[发明专利]预测数据的方法和装置

说明书

技术领域

本发明涉及预测数据的方法和装置。

背景技术

销量预测是电子商务零售企业进行有效库存控制的关键，库存量过大，会造成商品积压，影响资金周转和效益；库存量过小，会造成商品断货，影响销售和客户体验。而电子商务零售市场环境复杂多变，此起彼伏的市场促销、消费者偏好的转移、商品的季节性周期变化等因素造成了商品销售特征的多样性和多变性。复杂多变的市场环境和销售特征，给商品销量的准确预测带来了挑战。

对单个商品的销量预测，现有的技术方案通常利用商品的历史销量数据，大致采用加权平均预测法和ARIMA模型预测法。

在应用加权平均预测法时，软件模块可采用数据数据输入模块、数据预处理模块、销量加权平均计算模块和销量预测应用模块。应用加权平均预测法时的工作流程如图1所示，图1是根据现有技术中的应用加权平均预测法时的工作流程的示意图。加权平均预测法利用商品历史销量观测值某种类型的加权平均数作为未来一段时间内该商品销量的预测值。在具体实现中，销量加权平均计算可以采用加权移动平均法或指数平滑法。

在加权移动平均法中，对历史最近的N期销量观察值的每一个值给以相应的权重，而对在此之前的观察值不给以加权。在大多数实际情况下，最近的观察值包含对预测未来销量所需的信息要比旧的观察值包含的更多，因此往往对较旧的观察值逐渐减少其重要性。

指数平滑法是加权移动平均法的改进，一次指数平滑的数学模型为F_t=α×Y_t+(1-α)×F_t-1，其中F_t第t期的指数平滑值，α为平滑系数，Y_t为第t期的观察值。当时间序列没有明显的趋势变动时，可以采用一次指数平滑法；当时间序列的变动呈现明显直线趋势时，用一次指数平滑法来预测存在着明显的滞后偏差，需要在一次指数平滑的基础上再作二次指数平滑；当时间序列的变动呈现出二次曲线趋势时，则需要用三次指数平滑法。

ARIMA模型全称为差分自回归移动平均模型（Autoregressive Integrated Moving Average Model），是由博克思（Box）和詹金斯（Jenkins）于70年代初提出的一著名时间序列预测方法。在应用ARIMA模型预测法时，软件模块可主要由数据准备模块、模型训练模块、销量预测模块和预测应用模块四部分构成，其工作流程如图2所示。图2是根据现有技术中的ARIMA模型预测法的一种工作流程的示意图。

根据图2所示的工作流程，首先对商品的销量数据进行汇总，并进行数据清洗，通常情况下数据清洗包括恶意订单、团购订单的剔除，促销极值的平滑和库存异常销量的填充；然后找出商品销售时间序列的规则，通常采用求和自回归移动平均模型ARIMA来拟合商品的历史销量；再将训练得到的时间序列模型应用于新的销量数据，得到商品未来一段时间的销量预测结果；最后再结合现有的库存情况和未来的促销计划等因素综合得到最终的库存补货建议。

在实现本发明的过程中，发明人发现，任何一种预测方法都是建立在一定的假设条件之上，现有销量预测技术方案的主要缺点是当预测的商品的销售特征发生变化时，现有的预测模型不能自动地进行变化和调整，以适应新的情况。

对于加权移动平均法来说，权重不容易确定，没有固定的规则可循，随意性太强，且难以应对具有季节性变动特征的销量，因此在准确性上难以满足要求；对于指数平滑法来说，该方法能够拟合不同的销量曲线特征，但是它与加权移动平均法存在类似的问题——难以确定平滑系数，且平滑系数一旦确定，就不能依据销售的阶段性特征而变化；对于ARIMA模型预测法来说，当销售特征发生变化时需要差分的阶数、自相关系数和偏自相关系数截尾的阶数都有可能发生变化，这意味着模型的参数要进行相应调整。

而电子商务零售行业市场环境的复杂多变，必然导致商品销售特征的频繁变化，加之商品数量动辄以百万计数，现有技术中的商品销量预测偏差较大，常引发商品断货或商品积压。

发明内容

有鉴于此，本发明提供一种预测数据的方法和装置，能够提高数据预测的准确性。

为实现上述目的，根据本发明的一个方面，提供了一种预测数据的方法。