CN106408341A - 货品销量的预测方法及装置、电子设备 - Google Patents

Abstract

本公开是关于一种货品销量的预测方法及装置、电子设备，该方法可以包括：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。通过本公开的技术方案，可以提升对货品销量的预测准确度，有助于对销售计划的制定和实施。

Description

货品销量的预测方法及装置、电子设备

技术领域

本公开涉及终端技术领域，尤其涉及一种货品销量的预测方法及装置、电子设备。

背景技术

随着电子商城的发展和普及，销售者希望对电子商城的货品进行销量预测，从而据此制定出更为精准的销售计划。但是，相关技术中的销量预测方式并不准确，无法满足销售者的实际需求，需要销售者按照经验进行调整。实际上，销量预测的准确度十分重要，如果预测不准确而导致备货数量过多时，将带来巨大的货品积压风险，而当备货数量不足时，将导致用户无法及时购买而影响其应用体验。

发明内容

本公开提供一种货品销量的预测方法及装置、电子设备，以解决相关技术中的不足。

根据本公开实施例的第一方面，提供一种货品销量的预测方法，包括：

获取待预测货品的历史销量数据；

调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；

输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

可选的，所述第一预测模型包括：指数分布概率密度函数模型。

可选的，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。

可选的，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。

可选的，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。

可选的，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。

可选的，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。

可选的，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。

可选的，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。

可选的，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。

可选的，还包括：

向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；

将所述预测销量与所述第二时间段对应的历史销量数据进行比较；

根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。

根据本公开实施例的第二方面，提供一种货品销量的预测装置，包括：

获取单元，获取待预测货品的历史销量数据；

调取单元，调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；

输出单元，输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

可选的，所述第一预测模型包括：指数分布概率密度函数模型。

可选的，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。

可选的，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。

可选的，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。

可选的，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。

可选的，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。

可选的，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。

可选的，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。

可选的，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。

可选的，还包括：

输入单元，向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；

比较单元，将所述预测销量与所述第二时间段对应的历史销量数据进行比较；

修正单元，根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待预测货品的历史销量数据；

调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；

输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

本公开的实施例提供的技术方案可以包括以下有益效果：

由上述实施例可知，本公开通过训练得到对应于降价促销期间的第一预测模型和对应于常规销售期间的第二预测模型，可以针对是否处于降价促销期间而对销量数据进行分类预测，从而适用于经常存在降价促销行为、价格波动较大的电子产品等货品，有助于提升其预测的销量数据的准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是相关技术中的采用时间序列分解方式进行销量预测的流程图。

图2是根据一示例性实施例示出的一种货品销量的预测方法的流程图。

图3是根据一示例性实施例示出的另一种货品销量的预测方法的流程图。

图4-5是根据一示例性实施例示出的一种货品销量的预测装置的框图。

图6是根据一示例性实施例示出的一种用于货品销量的预测装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是相关技术中的采用时间序列分解方式进行销量预测的流程图。如图1所示，相关技术中的销量预测包括下述步骤：

在步骤102中，采用STL方式对历史销量数据进行时间序列分解。

其中，STL(Seasonal and Trend decomposition using Loess)是以局部加权回归作为平滑方法的时间序列分解方法；其中，Loess(locally weighted scatterplotsmoothing)为局部多项式回归拟合。

那么，通过对历史销量数据进行STL分解，可以得到季节项、趋势项和残余项三个部分，并分别对各个项执行下述处理：

在步骤104A中，对季节项进行建模与预测。

在步骤104B中，对趋势项进行建模与预测。

在步骤104C中，舍弃残余项。

其中，针对季节项创建相应的自回归移动平均模型，并基于历史销量数据进行销量预测；针对趋势项创建相应的指数回归模型，并基于历史销量数据进行销量预测；而残余项被认为属于异常数据，并直接舍弃。

在步骤106中，合并得到预测结果。

其中，由于残余项被直接舍弃，因而相当于合并季节项对应的回归移动平均模型、趋势项对应的指数回归模型分别得到的预测销量，以作为最终的预测销量数据。

但是，相关技术中的上述方式仅适用于供给与需求变化稳定、季节性和趋势性周期长、价格变化平缓的日常消费品；而对于诸如电子产品等非日常消费品，由于销售周期短、降价促销频繁、用户购买行为具有偶然性、历史销量的时间序列波动剧烈，相关技术中的上述方案的销量预测能力很差，无法满足销售者的销量预测需求。

因此，本公开通过提出一种新的货品销量的预测方案，可以解决相关技术中的上述问题。下面结合实施例进行说明：

图2是根据一示例性实施例示出的一种货品销量的预测方法的流程图，如图2所示，该方法应用于终端中，可以包括以下步骤：

在步骤202中，获取待预测货品的历史销量数据。

在本实施例中，历史销量数据可能存在数据缺失，可以通过对历史销量数据中的样本数据进行缺失数据的补全，从而提升训练得到的销量预测模型的准确度。例如，当任一销售日的销量数据缺失时，可以根据该任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量(假定销售周期为每周，当任一销售日为所处销售周期的周三时，特定销售日为相邻销售周期的周三)，并根据该任一销售日的所处销售周期相对于相邻销售周期的销量比例系数，将特定销售日的单日销量与销量比例系数的乘积作为该任一销售日的销量数据；由于每个销售周期内的销量数据具有一定的相似性，而每个销售周期内的同一相对位置的销售日的销量数据的相似度可能更大，因而可以尽可能地模拟出该任一销售日的销量数据，有助于提升训练得到的销量预测模型的准确度。

在本实施例中，历史销量数据中可能存在离群数据，即由于特殊原因导致的销量数据异常(如过高或过低)，可以通过从历史销量数据中的样本数据中剔除离群数据，从而提升训练得到的销量预测模型的准确度。例如，可以将样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围(例如该预设分布比例范围可以为95％)之外的数据时，将相应的残余项置为0(即剔除相应数据)，以更新样本数据；而对于更新后的样本数据，可以继续执行时间序列分解并计算残余项的高斯分布均值与方差，直至样本数据对应的残余项中不存在位于分布量的预设分布比例范围之外的数据，则表明已完成对离群数据的剔除。

在步骤204中，调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型。

在本实施例中，第一预测模型可以包括：指数分布概率密度函数模型。例如，可以创建该指数分布概率密度函数模型，然后利用样本数据中属于降价促销期间的促销样本数据对该指数分布概率密度函数模型进行参数训练，从而得到第一预测模型。

在本实施例中，第二预测模型可以包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。其中，常规样本数据可以被采用以周为最小单位的季节性周期进行时间序列分解，以适应于诸如电子设备等产品在电子商城的销售规律；当然，针对其他销售场景或待预测货品，可以采用其他时长的季节性周期进行时间序列分解，本公开并不对此进行限制。

在本实施例中，残余项模型可以包括基于节假日参数对残余项进行加权回归得到的回归模型。通过对用户的日常行为进行分析可知，节假日可以向用户提供更多的空余时间，尤其是对于电子商城场景下，用户具有更大可能在电子商城进行浏览和购买，因而通过对残余项进行加权回归，并且加入对节假日参数的考量，有助于配合于上述场景下的用户行为，相对于直接删除残余项，能够进一步地提升销量预测模型的销量预测的准确度。

在步骤206中，输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

在本实施例中，可以向销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；然后，通过将上述的预测销量与第二时间段对应的历史销量数据进行比较，并根据比较结果对销量预测模型进行参数修正，以减小上述的预测销量与第二时间段对应的历史销量数据之间的差值，从而提升销量预测模型的销量预测的准确度。

由上述实施例可知，本公开通过训练得到对应于降价促销期间的第一预测模型和对应于常规销售期间的第二预测模型，可以针对是否处于降价促销期间而对销量数据进行分类预测，从而适用于经常存在降价促销行为、价格波动较大的电子产品等货品，有助于提升其预测的销量数据的准确度。

为了便于理解，下面针对销量预测方案的模型训练和销量预测等阶段，结合图3对本公开的技术方案进行详细描述。图3是根据一示例性实施例示出的另一种货品销量的预测方法的流程图，如图3所示，该方法应用于终端中，可以包括以下步骤：

在步骤302中，获取待预测货品的历史销量数据中的样本数据，并对样本数据中的异常数据进行处理。

在本实施例中，待预测货品的历史销量数据往往会存在异常数据，这些异常数据对于销量预测的稳定性具有极大的消极影响，应当尽可能地提前去除相关异常数据。

在本实施例中，样本数据可以为全量历史销量数据，也可以为部分历史销量数据，比如4～6周的历史销量数据等。那么，可以仅对样本数据进行异常数据处理，以降低数据处理量；或者，也可以对全量的历史销量数据整体进行异常数据处理，本公开并不对此进行限制。

在本实施例中，异常数据可以包括数据缺失、数据离群等，本公开并不对此进行限制；下面针对数据缺失和数据离群这两种情况下的异常数据处理过程进行举例说明：

(1)数据缺失

数据缺失，即缺失部分销售日的销量数据，而本公开可以通过对这部分缺失的历史销量数据进行补全，以实现对异常数据的处理，可以提升样本数据的质量、提升预测稳定性。

在一实施例中，在对缺失数据进行补全时，需要下述两个数据：

第一、当缺失数据包括任一销售日的销量数据时，确定该任一销售日在所处销售周期中的相对位置，并在相邻销售周期中确定对应的特定销售日及其单日销量。例如，对于电子产品而言，销售周期可以短至以“周”为单位，假定缺失的该任一销售日为x周的周三，那么可以选取相邻的x-1或x+1周的周三为上述的特定销售日，并获取该特定销售日的单日销量s0。

由于该任一销售日与特定销售日处于相邻的销售周期内，且在相应的销售周期内处于同样的相对位置(都是周三)，因而可以认为该特定销售日的单日销量s0可以尽可能地贴近于该任一销售日的销量数据s。

当然，还可以选取相邻周期的其他销售日的单日销量；例如，当该任一销售日为周三时，并不一定选择相邻销售周期的周三，比如可以选择周一、周二等销售日的单日销量，或者相邻销售周期的平均单日销量，同样可以用于对该任一销售日的销量数据进行补全。

第二、该任一销售日的所处销售周期相对于相邻销售周期的销量比例系数x。按照销售周期对历史销量数据进行划分和分析，可以获得每个销售周期之间的销量关系，因而可以获得上述的销量比例系数x。

那么，通过计算特定销售日的单日销量s0与销量比例系数x的乘积，即可作为该任一销售日的销量数据s，即s＝s0×x。

(2)数据离群

离群数据是指数值与其他数据相差过大的数据，例如销量过高或过低，这些离群数据可能由于各种异常因素导致，并非可复制的正常销量，应当剔除离群数据以提升预测稳定性。

在一实施例中，可以对样本数据(假定对样本数据中的离群数据进行剔除处理)进行STL分解(可参考图1)，得到季节项、趋势项和残余项；然后，将得到的残余项计算高斯分布均值和方差，并将位于分布量的预设分布比例范围(例如分布量95％范围)之外的数据(即离群数据)对应的残余项置0，以平滑离群数据、更新样本数据。可以对得到的更新后的样本数据重复执行n(n为正整数)次上述处理，直至不存在位于分布量的预设分布比例范围之外的数据(即离群数据)为止。

在步骤304中，根据所处的销售期间，对样本数据进行分类，得到对应于降价促销期间的促销样本数据，以及对应于常规销售区间的常规样本数据。

在本实施例中，降价促销是常见的货品销售策略，必然对销量产生影响。降价促销期间可以包括降价前阶段、降价阶段和降价结束阶段，降价前阶段是发布降价促销消息后到降价实施前的阶段，该阶段的货品销量会下降；降价阶段是降价促销的实施阶段，该阶段产品销量会有明显上升；降价结束阶段是降价实施后的一个时间界限不明显的阶段，从降价阶段到降价结束阶段货品销量逐渐回归正常销量。由于电子商城(尤其是针对电子产品)的降价促销活动频繁，因而为了使得对销量的预测结果能够在该因素影响下做出迅速反应，需要实施下述两个措施：

(1)识别降价促销期间

在对降价促销期间进行识别时，可以从降价促销消息的发布日开始，以单日销量回归上月平均单日销量为结束，将该段时间作为降价促销期间，可以实现对降价促销期间的准确识别。

(2)训练出专门针对降价促销期间的第一预测模型

在本实施例中，将识别出的针对降价促销期间的样本数据作为促销样本数据，并通过下述步骤306A-308A，训练得到针对降价促销期间的第一预测模型：

在步骤306A中，建立指数分布概率密度函数模型。

在步骤308A中，通过促销样本数据，对建立的指数分布概率密度函数模型进行参数训练，得到第一预测模型。

在步骤310A中，利用第一预测模型进行销量预测，得到第一销量预测结果。

在本实施例中，第一预测模型专用于对降价促销期间的销量进行预测。通过将对应于降价促销期间的历史销量数据作为输入数据，该第一预测模型可以对未来的降价促销区间的销量进行准确预测。

当然，虽然上述实施例中以指数分布概率密度函数模型为例进行说明，但本公开中只要能够筛选出降价促销期间区间对应的促销样本数据，并专门训练得到针对降价促销期间的第一预测模型，即可实现较之相关技术中单纯的STL分解方式更为准确的销量预测数据，因而本公开并不对第一预测模型的类型进行限制。

在步骤306B中，对常规样本数据进行STL分解，得到季节项、趋势项和残余项。

在步骤308B1中，对季节项数据进行建模与预测。

在步骤308B2中，对趋势项数据进行建模与预测。

在步骤308B3中，利用节假日参数，对残余项数据进行建模与预测。

在步骤310B中，合并季节项模型、趋势项模型、残余项模型得到的预测结果进行合并，得到对应于第二预测模型的第二销量预测结果。

在本实施例中，针对常规销售期间的样本数据，即常规样本数据，本公开通过对该常规样本数据进行训练，可以得到专用于常规销售期间的第二预测模型。

在本实施例中，由于电子商城的特殊性，尤其是针对电子产品等货品类型，销售周期呈现为以“周”为单位的短期变化规律，因而可以采用以周为最小单位的季节性周期(“周”即“7日”，季节性周期可以为“7”或“7a”，其中a为正整数)进行时间序列分解(如STL分解)。

在本实施例中，涉及到针对季节项、趋势项和残余项的建模处理，下面分别进行详细介绍：

(1)季节项模型

季节项可以反映出货品销售和购买的季节性特征，即货品在每个上述的季节性周期内的销量变化特征。季节项实际上是独立的季节项时间序列，在一实施例中，可以采用自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)进行建模；其中，当存在多种预定义参数时，分别基于每一参数建立对应的ARIMA模型，然后采用BIC(bayesian information criterion，贝叶斯信息量)模型复杂度指标在不同参数对应的模型中选择最优模型，作为季节项时间序列的预测模型，即季节项模型。

(2)趋势项模型

趋势项可以反映出货品销量在货品生命周期内整体的变化趋势。趋势项实际上是独立的趋势项时间序列，在一实施例中，趋势项序列可以采用指数平滑模型进行建模；其中，当存在多种预定义参数时，分别基于每一参数建立对应的指数平滑模型，然后综合每一指数平滑模型在模型训练数据集上的SSE(The sum of squares due to error，误差平方和)和RMSE(Root mean squared error，标准差)统计指标，将表现最优的模型作为趋势项时间序列的预测模型，即趋势项模型。

(3)残余项模型

在本实施例中，残余项序列是除去季节项和趋势项后其他因素对货品销量影响的反映；由于步骤302中已经对样本数据中的离群数据进行剔除，因而残余项实际上并非异常数据，只是在每一季节性周期中的较大波动的销量数据。而结合电子商城的销售特点可知：当以周为季节性周期的最小单位时，用户往往在周末等节假日期间，拥有更多时间来浏览电子商城并购买货品，因而可以将节假日参数作为输入参数，对残余项进行加权回归得到回归模型。而通过对节假日参数的考量，使得对每个季节性周期内的销量数据的训练更为精细化，有助于进一步提升最终的销量预测的准确性。

那么，可以将上述的季节项模型、趋势项模型和残余项模型作为针对常规样本数据的第二预测模型。实际上，上述的第一预测模型与第二预测模型共同构成了本公开的销量预测模型，该销量预测模型通过对降价促销期间与常规销售期间进行区分预测，可以适应于电子商城上的销售周期短、降价促销频繁、用户购买行为具有偶然性、历史销量的时间序列波动剧烈的货品，从而使得销量预测更为准确。

进一步地，还可以通过下述步骤312-314对获得的销量预测模型进行效果检验，从而根据检验结果对销量预测模型进行修正。

在步骤312中，当样本数据为第一时间段的历史销量数据，且销量预测模型预测得到第二时间段的销量预测结果时，通过将销量预测结果与第二时间段的历史销量数据进行比较，以检验销量预测模型的预测准确度。

在步骤314，根据检验结果，对销量预测模型进行修正。

在本实施例中，每次对销量预测模型进行修正后，可以重新输入上述第一时间段的历史销量数据，以重新预测第二时间段的销量，并确定该重新预测的销量与第二时间段的历史销量数据之间的差值；那么，通过反复执行数次上述过程后，即可使得销量预测模型尽可能地贴近于实际的历史销量数据，可以有效提升该销量预测模型的预测准确度。

与前述的货品销量的预测方法的实施例相对应，本公开还提供了货品销量的预测装置的实施例。

图4是根据一示例性实施例示出的一种货品销量的预测装置框图。参照图4，该装置包括获取单元41、调取单元42和输出单元43。

获取单元41，被配置为获取待预测货品的历史销量数据；

调取单元42，被配置为调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；

输出单元43，被配置为输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

可选的，所述第一预测模型包括：指数分布概率密度函数模型。

可选的，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。

可选的，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。

可选的，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。

可选的，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。

可选的，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。

可选的，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。

可选的，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。

可选的，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。

如图5所示，图5是根据一示例性实施例示出的另一种货品销量的预测装置的框图，该实施例在前述图4所示实施例的基础上，该装置还可以包括：输入单元44、比较单元45和修正单元46。其中：

输入单元44，被配置为向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；

比较单元45，被配置为将所述预测销量与所述第二时间段对应的历史销量数据进行比较；

修正单元46，被配置为根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本公开还提供一种货品销量的预测装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

相应的，本公开还提供一种服务器，所述服务器包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

图6是根据一示例性实施例示出的一种用于货品销量的预测装置600的框图。例如，装置600可以被提供为一服务器。参照图6，装置600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理部件622的执行的指令，例如应用程序。存储器632中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。

装置600还可以包括一个电源组件626被配置为执行装置600的电源管理，一个有线或无线网络接口650被配置为将装置600连接到网络，和一个输入输出(I/O)接口658。装置600可以操作基于存储在存储器632的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (23)

1.一种货品销量的预测方法，其特征在于，包括：

获取待预测货品的历史销量数据；

调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；

输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

2.根据权利要求1所述的方法，其特征在于，所述第一预测模型包括：指数分布概率密度函数模型。

3.根据权利要求2所述的方法，其特征在于，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。

4.根据权利要求1所述的方法，其特征在于，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。

5.根据权利要求4所述的方法，其特征在于，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。

6.根据权利要求4所述的方法，其特征在于，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。

7.根据权利要求1所述的方法，其特征在于，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。

8.根据权利要求7所述的方法，其特征在于，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。

9.根据权利要求1所述的方法，其特征在于，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。

10.根据权利要求9所述的方法，其特征在于，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。

11.根据权利要求1所述的方法，其特征在于，还包括：

向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；

将所述预测销量与所述第二时间段对应的历史销量数据进行比较；

根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。

12.一种货品销量的预测装置，其特征在于，包括：

获取单元，获取待预测货品的历史销量数据；

调取单元，调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；

输出单元，输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

13.根据权利要求12所述的装置，其特征在于，所述第一预测模型包括：指数分布概率密度函数模型。

14.根据权利要求13所述的装置，其特征在于，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。

15.根据权利要求12所述的装置，其特征在于，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。

16.根据权利要求15所述的装置，其特征在于，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。

17.根据权利要求15所述的装置，其特征在于，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。

18.根据权利要求12所述的装置，其特征在于，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。

19.根据权利要求18所述的装置，其特征在于，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。

20.根据权利要求12所述的装置，其特征在于，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。

21.根据权利要求20所述的装置，其特征在于，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。

22.根据权利要求12所述的装置，其特征在于，还包括：

输入单元，向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；

比较单元，将所述预测销量与所述第二时间段对应的历史销量数据进行比较；

修正单元，根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。

23.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取待预测货品的历史销量数据；

调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；

输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。