CN114626896A - 物品数量预测方法及装置、电子设备和存储介质 - Google Patents
物品数量预测方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114626896A CN114626896A CN202210351747.6A CN202210351747A CN114626896A CN 114626896 A CN114626896 A CN 114626896A CN 202210351747 A CN202210351747 A CN 202210351747A CN 114626896 A CN114626896 A CN 114626896A
- Authority
- CN
- China
- Prior art keywords
- prediction
- granularity
- time sequence
- region
- data
- 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 72
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 87
- 230000002776 aggregation Effects 0.000 claims abstract description 43
- 238000004220 aggregation Methods 0.000 claims abstract description 43
- 230000002123 temporal effect Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 235000019580 granularity Nutrition 0.000 claims description 178
- 238000012549 training Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 31
- 238000012300 Sequence Analysis Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000005192 partition Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种物品数量预测方法及装置、电子设备以及计算机可读存储介质，涉及计算机技术领域，可以应用于对某一物品进行销量预测的场景。该方法包括：获取目标物品的历史业务时序数据，对历史业务时序数据进行时序特征提取处理，以确定目标物品对应的时间预测粒度；根据时间预测粒度分别对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定目标物品对应的空间预测粒度；根据时间预测粒度与空间预测粒度确定目标物品在特定业务中的物品数量。本公开可以提供一种将时间与空间维度结合得到针对该物品的预测维度的方案，通过提供精确到物品级别的配置，得到一种综合时间与空间维度的物品数量预测结果。
Description
技术领域
本公开涉及计算机技术领域，具体而言，涉及一种物品数量预测方法、物品数量预测装置、电子设备以及计算机可读存储介质。
背景技术
销售预测是指根据以往的销售情况以及使用***内部内置或用户自定义的销售预测模型获得的对未来销售情况的预测。销售预测包含不同物品的销量预测。在物品销售过程中，由于购物节庆活动或其他促销活动导致的销量激增对零售商构成巨大挑战，可能造成缺货或***崩溃等问题，因此，销量预测对于在线和在线零售行业优化供应链，降低运营成本和提高收入至关重要。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种物品数量预测方法、物品数量预测装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服现有技术通常仅单独针对时间维度或空间维度对物品进行销量预测，无法综合时间维度和空间维度确定预测结果的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本公开的第一方面，提供一种物品数量预测方法，包括：获取目标物品的历史业务时序数据，对所述历史业务时序数据进行时序特征提取处理，以确定所述目标物品对应的时间预测粒度；根据所述时间预测粒度分别对所述历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定所述目标物品对应的空间预测粒度；根据所述时间预测粒度与所述空间预测粒度确定所述目标物品在特定业务中的物品数量。
在本公开的一种示例性实施方案中，对所述历史业务时序数据进行时序特征提取处理，以确定所述目标物品对应的时间预测粒度，包括：获取预先构建的时序分析模型；所述时序分析模型基于多个时序划分数据训练得到；将所述历史业务时序数据输入至所述时序分析模型，以由所述时序分析模型确定所述时间预测粒度；所述时序分析模型通过下述步骤训练得到：获取初始时序模型、业务时序训练数据集以及预先配置的多个候选时间粒度；根据所述多个候选时间粒度对所述业务时序训练数据集进行划分处理，以得到多个时序划分数据；根据所述多个时序划分数据对初始时序模型进行模型训练处理，以得到所述时序分析模型。
在本公开的一种示例性实施方案中，根据所述时间预测粒度分别对所述历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定所述目标物品对应的空间预测粒度，包括：确定所述目标物品对应的区域层级信息；根据所述区域层级信息对所述历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果；根据所述区域层级信息对所述历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果；根据所述第一准确度结果与所述第二准确度结果确定所述空间预测粒度。
在本公开的一种示例性实施方案中，根据所述区域层级信息对所述历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果，包括：根据所述区域层级信息确定所述目标物品对应的多个子区域以及所述多个子区域之间的区域层级关系；根据所述区域层级关系将所述多个子区域对应的历史业务时序数据进行区域聚合预测处理，以得到所述第一空间划分粒度对应的第一准确度结果。
在本公开的一种示例性实施方案中，根据所述区域层级信息对所述历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果，包括：根据所述区域层级信息确定所述目标物品对应的总区域以及区域拆解规则；根据所述区域拆解规则将所述总区域对应的历史业务时序数据进行区域拆解预测处理，以得到所述第二空间划分粒度对应的第二准确度结果。
