專利名稱：預測數(shù)據(jù)的方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及預測數(shù)據(jù)的方法和裝置。
背景技術(shù)：
銷量預測是電子商務零售企業(yè)進行有效庫存控制的關(guān)鍵，庫存量過大，會造成商品積壓，影響資金周轉(zhuǎn)和效益；庫存量過小，會造成商品斷貨，影響銷售和客戶體驗。而電子商務零售市場環(huán)境復雜多變，此起彼伏的市場促銷、消費者偏好的轉(zhuǎn)移、商品的季節(jié)性周期變化等因素造成了商品銷售特征的多樣性和多變性。復雜多變的市場環(huán)境和銷售特征，給商品銷量的準確預測帶來了挑戰(zhàn)。對單個商品的銷量預測，現(xiàn)有的技術(shù)方案通常利用商品的歷史銷量數(shù)據(jù)，大致采 用加權(quán)平均預測法和ARIMA模型預測法。在應用加權(quán)平均預測法時，軟件模塊可采用數(shù)據(jù)數(shù)據(jù)輸入模塊、數(shù)據(jù)預處理模塊、銷量加權(quán)平均計算模塊和銷量預測應用模塊。應用加權(quán)平均預測法時的工作流程如圖I所示，圖I是根據(jù)現(xiàn)有技術(shù)中的應用加權(quán)平均預測法時的工作流程的示意圖。加權(quán)平均預測法利用商品歷史銷量觀測值某種類型的加權(quán)平均數(shù)作為未來一段時間內(nèi)該商品銷量的預測值。在具體實現(xiàn)中，銷量加權(quán)平均計算可以采用加權(quán)移動平均法或指數(shù)平滑法。在加權(quán)移動平均法中，對歷史最近的N期銷量觀察值的每一個值給以相應的權(quán)重，而對在此之前的觀察值不給以加權(quán)。在大多數(shù)實際情況下，最近的觀察值包含對預測未來銷量所需的信息要比舊的觀察值包含的更多，因此往往對較舊的觀察值逐漸減少其重要性。指數(shù)平滑法是加權(quán)移動平均法的改進，一次指數(shù)平滑的數(shù)學模型為Ft=a XYt+a-cOXF^，其中Ft第t期的指數(shù)平滑值，a為平滑系數(shù)，Yt為第t期的觀察值。當時間序列沒有明顯的趨勢變動時，可以采用一次指數(shù)平滑法；當時間序列的變動呈現(xiàn)明顯直線趨勢時，用一次指數(shù)平滑法來預測存在著明顯的滯后偏差，需要在一次指數(shù)平滑的基礎上再作二次指數(shù)平滑；當時間序列的變動呈現(xiàn)出二次曲線趨勢時，則需要用三次指數(shù)平滑法。ARIMA模型全稱為差分自回歸移動平均模型(Autoregressive IntegratedMoving Average Model),是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名時間序列預測方法。在應用ARIMA模型預測法時，軟件模塊可主要由數(shù)據(jù)準備模塊、模型訓練模塊、銷量預測模塊和預測應用模塊四部分構(gòu)成，其工作流程如圖2所示。圖2是根據(jù)現(xiàn)有技術(shù)中的ARIMA模型預測法的一種工作流程的示意圖。根據(jù)圖2所示的工作流程，首先對商品的銷量數(shù)據(jù)進行匯總，并進行數(shù)據(jù)清洗，通常情況下數(shù)據(jù)清洗包括惡意訂單、團購訂單的剔除，促銷極值的平滑和庫存異常銷量的填充；然后找出商品銷售時間序列的規(guī)則，通常采用求和自回歸移動平均模型ARIMA來擬合商品的歷史銷量；再將訓練得到的時間序列模型應用于新的銷量數(shù)據(jù)，得到商品未來一段時間的銷量預測結(jié)果；最后再結(jié)合現(xiàn)有的庫存情況和未來的促銷計劃等因素綜合得到最終的庫存補貨建議。在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)，任何一種預測方法都是建立在一定的假設條件之上，現(xiàn)有銷量預測技術(shù)方案的主要缺點是當預測的商品的銷售特征發(fā)生變化時，現(xiàn)有的預測模型不能自動地進行變化和調(diào)整，以適應新的情況。對于加權(quán)移動平均法來說，權(quán)重不容易確定，沒有固定的規(guī)則可循，隨意性太強，且難以應對具有季節(jié)性變動特征的銷量，因此在準確性上難以滿足要求；對于指數(shù)平滑法來說，該方法能夠擬合不同的銷量曲線特征，但是它與加權(quán)移動平均法存在類似的問題一難以確定平滑系數(shù)，且平滑系數(shù)一旦確定，就不能依據(jù)銷售的階段性特征而變化；對于ARIMA模型預測法來說，當銷售特征發(fā)生變化時需要差分的階數(shù)、自相關(guān)系數(shù)和偏自相關(guān)系數(shù)截尾的階數(shù)都有可能發(fā)生變化，這意味著模型的參數(shù)要進行相應調(diào)整。而電子商務零售行業(yè)市場環(huán)境的復雜多變，必然導致商品銷售特征的頻繁變化，加之商品數(shù)量動輒以百萬計數(shù)，現(xiàn)有技術(shù)中的商品銷量預測偏差較大，常引發(fā)商品斷貨或 商品積壓。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供一種預測數(shù)據(jù)的方法和裝置，能夠提高數(shù)據(jù)預測的準確性。為實現(xiàn)上述目的，根據(jù)本發(fā)明的一個方面，提供了一種預測數(shù)據(jù)的方法。本發(fā)明的這種預測數(shù)據(jù)的方法包括步驟A :對于預先選擇的多個數(shù)據(jù)預測模型各自的參數(shù)分別進行優(yōu)化；步驟B :分別采用參數(shù)優(yōu)化之后的所述多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型；步驟C :采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測；在步驟C中的預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，重新依次執(zhí)行步驟A至步驟C?？蛇x地，所述步驟A包括根據(jù)所述多個數(shù)據(jù)預測模型對歷史數(shù)據(jù)進行預測，根據(jù)預測誤差調(diào)整參數(shù)；將預測誤差滿足預設精度要求時采用的參數(shù)作為優(yōu)化的參數(shù)，或者當調(diào)整次數(shù)達到預設次數(shù)時的當前參數(shù)作為優(yōu)化的參數(shù)?？蛇x地，在所述步驟B中，采用平均絕對百分比誤差來衡量所述差異的大小。根據(jù)本發(fā)明的另一方面，提供了另一種預測數(shù)據(jù)的方法。發(fā)明的這種預測數(shù)據(jù)的方法包括步驟A :分別采用預先選擇的多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型；步驟B :采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測；在步驟B中的預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，重新依次執(zhí)行步驟A和步驟B。可選地，在所述步驟A中，采用平均絕對百分比誤差來衡量所述差異的大小。根據(jù)本發(fā)明的又一方面，提供了一種預測數(shù)據(jù)的裝置。本發(fā)明的這種預測數(shù)據(jù)的裝置包括最優(yōu)參數(shù)選擇模塊，用于對于預先選擇的多個數(shù)據(jù)預測模型各自的參數(shù)分別進行優(yōu)化；最優(yōu)模型選擇模塊，用于分別采用參數(shù)優(yōu)化之后的所述多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型；模型失配檢測模塊，用于采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測，并且在該預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下觸發(fā)所述最優(yōu)參數(shù)選擇模塊和最優(yōu)模型選擇模塊。可選地，所述最優(yōu)參數(shù)選擇模塊還用于根據(jù)所述多個數(shù)據(jù)預測模型對歷史數(shù)據(jù)進行預測，根據(jù)預測誤差調(diào)整參數(shù)；將預測誤差滿足預設精度要求時采用的參數(shù)作為優(yōu)化的參數(shù)，或者當調(diào)整次數(shù)達到預設次數(shù)時的當前參數(shù)作為優(yōu)化的參數(shù)?？蛇x地，所述最優(yōu)模型選擇模塊還用于采用平均絕對百分比誤差來衡量所述差異的大小。根據(jù)本發(fā)明的又一方面，提供了另一種預測數(shù)據(jù)的裝置。
