[發明專利]預測數據的方法和裝置

有效

• 申請號: 201210407625.0
• 申請日: 2012-10-23
• 公開（公告）號: CN102968670A
• 公開（公告）日: 2013-03-13
• 發明（設計）人: 王顯峰
• 申請（專利權）人: 北京京東世紀貿易有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 中原信達知識產權代理有限責任公司 11219
• 代理人: 劉光明;陸錦華

技術領域

本發明涉及預測數據的方法和裝置。

背景技術

銷量預測是電子商務零售企業進行有效庫存控制的關鍵，庫存量過大，會造成商品積壓，影響資金周轉和效益；庫存量過小，會造成商品斷貨，影響銷售和客戶體驗。而電子商務零售市場環境復雜多變，此起彼伏的市場促銷、消費者偏好的轉移、商品的季節性周期變化等因素造成了商品銷售特征的多樣性和多變性。復雜多變的市場環境和銷售特征，給商品銷量的準確預測帶來了挑戰。

對單個商品的銷量預測，現有的技術方案通常利用商品的歷史銷量數據，大致采用加權平均預測法和ARIMA模型預測法。

在應用加權平均預測法時，軟件模塊可采用數據數據輸入模塊、數據預處理模塊、銷量加權平均計算模塊和銷量預測應用模塊。應用加權平均預測法時的工作流程如圖1所示，圖1是根據現有技術中的應用加權平均預測法時的工作流程的示意圖。加權平均預測法利用商品歷史銷量觀測值某種類型的加權平均數作為未來一段時間內該商品銷量的預測值。在具體實現中，銷量加權平均計算可以采用加權移動平均法或指數平滑法。

在加權移動平均法中，對歷史最近的N期銷量觀察值的每一個值給以相應的權重，而對在此之前的觀察值不給以加權。在大多數實際情況下，最近的觀察值包含對預測未來銷量所需的信息要比舊的觀察值包含的更多，因此往往對較舊的觀察值逐漸減少其重要性。

指數平滑法是加權移動平均法的改進，一次指數平滑的數學模型為F_t=α×Y_t+(1-α)×F_t-1，其中F_t第t期的指數平滑值，α為平滑系數，Y_t為第t期的觀察值。當時間序列沒有明顯的趨勢變動時，可以采用一次指數平滑法；當時間序列的變動呈現明顯直線趨勢時，用一次指數平滑法來預測存在著明顯的滯后偏差，需要在一次指數平滑的基礎上再作二次指數平滑；當時間序列的變動呈現出二次曲線趨勢時，則需要用三次指數平滑法。

ARIMA模型全稱為差分自回歸移動平均模型（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時間序列預測方法。在應用ARIMA模型預測法時，軟件模塊可主要由數據準備模塊、模型訓練模塊、銷量預測模塊和預測應用模塊四部分構成，其工作流程如圖2所示。圖2是根據現有技術中的ARIMA模型預測法的一種工作流程的示意圖。

根據圖2所示的工作流程，首先對商品的銷量數據進行匯總，并進行數據清洗，通常情況下數據清洗包括惡意訂單、團購訂單的剔除，促銷極值的平滑和庫存異常銷量的填充；然后找出商品銷售時間序列的規則，通常采用求和自回歸移動平均模型ARIMA來擬合商品的歷史銷量；再將訓練得到的時間序列模型應用于新的銷量數據，得到商品未來一段時間的銷量預測結果；最后再結合現有的庫存情況和未來的促銷計劃等因素綜合得到最終的庫存補貨建議。

在實現本發明的過程中，發明人發現，任何一種預測方法都是建立在一定的假設條件之上，現有銷量預測技術方案的主要缺點是當預測的商品的銷售特征發生變化時，現有的預測模型不能自動地進行變化和調整，以適應新的情況。

對于加權移動平均法來說，權重不容易確定，沒有固定的規則可循，隨意性太強，且難以應對具有季節性變動特征的銷量，因此在準確性上難以滿足要求；對于指數平滑法來說，該方法能夠擬合不同的銷量曲線特征，但是它與加權移動平均法存在類似的問題——難以確定平滑系數，且平滑系數一旦確定，就不能依據銷售的階段性特征而變化；對于ARIMA模型預測法來說，當銷售特征發生變化時需要差分的階數、自相關系數和偏自相關系數截尾的階數都有可能發生變化，這意味著模型的參數要進行相應調整。

而電子商務零售行業市場環境的復雜多變，必然導致商品銷售特征的頻繁變化，加之商品數量動輒以百萬計數，現有技術中的商品銷量預測偏差較大，常引發商品斷貨或商品積壓。

發明內容

有鑒于此，本發明提供一種預測數據的方法和裝置，能夠提高數據預測的準確性。

為實現上述目的，根據本發明的一個方面，提供了一種預測數據的方法。