对所述预处理数据进行特征选择得到特征选择数据;将所述特征选择数据进行特征提取得到特征提取数据;对所述特征提取数据进行特征组合得到所述特征分析数据。
在上述实现过程中,对所述预处理数据进行特征选择、特征提取、特征组合之后,能够达到数据降维、优化、以及提高特征分类性能的目的,从而提高了数据分析的精确度。
可选地,所述算法策略引擎子***具体还用于对所述特征分析数据进行趋势模式分析、数据分布分析、特征重要性分析、关联关系分析、生命周期分析中的一种或多种,获得所述数据分析结果。
在上述实现过程中,提供趋势模式分析、数据分布分析、特征重要性分析、关联关系分析、生命周期分析中等多种特征分析类型,能够基于不同需求进行不同类型的分析,从而提高数据分析的通用性,并能够提高所述数据分析结果的准确性。
可选地,所述算法策略引擎子***还用于基于所述需求分析结果选用预测模型集;通过所述预测模型获得需求预测结果。
在上述实现过程中,由于所述需求分析提高了需求分析的通用性,因此基于所述需求分析结果进行需求预测能够提高需求预测的通用性。
可选地,所述算法策略引擎子***还用于基于所述需求分析结果确定候选模型集;对所述候选模型集中的各个候选模型进行特征提取、模型训练、模型评估,获得所述各个候选模型的评估结果;将所述候选模型集中所述评估结果满足第一预设条件的候选模型进行模型融合,获得第一融合模型;将所述融合模型和所述满足第一预设条件的每个候选模型作为候选预测模型集中的预测模型;对所述候选预测模型集中的各个预测模型进行特征提取、模型再训练、模型再评估,获得所述各个预测模型的再评估结果;选取所述各个预测模型中所述再评估结果满足第二预设条件的预测模型,获得所述候选预测模型集。
在上述实现过程中,基于所述需求分析结果选取与所述需求分析结果匹配的所述候选集合经过模型训练、模型评估、模型融合,在进行两次筛选,先后符合所述第一预设条件、第二预设条件最终得到的所述预测模型集能够提高所述预测模型的预测准确性。
本申请的实施例还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行上述方法中的步骤。
本申请的实施例还提供了一种存储介质,所述存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行上述方法中的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请实施例提供的一种需求确定方法的流程图。
图2为本申请的实施例提供的一种在分析任务中基于相关数据进行分析获得需求分析结果的流程图。
图3为本申请实施例提供的一种将相关数据进行预处理得到预处理数据的流程图。
图4为本申请实施例提供的一种将预处理数据进行特征分析得到特征分析数据的流程图。
图5为本申请实施例提供的一种在分析任务中基于相关数据进行分析获得需求分析结果之后的方法的流程图。
图6为本申请实施例提供的一种基于需求分析结果选用预测模型集的流程图。
图7为本申请实施例提供的一种需求确定***框图。
图标:60-需求确定***;601-数据与并行控制子***;602-算法策略引擎子***。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
在本申请的描述中,需要说明的是,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
本申请的实施例提供了一种需求确定方法,请参看图1,图1为本申请实施例提供的一种需求确定方法的流程图。所述方法分为以下步骤:
步骤S1:基于用户配置的任务信息触发分析任务。
任务信息是用户的需求信息,比如分析A品牌在第一季度的销售情况。作为一种实施方式,用户可以通过文字输入以及语音输入等方式发布任务信息。可以理解的是,不同的任务信息可以触发不同的分析任务。在实际生产生活中,可以对不同种类、不同品牌、不同时节、不同地区、不同供货商等的货品进行需求分析。
步骤S2:获取与任务信息匹配的相关数据。
在实际生产生活中,在对货品进行需求分析时,相关数据包括该货品的销售信息、促销活动信息、天气信息、舆情数据等。作为一种方式,在A品牌的需求分析时,获取与A品牌相关的销售信息、促销活动信息、天气信息、舆情数据,其中舆情数据也就是A品牌的用户评价信息。
其中,根据任务信息查找匹配的相关数据可以是通过对任务信息进行特定字段的字段匹配,预先配置各个特定字段对应的相关数据,则能够基于任务信息匹配其相关数据。
步骤S3:在执行分析任务时,基于相关数据进行分析以获得需求分析结果。
可以理解的是,获取与任务信息匹配的相关数据,并基于相关数据进行需求分析,基于不同的任务信息能够完成不同的需求分析得到对应的需求分析结果。处理多种不同种类的需求确定任务、对不同的对象进行需求确定,能够提高需求确定方法的通用性。
请参看图2,图2为本申请的实施例提供的一种在分析任务中基于相关数据进行分析获得需求分析结果的流程图。可选地,步骤S3具体分为以下子步骤:
步骤S31:将相关数据进行预处理得到预处理数据。
请参看图3,图3为本申请实施例提供的一种将相关数据进行预处理得到预处理数据的流程图。可选地,步骤S31可以分为以下子步骤:
步骤S31.1:将相关数据进行缺值处理得到完整数据。
步骤S31.2:将完整数据进行离散化处理得到预处理数据。
