CN108932636A - 一种商品零售预测方法及设备 - Google Patents

Abstract

本申请的目的是提供一种商品零售预测方法及设备，本申请首先通过大数据技术从不同的商家获取所有的商品在零售过程中的所有历史购买信息；之后对所有历史购买信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，保证了机器学习得到的该商品预测零售模型的准确度，以便后续能够根据该商品预测零售模型对目标商品进行零售预测，得到目标商品的预测零售量，实现了对所有商品中的目标商品进行当前或未来的零售预测，不仅为商家提供该目标商品当前或未来的补货参考信息，还便于商家能够根据预测零售量灵活应对当前或未来的零售业务相关事宜，最大限度地做到了对目标商品的零售预测。

Description

一种商品零售预测方法及设备

技术领域

本申请涉及计算机领域，尤其涉及一种商品零售预测方法及设备。

背景技术

随着互联网的飞速发展，传统行业经受着巨大的压力和挑战，线下零售业受到了网络零售的不断冲击。网购已逐步成为人们购买商品的主要方式，而且商品品类从大型家电、家具家私到居家用品、零食饮料应有尽有。许多电商企业更是根据用户的消费行为和商品的特点划分出各种细分领域，进行精细化的销售。传统的线下实体店消费模式正在转型升级，网络零售店也在汲取实体店的优势，不断创新。面对诸如“双十一”、“双十二”等的购物狂欢节，消费者的参与度空前火热。无论是线上零售企业还是线下零售企业都需要做好充分的准备，采取有效的应对措施。因此，零售企业迫切需要一种有效的方式来对未来的销售趋势进行精准预测，为决策提供可靠的支持。

发明内容

本申请的一个目的是提供一种商品零售预测方法及设备，以解决现有的零售过程中无法对商品进行零售预测的问题。

根据本申请的一个方面，提供了一种商品零售预测方法，其中，所述方法包括：

获取商品在零售过程中的所有历史购买信息；

对所有所述历史购买信息进行机器学习，得到商品预测零售模型；

根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量。

进一步地，上述商品零售预测方法中，所述历史购买信息包括商品名及其对应的购买属性信息；

所述获取商品在零售过程中的所有历史购买信息，包括：

获取商品在零售过程中的所有历史购买描述信息；

对所有所述历史购买描述信息进行特征提取，得到每个商品名及其对应的购买属性信息。

进一步地，上述商品零售预测方法中，所述对所有所述历史购买信息进行机器学习，得到商品预测零售模型，包括：

对所有所述历史购买信息中的每个商品的商品名及其对应的购买属性信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，其中，所述零售相关信息包括商品的商品名。

进一步地，上述商品零售预测方法中，所述对所有所述历史购买信息进行机器学习，得到商品预测零售模型，包括：

采用朴素贝叶斯法和线性回归算法对所有所述历史购买信息进行机器学习，得到所述商品预测零售模型；或，

采用神经网络技术对所有所述历史购买信息进行深度学习，得到所述商品预测零售模型。

进一步地，上述商品零售预测方法中，所述根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量之后，还包括：

根据所述目标商品的预测零售量对所述目标商品的零售库存进行预估，得到所述目标商品的预估库存量。

根据本申请的另一方面，还提供了一种用于商品零售预测的设备，其中，所述设备包括：

获取装置，用于获取商品在零售过程中的所有历史购买信息；

处理装置，用于对所有所述历史购买信息进行机器学习，得到商品预测零售模型；

预测装置，用于根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量。

进一步地，上述用于商品零售预测的设备中，所述历史购买信息包括商品名及其对应的购买属性信息；

所述获取装置用于：

获取商品在零售过程中的所有历史购买描述信息；

对所有所述历史购买描述信息进行特征提取，得到每个商品名及其对应的购买属性信息。

进一步地，上述用于商品零售预测的设备中，所述处理装置用于：

对所有所述历史购买信息中的每个商品的商品名及其对应的购买属性信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，其中，所述零售相关信息包括商品的商品名。

进一步地，上述用于商品零售预测的设备中，所述处理装置用于：

采用朴素贝叶斯法和线性回归算法对所有所述历史购买信息进行机器学习，得到所述商品预测零售模型；或，

采用神经网络技术对所有所述历史购买信息进行深度学习，得到所述商品预测零售模型。

进一步地，上述用于商品零售预测的设备中，所述预测装置还用于：

根据所述目标商品的预测零售量对所述目标商品的零售库存进行预估，得到所述目标商品的预估库存量。

与现有技术相比，本申请实施例提供了一种商品零售预测方法，首先通过大数据技术从不同的商家获取所有的商品在零售过程中的所有历史购买信息；之后对所有所述历史购买信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，保证了机器学习得到的该商品预测零售模型的准确度，以便后续能够根据该商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量，实现了对所有商品中的某目标商品进行当前或未来的零售预测，不仅为商家提供该目标商品当前或未来的补货参考信息，还便于商家能够根据该预测零售量灵活应对当前或未来的零售业务相关事宜，最大限度地做到了对目标商品的零售预测。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出根据本申请一个方面的一种商品零售预测方法的流程示意图；

图2示出根据本申请另一个方面的一种用于商品零售预测的设备的结构示意图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

如图1所示，本申请一实施例中提供了一种商品零售预测方法，用于智慧零售过程中对每个商品在当前或未来的零售相关信息的预测过程中，该方法具体包括：

步骤S11，获取商品在零售过程中的所有历史购买信息；在此，所述步骤S11可以通过大数据技术从分布在不同零售点的商家处获取每个商品的所有历史购买信息，该大数据技术可以包括但不限于是Hadoop技术、Spark技术及Hive技术等用于分布式获取数据的技术。需要说明的是，该历史购买信息能够完整的指示商品在购买过程中与购买相关的所有的数据信息，以便后续能够基于包含有购买过程中完整的数据信息的历史购买信息来进行机器学习。

步骤S12，对所有所述历史购买信息进行机器学习，得到商品预测零售模型，实现了根据所有所述历史购买信息来得到能够用于对任一商品进行零售预测的商品预测零售模型；

步骤S13，根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量，实现了对所有商品中的某目标商品进行当前或未来的零售预测，不仅为商家提供该目标商品当前或未来的补货参考信息，还便于商家能够根据该预测零售量灵活应对当前或未来的零售业务相关事宜，最大限度地做到了对目标商品的零售预测。

本实施例中，所述历史购买信息包括商品名及其对应的购买属性信息；该购买属性信息可以包括但不限于该商品名对应的商品被购买时对应的购买点、购买时间、购买对象(例如小孩、年轻人、中年人还是老年人，或者是男性购买者还是女性购买者等)、购买金额及购买量等，从而对用户购买商品时对所有的购买相关的信息进行全面完整的记录。

所述步骤S11中获取商品在零售过程中的所有历史购买信息，包括：

获取商品在零售过程中的所有历史购买描述信息；该历史购买描述信息用于指示商品在被用户进行购买后所记载的与购买相关所有信息，例如商品A被用户a购买后，会自动生成一条历史购买描述信息如“一女性用户a在北京时间2014年6月22日17:55分07秒在购买点1处购买2件商品A，共计36元整”。为了从所有对的历史购买描述信息中提取商品在零售过程中的关键特征，所述步骤S11在获取所有的历史购买描述信息后，采用特征提取技术对所有所述历史购买描述信息进行特征提取，得到每个商品名及其对应的购买属性信息，比如该条历史购买描述信息“一女性用户a在北京时间2014年6月22日17:55分07秒在购买点1处购买2件商品A，共计36元整”在进行特征提取之后，得到的该商品名为“商品A”，该商品A对应的购买属性信息为“用户：a，购买点：1，购买时间：北京时间2014年6月22日17:55分07秒，购买对象：女性，购买金额：36元，购买量：2件”，以此特征提取步骤对所有的历史购买描述信息进行特征提取，可以得到所有商品对应的历史购买信息，不仅实现了对所有历史购买描述信息的特征提取，还实现了对全面简洁的描述商品在零售过程中的所有信息的历史购买信息的提取，以确保获取到的商品在零售过程中的历史购买信息的完整性。

接着本申请的上述实施例，所述步骤S12对所有所述历史购买信息进行机器学习，得到商品预测零售模型，包括：

对所有所述历史购买信息中的每个商品的商品名及其对应的购买属性信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，其中，所述零售相关信息包括商品的商品名。在此，所述零售相关信息不仅可以包括商品的商品名，还可以包括商品的零售点、零售时间及零售对象等信息。例如，所述步骤S12对所有历史购买信息中的每个商品的商品名及其对应的所有维度的购买属性信息进行机器学习，得到商品预测零售模型Y＝Q^TX＝(Q1，Q2，Q3，……，QN)X，其中，Q^T用于指示商品预设零售模型中的预设零售量Y与其对应的零售相关信息X之间的映射关系(即转换关系)，该Q1，Q2，Q3，……，QN分别为用于指示商品的零售相关信息X中的各个维度属性的权重、参数指标及相关联关系等，该X用于指示商品的商品名x1，商品的零售点x2，商品的零售时间x3及商品零售对象x4等于商品对应的零售相关信息，在此对商品的零售相关信息仅为举例，该商品零售信息的维度可以为一个(商品名)，也可以为多个(商品名、零售点及零售时间等维度)，以实现对商品对应的零售相关信息的完整全面的体现。

本实施例中，所述步骤S12中的对所有所述历史购买信息进行机器学习，得到商品预测零售模型时，既可以是采用朴素贝叶斯法和线性回归算法对所有所述历史购买信息进行机器学习，得到所述商品预测零售模型；也可以是采用神经网络技术对所有所述历史购买信息进行深度学习，得到所述商品预测零售模型，实现根据所有的历史购买信息来得到商品预测零售模型，以便后续基于该商品预测零售模型对商品当前或未来的零售相关信息进行预测。该朴素贝叶斯发是基于贝叶斯定力与特征条件独立假设的分类方法，主要包括两种分类模型，分别为：决策树模型(Decision Tree Model)和朴素贝叶斯模型(NaiveBayesian Model，NBM)。

接着本申请的上述实施例，在本申请实施例中的所述步骤S13中，若用户需要对目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的零售相关信息的预测，则根据该商品预测零售模型Y＝Q^TX可知，该目标商品B的零售相关信息X中的该目标商品B的商品名x1＝“B”，零售点x2＝“零售点2”，零售时间x3＝“北京时间2018年8月30日”，向该商品预测零售模型Y＝Q^TX中输入该目标商品B的零售相关信息X的各维度的值之后，计算得到对该目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的预测零售量为Y_B，以通过该商品预测零售模型实现对当前或未来的任一个目标商品的预测零售量的预测，进而以便商家能根据该预测零售量对对应的目标商品进行适当的备货库存和更换零售策略等。当然，在此根据用户对目标商品的预测需求(目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的零售相关信息的预测)仅为举例，也可以通过输入目标商品的零售相关信息中的一项或多项维度的参数值来满足用户对目标商品的预测零售量均包含在本申请所申请的保护范围内，并以此作为引用。

本申请一实施例中，所述步骤S13根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量之后，还包括：

根据所述目标商品的预测零售量对所述目标商品的零售库存进行预估，得到所述目标商品的预估库存量。

例如，根据商品预测零售模型对目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的预测零售量Y_B为3000件，则商家可以根据该预测零售量Y_B＝3000，并结合商家实际在该零售点2处北京时间2018年8月30日当天的零售策略(打折或促销等)对该目标商品B进行零售库存的预估，比如，若在零售点2处在北京时间2018年8月30日当天进行买一赠一的促销活动，则可以预估该目标商品的预估库存量为6500件，以满足该目标商品在零售点2处的北京时间2018年8月30日当天的零售需求；若在售点2处在北京时间2018年8月30日当天对该目标商品进行买一件9折买两件8折买三件七折的零售策略，则可以预估该目标商品的预估库存量为4500件，以满足该目标商品在零售点2处的北京时间2018年8月30日当天的零售需求，使得通过该预测零售量对不同商品在不同时间点甚至不同零售点的库存的预测，进而可以最大程度减少产品库存，增加商品的流通效率，对商家和零售市场具有重大意义。

如图2所示，本申请一实施例中提供了一种用于商品零售预测的设备，用于智慧零售过程中对每个商品在当前或未来的零售相关信息的预测过程中，该设备具体包括：

获取装置11，用于获取商品在零售过程中的所有历史购买信息；在此，所述获取装置11可以通过大数据技术从分布在不同零售点的商家处获取每个商品的所有历史购买信息，该大数据技术可以包括但不限于是Hadoop技术、Spark技术及Hive技术等用于分布式获取数据的技术。需要说明的是，该历史购买信息能够完整的指示商品在购买过程中与购买相关的所有的数据信息，以便后续能够基于包含有购买过程中完整的数据信息的历史购买信息来进行机器学习。

处理装置12，对所有所述历史购买信息进行机器学习，得到商品预测零售模型，实现了根据所有所述历史购买信息来得到能够用于对任一商品进行零售预测的商品预测零售模型；

预测装置13，根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量，实现了对所有商品中的某目标商品进行当前或未来的零售预测，不仅为商家提供该目标商品当前或未来的补货参考信息，还便于商家能够根据该预测零售量灵活应对当前或未来的零售业务相关事宜，最大限度地做到了对目标商品的零售预测。

本实施例中，所述历史购买信息包括商品名及其对应的购买属性信息；该购买属性信息可以包括但不限于该商品名对应的商品被购买时对应的购买点、购买时间、购买对象(例如小孩、年轻人、中年人还是老年人，或者是男性购买者还是女性购买者等)、购买金额及购买量等，从而对用户购买商品时对所有的购买相关的信息进行全面完整的记录。

所述获取装置11用于获取商品在零售过程中的所有历史购买信息是，具体用于：

获取商品在零售过程中的所有历史购买描述信息；该历史购买描述信息用于指示商品在被用户进行购买后所记载的与购买相关所有信息，例如商品A被用户a购买后，会自动生成一条历史购买描述信息如“一女性用户a在北京时间2014年6月22日17:55分07秒在购买点1处购买2件商品A，共计36元整”。为了从所有对的历史购买描述信息中提取商品在零售过程中的关键特征，所述获取装置11在获取所有的历史购买描述信息后，采用特征提取技术对所有所述历史购买描述信息进行特征提取，得到每个商品名及其对应的购买属性信息，比如该条历史购买描述信息“一女性用户a在北京时间2014年6月22日17:55分07秒在购买点1处购买2件商品A，共计36元整”在进行特征提取之后，得到的该商品名为“商品A”，该商品A对应的购买属性信息为“用户：a，购买点：1，购买时间：北京时间2014年6月22日17:55分07秒，购买对象：女性，购买金额：36元，购买量：2件”，以此特征提取步骤对所有的历史购买描述信息进行特征提取，可以得到所有商品对应的历史购买信息，不仅实现了对所有历史购买描述信息的特征提取，还实现了对全面简洁的描述商品在零售过程中的所有信息的历史购买信息的提取，以确保获取到的商品在零售过程中的历史购买信息的完整性。

接着本申请的上述实施例，所述处理装置12用于对所有所述历史购买信息进行机器学习，得到商品预测零售模型时，具体用于：

对所有所述历史购买信息中的每个商品的商品名及其对应的购买属性信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，其中，所述零售相关信息包括商品的商品名。在此，所述零售相关信息不仅可以包括商品的商品名，还可以包括商品的零售点、零售时间及零售对象等信息。例如，所述处理装置12对所有历史购买信息中的每个商品的商品名及其对应的所有维度的购买属性信息进行机器学习，得到商品预测零售模型Y＝Q^TX＝(Q1，Q2，Q3，……，QN)X，其中，Q^T用于指示商品预设零售模型中的预设零售量Y与其对应的零售相关信息X之间的映射关系(即转换关系)，该Q1，Q2，Q3，……，QN分别为用于指示商品的零售相关信息X中的各个维度属性的权重、参数指标及相关联关系等，该X用于指示商品的商品名x1，商品的零售点x2，商品的零售时间x3及商品零售对象x4等于商品对应的零售相关信息，在此对商品的零售相关信息仅为举例，该商品零售信息的维度可以为一个(商品名)，也可以为多个(商品名、零售点及零售时间等维度)，以实现对商品对应的零售相关信息的完整全面的体现。

本实施例中，所述处理装置12中的对所有所述历史购买信息进行机器学习，得到商品预测零售模型时，既可以是采用朴素贝叶斯法和线性回归算法对所有所述历史购买信息进行机器学习，得到所述商品预测零售模型；也可以是采用神经网络技术对所有所述历史购买信息进行深度学习，得到所述商品预测零售模型，实现根据所有的历史购买信息来得到商品预测零售模型，以便后续基于该商品预测零售模型对商品当前或未来的零售相关信息进行预测。该朴素贝叶斯发是基于贝叶斯定力与特征条件独立假设的分类方法，主要包括两种分类模型，分别为：决策树模型(Decision Tree Model)和朴素贝叶斯模型(NaiveBayesian Model，NBM)。

接着本申请的上述实施例，在本申请实施例中的所述预测装置13中，若用户需要对目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的零售相关信息的预测，则根据该商品预测零售模型Y＝Q^TX可知，该目标商品B的零售相关信息X中的该目标商品B的商品名x1＝“B”，零售点x2＝“零售点2”，零售时间x3＝“北京时间2018年8月30日”，向该商品预测零售模型Y＝Q^TX中输入该目标商品B的零售相关信息X的各维度的值之后，计算得到对该目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的预测零售量为Y_B，以通过该商品预测零售模型实现对当前或未来的任一个目标商品的预测零售量的预测，进而以便商家能根据该预测零售量对对应的目标商品进行适当的备货库存和更换零售策略等。当然，在此根据用户对目标商品的预测需求(目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的零售相关信息的预测)仅为举例，也可以通过输入目标商品的零售相关信息中的一项或多项维度的参数值来满足用户对目标商品的预测零售量均包含在本申请所申请的保护范围内，并以此作为引用。

本申请一实施例中，所述预测装置13不仅可以用于根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量，还可以用于：

根据所述目标商品的预测零售量对所述目标商品的零售库存进行预估，得到所述目标商品的预估库存量。

例如，根据商品预测零售模型对目标商品B在零售地址为：零售点2处的时间点为：北京时间2018年8月30日的预测零售量Y_B为3000件，则商家可以根据该预测零售量Y_B＝3000，并结合商家实际在该零售点2处北京时间2018年8月30日当天的零售策略(打折或促销等)对该目标商品B进行零售库存的预估，比如，若在零售点2处在北京时间2018年8月30日当天进行买一赠一的促销活动，则可以预估该目标商品的预估库存量为6500件，以满足该目标商品在零售点2处的北京时间2018年8月30日当天的零售需求；若在售点2处在北京时间2018年8月30日当天对该目标商品进行买一件9折买两件8折买三件七折的零售策略，则可以预估该目标商品的预估库存量为4500件，以满足该目标商品在零售点2处的北京时间2018年8月30日当天的零售需求，使得通过该预测零售量对不同商品在不同时间点甚至不同零售点的库存的预测，进而可以最大程度减少产品库存，增加商品的流通效率，对商家和零售市场具有重大意义。

综上所述，本申请首先通过大数据技术从不同的商家获取所有的商品在零售过程中的所有历史购买信息；之后对所有所述历史购买信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，保证了机器学习得到的该商品预测零售模型的准确度，以便后续能够根据该商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量，实现了对所有商品中的某目标商品进行当前或未来的零售预测，不仅为商家提供该目标商品当前或未来的补货参考信息，还便于商家能够根据该预测零售量灵活应对当前或未来的零售业务相关事宜，最大限度地做到了对目标商品的零售预测。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种商品零售预测方法，其中，所述方法包括：

获取商品在零售过程中的所有历史购买信息；

对所有所述历史购买信息进行机器学习，得到商品预测零售模型；

根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量。

2.根据权利要求1所述的方法，其中，所述历史购买信息包括商品名及其对应的购买属性信息；

所述获取商品在零售过程中的所有历史购买信息，包括：

获取商品在零售过程中的所有历史购买描述信息；

对所有所述历史购买描述信息进行特征提取，得到每个商品名及其对应的购买属性信息。

3.根据权利要求2所述的方法，其中，所述对所有所述历史购买信息进行机器学习，得到商品预测零售模型，包括：

对所有所述历史购买信息中的每个商品的商品名及其对应的购买属性信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，其中，所述零售相关信息包括商品的商品名。

4.根据权利要求3所述的方法，其中，所述对所有所述历史购买信息进行机器学习，得到商品预测零售模型，包括：

采用朴素贝叶斯法和线性回归算法对所有所述历史购买信息进行机器学习，得到所述商品预测零售模型；或，

采用神经网络技术对所有所述历史购买信息进行深度学习，得到所述商品预测零售模型。

5.根据权利要求3所述的方法，其中，所述根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量之后，还包括：

根据所述目标商品的预测零售量对所述目标商品的零售库存进行预估，得到所述目标商品的预估库存量。

6.一种用于商品零售预测的设备，其中，所述设备包括：

获取装置，用于获取商品在零售过程中的所有历史购买信息；

处理装置，用于对所有所述历史购买信息进行机器学习，得到商品预测零售模型；

预测装置，用于根据所述商品预测零售模型对目标商品进行零售预测，得到所述目标商品的预测零售量。

7.根据权利要求6所述的设备，其中，所述历史购买信息包括商品名及其对应的购买属性信息；

所述获取装置用于：

获取商品在零售过程中的所有历史购买描述信息；

对所有所述历史购买描述信息进行特征提取，得到每个商品名及其对应的购买属性信息。

8.根据权利要求7所述的设备，其中，所述处理装置用于：

对所有所述历史购买信息中的每个商品的商品名及其对应的购买属性信息进行机器学习，得到用于指示商品的预测零售量与其对应的零售相关信息之间的映射关系的商品预测零售模型，其中，所述零售相关信息包括商品的商品名。

9.根据权利要求8所述的设备，其中，所述处理装置用于：

采用朴素贝叶斯法和线性回归算法对所有所述历史购买信息进行机器学习，得到所述商品预测零售模型；或，

采用神经网络技术对所有所述历史购买信息进行深度学习，得到所述商品预测零售模型。

10.根据权利要求8所述的设备，其中，所述预测装置还用于：

根据所述目标商品的预测零售量对所述目标商品的零售库存进行预估，得到所述目标商品的预估库存量。