在本公开的一种示例性实施方案中，根据所述第一准确度结果与所述第二准确度结果确定所述空间预测粒度，包括：获取准确度评价指标，根据所述准确度评价指标确定所述第一准确度结果对应的第一预测平均值；根据所述准确度评价指标确定所述第二准确度结果对应的第二预测平均值；对所述第一预测平均值与所述第二预测平均值进行对比处理，以得到准确度对比结果；根据所述准确度对比结果确定所述空间预测粒度。
在本公开的一种示例性实施方案中，所述方法还包括：确定目标区域，获取所述目标区域的区域约束条件；根据所述区域约束条件与所述准确度对比结果确定所述目标区域对应的时间预测粒度。
根据本公开的第二方面，提供一种物品数量预测装置，包括：时序特征确定模块，用于获取目标物品的历史业务时序数据，对所述历史业务时序数据进行时序特征提取处理，以确定所述目标物品对应的时间预测粒度；空间粒度确定模块，用于根据所述时间预测粒度分别对所述历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定所述目标物品对应的空间预测粒度；数量确定模块，用于根据所述时间预测粒度与所述空间预测粒度确定所述目标物品在特定业务中的物品数量。
在本公开的一种示例性实施方案中，时序特征确定模块包括时序特征确定单元，用于获取预先构建的时序分析模型；所述时序分析模型基于多个时序划分数据训练得到；将所述历史业务时序数据输入至所述时序分析模型，以由所述时序分析模型确定所述时间预测粒度；所述时序分析模型通过下述步骤训练得到：获取初始时序模型、业务时序训练数据集以及预先配置的多个候选时间粒度；根据所述多个候选时间粒度对所述业务时序训练数据集进行划分处理，以得到多个时序划分数据；根据所述多个时序划分数据对初始时序模型进行模型训练处理，以得到所述时序分析模型。
在本公开的一种示例性实施方案中，空间粒度确定模块包括空间粒度确定单元，用于确定所述目标物品对应的区域层级信息；根据所述区域层级信息对所述历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果；根据所述区域层级信息对所述历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果；根据所述第一准确度结果与所述第二准确度结果确定所述空间预测粒度。
在本公开的一种示例性实施方案中，空间粒度确定单元包括第一结果确定子单元，用于根据所述区域层级信息确定所述目标物品对应的多个子区域以及所述多个子区域之间的区域层级关系；根据所述区域层级关系将所述多个子区域对应的历史业务时序数据进行区域聚合预测处理，以得到所述第一空间划分粒度对应的第一准确度结果。
在本公开的一种示例性实施方案中，空间粒度确定单元包括第二结果确定子单元，用于根据所述区域层级信息确定所述目标物品对应的总区域以及区域拆解规则；根据所述区域拆解规则将所述总区域对应的历史业务时序数据进行区域拆解预测处理，以得到所述第二空间划分粒度对应的第二准确度结果。
在本公开的一种示例性实施方案中，空间粒度确定单元包括空间粒度确定子单元，用于获取准确度评价指标，根据所述准确度评价指标确定所述第一准确度结果对应的第一预测平均值；根据所述准确度评价指标确定所述第二准确度结果对应的第二预测平均值；对所述第一预测平均值与所述第二预测平均值进行对比处理，以得到准确度对比结果；根据所述准确度对比结果确定所述空间预测粒度。
在本公开的一种示例性实施方案中，空间粒度确定子单元被配置为执行：确定目标区域，获取所述目标区域的区域约束条件；根据所述区域约束条件与所述准确度对比结果确定所述目标区域对应的时间预测粒度。
根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的物品数量预测方法。
根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的物品数量预测方法。
本公开提供的技术方案可以包括以下有益效果：
本公开的示例性实施例中的物品数量预测方法，一方面，通过对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，可以确定出目标物品对应的空间预测粒度。另一方面，提供了一种综合时间预测粒度与空间预测粒度等多维度组合确定预测结果的复杂方案，实现多维度预测目标物品的特定业务数量的方案。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示意性示出了根据本公开的示例性实施方式的物品数量预测方法的流程图；
图2示意性示出了根据本公开的示例性实施方式的确定时间/空间预测方案的流程图；
图3示意性示出了根据本公开的示例性实施方式的对历史业务时序数据进行多个时间维度分析以进行时序特征提取的示意图；
图4示意性示出了根据本公开的示例性实施方式的确定目标物品的空间预测粒度的示意图；
图5示意性示出了根据本公开的示例性实施方式的不同区域的平均百分比误差值的对比图；
图6示意性示出了根据本公开的示例性实施方式的物品数量预测装置的方框图；
图7示意性示出了根据本公开一示例性实施例的电子设备的框图；
图8示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
目前，现有项目中销量预测关于时间维度和空间聚合维度大多都是基于业务场景，时间维度的预测结果一般包括是到天、周、月、还是季度；对于空间维度，有些层级模型的方案是关于利用贝叶斯预测如何分层让整体预测最为准确。然而，采用时间和空间维度的组合选择进行销量预测就相对比较复杂，现有的实现方案中，缺少一种基于时间和空间维度的组合选择进行销量预测的方案。
基于此，在本示例实施例中，首先提供了一种物品数量预测方法，可以利用服务器来实现本公开的物品数量预测方法，也可以利用终端设备来实现本公开所述的方法，其中，本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)等移动终端，以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的物品数量预测方法流程的示意图。参考图1，该物品数量预测方法可以包括以下步骤：
步骤S110，获取目标物品的历史业务时序数据，对历史业务时序数据进行时序特征提取处理，以确定目标物品对应的时间预测粒度；
步骤S120，根据时间预测粒度分别对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定目标物品对应的空间预测粒度；
步骤S130，根据时间预测粒度与空间预测粒度确定目标物品在特定业务中的物品数量。
