CN109559138A - 闪购活动销量预测方法及装置、存储介质、电子设备 - Google Patents

Abstract

本公开是关于一种闪购活动销量预测方法，属于电子商务技术领域，该方法包括：获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型；获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测；将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。该方法可以利用闪购商品销量预测模型对各待预测商品的销量进行预测，可以快速的预测各商品的销量，避免了需要运营人员通过人工查询商品销量的情况，减少了人力成本以及时间成本。

Description

闪购活动销量预测方法及装置、存储介质、电子设备

技术领域

本公开涉及电子商务技术领域，具体而言，涉及一种闪购活动销量预测方法、闪购活动销量预测装置、计算机可读存储介质以及电子设备。

背景技术

随着互联网技术的快速发展，出现了大量的电商平台。在各电商平台的商品页面中，每天都需要大量的活动在线以满足消费者的需求进而达到促进以及刺激消费的目的。

在现有的活动搭建技术中，大多都是通过运营人员查询各个活动中出现的商品在活动之前的销售情况，然后根据该销售情况再初步判断该活动是否可以取得一个较好的销量以达到活动的目的。

但是，上述活动搭建技术存在以下缺点：一方面，由于需要运营人员通过人工查询商品的销售情况，因此需要耗费大量的人力同时还需要耗费大量的时间；另一方面，由于是通过人工进行查询，很难全面的查询到所有的商品的销售情况，因此对一些销量较好的商品存在查询不到的情况，进而会影响销售情况的判断。

因此，需要提供一种新的闪购活动销量预测方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种闪购活动销量预测方法、闪购活动销量预测装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种闪购活动销量预测方法，包括：

获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型；

获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测；

将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。

在本公开的一种示例性实施例中，对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型包括：

对所述历史商品数据以及历史商品促销数据进行整理以得到关联商品数据；

利用线性回归算法对所述关联商品数据进行训练得到所述闪购商品销量预测模型。

在本公开的一种示例性实施例中，对所述历史商品数据以及历史商品促销数据进行整理以得到关联商品数据包括：

以天为维度对所述历史商品数据以及历史商品促销数据进行整理；

为整理后的历史商品数据配置星期N的属性并利用整理后的历史商品促销数据计算出商品促销力度；

对配置有星期N的属性的历史商品数据以及商品促销力度进行关联得到所述关联商品数据。

在本公开的一种示例性实施例中，所述关联商品数据的字段包括日期信息、商品当天UV、商品当天价格、商品在预设时间段内UV、商品在预设时间内被搜索次数、商品当天好评率、商品品牌知名度、星期N的属性以及商品促销力度中的多种。

在本公开的一种示例性实施例中，为整理后的历史商品数据配置星期N的属性包括：

根据所述历史商品数据对应的日期信息，为所述历史商品数据配置星期N的属性。

在本公开的一种示例性实施例中，利用整理后的历史商品促销数据计算出商品促销力度包括：

根据商品当天UV、商品未参加促销UV以及商品当天UV所属的天数计算所述商品促销力度。

在本公开的一种示例性实施例中，闪购商品销量预测模型包括商品UV预测模型以及商品转化率预测模型；所述关联商品数据包括商品UV预测模型训练数据集以及商品转化率预测模型训练数据集。

在本公开的一种示例性实施例中，利用线性回归算法对所述关联商品数据进行训练得到所述闪购商品销量预测模型包括：

利用线性回归算法对所述商品UV预测模型训练数据集进行训练得到所述UV预测模型；以及

利用线性回归算法对所述商品转化率预测模型训练数据集进行训练得到所述商品转化率预测模型；

根据所述UV预测模型以及所述商品转化率预测模型得到所述闪购商品销量预测模型。

在本公开的一种示例性实施例中，利用线性回归算法对所述商品UV预测模型训练数据集进行训练得到所述UV预测模型包括：

从所述商品UV预测模型训练数据集获取预设数量的商品数据并将所述商品数据的数据格式进行转换；

利用线性回归算法对转换后的商品数据进行训练得到所述UV预测模型。

根据本公开的一个方面，提供一种闪购活动销量预测装置，包括：

计算模块，用于获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型；

预测模块，用于获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测；

求和模块，用于将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的闪购活动销量预测方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的闪购活动销量预测方法。

