CN108764646A - 一种销量预测方法及计算设备 - Google Patents

Abstract

本发明公开了一种销量预测方法，适于在计算设备中执行，方法包括：获取历史宏观经济指标、用户对商品的历史浏览数据和商品的历史销量数据；将历史销量数据去除历史各年移动假日影响期的移动假日效应，以得到第一销量数据，移动假日效应表示移动假日对用户购买商品的影响；以及至少根据第一销量数据、历史宏观经济指标和历史浏览数据，利用销量预测模型来对商品在待测时间的销量进行预测。本发明还公开了对应的计算设备和可读存储介质。

Description

一种销量预测方法及计算设备

技术领域

本发明涉及数据处理技术领域，特别涉及一种销量预测方法及计算设备。

背景技术

在商品销售行业，销量预测是一项不可缺少的参考指标，无论企业的规模大小和人员多少，销量预测影响到包括计划、预算和补货等确定在内的销售管理的各方面工作。

特别是在汽车销售这样采取“先生产再销售”的行业，假若厂商对于销售市场估计过于乐观，那么容易造成库存积压和物资浪费成本过高，而假若估计过于悲观，又容易丢失市场份额、从而错失盈利机会。因此，尽可能准确地对商品销量进行预测对于厂商发展和行业定位来说至关重要。

然而，现有相关技术方案通常由于数据不全面、模型不先进等原因，销量预测结果并不准确，可靠度较低。

因此，迫切需要一种更先进、准确度更高的销量预测方案。

发明内容

为此，本发明提供一种销量预测方案，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种销量预测方法，适于在计算设备中执行，方法包括：获取历史宏观经济指标、用户对商品的历史浏览数据和商品的历史销量数据；将历史销量数据去除历史各年移动假日影响期的移动假日效应，以得到第一销量数据，移动假日效应表示移动假日对用户购买商品的影响；以及至少根据第一销量数据、历史宏观经济指标和历史浏览数据，利用销量预测模型来对商品在待测时间的销量进行预测。

在根据本发明的销量预测方法中，还包括步骤：根据历史销量数据中至少位于移动假日影响期的销量数据，计算历史各年移动假日影响期的移动假日效应。

在根据本发明的销量预测方法中，根据历史销量数据中至少位于移动假日影响期的销量数据，计算历史各年移动假日影响期的移动假日效应的步骤包括：获取历史销量数据中位于移动假日影响扩展期的销量数据，移动假日影响扩展期包含移动假日影响期；利用数据分解模型，根据历史销量数据中位于移动假日影响扩展期的销量数据来计算历史各年移动假日影响期中每天的销量数据；根据历史各年移动假日影响期中每天的销量数据来计算历史各年移动假日影响期的移动假日效应。

在根据本发明的销量预测方法中，对于历史各年，利用如下数据分解模型来计算该年移动假日影响期中每天的销量数据：

公式(1)为目标函数，公式(2)为约束条件，通过优化求解方法可解得y_m,d，其中

y_m,d为m表示的月份中第d天的销量数据，y_m为m表示的月份的销量数据。为该年移动假日影响扩展期，m为该年移动假日影响扩展期中的元素，M为该年移动假日影响期，n为该年移动假日影响期中的元素，m和n均指明年份和月份，n₁、n₂分别为该年移动假日影响期中的第一个元素和第二个元素，d为对应月份中的天，d_l、d_l-1分别为对应月份中的最后一天和倒数第二天。

在根据本发明的销量预测方法中，对于历史各年，可以利用如下公式计算该年移动假日影响期的移动假日效应：

n为该年移动假日影响期中的元素，S_n为n表示的月份的移动假日效应，s_n,d为n表示的月份中第d天的移动假日效应，y_n,d为历史销量数据中n表示的月份中第d天的销量数据，y_nnext,d为历史销量数据中n_next表示的月份中第d天的销量数据，M_next为下一年移动假日影响期，n_next为该下一年移动假日影响期中的元素，d为对应月份中的天，为该年移动假日影响期所包含的月份个数。

在根据本发明的销量预测方法中，还包括步骤：利用假日效应预测模型来对待测时间移动假日影响期的移动假日效应进行预测；以及所述至少根据第一销量数据、历史宏观经济指标和历史浏览数据，利用销量预测模型来对商品在待测时间的销量进行预测的步骤包括：至少根据所述第一销量数据、所述历史宏观经济指标、所述历史浏览数据、以及预测得到的移动假日效应，利用销量预测模型来对所述商品在待测时间的销量进行预测。

在根据本发明的销量预测方法中，还包括步骤：在利用假日效应预测模型来对待测时间所包含的移动假日影响期的移动假日效应进行预测之前，根据历史各年移动假日影响期的移动假日效应训练得到所述假日效应预测模型。

在根据本发明的销量预测方法中，利用假日效应预测模型来对待测时间移动假日影响期的移动假日效应进行预测的步骤包括：对于待测时间对应年度，根据该年的移动假日影响期生成该年的移动假日影响区间；将该年的移动假日影响区间根据该年的移动假日影响区间模版进行转换，以生成该年的标准假日影响区间；利用所述假日效应预测模型，根据该年的标准假日影响区间对该年移动假日影响期的移动假日效应进行预测。

在根据本发明的销量预测方法中，移动假日影响区间模版包括假日前区间模版和假日后区间模版，对于待测时间对应年度，生成该年的标准假日影响区间的步骤包括：基于该年移动假日实际出现日，将该年的移动假日影响区间划分为假日前区间和假日后区间；将该年的假日前区间根据假日前区间模版进行转换，以生成该年的标准假日前区间，并将该年的假日后区间根据假日后区间模版进行转换，以生成该年的标准假日后区间；将该年的标准假日前区间和标准假日后区间组合构成该年的标准假日影响区间。

在根据本发明的销量预测方法中，假日前区间模版为T_M1＝{k₁|1≤k₁≤K_m}，假日后区间模版为T_M2＝{k₂|K_m≤k₂≤N}，假日前区间为T₁＝{k₁|1≤k₁≤K}，假日后区间为T₂＝{k₂|K≤k₂≤N}，根据如下公式对该年的假日前区间的每个元素进行转换：其中k_s1为标准假日前区间的元素；以及根据如下公式对该年的假日后区间的每个元素进行转换：其中k_s2为标准假日后区间的元素。

在根据本发明的销量预测方法中，利用如下假日效应模型对待测时间所包含的移动假日影响期的移动假日效应进行预测：

其中，s_n,d为n月第d天的移动假日效应，k_s为标准假日影响区间T_s的元素，各参数A,α,β,a,b的取值可通过训练得到。

在根据本发明的销量预测方法中，至少根据第一销量数据、历史宏观经济指标、历史浏览数据、以及预测得到的移动假日效应，利用销量预测模型来对商品在待测时间的销量进行预测的步骤包括：利用季节调整模型，分别对所述第一销量数据、历史浏览数据和历史宏观经济指标进行分解，以得到第一销量数据的第一趋势周期项和第一季节项、历史浏览数据的第二趋势周期项、以及历史宏观经济指标的第三趋势周期项；利用销量预测模型，至少根据第一趋势周期项、第二趋势周期项、第三趋势周期项和预测得到的移动假日效应来对商品在待测时间的销量进行预测。

在根据本发明的销量预测方法中，季节调整模型包括X12-ARIMAX模型。

在根据本发明的销量预测方法中，利用销量预测模型，至少根据第一趋势周期项、第二趋势周期项、第三趋势周期项和预测得到的移动假日效应来对商品在待测时间的销量进行预测的步骤包括：对第二趋势周期项和第三趋势周期项进行主成分分析，以得到至少一个综合影响因子；利用销量预测模型，至少根据第一趋势周期项、预测得到的移动假日效应、以及至少一个综合影响因子来对商品在待测时间的销量进行预测。

在根据本发明的销量预测方法中，销量预测模型包括第一预测模型和第二预测模型，所述利用销量预测模型，至少根据第一趋势周期项和至少一个综合影响因子来对商品在待测时间的销量进行预测的步骤包括：利用第一预测模型，根据第一趋势周期项和至少一个综合影响因子来预测得到商品在待测时间的初始销量；利用第二预测模型，根据初始销量、第一季节项和预测得到的移动假日效应来预测得到商品在待测时间的最终销量。

在根据本发明的销量预测方法中，第一预测模型包括如下带有外部自变量的ARIMAX模型：

其中，i为商品标识，表示预测得到的待测时间t+j的初始销量，表示自回归项，P表示自回归项阶数，表示自回归项系数，是时间t-p的第一趋势周期项。表示移动平均项，Q表示移动平均项阶数，ψ_q表示移动平均项系数，是随机噪音项。为外部自变量，是第u个综合影响因子在时间t的取值。 ψ_q、P和Q为通过历史销量数据训练得到的参数。

在根据本发明的销量预测方法中，利用如下第二预测模型来预测得到商品在待测时间的最终销量：

其中，i为商品标识，表示预测得到的待测时间t+j的初始销量，表示预测得到的商品在待测时间t+j的移动假日效应，，表示基于所述第一季节项预测得到的待测时间t+j的季节性波动。

在根据本发明的销量预测方法中，根据如下公式来预测待测时间的季节性波动：

其中，为待测时间t+j的对应年度前一年的、待测时间t+j的对应月份的第一波动项，为待测时间t+j的对应年度前两年的、待测时间t+j的对应月份的第一波动项。

根据本发明的另一个方面，提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本发明的销量预测方法中的任一方法的指令。

根据本发明的还有一个方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行根据本发明的销量预测方法中的任一方法。

根据本发明的销量预测方法，不仅采集历史销量数据，还多层面地采集诸如包括进口总值、出口总值等等的宏观经济指标、包括资讯流量、商品库流量等等的用户浏览数据，通过全面而丰富的数据输入和先进的诸如X12-ARIMAX、ARIMAX等预测模型进行销量预测，有效提高了预测的精度和准确度，实现了更宽时间范围的销量预测；此外，还通过移动假日模型，充分考虑到了移动假日对销量的影响，进一步提高了预测的精度和准确度。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示例性地示出计算设备100的结构框图；

图2示例性地示出根据本发明一个实施例的销量预测方法200的流程图；

图3示例性地示出根据本发明一个实施例的历史销量数据与第一销量数据的对比示意图；

图4A、图4B和图4C分别示例性地示出根据本发明一个实施例的第一趋势周期项、第一季节项和第一不规则项的示意图；以及

图5示例性地示出根据本发明一个实施例的预测得到的最终销量与实际销量的对比示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示例性地示出计算设备100的结构框图。该计算设备100可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和网络服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。此外，计算设备100还可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。

在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器((μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元

(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器218可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个程序122以及程序数据124。在一些实施方式中，程序122可以被配置为在操作系统上由一个或者多个处理器104利用程序数据124执行指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

其中，计算设备100的一个或多个程序122包括用于执行根据本发明的销量预测方法中任一方法的指令。

图2示例性地示出了根据本发明一个实施例的销量预测方法200的流程图。如图2所示，销量预测方法200始于步骤S210。

在步骤S210中，可以获取历史宏观经济指标、用户对商品的历史浏览数据和该商品的历史销量数据。

此处，宏观经济指标指的是国家用于表示宏观经济情况的一些指标，通常可以在国家统计局处获取。宏观经济指标具体可以包括以下指标项中的至少一个：居民消费价格指数、商品零售价格指数、生产者物价指数、采购经理指数、进口总值、出口总值、国家财政收入和货币供应量等等，历史宏观经济指标可以包括至少一个指标项的历史数据，通常每个指标项的历史数据均为月度数据，并可以表示为以月为时间单位的时间序列。

例如，居民消费价格指数的历史数据(2017年03月至2017年12月)可以表示为：

(CPI²⁰¹⁷⁰³,CPI²⁰¹⁷⁰⁴,CPI²⁰¹⁷⁰⁵,CPI²⁰¹⁷⁰⁶,CPI²⁰¹⁷⁰⁷,CPI²⁰¹⁷⁰⁸,CPI²⁰¹⁷⁰⁹,CPI²⁰¹⁷¹⁰,CPI²⁰¹⁷¹¹,CPI²⁰¹⁷¹²)＝(100.9，101.2，101.5，101.5，101.4，101.8，101.6，101.9，101.7，101.8)

CPI^t为t时间的居民消费价格指数，时间t指明年份和月份。例如，201703表示2017年03月，CPI²⁰¹⁷⁰³表示2017年03月的居民消费价格指数，其数值为100.9。

用户对商品的浏览数据基于用户对该商品的浏览行为而产生，通常可以包括以下数据项中的至少一个：资讯流量、商品库流量、对比次数、社区流量、口碑评价、线上到店数、销售线索数、商品报价流量等等。历史浏览数据可以包括至少一个数据项的历史数据。与历史宏观经济指标类似地，每个数据项的历史数据同样为月度数据，并表示为以月为时间单位的时间序列。

通常地，资讯流量可以理解为关于该商品的网络页面的点击量，商品库流量可以理解为显示该商品参数的网络页面的点击量，对比次数可以理解为该商品与其他可替代商品进行对比的次数，社区流量可以理解为关于该商品的讨论区的网络页面的点击量，口碑评价可以理解为在网络上关于该商品的评价条数，线上到店数可以理解为该商品的网络销售渠道的访问次数，销售线索数可以理解为用户在网络上表露购买意愿的次数，商品报价流量可以理解为显示该商品价格的网络页面的点击量。

例如，某商品在2017年03月的浏览数据可以如下：

和分别为商品在t时间的资讯流量、商品库流量、对比次数、社区流量、口碑评价、线上到店数、销售线索数和商品报价流量。时间t指明年份和月份，i指示商品，通常为商品型号之类的商品标识(例如在汽车行业，i可以表示车型)。例如，201703表示2017年03月， 和分别表示商品在2017年03月的资讯流量、商品库流量、对比次数、社区流量、口碑评价、线上到店数、销售线索数和商品报价流量。

商品的历史销量数据则可以表示过去商品销售的实际情况，其通常也为月度数据，同样可以表示为以月为时间单位的时间序列。

获取上述数据之后，在步骤S220中，将所获取的历史销量数据去除历史各年移动假日影响期的移动假日效应，以得到第一销量数据。

此处，移动假日是指每年在阳历(以公元纪年的日历)中出现的日期不同、且在一段时期内变动的假日，例如中国的春节、中秋节、端午节、清明节。移动假日效应则表示移动假日对用户购买商品的影响。可以理解地，诸如历史销量数据此类的时间序列实际上是一段时间内销量水平的综合反映，容易受到移动假日的影响。该影响通常出现在移动假日前后一段时间，该移动假日前后一段时间也被称为移动假日影响期。

移动假日影响期也通常以月为时间单位。以春节为例，春节一般位于公历的1月或者2月，通常认为每年12月至次年3月这四个月存在移动假日效应，也就是春节效应。因此，每年春节的移动假日影响期为该年12月至次年3月。

通常地，每年的移动假日影响期可以表示为包含多个元素的集合M，集合M中元素按时间顺序排列，每一个元素表示该年移动假日影响期中的一个月份，集合M中元素个数为移动假日影响期包括的月份个数。

例如，2017年春节的移动假日影响期M可以表示为M＝{201712，201801，201802，201803}，201712、201801、201802、201803为2017年春节的移动假日影响期M中的元素，其指明了年份和月份。

根据一个实施例，步骤S220可以包括：根据历史销量数据中至少位于移动假日影响期的销量数据，计算历史各年移动假日影响期的移动假日效应。其中，至少位于移动假日影响期的销量数据可以是位于移动假日影响期的销量数据，也可以是位于移动假日影响扩展期的销量数据。移动假日影响扩展期包含移动假日影响期，但比移动假日影响期的时间范围更大，通常可以为移动假日影响期前几个月至移动假日影响期后几个月。例如每年春节的移动假日影响扩展期可以为该年11月至次年4月，一共6个月。

通常地，每年的移动假日影响扩展期可以表示为包含多个元素的集合集合中元素按时间顺序排列，每一个元素表示该年移动假日影响扩展期中的一个月份，集合中元素个数为移动假日影响扩展期包括的月份个数。

例如，2017年的移动假日影响扩展期可以表示为 201711、201712、201801、201802、201803、201804为2017年春节的移动假日影响扩展期中的元素，其指明了年份和月份。

具体地，可以先获取历史销量数据中移动假日影响期、或者移动假日影响扩展期的销量数据，据此计算历史各年移动假日影响期中每天的销量数据。

根据一个实施例，对于历史各年，可以利用如下数据分解模型来计算该年移动假日影响期中每天的销量数据：

公式(1)为目标函数，公式(2)为约束条件，通过优化求解方法可解得y_m,d，

为该年移动假日影响扩展期，m为该年移动假日影响扩展期中的元素，m指明年份和月份。M为该年移动假日影响期，n为该年移动假日影响期M中的元素，n指明年份和月份。y_m,d为m表示的月份中第d天的销量数据，y_m为m表示的月份的销量数据。n₁、n₂分别为移动假日影响期M中的第一个元素和第二个元素。d为对应月份中的天，d_l、d_l-1分别为对应月份中的最后一天和倒数第二天。例如，m＝201712，2017年12月共有31天，则对应地，d＝1,2,3,...,31，d_l＝31，d_l-1＝30。

将历史各年移动假日影响扩展期的销量数据代入上述数据分解模型，而后优化求解，即可得到历史各年移动假日影响扩展期中每天的销量数据，自然也相应得到历史各年移动假日影响期中每天的销量数据。

以春节为例，各年春节的移动假日影响扩展期为该年11月至次年4月，移动假日影响期为该年12月至次年3月。下面以2017年为例来描述2017年春节的移动假日影响期中每天的销量数据的计算过程。

2017年，其春节的移动假日影响扩展期为2017年11月至2018年4月，即其春节的移动假日影响期为2017年12月至2018年3月，即M＝{201712，201801，201802，201803}。

对应的数据分解模型如下：

将2017年11月至2018年4月的销量数据代入该数据分解模型，通过优化求解方法可解得2017年11月至2018年4月中每一天的销量。

这样，在得到历史各年移动假日影响期中每天的销量数据之后，可以据此来计算历史各年移动假日影响期中每天的移动假日效应。

根据一个实施例，对于历史各年，计算该年移动假日影响期中每天的移动假日效应可以如下：

计算历史销量数据中下一年移动假日影响期中每天的销量数据之和，将历史销量数据中该年移动假日影响期中每天的销量数据除以所得到的下一年移动假日影响期中每天的销量数据之和，再乘以移动假日影响期所包含的月份个数，即可得到该年移动假日影响期中每天的移动假日效应。也就是说，可以利用下述公式计算该年移动假日影响期中每天的移动假日效应：

s_n,d为n表示的月份中第d天的移动假日效应，y_n,d为历史销量数据中n表示的月份中第d天的销量数据，为历史销量数据中n_next表示的月份中第d天的销量数据，M_next为下一年移动假日影响期，n_next为该下一年移动假日影响期M_next中的元素，d为对应月份中的天，例如，n＝201712，2017年12月共有31天，则对应地，d＝1,2,3,...,31。为移动假日影响期所包含的月份个数。

以2017年春节为例，2018年春节的移动假日影响期M_next＝{201812,201901,201902,201903}，那么2017年12月20日的移动假日效应s_201712,20如下：

在得到历史各年移动假日影响期中每天的移动假日效应之后，可以据此求和得到历史各年移动假日影响期的移动假日效应。

具体地，对于历史各年，可根据如下公式来求和得到该年移动假日影响期中每月的移动假日效应：

其中，S_n为n表示的月份的移动假日效应，n为移动假日影响期中的元素，d为对应月份中的天。以2017年春节为例，2017年12月春节的移动假日效应

根据一个实施例，步骤S220还可以包括：在得到历史各年移动假日影响期的移动假日效应之后，利用如下公式计算得到第一销量数据：

其中，i指示商品，t为时间，并指明年份和月份，为历史销量数据中位于时间t的销量数据，为第一销量数据中位于时间t的销量数据，为时间t的移动假日效应。

可以理解地，当时间t属于该年的移动假日影响期(n＝t)时，时间t的移动假日效应当时间t不属于该年的移动假日影响期(n≠t)时，不存在移动假日效应，时间t的移动假日效应

图3示例性地示出了根据本发明一个实施例的历史销量数据与第一销量数据的对比示意图。

而后在步骤S230中，至少根据第一销量数据、历史宏观经济指标和历史浏览数据，利用销量预测模型来对商品在所述待测时间的销量进行预测。

其中，根据本发明的一个实施例，可以先利用假日效应预测模型来对待测时间所包含的移动假日影响期的移动假日效应进行预测，该假日效应预测模型可以利用历史各年移动假日影响期的移动假日效应训练得到。

下面将对假日效应预测模型的训练过程进行详细描述。

首先，根据一个实施例，对于历史各年，可以根据该年移动假日影响期生成该年的移动假日影响区间。

生成的移动假日影响区间可以为T＝{k|1≤k≤N}，也就是{1，2，3，4，…，N-1，N}，其中区间长度为N，N为移动假日影响期的总天数。移动假日影响期中的每天与移动假日影响区间中的各元素一一对应。由上可知，n为移动假日影响期中的元素，d为对应月份中的天，那么(n,d)可唯一确定移动假日影响期中一天，同时，(n,d)也可唯一确定移动假日影响区间中的元素k，该元素k等于移动假日影响期中第一个月份第一天至(n,d)指示的日期这一段时间的总天数。例如(201712，20)为2017年12月20日，对应于2017年移动假日影响区间中的k＝20。又例如，(201801，01)为2018年1月1日，对应于2017年移动假日影响区间中的k＝31+1＝32。

以春节为例，每年春节的移动假日影响期为该年12月至次年3月，对应生成的移动假日影响区间T＝{k|1≤k≤N}中N等于该年12月天数、次年1月天数、次年2月天数以及次年3月天数之和。而12月、1月、3月均固定有31天，因此N等于93与次年2月天数之和。例如，在2017年，2月天数为28天，则2017年春节的移动假日影响区间T＝{k|1≤k≤121}。

而后，对于历史各年，将该年的移动假日影响区间根据该年的移动假日影响区间模版进行转换，以生成该年的标准假日影响区间。

具体地，可以先生成该年的移动假日影响区间模版，该年的移动假日影响区间模版包括假日前区间模版和假日后区间模版。具体地，假设移动假日出现在每年的固定日期，对于历史各年，可以获取该年的该固定日期所对应的移动假日区间中的元素K_m，则可以据此生成假日前区间模版T_M1＝{k₁|1≤k₁≤K_m}和假日后区间模版T_M2＝{k₂|K_m≤k₂≤N}。

同时，基于该年移动假日实际出现日，可以将该年的移动假日影响区间划分为假日前区间T₁＝{k₁|1≤k₁≤K}和假日后区间T₂＝{k₂|K≤k₂≤N}，其中K为该年移动假日实际出现日所对应的该年移动假日区间中的元素。

接着，将该年的假日前区间根据假日前区间模版进行转换，以生成该年的标准假日前区间。将该年的假日后区间根据假日后区间模版进行转换，以生成该年的标准假日后区间。该年的标准假日前区间和标准假日后区间组合构成该年的标准假日影响区间。

根据一个实施例，可以根据如下公式对该年的假日前区间的每个元素进行转换：

其中k_s1为标准假日前区间T_s1的元素。

最后生成的标准假日前区间T_s1如下：

根据一个实施例，可以根据如下公式对该年的假日后区间的每个元素进行转换：

其中k_s2为标准假日后区间T_s2的元素。

最后生成的标准假日后区间T_s2如下：

标准假日前区间T_s1和标准假日后区间T_s2组合构成标准假日影响区间T_s如下：

其中，假设标准假日影响区间T_s的元素为k_s，则在K_m之前，k_s＝k_s1；在K_m之后，k_s＝k_s2。显然地，标准假日影响区间中的各元素按序与移动假日影响区间中的各元素一一对应，也就等同于，标准假日影响区间中的各元素按序与移动假日影响期中的每天一一对应。

接着，根据转换得到的历史各年标准假日影响区间及其对应的移动假日效应可训练得到如下假日效应模型：

其中，s_n,d为n表示的月份中第d天的移动假日效应，k_s为标准假日影响区间T_s的元素，各参数A,α,β,a,b的取值可通过训练得到。

得到上述假日效应模型之后，即可以利用该假日效应模型对待测时间所包含的移动假日影响期的移动假日效应进行预测。具体地，需要先根据待测时间对应年度的移动假日影响期生成对应年度的移动假日影响区间，再将该对应年度的移动假日影响区间根据对应年度的移动假日影响区间模版进行转换，以生成对应年度的标准假日影响区间。详细内容已在上文对假日效应预测模型的训练过程的描述中介绍，此处不再赘述。

最后将待测时间所包含的标准假日影响区间各元素代入假日效应预测模型中进行计算，即可得到待测时间所包含的移动假日影响期中每天的移动假日效应。将待测时间所包含的移动假日影响期中每天的移动假日效应求和即可得到待测时间所包含的移动假日影响期的移动假日效应。

其中，S_n为n表示的月份的移动假日效应，n为移动假日影响期中的元素，d为对应月份中的天。以2080年春节为例，2080年12月春节的移动假日效应

之后，根据上述第一销量数据、历史宏观经济指标、历史浏览数据、以及预测得到的移动假日效应，利用销量预测模型来对商品在待测时间的销量进行预测。

具体地，可以先利用季节调整模型，分别对第一销量数据、历史浏览数据和历史宏观经济指标进行分解，以去除季节性波动。

其中，对第一销量数据可以分解得到第一销量数据的第一趋势周期项、第一季节项和第一不规则项，对历史浏览数据可以分解得到历史浏览数据的第二趋势周期项、第二季节项和第二不规则项，对历史宏观经济指标可以分解得到历史宏观经济指标的第三趋势周期项、第三季节项和第三不规则项。

此处，季节项是时间序列在一年内重复出现的周期性波动。它是诸如气候条件、生产条件、节假日或人们的风俗习惯等各种因素影响的结果。不规则项是时间序列中除去趋势周期项和季节项之后的随机波动。

所有趋势周期项、季节项和不规则项同样为以月为时间单位的时间序列。

根据一个实施例，季节调整模型可以为X12-ARIMAX模型。

具体而言，可以按照X12-ARIMAX模型中加法模型(Y_t＝T_t+S_t+I_t)、或乘法模型(Y_t＝T_t×S_t×I_t)、或对数加法模型(InY_t＝InT_t+InS_t+InI_t)、或伪加法模型(Y_t＝T_t(S_t+I_t-1))、或混合模型 对第一销量数据、历史浏览数据和历史宏观经济指标进行分解，本发明对此不做限制。其中，Y_t为原时间序列，T_t、S_t、I_t分别为趋势周期项、季节项和不规则项。

假设按照X12-ARIMAX模型中的乘法模型，将第一销量数据分解为

其中，分别为分解得到的第一趋势周期项、第一季节项和第一不规则项。图4A、图4B和图4C分别示例性地示出了根据本发明一个实施例的第一趋势周期项、第一季节项和第一不规则项的示意图。

同时，对历史宏观经济指标中各指标项的历史数据、以及历史浏览数据中各数据项的历史数据进行类似分解，可以得到至少一个第二趋势周期项和至少一个第三趋势周期项。

最后，可以利用销量预测模型，根据上述第一趋势周期项、第二趋势周期项、第三趋势周期项和预测得到的移动假日效应来对商品在待测时间的销量进行预测。

其中，根据本发明的一个实施例，还可以对上述得到的第二趋势周期项和第三趋势周期项进行主成分分析，以得到至少一个综合影响因子。之后则利用销量预测模型，根据上述第一趋势周期项、至少一个综合影响因子和预测得到的移动假日效应来对商品在待测时间的销量进行预测。这样可以在保证数据信息不损失的情况下，简化模型输入。

根据本发明的另一个实施例，销量预测模型可以包括第一预测模型和第二预测模型。可以先利用第一预测模型，根据第一趋势周期项和至少一个综合影响因子来预测得到商品在待测时间的初始销量。

其中第一预测模型可以是带有外部自变量的ARIMAX模型，具体如下：

其中，表示自回归项，P表示自回归项阶数，表示自回归项系数，是时间t-p(也就是t指示的年度月份再往过去退p个月)的第一趋势周期项。表示移动平均项，Q表示移动平均项阶数，ψ_q表示移动平均项系数，是随机噪音项。是外部自变量，是商品型号为i的商品的第u个综合影响因子在时间t的取值。此外，ψ_q、P和Q为通过历史销量数据训练得到的参数。具体地，和ψ_q是可以使用迭代法求解得到取值的参数，P和Q的取值则可以通过R语言中的函数auto.arima()自动获得。

表示预测得到的待测时间t+j(也就是t指示的年度月份再往将来推j个月)的初始销量。其中，根据一个实施例，j＝1,2,3,4,5,6。

而后，可以利用第二预测模型，根据初始销量、第一季节项和预测得到的移动假日效应来预测得到商品在待测时间的最终销量。

根据一个实施例，第二预测模型可以如下：

其中，表示预测得到的待测时间t+j的初始销量，表示预测得到的商品在待测时间t+j的移动假日效应。可以理解地，若待测时间t+j属于对应年度移动假日影响期(n＝t+j)，则若待测时间t+j不属于对应年度移动假日影响期(n≠t+j)时，不存在移动假日效应，待测时间t+j的移动假日效应

此外，为预测得到的待测时间t+j的季节性波动。根据一个实施例，可以根据第一波动项来预测待测时间的季节性波动。具体地，可以根据如下公式来预测：

其中，为待测时间对应年度前一年的、待测时间对应月份的第一波动项，为待测时间对应年度前两年的、待测时间对应月份的第一波动项。例如，t+j＝201801，那么可以根据如下公式来预测20181月的季节波动：

根据本发明的销量预测方法，采集包括诸多指标项的宏观经济指标、包括诸多数据项的用户浏览数据，通过全面而丰富的数据输入和先进的诸如X12-ARIMAX、ARIMAX等模型进行销量预测，有效提高了预测的精度和准确度，实现了更宽时间范围的销量预测。此外，还通过移动假日模型，充分考虑到了移动假日对销量的影响，进一步提高了预测的的精度和准确度。

图5示例性地示出了根据本发明一个实施例的预测得到的最终销量与实际销量的对比示意图。如图5所示，根据本发明的销量预测方法所预测得到的最终销量与实际销量相当吻合，证明了本发明的优越性。

应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的该程序代码中的指令，执行本发明的各种方法。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本发明还可以包括：A9、如A8所述的方法，其中，所述移动假日影响区间模版包括假日前区间模版和假日后区间模版，对于待测时间对应年度，生成该年的标准假日影响区间的步骤包括：基于该年移动假日实际出现日，将该年的移动假日影响区间划分为假日前区间和假日后区间；将该年的假日前区间根据假日前区间模版进行转换，以生成该年的标准假日前区间，并将该年的假日后区间根据假日后区间模版进行转换，以生成该年的标准假日后区间；将该年的标准假日前区间和标准假日后区间组合构成该年的标准假日影响区间。A10、如A9所述的方法，其中，假日前区间模版为T_M1＝{k₁|1≤k₁≤K_m}，假日后区间模版为T_M2＝{k₂|K_m≤k₂≤N}，假日前区间为T₁＝{k₁|1≤k₁≤K}，假日后区间为T₂＝{k₂|K≤k₂≤N}，根据如下公式对该年的假日前区间的每个元素进行转换：其中k_s1为标准假日前区间的元素；以及根据如下公式对该年的假日后区间的每个元素进行转换：其中k_s2为标准假日后区间的元素。A11、如A6-10中任一项所述的方法，其中，利用如下假日效应模型对待测时间所包含的移动假日影响期的移动假日效应进行预测：

其中，s_n,d为n月第d天的移动假日效应，k_s为标准假日影响区间T_s的元素，各参数A,α,β,a,b的取值可通过训练得到。A12、如A6所述的方法，其中，所述至少根据第一销量数据、历史宏观经济指标、历史浏览数据、以及预测得到的移动假日效应，利用销量预测模型来对商品在待测时间的销量进行预测的步骤包括：利用季节调整模型，分别对所述第一销量数据、所述历史浏览数据和所述历史宏观经济指标进行分解，以得到所述第一销量数据的第一趋势周期项和第一季节项、所述历史浏览数据的第二趋势周期项、以及所述历史宏观经济指标的第三趋势周期项；利用所述销量预测模型，至少根据所述第一趋势周期项、第二趋势周期项、第三趋势周期项和预测得到的移动假日效应来对所述商品在待测时间的销量进行预测。A13、如A12所述的方法，其中，所述季节调整模型包括X12-ARIMAX模型。A14、如A12或13所述的方法，其中，利用所述销量预测模型，至少根据所述第一趋势周期项、第二趋势周期项、第三趋势周期项和预测得到的移动假日效应来对所述商品在待测时间的销量进行预测的步骤包括：对第二趋势周期项和第三趋势周期项进行主成分分析，以得到至少一个综合影响因子；利用所述销量预测模型，至少根据所述第一趋势周期项、预测得到的移动假日效应、以及所述至少一个综合影响因子来对所述商品在待测时间的销量进行预测。A15、如A14所述的方法，其中，所述销量预测模型包括第一预测模型和第二预测模型，所述利用销量预测模型，至少根据第一趋势周期项和至少一个综合影响因子来对商品在待测时间的销量进行预测的步骤包括：利用所述第一预测模型，根据所述第一趋势周期项和至少一个综合影响因子来预测得到商品在待测时间的初始销量；利用所述第二预测模型，根据所述初始销量、所述第一季节项和预测得到的移动假日效应来预测得到商品在待测时间的最终销量。A16、如A15所述的方法，其中，所述第一预测模型包括如下带有外部自变量的ARI MAX模型：

其中，i为商品标识，表示预测得到的待测时间t+j的初始销量，表示自回归项，P表示自回归项阶数，表示自回归项系数，是时间t-p的第一趋势周期项。表示移动平均项，Q表示移动平均项阶数，ψ_q表示移动平均项系数，是随机噪音项。为外部自变量，是第u个综合影响因子在时间t的取值。 ψ_q、P和Q为通过历史销量数据训练得到的参数。A17、如A15所述的方法，其中，利用如下第二预测模型来预测得到商品在待测时间的最终销量：

其中，i为商品标识，表示预测得到的待测时间t+j的初始销量，表示预测得到的商品在待测时间t+j的移动假日效应，，表示基于所述第一季节项预测得到的待测时间t+j的季节性波动。A18、如A17所述的方法，其中，根据如下公式来预测待测时间的季节性波动：

其中，为待测时间t+j的对应年度前一年的、待测时间t+j的对应月份的第一波动项，为待测时间t+j的对应年度前两年的、待测时间t+j的对应月份的第一波动项。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种销量预测方法，适于在计算设备中执行，所述方法包括：

获取历史宏观经济指标、用户对商品的历史浏览数据和所述商品的历史销量数据；

将所述历史销量数据去除历史各年移动假日影响期的移动假日效应，以得到第一销量数据，所述移动假日效应表示移动假日对用户购买所述商品的影响；以及

至少根据所述第一销量数据、所述历史宏观经济指标和所述历史浏览数据，利用销量预测模型来对所述商品在所述待测时间的销量进行预测。

2.如权利要求1所述的方法，其中，还包括步骤：

根据所述历史销量数据中至少位于移动假日影响期的销量数据，计算历史各年移动假日影响期的移动假日效应。

3.如权利要求2所述的方法，其中，所述根据历史销量数据中至少位于移动假日影响期的销量数据，计算历史各年移动假日影响期的移动假日效应的步骤包括：

获取历史销量数据中位于移动假日影响扩展期的销量数据，移动假日影响扩展期包含移动假日影响期；

利用数据分解模型，根据历史销量数据中位于移动假日影响扩展期的销量数据来计算历史各年移动假日影响期中每天的销量数据；

根据历史各年移动假日影响期中每天的销量数据来计算历史各年移动假日影响期的移动假日效应。

4.如权利要求3所述的方法，其中，对于历史各年，利用如下数据分解模型来计算该年移动假日影响期中每天的销量数据：

公式(1)为目标函数，公式(2)为约束条件，通过优化求解方法可解得y_m,d，其中

y_m,d为m表示的月份中第d天的销量数据，y_m为m表示的月份的销量数据。为该年移动假日影响扩展期，m为该年移动假日影响扩展期中的元素，M为该年移动假日影响期，n为该年移动假日影响期中的元素，m和n均指明年份和月份，n₁、n₂分别为该年移动假日影响期中的第一个元素和第二个元素，d为对应月份中的天，d_l、d_l-1分别为对应月份中的最后一天和倒数第二天。

5.如权利要求3或4所述的方法，其中，对于历史各年，可以利用如下公式计算该年移动假日影响期的移动假日效应：

n为该年移动假日影响期中的元素，S_n为n表示的月份的移动假日效应，s_n,d为n表示的月份中第d天的移动假日效应，y_n,d为历史销量数据中n表示的月份中第d天的销量数据，为历史销量数据中n_next表示的月份中第d天的销量数据，M_next为下一年移动假日影响期，n_next为该下一年移动假日影响期中的元素，d为对应月份中的天，为该年移动假日影响期所包含的月份个数。

6.如权利要求1所述的方法，其中，还包括步骤：

利用假日效应预测模型来对待测时间移动假日影响期的移动假日效应进行预测；以及所述至少根据第一销量数据、历史宏观经济指标和历史浏览数据，利用销量预测模型来对商品在待测时间的销量进行预测的步骤包括：

至少根据所述第一销量数据、所述历史宏观经济指标、所述历史浏览数据、以及预测得到的移动假日效应，利用销量预测模型来对所述商品在待测时间的销量进行预测。

7.如权利要求6所述的方法，其中，还包括步骤：

在利用假日效应预测模型来对待测时间所包含的移动假日影响期的移动假日效应进行预测之前，根据历史各年移动假日影响期的移动假日效应训练得到所述假日效应预测模型。

8.如权利要求6或7所述的方法，其中，所述利用假日效应预测模型来对待测时间移动假日影响期的移动假日效应进行预测的步骤包括：

对于待测时间对应年度，

根据该年的移动假日影响期生成该年的移动假日影响区间；

将该年的移动假日影响区间根据该年的移动假日影响区间模版进行转换，以生成该年的标准假日影响区间；

利用所述假日效应预测模型，根据该年的标准假日影响区间对该年移动假日影响期的移动假日效应进行预测。

9.一种计算设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1-8所述的销量预测方法中的任一方法的指令。

10.一种存储程序的可读存储介质，所述程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1-8所述的销量预测方法的中任一方法。