一种需求预测方法、系统及存储介质技术方案

本发明专利技术公开了一种需求预测方法、系统及存储介质，涉及机器学习的数据驱动决策技术领域，具体步骤为：提取产品属性特征和预测特征；根据所述产品属性特征，构建产品簇；对所述预测特征进行初步筛选，得到产品重要特征集；根据所述产品重要特征集结合所述产品簇进行二次筛选，构成二次筛选特征集；将所述二次筛选特征集输入机器学习模型中进行需求预测。在本发明专利技术中，将产品归为不同的产品簇，借助同一类别内其他产品的特征信息进行特征二次精选，可以在避免学习模型失效的基础上，有效地解决特征筛选失灵的问题，减少特征维数，从而提升高特征维度、小样本量需求预测效果，降低预测的误差成本。误差成本。误差成本。

【技术实现步骤摘要】
一种需求预测方法、系统及存储介质


[0001]本专利技术涉及机器学习的数据驱动决策
，更具体的说是涉及一种需求预测方法、系统及存储介质。

技术介绍

[0002]在大数据时代，公司的商务管理和决策发生了根本性的转变——由依赖于管理决策人员的直觉和经验变为尽可能基于数据和数据分析。大数据和机器学习、优化相结合，形成了数据驱动决策的基本内涵。借助大量的、高维的数据，对产品的需求进行预测，是数据驱动决策的重要方向，也是新零售等商业模式变革下产品运营和供应链管理的重要课题。
[0003]传统的需求预测，更多地考虑成本对称的情形，即过多预测成本与过少预测成本相等。然而，现实中这两个成本往往是不相等的(非对称)。另外，现实场景下，大量的需求预测任务存在高特征维度、小样本量的情形。如何在高特征维度、小样本量的情境下，基于机器学习进行成本非对称的需求预测，是当前大数据背景下数据驱动决策面临的重大挑战。
[0004]针对高特征维度、小样本量的学习任务，现有的方法多考虑对称成本，主要包括三大体系：(1)增加数据集样本量(比如聚类)，其核心思想是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相似产品特征信息的需求预测方法，其特征在于，具体步骤包括如下：提取产品属性特征和预测特征；根据所述产品属性特征，构建产品簇；对所述预测特征进行初步筛选，得到产品重要特征集；根据所述产品重要特征集结合所述产品簇进行二次筛选，构成二次筛选特征集；将所述二次筛选特征集输入机器学习模型中进行需求预测。2.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，所述产品属性特征包括产地、品牌、材质、工艺、规格、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度、相对价格水平、市场表现特征。3.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，所述产品簇通过聚类方法构建，所述聚类方法包括划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。4.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，还包括计算产品预测特征的不重要程度，具体为，对产品i，计算i所属的簇内其他产品k与i之间的相似度，根据所述相似度计算其他产品k的权重值计算出产品i第s个特征的不重要程度，计算公式为：其中，5.根据权利要求4所述的一种基于相似产品特征信息的需求预测方法，其特征在于，所述相似度采用闵可夫斯基距离、余弦相似度、皮尔森相关系数中的其中一种方法进行计算。6.根据权利要求1所述的一种基于相似产品特征信息的需求预测方法，其特征在于，还包括对机器学习模型计算损失函数，计算公式为：其中，i表示第i个产品，j表示第j个样本...

【专利技术属性】
技术研发人员：周伟华，周云，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：