CN109509030B - 销量预测方法及其模型的训练方法、装置和电子系统 - Google Patents

Abstract

本发明提供了一种销量预测方法及其模型的训练方法、装置和电子系统；其中，该销量预测模型的训练方法包括：获取商品的历史销售数据；根据历史销售数据，生成与商品的销售量相关的销售特征；获取历史销售数据对应时间段的外部特征；外部特征包括时间属性、天气特征和到店人群特征中的至少一个；根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。本发明考虑了商品的销售量相关的销售特征，以及可能影响各类商品销售量的外部特征，因而商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。

Description

销量预测方法及其模型的训练方法、装置和电子系统

技术领域

本发明涉及数据预测技术领域，尤其是涉及一种销量预测方法及其模型的训练方法、装置和电子系统。

背景技术

相关技术中，线下零售店通常通过人工预测商品销量的方式对商品进行进货、补货等；具体而言，线下零售店的店长依据近期(如当天或最近几天)的商品销量预测未来一段时间(如未来一天、未来一周等)的商品销量，并以此为依据对商品库存进行补货。这种人工预测的方式，通常只能考虑商品近几天的销售情况，难以挖掘商品销量的长期规律，以及商品销量与其它因素(如天气、节假日、价格波动、折扣等)之间的联系。

为了摆脱上述这种盲目的人工补货方式，一些商家采用了相对智能的方法来进行销量预测。例如，以一段时间内的平均销量作为参考值，并和历史同期的销量进行对比，来确定商品的补货量。但此类方法依然只是基于商品的历史销量数据，同样忽略了一些重要的外部因素。当商品数量较多时，采用这样的方式预测得到的商品销量往往准确性较差，进而容易导致商品断货或者库存积压，影响销售额和资金周转。

发明内容

有鉴于此，本发明的目的在于提供一种销量预测方法及其模型的训练方法、装置和电子系统，以提高商品销量的预测结果的准确性，进而提高销售额和资金周转灵活度。

第一方面，本发明实施例提供了一种销量预测模型的训练方法，该方法包括：获取商品的历史销售数据；根据历史销售数据，生成与商品的销售量相关的销售特征；获取历史销售数据对应时间段的外部特征；外部特征包括时间属性、天气特征和到店人群特征中的至少一个；根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。

在本发明较佳的实施例中，上述根据历史销售数据，生成与商品的销售量相关的销售特征的步骤，包括：查找历史销售数据中的缺失数据和异常数据；通过预设的第一数值对缺失数据进行填充处理，通过预设的第二数值对异常数据进行替换处理；统计处理后的历史销售数据中商品的销售量，得到商品的销售特征；其中，销售特征包括商品的平均销量、平均进货量、平均退货量、库存平均调整数量、库存平均调入量、库存平均调出量、平均当日开始库存、平均当日结束库存、平均价格、平均订单总价、平均折扣中的多种。

在本发明较佳的实施例中，上述获取历史销售数据对应时间段的外部特征的步骤，包括：如果外部特征包括时间属性，获取历史销售数据对应时间段内的时间属性；时间属性包括工作日、双休日或节假日；如果外部特征包括天气特征，按照预设的时间粒度，获取时间段内的天气特征；天气特征包括温度、湿度、降雨量、风速、压强、降雨概率、云覆盖比例中的多种。

在本发明较佳的实施例中，上述获取历史销售数据对应时间段的外部特征的步骤，包括：如果外部特征包括到店人群特征，获取历史销售数据对应的销售场所的视频帧数据；通过人脸特征识别的方式确定视频帧数据中的行人的年龄特征和性别特征；从视频帧数据中获取行人的到店时间；将行人的年龄特征、性别特征和行人的到店时间确定为人群特征。

在本发明较佳的实施例中，上述根据销售特征和外部特征确定训练样本的步骤，包括：对销售特征进行预设次数的平滑预测处理，得到销售特征预测值；对销售特征进行统计处理，得到销售特征统计值；销售特征统计值包括预设时间段内，指定天数的最大销量值、最小销量值、销量方差、销量标准差和销量总和中的多种；对外部特征进行预设次数的平滑预测处理，得到外部特征预测值；将销售特征、外部特征、销售特征预测值、销售特征统计值和外部特征预测值确定为训练样本。

在本发明较佳的实施例中，上述机器学习模型包括xgboost回归模型；将训练样本输入至预设的机器学习模型中进行训练的步骤，包括：获取预设的二维参数矩阵；二维参数矩阵中包含多组模型参数；通过网格搜索的方式，从二维参数矩阵中获取模型参数供xgboost回归模型训练使用，并记录每组模型参数对应的xgboost回归模型的损失函数值；将损失函数值最小的模型参数，确定为xgboost回归模型的模型参数。

第二方面，本发明实施例提供了一种销量预测方法，该方法应用于配置有销量预测模型的设备；销量预测模型为上述销量预测模型的训练方法训练得到的销量预测模型；该方法包括：获取商品的历史销售数据；获取待预测时间段的外部特征；外部特征包括时间属性和/或天气特征；将历史销售数据和外部特征输入至销量预测模型中，输出商品的预测销量。

在本发明较佳的实施例中，上述输出商品的预测销量的步骤之后，方法还包括：获取商品当前的库存信息；根据预测销量和库存信息，生成商品的补货信息。

第三方面，本发明实施例提供了一种销量预测模型的训练装置，该装置包括：第一数据获取模块，用于获取商品的历史销售数据；销售特征生成模块，用于根据历史销售数据，生成与商品的销售量相关的销售特征；外部特征生成模块，用于获取历史销售数据对应时间段的外部特征；外部特征包括时间属性、天气特征和到店人群特征中的至少一个；训练模块，用于根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。

第四方面，本发明实施例提供了一种销量预测装置，该装置设置于配置有销量预测模型的设备；销量预测模型为上述销量预测模型的训练方法训练得到的销量预测模型；装置包括：第二数据获取模块，用于获取商品的历史销售数据；外部特征获取模块，用于获取待预测时间段的外部特征；外部特征包括时间属性和/或天气特征；输入模块，用于将历史销售数据和外部特征输入至销量预测模型中，输出商品的预测销量。

第五方面，本发明实施例提供了一种电子系统，该电子系统包括：图像采集设备、处理设备和存储装置；图像采集设备，用于获取视频帧数据；存储装置上存储有计算机程序，计算机程序在被处理设备运行时执行如上述销量预测模型的训练方法，或者执行如上述销量预测方法。

第六方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行如上述销量预测模型的训练方法，或者执行如上述销量预测方法的步骤。

本发明实施例带来了以下有益效果：

本发明实施例提供的一种销量预测方法及其模型的训练方法、装置和电子系统，首先根据商品的历史销售数据，生成与商品的销售量相关的销售特征；再获取历史销售数据对应时间段的时间属性、天气特征、到店人群特征等外部特征；基于上述和外部特征确定训练样本，训练预设的机器学习模型得到销量预测模型；通过该方式得到的销量预测模型考虑了商品的销售量相关的销售特征，以及可能影响各类商品销售量的外部特征，因而商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种电子系统的结构示意图；

图2为本发明实施例提供的一种销量预测模型的训练方法的流程图；

图3为本发明实施例提供的一种销量预测方法的流程图；

图4为本发明实施例提供的一种销量预测模型的训练装置的结构示意图；

图5为本发明实施例提供的一种销量预测装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。

考虑到现有的商品销量预测方式准确性较差的问题，本发明实施例提供了一种销量预测模型的训练方法、销量预测方法、装置和电子系统；该技术可以应用于服务器、计算机、相机、手机、平板电脑等多种终端设备中，该技术可采用相应的软件和硬件实现，以下对本发明实施例进行详细介绍。

实施例一：

首先，参照图1来描述用于实现本发明实施例的销量预测模型的训练方法、销量预测方法、装置和电子系统的示例电子系统100。

如图1所示的一种电子系统的结构示意图，电子系统100包括一个或多个处理设备102、一个或多个存储装置104、输入装置106、输出装置108以及一个或多个图像采集设备110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子系统100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子系统也可以具有其他组件和结构。

所述处理设备102可以是网关，也可以为智能终端，或者是包含中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元的设备，可以对所述电子系统100中的其它组件的数据进行处理，还可以控制所述电子系统100中的其它组件以执行期望的功能。

所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理设备102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理设备实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。

所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

所述输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。

所述图像采集设备110可以采集预览视频帧或图像数据，并且将采集到的预览视频帧或图像数据存储在所述存储装置104中以供其它组件使用。

示例性地，用于实现根据本发明实施例的销量预测模型的训练方法、销量预测方法、装置和电子系统的示例电子系统中的各器件可以集成设置，也可以分散设置，诸如将处理设备102、存储装置104、输入装置106和输出装置108集成设置于一体，而将图像采集设备110设置于可以采集到销售场所的视频帧数据的位置。当上述电子系统中的各器件集成设置时，该电子系统可以被实现为诸如相机、智能手机、平板电脑、计算机等智能终端。

实施例二：

本实施例提供了一种销量预测模型的训练方法，该方法由上述电子系统中的处理设备执行；该处理设备可以是具有数据处理能力的任何设备或芯片。该处理设备可以独立对接收到的信息进行处理，也可以与服务器相连，共同对信息进行分析处理，并将处理结果上传至云端。

该销量预测模型可以用于预测线下或线上店铺、超市、书店等商品销量；如图2所示，该销量预测模型的训练方法包括如下步骤：

步骤S202，获取商品的历史销售数据；

该历史销售数据可以从店铺的商品销售记录、库存记录、账目等资料中获得；历史销售数据通常可以包含商品的属性信息、销售量、销售价格、库存等信息；在实际实现时，可以获取当前店铺、或当前店铺对应的店铺类型(如超市、食品商店)的全品类的商品的历史销售数据；也可以仅获取当前店铺所关心的商品，或者销售量波动较大的商品的历史销售数据。

步骤S204，根据上述历史销售数据，生成与商品的销售量相关的销售特征；

由于要训练的销量预测模型是用于商品的销量预测的，因此需要获得与商品的销售量相关的销售特征，而上述历史销售数据中包含有商品的各类信息，为了提高模型训练的样本信息的有效性，需要从历史销售数据中获得与商品的销售量相关的信息，如销售记录、销售价格、库存变化等，并作为销售特征，从而剔除商品厂址、生产日期、配料等与销售量相关性较小的信息。

上述商品的销售量相关的销售特征具体可以从上述历史销售数据中直接提取得到，也可以对该历史销售数据中的相关数据进行统计处理得到；如对各顾客的销售清单中统计某一种商品的日销售量，基于日销售量统计月度销售量、年度销售量等。

步骤S206，获取历史销售数据对应时间段的外部特征；该外部特征包括时间属性、天气特征和到店人群特征中的至少一个；

其中，时间属性可以通过查找上述历史销售数据对应时间段的日历得到；该时间属性可以划分为工作日、双休日、节假日等；不同时间属性下的当天的总体销售量、热销产品、滞销产品通常具有较大的区别；例如，工作日中，面包、牛奶、便捷类生活用品等商品销量较高；双休日中，粮油、调料、大型生活日化类等商品销量较高；而节假日中，礼盒类、烟酒类、轻奢类的商品销量较高。另外，上述时间属性也可以按照月份、季节划分，也可以更细粒度地按照上午、中午、晚间划分等。

上述天气特征可以通过查找历史天气记录得到；该天气特征可以包含温度、湿度、风速、雨雪、压强等参数；具体可以按照预设的时间间隔，从上述历史天气记录中提取天气特征中的各项参数；如每隔8小时提取一次，或者提取每天早晨、中午、晚上的各项参数；也可以提取每天的天气特征中的各项参数的最大值和最小值，并计算对应的平均值。需要说明的是，对于天气特征中的各项参数，在一天时间内多次提取，可以较为全面地得到当前的天气特征；例如，对于盛夏的某一天，当天大部分时间段为高温晴天，其中的2个小时为冰雹天气，如果仅提取当天的某一时间点或大部分时间段的天气特征，该天气特征可能不会体现冰雹天气，造成特征遗漏；而如果按照较短的时间间隔在一天内提取多次天气特征，该冰雹天气通常不会遗漏。

通常，天气特征也会较为明显的影响商品销量；例如，高温天气下，饮料、雪糕等商品销量较高；阴冷天气下，饼干、零食等商品销量较高；而雨雪天气下，由于行人外出受阻，可能所有的商品销量均较低。

上述到店人群特征可以通过店铺的摄像装置拍摄的视频帧图像获得；该到店人群特征具体可以为年龄、性别等特征；通过对视频帧图像进行行人检测、人脸识别等方式推测出行人的上述年龄、性别等特征；由于店铺所处的地理位置差异较大，因而不同店铺的到店人群也明显不同，进而各类商品的销量也会不同；例如，位于校园附近的店铺，到店人群特征的年龄较小，饮料、零食、文具等商品销量较高；位于旧生活小区附近的店铺，到店人群特征的年龄较大，且多为女性，蛋奶、果蔬、粮油等商品销量较高。

另外，该到店人群特征还可以包含到店时间，例如，如果该店铺早晨到店的行人数量较多，早餐、果蔬等商品销量较高；如果晚上到店的行人较多，速食食品、便携式日用品等商品销量较高。

在实际实现时，上述外部特征仅包括时间属性、天气特征或到店人群特征之一，也可以同时包含其中的三种或两种特征，具体可以根据店铺的实际需求设置；例如，如果该店铺中的商品对时间属性和天气特征较为敏感，则该外部特征可以仅包括时间属性和天气特征；如果该店铺中的品种较全，类型较多，则该外部特征可以同时包括上述时间属性、天气特征或到店人群特征。

上述步骤S206中，上述历史销售数据对应时间段具体可以为历史时间中一月、一年或者数年的历史销售数据；可以理解，时间段越长，上述历史销售数据，以及该历史销售数据对应的外部特征越能够反应该店铺商品销量的长期规律，以便更准确地预测商品未来的销量。通常，该外部特征的时间段需要与历史销售数据的时间段相对应，以使上述销售特征与外部特征在时间上相关联。

步骤S208，根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。

上述销售特征和外部特征可以直接作为训练样本，也可以基于该销售特征和外部特征进行统计计算，如计算最大值、最小值、均值、方差、总量等；再将计算结果作为训练样本，或者将计算结果、销售特征和外部特征均作为训练样本。上述机器学习模型可以为GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型、xgboost模型、神经网络模型等多种模型实现；上述损失函数值可以用于平均模型输出的预测销量与历史真实销量间的差异，如该损失函数值具体可以为平均绝对百分比误差值。当该损失函数值收敛至某一确定的数值，或者该损失函数值收敛的数值满足预设的阈值时，停止训练，得到上述销量预测模型。

需要说明的是，上述销量预测模型不仅包含训练后的机器学习模型，还具有实现上述步骤S202至S206的功能；在实际销量预测的过程中，该销量预测模型具有获取历史销售数据，进而生成销售特征，获取历史销售数据对应时间段的外部特征，基于销售特征和外部特征确定机器学习模型的输入数据，以及上述机器学习模型的预测功能；也就是说，只要获取到店铺的历史销售数据以及该历史销售数据对应时间段的外部特征，即可对商品的销量进行预测，无需再通过另外的工具获取销售特征和外部特征。

另外，上述销量预测模型也可以理解为销量预测系统的一个模块，该系统中的其他模块用于实现上述获取历史销售数据，进而生成销售特征，获取历史销售数据对应时间段的外部特征等功能；该销量预测模型即机器学习模型经训练后的模型，仅用于通过销售特征和外部特征确定的输入数据进行预测。

本发明实施例提供的一种销量预测模型的训练方法，首先根据商品的历史销售数据，生成与商品的销售量相关的销售特征；再获取历史销售数据对应时间段的时间属性、天气特征、到店人群特征等外部特征；基于上述和外部特征确定训练样本，训练预设的机器学习模型得到销量预测模型；通过该方式得到的销量预测模型考虑了商品的销售量相关的销售特征，以及可能影响各类商品销售量的外部特征，因而商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。

实施例三：

本实施例提供了另一种销量预测模型的训练方法，该方法在上述实施例的基础上实现；本实施例中，重点描述用于训练机器学习模型的销售特征、外部特征的获取方式，以及基于该销售特征和外部特征确定训练样本并训练机器学习模型的具体方式；该方法包括如下步骤：

步骤302，获取商品的历史销售数据；

该历史销售数据可以为商家的原始订单、订单明细、库存数量、商品元数据(如商品价格、保质期、规格)等。

步骤304，查找历史销售数据中的缺失数据和异常数据；

其中，该缺失数据也可以称为缺失点，通常是历史销售数据中的空白数据，大多是由于数据记录发生遗漏或数据存储装置损坏造成；在正常情况下，历史销售数据中各个位置点上应当保存有数据，而当查找到某一位置为空白区域时，说明历史销售数据中具有缺失数据。上述异常数据也可以称为异常点，通常包括销量相关的异常数据或库存相关的异常数据，大多是由于数据记录发生错误造成的；通常，不论是销量相关的异常数据还是库存相关的异常数据，通常都具有一定的数据范围；因此，可以针对各类数据设置相对合理的数据阈值，根据该数据阈值筛选超出该数据阈值的数据，这些数据即为上述异常数据。

步骤306，通过预设的第一数值对缺失数据进行填充处理，通过预设的第二数值对异常数据进行替换处理；

为了避免缺失数据和异常数据对模型训练过程造成干扰，需要对缺失数据和异常数据进行处理；具体而言，对于缺失数据，可以采用零值或该缺失数据附近数据的均值进行填充；对于异常数据，可以采用零值或该缺失数据附近数据的均值进行替换，或者采用用户预设的数据进行替换。

步骤308，统计处理后的历史销售数据中商品的销售量，得到商品的销售特征；其中，该销售特征包括商品的平均销量、平均进货量、平均退货量、库存平均调整数量、库存平均调入量、库存平均调出量、平均当日开始库存、平均当日结束库存、平均价格、平均订单总价、平均折扣中的多种。

其中，商品的平均销量可以为该商品的日平均销量、周平均销量、月度平均销量、季度平均销量或年度平均销量等；上述平均进货量可以为该商品的日平均进货量、周平均进货量、月度平均进货量、季度平均进货量或年度平均进货量等；上述平均退货量可以为该商品的日平均退货量、周平均退货量、月度平均退货量、季度平均退货量或年度平均退货量等。

库存调入量和库存调出量多用于同一系统下多家店铺间的商品调整；例如，上述历史销售数据中包含该系统下多家店铺的历史销售数据；其中，某日店铺甲向店铺乙调商品A共10件，则该日店铺甲对于商品A的库存调入量为10，该日店铺乙对于商品A的库存调出量为10，而库存调整数量可以为库存调入量或者库存调出量，也可以为库存调入量和库存调出量的总和。

基于上述描述，上述库存平均调整数量可以为库存日平均调整数量、库存周平均调整数量、库存月平均调整数量、库存季度平均调整数量或库存年度平均调整数量等；上述库存平均调入量可以为库存日平均调入量、库存周平均调入量、库存月平均调入量、库存季度平均调入量或库存年度平均调入量等；上述库存平均调出量可以为库存日平均调出量、库存周平均调出量、库存月平均调出量、库存季度平均调出量或库存年度平均调出量等。

如果某一商品的当日开始库存和结束库存不同，则说明该商品在当日发生了销售、退货、进货、库存调入、库存调出等多种情况，开始库存和结束库存用于评价商品在当日库存发生变化的总体情况。上述平均当日开始库存和平均当日结束库存，可以为某一周、某一月、某一季度或某一年度的平均当日开始库存和平均当日结束库存。

可以理解，上述平均价格可以为对应商品在某一周、某一月、某一季度或某一年度的平均价格；上述平均折扣可以为对应商品在某一周、某一月、某一季度或某一年度的平均折扣；订单总价可以理解为对于顾客下订单时，购买某一种商品的订单总价；上述平均订单总价可以为对应商品在某一周、某一月、某一季度或某一年度的平均订单总价。

在实际实现时，可以根据当前店铺的实际需求或者各类商品的实际情况，从上述列举的销售特征中选择部分或全部特征进行统计。

在上述实施例中，列举了时间属性、天气特征和到店人群特征等多种外部特征，在实际实现时，可以根据当前店铺的实际需求从中选择部分或全部的外部特征，本实施例中，针对每种外部特征描述对应的获取方式，具体如下。

步骤310，如果上述外部特征包括时间属性，获取历史销售数据对应时间段内的时间属性；该时间属性包括工作日、双休日或节假日；

具体可以从日历中查找到上述历史销售数据对应时间段，并逐一确定该时间段内每日的时间属性；其中，工作日可以为周一到周五的日子，双休日可以为周六和周日的日子，节假日可以为该年度的国家法定节假日；另外，还可以设置各类时间属性的优先级别，如节假日的优先级高于双休日的优先级，双休日的优先级高于工作日的优先级；如果某日既是双休日又是节假日，那么该日的时间属性可以设置为节假日。

步骤312，如果外部特征包括天气特征，按照预设的时间粒度，获取时间段内的天气特征；该天气特征包括温度、湿度、降雨量、风速、压强、降雨概率、云覆盖比例中的多种。

通常，天气的变化是相对连续的过程，不以每日为节点进行突变；因此，为了综合、全面地获取每天的天气特征，需要在每天的不同时段多次获取天气特征；因而上述时间粒度通常小于一天的时长(即24小时)，如该时间粒度可以为4小时、2小时等，也可以为早晨、中午、晚上等。在实际实现时，可以根据店铺所处城市的气候特征，从上述列举的天气特征中选择部分或全部的天气特征；具体可以从历史气象记录中查找上述历史销售数据对应时间段的天气特征。获取到一日之内某一种天气特征的多个数值后，可以取多个数值的平均值、最大值、最小值等数据，作为该种天气特征在该日的最终数值；对于较为典型的天气特征，如冰雹、台风、超低气压、短时雷雨等，由于这些天气特征出现的时长较短，因而可以单独显示，以避免进行均值运算后运算结果掩盖这些典型的天气特征。

获取到每日的天气特征后，可以根据每日的日期，将该天气特征与当日的销售特征进行关联保存。

步骤314，如果外部特征包括到店人群特征，获取历史销售数据对应的销售场所的视频帧数据；

例如，该历史销售数据为店铺A的历史销售数据，则上述销售场所即为店铺A，进而调取店铺A的视频帧数据。通常，对于店铺、超市等销售场所，在入口处的摄像装置可以较为全面地采集到进入该销售场所的行人的图像数据；因此，可以调取上述历史销售数据对应时间段的，该入口处的摄像装置采集的视频帧数据。

步骤316，通过人脸特征识别的方式确定视频帧数据中的行人的年龄特征和性别特征；将行人的年龄特征、性别特征和行人的到店时间确定为人群特征。

具体可以通过人脸检测的方式(如通过神经网络训练得到的人脸检测模型)先从视频帧数据中识别出行人的人脸，识别出的人脸可以通过检测框标识；再通过特征点人脸检测模型(该模型也可以通过神经网络训练得到)检测该行人的人脸特征点，进而基于该人脸特征点识别该行人的年龄特征和性别特征。

其中，性别特征通常包含两类，即男性和女性；而对于年龄特征，可以直接将识别出的该行人的年龄作为年龄特征，如20岁、30岁等；也可以预先将年龄进行分段，得到多个年龄段；再将该行人的年龄所属的年龄段的标识作为年龄特征。例如，年龄段0-20岁的标识为A，年龄段21-40岁的标识为B，年龄段41-60岁的标识为C；如果识别出该行人的年龄为45岁，则该行人的年龄特征即为C。通过上述性别特征和年龄特征可以分析得到该店铺人群的性别比例、年龄分布等信息。

另外，可以将检测出行人的视频帧数据对应的时间作为该行人的到店时间，该行人的到店时间可以以日为单位，也可以小时为单位。根据该行人的到店时间，可以将人群特征将当日的销售特征进行关联保存。

步骤318，对销售特征进行预设次数的平滑预测处理，得到销售特征预测值；

该平滑预测处理也可以称为指数平滑预测处理；平滑预测处理通常按照时间序列，以某种指标的本期实际数和本期预测数为基础，引入一个简化的加权因子，即平滑系数，以求得平均数。上述预设次数的平滑预测处理包含一次平滑曲线预测处理、二次平滑曲线预测处理、以及三次平滑曲线预测处理等，因而上述销售特征预测值可以包含一次平滑曲线预测值、二次平滑曲线预测值、以及三次平滑曲线预测值等。

具体地，一次平滑曲线预测处理具体可通过下述公式实现：y^t+1＝aY_t+(1-a)y^t；其中，a是加权因子；Y_t是第t期的实际值；y^t是第t期的预测值；y^t+1是第t+1期的预测值，也称为第t期的平滑值；具体到本实施例中，以销售特征中的商品的日平均销量为例，可以从销售特征中选取多组该商品的日平均销量，求取得到上述公式中的a的最优值；进而再基于a的最优值对应的公式，预测未来一段时间内的该商品的日平均销量。

在实际实现时，上述一次平滑曲线预测处理通常只适用于水平型历史数据的预测，不适用于呈斜坡型线性趋势历史数据的预测；因此，本实施例中在一次平滑曲线预测处理得到的预测值基础上，还可能用到二次平滑曲线预测处理；如果上述销售特征呈现的是曲线趋势，则还需要在二次平滑曲线预测处理得到的预测值基础上，再进行一次平滑处理，即三次平滑曲线预测处理。

步骤320，对销售特征进行统计处理，得到销售特征统计值；该销售特征统计值包括预设时间段内，指定天数的最大销量值、最小销量值、销量方差、销量标准差和销量总和中的多种；

对于某些重要日期，如十一长假、春节长假等，可以对这些时间段的销售特征进行统计处理，上述最大销量值、最小销量值、销量方差、销量标准差和销量总和均可以通过常用的求最值、计算方差、标准差和总和公式得到。

步骤322，对外部特征进行预设次数的平滑预测处理，得到外部特征预测值；

对外部特征进行预设次数的平滑预测处理的过程，与上述对销售特征进行预设次数的平滑预测处理的类似；对外部特征进行预设次数的平滑预测处理也可以包含一次平滑曲线预测处理、二次平滑曲线预测处理、以及三次平滑曲线预测处理等，因而上述销售特征预测值可以包含一次平滑曲线预测值、二次平滑曲线预测值、以及三次平滑曲线预测值等。其中，一次平滑曲线预测处理、二次平滑曲线预测处理、以及三次平滑曲线预测处理可参考上述对外部特征进行预设次数的平滑预测处理的过程描述，在此不再赘述。

步骤324，将销售特征、外部特征、销售特征预测值、销售特征统计值和外部特征预测值确定为训练样本。

上述销售特征预测值、销售特征统计值和外部特征预测值可以基于商品种类或者时间，与上述销售特征、外部特征相关联，实现特征的合并融合。通过对上述销售特征预测值、销售特征统计值和外部特征预测值的计算，可以挖掘出上述销售特征和外部特征中的部分潜在规律，进而扩展了特征维度，帮助减轻了后续机器学习模型对数据的学习负担。训练样本确定后，即可按照预设比例从该训练样本中划分出训练集合和测试集合，将训练集合中的数据输入至机器学习模型中进行训练，本实施例中以xgboost回归模型为例说明具体的模型训练方式。

步骤326，获取预设的二维参数矩阵；该二维参数矩阵中包含多组模型参数；

通常，初始的xgboost回归模型中的各类参数均采用默认值；在对该xgboost回归模型的训练过程中，需要不断调整该xgboost回归模型的参数；参数这些调整所需要的参数值即可从上述二维参数矩阵中获得；该二维参数矩阵保存了该xgboost回归模型中与训练相关的各类参数的多种参数值，具体可以如下述表1所示，表1中以四种参数为例进行说明，每种参数具有8个参数值。

表1

参数A

a1

a2

a3

a4

a5

a6

a7

a8

参数B

b1

b2

b3

b4

b5

b6

b7

b8

参数C

c1

c2

c3

c4

c5

c6

c7

c8

参数D

d1

d2

d3

d4

d5

d6

d7

d8

步骤328，通过网格搜索的方式，从二维参数矩阵中获取模型参数供xgboost回归模型训练使用，并记录每组模型参数对应的xgboost回归模型的损失函数值；

步骤330，将损失函数值最小的模型参数，确定为xgboost回归模型的模型参数；通过该模型参数训练该xgboost回归模型，直至模型的损失函数值收敛，结束训练，得到销量预测模型。

该网络搜索是一种调参方式，在所有候选的参数选择中，通过循环遍历的方式，尝试每一种可能性，将表现最好的参数组合作为该模型最终的参数。继续以上述表1为例，表1中列举了模型的四种参数，且每种参数具有8个参数值；因而，可能的参数组合共有8*8*8*8＝4096种组合；将每种参数组合代入至上述xgboost回归模型中，并计算损失函数值，进而从这4096种参数组合中挑选出效果最好的参数组合作为该xgboost回归模型。该损失函数值可以通过平均绝对百分比误差计算，当然也可以通过其他表征预测值和真实值之间差异的方式计算。

通过上述销量预测模型的训练方法得到的销量预测模型考虑了商品的销售量相关的销售特征，以及可能影响各类商品销售量的外部特征，因而商品销量的预测结果可以根据时间的推移、环境的变化、到店人群的变化等变化，使得预测更加客观、准确，有助于提高销售额和资金周转灵活度。

实施例四：

对应于上述实施例中提供的销量预测模型的训练方法，本实施例提供了一种销量预测方法，该方法应用于配置有销量预测模型的设备；该销量预测模型为上述销量预测模型的训练方法训练得到的销量预测模型；如图3所示，该方法包括：

步骤S302，获取商品的历史销售数据；

步骤S304，获取待预测时间段的外部特征；该外部特征包括时间属性和/或天气特征；具体地，该外部特征仅包括时间属性或天气特征，也可以同时包括时间属性和天气特征。

步骤S306，将历史销售数据和外部特征输入至销量预测模型中，输出商品的预测销量。

基于商品的预测销量，商家可以对商品进行补货，因此，上述输出商品的预测销量的步骤之后，上述销量预测方法还包括：获取商品当前的库存信息；根据预测销量和库存信息，生成商品的补货信息。具体可以计算预测销量和库存信息之间的差值，该差值即可作为该商品的补货量。

上述销量预测方法中，将获取到的商品的历史销售数据和待预测时间段的外部特征输入至销量预测模型中，即可得到商品的预测销量。操作过程简单且商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。

实施例五：

对应于上述方法实施例，参见图4所示的一种销量预测模型的训练装置的结构示意图，该装置包括：

第一数据获取模块40，用于获取商品的历史销售数据；

销售特征生成模块41，用于根据历史销售数据，生成与商品的销售量相关的销售特征；

外部特征生成模块42，用于获取历史销售数据对应时间段的外部特征；外部特征包括时间属性、天气特征和到店人群特征中的至少一个；

训练模块43，用于根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。

本发明实施例提供的一种销量预测模型的训练装置，首先根据商品的历史销售数据，生成与商品的销售量相关的销售特征；再获取历史销售数据对应时间段的时间属性、天气特征、到店人群特征等外部特征；基于上述和外部特征确定训练样本，训练预设的机器学习模型得到销量预测模型；通过该方式得到的销量预测模型考虑了商品的销售量相关的销售特征，以及可能影响各类商品销售量的外部特征，因而商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。

进一步地，上述销售特征生成模块，还用于：查找历史销售数据中的缺失数据和异常数据；通过预设的第一数值对缺失数据进行填充处理，通过预设的第二数值对异常数据进行替换处理；统计处理后的历史销售数据中商品的销售量，得到商品的销售特征；其中，销售特征包括商品的平均销量、平均进货量、平均退货量、库存平均调整数量、库存平均调入量、库存平均调出量、平均当日开始库存、平均当日结束库存、平均价格、平均订单总价、平均折扣中的多种。

进一步地，上述外部特征生成模块，还用于：如果外部特征包括时间属性，获取历史销售数据对应时间段内的时间属性；时间属性包括工作日、双休日或节假日；如果外部特征包括天气特征，按照预设的时间粒度，获取时间段内的天气特征；天气特征包括温度、湿度、降雨量、风速、压强、降雨概率、云覆盖比例中的多种。

进一步地，上述外部特征生成模块，还用于：如果外部特征包括到店人群特征，获取历史销售数据对应的销售场所的视频帧数据；通过人脸特征识别的方式确定视频帧数据中的行人的年龄特征和性别特征；从视频帧数据中获取行人的到店时间；将行人的年龄特征、性别特征和行人的到店时间确定为人群特征。

进一步地，上述训练模块，还用于：对销售特征进行预设次数的平滑预测处理，得到销售特征预测值；对销售特征进行统计处理，得到销售特征统计值；销售特征统计值包括预设时间段内，指定天数的最大销量值、最小销量值、销量方差、销量标准差和销量总和中的多种；对外部特征进行预设次数的平滑预测处理，得到外部特征预测值；将销售特征、外部特征、销售特征预测值、销售特征统计值和外部特征预测值确定为训练样本。

上述机器学习模型包括xgboost回归模型；上述训练模块，还用于：获取预设的二维参数矩阵；二维参数矩阵中包含多组模型参数；通过网格搜索的方式，从二维参数矩阵中获取模型参数供xgboost回归模型训练使用，并记录每组模型参数对应的xgboost回归模型的损失函数值；将损失函数值最小的模型参数，确定为xgboost回归模型的模型参数。

本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

参见图5所示的一种销量预测装置的结构示意图；该装置设置于配置有销量预测模型的设备；销量预测模型为上述销量预测模型的训练方法训练得到的销量预测模型；该装置包括：

第二数据获取模块50，用于获取商品的历史销售数据；

外部特征获取模块51，用于获取待预测时间段的外部特征；外部特征包括时间属性和/或天气特征；

输入模块52，用于将历史销售数据和外部特征输入至销量预测模型中，输出商品的预测销量。

上述销量预测装置中，将获取到的商品的历史销售数据和待预测时间段的外部特征输入至销量预测模型中，即可得到商品的预测销量。操作过程简单且商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。

实施例六：

本发明实施例提供了一种电子系统，该电子系统包括：图像采集设备、处理设备和存储装置；图像采集设备，用于获取视频帧数据；存储装置上存储有计算机程序，计算机程序在被处理设备运行时执行如上述销量预测模型的训练方法，或者执行如销量预测方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

进一步地，本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行如上述销量预测模型的训练方法，或者执行如销量预测方法的步骤。

本发明实施例所提供的销量预测模型的训练方法、销量预测方法、装置和电子系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (11)

1.一种销量预测模型的训练方法，其特征在于，所述方法包括：

获取商品的历史销售数据；

根据所述历史销售数据，生成与所述商品的销售量相关的销售特征；其中，对所述历史销售数据中的相关数据进行统计处理得到所述销售特征；

获取所述历史销售数据对应时间段的外部特征；所述外部特征包括时间属性、天气特征和到店人群特征；

根据所述销售特征和所述外部特征确定训练样本，将所述训练样本输入至预设的机器学习模型中进行训练，直至所述机器学习模型的损失函数值收敛，结束训练，得到销量预测模型；

获取所述历史销售数据对应时间段的外部特征的步骤，包括：

如果所述外部特征包括到店人群特征，获取所述历史销售数据对应的销售场所的视频帧数据；

通过人脸特征识别的方式确定所述视频帧数据中的行人的年龄特征和性别特征；

从所述视频帧数据中获取所述行人的到店时间；

将所述行人的所述年龄特征、所述性别特征和所述行人的到店时间确定为人群特征；

从所述视频帧数据中获取所述行人的到店时间的步骤，包括：将检测出所述行人的视频帧数据对应的时间作为所述行人的到店时间；所述到店时间以日为单位，或者以小时为单位；

根据所述销售特征和所述外部特征确定训练样本的步骤，包括：

对所述销售特征进行预设次数的平滑预测处理，得到销售特征预测值；

对所述销售特征进行统计处理，得到销售特征统计值；

对所述外部特征进行预设次数的平滑预测处理，得到外部特征预测值；

将所述销售特征、所述外部特征、所述销售特征预测值、所述销售特征统计值和所述外部特征预测值确定为训练样本；

其中，所述销售特征预测值、所述销售特征统计值和所述外部特征预测值基于商品种类或者时间，与所述销售特征、所述外部特征相关联。

2.根据权利要求1所述的方法，其特征在于，根据所述历史销售数据，生成与所述商品的销售量相关的销售特征的步骤，包括：

查找所述历史销售数据中的缺失数据和异常数据；

通过预设的第一数值对所述缺失数据进行填充处理，通过预设的第二数值对所述异常数据进行替换处理；

统计处理后的所述历史销售数据中所述商品的销售量，得到所述商品的销售特征；其中，所述销售特征包括所述商品的平均销量、平均进货量、平均退货量、库存平均调整数量、库存平均调入量、库存平均调出量、平均当日开始库存、平均当日结束库存、平均价格、平均订单总价、平均折扣中的多种。

3.根据权利要求1所述的方法，其特征在于，获取所述历史销售数据对应时间段的外部特征的步骤，包括：

如果所述外部特征包括时间属性，获取所述历史销售数据对应时间段内的时间属性；所述时间属性包括工作日、双休日或节假日；

如果所述外部特征包括天气特征，按照预设的时间粒度，获取所述时间段内的天气特征；所述天气特征包括温度、湿度、降雨量、风速、压强、降雨概率、云覆盖比例中的多种。

4.根据权利要求1所述的方法，其特征在于，所述销售特征统计值包括所述预设时间段内，指定天数的最大销量值、最小销量值、销量方差、销量标准差和销量总和中的多种。

5.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括xgboost回归模型；

将所述训练样本输入至预设的机器学习模型中进行训练的步骤，包括：

获取预设的二维参数矩阵；所述二维参数矩阵中包含多组模型参数；

通过网格搜索的方式，从所述二维参数矩阵中获取模型参数供所述xgboost回归模型训练使用，并记录每组模型参数对应的所述xgboost回归模型的损失函数值；

将损失函数值最小的模型参数，确定为所述xgboost回归模型的模型参数。

6.一种销量预测方法，其特征在于，所述方法应用于配置有销量预测模型的设备；所述销量预测模型为权利要求1至5任一项所述方法训练得到的销量预测模型；所述方法包括：

获取商品的历史销售数据；

获取待预测时间段的外部特征；所述外部特征包括时间属性和/或天气特征；

将所述历史销售数据和所述外部特征输入至所述销量预测模型中，输出所述商品的预测销量。

7.根据权利要求6所述的方法，其特征在于，输出所述商品的预测销量的步骤之后，所述方法还包括：

获取所述商品当前的库存信息；

根据所述预测销量和所述库存信息，生成所述商品的补货信息。

8.一种销量预测模型的训练装置，其特征在于，所述装置包括：

第一数据获取模块，用于获取商品的历史销售数据；

销售特征生成模块，用于根据所述历史销售数据，生成与所述商品的销售量相关的销售特征；其中，对所述历史销售数据中的相关数据进行统计处理得到所述销售特征；

外部特征生成模块，用于获取所述历史销售数据对应时间段的外部特征；所述外部特征包括时间属性、天气特征和到店人群特征；

训练模块，用于根据所述销售特征和所述外部特征确定训练样本，将所述训练样本输入至预设的机器学习模型中进行训练，直至所述机器学习模型的损失函数值收敛，结束训练，得到销量预测模型；

所述外部特征生成模块还用于：如果所述外部特征包括到店人群特征，获取所述历史销售数据对应的销售场所的视频帧数据；

通过人脸特征识别的方式确定所述视频帧数据中的行人的年龄特征和性别特征；

从所述视频帧数据中获取所述行人的到店时间；

将所述行人的所述年龄特征、所述性别特征和所述行人的到店时间确定为人群特征；

所述外部特征生成模块还用于：将检测出所述行人的视频帧数据对应的时间作为所述行人的到店时间；所述到店时间以日为单位，或者以小时为单位；

所述训练模块还用于：

对所述销售特征进行预设次数的平滑预测处理，得到销售特征预测值；

对所述销售特征进行统计处理，得到销售特征统计值；

对所述外部特征进行预设次数的平滑预测处理，得到外部特征预测值；

将所述销售特征、所述外部特征、所述销售特征预测值、所述销售特征统计值和所述外部特征预测值确定为训练样本；

其中，所述销售特征预测值、所述销售特征统计值和所述外部特征预测值基于商品种类或者时间，与所述销售特征、所述外部特征相关联。

9.一种销量预测装置，其特征在于，所述装置设置于配置有销量预测模型的设备；所述销量预测模型为权利要求1至5任一项所述方法训练得到的销量预测模型；所述装置包括：

第二数据获取模块，用于获取商品的历史销售数据；

外部特征获取模块，用于获取待预测时间段的外部特征；所述外部特征包括时间属性和/或天气特征；

输入模块，用于将所述历史销售数据和所述外部特征输入至所述销量预测模型中，输出所述商品的预测销量。

10.一种电子系统，其特征在于，所述电子系统包括：图像采集设备、处理设备和存储装置；

所述图像采集设备，用于获取视频帧数据；

所述存储装置上存储有计算机程序，所述计算机程序在被所述处理设备运行时执行如权利要求1至5任一项所述的方法，或者执行如权利要求6或7所述的方法。

11.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理设备运行时执行如权利要求1至5任一项所述的方法，或者执行如权利要求6或7所述的方法的步骤。

Images