【技术实现步骤摘要】
本专利技术涉及机器学习的数据驱动决策，更具体的说是涉及一种基于机器学习的需求预测方法。
技术介绍
1、在大数据时代，公司的商务管理和决策发生了根本性的转变——由依赖于管理决策人员的直觉和经验变为尽可能基于数据和数据分析。大数据和机器学习、优化相结合，形成了数据驱动决策的基本内涵。借助大量的、高维的数据，对产品的需求进行预测，是数据驱动决策的重要方向，也是新零售等商业模式变革下产品运营和供应链管理的重要课题。
2、传统的需求预测，更多地考虑成本对称的情形，即过多预测成本与过少预测成本相等。然而，现实中这两个成本往往是不相等的(非对称)。另外，现实场景下，大量的需求预测任务存在高特征维度、小样本量的情形。如何在高特征维度、小样本量的情境下，基于机器学习进行成本非对称的需求预测，是当前大数据背景下数据驱动决策面临的重大挑战。
3、针对高特征维度、小样本量的学习任务，现有的方法多考虑对称成本，主要包括三大体系：(1)增加数据集样本量(比如聚类)，其核心思想是采用特定的方法或者技术来增加样本数量，比较常用的是生成虚拟样本；...
【技术保护点】
1.一种基于机器学习的需求预测方法，其特征在于，具体步骤包括如下：
2.根据权利要求1所述的一种基于机器学习的需求预测方法，其特征在于，所述产品属性特征包括产地、品牌、材质、工艺、规格、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度、相对价格水平、市场表现特征。
3.根据权利要求1所述的一种基于机器学习的需求预测方法，其特征在于，所述产品簇通过聚类方法构建，所述聚类方法包括划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。
4.根据权利要求1所述的一种基于机器学习的需求预测方法，其特征在于，还包括计算产品预测特...
【技术特征摘要】
1.一种基于机器学习的需求预测方法，其特征在于，具体步骤包括如下：
2.根据权利要求1所述的一种基于机器学习的需求预测方法，其特征在于，所述产品属性特征包括产地、品牌、材质、工艺、规格、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度、相对价格水平、市场表现特征。
3.根据权利要求1所述的一种基于机器学习的需求预测方法，其特征在于，所述产品簇通过聚类方法构建，所述聚类方法包括划分法、层次法、密度算法、图论聚类法、网格算法、模型算法。
4.根据权利要求1所述的一种基于机器学习的需求预测方法，其特征在于，还包括计算产品预测特征的不重要程度，具体为，对产品i，计算i所属的簇内其他产品k与i之间的相似度，根据所述相似度计算其他产品k的权重值计算出...
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。