System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。