根据本示例实施例中的物品数量预测方法，通过对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，可以确定出目标物品对应的空间预测粒度。另一方面，提供了一种综合时间预测粒度与空间预测粒度等多维度组合确定预测结果的复杂方案，实现多维度预测目标物品的特定业务数量的方案。
下面，将对本示例实施例中的物品数量预测方法进行进一步的说明。
在步骤S110中，获取目标物品的历史业务时序数据，对历史业务时序数据进行时序特征提取处理，以确定目标物品对应的时间预测粒度。
在本公开的一些示例性实施方式中，目标物品可以是当前进行特定业务数量预测处理的物品。历史业务时序数据可以是目标物品的在过去的特定时间段内的相关业务数据按照时间顺序排列后生成的数据。物品时序特征可以是目标物品的历史业务时序数据进行特征探查处理后得到的相关数据特征。时间预测粒度可以是对目标物品的特定业务数据进行数量预测处理时所采用的时间粒度。例如，时间预测粒度可以是一周、10天、4周等。
物品销售场景中，通常包括购进、运输、储存、销售等多个环节，在此场景中，多种多样的物品在不同环节中流转，为了保障销售场景中各个环节之间的正常流转，可以通过本公开的物品数量预测方法确定出目标物品在特定业务中的物品数量，以针对不同的环节制定相应的处理策略。为了确定不同物品在未来的销售情况，及时进行仓库补货，因此，需要对各个物品的销售数量进行预测，在预测出目标物品的未来销量之后，则可以提前确定出该目标物品在仓库中的待补货数量。
本实施例以确定目标物品的销量为例进行说明，参考图2，图2示意性示出了根据本公开的示例性实施方式的确定时间/空间预测方案的流程图。在步骤S210中，收集数据。在预测目标物品的销量之前，可以先获取目标物品对应的历史业务时序数据。例如，获取目标物品在特定时间段内的销量数据，并按照时间先后顺序进行排列，以生成对应的历史业务时序数据。
在步骤S220中，数据探索和分析(Exploratory Data Analysis，EDA)。在获取到历史业务时序数据后，可以通过EDA分析步骤，对历史业务时序数据进行时序特征提取处理，以确定出针对目标物品进行销量预测处理时所采用的时间预测粒度。
在本公开的一种示例性实施方案中，获取预先构建的时序分析模型；所述时序分析模型基于多个时序划分数据训练得到；将历史业务时序数据输入至时序分析模型，以由时序分析模型确定时间预测粒度；时序分析模型通过下述步骤训练得到：获取初始时序模型、业务时序训练数据集以及预先配置的多个候选时间粒度；根据多个候选时间粒度对业务时序训练数据集进行划分处理，以得到多个时序划分数据；根据多个时序划分数据对初始时序模型进行模型训练处理，以得到时序分析模型。
其中，时序分析模型可以是用于对历史业务时序数据进行时序特征分析，以确定时间预测粒度的模型。时序划分数据可以是对业务时序训练数据集进行划分处理后得到的数据。初始时序模型可以是初始构建的时序特征提取模型。业务时序训练数据集可以是用于对初始时序模型进行模型训练以得到时序分析模型的训练数据集。候选时间粒度可以是用于对业务时序训练数据集按照时长进行划分处理时所采用的粒度，例如，候选时间粒度可以是一天、一周、10天、两周、四周等。
继续参考图2，在步骤S201中，时序特征分析，即对历史业务时序数据进行时序特征分析。例如，在对历史业务时序数据进行时序特征分析时，可以通过预先构建的时序分析模型进行。本实施例中的时序分析模型对目标物品的历史业务时序数据进行时序特征提取，以确定出目标物品对应的时间预测粒度。时序分析模型的训练步骤具体如下：在训练时序分析模型时，可以获取预先构建的初始时序模型，以及业务时序训练数据集；其中，业务时序训练数据集中可以包含历史时间段内目标物品的销量数据。在确定出业务时序训练数据集之后，可以获取预先配置的候选时间粒度，根据候选时间粒度对业务时序训练数据集进行划分处理，以得到多个时序划分数据。通过时序划分数据可以对初始时序模型进行训练，由模型分析学习业务时序训练数据集中的时序特征，并最终得到时序分析模型。
参考图3，图3示意性示出了根据本公开的示例性实施方式的对历史业务时序数据进行多个时间维度分析以进行时序特征提取的示意图。图3(a)中示出了以周为一个统计周期时，目标物品每天对应的销售数量；其中，横坐标为一周对应的天数，纵坐标为目标物品的销售数量。图3(b)中示出了以月为一个统计周期时，目标物品每天对应的销售数量；其中，横坐标为一个月对应的天数，纵坐标为目标物品的销售数量。图3(c)中示出了以年为一个统计周期时，目标物品每个月对应的销售数量；其中，横坐标为一年中对应的月份，纵坐标为目标物品的销售数量。图3(d)中示出了以年为一个统计周期时，目标物品每天对应的销售数量；其中，横坐标为一年中对应的天数，纵坐标为目标物品的销售数量。图3(e)中示出了以年为一个统计周期时，目标物品每周对应的销售数量；其中，横坐标为一年中对应的周数，纵坐标为目标物品的销售数量。图3(f)中示出了以年为一个统计周期时，目标物品每个季度对应的销售数量；其中，横坐标为一年中对应的季度数，纵坐标为目标物品的销售数量。
基于图3中的时序划分数据，为了得到最优的时间维度单位，本实施例中采用皮尔逊相关系数(Pearson correlation coefficient)统计每一个维度下的相关系数，以图3中示例的数据为例，分别得到周中效应，月中效应，月/年效应，日/年效应，周/年效应和季度/年效应的相关系数，如表1所示。
表1
由于Pearson系数为正效应，且效应越高证明相关性越强，针对表1中的数据，周中效应和月中效应对应的pearson系数是用于对比以月为一个统计周期时，具体每天的数据可能产生的误差。在确定时间预测粒度时，将月/年效应，日/年效应，周/年效应和季度/年效应等四种相关系数比较，可以得出结果虽然上述结果均未高于50％，但其中最高为周/年效应，高于天/年效应和月/年效应，说明在进行目标物品的销量预测时，以周为时间预测粒度将是最优时间划分粒度。
在步骤S120中，根据时间预测粒度分别对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定目标物品对应的空间预测粒度。
在本公开的一些示例性实施方式中，区域聚合预测处理可以是按照区域层级将时序数据由下一层往上一层进行聚合预测处理，以确定对应的预测准确度结果的处理过程。区域拆解预测处理可以是按照区域层级将时序数据由上一层往下一层进行拆解预测处理，以确定对应的预测准确度结果的处理过程。空间预测粒度可以是对目标物品的特定业务数据进行数量预测处理时所采用的空间粒度。例如，空间预测粒度可以配置为将一个城市的所有仓库等。
继续参考图2，在确定出时间预测粒度之后，可以继续对历史业务时序数据在空间维度上进行分析，以确定出目标物品对应的空间预测维度。在步骤S202中，对历史业务时序数据进行区域聚合预测处理。在步骤S203中，对历史业务时序数据进行区域拆解预测处理。对历史业务时序数据分别进行区域聚合预测处理和区域拆解预测处理后，分析上述两种处理方式得到的处理结果的准确度，可以确定出目标物品对应的空间预测粒度。
