[发明专利]一种预测资源供应链需求量的方法、装置及存储介质

说明书

本申请实施例公开一种预测资源供应链需求量的方法、装置及存储介质，方法包括：对数据源进行预处理和特征提取，得到训练数据，基于不同数据分布的资源的供应数据、以及不同数据质量的资源的供应数据；对分层模型进行训练和预测，得到预测结果；预测结果包括待供应资源的多个预测值的分布；将预测结果输出至分位数回归模型；在预测阶段利用分位数回归模型对预测结果进行回归分析，得到在不同分位数组合下不同数据分布的资源的概率分布以及在不同分位数组合下不同数据质量的资源的概率分布。本方案能够全面预估未来的商品供货需求，极大降低商品缺货和浪费现象。

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种预测资源供应链需求量的方法、装置及存储介质。

背景技术

现有机制中，零售业的需求可能受到季节，节假日，天气，促销等多重因素的影响，人工预估供应链的需求存在较大偏差，所以为保证商品的供应，目前主要是采用大数据与人工智能技术优化传统零售业的供应链，对供货连的商品需求量进行量化与预测，将传统零售业的供应链改造为智慧供应链，一定程度上能够预估商品需求以减少缺货或者浪费现象。

在对现有技术的研究和实践过程中，本申请实施例的发明人发现，现有的供应链预测是基于单一的机器学习模型，在预测供应链需求时存在较大偏差，且无法快速得到不同数据分布和数据质量的精确预测。

发明内容

本申请实施例提供了一种预测资源供应链需求量的方法、装置及存储介质，能够全面预估未来的商品供货需求，极大降低商品缺货和浪费现象。

第一方面中，本申请实施例提供一种预测资源供应链需求量的方法，

预测资源供应链需求量的方法，其特征在于，所述方法包括：

获取待处理的数据源并对所述数据源进行预处理和特征提取，得到训练数据，所述训练数据包括资源的第一特征向量和资源的第二特征向量，所述第一特征向量包括不同数据分布的资源的供应数据，所述第二特征向量包括不同数据质量的资源的供应数据；

基于所述第一特征向量和所述第二特征向量对分层模型进行训练和预测，得到多个预测值的分布；

将所述多个预测值的分布输出至分位数回归模型；

在预测阶段，利用所述分位数回归模型对所述多个预测值的分布进行回归分析，得到在不同分位数组合下不同数据分布的资源的概率分布、以及在不同分位数组合下不同数据质量的资源的概率分布。

一种可能的设计中，所述基于所述第一特征向量和所述第二特征向量对分层模型进行训练和预测，得到预测结果，包括：

将所述训练数据中数据量大小低于预设数据量的数据输入时间序列模型进行训练和预测；将所述训练数据中数据量高于预设数量且特征存在周期性变化的数据输入时间序列模型或者机器学习模型进行训练和预测；将所述训练数据中数据量高于预设数据量、不存在周期性变化且特征明显的数据输入机器学习模型进行训练和预测；以及将所述训练数据中数据量高于预设数据量、不存在周期性变化且特征不明显的数据输入深度学习模型进行训练和预测。

一种可能的设计中，所述资源为商品，所述在预测阶段，利用所述分位数回归模型对所述预测结果进行回归分析，包括：

确定供货变量，基于所述供货变量建立不同分位数的分位数回归模型；

选择取值为α的分位数作为下一步补货的实际输入，所述分位数用于指示所述供货变量的预测值；

根据置信度区间选取多个分位数阈值组合，将所述分位数阈值组合作为所述预测结果的上下界；

利用不同的分位数阈值组合对所述预测结果进行拟合，得到在不同分位数组合下不同数据分布的商品的概率分布、以及不同数据质量的商品的概率分布；其中，概率分布是指所述分位数回归模型的输出的预测值的取值范围。