CN115907848A - 销量预测方法、***、作业机械、电子设备及计算机介质 - Google Patents
销量预测方法、***、作业机械、电子设备及计算机介质 Download PDFInfo
- Publication number
- CN115907848A CN115907848A CN202310004875.8A CN202310004875A CN115907848A CN 115907848 A CN115907848 A CN 115907848A CN 202310004875 A CN202310004875 A CN 202310004875A CN 115907848 A CN115907848 A CN 115907848A
- Authority
- CN
- China
- Prior art keywords
- sales
- predicted
- data
- prediction
- preset
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据技术领域,提供一种销量预测方法、***、作业机械、电子设备及计算机介质,其中方法包括:获取与待预测对象相关的宏观经济指标和待预测对象的历史销量数据;基于宏观经济指标与待预测对象的销量的相关性,确定预选宏观经济指标,预选宏观经济指标为相关性超出预设相关系数的宏观经济指标;将历史销量数据和预选宏观经济指标输入销量预测模型,得到待预测对象的销量预测结果。本发明用以解决现有技术中在进行销量预测时因采用人工预测方式或采用仅基于历史销量数据构建的销量预测模型,所造成的销量预测准确性不高的缺陷,实现基于多维特征的销量预测,从而提高销量预测准确性。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种销量预测方法、***、作业机械、电子设备及计算机介质。
背景技术
销量预测对于企业的发展至关重要,对未来销量预估的错误,会导致在产销存环节中存在供大于求和供不应求的情况,无形中造成资金流转不畅、库存堆滞、客户流失等多种不利情形。
目前,以作业机械的销量预测为例,一般采取的方式包括:专家预估和概率统计等人工预测方式和基于历史销量数据构建销量预测模型等自动预测方式。
然而,人工预测方式人力成本高,且准确低,而自动预测方式虽然节约了人力成本,但是仅基于历史销量数据来预测未来的销量,考量的影响因素单一,随时间推移,也导致准确率越来越低。
发明内容
本发明提供一种销量预测方法、***、作业机械、电子设备及计算机介质,用以解决现有技术中在进行销量预测时因采用人工预测方式或采用仅基于历史销量数据构建的销量预测模型,所造成的销量预测准确性不高的缺陷,实现基于多维特征的销量预测,从而提高销量预测准确性。
本发明提供一种销量预测方法,包括:
获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;
基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;
将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
根据本发明所述的销量预测方法,所述历史销量数据包括:品牌销量数据,所述品牌销量数据为第一待预测对象的历史销量数据,所述第一待预测对象为待预测区域内的同一品牌的所述待预测对象;
所述品牌销量数据包括第一品牌销量数据和第二品牌销量数据;所述第一品牌销量数据为所述第一待预测对象在各第一预设时段的历史销量数据;所述第二品牌销量数据为所述第一待预测对象在各第二预设时段的历史销量数据,所述第一预设时段的长度小于所述第二预设时段的长度。
根据本发明所述的销量预测方法,所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,包括:
将所述品牌销量数据和所述预选宏观经济指标输入所述销量预测模型的第一销量预测层,得到单位预测销量,所述单位预测销量为所述第一待预测对象在待预测时段的各单位时段的预测销量;
将所述单位预测销量输入所述销量预测模型的第二销量预测层,得到预测品牌销量,所述预测品牌销量为所述第一待预测对象在所述待预测时段的预测销量;
其中,所述第一销量预测层用于基于所述品牌销量数据和所述预选宏观经济指标,确定所述第一待预测对象在第一个所述单位时段的所述单位预测销量,以及基于所述品牌销量数据、所述预选宏观经济指标和所述第n个所述单位时段的所述单位预测销量,确定所述第一待预测对象在第n+1个所述单位时段的所述单位预测销量,其中n为不小于1的整数。
根据本发明所述的销量预测方法,所述将所述单位预测销量输入所述销量预测模型的第二销量预测层前,还包括:
将所述单位预测销量输入所述销量预测模型的第一销量调整层,得到所述单位预测销量的调整值;
所述第一销量调整层用于在所述单位预测销量超出预设销量阈值范围时,将所述单位预测销量调整为所述预设销量阈值范围的端点值中与所述单位预测销量最接近的端点值,所述预设销量阈值范围基于在第三预设时段内的所述第一品牌销量数据的最值,以及第一预设经验参数确定,所述第三预设时段的长度大于所述第二预设时段的长度。
根据本发明所述的销量预测方法,所述历史销量数据还包括:总销量数据,所述总销量数据为第二待预测对象在各所述第二预设时段的历史销量数据,所述第二待预测对象为所述待预测区域内的所有品牌的所述待预测对象;
所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,包括:
将所述总销量数据和所述预选宏观经济指标输入所述销量预测模型的第三销量预测层,得到预测市场销量,所述预测市场销量为所述第二待预测对象在所述待预测时段的预测销量。
根据本发明所述的销量预测方法,所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,还包括:
将所述预测市场销量输入所述销量预测模型的第二销量调整层,得到所述预测市场销量的调整值;
所述第二销量调整层用于在所述预测市占率超出预设市占阈值范围时,将所述预测市场销量调整为基于所述预测品牌销量和所述预设市占阈值范围的端点值中与所述预测市占率最接近的端点值,确定的市场预测销量,所述预测市占率为所述预测品牌销量占所述预测市场销量的百分比,所述预设市占阈值范围基于在第四预设时段内的各所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值,以及第二预设经验参数确定,所述第四预设时段的长度大于或等于所述第三预设时段的长度。
根据本发明所述的销量预测方法,所述销量预测模型包括多种;
所述销量预测结果为将所述历史销量数据和所述预选宏观经济指标输入预选销量预测模型得到的销量预测结果,或由各所述销量预测模型得到的销量预测结果的平均值;
所述预选销量预测模型为多种所述销量预测模型中,基于相同的输入,得到的销量预测结果与实际销量数据间的误差最小的销量预测模型。
根据本发明所述的销量预测方法,还包括:确定所述预选销量预测模型的方法;
所述方法包括:
将所述历史销量数据和所述预选宏观经济指标基于时序划分为训练数据、测试数据和验证数据;
将所述训练数据的各单位时段中的所述第一品牌销量数据的最值,以及所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值作为预测销量限值约束,基于所述训练数据对各所述销量预测模型进行训练,得到训练好的各所述销量预测模型;
将所述测试数据中预设单位时段前的测试数据,输入训练好的各所述销量预测模型中,得到所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量;
分别计算测试销量和实际销量间的第一误差和第二误差,所述第一误差为所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量与所述测试数据中各相应单位时段的实际销量间的平均绝对误差,所述第二误差为所述测试数据中的预设峰值测试时段的测试销量与所述预设峰值测试时段的实际销量间的平均绝对误差,所述预设峰值测试时段为包含所述测试数据的各单位时段中的历史销量最值的时段;
确定所述第二误差的权重,并基于所述第一误差、所述第二误差,以及所述权重,确定最优销量预测模型;
基于所述验证数据,验证所述最优销量预测模型是否稳定,并在确定所述最优销量预测模型稳定后,将所述最优销量预测模型作为所述预选销量预测模型,否则,返回重新训练各所述销量预测模型。
根据本发明所述的销量预测方法,还包括:
对训练好的各所述销量预测模型进行解释。
本发明还提供一种销量预测***,包括:
数据获取模块,用于获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;
数据处理模块,用于基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;
销量预测模块,用于将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
本发明还提供一种应用如上述任一种所述的销量预测方法进行销量预测的作业机械。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的销量预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上述任一种所述的销量预测方法。
本发明提供的一种销量预测方法、***、作业机械、电子设备及计算机介质,通过获取与待预测对象相关的宏观经济指标和待预测对象的历史销量数据,然后基于宏观经济指标与待预测对象的销量的相关性,确定预选宏观经济指标,即在与待预测对象相关的宏观经济指标中选取出与待预测对象的销量高度相关的宏观经济指标,再将预选宏观经济指标和待预测对象的历史销量数据输入销量预测模型,以实现通过历史销量数据和预选宏观经济指标的多维数据对待预测对象的未来销量的预测,从而大幅提高了对销量预测的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1是本发明实施例提供的一种销量预测方法的流程示意图;
图2是本发明实施例提供的构建宽表的一个实例的流程示意图;
图3是本发明实施例提供的一种销量预测***的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
下面结合图1和图2描述本发明的一种销量预测方法,可以由电脑、平板、手机等电子设备中的软件和/或硬件执行,如图1所示,包括如下步骤:
101、获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;
可以理解的是,待预测对象可以是任意在市场上进行销售的商品,例如:房屋、汽车、挖掘机、自行车等,在这里不做具体限制。
宏观经济指标是体现经济情况的一种方式,主要指标包括:国内生产总值、通货膨胀与紧缩、投资指标、消费、金融、财政指标等,对于宏观经济调控起着重要的分析和参考作用。
需要说明的是,各种产品在市场上的销售量均会受到宏观经济指标的影响,而不同的产品可能受到不同宏观经济指标的影响。例如:房物的销售会受到利率、税收等政策指标的影响,作业机械的销售会受到建筑行业指数、行业整体销量趋势等指标的影响。
进一步地,待预测对象的历史销量数据可以反应待预测对象的销量趋势,通过分析销量趋势,可以预估未来的销量。
102、基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;
可以理解的是,与待预测对象相关的宏观经济指标包括很多,如果将这些宏观经济指标均用于待预测对象的销量预测,一方面会使得需要处理的数据量异常庞大,另一方面,还使得一些对销量几乎没有影响的宏观经济指标也参与到了销量预测的分析中,造成算力浪费。
