基于Arma模型的每日订单成交量预测方法及装置与流程

本公开涉及计算机处理技术领域，尤其涉及一种基于arma模型的每日订单成交量预测方法及装置。

背景技术：

每日订单数是营销部的重要业务指标。为制定合理的营销策略，需要对未来指标作有效的预测，增益补足以实现业务的良好发展。然而，许多客观或主观的因素均会对每日成交订单数产生影响。客观方面，如天气、周末、春节等；主观方面，如补贴额度、奖励措施等，都会在某种程度上影响指标。

在对指标进行预测方面，常规做法是分析影响每日订单成交量各因素间的相关性，从影响因素角度提供每日订单成交量预测方法。上述常规做法存在以下弊端：

首先，无论主观抑或客观，天气因素、补贴因素、工作日因素、春节营销因素因数据库不全等原因并没有可用的显式或历史数据，因而，这些元素的历史数据在数据库里并不能得到很好的对应。

其次，若基于影响因素建立模型，则需要预测目标指标之前预先估计这些影响因素的未来值，然后再基于这些影响因素的预测做每日订单成交数目的预测。因而，这样的预测会涉及两步误差：因素预测误差与目标预测误差，因而，会降低目标指标预测的可信度。

公开内容

针对现有技术的缺陷，本公开提供一种基于arma模型的每日订单成交量预测方法及装置，用于解决现有技术中受主观因素未较好的对应历史数据以及建立模型预测数据时带来的两步误差的技术问题。

第一方面，本公开提供了一种基于arma模型的每日订单成交量预测方法，所述预测方法包括：

获取第一预设时间段内的成功订单的历史数据；

利用该历史数据拟合所选定的arma模型以调和该arma模型的多个参数；

利用调和参数后的arma模型预测未来预设天数的每日成功订单数量。

优选地，所选定的arma模型采用以下步骤获取：

获取第二预设时间段内的历史数据；

利用该第二预设时间段内的历史数据通过曲线拟合与参数估计方法建立该arma模型。

优选地，所述第一预设时间段与所述第二预设时间段长度相同；

或者，

所述第一预设时间段为所述第二预设时间段与所述未来预设天数之和。

优选地，其特征在于，所选定的arma模型采用以下公式表示：

式中，xt表示t时刻的成交订单数量；c为常数项；εt表示每日订单数量的平均值；表示不同时刻的成交订单数量的权重；θj表示每天订单数量的权重；p表示该模型中包含p个自回归项；q表示该模型中包含q个移动平均项。

第二方面，本公开提供了一种基于arma模型的每日订单成交量预测装置，所述预测装置包括：

历史数据获取单元，用于获取第一预设时间段内的成功订单的历史数据；

arma模型参数调和单元，用于利用该历史数据拟合所选定的arma模型以调和该arma模型的多个参数；

成功订单预测单元，用于利用调和参数后的arma模型预测未来预设天数的每日成功订单数量。

优选地，所述预测装置还包括arma模型建立单元，该arma模型建立单元包括：

历史数据获取模块，用于获取第二预设时间段内的历史数据；

arma模型建立模块，用于利用该第二预设时间段内的历史数据通过曲线拟合与参数估计方法建立该arma模型。

优选地，所述历史数据获取单元中第一预设时间段与所述历史数据获取模块中第二预设时间段的长度相同；

或者，

所述历史数据获取单元中第一预设时间段为所述历史数据获取模块中第二预设时间段与未来预设天数之和。

优选地，所述arma模型参数调和单元采用以下公式表示所选定的arma模型：

由上述方案可知，本公开通过直接将第一时间段内的历史数据对arma模型进行参数调和，利用调和参数后的arma模型对未来预设天数的每日成功订单数量。由于历史数据是真实有效的，且建立模型过程中不会受到主观因素以及客观因素的影响，可以避免发生现有技术中建立模型预测数据时带来的两步误差的问题，因而本公开预测的每日成功订单数量更精准，从而可以为制定有效的营销策略提供参数。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，还可以根据这些图获得其他的附图。

图1是本公开一实施例提供的基于arma模型的每日订单成交量预测方法的流程示意图；

图2是图1所示预测方法的具体预测结果示意图；

图3是本公开另一实施例提供的基于arma模型的每日订单成交量预测装置框图；

图4是本公开又一实施例提供的基于arma模型的每日订单成交量预测装置框图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

如图1所示，本公开一实施例提供的基于arma模型的每日订单成交量预测方法，所述预测方法包括：

s11、获取第一预设时间段内的成功订单的历史数据。

为避免由于主观因素或者客观因素的选择对预测结果带来的影响，本公开一实施例中直接使用第一预设时间段内的成功订单的历史数据作为依据。由于该第一预设时间段内的成功订单数量是随机的且有效的，采用该历史数据可以比较客观的反映司机抢单或者乘客叫车的规律，因此可以提高后续预测过程的可信度。

需要说明的是，第一预设时间段包含一定数量的自然天数或者计算周期构成的时间片段。自然天数即从每天的0点开始至24点结束，而计算周期则可以与自然天数相同，也可以以12个小时为计算周期。为说明方便，本公开中统一采用自然天数进行说明。本领域技术人员应该知道，该第一预设时间段可以包括多天、多周或者多月，可以根据具体的使用场景选择合适的计算周期，本公开不作限定。

s12、利用该历史数据拟合所选定的arma模型以调和该arma模型的多个参数。

本公开中还需要选定自回归滑动平均(auto-regressiveandmovingaverage，arma)模型。需要说明的是，本公开了所选定arma模型可以采用现有技术中的arma模型，然后利用步骤s11中的历史数据进行拟合从而得到适合本公开的arma模型。

为提高预测过程的可信度，本公开中新建立arma模型，包括以下步骤：

s121、获取第二预设时间段内的历史数据；

s122、利用该第二预设时间段内的历史数据通过曲线拟合与参数估计方法建立该arma模型。

需要说明的是，第二预设时间段与第一预设时间段包含相同的时间片段，两者采用同样的计算周期，具体请参见对第一预设时间段的说明内容，在此不再赘述。

还需要说明的是，本公开实施例中步骤s122采用现有技术中的曲线拟合方法与参数估计方法建立上述arma模型。本领域技术人员也可以选用具有与曲线拟合方法或者参数估计方法具有相同效果的其他方法实现，本公开不作限定。

优选地，本公开实施例中所建立的arma模型采用以下公式进行表示：

公式(1)中，式中，xt表示t时刻的成交订单数量；c为常数项；εt表示每日订单数量的平均值；表示不同时刻的成交订单数量的权重；θj表示每天订单数量的权重；p表示该模型中包含p个自回归项；q表示该模型中包含q个移动平均项。

上述arma模型实质上是随时推移而形成的一个随机序列。即根据历史数据随着时间的变化规律得到预测数据，该预测数据是历史数据在时间上的延续。该arma模型不但考虑了各种因素对预测结果的影响，同时也考虑到了历史数据的自身变化规律，提高了预测数据的可信度。

s13、利用调和参数后的arma模型预测未来预设天数的每日成功订单数量。

本公开实施例中利用公式(1)预测未来预设天数的每日成功订单数量。

本公开实施例中所获取的调和参数后的arma模型最终会收敛，并且预测时间越长，数据波动将会越来越小，因而预测可靠程度将越低。为此，本公开中只预测未来预设天数的每日成功订单数量。该未来预设天数可以是几天、几周或者几个月。该未来预设天数时间越短则所获取的每日成功订单数量越精确，因此本领域技术人员可以根据上述原理以及具体使用场合合理配置该参数。

实际应用中，本公开提供的arma模型可以只调整一次参数，即只使用一次上述预测方法得到每日的成功订单数量即可。此时第一预设时间段与第二预设时间段的长度相同。有时候需要更精确的每日的成功订单数量，此时可以调整第二时间段的长度(将该第二时间段的长度调整到包含更多的历史数据)，每次使用本预测方法时利用最近几天的历史数据调和一下arma模型的参数得到每日的成功订单数量。此时第一预设时间段为第二预设时间段与所述未来预设天数之和。当然，第二预设时间段也可为固定长度，每次调和参数时，将最前面的几天历史数据删除，将最近相同天数的成功订单的历史数据包括所需要的历史数据当中，这样也可以提高预测数量的可信度。本领域技术人员可以根据具体使用场合进行选择，本公开不作限定。

为体现本公开提供的一种基于的每日订单成交量预测方法的有效性，本公开一实施例中，采220天的历史数据预测未来预设90天的每日成功订单数量。如图2所示，图2中横坐标第220天之前为历史数据，第220天之后为预测数据，纵坐标为每日成功订单数量。可以看出，本公开提供的基于arma模型的每日订单成交量预测方法能够精确预测未来每日成功订单的数量。

如图3所示，本公开另一实施例提供了一种基于arma模型的每日订单成交量预测装置，基于上文所述的预测方法实现，所述测试装置包括：

历史数据获取单元11，用于获取第一预设时间段内的成功订单的历史数据；

arma模型参数调和单元12，用于利用该历史数据拟合所选定的arma模型以调和该arma模型的多个参数；

成功订单预测单元13，用于利用调和参数后的arma模型预测未来预设天数的每日成功订单数量。

如图4所示，本公开又一实施例提供了一种基于arma模型的每日订单成交量预测装置；图4中单元21、22、23与图3中的单元11、12、13相同，在此不再赘述。图4还包括：

arma模型建立单元24，该arma模型建立单元24包括：

历史数据获取模块241，用于获取第二预设时间段内的历史数据；

arma模型建立模块242，用于利用该第二预设时间段内的历史数据通过曲线拟合与参数估计方法建立该arma模型。

优选地，所述历史数据获取单元21中第一预设时间段与所述历史数据获取模块241中第二预设时间段的长度相同；

或者，

所述历史数据获取单元21中第一预设时间段为所述历史数据获取模块241中第二预设时间段与未来预设天数之和。

优选地，所述arma模型参数调和单元22采用以下公式表示所选定的arma模型：

需要说明的是，图3与图4所示的预测装置除了arma模型建立单元24外，其他部分都相同。为简化本公开的篇幅，本领域技术人员应该知道后面的优选方案都是对上述两个预测装置的限定说明。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

应当注意的是，在本实施例公开的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本公开实施例的系统中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

由上述技术方案可知，本公开实施例提供的基于arma模型的每日订单成交量预测方法及装置，通过直接将第一时间段内的历史数据对arma模型进行参数调和，利用调和参数后的arma模型对未来预设天数的每日成功订单数量。由于历史数据是真实有效的，且建立模型过程中不会受到主观因素以及客观因素的影响，可以避免发生现有技术中建立模型预测数据时带来的两步误差的问题，因而本公开预测的每日成功订单数量更精准，从而可以为制定有效的营销策略提供参数。

应该注意的是，上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上实施方式仅适于说明本公开，而并非对本公开的限制，有关技术领域的普通技术人员，在不脱离本公开的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本公开的范畴，本公开的专利保护范围应由权利要求限定。