一种数据生成方法和装置制造方法及图纸

本申请公开了一种数据生成方法和装置，其中方法包括：接收客户端发送的目标物品的预测需求量数据查询请求；获取所述目标物品的历史需求量数据；根据所述历史需求量数据，确定所述目标物品的特征属性值，根据所述特征属性值，确定所述目标物品的特征类别；将所述历史需求量数据，输入至预先训练的、与所述特征类别相匹配的需求量预测模型，生成所述目标物品的预测需求量数据并发送至所述客户端。采用本发明专利技术可以提高数据生成的准确度，并且能够降低方案实施的维护开销、提高维护效率。提高维护效率。提高维护效率。

【技术实现步骤摘要】
一种数据生成方法和装置


[0001]本申请涉及计算机
，特别涉及一种数据生成方法和装置。

技术介绍

[0002]目前，在仓储物流领域，预测是供应链后续决策的基础，特别是货品需求量数据(如销量数据)的预测，该预测结果的准确性，会直接影响后续补货调拨和采购方案的准确实施。因此，当货品需求量的预测准确性低时，容易发生货品缺货的情况，该情况的发生将会导致用户所订购的物品无法被及时送达，从而会降低用户购买物品的效率。
[0003]目前，货品需求量数据的预测以具体货品为预测对象，在消费者需求日益多元化的影响下，逐渐呈现出“大库存单元(SKU)”的发展趋势，具体体现为更多、更复杂的产品品类、越来越短的产品生命周期等，这也进一步增加了货品需求量数据预测的任务量和难度。
[0004]目前的预测方法主要分为时间序列和以机器学习算法两种。时间序列预测方法大多利用统计学的思想，对时间排列的系列数据进行分析，通过建立适当的数学模型拟合历史时间趋势曲线，来预测未来需求量，常见模型包括移动平均法、指数平滑法、arima模型等。机器学习算法则根据具体的应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据生成方法，其特征在于，包括：接收客户端发送的目标物品的预测需求量数据查询请求；获取所述目标物品的历史需求量数据；根据所述历史需求量数据，确定所述目标物品的特征属性值，根据所述特征属性值，确定所述目标物品的特征类别；将所述历史需求量数据，输入至预先训练的、与所述特征类别相匹配的需求量预测模型，生成所述目标物品的预测需求量数据并发送至所述客户端。2.如权利要求1所述的方法，其特征在于：所述特征属性值包括季节性强度属性值、平均需求间隔属性值和非零需求变异系数属性值。3.如权利要求2所述的方法，其特征在于：根据所述历史需求量数据，确定所述目标物品的季节性强度属性值包括：当所述目标物品的历史需求量数据对应的时间长度大于预设的第一时长阈值时，设置季节性周期候选集合包括预设数量n个候选周期；当所述目标物品的历史需求量数据对应的时间长度大于等于预设的第二时长阈值且小于所述第一时长阈值时，设置季节性周期候选集合包括预设数量m个候选周期；1≤m＜n；对于所述季节性周期候选集合中的每个候选周期，利用所述历史需求量数据，以该候选周期作为季节性强度计算周期，计算对应的季节性强度值；从所有所述候选周期对应的季节性强度值中，选择出最大值作为所述目标物品的季节性强度属性值。4.如权利要求2所述的方法，其特征在于：根据所述特征属性值，确定所述目标物品的特征类别包括：x1、如果所述目标物品的历史需求量数据对应的时间长度小于预设的第二时长阈值，则将新品标签加入所述类别标签集合中，执行步骤x7；否则，执行步骤x2；x2、如果所述目标物品的平均需求间隔属性值为1，则将连续性标签加入类别标签集合中，执行步骤x3；否则，将间断性标签加入所述类别标签集合中，执行步骤x5；x3、如果所述目标物品的季节性强度属性值大于预设的连续强季节阈值S1，则将强季节性标签加入所述类别标签集合中，执行步骤x7；如果所述目标物品的季节性强度属性值大于预设的连续弱季节阈值S2且小于等于所述连续强季节阈值S1，则将弱季节性标签加入所述类别标签集合中，执行步骤x7；S2＜S1，0≤S1≤1；0≤S2≤1；如果所述目标物品的季节性强度属性值小于等于所述连续弱季节阈值S2，则将无季节性标签加入所述类别标签集合中，执行步骤x4；x4、如果所述目标物品的非零需求变异系数属性值小于预设的连续非零需求变异系数阈值C1，则将稳定标签加入所述类别标签集合中，执行步骤x7；否则，将波动标签加入所述类别标签集合中，执行步骤x7；x5、如果所述目标物品的季节性强度属性值大于预设的间断强季节阈值S3，则将强季节性标签加入所述类别标签集合中，执行步骤x7；如果所述目标物品的季节性强度属性值大于预设的间断弱季节阈值S4且小于等于所述间断强季节阈值S3，则将弱季节性标签加入所述类别标签集合中，执行步骤x7；S4＜S3，0
≤S3≤1；0≤S4≤1；如果所述目标物品的季节性强度属性值小于等于所述间断弱季节阈值S4，则将无季节性标签加入所述类别标签集合中，执行步骤x6；x6、如果所述目标物品的非零需求变异系数属性值小于等于预设的间断非零需求变异系数阈值C2，且所述目标物品的平均需求间隔属性值小于等于预设的平均需求间隔阈值C3，则将高频稳定标签加入所述类别标签集合中；如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2，且所述目标物品的平均需求间隔属性值小于等于所述平均需求间隔阈值C3，则将高频波动标签加入所述类别标签集合中；如果所述目标物品的非零需求变异系数属性值小于等于所述间断非零需求变异系数阈值C2，且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3，则将低频稳定标签加入所述类别标签集合中；如果所述目标物品的非零需求变异系数属性值大于所述间断非零需求变异系数阈值C2，且所述目标物品的平均需求间隔属性值大于所述平均需求间隔阈值C3，则将低频波动标签加入所述类别标签集合中；x7、将所述类别标签集合，确定为所述目标物品所属的特征类别的集合。5.如权利要求4所述的方法，其特征在于：当所述特征类别的集合中包括强季节性标签或弱季节性标签时，所述相匹配的需求量预测模型由snaive模型、三阶指数平滑模型和sarima模型的任一模型组合训练得到；当所述特征类别的集合中包括连续性标签、无季节性标签和稳定标签时，所述相匹配的需求量预测模型由naive模型、移动平均模型和一阶指数平滑模型的任一模型组合训练得到；当所述特征类别的集合中包括连续性标签、无季节性标签和波动标签时，所述相匹配的需求量预测模型由移动平均模型和ETS模型的任一模型组合训练得到；当所述特征类别的集合中包括间断性标签、无季节性标签和高频稳定标签时，所述相匹配的需求量预测模型由基于预设的第一参数集合设置的croston模型训练得到；当所述特征类别的集合中包括间断性标签、无季节性标签和高频波动标签时，所述相匹配的需求量...

【专利技术属性】
技术研发人员：张杭，
申请(专利权)人：北京京东振世信息技术有限公司，
类型：发明
国别省市：