订单预测方法及系统技术方案

本发明专利技术公开了一种订单预测方法及系统，其中订单预测方法包括：采集历史订单量；将历史订单量按天粒度进行汇总；将日期进行分类并将属于同一类型的历史日期与预测日期相匹配；从与预测日期相匹配的历史日期中选取一增长基数日期，并获取所述增长基数日期的订单量和预测增长率，所述预测增长率依所述预测日期的类型而定；计算预测日期的日订单量预测值，日订单量预测值＝增长基数日期的订单量×(1+预测增长率)。本发明专利技术弥补了现有的预测方法中计算量大、预测准确度低的不足，具有计算量少、预测准确度高且可操作性强的优点。

【技术实现步骤摘要】

本专利技术涉及电子商务领域，尤其是涉及一种订单预测方法及系统。
技术介绍
随着电子商务的快速发展，现阶段对计算机的数据分析处理的能力要求越来越 高，尤其是在订单预测方面，很多电商或在线旅游网站往往需要提前预测某一时间段内的 订单量以为日常或某些特殊情况作充足的准备。 现有技术中已经存在一些用于预测订单的公开文献，如： 1、申请公布号为CN103310286A的一种具有时间序列特性的产品订单预测方法及 装置，该专利技术将小波神经网络理论引入时间序列预测模型中，对动态时序数据进行预测分 析，循环运行多次取均值的方法得到预测结果。 缺点：计算复杂，准确度不稳定。神经网络训练模型的代价较大，且不容易掌控训 练次数。训练过少达不到预测要求和应有效果，训练过多容易造成过度拟合，仅限于对训练 样本数据能有效预测，对于非样本数据则效果不明显。 2、申请公布号为CN102495937A的一种基于时间序列的预测方法，该专利技术使用均 生函数方法对原始时间序列进行延拓，通过最优子集回归方法对延拓序列进行删选，得到 最优子集，再结合BP神经网络进行训练和预测，得到准确度较高的预测结果。 缺点：需要计算指数级别的回归子集并从中删选出最优子集，计算量较大，计算过 程较为复杂，实际应用的操作难度较大。 3、三峡大学学报（自然科学版）公开的一种基于CPFR的订单预测方法研宄，该 文献提出将时间序列和多元回归分析相结合的方法对企业订单进行预测分析，并采用实际 数据根据设计方法进行模拟仿真，仿真结果表明预测效果要优于传统单一时间序列预测方 法。 缺点：预测准确性依然不高，多元回归选取哪些指标需要仔细斟酌；且该方法多 用于制造业的订单预测，在电子商务订单的预测中能否应用尚未得到验证。 从上述文献看出，如何减少计算量、提高预测准确度依旧是现有技术中预测订单 量的难题。
技术实现思路
本专利技术解决的技术问题是如何减少计算量、提高预测准确度，提供一种计算量少、 预测准确度高且可操作性强的订单预测方法及系统。 本专利技术是通过下述技术方案解决上述技术问题的： 本专利技术提供一种订单预测方法，其特点是，包括： S1、采集历史订单量； S2、将历史订单量按天粒度进行汇总； S3、将日期进行分类并将属于同一类型的历史日期与预测日期相匹配； S4、从与预测日期相匹配的历史日期中选取一增长基数日期，并获取所述增长基 数日期的订单量和预测增长率，所述预测增长率依所述预测日期的类型而定； S5、计算预测日期的日订单量预测值，日订单量预测值=增长基数日期的订单 量X (1+预测增长率）。 本技术方案通过选取匹配的增长基数日期，使得计算预测日期的日订单量时不需 要太多的数据，简化了计算过程，同时还保证了预测的准确性。 较佳地，所述订单预测方法还包括： T1、将历史订单量按分粒度进行汇总； T2、从历史日期中选取多个与预测日期相匹配的基础日期，并设定每一基础日期 的权重； T3、将每一基础日期的每分钟订单量值的数据标准化，分别得到每一基础日期的 季节指数； T4、分别对每一基础日期的季节指数做平滑处理； T5、根据设定的权重，依次经加权平均和单位化后得到预测日期的每分钟的预测 季节指数； T6、计算预测日期的每分钟订单量预测值，每分钟订单量预测值=预测日期的日 订单量预测值X每分钟的季节指数预测值。 本技术方案在计算出日订单量预测值的基础上，进一步计算出了每分钟订单量预 测值，使得预测的时间粒度更细，精度更高。 较佳地，所述订单预测方法还包括在1~3与T4之间执行以下步骤： 将每一基础日期的标准化数据按照所处时间段以一指定时间间隔分组，将每组内 处于组中所有数据均值±2X平均绝对离差的范围之外的数据替换为组中所有数据均值 ±2X平均绝对离差的范围内的非负随机数据。 本技术方案能够进一步保证计算的准确性。 较佳地，T3还包括： 查询异常事件记录表，判断该些基础日期中是否发生异常事件，若发生，计算发生 异常事件的基础日期在发生异常事件的时间段内的每分钟订单量预测值，并将发生异常事 件的基础日期在发生异常事件的时间段内的每分钟订单量替换为计算出的发生异常事件 的基础日期在发生异常事件的时间段内的每分钟订单量预测值。 本技术方案考虑到现实中可能存在历史订单量不准确的情况，所以对这一部分的 数据进行了修正，本技术方案中"计算发生异常事件的基础日期在发生异常事件的时间段 内的每分钟订单量预测值"的过程可以参考本专利技术的预测订单方法中计算每分钟订单量预 测值的过程。 较佳地，S4还包括：判断所述增长基数日期全天的数据是否齐全，若齐全，计算预 测日期的日订单量预测值，若不齐全，对所述增长基数日期的订单量进行修正或重新选取 增长基数日期。 本技术方案能够保证了预测日期的日订单量预测值的正确计算，同时也提高了计 算的准确性。 本专利技术还提供一种订单预测系统，其特点是，包括：一采集模块、一第一汇总模块、 一分类模块、一第一选取模块和一第一计算模块； 所述采集模块用于采集历史订单量； 所述第一汇总模块用于将历史订单量按天粒度进行汇总； 所述分类模块用于将日期进行分类并将属于同一类型的历史日期与预测日期相 匹配； 所述第一选取模块用于从与预测日期相匹配的历史日期中选取一增长基数日期， 并获取所述增长基数日期的订单量和预测增长率，所述预测增长率依所述预测日期的类型 而定； 所述第一计算模块用于计算预测日期的日订单量预测值，日订单量预测值=增长 基数日期的订单量X (1+预测增长率）。 较佳地，还包括：一第二汇总模块、一第二选取模块、一标准化模块、一平滑处理模 块、一预测季节指数模块和一第二计算模块； 所述第二汇总模块用于将历史订单量按分粒度进行汇总； 所述第二选取模块用于从历史日期中选取多个与预测日期相匹配的基础日期，并 设定每一基础日期的权重； 所述标准化模块用于将每一基础日期的每分钟订单量值的数据标准化，分别得到 每一基础日期的季节指数； 所述平滑处理模块用于分别对每一基础日期的季节指数做平滑处理； 所述预测季节指数模块用于根据设定的权重，依次经加权平均和单位化后得到预 测日期的每分钟的预测季节指数； 所述第二计算模块用于计算预测日期的每分钟订单量预测值，每分钟订单量预测 值=预测日期的日订单量预测值X每分钟的季节指数预测值。 较佳地，所述订单预测系统还包括：一替换模块； 所述标准化模块还用于调用所述替换模块； 所述替换模块用于将每一基础日期的标准化数据按照所处时间段以一指定时间 间隔分组，将每组内处于组中所有数据均值±2X平均绝对离差的范围之外的数据替换为 组中所有数据均值±2X平均绝对离差的范围内的非负随机数据。 较佳地，所述标准化模块还用于查询异常事件记录表，判断该些基础日期中是否 发生异常事件，若发生，计算发生异常事件的基础日期在发生异常事件的时间段内的每分 钟订单量预测值，并将发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单 量替换为计算出的发生异常事件的基础日期在发生异常事件的时间段内的每分钟订单量 预测值，然后调用所述平滑处理模块。 较佳地，所述第一计算模块还用于判断所述增长基数日期全天的数据是否齐全， 若齐全，计算预测日期的日订单量预测值，若不齐全，对所述增长本文档来自技高网...

【技术保护点】
一种订单预测方法，其特征在于，包括：S1、采集历史订单量；S2、将历史订单量按天粒度进行汇总；S3、将日期进行分类并将属于同一类型的历史日期与预测日期相匹配；S4、从与预测日期相匹配的历史日期中选取一增长基数日期，并获取所述增长基数日期的订单量和预测增长率，所述预测增长率依所述预测日期的类型而定；S5、计算预测日期的日订单量预测值，日订单量预测值＝增长基数日期的订单量×(1+预测增长率)。

【技术特征摘要】

【专利技术属性】
技术研发人员：周海燕，郑锦超，
申请(专利权)人：携程计算机技术上海有限公司，
类型：发明
国别省市：上海;31