具体地,通过将与待预测对象的销量的相关性超出预设相关系数的宏观经济指标作为预选宏观经济指标,用于待预测对象的销量预测,一方面可以降低数据处理量,提高运算销量,另一方面,可以避免算力浪费,并保证对销量预测的准确性。
更具体地,可以通过利用拟合模型的方式,建立宏观经济指标与实际销量间的关联关系,然后判定各宏观经济指标对销量的实际贡献程度,从而完成对宏观经济指标的筛选,以尽可能减少信息损失,使有价值的信息尽可能多的流入销量预测模型。
进一步地,在由宏观经济指标中选取预选宏观经济指标时,还可以加入宏观经济指标是否有助于销量数据拟合,以及宏观经济指标的实施时间(例如:在宏观经济指标的实施时间上加上时间延迟,选择加上时间延迟后,时间在待预测时间之前的宏观经济指标)等选择条件,从而进一步提高对销量的预测效率。
103、将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
具体地,销量预测模型可以为通过历史销量数据和宏观经济指标训练得到模型,例如:MLP、CNN、DeepAR以及CNN+LSTM等。
更具体地,可以通过将历史销量数据和预选宏观经济指标耦合,建立宽表,然后将宽表按照销量预测模型的需要,进行规整后输入销量预测模型。
本发明实施例提供的销量预测方法,通过基于宏观经济指标与待预测对象的销量的相关性,由众多宏观经济指标中选择出与待预测对象的销量高度相关的预选宏观经济指标,然后基于预选宏观经济指标和待预测对象的历史销售数量共同预测待预测对象的未来销量,使得销量预测准确率大幅提高,从而有助于企业顺利发展。
基于上述实施例的内容,所述历史销量数据包括:品牌销量数据,所述品牌销量数据为第一待预测对象的历史销量数据,所述第一待预测对象为待预测区域内的同一品牌的所述待预测对象;
所述品牌销量数据包括第一品牌销量数据和第二品牌销量数据;所述第一品牌销量数据为所述第一待预测对象在各第一预设时段的历史销量数据;所述第二品牌销量数据为所述第一待预测对象在各第二预设时段的历史销量数据,所述第一预设时段的长度小于所述第二预设时段的长度。
可以理解的是,销量预测主要用于企业预测自有品牌商品的未来销量,以便于合理安排生产、销售和库存。同时,销量数据与时间相关,例如:日销量、月销量、年销量等。获取越长时间段的历史销量数据,分析得到的销量趋势越准确,但是获取的历史销量数据越多,分析难度也越大。
进一步地,不同地区的宏观经济指标可能具有不同,因而对同一待预测对象的销量影响也不相同。例如:各省对于房屋的销售政策不完全相同,各地对于新能源汽车的补贴政策也不完全相同等。通过按照待预测区域获取历史销量数据,可以实现基于区域的待预测对象的销量预测,从而进一步提高销量预测的准确性。
因而,通过获取包括第一品牌销量数据和第二品牌销量数据的品牌销量数据,不仅可以获取到尽可能全面的历史销量数据,还可以降低获取的历史销量数据的数据量。
在一个实施例中,以待预测对象为挖掘机为例,获取的第一品牌销量数据可以是自有品牌挖掘机在近3年的日销量,第二品牌销量数据可以是该品牌挖掘机在近10年的月销量,如图2所示,通过将挖掘机的日销量数据、月销量数据和与挖掘机相关的宏观经济指标,经过从宏观经济指标中选择预选宏观经济指标的特征粗筛过程,实现将预选宏观经济指标与日销量数据和月销量数据进行耦合,以构成用于输入销量预测模型的特征宽表。
本发明实施例提供的销量预测方法,通过获取第一待预测对象在待预测区域内的第一品牌销量数据和第二品牌销量数据,可以在减少数据量的基础上,进一步提高对同一品牌的待预测对象的销量预测准确度。
基于上述实施例的内容,所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,包括:
将所述品牌销量数据和所述预选宏观经济指标输入所述销量预测模型的第一销量预测层,得到单位预测销量,所述单位预测销量为所述第一待预测对象在待预测时段的各单位时段的预测销量;
将所述单位预测销量输入所述销量预测模型的第二销量预测层,得到预测品牌销量,所述预测品牌销量为所述第一待预测对象在所述待预测时段的预测销量;
其中,所述第一销量预测层用于基于所述品牌销量数据和所述预选宏观经济指标,确定所述第一待预测对象在第一个所述单位时段的所述单位预测销量,以及基于所述品牌销量数据、所述预选宏观经济指标和所述第n个所述单位时段的所述单位预测销量,确定所述第一待预测对象在第n+1个所述单位时段的所述单位预测销量,其中n为不小于1的整数。
可以理解的是,针对商品销量的统计一般以日、月、年等为单位,下面以本发明实施例所述的单位时段为日,待预测时段为月为例,来说明采用所述销量预测模型进行销量预测的过程。
需要说明的是,这里对于单位时段和待预测时段的假设仅是一个实例,具体也可以是其他时间单位,例如:单位时段为月,待预测时段为年;单位时段为月,待预测时段为季度等。
进一步地,单位时段优选与第一预设时段的长度相同,以简化计算。例如:第一预设时段的长度为日,单位时段的长度也为日。
更进一步地,单位时段也可以与第一预设时段的长度不同,例如:第一预设时段的长度为3日,而单位时段的长度为1日,则可以通过第一预设时段和单位时段的比例关系,来基于品牌销量数据和宏观经济指标得到单位时段的预测销量。
具体地,在将品牌销量数据和预选宏观经济指标输入销量预测模型的第一销量预测层后,第一销量预测层先基于品牌销量数据和预选宏观经济指标预测待预测月的第一日的日销量,然后通过第一日的日销量、品牌销量数据和预选宏观经济指标再预测得到待预测月的第二日的日销量,以此类推直至预测得到待预测月的最后一日的日销量,然后输入第二销量预测层,以得到预测的待预测月的月销量。
本发明实施例提供的销量预测方法,通过包括第一品牌销量数据和第二品牌销量数据的历史销量数据,以及预选宏观经济指标,基于模型预测,完成单位时段的销量预测,然后通过单位时段的销量预测得到待预测时段的销量预测,实现了待预测时段销量的准确预测。
基于上述实施例的内容,所述将所述单位预测销量输入所述销量预测模型的第二销量预测层前,还包括:
将所述单位预测销量输入所述销量预测模型的第一销量调整层,得到所述单位预测销量的调整值;
所述第一销量调整层用于在所述单位预测销量超出预设销量阈值范围时,将所述单位预测销量调整为所述预设销量阈值范围的端点值中与所述单位预测销量最接近的端点值,所述预设销量阈值范围基于在第三预设时段内的所述第一品牌销量数据的最值,以及第一预设经验参数确定,所述第三预设时段的长度大于所述第二预设时段的长度。
可以理解的是,在未出现与第一待预测对象的销量紧密相关的新的宏观经济指标,或第一待预测对象出现大的性能革新等情况时,第一待预测对象的销量在各单位时段内的销量虽然存在波动,但是一般不会超出较近一段时间内的历史销量最值,然而,由销量预测模型输出的预测销量可能受到噪声等影响,出现脱离实际的预测结果,从而影响预测准确性。
具体地,通过在销量预测模型中设置第一销量调整层,然后设置预设销量阈值范围,在由第一销量预测层得到的单位预测销量超出预设销量阈值范围时,将单位预测销量调整为预设销量阈值范围的端点值中与单位预测销量最接近的端点值,可以有效避免因噪声等外部因素影响造成的销量预测偏差。
更具体地,第一预设经验参数为基于经验确定的销量浮动,具体可以基于业务专家的经验确定,例如:确定待预测时段的销量较往期时段的历史销量有向上10%的浮动,或向下8%的浮动等。从而实现在确定预设销量阈值范围时,不仅基于在先前一定时间段内的各第一预设时段内的历史销量中的最大值和最小值,还加入了第一预设经验参数的考量,使得确定的预设销量阈值范围与实际应用场景更为贴合,进而提高销量预测准确性。
进一步地,第三预设时段的长度一般需要较长,以尽可能涵盖历史销量的最值。例如:第三预设时段可以选择为1年、2年、3年等。
基于上述实施例的内容,所述历史销量数据还包括:总销量数据,所述总销量数据为第二待预测对象在各所述第二预设时段的历史销量数据,所述第二待预测对象为所述待预测区域内的所有品牌的所述待预测对象;
所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,包括:
将所述总销量数据和所述预选宏观经济指标输入所述销量预测模型的第三销量预测层,得到预测市场销量,所述预测市场销量为所述第二待预测对象在所述待预测时段的预测销量。
具体地,通过总销量数据的获取,可以实现同类别的待预测对象在待预测区域的销量预测,从而便于企业考量自有品牌的待预测对象的销售情况。
可以理解的是,预测待预测区域内的同类型的待预测对象的销量,需要基于各品牌的待预测对象的历史销量数据,即需要获取不同企业的历史销量数据,因而,第二预设时段的长度一般较长,例如:可以为月、季度等。
基于上述实施例的内容,所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,还包括:
将所述预测市场销量输入所述销量预测模型的第二销量调整层,得到所述预测市场销量的调整值;
所述第二销量调整层用于在所述预测市占率超出预设市占阈值范围时,将所述预测市场销量调整为基于所述预测品牌销量和所述预设市占阈值范围的端点值中与所述预测市占率最接近的端点值,确定的市场预测销量,所述预测市占率为所述预测品牌销量占所述预测市场销量的百分比,所述预设市占阈值范围基于在第四预设时段内的各所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值,以及第二预设经验参数确定,所述第四预设时段的长度大于或等于所述第三预设时段的长度。
可以理解的是,以第四预设时段为年为例,待预测对象的市占率,即第一待预测对象的各月销量占第二待预测对象的各月销量的百分比虽然存在波动,但是整体上浮动不会很大,且一般不会超出近几年内的市占率的最值,然而,由销量预测模型输出的预测销量可能受到噪声等影响,出现脱离实际的预测结果,从而影响预测准确性。
具体地,通过在销量预测模型中设置第二销量调整层,然后设置预设市占阈值范围,在预测品牌销量占由第三销量预测层得到的预测市场销量的百分比超出预设市占阈值范围时,将预测市场销量调整为基于预测品牌销量和预设市占阈值范围的端点值中与预测市占率最接近的端点值,确定的市场预测销量,可以有效避免因噪声等外部因素影响造成的销量预测偏差。
更具体地,第二预设经验参数同样为基于经验确定的市占率浮动,具体可以基于业务专家的经验确定,例如:近两年来,挖掘机在江苏地区的销售的各月市占率中最高为28%,最低为22%,可以根据专家经验将预设市占阈值范围设置为20%-30%,从而既避免了因外部因素导致的模型预测错误,也提高了销量预测的准确性。
进一步地,预测品牌销量为基于本企业的品牌销量数据得到的预测结果,较之需要其他企业的销量数据的总销量数据得到的预测结果更为准确,因而,在确定预测品牌销量占由第三销量预测层得到的预测市场销量的百分比超出预设市占阈值范围时,通过调整预测市场销量来使预测市占率满足预设市占阈值范围,可以提高预测的预测市场销量的准确性。
更进一步地,第四预设时段的长度一般需要较长,以尽可能涵盖市占率的最值。例如:第四预设时段可以选择为1年、2年、3年等。
基于上述实施例的内容,所述销量预测模型包括多种;
所述销量预测结果为将所述历史销量数据和所述预选宏观经济指标输入预选销量预测模型得到的销量预测结果,或由各所述销量预测模型得到的销量预测结果的平均值;
所述预选销量预测模型为多种所述销量预测模型中,基于相同的输入,得到的销量预测结果与实际销量数据间的误差最小的销量预测模型。
具体地,通过设置多种销量预测模型,然后将由各销量预测模型得到的销量预测结果的平均值,或由销量预测结果与实际销量数据间的误差最小的销量预测模型得到的销量预测结果作为最终的销量预测结果,可以进一步提高预测结果的准确性。
更具体地,所述销量预测模型可以包括:MLP、CNN、CNN+LSTM、Fbprophet和DeepAR等模型。其中,根据各销量预测模型的预选参数的不同,可以将由历史销量数据和预选宏观经济指标耦合构成的宽表,以不同的时间间隔组成数据进行打包处理喂入各销量预测模型内。
进一步地,DeepAR模型输出的为整个预测数据的分布情况,因而可以另外接入一个遴选整体分布中概率最高的值作为预测结果进行输出,同时,还可以对整个预测结果的分布进行完整打印,以方便用户的查看。
基于上述实施例的内容,所述的销量预测方法还包括:确定所述预选销量预测模型的方法;
所述方法包括:
将所述历史销量数据和所述预选宏观经济指标基于时序划分为训练数据、测试数据和验证数据;
将所述训练数据的各单位时段中的所述第一品牌销量数据的最值,以及所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值作为预测销量限值约束,基于所述训练数据对各所述销量预测模型进行训练,得到训练好的各所述销量预测模型;
将所述测试数据中预设单位时段前的测试数据,输入训练好的各所述销量预测模型中,得到所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量;
分别计算测试销量和实际销量间的第一误差和第二误差,所述第一误差为所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量与所述测试数据中各相应单位时段的实际销量间的平均绝对误差,所述第二误差为所述测试数据中的预设峰值测试时段的测试销量与所述预设峰值测试时段的实际销量间的平均绝对误差,所述预设峰值测试时段为包含所述测试数据的各单位时段中的历史销量最值的时段;
确定所述第二误差的权重,并基于所述第一误差、所述第二误差,以及所述权重,确定最优销量预测模型;
基于所述验证数据,验证所述最优销量预测模型是否稳定,并在确定所述最优销量预测模型稳定后,将所述最优销量预测模型作为所述预选销量预测模型,否则,返回重新训练各所述销量预测模型。
具体地,以获取挖掘机由2012年至2022年6月的销量数据作为历史销量数据为例,由于时间跨度久、月数据规模有限,且市场周期性变化导致的实际销量波动较大,因而可以基于时序将2012年至2020年的销量数据作为训练数据、2021年的销量数据作为测试数据,而将2022年1月至6月的销量数据作为验证数据,以实现基于训练数据对各销量预测模型的训练,然后基于测试数据对各训练好的销量预测模型的预测效果的测试,从而确定算法选型,最后再以2022年上半年的销量数据作为验证确定的销量预测模型的预测效果。
更具体地,通过将训练数据的各单位时段中的第一品牌销量数据的最值,以及第二品牌销量数据占相应的总销量数据的百分比中的最值作为预测销量限值约束,例如:以年为单位时,一年中各日相同品牌的挖掘机的销量的最大值和最小值,以及两年中各月相同品牌的挖掘机的销量占同类型挖掘机的销售总量的百分比的最值为约束,可以防止模型训练过程中因部分售卖日数据波动导致非正常预测结果返回,并抑制各数据地理预测过程中的不当配比,从而提高对销量预测模型的训练效果。
进一步地,通过计算预测销量和实际销量间的第一误差和第二误差,然后在确定第二误差的权重后,基于第一误差、第二误差,以及第二误差的权重,确定最优销量预测模型,可以实现销量预测结果与平日销量数据和峰谷值销量数据的分别对照,即将对峰值月的销量预测结果单独计算平均绝对误差再叠加权重,从而有效确定最优销量预测模型的稳定性,进而保证确定的预选销量预测模型为多个销量预测模型中预测准确性和可靠性最高的模型。
更进一步地,针对于训练好的销量预测模型,可以采用按照预设周期定期获取自当前时刻开始第一预设时长内的规定时段的销量数据,和第二预设时长内的规定时段的销量数据,来对销量预测模型进行重新训练,例如:获取在每个工作日定期获取自当前时刻开始近3年的日销量数据和近10年的月销量数据,来对销量预测模型进行训练,从而提升销量预测模型的时效性和准确性。
基于上述实施例的内容,所述的销量预测方法还包括:
对训练好的各所述销量预测模型进行解释。
具体地,通过对训练好的销量预测模型进行解释,不仅可以分析销量预测模型的预选宏观经济指标,即各特征的重要性,还可以分析不同特征产生的具体影响,实现通过对销量预测模型进行解释,对所有遴选特征基于重要性进行优先级排序,从而辅助对长期峰谷值进行趋势预测。
本发明实施例提供的销量预测方法,一方面既可以采用单个销量预测模型进行销量预测,还可以采用多个销量预测模型的耦合,可拓展性强,另一方面对于销量预测场景,可以覆盖所有可获取的数据源,从而实现融合多维度数据信息的销量预估,预测准确度高,再一方面,使用业务知识和统计学习优化策略,将机理认知融入销量预测模型中,使得销量预测模型不会给出与机理、业务、逻辑、认知相悖离的预测结果,另外,通过对销量预测模型进行解释,可以挖掘新的模型使用场景,扩大应用范围。
下面对本发明提供的一种销量预测***进行描述,下文描述的一种销量预测***与上文描述的一种销量预测方法可相互对应参照。
本发明实施例提供的一种销量预测***,如图3所示,包括:数据获取模块310、数据处理模块320和销量预测模块330;其中,
数据获取模块310用于获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;
数据处理模块320用于基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;
销量预测模块330用于将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
本发明实施例提供的销量预测***,通过获取与待预测对象相关的宏观经济指标和待预测对象的历史销量数据,然后基于宏观经济指标与待预测对象的销量的相关性,确定预选宏观经济指标,即在与待预测对象相关的宏观经济指标中选取出与待预测对象的销量高度相关的宏观经济指标,再将预选宏观经济指标和待预测对象的历史销量数据输入销量预测模型,以实现通过历史销量数据和预选宏观经济指标的多维数据对待预测对象的未来销量的预测,从而大幅提高了对销量预测的准确度。
可选地,所述历史销量数据包括:品牌销量数据,所述品牌销量数据为第一待预测对象的历史销量数据,所述第一待预测对象为待预测区域内的同一品牌的所述待预测对象;
所述品牌销量数据包括第一品牌销量数据和第二品牌销量数据;所述第一品牌销量数据为所述第一待预测对象在各第一预设时段的历史销量数据;所述第二品牌销量数据为所述第一待预测对象在各第二预设时段的历史销量数据,所述第一预设时段的长度小于所述第二预设时段的长度。
可选地,销量预测模块330具体用于:
将所述品牌销量数据和所述预选宏观经济指标输入所述销量预测模型的第一销量预测层,得到单位预测销量,所述单位预测销量为所述第一待预测对象在待预测时段的各单位时段的预测销量;
将所述单位预测销量输入所述销量预测模型的第二销量预测层,得到预测品牌销量,所述预测品牌销量为所述第一待预测对象在所述待预测时段的预测销量;
其中,所述第一销量预测层用于基于所述品牌销量数据和所述预选宏观经济指标,确定所述第一待预测对象在第一个所述单位时段的所述单位预测销量,以及基于所述品牌销量数据、所述预选宏观经济指标和所述第n个所述单位时段的所述单位预测销量,确定所述第一待预测对象在第n+1个所述单位时段的所述单位预测销量,其中n为不小于1的整数。
可选地,销量预测模块330还具体用于:
将所述单位预测销量输入所述销量预测模型的第一销量调整层,得到所述单位预测销量的调整值;
所述第一销量调整层用于在所述单位预测销量超出预设销量阈值范围时,将所述单位预测销量调整为所述预设销量阈值范围的端点值中与所述单位预测销量最接近的端点值,所述预设销量阈值范围基于在第三预设时段内的所述第一品牌销量数据的最值,以及第一预设经验参数确定,所述第三预设时段的长度大于所述第二预设时段的长度。
可选地,所述历史销量数据还包括:总销量数据,所述总销量数据为第二待预测对象在各所述第二预设时段的历史销量数据,所述第二待预测对象为所述待预测区域内的所有品牌的所述待预测对象;
销量预测模块330还具体用于:
将所述总销量数据和所述预选宏观经济指标输入所述销量预测模型的第三销量预测层,得到预测市场销量,所述预测市场销量为所述第二待预测对象在所述待预测时段的预测销量。
可选地,销量预测模块330进一步用于:
将所述预测市场销量输入所述销量预测模型的第二销量调整层,得到所述预测市场销量的调整值;
所述第二销量调整层用于在所述预测市占率超出预设市占阈值范围时,将所述预测市场销量调整为基于所述预测品牌销量和所述预设市占阈值范围的端点值中与所述预测市占率最接近的端点值,确定的市场预测销量,所述预测市占率为所述预测品牌销量占所述预测市场销量的百分比,所述预设市占阈值范围基于在第四预设时段内的各所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值,以及第二预设经验参数确定,所述第四预设时段的长度大于或等于所述第三预设时段的长度。
可选地,所述销量预测模型包括多种;
所述销量预测结果为将所述历史销量数据和所述预选宏观经济指标输入预选销量预测模型得到的销量预测结果,或由各所述销量预测模型得到的销量预测结果的平均值;
所述预选销量预测模型为多种所述销量预测模型中,基于相同的输入,得到的销量预测结果与实际销量数据间的误差最小的销量预测模型。
可选地,还包括:模型确定模块;
模型确定模块用于:
将所述历史销量数据和所述预选宏观经济指标基于时序划分为训练数据、测试数据和验证数据;
将所述训练数据的各单位时段中的所述第一品牌销量数据的最值,以及所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值作为预测销量限值约束,基于所述训练数据对各所述销量预测模型进行训练,得到训练好的各所述销量预测模型;
将所述测试数据中预设单位时段前的测试数据,输入训练好的各所述销量预测模型中,得到所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量;
分别计算测试销量和实际销量间的第一误差和第二误差,所述第一误差为所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量与所述测试数据中各相应单位时段的实际销量间的平均绝对误差,所述第二误差为所述测试数据中的预设峰值测试时段的测试销量与所述预设峰值测试时段的实际销量间的平均绝对误差,所述预设峰值测试时段为包含所述测试数据的各单位时段中的历史销量最值的时段;
确定所述第二误差的权重,并基于所述第一误差、所述第二误差,以及所述权重,确定最优销量预测模型;
基于所述验证数据,验证所述最优销量预测模型是否稳定,并在确定所述最优销量预测模型稳定后,将所述最优销量预测模型作为所述预选销量预测模型,否则,返回重新训练各所述销量预测模型。
可选地,还包括:模型解释模块;
模型解释模块用于:
对训练好的各所述销量预测模型进行解释。
本发明实施例还提供一种应用如上述任一实施例所述的销量预测方法进行销量预测的作业机械。
可以理解的是,所述采用如上述任一种实施例所述的销量预测方法进行销量预测的作业机械,具有所述销量预测方法的所有优点和技术效果,此处不再赘述。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行一种销量预测方法,所述方法包括:获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例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。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法所提供一种销量预测方法,所述方法包括:获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现一种销量预测方法,所述方法包括:获取车辆参数,所述车辆参数包括:获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种销量预测方法,其特征在于,包括:
获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;
基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;
将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
2.根据权利要求1所述的销量预测方法,其特征在于,所述历史销量数据包括:品牌销量数据,所述品牌销量数据为第一待预测对象的历史销量数据,所述第一待预测对象为待预测区域内的同一品牌的所述待预测对象;
所述品牌销量数据包括第一品牌销量数据和第二品牌销量数据;所述第一品牌销量数据为所述第一待预测对象在各第一预设时段的历史销量数据;所述第二品牌销量数据为所述第一待预测对象在各第二预设时段的历史销量数据,所述第一预设时段的长度小于所述第二预设时段的长度。
3.根据权利要求2所述的销量预测方法,其特征在于,所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,包括:
将所述品牌销量数据和所述预选宏观经济指标输入所述销量预测模型的第一销量预测层,得到单位预测销量,所述单位预测销量为所述第一待预测对象在待预测时段的各单位时段的预测销量;
将所述单位预测销量输入所述销量预测模型的第二销量预测层,得到预测品牌销量,所述预测品牌销量为所述第一待预测对象在所述待预测时段的预测销量;
其中,所述第一销量预测层用于基于所述品牌销量数据和所述预选宏观经济指标,确定所述第一待预测对象在第一个所述单位时段的所述单位预测销量,以及基于所述品牌销量数据、所述预选宏观经济指标和所述第n个所述单位时段的所述单位预测销量,确定所述第一待预测对象在第n+1个所述单位时段的所述单位预测销量,其中n为不小于1的整数。
4.根据权利要求3所述的销量预测方法,其特征在于,所述将所述单位预测销量输入所述销量预测模型的第二销量预测层前,还包括:
将所述单位预测销量输入所述销量预测模型的第一销量调整层,得到所述单位预测销量的调整值;
所述第一销量调整层用于在所述单位预测销量超出预设销量阈值范围时,将所述单位预测销量调整为所述预设销量阈值范围的端点值中与所述单位预测销量最接近的端点值,所述预设销量阈值范围基于在第三预设时段内的所述第一品牌销量数据的最值,以及第一预设经验参数确定,所述第三预设时段的长度大于所述第二预设时段的长度。
5.根据权利要求4所述的销量预测方法,其特征在于,所述历史销量数据还包括:总销量数据,所述总销量数据为第二待预测对象在各所述第二预设时段的历史销量数据,所述第二待预测对象为所述待预测区域内的所有品牌的所述待预测对象;
所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,包括:
将所述总销量数据和所述预选宏观经济指标输入所述销量预测模型的第三销量预测层,得到预测市场销量,所述预测市场销量为所述第二待预测对象在所述待预测时段的预测销量。
6.根据权利要求5所述的销量预测方法,其特征在于,所述将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果,还包括:
将所述预测市场销量输入所述销量预测模型的第二销量调整层,得到所述预测市场销量的调整值;
所述第二销量调整层用于在所述预测市占率超出预设市占阈值范围时,将所述预测市场销量调整为基于所述预测品牌销量和所述预设市占阈值范围的端点值中与所述预测市占率最接近的端点值,确定的市场预测销量,所述预测市占率为所述预测品牌销量占所述预测市场销量的百分比,所述预设市占阈值范围基于在第四预设时段内的各所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值,以及第二预设经验参数确定,所述第四预设时段的长度大于或等于所述第三预设时段的长度。
7.根据权利要求6所述的销量预测方法,其特征在于,所述销量预测模型包括多种;
所述销量预测结果为将所述历史销量数据和所述预选宏观经济指标输入预选销量预测模型得到的销量预测结果,或由各所述销量预测模型得到的销量预测结果的平均值;
所述预选销量预测模型为多种所述销量预测模型中,基于相同的输入,得到的销量预测结果与实际销量数据间的误差最小的销量预测模型。
8.根据权利要求7所述的销量预测方法,其特征在于,还包括:确定所述预选销量预测模型的方法;
所述方法包括:
将所述历史销量数据和所述预选宏观经济指标基于时序划分为训练数据、测试数据和验证数据;
将所述训练数据的各单位时段中的所述第一品牌销量数据的最值,以及所述第二品牌销量数据占相应的所述总销量数据的百分比中的最值作为预测销量限值约束,基于所述训练数据对各所述销量预测模型进行训练,得到训练好的各所述销量预测模型;
将所述测试数据中预设单位时段前的测试数据,输入训练好的各所述销量预测模型中,得到所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量;
分别计算测试销量和实际销量间的第一误差和第二误差,所述第一误差为所述预设单位时段以及所述预设单位时段后的各单位时段的测试销量与所述测试数据中各相应单位时段的实际销量间的平均绝对误差,所述第二误差为所述测试数据中的预设峰值测试时段的测试销量与所述预设峰值测试时段的实际销量间的平均绝对误差,所述预设峰值测试时段为包含所述测试数据的各单位时段中的历史销量最值的时段;
确定所述第二误差的权重,并基于所述第一误差、所述第二误差,以及所述权重,确定最优销量预测模型;
基于所述验证数据,验证所述最优销量预测模型是否稳定,并在确定所述最优销量预测模型稳定后,将所述最优销量预测模型作为所述预选销量预测模型,否则,返回重新训练各所述销量预测模型。
9.根据权利要求8所述的销量预测方法,其特征在于,还包括:
对训练好的各所述销量预测模型进行解释。
10.一种销量预测***,其特征在于,包括:
数据获取模块,用于获取与所述待预测对象相关的宏观经济指标和所述待预测对象的历史销量数据;
数据处理模块,用于基于所述宏观经济指标与所述待预测对象的销量的相关性,确定预选宏观经济指标,所述预选宏观经济指标为所述相关性超出预设相关系数的宏观经济指标;
销量预测模块,用于将所述历史销量数据和所述预选宏观经济指标输入销量预测模型,得到所述待预测对象的销量预测结果。
11.一种作业机械,其特征在于,应用如权利要求1至9中任一项所述的销量预测方法进行销量预测。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至9中任一项所述的销量预测方法。
13.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至9中任一项所述的销量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004875.8A CN115907848A (zh) | 2023-01-03 | 2023-01-03 | 销量预测方法、***、作业机械、电子设备及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004875.8A CN115907848A (zh) | 2023-01-03 | 2023-01-03 | 销量预测方法、***、作业机械、电子设备及计算机介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907848A true CN115907848A (zh) | 2023-04-04 |
Family
ID=86497002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310004875.8A Pending CN115907848A (zh) | 2023-01-03 | 2023-01-03 | 销量预测方法、***、作业机械、电子设备及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907848A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096243A (zh) * | 2024-04-28 | 2024-05-28 | 国网山东省电力公司淄博供电公司 | 基于融合模型的新能源汽车销量预测方法、***及介质 |
-
2023
- 2023-01-03 CN CN202310004875.8A patent/CN115907848A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096243A (zh) * | 2024-04-28 | 2024-05-28 | 国网山东省电力公司淄博供电公司 | 基于融合模型的新能源汽车销量预测方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102968670B (zh) | 预测数据的方法和装置 | |
KR101136696B1 (ko) | 기업성장단계를 표시하고, 이를 이용하여 주식의 저평가/고평가를 산출하는 주식정보 제공 방법 및 시스템 | |
US8346516B2 (en) | Predictive modeling | |
US8374903B2 (en) | Information criterion-based systems and methods for constructing combining weights for multimodel forecasting and prediction | |
CN113962745A (zh) | 基于prophet模型及大数据的销量预测方法和*** | |
CN116645033B (zh) | 一种基于大数据的erp库存优化分析方法及*** | |
CN116703009B (zh) | 一种光伏发电储能***的运营参考信息生成方法 | |
CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及*** | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
CN114581012A (zh) | 一种基于供应链管理的库存调整方法及*** | |
CN115907848A (zh) | 销量预测方法、***、作业机械、电子设备及计算机介质 | |
CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
CN113469598A (zh) | 智慧供应链***及服务器平台 | |
CN113469595A (zh) | 智慧供应链***及服务器平台 | |
CN117853158A (zh) | 基于动态量本利分析的企业运营数据预测方法及装置 | |
CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
CN117217804A (zh) | 一种智能定价与库存管理方法及*** | |
CN117422374A (zh) | 基于大数据技术的食堂智能采购方法、电子设备及介质 | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
CN112508298A (zh) | 一种投资规模确定方法、装置、电子设备及存储介质 | |
AU2020443019A1 (en) | Systems, computer-implemented methods and computer programs for capital management | |
CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
CN112132498A (zh) | 库存管理方法、装置、设备及存储介质 | |
CN113962751A (zh) | 电力套餐的零售价格预测方法、装置及存储介质 |
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 |