在本公开的一种示例性实施方案中，确定目标物品对应的区域层级信息；根据区域层级信息对历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果；根据区域层级信息对历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果；根据第一准确度结果与第二准确度结果确定空间预测粒度。
其中，区域层级信息可以是储存物品的仓库所处区域的对应层级级别的相关信息，例如，区域层级信息可以包括不同层级的区域的划分情况。第一空间划分粒度可以是对历史业务时序数据进行区域聚合预测处理后确定出针对区域的空间划分粒度。第一准确度结果可以是根据第一空间划分粒度进行物品数量预测时对应的准确度结果。第二空间划分粒度可以是对历史业务时序数据进行区域拆解预测处理后确定出针对区域的空间划分粒度。第二准确度结果可以是根据第二空间划分粒度进行物品数量预测时对应的准确度结果。
参考图4，图4示意性示出了根据本公开的示例性实施方式的确定目标物品的空间预测粒度的示意图。在步骤S410中，确定目标物品对应的区域层级信息。在确定目标物品的空间预测粒度时，可以先确定目标物品对应的区域层级信息，区域层级信息可以包括储存物品的仓库在不同区域中的分布情况以及不同区域仓库之间的层级关系。继续参考图2，在对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理之前，在步骤S230中，进行特征工程处理。具体的，对历史业务时序数据进行特征提取、特征选择、特征构建等相关处理。例如，对于目标物品对应的不同区域的仓库进行特征化表示。
在步骤S420中，根据区域层级信息对历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果。基于经过特征化处理的历史业务时序数据进行区域聚合预测处理，具体的，区域聚合预测处理(bottom up，BU)可以是将目标物品的相关销量数据由下层往上层聚合，例如，将各个区域的销量数据汇总到全国的处理方式。通过区域聚合预测处理可以确定出基于第一空间划分粒度确定出的目标物品对应的第一准确度结果。
在步骤S430中，根据区域层级信息对历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果。区域拆解预测处理(top down，TD)可以是将目标物品的相关销量数据由上层往下层拆解，例如，将全国的销量数据拆解哦各个区域的处理方式。通过区域拆解预测处理可以确定出基于第二空间划分粒度确定出的目标物品对应的第二准确度结果。
在步骤S440中，根据第一准确度结果与第二准确度结果确定空间预测粒度。通过将第一准确度结果与第二准确度结果进行比较，可以根据准确度对比结果确定出空间预测粒度。
在本公开的一种示例性实施方案中，根据区域层级信息确定目标物品对应的多个子区域以及多个子区域之间的区域层级关系；根据区域层级关系将多个子区域对应的历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果。
其中，子区域可以是根据区域层级信息对仓库进行划分后形成的各个地区的区域。区域层级关系可以是各个层级之间的子区域的层级关系，例如，区域层级关系可以包括各个物品储存仓库基于全国、省、市、地区等行政级别划分区域的层级关系。
在获取到区域层级信息之后，可以根据区域层级信息确定出目标物品对应的子区域，即储存目标物品的仓库所处的各个省市地区的仓库，并确定各个子区域之间的区域层级关系。举例而言，对于目标物品而言，由于不同街道中可能包含售卖目标物品的门店，可以将一条街道中所有售卖目标物品的门店销量数据进行汇总，当一个地区所有街道的门店销量数据汇总完成后，可以得到一个区对应的销量数量。此时，可以继续将多个区的销量数据汇总，得到一个城市对应的销量数量。在本实施例中，可以根据地区行政关系确定多个子区域之间的区域层级关系，根据区域层级关系以及多个子区域对应的销量数据，对总区域的销量进行预测，进而将得到的预测值与总区域对应的实际值进行对比，以确定第一准确度结果。
在本公开的一种示例性实施方案中，根据区域层级信息确定目标物品对应的总区域以及区域拆解规则；根据区域拆解规则将总区域对应的历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果。
其中，总区域可以是将储存物品的所有子区域汇总在一起所对应的区域。区域拆解规则可以是对总区域进行拆解处理以形成多个不同层级的子区域所采用的规则。
在对历史业务时序数据进行区域拆解预测处理时，可以根据区域层级信息确定出目标物品对应的总区域，例如，一般是以全国范围作为目标物品的总区域；并从区域层级信息中获取针对总区域的区域拆解规则，例如，全国范围具有一个总的销量数据，根据不同子区域的区域特点，可以向各个子区域分配对应的销量份额，进而确定出总区域下包含的所有子区域的销量数据。根据经过上述处理得到，可以对各个子区域对应的销量数据进行预测处理，得到各个子区域对应的预测值，再将得到预测值与实际值进行对比，确定出采用第二空间划分粒度对区域进行划分处理后得到的第二准确度结果。
在本公开的一种示例性实施方案中，获取准确度评价指标，根据准确度评价指标确定第一准确度结果对应的第一预测平均值；根据准确度评价指标确定第二准确度结果对应的第二预测平均值；对第一预测平均值与第二预测平均值进行对比处理，以得到准确度对比结果；根据准确度对比结果确定空间预测粒度。
其中，准确度评价指标可以是用于评价准确度结果所采用的指标。第一预测平均值可以是对第一准确度结果进行平均值计算得到的结果。第二预测平均值可以是对第二准确度结果进行平均值计算得到的结果。准确度对比结果可以是第一预测平均值与第二预测平均值进行大小对比后得到的结果。
继续参考图2，在步骤S240，进行多模型训练操作。在本公开中，可以通过区域聚合预测处理与区域拆解预测处理等方式进行模型训练，以确定出用于确定空间预测粒度的模型。在步骤S204中，进行空间测试结果比较。具体的，可以将第一准确度结果与第二准确度结果进行对比，根据对比结果确定空间预测粒度。具体的，在进行准确度对比之前，可以先确定准确度评价指标，本实施例中可以将平均百分比误差(mean absolute percentageerror，MAPE)作为准确度评价指标。参考表2，表2中示出了以周作为统计周期时，各个区域的准确度预测结果；其中包括第一预测平均值，即区域均值列对应的数据；以及第二预测平均值，即全国列对应的数据。
表2
| 行标签 | 区域均值(TD) | 全国(BU) | 总计 |
| 0 | 48％ | 22％ | 46％ |
| 1 | 31％ | 32％ | 31％ |
| 2 | 38％ | 34％ | 36％ |
| 3 | 32％ | 34％ | 33％ |
| 4 | 34％ | 35％ | 34％ |
| 5 | 34％ | 41％ | 38％ |
| 6 | 36％ | 42％ | 39％ |
| 7 | 32％ | 45％ | 39％ |
| 8 | 34％ | 64％ | 49％ |
| 9 | 33％ | 65％ | 49％ |
| 10 | 35％ | 58％ | 46％ |
| 11 | 35％ | 63％ | 49％ |
| 12 | 34％ | 75％ | 54％ |
| 13 | 35％ | 77％ | 56％ |
| 14 | 35％ | 100％ | 66％ |
| 15 | 34％ | 118％ | 76％ |
| 16 | 34％ | 131％ | 83％ |
| 17 | 33％ | 138％ | 87％ |
| 18 | 37％ | 147％ | 92％ |
| 19 | 34％ | 149％ | 91％ |
| 20 | 33％ | 152％ | 94％ |
| 总计 | 34％ | 77％ | 55％ |
通过分析表2的数据可知，表2中的数据是测试了21周(数据行从0-20)中，区域聚合(bottom up)和区域拆解(top down)的mape值统计；其中总计行中得到区域聚合(bottomup)的结果34％优于区域拆解(top down)结果77％，且大致在周期行标签为1，即第2周期时的准确率为整体最优，其中区域31％，全国32％。因此，根据区域聚合预测处理方式确定出的空间预测粒度具有较高的准确度，可以采用区域聚合处理方式确定空间预测粒度。
在本公开的一种示例性实施方案中，确定目标区域，获取目标区域的区域约束条件；根据区域约束条件与准确度对比结果确定目标区域对应的时间预测粒度。
其中，目标区域可以待进行物品数量预测的区域。区域约束条件可以是目标区域预测物品数量的决策输入条件，例如，区域约束条件可以是目标区域的供应链确定出的约束条件。
继续参考图2，在步骤S250中，模型选择操作。具体的，在步骤S205中，进行时间测试结果比较，如根据多个模型的输出结果确定出最优模型。参考图5，图5示意性示出了根据本公开的示例性实施方式的不同区域的平均百分比误差值的对比图。从图5中可知，0-2号和5号区域在不同周期表现都比较稳定，3，4，6号区域波动比较大，但是在周期＝1，即第二周期时mape值都较小，因此，整体考虑而言，可以统一选择2周作为时间预测粒度。在步骤S206中，输出预测方案。例如，在本实施例中，根据空间聚合处理方式确定空间预测粒度，并将所有区域对应的时间预测粒度确定为周。
进一步地，由于部分区域的特殊性，在某些场景中，可以针对某些区域单独确定对应的时间预测粒度。继续参考图5，从图5可知，4号区域由于第三周存在较大风险且mape值升高，因此，对于4号区域而言，可选4周为预测周期，即，将时间预测粒度确定为4周。
在步骤S130中，根据时间预测粒度与空间预测粒度确定目标物品在特定业务中的物品数量。
在本公开的一些示例性实施方式中，特定业务可以是目标物品对应的特定业务，例如，特定业务可以是目标物品的未来销量数量，特定业务还可以是目标物品的仓库待补货数量等。
在确定出时间预测粒度与空间预测粒度后，可以根据确定出的时间预测粒度与空间预测粒度对目标物品的特定业务进行数量预测，以确定出目标物品在特定业务中的物品数量。继续参考图2，在步骤S260中，结果输出。在根据时间预测粒度与空间预测粒度确定出目标物品在特定业务中的物品数量后，可以输出对应的物品数量。
需要说明的是，本公开所使用的术语“第一”、“第二”、“第三”、“第四”等，仅是为了区分不同的准确度结果、不同的空间划分粒度、不同的预测平均值，并不应对本公开造成任何限制。
综上所述，本公开的物品数量预测方法，获取目标物品的历史业务时序数据，对历史业务时序数据进行时序特征提取处理，以确定目标物品对应的时间预测粒度；根据时间预测粒度分别对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定目标物品对应的空间预测粒度；根据时间预测粒度与空间预测粒度确定目标物品在特定业务中的物品数量。一方面，通过对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，可以确定出目标物品对应的空间预测粒度。另一方面，提供了一种综合时间预测粒度与空间预测粒度等多维度组合确定预测结果的复杂方案，实现多维度预测目标物品的特定业务数量的方案。又一方面，通过提供一种精确到sku级别的配置，精细化赋能产品运营可以得到在较优的时间和空间配置方案下的预测结果。
需要说明的是，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种物品数量预测装置。参考图6，该物品数量预测装置600可以包括：时序特征确定模块610、空间粒度确定模块620以及数量确定模块630。
具体的，时序特征确定模块610，用于获取目标物品的历史业务时序数据，对历史业务时序数据进行时序特征提取处理，以确定目标物品对应的时间预测粒度；空间粒度确定模块620，用于根据时间预测粒度分别对历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定目标物品对应的空间预测粒度；数量确定模块630，用于根据时间预测粒度与空间预测粒度确定目标物品在特定业务中的物品数量。
在本公开的一种示例性实施方案中，时序特征确定模块包括时序特征确定单元，用于获取预先构建的时序分析模型；所述时序分析模型基于多个时序划分数据训练得到；将历史业务时序数据输入至时序分析模型，以由时序分析模型确定时间预测粒度；时序分析模型通过下述步骤训练得到：获取初始时序模型、业务时序训练数据集以及预先配置的多个候选时间粒度；根据多个候选时间粒度对业务时序训练数据集进行划分处理，以得到多个时序划分数据；根据多个时序划分数据对初始时序模型进行模型训练处理，以得到时序分析模型。
在本公开的一种示例性实施方案中，空间粒度确定模块包括空间粒度确定单元，用于确定目标物品对应的区域层级信息；根据区域层级信息对历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果；根据区域层级信息对历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果；根据第一准确度结果与第二准确度结果确定空间预测粒度。
在本公开的一种示例性实施方案中，空间粒度确定单元包括第一结果确定子单元，用于根据区域层级信息确定目标物品对应的多个子区域以及多个子区域之间的区域层级关系；根据区域层级关系将多个子区域对应的历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果。
在本公开的一种示例性实施方案中，空间粒度确定单元包括第二结果确定子单元，用于根据区域层级信息确定目标物品对应的总区域以及区域拆解规则；根据区域拆解规则将总区域对应的历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果。
在本公开的一种示例性实施方案中，空间粒度确定单元包括空间粒度确定子单元，用于获取准确度评价指标，根据准确度评价指标确定第一准确度结果对应的第一预测平均值；根据准确度评价指标确定第二准确度结果对应的第二预测平均值；对第一预测平均值与第二预测平均值进行对比处理，以得到准确度对比结果；根据准确度对比结果确定空间预测粒度。
在本公开的一种示例性实施方案中，空间粒度确定子单元被配置为执行：确定目标区域，获取目标区域的区域约束条件；根据区域约束条件与准确度对比结果确定目标区域对应的时间预测粒度。
上述中各物品数量预测装置的虚拟模块的具体细节已经在对应的物品数量预测方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了物品数量预测装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“***”。
下面参考图7来描述根据本公开的这种实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同***组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。
存储单元720可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备770(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图8所示，描述了根据本发明的实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种物品数量预测方法，其特征在于，包括：
获取目标物品的历史业务时序数据，对所述历史业务时序数据进行时序特征提取处理，以确定所述目标物品对应的时间预测粒度；
根据所述时间预测粒度分别对所述历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定所述目标物品对应的空间预测粒度；
根据所述时间预测粒度与所述空间预测粒度确定所述目标物品在特定业务中的物品数量。
2.根据权利要求1所述的方法，其特征在于，对所述历史业务时序数据进行时序特征提取处理，以确定所述目标物品对应的时间预测粒度，包括：
获取预先构建的时序分析模型；所述时序分析模型基于多个时序划分数据训练得到；
将所述历史业务时序数据输入至所述时序分析模型，以由所述时序分析模型确定所述时间预测粒度；
所述时序分析模型通过下述步骤训练得到：
获取初始时序模型、业务时序训练数据集以及预先配置的多个候选时间粒度；
根据所述多个候选时间粒度对所述业务时序训练数据集进行划分处理，以得到多个时序划分数据；
根据所述多个时序划分数据对初始时序模型进行模型训练处理，以得到所述时序分析模型。
3.根据权利要求1所述的方法，其特征在于，根据所述时间预测粒度分别对所述历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定所述目标物品对应的空间预测粒度，包括：
确定所述目标物品对应的区域层级信息；
根据所述区域层级信息对所述历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果；
根据所述区域层级信息对所述历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果；
根据所述第一准确度结果与所述第二准确度结果确定所述空间预测粒度。
4.根据权利要求3所述的方法，其特征在于，根据所述区域层级信息对所述历史业务时序数据进行区域聚合预测处理，以得到第一空间划分粒度对应的第一准确度结果，包括：
根据所述区域层级信息确定所述目标物品对应的多个子区域以及所述多个子区域之间的区域层级关系；
根据所述区域层级关系将所述多个子区域对应的历史业务时序数据进行区域聚合预测处理，以得到所述第一空间划分粒度对应的第一准确度结果。
5.根据权利要求3所述的方法，其特征在于，根据所述区域层级信息对所述历史业务时序数据进行区域拆解预测处理，以得到第二空间划分粒度对应的第二准确度结果，包括：
根据所述区域层级信息确定所述目标物品对应的总区域以及区域拆解规则；
根据所述区域拆解规则将所述总区域对应的历史业务时序数据进行区域拆解预测处理，以得到所述第二空间划分粒度对应的第二准确度结果。
6.根据权利要求3所述的方法，其特征在于，根据所述第一准确度结果与所述第二准确度结果确定所述空间预测粒度，包括：
获取准确度评价指标，根据所述准确度评价指标确定所述第一准确度结果对应的第一预测平均值；
根据所述准确度评价指标确定所述第二准确度结果对应的第二预测平均值；
对所述第一预测平均值与所述第二预测平均值进行对比处理，以得到准确度对比结果；
根据所述准确度对比结果确定所述空间预测粒度。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
确定目标区域，获取所述目标区域的区域约束条件；
根据所述区域约束条件与所述准确度对比结果确定所述目标区域对应的时间预测粒度。
8.一种物品数量预测装置，其特征在于，包括：
时序特征确定模块，用于获取目标物品的历史业务时序数据，对所述历史业务时序数据进行时序特征提取处理，以确定所述目标物品对应的时间预测粒度；
空间粒度确定模块，用于根据所述时间预测粒度分别对所述历史业务时序数据进行区域聚合预测处理和区域拆解预测处理，以确定所述目标物品对应的空间预测粒度；
数量确定模块，用于根据所述时间预测粒度与所述空间预测粒度确定所述目标物品在特定业务中的物品数量。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的物品数量预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的物品数量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351747.6A CN114626896A (zh) | 2022-04-02 | 2022-04-02 | 物品数量预测方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351747.6A CN114626896A (zh) | 2022-04-02 | 2022-04-02 | 物品数量预测方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114626896A true CN114626896A (zh) | 2022-06-14 |
Family
ID=81905116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210351747.6A Pending CN114626896A (zh) | 2022-04-02 | 2022-04-02 | 物品数量预测方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626896A (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005018304A (ja) * | 2003-06-25 | 2005-01-20 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データ予測方法、装置、時系列データ予測プログラム及びその記録媒体 |
| US20090292662A1 (en) * | 2008-05-26 | 2009-11-26 | Kabushiki Kaisha Toshiba | Time-series data analyzing apparatus, time-series data analyzing method, and computer program product |
| CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、***及存储介质 |
| CN110322203A (zh) * | 2019-07-05 | 2019-10-11 | 江苏云脑数据科技有限公司 | 零售业库存优化分析方法 |
| CN110490670A (zh) * | 2019-08-27 | 2019-11-22 | 上海欧睿供应链管理有限公司 | 一种自适应商品销售规律的需求预测*** |
| CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及*** |
| CN113159355A (zh) * | 2020-01-07 | 2021-07-23 | 北京京邦达贸易有限公司 | 数据预测方法、装置、物流货量预测方法、介质、设备 |
| WO2021174881A1 (zh) * | 2020-09-04 | 2021-09-10 | 平安科技（深圳）有限公司 | 多维度信息的组合预测方法、装置、计算机设备及介质 |
| CN113553540A (zh) * | 2020-04-24 | 2021-10-26 | 株式会社日立制作所 | 一种商品销量的预测方法 |
| US20210334627A1 (en) * | 2017-04-06 | 2021-10-28 | The Boston Consulting Group, Inc. | Methods and systems for predicting |
| CN113656691A (zh) * | 2021-08-17 | 2021-11-16 | 北京沃东天骏信息技术有限公司 | 数据预测方法、装置及存储介质 |
| CN113743969A (zh) * | 2020-05-29 | 2021-12-03 | 北京京东智能城市大数据研究院 | 用于销量数据预测的方法、装置、设备及存储介质 |
| CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
| CN113793189A (zh) * | 2021-10-26 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 一种信息预测方法、装置、设备和存储介质 |
| CN113836241A (zh) * | 2021-09-07 | 2021-12-24 | 招商银行股份有限公司 | 时序数据分类预测方法、装置、终端设备及存储介质 |
| CN113850427A (zh) * | 2021-09-24 | 2021-12-28 | 联想(北京)有限公司 | 时间序列的预测方法和电子设备，及计算机存储介质 |
| US20220058499A1 (en) * | 2020-08-24 | 2022-02-24 | Sap Se | Multidimensional hierarchy level recommendation for forecasting models |
-
2022
- 2022-04-02 CN CN202210351747.6A patent/CN114626896A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005018304A (ja) * | 2003-06-25 | 2005-01-20 | Nippon Telegr & Teleph Corp <Ntt> | 時系列データ予測方法、装置、時系列データ予測プログラム及びその記録媒体 |
| US20090292662A1 (en) * | 2008-05-26 | 2009-11-26 | Kabushiki Kaisha Toshiba | Time-series data analyzing apparatus, time-series data analyzing method, and computer program product |
| US20210334627A1 (en) * | 2017-04-06 | 2021-10-28 | The Boston Consulting Group, Inc. | Methods and systems for predicting |
| CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、***及存储介质 |
| CN110322203A (zh) * | 2019-07-05 | 2019-10-11 | 江苏云脑数据科技有限公司 | 零售业库存优化分析方法 |
| CN110490670A (zh) * | 2019-08-27 | 2019-11-22 | 上海欧睿供应链管理有限公司 | 一种自适应商品销售规律的需求预测*** |
| CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及*** |
| CN113159355A (zh) * | 2020-01-07 | 2021-07-23 | 北京京邦达贸易有限公司 | 数据预测方法、装置、物流货量预测方法、介质、设备 |
| CN113553540A (zh) * | 2020-04-24 | 2021-10-26 | 株式会社日立制作所 | 一种商品销量的预测方法 |
| CN113743969A (zh) * | 2020-05-29 | 2021-12-03 | 北京京东智能城市大数据研究院 | 用于销量数据预测的方法、装置、设备及存储介质 |
| CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
| US20220058499A1 (en) * | 2020-08-24 | 2022-02-24 | Sap Se | Multidimensional hierarchy level recommendation for forecasting models |
| WO2021174881A1 (zh) * | 2020-09-04 | 2021-09-10 | 平安科技（深圳）有限公司 | 多维度信息的组合预测方法、装置、计算机设备及介质 |
| CN113656691A (zh) * | 2021-08-17 | 2021-11-16 | 北京沃东天骏信息技术有限公司 | 数据预测方法、装置及存储介质 |
| CN113836241A (zh) * | 2021-09-07 | 2021-12-24 | 招商银行股份有限公司 | 时序数据分类预测方法、装置、终端设备及存储介质 |
| CN113850427A (zh) * | 2021-09-24 | 2021-12-28 | 联想(北京)有限公司 | 时间序列的预测方法和电子设备，及计算机存储介质 |
| CN113793189A (zh) * | 2021-10-26 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 一种信息预测方法、装置、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 张笑通: "基于时间序列的卷烟需求预测模型的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 March 2017 (2017-03-15), pages 024 - 757 * |
| 程菲;: "多目标注意策略模型及参数影响分析", 信息与管理研究, no. 2, 28 October 2020 (2020-10-28), pages 83 - 92 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
| JP5175903B2 (ja) | 適応分析多次元処理システム | |
| US11120361B1 (en) | Training data routing and prediction ensembling at time series prediction system | |
| CN111401777B (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
| US7765123B2 (en) | Indicating which of forecasting models at different aggregation levels has a better forecast quality | |
| US20160162779A1 (en) | Device, system and method for generating a predictive model by machine learning | |
| US20130238399A1 (en) | Computer-Implemented Systems and Methods for Scenario Analysis | |
| CN103430196A (zh) | 销售预测和推荐*** | |
| CN113128932B (zh) | 仓库备货处理方法、装置、存储介质与电子设备 | |
| CN116823409B (zh) | 一种基于目标搜索数据的智能筛选方法及*** | |
| US11037183B2 (en) | System and method for blending promotion effects based on statistical relevance | |
| CN111260142B (zh) | 商品指标数据预测方法、装置、存储介质及电子设备 | |
| CN116091110A (zh) | 资源需求量预测模型训练方法、预测方法及装置 | |
| CN115345530A (zh) | 商场地址推荐方法、装置、设备及计算机可读存储介质 | |
| Wang et al. | App Download Forecasting: An Evolutionary Hierarchical Competition Approach. | |
| JP2014520340A (ja) | パラメータ推定を用いた小売予測 | |
| Kang et al. | Platform replacement planning for management of product family obsolescence | |
| Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
| Niu et al. | An activity-based integrated land-use transport model for urban spatial distribution simulation | |
| CN114626896A (zh) | 物品数量预测方法及装置、电子设备和存储介质 | |
| CN113094602B (zh) | 酒店推荐方法、***、设备及介质 | |
| Wu et al. | Predictive analysis of the industrial water-waste-energy system using an optimised grey approach: A case study in China | |
| CN115495663A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN114757700A (zh) | 物品销量预测模型训练方法、物品销量预测方法及装置 | |
| CN111105274A (zh) | 数据处理方法、装置、介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |