CN114066510A - 物品销量预测方法、装置、计算机设备和存储介质 - Google Patents
物品销量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114066510A CN114066510A CN202111290485.9A CN202111290485A CN114066510A CN 114066510 A CN114066510 A CN 114066510A CN 202111290485 A CN202111290485 A CN 202111290485A CN 114066510 A CN114066510 A CN 114066510A
- Authority
- CN
- China
- Prior art keywords
- data
- influence factor
- factor
- sub
- inputting
- 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 51
- 239000013598 vector Substances 0.000 claims description 68
- 238000004590 computer program Methods 0.000 claims description 23
- 230000003213 activating effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (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
本申请涉及一种物品销量预测方法、装置、计算机设备和存储介质。所述方法包括:获取影响物品销量预测的多个影响因子中各影响因子的数据;获取物品的历史销量数据;将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。采用本方法能够提高物品销量预测的准确性。
Description
技术领域
本申请涉及物品销量处理技术领域,特别是涉及一种物品销量预测方法、装置、计算机设备和存储介质。
背景技术
对于大规模的物品管理***,需要对各个物品的品类数据、销售数据、折扣数据以及库存数据等进行管理。同时,在物品管理***中,还需要对各个物品的销量进行预测。
传统地,预测物品销量的方法包括时序预测方法和机器学***均自回归模型)、指数平滑算法等单序列预测算法,以及VAR9(向量自回归算法)等多序列预测算法为代表。此类时序预测方法本质上是基于每个时间点近期历史数据搭建简单的线性模型,采用此类时序预测方法对物品的销量进行预测时,预测准确率很难得到保障。
传统的机器学习算法,以XGBoost(XGBoost是一种提升树模型,其将许多树模型集成在一起形成一个很强的分类器)集成树模型等为代表。这类机器学习算法是将每个数据序列的每个时间点作为样本,每个样本一般借鉴上述时序预测方法类算法,将滞后信息加工成特征,同时也可以将物品属性信息等进行结合,从而学习到类别属性对物品销量的影响。然而,这类算法主要是将时间序列预测问题转化为常见的机器学习问题,当输入的数据序列非常多且数据量非常大时,此类机器学习算法将不能很好拟合,导致物品销量预测结果不准确。此外,此类机器学习算法由于样本输入的限制,容易丢失了原始数据序列,也将导致最终物品销量预测结果不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种物品销量预测方法、装置、计算机设备和存储介质,能够提高物品销量预测的准确性。
一种物品销量预测方法,包括:获取影响物品销量预测的多个影响因子中各影响因子的数据;获取物品的历史销量数据;将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在其中一个实施例中,时序预测模型为transformer模型,transformer模型包括编码层和解码层,transformer模型用于通过编码层和解码层确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在其中一个实施例中,将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,包括:若多个影响因子中第一目标影响因子的数据包含未来时间点的数据,则将第一目标影响因子的数据分别输入到transformer模型的编码层和解码层;若多个影响因子中第二目标影响因子的数据不包含未来时间点的数据,则将第二目标影响因子的数据和历史销量数据输入到transformer模型的编码层;若多个影响因子中第三目标影响因子的数据为固定值,则将第三目标影响因子的数据输入到transformer模型的解码层。
在其中一个实施例中,多个影响因子包括第一影响因子、第二影响因子以及第三影响因子,第一影响因子的数据随时间变化且包含未来时间点的数据,第二影响因子的数据随时间变化且不包含未来时间点的数据,第三影响因子的数据为固定值;将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,包括:将第一影响因子的数据分别输入到transformer模型的编码层和解码层;将第二影响因子的数据和历史销量数据输入到transformer模型的编码层;将第三影响因子的数据输入到transformer模型的解码层。
在其中一个实施例中,第一影响因子包括第一子影响因子和第二子影响因子,第一子影响因子为连续变量,第二子影响因子为离散变量,将第一影响因子的第一数据分别输入编码层和解码层,包括:将第一子影响因子的数据分别输入编码层和解码层;将第二子影响因子的数据转换为向量,将转换得到的向量分别输入编码层和解码层。
在其中一个实施例中,第二影响因子包括第三子影响因子和第四子影响因子,第三子影响因子为连续变量,第四子影响因子为离散变量,将第二影响因子的数据输入到transformer模型的编码层,包括:将第三子影响因子的数据和历史销量数据进行拼接,将拼接后的数据输入编码层;将第四子影响因子的数据转换为向量,将转换得到的向量输入编码层。
在其中一个实施例中,第三影响因子包括第五子影响因子和第六子影响因子,第五子影响因子为连续变量,第六子影响因子为离散变量,将第三影响因子的数据输入到transformer模型的解码层,包括:将第五子影响因子的数据激活为向量,将激活得到的向量输入解码层;将第六子影响因子的数据转换为向量,将得到的向量输入解码层。
一种物品销量预测装置,包括:第一获取模块,用于获取影响物品销量预测的多个影响因子中各影响因子的数据;第二获取模块,用于获取物品的历史销量数据;获得模块,用于将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一实施例方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例方法的步骤。
上述物品销量预测方法、装置、计算机设备和存储介质,获取影响物品销量预测的多个影响因子中各影响因子的数据,获取物品的历史销量数据,将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据,其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
由于时序预测模型能够学习到输入的各影响因子的数据之间的时序相关性,具有更强的泛化能力,克服了传统的时序预测方法基于每个时间点近期历史数据搭建简单的线性模型的方式导致的对物品销量预测的准确性低的问题。此外,时序预测模型能够基于各影响因子的数据之间的时序相关性、各影响因子的数据和历史销量数据输出预测销量数据,克服了传统机器学习算法由于数据拟合问题和丢失原始数据序列问题造成的物品销量预测不准确的技术问题,从而提高了物品销量预测的准确性。
附图说明
图1为一个实施例中一种物品销量预测方法的应用环境图;
图2为一个实施例中一种物品销量预测方法的流程示意图;
图3为一个实施例中历史时间点和未来时间点的数据时间窗口示意图;
图4为一个实施例中transformer模型的示意图;
图5为一个实施例中一种物品销量预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种物品销量预测方法,可以应用于如图1所示的应用环境中。其中,数据库104中存储有影响物品销量预测的多个影响因子中各影响因子的数据,如影响因子为物品类别、物品价格以及物品折扣等。还可以是,数据库104中存储已训练的时序预测模型。或者,时序预测模型存储在服务器集群102中。服务器集群102从数据库104中获取影响物品销量预测的多个影响因子中各影响因子的数据,以及获取物品的历史销量数据,将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。时序预测模型可以是transformer模型。由于时序预测模型能够学习到输入的各影响因子的数据之间的时序相关性,具有更强的泛化能力,克服了传统的时序预测方法基于每个时间点近期历史数据搭建简单的线性模型的方式导致的对物品销量预测的准确性低的问题。其中,服务器集群104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种物品销量预测方法,以该方法应用于图1中的服务器集群104为例进行说明,包括以下步骤:
S202,获取影响物品销量预测的多个影响因子中各影响因子的数据。
本实施例中,物品可以是商品。影响因子指的是在预测物品销量时参考的影响物品销量的因素。多个影响因子可以包括物品类别、物品销售价格、物品折扣等。如物品为商品时,各影响因子的数据可以包括商品品类数据、商品的折扣力度数据、商品库存数据、节假日数据、商品是否缺货数据、商品的价格数据中的一个或多个。
S204,获取物品的历史销量数据。
本实施例中,数据库中存储有物品的历史销量数据。历史销量数据可以是历史时间段中任意一个时间点的物品的销量数据,也可以是历史多个时间点中各时间点的物品的销量数据。
S206,将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
本实施例中,已训练的时序预测模型指的是采用样本数据对预设的模型进行训练后得到的能够应用于预测物品销量的时序预测模型。其中,时序预测模型的模型训练步骤包括:获取影响样本物品销量预测的多个影响因子中各影响因子的样本数据,以及样本物品的样本历史销量数据,并获取样本物品的样本预测销量数据,采用各影响因子的样本数据、样本历史销量数据以及样本预测销量数据对时序预测模型进行模型训练。其中,样本历史销量数据指的是以历史某个时间点为基准时间点,将基准时间点之前的样本物品的销量数据为样本历史销量数据,将基准时间点之后的样本物品的销量数据作为样本预测销量数据。因此,训练后得到的时序预测模型能够应用于物品销量预测。需要说明的是,样本物品可以与本申请的物品销量预测对象相同,也即是采用同一物品的历史数据对时序预测模型进行模型训练。还可以是,样本物品与本申请的物品销量预测对象不相同,但样本物品与本申请的物品销量预测对象为同一品类,也即是采用同品类的物品对时序预测模型进行模型训练。
其中,本实施例采用的时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。各影响因子的数据之间的时序相关性可以是各影响因子之间的数据的时序相关性和/或同一影响因子的数据之间的时序相关性。时序相关性可以是各影响因子的数据构成的序列的时序关系,和/或,各影响因子的数据构成的序列的序列时序相关性。
由于时序预测模型能够学习到输入的各影响因子的数据之间的时序相关性,具有更强的泛化能力,克服了传统的时序预测方法基于每个时间点近期历史数据搭建简单的线性模型的方式导致的对物品销量预测的准确性低的问题。此外,时序预测模型能够基于各影响因子的数据之间的时序相关性、各影响因子的数据和历史销量数据输出预测销量数据,克服了传统机器学习算法由于数据拟合问题和丢失原始数据序列问题造成的物品销量预测不准确的技术问题,从而提高了物品销量预测的准确性。
在一个实施例中,时序预测模型为transformer模型,transformer模型包括编码层和解码层,transformer模型用于通过编码层和解码层确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
