用于激增调整预报的方法和装置与流程

用于激增调整预报的方法和装置
1.对相关应用程序的交叉引用
2.本技术要求于2020年12月11日提交的印度专利申请no.202031054031的权益。
技术领域
3.本公开总体上涉及确定激增调整(“surge-adjusted”)预报，更具体地，涉及对商店和在线零售地点中的事件以电子方式确定和提供激增调整预报预测。


背景技术：

4.至少一些零售商通过在特定的日期和/或时间在特定位置(例如物理位置、基于网络的位置等)的历史商店和在线客户量来确定要保留在商店(例如实体店)或仓库中的物品的库存。此外，一些零售商基于历史商店和在线数据来确定在任意给定日期调度劳动力(例如商店和仓库中的员工数量)。有时，零售商可能会决定调整在商店中的库存规模和/或劳动力。例如在节日期间，零售商可能会增加商店和仓库的库存和劳动力。作为另一示例，如果要发布预计会给商店和零售商网站带来大量顾客的新物品，则零售商可以增加调度在对应商店和仓库工作的员工人数。因此，在尝试确定库存以在任意给定日期维护和调度商店和仓库中的劳动力时，有机会解决预期客户数量的确定问题。


技术实现要素：

5.本文描述的实施例涉及当尝试在商店或仓库中存货和/或调度劳动力时自动确定和提供对商店内客户量或在线客户量的预报预测。实施例采用一种或多种预报模型，诸如统计模型、贝叶斯结构模型和机器学习模型，以确定未来时间段的初始预测，并执行偏差校正以调整对极端激增或事件的初始预测，以确定对未来时间段的激增调整预测。在一些示例中，实施例还基于客户量预测来确定何时以及如何为未来时间段调度库存和/或劳动力。
6.在一些示例中，实施例可以确定如何储存物品，诸如以避免物品库存不足或过多。类似地，在一些示例中，实施例可以确定在任意给定的未来日期和/或时间调度多少员工，诸如以避免商店或仓库的员工不足或过多，以协助备货、协助客户和销售物品。因此，实施例允许零售商在正常或静止的日子两者期间以及在激增或低迷期间高效地库存物品和调度劳动力。例如实施例可以允许零售商预测客户量，使得客户量激增和下降的所有天数和时间都被考虑在内，并且零售商可以优化任意给定日期和时间的库存和调度，同时增加(例如最大化)未来一段时间内的收入和客户满意度。除了或代替这些示例优势，受益于这些公开的本领域普通技术人员也可以认识到并理解其他优势。
7.根据各种实施例，示例性系统可以在任意合适的硬件或硬件和软件中实现，诸如在任意合适的计算设备中。例如在一些实施例中，计算设备采用诸如机器学习模型、统计模型、结构模型的人工智能来预报未来时间段的客户量的预测。例如计算设备可以采用第一预报模型，该模型基于先前时间段(例如前一年、前一个月等)的时间序列数据来确定第一预报预测，其指示未来时间段的基线预测。计算设备还可采用点处理模型(即，偏差预测模
型)以基于时间序列数据来生成第二预报预测，其指示未来时间段内的高强度或事件日期或时间的预测激增。计算设备还可以采用预测优化模型，预测优化模型聚合第一预报预测和第二预报预测以确定未来时间段的最终预测。然后可以使用预测来储备库存和/或为商店或仓库调度劳动力。
8.在一些实施例中，计算设备被配置为接收未来时间段的预测请求。计算设备还可以被配置为从数据库获得先前时间段的时间序列数据。计算设备可以被配置为使用至少时间序列数据的子集(例如具有低于预定阈值的值的时间序列数据部分)来确定对未来时间段的第一预测。计算设备还可以被配置为确定对未来时间段的第二预测(例如对于具有高于预定阈值或另一预定阈值的值的时间序列数据部分)。例如第一预测可以是关于时间序列数据的平稳分量。类似地，第二预测可以是关于时间序列数据的冲击分量。计算设备可以聚合第一预测和第二预测以确定未来时间段的最终预报预测，使得静止信号和激增信号两者均被考虑在内。计算设备可以被配置为呈现最终预报预测。
9.在一些示例中，计算设备被配置为将多个基线预测模型应用于时间序列数据以生成第一预测。基线预测模型包括统计模型、贝叶斯结构模型、机器学习模型(例如神经网络模型)。基线预测模型可以使用与平稳信号相关联的时间序列值，平稳信号在整个时间序列数据中大部分一致。在这样的示例中，第一预测可以基于与用于生成预测的每个基线模型相关联的准确度。
10.在一些示例中，计算设备被配置为应用点处理模型(即，偏差或激增预测模型)来生成与时间序列数据中的峰值或激增(例如值的突然波动)相关联的时间序列值的第二预测。点处理模型可以基于若干外生变量和相应时间，诸如但不限于假期指标、事件指标(例如体育赛事)和时间指标。计算设备可以被配置为基于在未来时间段中的每个间隔处的预测值中的高强度尖峰(“spike”)的概率来生成第二预测。
11.在一些实施例中，提供了一种方法，该方法包括接收针对未来时间段的预测的请求。该方法还包括从数据库获得先前时间段的时间序列数据。该方法包括使用时间序列数据的至少一个子集(例如具有低于预定阈值的值的时间序列数据部分)来确定针对未来时间段的第一预测。该方法还包括确定针对未来时间段的第二预测(例如对于具有高于预定阈值或另一预定阈值的值的时间序列数据部分)。例如第一预测可以是关于时间序列数据的平稳分量。类似地，第二预测可以是关于时间序列数据的冲击分量。该方法可以包括聚合第一预测和第二预测以确定未来时间段的最终预报预测，使得稳定信号和激增信号都被考虑在内。该方法还可包括呈现最终预报预测。
12.在一些示例中，该方法可以包括将多个基线预测模型应用于时间序列数据以生成第一预测。基线预测模型可以包括统计模型、贝叶斯结构模型、机器学习模型(例如神经网络模型)。基线预测模型可以使用与在整个时间序列数据中大部分一致的平稳信号相关联的时间序列值。在这样的示例中，第一预测可以基于与用于生成预测的每个基线模型相关联的准确度。
13.在一些示例中，该方法还可以包括应用点处理模型来生成与时间序列数据中的尖峰或激增(例如值的突然波动)相关联的时间序列值的第二预测。点处理模型可以基于若干外生变量和对应时间，诸如但不限于假期指标、事件指标(例如体育赛事)和时间指标。该方法可以包括基于在未来时间段中的每个间隔的预测值中的高强度尖峰的概率来生成第二
预测。
14.在其他实施例中，非暂态计算机可读介质具有存储在其上的指令，其中指令在由至少一个处理器执行时使计算设备执行包括接收对未来时间的预测的请求的操作。操作还可以包括从数据库获得先前时间段的时间序列数据。操作还可以包括使用时间序列数据的至少一个子集(例如具有低于预定阈值的值的时间序列数据部分)来确定对未来时间段的第一预测。该操作还可以包括确定对未来时间段的第二预测(例如对于具有高于预定阈值或另一预定阈值的值的时间序列数据部分)。例如第一预测可以是关于时间序列数据的平稳分量。类似地，第二预测可以是关于时间序列数据的冲击分量。操作可以包括聚合第一预测和第二预测以确定未来时间段的最终预报预测，使得稳定信号和激增信号都被考虑在内。操作还可包括呈现最终预报预测。
15.在一些示例中，操作包括将多个基线预测模型应用于时间序列数据以生成第一预测。基线预测模型包括统计模型、贝叶斯结构模型、机器学习模型(例如神经网络模型)。基线预测模型可以使用与在整个时间序列数据中大部分一致的平稳信号相关联的时间序列值。在这样的示例中，第一预测可以基于与用于生成预测的每个基线模型相关联的准确度。
16.在一些示例中，操作可以包括应用点处理模型来生成与时间序列数据中的尖峰或激增(例如值的突然波动)相关联的时间序列值的第二预测。点处理模型可以基于若干外生变量和相应时间，诸如但不限于假期指标、事件指标(例如体育赛事)和时间指标。该操作还可以包括基于在未来时间段中的每个间隔处的预测值中的高强度尖峰的概率来生成第二预测。
附图说明
17.本公开的特征和优点将在示例实施例的以下详细描述中更充分地被公开或变得显而易见。示例实施例的详细描述将与附图一起被考虑，其中类似的数字指代类似的部件，并且进一步在附图中：
18.图1是根据一些实施例的激增调整预报系统的框图；
19.图2是根据一些实施例的图1的激增调整预报系统的预测预报计算设备的框图；
20.图3是示出了根据一些实施例的图1的激增调整预报系统的各个部分的示例的框图；
21.图4是示出了根据一些实施例的图1的预测预报计算设备的各个部分的示例的框图；
22.图5是根据一些实施例可以由图2的价格确定计算设备执行的示例方法的流程图；以及
23.图6是根据一些实施例可由图2的价格确定计算设备执行的另一示例方法的流程图；以及
具体实施方式
24.优选实施例的描述旨在结合附图阅读，这些附图被认为是这些公开的整个书面描述的一部分。尽管本公开易于进行各种修改和替代形式，但具体实施例在附图中以示例的方式示出并且将在本文中详细描述。通过以下结合附图对这些示例性实施例的详细描述，
要求保护的主题的目的和优点将变得更加明显。
25.然而，应当理解，本公开不旨在限于所公开的特定形式。相反，本公开涵盖落入这些示例性实施例的精神和范围内的所有修改、等同物和替代物。术语“耦合”、“耦接”、“可操作地耦合”、“可操作地连接”等应广义地理解为指将设备或组件机械地、电地、有线地、无线地或以其他方式连接在一起，使得连接允许相关设备或组件通过该关系如预期的那样彼此操作(例如通信)。
26.本文描述的实施例采用诸如统计模型、结构模型、机器学习模型(例如深度学习模型、神经网络)的模型，以基于时间序列数据来确定对未来时间段的值的预测，所述时间序列数据包括之前或先前的时间段中的值。例如实施例可以采用基线预报模型和点处理模型(即，偏差预测模型)。基线预报模型可以预报第一预测，第一预测预测未来时间段的值，这些值定义了未来时间段的预测的全局结构(例如静止分量)。例如预报模型可以基于时间序列数据的子集来预测未来时间段的值，所述子集具有低于定义时间序列数据的平稳分量的预定阈值的值。点处理模型或偏差预测模型可以预报第二预测，第二预测预测定义未来时间段的局部结构(例如预测的激增、尖峰等)的未来时间段的预测值。例如点处理模型或偏差预测模型可以基于外生变量，诸如假期、体育赛事、物品发布等，预测未来时间段的值。点处理模具可以基于在未来时间段中的每个间隔的预测值中高强度尖峰的概率来生成第二预测。因此，基线预报模型和点处理模型一起可以通过聚合第一和第二预测来预测与特定未来时间段期间在特定商店或网站处的事件相对应的值。例如商店可以是由零售商经营的多个商店之一。时间段可以是一个月、一个季节、一个假期、一个假期季或任意其他时间段。实施例可以利用基线预报模型和点处理模型来预测未来时间段的正常事件(例如全局结构、静止分量)和极端事件(例如激增、尖峰)两者的值。
27.例如预报模型引擎可以接收需要预测(多个)特定商店或(多个)网站的值(例如订单、客户数量、物品、库存、员工等)的未来时间段的指示。预报模型引擎可以从数据库接收或获得时间序列数据，时间序列数据包括对应于先前时间段的值。预报预测模型可以确定与时间序列数据的全局结构相对应的时间序列数据的子集，使得只有低于预定阈值的值被包括在该子集中。
28.(多个)基线预报模型(例如统计模型、贝叶斯结构模型、神经网络、机器学习模型等)可以获得时间序列数据的子集。一个或多个基线预报模型然后可以使用至少时间序列数据的子集来预测未来时间段的基线预测(例如第一预测)。基线预测可以指示对应于预测的全局结构的值，该预测的全局结构对应于未来时间段。
29.点处理模型(即偏差预测模型)可以从数据库中获得时间序列数据。点处理模型然后可以预测未来时间段的偏差或激增预测(例如第二预测)，其指示未来时间段内高强度或事件天数或时间的预测激增。点处理模型可以利用一个或多个外生变量，诸如但不限于假期指标、天气指标、事件指标、体育赛事指标、物品发布指标等。
30.预报模型引擎可以聚合基线预测和偏差或激增预测，以确定未来时间段的最终预测。在一些示例中，基线预测中的值和未来时间段的相关联时间或日期的偏差或激增预测中的对应值可被组合或相加以确定最终预测。预报模型引擎可以使用通信接口经由图形用户界面来提供用于在计算设备处呈现的最终预测。在一些示例中，最终预测可用于在对应的(多个)商店或(多个)仓库处储备和/或调度工人。例如可以在具有高值的日子里调度额
外的工人在(多个)商店和/或仓库工作。在一些示例中，劳动力调度和/或物品库存可以线性地基于未来预测中的每一天或每一时间的预测值。预报模型引擎可以在没有来自用户的提示的情况下在每个预定义的时间间隔(例如天、周、月等)自动执行上述操作。
31.转向附图，图1图示了激增调整预报系统100的框图，其包括预测预报计算设备102(例如服务器，诸如应用服务器)、web服务器104、工作站106、数据库116，以及通过网络118可操作地耦合的多个客户计算设备110、112、114。预测预报计算设备102、(多个)工作站106、服务器104和多个客户计算设备110、112、114中的每一个可以是任意合适的计算设备，其包括用于处理和处置信息的任意硬件或硬件和软件组合。例如每个可以包括一个或多个处理器、一个或多个现场可编程门阵列(fpga)、一个或多个专用集成电路(asic)、一个或多个状态机、数字电路或任意其他合适的电路。此外，每个都可以向通信网络118发送数据和从通信网络118接收数据。
32.在一些示例中，预测预报计算设备102可以是计算机、工作站、膝上型计算机、诸如基于云的服务器的服务器或任意其他合适的设备。在一些示例中，多个客户计算设备110、112、114中的每一个可以是蜂窝电话、智能电话、平板电脑、个人助理设备、语音助理设备、数字助理、膝上型计算机、计算机或任意其他合适的设备。在一些示例中，预测预报计算设备102由零售商操作，并且多个客户计算设备112、114由零售商的客户操作。
33.工作站106经由路由器(或交换机)108可操作地耦合到通信网络118。例如工作站106和/或路由器108可以位于第一商店109或第二商店111之一处。工作站106可以通过通信网络118与预测预报计算设备102通信。工作站106可以向预测预报计算设备102发送数据和从预测预报计算设备102接收数据。例如工作站106可以向预测预报计算设备102发送与客户在第一商店109(或第二商店111)处购买的订单相关的数据。
34.在一些示例中，预测预报计算设备102可以确定并向工作站106发送预测，诸如预测值(例如订单数量、物品库存、员工等)。例如预测预报计算设备102可以从第一商店109(例如经由工作站106)接收对于第一商店109的未来时间段的预测的请求。预测预报计算设备102可以确定预测，并且将指示预测的数据发送到第一商店109。预测然后可用于在第一家商店109处储备物品和/或调度员工。
35.web服务器104可以是可以托管网站的任意合适的计算设备，例如在线市场。例如web服务器104可以是在线销售物品的零售商的网站，诸如零售商的在线市场。该网站可以允许客户查看和购买物品。例如网站可以显示物品以及每个物品的价格。网站可以允许顾客以显示的价格购买物品。在一些示例中，物品被运送给客户(例如运送到客户提供的地址)。在一些示例中，该网站可以允许客户在商店位置处取货，诸如在第一商店109或第二商店111处。
36.在一些示例中，预测预报计算设备102从web服务器104接收对于由web服务器104托管的网站的未来时间段的预测的请求。预测预报计算设备102可以确定预测，并且向web服务器104发送指示预测的数据。然后可以利用预测来在与web服务器相关联的(多个)仓库和/或(多个)商店处储备物品和/或调度员工，如零售商所指示的，以履行在线订单。
37.在一些示例中，web服务器104将一个或多个客户的用户交易数据和用户交互数据发送到之前或先前时间段的预测预报计算设备102。用户交易数据可以标识例如客户在由web服务器104托管的网站上进行的购买交易(例如物品的购买)。用户交互数据可以标识由
客户在由web服务器104托管的网站上进行的例如用户访问、点击、添加到卡片等。用户交易数据和用户交互数据然后可以被预测预报计算设备102用作时间序列数据。
38.第一客户计算设备110、第二客户计算设备112和第n客户计算设备114可以通过通信网络118与web服务器104通信。例如多个计算设备110、112、114中的每一个可以操作以查看、访问由web服务器104托管的网站的网页并与由web服务器104托管的网站的网页交互。在一些示例中，web服务器104托管用于允许购买物品的零售商的在线市场的网站。该网站可以显示待售物品以及购买物品的价格。操作多个计算设备110、112、114之一的客户可以访问由web服务器104托管的网站，将一个或多个物品添加到网站的在线购物车，并执行购物车的在线结账以购买物品。
39.虽然图1示出了三个客户计算设备110、112、114，但激增调整预报系统100可以包括任意数量的客户计算设备110、112、114。类似地，激增调整预报系统100可以包括任意数量的web服务器104、商店109、111、工作站106、预测预报计算设备102和数据库116。
40.预测预报计算设备102可操作以通过通信网络118与数据库116通信。例如预测预报计算设备102可以将数据存储到数据库116，并且从数据库116读取数据。数据库116可以是远程存储设备，诸如基于云的服务器、另一应用服务器上的存储设备、联网计算机或任意其他合适的远程存储装置。尽管示出为远离预测预报计算设备102，但是在一些示例中，数据库116可以是本地存储设备，诸如硬盘驱动器、非易失性存储器或usb棒。
41.通信网络118可以是网络、诸如网络的蜂窝网络、网络、卫星网络、无线局域网(lan)、利用射频(rf)的网络通信协议、近场通信(nfc)网络、连接多个无线lan的无线城域网(man)、广域网(wan)或任意其他合适的网络。通信网络118可以提供对例如因特网的访问。
42.在一些示例中，预测预报计算设备102在例如第一商店109处从工作站106接收请求，以基于与第一商店109的之前或先前时间段相关联的时间序列数据来确定未来时间段的预测。请求可以标识预测的类型(例如订单、物品、员工等)，并且在一些示例中，标识请求预测的未来时间段的时间段。时间段可以是一年中的一个月、一个季节、一个假期、一个假期季、一个日期范围或任意其他时间段。在一些示例中，该请求还可以标识之前的时间段以作为未来预测的基础。在一些示例中，可以以预定间隔(例如每天、每周、每月等)自动发送请求。在一些其他示例中，预测预报计算设备102可以在没有来自工作站106的输入或请求的情况下以预定间隔自动生成预测。预定间隔可以由第一商店109的零售商经由工作站106提供。
43.响应于接收到请求，预测预报计算设备102可以获得与先前时间段的所请求的预测的类型相关联的时间序列数据。例如时间序列数据可以被存储在数据库116中。时间序列数据标识和表征关于基于时间的先前交易(例如，订单、销售)、先前顾客量、先前员工数量等的数据类型，其源自先前时间期间从第一商店109收集的数据。例如时间序列数据可以标识在第一商店109和/或第二商店111处的先前交易。商店可以是针对零售商的所有商店的子集(例如小子集，诸如5％，所有商店，50％)。时间序列数据还可以包括或仅包括商店的先前库存数据，诸如在先前时间段期间多个商店中的每一个的商店库存。
44.预测预报计算设备102可以执行预报模型(例如预报算法)以生成指示在第一商店109处对物品的预测需求的物品需求数据。例如价格确定计算设备102可以实现预报模型以
映射价格-时间-需求关系。预测需求可以包括预测的诸如在请求中接收的时间段内的在一段时间内销售的物品的数量(例如数量)。预测需求特定于特定商店。例如在第一商店109的一段时间内对物品的预测需求可能与在商店111的同一时间段内对物品的预测需求不同。
45.预测预报计算设备102可以向预报模型引擎提供时间序列数据作为输入，并且可以执行预报模型引擎以生成对未来时间段的预测。预报模型引擎可以基于例如机器学习算法、统计分析算法、贝叶斯结构算法等。在一些示例中，预报模型引擎提供有时间序列数据，其包括以下一项或多项：用于在诸如第一商店109和第二商店111的(多个)特定商店处的物品购买的历史交易数据、历史用户交互数据(例如客户数量、添加到购物车、物品评论)、历史商店劳动力调度数据。历史交易数据还可以在执行交易时标识物品的商店库存水平。
46.一旦生成或获得时间序列数据，预测预报计算设备102就可以执行预报模型引擎以生成对所请求的未来时间段的预测。预报模型引擎可以包括多预报模型，诸如基于机器学习算法、统计分析算法、贝叶斯结构算法的模型。预测预报计算设备102可以向预报模型引擎提供所生成或获得的先前时间段和未来时间段的时间序列数据作为输入。基于在请求中接收到的时间序列数据、历史交易数据和未来时间段中的一个或多个，预报模型引擎的执行准确且高效地生成对未来时间段的预测，其指示针对所请求的预测类型的未来预测值，具有对未来时间段内的正常事件和激增两者的准确预测。
47.在一些示例中，预报模型引擎可以利用一个或多个基线预测模型和偏差预测模型(例如点处理模型)来生成未来预测。预报模型引擎可以向(多个)基线预测模型提供时间序列数据和未来时间段作为输入。在一些示例中，预报模型引擎可以确定时间序列数据的子集，该子集包括时间序列数据中低于指示时间序列数据的全局结构(例如正常事件、静止分量)的预定阈值的值。预定阈值可以是由第一商店109的工作站106提供的固定值，或者可以基于时间序列数据中的所有值的统计分析来确定以从时间序列数据中提取激增或尖峰。
48.(多个)基线预测模型可以接收至少时间序列数据的子集和未来时间段作为输入，以生成或确定未来时间段的基线预测(例如第一预测)，具有对于未来时间段的全局结构的增加的准确性。基线预测模型可以包括任意已知的预报模型，诸如但不限于经典统计模型、贝叶斯结构模型、基于神经网络的模型(例如深度神经网络、卷积神经网络)。在一些示例中，可以使用两个或更多个基线预测模型来确定基线预测。在一些示例中，可以使用具有最高准确度(例如最低平均绝对百分比误差)的基线模型来确定基线预测。在其他示例中，两个或更多个基线预测模型的预测可以基于各自的准确度被聚合以确定未来时间段的基线预测。例如来自基线模型的预测可以基于它们各自的准确性acci,进行聚合，以生成基线预测f
baseline
，如下：
[0049][0050][0051]
其中fi是使用第i个模型生成的预报(即预测)，并且mapei对应于第i个模型的平均绝对百分比误差。
[0052]
在一些示例中，预报模型引擎可以向偏差预测模型提供时间序列数据和未来时间段作为输入。偏差预测模型可以使用任意已知的统计分析来检测时间序列数据中的突然波
动(例如激增、尖峰)。偏差预测模型可以是调整基线预测以考虑突然波动的点处理模型。偏差预测模型可以使用基于多个外生变量和时间的强度参数。强度参数可以针对每个预测的波动确定下一次波动将在未来时间段中何时发生。外生变量可以包括假期指标、事件指标(例如体育赛事、宗教事件)、物品发布、时间指标等中的一个或多个。因此，强度参数λ
t
可以定义如下：
[0053][0054]
其中t表示时间，表示作为时间函数的外生变量，k表示时间t处的外生变量总数。在此类示例中，可以使用非齐次点泊松处理来确定未来时间段内在时间t处突然波动的概率如下所示：
[0055][0056]
其中n(t)表示直到时间t的突然波动的数量，并且n表示直到时间t的变量数量。
[0057]
在一些示例中，当对于一个时间而言，突然波动的概率高于预定阈值概率(例如0.5、0.7)时，针对该时间生成偏差预测。除了具有高于预定阈值概率的概率、指示相应时间的突然波动的概率的时间之外，偏差预测可以包括每次的0。在一些示例中，对于具有检测到突然波动的时间的偏差预测可以是预定的预测值。在其他示例中，对于检测到突然波动的时间的偏差预测可能取决于先前时间段的时间序列数据中的相应激增值。偏差预测模型可以向预报模型引擎提供偏差预测以与基线预测进行聚合。
[0058]
在一些示例中，预报模型引擎可以聚合基线预测和偏差预测以确定或生成未来时间段的最终预测。例如对于每个时间，可以将来自基线预测的值添加到偏差预测的值以生成未来时间段的最终预测。在这种多阶段环境下，可以准确且高效地对未来时间段内的正常事件和激增诱发事件进行实时预测，而不会影响正常事件基线模型的准确性。
[0059]
在一些示例中，预报模型引擎的执行还生成指示未来时间段的最终预测的未来时间序列数据。预测预报计算设备102可以将未来时间段的最终预测发送到web服务器104，并且web服务器104可以促使在计算设备的界面上呈现最终预测。此外，web服务器104或第一商店109的其他部分可以基于最终预测来为第一商店101生成库存和/或劳动力调度数据。例如更多的员工可能会在最终预测显示激增的时间被调度。作为另一个示例，在最终预测显示激增之前或之时，可能会储备更多的物品。
[0060]
图2图示了图1的预测预报计算设备102。预测预报计算设备102可以包括一个或多个处理器201、工作存储器202、一个或多个输入/输出设备203、指令存储器207、收发机204、一个或多个通信端口209和显示器206，所有这些都可操作地耦合到一个或多个数据总线208。数据总线208允许各种设备之间的通信。数据总线208可以包括有线或无线通信信道。
[0061]
处理器201可以包括一个或多个不同的处理器，每个处理器具有一个或多个内核。每个不同的处理器可以具有相同或不同的结构。处理器201可以包括一个或多个中央处理单元(cpu)、一个或多个图形处理单元(gpu)、专用集成电路(asic)、数字信号处理器(dsp)等。
[0062]
处理器201可以被配置为通过执行存储在指令存储器207上的代码来执行某个功能或操作，该代码体现了该功能或操作。例如处理器201可以被配置为执行本文公开的任意
功能、方法或操作中的一个或多个。
[0063]
指令存储器207可以存储可由处理器201访问(例如读取)和执行的指令。例如指令存储器207可以是非暂时性的、计算机可读的存储介质，诸如只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、闪存、可移动磁盘、cd-rom、任意非易失性存储器或任意其他合适的存储器。
[0064]
处理器201可以将数据存储到工作存储器202，并且从工作存储器202读取数据。例如处理器201可以将工作指令集合存储到工作存储器202，诸如从指令存储器207加载的指令。处理器201也可以使用工作存储器202以存储在预测预报计算设备102的操作期间创建的动态数据。工作存储器202可以是随机存取存储器(ram)，例如静态随机存取存储器(sram)或动态随机存取存储器(dram)，或任意其他合适的存储器。
[0065]
输入-输出设备203可以包括允许数据输入或输出的任意合适的设备。例如输入-输出设备203可以包括键盘、触摸板、鼠标、触控笔、触摸屏、物理按钮、扬声器、麦克风或任意其他合适的输入或输出设备中的一个或多个。
[0066]
(多个)通信端口209可以包括例如串行端口，诸如通用异步接收器/发送器(uart)连接、通用串行总线(usb)连接或任意其他合适的通信端口或连接。在一些示例中，(多个)通信端口209允许对指令存储器207中的可执行指令进行编程。在一些示例中，(多个)通信端口209允许发送(例如上传或下载)数据，诸如机器学习算法训练数据。
[0067]
显示器206可以显示用户界面205。用户界面205可以使用户能够与预测预报计算设备102交互。例如用户界面205可以是零售商的应用程序的用户界面，允许客户查看和交互与零售商的网页。在一些示例中，用户可以通过接合输入-输出设备203来与用户界面205交互。在一些示例中，显示器206可以是触摸屏，其中用户界面205显示在触摸屏上。
[0068]
收发机204允许与网络通信，例如图1的通信网络118。例如如果图1的通信网络118是蜂窝网络，则收发机204被配置为允许与蜂窝网络通信。在一些示例中，基于通信网络118预测预报计算设备102将在其中运行的类型来选择收发机204。处理器201可操作以从网络经由收发机204接收数据或将数据经由收发机204发送到网络，诸如图1的通信网络118。
[0069]
图3是示出图1的激增调整预报系统100的各个部分的示例的框图。如图3所示，预测预报计算设备102可以从商店109接收第一商店交易数据309。第一商店交易数据309可以标识和表征顾客在第一时间段内在第一商店109进行的购买交易。在一些示例中，客户可以使用多个客户计算设备110、112、114之一来支付购买的物品。例如客户可以使用在多个客户计算设备110、112、114之一上执行的零售商的应用程序来支付。首先商店交易数据309可以针对每笔交易包括购买日期342、物品id 344、物品价格346、物品类别348(例如每个物品的类别和/或子类别)、用户id 330、家庭id 364(例如地址、电话号码或任意其他家庭标识符)、物品替换366(例如代替原始物品的物品(例如由于缺货))和商店id 368。预测预报计算设备102可以在数据库116中聚合和存储第一商店交易数据309。在一些示例中，第一商店交易数据309还可以包括人的数量或容量，以及商店309中的员工人数。
[0070]
类似地，预测预报计算设备102可以从第二商店111接收第二商店交易数据313。预测预报计算设备102可以类似地将第二商店交易数据313聚合并存储在数据库116中。
[0071]
预测预报计算设备102还可以从web服务器104接收在线交易数据303。在线交易数据303可以标识和表征客户在由web服务器104托管的网站上进行的购买交易和用户交互。
例如客户可以使用多个客户计算设备110、112、114之一来访问由web服务器104托管的零售商的在线市场。在线市场可以显示物品和物品的价格。在线市场还可以允许客户以广告价格购买或交互(例如点击、添加到购物车)一个或多个物品。对于每个购买交易和交互，web服务器104可以生成并发送在线交易数据303。在线交易数据303可以包括例如购买日期342、物品id 344、物品价格346、物品类别348、用户id 330，以及网站id 332(例如网站ip地址或url)。预测预报计算设备102可以聚合每个网站的在线交易数据303，并将聚合的在线交易数据303存储在数据库116中。
[0072]
预测预报计算设备102还可以将第一商店库存数据380存储在数据库116中。第一商店库存数据380标识第一商店109处物品的当前和先前库存水平。第一商店库存数据380还可以标识物品的当前价格，以及该物品的当前库存水平。
[0073]
类似地，预测预报计算设备102可以将第二商店库存数据382存储在数据库116中，其标识第二商店111处物品的当前和先前库存水平。预测预报计算设备102可以进一步将网站库存数据390存储在数据库116中，其标识在对应网站上销售的物品的当前和以前的库存水平。
[0074]
如图3所示，数据库116存储(多个)基线预测模型392、偏差预测模型394和预报聚合引擎393。在一些示例中，(多个)基线预测模型392标识和表征统计、贝叶斯结构和神经网络(例如机器学习)算法中的一个或多个，其在执行时生成基线预测数据。基线预测数据可以标识特定商店或网站的预测基线值，例如未来时间段。(多个)基线预测模型392可以对在之前的时间段内的一个或多个商店库存(诸如第一商店库存数据380或第二商店库存数据382)、在线交易数据303、第一商店交易数据309、第二商店交易数据313和/或网站库存数据390进行操作，以生成基线预测数据。预测预报计算设备102可操作以从数据库116获得(多个)基线预测模型392并执行(多个)基线预测模型392以生成未来时间段的基线预测数据。
[0075]
在一些示例中，偏差预测模型394标识并表征一种或多种统计或随机算法，其在执行时生成偏差预测数据。偏差预测数据可以标识例如对于未来时间段的特定商店或网站的预测偏差值，指示基于外生变量预测的突然波动。偏差预测模型394可以对在前一个时间段内的一个或多个商店库存(诸如第一商店库存数据380或第二商店库存数据382)、在线交易数据303、第一商店交易数据309、第二商店交易数据313和/或网站库存进行操作数据390，以生成偏差预测数据。预测预报计算设备102可操作以从数据库116获得偏差预测模型394并执行偏差预测模型394以生成未来时间段的偏差预测数据。
[0076]
在一些示例中，预报聚合引擎393标识并表征聚合算法以聚合基线预测数据和偏差预测数据。例如预报聚合引擎393可以标识特定商店或网站的未来时间段的最终预测。预报聚合引擎292可以对分别由(多个)基线预测模型392和偏差预测模型394生成的基线预测数据和偏差预测数据中的一个或多个进行操作，以生成未来时间段的最终预测。
[0077]
预测预报计算设备102可操作以从数据库116获得(多个)基线预测模型392、偏差预测模型394和预报聚合引擎393，并执行它们以生成未来时间段的最终预测。预测预报计算设备102然后可以发送最终预测。例如如果确定第一商店109的最终预测，则预测预报计算设备102可以生成标识和表征最终预测的第一商店预测数据310，并且可以将第一商店预测数据310发送到第一商店109。物品库存和劳动力调度可以由第一商店109更新或生成。
[0078]
如果确定第二商店111的最终预测，则预测预报计算设备102可以生成标识和表征
未来时间段的最终预测的第二商店预测数据314，并且可以将第二商店预测数据314发送到第二商店111。物品库存和/或劳动力计划可以由第一商店109更新或生成。
[0079]
同样，如果确定由web服务器104托管的网站的最终预测，则预测预报计算设备102可以生成标识和表征未来时间段的最终预测的在线预测数据305，并且可以将在线预测数据305发送到web服务器104。web服务器104可以生成或更新相关联的(多个)仓库的物品库存和/或劳动力计划。
[0080]
图4是示出了预测预报计算设备102的更详细视图的框图。具体地，预测预报计算设备102包括预报模型引擎402、库存优化引擎404、商店界面引擎406和调度优化引擎407。在一些示例中，在硬件中实现预报模型引擎402、库存优化引擎404、商店界面引擎406和调度优化引擎407中的一个或多个。在一些示例中，预报模型引擎402、库存优化引擎404、商店接口引擎406和调度优化引擎407中的一个或多个被实现为在有形的、非暂态的存储器中维护的可执行程序，诸如图2的指令存储器207，其可以由一个或多个处理器执行，诸如图2的处理器201。例如预报模型引擎402可以从数据库116获得(多个)基线预报模型392，并且可以执行(多个)预测模型392。类似地，预报模型引擎404可以从数据库116获得偏差预测模型394，并且可以执行偏差预测模型394。
[0081]
在该示例中，第一商店109(例如经由工作站106)将预测请求403发送到预测预报计算设备102。预测请求403是请求预测的未来时间段。在一些示例中，预测请求403进一步识别在第一商店109请求的一种或多种类型的预测(例如订单、物品、库存、员工)和/或从其预报预测的先前时间段。商店接口引擎406接收预测请求403，并解析和提取接收到的数据。商店接口引擎406向预报模型引擎402提供提取的数据，其可以包括从数据库116提取的时间序列数据。
[0082]
预报模型引擎402可以基于从先前时间段的第一商店交易数据309和第一商店库存数据380中的一个或多个生成的时间序列数据来确定第一商店109的未来时间段的最终预测。预报模型引擎402生成最终预测数据405，其标识和表征第一商店109的未来时间段的最终预测，并将最终预测数据405提供给库存优化引擎404和/或进度优化引擎407。
[0083]
库存优化引擎404可以基于最终预测数据405、第一商店交易数据320中的一个或多个以及第一商店309处物品的当前库存水平来确定未来时间段的一个或多个时间所需的物品的库存。库存优化引擎404可以基于在未来时间段的任意给定时间间隔上的最终预测数据405的突然波动来优化商店109中的库存。在一些示例中，库存优化引擎404可以线性方式优化库存，其中最终预测中的较高值对应于较高库存。
[0084]
类似地，调度优化引擎407可以基于最终预测数据405、第一商店交易数据320中的一个或多个以及第一商店309处的物品的当前库存水平来确定未来时间段的一个或多个时间所需的员工的调度。调度优化引擎407可以基于最终预测数据405在未来时间段的任意给定时间间隔上的突然波动来优化商店109的员工调度。在一些示例中，调度优化引擎407可以线性方式优化员工的调度，其中最终预测中的较高值对应于更多员工被调度。
[0085]
商店接口引擎406可以将最终预测数据405、调度数据和/或库存数据接收为第一商店109可接受的数据格式(例如消息)，如第一商店预测数据310所标识的。商店接口引擎406向第一商店109发送第一商店预测数据310。第一商店109然后可以基于第一商店预测数据310来更新或生成未来时间段的调度和/或库存数据。
[0086]
图5是可由图1的激增调整预报系统100执行的示例方法500的流程图。从步骤502开始，接收对未来时间段的预报预测的请求。例如预测预报计算设备102可以从第一商店109接收预测请求403。在步骤504，从数据库获得对应于预测请求的先前时间段的时间序列数据。例如预测预报计算设备102可以从数据库116获得先前时间段的第一商店交易数据309和/或第一商店库存数据380。在步骤506，基于时间序列的至少一个子集来生成基线预测数据。例如(多个)基线预测模型392可用于基于对应于低于预定阈值(例如时间序列数据的全局结构)的值的时间序列数据的子集来生成基线预测。在一些示例中，预测预报计算设备102可以获得第一商店库存数据380和第一商店交易数据309以确定先前时间段的时间序列数据。
[0087]
进入步骤508，确定时间序列数据是否有突然波动。突然波动可能对应于时间序列数据中值的尖峰或激增。例如预测预报计算设备102可以确定时间序列数据中是否存在对应于突然波动的值。在步骤510，基于确定时间序列数据具有突然波动，生成未来时间段的偏差预测。例如预测预报计算设备102可以获得偏差预测模型394以基于对应于先前时间段的时间序列数据来生成未来时间段的偏差预测。
[0088]
在步骤512，响应于确定时间序列数据不包括突然波动，基线预测被呈现为最终预测。在步骤514，基线预测和偏差预测被聚合以生成未来时间段的最终预测。例如预报聚合引擎393可以聚合由(多个)基线预测模型392生成的基线预测和由偏差预测模型394生成的偏差预测以生成最终预测数据405。在步骤516，对未来时间段的最终预测被发送。例如预测预报计算设备102可以生成第一商店预测数据310，其标识第一商店109的未来时间段的最终预测，并且向第一商店109发送第一商店预测数据310。然后该方法结束。
[0089]
图6是可以由图1的激增调整预报系统100执行的另一示例方法600的流程图。从步骤602开始，获得先前时间段的时间序列数据。例如预测预报计算设备102可以从数据库116获得先前时间段的第一商店交易数据309和/或第一商店库存数据380。在步骤604，使用时间序列数据的至少一个子集来生成未来时间段的第一预测。例如(多个)基线预测模型392可用于基于对应于低于预定阈值(例如时间序列数据的全局结构)的值的时间序列数据的子集来生成基线预测(即，第一预测)。在一些示例中，预测预报计算设备102可以获得第一商店库存数据380和第一商店交易数据309以确定先前时间段的时间序列数据。
[0090]
进行到步骤606，为未来时间段生成第二预测。例如预测预报计算设备102可以获得偏差预测模型394以基于对应于先前时间序列数据的时间序列数据来生成未来时间段的偏差预测(即，第二预测)。可以基于外生变量来生成第二预测以考虑突然波动(例如尖峰、激增)。在步骤608，第一预测和第二预测被聚合以确定未来时间段的最终预报预测。例如预报聚合引擎393可以聚合由(多个)基线预测模型392生成的基线预测和由偏差预测模型394生成的偏差预测以生成最终预测数据405。
[0091]
在步骤610，最终预报预测经由用户界面被呈现。然后该方法结束。
[0092]
虽然上面描述的方法是参考图示的流程图，但是应当理解，可以使用许多其他方式来执行与这些方法相关联的动作。例如某些操作的顺序可能会改变，并且所描述的某些操作可能是可选的。
[0093]
此外，本文所述的方法和系统可以至少部分地以计算机实现的处理和用于实践那些处理的装置的形式来体现。所公开的方法还可以至少部分地以用计算机程序代码编码的
有形、非暂时性机器可读存储介质的形式来体现。例如这些方法的步骤可以体现在硬件、由处理器执行的可执行指令(例如软件)中、或者这两者的组合中。介质可以包括例如ram、rom、cd-rom、dvd-rom、bd-rom、硬盘驱动器、闪存或任意其他非暂时性机器可读存储介质。当计算机程序代码加载到计算机中并由计算机执行时，计算机就成为实施该方法的装置。所述方法也可以至少部分地以计算机的形式体现，计算机程序代码被加载或执行到计算机中，使得计算机成为用于实践所述方法的专用计算机。当在通用处理器上实现时，计算机程序代码段配置处理器以创建特定的逻辑电路。替代地，这些方法可以至少部分地体现在用于执行这些方法的专用集成电路中。
[0094]
提供上述内容是为了说明、解释和描述这些公开的实施例。对这些实施例的修改和修改对于本领域技术人员来说将是显而易见的，并且可以在不脱离这些公开的范围或精神的情况下做出。