一种家电需求预测方法、装置、计算机设备和储存介质制造方法及图纸

本发明专利技术提供了一种家电需求预测方法、装置、计算机设备和储存介质。该方法包括：获取家电数据；构建集成学习模型，将家电数据输入到集成学习模型中，集成学习模型中第一层的长短期时序神经网络、随机森林、极端梯度提升分别对家电数据进行预测，获得三种预测值；将三种预测值整合后输入到Blending集成学习模型第二层的多元线性回归模型，输出家电需求预测结果。本发明专利技术构建的基模型中，长短期记忆网络模型能够捕捉家电数据中的时序关系，随机森林和能够处理家电数据中的非线性关系和复杂特征，将这三个基模型进行结合能够更全面地捕捉家电数据的各种特征，使用多元线性回归整合这三个基模型的预测输出，使得模型对家电需求的预测更加精准。

【技术实现步骤摘要】

本专利技术涉及数据处理，特别涉及一种家电需求预测方法、装置、计算机设备和储存介质。

技术介绍

1、随着社会经济和科学技术的快速发展，竞争日益激烈。在企业中越来越激烈，产品不断更新和迭代，为了满足消费者的需求，准确的需求预测变得尤为重要。准确预测市场需求，不仅有助于企业更好地制定产品战略，提高产品的市场份额和销售份额，还有助于企业优化供应链管理，提高效率，提高企业竞争力目前，需求预测技术主要应用于零售业、后勤、资金、医疗保健，用于家庭家电企业进行需求预测，对于它们保持在市场竞争中的领先地位、优化生产、提高供应链效率、降低业务风险非常重要。

2、现有方法中，shakti goel和rahul bajpai考虑了迟滞现象来提高预测精度，hosseinabbasimehr等人设计了多层模型，并使用网格搜索方法自动选择最佳预测模型，以捕获非线性时间序列数据等，张卓敏等人增强了模型的可解释性。此外，为了满足不同特征要素和不同时期的预测目标，例如，黄迪、王科等人提高了短期需求预测的精度，florianhaselbeck等人结合在预测中考虑的季节性，以及sub本文档来自技高网...

【技术保护点】

1.一种家电需求预测方法，其特征在于，包括:

2.根据权利要求1所述的家电需求预测方法，其特征在于，所述Blending集成学习模型，包括第一层的基模型和第二层的元模型；

3.根据权利要求2所述的家电需求预测方法，其特征在于，所述Blending集成学习模型的训练过程包括第一阶段基模型的训练和第二阶段元模型的训练；

4.根据权利要求3所述的家电需求预测方法，其特征在于，所述长短期时序神经网络LSTM的训练步骤包括：

5.根据权利要求3所述的家电需求预测方法，其特征在于，所述随机森林模型RF的训练过程包括：

6.根据权利要求5所述...

【技术特征摘要】

1.一种家电需求预测方法，其特征在于，包括:

2.根据权利要求1所述的家电需求预测方法，其特征在于，所述blending集成学习模型，包括第一层的基模型和第二层的元模型；

3.根据权利要求2所述的家电需求预测方法，其特征在于，所述blending集成学习模型的训练过程包括第一阶段基模型的训练和第二阶段元模型的训练；

4.根据权利要求3所述的家电需求预测方法，其特征在于，所述长短期时序神经网络lstm的训练步骤包括：

5.根据权利要求3所述的家电需求预测方法，其特征在于，所述随机森林模型rf的训练过程包括：

6.根据权利...

【专利技术属性】
技术研发人员：段刚龙，董嘉怡，薛宏全，张二虎，杨鑫军，张少阳，严顺飞，王延爽，张甲树，刘芳汀，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：