备货处理方法及装置、计算机存储介质、电子设备与流程

1.本公开涉及数据处理技术领域，特别涉及一种备货处理方法、备货处理装置、计算机存储介质及电子设备。


背景技术：

2.随着互联网及计算机技术的迅速发展，在很多业务场景中需要用到“预测”技术。举例而言，在产品生产过程中，往往需要预测未来的交易量并结合自身的库存，来制定生产计划以及原材料的采购计划，而不准确的预测结果，往往会导致产品积压或短缺，严重影响生产方的良性发展。
3.目前，一般是收集历史交易量，根据历史交易量训练得到多个预测模型，进而，根据多个预测模型对未来的交易量进行预测，得到多个预测值，进而，从多个预测值中选取一个(或多个的平均值)作为最终的预测结果。然而，这种方法在确定最终预测结果时缺乏“可解释性”，无法向用户阐明数据的选取规则，且预测准确率较低。
4.鉴于此，本领域亟需开发一种新的备货处理方法及装置。
5.需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。


技术实现要素：

6.本公开的目的在于提供一种备货处理方法、备货处理装置、计算机存储介质及电子设备，进而至少在一定程度上避免了相关技术中预测准确率较低的缺陷。
7.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
8.根据本公开的第一方面，提供一种备货处理方法，包括：通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值；通过预先训练的误差预测模型对所述多个交易量预测模型在所述未来时间段的预测误差进行预测，得到多个预测误差；根据所述多个预测误差从所述多个交易量预测模型中选取目标模型，并根据所述目标模型对应的初步预测值确定最终预测值；将所述最终预测值发送至备货端，以使所述备货端根据所述最终预测值对所述目标物品进行备货处理。
9.在本公开的示例性实施例中，所述交易量预测模型通过以下方式训练得到：获取目标物品基于时间序列的历史交易数据样本；利用所述历史交易数据样本对多个预设机器学习模型进行训练，得到所述预先训练的多个交易量预测模型。
10.在本公开的示例性实施例中，所述误差预测模型通过以下方式训练得到：通过所述预先训练的多个交易量预测模型对目标物品在历史时间段的交易量进行预测，得到多个历史预测值；根据所述目标物品在所述历史时间段内的实际交易量和所述历史预测值，确定各所述交易量预测模型对应的预测误差；从多个所述交易量预测模型对应的预测误差中选取预测误差样本；利用所述预测误差样本对预设机器学习模型进行训练，得到所述误差
预测模型。
11.在本公开的示例性实施例中，所述根据所述目标物品在所述历史时间段内的实际交易量和所述历史预测值，确定各所述交易量预测模型对应的预测误差，包括：将所述历史预测值与所述实际交易量进行比对，得到数值比对结果；根据所述数值比对结果，确定各所述交易量预测模型对应的预测误差。
12.在本公开的示例性实施例中，所述从多个所述交易量预测模型对应的预测误差中选取预测误差样本，包括：基于合作博弈算法确定每个所述预测误差对所述误差预测模型的处理结果的贡献值；根据所述贡献值的数值大小从多个所述交易量预测模型对应的预测误差中选取预测误差样本。
13.在本公开的示例性实施例中，所述根据所述多个预测误差从所述多个交易量预测模型中选取目标模型，包括：将预测误差最小的交易量预测模型确定为所述目标模型。
14.在本公开的示例性实施例中，所述根据所述多个预测误差从所述多个交易量预测模型中选取目标模型，并根据所述目标模型对应的初步预测值确定最终预测值，包括：将预测误差小于误差阈值的多个交易量预测模型确定为所述目标模型；对所述目标模型对应的初步预测值进行加权求和，得到所述最终预测值。
15.根据本公开的第二方面，提供一种备货处理装置，包括：交易量预测模块，用于通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值；误差预测模块，用于通过预先训练的误差预测模型对所述多个交易量预测模型在所述未来时间段的预测误差进行预测，得到多个预测误差；预测结果确定模块，用于根据所述多个预测误差从所述多个交易量预测模型中选取目标模型，并根据所述目标模型对应的初步预测值确定最终预测值；发送模块，用于将所述最终预测值发送至备货端，以使所述备货端根据所述最终预测值对所述目标物品进行备货处理。
16.根据本公开的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的备货处理方法。
17.根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的备货处理方法。
18.由上述技术方案可知，本公开示例性实施例中的备货处理方法、备货处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
19.在本公开的一些实施例所提供的技术方案中，一方面，通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值，通过预先训练的误差预测模型对多个交易量预测模型在未来时间段的预测误差进行预测，得到多个预测误差，根据多个预测误差从多个交易量预测模型中选取目标模型，并根据目标模型对应的初步预测值确定最终预测值，不仅能够实现根据模型未来的预测误差来确定最终预测值，解决相关技术中仅根据模型的历史误差来确定最终预测值(而模型的历史表现与未来表现没有必然关系)导致预测结果不准确的技术问题，提高最终预测值的准确度，而且使得目标模型的选取与各个模型的预测误差相挂钩，解决相关技术中无法解释模型选取规则的问题。另一方面，将最终预测值发送至备货端，以使备货端根据最终预测值对目标物品进行备货处理，能够提高物品的备货准确性，解决相关技术中因物品备货数量不准确导致物品
缺货或库存堆积的问题，降低备货成本，以及，解决相关技术中因备货量不准确导致系统频繁地在不同订单、不同仓库之间调配物品的配额，优化系统处理正常业务的性能，避免不必要的数据读写进程，提高业务处理速度。
20.本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1示出本示例性实施方式中一种备货处理方法的流程示意图；
23.图2示出本示例性实施方式中一种训练得到交易量预测模型的流程示意图；
24.图3示出本示例性实施方式中一种训练得到误差预测模型的流程示意图；
25.图4示出本示例性实施方式中一种确定最终预测值的流程示意图；
26.图5示出本公开示例性实施例中一种备货处理方法的整体流程图；
27.图6示出本公开示例性实施例中一种备货处理装置的结构示意图；
28.图7示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
29.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
30.本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
31.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
32.在很多场景中需要用到“预测”技术，例如商品需求预测，交通流量预测，广告点击率预测等等。在某些情况下，由于业务场景众多、数据分布比较复杂，预测系统需要运用多个预测模型，通过多个模型输出结果的融合和选择确定最终预测值。
33.相关技术中一般基于以下两种方式对物品进行交易量预测：
34.①
使用所有模型预测全部时序样本，生成多个预测值。然而，该方法需要在利用大量数据训练多个模型，资源消耗过多，模型训练速度较慢。
35.②
统计所有模型的历史预测数据对应的历史误差，根据历史误差，按照一定权重融合多个模型的预测值。然而，模型历史表现与未来表现没有必然关系，导致预测结果不准确。
36.在本公开的实施例中，首先提供了一种备货处理方法，至少在一定程度上克服现有技术中预测准确率较低的缺陷。
37.图1示出本示例性实施方式中一种备货处理方法的流程示意图，该备货处理方法的执行主体可以是对物品进行备货的服务器。
38.参考图1，根据本公开的一个实施例的备货处理方法包括以下步骤：
39.步骤s110，通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值；
40.步骤s120，通过预先训练的误差预测模型对多个交易量预测模型在未来时间段的预测误差进行预测，得到多个预测误差；
41.步骤s130，根据多个预测误差从多个交易量预测模型中选取目标模型，并根据目标模型对应的初步预测值确定最终预测值；
42.步骤s140，将最终预测值发送至备货端，以使备货端根据最终预测值对目标物品进行备货处理。
43.在图1所示实施例所提供的技术方案中，一方面，通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值，通过预先训练的误差预测模型对多个交易量预测模型在未来时间段的预测误差进行预测，得到多个预测误差，根据多个预测误差从多个交易量预测模型中选取目标模型，并根据目标模型对应的初步预测值确定最终预测值，不仅能够实现根据模型未来的预测误差来确定最终预测值，解决相关技术中仅根据模型的历史误差来确定最终预测值(而模型的历史表现与未来表现没有必然关系)导致预测结果不准确的技术问题，提高最终预测值的准确度，而且使得目标模型的选取与各个模型的预测误差相挂钩，解决相关技术中无法解释模型选取规则的问题。另一方面，将最终预测值发送至备货端，以使备货端根据最终预测值对目标物品进行备货处理，能够提高物品的备货准确性，解决相关技术中因物品备货数量不准确导致物品缺货或库存堆积的问题，降低备货成本，以及，解决相关技术中因备货量不准确导致系统频繁地在不同订单、不同仓库之间调配物品的配额，优化系统处理正常业务的性能，避免不必要的数据读写进程，提高业务处理速度。
44.以下对图1中的各个步骤的具体实现过程进行详细阐述：
45.示例性的，可以先参考图2，图2示出本示例性实施方式中一种训练得到交易量预测模型的流程示意图，包含步骤s201-步骤s202：
46.在步骤s201中，获取目标物品基于时间序列的历史交易数据样本。
47.本步骤中，历史交易数据样本可以是基于时间序列的海量交易数据(例如：2016年-2019年所有的交易数据)，也可以是对上述海量交易数据进行随机采样后得到的部分交易数据(例如：2016年-2019年中某些日期或时间段的交易数据)，从而，可以有效的减少资源消耗，从而提高模型训练效率。
48.示例性的，上述交易数据样本还可以是历史交易量的变化趋势，例如：周变化趋势(每周相对上周的增长率或下降率)、月变化趋势(每个月相对上个月的增长率或下降率)、年变化趋势(每年相对上一年的增长率或下降率)等。上述交易数据样本还可以是重要时间节点标志，例如：节假日、周末、大促节日(例如：双十一)、普通力度的促销时间等。
49.示例性的，还可以将历史交易量视为随机变量，从而，上述历史交易数据样本可以是：目标物品在预设时长内历史交易量的均值、方差(度量交易量和其均值之间的偏离程度)、偏度(衡量随机变量概率分布的不对称性)、峰度(表征概率密度分布曲线在平均值处峰值高低的特征数)等，可以根据实际情况自行设定，均属于本公开的保护范围。鉴于上述数据均具有明确的业务含义，因而具有良好的“可解释性”，能够解释模型训练和输出的规则。
50.在步骤s202中，利用历史交易数据样本对多个预设机器学习模型进行训练，得到预先训练的多个交易量预测模型。
51.本步骤中，可以将模型准确率作为标签，利用上述历史交易数据样本对上述多个预设机器学习模型进行训练，直至各机器学习模型的损失函数趋于收敛，得到预先训练的多个交易量预测模型(时间序列的交易量预测模型)。
52.其中，上述预设机器学习模型可以是回归模型，例如：线性回归(是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析)、多项式回归，支持向量回归、分位数回归、稳健回归等。预设机器学习模型还可以是arima(autoregressive integrated moving average model，差分整合移动平均自回归模型，又称整合移动平均自回归模型，是时间序列预测分析方法之一，arima(p，d，q)中，ar是“自回归”，p为自回归项数，ma为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分阶数)、gbdt(gradient boosting decision tree，又叫mart(multiple additive regression tree，是为了解决一般损失函数的优化问题，方法是用损失函数的负梯度在当前模型的值来模拟回归问题中残差的近似值)。预设机器学习模型还可以是深度学习模型，例如多层神经网络，lstm(long short-term memory，长短期记忆网络，是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式)、wavenet(是谷歌deepmind最新推出基于深度学习的语音生成模型，该模型可以直接对原始语音数据进行建模)、transfomer(是google的团队在2017年提出的一种自然语言处理经典模型)、deepar(deepar是一种适用于时间序列预测的监督学习算法，该算法使用递归神经网络生成点预测和概率预测)等，可以根据实际情况自行设定，属于本公开的保护范围。
53.在训练得到上述交易量预测模型之后，可以参考图3，图3示出本示例性实施方式中一种训练误差预测模型的流程示意图，包含步骤s301-步骤s304：
54.在步骤s301中，通过预先训练的多个交易量预测模型对目标物品在历史时间段的交易量进行预测，得到多个历史预测值。
55.本步骤中，可以通过上述预先训练的多个交易量预测模型对目标物品在历史时间段(例如：2020年1月-10月)的交易量进行预测，得到多个历史预测值。
56.在步骤s302中，根据目标物品在历史时间段内的实际交易量和历史预测值，确定各交易量预测模型对应的预测误差。
57.本步骤中，可以获取目标物品在上述历史时间段内的实际交易量，进而，将历史预测值与实际交易量进行比对，得到数值比对结果，进而，根据数值比对结果，确定各历史预测值对应的预测误差。举例而言，当交易量预测模型a输出2020年1月的历史预测值为30，而2020年1月的实际交易量为35时，则可以确定预测模型a输出的2020年1月历史预测值对应的预测误差为-5。类似的，可以得到每个交易量预测模型对应的预测误差。
58.在步骤s303中，从多个交易量预测模型对应的预测误差中选取预测误差样本。
59.本步骤中，可以基于合作博弈算法确定每个预测误差对误差预测模型的处理结果的贡献值，根据贡献值的数值大小多个交易量预测模型对应的预测误差中选取预测误差样本(即每个模型在不同时间的预测误差序列)。
60.具体的，可以将各个预测误差视为特征，通过shap分析器生成每个特征的“shapley value”，其主要思想是：计算一个特征加入到模型时的边际贡献，然后考虑到该特征在所有的特征序列的情况下不同的边际贡献，取均值，即该特征的shapley value。“shapley value”简称shap值，代表每个特征对模型处理结果的贡献值，shap值有正有负，正值代表该特征对模型结果有正的影响，负值代表该特征对模型结果有负的影响。举例而言，可以将shap值的绝对值大于阈值的预测误差选取为预测误差样本。
61.shap不仅考虑了单个变量的影响，而且考虑到变量组的影响，以及，变量之间可能存协同效应。通过shap分析器对特征进行筛选和精简，不仅能够降低资源消耗，提高模型训练效率，而且可以选择对结果相关高的特征，保证了模型的效果和可解释性。
62.在步骤s304中，利用预测误差样本对预设机器学习模型进行训练，得到误差预测模型。
63.本步骤中，可以根据上述预测误差样本对预设机器学习模型进行训练，以使得各机器学习模型的损失函数趋于收敛，得到上述基于时间序列误差预测模型(时间序列的误差预测模型)。
64.其中，上述预设机器学习模型可以是回归模型(线性回归、多项式回归，支持向量回归、分位数回归、稳健回归)、arima、gbdt(gradient boosting decision tree)又叫mart(multiple additive regression tree)等模型，也包含多个深度学习，例如多层神经网络，lstm、wavenet；transfomer、deepar等。
65.需要说明的是，在通过步骤s302得到各交易量预测模型对应的预测误差之后，也可以直接根据得到的预测误差对上述预设机器学习模型进行训练，得到上述误差预测模型，属于本公开的保护范围。
66.接着参考图1，在步骤s110中，通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值。
67.本步骤中，可以通过上述预先训练的多个交易量预测模型对目标物品在未来时间段(例如：2021年1月)的交易量进行预测，得到多个初步预测值。具体的，可以将未来时间段作为输入参数输入上述预先训练好的多个交易量预测模型中，根据各个模型的输出，得到多个初步预测值。
68.在步骤s120中，通过预先训练的误差预测模型对多个交易量预测模型在未来时间段的预测误差进行预测，得到多个预测误差。
69.本步骤中，可以通过上述预先训练的误差预测模型对上述多个交易量预测模型在
未来时间段的预测误差进行预测，得到多个预测误差。具体的，可以将上述未来时间段作为输入参数输入上述误差预测模型中，根据误差预测模型的输出，得到各个交易量预测模型分别对应的预测误差。
70.在步骤s130中，根据多个预测误差从多个交易量预测模型中选取目标模型，并根据目标模型对应的初步预测值确定最终预测值。
71.本步骤中，可以将预测误差绝对值最小的交易量预测模型确定为目标模型，并将目标模型对应的初步预测值确定为最终预测值。
72.本步骤中，还可以参考图4，图4示出本示例性实施方式中一种确定最终预测值的流程示意图，包含步骤s401-s402：
73.在步骤s401中，将预测误差绝对值小于误差阈值的多个交易量预测模型确定为目标模型。
74.举例而言，当交易量预测模型a的预测误差为-5，交易量预测模型b的预测误差为-6，交易量预测模型b的预测误差为-8，交易量预测模型b的预测误差为11，而上述误差阈值为10时，则可以将交易量预测模型a、b、c确定为目标模型。
75.在步骤s402中，对目标模型对应的初步预测值进行加权求和，得到最终预测值。
76.从而，当交易量预测模型a的输出结果为32，交易量预测模型b的输出结果为36，交易量预测模型c的输出结果为22时，则示例性的，最终预测值可以是(32 36 22)/3＝30。
77.示例性的，在确定出目标模型之后，还可以根据目标模型对应的预测误差，确定不同目标模型对应的权重，进而，获取各目标模型的初步预测值与权重的乘积，将多个乘积之和与多个权重之和的比值确定为最终预测值。示例性的，当交易量预测模型a的输出结果为32，交易量预测模型b的输出结果为36，交易量预测模型c的输出结果为22时，可以确定出交易量预测模型a的权重为5，交易量预测模型b的权重为3，交易量预测模型c的权重为2时，从而，最终预测值可以是(32*5 36*3 22*2)/10＝31.2。从而，能够保证预测结果的稳健性和准确性。
78.基于步骤s130，本公开不仅能够实现根据模型未来的预测误差来确定最终预测值，解决相关技术中仅根据模型的历史误差来确定最终预测值(而模型的历史表现与未来表现没有必然关系)导致预测结果不准确的技术问题，提高最终预测值的准确度，而且使得目标模型的选取与各个模型的预测误差相挂钩，解决相关技术中无法解释模型选取规则的问题。
79.在步骤s140中，将最终预测值发送至备货端，以使备货端根据最终预测值对目标物品进行备货处理。
80.本步骤中，在计算出上述最终预测值之后，可以将最终预测值发送至备货端(例如：物品仓库)，以使备货端根据最终预测值对目标物品进行备货处理。示例性的，当接收到的最终预测值为31.2时，备货端可以将备货数量确定为32件，或者，备货端还可以在上述最终预测值的基础上加上或减去预设数值(例如：3)，以确定出最终的备货数量。从而，能够提高物品的备货准确性，解决相关技术中因物品备货数量不准确导致物品缺货或库存堆积，成本较高的技术问题，以及，解决相关技术中因备货量不准确导致系统频繁地在不同订单、不同仓库之间调配物品的配额，优化系统处理正常业务的性能，避免不必要的数据读写进程，提高业务处理速度。
81.图5示出本示例性实施方式中一种备货处理方法的整体流程图，包含步骤s501-s508：
82.在步骤s501中，将历史交易数据样本输入回归模型中，训练得到多个交易量预测模型；
83.在步骤s502中，通过交易量预测模型预测历史时间段的交易量，得到预测结果；
84.在步骤s503中，将预测结果与实际交易量进行比较，得到预测误差；
85.在步骤s504中，通过shap分析器对预测误差进行筛选；
86.在步骤s505中，根据筛选出的预测误差样本训练得到误差预测模型；
87.在步骤s506中，通过交易量预测模型得到未来时间段的初步预测值，通过误差预测模型预测各交易量预测模型的预测误差；
88.在步骤s507中，根据交易误差选取目标模型；
89.在步骤s508中，根据目标模型的初步预测值确定最终预测值。
90.基于以上技术方案，本公开不仅能够通过数据随机抽样，降低算法资源消耗；通过利用从预测误差中选取的、对模型输出结果贡献值较大的预测误差样本训练误差预测模型，使得模型的输出结果具有可解释性；通过结合各个交易量预测模型的预测误差，确定最终预测值，能够提高得到的最终预测值的准确率，从而保证后续备货数量的准确度，降低物品备货成本。
91.需要说明的是，在不同的业务场景下，本公开中的方法还可以用来预测不同的业务数据，举例而言，可以用来预测物品需求量、交通流量、广告点击率等等，可以根据实际情况自行设定，均属于本公开的保护范围。以预测交通流量为例进行说明，可以预先训练多个交通流量预测模型，以及，预先训练一流量误差预测模型，通过上述流量预测模型对未来时间段的交通流量进行预测，得到多个交通流量预测值，通过上述流量误差预测模型对多个交通流量预测模型在未来时间段的流量预测误差进行预测，得到多个流量预测误差；根据多个流量预测误差从多个交通流量预测模型中选取目标交通流量预测模型，并根据目标交通流量预测模型对应的交通流量预测值确定交通流量预测结果。
92.本公开还提供了一种备货处理装置，图6示出本公开示例性实施例中一种备货处理装置的结构示意图；如图6所示，备货处理装置600可以包括交易量预测模块601、误差预测模块602、预测结果确定模块603和发送模块604。其中：
93.交易量预测模块601，用于通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值。
94.在本公开的示例性实施例中，交易量预测模型通过以下方式训练得到：获取目标物品基于时间序列的历史交易数据样本；利用历史交易数据样本对多个预设机器学习模型进行训练，得到预先训练的多个交易量预测模型。
95.误差预测模块602，用于通过预先训练的误差预测模型对多个交易量预测模型在未来时间段的预测误差进行预测，得到多个预测误差。
96.在本公开的示例性实施例中，误差预测模型通过以下方式训练得到：通过预先训练的多个交易量预测模型对目标物品在历史时间段的交易量进行预测，得到多个历史预测值；根据目标物品在历史时间段内的实际交易量和历史预测值，确定各交易量预测模型对应的预测误差；从多个交易量预测模型对应的预测误差中选取预测误差样本；利用预测误
差样本对预设机器学习模型进行训练，得到误差预测模型。
97.在本公开的示例性实施例中，误差预测模块还用于将历史预测值与实际交易量进行比对，得到数值比对结果；根据数值比对结果，确定各交易量预测模型对应的预测误差。
98.在本公开的示例性实施例中，误差预测模块还用于基于合作博弈算法确定每个预测误差对误差预测模型的处理结果的贡献值；根据贡献值的数值大小从多个交易量预测模型对应的预测误差中选取预测误差样本。
99.预测结果确定模块603，用于根据多个预测误差从多个交易量预测模型中选取目标模型，并根据目标模型对应的初步预测值确定最终预测值。
100.在本公开的示例性实施例中，预测结果确定模块用于将预测误差最小的交易量预测模型确定为目标模型。
101.在本公开的示例性实施例中，预测结果确定模块用于将预测误差小于误差阈值的多个交易量预测模型确定为目标模型；对目标模型对应的初步预测值进行加权求和，得到最终预测值。
102.发送模块604，用于将最终预测值发送至备货端，以使备货端根据最终预测值对目标物品进行备货处理。
103.上述备货处理装置中各模块的具体细节已经在对应的备货处理方法中进行了详细的描述，因此此处不再赘述。
104.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
105.此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
106.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
107.本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
108.计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系
统、装置或者器件使用或者与其结合使用。
109.计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
110.计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中的方法。
111.此外，在本公开实施例中还提供了一种能够实现上述方法的电子设备。
112.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
113.下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
114.如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730以及显示单元740。
115.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图1中所示的：步骤s110，通过预先训练的多个交易量预测模型对目标物品在未来时间段的交易量进行预测，得到多个初步预测值；步骤s120，通过预先训练的误差预测模型对多个交易量预测模型在未来时间段的预测误差进行预测，得到多个预测误差；步骤s130，根据多个预测误差从多个交易量预测模型中选取目标模型，并根据目标模型对应的初步预测值确定最终预测值；步骤s140，将最终预测值发送至备货端，以使备货端根据最终预测值对目标物品进行备货处理。
116.存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。
117.存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
118.总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
119.电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不
限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
120.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
121.此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
122.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。