本發(fā)明的這種預測數(shù)據(jù)的裝置包括數(shù)據(jù)模型選擇模塊，用于分別采用預先選擇的多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型；數(shù)據(jù)預測模塊，用于采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測；失配控制模塊，用于當所述數(shù)據(jù)預測模塊的預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，觸發(fā)所述數(shù)據(jù)模型選擇模塊和所述數(shù)據(jù)預測模塊?？蛇x地，所述數(shù)據(jù)模型選擇模塊還用于采用平均絕對百分比誤差來衡量所述差異的大小。根據(jù)本發(fā)明的技術(shù)方案，先根據(jù)歷史數(shù)據(jù)對多個數(shù)據(jù)預測模型進行試驗和擇優(yōu)，在采用擇優(yōu)模型進行數(shù)據(jù)預測的同時考察其準確性，在準確性不達標的情況下再次擇優(yōu)，從而能夠根據(jù)時間的推移、被預測數(shù)據(jù)的產(chǎn)生環(huán)境變化來盡可能地選取了優(yōu)化的數(shù)據(jù)預測模型，有助于提高數(shù)據(jù)預測的準確性。


附圖用于更好地理解本發(fā)明，并不構(gòu)成對本發(fā)明的不當限定。其中圖I是根據(jù)現(xiàn)有技術(shù)中的應用加權(quán)平均預測法時的工作流程的示意圖；圖2是根據(jù)現(xiàn)有技術(shù)中的ARIMA模型預測法的一種工作流程的示意圖；圖3是根據(jù)本發(fā)明實施例的一種預測數(shù)據(jù)的方法的示意圖；圖4是根據(jù)本發(fā)明實施例的預測數(shù)據(jù)的裝置的一種基本結(jié)構(gòu)的示意圖；圖5是根據(jù)本發(fā)明實施例的預測數(shù)據(jù)的裝置的另一種基本結(jié)構(gòu)的示意圖；圖6是根據(jù)本發(fā)明實施例的商品銷量預測裝置的基本結(jié)構(gòu)的示意圖；圖7是基于圖6所示裝置的商品銷量預測方法的流程圖。
具體實施例方式以下結(jié)合附圖對本發(fā)明的示范性實施例做出說明，其中包括本發(fā)明實施例的各種細節(jié)以助于理解，應當將它們認為僅僅是示范性的。因此，本領(lǐng)域普通技術(shù)人員應當認識至IJ，可以對這里描述的實施例做出各種改變和修改，而不會背離本發(fā)明的范圍和精神。同樣，為了清楚和簡明，以下的描述中省略了對公知功能和結(jié)構(gòu)的描述。圖3是根據(jù)本發(fā)明實施例的一種預測數(shù)據(jù)的方法的示意圖，以下對圖3各步驟做出說明。
步驟S31 :對于預先選擇的多個數(shù)據(jù)預測模型各自的參數(shù)分別進行優(yōu)化。在這里，優(yōu)化的一種可選的具體步驟是先根據(jù)多個數(shù)據(jù)預測模型對歷史數(shù)據(jù)進行預測，根據(jù)預測誤差調(diào)整參數(shù)；然后將預測誤差滿足預設精度要求時采用的參數(shù)作為優(yōu)化的參數(shù)，或者當調(diào)整次數(shù)達到預設次數(shù)時的當前參數(shù)作為優(yōu)化的參數(shù)。步驟S32 :分別采用參數(shù)優(yōu)化之后的上述多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)上述多個數(shù)據(jù)預測模型各自的預測結(jié)果與該歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型。該差異的大小可采用平均絕對百分比誤差(MAPE)來衡量。步驟S33 :采用上述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測。本步驟中的預測結(jié)果即為輸出的數(shù)據(jù)預測結(jié)果，供后續(xù)工作使用，例如在電子商務領(lǐng)域，可采用上述步驟對商品銷量進行預測，本步驟中得到的即為商品銷量預測值，商家可根據(jù)該預測值安排貨源。
隨著時間的推移，未來數(shù)據(jù)的實際發(fā)生值也隨之出現(xiàn)。在本實施例中，步驟S33之后還要判斷步驟S33中的預測的結(jié)果和未來數(shù)據(jù)的實際發(fā)生值之間的差異是否超出預設范圍，即此時進入步驟S34。若是，則返回步驟S31并依次執(zhí)行其后步驟，否則進入步驟S35，輸出預測結(jié)果，并且返回步驟S33，即保持采用步驟S32中確定出的優(yōu)選的數(shù)據(jù)預測模型。步驟S31也可以省略，即僅按照預測的結(jié)果和未來數(shù)據(jù)的實際發(fā)生值之間的差異來選擇數(shù)據(jù)預測模型。圖4是根據(jù)本發(fā)明實施例的預測數(shù)據(jù)的裝置的一種基本結(jié)構(gòu)的示意圖。如圖4所示，本發(fā)明實施例的預測數(shù)據(jù)的裝置40主要包括最優(yōu)參數(shù)選擇模塊41、最優(yōu)模型選擇模塊42、和模型失配檢測模塊43。最優(yōu)參數(shù)選擇模塊41用于對于預先選擇的多個數(shù)據(jù)預測模型各自的參數(shù)分別進行優(yōu)化；最優(yōu)模型選擇模塊42用于分別采用參數(shù)優(yōu)化之后的上述多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)上述多個數(shù)據(jù)預測模型各自的預測結(jié)果與上述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型。模型失配檢測模塊43用于采用上述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測，并且在該預測的結(jié)果和上述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下觸發(fā)最優(yōu)參數(shù)選擇模塊41和最優(yōu)模型選擇模塊42，這樣這兩個模塊再次啟動，模型失配檢測模塊43也隨之根據(jù)新選擇的數(shù)據(jù)預測模型來運行。最優(yōu)參數(shù)選擇模塊41還可用于根據(jù)上述多個數(shù)據(jù)預測模型對歷史數(shù)據(jù)進行預測，根據(jù)預測誤差調(diào)整參數(shù)；然后將預測誤差滿足預設精度要求時采用的參數(shù)作為優(yōu)化的參數(shù)，或者當調(diào)整次數(shù)達到預設次數(shù)時的當前參數(shù)作為優(yōu)化的參數(shù)。最優(yōu)模型選擇模塊42可采用平均絕對百分比誤差來衡量上述差異的大小。圖5是根據(jù)本發(fā)明實施例的預測數(shù)據(jù)的裝置的另一種基本結(jié)構(gòu)的示意圖。如圖5所示，本發(fā)明實施例的預測數(shù)據(jù)的裝置50、數(shù)據(jù)模型選擇模塊51、數(shù)據(jù)預測模塊52、以及失配控制模塊53。數(shù)據(jù)模型選擇模塊51用于分別采用預先選擇的多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)上述多個數(shù)據(jù)預測模型各自的預測結(jié)果與上述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型?？刹捎闷骄^對百分比誤差來衡量上述差異的大小。數(shù)據(jù)預測模塊52用于采用上述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測。失配控制模塊53用于當上述數(shù)據(jù)預測模塊的預測的結(jié)果和上述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，觸發(fā)上述數(shù)據(jù)模型選擇模塊和上述數(shù)據(jù)預測模塊。
以下采用電子商務零售行業(yè)中的銷量預測為例進一步對本發(fā)明實施例中的優(yōu)選方案做出說明。參考圖6和圖7。圖6是根據(jù)本發(fā)明實施例的商品銷量預測裝置的基本結(jié)構(gòu)的示意圖，圖7是基于圖6所示裝置的商品銷量預測方法的流程圖。根據(jù)圖7所示的流程，通過準備模塊將不同銷售方式的訂單進行計算，并剔除惡意訂單、團購訂單，減小促銷、庫存異常對商品銷量的影響，得到在正常情況下商品的銷量數(shù)據(jù)；將數(shù)據(jù)樣本傳輸?shù)侥Ｐ褪錂z測模塊，對已有的預測模型進行效果評估，如果準確性在允許的范圍內(nèi)則直接進入銷量預測模塊，否則進行模型最優(yōu)參數(shù)選擇模塊；通過隨機搜索算法或模擬退火等智能優(yōu)化算法為可選的模型(加權(quán)平均、一次指數(shù)平滑、二次指數(shù)平滑、三次指數(shù)平滑、ARIMA模型)選擇最優(yōu)模型參數(shù)，最每個可選模型可能需要迭代多次，直到滿足停止條件；將參數(shù)優(yōu)化的多個可選模型應用于歷史數(shù)據(jù)，按照模型準確性的判斷指標MAPE選擇出最優(yōu)模型，并將模型規(guī)則更新到模型規(guī)則庫；將最優(yōu)模型規(guī)則應用于最新數(shù)據(jù)得到銷量預測結(jié)果；將預測結(jié)果傳入預測應用接口，用于向采銷部門提供補貨建議。以下 結(jié)合圖6對各模塊主要功能加以說明。數(shù)據(jù)準備模塊的主要功能是進行訓練模型的數(shù)據(jù)樣本預處理，它主要是通過剔除惡意訂單、取消訂單、團購訂單的商品銷量的方法反映市場的真實需求，通過促銷極值處理、庫存異常填充等手段排除干擾因素的影響。模型失配檢測模塊的主要功能是評估商品當前使用的預測模型的準確性是否在業(yè)務允許的范圍內(nèi)。如果當前的模型的預測誤差在業(yè)務允許的范圍內(nèi)，則繼續(xù)使用當前模型進行下一期銷量的預測，否則，需要重新進行最優(yōu)模型選擇或模型最優(yōu)參數(shù)選擇。通常情況下，選擇平均絕對百分比誤差MAPE作為評估模型預測準確性的指標，指標的具體閥值視商品的暢銷情況和供應商配貨的履約情況而定。最優(yōu)參數(shù)選擇模塊的主要功能是為多個可選模型選擇最優(yōu)參數(shù)。其具體工作原理是對于特定的預測模型，其預測值和實際值誤差的大小取決于模型參數(shù)的選擇；因而減小預測誤差的就是調(diào)整參數(shù)，利用調(diào)整后的參數(shù)重新進行預測，再次計算預測誤差；如果誤差增大，則再次調(diào)整參數(shù)，如此反復，直到找到一組最優(yōu)參數(shù)，使得預測誤差滿足預測精度的要求或達到指定的迭代次數(shù)。最優(yōu)參數(shù)的選擇可以采用隨機搜索方式，也可以將預測誤差作為成本函數(shù)并采用模擬退火之類的智能優(yōu)化算法進行選取。最優(yōu)模型選擇模塊的主要功能是比較“最優(yōu)參數(shù)選擇模塊”中得到的多個可選模型的預測準確性，選擇平均絕對百分比誤差MAPE最小的預測模型作為最終的應用模型，并將模型的規(guī)則更新到模型規(guī)則庫。當商品的銷量特征發(fā)生變化，當前的預測模型不適應新數(shù)據(jù)的要求時，“模型失配檢測模塊”會將預測誤差較大的商品進行分發(fā)，而“最優(yōu)參數(shù)選擇模塊”和“最優(yōu)模型選擇模塊”對模型進行自動訓練和選擇，共同保證了每期預測都采用最優(yōu)的模型和最優(yōu)的模型參數(shù)，從而保證了預測模型的及時性和準確性。銷量預測模塊的主要功能是首先對待預測商品的數(shù)據(jù)樣本進行預處理(與“數(shù)據(jù)準備模塊”類型)，然后將其應用于更新后的模型規(guī)則，最終得到商品未來一段時間內(nèi)的預測結(jié)果。預測應用模塊的主要功能是提供一個銷量預測數(shù)據(jù)傳輸接口，依據(jù)現(xiàn)有的庫存情況和未來一段時間的促銷計劃、促銷力度為采銷人員提供補貨建議，還可以對庫存斷貨或擠壓狀態(tài)進行預警等。
基于圖6和圖7的方案一方面在商品銷售特征發(fā)生變化時進行模型動態(tài)適配，而不是在模型偏差已經(jīng)增大時才進行模型選擇和模型參數(shù)調(diào)優(yōu)，減小模型的滯后性；另一方面，通過為當前的銷量特征匹配最合適的預測模型，也可以大大提高銷量預測結(jié)果的精度。所以該方案有助于彌補現(xiàn)有銷量預測方法的不足，迎合了電子一方面在商品銷售特征發(fā)生變化時進行模型動態(tài)適配，而不是在模型偏差已經(jīng)增大時才進行模型選擇和模型參數(shù)調(diào)優(yōu)，減小模型的滯后性；另一方面，通過為當前的銷量特征匹配最合適的預測模型，也可以大大提高銷量預測結(jié)果的精度。本發(fā)明彌補了現(xiàn)有銷量預測方法的不足，迎合了電子商務零售行業(yè)對準確預測商品銷量的需求，對庫存的精準控制起到了促進作用。根據(jù)本實施例的技術(shù)方案，先根據(jù)歷史數(shù)據(jù)對多個數(shù)據(jù)預測模型進行試驗和擇優(yōu)，在采用擇優(yōu)模型進行數(shù)據(jù)預測的同時考察其準確性，在準確性不達標的情況下再次擇優(yōu)，從而能夠根據(jù)時間的推移、被預測數(shù)據(jù)的產(chǎn)生環(huán)境變化來盡可能地選取了優(yōu)化的數(shù)據(jù)預測模型，是一種與時俱進的方案。特別是應用到電子商務零售行業(yè)中進行商品銷量預測時，采用本實施例的技術(shù)方案對傳統(tǒng)的銷量預測技術(shù)進行了改進和突破，使銷量預測模型 更新的及時性得到了明顯提高，并且自動適配也大大節(jié)省了成本；本實施例中可以每次預測都能選擇最優(yōu)的模型和參數(shù)，使銷量預測的精度進一步提高。這些都對電子商務零售行業(yè)的庫存控制向更精準的方向發(fā)展起到關(guān)鍵的促進作用。以上結(jié)合具體實施例描述了本發(fā)明的基本原理，但是，需要指出的是，對本領(lǐng)域的普通技術(shù)人員而言，能夠理解本發(fā)明的方法和設備的全部或者任何步驟或者部件，可以在任何計算裝置(包括處理器、存儲介質(zhì)等)或者計算裝置的網(wǎng)絡中，以硬件、固件、軟件或者它們的組合加以實現(xiàn)，這是本領(lǐng)域普通技術(shù)人員在閱讀了本發(fā)明的說明的情況下運用他們的基本編程技能就能實現(xiàn)的。因此，本發(fā)明的目的還可以通過在任何計算裝置上運行一個程序或者一組程序來實現(xiàn)。所述計算裝置可以是公知的通用裝置。因此，本發(fā)明的目的也可以僅僅通過提供包含實現(xiàn)所述方法或者裝置的程序代碼的程序產(chǎn)品來實現(xiàn)。也就是說，這樣的程序產(chǎn)品也構(gòu)成本發(fā)明，并且存儲有這樣的程序產(chǎn)品的存儲介質(zhì)也構(gòu)成本發(fā)明。顯然，所述存儲介質(zhì)可以是任何公知的存儲介質(zhì)或者將來開發(fā)出的任何存儲介質(zhì)。還需要指出的是，在本發(fā)明的裝置和方法中，顯然，各部件或各步驟是可以分解和/或重新組合的。這些分解和/或重新組合應視為本發(fā)明的等效方案。并且，執(zhí)行上述系列處理的步驟可以自然地按照說明的順序按時間順序執(zhí)行，但是并不需要一定按照時間順序執(zhí)行。某些步驟可以并行或彼此獨立地執(zhí)行。上述具體實施方式
，并不構(gòu)成對本發(fā)明保護范圍的限制。本領(lǐng)域技術(shù)人員應該明白的是，取決于設計要求和其他因素，可以發(fā)生各種各樣的修改、組合、子組合和替代。任何在本發(fā)明的精神和原則之內(nèi)所作的修改、等同替換和改進等，均應包含在本發(fā)明保護范圍之內(nèi)。
權(quán)利要求
1.一種預測數(shù)據(jù)的方法，其特征在于，包括 步驟A :對于預先選擇的多個數(shù)據(jù)預測模型各自的參數(shù)分別進行優(yōu)化； 步驟B :分別采用參數(shù)優(yōu)化之后的所述多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型； 步驟C :采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測； 在步驟C中的預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，重新依次執(zhí)行步驟A至步驟C。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述步驟A包括 根據(jù)所述多個數(shù)據(jù)預測模型對歷史數(shù)據(jù)進行預測，根據(jù)預測誤差調(diào)整參數(shù)； 將預測誤差滿足預設精度要求時采用的參數(shù)作為優(yōu)化的參數(shù)，或者當調(diào)整次數(shù)達到預設次數(shù)時的當前參數(shù)作為優(yōu)化的參數(shù)。
3.根據(jù)權(quán)利要求I或2所述的方法，其特征在于，在所述步驟B中，采用平均絕對百分比誤差來衡量所述差異的大小。
4.一種預測數(shù)據(jù)的方法，其特征在于，包括 步驟A :分別采用預先選擇的多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型； 步驟B :采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測； 在步驟B中的預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，重新依次執(zhí)行步驟A和步驟B。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，在所述步驟A中，采用平均絕對百分比誤差來衡量所述差異的大小。
6.一種預測數(shù)據(jù)的裝置，其特征在于，包括 最優(yōu)參數(shù)選擇模塊，用于對于預先選擇的多個數(shù)據(jù)預測模型各自的參數(shù)分別進行優(yōu)化； 最優(yōu)模型選擇模塊，用于分別采用參數(shù)優(yōu)化之后的所述多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型； 模型失配檢測模塊，用于采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測，并且在該預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下觸發(fā)所述最優(yōu)參數(shù)選擇模塊和最優(yōu)模型選擇模塊。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述最優(yōu)參數(shù)選擇模塊還用于 根據(jù)所述多個數(shù)據(jù)預測模型對歷史數(shù)據(jù)進行預測，根據(jù)預測誤差調(diào)整參數(shù)； 將預測誤差滿足預設精度要求時采用的參數(shù)作為優(yōu)化的參數(shù)，或者當調(diào)整次數(shù)達到預設次數(shù)時的當前參數(shù)作為優(yōu)化的參數(shù)。
8.根據(jù)權(quán)利要求6或7所述的裝置，其特征在于，所述最優(yōu)模型選擇模塊還用于采用平均絕對百分比誤差來衡量所述差異的大小。
9.一種預測數(shù)據(jù)的裝置，其特征在于，包括數(shù)據(jù)模型選擇模塊，用于分別采用預先選擇的多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型； 數(shù)據(jù)預測模塊，用于采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測； 失配控制模塊，用于當所述數(shù)據(jù)預測模塊的預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，觸發(fā)所述數(shù)據(jù)模型選擇模塊和所述數(shù)據(jù)預測模塊。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述數(shù)據(jù)模型選擇模塊還用于采用平均絕對百分比誤差來衡量所述差異的大小。
全文摘要
本發(fā)明提供一種預測數(shù)據(jù)的方法和裝置，能夠提高數(shù)據(jù)預測的準確性。該方法包括步驟A對于預先選擇的多個數(shù)據(jù)預測模型各自的參數(shù)分別進行優(yōu)化；步驟B分別采用參數(shù)優(yōu)化之后的所述多個數(shù)據(jù)預測模型，對歷史數(shù)據(jù)進行預測，根據(jù)所述多個數(shù)據(jù)預測模型各自的預測結(jié)果與所述歷史數(shù)據(jù)之間的差異的大小來確定優(yōu)選的數(shù)據(jù)預測模型；步驟C采用所述優(yōu)選的數(shù)據(jù)預測模型對未來數(shù)據(jù)進行預測；在步驟C中的預測的結(jié)果和所述未來數(shù)據(jù)的實際發(fā)生值之間的差異超出預設范圍的情況下，重新依次執(zhí)行步驟A至步驟C。
文檔編號G06Q10/04GK102968670SQ20121040762
公開日2013年3月13日 申請日期2012年10月23日 優(yōu)先權(quán)日2012年10月23日
發(fā)明者王顯峰 申請人:北京京東世紀貿(mào)易有限公司