该实施例中,transformer模型为基于自注意力机制的翻译模型,transformer模型没有使用CNN(卷积神经网络)和RNN(神经网络模型)的方法和模块,开创性的将注意力机制作为编码层和解码层的核心构建以执行翻译操作。其中,编码层由多个相同的层堆叠,每一层又有两个子层。第一个子层是一个Multi-Head Self-Attention(多头的自注意机制),第二个子层是一个简单的Feed Forward(全连接前馈网络)。两个子层都添加一个残差结果和归一化的操作。解码层由多个相同的层堆叠,不过和编码层中每层的结构稍有不同。对于解码层的每一层,除了包含有两个子层Multi-Head Self-Attention和Feed Forward,还包含一个子层Masked Multi-Head Self-Attention(掩藏多头的自注意机制)。transformer模型的编码层的结构和解码层的结构,均能够学习到输入数据之间的时序相关系,然而传统的一些模型结构,如CNN(卷积神经网络)和RNN(神经网络模型),在数据处理时没有关注到数据之间的时序关系,因此采用transformer模型能够关注到多个影响因子的数据的更多特征。此外,对于物品销量预测这一数据信息处理领域,越靠近当前时间点或者预测时间的数据,对物品销量预测的价值性更大。在对物品进行未来销量预测时,若能引入数据的时序性,则最终销量预测的结果更加准确。该实施例中,采用transformer模型,能够学习到输入数据的时序相关性,因此使用transformer模型能够提高物品销量预测的准确性。
在一个实施例中,上述将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,包括:若多个影响因子中第一目标影响因子的数据包含未来时间点的数据,则将第一目标影响因子的数据分别输入到transformer模型的编码层和解码层;若多个影响因子中第二目标影响因子的数据不包含未来时间点的数据,则将第二目标影响因子的数据和历史销量数据输入到transformer模型的编码层;若多个影响因子中第三目标影响因子的数据为固定值,则将第三目标影响因子的数据输入到transformer模型的解码层。
该实施例中,在数据处理过程中,将第一目标影响因子的数据分别输入到transformer模型的编码层和解码层。在一可能实现方式中,第一目标影响因子的数据包含历史时间点的数据和未来时间点的数据,将第一目标影响因子的历史时间点的数据输入编码层,将第一目标影响因子的未来时间点的数据输入解码层。将第二目标影响因子的数据和历史销量数据输入到transformer模型的编码层,具体可以是,将第二目标影响因子的数据和历史销量数据进行拼接,将拼接后的数据输入transformer模型的编码层。将第三目标影响因子的数据输入到transformer模型的解码层。
在物品销量预测时,越靠近当前时间点或者预测时间的数据,对物品销量预测的价值性更大。该实施例中,第一目标影响因子的历史时间点的数据、第二目标影响因子的数据和历史销量数据均为历史时间点的数据,通过将第二目标影响因子的数据和历史销量数据拼接后输入transformer模型的编码层,编码层将历史数据进行融合,得到融合后的历史数据的特征信息,进而将整合后的特征信息输出到解码层,由解码层对整合后的特征信息、第一目标影响因子中未来时间的数据以及第三目标影响因子的数据进行分析得到,得到物品销量预测结果。此时,解码层在数据处理以分析物品销量预测时,无需关注每个历史数据,将历史数据的整体特征作为分析参考的整体即可,从而能够避免历史久远的数据对预测分析的影响,提高物品销量预测的准确性。
此外,考虑到第三目标影响因子的数据为固定值,也即是第三目标影响因子不随时间的变化而变化,可以直接将第三目标影响因子的数据输入到transformer模型的解码层进行特征学习,而不是输入到transformer模型的编码层作为历史数据进行特征学习,可以减少编码层的计算量。此外,第三目标影响因子不随时间的变化而变化,且具有历史时间特性也具有未来时间特性,将其输入解码层进行特征学习,不会影响最终结果的准确性。
在一个实施例中,多个影响因子包括第一影响因子、第二影响因子以及第三影响因子,第一影响因子的数据随时间变化且包含未来时间点的数据,第二影响因子的数据随时间变化且不包含未来时间点的数据,第三影响因子的数据为固定值。上述将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,包括:将第一影响因子的数据分别输入到transformer模型的编码层和解码层;将第二影响因子的数据和历史销量数据输入到transformer模型的编码层;将第三影响因子的数据输入到transformer模型的解码层。
该实施例中,第一影响因子、第二影响因子和第三影响因子分别为多个影响因子中不同的影响因子。其中,上述例子中第一目标影响因子的数据包含未来时间点的数据,第一影响因子的数据随时间变化且包含未来时间点的数据,因此第一目标影响因子和第一影响因子指代相同,或第一目标影响因子包含第一影响因子。同理,第二目标影响因子和第二影响因子指代相同,或第二目标影响因子包含第二影响因子。第三目标影响因子和第三影响因子指代相同。
第一影响因子的数据随时间变化且包含未来时间点的数据,将第一影响因子的数据分别输入到transformer模型的编码层和解码层。在一可能实现方式中,第一影响因子的数据包含历史时间点的数据和未来时间点的数据。例如,历史时间点和未来时间点如图3所示。在预测未来多少个未来时间点的窗口时,用参数f表示,当f=1时,表示单周期销量预测,当f>1时,表示多周期销量预测。此外,需要使用历史多少个历史时间点的窗口进行预测,用参数h表示。将第一影响因子的历史时间点的数据输入编码层,将第一影响因子的未来时间点的数据输入解码层。其中,图3中的t表示时间变量,f和h均为正整数。第二影响因子的数据随时间变化且不包含未来时间点的数据,将第二影响因子的数据和历史销量数据输入到transformer模型的编码层,具体可以是,将第二影响因子的数据和历史销量数据进行拼接,将拼接后的数据输入transformer模型的编码层。第三影响因子的数据为固定值,将第三影响因子的数据输入到transformer模型的解码层。
在物品销量预测时,越靠近当前时间点或者预测时间的数据,对物品销量预测的价值性更大。该实施例中,第一影响因子的历史时间点的数据、第二影响因子的数据和历史销量数据均为历史时间点的数据,通过将第二影响因子的数据和历史销量数据均为历史时间点的数据拼接后输入transformer模型的编码层,编码层将历史数据进行融合,得到融合后的历史数据的特征信息,进而将整合后的特征信息输出到解码层,由解码层对整合后的特征信息、第一影响因子中未来时间的数据以及第三影响因子的数据进行分析得到,得到物品销量预测结果。此时,解码层在数据处理以分析物品销量预测时,无需关注每个历史数据,将历史数据的整体特征作为分析参考的整体即可,从而能够避免历史久远的数据对预测分析的影响,提高物品销量预测的准确性。
此外,考虑到第三影响因子的数据为固定值,也即是第三影响因子不随时间的变化而变化,可以直接将第三影响因子的数据输入到transformer模型的解码层进行特征学习,而不是输入到transformer模型的编码层作为历史数据进行特征学习,可以减少编码层的计算量。此外,第三影响因子不随时间的变化而变化,且具有历史时间特性也具有未来时间特性,将其输入解码层进行特征学习,不会影响最终结果的准确性。