在步骤S31.1中,相关数据发生缺失的原因多种多样,主要分为机械原因和人为原因。机械原因是由于机械原因导致的数据收集或保存的失败造成的相关数据的缺失,比如数据存储的失败、存储器损坏、机械故障导致某段时间数据未能收集(对于定时数据采集而言)。人为原因是由于人的主观失误、历史局限或有意隐瞒造成的相关数据的缺失,比如,在市场调查中收集相关数据时被访人拒绝透露相关问题的答案、或者回答的问题是无效的、数据录入人员失误漏录了数据。
对相关数据由于上述原因进行缺值处理的方法包括:删除存在缺失值的样本以及缺失值插补。对于人为原因造成的相关数据的缺失,人将影响数据的真实性,存在缺失值的样本的其他属性的真实值不能保证,那么依赖于这些属性值的插补也是不可靠的,所以对于人为原因造成的相关数据的缺失处理方法一般不推荐缺失值插补的方法,一般采用删除存在缺失值的样本的方法。缺失值插补主要是针对机械原因造成的相关数据的缺失,它的可靠性有保证。
删除存在缺失值的样本有简单删除法和权重法,简单删除法将存在缺失值的样本删除,如果数据缺失问题可以通过简单的删除小部分样本来达到目标,那么这个方法是最有效的。当缺失值的类型为非完全随机缺失(指的是数据的缺失与不完全变量自身的取值相关;缺失值会使得相关数据丢失了大量的有用信息,相关数据所表现出来的不确定性更加显著,相关数据中蕴含的确定性成分更难把握)的时候,可以通过对完整的数据加权来减小偏差。把数据不完全的样本标记后,将完整的数据样本赋予不同的权重。如果解释变量中存在对权重估计起决定行因素的变量,那么这种方法可以有效减小偏差。
缺失值插补的方法包括:平均值插值,如果缺失值是数值属性,就使用该属性在其他所有对象的取值的平均值来进行插补。如果空值是非数值属性,就根据统计学中的众数原理,用该属性在其他所有对象出现频率最高的值来补齐该缺失的属性值。缺失值插补的方法还包括:最小二乘法插补,基于最小二乘法的原理补全相关数据,使补全后的相关数据整体的离差平方和最小,能够提高相关数据的准确性。
为了提高运算的时空效率,提高待处理的完整数据的分类聚类能力和抗噪声能力,需要对经过缺失值处理后的完整数据进行离散化处理,离散化处理方法可以采用独热编码方法,将完整数据的离散特征的取值扩展到了欧式空间,离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用独热编码,会让特征之间的距离计算更加合理。离散特征进行独热编码后,编码后的特征,其实每一维度的特征都可以看作是连续的特征。独热编码解决了分类器不好处理属性数据的问题,在一定程度上也起到了扩充特征的作用。它的值只有0和1,不同的类型存储在垂直的空间,比如[red,blue],那么就使用独热编码。
请继续参看图1、参看图4,图4为本申请实施例提供的一种将预处理数据进行特征分析得到特征分析数据的流程图。
步骤S32:将预处理数据进行特征分析得到特征分析数据。
在给定精度下,准确地对某些变量的函数进行估计,所需样本量会随着样本维数的增加而呈指数形式增长,会引起维数灾难。降维就是克服维数灾难,获取本质特征,降低数据处理的复杂度,节省存储空间,去除无用噪声,实现数据可视化。为了降维,需要进行特征选择和特征提取。
可选地,步骤S32可以分为以下子步骤:
步骤S32.1:对预处理数据进行特征选择得到特征选择数据。
可以理解的是,特征选择不改变预处理数据的含义,仅仅对特征做出筛选,留下对目标影响较大的特征。特征选择的方法是从预处理数据中选择出子集,是一种包含的关系,没有更改原始的特征空间。常见的特征选择方法有:Filter(过滤式)方法,该方法的主要思想是:对每一维的特征“打分”,即给每一维的特征赋予权重,这样的权重就代表着该维特征的重要性,然后依据权重排序;Wrapper(包裹式)方法,该方法的主要思想是:将预处理数据的特征选择看作是一个搜索寻优问题,生成不同的组合,对组合进行评价,再与其他的组合进行比较。这样就将特征的选择看作是一个优化问题,除了上述两种算法,还有可以根据具体需求选取其他算法,如GA(Genetic Algorithm,遗传算法),PSO(Particle SwarmOptimization,粒子群优化算法),DE(Differential Evolution,差分化)算法等。
步骤S32.2:将特征选择数据进行特征提取得到特征提取数据。
可选地,本实施例中特征提取的方法包括PCA(Principal Component Analysis,主成分分析法)和LDA(Latent Dirichlet Allocation,线性判别分析法)等。
PCA是一种统计方法,其通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。在很多情形,变量之间是有一定的相关关系的,当两个变量之间有一定相关关系时,可以解释为这两个变量反映分析任务的信息有一定的重叠。主成分分析是对于原先提出的所有变量,将重复的变量(关系紧密的变量)删去多余,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映分析任务的信息方面尽可能保持原有的信息。
LDA是一种监督学习的降维技术,而PCA是无监督的降维技术,LDA是在降维的基础上考虑了类别的因素,得到的投影类内方差最小,类与类之间的方差最大。
步骤S32.3:对特征提取数据进行特征组合得到特征分析数据。
示例的,可以通过将单独的特征进行组合(本实施例可以是相乘或求笛卡尔积)而形成的合成特征。特征组合有助于表示非线性关系。可以创建很多不同种类的特征组合,例如,特征A和特征B通过以下方式进行组合:
[A×B]:两个特征的值相乘形成的特征组合。
[A×B×C×D×E]:五个特征的值相乘形成的特征组合。
[A×A]:单个特征的值求平方形成的特征组合。
请继续参看图1,步骤S33:对特征分析数据进行数据分析得到数据分析结果。
可选地,步骤S33包括:对所述特征分析数据进行趋势模式分析、数据分布分析、特征重要性分析、关联关系分析、生命周期分析中的一种或多种,获得所述数据分析结果。
数据分析适用于产品核心指标的长期跟踪,比如,点击率,活跃用户数等。趋势分析是需要明确数据的变化,以及对变化原因进行分析。趋势分析,较好的产出是比值。在趋势分析的时候需要明确几个概念:环比、同比、定基比。环比是指,是本期统计数据与上期比较,例如2017年2月份与2017年1月份相比较,环比可以知道较近的变化趋势,但是会有些季节性差异。为了消除季节差异,于是有了同比的概念,例如2017年2月份和2016年2月份进行比较。定基比,是和某个基点进行比较,比如2016年1月作为基点,定基比则为2017年2月和2016年1月进行比较。比如:2017年2月份某APP月活跃用户数我2000万,相比1月份,环比增加2%,相比去年2月份,同比增长20%。趋势分析另一核心目的则是对趋势做出解释,对于趋势线中明显的拐点,发生了什么事情要给出合理的解释,无论是外部原因还是内部原因。
数据分布分析是指根据分析目的,将数据(定量数据)进行等距或者不等距的分组(定量分组),进行研究各组分布规律的一种分析方法。常用于用户的消费分布、收入分布、年龄分布等。
作为一种实施方式,在进行特征重要性分析时,可以利用支持向量机决策函数权向量在两分类情况下对特征重要性进行度量。将支持向量机决策函数权向量度量特征重要性的方法结合前向顺序搜索和后向顺序搜索策略设计相关的特征选择算法。可以采用算法包括:SVM_W_SFS1算法和SVM_W_SFS2算法,其中SVM_W_SFS1算法使用全部的特征训练支持向量机得到支持向量机决策函数的权向量,依据支持向量机决策函数的权向量的绝对值的大小对特征进行降序排列,将贡献大的特征排在最前面,然后按照前向顺序搜索的方式按特征的顺序逐渐加入贡献大的特征,记录训练集分类正确率,直到加完最后一个特征为止。
SVM_W_SFS2算法具体为使用全部的特征训练支持向量机得到支持向量机决策函数的权向量,选取支持向量机决策函数的权向量的绝对值中的最大值对应的特征,加入被选特征子集中(初始时特征子集为空),同时从剩余的特征集合(初始时为特征全集)中删除该特征,使用仅包含被选特征子集在训练集上进行训练,记录训练集的分类正确率;使用仅包含剩余特征集合中的特征在训练集上进行训练,选取支持向量机决策函数的权向量取值最大的特征家去被选特征集合中,同时从剩余特征集合中将其删除,使用仅含被选特征自己的样本在训练集上训练,得到训练集分类正确率,该步骤重复进行,直到剩余特征集合为空为止。
关联关系分析就是发现存在于相关数据中的关联性或相关性,从而描述了一个事物中某些属性同时出现的规律和模式。比如在购物篮分析任务中,通过发现顾客放入其购物篮中的不同商品之间的联系,分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买,这种关联的发现可以帮助零售商制定营销策略、价目表设计、商品促销、商品的排放和基于购买模式的顾客划分。常用的关联关系分析算法包括Apriori(关联分析)算法,Apriori算法使用Apriori性质来生产候选项集的方法,能够压缩了频繁集的大小,从而能够提高关联关系分析的速率。
生命周期分析是评价一种产品或一类设施从“摇篮到坟墓”全过程总体环境影响的手段,从区域、国家乃至全球的广度及其可持续发展的高度来观察问题。比如用户从首次接触到产品或服务、下载注册成为用户到最后卸载流失的这个周期就是一个生命周期,可以基于生命周期分析的结果,挖掘用户每个行为的动机用于促使用户更喜欢产品、减缓用户的流失。
请参看图5,图5为本申请实施例提供的一种在分析任务中基于相关数据进行分析获得需求分析结果之后的方法的流程图,可选地,在步骤S3之后,还包括:
步骤S4:基于需求分析结果选用预测模型集。
可以理解的是,可以根据不同的实际需要选择不同的预测模型集,比如SARIMA(Seasonal Autoregressive Integrated Moving Average,季节性差分自回归滑动平均)模型,其为时间序列预测分析方法之一;在SARIMA模型之外还可以选择霍尔特-温特(Holt-Winters)方法,其是一种时间序列分析和预报方法。具体地,Holt-Winters方法对含有线性趋势和周期波动的非平稳序列适用,利用指数平滑法让模型参数不断适应非平稳序列的变化,并对未来趋势进行短期预报。Holt-Winters方法在Holt模型基础上引入了季节项,可以用来处理月度数据、季度数据、星期数据等时间序列中的固定周期的波动行为。
请参看图6,图6为本申请实施例提供的一种基于需求分析结果选用预测模型集的流程图。可选地,步骤S4分为以下子步骤:
步骤S41:基于需求分析结果确定候选模型集。
步骤S42:对候选模型集中的各个候选模型进行特征提取、模型训练、模型评估,获得各个候选模型的评估结果。
步骤S43:将候选模型集中所述评估结果满足第一预设条件的候选模型进行模型融合,获得第一融合模型。
可以理解的是,为了增加模型的泛化能力,对候选模型集中的各个模型进行融合与评估,模型评估算法可选用MAPE(Mean Absolute Percentage Error,绝对百分比误差)、RMSE(Root Mean Square Error,均方根误差)、MAE(Mean Absolute Error,平均绝对误差)等算法,模型融合算法可选用Boosting(提升)算法、Bagging(Bootstrap aggregating,引导聚集)算法、Stacking(堆栈)算法、Blending(混合)算法等算法。示例的,MAPE可以为平均MAPE,平均MAPE的计算公式如下:
MAE的计算公式如下:
RMSE计算公式如下:
例如在做房价预测时,每平方是万元,我们预测结果也是万元。那么差值的平方单位应该是千万级别的。为了方便描述就可以进行开方。上面三种算法中标准差是用来衡量一组数自身的离散程度,而均方根误差是用来衡量观测值同真值之间的偏差,它们的研究对象和研究目的不同,可以根据实际情况进行选用。
模型融合算法中Bagging的重点在于获得一个方差比其组成部分更小的集成模型,而Boosting和Stacking则将主要生成偏置比其组成部分更低的强模型(即使方差也可以被减小),具体的:
Boosting算法是一种用来提高弱分类算法准确度的方法,这种方法通过构造一个预测函数系列,然后以一定的方式将他们组合成一个预测函数。Boosting算法是一种提高任意给定学习算法准确度的方法。Boosting算法的工作机制是首先从训练集用初始权重训练出一个弱学习器一,根据弱学习的学习误差率表现来更新训练样本的权重,使得之前弱学习器一学习误差率高的训练样本点的权重变高,使得这些误差率高的点在后面的弱学习器二中得到更多的重视。然后基于调整权重后的训练集来训练弱学习器二,如此重复进行,直到弱学习器数达到事先指定的数目T,最终将这T个弱学习器通过集合策略进行整合,得到最终的强学习器。
Bagging算法是并行式集成学习方法的典型代表,它直接基于自助采样法。给定包含m个样本的数据集,我们先随机取出一个样本放入采样中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中。这样,经过m次随机采样操作,我们得到含m个样本的采样集,初始训练集中有的样本在采样集里多次出现,有的则从未出现。初始训练集中约有63.2%的样本出现在采样集中。从偏差-方差的角度来看,Bagging主要关注降低方差,因此它在不剪枝决策树、神经网络等容易受样本扰动的学习器上效果更为明显。
Stacking算法,该方法通常考虑的是异质弱学习器,并行地学习它们,并通过训练一个“元模型”将它们组合起来,根据不同弱模型的预测结果输出一个最终的预测结果。
Blending算法是一种较为简单的融合方式,其分类器的选择多种多样,不同的分类器组合可以得到不同的效果,因此在实际应用过程中选择分类器占了大部分的时间。Blending与Stacking大致相同,只是Blending的主要区别在于训练集不是通过K-Fold的CV策略来获得预测值从而生成第二阶段模型的特征,而是建立一个Holdout集,例如10%的训练数据,第二阶段的stacker模型就基于第一阶段模型对这10%训练数据的预测值进行拟合。
因此,本实施例可以根据上述Boosting、Bagging、Stacking、Blending等算法的特点,结合需求预测的具体需求进行融合算法的选择。
步骤S44:将融合模型和满足第一预设条件的每个候选模型作为候选预测模型集中的预测模型。
可以用测试序列来测试候选预测模型集,作为一种实施方式,第一预设条件可以为正确率超过90%,以此条件筛选的到候选预测模型集。其中,测试序列为已知的序列,将测试序列输入候选预测模型集中每个候选预测模型之后会输出不同的结果序列,对比输入序列和各个不同的结果序列,就可以得到各个候选预测模型的正确率。测试序列可以根据实际情况自行设定。
步骤S45:对候选预测模型集中的各个预测模型进行特征提取、模型再训练、模型再评估,获得各个预测模型的再评估结果。
步骤S46:选取各个预测模型中再评估结果满足第二预设条件的预测模型,获得候选预测模型集。
步骤S45、步骤S46中的模型评估融合方式和步骤S42、步骤S43中相似,在此不再赘述。第二预设条件可以和第一预设条件类似,对正确率做出限制,也可以根据模型运算时间进行筛选。
可以理解的是,在步骤S42、步骤S43、步骤S45、步骤S46中的模型评估融合时,被融合的模型只有一个时,将唯一的模型作为模型融合的结果。
请继续参看图5,步骤S5:通过预测模型获得需求预测结果。
作为一种实施方式在步骤S5之后,可以对得到的需求预测结果进行置信校验、分布拟合,防止分析出的结果、预测的结果偏差太大。其中置信校验包括用标准差、分位点等进行置信校验,可采用正态分布、泊松分布、伽马分布进行分布拟合。
作为一种实施方式,在步骤S1之前,还包括步骤S5:接收所述用户配置的所述任务信息。
本申请的实施例提供了一种需求确定***,请参看图7,图7为本申请实施例提供的一种需求确定***框图。
为了更好地实现本实施例提供的需求确定方法,本实施例还提供了一种需求确定***60。需求确定***60包括:
数据与并行控制子***601用于基于用户配置的任务信息触发分析任务,获取与任务信息匹配的相关数据;
算法策略引擎子***602用于在分析任务中基于相关数据进行分析获得需求分析结果。
可选地,算法策略引擎子***602用于将相关数据进行预处理得到预处理数据;将预处理数据进行特征分析得到特征分析数据;对特征分析数据进行数据分析得到数据分析结果。
可选地,算法策略引擎子***602具体还用于将相关数据进行缺值处理得到完整数据;将完整数据进行离散化处理得到预处理数据。
可选地,算法策略引擎子***602具体还用于对预处理数据进行特征选择得到特征选择数据;将特征选择数据进行特征提取得到特征提取数据;对特征提取数据进行特征组合得到特征分析数据。
可选地,算法策略引擎子***602具体还用于对特征分析数据进行趋势模式分析、数据分布分析、特征重要性分析、关联关系分析、生命周期分析中的一种或多种,获得数据分析结果。
可选地,算法策略引擎子***602还用于基于需求分析结果选用预测模型集,通过预测模型获得需求预测结果。
可选地,算法策略引擎子***602还用于基于需求分析结果确定候选模型集;对候选模型集中的各个候选模型进行特征提取、模型训练、模型评估,获得各个候选模型的评估结果;将候选模型集中所述评估结果满足第一预设条件的候选模型进行模型融合,获得第一融合模型;将融合模型和满足第一预设条件的每个候选模型作为候选预测模型集中的预测模型;对候选预测模型集中的各个预测模型进行特征提取、模型再训练、模型再评估,获得各个预测模型的再评估结果;选取各个预测模型中再评估结果满足第二预设条件的预测模型,获得候选预测模型集。
本实施例还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行上述任一项方法中的步骤。
本实施例还提供了一种存储介质,所述存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行上述任一项方法中的步骤。
可选地,所述电子设备可以是个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personal digital assistant,PDA)等电子设备。
综上所述,本申请的实施例提供了一种需求确定方法,所述方法包括:基于用户配置的任务信息触发分析任务;获取与所述任务信息匹配的相关数据;在所述分析任务中基于所述相关数据进行分析获得需求分析结果。
在上述实现过程中,可以处理多种不同种类的需求确定任务、对不同的对象进行需求确定,能够提高需求确定方法的通用性。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的框图显示了根据本申请的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上,框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图中的每个方框、以及框图的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解,本申请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)执行本申请各个实施例所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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种需求确定方法,其特征在于,所述方法包括:
基于用户配置的任务信息触发分析任务;
获取与所述任务信息匹配的相关数据;
在执行所述分析任务时,基于所述相关数据进行分析以获得需求分析结果。
2.根据权利要求1所述的方法,其特征在于,所述在执行所述分析任务时,基于所述相关数据进行分析获得需求分析结果,包括:
将所述相关数据进行预处理得到预处理数据;
将所述预处理数据进行特征分析得到特征分析数据;
对所述特征分析数据进行数据分析得到所述数据分析结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述相关数据进行预处理得到预处理数据,包括:
将所述相关数据进行缺值处理得到完整数据;
将所述完整数据进行离散化处理得到所述预处理数据。
4.根据权利要求2所述的方法,其特征在于,所述将所述预处理数据进行特征分析得到特征分析数据,包括:
对所述预处理数据进行特征选择得到特征选择数据;
将所述特征选择数据进行特征提取得到特征提取数据;
对所述特征提取数据进行特征组合得到所述特征分析数据。
5.根据权利要求2所述的方法,其特征在于,所述对所述特征分析数据进行数据分析得到所述数据分析结果,包括:
对所述特征分析数据进行趋势模式分析、数据分布分析、特征重要性分析、关联关系分析、生命周期分析中的一种或多种,获得所述数据分析结果。
6.根据权利要求1所述的方法,其特征在于,在所述分析任务中基于所述相关数据进行分析获得需求分析结果之后,所述方法还包括:
基于所述需求分析结果选择预测模型集;
通过所述预测模型获得需求预测结果。
7.根据权利要求6所述的方法,其特征在于,所述基于所述需求分析结果选择预测模型集,包括:
基于所述需求分析结果确定候选模型集;
对所述候选模型集中的各个候选模型进行特征提取、模型训练、模型评估,获得所述各个候选模型的评估结果;
将所述候选模型集中所述评估结果满足第一预设条件的候选模型进行模型融合,获得融合模型;
将所述融合模型和所述满足第一预设条件的每个候选模型作为候选预测模型集中的预测模型;
对所述候选预测模型集中的各个预测模型进行特征提取、模型再训练、模型再评估,获得所述各个预测模型的再评估结果;
选取所述各个预测模型中所述再评估结果满足第二预设条件的预测模型进行模型融合,获得所述候选预测模型集。
8.一种需求确定***,其特征在于,所述***包括数据与并行控制子***、算法策略引擎子***;
所述数据与并行控制子***用于基于用户配置的任务信息触发分析任务,以及获取与所述任务信息匹配的相关数据;
所述算法策略引擎子***用于在执行所述分析任务时,基于所述相关数据进行分析以获得需求分析结果。
9.根据权利要求8所述的***,其特征在于,所述算法策略引擎子***还用于基于所述需求分析结果选用预测模型集;通过所述预测模型获得需求预测结果。
10.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器中存储有程序指令,所述处理器运行所述程序指令时,执行权利要求1-7中任一项所述方法中的步骤。
11.一种存储介质,其特征在于,所述存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行权利要求1-7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911425328.7A CN111177657B (zh) | 2019-12-31 | 2019-12-31 | 需求确定方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911425328.7A CN111177657B (zh) | 2019-12-31 | 2019-12-31 | 需求确定方法、***、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177657A true CN111177657A (zh) | 2020-05-19 |
CN111177657B CN111177657B (zh) | 2023-09-08 |
Family
ID=70650739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911425328.7A Active CN111177657B (zh) | 2019-12-31 | 2019-12-31 | 需求确定方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177657B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001643A (zh) * | 2020-08-27 | 2020-11-27 | 上海汽车集团股份有限公司 | 一种物料组合方法、装置、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5953707A (en) * | 1995-10-26 | 1999-09-14 | Philips Electronics North America Corporation | Decision support system for the management of an agile supply chain |
US20120323834A1 (en) * | 2010-03-03 | 2012-12-20 | Nec Corporation | Model selection device, model selection method and model selection program |
AU2013200860A1 (en) * | 2009-07-09 | 2013-03-07 | Accenture Global Services Limited | Marketing model determination system |
US20140222745A1 (en) * | 2013-02-05 | 2014-08-07 | International Business Machines Corporation | Dynamic Model-Based Analysis of Data Centers |
US20150339572A1 (en) * | 2014-05-23 | 2015-11-26 | DataRobot, Inc. | Systems and techniques for predictive data analytics |
CN105260805A (zh) * | 2015-11-16 | 2016-01-20 | 中南大学 | 一种基于异构分类器选择性融合的锑矿品位软测量方法 |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的***和方法 |
CN109598285A (zh) * | 2018-10-24 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种模型的处理方法、装置及设备 |
CN109740624A (zh) * | 2018-11-22 | 2019-05-10 | 重庆邮电大学 | 一种基于大数据的物流供应链需求预测方法 |
US20190156357A1 (en) * | 2017-11-22 | 2019-05-23 | Staples, Inc. | Advanced computational prediction models for heterogeneous data |
-
2019
- 2019-12-31 CN CN201911425328.7A patent/CN111177657B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5953707A (en) * | 1995-10-26 | 1999-09-14 | Philips Electronics North America Corporation | Decision support system for the management of an agile supply chain |
AU2013200860A1 (en) * | 2009-07-09 | 2013-03-07 | Accenture Global Services Limited | Marketing model determination system |
US20120323834A1 (en) * | 2010-03-03 | 2012-12-20 | Nec Corporation | Model selection device, model selection method and model selection program |
US20140222745A1 (en) * | 2013-02-05 | 2014-08-07 | International Business Machines Corporation | Dynamic Model-Based Analysis of Data Centers |
US20150339572A1 (en) * | 2014-05-23 | 2015-11-26 | DataRobot, Inc. | Systems and techniques for predictive data analytics |
CN105260805A (zh) * | 2015-11-16 | 2016-01-20 | 中南大学 | 一种基于异构分类器选择性融合的锑矿品位软测量方法 |
CN107563705A (zh) * | 2017-09-25 | 2018-01-09 | 四川长虹电器股份有限公司 | 利用大数据分析家电产品安全库存及再订货的***和方法 |
US20190156357A1 (en) * | 2017-11-22 | 2019-05-23 | Staples, Inc. | Advanced computational prediction models for heterogeneous data |
CN109598285A (zh) * | 2018-10-24 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种模型的处理方法、装置及设备 |
CN109740624A (zh) * | 2018-11-22 | 2019-05-10 | 重庆邮电大学 | 一种基于大数据的物流供应链需求预测方法 |
Non-Patent Citations (3)
Title |
---|
BORIS KRAMER: "Multifidelity probability estimation via fusion of estimators", 《JOURNAL OF COMPUTATIONAL PHYSICS》 * |
T.COLOMBO: "Modeling a Large Data-Acquisition Network in a Simulation Framework", 《2015 IEEE INTERNATIONAL CONFERENCE ON CLUSTER COMPUTING》 * |
范舜奕: "基于多表观特征子模型更新的鲁棒视觉跟踪", 《电子学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001643A (zh) * | 2020-08-27 | 2020-11-27 | 上海汽车集团股份有限公司 | 一种物料组合方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111177657B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shrivastava et al. | Failure prediction of Indian Banks using SMOTE, Lasso regression, bagging and boosting | |
US7328218B2 (en) | Constrained tree structure method and system | |
Sun et al. | Online ensemble using adaptive windowing for data streams with concept drift | |
CN111144950B (zh) | 模型筛选方法、装置、电子设备及存储介质 | |
CN110555753A (zh) | 基于推荐的排序控制方法、装置、计算机设备及存储介质 | |
US20230385857A1 (en) | Predictive systems and processes for product attribute research and development | |
Sina Mirabdolbaghi et al. | Model optimization analysis of customer churn prediction using machine learning algorithms with focus on feature reductions | |
CN114997916A (zh) | ***的预测方法、***、电子设备和存储介质 | |
CN111177657B (zh) | 需求确定方法、***、电子设备及存储介质 | |
Brandusoiu et al. | PREDICTING CHURN IN MOBILE TELECOMMUNICATIONS INDUSTRY. | |
Sobreiro et al. | A slr on customer dropout prediction | |
Museba et al. | ADES: A New Ensemble Diversity‐Based Approach for Handling Concept Drift | |
Pinheiro et al. | Introduction to Statistical and Machine Learning Methods for Data Science | |
CN114219084B (zh) | 一种快消行业的访销陈列造假识别方法及装置 | |
Ehsani | Customer churn prediction from Internet banking transactions data using an ensemble meta-classifier algorithm | |
Li et al. | A study on customer churn of commercial banks based on learning from label proportions | |
Stavinova et al. | Forecasting of foreign trips by transactional data: A comparative study | |
Shukla et al. | Retracted: Performance optimization of unstructured E‐commerce log data for activity and pattern evaluation using web analytics | |
Yao | Visual customer segmentation and behavior analysis: a SOM-based approach | |
Subramanian et al. | Leveraging Machine Learning Algorithms for predicting Churn in Telecom industries | |
Fogelman-Soulié et al. | Industrial mining of massive data sets | |
CN118364317A (zh) | 样本扩充方法、装置、计算机设备和可读存储介质 | |
Jarlöv et al. | Restaurant Daily Revenue Prediction: Utilizing Synthetic Time Series Data for Improved Model Performance | |
Al Mamun Rudro et al. | Ret-DNN: Predictive Analytics in Retail-Enhanced Deep Learning Models for Customer Behavior Analysis | |
Li et al. | Dynamic sales prediction with auto-learning and elastic-adjustment mechanism for inventory optimization |
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 |