CN113408797A - 流转量预测多时序模型生成方法、信息发送方法和装置 - Google Patents

Abstract

本公开的实施例公开了流转量预测多时序模型生成方法、信息发送方法和装置。该方法的一具体实施方式包括：获取目标物品在预设时间段内的历史流转量集合；将历史流转量集合输入至各个流转量预测时序模型，得到预测流转量组集；将预测流转量组集和历史流转量集合中在各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数；基于约束条件集，对待求解目标函数进行求解处理，得到模型权重系数集；根据模型权重系数集，对模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。该实施方式提升了流转量预测的准确性、鲁棒性和稳定性，简化了模型确定过程。

Description

流转量预测多时序模型生成方法、信息发送方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及流转量预测多时序模型生成方法、信息发送方法、装置、电子设备和计算机可读介质。

背景技术

需求预测(Demand Forecast)是供应链领域非常重要的一环，与库存计划、供应链执行统称为供应链的三道防线。目前，在生成预测的流转量时，通常采用的方式为：通过历史流转量数据和选择的一个或多个时序模型，生成未来一段时间的流转量。

然而，当采用上述方式生成预测的流转量时，经常会存在如下技术问题：采用单时序模型时，无法覆盖时间序列的多周期性特征，导致预测准确性及鲁棒性较差；采用多个时序模型时，需提前选择各个时序模型以及确定时序模型的数量和各个时序模型的权重，预测结果稳定性较差，且模型确定过程较为繁琐。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了流转量预测多时序模型生成方法、信息发送方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种流转量预测多时序模型生成方法，该方法包括：获取目标物品在预设时间段内的历史流转量集合；将上述历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集，其中，上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段；将上述预测流转量组集和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数；基于与上述预设线性化目标函数对应的约束条件集，对上述待求解目标函数进行求解处理，得到模型权重系数集，其中，上述模型权重系数集中的模型权重系数对应于上述流转量预测时序模型池中的流转量预测时序模型，上述约束条件集包括表征对模型数量进行约束的约束条件；根据上述模型权重系数集，对上述模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。

可选地，在上述对上述待求解目标函数进行求解处理之前，方法还包括：基于上述预测流转量组集中与上述流转量预测时序模型池中的每个流转量预测时序模型对应的预测流转量组和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量，生成对应上述流转量预测时序模型的模型误差，得到模型误差集。

可选地，在上述生成对应上述流转量预测时序模型的模型误差，得到模型误差集之后，上述方法还包括：删除上述约束条件集中表征对模型权重系数进行约束的各个约束条件，以对上述约束条件集进行更新。

可选地，在上述删除上述约束条件集中表征对模型权重系数进行约束的各个约束条件之后，上述方法还包括：将上述模型误差集确定为第一模型权重函数、第二模型权重函数和第三模型权重函数的输入参数，以生成待加权第一模型权重函数、待加权第二模型权重函数和待加权第三模型权重函数；对上述待加权第一模型权重函数、上述待加权第二模型权重函数和上述待加权第三模型权重函数进行加权处理，得到加权模型权重函数作为权重约束条件；将上述权重约束条件添加至约束条件集以对约束条件集进行更新。

第二方面，本公开的一些实施例提供了一种信息发送方法，该方法包括：获取目标物品在预设时间段内的历史流转量集合；将上述历史流转量集合输入至流转量预测多时序模型中，得到上述目标物品在预设预测时间段内的每个预测时间粒度的预测流转量作为目标预测流转量；将所得到的目标预测流转量发送至相关联的显示设备。

可选地，上述获取目标物品在预设时间段内的历史流转量集合，还包括：获取上述目标物品的库存量。

可选地，方法还包括：响应于上述库存量和所得到的目标预测流转量满足预设补货条件，控制相关联的调度设备根据上述库存量和所得到的目标预测流转量执行调度操作。

第三方面，本公开的一些实施例提供了一种流转量预测多时序模型生成装置，装置包括：获取单元，被配置成获取目标物品在预设时间段内的历史流转量集合；输入单元，被配置成将上述历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集，其中，上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段；确定单元，被配置成将上述预测流转量组集和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数；生成单元，被配置成基于与上述预设线性化目标函数对应的约束条件集，对上述待求解目标函数进行求解处理，得到模型权重系数集，其中，上述模型权重系数集中的模型权重系数对应于上述流转量预测时序模型池中的流转量预测时序模型，上述约束条件集包括表征对模型数量进行约束的约束条件；加权组合单元，被配置成根据上述模型权重系数集，对上述模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。

可选地，在生成单元之前，装置还包括：模型误差生成单元，被配置成基于上述预测流转量组集中与上述流转量预测时序模型池中的每个流转量预测时序模型对应的预测流转量组和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量，生成对应上述流转量预测时序模型的模型误差，得到模型误差集。

可选地，在模型误差生成单元之后，装置还包括：删除单元，被配置成删除上述约束条件集中表征对模型权重系数进行约束的各个约束条件，以对上述约束条件集进行更新。

可选地，在删除单元之后，装置还包括：输入参数确定单元、加权处理单元和添加单元。其中，输入参数确定单元被配置成将上述模型误差集确定为第一模型权重函数、第二模型权重函数和第三模型权重函数的输入参数，以生成待加权第一模型权重函数、待加权第二模型权重函数和待加权第三模型权重函数。加权处理单元被配置成对上述待加权第一模型权重函数、上述待加权第二模型权重函数和上述待加权第三模型权重函数进行加权处理，得到加权模型权重函数作为权重约束条件。添加单元被配置成将上述权重约束条件添加至约束条件集以对约束条件集进行更新。第四方面，本公开的一些实施例提供了一种信息发送装置，装置包括：历史流转量获取单元，被配置成获取目标物品在预设时间段内的历史流转量集合；历史流转量输入单元，被配置成将上述历史流转量集合输入至流转量预测多时序模型中，得到上述目标物品在预设预测时间段内的每个预测时间粒度的预测流转量作为目标预测流转量；发送单元，被配置成将所得到的目标预测流转量发送至相关联的显示设备。

可选地，历史流转量集合获取单元还包括：库存量获取单元，被配置成获取上述目标物品的库存量。

可选地，装置还包括：控制单元，被配置成响应于上述库存量和所得到的目标预测流转量满足预设补货条件，控制相关联的调度设备根据上述库存量和所得到的目标预测流转量执行调度操作。

第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一或第二方面任一实现方式所描述的方法。

第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一或第二方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的流转量预测多时序模型生成方法得到的流转量预测多时序模型，预测准确性、鲁棒性和预测结果稳定性有所提高，简化了模型确定过程。具体来说，造成预测准确性、鲁棒性和预测结果稳定性较差、模型确定过程较为繁琐的原因在于：采用单时序模型时，无法覆盖时间序列的多周期性特征，导致预测准确性及鲁棒性较差；采用多个时序模型时，需提前选择各个时序模型以及确定时序模型的数量和各个时序模型的权重，预测结果稳定性较差，且模型确定过程较为繁琐。基于此，本公开的一些实施例的流转量预测多时序模型生成方法首先，获取目标物品在预设时间段内的历史流转量集合。然后，将上述历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集。其中，上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段。由此，可以通过流转量预测时序模型池中的各个流转量预测时序模型，对目标物品在各个回测时间粒度的流转量进行预测，以将预测得到的预测流转量组集作为输入参数，进而可以用于待求解目标函数的权重求解。之后，将上述预测流转量组集和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数。由此，待求解目标函数可以作为确定模型权重系数时的目标条件，以使得确定的模型权重系数为最优解。其次，基于与上述预设线性化目标函数对应的约束条件集，对上述待求解目标函数进行求解处理，得到模型权重系数集。其中，上述模型权重系数集中的模型权重系数对应于上述流转量预测时序模型池中的流转量预测时序模型，上述约束条件集包括表征对模型数量进行约束的约束条件。由此，可以使得求解处理得到的模型权重系数集为最优解的同时，满足约束条件集中的各个约束条件。最后，根据上述模型权重系数集，对上述模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。由此，可以根据最优的模型权重系数集，加权组合得到对应目标物品的流转量预测多时序模型。也因为生成流转量预测多时序模型时是根据目标物品在预设时间段的历史流转量集合确定目标物品在预设回测时间段的预测流转量的，可以覆盖目标物品在历史时间的流转量的多周期性特征，从而提升了预测准确性。又因为流转量预测多时序模型是针对目标物品生成的，减少了历史时间不同物品的流转量变化特性的影响(例如，不同季节不同物品的流转量相差较大的影响)，提升了预测的鲁棒性。又因为模型的选择以及模型权重系数的确定是通过求解处理得到的，模型是否选择可以由模型权重系数体现，从而无需提前选择各个时序模型以及确定时序模型的数量和各个时序模型的权重，进而提升了预测结果稳定性，简化了模型确定过程。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的流转量预测多时序模型生成方法的一个应用场景的示意图；

图2是根据本公开的一些实施例的信息发送方法的一个应用场景的示意图；

图3是根据本公开的流转量预测多时序模型生成方法的一些实施例的流程图；

图4是根据本公开的信息发送方法的一些实施例的流程图；

图5是根据本公开的流转量预测多时序模型生成装置的一些实施例的结构示意图；

图6是根据本公开的信息发送装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的流转量预测多时序模型生成方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以获取目标物品在预设时间段内的历史流转量集合102。然后，计算设备101可以将上述历史流转量集合102输入至流转量预测时序模型池103中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集104。其中，上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段。之后，计算设备101可以将上述预测流转量组集104和上述历史流转量集合102中在各个回测时间粒度的各个历史流转量105确定为预设线性化目标函数106的输入参数，以生成待求解目标函数107。其次，计算设备101可以基于与上述预设线性化目标函数106对应的约束条件集108，对上述待求解目标函数107进行求解处理，得到模型权重系数集109。其中，上述模型权重系数集109中的模型权重系数对应于上述流转量预测时序模型池103中的流转量预测时序模型。上述约束条件集108包括表征对模型数量进行约束的约束条件。最后，计算设备101可以根据上述模型权重系数集109，对上述模型权重系数集109中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型110。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

图2是根据本公开一些实施例的信息发送方法的一个应用场景的示意图。

在图2的应用场景中，首先，计算设备201可以获取目标物品在预设时间段内的历史流转量集合202。然后，计算设备201可以将上述历史流转量集合202输入至流转量预测多时序模型203中，得到上述目标物品在预设预测时间段内的每个预测时间粒度的预测流转量作为目标预测流转量。例如，上述流转量预测多时序模型203可以为图1中的流转量预测多时序模型110。最后，计算设备201可以将所得到的目标预测流转量204发送至相关联的显示设备205。

需要说明的是，上述计算设备201可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图2中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

需要说明的是，流转量预测多时序模型生成方法和信息发送方法的执行主体可以为同一计算设备，也可以为不同计算设备。

继续参考图3，示出了根据本公开的流转量预测多时序模型生成方法的一些实施例的流程300。该流转量预测多时序模型生成方法，包括以下步骤：

步骤301，获取目标物品在预设时间段内的历史流转量集合。

在一些实施例中，流转量预测多时序模型生成方法的执行主体(例如图1所示的计算设备101或如图2所示的计算设备201)可以通过有线连接方式或者无线连接方式从存储目标物品的历史流转量的终端获取目标物品在预设时间段内的历史流转量集合。实践中，上述执行主体可以从上述终端中获取对应的物品标识与上述目标物品的物品标识相同，且流转时间处于上述预设时间段的历史流转量，得到历史流转量集合。其中，上述目标物品可以为当前选定的物品。上述历史流转量集合中的历史流转量可以为上述目标物品在历史时间的流转数量(例如，上述历史流转量可以为上述目标物品在历史时间的销量)。上述物品标识可以用于唯一标识物品。上述预设时间段可以为预设的包括各个周期时间段的时间段。例如，上述预设时间段可以为2018/1/1-2020/12/31。上述预设时间段的时间粒度可以为2018/1/1-2020/12/31的每一天。上述预设时间段包括的周期时间段可以为2018/1/1-2019/1/1、2019/1/1-2020/1/1。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤302，将历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集。

在一些实施例中，上述执行主体可以将上述历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集。其中，上述预测流转量组中的各个预测流转量对应各个回测时间粒度。上述预测流转量组集中的各个预测流转量组对应各个流转量预测时序模型。上述流转量预测时序模型池可以为各个流转量预测时序模型组成的集合。上述流转量预测时序模型可以为用于预测物品流转量的时序模型。例如，上述流转量预测时序模型池可以包括但不限于以下用于预测物品流转量的时序模型：ETS(指数平滑算法)、Hot-Winter(三次指数平滑算法)、SES(简单指数平滑算法)、SARIMA(带季节性的自回归差分移动平均算法)、SA(简单平均算法)。上述预设回测时间段可以为预设的在上述预设时间段内的用于回测目标物品的流转量的时间段。上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段。上述周期回测时间段可以为与上述预设回测时间段对应的周期时间段。例如，上述预设回测时间段可以为2020/12/1-2020/12/31。上述周期回测时间段可以为2018/12/1-2018/12/31和2019/12/1-2019/12/31。上述各个回测时间粒度中的回测时间粒度可以为用于进一步划分上述预设回测时间段的单位时间。例如，上述各个回测时间粒度可以为预设回测时间段2020/12/1-2020/12/31内的每一天。由此，可以通过流转量预测时序模型池中的各个流转量预测时序模型，对目标物品在各个回测时间粒度的流转量进行预测，以将预测得到的预测流转量组集作为输入参数，进而可以用于待求解目标函数的权重求解。

步骤303，将预测流转量组集和历史流转量集合中在各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数。

在一些实施例中，上述执行主体可以将上述预测流转量组集和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数。其中，上述预设线性化目标函数可以为对预设目标函数进行线性化处理后的目标函数。例如，上述目标函数可以为使得MAPE(Mean AbsolutePercentageError，平均绝对百分比误差)的值为最小的函数，可以表示为：

其中，H表示预设回测时间段包含的回测时间粒度的数量。t表示回测时间粒度的序号。N表示上述流转量预测时序模型池包括的流转量预测时序模型的数量。i表示上述流转量预测时序模型池中流转量预测时序模型的序号。ω_i表示第i个流转量预测时序模型的模型权重系数。表示由第i个流转量预测时序模型生成的目标物品在第t个回测时间粒度的预测流转量。y^hist表示目标物品在第t个回测时间粒度的历史流转量。

上述预设线性化目标函数，即，线性化处理后的上述目标函数，可以为：

其中，z_t表示

通过步骤303，生成的待求解目标函数可以作为确定模型权重系数时的目标条件，以使得确定的模型权重系数为最优解。

步骤304，基于与预设线性化目标函数对应的约束条件集，对待求解目标函数进行求解处理，得到模型权重系数集。

在一些实施例中，上述执行主体可以基于与上述预设线性化目标函数对应的约束条件集，对上述待求解目标函数进行求解处理，得到模型权重系数集。其中，上述约束条件集可以为对上述预设线性化目标函数中的系数的数值大小进行约束的条件。上述约束条件集包括表征对模型数量进行约束的约束条件。上述模型权重系数集中的模型权重系数对应于上述流转量预测时序模型池中的流转量预测时序模型。例如，上述约束条件集包括的约束条件可以表示为以下数学模型：

ω_i∈[0，1] (1)

其中，Q为任意大的整数。

其中，P表示所选择的流转量预测时序模型的数量阈值。P≤N。

ω_i≤x_i (7)

数学模型(3)和(7)表示若第i个流转量预测时序模型被选中，ω_i大于0，若第i个流转量预测时序模型未被选中，ω_i等于0。数学模型(5)表示至少有1个流转量预测时序模型被选中。数学模型(6)表示最多有P个流转量预测时序模型被选中。数学模型(6)为表征对模型数量进行约束的约束条件。

实践中，上述执行主体可以调用预设求解器的API(Application ProgrammingInterface，应用程序接口)，对上述待求解目标函数进行求解处理，得到模型权重系数集。例如，上述预设求解器可以为Gurobi求解器。上述预设求解器还可以为CPLEX求解器。由此，可以使得求解处理得到的模型权重系数集为最优解的同时，满足约束条件集中的各个约束条件。

可选地，在步骤304之前，上述执行主体可以基于上述预测流转量组集中与上述流转量预测时序模型池中的每个流转量预测时序模型对应的预测流转量组和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量，生成对应上述流转量预测时序模型的模型误差，得到模型误差集。实践中，上述执行主体可以采用RMSE(Root Mean SquaredError，均方根误差)公式生成对应上述流转量预测时序模型的模型误差。由于模型误差越小，对应的流转量预测时序模型预测效果越好，进而，得到的模型误差集可以用于在求解过程中调整模型权重系数。

可选地，在上述生成对应上述流转量预测时序模型的模型误差，得到模型误差集之后，上述执行主体可以删除上述约束条件集中表征对模型权重系数进行约束的各个约束条件，以对上述约束条件集进行更新。例如，上述执行主体可以删除数学模型(1)、(2)、(3)和(7)，对上述约束条件集进行更新。更新后的约束条件集包括的数学模型为(4)、(5)和(6)。由此，可以对上述约束条件集进行更新，以适配于插入与模型误差相关的约束条件。

可选地，在上述删除上述约束条件集中表征对模型权重系数进行约束的各个约束条件之后，首先，上述执行主体可以将上述模型误差集确定为第一模型权重函数、第二模型权重函数和第三模型权重函数的输入参数，以生成待加权第一模型权重函数、待加权第二模型权重函数和待加权第三模型权重函数。其中，上述第一模型权重函数、第二模型权重函数和第三模型权重函数可以为根据模型误差确定模型权重系数的函数。例如，上述待加权第一模型权重函数可以为：

其中，acc_i表示第i个流转量预测时序模型的模型误差。e表示自然对数函数的底数。表示待加权第一模型权重函数。

上述待加权第二模型权重函数可以为：

其中，表示待加权第二模型权重函数。

上述待加权第三模型权重函数可以为：

其中，表示待加权第三模型权重函数。e表示自然对数函数的底数。

然后，上述执行主体可以对上述待加权第一模型权重函数、上述待加权第二模型权重函数和上述待加权第三模型权重函数进行加权处理，得到加权模型权重函数作为权重约束条件。例如，上述执行主体可以通过以下公式对上述待加权第一模型权重函数、上述待加权第二模型权重函数和上述待加权第三模型权重函数进行加权处理，得到加权模型权重函数：

其中，ω_i表示加权模型权重函数。h₁、h₂和h₃满足以及

最后，上述执行主体可以将上述权重约束条件添加至约束条件集以对约束条件集进行更新。更新后的约束条件集包括的约束条件可以表示为以下数学模型：

由此，可以对上述约束条件集进行更新，以将与模型误差相关的约束条件插入约束条件集，从而求解模型权重系数时可以考虑模型误差对模型权重系数的调整作用，使得生成的模型权重系数集能够提升流转量预测多时序模型的预测准确率。

步骤305，根据模型权重系数集，对模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。

在一些实施例中，上述执行主体可以根据上述模型权重系数集，对上述模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。其中，加权组成上述流转量预测多时序模型的流转量预测时序模型的数量满足上述表征对模型数量进行约束的约束条件。实践中，首先，上述执行主体可以将上述各个模型权重系数与对应的各个流转量预测时序模型相乘，然后，可以将各个相乘后得到的各个流转量预测时序模型相加，得到流转量预测多时序模型。可以理解的是，上述相加可以指将各个流转量预测时序模型的预测结果相加的处理，即，将各个预测流转量相加的处理。由此，可以根据最优的模型权重系数集，加权组合得到对应目标物品的流转量预测多时序模型。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的流转量预测多时序模型生成方法得到的流转量预测多时序模型，预测准确性、鲁棒性和预测结果稳定性有所提高，简化了模型确定过程。具体来说，造成预测准确性、鲁棒性和预测结果稳定性较差、模型确定过程较为繁琐的原因在于：采用单时序模型时，无法覆盖时间序列的多周期性特征，导致预测准确性及鲁棒性较差；采用多个时序模型时，需提前选择各个时序模型以及确定时序模型的数量和各个时序模型的权重，预测结果稳定性较差，且模型确定过程较为繁琐。基于此，本公开的一些实施例的流转量预测多时序模型生成方法首先，获取目标物品在预设时间段内的历史流转量集合。然后，将上述历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集。其中，上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段。由此，可以通过流转量预测时序模型池中的各个流转量预测时序模型，对目标物品在各个回测时间粒度的流转量进行预测，以将预测得到的预测流转量组集作为输入参数，进而可以用于待求解目标函数的权重求解。之后，将上述预测流转量组集和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数。由此，待求解目标函数可以作为确定模型权重系数时的目标条件，以使得确定的模型权重系数为最优解。其次，基于与上述预设线性化目标函数对应的约束条件集，对上述待求解目标函数进行求解处理，得到模型权重系数集。其中，上述模型权重系数集中的模型权重系数对应于上述流转量预测时序模型池中的流转量预测时序模型，上述约束条件集包括表征对模型数量进行约束的约束条件。由此，可以使得求解处理得到的模型权重系数集为最优解的同时，满足约束条件集中的各个约束条件。最后，根据上述模型权重系数集，对上述模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。由此，可以根据最优的模型权重系数集，加权组合得到对应目标物品的流转量预测多时序模型。也因为生成流转量预测多时序模型时是根据目标物品在预设时间段的历史流转量集合确定目标物品在预设回测时间段的预测流转量的，可以覆盖目标物品在历史时间的流转量的多周期性特征，从而提升了预测准确性。又因为流转量预测多时序模型是针对目标物品生成的，减少了历史时间不同物品的流转量变化特性的影响(例如，不同季节不同物品的流转量相差较大的影响)，提升了预测的鲁棒性。又因为模型的选择以及模型权重系数的确定是通过求解处理得到的，模型是否选择可以由模型权重系数体现，从而无需提前选择各个时序模型以及确定时序模型的数量和各个时序模型的权重，进而提升了预测结果稳定性，简化了模型确定过程。

进一步参考图4，其示出了信息发送方法的一些实施例的流程400。该信息发送方法的流程400，包括以下步骤：

步骤401，获取目标物品在预设时间段内的历史流转量集合。

在一些实施例中，信息发送方法的执行主体(例如图1所示的计算设备101或如图2所示的计算设备201)可以通过有线连接方式或者无线连接方式从存储目标物品的历史流转量的终端获取目标物品在预设时间段内的历史流转量集合。

可选地，上述执行主体还可以获取上述目标物品的库存量。其中，上述库存量可以为存储上述目标物品的至少一个仓库中，上述目标物品的剩余量。

步骤402，将历史流转量集合输入至流转量预测多时序模型中，得到目标物品在预设预测时间段内的每个预测时间粒度的预测流转量作为目标预测流转量。

在一些实施例中，上述执行主体可以将上述历史流转量集合输入至流转量预测多时序模型中，得到上述目标物品在预设预测时间段内的每个预测时间粒度的预测流转量作为目标预测流转量。其中，上述流转量预测多时序模型可以为通过图3对应的那些实施例中的步骤301-305得到的流转量预测多时序模型。由此，流转量预测多时序模型可以提升目标预测流转量的准确性。又因为上述流转量预测多时序模型是针对上述目标物品生成的，减少了历史时间不同物品的流转量变化特性的影响，提升了预测的鲁棒性。

步骤403，将所得到的目标预测流转量发送至相关联的显示设备。

在一些实施例中，上述执行主体可以将所得到的目标预测流转量一同发送至相关联的显示设备。其中，上述显示设备可以为具有显示功能的、与上述执行主体相关联的设备。由此，可以对各个目标预测流转量进行显示。

可选地，上述执行主体可以响应于上述库存量和所得到的目标预测流转量满足预设补货条件，控制相关联的调度设备根据上述库存量和所得到的目标预测流转量执行调度操作。其中，上述预设补货条件可以为“所得到的目标预测流转量的和与库存量的差大于预设阈值”。这里，对于预设阈值的具体设定，不做限定。上述调度设备可以为具有调度物品功能的设备。例如，上述调度设备可以为无人车。上述调度操作可以为上述调度设备执行的调度物品的操作。实践中，首先，上述执行主体可以将所得到的目标预测流转量的和与库存量的差确定为调度量。然后，可以控制上述调度设备执行调度上述调度量个上述目标物品。由此，可以在当前库存量不足时，根据所得到的目标预测流转量对目标物品进行调度，以提前补充库存。

本公开的上述各个实施例具有如下有益效果：首先，获取目标物品在预设时间段内的历史流转量集合。然后，将上述历史流转量集合输入至流转量预测多时序模型中，得到上述目标物品在预设预测时间段内的每个预测时间粒度的预测流转量作为目标预测流转量。由此，流转量预测多时序模型可以提升目标预测流转量的准确性。又因为上述流转量预测多时序模型是针对上述目标物品生成的，减少了历史时间不同物品的流转量变化特性的影响，提升了预测的鲁棒性。最后，将所得到的目标预测流转量发送至相关联的显示设备。由此，可以对各个目标预测流转量进行显示。

进一步参考图5，作为对图3所示方法的实现，本公开提供了一种流转量预测多时序模型生成装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的流转量预测多时序模型生成装置500包括：获取单元501、输入单元502、确定单元503、生成单元504和加权组合单元505。其中，获取单元501被配置成获取目标物品在预设时间段内的历史流转量集合；输入单元502被配置成将上述历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集，其中，上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段；确定单元503被配置成将上述预测流转量组集和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数；生成单元504被配置成基于与上述预设线性化目标函数对应的约束条件集，对上述待求解目标函数进行求解处理，得到模型权重系数集，其中，上述模型权重系数集中的模型权重系数对应于上述流转量预测时序模型池中的流转量预测时序模型，上述约束条件集包括表征对模型数量进行约束的约束条件；加权组合单元505被配置成根据上述模型权重系数集，对上述模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。

在一些实施例的可选实现方式中，在生成单元504之前，流转量预测多时序模型生成装置500还可以包括：模型误差生成单元(图中未示出)，被配置成基于上述预测流转量组集中与上述流转量预测时序模型池中的每个流转量预测时序模型对应的预测流转量组和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量，生成对应上述流转量预测时序模型的模型误差，得到模型误差集。

在一些实施例的可选实现方式中，在模型误差生成单元之后，流转量预测多时序模型生成装置500还可以包括：删除单元(图中未示出)，被配置成删除上述约束条件集中表征对模型权重系数进行约束的各个约束条件，以对上述约束条件集进行更新。

在一些实施例的可选实现方式中，在删除单元之后，流转量预测多时序模型生成装置500还可以包括：输入参数确定单元、加权处理单元和添加单元(图中未示出)。其中，输入参数确定单元被配置成将上述模型误差集确定为第一模型权重函数、第二模型权重函数和第三模型权重函数的输入参数，以生成待加权第一模型权重函数、待加权第二模型权重函数和待加权第三模型权重函数。加权处理单元被配置成对上述待加权第一模型权重函数、上述待加权第二模型权重函数和上述待加权第三模型权重函数进行加权处理，得到加权模型权重函数作为权重约束条件。添加单元被配置成将上述权重约束条件添加至约束条件集以对约束条件集进行更新。

可以理解的是，该装置500中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

进一步参考图6，作为对图4所示方法的实现，本公开提供了一种信息发送装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的信息发送装置600包括：历史流转量集合获取单元601、历史流转量集合输入单元602和发送单元603。历史流转量集合获取单元601被配置成获取目标物品在预设时间段内的历史流转量集合；历史流转量集合输入单元602被配置成将上述历史流转量集合输入至流转量预测多时序模型中，得到上述目标物品在预设预测时间段内的每个预测时间粒度的预测流转量作为目标预测流转量；发送单元603被配置成将所得到的目标预测流转量发送至相关联的显示设备。

在一些实施例的可选实现方式中，历史流转量集合获取单元601还可以包括：库存量获取单元(图中未示出)，被配置成获取上述目标物品的库存量。

在一些实施例的可选实现方式中，信息发送装置600还可以包括：控制单元(图中未示出)，被配置成响应于上述库存量和所得到的目标预测流转量满足预设补货条件，控制相关联的调度设备根据上述库存量和所得到的目标预测流转量执行调度操作。

可以理解的是，该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101或图2中的计算设备201)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述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。上述计算机可读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该电子设备执行时，使得该电子设备：获取目标物品在预设时间段内的历史流转量集合；将上述历史流转量集合输入至流转量预测时序模型池中的各个流转量预测时序模型，得到上述目标物品在预设回测时间段内各个回测时间粒度的预测流转量作为预测流转量组以组成预测流转量组集，其中，上述预设时间段包括至少一个上述预设回测时间段的周期回测时间段；将上述预测流转量组集和上述历史流转量集合中在上述各个回测时间粒度的各个历史流转量确定为预设线性化目标函数的输入参数，以生成待求解目标函数；基于与上述预设线性化目标函数对应的约束条件集，对上述待求解目标函数进行求解处理，得到模型权重系数集，其中，上述模型权重系数集中的模型权重系数对应于上述流转量预测时序模型池中的流转量预测时序模型，上述约束条件集包括表征对模型数量进行约束的约束条件；根据上述模型权重系数集，对上述模型权重系数集中的各个模型权重系数对应的流转量预测时序模型进行加权组合处理，得到流转量预测多时序模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、确定单元、生成单元和加权组合单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标物品在预设时间段内的历史流转量集合的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。