【技术实现步骤摘要】
本专利技术涉及间歇性需求预测领域，尤其是涉及一种基于gpvar的大宗商品销量预测方法、装置、设备及介质。
技术介绍
1、在大宗商品市场，半月销量的准确预测对销售企业的生产计划和业务决策至关重要。然而，这个领域面临着一系列独特的挑战，其中两个主要方面尤为显著：
2、一方面，历史销售数据通常是稀疏的。具体而言，在多个时间点上，商品的销售量为零。这是因为大宗商品的购买采用b2b模式，相较于个人购买者，企业购买者的购买频率更低，同时也会受到企业内部和市场因素的影响，包括企业内部现金流、商品仓储状况，大宗商品价格趋势以及原材料价格等。于是，这导致了传统时间序列模型难以刻画大宗商品的销售量数据，预测偏差大。
3、另一方面，不同大宗商品的销售时序模式存在异质性。大宗商品的尺寸、类型以及生产地均会影响商品的销售量，其中一小部分大宗商品能够维持平稳且大量的销售额；其余大宗商品会出现销售量波动大，甚至有长期连续的“零”销售额，而且出现大量销售时序数据稀疏的大宗商品占比高。
4、因此，目前缺少一种稳定、准确的大宗商品销量预测方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于gpvar的大宗商品销量预测方法、装置、设备及介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的第一方面，提供了一种基于gpvar的大宗商品销量预测方法，该方法包括以下步骤：
4、s1，采集大宗商
5、s2，构建价差填补规则，对当日销量为零的大宗商品的价差时序数据进行填补；
6、s3，基于gpvar模型拟合销量与价差的联合分布，基于成对的销量和价差时序数据对gpvar模型进行训练，将训练得到的模型参数用于建模销量和价差时间序列之间的相关性，输出高斯联合概率分布参数；
7、s4，根据给出的价差，基于训练完成的gpvar模型给出的联合概率分布计算销量的条件概率分布参数，并以该分布的均值作为最终的销量预测值。
8、所述的步骤s1中，采集大宗商品历史订单信息并提取数据，提取的数据字段包括商品编号、商品名称、商品成交价格、商品市场价格、交易时间、订单状态，剔除重复订单，从订单信息中提取大宗商品的销量与成交价的时序数据，并根据外部数据表确定相应大宗商品的日市场价。
9、所述的步骤s1中，数据预处理具体为：将所有订单按日和大宗商品类型进行汇总，分别统计在该日内各种大宗商品的销量数据和价格数据，将当日市场价减去该商品的当日平均成交价作为价差，构建销量和价差的时序数据，基本形式如下：
10、(sku，z1，1，z1，2，…，z1，t)
11、(sku，z2，1，z2，2，…，z2，t)
12、其中，sku为商品编号，由产地、牌号、宽度和厚度构成，为商品的唯一标识；z1，t为某一sku第t天的日销量数据，z2，t为某一sku第t天的日价差数据；t为历史日销售量数据的总天数。
13、所述的步骤s2中，价差填补规则包括市场价填补、平均成交价填补、平均价差填补和历史价差填补，其中，
14、所述市场价填补具体为：将当日销量为零的sku的成交价定义为该sku当日对应的市场价，即用零填补缺失的价差数据；
15、所述平均成交价填补具体为：将当日销量为零的sku的成交价用相似大宗商品的邻近价格进行填补，即，若相同产地且相同牌号的大宗商品当日有交易，则用其平均成交价填补；若相同产地且相同牌号的大宗商品当日无交易，但相同产地的不同大宗商品当日有交易，则用相同产地下的所有大宗商品的平均成交价填补；若既无相同产地且无相同牌号的大宗商品交易，则用所有当日有交易的大宗商品平均成交价填补；否则，表明当天无任何大宗商品的交易，用前一天该商品的成交价填补；根据填补后的成交价，计算该sku的价差进行价差时序数据的填补；
16、所述平均价差填补具体为：将当日销量为零的sku的价差用相似大宗商品的邻近价差进行填补，即，若相同产地且相同牌号的大宗商品当日有交易，则用其平均价差填补；若相同产地且相同牌号的大宗商品当日无交易，但相同产地的不同大宗商品当日有交易，则用相同产地下的所有大宗商品的平均价差填补；若既无相同产地且无相同牌号的大宗商品交易，则用所有当日有交易的大宗商品平均价差填补；否则，表明当天无任何大宗商品的交易，用前一天该商品的价差填补；
17、所述历史价差填补具体为：固定一个滑动窗口的大小，在历史滑动窗口内，计算相同sku的历史平均价差用于填补缺失的价差数据，其中，对于销售期不足滑动窗口时间长度的大宗商品，计算实际销售期内价差的平均值作为历史平均价差进行填补。
18、所述的步骤s3具体为：将大宗商品销量和价差时序集的训练数据以时间序列的形式作为gpvar模型的输入，输入到rnn层中进行训练；利用训练得到的模型参数建模销量与价差时间序列之间的相关性，并建立高斯联合概率分布；在各类大宗商品的训练集上使用所述高斯联合概率分布的对数似然函数衡量预测值与真实值之间的误差；gpvar模型参数通过最大化对数似然来学习，并使用随机梯度下降求解；每次更新模型参数后重新计算各类大宗商品的训练集上损失函数的值，重复上述过程直到训练集上的损失函数值接近最优化，保存训练完成的gpvar模型参数。
19、所述的步骤s3具体包括以下步骤：
20、s31，基于lstm网络架构搭建gpvar模型并输出模型参数；
21、令zt＝(z1，t，z2，t)表示第t时间点上大宗商品的销量和价差，gpvar模型使用lstm架构，利用历史t天的历史销量-价差时序数据，来预测未来τ天的销量-价差时序，则模型表示为：
22、p(zt，zt+1，…，zt+t-1)＝gpvar(zt-t，…，zt-1)，
23、根据输入的参数定义深度神经网络rnn的单元层数和隐藏层数，定义[1，t]为训练范围，t表示某一时刻，[t，t+τ-1]为预测范围，需要预测的是未来τ步，假定模型的预测目标如下为p(zt+1，...，zt+τ)，z表示随机变量，hi，t是lstm的状态向量，每步从上一步的状态向量hi，t-1和这一步的目标观测值zi，t进行计算，更新状态函数的参数是给定所有时间序列i的状态值hi，t，并用ht表示t时刻所有序列的状态值集合；假设联合分布服从高斯分布，即，zt的分布为
24、
25、其中，变换fi＝φ-1·fi，φ是标准正态分布的累积分布函数，fi表示第i个时间序列边际分布；fi的作用是将第i个时间序列的目标值进行转换，使其边际分布是标准正态分布；μ，∑是两个把状态向量的集合ht分别映射到联合分布平均值和协方差矩阵的函数，各自参数为θμ，θ∑，由rnn训练得到的参数构成；基于rnn的模型为每个目标变量计算并输出三个参数，第一个参数θμ直接组本文档来自技高网...
【技术保护点】
1.一种基于GPVAR的大宗商品销量预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于GPVAR的大宗商品销量预测方法，其特征在于，所述的步骤S1中，采集大宗商品历史订单信息并提取数据，提取的数据字段包括商品编号、商品名称、商品成交价格、商品市场价格、交易时间、订单状态，剔除重复订单，从订单信息中提取大宗商品的销量与成交价的时序数据，并根据外部数据表确定相应大宗商品的日市场价。
3.根据权利要求1所述的一种基于GPVAR的大宗商品销量预测方法，其特征在于，所述的步骤S1中，数据预处理具体为：将所有订单按日和大宗商品类型进行汇总，分别统计在该日内各种大宗商品的销量数据和价格数据，将当日市场价减去该商品的当日平均成交价作为价差，构建销量和价差的时序数据，基本形式如下：
4.根据权利要求1所述的一种基于GPVAR的大宗商品销量预测方法，其特征在于，所述的步骤S2中，价差填补规则包括市场价填补、平均成交价填补、平均价差填补和历史价差填补，其中，
5.根据权利要求1所述的一种基于GPVAR的大宗商品销量预测方法，其特
6.根据权利要求1所述的一种基于GPVAR的大宗商品销量预测方法，其特征在于，所述的步骤S3具体包括以下步骤：
7.根据权利要求1所述的一种基于GPVAR的大宗商品销量预测方法，其特征在于，所述的步骤S4包括以下步骤：
8.一种基于GPVAR的大宗商品销量预测装置，其特征在于，包括：
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
...【技术特征摘要】
1.一种基于gpvar的大宗商品销量预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于gpvar的大宗商品销量预测方法，其特征在于，所述的步骤s1中，采集大宗商品历史订单信息并提取数据，提取的数据字段包括商品编号、商品名称、商品成交价格、商品市场价格、交易时间、订单状态，剔除重复订单，从订单信息中提取大宗商品的销量与成交价的时序数据，并根据外部数据表确定相应大宗商品的日市场价。
3.根据权利要求1所述的一种基于gpvar的大宗商品销量预测方法，其特征在于，所述的步骤s1中，数据预处理具体为：将所有订单按日和大宗商品类型进行汇总，分别统计在该日内各种大宗商品的销量数据和价格数据，将当日市场价减去该商品的当日平均成交价作为价差，构建销量和价差的时序数据，基本形式如下：
4.根据权利要求1所述的一种基于gpvar的大宗商品销量预测方法，其特征在于，所述的步骤s2中，价差填补规则包括市场价填补、平均成交价填补、平均价差填补和历史价差填补，其中，
5.根据权利要求1所述的一种基于gpvar的大宗商品销量预测方法，其特征在于，所述的步骤s3具体为：将大宗商品销量和价差时序集的训练数据以时间序...
【专利技术属性】
技术研发人员：王汇丰，陈汪怡，陈帅华，倪葎，高晓国，程夏莹，易力，顾永兴，陈旭栋，秦琪，曾磊，
申请(专利权)人：欧冶云商股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。