CN116188061B - 商品销量预测方法、装置、电子设备及存储介质 - Google Patents
商品销量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116188061B CN116188061B CN202310467809.4A CN202310467809A CN116188061B CN 116188061 B CN116188061 B CN 116188061B CN 202310467809 A CN202310467809 A CN 202310467809A CN 116188061 B CN116188061 B CN 116188061B
- Authority
- CN
- China
- Prior art keywords
- sales
- factor
- commodity
- prediction
- sales volume
- 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.)
- Active
Links
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域,提供一种商品销量预测方法、装置、电子设备及存储介质,该方法先后引入每个因子对应的销量增量预测模型以及综合销量预测模型,综合考虑了各因子对商品销量的影响,可以使预测精度更高,预测结果更加准确,波动跟随性更强,进而有效解决商品在不同因子影响下预测精度不高、波动跟随性不强的问题,通用性较强,可以适用于泛零售行业的电子产品、食品百货、生鲜等各种品类商品的销量预测。这种组合方法既克服了树模型外推性不强(即不能给出超过历史实际销量上下限的预测值)的缺点,又具有借助各因子特征,考虑预测变量间的非线性关系的优点。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种商品销量预测方法、装置、电子设备及存储介质。
背景技术
销量预测可视为一个时间序列预测问题,即通过之前一段时间的销量来预测后一段时间的销量。目前,对于销量预测的主流方法,可以包括基于机器学习模型的方法以及组合预测方法。
基于机器学习模型的方法通常是利用通过外部特征向量以及各个商品的销量训练得到的销量预测模型,进行销量预测。这种方法虽然能够提升销量预测效率,但是由于其将外部的销量影响因素均整合成外部特征向量,依然无法保证预测精度。
组合预测方法例如facebook提出的prophet方法,prophet方法基于时间序列分解和机器学习拟合实现,考虑了趋势项、季节项、节假日项和误差项这四项。通过拟合这四项的值,并进行累加即得到某个序列的预测值。该方法具备易解释的周期性结构,且考虑了如节假日的外生变量,但是对于销量预测场景下的如活动、天气等复杂的因素,仍然无法进行刻画,导致预测精度不足,尤其不适用于对生鲜等具备保质期的损耗性商品的销量预测。
因此,现急需提供一种商品销量预测方法。
发明内容
本发明提供一种商品销量预测方法、装置、电子设备及存储介质,用以解决现有技术中存在的缺陷。
本发明提供一种商品销量预测方法,包括:
获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;
将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;
将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;
其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值。
根据本发明提供的一种商品销量预测方法,所述将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值,包括:
对于任一因子,将所述任一因子对应的因子特征和所述目标商品的基线销量输入至所述任一因子对应的销量增量预测模型中的第一预测子模型,得到所述第一预测子模型输出的第一预测结果;
将所述任一因子对应的因子特征和所述第一预测结果输入至所述任一因子对应的销量增量预测模型中的第一拼接层,得到所述第一拼接层输出的第一拼接结果;
将所述第一拼接结果输入至所述任一因子对应的销量增量预测模型中的第一全连接层,得到所述第一全连接层输出的所述目标商品在所述任一因子影响下的销量增量预测值。
根据本发明提供的一种商品销量预测方法,所述将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值,包括:
将所述目标商品的每个因子特征输入至所述综合销量预测模型中的第二拼接层,得到所述第二拼接层输出的第二拼接结果;
将所述第二拼接结果、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至所述综合销量预测模型中的第三拼接层,得到所述第三拼接层输出的第三拼接结果;
将所述第三拼接层输入至所述综合销量预测模型中的第二预测子模型,得到所述第二预测子模型输出的第二预测结果;
将所述第二预测结果输入至所述综合销量预测模型中的第二全连接层,得到所述第二全连接层输出的所述综合销量预测值。
根据本发明提供的一种商品销量预测方法,任一因子对应的销量增量预测模型基于如下步骤训练得到:
确定历史时间序列内所述目标销售单位中商品样本对应于所述任一因子的训练样本,所述训练样本包括所述历史时间序列内仅受所述任一因子影响的各第一时间节点处的历史实际销量、历史基线销量和所述各第一时间节点处所述任一因子对应的历史因子特征;
基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型;
所述综合销量预测模型基于如下步骤训练得到:
基于所述历史时间序列内所述目标销售单位中所述商品样本的每个历史因子特征、历史基线销量和所述商品样本在每个因子影响下的历史销量增量值,采用时序交叉验证方法对初始销量预测模型进行训练,得到所述综合销量预测模型。
根据本发明提供的一种商品销量预测方法,所述基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型,包括:
确定所述目标销售单位中所述历史时间序列内第一预设长度的第一时间窗口中各第一时间节点处所述商品样本的历史实际销量的第一分布和所述商品样本的历史基线销量的第二分布;
计算所述第一分布与所述第二分布之间的距离,并基于所述距离,对所述商品样本进行筛选,得到剩余商品样本;
基于所述剩余商品样本的历史实际销量、历史基线销量和所述任一因子对应的历史因子特征,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型。
根据本发明提供的一种商品销量预测方法,所述基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型,之前包括:
确定所述历史时间序列内所述目标销售单位中所述商品样本的历史实际销量的四分位数和所有销售单位中所述商品样本的历史实际销量的预设分位数;
基于所述商品样本的上架时长、所述四分位数和所述预设分位数,对所述目标销售单位中所述商品样本的历史实际销量进行更新。
根据本发明提供的一种商品销量预测方法,所述目标商品包括新品;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内所述目标销售单位中与所述目标商品同类型的其他商品的因子特征确定;
和/或,
所述目标销售单位为新销售单位;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内与所述目标销售单位同区域内的其他销售单位中所述目标商品的因子特征确定。
根据本发明提供的一种商品销量预测方法,所述确定所述预测时间段内所述目标商品的基线销量,包括:
若当前时刻之前的第二预设长度的第二时间窗口中,存在所述目标销售单位中所述目标商品的销量未受任何因子影响的各第二时间节点,则基于所述各第二时间节点处的历史实际销量均值,确定所述预测时间段内所述目标商品的基线销量;
否则,将所述预测时间段内各因子的因子域特征输入至基线预测模型,得到所述基线预测模型输出的所述预测时间段内所述目标商品的基线销量;其中,所述基线预测模型基于所述目标销售单位中所述目标商品未受任何因子影响的历史基线销量和历史实际销量,和所述目标商品的各因子的历史因子特征训练得到。
本发明还提供一种商品销量预测装置,包括:
获取模块,用于获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;
第一层预测模块,用于将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;
第二层预测模块,用于将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;
其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值。
