CN113610575B - 一种产品销量的预测方法及预测*** - Google Patents
一种产品销量的预测方法及预测*** Download PDFInfo
- Publication number
- CN113610575B CN113610575B CN202110901977.0A CN202110901977A CN113610575B CN 113610575 B CN113610575 B CN 113610575B CN 202110901977 A CN202110901977 A CN 202110901977A CN 113610575 B CN113610575 B CN 113610575B
- Authority
- CN
- China
- Prior art keywords
- sales
- predicted
- value
- product
- values
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005315 distribution function Methods 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 7
- 238000000528 statistical test Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 238000000767 Anderson–Darling test Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种产品销量的预测方法及预测***,涉及计算机领域。本发明通过建立销量预测模型来预测产品的销量值,并将其与实际销量值相减得到销量误差值,通过对销量误差值进行分析,拟合销量误差值的分布函数,并利用各个分布函数的参数构建随机数发生器,以产生随机数,从而对预测销量值进行修正,进而构成最终的预测销量值。该方法能够使用统一的销量预测模型对各个区域的各个产品品类的销量值做出预测,并且使用销量误差值的分布函数来捕捉到各个区域的各个产品品类的实时的市场突变情况,能够对各个区域的各个产品品类的销量做出比较科学合理的预测。
Description
技术领域
本发明涉及计算机领域,特别是涉及一种产品销量的预测方法及预测***。
背景技术
企业的产品销量,尤其是分区域分产品品类的销量是非常重要的营业指标,是对企业产品在未来如何占领市场有着非常重要决策作用的指标。目前很多企业都是针对全国范围销量的整体预测,而对分区域分产品类别的销量预测也有研究,但大部分的预测准确度都很差。这是因为分区域-产品品类的预测非常困难,细分到具体区域-产品品类领域的销量,会受到更多因素的影响,既有宏观经济,整体市场的因素,又要受到各区域的具体政策因素的影响,所以很多情况下,需要对各个区域-产品分别构建模型,对各区域-产品品类分别预测,但是,如果一家公司的产品种类非常多,区域按城市划分,那么将会产生几千个模型,模型的管理和监控将是非常困难的。所以,将所有区域-产品品类统一成一个模型来对所有区域-产品品类的销量预测非常重要,但是这又会对建模工作造成巨大的困难,一个模型需要既要考虑全局宏观的因素,又要考虑到各个地区的不同情况,依此构建的模型,其预测能力将大大降低。
发明内容
本发明第一方面的目的是要提供一种产品销量的预测方法,解决现有技术中对产品销量预测能力较低的技术问题。
本发明第一方面的进一步目的是要提高预测销量值的准确性。
本发明第二方面的目的是提供一种用于上述产品销量的预测方法的预测***。
根据本发明第一方面的目的,本发明提供了一种产品销量的预测方法,包括:
建立至少一个销量预测模型,每一所述销量预测模型利用一种学习算法建立且各个所述销量预测模型对应于不同的学习算法,所述销量预测模型用于根据各个区域的各个产品品类的历史销售量预测各个区域的各个产品品类在未来各个时间段内的销售量;
通过所述销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值;
获取各个区域的各个产品品类在每一所述预测时间段内的实际销量值;
将每一相同的所述预测时间段内的所述实际销量值和所述预测销量值相减,以得到各个区域的各个产品品类在各个预测时间段内的销量误差值;
按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类;
对抽取的每一所述目标类的销量误差值分别采用多种分布函数进行拟合,并确定各个分布函数的参数;
选取多种所述分布函数中的一个分布函数作为目标分布函数;
利用每一所述目标类的所述目标分布函数的参数构建相应的随机数发生器,并通过所述随机数发生器生成相应的随机数;
将所述销量预测模型预测出的预测销量值与其所属的所述目标类的所述随机数发生器生成的所述随机数的和作为最终的预测销量值,以对所述预测销量值进行修正。
可选地,通过所述销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值的步骤,包括:
利用融合方法对所有所述销量预测模型预测出的预测销量值进行融合,以得到各个区域的各个产品品类在各个所述预测时间段的所述预测销量值,其中,所有所述销量预测模型的数量大于或等于2。
可选地,选取多种所述分布函数中的一个分布函数作为目标分布函数的步骤,包括:
利用统计检验方法对每个目标类的各个分布函数进行服从性检验;
将服从性最高的所述分布函数作为所述目标分布函数,其中,所述至少一种分布函数的数量为3。
可选地,所述区域为城市,所述预设规则包括按照省份归类和聚类算法;
按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类的步骤,之后包括:
将每一所述目标类的多个销量误差值中的异常值去除,所述异常值用于表示高于第一预设销量误差值或低于第二预设销量误差值,所述第一预设销量误差值大于所述第二预设销量误差值。
可选地,采用分位数计算算法将每一所述目标类的多个销量误差值中的异常值去除,所述分位数计算算法是使用分位数L%和U%去除异常值的算法,其中,销售误差值小于L%分位数或大于U%分位数的销量误差值为异常值,其中,L和U为预设参数且L小于U。
可选地,包括:
根据预设的第一周期时间周期性地按照预设规则对各个区域的各个产品品类的销量误差值重新进行归类,以对多个目标类进行更新;并根据预设的第二周期时间周期性地对抽取的每一所述目标类的销量误差值分别采用多种分布函数重新进行拟合,并对各个分布函数的参数进行更新。
可选地,所述学习算法包括XGBoost算法、LightGBM算法、GBDT算法、LinearRegression算法、LSTM算法和SVR算法;
所述统计检验方法包括Kolmogorov-Smirnov检验方法和Anderson-Darling检验方法。
可选地,所述分布函数包括均匀分布、正态分布、半正态分布和拉普拉斯分布。
根据本发明第二方面的目的,本发明又提供了一种产品销量的预测***,包括相互连接的建模模块、采集模块、分析模块和修正模块,其中,
所述建模模块,用于建立至少一个销量预测模型,每一所述销量预测模型利用一种学习算法建立且各个所述销量预测模型对应于不同的学习算法,所述销量预测模型用于根据各个区域的各个产品品类的历史销售量预测各个区域的各个产品品类在未来各个时间段内的销售量;
所述采集模块,用于获取各个区域的各个产品品类在每一所述预测时间段内的实际销量值;
所述分析模块,用于先通过所述销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值;然后将每一相同的所述预测时间段内的所述实际销量值和所述预测销量值相减,以得到各个区域的各个产品品类在各个预测时间段内的销量误差值;之后按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类;之后对抽取的每一所述目标类的销量误差值分别采用多种分布函数进行拟合,并确定各个分布函数的参数;之后选取多种所述分布函数中的一个分布函数作为目标分布函数;最后利用每一所述目标类的所述目标分布函数的参数构建相应的随机数发生器,并通过所述随机数发生器生成相应的随机数;
所述修正模块,用于将所述销量预测模型预测出的预测销量值与其所属的所述目标类的所述随机数发生器生成的所述随机数的和作为最终的预测销量值,以对所述预测销量值进行修正。
可选地,还包括:
更新模块,用于设置第一周期时间和第二周期时间,以使得所述分析模块根据预设的第一周期时间周期性地按照预设规则对各个区域的各个产品品类的销量误差值重新进行归类,以对多个目标类进行更新;并根据预设的第二周期时间周期性地对抽取的每一所述目标类的销量误差值分别采用多种分布函数重新进行拟合,并对各个分布函数的参数进行更新。
本发明先建立至少一个销量预测模型,销量预测模型用于根据各个区域的各个产品品类的历史销售量预测各个区域的各个产品品类在未来各个时间段内的销售量;然后通过销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值;之后获取各个区域的各个产品品类在每一预测时间段内的实际销量值;将每一相同的预测时间段内的实际销量值和预测销量值相减,以得到各个区域的各个产品品类在各个预测时间段内的销量误差值;之后按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类;之后对抽取的每一目标类的销量误差值分别采用多种分布函数进行拟合,并确定各个分布函数的参数;之后选取多种分布函数中的一个分布函数作为目标分布函数;之后利用每一目标类的目标分布函数的参数构建相应的随机数发生器,并通过随机数发生器生成相应的随机数;最后将销量预测模型预测出的预测销量值与其所属的目标类的随机数发生器生成的随机数的和作为最终的预测销量值,以对预测销量值进行修正。因此,采用本发明的方法能够使用统一的模型对各个区域的各个产品品类做出预测,并且使用分布函数来捕捉到各个分区域产品品类的市场突变情况,从而对产品的销量作出比较科学合理的预测,提高了销量预测模型的预测能力,也就是提高了产品销量预测的准确率,能够对各个区域的实际市场突变做出及时的反应。
本发明按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类的步骤之后包括:将每一目标类的多个销量误差值中的异常值去除,异常值用于表示高于第一预设销量误差值或低于第二预设销量误差值,第一预设销量误差值大于第二预设销量误差值。本发明将误差值中的异常值去除,可以更准确地确定分布函数的参数,进一步可以更准确地确定最终的预测销量值。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的产品销量的预测方法的示意性流程图;
图2是根据本发明一个实施例的产品销量预测准确率的示意性曲线图;
图3是根据本发明一个实施例的产品销量的预测***的示意性连接框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
图1是根据本发明一个实施例的产品销量的预测方法的示意性流程图。如图1所示,在一个具体地实施例中,产品销量的预测方法包括以下步骤:
步骤S100,建立至少一个销量预测模型,每一销量预测模型利用一种学习算法建立且各个销量预测模型对应于不同的学习算法,销量预测模型用于根据各个区域的各个产品品类的历史销售量预测各个区域的各个产品品类在未来各个时间段内的销售量;
步骤S200,通过销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值;
步骤S300,获取各个区域的各个产品品类在每一预测时间段内的实际销量值;
步骤S400,将每一相同的预测时间段内的实际销量值和预测销量值相减,以得到各个区域的各个产品品类在各个预测时间段内的销量误差值;
步骤S500,按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类;
步骤S600,对抽取的每一目标类的销量误差值分别采用多种分布函数进行拟合,并确定各个分布函数的参数;
步骤S700,选取多种分布函数中的一个分布函数作为目标分布函数;
步骤S800,利用每一目标类的目标分布函数的参数构建相应的随机数发生器,并通过随机数发生器生成相应的随机数;
步骤S900,将销量预测模型预测出的预测销量值与其所属的目标类的随机数发生器生成的随机数的和作为最终的预测销量值,以对预测销量值进行修正。
采用本实施例的方法能够使用统一的模型对各个区域的各个产品品类做出预测,并且使用分布函数来捕捉到各个分区域产品品类的市场突变情况,从而对产品的销量作出比较科学合理的预测,提高了销量预测模型的预测能力,也就是提高了产品销量预测的准确率,能够对各个区域的实际市场突变做出及时的反应。
在步骤S200中,可以将各个区域的各个产品品类的历史销量值作为销量预测模型的输入参数,各个区域的各个产品品类在未来的预测销量值作为销量预测模型的输出参数。例如,若现在处于7月,我们可以选择3~5个历史时间段(4月、5月和6月)的销量值作为输入参数,从而可以预测出各个区域的各个产品品类在未来的预测销量值(7月、8月、9月等),当7月、8月、9月过去,处于10月时,就可以获得7月、8月、9月的实际销量值,从而可以算出各个区域的各个产品品类在各个预测时间段内的销量误差值。本实施例以区域为单位进行分组,然后对每一组的产品品类统一建模,因此可以避免对每个区域的各个产品品类(企业公司的区域-产品品类可能达到几百到几千种)分别构建模型,这会造成后期的模型管理非常困难。另一方面,相比某些方案对所有的区域的各个产品品类使用同一套模型建模,本实施例能够综合考虑各个组别中产品品类销量的个性化影响因素。
进一步地,在步骤S200中,利用融合方法对所有销量预测模型预测出的预测销量值进行融合,以得到各个区域的各个产品品类在各个预测时间段的预测销量值,其中,所有销量预测模型的数量大于或等于2。这里,融合方法是均值融合的方法。该实施例为了使得融合模型的准确率提升,采用的是不同类型的学习算法,学习算法包括树模型算法(XGBoost)、深度学习模型(LightGBM)、梯度下降树模型(GBDT)、线性回归算法(LinearRegression)、LSTM算法和支持向量机算法(SVR)。本实施例提出的预测方法使用融合模型的方法对多种算法结果合并成第一阶段的预测结果。该方法的优势是可以综合使用各种影响销量的特征,如宏观经济,行业特征,节假日因素等,全面反映出销量的影响因子,能够拟合出每一区域的各个产品品类销量的周期性和长期趋势。并且对第一阶段的预测结果加上随机数进行动态修正,可以拟合出每一类中各个区域的各个产品品类销量的市场突变和随机噪音干扰,从而能够提高销量预测模型的准确率。
在一个实施例中,区域为城市,产品品类为车系,预设规则包括按照省份归类和聚类算法。若按照省份归类的话,将区域分成K个目标类,这里的K值就是全国所有省份的数量34。若采用聚类算法的话,例如,Kmeans聚类,Kmeans聚类需要计算各个城市的各个车系的特征,采用的特征有各个城市的各个车系的销量的均值、方差、最大值、最小值、分位数、城市汽车保有量和城市人均GDP等。另外,还可以按照市进行归类(地理层级),区域为县城;还可以按照事业部进行归类(行政层级)。
步骤S500之后包括以下步骤:
将每一目标类的多个销量误差值中的异常值去除,异常值用于表示高于第一预设销量误差值或低于第二预设销量误差值,第一预设销量误差值大于第二预设销量误差值。本实施例将误差值中的异常值去除,可以更准确地确定分布函数的参数,进一步可以更准确地确定最终的预测销量值。
在一个优选地实施例中,采用分位数计算算法将每一目标类的多个销量误差值中的异常值去除,分位数计算算法是使用分位数L%和U%去除异常值的算法,其中,销售误差值小于L%分位数或大于U%分位数的销量误差值为异常值,其中,L和U为预设参数且L小于U。在该实施例中,L=10,U=85。在另一个实施例中,L=25,U=75。
进一步地,步骤S700包括以下步骤:
步骤一:利用统计检验方法对每个目标类的各个分布函数进行服从性检验;
步骤二:将服从性最高的分布函数作为目标分布函数,其中,至少一种分布函数的数量为3。这里,统计检验方法包括Kolmogorov-Smirnov检验方法和Anderson-Darling检验方法。分布函数包括均匀分布、正态分布、半正态分布和拉普拉斯分布。
在一个实施例中,通过Kolmogorov-Smirnov检验方法判断销量误差值的分布是否服从上述几种分布函数中某个分布,选择检验效果最佳的概率分布。
Kolmogorov-Smirnov检验方法是检验单一样本是否服从某一预先假设的理论分布的一种方法。设某一目标类Ci中各个城市的各个车系的销量误差值为随机变量X,Kolmogorov-Smirnov检验过程如下:
H0:预测误差来自的总体服从某一特定分布F;
H1:预测误差来自的总体不服从某一特定分布F;
其中,F可以是均匀分布,正态分布,半正态分布和拉普拉斯分布。
令F(x)为预先假定的分布函数,Fn(x)为X的经验分布函数,计算检验统计量KS=max|F(x)-Fn(x)|,
当统计量KS>KS(n,α),(KS(n,α)为显著性水平为α的拒绝临界值),则拒绝H0,即认为随机变量X不服从预定的理论分布F,反之则接受H0,即认为随机变量X服从预定的理论分布F。
通过上述过程,可以确定预测误差值对应的分布函数。
图2是根据本发明一个实施例的产品销量预测准确率的示意性曲线图。从图2中可以看出,利用随机数对预测销量值进行修正后,预测销量值的准确率显著高于未经过修正的预测销量值的准确率。
由于车企需要对每个省份的各个车系在未来多期的销量进行预测,但是所有的预测方法都是通过对历史数据信息的学习,无法捕获未来市场上宏观环境的突变,以及各自区域内的促销活动,竞品厂商的折扣活动等信息,所以需要对销量预测模型的预测销量值进行实时动态的修正,才能得到比较科学和合理的预测值,对公司的经营策略,市场活动制定等提供科学的数据参考。所以,在一个优选地实施例中,产品销量的预测方法还包括以下步骤:
根据预设的第一周期时间周期性地按照预设规则对各个区域的各个产品品类的销量误差值重新进行归类,以对多个目标类进行更新;并根据预设的第二周期时间周期性地对抽取的每一目标类的销量误差值分别采用多种分布函数重新进行拟合,并对各个分布函数的参数进行更新。
也就是说,由于受到市场环境,季节,区域内销售政策,促销活动等的影响,销量误差值的分布会发生变化,因此为了得到准确的误差信息,需要定时更新,拟合销量误差值的新的分布函数。同样地,如果各个城市的各个车系的聚类是采用聚类算法如Kmeans聚类的,目标类也会受到市场环境的变化等因素的影响,因此为了得到合理的类别信息,需要定时更新,获取新的各个城市的各个车系的目标类。
图3是根据本发明一个实施例的产品销量的预测***100的示意性连接框图。如图3所示,在一个具体地实施例中,产品销量的预测***100包括相互连接的建模模块20、采集模块10、分析模块30和修正模块40,其中,
建模模块20用于建立至少一个销量预测模型,每一销量预测模型利用一种学习算法建立且各个销量预测模型对应于不同的学习算法,销量预测模型用于根据各个区域的各个产品品类的历史销售量预测各个区域的各个产品品类在未来各个时间段内的销售量。
采集模块10用于获取各个区域的各个产品品类在每一预测时间段内的实际销量值。并且,采集模块10也可以看做是用来整合所有区域各个产品品类的实际销量值的数据的,包括但不限于产品销售数据,潜客数据,宏观经济数据,区域经济数据等。基于以上数据,构建影响销量值的特征。特征构建方法从时间维度和统计方法维度两个维度构建,例如:近三个月以来的销量均值,其中,近三个月表示时间维度,均值是一种统计方法。统计方法包括但不限于均值,方差,最大值,最小值和分位数。
分析模块30用于先通过销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值;然后将每一相同的预测时间段内的实际销量值和预测销量值相减,以得到各个区域的各个产品品类在各个预测时间段内的销量误差值;之后按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类;之后对抽取的每一目标类的销量误差值分别采用多种分布函数进行拟合,并确定各个分布函数的参数;之后选取多种分布函数中的一个分布函数作为目标分布函数;最后利用每一目标类的目标分布函数的参数构建相应的随机数发生器,并通过随机数发生器生成相应的随机数。另外,分析模块30还用于利用融合方法对所有销量预测模型预测出的预测销量值进行融合,以得到各个区域的各个产品品类在各个预测时间段的预测销量值,其中,所有销量预测模型的数量大于或等于2。分析模块30还用于将每一目标类的多个销量误差值中的异常值去除,异常值用于表示高于第一预设销量误差值或低于第二预设销量误差值,第一预设销量误差值大于第二预设销量误差值。本实施例将误差值中的异常值去除,可以更准确地确定分布函数的参数,进一步可以更准确地确定最终的预测销量值。分析模块30还用于利用统计检验方法对每个目标类的各个分布函数进行服从性检验;然后将服从性最高的分布函数作为目标分布函数,其中,至少一种分布函数的数量为3。这里,统计检验方法包括Kolmogorov-Smirnov检验方法和Anderson-Darling检验方法。分布函数包括均匀分布、正态分布、半正态分布和拉普拉斯分布。
修正模块40用于将销量预测模型预测出的预测销量值与其所属的目标类的随机数发生器生成的随机数的和作为最终的预测销量值,以对预测销量值进行修正。
进一步地,产品销量的预测***100还包括更新模块,其用于设置第一周期时间和第二周期时间,以使得分析模块30根据预设的第一周期时间周期性地按照预设规则对各个区域的各个产品品类的销量误差值重新进行归类,以对多个目标类进行更新;并根据预设的第二周期时间周期性地对抽取的每一目标类的销量误差值分别采用多种分布函数重新进行拟合,并对各个分布函数的参数进行更新。在一个实施例中,第一周期时间可以设为6个月,第二周期时间可以设为1个月。在其他实施例中,还可以根据实际需求设定第一周期时间和第二周期时间。
本发明在融合不同销量预测模型预测的销量值的基础上,通过对销量误差值进行分析,拟合销量误差值的分布函数,并利用各个分布函数的参数构建随机数发生器,以产生随机数,从而对预测销量值进行修正,进而构成最终的预测销量值。该方法能够使用统一的销量预测模型对各个区域的各个产品品类的销量值做出预测,并且使用销量误差值的分布函数来捕捉到各个区域的各个产品品类的实时的市场突变情况,能够对各个区域的各个产品品类的销量做出比较科学合理的预测。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (8)
1.一种产品销量的预测方法,其特征在于,包括:
建立至少一个销量预测模型,每一所述销量预测模型利用一种学习算法建立且各个所述销量预测模型对应于不同的学习算法,所述销量预测模型用于根据各个区域的各个产品品类的历史销售量预测各个区域的各个产品品类在未来各个时间段内的销售量;
通过所述销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值;
获取各个区域的各个产品品类在每一所述预测时间段内的实际销量值;
将每一相同的所述预测时间段内的所述实际销量值和所述预测销量值相减,以得到各个区域的各个产品品类在各个预测时间段内的销量误差值;
按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类;
对抽取的每一所述目标类的销量误差值分别采用多种分布函数进行拟合,并确定各个分布函数的参数;
选取多种所述分布函数中的一个分布函数作为目标分布函数;
利用每一所述目标类的所述目标分布函数的参数构建相应的随机数发生器,并通过所述随机数发生器生成相应的随机数;
将所述销量预测模型预测出的预测销量值与其所属的所述目标类的所述随机数发生器生成的所述随机数的和作为最终的预测销量值,以对所述预测销量值进行修正;
根据预设的第一周期时间周期性地按照预设规则对各个区域的各个产品品类的销量误差值重新进行归类,以对多个目标类进行更新;并根据预设的第二周期时间周期性地对抽取的每一所述目标类的销量误差值分别采用多种分布函数重新进行拟合,并对各个分布函数的参数进行更新。
2.根据权利要求1所述的预测方法,其特征在于,通过所述销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值的步骤,包括:
利用融合方法对所有所述销量预测模型预测出的预测销量值进行融合,以得到各个区域的各个产品品类在各个所述预测时间段的所述预测销量值,其中,所有所述销量预测模型的数量大于或等于2。
3.根据权利要求2所述的预测方法,其特征在于,选取多种所述分布函数中的一个分布函数作为目标分布函数的步骤,包括:
利用统计检验方法对每个目标类的各个分布函数进行服从性检验;
将服从性最高的所述分布函数作为所述目标分布函数,其中,所述至少一种分布函数的数量为3。
4.根据权利要求3所述的预测方法,其特征在于,
所述区域为城市,所述预设规则包括按照省份归类和聚类算法;
按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类的步骤,之后包括:
将每一所述目标类的多个销量误差值中的异常值去除,所述异常值用于表示高于第一预设销量误差值或低于第二预设销量误差值,所述第一预设销量误差值大于所述第二预设销量误差值。
5.根据权利要求4所述的预测方法,其特征在于,
采用分位数计算算法将每一所述目标类的多个销量误差值中的异常值去除,所述分位数计算算法是使用分位数L%和U%去除异常值的算法,其中,销售误差值小于L%分位数或大于U%分位数的销量误差值为异常值,其中,L和U为预设参数且L小于U。
6.根据权利要求3所述的预测方法,其特征在于,
所述学习算法包括XGBoost算法、LightGBM算法、GBDT算法、Linear Regression算法、LSTM算法和SVR算法;
所述统计检验方法包括Kolmogorov-Smirnov检验方法和Anderson-Darling检验方法。
7.根据权利要求1所述的预测方法,其特征在于,
所述分布函数包括均匀分布、正态分布、半正态分布和拉普拉斯分布。
8.一种产品销量的预测***,其特征在于,包括相互连接的建模模块、采集模块、分析模块和修正模块,其中,
所述建模模块,用于建立至少一个销量预测模型,每一所述销量预测模型利用一种学习算法建立且各个所述销量预测模型对应于不同的学习算法,所述销量预测模型用于根据各个区域的各个产品品类的历史销售量预测各个区域的各个产品品类在未来各个时间段内的销售量;
所述采集模块,用于获取各个区域的各个产品品类在每一预测时间段内的实际销量值;
所述分析模块,用于先通过所述销量预测模型预测各个区域的各个产品品类在至少两个预测时间段内的预测销量值;然后将每一相同的所述预测时间段内的所述实际销量值和所述预测销量值相减,以得到各个区域的各个产品品类在各个预测时间段内的销量误差值;之后按照预设规则对各个区域的各个产品品类的销量误差值进行归类,以得到多个目标类;之后对抽取的每一所述目标类的销量误差值分别采用多种分布函数进行拟合,并确定各个分布函数的参数;之后选取多种所述分布函数中的一个分布函数作为目标分布函数;最后利用每一所述目标类的所述目标分布函数的参数构建相应的随机数发生器,并通过所述随机数发生器生成相应的随机数;
所述修正模块,用于将所述销量预测模型预测出的预测销量值与其所属的所述目标类的所述随机数发生器生成的所述随机数的和作为最终的预测销量值,以对所述预测销量值进行修正;
更新模块,用于设置第一周期时间和第二周期时间,以使得所述分析模块根据预设的第一周期时间周期性地按照预设规则对各个区域的各个产品品类的销量误差值重新进行归类,以对多个目标类进行更新;并根据预设的第二周期时间周期性地对抽取的每一所述目标类的销量误差值分别采用多种分布函数重新进行拟合,并对各个分布函数的参数进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901977.0A CN113610575B (zh) | 2021-08-06 | 2021-08-06 | 一种产品销量的预测方法及预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901977.0A CN113610575B (zh) | 2021-08-06 | 2021-08-06 | 一种产品销量的预测方法及预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610575A CN113610575A (zh) | 2021-11-05 |
CN113610575B true CN113610575B (zh) | 2024-03-08 |
Family
ID=78307445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110901977.0A Active CN113610575B (zh) | 2021-08-06 | 2021-08-06 | 一种产品销量的预测方法及预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610575B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423535B (zh) * | 2022-10-17 | 2023-07-18 | 深圳市秦丝科技有限公司 | 基于市场先验大数据的产品采购方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034905A (zh) * | 2018-08-03 | 2018-12-18 | 四川长虹电器股份有限公司 | 提升销量预测结果稳健性的方法 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
KR20200122687A (ko) * | 2019-04-18 | 2020-10-28 | 카페24 주식회사 | 상품 판매량 예측 방법, 장치 및 시스템 |
CN112186761A (zh) * | 2020-09-30 | 2021-01-05 | 山东大学 | 一种基于概率分布的风电功率场景生成方法及*** |
-
2021
- 2021-08-06 CN CN202110901977.0A patent/CN113610575B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034905A (zh) * | 2018-08-03 | 2018-12-18 | 四川长虹电器股份有限公司 | 提升销量预测结果稳健性的方法 |
KR20200122687A (ko) * | 2019-04-18 | 2020-10-28 | 카페24 주식회사 | 상품 판매량 예측 방법, 장치 및 시스템 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN112186761A (zh) * | 2020-09-30 | 2021-01-05 | 山东大学 | 一种基于概率分布的风电功率场景生成方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113610575A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784806B (zh) | 供应链控制方法、***以及存储介质 | |
CN107633030A (zh) | 基于数据模型的信用评估方法及装置 | |
CN112232833A (zh) | 流失会员客群数据预测方法、模型训练方法及装置 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、***及介质 | |
Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
CN113887126A (zh) | 焊点质量分析方法、装置、终端设备及介质 | |
CN112100451B (zh) | 基于图数据库搭建工业神经网络的方法 | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
TW202133061A (zh) | 需求預測方法以及需求預測裝置 | |
CN113610575B (zh) | 一种产品销量的预测方法及预测*** | |
CN112700131A (zh) | 基于人工智能的ab测试方法、装置、计算机设备及介质 | |
CN114548494B (zh) | 一种可视化造价数据预测智能分析*** | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
CN117094599A (zh) | 基于机器学习的生产质量管理方法、装置和计算机设备 | |
KR20200002433A (ko) | 빅데이터 분석을 이용한 통계적 품질 관리 시스템 | |
KR20230052010A (ko) | Ai 기반 모델 선택 알고리즘을 이용한 수요 예측 방법 | |
Liu et al. | An intelligent system for estimating full product Life Cycle Cost at the early design stage | |
Greipel et al. | Comparison of grouping algorithms to increase the sample size for statistical process control | |
CN117807377B (zh) | 多维度物流数据挖掘与预测方法及*** | |
Sittón-Candanedo et al. | Fault predictive model for HVAC Systems in the context of Industry 4.0 | |
CN116627093B (zh) | 一种丁腈手套加工控制方法、***、设备及存储介质 | |
CN117175584A (zh) | 一种基于电力数据的可控负荷预测方法、装置及设备 | |
CN118014165A (zh) | 锂离子电池生产的溯源管理方法及*** | |
CN115577834A (zh) | 用于预测全品类备件需求的方法 | |
Castro et al. | Development and Analysis of Predictive Models for Industry 4.0 with an Open-Source Tool |
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 |