基于XGBOOST的分位数预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种基于XGBOOST的分位数预测方法、装置、计算机设备和存储介质，通过获取待预测分位数据；将待预测分位数据输入预设XGBOOST分位数预测模型，获取分位数预测结果；预设XGBOOST分位数预测模型由以下方式训练得到：获取预设分位范围以及初始XGBOOST模型；根据预设分位范围修改初始XGBOOST模型的损失函数；基于带分位数标记的预设模型训练数据对修改损失函数后的初始XGBOOST模型进行训练，获取预设XGBOOST分位数预测模型。本申请基于预设的分位范围对初始XGBOOST模型的损失函数进行修改，让XGBOOST模型可以满足分位数预测的要求，基于XGBOOST模型获取分位数，从而对输入数据的波动进行预测。数据的波动进行预测。数据的波动进行预测。

【技术实现步骤摘要】
基于XGBOOST的分位数预测方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种基于XGBOOST的分位数预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着计算机技术与人工智能技术的快速发展，需求预测的技术也在不断更新换代。需求预测，即对未来市场需求的预估。通过预测未来某一时段内客户对于产品的需求，企业可以提前购买原材料、安排生产活动，以应对客户的需求变化。因此，预测的准确性，直接影响了企业的生产计划、库存水平和客户满意度。而分位数预测是需求预测中的一种预测方法，具体是指按照百分位数进行预测的方法。器通过有目的地引入偏差来修正高于和低于预测的几率。从而掌握预测结果的波动范围。
[0003]目前可以通过基于XGBOOST的预测模型来进行需求预测，比如可以用XGBOOST进行销量预测，输入某个商品6月份的销量，我们可以根据这个数据来预测7月份的销量。但是预测模型给出的是每天的预测值，无法通过这个预测值了解波动情况如何，预测值的波动范围是多大，即无法通过XGBOOST模型进行分位数预测。...

【技术保护点】

【技术特征摘要】
1.一种基于XGBOOST的分位数预测方法，所述方法包括：获取待预测分位数据；将所述待预测分位数据输入预设XGBOOST分位数预测模型，获取分位数预测结果；所述预设XGBOOST分位数预测模型由以下方式训练得到：获取预设分位范围以及初始XGBOOST模型；根据所述预设分位范围修改所述初始XGBOOST模型的损失函数；基于带分位数标记的预设模型训练数据对修改损失函数后的初始XGBOOST模型进行训练，获取预设XGBOOST分位数预测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述预设分位范围修改所述初始XGBOOST模型的损失函数包括：确定所述预设分位范围对应的分位数；对于在所述损失函数对应的预测函数上方的样本点，根据所述分位数对应第一权重修改所述初始XGBOOST模型的损失函数，对于在所述损失函数对应的预测函数下方的样本点，根据所述分位数对应第二权重修改所述初始XGBOOST模型的损失函数。3.根据权利要求2所述的方法，其特征在于，所述根据所述分位数对应第一权重修改所述初始XGBOOST模型的损失函数包括：根据所述分位数对应的第一权重将所述初始XGBOOST模型的损失函数修改为多阶式函数。4.根据权利要求1所述的方法，其特征在于，所述基于预设模型训练数据对修改损失函数后的初始XGBOOST模型进行训练，获取预设XGBOOST分位数预测模型之前，还包括：获取分位数预测对应的历史样本数据；根据所述历史样本数据对应的预测结果数据计算所述历史样本数据对应的分位数数据；根据所述历史样本数据对应的预测结果数据以及分位数数据对所述历史样本数据进行标注，获取带分位数标记的预设模型训练数据。5.根据权利要求1所述的方法，其特征在于，所述基于预设模型训练数据对修改损失函数后的初始XGBOOST模型进行训练，获取预设XGBOOST分位数预测模型包括：将带分位数标记的预设模型训练数据输入到修改损失函数后的初始XGBOOST模型；获取所述修改损失函数后的初始XGBOOST模型的分位数预测结果；根据所述预设模型训练数据对应的分位数标记数据以及所述分位数预测结果对所述初始XGBOOST模型的目标函数进行修改，获取预设XGBOOST分位数预测模型。6.根据权利要求5...

【专利技术属性】
技术研发人员：刘星宇，杜堃，戴妍妍，幺忠玮，石颖，金晶，
申请(专利权)人：上海顺如丰来技术有限公司，
类型：发明
国别省市：