本发明还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述的商品销量预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的商品销量预测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的商品销量预测方法。
本发明提供的商品销量预测方法、装置、电子设备及存储介质,该方法首先获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定预测时间段内目标商品的基线销量,然后结合每个因子对应的销量增量预测模型,确定目标商品在每个因子影响下的销量增量预测值;结合综合销量预测模型,得到预测时间段内目标销售单位中目标商品的综合销量预测值。该方法先后引入每个因子对应的销量增量预测模型以及综合销量预测模型,综合考虑了各因子对商品销量的影响,可以使预测精度更高,预测结果更加准确,波动跟随性更强,进而有效解决商品在不同因子影响下预测精度不高、波动跟随性不强的问题,通用性较强,可以适用于泛零售行业的电子产品、食品百货、生鲜等各种品类商品的销量预测。这种组合方法既克服了树模型外推性不强(即不能给出超过历史实际销量上下限的预测值)的缺点,又具有借助各因子特征,考虑预测变量间的非线性关系的优点。而且,每个因子特征均包括销售特征以及因子域特征,使每个因子对应的销量增量预测模型确定的目标商品在每个因子影响下的销量增量预测值精度更高,进而使综合销量预测值精度更高。此外,该方法中目标商品的每个因子特征不仅作为每个因子对应的销量增量预测模型的输入,还作为综合销量预测模型的输入,可以反复强化各因子特征对商品销量的影响,进一步提高综合销量预测值的精度以及准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的商品销量预测方法的流程示意图之一;
图2是本发明提供的商品销量预测方法中任一因子对应的销量增量预测模型的结构示意图;
图3是本发明提供的商品销量预测方法中综合销量预测模型的结构示意图;
图4是本发明提供的商品销量预测方法中时序交叉验证方法的训练样本划分示意图;
图5是本发明提供的商品销量预测方法中的模型训练流程示意图;
图6是本发明提供的商品销量预测方法的流程示意图之二;
图7是本发明提供的商品销量预测装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
当前电子商务不断普及,伴随着新零售行业各细分领域的兴起,例如食百生鲜即时达、跨境电商、线上线下大促活动等等,针对门店-商品粒度的需求管理的重要性愈发突出。需求预测代表着企业对未来需求的预期,是企业指定战略规划、生产安排、销售计划和供应链管理中最重要、最源头的环节。需求预测的目标是尽可能缩小预测结果和实际需求之间的差距,准确的预测可以具有如下效果:1)降低库存成本,增加流动资金,减少产品过期、折损带来的资金损失;2)缩短交货期,提升客户交付体验;3)有效安排生产,提升订单满足率;4)改善运输/配送效率,合理统筹骑手排班峰谷值;5)作出更精准的定价、促销决策。
需求预测的核心是销量预测,销量预测可视为一个时间序列预测问题,即通过之前一段时间的销量来预测后一段时间的销量。目前,销量预测主要包括如下三种方法:
一)均销预测方法:即根据商品的周/月/季度平均销量,作为未来7-14天的预测销量。二)基于机器学习模型的方法:即根据历史的销量情况,通过机器学习模型来预估销量。常用的传统机器学习模型如线性回归模型、时间序列模型、回归树模型或者深度神经网络模型等。三)组合预测方法:即为了克服单一预测模型的假设条件和适用范围存在诸多局限性,将均销预测、机器学习、时序预测相结合的一种预测方法。
均销预测方法虽然简单易操作,但由于是一段历史周期内销量的简单平滑,无法刻画商品随影响因子的波动情况,跟随性差。而且,均销预测方法对异常值敏感,有可能正常业务的团购、促销的单天影响,会通过均销持续干扰多天的预测值。
机器学***均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)和Holt-Winter模型为典型,ARIMA虽然简单易操作,只需要内生变量而不需要借助其他外生变量,但是只适用于平稳的时序数据,均值方差不能有大的波动。如果不稳定的数据,是无法捕捉到规律,例如不适用于时常受政策和新闻影响的股票走势预测,同不适合零售领域的预测。Holt-Winter模型在Holt模型基础上引入了Winters周期项,虽然适用于含线性趋势和周期波动的非稳态序列,可以用来处理周/月/季度等时间序列中的固定周期的波动行为,但是对周期性要求高,如果是非周期性的销量效果打折扣,例如无法识别诸如价格、促销、商品换季等因果因素带来的非周期波动,不能利用解释性变量进行需求塑造。且指数平滑较难找到最优的平滑系数,对需求变化的调整存在滞后性,并且只适合短期预测。机器学习模型中的回归树模型,相比于线性模型,考虑了预测变量之间的非线性关系,善于处理异常值、能凸显特征的重要性,训练和预测速度快,结果解释性强。但是,其外推性不强,不能给出超过历史销量上下限的预测值。机器学习模型中的深度神经网络,以长短期记忆网络(LongShort-Term Memory,LSTM)为典型,相比ARIMA适用于在序列趋势明显的情况下的预测,LSTM更适用于具有更多固定成分的不稳定时间序列上,跟随性较强。LSTM虽然解决了循环神经网络(Recurrent Neural Networks,RNN)的长期依赖问题,并且缓解了RNN在训练时反向传播带来的梯度消失问题,但是其计算量大、耗时长且可解释性不强。总而言之,基于机器学习模型的方法虽然能够提升销量预测效率,但是其依然无法保证预测精度。
组合预测方法以facebook提出的prophet方法为典型,其基于时间序列分解和机器学习拟合实现,考虑了趋势项、季节项、节假日项和误差项这四项。通过拟合这四项的值,并进行累加即得到某个序列的预测值。该方法具备易解释的周期性结构,且考虑了如节假日的外生变量,但是对于销量预测场景下的如活动、天气等复杂的因素,仍然无法进行刻画,导致预测精度不足,尤其不适用于对生鲜等具备保质期的损耗性商品的销量预测。
基于此,本发明实施例中提供了一种商品销量预测方法,用以解决现有技术中存在的技术问题。
图1为本发明实施例中提供的一种商品销量预测方法的流程示意图,如图1所示,该方法包括:
S1,获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;
S2,将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;
S3,将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值。
具体地,本发明实施例中提供的商品销量预测方法,该方法可以应用于泛零售行业的商品销量预测。该方法的执行主体为商品销量预测装置,该装置可以配置于计算机内,该计算机可以为本地计算机或云计算机,本地计算机可以是电脑、平板等,此处不作具体限定。
首先执行步骤S1,获取预测时间段内目标销售单位中目标商品的每个因子特征,所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征。该预测时间段可以是未来某一天或某一段时间,例如可以是未来一天、未来第七天,或者可以是未来7-14天中的每一天等,此处不作具体限定。目标销售单位可以是一个销售区域下的任一销售单位,销售区域可以是中心仓所在的区域,也可以是其他按照区域划分的销售场所。一个销售区域下可以存在一个或者多个销售单位,销售单位可以是门店,也可以是自动售卖机或者其他形式的可实现商品销售的个体单位。目标商品即需要进行销量预测的商品,可以是目标销售单位中的任一商品。
目标商品的每个因子特征是指影响商品销量的每个因子对应的因子特征,包括销售特征和每个因子的因子域特征。此处,影响商品销量的因子是指能够对商品销量产生影响的外部因素,可以包括一个或多个,例如可以包括促销活动,除此之外还可以包括天气和节假日中的至少一项,如此可以保证对销量增量的高精度刻画。基于此,因子特征可以包括天气特征、节假日特征以及促销活动特征中的至少一项,因子域特征可以包括天气域特征、节假日域特征以及促销活动域特征中的至少一项。
销售特征是指影响目标商品的销量的固有因素对应的特征,固有维度可以包括人、货、场以及仓中的至少一项。由于每个因子特征均包括销售特征,因此该销售特征可以认为是各因子共享的公共特征。由于人与销量密切相关,因此人对应的特征可以通过销量域特征进行表征,货即商品本身,货对应的特征即商品域特征。场即销售单位,仓即中心仓,由于销售单位与中心仓存在归属关系,因此场和仓对应的特征均可以通过门店域特征进行表征。基于此,销售特征可以包括销量域特征、商品域特征以及门店域特征中的至少一项。可以理解的是,销量域特征为lag特征,是一种延迟特征,可以通过历史时间窗口内的历史实际销量的统计量进行表征,统计量可以包括均值、方差、标准差、分位数、离散傅里叶变换系数、小波变换系数以及自回归系数等中的至少一项。例如,预测时间段为未来第七天,则销量域特征可以表示为lag7特征,其可以通过昨天及昨天之前若干天的历史实际销量的统计值表征。
商品域特征用于表征目标商品自身的销售特征,例如可以包括商品名、商品类型、商品定价等。门店域特征用于表征目标商品所在的目标销售单位自身的销售特征,例如可以包括位置、规模大小等。每个因子的因子域特征是指每个因子的自身特征,例如天气的因子域特征可以包括温度、降雨量、风力、湿度、紫外线强度等,节假日的因子域特征可以包括具体的节假日类型标签、节假日对应热卖商品标签等。促销活动的因子域特征可以包括活动类型、折扣力度、活动持续时长、活动商品展示位置等。活动类型可以包括单品级促销活动、订单级促销活动以及券促销活动等,单品级促销活动是为了提升单个商品的销量设定的促销活动,订单级促销活动是用户购买订单满足设定条件的促销活动,券促销活动是指用户通过领取优惠券抵扣商品价格的促销活动。不同类型的促销活动,其因子域特征有所不同。例如,单品级促销活动的因子域特征可以包括促销价、会员价、秒杀价等,订单级促销活动的因子域特征可以包括满减、满折、换购、买赠、N元N件、第N件N元、第N件N折等,券促销活动的因子域特征可以包括满减券、现金券、折扣券、商品兑换券、配送券、赠品券、代金券等。
同步地,还可以确定出预测时间段内目标商品的基线销量,该基线销量可以是表征目标商品的长期趋势性销量,可以是表示长期趋势的基线上各时间节点处的取值。某一时间节点处的基线销量可以通过销量未受任何因子影响的前若干时间节点处的历史实际销量的均值确定,也可以通过训练好的梯度提升决策树等神经网络模型预测得到,此处不作具体限定。
然后执行步骤S2,将目标商品的每个因子特征和目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值。此处,每个因子均对应有一个销量增量预测模型,该销量增量预测模型用于对目标商品在对应因子影响下导致的销量增量进行预测,得到销量增量预测值。该销量增量预测值可以大于0,也可以小于0,还可以等于0。
对于任一因子,该任一因子对应的销量增量预测模型可以通过将历史时间序列内仅受任一因子影响的各第一时间节点处的历史实际销量、历史基线销量和各第一时间节点处任一因子对应的历史因子特征作为训练样本进行训练得到。
例如,在训练得到任一因子对应的销量增量预测模型的过程中,可以将各第一时间节点处的历史基线销量和各第一时间节点处任一因子对应的历史因子特征输入至初始增量预测模型,得到由初始增量预测模型输出的预测结果,然后通过预测结果和历史基线销量与历史实际销量的差值计算损失函数,当损失函数收敛时即得到训练好的任一因子对应的销量增量预测模型。
最后执行步骤S3,将目标商品的每个因子特征、商品的基线销量和目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到综合销量预测模型输出的预测时间段内目标销售单位中目标商品的综合销量预测值。此处,该综合销量预测模型可以与所有因子对应的销量增量预测模型连接,通过对目标商品的销售特征、商品的基线销量和目标商品在每个因子影响下的销量增量预测值进行联合考虑,最终得到预测时间段内目标销售单位中目标商品的综合销量预测值。
该综合销量预测模型可以通过将历史时间序列内目标销售单位中目标商品的每个历史因子特征、历史基线销量和目标商品在每个因子影响下的历史销量增量值作为训练样本进行训练得到。例如,在训练得到综合销量预测模型的过程中,可以将历史时间序列的滑动时间窗口内目标销售单位中目标商品的每个历史因子特征、历史基线销量和目标商品在每个因子影响下的历史销量增量值输入至初始销量预测模型,得到由初始销量预测模型输出的预测结果,然后通过预测结果和滑动时间窗口后的历史实际销量计算损失函数,当损失函数收敛时即得到训练好的综合销量预测模型。
可以理解的是,步骤S2是在各因子域内完成,步骤S3则是在全域内对目标商品的综合销量进行预测,进而得到综合销量预测值。
本发明实施例中提供的商品销量预测方法,首先获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定预测时间段内目标商品的基线销量,然后结合每个因子对应的销量增量预测模型,确定目标商品在每个因子影响下的销量增量预测值;结合综合销量预测模型,得到预测时间段内目标销售单位中目标商品的综合销量预测值。该方法先后引入每个因子对应的销量增量预测模型以及综合销量预测模型,综合考虑了各因子对商品销量的影响,可以使预测精度更高,预测结果更加准确,波动跟随性更强,进而有效解决商品在不同因子影响下预测精度不高、波动跟随性不强的问题,通用性较强,可以适用于泛零售行业的电子产品、食品百货、生鲜等各种品类商品的销量预测。这种组合方法既克服了树模型外推性不强(即不能给出超过历史实际销量上下限的预测值)的缺点,又具有借助各因子特征,考虑预测变量间的非线性关系的优点。而且,每个因子特征均包括销售特征以及因子域特征,使每个因子对应的销量增量预测模型确定的目标商品在每个因子影响下的销量增量预测值精度更高,进而使综合销量预测值精度更高。此外,该方法中目标商品的每个因子特征不仅作为每个因子对应的销量增量预测模型的输入,还作为综合销量预测模型的输入,可以反复强化各因子特征对商品销量的影响,进一步提高综合销量预测值的精度以及准确性。进一步地,该方法可解释性强,各因子影响的销量增量刻画合理,能够刻画大-中-小趋势的销量波动,且未来新增潜在影响因子的销量增量可以模块化复用。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值。
具体地,每个因子对应的销量增量预测模型均可以包括结构不同的多个第一预测子模型,综合销量预测模型也可以包括结构不同的多个第二预测子模型。第一预测子模型以及第二预测子模型均可以包括RF模型、GBDT模型、DNN模型、LR模型以及SVM模型等中的至少两项。由于结构不同的第一预测子模型其性能不同,侧重点不同,因此可以从不同维度捕捉不同的销量特性,进而可以利用各第一预测子模型的长处,使最终得到的销量增量预测值更加准确。同样地,由于结构不同的第二预测子模型其性能不同,侧重点不同,因此也可以从不同维度捕捉不同的销量特性,使得到的第二预测结果也有所不同,如此可以利用各第二预测子模型的长处,使最终得到的综合销量预测值更加准确。
本发明实施例中,由于第一预测子模型和/或第二预测子模型包括结构不同的多个,可以利用各结构不同的第一预测子模型和/或第二预测子模型的长处,进而提升每个因子对应的销量增量预测模型和/或综合销量预测模型的性能,提高综合销量预测值的准确性。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,所述将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值,包括:
对于任一因子,将所述任一因子对应的因子特征和所述目标商品的基线销量输入至所述任一因子对应的销量增量预测模型中的第一预测子模型,得到所述第一预测子模型输出的第一预测结果;
将所述任一因子对应的因子特征和所述第一预测结果输入至所述任一因子对应的销量增量预测模型中的第一拼接层,得到所述第一拼接层输出的第一拼接结果;
将所述第一拼接结果输入至所述任一因子对应的销量增量预测模型中的第一全连接层,得到所述第一全连接层输出的所述目标商品在所述任一因子影响下的销量增量预测值。
具体地,每个因子对应的销量增量预测模型均包括顺次连接的第一预测子模型、第一拼接(concat)层以及第一全连接(dense)层。第一预测子模型可以是回归模型,可以包括一个或多个,多个第一预测子模型的结构可以不同。例如,第一预测子模型可以是随机森林(Random Forest,RF)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型以及深度神经网络(Deep Neural Networks,DNN)模型中的至少一项。
因此,在将目标商品的每个因子特征和目标商品的基线销量输入至每个因子对应的销量增量预测模型的过程中,对于每个因子均执行如下相同的步骤:
图2为任一因子对应的销量增量预测模型的结构示意图,如图2所示,对于任一因子,将任一因子对应的因子特征和目标商品的基线销量输入至任一因子对应的销量增量预测模型中的第一预测子模型,利用第一预测子模型对任一因子影响下的销量增量进行预测,进而得到第一预测子模型输出的第一预测结果。此后,将任一因子对应的因子特征和第一预测结果输入至任一因子对应的销量增量预测模型中的第一拼接层,利用第一拼接层将任一因子对应的因子特征和第一预测结果按先后顺序进行拼接,进而得到第一拼接层输出的第一拼接结果。最后,将第一拼接结果输入至任一因子对应的销量增量预测模型中的第一全连接层,利用第一全连接层对第一拼接结果进行处理,进而得到第一全连接层输出的目标商品在任一因子影响下的销量增量预测值。
本发明实施例中,每个因子对应的销量增量预测模型中,多次利用对应的因子特征,可以反复强化对应的因子特征对商品销量的影响,提高销量增量预测值的预测精度以及预测准确性。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,所述将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值,包括:
将所述目标商品的每个因子特征输入至所述综合销量预测模型中的第二拼接层,得到所述第二拼接层输出的第二拼接结果;
将所述第二拼接结果、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至所述综合销量预测模型中的第三拼接层,得到所述第三拼接层输出的第三拼接结果;