在一个实施例中,第一影响因子包括第一子影响因子和第二子影响因子,第一子影响因子为连续变量,第二子影响因子为离散变量,上述将第一影响因子的第一数据分别输入编码层和解码层,包括:将第一子影响因子的数据分别输入编码层和解码层;将第二子影响因子的数据转换为向量,将转换得到的向量分别输入编码层和解码层。
该实施例中,第一子影响因子为随着时间变化且未来可知的连续变量,如第一子影响因子的数据包括物品的折扣力度数据。第二子影响因子为随着时间变化且未来可知的离散变量,如第二子影响因子的数据包括物品的节假日数据。其中,第一子影响因子和第二子影响因子均包含历史时间点的数据和未来时间点的数据,分别将第一子影响因子的历史时间点的数据和第二子影响因子的历史时间点的数据输入transformer模型的编码层,分别将第一子影响因子的未来时间点的数据和第二子影响因子的未来时间点的数据输入transformer模型的解码层。
例如,transformer模型如图4所示。如图4所示,Encoder表示transformer模型的编码层或编码器,Encoder input表示编码层的输入。Decoder表示transformer模型的解码层或解码器,Decoder input表示解码层的输入,Decoder output表示解码层的输出。t-h+1、t-2、t-1……t,表示Encoder输入的数据的时间点信息,即输入的数据分别为t-h+1、t-2、t-1……t时间点对应的数据。t+1、t+2……t+f,表示Decoder输入和输出的数据的时间点信息,即输入和输出的数据分别为t+1、t+2……t+ff对应的数据。其中,t表示当前时间点或历史的某个时间点,输入transformer模型的编码层的数据为历史时间点的数据,输入transformer模型的解码层的数据为未来时间点的数据。该实施例中,Encoder input输入的是历史时间点的数据,与图3中h个时间点对应的数据。Decoder input输入的是未来时间点的数据,与图3中f个时间点对应的数据。
将第一子影响因子所涉及到的h+f时间窗口的数据中,将h个历史时间点的数据输入transformer模型的编码层,将f个未来时间点的数据输入transformer模型的解码层。将第二子影响因子所涉及到的h+f时间窗口的数据中,利用embedding(嵌入,一种将离散变量转变为连续向量的方式)将h个历史时间点的数据转换向量后输入transformer模型的编码层,利用embedding将f个未来时间点的数据转换向量后输入transformer模型的解码层。不管是第一影响因子是连续变量或是离散变量,均可将其数据输入transformer模型以进行物品销量预测,因此,通过将第二子影响因子的数据转换为向量的方式,使得离散变量的数据能够输入到transformer模型,通过将克服了transformer模型只能输入连续变量数据的局限,扩展了transformer模型应用,能够提高利用transformer模型进行物品销量预测的准确性。
在一个实施例中,第二影响因子包括第三子影响因子和第四子影响因子,第三子影响因子为连续变量,第四子影响因子为离散变量,上述将第二影响因子的数据输入到transformer模型的编码层,包括:将第三子影响因子的数据和历史销量数据进行拼接,将拼接后的数据输入编码层;将第四子影响因子的数据转换为向量,将转换得到的向量输入编码层。
该实施例中,第三子影响因子为随着时间变化且未来不可知的连续变量,如第三子影响因子的数据包括物品库存数据。第四子影响因子为随着时间变化且未来不可知的离散变量,如第四子影响因子的数据包括表征物品是否缺货的数据。参见图4所示,将第三子影响因子所涉及到的h个时间窗口的数据和历史销量数据进行拼接,将拼接后的数据输入transformer模型的编码层。将第四子影响因子所涉及到的h个时间窗口的数据,利用embedding转换为向量后输入到transformer模型的编码层。不管是第二影响因子是连续变量或是离散变量,均可将其数据输入transformer模型以进行物品销量预测,因此,通过将第四子影响因子的数据转换为向量的方式,使得离散变量的数据能够输入到transformer模型,通过将克服了transformer模型只能输入连续变量数据的局限,扩展了transformer模型应用,能够提高利用transformer模型进行物品销量预测的准确性。
在一个实施例中,第三影响因子包括第五子影响因子和第六子影响因子,第五子影响因子为连续变量,第六子影响因子为离散变量,上述将第三影响因子的数据输入到transformer模型的解码层,包括:将第五子影响因子的数据激活为向量,将激活得到的向量输入解码层;将第六子影响因子的数据转换为向量,将得到的向量输入解码层。
该实施例中,第五子影响因子为不随时间变化且一直为固定值的连续变量,如第五子影响因子的数据包括物品的价格数据。第六子影响因子为不随时间变化且一直为固定值的离散变量,如第六子影响因子的数据包括物品品品类数据。参见图4所示,将第五子影响因子的数据经过神经元激活为向量后输入到transformer模型的解码层。将第六子影响因子的数据经过embedding转换为一维向量后输入到transformer模型的解码层。不管是第三影响因子是连续变量或是离散变量,均可将其数据输入transformer模型以进行物品销量预测,因此,通过将第六子影响因子的数据转换为向量的方式,使得离散变量的数据能够输入到transformer模型,通过将克服了transformer模型只能输入连续变量数据的局限,扩展了transformer模型应用,能够提高利用transformer模型进行物品销量预测的准确性。
本申请提出一种物品销量预测方法,有效使用所有可用的且对物品销量预测有影响的因子,能够适用于单周期或多周期等多种预测场景,并且采用该物品销量预测方法得到预测结果准确率更高、适用范围更广,从而能够提升供应链智能水平。
针对上述一种物品销量预测方法,以物品为商品为例,以下给出一个具体实施场景,具体包括数据整理、确定模型参数、模型搭建以及模型预测等步骤。
数据整理:针对任何的算法模型,数据都是根本。本实施场景中,结合实际零售情况,将影响销量预测的数据,按照数据是否随时间变化、未来是否可知以及数据离散或连续,归为以下几类:
A类:随着时间变化,且未来可知的连续变量,如商品的折扣力度数据;
B类:随着时间变化,且未来不可知的连续变量,如商品库存数据;
C类:随着时间变化,且未来可知的离散变量,如节假日数据;
D类:随着时间变化,且未来不可知的离散变量,如商品是否缺货数据;
E类:不随时间变化,一直为固定值的连续变量,如商品的价格数据;
F类:不随时间变化,一直为固定值的离散变量,如商品品类数据。
确定模型参数:除了常见的网络尺寸及学习率等参数外,本实施场景中,还要确定模型预测涉及的时间窗口大小。如图3所示,主要有两个参数。其一,预测未来多少个时间点的窗口,用参数f表示,当f=1时,此时为单周期销量预测,当f>1时,此时为多周期销量预测。其二,每个样本要使用多少个历史窗口进行预测,用参数h表示。
模型搭建:完成数据整理以及模型参数确定之后,搭建模型。此处基于NLP(Natural Language Processing,自然语言处理)领域近期主流的transformer模型进行建模,整体模型架构如图4所示。针对上述数据整理收集到的数据,按照以下方式输入到transformer模型中:
①将A类的变量所涉及到的h+f时间窗口的数据,分别输入到transformer模型的Encoder input和Decoder input中;
②将B类的变量所涉及到的h个时间窗口的数据以及历史销量数据输入到Encoderinput中;
③将C类的变量所涉及到的h+f时间窗口的数据,利用embedding转换为向量,然后分别输入到Encoder input和Decoder input中;
④将D类的变量所涉及到的h个时间窗口的数据,利用embedding转换为向量,然后分别输入到Encoder input中;
⑤将E类的变量的固定值经过神经元激活为向量后输入到每个Decoder input中;
⑥将F类的变量经过embedding转换为一维向量后输入到每个Decoder input中。
模型预测:针对每个商品未来f个时间周期的销量预测,采取遍历的方式按照上述数据整理的方式采集商品的相关数据,并按照上述模型搭建的方式将采集到的数据输入模型中,可得到由模型输出的未来f个时间点的商品销量预测数据。
综上,本申请针对供应链的商品销量预测场景,提出基于transformer深度学习预测算法的一种物品销量预测方法,可以大幅提升商品销量预测的准确率。本申请提供的一种物品销量预测方法,构建一种统一的商品销量预测框架,可以应用于单周期、多周期的商品销量预测的多种场景,统一建模,多处复用,在工业实践中,能够非常方便的实施应用。此外,本申请针对影响销量预测的因子,进行有效归类,并基于当前深度学习的技术,充分挖掘深层关系,从而保障不丢失任何重要信息。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种物品销量预测装置,包括第一获取模块502、第二获取模块504以及获得模块506,其中:第一获取模块502,用于获取影响物品销量预测的多个影响因子中各影响因子的数据;第二获取模块504,用于获取物品的历史销量数据;获得模块506,用于将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在一个实施例中,时序预测模型为transformer模型,transformer模型包括编码层和解码层,transformer模型用于通过编码层和解码层确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在一个实施例中,将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,包括:若多个影响因子中第一目标影响因子的数据包含未来时间点的数据,则将第一目标影响因子的数据分别输入到transformer模型的编码层和解码层;若多个影响因子中第二目标影响因子的数据不包含未来时间点的数据,则将第二目标影响因子的数据和历史销量数据输入到transformer模型的编码层;若多个影响因子中第三目标影响因子的数据为固定值,则将第三目标影响因子的数据输入到transformer模型的解码层。
在一个实施例中,多个影响因子包括第一影响因子、第二影响因子以及第三影响因子,第一影响因子的数据随时间变化且包含未来时间点的数据,第二影响因子的数据随时间变化且不包含未来时间点的数据,第三影响因子的数据为固定值;将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,包括:将第一影响因子的数据分别输入到transformer模型的编码层和解码层;将第二影响因子的数据和历史销量数据输入到transformer模型的编码层;将第三影响因子的数据输入到transformer模型的解码层。
在一个实施例中,第一影响因子包括第一子影响因子和第二子影响因子,第一子影响因子为连续变量,第二子影响因子为离散变量,将第一影响因子的第一数据分别输入编码层和解码层,包括:将第一子影响因子的数据分别输入编码层和解码层;将第二子影响因子的数据转换为向量,将转换得到的向量分别输入编码层和解码层。
在一个实施例中,第二影响因子包括第三子影响因子和第四子影响因子,第三子影响因子为连续变量,第四子影响因子为离散变量,将第二影响因子的数据输入到transformer模型的编码层,包括:将第三子影响因子的数据和历史销量数据进行拼接,将拼接后的数据输入编码层;将第四子影响因子的数据转换为向量,将转换得到的向量输入编码层。
在一个实施例中,第三影响因子包括第五子影响因子和第六子影响因子,第五子影响因子为连续变量,第六子影响因子为离散变量,将第三影响因子的数据输入到transformer模型的解码层,包括:将第五子影响因子的数据激活为向量,将激活得到的向量输入解码层;将第六子影响因子的数据转换为向量,将得到的向量输入解码层。
关于物品销量预测装置的具体限定可以参见上文中对于物品销量预测方法的限定,在此不再赘述。上述物品销量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储影响物品销量预测的多个影响因子中各影响因子的数据数据以及历史销量数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物品销量预测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取影响物品销量预测的多个影响因子中各影响因子的数据;获取物品的历史销量数据;将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在一个实施例中,时序预测模型为transformer模型,transformer模型包括编码层和解码层,transformer模型用于通过编码层和解码层确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在一个实施例中,处理器执行计算机程序实现上述的将历史销量数据和各影响因子的数据输入到已训练的时序预测模型的步骤时,具体实现以下步骤:若多个影响因子中第一目标影响因子的数据包含未来时间点的数据,则将第一目标影响因子的数据分别输入到transformer模型的编码层和解码层;若多个影响因子中第二目标影响因子的数据不包含未来时间点的数据,则将第二目标影响因子的数据和历史销量数据输入到transformer模型的编码层;若多个影响因子中第三目标影响因子的数据为固定值,则将第三目标影响因子的数据输入到transformer模型的解码层。
在一个实施例中,多个影响因子包括第一影响因子、第二影响因子以及第三影响因子,第一影响因子的数据随时间变化且包含未来时间点的数据,第二影响因子的数据随时间变化且不包含未来时间点的数据,第三影响因子的数据为固定值;处理器执行计算机程序实现上述的将历史销量数据和各影响因子的数据输入到已训练的时序预测模型的步骤时,具体实现以下步骤:将第一影响因子的数据分别输入到transformer模型的编码层和解码层;将第二影响因子的数据和历史销量数据输入到transformer模型的编码层;将第三影响因子的数据输入到transformer模型的解码层。
在一个实施例中,第一影响因子包括第一子影响因子和第二子影响因子,第一子影响因子为连续变量,第二子影响因子为离散变量,处理器执行计算机程序实现上述的将第一影响因子的第一数据分别输入编码层和解码层的步骤时,具体实现以下步骤:将第一子影响因子的数据分别输入编码层和解码层;将第二子影响因子的数据转换为向量,将转换得到的向量分别输入编码层和解码层。
在一个实施例中,第二影响因子包括第三子影响因子和第四子影响因子,第三子影响因子为连续变量,第四子影响因子为离散变量,处理器执行计算机程序实现上述的将第二影响因子的数据输入到transformer模型的编码层的步骤时,具体实现以下步骤:将第三子影响因子的数据和历史销量数据进行拼接,将拼接后的数据输入编码层;将第四子影响因子的数据转换为向量,将转换得到的向量输入编码层。
在一个实施例中,第三影响因子包括第五子影响因子和第六子影响因子,第五子影响因子为连续变量,第六子影响因子为离散变量,处理器执行计算机程序实现上述的将第三影响因子的数据输入到transformer模型的解码层的步骤时,具体实现以下步骤:将第五子影响因子的数据激活为向量,将激活得到的向量输入解码层;将第六子影响因子的数据转换为向量,将得到的向量输入解码层。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取影响物品销量预测的多个影响因子中各影响因子的数据;获取物品的历史销量数据;将历史销量数据和各影响因子的数据输入到已训练的时序预测模型,获得时序预测模型输出的物品的预测销量数据;其中,时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在一个实施例中,时序预测模型为transformer模型,transformer模型包括编码层和解码层,transformer模型用于通过编码层和解码层确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。
在一个实施例中,计算机程序被处理器执行实现上述的将历史销量数据和各影响因子的数据输入到已训练的时序预测模型的步骤时,具体实现以下步骤:若多个影响因子中第一目标影响因子的数据包含未来时间点的数据,则将第一目标影响因子的数据分别输入到transformer模型的编码层和解码层;若多个影响因子中第二目标影响因子的数据不包含未来时间点的数据,则将第二目标影响因子的数据和历史销量数据输入到transformer模型的编码层;若多个影响因子中第三目标影响因子的数据为固定值,则将第三目标影响因子的数据输入到transformer模型的解码层。
在一个实施例中,多个影响因子包括第一影响因子、第二影响因子以及第三影响因子,第一影响因子的数据随时间变化且包含未来时间点的数据,第二影响因子的数据随时间变化且不包含未来时间点的数据,第三影响因子的数据为固定值;计算机程序被处理器执行实现上述的将历史销量数据和各影响因子的数据输入到已训练的时序预测模型的步骤时,具体实现以下步骤:将第一影响因子的数据分别输入到transformer模型的编码层和解码层;将第二影响因子的数据和历史销量数据输入到transformer模型的编码层;将第三影响因子的数据输入到transformer模型的解码层。
在一个实施例中,第一影响因子包括第一子影响因子和第二子影响因子,第一子影响因子为连续变量,第二子影响因子为离散变量,计算机程序被处理器执行实现上述的将第一影响因子的第一数据分别输入编码层和解码层的步骤时,具体实现以下步骤:将第一子影响因子的数据分别输入编码层和解码层;将第二子影响因子的数据转换为向量,将转换得到的向量分别输入编码层和解码层。
在一个实施例中,第二影响因子包括第三子影响因子和第四子影响因子,第三子影响因子为连续变量,第四子影响因子为离散变量,计算机程序被处理器执行实现上述的将第二影响因子的数据输入到transformer模型的编码层的步骤时,具体实现以下步骤:将第三子影响因子的数据和历史销量数据进行拼接,将拼接后的数据输入编码层;将第四子影响因子的数据转换为向量,将转换得到的向量输入编码层。
在一个实施例中,第三影响因子包括第五子影响因子和第六子影响因子,第五子影响因子为连续变量,第六子影响因子为离散变量,计算机程序被处理器执行实现上述的将第三影响因子的数据输入到transformer模型的解码层的步骤时,具体实现以下步骤:将第五子影响因子的数据激活为向量,将激活得到的向量输入解码层;将第六子影响因子的数据转换为向量,将得到的向量输入解码层。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种物品销量预测方法,所述方法包括:
获取影响物品销量预测的多个影响因子中各所述影响因子的数据;
获取所述物品的历史销量数据;
将所述历史销量数据和各所述影响因子的数据输入到已训练的时序预测模型,获得所述时序预测模型输出的所述物品的预测销量数据;
其中,所述时序预测模型用于确定各所述影响因子的数据之间的时序相关性并基于所述时序相关性、各所述影响因子的数据和所述历史销量数据输出所述预测销量数据。
2.根据权利要求1所述的方法,其特征在于,所述时序预测模型为transformer模型,所述transformer模型包括编码层和解码层,所述transformer模型用于通过所述编码层和所述解码层确定各所述影响因子的数据之间的时序相关性并基于所述时序相关性、各所述影响因子的数据和所述历史销量数据输出所述预测销量数据。
3.根据权利要求2所述的方法,其特征在于,所述将所述历史销量数据和各所述影响因子的数据输入到已训练的时序预测模型,包括:
若所述多个影响因子中第一目标影响因子的数据包含未来时间点的数据,则将所述第一目标影响因子的数据分别输入到所述transformer模型的编码层和解码层;
若所述多个影响因子中第二目标影响因子的数据不包含未来时间点的数据,则将所述第二目标影响因子的数据和所述历史销量数据输入到所述transformer模型的编码层;
若所述多个影响因子中第三目标影响因子的数据为固定值,则将所述第三目标影响因子的数据输入到所述transformer模型的解码层。
4.根据权利要求2所述的方法,其特征在于,所述多个影响因子包括第一影响因子、第二影响因子以及第三影响因子,所述第一影响因子的数据随时间变化且包含未来时间点的数据,所述第二影响因子的数据随时间变化且不包含未来时间点的数据,所述第三影响因子的数据为固定值;
所述将所述历史销量数据和各所述影响因子的数据输入到已训练的时序预测模型,包括:
将所述第一影响因子的数据分别输入到所述transformer模型的编码层和解码层;
将所述第二影响因子的数据和所述历史销量数据输入到所述transformer模型的编码层;
将所述第三影响因子的数据输入到所述transformer模型的解码层。
5.根据权利要求4所述的方法,其特征在于,所述第一影响因子包括第一子影响因子和第二子影响因子,所述第一子影响因子为连续变量,所述第二子影响因子为离散变量,所述将所述第一影响因子的第一数据分别输入所述编码层和所述解码层,包括:
将所述第一子影响因子的数据分别输入所述编码层和所述解码层;
将所述第二子影响因子的数据转换为向量,将转换得到的向量分别输入所述编码层和所述解码层。
6.根据权利要求4所述的方法,其特征在于,所述第二影响因子包括第三子影响因子和第四子影响因子,所述第三子影响因子为连续变量,所述第四子影响因子为离散变量,所述将所述第二影响因子的数据输入到所述transformer模型的编码层,包括:
将所述第三子影响因子的数据和所述历史销量数据进行拼接,将拼接后的数据输入所述编码层;
将所述第四子影响因子的数据转换为向量,将转换得到的向量输入所述编码层。
7.根据权利要求4所述的方法,其特征在于,所述第三影响因子包括第五子影响因子和第六子影响因子,所述第五子影响因子为连续变量,所述第六子影响因子为离散变量,所述将所述第三影响因子的数据输入到所述transformer模型的解码层,包括:
将所述第五子影响因子的数据激活为向量,将激活得到的向量输入所述解码层;
将所述第六子影响因子的数据转换为向量,将得到的向量输入所述解码层。
8.一种物品销量预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取影响物品销量预测的多个影响因子中各所述影响因子的数据;
第二获取模块,用于获取所述物品的历史销量数据;
获得模块,用于将所述历史销量数据和各所述影响因子的数据输入到已训练的时序预测模型,获得所述时序预测模型输出的所述物品的预测销量数据;
其中,所述时序预测模型用于确定各所述影响因子的数据之间的时序相关性并基于所述时序相关性、各所述影响因子的数据和所述历史销量数据输出所述预测销量数据。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290485.9A CN114066510A (zh) | 2021-11-02 | 2021-11-02 | 物品销量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290485.9A CN114066510A (zh) | 2021-11-02 | 2021-11-02 | 物品销量预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066510A true CN114066510A (zh) | 2022-02-18 |
Family
ID=80236543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290485.9A Pending CN114066510A (zh) | 2021-11-02 | 2021-11-02 | 物品销量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066510A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829611A (zh) * | 2022-12-05 | 2023-03-21 | 杭州登卓科技有限公司 | 一种基于数据处理的业绩管理方法及*** |
CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及*** |
CN118095797A (zh) * | 2024-04-24 | 2024-05-28 | 北京嘀嘀无限科技发展有限公司 | 用于需求预测的方法、装置、介质和产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300737A1 (en) * | 2017-04-17 | 2018-10-18 | Nexosis, Inc. | Methods and apparatus for self-adaptive time series forecasting engine |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN112925271A (zh) * | 2019-12-06 | 2021-06-08 | 阿里巴巴集团控股有限公司 | 数据处理方法、自动控制方法及装置 |
CN113313316A (zh) * | 2021-06-11 | 2021-08-27 | 北京明略昭辉科技有限公司 | 预测数据的输出方法及装置、存储介质、电子设备 |
CN113554450A (zh) * | 2020-04-24 | 2021-10-26 | 阿里巴巴集团控股有限公司 | 数据模型训练及数据处理方法、装置、设备及存储介质 |
-
2021
- 2021-11-02 CN CN202111290485.9A patent/CN114066510A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300737A1 (en) * | 2017-04-17 | 2018-10-18 | Nexosis, Inc. | Methods and apparatus for self-adaptive time series forecasting engine |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
CN112925271A (zh) * | 2019-12-06 | 2021-06-08 | 阿里巴巴集团控股有限公司 | 数据处理方法、自动控制方法及装置 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN113554450A (zh) * | 2020-04-24 | 2021-10-26 | 阿里巴巴集团控股有限公司 | 数据模型训练及数据处理方法、装置、设备及存储介质 |
CN113313316A (zh) * | 2021-06-11 | 2021-08-27 | 北京明略昭辉科技有限公司 | 预测数据的输出方法及装置、存储介质、电子设备 |
Non-Patent Citations (2)
Title |
---|
XINYUAN QI ET AL.: ""From Known to Unknown: Knowledge-guided Transformer for Time-Series Sales Forecasting in Alibaba", 《ARXIV》 * |
XINYUAN QI ET AL.: ""From Known to Unknown: Knowledge-guided Transformer for Time-Series Sales Forecasting in Alibaba", 《ARXIV》, 22 September 2021 (2021-09-22), pages 1 - 11 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829611A (zh) * | 2022-12-05 | 2023-03-21 | 杭州登卓科技有限公司 | 一种基于数据处理的业绩管理方法及*** |
CN116843378A (zh) * | 2023-09-01 | 2023-10-03 | 阳信东泰精密金属有限公司 | 一种基于深度学习的五金配件供应预测方法及*** |
CN118095797A (zh) * | 2024-04-24 | 2024-05-28 | 北京嘀嘀无限科技发展有限公司 | 用于需求预测的方法、装置、介质和产品 |
CN118095797B (zh) * | 2024-04-24 | 2024-07-23 | 北京嘀嘀无限科技发展有限公司 | 用于需求预测的方法、装置、介质和产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gasparin et al. | Deep learning for time series forecasting: The electric load case | |
CN114066510A (zh) | 物品销量预测方法、装置、计算机设备和存储介质 | |
US20150254554A1 (en) | Information processing device and learning method | |
Pirani et al. | A comparative analysis of ARIMA, GRU, LSTM and BiLSTM on financial time series forecasting | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN112579758A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN112884230B (zh) | 基于多元时间序列的电力负荷预测方法、装置及相关组件 | |
CN114971748B (zh) | 预测数据生成、模型训练方法、计算机设备以及存储介质 | |
JP6971514B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115545300B (zh) | 一种基于图神经网络进行用户行为预测的方法及装置 | |
CN111127104A (zh) | 一种商品销量预测方法及*** | |
Zhu et al. | Parallel interaction spatiotemporal constrained variational autoencoder for soft sensor modeling | |
CN116897356A (zh) | 算子的调度运行时间比较方法、装置及存储介质 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN114897274A (zh) | 一种提升时间序列预测效果的方法和*** | |
CN114037139A (zh) | 一种基于注意力机制的货运车辆仓库逗留时长预测方法 | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
CN117422306A (zh) | 基于动态神经网络的跨境电商风险控制方法及*** | |
CN116993393A (zh) | 服装生产订单管理***及其方法 | |
CN110390041B (zh) | 在线学习方法及装置、计算机可读存储介质 | |
CN114169914A (zh) | 用于物品销量预测的特征构建方法、装置和存储介质 | |
CN115809928A (zh) | 项目投资决策方法和*** | |
CN116051159A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
CN111782802B (zh) | 基于机器学习获得商品对应国民经济制造业的方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |