[发明专利]时间序列模型参数优化方法、装置、计算机设备

说明书

本申请涉及一种时间序列模型参数优化方法、装置、计算机设备和存储介质。所述方法包括：获取表征各品类物品销量的训练时序数据集和验证时序数据集；根据训练时序数据集的时序时长和周期性参数的可优化时序时长范围内，确定可优化的周期性参数集；根据评价指标值和验证时序数据集，确定可优化的周期性参数的周期性参数值；根据训练时序数据集确定节日类型的预设效应值优化节假日项参数，得到节假日项参数值；根据时序时长确定时间序列模型支持的变点数量，根据变点数量对趋势项参数进行优化，得到趋势项参数值，确定时间序列模型的最优参数值组，得到优化后的时间序列模型。采用本方法能够提高时间序列模型对不同品类物品销量预测的准确性。

技术领域

本申请涉及产品销量预测技术领域，特别是涉及一种时间序列模型参数优化方法、装置、计算机设备和存储介质。

背景技术

随着信息化、数据化推进，企业的智慧供应运营建设也变得越来越重要。销量预测作为现代供应链管理的“第一道防线”，对于企业的生产、补货、销售计划均等有着深远的影响。如何对销售表现各异、品类繁多的SKU进行分品类的精确销量预测，是企业供应链的运营的重要基石。目前，应用于销量预测的时序类模型中，基于时序的模型广义可加模型的时间序列prophet模型，因其灵活、解释性强、适用场景广等优点，被业界广泛认同、并应用于各种制造业场景中。

当使用Prophet模型进行分品类预测时，需要使用者对于每个品类的模型参数进行逐一设置，且难度高；若忽略产品品类特性、使用统一的模型参数，导致销量预测结果准确性低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高对不同品类物品销量预测准确性的时间序列模型参数优化方法、装置、计算机设备和存储介质。

一种时间序列模型参数优化方法，所述方法包括：

获取表征各品类物品销量的训练时序数据集和验证时序数据集；

当所述训练时序数据集的时序时长在时间序列模型中周期性参数的可优化时序时长范围内时，确定可优化的周期性参数集；

根据评价指标值和所述验证时序数据集，确定所述可优化的周期性参数集中各周期性参数的周期性参数值；

确定所述训练时序数据集对应的节日类型；

根据各所述节日类型的预设效应值优化所述时间序列模型中节假日项参数，得到节假日项参数值；

根据所述时序时长确定所述时间序列模型支持的变点数量，根据所述变点数量优化所述时间序列模型中趋势项参数，得到趋势项参数值；

根据所述各周期性参数值、假日参数值和趋势项参数值得到所述各品类标识对应的目标参数值组。

在其中一个实施例中，所述获取表征各品类物品销量的训练时序数据集和验证时序数据集，包括：

获取表征物品销量的时间序列数据样本；

对所述时间序列数据样本按照品类标识进行分类，得到各品类物品销量的时间序列数据样本；

根据各所述品类物品销量的时间序列数据样本的时序时长和预设时序时长范围，确定训练集时长和验证集时长；

根据所述训练集时长和所述验证集时长，从所述时间序列数据样本中确定各所述品类标识对应的训练时序数据集和验证时序数据集。

在其中一个实施例中，在根据各所述品类物品销量的时间序列数据样本的时序时长和预设时序时长范围，确定训练集时长和验证集时长之前，所述方法还包括：

对各所述品类物品销量的时间序列数据样本进行缺失值处理，检测预处理的时间序列数据样本中是否存在异常数据；

当所述处理后的时间序列数据样本中存在异常数据时，对所述异常数据进行平滑处理。