一种商品库存数量的预测方法及装置制造方法及图纸

本发明专利技术提供一种商品库存数量的预测方法及装置，涉及数据分析技术领域，获取商品库存量预测的目标样本数据；目标样本数据包括：训练样本数据；然后将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；将最优模型参数代入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基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。本发明专利技术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，确定出基于随机多尺度核函数的库存量预测模型，提高商品库存量预测结果的精确度和可信度。

【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；最优模型参数包括：最优参数对及其对应的核组合系数；将最优模型参数代入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基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，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。结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，将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}；将训练样本数据代入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*}；将最优参数及其对应的核组合系数{ξi*}作为最优模型参数。结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，将训练样本数据代入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；将十个均方误差求和，得到每一组参数(λj,Ωj)对应的交叉误差。结合第一方面，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，在将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：对目标样本数据进行预处理，具体包括：针对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。结合第一方面，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，进行特征提取降维处理，具体包括：采用线性特征提取算法，对目标样本数据中的数据特征进行稀疏降维，具体包括：设有线性关系：t＝βTx+ε，通过以下公式进行优化：其中T＝[t1,…,tN]T,X＝[x1,…,xN]T；选择合适的正则化参数λ以将输入数据x从d维降至r(<d)维；其中X是N个样本数据的输入数据构成的N×d矩阵；T为输出数据构成的N×1矩阵；或者，采用梯度学习算法，通过梯度分量的范数大小对原始数据的特征进行筛选，具体包括：设有非线性关系：t＝f(x)+ε，通过以下公式进行优化：得到梯度函数，利用梯度函数的分量的范数值大小选择前r个重要变量。结合第一方面，本专利技术实施例提供了第一方面的第六种可能的实施方式，其中，在将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之后，还包括：将验证样本数据代入基于随机多尺度核函数的库存量预测模型，对基于随机多尺度核函数的库存量预测模型的精确性进行验证。结合第一方面，本专利技术实施例提供了第一方面的第七种可能的实施方式，其中，商品包括：房屋；商品属性参数包括：房屋户型、房屋面积、房屋地理位置；商品所处环境参数包括：房屋周边空气质量、房屋周边设施类型；商品库存量包括：房屋库存量。第二方面，本专利技术实施例提供一种商品库存数量的预测装置，包括：数据获取模块，用于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；模型参数确定模块，用于将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；最优模型参数包括：最优参数对及其对应的核组合系数；模型确定模块，用于将最优模型参数代入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；库存量预测模块，用于将新的待预测输入参数数据输入基于随机多尺度核函数的库存量预测模型，计算库存量预测模型的输出结果，作为新的待预测输入参数数据对应的商品预测库存量。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，还包括：数据预处理模块，用于对目标样本数据进行预处理，具体包括：针对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。第三方面，本专利技术实施例提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行第一方面所述的方法。本专利技术实施例带来了以下有益效果：在本专利技术实施例提供的商品库存数量的预测方法中，首先获取商品库存量预测的目标样本数据；其中，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；然后将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；最优模型参数包括本文档来自技高网...

【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