【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及卷烟数量预测方法、装置、设备和存储介质。
技术介绍
1、对于卷烟工业企业而言，准确预测卷烟消费市场的需求量，既可以科学制定生产计划，高效组织生产，向市场按时交付卷烟成品，满足消费者需求，又可以减少卷烟存货积压，降低库存成本，避免过度采购材料物资造成资金占用，因此，准确预测卷烟消费市场的需求量，对于促进企业生产经营可持续健康发展具有至关重要的作用。
2、相关的卷烟数量预测的技术方案中，基于卷烟消费市场的历史需求量进行预测，但是，考虑到卷烟需求量属于受季节影响较大的时间序列数据，同时受诸多因素影响，是诸多复杂因素综合作用的最终结果，因此，卷烟数量预测准确度较低。
技术实现思路
1、本专利技术提供了一种卷烟数量预测方法、装置、设备和存储介质，以提高卷烟数量预测准确度。
2、根据本专利技术的一方面，提供了一种卷烟数量预测方法，该方法包括：
3、基于预先确定的x12季节调整模型，对包括预设周期对应的卷烟数量的待分解序列进行分解，得到待处理季节分量序列以及待处理非季节分量序列；其中，所述待处理非季节分量序列包括待处理不规则因素分量序列和待处理循环趋势分量序列；
4、基于预测模型对所述待处理循环趋势分量序列进行处理，得到与所述待处理循环趋势分量序列相对应的预测分量序列，其中，所述预测模型包括人工智能模型和arima模型；以及，
5、基于预先创建的分量序列与待使用分量序列之间的对应关系，确定与第二分量序列相
6、基于所有预测分量序列以及所述x12季节调整模型，确定预测卷烟数量。
7、进一步的，所述x12季节调整模型包括加法模型或乘法模型，
8、确定所述x12季节调整模型包括：
9、对所述待分解序列进行数据分析，得到所述待分解序列的季节波动程度；
10、确定所述季节波动程度与所述待分解序列之间的相关度，确定所述相关度是否超过预设相关度，
11、在所述相关度超过预设相关度的条件下，确定所述x12季节调整模型为乘法模型；或者，
12、在所述相关度为超过预设相关度的条件下，确定所述x12季节调整模型为加法模型。
13、进一步的，确定所述分量序列与待使用分量序列之间的对应关系，包括：
14、确定与所述待分解序列相对应的历史待分解序列，对所述历史待分解序列进行分解，得到包括历史季节分量序列以及历史不规则因素分量序列的历史分量序列；
15、基于所述历史季节分量序列，确定所述待处理季节分量序列；以及
16、基于所述历史不规则因素分量序列确定所述待处理不规则因素分量序列。
17、进一步的，所述基于所述历史季节分量序列，确定所述待处理季节分量序列包括：
18、对于所述待处理季节分量序列中处于所述预设周期的第一时刻相对应的季节分量数据，确定所述历史季节分量序列中处于历史周期中的第一时刻相对应的历史季节分量数据；
19、基于所述历史季节分量数据更新所述季节分量数据，以得到所述待处理季节分量序列。
20、进一步的，所述方法还包括：
21、基于hp滤波算法对所述待处理循环趋势分量序列进行分解，得到待处理循环分量序列和待处理趋势分量序列；
22、相对应的，所述基于预测模型对所述待处理循环趋势分量序列进行处理，得到与所述待处理循环趋势分量序列相对应的预测分量序列，包括
23、基于arima模型对所述待处理趋势分量序列进行处理，得到与所述待处理趋势分量序列相对应的预测分量序列；以及，
24、基于人工智能模型对所述待处理循环分量序列进行处理，得到与所述待处理循环分量序列相对应的预测分量序列。
25、进一步的，所述人工智能模型包括xgboost模型和lstm模型，所述方法还包括：
26、获取多个样本数据，其中，所述样本数据包括与历史卷烟数量相对应的样本序列以及相应预测时长内的实际卷烟数量相对应的实际序列，
27、基于所述x12季节调整模型，分别对所述样本序列和所述实际序列进行分解，得到与所述样本序列相对应的样本分量序列、以及与所述实际序列相对应的实际分量序列；其中，所述分量序列包括季节分量序列、不规则因素分量序列、循环分量序列和趋势分量序列；
28、基于所述样本分量序列，对所述arima模型、所述xgboost模型和lstm模型进行训练，得到与样本分量序列相对应的预测分量序列；
29、基于所述预测分量序列和所述实际分量序列，对所述arima模型、所述xgboost模型和lstm模型的模型参数进行修正。
30、进一步的，所述方法还包括：
31、分别确定所述xgboost模型和所述lstm模型的预测误差，以基于所述预测误差对所述xgboost模型和所述lstm模型进行筛选，得到人工智能模型。
32、根据本专利技术的另一方面，提供了一种卷烟数量预测装置，该装置包括：
33、季节调整模块，用于基于预先确定的x12季节调整模型，对包括预设周期对应的卷烟数量的待分解序列进行分解，得到待处理季节分量序列以及待处理非季节分量序列；其中，所述待处理非季节分量序列包括待处理不规则因素分量序列和待处理循环趋势分量序列；
34、第一预测模块，用于基于预测模型对所述待处理循环趋势分量序列进行处理，得到与所述待处理循环趋势分量序列相对应的预测分量序列，其中，所述预测模型包括人工智能模型和arima模型；以及，
35、第二预测模块，用于基于预先创建的分量序列与待使用分量序列之间的对应关系，确定与第二分量序列相对应的预测分量序列，其中，所述第二分量序列包括待处理季节分量序列和待处理不规则因素分量序列；
36、数量确定模块，用于基于所有预测分量序列以及所述x12季节调整模型，确定预测卷烟数量。
37、根据本专利技术的另一方面，提供了一种电子设备，该电子设备包括：
38、至少一个处理器；以及
39、与至少一个处理器通信连接的存储器；其中，
40、存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本专利技术任一实施例的卷烟数量预测方法。
41、根据本专利技术的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本专利技术任一实施例的卷烟数量预测方法。
42、本专利技术实施例的技术方案，基于预先确定的x12季节调整模型，对包括预设周期对应的卷烟数量的待分解序列进行分解，得到待处理季节分量序列以及待处理非季节分量序列；其中，所述待处理非季节分量序列包括待处理不规则因素分量序列和待处理循环趋势分量序列；基于预测模本文档来自技高网...
【技术保护点】
1.一种卷烟数量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述X12季节调整模型包括加法模型或乘法模型，
3.根据权利要求1所述的方法，其特征在于，确定所述分量序列与待使用分量序列之间的对应关系，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述历史季节分量序列，确定所述待处理季节分量序列包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1或5所述的方法，其特征在于，所述人工智能模型包括XGBoost模型和LSTM模型，
7.根据权利要求6所述的方法，所述方法还包括：
8.一种卷烟数量预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的卷烟数量预测方法。
【技术特征摘要】
1.一种卷烟数量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述x12季节调整模型包括加法模型或乘法模型，
3.根据权利要求1所述的方法，其特征在于，确定所述分量序列与待使用分量序列之间的对应关系，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述历史季节分量序列，确定所述待处理季节分量序列包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
...
【专利技术属性】
技术研发人员：张瑜娟，伍祖权，温戈，黄蕾，韦清，
申请(专利权)人：广东中烟工业有限责任公司，
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。