CN110135876A

CN110135876A - 销量预测的方法及装置

Info

Publication number: CN110135876A
Application number: CN201810134755.9A
Authority: CN
Inventors: 蒋佳涛
Original assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Current assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Priority date: 2018-02-09
Filing date: 2018-02-09
Publication date: 2019-08-16

Abstract

本申请公开一种销量预测的方法及装置。涉及计算机信息处理领域，该方法包括：获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据；通过所述历史销售数据提取历史预测参数；确定所述物品在下一个销售周期的未来预测参数；以及将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销量预测数据。本申请公开的销量预测的方法及装置，能够对物品未来的销量进行预测，从而帮助销售人员在物品价格与销售量之间进行调配。

Description

销量预测的方法及装置

技术领域

本申请涉及计算机信息处理领域，具体而言，涉及一种销量预测的方法及装置。

背景技术

现有的促销管理系统存在众多问题，导致难以管理数量庞大的物品。首先是促销通常只考虑目前的促销期，没有考虑在调整单个SKU促销时期对促销后的常规销售的影响。例如对于有些耐用的物品，对某个SKU降价促销会导致消费者在降价促销期大量屯货，导致促销后的常规销售销售急剧下降；如果在促销其降价过度，可能会导致总体销售额降低。所以促销需要从整体进行优化，而不是只考虑促销期的销售额。其次是由于其促销定价方法仅仅是粗糙地根据SKU的一些属性，在其原价的基础上按照统一的折扣进行促销，而忽略了利用分析技术对其历史销售数据深入地研究促销价格对当前促销期销售以及未来非促销期销售的影响。

目前对于大规模商品定价管理，主要利用商品分类方法，对不同分类的商品分配不同的采销人员进行管理。该主要是利用商品的流量将商品分别划分为关键商品与非关键商品。对关键商品，其分配的价格管理采销人员越多；对非关键商品，其分配的价格管理采销人员越少。在促销期，价格管理采销人员通常对关键商品制定比友商低的价格，以保证获得高销量；而对非关键商品维持原价，以保证获得高利润。

现有的大规模促销都过于依赖人工控制，由于SKU数量非常大，需要大量的人力资源。现有的促销通常仅考虑接下来一个销售周期，由于跨周期吞食效应的作用(例如消费者屯货行为)，本周期的促销后会造成下一个周期销售的疲软。如果本周期过度低价促销，虽然本周期的销量很高，但本期的低利润以及接下来几个周期的低销售会造成总体销售的低产。另外，现有技术无法对预期促销力度与预期促销结果进行关联，缺乏一个系统的评估方案，因此造成的结果是没有一个较为准确的库存计划。为防止促销带来的缺货，目前的促销方法通常是过量备货，因此会产生巨大的库存成本。

因此，需要一种新的销量预测的方法及装置。

在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解，因此它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

有鉴于此，本申请提供一种销量预测的方法及装置，能够对物品未来的销售量进行预测，从而帮助销售人员在物品价格与销售量之间进行调配。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请的一方面，提出一种销量预测的方法，该方法包括：获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据；通过所述历史销售数据提取历史预测参数；确定所述物品在下一个销售周期的未来预测参数；以及将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销售量预测数据。

在本公开的一种示例性实施例中，还包括：通过历史销售数据，建立所述销量预测模型。

在本公开的一种示例性实施例中，所述通过历史销售数据，建立所述销量预测模型，包括：将所述历史数据进行异常值过滤，以获取拟合数据；以及通过回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。

在本公开的一种示例性实施例中，所述将所述历史数据进行异常值过滤，以获取拟合数据，包括：过滤掉由于折扣导致成交价格下降大于一预定阈值的历史数据，以获取所述拟合数据。

在本公开的一种示例性实施例中，所述将所述历史数据进行异常值过滤，以获取拟合数据，还包括：通过稳健回归算法，过滤掉残差值在一预定范围外的历史数据，以获取所述拟合数据。

在本公开的一种示例性实施例中，所述通过回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型，包括：通过岭回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型；通过套索回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。

在本公开的一种示例性实施例中，在所述岭回归算法与所述套索回归算法中，进行五折交叉验证。

在本公开的一种示例性实施例中，包括：对预测销量公式进行拟合，以获取最优解；以及将所述最优解对应的预测销量公式作为所述销量预测模型。

在本公开的一种示例性实施例中，所述预测销量公式，包括：

其中，Q_t是本周期的销量，α是非折扣因素的弹性，β_t-1是上一个销售周期折扣的弹性，β_t本销售周期折扣的弹性，∈₀为系统噪音，x_i是非促销折扣变量，β_i是x_i对应的回归系数。

在本公开的一种示例性实施例中，所述销量预测模型，包括：惩罚系数λ＝1e-1的岭回归模型。

根据本申请的一方面，提出一种销量预测的的装置，该装置包括：接收模块，用于获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据；历史参数模块，用于通过所述历史销售数据提取历史预测参数；未来参数模块，用于确定所述物品在下一个销售周期的未来预测参数；以及预测模块，用于将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销售量预测数据。

在本公开的一种示例性实施例中，还包括：模型建立模块，用于通过历史销售数据，建立所述销量预测模型。

根据本申请的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本申请的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本申请的销量预测的方法及装置，能够对物品未来的销售量进行预测，从而帮助销售人员在物品价格与销售量之间进行调配。

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的，并不能限制本申请。

附图说明

通过参照附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种销量预测的方法的系统框图。

图2是根据一示例性实施例示出的一种销量预测的方法的流程图。

图3是根据另一示例性实施例示出的一种销量预测的方法的流程图。

图4是根据一示例性实施例示出的一种销量预测的装置的框图。

图5是根据一示例性实施例示出的一种电子设备的框图。

图6是根据一示例性实施例示出一种计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在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。

此外，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例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有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方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息购买等数据进行分析等处理，并将处理结果(例如目标推送信息、物品信息)反馈给终端设备。

需要说明的是，本申请实施例所提供的销量预测的方法一般由服务器105执行，相应地，辅助用户浏览的网页生成装置一般设置于客户端101中。

如图2所示，在S202中，获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据。对每一个SKU，分别获取该SKU在某一个时间段对应的历史价格以及对应对改价格的销量。其中，SKU＝Stock Keeping Unit(库存量单位)。即库存进出计量的单位，可以是以件，盒，托盘等为单位。SKU这是对于大型连锁超市或者配送中心物流管理的一个必要的方法。现在已经被引申为产品统一编号的简称，每种产品均对应有唯一的SKU号。单品：对一种物品而言，当其品牌、型号、配置、等级、花色、包装容量、单位、生产日期、保质期、用途、价格、产地等属性与其他物品存在不同时，可称为一个单品。销售毛利置换效率：用销售的降低换取毛利增长的效率，亦或用毛利的降低换取销售增长的效率。

在一些实施例中，获取过去6个月的某SKU产品的历史销售数据，在过去6个月中，可例如该SKU产品每个月都会调整一次价格，那么在历史销售数据中，将会统计在每次价格的数值以及该价格对应的产品销售量数值。

在S204中，通过所述历史销售数据提取历史预测参数。可例如，将所述历史数据进行异常值过滤，异常值(Outliers)是指样本中的个别值，其数值明显偏离它(或他们)所属样本的其余观测值，也称异常数据，离群值。在进行量价关系回归过程中，异常值的存在会一定程度地影响需求函数拟合的效果。在本申请中，异常值过滤原则可例如为：

1.过滤掉折扣导致新成交价格下降大于50％的记录；

2.进行稳健回归(log(销量)＝log(价格)+C)，接着剔除掉残差在均值2倍标准差之外的记录。其中log是指取对数计算，C是指回归常数项。

3.保留多于30条销售数据的SKU。

在一些实施例中，由过滤之后的历史销售数据中提取历史预测参数，还可例如，将历史时间划分为不同的销售周期，根据销售周期提取的历史预测参数可例如表1所示。

变量名	数据
		x<sub>1</sub>	过去5个销售周期的销量均值
x<sub>2</sub>	去年该销售周期的销量
		x<sub>3</sub>	前个月YOY增长率*去年同期销量
x<sub>4</sub>	最近一个月YOY增长率*去年同期销量
		x<sub>t-1</sub>	上个销售周期的售价

在S206中，确定所述物品在下一个销售周期的未来预测参数。

在一些实施例中，将历史时间划分为不同的销售周期，根据销售周期提取的未来预测参数可例如表2所示。

变量名	数据
		x<sub>5</sub>	本销售周期是否含有购物节？
x<sub>6</sub>	下销售周期是否含有购物节？
		x<sub>7</sub>	本销售周期是否含有节假日？
x<sub>8</sub>	下销售周期是否含有节假日？
		x<sub>9</sub>	本销售周期是否含有春节？
x<sub>t</sub>	本销售周期的售价

在S208中，将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销售量预测数据。可例如，通过历史销售数据，建立所述销量预测模型。销量预测可例如通过回归算法建立，销量预测模型用于根据未来预测参数与历史预测参数获取在当前设置的价格下，销售量的预测数据。

根据本申请的销量预测的方法，在增加了异常值处理逻辑过程之后，模型拟合的效果以及模型的覆盖率都有了较大的提升。

根据本申请的销量预测的方法，通过历史数据中提取的预测参数与销售量预测模型对未来的销量进行预估的方式，能够对物品未来的销售量进行预测，从而在物品价格与销售量之间进行调配。

应清楚地理解，本申请描述了如何形成和使用特定示例，但本申请的原理不限于这些示例的任何细节。相反，基于本申请公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种销量预测的方法的流程图。图3是对本申请中，建立销量预测模型过程的示例性描述，本申请不以此为限。

如图3所示，在S302中，将所述历史数据进行异常值过滤，以获取拟合数据。在一些实施例中，将所述历史数据进行异常值过滤，以获取拟合数据，包括：过滤掉由于折扣导致成交价格下降大于一预定阈值的历史数据，以获取所述拟合数据。还包括：通过稳健回归算法，过滤掉残差值在一预定范围外的历史数据，以获取所述拟合数据。稳健回归(robustregression)是统计学稳健估计中的一种方法，其主要思路是将对异常值十分敏感的经典最小二乘回归中的目标函数进行修改。经典最小二乘回归以使误差平方和达到最小为其目标函数。因为方差为一不稳健统计量，故最小二乘回归是一种不稳健的方法。不同的目标函数定义了不同的稳健回归方法。常见的稳健回归方法有：最小中位平方(least mediansquare；LMS)法、M估计法等，本申请不以此为限。

在S304中，通过回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。

在S306中，通过岭回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。其中，岭回归是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。岭回归中，采用2范数，即惩罚系数λ＝0时，相当于普通的的最小二乘法。若增大λ，一些拟合系数会变小。λ足够大时，一些拟合系数趋近于零。岭回归将一些相关性小的特征作用减小，但仍保留一些影响。

在本申请中，优选的，采用惩罚系数λ＝1e-1的岭回归模型作为所述销量预测模型。

在S308中，通过套索回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。其中，套索回归有时也叫做线性回归的L1正则化，Lasso回归用的是L1正则化。Lasso回归使得一些系数变小，甚至还是一些绝对值较小的系数直接变为0，因此特别适用于参数数目缩减与参数的选择，因而用来估计稀疏参数的线性模型。套索回归中，采用1范数，即由此导致的与岭回归的不同在于，λ足够大时，一些拟合系数会等于零，即去除了一些特征。套索回归可用于去除一些相关性低的特征。套索回归和岭回归各有利弊，具体选取视实际情况而定，通常根据交叉验证的结果进行选取。

根据本申请的销量预测的方法，通过销售量预测模型可以获得产品的价格销量关系，可以帮助销售人员更好地对产品的促销期与常规销售期的关系进行了解，从而为制定促销计划提供更好的数据基础。可以有效地节约人力资源，而且可以快速对调价结果进行分析总结。

在一些实施例中，用向量x来表示全部的非促销折扣变量，即

x＝(x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉，x_t-1，x_t)；

其销量折扣拟合模型为：

用表示回归系数向量。

则预测的销量为

其中，Q_t是本周期的销量,α是销量关于非折扣因素的弹性，β_t-1是销量关于上一个销售周期折扣的弹性，β_t是销量关于本销售周期折扣的弹性，∈₀为未观测到的系统噪音，服从正态分布，其均值为0。由于特征较多，为避免过拟合，采用了岭回归(Ridge Regression)和套索回归(Lasso)。因此，对折扣的优化取决于β＝(β_t-1，β_t)。在岭回归中，

而在套索回归中，

分别取惩罚系数λ＝1e-3，1e-2，1e-1，1，1e1，1e2，1e3，进行五折交叉验证，即将数据分成接近等量的五份，每次选取其中一份作为测试组，另四份作为训练组，并计算均方误差，在总共14个模型中选取均方误差平均值最小的作为模型。优选的，将λ＝1e-1的岭回归作为模型。

其中，在进行回归计算的过程，残差平方和RSS可以表示为β1和β2的一个二次函数，可通过残差平方和RSS对回归计算进行约束。在一些实施例中，可例如设置R^2>＝0.8，(R代表残差平方和)从而将季节因素定义为季节品类，以排除季节因素对品类销售的影响。

值得一提的是，在本申请中，对物品的销量进行的折扣拟合需要满足下面两个条件：(1)该SKU不是季节性产品；(2)该SKU的销量与折扣强相关。

为了验证模型对转化率的描述准确性，随机选取了历史数据中的70％的数据作为训练组，另外30％作为测试组，并对测试组的预测值和真实值进行线性拟合。拟合结果表明MAPE<0.2。对比实际结果与理想情况，推断所选模型对转化率可构成一个相对有效的解释。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本申请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。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图4是根据一示例性实施例示出的一种销量预测的装置的框图。用于进行销售量预测的装置40包括：接收模块402，历史参数模块404，未来参数模块406，预测模块408。

其中，接收模块402用于获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据。对每一个SKU，分别获取该SKU在某一个时间段对应的历史价格以及对应对改价格的销量。在一些实施例中，获取过去6个月的某SKU产品的历史销售数据，在过去6个月中，可例如该SKU产品每个月都会调整一次价格，那么在历史销售数据中，将会统计在每次价格的数值已经该价格对应的产品销售量数值。

历史参数模块404用于通过所述历史销售数据提取历史预测参数。将所述历史数据进行异常值过滤，异常值(Outliers)是指样本中的个别值，其数值明显偏离它(或他们)所属样本的其余观测值，也称异常数据，离群值。在进行量价关系回归过程中，异常值的存在会一定程度地影响需求函数拟合的效果。

未来参数模块406用于确定所述物品在下一个销售周期的未来预测参数。将历史时间划分为不同的销售周期，根据销售周期提取的未来预测参数。将历史时间划分为不同的销售周期，根据销售周期提取的历史预测参数。

预测模块408用于将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销售量预测数据。通过历史销售数据，建立所述销量预测模型。销量预测可例如通过回归算法建立，销量预测模型用于根据未来预测参数与历史预测参数获取在当前设置的价格下，销售量的预测数据。

在本公开的一种示例性实施例中，还包括：模型建立模块(图中未示出)，用于通过历史销售数据，建立所述销量预测模型。例如包括，通过回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。通过岭回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。

根据本申请的用于进行销售量预测的装置，通过历史数据中提取的预测参数与销售量预测模型对未来的销量进行预估的方式，能够对物品未来的销售量进行预测，从而在物品价格与销售量之间进行调配。

图5是根据一示例性实施例示出的一种电子设备的框图。

下面参照图5来描述根据本申请的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

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210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本申请各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图2，图3中所示的步骤。

所述存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与电子设备200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200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、或者网络设备等)执行根据本公开实施方式的上述方法。

图6示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

参考图6所示，描述了根据本申请的实施方式的用于实现上述方法的程序产品600，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，本申请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。

所述计算机可读存储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。可读存储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。可读存储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申请操作的程序代码，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)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据；通过所述历史销售数据提取历史预测参数；确定所述物品在下一个销售周期的未来预测参数；以及将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销售量预测数据。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施例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)执行根据本申请实施例的方法。

以上具体地示出和描述了本申请的示例性实施例。应可理解的是，本申请不限于这里描述的详细结构、设置方式或实现方法；相反，本申请意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本申请可实施的范畴。

Claims

1.一种销量预测的方法，其特征在于，包括：

获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据；

通过所述历史销售数据提取历史预测参数；

确定所述物品在下一个销售周期的未来预测参数；以及

将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销量预测数据。

2.如权利要求1所述的方法，其特征在于，还包括：

通过历史销售数据，建立所述销量预测模型。

3.如权利要求2所述的方法，其特征在于，所述通过历史销售数据，建立所述销量预测模型，包括：

将历史数据进行异常值过滤，以获取拟合数据；以及

通过回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。

4.如权利要求3所述的方法，其特征在于，所述将所述历史数据进行异常值过滤，以获取拟合数据，包括：

过滤掉由于折扣导致成交价格下降大于一预定阈值的历史数据，以获取所述拟合数据。

5.如权利要求3所述的方法，其特征在于，所述将所述历史数据进行异常值过滤，以获取拟合数据，还包括：

通过稳健回归算法，过滤掉残差值在一预定范围外的历史数据，以获取所述拟合数据。

6.如权利要求3所述的方法，其特征在于，所述通过回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型，包括：

通过岭回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型；

通过套索回归算法与所述拟合数据，通过数据拟合建立所述销量预测模型。

7.如权利要求6所述的方法，其特征在于，在所述岭回归算法与所述套索回归算法中，进行五折交叉验证。

8.如权利要求6所述的方法，其特征在于，包括：

对预测销量公式进行拟合，以获取最优解；以及

将所述最优解对应的预测销量公式作为所述销量预测模型。

9.如权利要求8所述的方法，其特征在于，所述预测销量公式，包括：

10.如权利要求1所述的方法，其特征在于，所述销量预测模型，包括：

惩罚系数λ＝1e-1的岭回归模型。

11.一种销量预测的装置，其特征在于，包括：

接收模块，用于获取一物品的历史销售数据，所述历史销售数据包括物品历史价格和对应于所述历史价格的销售数据；

历史参数模块，用于通过所述历史销售数据提取历史预测参数；

未来参数模块，用于确定所述物品在下一个销售周期的未来预测参数；以及

预测模块，用于将所述历史预测参数与所述未来预测参数输入销量预测模型中以获取销量预测数据。

12.如权利要求11所述的装置，其特征在于，还包括：

模型建立模块，用于通过历史销售数据，建立所述销量预测模型。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。