本公开一种闪购活动销量预测方法及装置，通过历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型；然后利用闪购商品销量预测模型对各待预测商品的销量进行预测；最后将各待预测商品的销量进行求和运算，得到闪购活动的预测销量；一方面，由于可以利用闪购商品销量预测模型对各待预测商品的销量进行预测，可以快速的预测各商品的销量，避免了需要运营人员通过人工查询商品销量的情况，减少了人力成本以及时间成本；另一方面，可以利用闪购商品销量预测模型对所有待预测商品的销量进行预测，可以全面、准确的计算出各商品的销量，因此可以帮助运营人员在设置活动时可以有一个准确的判断依据，并在销量预测结果未达到预设结果时对活动进行调整，因此可以提高活动的质量。

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。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出一种闪购活动系统平台示例图。

图2示意性示出一种闪购活动销量预测方法的流程图。

图3示意性示出一种闪购商品销量预测模型计算方法的流程图。

图4示意性示出一种商品UV预测模型训练数据集处理的方法流程图。

图5示意性示出一种商品转化率预测模型训练数据集处理的方法流程图。

图6意性示出一种商品UV预测模型训练示例图。

图7示意性示出一种商品转化率预测模型训练示例图。

图8示意性示出一种闪购活动销量预测方法的结构示例图。

图9示意性示出一种闪购活动销量预测装置的框图。

图10示意性示出一种用于实现上述闪购活动销量预测方法的电子设备。

图11示意性示出一种用于实现上述闪购活动销量预测方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

首先，对闪购活动系统平台进行解释以及说明。参考图1所示，该闪购活动系统平台可以包括历史商品数据分析模块、历史商品促销分析模块、闪购商品销售预测模块、闪购促销力度管理模块以及闪购活动销售预测模块；还可以包括多个集群：Hadoop集群、Spark集群以及Mysql集群等等。其中：

Hadoop集群：基于Hadoop搭建的集群，可以存储闪购历史上所有活动的数据信息、商品信息、以及商品促销信息等等。

Spark集群：基于Spark搭建的集群，可以利用Spark集群可以对海量数据进行快速计算的能力，对历史商品数据以及历史商品促销数据进行机器学习算法的计算，得出闪购商品销量预测模型并保留该模型。

Mysql集群：基于mysql数据库搭建的集群，可以用于存储需要预测的商品信息，以及闪购的促销力度影响力信息；其中，促销力度影响力可以用于评价商品的受欢迎程度；例如，如果促销力度影响力为1，可以相当于平时正常流量；如果促销力度影响力为2，可以相当于是平时的2倍流量等等。

历史商品数据分析模块：该模块可以通过利用Hadoop集群中存储的历史商品原始数据进行加工处理后，得出商品的关键信息，以提供给后续Spark集群中的机器学习使用。

历史商品促销分析模块：该模块可以通过利用Hadoop集群中存储的历史商品的促销原始数据进行加工处理后，得出sku在历史上每一天的促销信息，然后会转换成力度影响力，然后将这些数据提供Spark集群中的机器学习使用。

闪购商品销售预测模块：该模块可以利用Spark集群运用机器学生算法中的线性回归算法，训练出闪购商品销售的预测模型，并保证模型方便后续闪购活动销售模块使用。

闪购促销力度管理模块：运营人员可以通过该模块对参加闪购的活动指定一个促销力度，并将该促销力度保存到mysql集群。

闪购活动销售预测模块：该模块可以对闪购活动的各个商品调用闪购商品销售预测模型模块进行预测计算，然后得出该活动的销售预测量。

基于上述闪购活动系统平台，本示例实施方式中首先提供了一种闪购活动销量预测方法。参考图2所示，该闪购活动销量预测方法可以包括以下步骤：

步骤S210.获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型。

步骤S220.获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测。

步骤S230.将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。

上述闪购活动销量预测方法中，一方面，由于可以利用闪购商品销量预测模型对各待预测商品的销量进行预测，可以快速的预测各商品的销量，避免了需要运营人员通过人工查询商品销量的情况，减少了人力成本以及时间成本；另一方面，可以利用闪购商品销量预测模型对所有待预测商品的销量进行预测，可以全面、准确的计算出各商品的销量，因此可以帮助运营人员在设置活动时可以有一个准确的判断依据，并在销量预测结果未达到预设结果时对活动进行调整，因此可以提高活动的质量。

下面，将对本示例实施方式中上述闪购活动销量预测方法中的各步骤进行详细的解释以及说明。

在步骤S210中，获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型。

在本示例实施方式中，上述历史商品数据以及历史商品促销数据可以从Hadoop集群中进行获取；进一步的，可以获取一段时间(例如可以是一季度或者半年，也可以是一年等等)内的历史商品数据以及历史商品促销数据；也可以获取全部的历史商品数据以及历史商品促销数据，本示例对此不做特殊限制。进一步的，参考图3所示，对历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型可以包括步骤S310以及步骤S320。其中：

在步骤S310中，对所述历史商品数据以及历史商品促销数据进行整理以得到关联商品数据。进一步的，对历史商品数据以及历史商品促销数据进行整理以得到关联商品数据可以包括步骤S3102-步骤S3106。其中：

在步骤S3102中，以天为维度对所述历史商品数据以及历史商品促销数据进行整理。详细而言：

参考图4以及图5所示，通过对存储在Hadoop集群中的历史商品数据以及历史商品促销数据进行整理，以天为维度进行整合得到需要的字段，例如可以包括：date(日期)、sku_uv(sku当天uv)、sku_price(sku当天价格)、sku_1_uv(sku前1天uv)、sku_7_uv(sku前7天uv)、sku_1_search_num(sku对应关键字前1天被搜索次数)、sku_7_search_num(sku对应关键字前7天被搜索次数)、sku_1_cate_uv(sku对应三级类目前一天uv)、sku_7_cate_uv(sku对应三级类目前7天uv)。

在步骤S3104中，为整理后的历史商品数据配置星期N的属性并利用整理后的历史商品促销数据计算出商品促销力度。

首先，对为整理后的历史商品数据配置星期N的属性进行解释说明。其中，对为整理后的历史商品数据配置星期N的属性可以包括：根据所述历史商品数据对应的日期信息，为所述历史商品数据配置星期N的属性。详细而言：

对上面按天整合后的商品信息根据他们各自对应的日期，匹配上星期N的属性，可以将其定义为：sku_xq，sku_xq的取值可以包括：1/2/3/4/5/6/7；其中，1对应星期一，2对应星期二等等；因此，商品信息中就可以增加sku_xq的字段。

其次，对利用整理后的历史商品促销数据计算出商品促销力度进行解释说明。其中，利用整理后的历史商品促销数据计算出商品促销力度可以包括：根据商品当天UV、商品未参加促销UV以及商品当天UV所属的天数计算所述商品促销力度。详细而言：

首先，通过对存储在Hadoop集群中的历史商品数据进行整理计算出按天为维度的商品信息，举例而言：例如2016-06-18，该天该sku有促销信息记录，则需要对改天的历史商品促销部分的数据进行整理，最后得到的字段可以包括：date、sku_uv(sku当天uv)、sku_no_uv(该sku没有参加该促销前的那一天uv)、sku_cx_day(当天该sku是已经参加该促销信息的第几天)；其次，根据促销力度定义计算出该sku当天的促销力度，记为：sku_cx_ld；促销力度公式为：

sku_cx_ld＝(sku_uv/sku_no_uv)*((100–(sku_cx_day-1)*10)*0.01)；然后将计算出的促销力度sku_cx_ld进行保存。

在步骤S3106中，对配置有星期N的属性的历史商品数据以及商品促销力度进行关联得到所述关联商品数据。

在本示例实施方式中，上述关联商品数据的字段可以包括日期信息、商品当天UV、商品当天价格、商品在预设时间段内UV、商品在预设时间内被搜索次数、商品当天好评率、商品品牌知名度、星期N的属性以及商品促销力度中等等。详细而言：

通过对配置有星期N的属性的历史商品数据以及促销力度进行关联，最后得到的关联商品数据的字段可以包括：date(日期)、sku_uv(sku当天uv)、sku_price(sku当天价格)、sku_1_uv(sku前1天uv)、sku_7_uv(sku前7天uv)、sku_1_search_num(sku对应关键字前1天被搜索次数)、sku_7_search_num(sku对应关键字前7天被搜索次数)、sku_1_cate_uv(sku对应三级类目前一天uv)、sku_7_cate_uv(sku对应三级类目前7天uv)、sku_xq(星期几)、sku_cx_ld(sku的促销力度)；然后上述字段数据保存到hadoop集群，方便后续的使用。

在步骤S320中，利用线性回归算法对所述关联商品数据进行训练得到所述闪购商品销量预测模型。

在本示例实施方式中，上述闪购商品销量预测模型可以包括：闪购商品销量预测模型包括商品UV预测模型以及商品转化率预测模型；所述关联商品数据包括商品UV预测模型训练数据集以及商品转化率预测模型训练数据集。此处需要补充说明的是，商品的销量可以由商品的价格以及商品的订单数通过求积运算得到；进一步的，商品的订单数可以由商品UV以及转化率通过求积运算得到；因此，闪购商品销量的预测模型可以包括商品UV预测模型以及商品转化率预测模型。进一步的，对关联商品数据进行训练得到所述闪购商品销量预测模型可以包括步骤S3202-步骤S3206。其中：

在步骤S3202中，利用线性回归算法对所述商品UV预测模型训练数据集进行训练得到所述UV预测模型。进一步的，对商品UV预测模型训练数据集进行训练得到UV预测模型可以包括：从所述商品UV预测模型训练数据集获取预设数量的商品数据并将所述商品数据的数据格式进行转换；利用线性回归算法对转换后的商品数据进行训练得到所述UV预测模型。详细而言：

参考图6所示，首先，利用spark-sql编写hql并利用hql从hadoop集群中的商品UV预测模型训练数据集表中随机返回30W的样本数据；其次，对30W的样本通过利用spark中的RDD的map功能，把数据转化为后续算法可识别格式；其中，格式可以包括：[sku_uv、sku_price、sku_1_uv、sku_7_uv、sku_1_search_num、sku_7_search_num、sku_1_cate_uv、sku_7_cate_uv、sku_cx_ld；然后，利用spark-MLLib中的线性回归算法进行模型训练；其中，模型训练是spark中自带的一个模块，专门用于机器学习算法；用到的关键代码api可以包括：val UV1_MODEL＝newlinearRegressionWithLSGD().train(30W样本)；然后对训练好的线性回归模型进行对验证数据的测试；经过重复上面多次后，选取一个验证率最高的模型并将该模型保存到spark中。此处需要补充说明的是，为了提高预测的准确度，可以对星期几的属性进行预先的处理；例如：对于星期一，会直接选择全是星期一的数据，然后进行训练，最终得出的模型我们为记为UV1_MODEL；同理的最终会有7个UV预测模型；当需要对一个待预测的商品的销量进行预测时，可以根据该商品的星期N属性利用对应的预测模型进行预测。

在步骤S3204中，利用线性回归算法对所述商品转化率预测模型训练数据集进行训练得到所述商品转化率预测模型。进一步的，商品转化率预测模型训练数据集进行训练得到商品转化率预测模型可以包括：从所述商品转化率预测模型训练数据集获取预设数量的商品数据并将所述商品数据的数据格式进行转换；利用线性回归算法对转换后的商品数据进行训练得到所述商品转化率预测模型。详细而言：

参考图7所示，首先，利用spark-sql编写hql并利用从hadoop集群中的商品转化率预测模型训练数据集表中随机返回30W样本数据；其次，对30W的样本数据通过利用spark中的RDD的map功能，把数据转化为后续算法可识别格式；其中，格式可以包括：[sku_zhl、sku_price、sku_1_zhl、sku_7_zhl、sku_1_search_num、sku_7_search_num、sku_goods、sku_brand、sku_cx_ld]；然后，利用spark-MLLib中的线性回归算法进行模型训练；其中，模型训练可以是spark中自带的一个模块，可以用于机器学习算法；模型训练的关键代码api可以包括：val ZHL1_MODEL＝newlinearRegression WithLSGD().train(30W样本)；最后，对训练好的线性回归模型进行对验证数据的测试；经过重复多次验证并选取一个验证率最高的模型并将该模型保存到spark中。此处需要补充说明的是，为了提高预测的准确度，可以对星期几的属性进行预先的处理；例如：对于星期一，会直接选择全是星期一的数据，然后进行训练，最终得出的模型我们为记为UV1_MODEL；同理的最终会有7个UV预测模型；当需要对一个待预测的商品的销量进行预测时，可以根据该商品的星期N属性利用对应的预测模型进行预测。

在步骤S3206中，根据所述UV预测模型以及所述商品转化率预测模型得到所述闪购商品销量预测模型。详细而言：

由于商品的销量可以由商品的价格以及商品的订单数通过求积运算得到；进一步的，商品的订单数可以由商品UV以及转化率通过求积运算得到；因此，当商品UV预测模型以及商品转化率预测模型确定以后，就可以根据商品UV预测模型以及商品转化率预测模型确定闪购商品销量预测模型。

在步骤S220中，获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测。详细而言：

参考图8所示，首先，通过spark-sql编写hql语句并利用sql从mysql集群中待预测闪购活动数据表中查询出任一活动的全部sku信息并以sku为维度进行记录，一条sku可以记为Data；此处需要补充说明的是，待预测闪购活动数据里包括的数据可以是加工以后的数据，可以包括模型计算要用到的所有值；其次，将Data数据通过spark的map方法，转换成spark数据格式；再将Data数据封装成能参与商品UV预测模型计算的格式(记为UV_Data)，该格式可以包括：(sku_id,feature)，其中，feature的格式可以包括：[sku_price、sku_1_uv、sku_7_uv、sku_1_search_num、sku_7_search_num、sku_1_cate_uv、sku_7_cate_uv、sku_cx_ld]等等；然后，再将Data数据封装成能参与商品转化率预测模型计算的格式(记为ZHL_Data)，格式可以包括：(sku_id,feature)，其中，feature的格式可以包括：[sku_price、sku_1_zhl、sku_7_zhl、sku_1_search_num、sku_7_search_num、sku_goods、sku_brand、sku_cx_ld]等等；最后，再调用之前保存在spark集群中的模型UV_Model(商品uv预测模型)，调用predict方法并返回一个值(记为yc_uv)，则该值就可以是模型预测的uv；进一步的，再调用之前保存在spark集群中的模型ZHL_Model(商品转化率预测模型)，调用predict方法并返回一个值(记为yc_zhl)，则该值就可以是模型预测的转化率；更进一步的，通过销量计算公式：商品销量＝商品价格*订单数；并且订单数＝UV*转化率；则根据预测uv和预测转化率就可以计算出该商品的销量。

在步骤S230中，将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。详细而言：

将任一活动里面对应的所有sku的销量进行相加，最终就得到了这个活动的预测销量。举例而言：例如一个活动里面有300中商品，则可以分别计算各商品的销量，然后再将300中商品的销量相加则可以得到该活动的总销量。

本公开还提供了一种闪购活动销量预测装置。参考图9所示，该闪购活动销量预测装置可以包括计算模块910、预测模块920以及求和模块930。其中：

计算模块910可以用于获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型。

预测模块920可以用于获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测。

求和模块930可以用于将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。

上述闪购活动销量预测装置中各模块的具体细节已经在对应的闪购活动销量预测方法中进行了详细想描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图10来描述根据本发明的这种实施方式的电子设备600。图10显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2中所示的步骤S210：获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型；S220：获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测；步骤S230：将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图11所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。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权利要求指出。

Claims (12)

1.一种闪购活动销量预测方法，其特征在于，包括：

获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型；

获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测；

将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。

2.根据权利要求1所述的闪购活动销量预测方法，其特征在于，对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型包括：

对所述历史商品数据以及历史商品促销数据进行整理以得到关联商品数据；

利用线性回归算法对所述关联商品数据进行训练得到所述闪购商品销量预测模型。

3.根据权利要求2所述的闪购活动销量预测方法，其特征在于，对所述历史商品数据以及历史商品促销数据进行整理以得到关联商品数据包括：

以天为维度对所述历史商品数据以及历史商品促销数据进行整理；

为整理后的历史商品数据配置星期N的属性并利用整理后的历史商品促销数据计算出商品促销力度；

对配置有星期N的属性的历史商品数据以及商品促销力度进行关联得到所述关联商品数据。

4.根据权利要求3所述的闪购活动销量预测方法，其特征在于，所述关联商品数据的字段包括日期信息、商品当天UV、商品当天价格、商品在预设时间段内UV、商品在预设时间内被搜索次数、商品当天好评率、商品品牌知名度、星期N的属性以及商品促销力度中的多种。

5.根据权利要求4所述的闪购活动销量预测方法，其特征在于，为整理后的历史商品数据配置星期N的属性包括：

根据所述历史商品数据对应的日期信息，为所述历史商品数据配置星期N的属性。

6.根据权利要求4所述的闪购活动销量预测方法，其特征在于，利用整理后的历史商品促销数据计算出商品促销力度包括：

根据商品当天UV、商品未参加促销UV以及商品当天UV所属的天数计算所述商品促销力度。

7.根据权利要求3所述的闪购活动销量预测方法，其特征在于，闪购商品销量预测模型包括商品UV预测模型以及商品转化率预测模型；所述关联商品数据包括商品UV预测模型训练数据集以及商品转化率预测模型训练数据集。

8.根据权利要求7所述的闪购活动销量预测方法，其特征在于，利用线性回归算法对所述关联商品数据进行训练得到所述闪购商品销量预测模型包括：

利用线性回归算法对所述商品UV预测模型训练数据集进行训练得到所述UV预测模型；以及

利用线性回归算法对所述商品转化率预测模型训练数据集进行训练得到所述商品转化率预测模型；

根据所述UV预测模型以及所述商品转化率预测模型得到所述闪购商品销量预测模型。

9.根据权利要求8所述的闪购活动销量预测方法，其特征在于，利用线性回归算法对所述商品UV预测模型训练数据集进行训练得到所述UV预测模型包括：

从所述商品UV预测模型训练数据集获取预设数量的商品数据并将所述商品数据的数据格式进行转换；

利用线性回归算法对转换后的商品数据进行训练得到所述UV预测模型。

10.一种闪购活动销量预测装置，其特征在于，包括：

计算模块，用于获取历史商品数据以及历史商品促销数据并对所述历史商品数据以及历史商品促销数据进行计算得到闪购商品销量预测模型；

预测模块，用于获取多个待预测商品信息并利用所述闪购商品销量预测模型对各所述待预测商品的销量进行预测；

求和模块，用于将各所述待预测商品的销量进行求和运算，得到所述闪购活动的预测销量。

11.一种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权利要求1-9任一项所述的闪购活动销量预测方法。

12.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-9任一项所述的闪购活动销量预测方法。