[发明专利]一种基于数据分析实现卷烟需求预测的方法及装置

说明书

本发明公开了一种基于数据分析实现卷烟需求预测的方法及装置，该方法包括：获取历史订单数据形成样本集；对于缺失值或不符合业务逻辑的数据，采用剔除法或均值替代法处理，处理之后进行数据汇总，使得数据时间与空间维度与期望预测的维度保持一致；采用正态性检验与相关性检验发掘历史订单数据的规律以及关系；根据发现的规律与关系构建特征工程，构建特征工程是将需求量相关的指标作为新的特征指标；建立XGBoost‑Prophet组合预测模型；将新的特征指标输入XGBoost‑Prophet组合预测模型中，组合模型输出目标周期预测的需求量。本发明充分发掘数据之间的内在关联与价值并加以使用，解决了传统卷烟需求预测中的数据特征较为单一，预测结果滞后、通用性与泛化能力差等问题。

技术领域

本发明涉及卷烟需求预测技术领域，尤其涉及一种基于数据分析实现卷烟需求预测的方法及装置。

背景技术

商业预测是商业智能研究的重要问题之一，为企业生产计划、营销策略及库存调配方案制定提供重要的参考。在众多的预测方法中，时间序列模型是较为常用的预测方法，它通过建立适当的数学模型，拟合历史时间趋势，在多种实际场合中已经得到应用并取得了较好的效果，但是它依赖的数据较为简单，预测结果往往具有滞后性；神经网络也是一种较为常用的预测方法，其在预测方面具有一定的非线性映射能力，但通用性较差。

发明内容

本发明提供了一种基于数据分析实现卷烟需求预测的方法及装置，以解决现有技术中针对卷烟的需求预测效果不理想的问题。

因为预测问题通常包含线性与非线性的成分，因此，通过分析时间序列数据特点，应用复合模型进行时间序列预测分析，优化模型预测效果，是一种很好的途径。其中基于移动自回归平均模型(ARIMA)、支持向量回归模型、Prophet-LSTM组合模型在不同领域的预测工作中取得了较好的效果。

而本发明基于行业卷烟营销数据的分析，使用一些数据处理与分析的方法，充分挖掘数据内在的联系与价值，构建特征工程，建立高效的XGBoost模型与Prophet模型，并对二者进行最优加权，从而实现卷烟需求预测。

本发明采用的技术方案是：提供一种基于数据分析实现卷烟需求预测的方法，包括：

获取历史订单数据形成样本集，所述历史订单数据包括订单日期、需求量、订购量、投放量；

对于缺失值或不符合业务逻辑的数据，采用剔除法或均值替代法处理，处理之后进行数据汇总，使得数据时间与空间维度与期望预测的维度保持一致；

采用正态性检验与相关性检验发掘历史订单数据的规律以及关系；

根据发现的规律与关系构建特征工程，所述构建特征工程是将需求量相关的指标作为新的特征指标；

建立XGBoost-Prophet组合预测模型；

将所述新的特征指标输入XGBoost-Prophet组合预测模型中，组合模型输出目标周期预测的需求量。

作为基于数据分析实现卷烟需求预测的方法的一种优选方式，所述建立XGBoost-Prophet组合预测模型的方法包括：

通过对卷烟需求量数据分别构建XGBoost模型和Prophet模型，设定XGBoost模型在t时刻的预测值为X(t)，Prophet模型在t时刻的预测值为P(t)，并分别对两个模型赋予动态的权值w₁和w₂，集成后的XGBoost-Prophet组合预测模型为：

Y(t)＝w₁X(t)+w₂P(t),w₁+w₂＝1,t＝1,2,3...,N