【技术实现步骤摘要】
一种新产品需求预测的方法
本专利技术涉及机器学习和供应链管理的交叉领域,尤其是涉及对消费者需求进行模式学习和预测的方法。
技术介绍
互联网、移动营销、新零售的发展，对商家的需求感知、产品规划和供应链响应速度都提出了更高的要求。在新产品的规划领域，准确地预估未来的需求量以及需求变动趋势，将极大地缩短供应链的响应时间，降低生产和库存成本。如何有效对新产品的未来需求进行预测，日渐成为在快节奏的商业模式变革下产品运营和管理的重要课题和难题。由于新产品没有任何历史数据，传统的时间序列和机器学习模型都不适用，开发一套有效、可行的预测方法，对于提升企业运营效率，降低运营成本具有重要意义。现有的新产品需求预测方法，主要包括两大体系：巴斯扩散模型和类比法。巴斯扩散模型的核心思想是在把新产品的采用者分为改革型(早期采用者)和模仿型(中后期跟进者)以及用户采用新品的时间取决于产品的创新程度和模仿型占比的条件下，新产品的销售取决于产品的创新程度p、模仿者的比例q以及价格和广告因素x(t)。因此，只需要估计相关的参数，就可以得到新产品的销售生...
【技术保护点】
1.一种新产品需求预测的方法，其特征在于：包括以下步骤：/n1)确定新产品的预测时间范围；/n2)对历史有售产品提取产品属性特征、预测模型训练所用的特征和需求量，对新产品提取属性特征和预测所需要的特征；/n3)计算历史有售产品的相关性向量：分别计算需求量和每个特征的相关性系数，然后由这些系数组成相关性向量；/n4)根据相关性向量对历史有售产品进行聚类；/n5)每个类分别选取训练集，训练模型；/n6)把属性特征向量和相关性向量合并，分别构造每一个类和每一个新品的归类向量；/n7)根据归类向量对新产品进行归类，利用这些类的模型，分别预测新产品对应日期的需求量，将各类对应模型的预...
【技术特征摘要】
1.一种新产品需求预测的方法，其特征在于：包括以下步骤：
1)确定新产品的预测时间范围；
2)对历史有售产品提取产品属性特征、预测模型训练所用的特征和需求量，对新产品提取属性特征和预测所需要的特征；
3)计算历史有售产品的相关性向量：分别计算需求量和每个特征的相关性系数，然后由这些系数组成相关性向量；
4)根据相关性向量对历史有售产品进行聚类；
5)每个类分别选取训练集，训练模型；
6)把属性特征向量和相关性向量合并，分别构造每一个类和每一个新品的归类向量；
7)根据归类向量对新产品进行归类，利用这些类的模型，分别预测新产品对应日期的需求量，将各类对应模型的预测结果组合得到最终结果；
8)每隔一段时间，重复上述步骤2)-步骤5)，直至新产品被判定为非新品：利用增加的数据重新对历史有售产品进行重新聚类和重新训练模型，再对新产品进行重新分类，用新的模型进行预测。
2.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤1)中所述预测时间范围包括未来1小时-2年。
3.根据权利要求1所述的新产品需求预测的方法，其特征在于：所述步骤2)中的所述需求量包括：实际销量、估计需求量，其中估计需求量是被截尾需求和实际销量的总和。
4.根据权利要求1所述的新产品需求预...
【专利技术属性】
技术研发人员：周伟华，周云，李泽宇，钱仲文，
申请(专利权)人：浙江大学，国网浙江省电力有限公司，
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。