CN113298546A - 销量预测方法及装置、商品处理方法及装置 - Google Patents
销量预测方法及装置、商品处理方法及装置 Download PDFInfo
- Publication number
- CN113298546A CN113298546A CN202010475235.1A CN202010475235A CN113298546A CN 113298546 A CN113298546 A CN 113298546A CN 202010475235 A CN202010475235 A CN 202010475235A CN 113298546 A CN113298546 A CN 113298546A
- Authority
- CN
- China
- Prior art keywords
- predicted
- time
- flow characteristic
- commodity
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000003672 processing method Methods 0.000 title claims description 7
- 239000013598 vector Substances 0.000 claims abstract description 262
- 239000011159 matrix material Substances 0.000 claims description 74
- 238000013527 convolutional neural network Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 23
- 230000002776 aggregation Effects 0.000 claims description 19
- 238000004220 aggregation Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 241000347972 Caucasus prunus virus Species 0.000 description 23
- 239000000047 product Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 229920000742 Cotton Polymers 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 102100029361 Aromatase Human genes 0.000 description 3
- 101000919395 Homo sapiens Aromatase Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供销量预测方法及装置,其中所述销量预测方法包括:获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列;根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;根据所述预测特征向量获得所述待预测对象的销量预测值,该销量预测方法可以实现融合待预测对象自身流量特征、所属类目流量特征、所属店铺流量特征中的一个或多个以及与待预测对象属于同一类目并且与待预测对象的属性之一相同的对象的流量特征来预测待预测对象销量值,预测信息更全面并且预测更准确。
Description
技术领域
本说明书涉及信息处理技术领域,特别涉及一种销量预测方法。本说明书同时涉及一种销量预测装置,一种商品处理方法,一种商品处理装置,一种供应链需求计划配置方法,一种供应链需求计划配置装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
销量预测是电子商务的重要诉求,是商品供应链管理与平台流量分发的核心,新上架的商品的销量预测可以供商家和平台更好决策新商品上线之后的流量扶持、打造爆款、备货与补货等,对平台新商品供给与丰富货源意义重大。
传统的基于时间序列的销量预测方法(Arima,Holt-Winters,LSTM等),需要预测的目标有一个较长的时间序列观测值,而新商品不具有这样的特点,故无法准确预测新商品的销量。基于特征工程与机器学习的销量预测方法(线性回归,GBDT,DNN等),需要大量的商品相关的人工特征,但是机器学习模型无法很好构建与融入一些特征,造成信息的缺失与效果的下降,进而需要销量预测信息更全面并且预测更准确的方法对新商品预测销量值。
发明内容
有鉴于此,本申请实施例提供了一种销量预测方法。本申请同时涉及一种销量预测装置,一种商品处理方法,一种商品处理装置,一种供应链需求计划配置方法,一种供应链需求计划配置装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本申请实施例的第一方面,提供了一种销量预测方法,包括:
获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测对象的销量预测值。
可选地,根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量包括:
分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量;
对所述第二时间序列向量进行特征聚合,得到第三时间序列向量;
将所述第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量。
可选地,分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量包括:
基于所述待预测对象在所述预设时间区间内的每个第一流量特征的k条时间序列,生成维度为[k,n]的第一时间序列矩阵,基于所述待预测对象在所述预设时间区间内的每个第二流量特征的k条时间序列,生成维度为[k,n]的第二时间序列矩阵,n为预设单位时长的数量,k和n均为自然数;
根据所述第一时间序列矩阵获得所述第一时间序列向量;并且
根据所述第二时间序列矩阵获得所述第二时间序列向量。
可选地,根据所述第一时间序列矩阵获得所述第一时间序列向量包括:将所生成的第一时间序列矩阵输入预先训练的卷积神经网络模型,获得维度为[1,n-w+1]的第一时间序列向量,其中,所述预先训练的卷积神经网络模型利用维度为[k,w]的卷积核将所述第一时间序列矩阵处理成所述第一时间序列向量,w为自然数。
可选地,根据所述第二时间序列矩阵获得所述第二时间序列向量包括:
将所生成的第二时间序列矩阵输入预先训练的卷积神经网络模型,获得维度为[1,n-w+1]的第二时间序列向量,其中,所述预先训练的卷积神经网络模型利用维度为[k,w]的卷积核将所述第二时间序列矩阵处理成第二时间序列向量,w为自然数。
可选地,所述卷积神经网络模型通过如下步骤训练得到:
接收输入的多个样本对象中的每个样本对象在所述预设时间区间内的第一流量特征的时间序列;
基于所述多个样本对象中的每个样本对象在所述预设时间区间内的每个第一流量特征的时间序列,生成第一时间序列矩阵;
根据所生成的第一时间序列矩阵和第一时间序列向量对待训练卷积神经网络模型进行训练,得到卷积神经网络模型,所述卷积神经网络模型将所述多个样本对象中的每个样本对象的第一时间序列矩阵与该对象的第一时间序列向量相关联。可选地,所述第二流量特征的数目为m,m为自然数,对所述第二流量特征的第二时间序列向量进行特征聚合,得到第三时间序列向量包括:
获得m个所述第二流量特征的第二时间序列向量;
基于所述m个所述第二流量特征的第二时间序列向量,生成维度为「m,n-w+1」的第三时间序列矩阵;
将所生成的第三时间序列矩阵输入预先训练的图卷积神经网络模型,获得维度为[1,n-w+1]的第三时间序列向量,其中,所述预先训练的图卷积神经网络模型将所生成的第三时间序列矩阵与第三时间序列向量相关联。
可选地,所述图卷积神经网络模型通过如下步骤训练得到:
针对所述多个样本对象中的每一个,基于样本对象的第二流量特征的第二时间序列向量,生成第三时间序列矩阵;
将所生成的第三时间序列矩阵作为数据样本并且将维度为[1,n-w+1]的第三时间序列向量作为标签输入待训练图卷积神经网络模型进行训练,得到图卷积神经网络模型,所述图卷积神经网络模型将样本对象的第三时间序列矩阵与该样本对象的第三时间序列向量相关联,
其中,所述图卷积神经网络模型的节点是所述样本对象的每个第二流量特征的第二时间序列向量及所述第三时间序列向量,边是所述样本对象的每个第二流量特征的第二时间序列向量与所述第三时间序列向量的关系。
可选地,将所述第一流量特征的第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量包括:
将所述第一流量特征的第一时间序列向量与所述第三时间序列向量进行拼接。
可选地,根据所述预测特征向量获得所述待预测对象的销量预测值包括:将所述预测特征向量输入预先训练的销量预测模型,获得所述待预测对象的销量预测值,其中,所述销量预测模型将所述预测特征向量与所述待预测对象的销量值相关联。
可选地,所述销量预测模型通过如下步骤训练得到:
获取多个样本对象在所述预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列;
针对所述多个样本对象中的每一个,分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量;
针对所述多个样本对象中的每一个,对所述第二时间序列向量进行特征聚合,得到第三时间序列向量;
针对所述多个样本对象中的每一个,将所述第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量;
将所述多个样本对象中的每个样本对象的预测特征向量作为数据样本并且将该样本对象的销量值作为标签输入待训练销量预测模型进行训练,得到销量预测模型,所述销量预测模型将所述多个样本对象中的每个样本对象的预测特征向量与该样本对象的销量值相关联。
可选地,所述第一流量特征的时间序列包括所述待预测对象、所述待预测对象所属类目、所述待预测对象所属店铺中的一个或多个在所述预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列,所述第二流量特征的时间序列包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象在所述预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列。
根据本申请实施例的第二方面,提供了一种销量预测装置,包括:
第一获取模块,被配置为获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
第一特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第一获得模块,被配置为根据所述预测特征向量获得所述待预测对象的销量预测值。
根据本申请实施例的第三方面,提供了一种商品处理方法,包括:
获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测商品的销量预测值;
获取所述待预测商品的库存量以及所述待预测商品的补货周期;
根据所述销量预测值、所述库存量和所述补货周期确定所述待预测商品的补货量。
可选地,获取所述待预测商品的库存量以及所述待预测商品的补货周期包括:
发送针对所述待预测商品的库存量以及所述待预测商品的补货周期的信息采集请求;
接收针对所述信息采集请求输入的信息;
根据所述信息获得所述待预测商品的库存量以及所述待预测商品的补货周期。
根据本申请实施例的第四方面,提供了一种商品处理装置,包括:
第二获取模块,被配置为获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
第二特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第二获得模块,被配置为根据所述预测特征向量获得所述待预测商品的销量预测值;
第三获取模块,被配置为获取所述待预测商品的库存量以及所述待预测商品的补货周期;
第二确定模块,被配置为根据所述销量预测值、所述库存量和所述补货周期确定所述待预测商品的补货量。
根据本申请实施例的第五方面,提供了一种供应链需求计划配置方法,包括:
获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测商品的销量预测值;
根据所述销量预测值,基于补货模式库中预先存储的多种补货模式,为所述待预测商品配置匹配所述销量预测值的变化规律的补货模式。
根据本申请实施例的第六方面,提供了一种供应链需求计划配置装置,包括:
第四获取模块,被配置为获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
第三特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第三获得模块,被配置为根据所述预测特征向量获得所述待预测商品的销量预测值;
匹配模块,被配置为根据所述销量预测值,基于补货模式库中预先存储的多种补货模式,为所述待预测商品配置匹配所述销量预测值的变化规律的补货模式。
根据本申请实施例的第七方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测对象的销量预测值。
根据本申请实施例的第八方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现任意所述销量预测方法的步骤。
本说明书提供的销量预测方法,通过获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列;根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;根据所述预测特征向量获得所述待预测对象的销量预测值,由于融合第一流量特征中包括的待预测对象自身流量特征、所属类目流量特征、所属店铺流量特征中的一个或多个以及与待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征来预测待预测对象销量值,预测信息更全面并且预测更准确。
附图说明
图1示出了根据本申请实施例的一种销量预测方法的应用场景的示意图;
图2示出了根据本申请实施例的一种销量预测方法的流程图;
图3(a)示出了根据本申请实施例的销量预测方法的训练过程时序框图;
图3(b)示出了根据本申请实施例的销量预测方法的预测过程时序框图;
图4示出了根据本申请实施例的一种销量预测方法的处理过程的流程图;
图5示出了根据本申请实施例的销量预测方法中的特征提取步骤中使用的CNN模型框架;
图6示出了根据本申请实施例的销量预测方法中的聚合步骤中使用的GCN模型框架;
图7示出了根据本申请实施例的销量预测方法中的GCN模型的示意图;
图8示出了根据本申请实施例的销量预测方法中使用的DNN模型框架;
图9示出了根据本申请实施例的一种销量预测装置的结构示意图;
图10示出了根据本申请实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
时间序列:描述一个商品同一统计指标的数值按其发生的时间先后顺序排列而成的数列。
CPV:<Category,Product Name,Product Value>,<类目,属性,属性词>,电商商品属性最小粒度,如<T恤,材质,纯棉>,或<棉服,功能,保暖>。
在本说明书中,提供了一种销量预测方法,本说明书同时涉及一种销量预测装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本申请实施例的一种销量预测方法的应用场景的示意图。
参见图1,应用场景中包括:终端及服务器。
具体地,终端将待预测对象在该终端上在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列发送至服务器,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征。
服务器根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量,之后根据所述预测特征向量获得所述待预测对象的销量预测值。
图2示出了根据本申请一实施例提供的一种销量预测方法的流程图,具体包括以下步骤202至步骤206。图3(a)示出了根据本申请实施例的销量预测方法的训练过程时序框图,图3(b)示出了根据本申请实施例的销量预测方法的预测过程时序框图。下面结合图2和图3(a)至图3(b)进行说明。
步骤202:获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列。
第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征。
第一流量特征的时间序列包括该待预测对象、该待预测对象所属类目、该待预测对象所属店铺中的一个或多个在预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列,所述第二流量特征的时间序列包括与待预测对象属于同一类目并且与该待预测对象的属性之一相同的对象在预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列,产生流量的动作可以包括曝光、点击、加购、购买。具体地,待预测对象可以是任何需要进行预测的物品,如可以是某种新商品,预设时间区间是该新商品的预设的观测期。在本申请实施例中,如图3(b)所示,分别抽取当前新商品在过去n天商品自身、商品所属类目、商品所属店铺及与该商品属于同一类目并且与该商品的属性之一相同的商品的曝光/点击/加购/订单等的时间序列,例如,n取60,即取新商品和与该新商品属于同一类目并且与该新商品的属性之一相同的商品长度为60天的各类时间序列,如果没有长达60天的流量序列如新商品发布不足60天,则在前面补0。实际应用中,可以抽取新商品在过去n天商品自身、商品所属类目、商品所属店铺中的一个或多个的各类时间序列。
第一流量特征的时间序列包括该新商品、该新商品所属类目、该新商品所属店铺中的一个或多个在60天内的产生流量的动作执行次数和/或执行人数的时间序列,所述第二流量特征的时间序列包括与新商品属于同一类目并且与该新商品的属性之一相同的商品在60天内的产生流量的动作执行次数和/或执行人数的时间序列,产生流量的动作可以包括曝光、点击、加购、购买。
与新商品属于同一类目并且与该新商品的属性之一相同的商品可以通过<类目,属性,属性词>(CPV)确定,当然也可以通过现有技术中将类目与属性关联的其他方式来确定。以CPV为例进行说明,例如,新商品是红色圆领纯棉T恤,新商品的类目可以是T恤,CPV例如为<T恤,材质,纯棉>、<T恤,款式,圆领>或<T恤,颜色,红色>等,即CPV可以从不同角度限定新商品的属性。
步骤204:根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量。
第一流量特征的时间序列及第二流量特征的时间序列如上所述,预测特征向量是将第一流量特征和第二流量特征结合用于预测销量值的特征向量。
具体地,如图4所示,步骤204可以通过步骤2042至2046实现。
步骤2042:分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量。
特征提取是指将流量特征的时间序列构成的多维时间序列矩阵提取主要特征,处理成一维时间序列向量。
在实际应用中,步骤2042可以通过卷积神经网络(CNN,Convolutional NeuralNetwork)模型、长短期记忆网络(LSTM,Long Short-Term Memory)、门控单元网络(GRU,Gated Recurrent Unit)模型实现,下面结合图5以CNN模型为例进行说明。
首先对CNN模型的训练过程进行说明。
接收输入的多个样本商品中的每个样本商品在n天内的商品自身、商品所属类目、商品所属店铺中的一个或多个以及CPV的曝光次数、曝光人数、点击次数、点击人数、加购次数、加购人数、订单次数、订单人数的时间序列,其中,次数通过页面访问量PV计算,人数通过独立访客访问数UV计算。由于每个第一流量特征的时间序列和每个第二流量特征的时间序列经受的处理相同,均是利用针对其对应训练的CNN模型得到时间序列向量,因此下面以第一流量特征中的样本商品的n天内的商品自身流量特征为例进行说明。
基于样本商品在n天内的商品自身流量特征可以表征为样本商品在n天内的商品自身的曝光次数、曝光人数、点击次数、点击人数、加购次数、加购人数、订单次数、订单人数的时间序列,即商品自身流量特征表征为如下k*n的矩阵,其中n为预设单位时长的数量。所述单位时长是时间计量单位,可以是小时,天,日、月或者年等。具体可以根据实际需求确定,本例中以天为例进行说明。k表示为k条表征商品的时间序列,k和n均为自然数,至是1至n天的曝光次数,至是1至n天的曝光人数,至是1至n天的订单人数。
商品所属类目流量特征、商品所属店铺流量特征、每个CPV流量特征的形式与商品自身流量特征类似。
图6示出了根据本申请实施例的销量预测方法中的特征提取步骤中使用的CNN模型框架,如图所示,CNN模型可以有2个卷积层和2个池化层(仅为示例),卷积层用来进行特征提取,池化层的操作一般有两种,一种是平均池化,一种是最大池化,池化层对输入的矩阵进行压缩,一方面使矩阵变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征;池化层连接全连接层,全连接层中的每个神经元与其前一层的所有神经元进行全连接,全连接可以整合池化层中具有类别区分性的局部信息,所述全连接层的输出值被传递给后续输出层,输出最终的计算结果。本实施例中,利用CNN模型进行特征提取。
将上述k*n的时间序列矩阵作为数据样本并且将维度为[1,n-w+1]的第一时间序列向量作为标签输入待训练CNN模型,CNN模型抽取商品自身流量特征的时间序列特征,学习CNN时间序列建模t(x)。
CNN模型利用[k,w]维度的卷积核,即卷积核的宽度为表征每个商品自身、商品所属类目、商品所属店铺、CPV的时间序列的条数k,卷积核的长度为一个超参数w,取3/7/15则表示该层卷积可提取近期3天/7天/15天序列的量级与趋势信息。
经训练的CNN模型基于新商品在n天内的每个第一流量特征的k条时间序列,生成维度为[k,n]的第一时间序列矩阵,基于新商品在n天内的每个第二流量特征的k条时间序列,生成维度为[k,n]的第二时间序列矩阵。
以新商品自身流量特征为例进行说明。
将上述k*n的矩阵输入预先训练的CNN模型,获得维度为[1,n-w+1]的第一时间序列向量。
CNN模型输入为
CNN模型输出为
s1=[a1,a2,a3,a4,…,an-w,an-w+1],
其中,s1是商品自身流量特征的第一时间序列向量,a1至an-w+1是CNN模型提取得到的时间序列向量s1的向量元素。
针对每个样本商品的商品所属类目流量特征、商品所属店铺流量特征、每个CPV流量特征,分别训练CNN模型,CNN模型可以将维度为k*n的商品所属类目流量特征、商品所属店铺流量特征分别处理成维度为[1,n-w+1]的第一时间序列向量s2、s3,将维度为k*n的每个CPV流量特征处理成维度为[1,n-w+1]的第二时间序列向量sCPVi。
通过CNN将时间序列矩阵处理成时间序列向量,便于实现与第二流量特征的聚合后的时间序列向量进行特征融合。
步骤2044:对所述第二流量特征的第二时间序列向量进行特征聚合,得到第三时间序列向量。
特征聚合是指将第二流量特征的时间序列向量构成的多维时间序列矩阵降维成维度为1的第三时间序列向量。
具体地,步骤2044可以通过图卷积神经网络(GCN,Graph ConvolutionalNetwork)模型或LSTM等聚合模型实现。下面参照图6以GCN模型为例进行说明,图6示出了根据本申请实施例的销量预测方法中的聚合步骤中使用的GCN模型框架,GCN模型是CNN模型在图域的推广,与CNN模型类似,输入层与输出层之间有多个隐藏层,该模型能够同时对节点特征信息与结构信息进行端对端学习。
首先对GCN模型进行训练。
针对多个样本商品中的每个样本商品,基于样本商品的每个CPV流量特征的第二时间序列向量,生成第三时间序列矩阵。
将所生成的第三时间序列矩阵作为数据样本并且将维度为[1,n-w+1]的第三时间序列向量(下文具体进行说明)作为标签输入待训练GCN模型进行训练,得到GCN模型,所述GCN模型将样本商品的第三时间序列矩阵与该样本商品的第三时间序列向量相关联,其中,所述GCN模型的节点是样本商品的每个第二流量特征的第二时间序列向量及所述第三时间序列向量,边是样本商品的每个第二流量特征的第二时间序列向量与所述第三时间序列向量的关系。
具体地,每个商品有不定数量的CPV流量特征,设为m个,例如,CPV1流量特征的第二时间序列向量为sCPV1=[b1,b2,b3,b4,…,bn-w,bn-w+1],其中,b1至bn-w+1是CNN模型提取得到的向量sCPV1的向量元素,CPVm流量特征的第二时间序列向量为sCPVm=[f1,f2,f3,f4,…,fn-w,fn-w+1],其中f1至fn-w+1是CNN模型提取得到的向量sCPVm的向量元素。
GCN模块的输入为该商品的m个CPV流量特征经过CNN进行特征提取后的向量组成的矩阵,其中矩阵的每个元素如sCPV1为经CNN提取的上述[1,n-w+1]维度的特征向量。
GCN模型输入为:
即将每个商品的CPV特征向量组成的矩阵[sCPV1,sCPV2,sCPV3…sCPVm]输入GCN模型,基于GCN的聚合策略如平均池化(avg pooling)的聚合,即利用GCN模型函数g(x)=avg(sCPV1,sCPV2,sCPV3…sCPVm)。输出为商品所有CPV的第二时间序列向量的统一表征sCPV=[h1,h2,h3…hn-w+1],同样为一个[1,n-w+1]维度的特征向量,其中,h1至hn-w+1是sCPV1至sCPVm中的每个对应向量元素的聚合后元素。
在本申请的实施例中,利用全局平均池化(global average pooling,GAP)层,通过对时间序列矩阵每列元素取平均值将维度为「m,n-w+1」的时间序列矩阵降维成维度为[1,n-w+1]的第三时间序列向量,或者可以利用现有的神经网络工具箱进行训练,调用使用基于DNN可训练参数的聚合,即g(x)=dnn(sCPV1,sCPV2,sCPV3…sCPVm)。
通过GCN对m个CPV流量特征经过CNN进行特征提取后的向量进行聚合,实现将离散节点信息聚合,便于将商品的属性特征考虑在内进行建模与预测。
在本申请实施例中,以CPV1为<T恤,材质,纯棉>、CPV2为<T恤,款式,圆领>、CPV3为<T恤,颜色,红色>为例进行说明。
如图7所示,利用全局平均池化层,通过取平均值将维度为「3,n-w+1」的时间序列矩阵降维成维度为[1,n-w+1]的第三时间序列向量sCPV,sCPV是商品所有3个CPV时间序列向量的统一表征。
步骤2046:将所述第一流量特征的第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量。
特征融合是指将第一时间序列向量与第三时间序列向量结合在一起,实现将第一流量特征和第二流量特征结合。
具体地,通过能够将多个时间序列向量进行特征融合的函数或模型将所述第一流量特征的第一时间序列向量与所述第三时间序列向量进行特征融合,实现将第一流量特征和第二流量特征结合。
步骤2046可以通过拼接(concat)函数、Stack模型、CNN模型等实现,下面以拼接(concat)函数进行说明。
将商品自身、商品所属类目、商品所属店铺的时间序列特征与商品的CPV时间序列特征融合在商品自身、商品所属类目、商品所属店铺的原始时间序列经过CNN模块后,分别输出同样维度的各自表征的[1,n-w+1]维度时间序列向量表征,记为s1、s2、s3。商品的CPV时间序列特征经过CNN和GCN模块后,同样输出[1,n-w+1]维度的时间序列向量,记为sCPV。这里特征融合的方法为将商品自身、商品所属类目、商品所属店铺、商品的CPV的时间序列向量进行拼接(concat),则预测特征向量input=concat(s1,s2,s3,sCPV)。
综上,步骤204可以克服传统方法无法考虑离散CPV流量特征节点信息的缺陷,实现将离散CPV流量特征节点信息聚合,将待预测对象自身流量特征、所属类目流量特征、所属店铺流量特征中的一个或多个以及与待预测对象属于同一类目并且与该待预测对象的属性之一相同的对象的流量特征融合从而将待预测对象的属性特征考虑在内,可以实现聚合与新商品的属性之一相同的所有商品的流量特征进行预测。
步骤206:根据所述预测特征向量获得所述待预测对象的销量预测值。
步骤206可以通过以下实现:将所述预测特征向量输入预先训练的销量预测模型,获得所述待预测对象的销量预测值,其中,所述销量预测模型将所述预测特征向量与所述待预测对象的销量值相关联。
销量预测模型包括深度神经网络(DNN)模型、Wide&Deep模型、DeepFM模型或线性回归模型。下面参照图8以DNN模型为例进行说明,图8示出了根据本申请实施例的销量预测方法中使用的DNN模型框架,在该实施例中,输入层与输出层之间存在三个隐藏层,层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。
如图3(a)所示,模型训练过程包括以下步骤:
获取多个样本商品在n天内的商品、商品所属类目、商品所属店铺中的一个或多个及与该商品属于同一类目并且与该商品的属性之一相同的商品的曝光/点击/加购/订单等的时间序列;
针对多个样本商品中的每一个,获得经CNN模型进行特征提取的商品、商品所属类目、商品所属店铺中的一个或多个的第一时间序列向量和与该商品属于同一类目并且与该商品的属性之一相同的商品的第二时间序列向量;
针对所述多个样本商品中的每一个,获得经GCN模型聚合后的第三时间序列向量sCPV;
针对所述多个样本商品中的每一个,将所述第一时间序列向量与所述第三时间序列向量sCPV进行特征融合,得到预测特征向量;
将所述多个样本商品中的每个样本商品的预测特征向量作为数据样本并且将该样本商品的销量值作为标签输入待训练销量预测模型进行训练,得到销量预测模型,所述销量预测模型将所述多个样本商品中的每个样本商品的预测特征向量与该样本商品的销量值相关联。
具体地,将多个商品的流量特征融合后得到的时间序列和真实销量y作为样本输入DNN模型,预测各个商品的销量预测值与商品的真实销量y计算损失函数根据损失函数对模型的参数进行监督学习。根据各样本的真实销量y和销量预测值之间的差异程度对DNN模型进行迭代计算并更新DNN模型中的参数,获取收敛后的DNN模型作为销量预测模型并输出。具体地,定义训练的目标函数,根据随机梯度下降法优化深度神经网络的参数,每一轮迭代中计算样本正向传播到输出层节点的数据,计算得到梯度再进行反向传播,并在反向传播的过程中更新网络模型参数。经过多轮的迭代,最终得到稳定的模型参数,表示目标函数收敛,DNN模型的训练过程已经收敛,获取最终输出的DNN模型作为销量预测模型。
实际应用中,针对销量预测的回归问题,损失函数Loss可以取均方方差(MSE,MeanSquare Error)、平均绝对误差(MAE,Mean Absolute Error)或者Huber Loss等。以MSE为例进行说明。
该销量预测方法可以实现融合待预测对象自身流量特征、所属类目流量特征、所属店铺流量特征中的一个或多个以及与待预测对象属于同一类目并且与对象的属性之一相同的对象的流量特征来预测待预测对象销量值,预测信息更全面并且预测更准确。
与上述方法实施例相对应,本说明书还提供了销量预测装置实施例,图9示出了本申请一实施例提供的一种销量预测装置的结构示意图。如图9所示,该装置包括:
第一获取模块902,被配置为获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
第一特征向量得到模块904,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第一获得模块906,被配置为根据所述预测特征向量获得所述待预测对象的销量预测值。
该销量预测装置可以实现融合待预测对象自身流量特征、所属类目流量特征、所属店铺流量特征中的一个或多个以及与待预测对象属于同一类目并且与待预测对象的属性之一相同的对象的流量特征预测待预测对象销量值,预测信息更全面并且预测更准确。
可选地,所述第一特征向量得到模块包括:
提取单元,被配置为分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量;
聚合单元,被配置为对所述第二时间序列向量进行特征聚合,得到第三时间序列向量;
融合单元,被配置为将所述第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量。
可选地,所述提取单元还被配置为:
基于所述待预测对象在所述预设时间区间内的每个第一流量特征的k条时间序列,生成维度为[k,n]的第一时间序列矩阵,基于所述待预测对象在所述预设时间区间内的每个第二流量特征的k条时间序列,生成维度为[k,n]的第二时间序列矩阵,n为预设单位时长的数量,k和n均为自然数;
根据所述第一时间序列矩阵获得所述第一时间序列向量;并且
根据所述第二时间序列矩阵获得所述第二时间序列向量。
可选地,所述提取单元还被配置为:
将所生成的第一时间序列矩阵输入预先训练的卷积神经网络模型,分别获得维度为[1,n-w+1]的第一时间序列向量,其中,所述预先训练的卷积神经网络模型利用维度为[k,w]的卷积核将所述第一时间序列矩阵处理成所述第一时间序列向量,w为自然数。
可选地,所述提取单元还被配置为:
将所生成的第二时间序列矩阵输入预先训练的卷积神经网络模型,获得维度为[1,n-w+1]的第二时间序列向量,其中,所述预先训练的卷积神经网络模型利用维度为[k,w]的卷积核将所述第二时间序列矩阵处理成第二时间序列向量,w为自然数。
可选地,销量预测装置还包括第一训练模块,被配置为:
接收输入的多个样本对象中的每个样本对象在所述预设时间区间内的第一流量特征的时间序列;
基于所述多个样本对象中的每个样本对象在所述预设时间区间内的每个第一流量特征的时间序列,生成第一时间序列矩阵;
根据所生成的第一时间序列矩阵和第一时间序列向量对待训练卷积神经网络模型进行训练,得到卷积神经网络模型,所述卷积神经网络模型将所述多个样本对象中的每个样本对象的第一时间序列矩阵与该对象的第一时间序列向量相关联。可选地,所述第二流量特征的数目为m,m为自然数,所述聚合单元还被配置为:
获得m个所述第二流量特征的第二时间序列向量;
基于所述m个所述第二流量特征的第二时间序列向量,生成维度为「m,n-w+1」的第三时间序列矩阵;
将所生成的第三时间序列矩阵输入预先训练的图卷积神经网络模型,获得维度为[1,n-w+1]的第三时间序列向量,其中,所述预先训练的图卷积神经网络模型将所生成的第三时间序列矩阵与第三时间序列向量相关联。
可选地,销量预测装置还包括第二训练模块,被配置为:
针对接收到的多个样本对象中的每一个,基于样本对象的第二流量特征的第二时间序列向量,生成第三时间序列矩阵;
将所生成的第三时间序列矩阵作为数据样本并且将维度为[1,n-w+1]的第三时间序列向量作为标签输入待训练图卷积神经网络模型进行训练,得到图卷积神经网络模型,所述图卷积神经网络模型将样本对象的第三时间序列矩阵与该样本对象的第三时间序列向量相关联,
其中,所述图卷积神经网络模型的节点是所述样本对象的每个第二流量特征的第二时间序列向量及所述第三时间序列向量,边是所述样本对象的每个第二流量特征的第二时间序列向量与所述第三时间序列向量的关系。
可选地,融合单元还被配置为:
将所述第一流量特征的第一时间序列向量与所述第三时间序列向量进行拼接。
可选地,所述第一获得模块906还被配置为:
将所述预测特征向量输入预先训练的销量预测模型,获得所述待预测对象的销量预测值,其中,所述销量预测模型将所述预测特征向量与所述待预测对象的销量值相关联。
可选地,销量预测装置还包括第三训练模块,被配置为:
获取多个样本对象在所述预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列;
针对所述多个样本对象中的每一个,分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量;
针对所述多个样本对象中的每一个,对所述第二时间序列向量进行特征聚合,得到第三时间序列向量;
针对所述多个样本对象中的每一个,将所述第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量;
将所述多个样本对象中的每个样本对象的预测特征向量作为数据样本并且将该样本对象的销量值作为标签输入待训练销量预测模型进行训练,得到销量预测模型,所述销量预测模型将所述多个样本对象中的每个样本对象的预测特征向量与该样本对象的销量值相关联。
可选地,所述第一流量特征的时间序列包括所述待预测对象、所述待预测对象所属类目、所述待预测对象所属店铺中的一个或多个在所述预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列,所述第二流量特征的时间序列包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象在所述预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列。
上述为本实施例的一种销量预测装置的示意性方案。需要说明的是,该销量预测装置的技术方案与上述的销量预测方法的技术方案属于同一构思,销量预测装置的技术方案未详细描述的细节内容,均可以参见上述销量预测方法的技术方案的描述。
本说明书还提供了一种商品处理方法的示意性方案,包括:
获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测商品的销量预测值;
获取所述待预测商品的库存量以及所述待预测商品的补货周期;
根据所述销量预测值、所述库存量和所述补货周期确定所述待预测商品的补货量。
可选地,获取所述待预测商品的库存量以及所述待预测商品的补货周期包括:
发送针对所述待预测商品的库存量以及所述待预测商品的补货周期的信息采集请求;
接收针对所述信息采集请求输入的信息;
根据所述信息获得所述待预测商品的库存量以及所述待预测商品的补货周期。
所述待预测商品是待预测销量的商品,信息采集请求可以通过短信方式、交互式界面方式等发送至商家,商家针对该请求、采用回复短信的方式输入信息或在交互式界面输入信息,此处所列出的方式仅为示例,不限于此处提及的方式。
在获取商家针对该商品的库存量和补货周期之后,根据销量预测值、库存量和补货周期合理确定补货量。
本说明书还提供了一种商品处理装置,包括:
第二获取模块,被配置为获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
第二特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第二获得模块,被配置为根据所述预测特征向量获得所述待预测商品的销量预测值;
第三获取模块,被配置为获取所述待预测商品的库存量以及所述待预测商品的补货周期;
第二确定模块,被配置为根据所述销量预测值、所述库存量和所述补货周期确定所述待预测商品的补货量。
可选地,第三获取模块被配置为:
发送针对所述待预测商品的库存量以及所述待预测商品的补货周期的信息采集请求;
接收针对所述信息采集请求输入的信息;
根据所述信息获得所述待预测商品的库存量以及所述待预测商品的补货周期。
本说明书还提供了一种供应链需求计划配置方法,包括:
获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测商品的销量预测值;
根据所述销量预测值,基于补货模式库中预先存储的多种补货模式,为所述待预测商品配置匹配所述销量预测值的变化规律的补货模式。
在本申请一实施例中,为所述待预测对象配置匹配所述销量预测值的变化规律的补货模式包括:根据该待预测对象在多个预测时间段中每个预测时间段内的销量预测值,从补货模式库中预先存储的多种补货模式中为该待预测对象选择一个匹配的补货模式。
补货模式可以包括周期滚动模式、即缺即补模式、集中补货模式和订单驱动模式等。除补货模式信息外,需求计划中还可以包括补货时间,可以根据待处理对象的入库方式、备货时间长度等确定具体的补货时间,以保证补货及时性。入库方式包括直接入库、其它仓调拨等方式,若采用其它仓调拨的方式,在确定补货时间时需要考虑其它仓与待补货的仓库之间的运输距离。备货时间长度是指备好确定的补货量所需要的时间长度,备货时间与出货量、物流运输条件等有关,比如若需要三天才能备好一周的货物,则需要在这一周到来的前三天开始补货。
本申请实施例可以确定连续多个预测时间段内的销量预测值,进而可以根据这连续多个预测时间段对应的销量预测值的变化规律,匹配一个较准确的补货模式,从而提高补货效率。
本说明书还提供了一种供应链需求计划配置装置,包括:
第四获取模块,被配置为获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
第三特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第三获得模块,被配置为根据所述预测特征向量获得所述待预测商品的销量预测值;
匹配模块,被配置为根据所述销量预测值,基于补货模式库中预先存储的多种补货模式,为所述待预测商品配置匹配所述销量预测值的变化规律的补货模式。
图10示出了根据本申请实施例提供的一种计算设备1000的结构框图。该计算设备1000的部件包括但不限于存储器1010和处理器1020。处理器1020与存储器1010通过总线1030相连接,数据库1050用于保存数据。
计算设备1000还包括接入设备1040,接入设备1040使得计算设备1000能够经由一个或多个网络1060通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1040可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备1000的上述部件以及图10中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图10所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备1000可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备1000还可以是移动式或静止式的服务器。
其中,处理器1020用于执行如下计算机可执行指令:
获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测对象的销量预测值。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的销量预测方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述销量预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测对象的销量预测值。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的销量预测方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述销量预测方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书并不受所描述的动作顺序的限制,因为依据本说明书,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (20)
1.一种销量预测方法,包括:
获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测对象的销量预测值。
2.如权利要求1所述的销量预测方法,其中,根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量包括:
分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量;
对所述第二时间序列向量进行特征聚合,得到第三时间序列向量;
将所述第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量。
3.如权利要求2所述的销量预测方法,其中,分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量包括:
基于所述待预测对象在所述预设时间区间内的每个第一流量特征的k条时间序列,生成维度为[k,n]的第一时间序列矩阵,基于所述待预测对象在所述预设时间区间内的每个第二流量特征的k条时间序列,生成维度为[k,n]的第二时间序列矩阵,n为预设单位时长的数量,k和n均为自然数;
根据所述第一时间序列矩阵获得所述第一时间序列向量;并且
根据所述第二时间序列矩阵获得所述第二时间序列向量。
4.如权利要求3所述的销量预测方法,其中,根据所述第一时间序列矩阵获得所述第一时间序列向量包括:
将所生成的第一时间序列矩阵输入预先训练的卷积神经网络模型,获得维度为[1,n-w+1]的第一时间序列向量,其中,所述预先训练的卷积神经网络模型利用维度为[k,w]的卷积核将所述第一时间序列矩阵处理成所述第一时间序列向量,w为自然数。
5.如权利要求3所述的销量预测方法,其中,根据所述第二时间序列矩阵获得所述第二时间序列向量包括:
将所生成的第二时间序列矩阵输入预先训练的卷积神经网络模型,获得维度为[1,n-w+1]的第二时间序列向量,其中,所述预先训练的卷积神经网络模型利用维度为[k,w]的卷积核将所述第二时间序列矩阵处理成第二时间序列向量,w为自然数。
6.如权利要求4所述的销量预测方法,其中,所述卷积神经网络模型通过如下步骤训练得到:
接收输入的多个样本对象中的每个样本对象在所述预设时间区间内的第一流量特征的时间序列;
基于所述多个样本对象中的每个样本对象在所述预设时间区间内的每个第一流量特征的时间序列,生成第一时间序列矩阵;
根据所生成的第一时间序列矩阵和第一时间序列向量对待训练卷积神经网络模型进行训练,得到卷积神经网络模型,所述卷积神经网络模型将所述多个样本对象中的每个样本对象的第一时间序列矩阵与该对象的第一时间序列向量相关联。
7.如权利要求2所述的销量预测方法,其中,所述第二流量特征的数目为m,m为自然数,对所述第二流量特征的第二时间序列向量进行特征聚合,得到第三时间序列向量包括:
获得m个所述第二流量特征的第二时间序列向量;
基于所述m个所述第二流量特征的第二时间序列向量,生成维度为「m,n-w+1」的第三时间序列矩阵;
将所生成的第三时间序列矩阵输入预先训练的图卷积神经网络模型,获得维度为[1,n-w+1]的第三时间序列向量,其中,所述预先训练的图卷积神经网络模型将所生成的第三时间序列矩阵与第三时间序列向量相关联。
8.如权利要求7所述的销量预测方法,其中,所述图卷积神经网络模型通过如下步骤训练得到:
针对所述多个样本对象中的每一个,基于样本对象的第二流量特征的第二时间序列向量,生成第三时间序列矩阵;
将所生成的第三时间序列矩阵作为数据样本并且将维度为[1,n-w+1]的第三时间序列向量作为标签输入待训练图卷积神经网络模型进行训练,得到图卷积神经网络模型,所述图卷积神经网络模型将样本对象的第三时间序列矩阵与该样本对象的第三时间序列向量相关联,
其中,所述图卷积神经网络模型的节点是所述样本对象的每个第二流量特征的第二时间序列向量及所述第三时间序列向量,边是所述样本对象的每个第二流量特征的第二时间序列向量与所述第三时间序列向量的关系。
9.如权利要求2所述的销量预测方法,其中,将所述第一流量特征的第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量包括:
将所述第一流量特征的第一时间序列向量与所述第三时间序列向量进行拼接。
10.如权利要求1所述的销量预测方法,其中,根据所述预测特征向量获得所述待预测对象的销量预测值包括:将所述预测特征向量输入预先训练的销量预测模型,获得所述待预测对象的销量预测值,其中,所述销量预测模型将所述预测特征向量与所述待预测对象的销量值相关联。
11.如权利要求10所述的销量预测方法,其中,所述销量预测模型通过如下步骤训练得到:
获取多个样本对象在所述预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列;
针对所述多个样本对象中的每一个,分别对所述第一流量特征的时间序列及所述第二流量特征的时间序列进行特征提取,得到所述第一流量特征的第一时间序列向量和所述第二流量特征的第二时间序列向量;
针对所述多个样本对象中的每一个,对所述第二时间序列向量进行特征聚合,得到第三时间序列向量;
针对所述多个样本对象中的每一个,将所述第一时间序列向量与所述第三时间序列向量进行特征融合,得到所述预测特征向量;
将所述多个样本对象中的每个样本对象的预测特征向量作为数据样本并且将该样本对象的销量值作为标签输入待训练销量预测模型进行训练,得到销量预测模型,所述销量预测模型将所述多个样本对象中的每个样本对象的预测特征向量与该样本对象的销量值相关联。
12.如权利要求1或2所述的销量预测方法,其中,所述第一流量特征的时间序列包括所述待预测对象、所述待预测对象所属类目、所述待预测对象所属店铺中的一个或多个在所述预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列,所述第二流量特征的时间序列包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象在所述预设时间区间内的产生流量的动作执行次数和/或执行人数的时间序列。
13.一种销量预测装置,包括:
第一获取模块,被配置为获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
第一特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第一获得模块,被配置为根据所述预测特征向量获得所述待预测对象的销量预测值。
14.一种商品处理方法,包括:
获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测商品的销量预测值;
获取所述待预测商品的库存量以及所述待预测商品的补货周期;
根据所述销量预测值、所述库存量和所述补货周期确定所述待预测商品的补货量。
15.如权利要求14所述的商品处理方法,其中,获取所述待预测商品的库存量以及所述待预测商品的补货周期包括:
发送针对所述待预测商品的库存量以及所述待预测商品的补货周期的信息采集请求;
接收针对所述信息采集请求输入的信息;
根据所述信息获得所述待预测商品的库存量以及所述待预测商品的补货周期。
16.一种商品处理装置,包括:
第二获取模块,被配置为获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
第二特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第二获得模块,被配置为根据所述预测特征向量获得所述待预测商品的销量预测值;
第三获取模块,被配置为获取所述待预测商品的库存量以及所述待预测商品的补货周期;
第二确定模块,被配置为根据所述销量预测值、所述库存量和所述补货周期确定所述待预测商品的补货量。
17.一种供应链需求计划配置方法,包括:
获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测商品的销量预测值;
根据所述销量预测值,基于补货模式库中预先存储的多种补货模式,为所述待预测商品配置匹配所述销量预测值的变化规律的补货模式。
18.一种供应链需求计划配置装置,包括:
第四获取模块,被配置为获取待预测商品在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测商品的流量特征、待预测商品所属类目的流量特征、待预测商品所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测商品属于同一类目并且与所述待预测商品的属性之一相同的商品的流量特征;
第三特征向量得到模块,被配置为根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
第三获得模块,被配置为根据所述预测特征向量获得所述待预测商品的销量预测值;
匹配模块,被配置为根据所述销量预测值,基于补货模式库中预先存储的多种补货模式,为所述待预测商品配置匹配所述销量预测值的变化规律的补货模式。
19.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取待预测对象在预设时间区间内的第一流量特征的时间序列及第二流量特征的时间序列,其中,所述第一流量特征包括待预测对象的流量特征、待预测对象所属类目的流量特征、待预测对象所属店铺的流量特征中的一个或多个,所述第二流量特征包括与所述待预测对象属于同一类目并且与所述待预测对象的属性之一相同的对象的流量特征;
根据所述第一流量特征的时间序列及所述第二流量特征的时间序列,得到预测特征向量;
根据所述预测特征向量获得所述待预测对象的销量预测值。
20.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至12任意一项所述销量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475235.1A CN113298546A (zh) | 2020-05-29 | 2020-05-29 | 销量预测方法及装置、商品处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475235.1A CN113298546A (zh) | 2020-05-29 | 2020-05-29 | 销量预测方法及装置、商品处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298546A true CN113298546A (zh) | 2021-08-24 |
Family
ID=77318016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475235.1A Pending CN113298546A (zh) | 2020-05-29 | 2020-05-29 | 销量预测方法及装置、商品处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298546A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643080A (zh) * | 2021-10-14 | 2021-11-12 | 南通腾宇环保设备有限公司 | 一种密封制品的营销对象匹配方法及*** |
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品***销售预测的自动补货方法及补货*** |
CN116579722A (zh) * | 2023-07-14 | 2023-08-11 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08278959A (ja) * | 1995-04-07 | 1996-10-22 | Hitachi Ltd | 時系列販売推移カーブを用いた商品販売予測 |
JPH11134390A (ja) * | 1997-10-27 | 1999-05-21 | Toyota Motor Corp | 商品販売量予測装置 |
JP2001084239A (ja) * | 1999-09-13 | 2001-03-30 | Toshiba Corp | 商品販売数量の分析方法、その予測方法、商品発注量の決定方法、及びプログラムを記憶した記憶媒体 |
JP2004127017A (ja) * | 2002-10-03 | 2004-04-22 | Ntt Data Corp | 販売管理装置及び方法 |
JP2005157836A (ja) * | 2003-11-27 | 2005-06-16 | Toshiba Corp | 商品販売量予測装置、商品販売量予測方法及びモデル学習方法 |
JP2008186413A (ja) * | 2007-01-31 | 2008-08-14 | Ntt Data Corp | 需要予測装置、需要予測方法、及び、需要予測プログラム |
JP2014026483A (ja) * | 2012-07-27 | 2014-02-06 | Hitachi Ltd | コーザル情報を活用した店舗間商品振替方法およびプログラム |
JP2015041121A (ja) * | 2013-08-20 | 2015-03-02 | 株式会社日立製作所 | 販売予測システム及び販売予測方法 |
US20160055440A1 (en) * | 2014-08-22 | 2016-02-25 | R Five Corporation | Fluctuation value forecasting system, stock management system, and fluctuation value forecasting method |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
CN108932648A (zh) * | 2017-07-24 | 2018-12-04 | 上海宏原信息科技有限公司 | 一种预测商品属性数据及训练其模型的方法和装置 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子*** |
CN109685153A (zh) * | 2018-12-29 | 2019-04-26 | 武汉大学 | 一种基于特征聚合的社交网络谣言鉴别方法 |
CN109727078A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(南京)科技有限公司 | 一种基于商品类别树的销量预测修正方法 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
US10558925B1 (en) * | 2014-03-28 | 2020-02-11 | Groupon, Inc. | Forecasting demand using hierarchical temporal memory |
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及*** |
CN111160968A (zh) * | 2019-12-27 | 2020-05-15 | 清华大学 | Sku级别商品销量预测方法及装置 |
-
2020
- 2020-05-29 CN CN202010475235.1A patent/CN113298546A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08278959A (ja) * | 1995-04-07 | 1996-10-22 | Hitachi Ltd | 時系列販売推移カーブを用いた商品販売予測 |
JPH11134390A (ja) * | 1997-10-27 | 1999-05-21 | Toyota Motor Corp | 商品販売量予測装置 |
JP2001084239A (ja) * | 1999-09-13 | 2001-03-30 | Toshiba Corp | 商品販売数量の分析方法、その予測方法、商品発注量の決定方法、及びプログラムを記憶した記憶媒体 |
JP2004127017A (ja) * | 2002-10-03 | 2004-04-22 | Ntt Data Corp | 販売管理装置及び方法 |
JP2005157836A (ja) * | 2003-11-27 | 2005-06-16 | Toshiba Corp | 商品販売量予測装置、商品販売量予測方法及びモデル学習方法 |
JP2008186413A (ja) * | 2007-01-31 | 2008-08-14 | Ntt Data Corp | 需要予測装置、需要予測方法、及び、需要予測プログラム |
JP2014026483A (ja) * | 2012-07-27 | 2014-02-06 | Hitachi Ltd | コーザル情報を活用した店舗間商品振替方法およびプログラム |
JP2015041121A (ja) * | 2013-08-20 | 2015-03-02 | 株式会社日立製作所 | 販売予測システム及び販売予測方法 |
US10558925B1 (en) * | 2014-03-28 | 2020-02-11 | Groupon, Inc. | Forecasting demand using hierarchical temporal memory |
US20160055440A1 (en) * | 2014-08-22 | 2016-02-25 | R Five Corporation | Fluctuation value forecasting system, stock management system, and fluctuation value forecasting method |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN107122928A (zh) * | 2016-02-24 | 2017-09-01 | 阿里巴巴集团控股有限公司 | 一种供应链资源需求计划配置方法及装置 |
CN108932648A (zh) * | 2017-07-24 | 2018-12-04 | 上海宏原信息科技有限公司 | 一种预测商品属性数据及训练其模型的方法和装置 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
CN110782266A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 商品销量预测及模型训练方法、装置以及设备 |
CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子*** |
CN109685153A (zh) * | 2018-12-29 | 2019-04-26 | 武汉大学 | 一种基于特征聚合的社交网络谣言鉴别方法 |
CN109727078A (zh) * | 2019-01-18 | 2019-05-07 | 创新奇智(南京)科技有限公司 | 一种基于商品类别树的销量预测修正方法 |
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及*** |
CN111160968A (zh) * | 2019-12-27 | 2020-05-15 | 清华大学 | Sku级别商品销量预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
姜宁: "1 供应链需求预测和库存控制研究——基于时尚鞋服零售企业的实证分析", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, 15 April 2013 (2013-04-15), pages 152 - 472 * |
白婷等: "基于迭代回归树模型的跨平台长尾商品购买行为预测", 《中文信息学报》, vol. 31, no. 05, 15 September 2017 (2017-09-15), pages 185 - 193 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643080A (zh) * | 2021-10-14 | 2021-11-12 | 南通腾宇环保设备有限公司 | 一种密封制品的营销对象匹配方法及*** |
CN114219412A (zh) * | 2022-02-23 | 2022-03-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品***销售预测的自动补货方法及补货*** |
CN114219412B (zh) * | 2022-02-23 | 2022-04-22 | 广州丽晶软件科技股份有限公司 | 基于智慧商品***销售预测的自动补货方法及补货*** |
CN116579722A (zh) * | 2023-07-14 | 2023-08-11 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
CN116579722B (zh) * | 2023-07-14 | 2023-09-19 | 四川集鲜数智供应链科技有限公司 | 一种基于深度学习的商品分销出入库管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce | |
Gabel et al. | Product choice with large assortments: A scalable deep-learning model | |
CN108230057A (zh) | 一种智能推荐方法及*** | |
CN113298546A (zh) | 销量预测方法及装置、商品处理方法及装置 | |
CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
CN112633927B (zh) | 一种基于知识图谱规则嵌入的组合商品挖掘方法 | |
CN110727855A (zh) | 一种基于改进因子分解机的个性化推荐方法 | |
CN113850616A (zh) | 基于深度图神经网络的客户生命周期价值预测方法 | |
CN116362836A (zh) | 基于用户行为序列的农产品推荐算法 | |
CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
Yerragudipadu et al. | An Efficient Novel Approach on Machine Learning Paradigmsfor Food Delivery Company through Demand Forecastıng in societal community | |
Zhang | E-commerce products recognition based on a deep learning architecture: Theory and implementation | |
Sajawal et al. | A predictive analysis of retail sales forecasting using machine learning techniques | |
CN114417161A (zh) | 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 | |
CN116777528A (zh) | 一种商品信息推荐方法、装置、计算机设备和存储介质 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN114092188A (zh) | 一种轻量级b2b电商平台的推荐***算法 | |
CN114491086A (zh) | 服饰个性化搭配推荐方法、***、电子设备及存储介质 | |
CN114519600A (zh) | 一种融合相邻节点方差的图神经网络ctr预估算法 | |
Guo et al. | Research on Intelligent Customization of Cross‐Border E‐Commerce Based on Deep Learning | |
Murthy et al. | Model for Predicting Prospective Big-Mart Sales Based on Grid Search Optimization (GSO) | |
Yang et al. | Towards purchase prediction: a voting-based method leveraging transactional information | |
Hervert-Escobar et al. | Optimal pricing model based on reduction dimension: A case of study for convenience stores | |
Sarvi | Predicting product sales in retail store chain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |