CN118013469A - 用于企业架构管理多维数据的时间相关模型分析方法 - Google Patents
用于企业架构管理多维数据的时间相关模型分析方法 Download PDFInfo
- Publication number
- CN118013469A CN118013469A CN202410405991.5A CN202410405991A CN118013469A CN 118013469 A CN118013469 A CN 118013469A CN 202410405991 A CN202410405991 A CN 202410405991A CN 118013469 A CN118013469 A CN 118013469A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- product
- sales
- moment
- time
- 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
- 230000036962 time dependent Effects 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 30
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及用于管理的数据处理技术领域,具体涉及用于企业架构管理多维数据的时间相关模型分析方法,包括:根据每个企业的每种产品在每个时刻销售额的误差、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品的实际值序列中相邻数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重;根据每个企业的每种产品在每个时刻的销售额的误差变化率,得到每个企业的每种产品在每个时刻销售额的误差权重因子,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数;得到新的预测算法模型,并进行企业数据的存储管理。本发明优化了ARIMA算法模型的预测精确度,减小了数据的误差和企业数据的存储空间。
Description
技术领域
本发明涉及用于管理的数据处理技术领域,具体涉及用于企业架构管理多维数据的时间相关模型分析方法。
背景技术
对企业架构管理数据进行时间相关模型分析,可以为管理者提供更直观的数据支持,帮助他们更好地理解业务运营状况,做出更明智的决策。基于历史数据的时间相关模型分析可以帮助企业进行数据预测,通过实际数据和预测数据之间的差值进行存储,以此来完成企业数据的存储管理。
在现有的技术中,可以通过ARIMA(自回归综合移动平均模型 AutoRegressiveIntegrated Moving Average)算法模型对企业中一个产品的销售额进行预测。通过ARIMA算法模型进行预测时,MA(移动平均)部分是通过所有时刻的预测值和实际值之间的误差的大小进行对每个时刻的误差大小进行加权获取MA部分的模型,但是在获取每个时刻的实际值的数据时,由于有噪声的干扰,导致每个时刻的误差偏高,则会降低ARIMA算法模型的预测精确度,增大了预测数据和实际数据之间的误差,增大了企业数据的存储空间。
发明内容
本发明提供用于企业架构管理多维数据的时间相关模型分析方法,以解决现有的问题。
本发明的用于企业架构管理多维数据的时间相关模型分析方法采用如下技术方案:
本发明一个实施例提供了用于企业架构管理多维数据的时间相关模型分析方法,该方法包括以下步骤:
获取多个企业每种产品连续若干个时刻的多种类型数据和销售额的实际值;
将任意一个时刻记为当前时刻,对所有时刻的销售额的实际值进行排序,获得每个企业的每种产品的实际值序列,根据每个企业的每种产品在每个时刻销售额的实际值和预测值之间的差异、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品的实际值序列中相邻数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重;
根据每个企业的每种产品所有时刻的每种类型数据的平均值与其他企业每种产品所有时刻的每种类型数据的平均值之间的差异、每个企业的每种产品在每个时刻的销售额的误差变化率,得到每个企业的每种产品在每个时刻销售额的误差权重因子,根据每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数;
根据每个企业的每种产品在每个时刻销售额的误差权重调整系数,对预测算法模型进行调整,得到新的预测算法模型,根据新的预测算法模型进行数据的预测,根据预测后的数据进行企业数据的存储管理。
进一步地,所述对所有时刻的销售额的实际值进行排序,获得每个企业的每种产品的实际值序列,包括的具体步骤如下:
将每个企业的每种产品连续若干个时刻的销售额的实际值按照时间顺序组成一组序列,记为每个企业的每种产品的实际值序列。
进一步地,所述根据每个企业的每种产品在每个时刻销售额的实际值和预测值之间的差异、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品的实际值序列中相邻数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重,包括的具体步骤如下:
将每个企业的每种产品的实际值序列中每个数据与前一个相邻数据之间差异,记为每个企业的每种产品的实际值序列中每个数据的第一差异,将每个企业的每种产品的实际值序列中所有数据的第一差异的均值,记为每个企业的每种产品的第二差异;
将每个企业的每种产品的实际值序列中每个数据的第一差异、与每个企业的每种产品的第二差异之间差值的绝对值,记为每个企业的每种产品的实际值序列中每个数据的第三差异;
将每个企业的每种产品在每个时刻销售额的预测值和实际值之间差值的绝对值,记为每个企业的每种产品在每个时刻销售额的第一绝对值,将每个时刻和当前时刻之间的时间间隔的倒数,记为第一时间间隔,将每个企业的每种产品在每个时刻销售额的第一绝对值、第一时间间隔的乘积结果,记为每个企业的每种产品在每个时刻销售额的第一乘积结果;
根据每个企业的每种产品的实际值序列中每个数据的第三差异、每个企业的每种产品在每个时刻销售额的第一乘积结果,获得每个企业的每种产品在每个时刻销售额的误差权重。
进一步地,所述根据每个企业的每种产品的实际值序列中每个数据的第三差异、每个企业的每种产品在每个时刻销售额的第一乘积结果,获得每个企业的每种产品在每个时刻销售额的误差权重,包括的具体步骤如下:
将记为每个企业的每种产品的实际值序列中每个数据的第四差异,将每个企业的每种产品的实际值序列中每个数据的第四差异、每个企业的每种产品在每个时刻销售额的第一乘积结果之间的乘积结果,作为每个企业的每种产品在每个时刻销售额的误差权重;
其中,表示以自然常数为底的指数函数。
进一步地,所述根据每个企业的每种产品所有时刻的每种类型数据的平均值与其他企业每种产品所有时刻的每种类型数据的平均值之间的差异、每个企业的每种产品在每个时刻的销售额的误差变化率,得到每个企业的每种产品在每个时刻销售额的误差权重因子,包括的具体步骤如下:
其中,类型数据包括平均售价、推广费用、销量;
将每个企业的每种产品所有时刻的平均售价、其他所有企业每个产品所有时刻的平均售价的均值之间的差值,记为每个企业的每种产品的平均售价的第一差值;
将每个企业的每种产品所有时刻的平均推广费用、其他所有企业每个产品所有时刻的平均推广费用的均值之间的差值,记为每个企业的每种产品的平均推广费用的第二差值;
将每个企业的每种产品所有时刻的平均销量、其他所有企业每个产品所有时刻的平均销量的均值之间的差值,记为每个企业的每种产品的平均销量的第三差值;
将作为每个企业的每种产品的受欢迎程度;
其中,表示以自然常数为底的指数函数,/>表示线性归一化函数;
根据每个企业的每种产品在每个时刻的销售额的误差变化率、每个企业的每种产品的受欢迎程度与其他所有企业所述产品的受欢迎程度之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重因子。
进一步地,所述根据每个企业的每种产品在每个时刻的销售额的误差变化率、每个企业的每种产品的受欢迎程度与其他所有企业所述产品的受欢迎程度之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重因子,包括的具体步骤如下:
将每个企业的每种产品在每个时刻的销售额的预测值和实际值的差值,记为每个企业的每种产品在每个时刻的销售额的第一误差,将每个企业的每种产品在每个时刻的销售额的第一误差、与每个企业的每种产品在每个时刻的销售额的实际值的比值,记为每个企业的每种产品在每个时刻的销售额的第一比值;
将其他企业中每个企业的每种产品在每个时刻的销售额的预测值和实际值的差值,记为其他企业中每个企业的每种产品在每个时刻的销售额的第一误差,将其他企业中每个企业的每种产品在每个时刻的销售额的第一误差、与其他企业中每个企业的每种产品在每个时刻的销售额的实际值的比值,记为其他企业中每个企业的每种产品在每个时刻的销售额的第二比值;
将每个企业的每种产品的受欢迎程度、其他企业中每个企业的每种产品之间差值的绝对值,记为每个企业和其他企业中每个企业之间的第一数值,将/>记为每个企业和其他企业中每个企业之间的第二数值,将每个企业和其他企业中所有企业之间的第二数值的累加和,记为每个企业的第三数值,将每个企业和其他企业中每个企业之间的第二数值与每个企业的第三数值的比值,记为每个企业和其他企业中每个企业之间的第四数值;
根据每个企业的每种产品在每个时刻的销售额的第一比值、其他企业中每个企业的每种产品在每个时刻的销售额的第二比值、每个企业和其他企业中每个企业之间的第四数值,得到每个企业的每种产品在每个时刻销售额的误差权重因子。
进一步地,所述根据每个企业的每种产品在每个时刻的销售额的第一比值、其他企业中每个企业的每种产品在每个时刻的销售额的第二比值、每个企业和其他企业中每个企业之间的第四数值,得到每个企业的每种产品在每个时刻销售额的误差权重因子,包括的具体步骤如下:
将其他企业中每个企业的每种产品在每个时刻的销售额的第二比值、每个企业和其他企业中每个企业之间的第四数值之间的乘积结果,记为每个企业的每种产品和其他企业中每个企业的每种产品在每个时刻的销售额的第五数值,将每个企业的每种产品在每个时刻的销售额的第一比值、每个企业的每种产品和其他企业中每个企业的每种产品在每个时刻的销售额的第五数值之间差值的绝对值,记为每个企业的每种产品和其他企业中每个企业的每种产品在每个时刻的销售额的第六数值,将每个企业的每种产品和其他所有企业每种产品在每个时刻的销售额的第六数值的累加和,记为每个企业的每种产品在每个时刻的销售额的第七数值;
将作为每个企业的每种产品在每个时刻销售额的误差权重因子。
进一步地,所述根据每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数,包括的具体步骤如下:
将每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重的乘积结果,记为每个企业的每种产品在每个时刻销售额的第一特征,对每个企业的每种产品在所有时刻销售额的第一特征进行线性归一化,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数。
进一步地,所述根据每个企业的每种产品在每个时刻销售额的误差权重调整系数,对预测算法模型进行调整,得到新的预测算法模型,包括的具体步骤如下:
将每个企业的每种产品在每个时刻销售额的误差权重调整系数、ARIMA算法模型中MA项中每个时刻销售额的误差权重之间的乘积结果,作为ARIMA算法模型中MA项中每个时刻销售额的新误差权重,通过MA项中每个时刻销售额的新误差权重得到新的ARIMA算法模型,将新的ARIMA算法模型作为新的预测算法模型。
进一步地,所述根据新的预测算法模型进行数据的预测,根据预测后的数据进行企业数据的存储管理,包括的具体步骤如下:
根据新的预测算法模型进行销售额数据的预测,根据预测后的数据与实际数据之间的差值,通过差值存储算进行企业数据的存储。
本发明的技术方案的有益效果是:本发明根据每个企业的每种产品在每个时刻销售额的实际值和预测值之间的差异、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品的实际值序列中相邻数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重,提高了对实际值分析的准确性;根据每个企业的每种产品所有时刻的每种类型数据的平均值与其他企业每种产品所有时刻的每种类型数据的平均值之间的差异、每个企业的每种产品在每个时刻的销售额的误差变化率,得到每个企业的每种产品在每个时刻销售额的误差权重因子,根据每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数,提高了对每个企业的每种产品在每个时刻销售额的误差权重分析的准确性;根据每个企业的每种产品在每个时刻销售额的误差权重调整系数,对预测算法模型进行调整,得到新的预测算法模型,根据新的预测算法模型进行企业的规划管理,优化了ARIMA算法模型的预测精确度,减小了企业数据的存储空间。
附图说明
为了更清楚地说明本发明实施例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,下面描述中的附图仅仅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为本发明用于企业架构管理多维数据的时间相关模型分析方法的步骤流程图;
图2为企业架构管理多维数据的时间相关模型分析的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于企业架构管理多维数据的时间相关模型分析方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于企业架构管理多维数据的时间相关模型分析方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于企业架构管理多维数据的时间相关模型分析方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集多个企业每种产品连续若干个时刻的多种类型数据和销售额的实际值。
需要说明的是,在获取每个产品的预测模型时,可以根据若干个时刻的实际值来获取每个产品的预测模型,由于在获取实际值的过程中可能含有噪声的干扰,导致得到的预测模型的准确性不高,因此还需要通过本产品其它企业本产品的实际值数据进行分析,所有需要采集多个企业每种产品连续若干个时刻的多种类型数据。
具体地,以1天为采样间隔,从市场研究报告中获取三个月内多个企业每种产品连续若干个时刻的多种类型数据和销售额的实际值。
其中,多种类型数据包括平均售价、推广费用、销量。
至此,得到多个企业每种产品连续若干个时刻的多种类型数据和销售额的实际值。
步骤S002:根据每个企业的每种产品在每个时刻销售额的实际值和预测值之间的差异、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品在相邻时刻的数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重,根据每个企业的每种产品所有时刻的每种类型数据的平均值与其他企业每种产品所有时刻的每种类型数据的平均值之间的差异,得到每个企业的每种产品的受欢迎程度。
需要说明的是,在获取ARIMA模型的过程中,MA部分的模型是通过每个时刻的真实值和预测值之间的差异来进行加权,获取MA部分的模型,在对每个时刻的误差值进行加权分析时,当每个时刻的误差值与进行预测时刻之间的时间间隔越大,则根据每个时刻的误差值对于预测时刻的预测的可靠性越低,当每个时刻的误差值与进行预测时刻之间的时间间隔越小,则根据每个时刻的误差值对于预测时刻的预测的可靠性越高;因此则根据每个时刻的误差值和每个时刻与预测时刻之间的时间间隔来进行调整。
具体的,将任意一个时刻记为当前时刻,将每个企业的每种产品连续若干个时刻的销售额数据的实际值按照时间顺序组成一组序列,记为每个企业的每种产品的实际值序列;根据每个企业的每种产品在每个时刻销售额的实际值和预测值之间的差异、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品的实际值序列中相邻数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重,作为一种实施例,具体计算方法为:
式中,表示第/>个企业的第/>种产品第/>个时刻销售额的预测值,/>表示第/>个企业的第/>种产品第/>个时刻销售额的实际值,/>表示第/>个时刻和当前时刻之间的时间间隔,表示第/>个企业的第/>种产品第/>个时刻销售额的误差权重,/>表示第/>个企业的第/>种产品的实际值序列中第/>个数据与第/>个数据之间差异,/>表示第/>个企业的第/>种产品的实际值序列中所有相邻数据之间差异的均值,/>表示以自然常数为底的指数函数,/>为绝对值符号。其中,差异表示差值的绝对值。
其中,表示每个企业的每种产品在每个时刻销售额的误差值,当该误差值越大,则每个时刻对应的权重就越大,当该误差值越小,则每个时刻对应的权重就越小;当每个时刻的误差值与当前时刻之间的时间间隔越大,则根据每个时刻的误差值对于当前时刻的预测的可靠性越低,当每个时刻的误差值与当前时刻之间的时间间隔越小,则根据每个时刻的误差值对于当前时刻的预测的可靠性越高。/>表示每个企业的每种产品的实际值序列中每个数据与相邻数据之间差异、每个企业的每种产品的实际值序列中所有相邻数据之间差异的均值之间的差异,当该差异越大,则每个数据中存在噪声干扰的可能性较大,即对应的权重就越小;当该差异越小,则每个数据中存在噪声干扰的可能性较小,即对应的权重就越大。
至此,得到每个企业的每种产品在每个时刻销售额的误差权重。
需要说明的是,在上述对每个企业的每种产品在每个时刻销售额的误差权重分析时,只是根据自身数据之间的差异进行分析;而在相同产品的市场中,相同的产品由于受到宏观经济、政策法规和技术创新等因素的影响,同类产品的市场需求量在同一时间点的预测值与实际值之间的误差是具有相似性的;因此可以通过相同产品在相同时间段的预测值与实际值之间误差的差异程度进行分析。
进一步需要说明的是,当一个产品的售价低于市场平均价时,则会有大量的用户进行购买,即认为该企业的产品更受欢迎;当一个产品的推广费用和市场中同一产品相比差异花的费用更多时,即相比于其它企业更愿意花钱来让人知道时,则认为该企业的产品会很大的受欢迎;当一个产品的销量和市场中同一产品相比销售的更多时,即认为该企业的产品会很大的受欢迎。
具体地,根据每个企业的每种产品所有时刻的平均售价与其他企业每种产品所有时刻的平均售价之间的差异、每个企业的每种产品所有时刻的平均推广费用与其他企业每种产品所有时刻的平均推广费用之间的差异、每个企业的每种产品所有时刻的平均销量与其他企业每种产品所有时刻的平均销量之间的差异,得到每个企业的每种产品的受欢迎程度,作为一种实施例,具体计算方法为:
式中,表示第/>个企业的第/>种产品所有时刻的平均售价,/>表示除了第/>个企业之外的其他所有企业中的第/>个企业的第/>种产品所有时刻的平均售价,/>表示第/>个企业的第/>种产品所有时刻的平均推广费用,/>表示除了第/>个企业之外的其他所有企业中的第/>个企业的第/>种产品所有时刻的平均推广费用,/>表示第/>个企业的第/>种产品所有时刻的平均销量,/>表示除了第/>个企业之外的其他所有企业中的第/>个企业的第/>种产品所有时刻的平均销量,/>表示其他所有企业的个数,/>表示第/>个企业的第/>种产品的第一受欢迎程度,/>表示第/>个企业的第/>种产品的受欢迎程度,/>表示以自然常数为底的指数函数,/>表示线性归一化函数。
其中,表示每个企业的每种产品所有时刻的平均售价和其他所有企业该产品所有时刻的平均售价的均值之间的差值,当该差值越小,则该企业所述产品的受欢迎程度就越大;当该差值越大,则该企业所述产品的受欢迎程度就越小。表示每个企业的每种产品所有时刻的平均推广费用和其他所有企业该产品所有时刻的平均推广费用的均值之间的差值,当该差值越小,则该企业所述产品的受欢迎程度就越小;当该差值越大,则该企业所述产品的受欢迎程度就越大。/>表示每个企业的每种产品所有时刻的平均销量和其他所有企业该产品所有时刻的平均销量的均值之间的差值,当该差值越小,则该企业所述产品的受欢迎程度就越小;当该差值越大,则该企业所述产品的受欢迎程度就越大。
至此,得到每个企业的每种产品的受欢迎程度。
步骤S003:根据每个企业的每种产品在每个时刻的销售额的误差变化率、每个企业的每种产品的受欢迎程度与其他所有企业所述产品的受欢迎程度之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重因子,根据每个企业的每种产品在每个时刻销售额的误差权重因子和每个企业的每种产品在每个时刻销售额的误差权重,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数。
需要说明的是,当两个产品每个时刻的误差值的变化率相差越小,则说明在该时刻,获取到的该产品的真实值的销售额越真实,即该时刻得到的产品的真实值的销售额越没有噪声的干扰,此刻的误差的参考性也就越高;当两个产品每个时刻的误差值的变化率相差越大,则说明在该时刻,获取到的该产品的真实值的销售额越不真实,即该时刻得到的产品的真实值的销售额越有噪声的干扰,此刻的误差的参考性也就越低。
具体地,根据每个企业的每种产品在每个时刻的销售额的误差变化率、每个企业的每种产品的受欢迎程度与其他所有企业所述产品的受欢迎程度之间的差异、每个企业的每种产品在每个时刻的销售额的误差变化率和其他所有企业在每个时刻的销售额的误差变化率之间的差异,获得每个企业的每种产品在每个时刻销售额的误差权重因子,作为一种实施例,具体计算方法为:
式中,表示第/>个企业的第/>种产品在第/>个时刻的销售额的预测值,/>表示第/>个企业的第/>种产品在第/>个时刻的销售额的实际值,/>表示第/>个企业的第/>种产品在第/>个时刻的销售额的预测值,/>表示第/>个企业的第/>种产品在第/>个时刻的销售额的实际值,/>表示第/>个企业的第/>种产品的受欢迎程度,/>表示第/>个企业的第/>种产品的受欢迎程度,/>表示第/>个企业的第/>种产品在第/>个时刻销售额的误差权重因子,/>表示所有企业的个数,/>为绝对值符号,/>表示以自然常数为底的指数函数。
其中,和/>表示每个企业的每种产品在每个时刻的销售额的误差变化率,当两个企业每种产品在每个时刻的销售额的误差变化率的差异越大,则说明其中一个企业每种产品在该时刻中必然存在噪声的干扰,即在该时刻的误差作为MA项分析的比重应该占低;当两个企业每种产品在每个时刻的销售额的误差变化率的差异越小,则说明两个企业每种产品在该时刻中存在,即在该时刻的误差作为MA项分析的比重应该占高。表示任意两个企业每种产品的受欢迎程度之间的差异,/>表示任意两个企业每种产品的受欢迎程度之间的差异与所有两个企业每种产品的受欢迎程度之间的差异累加和的比值,将该比值作为其他任意一个企业每种产品在每个时刻的销售额的误差变化率的权重,当该比值越大,则对应的调整程度就越大,反之,则越小。
至此,得到每个企业的每种产品在每个时刻销售额的误差权重因子。
根据每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数,作为一种实施例,具体计算方法为:
式中,表示第/>个企业的第/>种产品在第/>个时刻销售额的误差权重因子,/>表示第/>个企业的第/>种产品第/>个时刻销售额的误差权重,/>表示第/>个企业的第/>种产品在第/>个时刻销售额的误差权重调整系数,/>表示以自然常数为底的指数函数。
至此,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数。
步骤S004:根据每个企业的每种产品在每个时刻销售额的误差权重调整系数,对预测算法模型进行调整,得到新的预测算法模型,根据新的预测算法模型进行数据的预测,根据预测后的数据进行企业数据的存储管理。
根据每个企业的每种产品在每个时刻销售额的误差权重调整系数对构建ARIMA算法模型过程中的MA项中的误差权重进行调整,得到一个新的ARIMA模型,通过新的ARIMA算法模型对每个企业的每种产品的销售额数据进行预测,获得预测后的销售额数据。
设一个参数L,其中本实施例以L=20为例进行叙述,本实施例不进行具体限定,其中L可根据具体实施情况而定。
通过预测后的数据与实际数据之间的差值,通过差值存储算进行企业数据的存储。企业架构管理多维数据的时间相关模型分析的流程图如图2所示。
需要说明的是,在通过差值存储算法进行数据存储时,前L个数据保持不变,在第L+1个数据开始使用差值存储算法进行存储;且在本实施例中所有的预测数据和实际数据都必须通过四舍五入进行取整。
其中,差值存储算法和ARIMA算法模型都为公知技术,此处不再进行具体赘述。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,该方法包括以下步骤:
获取多个企业每种产品连续若干个时刻的多种类型数据和销售额的实际值;
将任意一个时刻记为当前时刻,对所有时刻的销售额的实际值进行排序,获得每个企业的每种产品的实际值序列,根据每个企业的每种产品在每个时刻销售额的实际值和预测值之间的差异、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品的实际值序列中相邻数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重;
根据每个企业的每种产品所有时刻的每种类型数据的平均值与其他企业每种产品所有时刻的每种类型数据的平均值之间的差异、每个企业的每种产品在每个时刻的销售额的误差变化率,得到每个企业的每种产品在每个时刻销售额的误差权重因子,根据每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数;
根据每个企业的每种产品在每个时刻销售额的误差权重调整系数,对预测算法模型进行调整,得到新的预测算法模型,根据新的预测算法模型进行数据的预测,根据预测后的数据进行企业数据的存储管理。
2.根据权利要求1所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述对所有时刻的销售额的实际值进行排序,获得每个企业的每种产品的实际值序列,包括的具体步骤如下:
将每个企业的每种产品连续若干个时刻的销售额的实际值按照时间顺序组成一组序列,记为每个企业的每种产品的实际值序列。
3.根据权利要求1所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据每个企业的每种产品在每个时刻销售额的实际值和预测值之间的差异、每个时刻和当前时刻之间的时间间隔和每个企业的每种产品的实际值序列中相邻数据之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重,包括的具体步骤如下:
将每个企业的每种产品的实际值序列中每个数据与前一个相邻数据之间差异,记为每个企业的每种产品的实际值序列中每个数据的第一差异,将每个企业的每种产品的实际值序列中所有数据的第一差异的均值,记为每个企业的每种产品的第二差异;
将每个企业的每种产品的实际值序列中每个数据的第一差异、与每个企业的每种产品的第二差异之间差值的绝对值,记为每个企业的每种产品的实际值序列中每个数据的第三差异;
将每个企业的每种产品在每个时刻销售额的预测值和实际值之间差值的绝对值,记为每个企业的每种产品在每个时刻销售额的第一绝对值,将每个时刻和当前时刻之间的时间间隔的倒数,记为第一时间间隔,将每个企业的每种产品在每个时刻销售额的第一绝对值、第一时间间隔的乘积结果,记为每个企业的每种产品在每个时刻销售额的第一乘积结果;
根据每个企业的每种产品的实际值序列中每个数据的第三差异、每个企业的每种产品在每个时刻销售额的第一乘积结果,获得每个企业的每种产品在每个时刻销售额的误差权重。
4.根据权利要求3所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据每个企业的每种产品的实际值序列中每个数据的第三差异、每个企业的每种产品在每个时刻销售额的第一乘积结果,获得每个企业的每种产品在每个时刻销售额的误差权重,包括的具体步骤如下:
将记为每个企业的每种产品的实际值序列中每个数据的第四差异,将每个企业的每种产品的实际值序列中每个数据的第四差异、每个企业的每种产品在每个时刻销售额的第一乘积结果之间的乘积结果,作为每个企业的每种产品在每个时刻销售额的误差权重;
其中,表示以自然常数为底的指数函数。
5.根据权利要求1所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据每个企业的每种产品所有时刻的每种类型数据的平均值与其他企业每种产品所有时刻的每种类型数据的平均值之间的差异、每个企业的每种产品在每个时刻的销售额的误差变化率,得到每个企业的每种产品在每个时刻销售额的误差权重因子,包括的具体步骤如下:
其中,类型数据包括平均售价、推广费用、销量;
将每个企业的每种产品所有时刻的平均售价、其他所有企业每个产品所有时刻的平均售价的均值之间的差值,记为每个企业的每种产品的平均售价的第一差值;
将每个企业的每种产品所有时刻的平均推广费用、其他所有企业每个产品所有时刻的平均推广费用的均值之间的差值,记为每个企业的每种产品的平均推广费用的第二差值;
将每个企业的每种产品所有时刻的平均销量、其他所有企业每个产品所有时刻的平均销量的均值之间的差值,记为每个企业的每种产品的平均销量的第三差值;
将作为每个企业的每种产品的受欢迎程度;
其中,表示以自然常数为底的指数函数,/>表示线性归一化函数;
根据每个企业的每种产品在每个时刻的销售额的误差变化率、每个企业的每种产品的受欢迎程度与其他所有企业所述产品的受欢迎程度之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重因子。
6.根据权利要求5所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据每个企业的每种产品在每个时刻的销售额的误差变化率、每个企业的每种产品的受欢迎程度与其他所有企业所述产品的受欢迎程度之间的差异,得到每个企业的每种产品在每个时刻销售额的误差权重因子,包括的具体步骤如下:
将每个企业的每种产品在每个时刻的销售额的预测值和实际值的差值,记为每个企业的每种产品在每个时刻的销售额的第一误差,将每个企业的每种产品在每个时刻的销售额的第一误差、与每个企业的每种产品在每个时刻的销售额的实际值的比值,记为每个企业的每种产品在每个时刻的销售额的第一比值;
将其他企业中每个企业的每种产品在每个时刻的销售额的预测值和实际值的差值,记为其他企业中每个企业的每种产品在每个时刻的销售额的第一误差,将其他企业中每个企业的每种产品在每个时刻的销售额的第一误差、与其他企业中每个企业的每种产品在每个时刻的销售额的实际值的比值,记为其他企业中每个企业的每种产品在每个时刻的销售额的第二比值;
将每个企业的每种产品的受欢迎程度、其他企业中每个企业的每种产品之间差值的绝对值,记为每个企业和其他企业中每个企业之间的第一数值,将/>记为每个企业和其他企业中每个企业之间的第二数值,将每个企业和其他企业中所有企业之间的第二数值的累加和,记为每个企业的第三数值,将每个企业和其他企业中每个企业之间的第二数值与每个企业的第三数值的比值,记为每个企业和其他企业中每个企业之间的第四数值;
根据每个企业的每种产品在每个时刻的销售额的第一比值、其他企业中每个企业的每种产品在每个时刻的销售额的第二比值、每个企业和其他企业中每个企业之间的第四数值,得到每个企业的每种产品在每个时刻销售额的误差权重因子。
7.根据权利要求6所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据每个企业的每种产品在每个时刻的销售额的第一比值、其他企业中每个企业的每种产品在每个时刻的销售额的第二比值、每个企业和其他企业中每个企业之间的第四数值,得到每个企业的每种产品在每个时刻销售额的误差权重因子,包括的具体步骤如下:
将其他企业中每个企业的每种产品在每个时刻的销售额的第二比值、每个企业和其他企业中每个企业之间的第四数值之间的乘积结果,记为每个企业的每种产品和其他企业中每个企业的每种产品在每个时刻的销售额的第五数值,将每个企业的每种产品在每个时刻的销售额的第一比值、每个企业的每种产品和其他企业中每个企业的每种产品在每个时刻的销售额的第五数值之间差值的绝对值,记为每个企业的每种产品和其他企业中每个企业的每种产品在每个时刻的销售额的第六数值,将每个企业的每种产品和其他所有企业每种产品在每个时刻的销售额的第六数值的累加和,记为每个企业的每种产品在每个时刻的销售额的第七数值;
将作为每个企业的每种产品在每个时刻销售额的误差权重因子。
8.根据权利要求1所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数,包括的具体步骤如下:
将每个企业的每种产品在每个时刻销售额的误差权重因子、每个企业的每种产品在每个时刻销售额的误差权重的乘积结果,记为每个企业的每种产品在每个时刻销售额的第一特征,对每个企业的每种产品在所有时刻销售额的第一特征进行线性归一化,得到每个企业的每种产品在每个时刻销售额的误差权重调整系数。
9.根据权利要求1所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据每个企业的每种产品在每个时刻销售额的误差权重调整系数,对预测算法模型进行调整,得到新的预测算法模型,包括的具体步骤如下:
将每个企业的每种产品在每个时刻销售额的误差权重调整系数、ARIMA算法模型中MA项中每个时刻销售额的误差权重之间的乘积结果,作为ARIMA算法模型中MA项中每个时刻销售额的新误差权重,通过MA项中每个时刻销售额的新误差权重得到新的ARIMA算法模型,将新的ARIMA算法模型作为新的预测算法模型。
10.根据权利要求1所述用于企业架构管理多维数据的时间相关模型分析方法,其特征在于,所述根据新的预测算法模型进行数据的预测,根据预测后的数据进行企业数据的存储管理,包括的具体步骤如下:
根据新的预测算法模型进行销售额数据的预测,根据预测后的数据与实际数据之间的差值,通过差值存储算进行企业数据的存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405991.5A CN118013469B (zh) | 2024-04-07 | 2024-04-07 | 用于企业架构管理多维数据的时间相关模型分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405991.5A CN118013469B (zh) | 2024-04-07 | 2024-04-07 | 用于企业架构管理多维数据的时间相关模型分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013469A true CN118013469A (zh) | 2024-05-10 |
CN118013469B CN118013469B (zh) | 2024-06-14 |
Family
ID=90947510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410405991.5A Active CN118013469B (zh) | 2024-04-07 | 2024-04-07 | 用于企业架构管理多维数据的时间相关模型分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013469B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090327206A1 (en) * | 2008-06-27 | 2009-12-31 | Microsoft Corporation | Forecasting by blending algorithms to optimize near term and long term predictions |
CN102968670A (zh) * | 2012-10-23 | 2013-03-13 | 北京京东世纪贸易有限公司 | 预测数据的方法和装置 |
US20140310059A1 (en) * | 2011-11-14 | 2014-10-16 | Energent Incorporation | System , method and computer program forecasting energy price |
KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
US20160055440A1 (en) * | 2014-08-22 | 2016-02-25 | R Five Corporation | Fluctuation value forecasting system, stock management system, and fluctuation value forecasting method |
CN108416479A (zh) * | 2018-03-20 | 2018-08-17 | 易联众信息技术股份有限公司 | 一种基于gdp的决策方案数据分析模型的构建方法 |
US20190220877A1 (en) * | 2018-01-12 | 2019-07-18 | Fujitsu Limited | Computer-readable recording medium, demand forecasting method and demand forecasting apparatus |
US20200090196A1 (en) * | 2016-12-21 | 2020-03-19 | Engagement Labs Inc. /Laboratories Engagement Inc. | System and method for measuring social influence of a brand for improving the brand's performance |
CN111162925A (zh) * | 2018-11-07 | 2020-05-15 | 中移(苏州)软件技术有限公司 | 网络流量预测方法、装置、电子设备及存储介质 |
CN113313529A (zh) * | 2021-06-15 | 2021-08-27 | 大唐软控(青岛)科技有限公司 | 一种基于时间回归序列成品油销售额预测方法 |
CN115330460A (zh) * | 2022-08-23 | 2022-11-11 | 天元大数据信用管理有限公司 | 一种基于arima模型和gbdt算法的销售预测方法 |
CN115841343A (zh) * | 2022-12-16 | 2023-03-24 | 广州飞狮数字科技有限公司 | 一种销售额度的确定方法及装置 |
CN117035848A (zh) * | 2023-10-10 | 2023-11-10 | 山东浪潮新世纪科技有限公司 | 一种即开型彩票销量预测方法、装置、设备及介质 |
CN117422374A (zh) * | 2023-10-25 | 2024-01-19 | 华迪计算机集团有限公司 | 基于大数据技术的食堂智能采购方法、电子设备及介质 |
-
2024
- 2024-04-07 CN CN202410405991.5A patent/CN118013469B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090327206A1 (en) * | 2008-06-27 | 2009-12-31 | Microsoft Corporation | Forecasting by blending algorithms to optimize near term and long term predictions |
US20140310059A1 (en) * | 2011-11-14 | 2014-10-16 | Energent Incorporation | System , method and computer program forecasting energy price |
CN102968670A (zh) * | 2012-10-23 | 2013-03-13 | 北京京东世纪贸易有限公司 | 预测数据的方法和装置 |
KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
US20160055440A1 (en) * | 2014-08-22 | 2016-02-25 | R Five Corporation | Fluctuation value forecasting system, stock management system, and fluctuation value forecasting method |
US20200090196A1 (en) * | 2016-12-21 | 2020-03-19 | Engagement Labs Inc. /Laboratories Engagement Inc. | System and method for measuring social influence of a brand for improving the brand's performance |
US20190220877A1 (en) * | 2018-01-12 | 2019-07-18 | Fujitsu Limited | Computer-readable recording medium, demand forecasting method and demand forecasting apparatus |
CN108416479A (zh) * | 2018-03-20 | 2018-08-17 | 易联众信息技术股份有限公司 | 一种基于gdp的决策方案数据分析模型的构建方法 |
CN111162925A (zh) * | 2018-11-07 | 2020-05-15 | 中移(苏州)软件技术有限公司 | 网络流量预测方法、装置、电子设备及存储介质 |
CN113313529A (zh) * | 2021-06-15 | 2021-08-27 | 大唐软控(青岛)科技有限公司 | 一种基于时间回归序列成品油销售额预测方法 |
CN115330460A (zh) * | 2022-08-23 | 2022-11-11 | 天元大数据信用管理有限公司 | 一种基于arima模型和gbdt算法的销售预测方法 |
CN115841343A (zh) * | 2022-12-16 | 2023-03-24 | 广州飞狮数字科技有限公司 | 一种销售额度的确定方法及装置 |
CN117035848A (zh) * | 2023-10-10 | 2023-11-10 | 山东浪潮新世纪科技有限公司 | 一种即开型彩票销量预测方法、装置、设备及介质 |
CN117422374A (zh) * | 2023-10-25 | 2024-01-19 | 华迪计算机集团有限公司 | 基于大数据技术的食堂智能采购方法、电子设备及介质 |
Non-Patent Citations (4)
Title |
---|
JIANTAO ZHAO等: "Research on Sales Forecast Based on Prophet-SARIMA Combination Model", JOURNAL OF PHYSICS: CONFERENCE SERIES, vol. 1616, 12 July 2020 (2020-07-12) * |
ÜMIT ÇAVUŞ BÜYÜKŞAHIN等: "Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition", NEUROCOMPUTING, vol. 361, 31 October 2019 (2019-10-31) * |
徐林: "SPSS预测模型在商场中的应用", 宁波职业技术学院学报, no. 02, 25 April 2005 (2005-04-25) * |
李晓蕾;毕得;: "基于ARIMA模型的内蒙古某品牌便利店销售情况预测分析", 市场周刊, no. 06, 1 June 2020 (2020-06-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN118013469B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3092306C (en) | Method and system of dynamic model selection for time series forecasting | |
CN109615226B (zh) | 一种运营指标异常监测方法 | |
US8180664B2 (en) | Methods and systems for forecasting with model-based PDF estimates | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN111461180B (zh) | 样本分类方法、装置、计算机设备及存储介质 | |
CN108345958A (zh) | 一种订单出餐时间预测模型构建、预测方法、模型和装置 | |
US20080059284A1 (en) | Methods, Systems and Computer Readable Code for Forecasting Time Series and for Forecasting Commodity Consumption | |
CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
US20060116921A1 (en) | Methods and systems for profile-based forecasting with dynamic profile selection | |
CN113469722A (zh) | 消费预测***及消费预测方法 | |
CN111815348B (zh) | 一种基于各门店商品相似度聚类的区域商品生产计划方法 | |
CN115994785B (zh) | 一种餐饮人流量备料智能预测方法及*** | |
CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
CN116881242B (zh) | 一种生鲜农产品电商采购数据智能存储*** | |
CN118013469B (zh) | 用于企业架构管理多维数据的时间相关模型分析方法 | |
US20210142348A1 (en) | Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
CN111985721A (zh) | 一种基于季节性时间序列的企业开票金额预测方法 | |
Zadeh | A New Sales Forecasting method for industrial supply chain | |
CN118154247B (zh) | 一种会员全自动营销*** | |
He et al. | Case Study: Corporación Favorita Grocery Sales Forecasting | |
Guo et al. | Quantile forecasts of product life cycles using exponential smoothing | |
US20210110445A1 (en) | Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics | |
CN112381350B (zh) | 一种电力物资交叉估算***及其方法 | |
CN116341718A (zh) | 货量预测方法、装置、介质与电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |