一种商品需求预测模型的综合评价方法技术

本发明专利技术公开一种商品需求预测模型的综合评价方法，根据模型的不同适用条件及特性，建立合理的精度评价指标，在预测前通过分析录入的数据选取相应模型，并于预测完成后预测对模型的准确度和实用性进行检测及反馈的评价技术。当输入的预测要求中包含“预测过程考虑外界因素对预测对象的影响”时，选取SVM模型为最优预测模型。否则，对输入的数据做异常值修正处理，并判断其周期性。对于周期性数据，选取温特斯预测模型为最优预测模型。非周期数据则分别运行指数平滑与二次指数预测模型，结果导入精确度比较程序，选取精确度较高的模型为最优预测模型。最后，将所选模型的精确度与标准值比较，当结果符合要求时，输出预测值。

【技术实现步骤摘要】

本专利技术涉及，属于信息预测
。
技术介绍
随着全球电子商务的兴起，全球市场的形成，无论是对制造商还是零售商都将面临越来越激烈的竞争。在这样的销售环境下，如何保证自身成本，并最大程度满足消费者的需求变得越来越为重要。通过建立数学模型计算消费者对某种商品在未来一定周期内的需求数量已是业界较为成熟的预测模式。而如何针对模型预测结果，采用合理的精度评价指标，确保预测过程的准确性与预测系统的时效性，则是业界持续关注的主要问题之一。
技术实现思路
专利技术目的:针对现有的四种经典商品量预测模型，本专利技术提出一种基于预测误差率与预测精度两个基本指标的将模型的通用性与时效性评价相结合的检测方法。根据不同模型与录入时间序列数据的特点，为预测对象选取最优预测模型，确保数据能够被高效完全的利用。在相关预测完成后，通过定量方法，计算模型的预测误差率及拟合有效度，检验执行模型的可行性。同时，对系统中所有模型的预测过程进行实时检验，以便当预测出现失误时能做出最快速的调整。技术方案:，包括如下步骤:第一步获得商品流量的历史数据并输入大数据库。第二步确定预测模型:(I)当输入数据包含多种因素，并且预测过程需要考虑这些因素时，选取SVM模型为最优预测模型；(2)判断数据是否有周期性。当确定数据有周期性时，选取温特斯模型为最优预测模型。(3)反之，运行二次曲线预测模型与二次指数平滑模型，分别计算出预测结果后，各取[Tl，T2]为分析区间，Xt为实际值，X’ t为预测值，可知:预测误差:e= Xt-Xt'[0011 ]预测误差率:

【技术保护点】
一种商品需求预测模型的综合评价方法，其特征在于，包括如下步骤：第一步获得商品流量的历史数据并输入数据库；第二步确定预测模型：（1）当输入数据包含多种因素，并且预测过程需要考虑这些因素时，选取SVM模型为最优预测模型；（2）判断数据是否有周期性；当确定数据有周期性时，选取温特斯模型为最优预测模型；（3）反之，运行二次曲线预测模型与二次指数平滑模型，分别计算出预测结果后，各设[T1,T2]为分析区间（即[T1，T2]所对应的一段时间序列数据），xt为实际值，x“t为预测值，可知：预测误差：e＝xt?xt“预测误差率：MAPE=1nΣt=1n|xt-xt′|xt*100%选取MAPE值小的模型为最优预测模型；第三步精确度检验：计算出最优模型的预测结果，取[T1,T2]为分析区间，xt为实际值，x“t为预测值，可知：预测误差：e＝xt?xt′预测误差率：MAPE=1nΣt=1n|xt-xt′|xt*100%预测精度：S=1-|xt-x′t|xt,当|xt-xt′|xt>1,S取0；预测精度的均值：E(S)=1n&Sigma;t=1n(1-|xt-xt′|xt)预测精度的标准差：σ(S)=1nΣt=1n(xt-E(S))2预测模型的拟合有效度：m＝(1?σ(S))*E(S)当MAPE=0.7时，模型拟合高度有效，可执行第四步；仅 m>=0.7，模型有效，执行第四步；当m<0.7时，模型无效，返回第四步，反馈信息至模型数据库，进行数据检查或模型调整；第四步输出所选模型与预测结果；第五步当有数据更新时，将数据导入当期预测模块计算相关模型在这一期的预测精确度，并按精确度检验原理做相应处理。...

【技术特征摘要】
1.一种商品需求预测模型的综合评价方法，其特征在于，包括如下步骤: 第一步获得商品流量的历史数据并输入数据库； 第二步确定预测模型: (O当输入数据包含多种因素，并且预测过程需要考虑这些因素时，选取SVM模型为最优预测模型； (2)判断数据是否有周期性；当确定数据有周期性时，选取温特斯模型为最优预测模型； (3)反之，运行二次曲线预测模型与二次指数平滑模型，分别计算出预测结果后，各设[T1，T2]为分析区间(即[Τ1，Τ...

【专利技术属性】
技术研发人员：李敬泉，
申请(专利权)人：李敬泉，
类型：发明
国别省市：