将所述第三拼接层输入至所述综合销量预测模型中的第二预测子模型,得到所述第二预测子模型输出的第二预测结果;
将所述第二预测结果输入至所述综合销量预测模型中的第二全连接层,得到所述第二全连接层输出的所述综合销量预测值。
具体地,如图3所示,综合销量预测模型可以包括顺次连接的第二拼接层、第三拼接层、第二预测子模型以及第二全连接层。第二预测子模型可以是回归模型,可以包括一个或多个,多个第二预测子模型的结构可以不同。例如,第二预测子模型可以是随机森林(Random Forest,RF)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、深度神经网络(Deep Neural Networks,DNN)模型、逻辑回归(Logistic Regression,LR)模型、支持向量机(Support Vector Machines,SVM)模型等中的至少一项。
因此,在将目标商品的每个因子特征、目标商品的基线销量和目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型的过程中,可以先将目标商品的每个因子特征输入至综合销量预测模型中的第二拼接层,利用第二拼接层将目标商品的每个因子特征按先后顺序进行拼接,进而得到第二拼接层输出的第二拼接结果。此后,将第二拼接结果、目标商品的基线销量和目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型中的第三拼接层,利用第三拼接层将第二拼接结果、目标商品的基线销量和目标商品在每个因子影响下的销量增量预测值按先后顺序进行拼接,进而得到第三拼接层输出的第三拼接结果。此后,将第三拼接层输入至综合销量预测模型中的第二预测子模型,利用第二预测子模型对目标商品的综合销量进行预测,进而得到第二预测子模型输出的第二预测结果。最后,将第二预测结果输入至综合销量预测模型中的第二全连接层,利用第二全连接层对第二预测结果进行整合,进而得到第二全连接层输出的综合销量预测值。
本发明实施例中,综合销量预测模型以目标商品的每个因子特征、目标商品的基线销量和目标商品在每个因子影响下的销量增量预测值作为输入,综合考虑各个因子对商品销量的影响,使得最终得到的综合销量预测值更加真实可靠。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,由于结构不同的第一预测子模型其性能不同,侧重点不同,因此可以用于捕捉不同的销量特性,进而得到的第一预测结果也有所不同,后续利用第一拼接层将任一因子对应的因子特征与所有第一预测结果按先后顺序进行拼接,利用第一全连接层得到目标商品在任一因子影响下的销量增量预测值,如此可以利用各第一预测子模型的长处,使最终得到的销量增量预测值更加准确。同样地,由于结构不同的第二预测子模型其性能不同,侧重点不同,因此得到的第二预测结果也有所不同。此后利用第二全连接层对第二预测结果进行整合,得到目标商品的综合销量预测值,如此可以利用各第二预测子模型的长处,使最终得到的综合销量预测值更加准确。可以理解的是,当第二预测子模型包括结构不同的多个时,在综合销量预测模型中还可以包括第四拼接层,用于将各第二预测子模型输出的第二预测结果进行拼接,得到第四拼接结果。此后,该第四拼接结果可以作为第二全连接层的输入。
本发明实施例中,由于第一预测子模型和/或第二预测子模型包括结构不同的多个,可以利用各结构不同的第一预测子模型和/或第二预测子模型的长处,进而提升每个因子对应的销量增量预测模型和/或综合销量预测模型的性能,提高综合销量预测值的准确性。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,任一因子对应的销量增量预测模型基于如下步骤训练得到:
确定历史时间序列内所述目标销售单位中商品样本对应于所述任一因子的训练样本,所述训练样本包括所述历史时间序列内仅受所述任一因子影响的各第一时间节点处的历史实际销量、历史基线销量和所述各第一时间节点处所述任一因子对应的历史因子特征;
基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型;
所述综合销量预测模型基于如下步骤训练得到:
基于所述历史时间序列内所述目标销售单位中所述商品样本的每个历史因子特征、历史基线销量和所述商品样本在每个因子影响下的历史销量增量值,采用时序交叉验证方法对初始销量预测模型进行训练,得到所述综合销量预测模型。
具体地,在训练得到任一因子对应的销量增量预测模型的过程中,可以先准备训练样本,即确定历史时间序列内所述目标销售单位中商品样本对应于任一因子的训练样本。该商品样本可以是目标销售单位中的各商品。该训练样本可以包括历史时间序列内仅受任一因子影响的各第一时间节点处的历史实际销量、历史基线销量和各第一时间节点处任一因子对应的历史因子特征。
历史时间序列可以是过去一年内每个日期作为时间节点构成的序列。第一时间节点是指商品样本的销量仅受任一因子影响的时间节点,第一时间节点的确定过程即任一因子的样本点筛选过程。各第一时间节点处的历史实际销量为商品样本仅在该任一因子影响下的销量。例如任一因子为天气,则第一时间节点为过去一年内未配置过促销活动且不是节假日的日期,第一时间节点处的历史实际销量代表商品样本仅在天气影响下的销量。又例如任一因子为促销活动,则第一时间节点为过去一年内没有天气事件且不是节假日的日期,第一时间节点处的历史实际销量代表商品样本仅在促销活动影响下的销量。各第一时间节点处的历史基线销量既可以通过各第一时间节点之前的一段时间内的历史实际销量均值确定,也可以通过梯度提升决策树等神经网络模型预测得到,此处不作具体限定。各第一时间节点处任一因子对应的历史因子特征则可以通过查找历史记录信息确定。
在确定出训练样本之后,即可利用训练样本,采用时序交叉验证方法对任一因子对应的初始增量预测模型进行训练,得到任一因子对应的销量增量预测模型。时序交叉验证方法可以为多折交叉验证,在每折交叉验证过程中,均需要将按时间排序后的训练样本进行划分,且任一折交叉验证过程中训练样本划分的数据时间范围在包含有前一折交叉验证过程中训练样本划分的数据时间范围的基础上,向后延长一定的时间窗。
如图4所示,按时间排序后的训练样本为data,每折交叉验证过程中划分出的数据时间范围均包括训练数据(Train)和测试数据(Test)。第一折交叉验证过程中,划分出训练样本中的一部分作为所需的数据时间范围,然后从划分出的数据时间范围中继续划分出一部分作为训练数据,剩余的另一部分作为测试数据。此后,第二折交叉验证过程中,将第一折交叉验证过程中划分出的数据时间范围作为训练数据,在此基础上向后延长一定的时间窗作为测试数据。此后,第三折交叉验证过程中,将第二折交叉验证过程中划分出的数据时间范围作为训练数据,在此基础上向后延长一定的时间窗作为测试数据。最后,第四折交叉验证过程中,将第三折交叉验证过程中划分出的数据时间范围作为训练数据,将剩余时间窗作为测试数据。
训练得到综合销量预测模型的过程,可以与训练得到各因子对应的销量增量预测模型的过程同步进行,也可以先后进行,还可以独立进行,此处不作具体限定。在训练得到综合销量预测模型的过程中,利用历史时间序列内目标销售单位中商品样本的每个历史因子特征、历史基线销量和商品样本在每个因子影响下的历史销量增量值,也可以采用时序交叉验证方法对初始销量预测模型进行训练,得到综合销量预测模型。
本发明实施例中,在模型训练过程中,引入时序交叉验证方法,不仅可以避免模型出现过拟合的问题,使训练得到的模型具有很强的泛化性,还可以避免数据泄漏。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,所述基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型,包括:
确定所述目标销售单位中所述历史时间序列内第一预设长度的第一时间窗口中各第一时间节点处所述商品样本的历史实际销量的第一分布和所述商品样本的历史基线销量的第二分布;
计算所述第一分布与所述第二分布之间的距离,并基于所述距离,对所述商品样本进行筛选,得到剩余商品样本;
基于所述剩余商品样本的历史实际销量、历史基线销量和所述任一因子对应的历史因子特征,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型。
具体地,由于历史时间序列内存在大量商品样本0销量的时间节点,且由于各因子对应的销量增量预测模型学***衡,例如模型对销售单位的所有商品同步进行预测,但零售行业的低销商品不会获得高销商品的预测销量,本发明实施例中需要对每个因子的因子敏感性进行控制,即对训练样本进行筛选,以控制模型的泛化性。
首先,确定目标销售单位中历史时间序列内第一预设长度的第一时间窗口中各第一时间节点处所述商品样本的历史实际销量的第一分布和商品样本的历史基线销量的第二分布。第一预设长度可以根据需要进行选取,例如可以选取为30天、60天等,此处不作具体限定。第一分布用于表征各第一时间节点处商品样本的历史实际销量的分布情况,第二分布用于表征各第一时间节点处商品样本的历史基线销量的分布情况。此后,计算第一分布与第二分布之间的距离,该距离则可以用于表征任一因子的因子敏感性。该距离可以是Wasserstein距离,用以通过计算把第一分布变化成第二分布所需的最小变化量来刻画第一分布与第二分布之间的差异。
Wasserstein距离的计算公式可以表示为:
;
其中,P为第一分布,Q为第二分布,为第一分布与第二分布之间的Wasserstein距离,x为第一分布中单个第一时间节点处商品样本的历史实际销量,y为第二分布中单个第一时间节点处商品样本的历史实际销量,/>为x、y的联合分布,/>为x、y之间的距离,可以是欧式距离。Inf表示下确界,即取最小(min)。
此后,利用第一分布与第二分布之间的距离,对商品样本进行筛选,得到剩余商品样本。筛选的过程可以引入预设阈值,并将上述距离与该预设阈值进行比较,剔除掉小于预设阈值对应的商品样本,筛选出剩余商品样本。如此0销量的商品样本被大量剔除。其中,预设阈值可以根据需要进行设定,此处不作具体限定。
最后,将剩余商品样本的历史实际销量、历史基线销量和任一因子对应的历史因子特征作为新的训练样本,采用时序交叉验证方法对任一因子对应的初始增量预测模型进行训练,得到任一因子对应的销量增量预测模型。由于新的训练样本中0销量的时间节点被大量剔除,对任一因子对应的初始增量预测模型的训练更加友好,使训练得到的任一因子对应的销量增量预测模型的性能相较于筛选之前具有显著提升。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,所述基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型,之前包括:
确定所述历史时间序列内所述目标销售单位中所述商品样本的历史实际销量的四分位数和所有销售单位中所述商品样本的历史实际销量的预设分位数;
基于所述商品样本的上架时长、所述四分位数和所述预设分位数,对所述目标销售单位中所述商品样本的历史实际销量进行更新。
具体地,在利用训练样本对初始增量预测模型进行训练之前,可以先对商品样本的历史实际销量进行更新,即剔除历史实际销量的异常值,将其利用临界值进行替换。此处,可以先确定历史时间序列内目标销售单位中商品样本的历史实际销量的四分位数和所有销售单位中所述商品样本的历史实际销量的预设分位数。
四分位数(Quartile)是统计学中分位数的一种,即把历史时间序列内目标销售单位中商品样本的历史实际销量的所有数值由小到大排列并分成四等份,处于三个分割点位置的数值就是四分位数。第一四分位数(Q1),又称“较小四分位数”,等于所有数值由小到大排列后第25%的数字。第二四分位数(Q2),又称“中位数(Median)”,等于所有数值由小到大排列后第50%的数字。第三四分位数(Q3),又称“较大四分位数”,等于所有数值由小到大排列后第75%的数字。其中,第三四分位数与第一四分位数的差距为四分位距(InterQuartile Range,IQR)。Q1-1.5IQR为内限下限,Q3+1.5IQR为内限上限,Q1-3IQR为外限下限,Q3+3IQR为外限上限。
所有销售单位中商品样本的历史实际销量的预设分位数可以根据需要进行选取,例如可以选取99%分位数。
进而,可以根据商品样本的上架时长、四分位数和预设分位数,对目标销售单位中商品样本的历史实际销量进行更新。例如,若商品样本的上架时长超过15天,对超出Q3+6IQR的历史实际销量使用Q3+3IQR替换;若上架时长未超过15天,对超出99%分位数的历史实际销量使用99%分位数进行替换,如此可以降低历史实际销量的异常值对模型训练效果产生的不利影响。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,所述目标商品包括新品;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内所述目标销售单位中与所述目标商品同类型的其他商品的因子特征确定;
和/或,所述目标销售单位为新销售单位;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内与所述目标销售单位同区域内的其他销售单位中所述目标商品的因子特征确定。
具体地,对于目标商品是新品的情况,由于其没有历史信息,因此预测时间段内目标销售单位中目标商品的因子特征,可以通过预测时间段内目标销售单位中与目标商品同类型的其他商品的因子特征加权求和的方式确定。同样地,对于目标销售单位是新销售单位的情况,由于其依然没有历史信息,因此预测时间段内目标销售单位中目标商品的因子特征,可以通过预测时间段内与目标销售单位同区域内的其他销售单位中目标商品的因子特征加权求和的方式确定。如此,即使对于新品或新销售单位,也可以进行商品销量预测,进一步扩展了商品销量预测方法的应用对象。
在上述实施例的基础上,本发明实施例中提供的商品销量预测方法,所述确定所述预测时间段内所述目标商品的基线销量,包括:
若当前时刻之前的第二预设长度的第二时间窗口中,存在所述目标销售单位中所述目标商品的销量未受任何因子影响的各第二时间节点,则基于所述各第二时间节点处的历史实际销量均值,确定所述预测时间段内所述目标商品的基线销量;
否则,将所述预测时间段内各因子的因子域特征输入至基线预测模型,得到所述基线预测模型输出的所述预测时间段内所述目标商品的基线销量;其中,所述基线预测模型基于所述目标销售单位中所述目标商品未受任何因子影响的历史基线销量和历史实际销量,和所述第二时间窗口内所述目标商品的各因子的历史因子特征训练得到。
具体地,在确定预测时间段内目标商品的基线销量时,可以先判断当前时刻之前的第二预设长度的第二时间窗口中,是否存在目标销售单位中目标商品的销量未受任何因子影响的各第二时间节点。第二预设时长可以根据需要进行设定,例如可以是60天、80天等。此处,该第二时间窗口可以是当前时刻之前且与当前时刻临近的时间窗口。然后根据判断结果分如下两种情况分别采用不同的方法确定预测时间段内目标商品的基线销量:
一)若当前时刻之前的第二预设长度的第二时间窗口中,存在目标销售单位中目标商品的销量未受任何因子影响的各第二时间节点,各第二时间节点是指第二时间窗口中没有天气事件、没有被配置过促销活动、不是节假日的日期,即纯基线样本点。此时可以根据各第二时间节点处的历史实际销量均值,确定预测时间段内目标商品的基线销量,例如可以直接将该历史实际销量均值作为预测时间段内目标商品的基线销量。二)否则,即第二时间窗口中,不存在任何基线样本点,则可以将预测时间段内各因子的因子域特征输入至基线预测模型,得到基线预测模型输出的预测时间段内目标商品的基线销量。其中,基线预测模型可以为机器学习模型,其可以将目标销售单位中目标商品未受任何因子影响的其他商品的历史基线销量和/或历史实际销量作为标签,将目标商品的各因子的历史因子特征作为样本训练得到。
本发明实施例中,对于不能通过均值方式计算基线销量的时间节点,通过基线预测模型预测得到基线销量,如此可以保证基线销量的顺利确定。
图5为本发明实施例中提供的一种商品销量预测方法中各因子对应的销量增量预测模型的训练流程示意图。如图5所示,该训练过程包括:
1)获取过去一年内的商品订单,该商品订单中可以包括购买者信息、一个或多个商品样本的购买信息,购买信息可以包括商品样本的购买数量、购买地址、购买时间以及购买价格等。2)基于业务规则,对商品订单进行筛选,并基于商品订单进行商品样本的销量聚合,得到各销售单位下的各个商品的聚合销量,即初始的历史实际销量。其中,业务规则可以是针对于商品销量预测方法的适用性的规则,例如商品销量预测方法主要是针对于普通客户而言的商品销量预测,因此针对大客户的订单不适用于作为训练模型的样本,因此剔除大客户的订单。该订单销量可以以天为单位进行聚合得到。3)对商品样本的订单销量进行异常值剔除,即利用样本商品的上架时长、历史实际销量的四分位数和预设分位数,对初始的历史实际销量进行更新,得到最终的历史实际销量。4)进行销量处理。此处,销量处理可以包括筛选出基线样本点,即过去一年内未被任何因子影响销量的时间节点及其对应的历史实际销量,筛选出天气样本点,即过去一年内仅被天气影响销量的时间节点及其对应的历史实际销量,筛选出节假日样本点,即过去一年内仅被节假日影响销量的时间节点及其对应的历史实际销量,筛选出促销活动样本点,即过去一年内仅被促销活动影响销量的时间节点及其对应的历史实际销量,确定历史商品域特征、历史门店域特征、历史销量域特征以及每个因子的因子敏感性。5)根据基线样本点确定商品样本的历史基线销量,历史基线销量与时间节点之间的对应关系即为基线。此处,可以根据过去一年中60天的时间窗口内是否存在销量未受任何因子影响的时间节点,选取合适的方式确定商品样本的历史基线销量。6)利用过去一年内的节假日基表、天气基表以及促销活动基表,对基线进行打标。7)根据天气基表,得到天气样本点的天气域特征,并结合历史基线销量、历史商品域特征、历史门店域特征、历史销量域特征以及天气的因子敏感性,对天气对应的初始增量预测模型进行训练,得到天气对应的销量增量预测模型,即天气模型;根据节假日基表,得到节假日样本点的节假日域特征,并结合历史基线销量、历史商品域特征、历史门店域特征、历史销量域特征以及节假日的因子敏感性,对节假日对应的初始增量预测模型进行训练,得到节假日对应的销量增量预测模型,即节假日模型;根据促销活动基表,得到促销活动样本点的活动域特征,并结合历史基线销量、历史商品域特征、历史门店域特征、历史销量域特征以及促销活动的因子敏感性,对促销活动对应的初始增量预测模型进行训练,得到促销活动对应的销量增量预测模型,即促销活动模型。8)得到天气模型、节假日模型以及促销活动模型之后,可以结合天气模型、节假日模型以及促销活动模型的输出结果,以及历史基线销量,对初始销量预测模型进行训练,得到综合销量预测模型。
图6为本发明实施例中提供的一种商品销量预测方法的流程示意图。如图6所示,该方法包括:
1)获取预测时间段内目标销售单位中目标商品的天气特征、节假日特征以及促销活动特征,并确定预测时间段内目标商品的基线销量。2)第一层操作,即将天气特征与基线销量输入至天气模型中的至少三个第一预测子模型,例如分别为RF模型、GBDT模型以及DNN模型等,此后将天气特征与天气模型中三个第一预测子模型得到的第一预测结果输入至天气模型中的第一拼接层,得到第一拼接结果。将第一拼接结果输入至第一全连接层,得到目标商品在天气影响下的销量增量预测值。将节假日特征与基线销量输入至节假日模型中的至少三个第一预测子模型,例如分别为RF模型、GBDT模型以及DNN模型等,此后将节假日特征与节假日模型中三个第一预测子模型得到的第一预测结果输入至节假日模型中的第一拼接层,得到第一拼接结果。将第一拼接结果输入至第一全连接层,得到目标商品在节假日影响下的销量增量预测值。将促销活动特征与基线销量输入至促销活动模型中的至少三个第一预测子模型,例如分别为RF模型、GBDT模型以及DNN模型等,此后将促销活动特征与促销活动模型中三个第一预测子模型得到的第一预测结果输入至促销活动模型中的第一拼接层,得到第一拼接结果。将第一拼接结果输入至第一全连接层,得到目标商品在促销活动影响下的销量增量预测值。3)第二层操作,即将目标商品的每个因子特征输入至综合销量预测模型中的第二拼接层,得到第二拼接结果。该第二拼接结果是所有因子特征的拼接所得结果。将第二拼接结果、目标商品的基线销量和目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型中的第三拼接层,得到第三拼接层输出的第三拼接结果。将第三拼接结果输入至综合销量预测模型中的至少三个第二预测子模型,例如分别为RF模型、GBDT模型以及DNN模型等,此后将节假日模型中三个第二预测子模型得到的第二预测结果输入至综合销量预测模型中的第四拼接层,得到第四拼接结果。将第四拼接结果输入至综合销量预测模型中的第二全连接层,得到目标商品的综合销量预测值。
如图7所示,在上述实施例的基础上,本发明实施例中提供了一种商品销量预测装置,包括:
获取模块71,用于获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;
第一层预测模块72,用于将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;
第二层预测模块73,用于将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;
其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,所述第一层预测模块,具体用于:
对于任一因子,将所述任一因子对应的因子特征和所述目标商品的基线销量输入至所述任一因子对应的销量增量预测模型中的第一预测子模型,得到所述第一预测子模型输出的第一预测结果;
将所述任一因子对应的因子特征和所述第一预测结果输入至所述任一因子对应的销量增量预测模型中的第一拼接层,得到所述第一拼接层输出的第一拼接结果;
将所述第一拼接结果输入至所述任一因子对应的销量增量预测模型中的第一全连接层,得到所述第一全连接层输出的所述目标商品在所述任一因子影响下的销量增量预测值。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,所述第二层预测模块,具体用于:
将所述目标商品的每个因子特征输入至所述综合销量预测模型中的第二拼接层,得到所述第二拼接层输出的第二拼接结果;
将所述第二拼接结果、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至所述综合销量预测模型中的第三拼接层,得到所述第三拼接层输出的第三拼接结果;
将所述第三拼接层输入至所述综合销量预测模型中的第二预测子模型,得到所述第二预测子模型输出的第二预测结果;
将所述第二预测结果输入至所述综合销量预测模型中的第二全连接层,得到所述第二全连接层输出的所述综合销量预测值。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,所述第一预测子模型和/或所述第二预测子模型包括结构不同的多个;
所述结构不同的多个用于捕捉不同的销量特性。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,还包括第一训练模块,用于:
确定历史时间序列内所述目标销售单位中商品样本对应于所述任一因子的训练样本,所述训练样本包括所述历史时间序列内仅受所述任一因子影响的各第一时间节点处的历史实际销量、历史基线销量和所述各第一时间节点处所述任一因子对应的历史因子特征;
基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型;
还包括第二训练模块,用于:
基于所述历史时间序列内所述目标销售单位中所述商品样本的每个历史因子特征、历史基线销量和所述商品样本在每个因子影响下的历史销量增量值,采用时序交叉验证方法对初始销量预测模型进行训练,得到所述综合销量预测模型。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,所述第一训练模块,具体用于:
确定所述目标销售单位中所述历史时间序列内第一预设长度的第一时间窗口中各第一时间节点处所述商品样本的历史实际销量的第一分布和所述商品样本的历史基线销量的第二分布;
计算所述第一分布与所述第二分布之间的距离,并基于所述距离,对所述商品样本进行筛选,得到剩余商品样本;
基于所述剩余商品样本对应的历史实际销量、历史基线销量和所述任一因子对应的历史因子特征,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,还包括异常值剔除模块,用于:
确定所述历史时间序列内所述目标销售单位中所述商品样本的历史实际销量的四分位数和所有销售单位中所述商品样本的历史实际销量的预设分位数;
基于所述商品样本的上架时长、所述四分位数和所述预设分位数,对所述目标销售单位中所述商品样本的历史实际销量进行更新。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,所述目标商品包括新品;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内所述目标销售单位中与所述目标商品同类型的其他商品的因子特征确定;
和/或,所述目标销售单位为新销售单位;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内与所述目标销售单位同区域内的其他销售单位中所述商品样本的因子特征确定。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,所述获取模块,具体用于:
若当前时刻之前的第二预设长度的第二时间窗口中,存在所述目标销售单位中所述目标商品的销量未受任何因子影响的各第二时间节点,则基于所述各第二时间节点处的历史实际销量均值,确定所述预测时间段内所述目标商品的基线销量;
否则,将所述预测时间段内各因子的因子域特征输入至基线预测模型,得到所述基线预测模型输出的所述预测时间段内所述目标商品的基线销量;其中,所述基线预测模型基于所述目标销售单位中所述目标商品未受任何因子影响的历史基线销量和/或历史实际销量,和所述目标商品的各因子的历史因子特征训练得到。
在上述实施例的基础上,本发明实施例中提供的商品销量预测装置,还包括需求预测值确定模块,用于:
基于所述综合销量预测值,确定所述预测时间段内所述目标销售单位中与所述目标商品对应的需求预测值。
具体地,本发明实施例中提供的商品销量预测装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(Processor)810、通信接口(Communications Interface)820、存储器(Memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行上述各实施例中提供的商品销量预测方法,该方法包括:获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的商品销量预测方法,该方法包括:获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的商品销量预测方法,该方法包括:获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种商品销量预测方法,其特征在于,包括:
获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;
将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;
将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;
其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值;
任一因子对应的销量增量预测模型基于如下步骤训练得到:
确定历史时间序列内所述目标销售单位中商品样本对应于所述任一因子的训练样本,所述训练样本包括所述历史时间序列内仅受所述任一因子影响的各第一时间节点处的历史实际销量、历史基线销量和所述各第一时间节点处所述任一因子对应的历史因子特征;
基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型;
所述综合销量预测模型基于如下步骤训练得到:
基于所述历史时间序列内所述目标销售单位中所述商品样本的每个历史因子特征、历史基线销量和所述商品样本在每个因子影响下的历史销量增量值,采用时序交叉验证方法对初始销量预测模型进行训练,得到所述综合销量预测模型。
2.根据权利要求1所述的商品销量预测方法,其特征在于,所述将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值,包括:
对于任一因子,将所述任一因子对应的因子特征和所述目标商品的基线销量输入至所述任一因子对应的销量增量预测模型中的第一预测子模型,得到所述第一预测子模型输出的第一预测结果;
将所述任一因子对应的因子特征和所述第一预测结果输入至所述任一因子对应的销量增量预测模型中的第一拼接层,得到所述第一拼接层输出的第一拼接结果;
将所述第一拼接结果输入至所述任一因子对应的销量增量预测模型中的第一全连接层,得到所述第一全连接层输出的所述目标商品在所述任一因子影响下的销量增量预测值。
3.根据权利要求2所述的商品销量预测方法,其特征在于,所述将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值,包括:
将所述目标商品的每个因子特征输入至所述综合销量预测模型中的第二拼接层,得到所述第二拼接层输出的第二拼接结果;
将所述第二拼接结果、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至所述综合销量预测模型中的第三拼接层,得到所述第三拼接层输出的第三拼接结果;
将所述第三拼接层输入至所述综合销量预测模型中的第二预测子模型,得到所述第二预测子模型输出的第二预测结果;
将所述第二预测结果输入至所述综合销量预测模型中的第二全连接层,得到所述第二全连接层输出的所述综合销量预测值。
4.根据权利要求1所述的商品销量预测方法,其特征在于,所述基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型,包括:
确定所述目标销售单位中所述历史时间序列内第一预设长度的第一时间窗口中各第一时间节点处所述商品样本的历史实际销量的第一分布和所述商品样本的历史基线销量的第二分布;
计算所述第一分布与所述第二分布之间的距离,并基于所述距离,对所述商品样本进行筛选,得到剩余商品样本;
基于所述剩余商品样本的历史实际销量、历史基线销量和所述任一因子对应的历史因子特征,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型。
5.根据权利要求1所述的商品销量预测方法,其特征在于,所述基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型,之前包括:
确定所述历史时间序列内所述目标销售单位中所述商品样本的历史实际销量的四分位数和所有销售单位中所述商品样本的历史实际销量的预设分位数;
基于所述商品样本的上架时长、所述四分位数和所述预设分位数,对所述目标销售单位中所述商品样本的历史实际销量进行更新。
6.根据权利要求1-3中任一项所述的商品销量预测方法,其特征在于,所述目标商品包括新品;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内所述目标销售单位中与所述目标商品同类型的其他商品的因子特征确定;
和/或,
所述目标销售单位为新销售单位;相应地,所述预测时间段内所述目标销售单位中所述目标商品的因子特征基于所述预测时间段内与所述目标销售单位同区域内的其他销售单位中所述目标商品的因子特征确定。
7.根据权利要求1-3中任一项所述的商品销量预测方法,其特征在于,所述确定所述预测时间段内所述目标商品的基线销量,包括:
若当前时刻之前的第二预设长度的第二时间窗口中,存在所述目标销售单位中所述目标商品的销量未受任何因子影响的各第二时间节点,则基于所述各第二时间节点处的历史实际销量均值,确定所述预测时间段内所述目标商品的基线销量;
否则,将所述预测时间段内各因子的因子域特征输入至基线预测模型,得到所述基线预测模型输出的所述预测时间段内所述目标商品的基线销量;其中,所述基线预测模型基于所述目标销售单位中所述目标商品未受任何因子影响的历史基线销量和历史实际销量,和所述目标商品的各因子的历史因子特征训练得到。
8.一种商品销量预测装置,其特征在于,包括:
获取模块,用于获取预测时间段内目标销售单位中目标商品的每个因子特征,并确定所述预测时间段内所述目标商品的基线销量;所述因子特征包括销售特征和影响商品销量的每个因子的因子域特征;
第一层预测模块,用于将所述目标商品的每个因子特征和所述目标商品的基线销量输入至每个因子对应的销量增量预测模型,得到每个因子对应的销量增量预测模型输出的所述目标商品在每个因子影响下的销量增量预测值;
第二层预测模块,用于将所述目标商品的每个因子特征、所述目标商品的基线销量和所述目标商品在每个因子影响下的销量增量预测值输入至综合销量预测模型,得到所述综合销量预测模型输出的所述预测时间段内所述目标销售单位中所述目标商品的综合销量预测值;
其中,所述销量增量预测模型包括结构不同的多个第一预测子模型,从不同维度的第一预测子模型预测所述目标商品在每个因子影响下的销量增量预测值;所述综合销量预测模型包含结构不同的多个第二预测子模型,从不同维度的第二预测子模型预测所述综合销量预测值;
任一因子对应的销量增量预测模型基于如下步骤训练得到:
确定历史时间序列内所述目标销售单位中商品样本对应于所述任一因子的训练样本,所述训练样本包括所述历史时间序列内仅受所述任一因子影响的各第一时间节点处的历史实际销量、历史基线销量和所述各第一时间节点处所述任一因子对应的历史因子特征;
基于所述训练样本,采用时序交叉验证方法对所述任一因子对应的初始增量预测模型进行训练,得到所述任一因子对应的销量增量预测模型;
所述综合销量预测模型基于如下步骤训练得到:
基于所述历史时间序列内所述目标销售单位中所述商品样本的每个历史因子特征、历史基线销量和所述商品样本在每个因子影响下的历史销量增量值,采用时序交叉验证方法对初始销量预测模型进行训练,得到所述综合销量预测模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1-7中任一项所述的商品销量预测方法。
10.一种非暂态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如权利要求1-7中任一项所述的商品销量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310467809.4A CN116188061B (zh) | 2023-04-27 | 2023-04-27 | 商品销量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310467809.4A CN116188061B (zh) | 2023-04-27 | 2023-04-27 | 商品销量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188061A CN116188061A (zh) | 2023-05-30 |
CN116188061B true CN116188061B (zh) | 2023-10-17 |
Family
ID=86452652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310467809.4A Active CN116188061B (zh) | 2023-04-27 | 2023-04-27 | 商品销量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188061B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402241B (zh) * | 2023-06-08 | 2023-08-18 | 浙江大学 | 一种基于多模型的供应链数据预测方法及装置 |
CN116957471B (zh) * | 2023-07-29 | 2024-03-19 | 京品高科信息科技(北京)有限公司 | 一种智能零售服务方法、***、电子设备及存储介质 |
CN117314516A (zh) * | 2023-09-19 | 2023-12-29 | 深圳市通商宝科技有限公司 | 一种数字卡券的管理方法以及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN112686713A (zh) * | 2021-01-21 | 2021-04-20 | 海澜智云科技有限公司 | 基于人工智能的服装销量预测方法、***以及设备 |
CN113205232A (zh) * | 2021-06-07 | 2021-08-03 | 北京橙心无限科技发展有限公司 | 商品销量数据预测方法、装置、设备、介质及产品 |
CN113962745A (zh) * | 2021-10-30 | 2022-01-21 | 重庆长安汽车股份有限公司 | 基于prophet模型及大数据的销量预测方法和*** |
CN115860800A (zh) * | 2022-12-22 | 2023-03-28 | 北京数势云创科技有限公司 | 一种节假日商品销量预测方法、装置及计算机存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090006182A1 (en) * | 2007-06-29 | 2009-01-01 | Mark Andrew Gammon | Forecasting Volume for a Promotion |
US11568432B2 (en) * | 2020-04-23 | 2023-01-31 | Oracle International Corporation | Auto clustering prediction models |
-
2023
- 2023-04-27 CN CN202310467809.4A patent/CN116188061B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN111445134A (zh) * | 2020-03-26 | 2020-07-24 | 珠海随变科技有限公司 | 商品的销量预测方法、装置、计算机设备和存储介质 |
CN112686713A (zh) * | 2021-01-21 | 2021-04-20 | 海澜智云科技有限公司 | 基于人工智能的服装销量预测方法、***以及设备 |
CN113205232A (zh) * | 2021-06-07 | 2021-08-03 | 北京橙心无限科技发展有限公司 | 商品销量数据预测方法、装置、设备、介质及产品 |
CN113962745A (zh) * | 2021-10-30 | 2022-01-21 | 重庆长安汽车股份有限公司 | 基于prophet模型及大数据的销量预测方法和*** |
CN115860800A (zh) * | 2022-12-22 | 2023-03-28 | 北京数势云创科技有限公司 | 一种节假日商品销量预测方法、装置及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
常炳国 ; 臧虹颖 ; 廖春雷 ; 毛丹华 ; .基于选择性集成ARMA组合模型的零售业销量预测.计算机测量与控制.2018,(第05期),全文. * |
王建伟 ; .基于商品聚类的电商销量预测.计算机***应用.2016,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116188061A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chandriah et al. | RNN/LSTM with modified Adam optimizer in deep learning approach for automobile spare parts demand forecasting | |
CN116188061B (zh) | 商品销量预测方法、装置、电子设备及存储介质 | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
WO2020024718A1 (zh) | 外汇交易量预测方法和装置 | |
CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用*** | |
CN114549046A (zh) | 基于融合模型的销售预测方法、***、设备及存储介质 | |
US20210312488A1 (en) | Price-Demand Elasticity as Feature in Machine Learning Model for Demand Forecasting | |
Adur Kannan et al. | Forecasting spare parts sporadic demand using traditional methods and machine learning-a comparative study | |
Chen et al. | A multiobjective optimization for clearance in walmart brick-and-mortar stores | |
Tarafdar et al. | An advanced learned type-3 fuzzy logic-based hybrid system to optimize inventory cost for a new business policy | |
Andrade et al. | Disaggregated retail forecasting: A gradient boosting approach | |
US20230419184A1 (en) | Causal Inference Machine Learning with Statistical Background Subtraction | |
Tajik et al. | A novel two-stage dynamic pricing model for logistics planning using an exploration–exploitation framework: A multi-armed bandit problem | |
Ratre et al. | Sales prediction using arima, facebook’s prophet and xgboost model of machine learning | |
US11042837B2 (en) | System and method for predicting average inventory with new items | |
Shahrabi | A quantitative analysis of inaccuracy inventory reducing in multi-period mode: Comparison between RFID and inventory counting | |
Praveena | A Hybrid Demand Forecasting for Intermittent Demand Patterns using Machine Learning Techniques | |
Garnier | Concurrent neural network: a model of competition between times series | |
Alamdar et al. | A deep Q-learning approach to optimize ordering and dynamic pricing decisions in the presence of strategic customers | |
Alfonso-Sánchez et al. | Optimizing credit limit adjustments under adversarial goals using reinforcement learning | |
Vaitkus et al. | Electrical spare parts demand forecasting | |
Coşgun et al. | Analysis of cross-price effects on markdown policies by using function approximation techniques | |
Armando et al. | A Meta-Model for Fashion Retail Category Sales Forecasting | |
Agarwal et al. | Support vector machine model for demand forecasting in an automobile parts industry: A case study | |
Frankeová et al. | Fuzzy-expert system for customer behavior prediction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |