CN110555578A - 一种销量预测方法和装置 - Google Patents
一种销量预测方法和装置 Download PDFInfo
- Publication number
- CN110555578A CN110555578A CN201810558081.5A CN201810558081A CN110555578A CN 110555578 A CN110555578 A CN 110555578A CN 201810558081 A CN201810558081 A CN 201810558081A CN 110555578 A CN110555578 A CN 110555578A
- Authority
- CN
- China
- Prior art keywords
- sales
- data
- product
- time
- time period
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000007613 environmental effect Effects 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012067 mathematical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000925 erythroid effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种销量预测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目；将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型；将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。该方法基于时间序列模型确定前置时间周期数目，并基于环境数据训练销量预测模型，以由前置时间周期数目的销量数据预测下一时间周期的销量数据。该方法的销量预测模型不依赖销量时间序列的稳定性，并考虑了环境因素，销量预测更加准确。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种销量预测方法和装置。
背景技术
在产品销售过程中，销售商需要在实际销售前，完成对仓库的进货、备货、补货等操作。销售商进行上述各种操作的数据来源于对未来的预测值而不是实际值，因此预测产品在未来一段时间的销量就变得非常重要。目前对产品的销量预测，主要采用移动平均法，该方法基于之前数个时间周期的销量数据，预测出未来一个时间周期的销量数据。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
(1)依赖于销量数据所形成时间序列的稳定性和弱稳定性，无法对未通过稳定性或弱稳定性检验的销量数据做出预测。
(2)未考虑环境因素，如促销折扣、季节性、毗邻区域销量等，对销量预测的影响。
发明内容
有鉴于此，本发明实施例提供一种销量预测方法和装置，基于时间序列模型确定前置时间周期数目，并基于环境数据训练销量预测模型，以由前置时间周期数目的销量数据预测下一时间周期的销量数据。本发明的销量预测模型不依赖销量时间序列的稳定性，并考虑了环境因素，销量预测更加准确。
为实现上述目的，根据本发明实施例的一个方面，提供了一种销量预测方法。
本发明实施例的一种销量预测方法，包括：根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目；将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型；将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。
可选地，所述销量时间序列包括至少一个所述时间周期和对应的销量数据。
可选地，所述时间序列模型为自回归积分滑动平均模型；所述根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目，包括：对产品标识对应的销量时间序列进行差分运算，得到平稳时间序列；分别计算所述平稳时间序列的赤池信息量和贝叶斯信息量，以得到所述自回归积分滑动平均模型的自回归项数和移动平均项数；比较所述自回归项数和所述移动平均项数的大小，将较大的项数作为前置时间周期数目。
可选地，所述将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型，包括：将所述销量时间序列和对应时间周期的环境数据作为训练集，输入机器学习算法，以拟合得到多个初步销量预测模型；按照预设第一比例，将所述训练集划分为新训练集和新测试集；将所述新测试集输入所述初步销量预测模型，以验证所述初步销量预测模型；获取验证通过的所述初步销量预测模型，将获取的所述初步销量预测模型作为销量预测模型。
可选地，所述方法还包括：根据历史销量数据中，所述产品标识对应的售出数据和进货数据，计算预设单位时间内的产品消耗率；将所述产品消耗率与第一阈值进行比较，以获取小于所述第一阈值的产品消耗率对应的产品标识；将获取的产品标识对应的产品作为滞销品，输出所述滞销品。
可选地，所述输出所述下一时间周期的销量预测数据的步骤之后，还包括：根据所述下一时间周期的销量预测数据和当前库存数据，计算所述产品标识对应的原始补货量；当所述产品标识对应的产品为所述滞销品时，按照预设规则减少所述原始补货量，以得到实际补货量；按照所述实际补货量，对所述产品标识对应的产品进行补货。
为实现上述目的，根据本发明实施例的另一方面，提供了一种销量预测装置。
本发明实施例的一种销量预测装置，包括：确定模块，用于根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目；训练模块，用于将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型；输出模块，用于将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。
可选地，所述销量时间序列包括至少一个所述时间周期和对应的销量数据。
可选地，所述时间序列模型为自回归积分滑动平均模型；所述确定模块，还用于：对产品标识对应的销量时间序列进行差分运算，得到平稳时间序列；分别计算所述平稳时间序列的赤池信息量和贝叶斯信息量，以得到所述自回归积分滑动平均模型的自回归项数和移动平均项数；以及比较所述自回归项数和所述移动平均项数的大小，将较大的项数作为前置时间周期数目。
可选地，所述训练模块，还用于：将所述销量时间序列和对应时间周期的环境数据作为训练集，输入机器学习算法，以拟合得到多个初步销量预测模型；按照预设第一比例，将所述训练集划分为新训练集和新测试集；将所述新测试集输入所述初步销量预测模型，以验证所述初步销量预测模型；以及获取验证通过的所述初步销量预测模型，将获取的所述初步销量预测模型作为销量预测模型。
可选地，所述装置还包括：滞销品输出模块，用于根据历史销量数据中，所述产品标识对应的售出数据和进货数据，计算预设单位时间内的产品消耗率；将所述产品消耗率与第一阈值进行比较，以获取小于所述第一阈值的产品消耗率对应的产品标识；以及将获取的产品标识对应的产品作为滞销品，输出所述滞销品。
可选地，所述装置还包括：补货模块，用于根据所述下一时间周期的销量预测数据和当前库存数据，计算所述产品标识对应的原始补货量；当所述产品标识对应的产品为所述滞销品时，按照预设规则减少所述原始补货量，以得到实际补货量；以及按照所述实际补货量，对所述产品标识对应的产品进行补货。
为实现上述目的，根据本发明实施例的再一方面，提供了一种电子设备。
本发明实施例的一种电子设备，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本发明实施例的一种销量预测方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种销量预测方法。
上述发明中的一个实施例具有如下优点或有益效果：基于时间序列模型确定前置时间周期数目，并基于环境数据训练销量预测模型，以由前置时间周期数目的销量数据预测下一时间周期的销量数据，该销量预测模型不依赖销量时间序列的稳定性，并考虑了环境因素，销量预测更加准确；基于自回归积分滑动平均模型确定前置时间周期数目，该模型将非平稳时间序列转化为平稳时间序列，避免了稳定性差的销量时间序列对预测数据的影响；对初步销量预测模型进行验证，将验证通过的初步销量预测模型作为销量预测模型，防止由于模型过于复杂而引起过拟合的缺陷；根据历史销量数据找出滞销品，并反馈至销售商，以使销售商在补货时减少滞销品的补货量，避免产品进一步滞销；基于下一时间周期的销量预测数据对产品进行补货，为销售商的经营决策提供了依据。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的销量预测方法的主要步骤的示意图；
图2是根据本发明实施例的销量预测方法的主要流程示意图；
图3是根据本发明实施例的出入库、销售、盘点对应的数据处理过程示意图；
图4为本发明实施例的确定前置时间周期数目K的主要流程图；
图5为本发明实施例的补货过程示意图；
图6是根据本发明实施例的销量预测装置的主要模块的示意图；
图7是本发明实施例可以应用于其中的示例性系统架构图；
图8是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的销量预测方法的主要步骤的示意图。如图1所示，本发明实施例的销量预测方法，主要包括如下步骤：
步骤S101：根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目K。例如，所述时间序列模型可以是自回归积分滑动平均模型(AutoregressiveIntegrated Moving Average，ARIMA)。每个产品设置有产品标识，比如商品统一代码(Universal Product Code，UPC)，通过UPC码为对产品进行记录和归类。预先将产品的销售、库存、入出库情况记录在存储介质中，比如数据库。从数据库中获取每个产品标识在每个时间周期对应的销量数据，将每个时间周期以及对应的销量数据进行组合，以得到每个产品标识对应的销量时间序列。其中，所述时间周期为产品相邻两次补货的时间间隔，比如为一周、两周、一月等。时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。
步骤S102：将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型。预先将产品的环境数据保存在存储介质中，比如数据库。其中，所述环境数据包括销售环境数据、时间环境数据、自然环境数据、友商环境数据中的一个或者多个。所述机器学习算法，比如可以是回归模型，如线性回归模型、逻辑回归模型，随机森林(Random Forest)，梯度提升决策树(Gradient Boosting Decision Tree,以下简称GBDT)等。该步骤中，将销量时间序列和对应时间周期的环境数据作为训练集，输入机器学习算法，以拟合得到多个初步销量预测模型；之后对所述初步销量预测模型进行交叉验证，将验证通过的初步销量预测模型作为训练好的销量预测模型。
步骤S103：将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。即，将前K个时间周期的销量数据、前K个时间周期的环境数据以及第K+1个时间周期的环境数据输入销量预测模型，即可预测出第K+1个时间周期的销量数据。
图2是根据本发明实施例的销量预测方法的主要流程示意图。如图2所示，本发明实施例的销量预测方法，主要包括如下步骤：
步骤S201：获取产品的SKU码对应的特征数据，以及所述SKU码与UPC码的匹配关系；其中所述特征数据包括销量数据、库存数据、环境数据。预先将产品的SKU码对应的销量数据、库存数据、环境数据和所述匹配关系保存在数据库中。在销售产品之前，销售商会为每个产品赋予SKU码(Stock Keeping Unit，库存量单位)，以方便管理自己的产品。SKU码由具有UPC码的产品组成。一个SKU码可以由具有相同UPC码的产品组成，也可以由具有不同UPC码的产品组成，可以包含一件产品，也可以包含多件产品。实施例中，周期性地提取上述数据，按照时间分区域储存，以提高数据库的读写效率。
销量数据来源于销售，库存数据来源于入库、出库、销售、盘点，入库对应于进货的情况，出库为除销售之外的其他原因所导致的出库，比如意外损坏。下面对出入库、销售、盘点对应的数据处理过程进行详细说明。
图3是根据本发明实施例的出入库、销售、盘点对应的数据处理过程示意图。图3中虚线代表数据传递，实线代表数据处理。如图3所示，本发明实施例的出入库、销售、盘点对应的数据处理过程为：
入库：扫描获取待入库产品的SKU码；判断数据库中是否已经存在所述SKU码，如果存在，则将所述SKU码对应的库存数据加1；如果不存在，则获取所述SKU码包含的UPC码，记录所述SKU码与所述UPC码的匹配关系，将所述SKU码对应的库存数据加1。其中，所述匹配关系用于记录第一次被记录到数据库的SKU码所包含的UPC码，以及每个UPC码对应的数量。比如，SKU A中有UPC B：b件，UPC C：c件。
盘点：扫描获取仓库中所有产品的SKU码，统计每个SKU码对应的实际库存数据；将统计出的实际库存数据与数据库中保存的库存数据进行对比；如果某个SKU码对应的实际库存数据大于数据库中的库存数据，则记录盘盈，更新数据库中的库存数据；如果某个SKU码对应的实际库存数据小于数据库中的库存数据，则记录盘亏，更新数据库中的库存数据。
出库：扫描获取待出库产品的SKU码；将数据库中所述SKU码对应的库存数据减1。
销售：扫描获取待销售产品的SKU码；将数据库中所述SKU码对应的库存数据减1；将数据库中所述SKU码对应的销量数据加1，增加所述SKU码包含的每个UPC码的销量数据。比如，待销售产品的SKU码为SKU A，且SKU A中有UPC B：b件，UPC C：c件，则将UPC B的销量数据增加b，将UPC C的销量数据增加c。
实施例中，所述环境数据包括销售环境数据、时间环境数据、自然环境数据和友商环境数据。
销售环境数据：可以包括价格、是否有促销、促销力度、是否有赠品、产品所属分类、产品的品牌、是否支持上门配送、新品上架计划、售完即止计划等。
时间环境数据：可以包括年、月、日、季节、是否属于节假日、距离传统节日和大促日的天数等。其中，节日可以包括春节、圣诞节、妇女节、国庆节等；大促日，比如可以为每年的6月18日，11月11日，12月12日等。
自然环境数据：可以包括天气、气温、空气质量指数、自然灾害预警等。上述数据可以从气象局获取。
友商环境数据：可以包括市场价、用户浏览量、用户好评率、用户差评率、用户评论数、毗邻区域的销量等。
步骤S202：对所述SKU码对应的特征数据进行预处理，以得到每个所述UPC码对应的销量时间序列。该步骤的具体实现过程为：
(1)按照所述时间周期，统计每个SKU码对应的特征数据。如前所述，所述特征数据包括销量数据、库存数据、环境数据，具体地销量数据可由所记录的SKU码的销量构成；环境数据可由下列的一个或多个构成：用户浏览量、用户评论数、毗邻区域的销量、价格、促销力度、气温、空气质量指数、市场价、用户好评率、用户差评率、距离传统节日的天数、距离大促日的天数、是否有促销、是否有赠品、是否支持上门配送、是否属于新品上架、是否售完即止、是否属于节假日、是否春季、是否夏季、是否秋季、是否冬季、是否有自然灾害预警、产品所属分类、产品品牌、保质期。其中，SKU码的销量、用户浏览量、用户评论数、毗邻区域的销量，这4个指标的值为所述时间周期内每日上述值的和；价格、促销力度、气温、空气质量指数、市场价、用户好评率、用户差评率、距离传统节日的天数、距离大促日的天数，这9个指标的值为所述时间周期内每日上述值的加权平均值；是否有促销、是否有赠品、是否支持上门配送、是否属于新品上架、是否售完即止、是否属于节假日、是否春季、是否夏季、是否秋季、是否冬季、是否有自然灾害预警，这11个指标的值为所述时间周期内处于上述状态“是”的天数与时间周期长度的比值。例如，假设时间周期为30天，某SKU码在30天的时间周期内共12天有促销活动，则其在该时间周期内“是否有促销”的指标值为12/30＝0.4。产品所属分类、产品品牌、保质期，这3个指标为固有属性，其值不随时间变化，选择时间周期内任意时间点的值即可。
(2)根据SKU码与UPC码的匹配关系，按照所述时间周期，统计每个所述UPC码对应的特征数据。此处特征数据的统计与(1)中相同。
(3)按照设定的时间序列格式，将每个时间周期以及对应的销量数据进行组合，得到销量时间序列。其中，所述时间序列格式为：[T0:xi,0,T1:xi,1,…,Tn:xi,n]，其中，Tn为第n个时间周期，xi,n为UPC i在第n个时间周期的销量数据。
步骤S203：为所述销量时间序列的每个时间周期匹配对应的相关属性数据。首先，按照时间周期，为每个所述UPC码对应的销量数据添加除SKU码对应的销量之外的其他数据，具体地，增加两个指标：是否为首次作为新品出现(即与含该UPC码的SKU码对应的产品是否为第一次上架)，是否为最后一次正常销售(即在该时间周期之后，含该UPC码的SKU码对应的产品是否为下架状态，或是否售完即止”的值大于0)。之后，为销量时间序列的每个时间周期匹配上述所有指标的值。
步骤S204：根据所述UPC码对应的销量时间序列和时间序列模型，确定前置时间周期数目K。实施例中，所述时间序列模型为ARIMA模型，ARIMA模型是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。该模型涉及3个参数：自回归项数、移动平均项数、时间序列平稳时所做的差分次数。本发明的目的之一为：基于前K个时间周期的销量数据，预测第K+1个时间周期的销量数据。为预测第K+1个时间周期的销量数据，需要计算出K的值，即需要计算出前置时间周期数目K。该步骤的具体实现过程见后续描述。
步骤S205：将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型。实施例中，所述机器学习算法为GBDT算法。该步骤的具体执行过程为：
(1)将所述销量时间序列和对应时间周期的环境数据作为训练集，输入GBDT算法，以拟合得到多个初步销量预测模型。
(2)按照预设第一比例，将所述训练集划分为新训练集和新测试集。实施例中，所述第一比例，比如8:2，即将80％的训练集作为新训练集，将20％的训练集作为新测试集。
(3)将所述新测试集输入所述初步销量预测模型，以验证所述初步销量预测模型。其中，(2)和(3)用于对所述初步销量预测模型进行交叉检验，如果新测试集在初步销量预测模型的表现，不超过训练集在初步销量预测模型的表现的10％，则认为通过交叉检验。衡量上述表现的数值化手段可以为：决定系数(R2)、平均绝对百分比误差(Mean AbsolutePercentage Error，MAPE)、平均绝对误差(Mean Absolute Error，MAE)等。其中，决定系数：又叫判定系数、拟合优度，表征依变数Y的变异中有多少百分比，可由控制的自变数X来解释；MAPE：是判断预测误差平均值的一种数学方法；MAE：又叫平均绝对离差，是所有单个观测值与算术平均值的偏差的绝对值的平均。
(4)获取验证通过的所述初步销量预测模型，将获取的所述初步销量预测模型作为销量预测模型。
步骤S206：将前K个时间周期的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。即，将前K个时间周期的销量数据、前K个时间周期的环境数据以及第K+1个时间周期的环境数据输入销量预测模型，即可预测出第K+1个时间周期的销量数据。
图4为本发明实施例的确定前置时间周期数目K的主要流程图。如图4所示，本发明实施例的确定前置时间周期数目K，包括以下步骤：
步骤S401：从匹配结果中获取所述UPC码对应产品的最后一次正常销售的时间周期，以及首次作为新品出现的时间周期。经步骤S203的匹配处理后，即可得到UPC码对应的产品在每个时间周期是否为首次作为新品出现，以及是否为最后一次正常销售。之后，即可获取该UPC码对应的产品首次作为新品出现的时间周期以及最后一次正常销售的时间周期。
步骤S402：将所述最后一次正常销售的时间周期与所述首次作为新品出现的时间周期做差，以得到所述UPC码对应的销量时间序列的长度。实施例中，销量时间序列的长度＝最后一次正常销售的时间周期-首次作为新品出现的时间周期。
步骤S403：根据预设选取规则，从所述销量时间序列中选取出新的销量时间序列。实施例中，所述选取规则为选取最长的a个销量时间序列。假设所述UPC码对应的销量时间序列共有N个，a的取值可通过以下方式确定：如果N≥第二阈值，则a＝第二比例×N，四舍五入保留整数；如果N<第二阈值，则a＝第二阈值×第二比例，四舍五入保留整数。其中，所述第二阈值，比如为5000；第二比例根据经验值确定，如果选取出的销量时间序列太少，会无法满足ARIMA模型的需求；如果选取出的销量时间序列太多，会导致算法运行慢、设置无法运行。实际应用中，第二比例比如设置为1％、3％、5％。
步骤S404：将所有的所述新的销量时间序列作为时间序列集合，从所述时间序列集合选取一个新的销量时间序列作为当前销量时间序列。实施例中，所述时间序列集合用A表示，Ai为时间序列集合A中的第i个销量时间序列。
步骤S405：初始化所述当前销量时间序列的滞后因子和差分次数。实施例中，将差分次数d初始化为-1。
步骤S406：将所述差分次数自增1。
步骤S407：按照自增后的所述差分次数，对所述当前销量时间序列进行差分运算，得到差分时间序列。其中，差分运算又叫差分、差分函数，差分的结果反映了离散量之间的一种变化，是研究离散数学的一种工具，常用函数差近似导数。
步骤S408：检验所述差分时间序列的平稳性，如果所述差分时间序列为平稳时间序列，则执行步骤S409；如果所述差分时间序列为非平稳时间序列，则执行步骤S406。实施例中，通过单位根检验差分时间序列的平稳性。所述单位根检验(Unit Root Test)，是一种检验时间序列平稳性的数学方法，输出结果有三种：平稳、非平稳和一个单位根过程。检验序列中是否存在单位根(单位根过程)，如果存在单位根(单位根过程)，该序列就是非平稳时间序列。平稳型时间序列是指一个时间序列的统计特性不随时间变化而改变。
步骤S409：检验所述平稳时间序列的自回归性，以获取每个滞后因子对应的自回归假设值。实施例中，通过自回归函数测试(Autocorrelation Function Test，ACF-test)，即ACF测试检验平稳时间序列的自回归性。所述ACF测试是一种检验自回归性的数学方法，输出为每一个滞后因子对应的自回归性假设值p-value，可结合置信度判断序列是否具有自回归性。
步骤S410：确定大于置信度的自回归假设值对应的滞后因子的个数，以及大于置信度的自回归假设值对应的最大滞后因子。实施例中，将大于置信度的自回归假设值对应的滞后因子的个数记为Q，将大于置信度的自回归假设值对应的滞后因子中最大的滞后因子记为P(最大的滞后因子不等于0)。
步骤S411：分别计算所述平稳时间序列的赤池信息量和贝叶斯信息量，以得到ARIMA模型的自回归项数和移动平均项数。实施例中，自回归项数为p，移动平均项数为q，p和q为非负整数，且满足p≤1.2P，p≤当前销量时间序列的长度，q≤1.2Q。基于赤池信息准则(Akaike information criterion，AIC准则)计算平稳时间序列的赤池信息量，基于贝叶斯信息准则(Bayesian information criterion，BIC准则)计算平稳时间序列的贝叶斯信息量。其中，AIC准则为衡量统计模型拟合优良性的一种标准，AIC＝2k-2ln(L)，k是参数数量，L是似然函数。BIC准则与AIC准则一样，是评价模型的拟合效果的一个指标，BIC的值越小，则模型对数据的拟合越好。BIC＝-2ln(L)+ln(n)×k，L为似然函数，n为样本大小，k为参数数量。
计算出所述平稳时间序列的赤池信息量和贝叶斯信息量后，找出使所述赤池信息量和所述贝叶斯信息量的均值最小的自回归项数和移动平均项数，将该找出的自回归项数和移动平均项数对应作为ARIMA模型的自回归项数和移动平均项数。
步骤S412：比较所述自回归项数和所述移动平均项数的大小，将较大的项数作为所述当前销量时间序列的前置时间周期数目。实施例中，将max(p，q)作为当前销量时间序列的前置时间周期数目。
步骤S413：判断所述当前销量时间序列是否为所述时间序列集合的最后一个销量时间序列，如果不是，则执行步骤S414；如果是，则执行步骤S415。
步骤S414：从所述时间序列集合中选取下一销量时间序列，将所述下一销量时间序列作为所述当前销量时间序列，执行步骤S405。
步骤S415：计算所有销量时间序列对应的前置时间周期数目的平均值，将取整后的所述平均值作为最终的前置时间周期数目K。实施例中，将所述平均值进行四舍五入后作为最终的前置时间周期数目K。假设最终前置时间周期数目为K，当前时间周期为T，则(T-K-1，T-K-2，…，T)作为前K个时间周期。
在一优选的实施例中，可以根据历史销量数据，找出滞销品，并进行输出，具体实现过程为：
首先，根据每个时间周期的历史销量数据中，所述UPC码对应的售出数据和进货数据，计算预设单位时间内的产品消耗率。其中，产品消耗率＝(所有时间周期在单位时间内的售出数据之和/所有时间周期在单位时间内的进货数据之和)/时间周期的数量。
之后，将所述产品消耗率与第一阈值进行比较，以获取小于所述第一阈值的产品消耗率对应的产品标识。其中，第一阈值可以设置为50％。
最后，将获取的UPC码对应的产品作为滞销品，输出所述滞销品。
在另一优选的实施例中，可根据数据库中保存的所述UPC码对应产品的进货日期，以及所述环境数据的保质期，判断该UPC码对应产品是否到期，将到期产品进行出库处理，之后更新数据库的库存数据。
在另一优选的实施例中，通过步骤S201-步骤206得到了下一时间周期的销量预测数据，之后可根据当前库存进行补货。
图5为本发明实施例的补货过程示意图。如图5所示，本发明实施例的补货过程的具体实现包括以下步骤：
步骤S501：根据所述下一时间周期的销量预测数据和当前库存数据，计算所述UPC码对应的原始补货量。该步骤中，如果销量预测数据>当前库存数据，则原始补货量＝销量预测数据-当前库存数据；如果销量预测数据≤当前库存数据，则原始补货量＝0。
步骤S502：将所述产品消耗率与第一阈值进行比较，如果所述产品消耗率小于第一阈值，则执行步骤S503；否则，执行步骤S504。
步骤S503：按照预设规则减少所述原始补货量，以得到实际补货量，执行步骤S505。其中，所述预设规则可以是原始补货量的50％，即实际补货量＝原始补货量×50％。如果所述产品消耗率小于第一阈值，说明所述UPC码对应的产品为所述滞销品，需要减少补货量，避免增大滞销。
步骤S504：将所述原始补货量作为实际补货量，执行步骤S505。如果所述产品消耗率大于或等于第一阈值，说明所述UPC码对应的产品为非滞销品，按原始补货量进行补货即可。
步骤S505：按照所述实际补货量，对所述UPC码对应的产品进行补货。
在另一优选的实施例中，也可以仅按照步骤S501计算出的原始补货量当前库存进行补货。
通过本发明实施例的销量预测方法可以看出，基于时间序列模型确定前置时间周期数目，并基于环境数据训练销量预测模型，以由前置时间周期数目的销量数据预测下一时间周期的销量数据，该销量预测模型不依赖销量时间序列的稳定性，并考虑了环境因素，销量预测更加准确；基于自回归积分滑动平均模型确定前置时间周期数目，该模型将非平稳时间序列转化为平稳时间序列，避免了稳定性差的销量时间序列对预测数据的影响；对初步销量预测模型进行验证，将验证通过的初步销量预测模型作为销量预测模型，防止由于模型过于复杂而引起过拟合的缺陷；根据历史销量数据找出滞销品，并反馈至销售商，以使销售商在补货时减少滞销品的补货量，避免产品进一步滞销；基于下一时间周期的销量预测数据对产品进行补货，为销售商的经营决策提供了依据。
图6是根据本发明实施例的销量预测装置的主要模块的示意图。如图6所示，本发明实施例的销量预测装置600，主要包括：
确定模块601，用于根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目K。每个产品设置有产品标识，比如UPC码，通过UPC码为对产品进行记录和归类。预先将产品的销售、库存、入出库情况记录在存储介质中，比如数据库。从数据库中获取每个产品标识在每个时间周期对应的销量数据，将每个时间周期以及对应的销量数据进行组合，以得到每个产品标识对应的销量时间序列。其中，所述时间周期为产品相邻两次补货的时间间隔，比如为一周、两周、一月等。时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。
训练模块602，用于将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型。预先将产品的环境数据保存在存储介质中，比如数据库。其中，所述环境数据包括销售环境数据、时间环境数据、自然环境数据、友商环境数据中的一个或者多个。该模块中，将销量时间序列和对应时间周期的环境数据作为训练集，输入机器学习算法，以拟合得到多个初步销量预测模型；之后对所述初步销量预测模型进行交叉验证，将验证通过的初步销量预测模型作为训练好的销量预测模型。
输出模块603，用于将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。即，将前K个时间周期的销量数据、前K个时间周期的环境数据以及第K+1个时间周期的环境数据输入销量预测模型，即可预测出第K+1个时间周期的销量数据。
另外，本发明实施例的销量预测装置600还可以包括：滞销品输出模块和补货模块(图6中未示出)。其中，所述滞销品输出模块，用于根据历史销量数据中，所述产品标识对应的售出数据和进货数据，计算预设单位时间内的产品消耗率；将所述产品消耗率与第一阈值进行比较，以获取小于所述第一阈值的产品消耗率对应的产品标识；以及将获取的产品标识对应的产品作为滞销品，输出所述滞销品。所述补货模块，用于根据所述下一时间周期的销量预测数据和当前库存数据，计算所述产品标识对应的原始补货量；当所述产品标识对应的产品为所述滞销品时，按照预设规则减少所述原始补货量，以得到实际补货量；以及按照所述实际补货量，对所述产品标识对应的产品进行补货。
从以上描述可以看出，基于时间序列模型确定前置时间周期数目，并基于环境数据训练销量预测模型，以由前置时间周期数目的销量数据预测下一时间周期的销量数据，该销量预测模型不依赖销量时间序列的稳定性，并考虑了环境因素，销量预测更加准确；基于自回归积分滑动平均模型确定前置时间周期数目，该模型将非平稳时间序列转化为平稳时间序列，避免了稳定性差的销量时间序列对预测数据的影响；对初步销量预测模型进行验证，将验证通过的初步销量预测模型作为销量预测模型，防止由于模型过于复杂而引起过拟合的缺陷；根据历史销量数据找出滞销品，并反馈至销售商，以使销售商在补货时减少滞销品的补货量，避免产品进一步滞销；基于下一时间周期的销量预测数据对产品进行补货，为销售商的经营决策提供了依据。
图7示出了可以应用本发明实施例的销量预测方法或销量预测装置的示例性系统架构700。
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704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701、702、703通过网络704与服务器705交互，以接收或发送消息等。在一个实施例中，终端设备701、702、703上可以安装有各种通讯客户端应用，例如向服务器605输入产品销量数据和/或环境数据的应用等。
终端设备701、702、703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705可以是提供各种服务的服务器，例如对管理员利用终端设备701、702、703所提供的产品销量数据和/或环境数据进行分析后台管理服务器。后台管理服务器可以对接收到的数据进行分析等处理，并将处理结果(例如销量预测数据)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方法一般由服务器705执行，相应地，销量预测装置一般设置于服务器705中。
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括：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本发明实施例的一种销量预测方法。
本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种销量预测方法。
下面参考图8，其示出了适用于来实现本发明实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，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8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有计算机系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明公开的实施例，上文主要步骤图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括确定模块、训练模块和输出模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，确定模块还可以被描述为“根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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，使得该设备包括：根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目；将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型；将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。
从以上描述可以看出，基于时间序列模型确定前置时间周期数目，并基于环境数据训练销量预测模型，以由前置时间周期数目的销量数据预测下一时间周期的销量数据，该销量预测模型不依赖销量时间序列的稳定性，并考虑了环境因素，销量预测更加准确；基于自回归积分滑动平均模型确定前置时间周期数目，该模型将非平稳时间序列转化为平稳时间序列，避免了稳定性差的销量时间序列对预测数据的影响；对初步销量预测模型进行验证，将验证通过的初步销量预测模型作为销量预测模型，防止由于模型过于复杂而引起过拟合的缺陷；根据历史销量数据找出滞销品，并反馈至销售商，以使销售商在补货时减少滞销品的补货量，避免产品进一步滞销；基于下一时间周期的销量预测数据对产品进行补货，为销售商的经营决策提供了依据。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (14)
1.一种销量预测方法，其特征在于，包括：
根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目；
将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型；
将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。
2.根据权利要求1所述的方法，其特征在于，所述销量时间序列包括至少一个所述时间周期和对应的销量数据。
3.根据权利要求1所述的方法，其特征在于，所述时间序列模型为自回归积分滑动平均模型；
所述根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目，包括：
对产品标识对应的销量时间序列进行差分运算，得到平稳时间序列；
分别计算所述平稳时间序列的赤池信息量和贝叶斯信息量，以得到所述自回归积分滑动平均模型的自回归项数和移动平均项数；
比较所述自回归项数和所述移动平均项数的大小，将较大的项数作为前置时间周期数目。
4.根据权利要求1所述的方法，其特征在于，所述将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型，包括：
将所述销量时间序列和对应时间周期的环境数据作为训练集，输入机器学习算法，以拟合得到多个初步销量预测模型；
按照预设第一比例，将所述训练集划分为新训练集和新测试集；
将所述新测试集输入所述初步销量预测模型，以验证所述初步销量预测模型；
获取验证通过的所述初步销量预测模型，将获取的所述初步销量预测模型作为销量预测模型。
5.根据权利要求1至4的任一项所述的方法，其特征在于，所述方法还包括：
根据历史销量数据中，所述产品标识对应的售出数据和进货数据，计算预设单位时间内的产品消耗率；
将所述产品消耗率与第一阈值进行比较，以获取小于所述第一阈值的产品消耗率对应的产品标识；
将获取的产品标识对应的产品作为滞销品，输出所述滞销品。
6.根据权利要求5所述的方法，其特征在于，所述输出所述下一时间周期的销量预测数据的步骤之后，还包括：
根据所述下一时间周期的销量预测数据和当前库存数据，计算所述产品标识对应的原始补货量；
当所述产品标识对应的产品为所述滞销品时，按照预设规则减少所述原始补货量，以得到实际补货量；
按照所述实际补货量，对所述产品标识对应的产品进行补货。
7.一种销量预测装置，其特征在于，包括：
确定模块，用于根据产品标识对应的销量时间序列和时间序列模型，确定前置时间周期数目；
训练模块，用于将所述销量时间序列和对应时间周期的环境数据输入机器学习算法，以训练销量预测模型；
输出模块，用于将所述前置时间周期数目的销量数据、环境数据以及下一时间周期的环境数据输入所述销量预测模型，以输出所述下一时间周期的销量预测数据。
8.根据权利要求7所述的装置，其特征在于，所述销量时间序列包括至少一个所述时间周期和对应的销量数据。
9.根据权利要求7所述的装置，其特征在于，所述时间序列模型为自回归积分滑动平均模型；所述确定模块，还用于：
对产品标识对应的销量时间序列进行差分运算，得到平稳时间序列；
分别计算所述平稳时间序列的赤池信息量和贝叶斯信息量，以得到所述自回归积分滑动平均模型的自回归项数和移动平均项数；以及
比较所述自回归项数和所述移动平均项数的大小，将较大的项数作为前置时间周期数目。
10.根据权利要求7所述的装置，其特征在于，所述训练模块，还用于：
将所述销量时间序列和对应时间周期的环境数据作为训练集，输入机器学习算法，以拟合得到多个初步销量预测模型；
按照预设第一比例，将所述训练集划分为新训练集和新测试集；
将所述新测试集输入所述初步销量预测模型，以验证所述初步销量预测模型；以及
获取验证通过的所述初步销量预测模型，将获取的所述初步销量预测模型作为销量预测模型。
11.根据权利要求7至10的任一项所述的装置，其特征在于，所述装置还包括：滞销品输出模块，用于
根据历史销量数据中，所述产品标识对应的售出数据和进货数据，计算预设单位时间内的产品消耗率；
将所述产品消耗率与第一阈值进行比较，以获取小于所述第一阈值的产品消耗率对应的产品标识；以及
将获取的产品标识对应的产品作为滞销品，输出所述滞销品。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：补货模块，用于
根据所述下一时间周期的销量预测数据和当前库存数据，计算所述产品标识对应的原始补货量；
当所述产品标识对应的产品为所述滞销品时，按照预设规则减少所述原始补货量，以得到实际补货量；以及
按照所述实际补货量，对所述产品标识对应的产品进行补货。
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1-6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1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558081.5A CN110555578B (zh) | 2018-06-01 | 2018-06-01 | 一种销量预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810558081.5A CN110555578B (zh) | 2018-06-01 | 2018-06-01 | 一种销量预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110555578A true CN110555578A (zh) | 2019-12-10 |
| CN110555578B CN110555578B (zh) | 2024-04-16 |
Family
ID=68734915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810558081.5A Active CN110555578B (zh) | 2018-06-01 | 2018-06-01 | 一种销量预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555578B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476626A (zh) * | 2020-03-04 | 2020-07-31 | 珠海市百岛科技有限公司 | 智能订水方法及智能水站系统 |
| CN111598310A (zh) * | 2020-04-27 | 2020-08-28 | 天闻数媒科技（北京）有限公司 | 一种基于时间序列分析的图书热度预测方法以及设备 |
| CN111667309A (zh) * | 2020-06-02 | 2020-09-15 | 中储南京智慧物流科技有限公司 | 一种生活必需品中长期预测方法 |
| CN112016769A (zh) * | 2020-10-19 | 2020-12-01 | 北京梦天门科技股份有限公司 | 管理相对人风险预测以及信息推荐方法及装置 |
| CN112150188A (zh) * | 2020-08-10 | 2020-12-29 | 深圳友宝科斯科技有限公司 | 一种商品销量预测方法、存储介质和计算机设备 |
| CN112463531A (zh) * | 2020-11-24 | 2021-03-09 | 中国建设银行股份有限公司 | 一种文件传输预警方法、装置、设备及存储介质 |
| CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
| CN113837783A (zh) * | 2020-06-24 | 2021-12-24 | 上海顺如丰来技术有限公司 | 时间序列模型参数优化方法、装置、计算机设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007172326A (ja) * | 2005-12-22 | 2007-07-05 | Hitachi Ltd | 生産量決定支援システム、生産量決定支援方法、および生産量決定支援プログラム |
| CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及系统 |
| 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 |
| CN106920009A (zh) * | 2017-03-03 | 2017-07-04 | 北京北青厚泽数据科技有限公司 | 医院服务量的预测方法 |
| CN107146015A (zh) * | 2017-05-02 | 2017-09-08 | 联想(北京)有限公司 | 多变量时间序列预测方法和系统 |
| CN107767191A (zh) * | 2017-12-05 | 2018-03-06 | 广东技术师范学院 | 一种基于医药大数据预测药品销售趋势的方法 |
-
2018
- 2018-06-01 CN CN201810558081.5A patent/CN110555578B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007172326A (ja) * | 2005-12-22 | 2007-07-05 | Hitachi Ltd | 生産量決定支援システム、生産量決定支援方法、および生産量決定支援プログラム |
| CN105976199A (zh) * | 2016-04-26 | 2016-09-28 | 重庆大学 | 一种基于混合模型的医药销量的预测方法及系统 |
| 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 |
| CN106920009A (zh) * | 2017-03-03 | 2017-07-04 | 北京北青厚泽数据科技有限公司 | 医院服务量的预测方法 |
| CN107146015A (zh) * | 2017-05-02 | 2017-09-08 | 联想(北京)有限公司 | 多变量时间序列预测方法和系统 |
| CN107767191A (zh) * | 2017-12-05 | 2018-03-06 | 广东技术师范学院 | 一种基于医药大数据预测药品销售趋势的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 石磊;: "时间序列和神经网络对迷你型洗衣机销量预测", 安徽理工大学学报(自然科学版), no. 03, 15 September 2013 (2013-09-15), pages 73 - 77 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476626A (zh) * | 2020-03-04 | 2020-07-31 | 珠海市百岛科技有限公司 | 智能订水方法及智能水站系统 |
| CN111598310A (zh) * | 2020-04-27 | 2020-08-28 | 天闻数媒科技（北京）有限公司 | 一种基于时间序列分析的图书热度预测方法以及设备 |
| CN111667309A (zh) * | 2020-06-02 | 2020-09-15 | 中储南京智慧物流科技有限公司 | 一种生活必需品中长期预测方法 |
| CN113837783A (zh) * | 2020-06-24 | 2021-12-24 | 上海顺如丰来技术有限公司 | 时间序列模型参数优化方法、装置、计算机设备 |
| CN112150188A (zh) * | 2020-08-10 | 2020-12-29 | 深圳友宝科斯科技有限公司 | 一种商品销量预测方法、存储介质和计算机设备 |
| CN112016769A (zh) * | 2020-10-19 | 2020-12-01 | 北京梦天门科技股份有限公司 | 管理相对人风险预测以及信息推荐方法及装置 |
| CN112463531A (zh) * | 2020-11-24 | 2021-03-09 | 中国建设银行股份有限公司 | 一种文件传输预警方法、装置、设备及存储介质 |
| CN113780611A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种库存管理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110555578B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555578A (zh) | 一种销量预测方法和装置 | |
| CN110751497A (zh) | 一种商品补货方法和装置 | |
| CN106408341A (zh) | 货品销量的预测方法及装置、电子设备 | |
| CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
| CN113888235B (zh) | 一种销量预测模型的训练方法、销量预测方法及相关装置 | |
| CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
| US11062250B1 (en) | System and method for database architecture for electronic data optimization and management | |
| CN113128932B (zh) | 仓库备货处理方法、装置、存储介质与电子设备 | |
| US20210224351A1 (en) | Method and system for optimizing an objective having discrete constraints | |
| CN113095893A (zh) | 确定物品销量的方法和装置 | |
| US20210312488A1 (en) | Price-Demand Elasticity as Feature in Machine Learning Model for Demand Forecasting | |
| CN110555713A (zh) | 一种确定销量预测模型的方法和装置 | |
| CN110610252A (zh) | 预测系统以及预测方法 | |
| CN113780611A (zh) | 一种库存管理方法和装置 | |
| CN113763019A (zh) | 一种用户信息管理方法和装置 | |
| CN115860800A (zh) | 一种节假日商品销量预测方法、装置及计算机存储介质 | |
| CN110650170A (zh) | 用于推送信息的方法和装置 | |
| CN114663015A (zh) | 补货方法和装置 | |
| CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
| US20230419184A1 (en) | Causal Inference Machine Learning with Statistical Background Subtraction | |
| CN117788115A (zh) | 一种物品需求信息确定方法、装置、设备及存储介质 | |
| US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
| JP2016012223A (ja) | 需要予測装置およびプログラム | |
| CN114677183A (zh) | 一种新品销量预测方法、装置、计算机设备及存储介质 | |
| JP2016012224A (ja) | 需要予測装置およびプログラム |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |