买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东理工大学申请的专利一种基于贝叶斯优化的RF订单需求预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113807900B 。

龙图腾网通过国家知识产权局官网在2025-11-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111198993.4，技术领域涉及：G06Q30/0202；该发明授权一种基于贝叶斯优化的RF订单需求预测方法是由严怀成;王潇;张皓;李郅辰;王孟;田永笑;陈辉;张长柱;王曰英;施开波设计研发完成，并于2021-10-14向国家知识产权局提交的专利申请。

本一种基于贝叶斯优化的RF订单需求预测方法在说明书摘要公布了：本发明涉及一种基于贝叶斯优化的RF订单需求预测方法，用以实现同时对多种商品的未来需求或销量进行预测，包括以下步骤：1对历史订单销量数据集进行数据预处理，并划分训练数据集和测试数据集作为基于随机森林的订单需求预测模型的输入量和输出量；2通过贝叶斯优化方法获取订单需求预测模型的最优超参数，得到最优的订单需求预测模型；3基于优化后的订单需求预测模型对订单商品未来的销量进行预测。与现有技术相比，本发明具有预测准确性高、快速寻优、多种时间序列预测等优点。

本发明授权一种基于贝叶斯优化的RF订单需求预测方法在权利要求书中公布了：1.一种基于贝叶斯优化的RF订单需求预测方法，用以实现同时对多种商品的未来需求或销量进行预测，其特征在于，包括以下步骤： 1对历史订单销量数据集进行数据预处理，并划分训练数据集和测试数据集作为基于随机森林的订单需求预测模型的输入量和输出量； 2通过贝叶斯优化方法获取订单需求预测模型的最优超参数，得到最优的订单需求预测模型； 3基于优化后的订单需求预测模型对订单商品未来的销量进行预测； 所述的步骤1中，数据预处理具体包括以下步骤： 11采集历史订单销量数据并对数据进行清洗，去除重复数据和缺失数据，再将数据集划分为划分训练数据集和测试数据集； 12对数据集进行归一化处理，用以加快梯度下降求解最优值的速度和提高模型准确率； 13对特征进行构造，选择步长t为滑动窗口的长度，通过前t-1个月的历史销量数据预测下一个月的订单需求，并对每一行数据通过滑动窗口进行划分； 14将产品的SKU值即产品的编号作为唯一区别不同产品的类别标识，并对订单中产品SKU值进行独热编码，作为额外的特征输入； 所述的步骤2中，基于贝叶斯优化的订单需求预测模型的建模具体包括以下步骤： 201以均方差平均值MSE最小或R2_score平均值最大作为优化目标： 202建立贝叶斯对象，设定参数的优化范围，利用贝叶斯优化方法对订单需求预测模型进行优化； 203获取均方误差负值最大或R2_score得分最大的位置以及对应超参数的值； 204将贝叶斯优化得到的最优超参数带入模型中，并使用该模型对测试数据进行预测，并使用对模型做出评估； 所述的步骤2中，订单需求预测模型的训练方法具体包括以下步骤： 211根据数据构造特征值，将数据集划分训练样本和测试样本； 212选取M棵决策树作为弱分类器，使用bootstrapsample采样的方法从训练样本中采样M次作为M棵决策树的训练集{D1,D2,...DM}，对应决策树{T1θ,T2θ,...TMθ}； 213对于每棵决策树，在分裂节点时选择不放回的抽取n维特征，遍历每个特征的均方差值并选取最小均方差对应的特征作为最佳分裂特征； 214当决策树到终止条件即设置树的最大深度max-depth或者均方差值达到设置的阈值，停止分裂完成训练， 所述的步骤213中，节点分裂具体为： 每棵决策树选择使用CART回归树进行回归预测，采用最小化均方误差准则决定节点是否分裂； 所述的步骤12中，采用min-max标准化的方法将原始的历史订单销量数据通过线性变换使得取值范围在[0,1]之间； 所述的最小化均方误差m的表达式为： 其中，s为当前节点的样本集，A为样本集s中抽取的特征子集，D1、D2分别为根据特征集中不同的特征划分得到的子集，yi为每个样本真实的输出值，c1、c2分别为样本子集D1、D2样本输出均值； 所述的步骤213中，遍历特征子集A中的特征，得到最小均方误差对应的特征作为划分该节点的最佳特征，不断重复并最终得到一个CART树模型，预测值即为CART树叶子结点均值，RF最终预测值为全部的树预测结果的加权平均值； 所述的步骤204的贝叶斯优化方法中，贝叶斯优化的学习模型具体为： 其中，x表示超参数，X为超参数搜索空间，fx为目标函数，x*为最优超参数； 贝叶斯优化方法中的高斯过程具体为： 假设目标函数fx服从高斯分布，且高斯过程中任意有限个随机变量均满足联合概率分布，存在满足正态分布的观测噪声，根据似然函数得到边际似然并根据高斯过程得到未知函数集合预测的均值和方差； 贝叶斯优化方法中的采集函数具体为： 采用置信区间策略选择采集函数； 所述的步骤3中还包括构建基于贝叶斯优化的RF订单需求预测系统，该系统包括： 前端页面：使用Bootstrap框架和jQuery语言实现，包括用户管理、订单数据管理、模型选择和模型训练模块和历史建模记录四个功能块； 后端接口：使用python实现后端实现包括数据读取与保存、数据处理和分析、建立数学模型以及处理业务逻辑，数据读取和存储用以实现操作数据库中的数据，包括读取和操作订单历史数据、用户数据，读取和保存模型训练过程中产生的过程文件，数据处理和分析以及建立数学模型主要使用python中的扩展库，根据需求调用相关API实现数据处理和预测模型建立； 数据库：在系统开发阶段使用SQLite数据库，用以保存使用系统的用户的相关信息、订单数据、订单备份数据以及在数据处理，模型训练与预测过程中产生的新的数据和图表的过程文件，建立后端与数据库之间的连接，使用SQLAlchemy中的Model建立数据表，管理数据库。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东理工大学，其通讯地址为：200237 上海市徐汇区梅陇路130号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。