CN109886747A - 销量预测方法、介质、装置和计算设备 - Google Patents
销量预测方法、介质、装置和计算设备 Download PDFInfo
- Publication number
- CN109886747A CN109886747A CN201910132704.7A CN201910132704A CN109886747A CN 109886747 A CN109886747 A CN 109886747A CN 201910132704 A CN201910132704 A CN 201910132704A CN 109886747 A CN109886747 A CN 109886747A
- Authority
- CN
- China
- Prior art keywords
- sales volume
- sales
- time series
- prediction
- promotion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的实施方式提供了一种销量预测方法、介质、销量预测装置和计算设备。该销量预测方法包括:获取第一时间区间内的历史销量时间序列;将历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列;将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,促销时间节点位于第二时间区间内;将预测销量时间序列中对应于促销时间节点的预测销量数据替换为促销销量数据。本发明的方法通过建立平日销量预测模型和促销销量预测模型,能够实现对平日平稳销量与促销峰值销量的一体化销量预测,具有较强的泛化能力和自适应调节能力。
Description
技术领域
本发明的实施方式涉及计算机技术领域,更具体地,本发明的实施方式涉及销量预测方法、介质、销量预测装置和计算设备。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
销量预测是电子商务、线下零售、大宗商品交易的核心算法,长期以来通过对多粒度周期进行自回归建模的传统方法被广泛应用。通过在不同的时间周期粒度,如十年、年、月、周,对销量特征进行回归建模,再将不同粒度的回归结果融合,得到未来一段时间的销量预测结果。
发明内容
但是,由于受到市场、营销等多方面因素的影响,现有技术中的基于自回归建模以及其他一些销量预测方法一般只能对平稳销量趋势进行预测,而对非周期性、非平稳销量预测方面存在较大缺陷。
为此,目前亟需一种改进的销量预测方法,以便能够实现对多种因素影响下的未来销量进行准确预测。
在本上下文中,本发明的实施方式期望提供一种销量预测方法、介质、销量预测装置和计算设备,以期至少在一定程度上克服现有技术中的相关问题和缺陷。
在本发明实施方式的第一方面中,提供了一种销量预测方法,包括:获取第一时间区间内的历史销量时间序列;将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列;将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,所述促销时间节点位于所述第二时间区间内;将所述预测销量时间序列中对应于所述促销时间节点的预测销量数据替换为所述促销销量数据。
在本发明的一些实施例中,基于以上技术方案,所述平日销量预测模型为预先训练完成的序列到序列模型,所述序列到序列模型包括基于第一神经网络模型的编码器和基于第二神经网络模型的解码器;其中,所述编码器用于对所述历史销量时间序列进行编码,所述解码器用于根据所述编码器的编码结果输出所述预测销量时间序列。
在本发明的一些实施例中,基于以上技术方案,所述第一神经网络模型和所述第二神经网络模型均为长短期记忆模型。
在本发明的一些实施例中,基于以上技术方案,所述将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列,包括:将所述历史销量时间序列输入至所述编码器以得到最终隐层状态;将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列。
在本发明的一些实施例中,基于以上技术方案,所述将所述历史销量时间序列输入至所述编码器以得到最终隐层状态,包括:将所述历史销量时间序列中的对应于所述第一时间区间中各个时间节点的历史销量数据依次输入至所述编码器;基于当前时间节点的历史销量数据以及前一时间节点的隐层状态,利用所述编码器编码输出当前时间节点的隐层状态;根据所述第一时间区间中各个时间节点的隐层状态确定所述最终隐层状态。
在本发明的一些实施例中,基于以上技术方案,所述根据所述第一时间区间中各个时间节点的隐层状态确定所述最终隐层状态,包括:将所述第一时间区间中最后一个时间节点的隐层状态作为所述最终隐层状态。
在本发明的一些实施例中,基于以上技术方案,所述将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列,包括:将所述最终隐层状态输入至所述解码器以得到所述第二时间区间中第一个时间节点的隐层状态以及第一个时间节点的预测销量数据;基于前一时间节点的隐层状态以及所述前一时间节点的预测销量数据,利用所述解码器解码输出当前时间节点的隐层状态以及所述当前时间节点的预测销量数据;将所述第二时间区间中各个时间节点的预测销量数据进行组合以得到所述预测销量时间序列。
在本发明的一些实施例中,基于以上技术方案,所述序列到序列模型还包括用于向所述编码器和/或所述解码器提供注意力分配概率分布信息的注意力分配模块。
在本发明的一些实施例中,基于以上技术方案,所述促销销量预测模型为树模型。
在本发明的一些实施例中,基于以上技术方案,所述树模型为XGBoost模型。
在本发明的一些实施例中,基于以上技术方案,所述历史销量时间序列是在所述第一时间区间内对应于第一时间颗粒度的销量时间序列,所述预测销量时间序列是在所述第二时间区间内对应于第二时间颗粒度的销量时间序列;其中,所述第一时间颗粒度小于所述第二时间颗粒度。
在本发明的一些实施例中,基于以上技术方案,在将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列之后,所述方法还包括:获取用于修正所述预测销量时间序列的销量修正信息;根据所述销量修正信息确定修正时间节点和销量修正因子;其中,所述修正时间节点位于所述第二时间区间内;根据所述销量修正因子以及预测销量时间序列中对应于所述修正时间节点的前一时间节点的预测销量数据确定修正销量数据;将所述预测销量时间序列中对应于所述修正时间节点的预测销量数据替换为所述修正销量数据。
在本发明实施方式的第二方面中,提供了一种介质,其上存储有程序,该程序被处理器执行时实现如以上各实施例中任意一项的方法。
在本发明实施方式的第三方面中,提供了一种销量预测装置,包括:历史销量获取单元,被配置为获取第一时间区间内的历史销量时间序列;平日销量预测单元,被配置为将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列;促销销量预测单元,被配置为将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,所述促销时间节点位于所述第二时间区间内;促销销量替换单元,被配置为将所述预测销量时间序列中对应于所述促销时间节点的预测销量数据替换为所述促销销量数据。
在本发明的一些实施例中,基于以上技术方案,所述平日销量预测单元中的平日销量预测模型为预先训练完成的序列到序列模型,所述序列到序列模型包括基于第一神经网络模型的编码器和基于第二神经网络模型的解码器;其中,所述编码器用于对所述历史销量时间序列进行编码,所述解码器用于根据所述编码器的编码结果输出所述预测销量时间序列。进一步地,所述第一神经网络模型和所述第二神经网络模型均为长短期记忆模型。
在本发明的一些实施例中,基于以上技术方案,所述平日销量预测单元包括:编码子单元,被配置为将所述历史销量时间序列输入至所述编码器以得到最终隐层状态;解码子单元,被配置为将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列。
在本发明的一些实施例中,基于以上技术方案,所述编码子单元包括:编码输入子单元,被配置为将所述历史销量时间序列中的对应于所述第一时间区间中各个时间节点的历史销量数据依次输入至所述编码器;隐层编码子单元,被配置为基于当前时间节点的历史销量数据以及前一时间节点的隐层状态,利用所述编码器编码输出当前时间节点的隐层状态;状态确定子单元,被配置为根据所述第一时间区间中各个时间节点的隐层状态确定所述最终隐层状态。进一步地,所述根据所述第一时间区间中各个时间节点的隐层状态确定所述最终隐层状态,可以是将所述第一时间区间中最后一个时间节点的隐层状态作为所述最终隐层状态。
在本发明的一些实施例中,基于以上技术方案,所述解码子单元包括:解码输入子单元,被配置为将所述最终隐层状态输入至所述解码器以得到所述第二时间区间中第一个时间节点的隐层状态以及第一个时间节点的预测销量数据;隐层解码子单元,被配置为基于所述解码器利用前一时间节点的隐层状态以及所述前一时间节点的预测销量数据,利用所述解码器解码输出当前时间节点的隐层状态以及所述当前时间节点的预测销量数据;数据组合子单元,被配置为将所述第二时间区间中各个时间节点的预测销量数据进行组合以得到所述预测销量时间序列。
在本发明的一些实施例中,基于以上技术方案,所述平日销量预测单元中的序列到序列模型还包括用于向所述编码器和/或所述解码器提供注意力分配概率分布信息的注意力分配模块。
在本发明的一些实施例中,基于以上技术方案,所述促销销量预测单元中的促销销量预测模型为树模型。进一步地,该树模型可以为XGBoost模型。
在本发明的一些实施例中,基于以上技术方案,所述平日销量预测单元中涉及的历史销量时间序列是在所述第一时间区间内对应于第一时间颗粒度的销量时间序列,所述预测销量时间序列是在所述第二时间区间内对应于第二时间颗粒度的销量时间序列;其中,所述第一时间颗粒度小于所述第二时间颗粒度。
在本发明的一些实施例中,基于以上技术方案,所述装置还包括:修正信息获取单元,被配置为获取用于修正所述预测销量时间序列的销量修正信息;修正信息确定单元,被配置为根据所述销量修正信息确定修正时间节点和销量修正因子;其中,所述修正时间节点位于所述第二时间区间内;修正数据确定单元,被配置为根据所述销量修正因子以及预测销量时间序列中对应于所述修正时间节点的前一时间节点的预测销量数据确定修正销量数据;修正数据替换单元,被配置为将所述预测销量时间序列中对应于所述修正时间节点的预测销量数据替换为所述修正销量数据。
在本发明实施方式的第四方面中,提供了一种计算设备,包括:处理器和存储器,所述存储器存储有可执行指令,所述处理器用于调用所述存储器存储的可执行指令执行如以上各实施例中任意一项的方法。
根据本发明实施方式中提供的销量预测方法、介质、销量预测装置和计算设备,通过建立平日销量预测模型和促销销量预测模型,并对两种模型的输出结果进行整合,由此得到的预测数据既保证了对周期性平稳销量的预测,同时也兼顾了市场、营销等多方面因素对整体销量预测结果的影响,从而能够实现对平日平稳销量与促销峰值销量的一体化销量预测,具有较强的泛化能力和自适应调节能力。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1示出了本发明实施方式在一种应用场景中的销量预测方法示意图;
图2示意性地示出了根据本发明一个实施例的销量预测方法的步骤流程图;
图3示意性地示出了根据本发明另一实施例的销量预测方法的部分步骤流程图;
图4示意性地示出了根据本发明又一实施例的销量预测方法的部分步骤流程图;
图5示意性地示出了根据本发明再一实施例的销量预测方法的部分步骤流程图;
图6示意性示出了本发明一个实施例的销量预测方法在一种应用场景中使用的序列到序列模型框图。
图7示意性示出了本发明一个实施例的销量预测方法在一种应用场景中使用的基于注意力机制的序列到序列模型框图。
图8示意性地示出了根据本发明再一实施例的销量预测方法的部分步骤流程图;
图9示意性地示出了根据本发明一个实施例的销量预测装置的组成框图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本发明可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施方式,提出了一种销量预测方法、介质、销量预测装置和计算设备。
在本文中所涉及的部分术语解释如下:
“神经网络模型”是一种由大量的、简单的处理单元(即神经元)广泛地互相连接而形成的高度复杂的非线性动力学系统,属于一种通用机器学习算法。
“序列到序列模型”(Sequence to Sequence,简称Seq2Seq)是使用自编码器结构训练及使用神经网络的一种框架,旨在实现输入输出序列的尺度、长度异构。
“长短期记忆模型”(Long Short-Term Memory,简称LSTM)是时间递归神经网络模型中的一种,适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
“注意力选择机制”指的是通过对序列中每一个数据元进行注意力权重打分,使用权重融合输入序列中重要信息的机制。
“销量预测”指的是利用历史销量信息预测未来一段时间内商品在单位时间内的销量或者总销量。
此外,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
发明概述
本发明人发现,在相关技术中利用不同时间周期粒度对销量特征进行回归建模一般可以借助时间序列的随机性来描述平稳序列的相关性信息。预测结果基于回归及移动平均,能够有效预测平稳销量趋势及数值,但是对于由多种因素作用导致的非周期性、非平稳销量预测能力不足。
本发明旨在提出一种预测算法框架,能够承担变长、变粒度时间序列预测,并对于不同销售模式进行自适应调节预测。本发明的总体逻辑是,对于每件预测商品,首先获取历史销量数据,然后使用平日销量预测模型得到未来一段时间的平日销量预测结果。同时通过促销销量预测模型预测在未来时间内所包含各大促期间内的销量信息,替换原平日销量预测结果中大促期间的销量数据,进而实现对非周期性、非平稳销量的准确预测。
在介绍了本发明的基本原理之后,下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
需要注意的是,下述应用场景仅是为了便于理解本发明的精神和原理而示出,本发明的实施方式在此方面不受任何限制。相反,本发明的实施方式可以应用于适用的任何场景。
参考图1所示的应用场景,将过去56日中对应于每天的历史销量数据输入至平日销量预测模型中,可以得到未来8周内对应于每周的平日销量预测数据。而在未来8周时间内可能存在若干次促销活动(图1示例性示出了包括大促#1和大促#2的共2次促销活动),在此基础上利用促销销量预测模型可以得到相应促销时间节点的促销销量。滤除原平日销量预测数据中对应于促销时间节点部分的销量数据后,再将平日销量预测数据与大促销量预测数据进行整合后即得到准确的未来销量预测。
示例性方法
下面结合上述的应用场景,参考图2至图8来描述根据本发明示例性实施方式的销量预测方法。
如图2所示的方法流程,在本发明的一种示例性实施方式中,销量预测方法主要可以包括以下步骤:
步骤S210.获取第一时间区间内的历史销量时间序列。
本步骤首先需要获取用于销量预测的历史销量数据,具体可以是获取第一时间区间内的历史销量时间序列。其中,第一时间区间是对应于历史销量数据的一个时间段,例如可以是以当前时间节点作为起始点,将在此之前的一段时间作为第一时间区间;另外也可以是以一个历史时间节点作为起始点,将在其之前的一段时间作为第一时间区间;此外还可以根据实际需要选取任意长度和任意位置的历史时间区间作为第一时间区间,本示例性实施方式对此不做特殊限定。一般而言,作为销量预测基础的第一时间区间的长度大于待预测销量的第二时间区间的长度。在确定第一时间区间后即可得到第一时间区间内对应于不同时间节点(或者由多个相邻时间节点构成的时间子区间)的历史销量数据。本步骤将第一时间区间内的历史销量数据按照时间先后顺序进行排列即形成相应的历史销量时间序列。
步骤S220.将历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列。
基于步骤S210中获取到的历史销量时间序列,利用平日销量预测模型即可计算得到第二时间区间内的预测销量时间序列。其中,平日销量预测模型可以是预先训练完成的机器学习模型,尤其可以是基于神经网络算法的机器学习模型。与历史销量时间序列相似的,预测销量时间序列也是由多个时间节点或者时间子区间对应的销量数据按照时间先后顺序进行排列形成的。第二时间区间的整体时间跨度可以与第一时间区间相同,也可以不同。另外,第二时间区间内的时间节点或者时间子区间的数量以及时间颗粒度可以与第一时间区间相同,也可以不同。本示例性实施方式对此均不做特殊限定。
步骤S230.将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,促销时间节点位于第二时间区间内。
步骤S220中得到的预测销量时间序列是在未考虑促销活动或者其他因素影响下的平稳销量数据,为了获得更准确的销量预测结果,本步骤可以采集对应于第二时间区间的促销活动信息,亦即采集促销时间节点在第二时间区间内的促销活动的相关信息。然后利用促销销量预测模型即可计算得到相应促销时间节点的促销销量数据。其中,促销销量预测模型可以采用预先训练完成的机器学习模型,例如可以使用传统的树模型,尤其可以选用XGBoost模型。相比于其他算法,这类模型具有计算速度快的优点,可以满足大数据量的快速运算。当然,在其他一些实施例中,促销销量预测模型也可以根据需要选用AdaBoost或者GBDT等任意的集成学习算法,本发明对此不做特殊限定。
步骤S240.将预测销量时间序列中对应于促销时间节点的预测销量数据替换为促销销量数据。
基于步骤S220和步骤S230中获得的相关数据,本步骤将把预测销量时间序列和促销销量数据进行整合,具体可以是将预测销量时间序列中对应于促销时间节点的预测销量数据替换为步骤S230得到的促销销量数据,整合得到的数据即可用于对未来第二时间区间内的销量进行预测。
本示例性实施方式中的销量预测方法通过建立平日销量预测模型和促销销量预测模型,并对两种模型的输出结果进行整合,由此得到的预测数据既保证了对周期性平稳销量的预测,同时也兼顾了市场、营销等多方面因素对整体销量预测结果的影响,从而能够实现对平日平稳销量与促销峰值销量的一体化销量预测,具有较强的泛化能力和自适应调节能力。
在以上示例性实施方式的基础上,步骤S220中使用的平日销量预测模型可以是预先训练完成的序列到序列模型(Seq2Seq),该序列到序列模型包括基于第一神经网络模型的编码器和基于第二神经网络模型的解码器;其中,编码器用于对历史销量时间序列进行编码,解码器用于根据编码器的编码结果输出预测销量时间序列。在本示例性实施方式中,第一神经网络模型与第二神经网络模型可以是相同类型的模型,例如均可以选用长短期记忆模型(LSTM),或者也可以选用循环神经网络的门控单元模型(Gated Recurrent Unit,简称GRU)。另外,在其他一些示例性实施方式中,编码器和解码器也可以根据实际需要而分别选用不同类型的神经网络模型。例如,编码器可以选用任意一种循环神经网络模型(Recurrent Neural Networks,简称RNN)或者卷积神经网络模型(Convolutional NeuralNetworks,简称CNN),解码器则可以选用另外一种不同于编码器的RNN模型或者CNN模型。
使用Seq2Seq模型作为平日销量预测模型的一个优势在于,能够承担变长度、变粒度的时间序列预测。举例而言,输入至平日销量预测模型的历史销量时间序列可以是在第一时间区间内对应于第一时间颗粒度的销量时间序列,而由平日销量预测模型输出的预测销量时间序列可以是在第二时间区间内对应于第二时间颗粒度的销量时间序列;其中,第一时间颗粒度小于第二时间颗粒度。例如,第一时间颗粒度为天,而第二时间颗粒度可以为周,利用过去每天的销量数据即可预测得到未来各周的销量数据。
在本发明的另一示例性实施方式中,基于Seq2Seq模型,步骤S220.将历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列,可以进一步包括如图3所示的以下步骤:
步骤S310.将历史销量时间序列输入至编码器以得到最终隐层状态。
该步骤利用编码器对输入的历史销量时间序列进行编码可以得到最终隐层状态。
步骤S320.将最终隐层状态输入至解码器以得到预测销量时间序列。
将步骤S310中由编码器编码得到的最终隐层状态输入至解码器,进行解码后即可得到预测销量时间序列。
更进一步地,如图4所示,步骤S310.将历史销量时间序列输入至编码器以得到最终隐层状态,又可以包括以下步骤:
步骤S410.将历史销量时间序列中的对应于第一时间区间中各个时间节点的历史销量数据依次输入至编码器。
历史销量时间序列是由对应于第一时间区间中各个时间节点的历史销量数据按照时间先后顺序进行排列形成的,本步骤将把历史销量时间序列中的各个时间节点的历史销量数据依次输入至编码器中。
步骤S420.基于当前时间节点的历史销量数据以及前一时间节点的隐层状态,利用编码器编码输出当前时间节点的隐层状态。
当把第一时间区间中第一个时间节点的历史销量数据输入至编码器后可以编码得到与之对应的第一个隐层状态,而这一隐层状态可以与第二个时间节点的历史销量数据共同输入至编码器,再次进行编码后即可得到对应于第二个时间节点的隐层状态。以此类推,将任意一个待输入的当前时间节点的历史销量数据以及前一时间节点的隐层状态共同输入至编码器,在进行编码后即可得到当前时间节点的隐层状态。换言之,基于步骤S410输入的各个时间节点的历史销量数据,本步骤可以编码得到第一时间区间中各个时间节点的隐层状态。
步骤S430.根据第一时间区间中各个时间节点的隐层状态确定最终隐层状态。
根据步骤S420中得到的第一时间区间中各个时间节点的隐层状态可以确定最终隐层状态。其中一种确定方法可以是直接将第一时间区间中最后一个时间节点的隐层状态作为最终隐层状态,也可以通过使用预设算法对最后一个时间节点的隐层状态进行换算处理后得到最终隐层状态,另外还可以按照预设算法对所有时间节点的隐层状态共同进行处理以得到最终隐层状态,本示例性实施方式对此不做特殊限定。
与编码器部分的编码方式相对应的,如图5所示,步骤S320.将最终隐层状态输入至解码器以得到预测销量时间序列,又可以包括以下步骤:
步骤S510.将最终隐层状态输入至解码器以得到第二时间区间中第一个时间节点的隐层状态以及第一个时间节点的预测销量数据。
当把编码器编码得到的最终隐层状态输入至解码器时,解码器可以进行解码得到对应于第二时间区间中第一个时间节点的隐层状态以及第一个时间节点的预测销量数据。第二时间区间的区间长度以及其中的时间颗粒度可以根据第一时间区间的长度及其时间颗粒度进行预先设置得到。
步骤S520.基于前一时间节点的隐层状态以及前一时间节点的预测销量数据,利用解码器解码输出当前时间节点的隐层状态以及当前时间节点的预测销量数据。
由步骤S510获得解码器的输出结果后,本步骤可以将第二时间区间中第一个时间节点的隐层状态及其预测销量数据再次输入至解码器中,利用解码器进行解码即可输出对应于第二时间区间中第二个时间节点的隐层状态及其预测销量数据。以此类推,将第二时间区间中任意一个前一时间节点的隐层状态以及前一时间节点的预测销量数据输入至解码器中,由解码器进行解码后即可得到第二时间区间中当前时间节点的隐层状态以及当前时间节点的预测销量数据。换言之,本步骤通过循环输入和解码的方式可以得到对应于第二时间区间中各个时间节点的预测销量数据。
步骤S530.将第二时间区间中各个时间节点的预测销量数据进行组合以得到预测销量时间序列。
由步骤S520可以得到第二时间区间中各个时间节点的预测销量数据,本步骤再将这些数据按照相应的时间顺序进行组合即可得到预测销量时间序列。
下面结合一应用场景对以上示例性实施方式中的编码器和解码器的工作方式做出详细说明,具体可以参考图6所示的基于LSTM网络的Seq2Seq模型。
在编码器部分,输入数据以天为粒度。将历史销量时间序列中对应于第一时间区间第一天的历史销量数据Sd1输入LSTM单元,获得隐层变量ed1。每向LSTM单元输入一个历史销量时间序列中的历史销量数据,便可输出一个对应时间节点的隐层变量。与此同时地,对应前一天输出的隐层变量可以作为后一天LSTM单元的隐层输入变量。完成历史销量时间序列的输入后,编码器部分将输出最终隐层状态e。
在解码器部分,输出数据以周为粒度。第一周的隐层输入为编码器输出的最终隐层状态e,解码后可以输出第一周的预测销量数据Sw1,以及新的隐层状态ew1。之后每周对应的LSTM单元均以前一周输出的隐层状态以及前一周的预测销量数据作为输入,相应可以输出当前一周的预测销量数据以及新的隐层状态。
最终将解码器输出的所有周销量数据进行组合,即可得到对应于第二时间区间的以周为时间颗粒度的预测销量时间序列。
在本发明的另一示例性实施方式中,为了进一步提高销量预测的准确性,可以在序列到序列模型中引入注意力机制,在不同的预测时间节点,使用权重删选输入序列中重要信息,将这些信息融入隐层,来作用于预测结果。具体而言,序列到序列模型中除了编码器和解码器之外,还包括用于向编码器和/或解码器提供注意力分配概率分布信息的注意力分配模块。
如图7所示,仍以上文所述的应用场景为例,注意力分配模块通过学习不同时间的历史销量对未来销量的重要程度,可以给出编码器和/或解码器中每个LSTM单元的隐层输出的注意力分配概率分布信息,以注意力分配模块提供的注意力分配概率分布信息作为权重,对之前的隐层输出进行组合可以得到新的隐层输入,具体可以表示为:
其中,edi分别代表由编码器编码得到第一时间区间中第i天的隐层输出,θdi代表注意力分配模块提供的对应于第i天的权重,ewj代表由解码器解码得到第二时间区间中第j周的隐层输出,θwj代表注意力分配模块提供的对应于第j周的权重,则代表组合计算得到的新的隐层输入。
在注意力机制的基础上,能够有效发现多种历史因素对未来销量不同程度的影响,并在预测过程中发挥积极作用。例如:洗护类商品具有较高的复购率,而历史销量中包含了一定数量的潜在复购用户,通过注意力机制能够有效利用销量历史中包含的此类信息,提高未来销量预测的准确性。
在以上示例性实施方式提供的销量预测方法中,平日销量预测模型能够充分挖掘销量历史中的隐藏销量关系,提高平日销量预测的可解释性和预测精度;促销销量预测模型则更多地是反映在特定时间节点上的行业性促销活动,充分考虑运营策略与人为因素的影响,例如双十一、双十二等商业促销活动。而对于一些没有固定时间节点的促销力度较小的促销活动,也会对实际销量数据产生影响,为了对这部分力度较小的促销活动以及其他一些影响因素可能带来的销量浮动进行准确预测,本发明还可以对平日销量预测模型的输出结果进行修正。
如图8所示,在本发明的另一示例性实施方式中,在步骤S220.将历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列之后,本发明的销量预测方法还可以包括以下步骤:
步骤S810.获取用于修正预测销量时间序列的销量修正信息。
针对步骤S220得到的预测销量时间序列,本步骤将获取用于对其进行修正的销量修正信息,例如可以是一些力度较小的、时间不规律的或者针对部分特定商品的促销信息。
步骤S820.根据销量修正信息确定修正时间节点和销量修正因子;其中,修正时间节点位于第二时间区间内。
根据步骤S810获取到的销量修正信息,本步骤可以确定相应的修正时间节点和销量修正因子。其中,修正时间节点位于第二时间区间内,用于确定预测销量时间序列中可能出现销量浮动的需要对销量数据进行修正的时间节点;销量修正因子则用于对相应修正时间节点的销量数据进行修正。
步骤S830.根据销量修正因子以及预测销量时间序列中对应于修正时间节点的前一时间节点的预测销量数据确定修正销量数据。
在确定修正时间节点后,可以获取预测销量时间序列中对应于修正时间节点的预测销量数据,同时可以获取相对于修正时间节点的前一时间节点的预测销量数据。然后再利用销量修正因子与前一时间节点的预测销量数据确定修正销量数据。
步骤S840.将预测销量时间序列中对应于修正时间节点的预测销量数据替换为修正销量数据。
利用步骤S830确定的修正销量数据对预测销量时间序列中对应于修正时间节点的预测销量数据进行替换,即可完成对预测销量时间序列的修正。
举例而言,在本示例性实施方式中,可以首先统计历史时间区间上相同促销力度条件下的销量增益,使用得到的增益水平对促销期间的对应销量进行提升。具体操作方法如下:
1)统计前n次同类型促销活动Sale的销量总和以及促销前一周的销量总和将两者的比值作为平日促销活动的销量提升因子
2)对第二时间区间(即预测区间)内类型为Sale的促销区间前一周的销量数据乘以销量提升因子得到提升后的平日促销销量数据,即上文所述的修正销量数据。另外,在预测销量平稳的情况下,也可以直接将修正时间节点(即促销当周)的销量数据乘以销量提升因子以得到修正销量数据。
3)针对其他所有类型的活动重复1)、2)两部分的操作以完成修正。
在本示例性实施方式中,通过对平日销量预测数据、平日促销销量预测数据以及行业性促销销量数据进行整合,可以进一步提高销量预测的准确性。
示例性介质
在介绍了本发明示例性实施方式的方法之后,接下来,对本发明示例性实施方式的介质进行说明。
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介质,其上存储有程序代码,当所述程序代码被设备的处理器执行时用于实现本说明书上述“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销量预测方法中的步骤。
具体地,所述设备的处理器执行所述程序代码时用于实现如下步骤:获取第一时间区间内的历史销量时间序列;将历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列;将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,促销时间节点位于第二时间区间内;将预测销量时间序列中对应于促销时间节点的预测销量数据替换为促销销量数据。
在本发明的一些实施方式中,基于以上技术方案,平日销量预测模型为预先训练完成的序列到序列模型,序列到序列模型又包括基于第一神经网络模型的编码器和基于第二神经网络模型的解码器;其中,编码器用于对历史销量时间序列进行编码,解码器用于根据编码器的编码结果输出预测销量时间序列。进一步地,第一神经网络模型和第二神经网络模型均可以为长短期记忆模型。
在本发明的一些实施方式中,基于以上技术方案,所述将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列,包括:将所述历史销量时间序列输入至所述编码器以得到最终隐层状态;将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列。
在本发明的一些实施方式中,基于以上技术方案,所述将所述历史销量时间序列输入至所述编码器以得到最终隐层状态,包括:将所述历史销量时间序列中的对应于所述第一时间区间中各个时间节点的历史销量数据依次输入至所述编码器;基于当前时间节点的历史销量数据以及前一时间节点的隐层状态,利用所述编码器编码输出当前时间节点的隐层状态;根据所述第一时间区间中各个时间节点的隐层状态确定所述最终隐层状态。
在本发明的一些实施方式中,基于以上技术方案,所述根据所述第一时间区间中各个时间节点的隐层状态确定所述最终隐层状态,包括:将所述第一时间区间中最后一个时间节点的隐层状态作为所述最终隐层状态。
在本发明的一些实施方式中,基于以上技术方案,所述将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列,包括:将所述最终隐层状态输入至所述解码器以得到所述第二时间区间中第一个时间节点的隐层状态以及第一个时间节点的预测销量数据;基于前一时间节点的隐层状态以及所述前一时间节点的预测销量数据,利用所述解码器解码输出当前时间节点的隐层状态以及所述当前时间节点的预测销量数据;将所述第二时间区间中各个时间节点的预测销量数据进行组合以得到所述预测销量时间序列。
在本发明的一些实施方式中,基于以上技术方案,所述序列到序列模型还包括用于向所述编码器和/或所述解码器提供注意力分配概率分布信息的注意力分配模块。进一步地,所述促销销量预测模型可以为树模型,所述树模型又可以为XGBoost模型。
在本发明的一些实施方式中,基于以上技术方案,所述历史销量时间序列是在所述第一时间区间内对应于第一时间颗粒度的销量时间序列,所述预测销量时间序列是在所述第二时间区间内对应于第二时间颗粒度的销量时间序列;其中,所述第一时间颗粒度小于所述第二时间颗粒度。
在本发明的一些实施方式中,基于以上技术方案,在将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列之后,所述方法还包括:获取用于修正所述预测销量时间序列的销量修正信息;根据所述销量修正信息确定修正时间节点和销量修正因子;其中,所述修正时间节点位于所述第二时间区间内;根据所述销量修正因子以及预测销量时间序列中对应于所述修正时间节点的前一时间节点的预测销量数据确定修正销量数据;将所述预测销量时间序列中对应于所述修正时间节点的预测销量数据替换为所述修正销量数据。
以上各示例性实施方式中涉及的步骤的具体实现方式已在对应的方法实施例中进行说明,此处不再赘述。
需要说明的是:上述的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是但不限于: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。
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,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)。
示例性装置
在介绍了本发明示例性实施方式的介质之后,接下来,参考图9对本发明示例性实施方式的销量预测装置进行说明。
如图9所示,在本发明的一种示例性实施方式中,销量预测装置900主要可以包括:历史销量获取单元910、平日销量预测单元920、促销销量预测单元930和促销销量替换单元940。
其中,历史销量获取单元910被配置为获取第一时间区间内的历史销量时间序列;平日销量预测单元920被配置为将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列;促销销量预测单元930被配置为将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,所述促销时间节点位于所述第二时间区间内;促销销量替换单元940被配置为将所述预测销量时间序列中对应于所述促销时间节点的预测销量数据替换为所述促销销量数据。
在以上示例性实施方式的基础上,所述平日销量预测模型为预先训练完成的序列到序列模型,所述序列到序列模型包括基于第一神经网络模型的编码器和基于第二神经网络模型的解码器;其中,所述编码器用于对所述历史销量时间序列进行编码,所述解码器用于根据所述编码器的编码结果输出所述预测销量时间序列。进一步地,所述第一神经网络模型和所述第二神经网络模型均为长短期记忆模型。
在本发明的另一示例性实施方式中,基于以上技术方案,所述平日销量预测单元920可以进一步包括:编码子单元921和解码子单元922。
其中,编码子单元921被配置为将所述历史销量时间序列输入至所述编码器以得到最终隐层状态;解码子单元922被配置为将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列。
在本发明的另一示例性实施方式中,基于以上技术方案,所述编码子单元921可以进一步包括:编码输入子单元9211、隐层编码子单元9212和状态确定子单元9213。
其中,编码输入子单元9211被配置为将所述历史销量时间序列中的对应于所述第一时间区间中各个时间节点的历史销量数据依次输入至所述编码器;隐层编码子单元9212被配置为基于当前时间节点的历史销量数据以及前一时间节点的隐层状态,利用所述编码器编码输出当前时间节点的隐层状态;状态确定子单元9213被配置为根据所述第一时间区间中各个时间节点的隐层状态确定所述最终隐层状态。更进一步地,状态确定子单元9213可以被配置为将所述第一时间区间中最后一个时间节点的隐层状态作为所述最终隐层状态。
在本发明的另一示例性实施方式中,基于以上技术方案,所述解码子单元922可以进一步包括:解码输入子单元9221、隐层解码子单元9222和数据组合子单元9223。
其中,解码输入子单元9221被配置为将所述最终隐层状态输入至所述解码器以得到所述第二时间区间中第一个时间节点的隐层状态以及第一个时间节点的预测销量数据;隐层解码子单元9222被配置为基于所述解码器利用前一时间节点的隐层状态以及所述前一时间节点的预测销量数据,利用所述解码器解码输出当前时间节点的隐层状态以及所述当前时间节点的预测销量数据;数据组合子单元9223被配置为将所述第二时间区间中各个时间节点的预测销量数据进行组合以得到所述预测销量时间序列。更进一步地,所述序列到序列模型还包括用于向所述编码器和/或所述解码器提供注意力分配概率分布信息的注意力分配模块。
在本发明的另一示例性实施方式中,基于以上技术方案,所述促销销量预测单元930中涉及的所述促销销量预测模型为树模型。进一步地,所述树模型为XGBoost模型。
在本发明的另一示例性实施方式中,基于以上技术方案,所述历史销量获取单元910中涉及的所述历史销量时间序列是在所述第一时间区间内对应于第一时间颗粒度的销量时间序列,所述预测销量时间序列是在所述第二时间区间内对应于第二时间颗粒度的销量时间序列;其中,所述第一时间颗粒度小于所述第二时间颗粒度。
继续参考图9,在本发明的另一示例性实施方式中,销量预测装置900还可以进一步包括:修正信息获取单元950、修正信息确定单元960、修正数据确定单元970和修正数据替换单元980。
其中,修正信息获取单元950被配置为获取用于修正所述预测销量时间序列的销量修正信息;修正信息确定单元960被配置为根据所述销量修正信息确定修正时间节点和销量修正因子;其中,所述修正时间节点位于所述第二时间区间内;修正数据确定单元970被配置为根据所述销量修正因子以及预测销量时间序列中对应于所述修正时间节点的前一时间节点的预测销量数据确定修正销量数据;修正数据替换单元980被配置为将所述预测销量时间序列中对应于所述修正时间节点的预测销量数据替换为所述修正销量数据。
以上单元或其子单元所执行的具体操作已在对应的方法实施例中进行说明,此处不再赘述。
示例性计算设备
在介绍了本发明示例性实施方式的方法、介质和装置之后,接下来,介绍根据本发明的另一示例性实施方式的计算设备。
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”。
在一些可能的实施方式中,根据本发明实施方式的计算设备可以至少包括至少一个处理器、以及至少一个存储器。其中,所述存储器存储有程序代码,当所述程序代码被所述处理器执行时,使得所述处理器执行本说明书上述“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销量预测方法中的步骤。例如,所述处理器可以执行如图2中所示的步骤:步骤S210.获取第一时间区间内的历史销量时间序列。步骤S220.将历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列。步骤S230.将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,促销时间节点位于第二时间区间内。步骤S240.将预测销量时间序列中对应于促销时间节点的预测销量数据替换为促销销量数据。又如,所述处理器也可以执行如图3至图5以及图8中所示的步骤。
应当注意,尽管在上文详细描述中提及了销量预测装置的若干单元或子单元,但是这种划分仅仅是示例性的,并非是强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或单元的特征和功能可以在一个模块或单元中具体化。反之,上文描述的一个模块或单元的特征和功能可以进一步划分为由多个模块或单元来具体化。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,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操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所发明的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种销量预测方法,包括:
获取第一时间区间内的历史销量时间序列;
将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列;
将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,所述促销时间节点位于所述第二时间区间内;
将所述预测销量时间序列中对应于所述促销时间节点的预测销量数据替换为所述促销销量数据。
2.根据权利要求1所述的销量预测方法,所述平日销量预测模型为预先训练完成的序列到序列模型,所述序列到序列模型包括基于第一神经网络模型的编码器和基于第二神经网络模型的解码器;其中,所述编码器用于对所述历史销量时间序列进行编码,所述解码器用于根据所述编码器的编码结果输出所述预测销量时间序列。
3.根据权利要求2所述的销量预测方法,所述第一神经网络模型和所述第二神经网络模型均为长短期记忆模型。
4.根据权利要求2所述的销量预测方法,所述将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列,包括:
将所述历史销量时间序列输入至所述编码器以得到最终隐层状态;
将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列。
5.一种介质,其上存储有程序,该程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。
6.一种销量预测装置,包括:
历史销量获取单元,被配置为获取第一时间区间内的历史销量时间序列;
平日销量预测单元,被配置为将所述历史销量时间序列输入至平日销量预测模型以得到第二时间区间内的预测销量时间序列;
促销销量预测单元,被配置为将促销活动信息输入至促销销量预测模型以得到促销时间节点的促销销量数据;其中,所述促销时间节点位于所述第二时间区间内;
促销销量替换单元,被配置为将所述预测销量时间序列中对应于所述促销时间节点的预测销量数据替换为所述促销销量数据。
7.根据权利要求6所述的销量预测装置,所述平日销量预测模型为预先训练完成的序列到序列模型,所述序列到序列模型包括基于第一神经网络模型的编码器和基于第二神经网络模型的解码器;其中,所述编码器用于对所述历史销量时间序列进行编码,所述解码器用于根据所述编码器的编码结果输出所述预测销量时间序列。
8.根据权利要求7所述的销量预测装置,所述第一神经网络模型和所述第二神经网络模型均为长短期记忆模型。
9.根据权利要求7所述的销量预测装置,所述平日销量预测单元包括:
编码子单元,被配置为将所述历史销量时间序列输入至所述编码器以得到最终隐层状态;
解码子单元,被配置为将所述最终隐层状态输入至所述解码器以得到所述预测销量时间序列。
10.一种计算设备,包括:处理器和存储器,所述存储器存储有可执行指令,所述处理器用于调用所述存储器存储的可执行指令执行如权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132704.7A CN109886747A (zh) | 2019-02-22 | 2019-02-22 | 销量预测方法、介质、装置和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132704.7A CN109886747A (zh) | 2019-02-22 | 2019-02-22 | 销量预测方法、介质、装置和计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886747A true CN109886747A (zh) | 2019-06-14 |
Family
ID=66928951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910132704.7A Pending CN109886747A (zh) | 2019-02-22 | 2019-02-22 | 销量预测方法、介质、装置和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886747A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其系统 |
CN111882039A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
CN113065882A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 一种商品处理方法、装置及电子设备 |
CN113283936A (zh) * | 2021-05-28 | 2021-08-20 | 深圳千岸科技股份有限公司 | 一种销量预测方法、销量预测装置及电子设备 |
CN113743969A (zh) * | 2020-05-29 | 2021-12-03 | 北京京东智能城市大数据研究院 | 用于销量数据预测的方法、装置、设备及存储介质 |
CN114066510A (zh) * | 2021-11-02 | 2022-02-18 | 创优数字科技(广东)有限公司 | 物品销量预测方法、装置、计算机设备和存储介质 |
CN114971748A (zh) * | 2022-07-27 | 2022-08-30 | 阿里健康科技(中国)有限公司 | 预测数据生成、模型训练方法、计算机设备以及存储介质 |
CN115271275A (zh) * | 2022-09-30 | 2022-11-01 | 网联客(北京)数字科技有限公司 | 一种基于SaaS助力连锁商户的方法和系统 |
CN116882902A (zh) * | 2023-09-06 | 2023-10-13 | 酒仙网络科技股份有限公司 | 基于酒品购销信息的仓储管理优化方法、系统及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252678A (zh) * | 2013-06-28 | 2014-12-31 | Sap欧洲公司 | 促销调度管理 |
CN106204086A (zh) * | 2015-05-06 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 商品销量的预警方法和装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN107292672A (zh) * | 2017-07-05 | 2017-10-24 | 上海数道信息科技有限公司 | 一种餐饮行业销售预测的实现系统与方法 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
CN108364092A (zh) * | 2018-01-29 | 2018-08-03 | 西安理工大学 | 一种基于深度学习的餐饮业菜品销量预测方法 |
CN108460679A (zh) * | 2018-02-28 | 2018-08-28 | 电子科技大学 | 融合注意力机制的深度网络智能投资系统数据分析方法 |
CN108510113A (zh) * | 2018-03-21 | 2018-09-07 | 中南大学 | 一种XGBoost在短期负荷预测中的应用 |
-
2019
- 2019-02-22 CN CN201910132704.7A patent/CN109886747A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252678A (zh) * | 2013-06-28 | 2014-12-31 | Sap欧洲公司 | 促销调度管理 |
CN106204086A (zh) * | 2015-05-06 | 2016-12-07 | 阿里巴巴集团控股有限公司 | 商品销量的预警方法和装置 |
CN106408341A (zh) * | 2016-09-21 | 2017-02-15 | 北京小米移动软件有限公司 | 货品销量的预测方法及装置、电子设备 |
CN107292672A (zh) * | 2017-07-05 | 2017-10-24 | 上海数道信息科技有限公司 | 一种餐饮行业销售预测的实现系统与方法 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
CN108133391A (zh) * | 2017-12-22 | 2018-06-08 | 联想(北京)有限公司 | 销量预测方法以及服务器 |
CN108364092A (zh) * | 2018-01-29 | 2018-08-03 | 西安理工大学 | 一种基于深度学习的餐饮业菜品销量预测方法 |
CN108460679A (zh) * | 2018-02-28 | 2018-08-28 | 电子科技大学 | 融合注意力机制的深度网络智能投资系统数据分析方法 |
CN108510113A (zh) * | 2018-03-21 | 2018-09-07 | 中南大学 | 一种XGBoost在短期负荷预测中的应用 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008858B (zh) * | 2019-10-24 | 2023-10-31 | 清华大学 | 一种商品销量预测方法及系统 |
CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
CN113065882A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 一种商品处理方法、装置及电子设备 |
CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其系统 |
CN111667377B (zh) * | 2020-04-24 | 2021-03-09 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其系统 |
CN113743969A (zh) * | 2020-05-29 | 2021-12-03 | 北京京东智能城市大数据研究院 | 用于销量数据预测的方法、装置、设备及存储介质 |
CN111882039A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
WO2021139335A1 (zh) * | 2020-07-28 | 2021-07-15 | 平安科技(深圳)有限公司 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
CN113283936A (zh) * | 2021-05-28 | 2021-08-20 | 深圳千岸科技股份有限公司 | 一种销量预测方法、销量预测装置及电子设备 |
CN114066510A (zh) * | 2021-11-02 | 2022-02-18 | 创优数字科技(广东)有限公司 | 物品销量预测方法、装置、计算机设备和存储介质 |
CN114971748A (zh) * | 2022-07-27 | 2022-08-30 | 阿里健康科技(中国)有限公司 | 预测数据生成、模型训练方法、计算机设备以及存储介质 |
CN115271275A (zh) * | 2022-09-30 | 2022-11-01 | 网联客(北京)数字科技有限公司 | 一种基于SaaS助力连锁商户的方法和系统 |
CN116882902A (zh) * | 2023-09-06 | 2023-10-13 | 酒仙网络科技股份有限公司 | 基于酒品购销信息的仓储管理优化方法、系统及存储介质 |
CN116882902B (zh) * | 2023-09-06 | 2023-11-07 | 酒仙网络科技股份有限公司 | 基于酒品购销信息的仓储管理优化方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886747A (zh) | 销量预测方法、介质、装置和计算设备 | |
CN108596335B (zh) | 一种基于深度强化学习的自适应众包方法 | |
Toubeau et al. | Deep learning-based multivariate probabilistic forecasting for short-term scheduling in power markets | |
CN111191841B (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
Ülker et al. | Automatic knot adjustment using an artificial immune system for B-spline curve approximation | |
CN109767312B (zh) | 一种信用评估模型训练、评估方法与装置 | |
CN108984904A (zh) | 一种基于深度神经网络的家居设计方法 | |
Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
CN110009160A (zh) | 一种基于改进的深度信念网络的电力价格预测方法 | |
CN110610382A (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
CN114741482B (zh) | 基于招标信息的中标信息匹配方法、系统、设备及介质 | |
Zhang et al. | A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting | |
CN107230004A (zh) | 一种可再生能源项目投资组合优化方法、装置及计算设备 | |
CN108229750A (zh) | 一种股票收益率预测方法 | |
Dong et al. | Predicting the turning points of housing prices by combining the financial model with genetic algorithm | |
CN109146553A (zh) | 基于多密度聚类与多核svm的实时电价预测系统及其方法 | |
Zhu et al. | A day-ahead industrial load forecasting model using load change rate features and combining FA-ELM and the AdaBoost algorithm | |
Chen et al. | A combined mixed integer programming and deep neural network-assisted heuristics algorithm for the nurse rostering problem | |
CN117543537A (zh) | 一种代理购电用户电量预测方法、装置、存储介质 | |
CN115545362B (zh) | 一种人工智能与时序分解组合的新能源中期功率预测方法 | |
CN112738647A (zh) | 一种基于多层级编码-解码器的视频描述方法及系统 | |
Porteiro et al. | Forecasting hourly electricity demand of Uruguay for the next day using artificial neural networks | |
CN110930237B (zh) | 一种基于sagwo算法的中小企业信用预测分类方法 | |
CN115936208A (zh) | 基于深度混合学习模型的短期电力负荷预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |