CN116777345A - 一种库存量预测方法、系统、装置及存储介质 - Google Patents
一种库存量预测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116777345A CN116777345A CN202310722937.9A CN202310722937A CN116777345A CN 116777345 A CN116777345 A CN 116777345A CN 202310722937 A CN202310722937 A CN 202310722937A CN 116777345 A CN116777345 A CN 116777345A
- Authority
- CN
- China
- Prior art keywords
- parameter information
- data
- prediction
- prediction model
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000010219 correlation analysis Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000003379 elimination reaction Methods 0.000 claims abstract description 24
- 230000008030 elimination Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012098 association analyses Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000010220 Pearson correlation analysis Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种库存量预测方法、系统、装置及存储介质。该方法包括：获取与库存量相关的若干参数信息；对若干参数信息进行相关性分析，根据相关性分析的结果对若干参数信息进行第一剔除处理，得到第一数据；其中，第一剔除用于剔除若干参数信息中的重复参数；对第一数据进行参数关联性分析，得到关联系数；并根据关联系数对若干参数信息进行第二剔除处理，得到第二数据；将第二数据输入时间序列预测模型，得到所需的库存量；时间序列预测模型用于表征基于第二数据中相关参数的时间序列对库存量进行预测的模型。本发明实施例能够对库存量进行预测，同时，有利于提升预测准确度；可以广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域，尤其是一种库存量预测方法、系统、装置及存储介质。
背景技术
安全库存是为了未来物资供应或需求的不确定性而准备的缓冲库存，是以库存资金占用为代价，来换取一定时间内对生产稳定性与交货及时性的能力。若安全库存过大，会增加仓库管理成本，占用流动资金，造成成品和原材料的损耗；若安全库存过小，则会造成服务水平下降，影响销售利润和企业信誉，影响生产过程的正常进行。因此，设计合理的安全库存预测方案对于企业的生产经营具有重要意义。相关技术中，通常通过模型预测安全库存量；最常用的是线性回归方法中的自回归模型(AR)和自回归移动平均模型(ARMA)。然而，上述模型基于线性方式进行库存量的预测，准确率较低，无法满足企业需求。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明的目的在于提供一种快速、实用的库存量预测方法、系统、装置及存储介质。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
一方面，本发明实施例提供了一种库存量预测方法，包括以下步骤：
本发明实施例的库存量预测方法，该方法包括：获取与库存量相关的若干参数信息；对所述若干参数信息进行相关性分析，根据所述相关性分析的结果对所述若干参数信息进行第一剔除处理，得到第一数据；其中，所述第一剔除用于剔除若干参数信息中的重复参数；对所述第一数据进行参数关联性分析，得到关联系数；并根据所述关联系数对所述若干参数信息进行第二剔除处理，得到第二数据；所述关联系数用于表征各个所述参数信息对所述库存量的影响程度；将所述第二数据输入时间序列预测模型，得到所需的库存量；所述时间序列预测模型用于表征基于所述第二数据中相关参数的时间序列对库存量进行预测的模型。本发明实施例通过基于相关参数的时间序列进行预测的时间序列预测模型进行库存量的预测，充分考虑了时间序列对库存量的影响，提升了模型的预测准确度；同时，通过相关性分析和关联性分析，剔除参数信息中的影响较小的数据，提升模型的预测准确度。
另外，根据本发明上述实施例的库存量预测方法，还可以具有以下附加的技术特征：
进一步地，本发明实施例的库存量预测方法，所述时间序列预测模型通过下列步骤训练得到：
获取若干参数样本；
对所述若干参数样本进行相关性分析，根据所述相关性分析的结果对所述若干参数样本进行第一剔除处理，得到第一特征样本；
对所述第一特征样本进行参数关联性分析，得到样本系数；并根据所述样本系数对所述若干参数样本进行第二剔除处理，得到第二特征样本；
将所述第二特征样本输入时间序列预测模型，得到预测结果，并根据所述预测结果与真实结果采用损失函数计算损失值，根据所述损失值更新所述时间序列预测模型的参数，得到训练好的所述时间序列预测模型。
进一步地，在本发明的一个实施例中，所述第一特征样本包括训练样本、验证样本和测试样本，所述方法还包括：
将所述训练样本输入第一预测模型，得到第一结果；所述第一预测模型用于表征开环状态的时间序列预测模型；
将所述训练样本和所述第一结果输入所述第一预测模型，对所述第一预测模型进行闭环训练，得到第二预测模型；
通过验证样本和所述验证样本对应的真实结果，对所述第二预测模型进行训练，得到第三预测模型；
通过所述测试样本和所述测试样本对应的真实结果，对所述第三预测模型的参数进行调整，直至预测结果达到设定阈值，得到时间序列预测模型。
进一步地，在本发明的一个实施例中，所述时间序列预测模型包括输入层，所述方法还包括以下步骤：
根据所述第二特征样本，确定所述输入层中输入节点的数量；
根据所述第一结果，确定所述输入层中输出节点的数量；其中，所述输出节点的数量小于所述输入节点的数量。
进一步地，在本发明的一个实施例中，所述对所述若干参数信息进行相关性分析，根据所述相关性分析的结果对所述若干参数信息进行第一剔除处理这一步骤，包括：
获取第一参数信息和第二参数信息之间的第一相关性系数；所述第一参数信息和所述第二参数信息为所述若干参数信息中的任意两个参数信息；
若所述第一相关性系数为预设系数，将所述第一参数信息剔除；或者，若所述第一相关性系数为预设系数，将所述第二参数信息剔除。
进一步地，在本发明的一个实施例中，所述对所述第一数据进行参数关联性分析，得到关联系数；并根据所述关联系数对所述若干参数信息进行第二剔除处理，得到第二数据，包括：
根据所述第一数据，建立原始数据矩阵；所述原始数据矩阵用于表征基于时间序列变化的数据；
基于第一时间段的数据，对所述原始数据矩阵进行初始变化，得到第一数据矩阵；
对所述第一数据矩阵进行绝对差处理，得到第一序列；
对所述第一序列进行关联系数求解，得到关联系数；
基于所述关联系数，将各个参数信息进行排列，进行末位剔除处理；或者，将小于预设阈值的所述关联系数对应的参数信息进行剔除处理。
进一步地，在本发明的一个实施例中，所述方法还包括：
将所述若干参数信息进行分类，得到第三参数信息、第四参数信息和第五参数信息；所述分类的影响因素包括企业方面、市场方面和消费方面；
对所述第三参数信息进行相关性分析和关联性分析，按照预设剔除比例，对所述第三参数信息进行剔除处理；
对所述第四参数信息进行相关性分析和关联性分析，按照预设剔除比例，对所述第四参数信息进行剔除处理；
对所述第五参数信息进行相关性分析和关联性分析，按照预设剔除比例，对所述第五参数信息进行剔除处理。
另一方面，本发明实施例提出了一种库存量预测系统，包括：
第一模块，用于获取与库存量相关的若干参数信息；
第二模块，用于对所述若干参数信息进行相关性分析，根据所述相关性分析的结果对所述若干参数信息进行第一剔除处理，得到第一数据；其中，所述第一剔除用于剔除若干参数信息中的重复参数；
第三模块，用于对所述第一数据进行参数关联性分析，得到关联系数；并根据所述关联系数对所述若干参数信息进行第二剔除处理，得到第二数据；所述关联系数用于表征各个所述参数信息对所述库存量的影响程度；
第四模块，用于将所述第二数据输入时间序列预测模型，得到所需的库存量；所述时间序列预测模型用于表征基于所述第二数据中相关参数的时间序列对库存量进行预测的模型。
另一方面，本发明实施例提供了一种库存量预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的库存量预测方法。
另一方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现上述的库存量预测方法。
本发明实施例通过基于相关参数的时间序列进行预测的时间序列预测模型进行库存量的预测，充分考虑了时间序列对库存量的影响，提升了模型的预测准确度；同时，通过相关性分析和关联性分析，剔除参数信息中的影响较小的数据，提升模型的预测准确度。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明提供的库存量预测方法的一种实施例的流程示意图；
图2为本发明提供的库存量预测方法的另一种实施例的流程示意图；
图3为本发明提供的时间序列预测模型的一种实施例的结构示意图；
图4为本发明提供的时间序列预测模型训练的一种实施例的流程示意图；
图5为本发明提供的时间序列预测模型训练的另一种实施例的流程示意图；
图6为本发明提供的第二剔除的一种实施例的流程示意图；
图7为本发明提供的第一剔除和第二剔除的一种实施例的处理结果示意图；
图8为本发明提供的库存量预测系统的一种实施例的结构示意图；
图9为本发明提供的库存量预测装置的一种实施例的结构示意图；
图10为本发明提供的库存量预测装置的另一种实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：
人工智能(Artificial Intelligence，AI)亦称智械、机器智能，指由人制造出来的可以表现出智能的机器。通常人工智能是指通过普通计算机程序来呈现人类智能的技术；是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工神经网络(Artificial Neural Networks，ANNs)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。
安全库存是为了防止未来物资供应或需求的不确定性因素而准备的缓冲库存，是以库存资金占用为代价，来换取一定时间内对生产稳定性与交货及时性的保证。若安全库存过大，会增加仓库管理成本，占用流动资金，造成成品和原材料的损耗；若安全库存过小，则会造成服务水平下降，影响销售利润和企业信誉，影响生产过程的正常进行。因此，设计合理的安全库存预测方案对于企业的生产经营具有重要意义。
库存需求预测问题可以归结为时间序列预测问题。这类问题的一般描述是：根据t时间之前的时间值来预测未来时间t+p点值。在早期的研究中，时间序列预测问题有许多算法。最常用的是线性回归方法中的自回归模型(AR)和自回归移动平均模型(ARMA)。然而，大多数库存预测问题本质上是非线性的，因此使用传统的线性方法很难得到好的结果。
然而，大多数库存预测问题是非线性的，因此目前开发了大量的非线性方法，在非线性方法中，神经网络被认为是最有效的库存预测方法。神经网络不仅具有多种已知的非线性函数能力，而且可以通过训练样本获得未知函数的近似函数。因此，在时间序列数据预测问题中，神经网络得到了广泛的应用。
从目前整体情况而言，库存需求预测仍然停留在传统的线性研究方法中，具有很大的局限性，对此，本发明实施例提出了一种基于灰色关联分析和时间序列神经网络混合模型来预测库存需求，通过分析企业当前的仓库管理和应用数据，选择时间序列神经网络中的NARX神经网络作为预测算法模型进行库存需求预测。
下面参照附图详细描述根据本发明实施例提出的库存量预测方法和系统，首先将参照附图描述根据本发明实施例提出的库存量预测方法。
参照图1，本发明实施例中提供一种库存量预测方法，本发明实施例中的库存量预测方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的库存量预测方法主要包括以下步骤：
S100：获取与库存量相关的若干参数信息；
S200：对若干参数信息进行相关性分析，根据相关性分析的结果对若干参数信息进行第一剔除处理，得到第一数据；其中，第一剔除用于剔除若干参数信息中的重复参数；
S300：对第一数据进行参数关联性分析，得到关联系数；并根据关联系数对若干参数信息进行第二剔除处理，得到第二数据；关联系数用于表征各个参数信息对库存量的影响程度；
S400：将第二数据输入时间序列预测模型，得到所需的库存量；时间序列预测模型用于表征基于第二数据中相关参数的时间序列对库存量进行预测的模型。
在一些可能的实施方式中，本发明实施例通过建立灰色关联分析和时间序列神经网络混合模型，进行库存量的预测。可以理解的是，参数信息可以是表征影响库存量的不同种类的分类信息，示例性地，可以是与企业相关的信息，与市场相关的信息，与消费者相关的信息。同时，参数信息也可以表征影响库存量的历史信息。本申请对参数信息的具体内容和表现形式，并不作具体限定。参照图2所示，首先，对收集的数据进行预处理，使数据标准化，使用相关性分析(示例性地，可以采用皮尔逊相关分析)简化影响因素。其次，利用关联性分析(示例性地，可以采用灰色关联分析方法)确定最终的影响因素，并将影响因素作为神经网络的输入，建立时间序列预测模型(示例性地，时间序列预测模型可以是NARX模型)。最后，建立NARX神经网络模型，并对模型参数进行调整，使输出结果满足要求。
可以理解的是，通过时间序列预测模型进行数据预测时，对数据质量有一定的要求，需要对数据进行标准化，只有经过处理的数据才能保证预测结果的准确性。示例性地，根据NARX神经网络的特点，本发明实施例中的输入层数据需要一定程度的独立性，这意味着输入层的影响因素不能彼此具有函数关系，否则，将导致数据重复，增加网络的复杂性；另一方面，本发明实施例应该确保影响因素的输入层和输出层之间存在相关性，否则会导致网络不收敛或导致预测不佳和无效。因此，在训练之前，需要对数据的相关性进行测试。在原始数据中，有很多数据是冗余的。这表示许多影响因素具有很强的相关性，具备函数关系，因此归一化后的会出现数据相同或非常接近的情况。且由于其需求预测的影响也相同或接近，因此删除其中一个不会影响预测结果。因此，需要对原始数据进行处理以优化数据质量，通过第一剔除，去掉参数信息中的重复参数。本申请实施例还通过第二剔除，去掉参数信息中对库存量影响较小的相关参数，以提升模型的预测准确度。
可选地，在本发明的一个实施例中，时间序列预测模型通过下列步骤训练得到：
对若干参数样本进行相关性分析，根据相关性分析的结果对若干参数样本进行第一剔除处理，得到第一特征样本；
对第一特征样本进行参数关联性分析，得到样本系数；并根据样本系数对若干参数样本进行第二剔除处理，得到第二特征样本；
将第二特征样本输入时间序列预测模型，得到预测结果，并根据预测结果与真实结果采用损失函数计算损失值，根据损失值更新时间序列预测模型的参数，得到训练好的时间序列预测模型。
在一些可能的实施方式中，参照图3所示，本发明实施例中的时间序列预测模型可以是NARX神经网络模型。可以理解的是，NARX神经网络是一个具有外部输入的非线性自回归模型(具有外源输入的非线性自动回归模型)。NARX神经网络模型不同于没有输出反馈的静态神经网络模型。作为一种动态递归网络，神经网络引入了延迟模块和输出反馈模型。它将输出向量延迟反馈引入网络训练，以形成新的输入向量。在训练和仿真中，它不仅可以考虑过去的输入，还可以考虑过去输出，显著提高了网络容量的泛化能力。可以理解的是，在模型训练过程中，通过特征样本进行模型预测，根据预测结果与真实结果之间的差距对模型进行更新，以完成模型的训练过程。
可选地，参照图4所示，在本发明的一个实施例中，第一特征样本包括训练样本、验证样本和测试样本，方法还包括：
S410：将训练样本输入第一预测模型，得到第一结果；第一预测模型用于表征开环状态的时间序列预测模型；
S420：将训练样本和第一结果输入第一预测模型，对第一预测模型进行闭环训练，得到第二预测模型；
S430：通过验证样本和验证样本对应的真实结果，对第二预测模型进行训练，得到第三预测模型；
S440：通过测试样本和测试样本对应的真实结果，对第三预测模型的参数进行调整，直至预测结果达到设定阈值，得到时间序列预测模型。
在一些可能的实施方式中，可以理解的是，基于上述的介绍，NARX神经网络是一种用于描述非线性离散系统，该神经网络通过加入延时和反馈机制，增强了对历史数据的记忆能力，属于动态神经网络。本申请实施例将第一特征样本根据时间序列的特点分为训练样本、验证样本和测试样本，样本的分割方式按照时间的先后顺序进行。然后利用训练样本进行模型的开环训练，训练过的模型转为闭环模型；然后通过验证样本测试闭环模型的性能；性能达到可行水平后，通过测试样本进行精度调整，完成模型的建立和测试过程。具体地，参照图5所示，NARX神经网络模型的数学模型可以表示为：
y(t)＝f(y(t-1),y(t-2),...,y(t-n),x(t-1),x(t-2),...,x(t-n),w) (1)
参照图3所示，在公式(1)中，x(.)为输入向量x(t)(即输入层)的某一点，在本发明实施例中x(t)表示t月份的需求系数；y(.)是输出向量，是输出向量y(t)(即输出层)的某一点,其表示了本发明实施例中t月的需求。nx(nx≥1)是非线性系统的输入阶数，ny(ny≥1)是输出阶数，且nx≥ny，w是网络权重矩阵；f是训练过程中形成的非线性函数。示例性地，如图5中的训练过程，确定该模型的延迟时间为4，它考虑了前四个时段的输入，并将当前输出反馈给网络，以预测第五个时段的需求。
示例性地，本申请实施例在模型训练过程中，为NARX网络模型随机选择70％的数据进行训练，15％进行验证，其余15％进行测试。通过反复训练网络调整参数，使输出结果更接近实际需求值。如果输出误差较大，则需要修改隐含神经元的权重，以将误差保持在可接受的水平。
另外，在确定影响因素、构建时间序列预测模型之后，需要查看训练网络是否具有良好的泛化能力以及是否适用。通常，如果时间段预测误差之间存在明显的相关性，那么神经网络的特性很差，不能用于预测。一般来说，其他与误差无关的函数值都假定在95％置信区间内，可以认为该网络具有良好的特性。通过不断调整参数，最终确定NARX神经网络模型结构中隐藏神经元数量和延迟阶数。
可选地，在本发明的一个实施例中，时间序列预测模型包括输入层，方法还包括以下步骤：
根据第二特征样本，确定输入层中输入节点的数量；
根据第一结果，确定输入层中输出节点的数量；其中，输出节点的数量小于输入节点的数量。
可选地，在本发明的一个实施例中，对若干参数信息进行相关性分析，根据相关性分析的结果对若干参数信息进行第一剔除处理这一步骤，包括：
获取第一参数信息和第二参数信息之间的第一相关性系数；第一参数信息和第二参数信息为若干参数信息中的任意两个参数信息；
若第一相关性系数为预设系数，将第一参数信息剔除；或者，若第一相关性系数为预设系数，将第二参数信息剔除。
在一些可能的实施方式中，本发明实施例在相关性分析中可以使用皮尔逊相关分析，预设系数可以为1，将结果为1数据项的相关系数视为数据重复，然后删除其中一项。皮尔逊相关分析原理如下，随机变量X和Y的联合分布是二维正态分布，xi和yi是n次独立观测值，则皮尔逊相关系数如式(2)。
在收集的数据整理完成后，由于NARX神经网络隐藏层传递函数通常用于logsig和Tansig，这些函数将实数映射到[0,1]区间，因此需要在正式训练网络之前采用一些方法来转换数据。在本发明实施例中，根据公式(3)对数据进行归一化处理，以提升模型的预测准确度。
其中，公式(3)中的xmon用于表征观测值中的最小值，xmax用于表征观测值中的最大值。
可选地，参照图6所示，在本发明的一个实施例中，对第一数据进行参数关联性分析，得到关联系数；并根据关联系数对若干参数信息进行第二剔除处理，得到第二数据，包括：
S310：根据第一数据，建立原始数据矩阵；原始数据矩阵用于表征基于时间序列变化的数据；
S320：基于第一时间段的数据，对原始数据矩阵进行初始变化，得到第一数据矩阵；
S330：对第一数据矩阵进行绝对差处理，得到第一序列；
S340：对第一序列进行关联系数求解，得到关联系数；
S350：基于关联系数，对各个参数信息进行排列，进行末位剔除处理；或者，将小于预设阈值的关联系数对应的参数信息进行剔除。
在一些可能的实施方式中，本申请实施例中的关联性分析可以基于灰色关联分析的影响因素进行分析。具体地，灰色关联分析是衡量因素之间相关性程度的一种方法，它通过识别因素之间的发展趋势来分析相关性程度。灰色关联分析方法可以分析系统中各子系统(或因素)之间的关系。因此，灰色关联分析可以对系统发展趋势进行定量度量，非常适合于动态过程分析。示例性地，该分析过程如下所示：
S61：为每个指标(即第一数据)建立原始数据矩阵xi
xi＝(xi(1),xi(2),xi(3),...,xi(k),...) (4)
在公式(4)中，xi(k)表示因子i在k时间段内的原始数据，例如x1(1)可以表示第一个因素在第一个月内的数据。
S62：通过公式(5)求解初始变化矩阵(即第一数据矩阵)xi ′
xi ′＝(xi(1)/xi(1),xi(2)/xi(1),...,xi(k)/xi(1),...)
＝(xi ′(1),xi ′(2),...,xi ′(k),...) (5)
S63：通过公式(6)求绝对差序列(即第一序列)
S64：通过公式(7)计算灰色关联系数，即关联系数ξ0i(k)
在公式(7)中，为分辨率系数，其作用是提高显著差异之间的相关系数/>本申请实施例中可取，/>
通过公式(8)计算灰色关联度为：
具体地，影响库存需求的因素很多，各因素之间的关系复杂。本发明实施例主要从企业、市场和用户三个方面分析主要影响因素。从企业的角度来看，供应商的规模、声誉、供应产品的优势、产品的价格和运输方式都会影响采购数量。企业的库存管理、库存成本和库存预测水平也极大地影响着需求；从市场角度分析，市场对需求的影响是间接的。例如，市场价格的变动将不可避免地导致产品价格的变化，从而影响需求；从用户的角度来看，用户的消费水平、个性化需求和订单量等，都会极大地影响需求。
可以理解的是，影响库存需求的因素很多，但许多因素对需求的影响很小，为了确定主要影响因素，本发明实施例利用了灰色关联分析模型，从企业、市场、用户三个方向确定主要需求影响因素，具体过程为如下所示。
首先，在数据预处理阶段采用皮尔逊相关分析，消除因素选择的任意性，降低问题的复杂性。获得了Xi市库存的主要需求因素如下：时间(x1)、预测库存需求(x2)、库存成本(x3)、订单数量(x4)、订单价格(x5)、订单总数量(x6)、实际成本(x7)、供应价格(x8)、不良品率(x9)，共九个因素，九个影响因素与需求的相关度如表1所示。
表1
然后，运用灰色关联分析方法，分析了需求与上述9个影响因素之间的灰色关联度。使用公式(4)至公式(8)计算灰色关联度，据此去除关联度较小的因素，选择关键因素预测需求。
最终，确定了库存成本、订单数量、订单价格、总订单数量、实际成本、供应价格和不合格产品数量这七个影响因素，将它们作为NARX神经网络的输入。
可选地，在本发明的一个实施例中，该方法还包括：
将若干参数信息进行分类，得到第三参数信息、第四参数信息和第五参数信息；分类的影响因素包括企业方面、市场方面和消费方面；
对第三参数信息进行相关性分析和关联性分析，按照预设剔除比例，对第三参数信息进行剔除处理；
对第四参数信息进行相关性分析和关联性分析，按照预设剔除比例，对第四参数信息进行剔除处理；
对第五参数信息进行相关性分析和关联性分析，按照预设剔除比例，对第五参数信息进行剔除处理。
在一些可能的实现方式中，本申请实施例中的剔除方式，可以根据不同类型或领域的参数，分类进行剔除，这样既对数据进行了剔除处理，又保留了每个类型参数的参与度，以提升模型的预测准确度。示例性地，如图7所示，参数信息根据影响因素分为若干参数信息。当然，可以理解的是，图7所示的分为3类参数信息属于示例性举例，本领域技术人员可以根据实际需求，将参数信息进行分类。在进行参数筛选进行剔除时，可以根据每类的参数分别进行剔除，即在第三参数信息中，对区域710所标识的参数信息进行剔除；在第四参数信息中，对区域720所标识的参数信息进行剔除；在第五参数信息中，对区域730所标识的参数信息进行剔除。剔除过程可以选择预设剔除比例的方式，进行参数信息剔除；也可以选择末尾剔除的方式，进行剔除，本申请并不作具体限制。
本申请实施例提出了一种基于灰色关联分析和时间序列神经网络混合模型的库存量预测方法。首先利用皮尔逊相关分析筛选了对库存需求影响最相关的因素，然后利用灰色关联分析对筛选出的因素进行评估，去除关联度较小的因素，选取核心关键影响因素。最后，将选取的核心关键因素作为NARX神经网络的输入进行预测，将70％的数据进行训练，15％进行验证，其余15％进行测试，根据结果和95％置信空间原则等，不断对模型进行调优，最终确定NARX神经网络模型结构。基于灰色关联分析和时间序列神经网络混合模型的库存需求预测方法相较于目前较为主流的加权平均预测方法、BP神经网络预测方案，结果更加准确。经实验表明，所提方案的误差自相关系数在95％置信区间内，表明模型泛化能力较好。
综上可知，本发明实施例通过基于相关参数的时间序列进行预测的时间序列预测模型进行库存量的预测，充分考虑了时间序列对库存量的影响，提升了模型的预测准确度；同时，通过相关性分析和关联性分析，剔除参数信息中的影响较小的数据，提升模型的预测准确度。
其次，参照附图8描述根据本发明实施例提出的一种库存量预测系统。
图8是本发明一个实施例的库存量预测系统结构示意图，系统具体包括：
第一模块810，用于获取与库存量相关的若干参数信息；
第二模块820，用于对若干参数信息进行相关性分析，根据相关性分析的结果对若干参数信息进行第一剔除处理，得到第一数据；其中，第一剔除用于剔除若干参数信息中的重复参数；
第三模块830，用于对第一数据进行参数关联性分析，得到关联系数；并根据关联系数对若干参数信息进行第二剔除处理，得到第二数据；关联系数用于表征各个参数信息对库存量的影响程度；
第四模块840，用于将第二数据输入时间序列预测模型，得到所需的库存量；时间序列预测模型用于表征基于第二数据中相关参数的时间序列对库存量进行预测的模型。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例提供了一种库存量预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当至少一个程序被至少一个处理器执行时，使得至少一个处理器实现的库存量预测方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例提供的用于执行上述库存量预测方法的库存量预测装置可以是终端，参照图9，图9为本申请实施例提供的终端的部分结构框图，该终端包括：射频(RadioFrequency，简称RF)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(wireless fidelity，简称WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解，图9中示出的终端结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
RF电路可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器处理；另外，将设计上行的数据发送给基站。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。
输入单元可用于接收输入的数字或字符信息，以及产生与手机的设置以及功能控制有关的键信号输入。具体地，输入单元可包括触控面板1031以及其他输入装置1032。
显示单元可用于显示输入的信息或提供的信息以及手机的各种菜单。显示单元1040可包括显示面板1041。
音频电路1060、扬声器1061，传声器1062可提供音频接口。
在本实施例中，该终端所包括的处理器可以执行前面实施例的库存量预测方法。
本申请实施例提供的用于执行上述库存量预测方法的库存量预测装置也可以是服务器，参照图10，图10为本申请实施例提供的服务器的部分结构框图，服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(简称为CPU，即Central Processing Units)，1122(例如，一个或一个以上处理器)和存储器1132，一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储装置)。其中，存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器1100中的一系列指令操作。更进一步地，中央处理器1122可以设置为与存储介质1130通信，在服务器1100上执行存储介质1130中的一系列指令操作。
服务器还可以包括一个或一个以上电源1126，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1158，和/或，一个或一个以上操作系统1141，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。
服务器中的处理器可以用于执行上面的库存量预测方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于执行上述的库存量预测方法。
同理，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本发明实施例所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本发明实施例中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干程序用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用，或结合这些程序执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种库存量预测方法，其特征在于，包括以下步骤：
获取与库存量相关的若干参数信息；
对所述若干参数信息进行相关性分析，根据所述相关性分析的结果对所述若干参数信息进行第一剔除处理，得到第一数据；其中，所述第一剔除用于剔除若干参数信息中的重复参数；
对所述第一数据进行参数关联性分析，得到关联系数；并根据所述关联系数对所述若干参数信息进行第二剔除处理，得到第二数据；所述关联系数用于表征各个所述参数信息对所述库存量的影响程度；
将所述第二数据输入时间序列预测模型，得到所需的库存量；所述时间序列预测模型用于表征基于所述第二数据中相关参数的时间序列对库存量进行预测的模型。
2.根据权利要求1所述的库存量预测方法，其特征在于，所述时间序列预测模型通过下列步骤训练得到：
获取若干参数样本；
对所述若干参数样本进行相关性分析，根据所述相关性分析的结果对所述若干参数样本进行第一剔除处理，得到第一特征样本；
对所述第一特征样本进行参数关联性分析，得到样本系数；并根据所述样本系数对所述若干参数样本进行第二剔除处理，得到第二特征样本；
将所述第二特征样本输入时间序列预测模型，得到预测结果，并根据所述预测结果与真实结果采用损失函数计算损失值，根据所述损失值更新所述时间序列预测模型的参数，得到训练好的所述时间序列预测模型。
3.根据权利要求2所述的库存量预测方法，其特征在于，所述第一特征样本包括训练样本、验证样本和测试样本，所述方法还包括：
将所述训练样本输入第一预测模型，得到第一结果；所述第一预测模型用于表征开环状态的时间序列预测模型；
将所述训练样本和所述第一结果输入所述第一预测模型，对所述第一预测模型进行闭环训练，得到第二预测模型；
通过所述验证样本和所述验证样本对应的真实结果，对所述第二预测模型进行训练，得到第三预测模型；
通过所述测试样本和所述测试样本对应的真实结果，对所述第三预测模型的参数进行调整，直至预测结果达到设定阈值，得到时间序列预测模型。
4.根据权利要求3所述的库存量预测方法，其特征在于，所述时间序列预测模型包括输入层，所述方法还包括以下步骤：
根据所述第二特征样本，确定所述输入层中输入节点的数量；
根据所述第一结果，确定所述输入层中输出节点的数量；其中，所述输出节点的数量小于所述输入节点的数量。
5.根据权利要求1所述的库存量预测方法，其特征在于，所述对所述若干参数信息进行相关性分析，根据所述相关性分析的结果对所述若干参数信息进行第一剔除处理这一步骤，包括：
获取第一参数信息和第二参数信息之间的第一相关性系数；所述第一参数信息和所述第二参数信息为所述若干参数信息中的任意两个参数信息；
若所述第一相关性系数为预设系数，将所述第一参数信息剔除；或者，若所述第一相关性系数为预设系数，将所述第二参数信息剔除。
6.根据权利要求1所述的库存量预测方法，其特征在于，所述对所述第一数据进行参数关联性分析，得到关联系数；并根据所述关联系数对所述若干参数信息进行第二剔除处理，得到第二数据，包括：
根据所述第一数据，建立原始数据矩阵；所述原始数据矩阵用于表征基于时间序列变化的数据；
基于第一时间段的数据，对所述原始数据矩阵进行初始变化，得到第一数据矩阵；
对所述第一数据矩阵进行绝对差处理，得到第一序列；
对所述第一序列进行关联系数求解，得到关联系数；
基于所述关联系数，将各个参数信息进行排列，进行末位剔除处理；或者，将小于预设阈值的所述关联系数对应的参数信息进行剔除处理。
7.根据权利要求1所述的库存量预测方法，其特征在于，所述方法还包括：
将所述若干参数信息进行分类，得到第三参数信息、第四参数信息和第五参数信息；所述分类的影响因素包括企业方面、市场方面和消费方面；
对所述第三参数信息进行相关性分析和关联性分析，按照预设剔除比例，对所述第三参数信息进行剔除处理；
对所述第四参数信息进行相关性分析和关联性分析，按照预设剔除比例，对所述第四参数信息进行剔除处理；
对所述第五参数信息进行相关性分析和关联性分析，按照预设剔除比例，对所述第五参数信息进行剔除处理。
8.一种库存量预测系统，其特征在于，包括：
第一模块，用于获取与库存量相关的若干参数信息；
第二模块，用于对所述若干参数信息进行相关性分析，根据所述相关性分析的结果对所述若干参数信息进行第一剔除处理，得到第一数据；其中，所述第一剔除用于剔除若干参数信息中的重复参数；
第三模块，用于对所述第一数据进行参数关联性分析，得到关联系数；并根据所述关联系数对所述若干参数信息进行第二剔除处理，得到第二数据；所述关联系数用于表征各个所述参数信息对所述库存量的影响程度；
第四模块，用于将所述第二数据输入时间序列预测模型，得到所需的库存量；所述时间序列预测模型用于表征基于所述第二数据中相关参数的时间序列对库存量进行预测的模型。
9.一种库存量预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7中任一项所述的库存量预测方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于实现如权利要求1至7中任一项所述的库存量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722937.9A CN116777345A (zh) | 2023-06-16 | 2023-06-16 | 一种库存量预测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722937.9A CN116777345A (zh) | 2023-06-16 | 2023-06-16 | 一种库存量预测方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777345A true CN116777345A (zh) | 2023-09-19 |
Family
ID=88010928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310722937.9A Pending CN116777345A (zh) | 2023-06-16 | 2023-06-16 | 一种库存量预测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777345A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118643939A (zh) * | 2024-06-19 | 2024-09-13 | 烟台中科新智软件技术有限公司 | 一种基于贴码识别的仓储优化方法、设备及介质 |
-
2023
- 2023-06-16 CN CN202310722937.9A patent/CN116777345A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118643939A (zh) * | 2024-06-19 | 2024-09-13 | 烟台中科新智软件技术有限公司 | 一种基于贴码识别的仓储优化方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107578332A (zh) | 一种推荐现金商品的方法、装置、设备及存储介质 | |
| CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN111932269B (zh) | 设备信息处理方法及装置 | |
| US11716422B1 (en) | Call center load balancing and routing management | |
| CN116048912B (zh) | 一种基于弱监督学习的云服务器配置异常识别方法 | |
| Kang et al. | A CWGAN-GP-based multi-task learning model for consumer credit scoring | |
| CN116777345A (zh) | 一种库存量预测方法、系统、装置及存储介质 | |
| CN111222769A (zh) | 一种年报数据质量评价方法、装置、电子设备及存储介质 | |
| Escovedo et al. | Neuroevolutionary learning in nonstationary environments | |
| Vaghela et al. | Boost a weak learner to a strong learner using ensemble system approach | |
| López-Martín et al. | Support vector regression for predicting the productivity of higher education graduate students from individually developed software projects | |
| CN117573961A (zh) | 信息推荐方法、装置、电子设备、存储介质及程序产品 | |
| Sun et al. | Short-term stock price forecasting based on an SVD-LSTM model | |
| CN115169692A (zh) | 一种时间序列预测方法及相关装置 | |
| CN114611015A (zh) | 交互信息处理方法、装置和云服务器 | |
| Fan | [Retracted] Entrepreneurial Mentality Analysis for College Students Based on the Improved BP Neural Network | |
| CN111768306A (zh) | 基于智能数据分析的风险识别方法及系统 | |
| Senthil Kumar | OTT SUBSCRIBER CHURN PREDICTION USING MACHINE LEARNING | |
| CN116862673A (zh) | 处理结果预测方法、装置、计算机设备和存储介质 | |
| CN118967295A (zh) | 一种信用风险评估方法及相关装置 | |
| CN117078300A (zh) | 客户分群方法、装置、设备及存储介质 | |
| CN118657540A (zh) | 信息处理方法、信息处理装置及相关设备 | |
| CN117290819A (zh) | 一种模型训练系统、方法及计算设备 | |
| CN117151884A (zh) | 资产管理数据处理方法、装置、计算机设备和存储介质 | |
| Zhao et al. | Empirical Mode Decomposition with Multivariable Time Series Feature Learning for QoS Prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |