[发明专利]补货方法及装置、电子设备、存储介质

权利要求书

1.一种补货方法，其特征在于，所述方法包括：

获取并根据目标物品在多个不同提前期的历史实际交易数据以及历史预测数据，确定所述目标物品在所述多个不同提前期的历史预测偏差；

基于所述多个不同提前期的历史预测偏差，分别建立非参数模型和参数模型；

对所述非参数模型和所述参数模型进行集成，得到集成模型；

根据所述集成模型，确定所述目标物品在目标未来日期的交易波动数据，并将所述交易波动数据发送至补货系统，以使所述补货系统根据所述交易波动数据确定补货量。

2.根据权利要求1所述的方法，其特征在于，基于所述多个不同提前期的历史预测偏差，建立非参数模型的方法，包括：

基于所述多个不同提前期的历史预测偏差，通过核密度估计建立非参数模型。

3.根据权利要求2所述的方法，其特征在于，所述基于所述多个不同提前期的历史预测偏差，通过核密度估计建立非参数模型，包括：

根据影响交易数据的因素，对所述多个不同提前期的历史预测偏差进行划分，并确定单个因素对应的分组的历史预测偏差的局部概率分布；

基于单个分组对应的历史预测偏差的局部概率分布，确定该分组对应的整体偏差分布，并将各分组对应的整体偏差分布作为非参数模型。

4.根据权利要求1所述的方法，其特征在于，基于所述多个不同提前期的历史预测偏差，建立参数模型的方法，包括：

根据广义自回归条件异方差模型以及影响交易数据的因素，建立门限广义自回归条件异方差模型，其中，所述门限广义自回归条件异方差模型中的门限变量根据所述影响交易数据的因素确定；

基于所述多个不同提前期的历史预测偏差，通过最大似然估计方法对所述门限广义自回归条件异方差模型中的参数进行求解，并将求解后的门限广义自回归条件异方差模型作为参数模型。

5.根据权利要求4所述的方法，其特征在于，所述门限广义自回归条件异方差模型具体为：

其中，ε_i,n＝σ_i,nz_n，ε_i,n表示目标物品i在时间序列n对应的残差，表示示目标物品i在时间序列n对应的方差，z_n是以0为均值、以1为标准差的正态分布，ω_i,α_i,β_i,γ表示模型参数，tv表示门限变量，d表示门限值。

6.根据权利要求1所述的方法，其特征在于，所述对所述非参数模型和所述参数模型进行集成，得到集成模型，包括：

通过stacking方法对所述非参数模型和所述参数模型进行集成，确定所述非参数模型的权重和所述参数模型的权重以得到集成模型。

7.根据权利要求1所述的方法，其特征在于，所述根据所述集成模型，确定所述目标物品在目标未来日期的交易波动数据，包括：

确定所述目标未来日期所对应的影响交易数据的因素；

根据所述集成模型以及所述目标未来日期所对应的影响交易数据的因素，确定所述目标物品在目标未来日期的交易波动数据。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述参数模型，确定所述目标物品在多个未来日期的预测残差；

在所述预测残差的均值不为0时，将所述预测残差的均值发送至所述补货系统，以使所述补货系统根据所述预测残差的均值，对所述多个未来日期的预测交易数据进行矫正。

9.根据权利要求3或4所述的方法，其特征在于，所述影响交易数据的因素包括以下一种或多种：预测提前期、日历效应、天气变化、促销活动。