【技术实现步骤摘要】
一种商品库存数量的预测方法及装置
本专利技术涉及数据分析
,尤其是涉及一种商品库存数量的预测方法及装置。
技术介绍
商品库存量的预测方法是市场预测分析与商品生产销售决策的基础,是市场预测领域中的一个重要问题,在商品生产、销售等很多方面起着关键作用。现有的基于随机多尺度核函数的库存量预测方法中,核的选取全凭经验,所产生的预测模型时好时坏,精确度不高,或者泛化性能不强;另外,在选取了核(基函数)之后,对于多核的一些算法,没有一种自动化的方法可以去优化这些核函数的组合,甚至人为的去设置一种核函数的组合并进行优化,这种计算方法太复杂或优化成本太高,而且有时候,即使得到了一种优化的组合,该模型的泛化性能也不强。
技术实现思路
有鉴于此,本专利技术的目的在于提供一种商品库存数量的预测方法及装置,能够通过训练样本数据在随机多尺度核学习框架中的训练,及交叉验证算法,得到最优模型参数,进一步确定出基于随机多尺度核函数的库存量预测模型,利用该模型对商品库存量进行预测,提高商品库存量预测结果的精确度和可信度,帮助商家自动化很多供应链过程中的决策,更精确的需求预测,能够大大地优化运营成本,降低收货时效,提升整个社会的供应链物流效率。第一方面,本专利技术实施例提供了一种商品库存数量的预测方法,包括:获取商品库存量预测的目标样本数据;目标样本数据包括:第一参数和第二参数所对应的数据;将第一参数作为输入参数;其中第一参数包括:商品属性参数、商品所处环境参数;将第二参数作为输出参数;其中第二参数包括:商品库存量;目标样本数据包括:训练样本数据和验证样本数据;将训练样本数据输入到随机多尺 ...
【技术保护点】
1.一种商品库存数量的预测方法,其特征在于,包括:获取商品库存量预测的目标样本数据;所述目标样本数据包括:第一参数和第二参数所对应的数据;将所述第一参数作为输入参数;其中所述第一参数包括:商品属性参数、商品所处环境参数;将所述第二参数作为输出参数;其中所述第二参数包括:商品库存量;所述目标样本数据包括:训练样本数据和验证样本数据;将所述训练样本数据输入到随机多尺度核学习框架中进行训练,并通过交叉验证算法,得到最优模型参数;所述最优模型参数包括:最优参数对及其对应的核组合系数;将所述最优模型参数代入所述随机多尺度核函数中,得到基于随机多尺度核函数的库存量预测模型;将新的待预测输入参数数据输入所述基于随机多尺度核函数的库存量预测模型,计算所述库存量预测模型的输出结果,作为所述新的待预测输入参数数据对应的商品预测库存量。
【技术特征摘要】
1.一种商品库存数量的预测方法,其特征在于,包括:获取商品库存量预测的目标样本数据;所述目标样本数据包括:第一参数和第二参数所对应的数据;将所述第一参数作为输入参数;其中所述第一参数包括:商品属性参数、商品所处环境参数;将所述第二参数作为输出参数;其中所述第二参数包括:商品库存量;所述目标样本数据包括:训练样本数据和验证样本数据;将所述训练样本数据输入到随机多尺度核学习框架中进行训练,并通过交叉验证算法,得到最优模型参数;所述最优模型参数包括:最优参数对及其对应的核组合系数;将所述最优模型参数代入所述随机多尺度核函数中,得到基于随机多尺度核函数的库存量预测模型;将新的待预测输入参数数据输入所述基于随机多尺度核函数的库存量预测模型,计算所述库存量预测模型的输出结果,作为所述新的待预测输入参数数据对应的商品预测库存量。2.根据权利要求1所述的方法,其特征在于,所述随机多尺度核学习框架为:其中,为函数空间;K为高斯核函数:Kσ(xi,x)=exp{-||xi-x||2/σ};σi∈[0,Ω];λ为正则化参数,惩罚项为||ξ||1=|ξ1|+…+|ξm|,m为样本个数;{ξi}为核组合系数。3.根据权利要求2所述的方法,其特征在于,所述将所述训练样本数据输入到随机多尺度核学习框架中进行训练,并通过交叉验证算法,得到最优模型参数,具体包括:确定m*n组参数{(λj,Ωj):j=1,…,mn};将所述训练样本数据代入所述随机多尺度核学习框架中,计算每一组参数(λj,Ωj)对应的交叉误差;将m*n组参数中交叉误差最小的一组参数作为最优参数,记作{λ*,Ω*};将所述最优参数及其对应的核组合系数{ξi*}作为最优模型参数。4.根据权利要求3所述的方法,其特征在于,所述将所述训练样本数据代入所述随机多尺度核学习框架中,计算每一组参数(λj,Ωj)对应的交叉误差,具体包括:对于每一组参数(λj,Ωj),将所述训练样本数据随机等分为十份数据;分别利用公式(1)计算其中任意九份数据的核组合系数{ξi};利用九个核组合系数得到的公式(1)在剩下的一份数据上计算均方误差,得到十个均方误差;将所述十个均方误差求和,得到所述每一组参数(λj,Ωj)对应的交叉误差。5.根据权利要求1所述的方法,其特征在于,在所述将所述训练样本数据输入到随机多尺度核学习框架中进行训练,并通过交叉验证算法,得到最优模型参数之前,还包括:对所述目标样本数据进行预处理,具体包括:针对所述目标样本数据中存在缺失数据的情况,采用均值替换规则进行处理或者对缺失数据进行删除处理;针对所述目标样本数据中存在高维数据的情况,进行特征提取降维处理。6.根据权利要求5所述的方法,其特征在于,所述...
【专利技术属性】
技术研发人员:王碧波,董雪梅,
申请(专利权)人:杭州汇数智通科技有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。