CN111724176A - 店铺流量调节方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本公开提供一种店铺流量调节方法、装置、设备及计算机可读存储介质。方法包括：根据预测模型对待预测店铺数据进行预测，输出待预测店铺对应的流量阈值；其中，预测模型是根据瓶颈期店铺数据进行模型训练得到的；比对流量阈值与店铺的实际流量，并基于预设分配方式根据比对结果，向店铺分配流量。本公开提供的方法、装置、设备及计算机可读存储介质，根据已有的瓶颈期店铺数据训练得到预测模型，再通过该预测模型预测其他店铺达到瓶颈期时的流量阈值，从而能够根据流量阈值调控对店铺进行的流量分配，能够在保证店铺销售额的基础上，降低流量的浪费情况，能够提高整体的流量转化率。

Description

店铺流量调节方法、装置、设备及计算机可读存储介质

技术领域

本公开涉及店铺流量分配技术，尤其涉及一种店铺流量调节方法、装置、设备及计算机可读存储介质。

背景技术

随着互联网技术的发展，线上购物被越来越广泛的关注。目前，已经有很多成熟的电子商城，在这些电子商城中设置有很多线上的店铺，用户可以在线上店铺中购物商品。

一般来说，店铺的销售额与进入店铺浏览的用户数量有关，也就是与流量有关，还与浏览用户转换为购买用户的转化率有关，还与用户购买商品时的订单价格有关。为了提高店铺的销售额，现有技术中常采用精准营销的方式，向用户推荐其感兴趣的商品，从而提高店铺的流量，达到提高店铺销售额的目的。

但是，发明人发现，店铺的销售额与流量并非成比例增长，很多店铺的流量在达到一定值后销售额不再明显提高。因此，仅采用精准营销的方式为店铺吸引流量，存在即使为店铺带来流量，但是这些流量不会为店铺提高销售额做出贡献，进而导致这部分流量资源被浪费的问题。

发明内容

本公开提供一种店铺流量调节方法、装置、设备及计算机可读存储介质，以解决现有技术中，仅采用精准营销的方式为店铺吸引流量，存在即使为店铺带来流量，但是这些流量不会为店铺提高销售额做出贡献，进而导致这部分流量资源被浪费的问题。

本公开的第一个方面是提供一种店铺流量调节方法，包括：

根据预测模型对待预测店铺数据进行预测，输出所述待预测店铺对应的流量阈值；其中，所述预测模型是根据瓶颈期店铺数据进行模型训练得到的；

比对所述流量阈值与所述店铺的实际流量，并基于预设分配方式根据比对结果，向所述店铺分配流量。

本公开的另一个方面是提供一种店铺流量调节装置，包括：

预测模块，用于根据预测模型对待预测店铺数据进行预测，输出所述待预测店铺对应的流量阈值；其中，所述预测模型是根据瓶颈期店铺数据进行模型训练得到的；

分配模块，用于比对所述流量阈值与所述店铺的实际流量，并基于预设分配方式根据比对结果，向所述店铺分配流量。

本公开的又一个方面是提供一种店铺流量调节设备，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如上述第一方面所述的店铺流量调节方法。

本公开的又一个方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如上述第一方面所述的店铺流量调节方法。

本公开提供的店铺流量调节方法、装置、设备及计算机可读存储介质的技术效果是：

本公开提供的店铺流量调节方法、装置、设备及计算机可读存储介质，包括：根据预测模型对待预测店铺数据进行预测，输出待预测店铺对应的流量阈值；其中，预测模型是根据瓶颈期店铺数据进行模型训练得到的；比对流量阈值与店铺的实际流量，并基于预设分配方式根据比对结果，向店铺分配流量。本公开提供的方法、装置、设备及计算机可读存储介质，根据已有的瓶颈期店铺数据训练得到预测模型，再通过该预测模型预测其他店铺达到瓶颈期时的流量阈值，从而能够根据流量阈值调控对店铺进行的流量分配，能够在保证店铺销售额的基础上，降低流量的浪费情况，能够提高整体的流量转化率。

附图说明

图1A为一示例性实施例示出店铺流量与销售额的关系示意图；

图1B为另一示例性实施例示出店铺流量与销售额的关系示意图；

图2为本发明一示例性实施例示出的店铺流量调节方法的流程图；

图3为本发明另一示例性实施例示出的店铺流量调节方法的流程图；

图4为本发明一示例性实施例示出的店铺流量调节装置的结构图；

图5为本发明另一示例性实施例示出的店铺流量调节装置的结构图；

图6为本发明一示例性实施例示出的店铺流量调节设备的结构图。

具体实施方式

图1A为一示例性实施例示出店铺流量与销售额的关系示意图；图1B为另一示例性实施例示出店铺流量与销售额的关系示意图。

目前，为了提高线上店铺的销售额，店铺所在的商城可以为店铺进行引流，可以通过多种方式吸引用户进入店铺。但是，发明人发现，在一定阶段内，店铺的销售额会随着店铺流量的增加而提高(如图1A)，在另一阶段，虽然店铺内的流量在增加，但是销售额没有明显的增长趋势(如图1B的第二阶段)。若仍按照传统的引流方式，为用户吸引用户，会导致这部分用户无法给店铺带来明显的收益，即这部分用户流量是无效的，造成了流量的浪费。

这里的流量可以是预设时间段内的流量值，例如，每天的流量值，每周的流量值等。

图2为本发明一示例性实施例示出的店铺流量调节方法的流程图。

如图1A、1B所示，对于销售额随着流量增加而提高的阶段，我们可以称之为增长期，处于这一阶段的店铺可以称之为潜在增长期店铺。对于销售额随着流量增加不再提高的阶段，我们可以称之为缓慢期，处于这一阶段的店铺可以称之为瓶颈期店铺。随着流量的增加，销售额会有一定程度的提高，当流量增加到一定程度后，店铺销售额不再增长。本实施例提供的方法利用这两个阶段之间的拐点，为店铺分配流量。从而使店铺处于销售额最大值，且不会产生流量浪费的问题。

步骤201，根据预测模型对待预测店铺数据进行预测，输出待预测店铺对应的流量阈值；其中，预测模型是根据瓶颈期店铺数据进行模型训练得到的。

其中，可以预先训练预测模型，用于训练模型的设备与执行本实施例的方法的设备可以相同，也可以不同。可以预先采集瓶颈期店铺的样本数据，并根据瓶颈期店铺数据训练模型。具体的训练方式可以与现有技术中的模型训练方式类似。

具体的，每个瓶颈期店铺的样本数据都可以具有一个标签，该标签可以是店铺从增长期进入缓慢期时拐点对应的流量值。可以将样本数据输入模型中，并将流量值作为标签输入模型中，从而训练模型中的参数，基于这些参数对样本数据进行处理，能够得到样本数据对应的标签。在训练时，可以初始化训练模型中的参数，再基于瓶颈期店铺数据及其对应的标签，对参数进行调整，通过大量的瓶颈期店铺数据进行训练，能够得到准确的模型参数，再使用具有参数的模型对其他店铺数据进行处理，模型能够输出对应的流量阈值。

进一步的，可以根据训练得到的预测模型对待预测店铺数据进行预测。在具有计算功能的电子设备中存储该预测模型，从而使该电子设备能够基于预测模型预测店铺的流量，例如，该电子设备可以是计算机，可以将待预测店铺数据输入计算机中存储的预测模型中，预测模型能够输出待预测店铺对应的流量阈值。

实际应用时，还可以将本实施例提供的方法封装在电子设备中，从而使该电子设备能够执行本实施例提供的方法。电子设备可以获取待预测店铺的数据，这些数据可以存储在电子设备中，也可以存储在其他设备中，电子设备能够读取到待预测店铺的数据。可以设置用于存储待预测店铺数据的数据库，电子设备可以访问这些数据库。

其中，还可以由用户选择一些指定的店铺数据作为待预测店铺数据。例如，用户希望预测店铺A的流量阈值，则可以将店铺A的数据作为待预测店铺数据。

具体的，可以将待预测店铺数据输入到预测模型中，预测模型根据内部的参数对这些数据进行计算，得到该店铺对应的流量阈值，并输出流量阈值。流量阈值是指店铺从增长期进入缓慢期时拐点对应的流量值，当店铺的流量值小于流量阈值时，店铺的销售额能够随着流量的增加而提高，当店铺的销售额大于等于流量阈值时，店铺的销售额不再随着流量的增加而提高。

步骤202，比对流量阈值与店铺的实际流量，并基于预设分配方式根据比对结果，向店铺分配流量。

进一步的，可以根据流量阈值对店铺进行流量调配，从而提高流量为店铺带来的销售额，并且不会发生流量浪费的问题。

实际应用时，当店铺流量超出流量阈值后，店铺的销售额不会随着流量的增加而提高；当店铺流量小于流量阈值后，店铺的销售额会随着流量的增加而提高，因此，可以认为店铺流量在流量阈值上下浮动时，店铺的流量转化率最高，即流量利用率最高。转化率是指进入店铺的用户流量中，购买商品的用户流量所占的比例。

其中，可以通过对店铺流量的调配，使店铺流量稳定在流量阈值附近，从而使店铺流量的利用率最高。例如，可以监控店铺当前的流量，若当前流量大于流量阈值，则可以减少对店铺分配的流量，若当前流量小于流量阈值，则提高对店铺分配的流量。若当前流量与流量阈值相等，则可以不改变对该店铺分配流量的数量。

具体的，除了商城通过引流的方式向店铺分配流量，还会有用户主动进入店铺，因此，可以综合主动进入店铺的日均流量以及流量阈值与店铺实际流量的结果，对店铺进行合理的流量分配。此外，还可以设置用于分配流量的参数，基于这些参数对店铺进行流量分配。例如，可以设置不同分配方式对应的权重值，根据这些权重值确定每种分配方式对应的流量数，再基于不同分配方式及其对应的流量数，为店铺进行分配流量。

本实施例提供的方法用于调节店铺流量，该方法由设置有本实施例提供的方法的设备执行，该设备通常以硬件和/或软件的方式来实现。

本实施例提供的店铺流量调节方法，包括：根据预测模型对待预测店铺数据进行预测，输出待预测店铺对应的流量阈值；其中，预测模型是根据瓶颈期店铺数据进行模型训练得到的；比对流量阈值与店铺的实际流量，并基于预设分配方式根据比对结果，向店铺分配流量。本实施例提供的方法，根据已有的瓶颈期店铺数据训练得到预测模型，再通过该预测模型预测其他店铺达到瓶颈期时的流量阈值，从而能够根据流量阈值调控对店铺进行的流量分配，能够在保证店铺销售额的基础上，降低流量的浪费情况，能够提高整体的流量转化率。

图3为本发明另一示例性实施例示出的店铺流量调节方法的流程图。

如图3所示，本实施例提供的店铺流量调节方法，包括：

步骤301，按照数据对应的时间将瓶颈期店铺数据进行分割，形成多个数据集合。

本实施例提供的方法中，还可以包括预测模型训练的步骤。可以获取瓶颈期店铺数据，基于这些数据对模型进行训练，从而得到预测模型。由于瓶颈期店铺已经出现了从增长期到缓慢期的过渡，因此，瓶颈期店铺具有已知的流量阈值信息。店铺数据能够体现出店铺的特征，因此，可以认为店铺数据与流量阈值具有关联关系，可以通过分析大量的店铺数据，确定出店铺数据与流量阈值的关系，从而得到预测模型。

其中，店铺数据具有时间属性，即某一时间段对应的流量和销售额信息，以及其他的信息。例如，在第一个月，店铺日均流量值为1000，销售额为50000，店铺评分为4.7，在第二个月，店铺日均流量值为1300，销售额为55000，店铺评分为4.8。

具体的，可以根据数据的时间属性，对瓶颈期店铺数据进行分割，得到多个数据集合。具体可以将瓶颈期店铺数据对应的产生时间分割为多个长度为L的时间窗口，每个时间窗口对应的店铺数据就是一个数据集合。例如，若瓶颈期店铺数据是店铺两年的数据，则可以按照3个月为一个集合，将瓶颈期店铺数据分割为8个数据集合

步骤302，根据每个数据集合对模型进行训练，得到预测模型。

其中，将瓶颈期店铺数据分割为多个数据集合，使得用于训练模型的基础数据量较大。而且可以根据不同时期店铺的数据进行训练，在使用训练完毕的模型预测结果时，适应性更强。

具体的，由于店铺对应的流量阈值是已知的，那么将店铺对应的数据进行分割后，得到的数据集合对应的流量阈值也是已知的。因此，各个数据集对应的标签仍然是店铺对应的流量阈值。

实际应用时，可以将数据集合以及流量阈值输入模型，从而调整模型内置的参数，完成模型训练。

其中，可以预先设置预设时刻，将数据集合中预设时刻及以后的数据作为训练集，并根据训练集训练所述预测模型，再根据所述预设时刻及以后的数据作为测试集，用于测试训练得到的预测模型。由于训练集与测试集采用的数据相同，因此能够在数据量大的程度上保证训练集和测试集数据分布的一致性。

具体的，在测试过程中，能够输出测试集数据对应的结果，将这一结果与测试集数据对应的标签，也就是流量阈值比对，能够得到测试误差，若测试误差大于预设的允许误差，则可以调整上述预设时刻，并重新确定训练集，重新训练预测模型。

若测试误差小于等于允许误差，则可以将当前的预测模型作为最终的预测模型，可以使用预测模型根据待预测店铺数据进行预测。

进一步的，若重新确定训练集的次数超出预设值，该预设值可以根据需求进行设置，此时，则可以认为此次训练模型失败，重新选择瓶颈期店铺数据，再根据新的店铺数据执行步骤301。

步骤303，根据预测模型对待预测店铺数据进行预测，输出待预测店铺对应的流量阈值。

步骤303与步骤201的具体原理和实现方式类似，此处不再赘述。

其中，待预测店铺数据的类型与用于训练预测模型的瓶颈期店铺数据类别一致，包括以下至少一种：

开店时长、主营品类、主营品牌、主营品牌的基础属性、日均销售额、日均流量、平均订单价格、关注量、评分。主营品牌的基础属性包括：品牌级别(如一线、二线、三线级别的品牌)、品牌类型(如线上、线下品牌，国际、国内品牌)、品牌特色(如商务、休闲、潮牌等)。

具体的，若预测店铺数据中有些信息缺失，则可以用0代替相应的属性信息，从而使输入预测模型的待预测店铺数据的类型，与瓶颈期店铺数据类别一致。

步骤304，比对流量阈值与店铺的实际流量。

步骤304与步骤202中的比对流量阈值与店铺的实际流量的具体原理和实现方式类似，此处不再赘述。

步骤305，若流量阈值大于实际流量，则增加店铺的流量；若流量阈值小于实际流量，则减少店铺的流量。

进一步的，若比对结果为流量阈值大于实际流量，则可以认为当前店铺处于增长期，为店铺多分配流量，那么店铺的销售额还有增长空间，因此，可以增加店铺的流量。具体可以根据流量阈值与实际流量的差值，确定为店铺增加分配流量的数量。

实际应用时，若比对结果为流量阈值小于实际流量，则可以认为当前店铺处于缓慢期，即使为店铺多分配流量，销售额也不会有明显的增长，因此，可以减少店铺的流量。具体可以根据流量阈值与实际流量的差值，确定为店铺减少分配流量的数量。

其中，根据流量阈值合理的对店铺进行流量调配，能够提高流量的整体转化率，避免流量浪费。

具体的，还可以设置用于分配流量的参数，例如，不同分配方式对应的权重值，以及根据流量阈值与实际流量间的差值，调整分配流量时采用的参数等。

步骤306，基于预设预测方式确定店铺的预测销售额，并监控店铺的实际销售额。

其中，本实施例提供的方法中，在调整了对店铺尽心的流量分配后，还可以预测店铺的销售额。例如，可以预先设置预测模型，基于预测模型确定店铺的预测销售额。预测模型可以是回归、随机森林、神经网络模型等任一种。

具体的，还可以预估为店铺调整分配流量后，其总流量，还可以根据历史数据确定店铺内订单的均值，以及该店铺对应的流量转化率，可以将总流量、转化率、订单均值进行相乘，得到店铺的预测销售额。

进一步的，还可以监控店铺的实际销售额。执行本实施例的电子设备可以与商城的后台服务器连接，从而获取服务器中存储的店铺销售额信息，具体的连接方式可以通过网络进行连接，可以是有线连接，也可以是无线连接。

实际应用时，可以预先预测一段时间内店铺的销售额，经过了这段时间后，再获取这段时间内产生的实际销售额。即预测销售额产生的时间与实际销售额产生的时间应当是一致的，使得二者具有可比性。

其中，可以比对预测销售值与实际销售值。若预测销售额与实际销售额差值大于店铺预测误差，则执行步骤307，否则，执行步骤308。

步骤307，根据预测销售额、实际销售额修正预设分配方式以及预测模型。

具体的，可以预先设置店铺销售额对应的店铺预测误差，若预测销售值与实际销售值之间的差值超出店铺预测误差，则可以认为设置的分配流量方式，或预测模型内的参数出现问题，因此，可以根据预测销售额、实际销售额修正预设分配方式以及预测模型。

步骤308，根据各个店铺对应的预测销售额确定整体预测销售额。

若预测销售额与实际销售额差值小于等于店铺预测误差，则可以认为当前的预测模型以及分配方式对于该店铺的数据来说，是准确的。

此时，为了更准确的确定预测模型以及分配方式对于整个商城来说，产生的误差是否能够接受，还可以根据各个店铺对应的预测销售额确定整体预测销售额。具体可以将各个店铺在同一时间段产生的预测销售额进行叠加，得到整体预测销售额。

步骤309，根据各个店铺对应的实际销售额确定整体实际销售额。

进一步的，可以将各个店铺在同一时间段产生的实际销售额进行叠加，得到整体实际销售额。这一时间段与产生预测销售额的时间段应当相同。

步骤308与步骤309的执行顺序不进行限制。

步骤310，若整体预测销售额与整体实际销售额的差值大于整体预测误差，则根据整体预测销售额、整体实际销售额修正预设分配方式。

实际应用时，可以比对整体预测销售额与整体实际销售额，还可以预先设置整体预测误差，若整体预测销售额与整体实际销售额的差值大于整体预测误差，则可以认为预设分配方式不太准确，导致每个店铺对应的销售额误差不大，但是整体的销售额误差较大，因此，可以根据整体预测销售额、整体实际销售额修正预设分配方式。

其中，本实施例提供的方法，可以在调整店铺分配的流量后，对店铺的销售额进行监控，并根据监控进一步的修正预测模块和预设分配方式，从而使整个方法更加准确。

图4为本发明一示例性实施例示出的店铺流量调节装置的结构图。

如图4所示，本实施例提供的店铺流量调节装置，包括：

预测模块41，用于根据预测模型对待预测店铺数据进行预测，输出所述待预测店铺对应的流量阈值；其中，所述预测模型是根据瓶颈期店铺数据进行模型训练得到的；

分配模块42，用于比对所述流量阈值与所述店铺的实际流量，并基于预设分配方式根据比对结果，向所述店铺分配流量。

本实施例提供的店铺流量调节装置，包括预测模块，用于根据预测模型对待预测店铺数据进行预测，输出待预测店铺对应的流量阈值；其中，预测模型是根据瓶颈期店铺数据进行模型训练得到的；分配模块，用于比对流量阈值与店铺的实际流量，并基于预设分配方式根据比对结果，向店铺分配流量。本实施例提供的装置，根据已有的瓶颈期店铺数据训练得到预测模型，再通过该预测模型预测其他店铺达到瓶颈期时的流量阈值，从而能够根据流量阈值调控对店铺进行的流量分配，能够在保证店铺销售额的基础上，降低流量的浪费情况，能够提高整体的流量转化率。

本实施例提供的店铺流量调节装置的具体原理和实现方式均与图2所示的实施例类似，此处不再赘述。

图5为本发明另一示例性实施例示出的店铺流量调节装置的结构图。

如图5所示，在上述实施例的基础上，本实施例提供的装置，所述分配模块42具体用于：

若所述流量阈值大于所述实际流量，则增加所述店铺的流量；

若所述流量阈值小于所述实际流量，则减少所述店铺的流量。

可选的，所述瓶颈期店铺数据与所述待预测店铺数据类别一致，包括以下至少一种：

开店时长、主营品类、主营品牌、所述主营品牌的基础属性、日均销售额、日均流量、平均订单价格、关注量、评分。

可选的，所述主营品牌的基础属性包括：

品牌级别、品牌类型、品牌特色。

本实施例提供的所述装置，还包括训练模块43，用于：

按照数据对应的时间将所述瓶颈期店铺数据进行分割，形成多个数据集合；

根据每个所述数据集合对模型进行训练，得到所述预测模型。

所述训练模块43，包括：

训练单元431，用于将所述数据集合中预设时刻之后对应的数据作为训练集，并根据所述训练集对模型进行训练，得到所述预测模型；

测试单元432，用于将所述数据集合中预设时刻之后对应的数据作为测试集，并根据所述测试集对所述预测模型进行测试，得到测试误差；

调整单元433，用于若所述测试误差大于允许误差，则调整所述预设时刻，所述训练单元431根据调整后的所述预设时刻继续执行所述将所述数据集合中预设时刻之后对应的数据作为训练集的步骤。

若所述测试误差小于等于误差阈值，则所述预测模块41使用所述预测模型根据所述待预测店铺数据进行预测。

所述装置，还包括修正模块44，用于：

基于预设预测方式确定所述店铺的预测销售额，并监控所述店铺的实际销售额；

若所述预测销售额与所述实际销售额差值大于店铺预测误差，则根据所述预测销售额、所述实际销售额修正所述预设分配方式以及所述预测模型。

若所述预测销售额与所述实际销售额差值小于等于所述店铺预测误差，则所述修正模块44还用于：

根据各个所述店铺对应的所述预测销售额确定整体预测销售额；

根据各个所述店铺对应的所述实际销售额确定整体实际销售额；

若所述整体预测销售额与所述整体实际销售额的差值大于整体预测误差，则根据所述整体预测销售额、所述整体实际销售额修正所述预设分配方式。

本实施例提供的装置的具体原理和实现方式均与图3所示的实施例类似，此处不再赘述。

图6为本发明一示例性实施例示出的店铺流量调节设备的结构图。

如图6所示，本实施例提供的店铺流量调节设备包括：

存储器61；

处理器62；以及

计算机程序；

其中，所述计算机程序存储在所述存储器61中，并配置为由所述处理器62执行以实现如上所述的任一种店铺流量调节方法。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，

所述计算机程序被处理器执行以实现如上所述的任一种店铺流量调节方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (12)

1.一种店铺流量调节方法，其特征在于，包括：

根据预测模型对待预测店铺数据进行预测，输出所述待预测店铺对应的流量阈值；其中，所述预测模型是根据瓶颈期店铺数据进行模型训练得到的；

比对所述流量阈值与所述店铺的实际流量，并基于预设分配方式根据比对结果，向所述店铺分配流量。

2.根据权利要求1所述的方法，其特征在于，所述基于预设分配方式根据比对结果，向所述店铺分配流量，包括：

若所述流量阈值大于所述实际流量，则增加所述店铺的流量；

若所述流量阈值小于所述实际流量，则减少所述店铺的流量。

3.根据权利要求1所述的方法，其特征在于，所述瓶颈期店铺数据与所述待预测店铺数据类别一致，包括以下至少一种：

开店时长、主营品类、主营品牌、所述主营品牌的基础属性、日均销售额、日均流量、平均订单价格、关注量、评分。

4.根据权利要求3所述的方法，其特征在于，所述主营品牌的基础属性包括：

品牌级别、品牌类型、品牌特色。

5.根据权利要求1所述的方法，其特征在于，还包括：

按照数据对应的时间将所述瓶颈期店铺数据进行分割，形成多个数据集合；

根据每个所述数据集合对模型进行训练，得到所述预测模型。

6.根据权利要求5所述的方法，其特征在于，所述根据每个所述数据集合对模型进行训练，得到所述预测模型，包括：

将所述数据集合中预设时刻之后对应的数据作为训练集，并根据所述训练集对模型进行训练，得到所述预测模型；

将所述数据集合中预设时刻之后对应的数据作为测试集，并根据所述测试集对所述预测模型进行测试，得到测试误差；

若所述测试误差大于允许误差，则调整所述预设时刻，并根据调整后的所述预设时刻继续执行所述将所述数据集合中预设时刻之后对应的数据作为训练集的步骤。

7.根据权利要求6所述的方法，其特征在于，若所述测试误差小于等于误差阈值，则使用所述预测模型根据所述待预测店铺数据进行预测。

8.根据权利要求1所述的方法，其特征在于，所述基于预设分配方式根据比对结果，向所述店铺分配流量之后，还包括：

基于预设预测方式确定所述店铺的预测销售额，并监控所述店铺的实际销售额；

若所述预测销售额与所述实际销售额差值大于店铺预测误差，则根据所述预测销售额、所述实际销售额修正所述预设分配方式以及所述预测模型。

9.根据权利要求8所述的方法，其特征在于，若所述预测销售额与所述实际销售额差值小于等于所述店铺预测误差，则所述方法还包括：

根据各个所述店铺对应的所述预测销售额确定整体预测销售额；

根据各个所述店铺对应的所述实际销售额确定整体实际销售额；

若所述整体预测销售额与所述整体实际销售额的差值大于整体预测误差，则根据所述整体预测销售额、所述整体实际销售额修正所述预设分配方式。

10.一种店铺流量调节装置，其特征在于，包括：

预测模块，用于根据预测模型对待预测店铺数据进行预测，输出所述待预测店铺对应的流量阈值；其中，所述预测模型是根据瓶颈期店铺数据进行模型训练得到的；

分配模块，用于比对所述流量阈值与所述店铺的实际流量，并基于预设分配方式根据比对结果，向所述店铺分配流量。

11.一种店铺流量调节设备，其特征在于，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-9任一种所述的方法。

12.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，

所述计算机程序被处理器执行以实现如权利要求1-9任一种所述的方法。

Images