【技术实现步骤摘要】
本公开涉及数据应用模型，尤其涉及一种基于sop数据优化的销量预测模型进行销量预测的方法、系统和电子设备。
技术介绍
1、使用树模型对未来销量进行预测的时候，模型通常采用的是已经发生的历史销量数据，通过构建历史销量特征，来让模型尽可能多的学习到历史销量的走势，来预测出未来的销量走势。所以在构建模型特征的时候，算法人员会尽可能去挖掘出对应的数据相关的规律，比如对应sku的销量是否存在周期性，如果存在周期性的话，会构建对应周期性特征，如果存在明显的季节性，比如护手霜冬天卖的比较好，夏天卖的比较差，就会去构建相应的季节标识特征等等。
2、在实际业务运作当中，销售量通常会被人为干预，比如sku存在促销活动、年末控销量，不能买太多、销售节奏控制，一个月销量大，一个月销量小等。这种强人为干预的行为，会导致整体销量呈现大幅度的上涨或者下跌的情况，甚至部分的sku销量已经不满足历史的销量规律了。因此这些因素叠加在一起，仅仅依靠数据本身的特性，已经无法满足预测精度要求，最终会导致预测精度的下降。
3、为了解决人为因素干预导致的模型预测不准，本专利引入了基于sop数据优化的销量预测模型，旨在利用销量预测模型，提高模型对未来销量的预测精度，从而更好的将模型预测数据应用在实际的生产业务中。
技术实现思路
1、为了解决上述问题，本申请提出一种基于sop数据优化的销量预测模型进行销量预测的方法、系统和电子设备。
2、本申请一方面，提出一种基于sop数据优化的销量预测模型进行销
3、构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α；
4、导入历史数据至所述销量预测模型，开始预测，并输出相应的模型预测值：predict；
5、判断所述模型预测值：predict与预设的sop数据之间的差值是否小于5％：
6、若是，则输出所述模型预测值：predict；
7、若否，则调节所述分位数α，当满足差值小于5％，输出此时的所述模型预测值：predict。
8、作为本申请的一可选实施方案，可选地，构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α，包括：
9、获取历史销量数据；
10、对所述历史销量数据进行预处理：数据清理、删除或者修复错误数据；
11、根据所述历史销量数据，构建模型特征，并基于树模型学习所述模型特征，进行模型训练，生成树模型；
12、引入sop数据，将所述sop数据融入所述树模型，包括：
13、根据所述sop数据，计算得到相应的所述销量预测值：
14、计算真实销量和所述sop数据之间的销量：
15、
16、设置所述树模型的惩罚项损失函数quantile loss：
17、
18、其中，α表示分位数，取值范围在(0,1)之间，yi表示真实销量，表示根据所述sop数据计算得到的销量预测值，表示error误差；
19、初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α：
20、α＝0.5。
21、作为本申请的一可选实施方案，可选地，根据所述历史销量数据，构建模型特征，并基于树模型学习所述模型特征，进行模型训练，生成树模型，包括：
22、提取所述历史销量数据的数据特征，并按照预设比列，将所述数据特征划分为预测数据(a)、训练数据(b)和验证数据(c)，其中：
23、(a)：(b)：(c)＝3:6:1；
24、以所述训练数据(b)作为所述树模型的输入，进行模型训练，生成相应的所述树模型；
25、将所述验证数据(c)，导入所述树模型，由所述树模型输出相应的模型验证值；
26、将所述预测数据(a)与所述模型验证值进行比对，并基于比对结果对所述比列进行调节，再次对所述树模型进行迭代优化训练；
27、当满足预设条件，停止训练，生成所述树模型。
28、作为本申请的一可选实施方案，可选地，判断所述模型预测值：predict与预设的sop数据之间的差值是否小于5％，包括：
29、计算predict和sop数据的差比：
30、sum(predict)/sop，
31、其中，sop为根据所述sop数据确定的sop总量；
32、判断比值：sum(predict)/sop是否满足：
33、0.95＜sum(predict)/sop＜1.05。
34、作为本申请的一可选实施方案，可选地，若否，则调节所述分位数α，其中α初始值为0.5，包括：
35、若sum(predict)/sop满足：
36、sum(predict)/sop≥1.05，
37、则预测偏大，需要偏小预测，按照0.1为步长调小α，控制：
38、0.5＞α＞0；
39、若sum(predict)/sop满足：
40、sum(predict)/sop≤0.95，
41、则预测偏小，需要偏大预测，按照0.1为步长调大α，控制：
42、0.5＜α＜1。
43、作为本申请的一可选实施方案，可选地，当调节所述分位数α之后，还包括：
44、根据所调节的所述分位数α，重新配置所述销量预测模型的惩罚项损失函数quantile loss；
45、将设置好的惩罚项损失函数quantile loss，配置到所述销量预测模型；
46、重新导入所述历史数据至所述销量预测模型，开始预测，并输出相应的模型预测值：predict；
47、判断所述模型预测值：predict与预设的所述sop数据之间的差值是否小于5％：
48、若是，则输出所述模型预测值：predict；
49、若否，则调节所述分位数α，当满足差值小于5％，输出此时的所述模型预测值：predict，直到所述predict达到预设的所述sop数据。
50、本申请另一方面，提出一种实现所述基于sop数据优化的销量预测模型进行销量预测的方法的系统，包括：
51、模型构建模块，用于构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α；
52、模型导入模块，用于导入历史数据至所述销量预测模型，开始预测，并输出相应的模型预测值：predict；
53、模型预测模块，用于判断所述模型预测值：predict与预设的sop数据之间的差值是否小于5％：
54、若是，则输出所述模型预测值：predict；
本文档来自技高网...【技术保护点】
1.一种基于SOP数据优化的销量预测模型进行销量预测的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于SOP数据优化的销量预测模型进行销量预测的方法，其特征在于，构建基于SOP数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α，包括：
3.根据权利要求2所述的一种基于SOP数据优化的销量预测模型进行销量预测的方法，其特征在于，根据所述历史销量数据，构建模型特征，并基于树模型学习所述模型特征，进行模型训练，生成树模型，包括：
4.根据权利要求1所述的一种基于SOP数据优化的销量预测模型进行销量预测的方法，其特征在于，判断所述模型预测值：predict与预设的SOP数据之间的差值是否小于5％，包括：
5.根据权利要求1所述的一种基于SOP数据优化的销量预测模型进行销量预测的方法，其特征在于，若否，则调节所述分位数α，其中α初始值为0.5，包括：
6.根据权利要求5所述的一种基于SOP数据优化的销量预测模型进行销量预测的方法，其特征在于，当调节所述分位数α之后
7.一种实现权利要求1-6中任一项所述基于SOP数据优化的销量预测模型进行销量预测的方法的系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于sop数据优化的销量预测模型进行销量预测的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于sop数据优化的销量预测模型进行销量预测的方法，其特征在于，构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α，包括：
3.根据权利要求2所述的一种基于sop数据优化的销量预测模型进行销量预测的方法，其特征在于，根据所述历史销量数据，构建模型特征，并基于树模型学习所述模型特征，进行模型训练，生成树模型，包括：
4.根据权利要求1所述的一种基于sop数据优化的销量预测模型...
【专利技术属性】
技术研发人员：谢志翔，杨彦卿，郑佳，张羽，
申请(专利权)人：杭州观远数据有限公司，
类型：发明
国别省市：
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。