[发明专利]用于优化对象预测的方法、设备和存储介质

说明书

本申请公开了一种用于优化对象预测的方法和设备以及存储介质。该方法包括：对多个对象进行分组，其中每组对象具有相似的特性；针对每组对象分别构建预测器库；基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。

技术领域

本公开内容涉及需求预测的领域，并且具体地涉及优化对产品需求的预测的方法。

背景技术

销量预测是企业管理决策的重要依据，是合理控制库存、制定运输计划和整个供应链优化的前提。精确的销量预测，可以指导后端运营提前进行合理的资源配置和优化，避免浪费或者出现瓶颈。比如，提前进行呼叫中心、物流中心的建设，提前储备呼叫中心员工，提前进行包装、耗材的采购与备货等。产品销量的预测精度是影响企业运营效率的主要因素，如果预测的精度高，则即便反应链的反应速度不够快，也能实现库存与资金的高周转。采购管理、补货管理、销售管理等的基础便是销售预测。

销量预测对于企业运营有至关重大的指导意义，包括：指导后端运营提前进行合理的资源匹配和优化，避免浪费或出现瓶颈；让工厂计划和运作更加高效(例如，可减少供不应求时的原材料短缺情况，提高资产利用率等)；对顾客或市场的反应更加灵敏，让厂商有更多的机会卖出更多的产品；对成品库存进行更好的规划和控制，防止缺货或者库存过高。

销售预测需以具体产品为预测对象，例如经销商所销售的商品、或者工厂所生产的产品等。随着经济的发展，产品品类变得更加多元化，产品矩阵也变得更加复杂，因此，对销量预测的需求也越来越迫切，而销售预测的难度也越来越大。此外，企业还需考虑各种节日与消费热点对销售的影响，以及市面上花样层出的上新计划与促销，这些因素进一步提升了销售预测的难度。

依照核心流程，销量预测系统可分为以时间序列为主、和以机器学习算法为主两种。

前者对时间排列的系列数据进行分析，通过曲线拟合和参数估计来建立数学模型、预测未来趋势。这种方法统计性味浓，对数据量积累的要求高，且当数据趋势性不明显时预测效果会很差，传统销售预测系统中多是运用了此种流程。

以机器学习算法为主的销售预测则通过假设与算法，使模型具备自我改进的能力，且对数据量要求较低。此种系统是当下的流行，在百威英国、蒙牛等大企业中均有应用。然而，由于机器学习具有场景局限性，而且预测是基于因素间的相关关系而不是因果，这种系统也存在着不足。

发明内容

在下文中给出了关于本公开内容的简要概述，以便提供关于本公开内容的某些方面的基本理解。应当理解，这个概述并不是关于本公开内容的穷举性概述。它并不是意图确定本公开内容的关键或重要部分，也不是意图限定本公开内容的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

根据本发明的一个方面，提供了一种优化对象预测的方法，包括：对多个对象进行分组，其中每组对象具有相似的特性；针对每组对象分别构建预测器库；基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。

根据本发明的另一个方面，提供了一种用于优化对象预测的设备，包括：分组装置，其被配置成对多个对象进行分组，其中每组对象具有相似的特性；构建装置，其被配置成针对每组对象分别构建预测器库；确定装置，其被配置成基于每个对象的固定长度的历史特性数据，在每组对象的预测器库中确定每个对象初始的对应预测器；和更新装置，其被配置成利用与每个对象相关的随时间变化的特性数据来分别动态更新用于每个对象的对应预测器，其中，更新后的所述对应预测器对于所述与每个对象相关的随时间变化的特性数据的预测性能为最优。