CN111008858B - 一种商品销量预测方法及系统 - Google Patents
一种商品销量预测方法及系统 Download PDFInfo
- Publication number
- CN111008858B CN111008858B CN201911019618.1A CN201911019618A CN111008858B CN 111008858 B CN111008858 B CN 111008858B CN 201911019618 A CN201911019618 A CN 201911019618A CN 111008858 B CN111008858 B CN 111008858B
- Authority
- CN
- China
- Prior art keywords
- sales
- commodity
- sequence
- time period
- platform
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 69
- 230000003068 static effect Effects 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 116
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 description 10
- 238000012216 screening Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002453 shampoo Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种商品销量预测方法及系统,包括:获取目标商品在预设历史时间段的销量序列和所有类似商品在预设历史时间段内的销量序列;获取相同特征商品促销活动序列的归一化销量;将目标商品在预设历史时间段的销量序列、所有类似商品在预设历史时间段的销量序列和相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;将目标商品的静态特征、在预设历史时间段内的销量序列、平台爆发销量序列、商品爆发销量序列和特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取目标商品在预测未来时间段内的销量。本发明实施例有效利用未来时间内平台的促销活动及商品的特卖排期信息,大幅提升预估准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种商品销量预测方法及系统。
背景技术
销量预测是指对商品在未来一段时间内的累积销售数量进行估计,典型的应用场景是在电商平台中,商家基于对每个所售商品的销量预测结果,设置合理的配货安排,避免因货品积压或数量不足给商家带来损失。而在现有的实际生产应用中下,预测结果只能基于每个商品历史的销售额进行初步预估,再结合人工经验进行调整,面对庞大的商品数量,需要耗费大量人力的同时预测准确度无法得到保证,从而带来高昂的成本。
目前使用机器学习算法来完成销量预测任务时主要将其作为时间序列预测问题进行分析,利用商品历史的销售额序列预测未来一段时间内的销量。常用的传统方法有自回归滑动平均模型(Autoregressive moving average model,简称ARMA模型)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,简称ARIMA模型)等,这些方法将非平稳的时间序列数据进行平稳化后,计算序列的相关参数用于后续的回归分析,但是该类方法仅基于过去的时间序列预测接下来的序列,没有考虑到商品的属性特征对消费者购买选择的影响,因此预测的准确度较差,同时也没有利用到商品之间的相似性,导致训练出的预测模型仅针对一个序列,无法泛化。
现有技术中一些其它算法需要人为选择特征作为输入进行预测,对于每一个特征都需要单独调整其权重,训练的效率很低。利用LSTM和GRU等神经网络模型,结合商品自身属性可以预测出商品在未来一段时间内的销量,然而在预测后续天销量时要使用到之前销量的预测值,从而随着预测时间窗口变长在计算总的销量预测结果时会导致误差的反复累加。
如何综合考虑影响商品销量的多种信息提升销量预测的准确度,合理设计网络结构并实现端到端的训练是一个亟待解决的问题。
发明内容
针对上述问题,本发明实施例提供一种商品销量预测方法及系统。
第一方面,本发明实施例提供一种商品销量预测方法,包括:
获取目标商品在预设历史时间段的销量序列和所有类似商品在所述预设历史时间段内的销量序列,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
获取相同特征商品促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品在预测未来时间段内促销活动序列的余弦相似度大于预设阈值;
将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内的销量序列、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在所述预测未来时间段内的销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响。
优选地,所述静态特征包括身份编号、产品编号、品牌编号、品牌类型、第一类目信息、第二类目信息和第三类目信息中的一种或多种。
优选地,所述获取相同特征商品的促销活动序列的归一化销量,具体包括:
获取所述目标商品在所述预测未来时间段内的平台商品促销活动序列,所述平台商品促销活动序列表示所述销售平台和所述目标商品共同的促销活动序列;
获取与所述目标商品具有相同身份编号商品的平台商品促销活动序列、具有相同产品编号商品的平台商品促销活动序列、具有相同品牌编号商品的平台商品促销活动序列,具有相同品牌类型商品的平台商品促销活动序列、具有相同第一类目信息商品的平台商品促销活动序列、具有相同第二类目信息商品的平台商品促销活动序列和具有相同第三类目信息商品的平台商品促销活动序列,构成类似促销集;
计算所述目标商品在所述预测未来时间段内平台商品促销活动序列与所述类似促销集中的每一平台商品促销活动序列的余弦相似度;
从所述类似促销集中选取出若干个余弦相似度大于所述预设阈值的平台商品促销序列,作为所述相同特征商品的促销活动序列;
利用所述目标商品在所述预设历史时间段内的销售均值,对所述相同特征商品的促销活动序列对应的销量进行归一化,获取相同特征商品的促销活动序列的归一化销量。
优选地,所述目标商品的平台爆发销量序列通过如下方式获得:
在所述销售平台有促销活动情况下,获取所述目标商品的第一日销量均值;
在所述销售平台无促销活动情况下,获取所述目标商品的第二日销量均值;
根据所述第一日销量均值和所述第二日销量均值,获取所述目标商品的平台促销爆发系数;
根据所述目标商品在所述预测未来时间段内平台促销活动序列、所述预测未来时间段内平台促销活动天数和所述目标商品的平台促销爆发系数,获取所述目标商品的平台爆发销量序列。
优选地,所述目标商品的商品爆发销量序列通过如下方式获得:
在所述目标商品有促销活动情况下,获取所述目标商品的第三日销量均值;
在所述目标商品无促销活动情况下,获取所述目标商品的第四日销量均值;
根据所述第三日销量均值和所述第四日销量均值,获取所述目标商品的商品促销爆发系数;
根据所述目标商品在所述预测未来时间段内的促销活动序列、所述预测未来时间段内所述目标商品的促销天数和所述目标商品的品牌爆发系数,获取所述目标商品的商品爆发销量序列。
优选地,所述将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,之前还包括:
获取训练样本集,对于对于所述训练样本集中的任一训练样本,所述任一训练样本包括任一商品的静态特征、所述任一商品在训练历史时间段内的销量序列、与所述任一商品具有相同产品编号的商品在所述训练历史时间段的销量序列、所述销售平台在所述训练历史时间段内的促销活动序列、所述任一商品在所述训练历史时间段内的促销活动序列、所述销售平台在训练预测时间段内的促销活动序列、所述任一商品在所述训练预测时间段的促销活动序列、所述任一商品在所述训练预测时间段内的总销量;
利用所述训练样本集中的训练样本对所述卷积层进行训练,所述卷积层的各层权重及偏置在反向传播的过程中通过随机梯度下降的方法进行更新。
优选地,所述利用所述训练样本集中的训练样本对所述卷积层进行训练,之前还包括:
对于所述训练样本集中每一商品的静态特征,通过权重矩阵对所述静态特征进行降维处理。
第二方面,本发明实施例提供一种商品销量预测系统,包括:
销量模块,用于获取目标商品在预设历史时间段的销量序列和所有类似商品在所述预设历史时间段内的销量序列,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
促销模块,用于获取相同特征商品促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品在预测未来时间段内促销活动序列的余弦相似度大于预设阈值;
卷积模块,用于将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
计算模块,用于将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内的销量序列、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在所述预测未来时间段内的销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面提供的一种商品销量预测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面提供的一种商品销量预测方法的步骤。
本发明实施例提供的一种商品销量预测方法及系统,考虑电商平台这一特定场景下的商品销量预测问题,基于不同商品间基础属性以及历史销售情况的差异性,有效利用未来时间内平台的促销活动及商品的特卖排期信息,基于神经网络模型实现,能够大幅提升对商品未来销量预估的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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为本发明实施例提供的一种商品销量预测方法的流程图;
图2为本发明实施例提供的一种商品销量预测系统的结构示意图;
图3为本发明实施例提供的一种电子设备的实体结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
图1为本发明实施例提供的一种商品销量预测方法的流程图,如图1所示,该方法包括:
S1,获取目标商品在预设历史时间段内的销量和所有类似商品在所述预设历史时间段内的销量,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
S2,获取相同特征商品促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品在预测未来时间段内促销活动序列的余弦相似度大于预设阈值;
S3,将所述目标商品在所述预设历史时间段内的销量、所有类似商品在所述预设历史时间段内的销量和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
S4,将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内的销量序列、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在所述预测未来时间段内的销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响。
本发明实施例中目标商品是指单款单色单码的商品,获取该目标商品在预设历史时间段内的销量序列,该销量序列可以看作是一个向量,以天为单位,向量中的每一个元素表示该目标商品在过去某一天的销量。
预设历史时间段是指过去某一段时间,例如过去30天内,预测未来时间段是指未来一段时间,也就是需要对目标商品的销量进行预测的时间。
商品销量包括该商品过去一段时间内的销量值(无销量时进行补0操作),通常来讲,商品的销量本身具有一定的变化模式或周期性规律,此外,同产品编号(同款不同色/同款不同码)商品的销量也可以从侧面提供目标商品销售情况的辅助信息,因此本发明实施例中同时对目标商品的历史销量和同产品编号商品的销量进行特征提取。
获取在销售平台中具有与目标商品相同产品编号的所有商品,将其称之为类似商品,本发明实施例中,每个商品都有一个产品编号,该产品编号表示产品级的编号,同一系列下有不同款不同色不同尺码的商品,但是这些商品的产品编号是相同的,而不同系列的商品的产品编号是不同的。
然后获取相同特征商品的促销活动序列的归一化销量序列,首先选取出相同特征商品,类目主要是指网上电子商务平台为适应当今时代的消费人群在网上商店有针对性的选购各种各样的商品而对商品做出的归类。计算相同特征商品在预测未来时间段内促销活动序列和目标商品在预测未来时间段内促销活动序列的余弦相似度,筛选出余弦相似度大于预设阈值的所有相同特征商品在预测未来时间段内促销活动序列,按照余弦相似度从大到小的顺序进行排序,选取出前若干个相同特征商品促销活动序列,本发明实施例中选取出前15个,获得相同特征商品促销活动序列的归一化销量。
接着将目标商品在预设历史时间段内的销量序列、所有类似商品在预设历史时间段的销量序列和相同特征商品促销活动序列的归一化销量输入到训练后的卷积层中,得到特征空间向量。
然后将目标商品的静态特征,目标商品在预设历史时间段的销量序列、目标商品平台爆发销量序列、目标商品商品爆发销量序列和特征空间向量进行拼接,将拼接之后得到的向量输入到全连接层中,就可以直接输出目标商品在预测未来时间段内的销量。
需要说明的是,此处的销量可以是每一天的销量,也可以是总销量,当需要计算每一天的销量时,训练样本集中的销量也是指每一天的销量,当需要计算总销量时,训练样本集中的销量也是指总销量。
目标商品平台爆发销量序列中考虑到了销售平台的促销活动以及活动天数对目标商品销量的影响,目标商品商品爆发销量序列中考虑到了商品本身做的促销活动对该目标商品销量的影响。
本发明实施例提供一种商品销量预测方法,考虑电商平台这一特定场景下的商品销量预测问题,基于不同商品间基础属性以及历史销售情况的差异性,有效利用未来时间内平台的促销活动及商品的特卖排期信息,基于神经网络模型实现,能够大幅提升对商品未来销量预估的准确度。
在上述实施例的基础上,优选地,所述静态特征包括身份编号、产品编号、品牌编号、品牌类型、第一类目信息、第二类目信息和第三类目信息中的一种或多种。
具体地,每个商品都对应一个静态特征,该静态特征包括身份编号、产品编号、品牌编号、品牌类型、第一类目信息、第二类目信息和第三类目信息中的一种或多种,本发明实施例中,静态特征包括这六个方面。其中、身份编号类似于身份证,是唯一的,每个商品对应唯一的一个身份编号,产品编号是指商品的产品信息,同一系列的商品具有相同的产品编号,品牌编号是指商品的品牌信息,相同品牌的商品具有相同的品牌编号,第一类目信息、第二类目信息和第三类目信息是指按照不同程度进行的分级,例如,对于飘柔洗发水这个商品,该商品的第三类目信息为洗发水,该商品的第二类目信息为个人洗护,该商品的第一类目信息为洗护。
在上述实施例的基础上,优选地,所述相同特征商品的促销活动序列的归一化销量,具体包括:
获取所述目标商品在所述预测未来时间段内的平台商品促销活动序列,所述平台商品促销活动序列表示所述销售平台和所述目标商品共同的促销活动序列;
获取与所述目标商品具有相同身份编号商品的平台商品促销活动序列、具有相同产品编号商品的平台商品促销活动序列、具有相同品牌编号商品的平台商品促销活动序列,具有相同品牌类型商品的平台商品促销活动序列、具有相同第一类目信息商品的平台商品促销活动序列、具有相同第二类目信息商品的平台商品促销活动序列和具有相同第三类目信息商品的平台商品促销活动序列,构成类似促销集;
计算所述目标商品在所述预测未来时间段内平台商品促销活动序列与所述类似促销集中的每一平台商品促销活动序列的余弦相似度;
从所述类似促销集中选取出若干个余弦相似度大于所述预设阈值的平台商品促销序列,作为所述相同特征商品的促销活动序列;
利用所述目标商品在所述预设历史时间段内的销售均值,对所述相同特征商品的促销活动序列进行归一化,获取相同特征商品的促销活动序列的归一化销量。
在获取相同特征商品的促销活动序列的归一化销量如下:
获取目标商品在预测未来时间段内销售平台和目标商品的促销活动,将其称之为平台商品促销活动序列信息,然后获取所有商品的销售平台和目标商品的促销活动,从所有商品中进行选择,选择出来的商品的促销活动构成类似促销集,具体选择方法为:如果一个商品与目标商品具有相同的身份编号,将该商品加入类似促销集中;如果一个商品与目标商品具有相同的产品编号,将该商品加入类似促销集中;如果一个商品与目标商品具有相同的品牌编号,将该商品加入类似促销集中;如果一个商品与目标商品具有相同的品牌类型,将该商品加入类似促销集中;如果一个商品与目标商品具有相同的第一类目信息,将该商品加入类似促销集中;如果一个商品与目标商品具有相同的第二类目信息,将该商品加入类似促销集中;如果一个商品与目标商品具有相同的第三类目信息,将该商品加入类似促销集中。
容易理解的是,如果一个商品具有两个以上的相同点,那么必然也要将该商品加入到类似促销集中。
计算目标商品在预测未来时间段内销售平台和目标商品的促销活动序列信息与类似促销集中的每个平台商品促销活动序列信息的余弦相似度,选取出余弦相似度大于预设阈值的所有平台商品促销活动序列信息,按照余弦相似度从大到小的顺序进行排序,选取位于排序前面的前若干个平台商品促销活动序列信息,利用预设历史时段内所有商品的归一化销量对选取出来的若干个平台商品促销活动序列信息进行归一化,得到相同特征商品的促销活动序列的归一化销量。
在上述实施例的基础上,优选地,所述目标商品的平台爆发销量序列通过如下方式获得:
在所述销售平台有促销活动情况下,获取所述目标商品的第一日销量均值;
在所述销售平台无促销活动情况下,获取所述目标商品的第二日销量均值;
根据所述第一日销量均值和所述第二日销量均值,获取所述目标商品的平台促销爆发系数;
根据所述目标商品在预测未来时间段内平台促销活动序列、所述预测未来时间段内平台促销活动天数和所述目标商品的平台促销爆发系数,获取所述目标商品的平台爆发销量序列。
具体地,所述目标商品的商品爆发销量序列通过如下方式获得:
在所述目标商品有促销活动情况下,获取所述目标商品的第三日销量均值;
在所述目标商品无促销活动情况下,获取所述目标商品的第四日销量均值;
根据所述第三日销量均值和所述第四日销量均值,获取所述目标商品的商品促销爆发系数;
根据所述目标商品在所述预测未来时间段内的促销活动序列、所述预测未来时间段内所述目标商品的促销天数和所述目标商品的品牌爆发系数,获取所述目标商品的商品爆发销量序列。
为了计算平台和商品的促销活动信息对于目标商品销量的影响,本发明实施例中采用与目标商品具有较高相似度的促销活动的销量序列来对目标商品的销量进行预测,同时,由于在预测未来时间段内平台和商品的促销活动序列以及天数都会直接对目标商品的销量值产生影响。
而对于不同的商品而言,促销活动对其销量的影响大小也存在差异,这部分差异可以通过商品对平台级别的促销和商品自身促销的爆发系数进行衡量,计算公式为:
具体地,根据单一变量原则,首先在只有销售平台举办促销活动的情况下,得到该目标商品在举办促销活动期间的总销量,然后进一步计算得到该目标商品的第一日销量均值;为了方便对比,获取在该销售平台没有举办促销活动的情况下,并且目标商品也没有促销活动的情况下,得到该目标商品找某一段时间内的总销量,然后进一步计算得到该目标商品的第二日销量均值。
利用第一日销量均值除以第二日销量均值,就可以得到该目标商品的平台爆发系数,利用该平台爆发系数乘以目标商品在预测未来时间段内平台促销活动序列,再乘以在预测未来时间段内平台促销活动天数,最后就可以得到目标商品的平台爆发销量序列。
对于目标商品的商品爆发销量序列,可以通过如下方式获得:
同理,根据单一变量原则,在只有该目标商品有促销活动的情况下,得到该目标商品在举行促销活动期间的销量,进而计算出该目标商品的第三日销量均值。
然后在该目标商品没有举办促销活动的情况下,得到该目标商品在没有举行促销活动期间的销量,进而计算出目标商品的第四日销量均值。
利用第三日销量均值除以第四日销量均值,就可以得到该目标商品的商品促销爆发系数。
利用目标商品的商品促销爆发系数乘以目标商品在预测未来时间段内的促销活动序列,再乘以预测未来时间段内目标商品的促销天数,就可以得到目标商品的品牌爆发系数。
在上述实施例的基础上,优选地,所述将所述目标商品在所述预设历史时间段内的销量、所有类似商品在所述预设历史时间段内的销量和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,之前还包括:
获取训练样本集,对于所述训练样本集中的任一训练样本,所述任一训练样本包括任一商品的静态特征、所述任一商品在训练历史时间段内的销量序列、与所述任一商品具有相同产品编号的商品在所述训练历史时间段的销量序列、所述销售平台在所述训练历史时间段内的促销活动序列、所述任一商品在所述训练历史时间段内的促销活动序列、所述销售平台在训练预测时间段内的促销活动序列、所述任一商品在所述训练预测时间段的促销活动序列、所述任一商品在所述训练预测时间段内的总销量;
利用所述训练样本集中的训练样本对所述卷积层进行训练,所述卷积层的各层权重及偏置在反向传播的过程中通过随机梯度下降的方法进行更新。
具体地,在利用卷积层预测目标商品在预测未来时间段内的销量之前,需要对卷积层进行训练,因此,要先构建训练样本集,利用训练样本集对卷积层进行训练。
具体地,构建训练样本集,训练样本集中的一个训练样本代表一个商品,该训练样本包括该商品的静态特征、该商品在训练历史时间段内的销量、与该商品具有相同产品编号的参考商品在训练历史时间段内的销量、销售平台在训练历史时间段内的促销活动、该商品在训练历史时间段内的促销活动、该销售平台在训练预测时间段内的促销活动、该商品在训练预测时间段内的促销活动和该商品在训练预测时间段内的总销量。
此处,训练历史时间段和训练预测时间段均是过去的时间,例如,利用过去30天(2019.8.18-2019.9.18)某商品的销量预测未来30天(2019.9.18-2019.10.18)的销量,以3为滑动窗口,训练历史时间段如果为2019.8.18-2019.8.21这三天,那么,与该历史时间段相对应的训练预测时间段就为2019.8.22-2019.8.25。并且在训练时,商品在训练预测时间段内的总销量作为训练标签。
利用训练样本集中的训练样本对卷积层进行训练,并且,在对网络进行训练的过程中,网络各层的权重和偏置值都可以在反向传播的过程中通过随机梯度下降的方法进行更新。
在上述实施例的基础上,优选地,所述利用所述训练样本集中的训练样本对所述卷积层进行训练,之前还包括:
对于所述任一训练样本包括任一商品的静态特征,通过权重矩阵对所述静态特征进行降维处理。
进一步为了得到不同取值在原始特征空间中的相关性,同时降低用于表示的向量维度,需要将其映射到低维的向量空间,这里使用的方法是引入一个权重矩阵MN×L,其中N为特征取值个数,L表示向量空间维度,那么当前特征值在低维空间中的向量表示Vector=Vector×MN×L,在训练过程中会对矩阵MN×L中的值进行更新。
需要说明的是,以上商品历史销量序列可以表示为一个固定时间窗口长度的整数序列的形式,此外,通过对同一产品编号下不同身份编号商品的销量进行分析可以发现,这些商品的销量变化趋势具有一致性,但是在销量的绝对值上存在差异,因此将每个身份编号商品对应的产品编号商品的销量和作为一个特征,同样可以表示为一个固定时间窗口长度的整数序列的形式。
对于商品的促销信息,分为宏观的平台级促销和微观的商品级促销两个方面进行考虑,对于预设历史时段或预测未来时段的每一天,平台或商品是否在进行促销可以使用一个固定时间窗口长度的0和1序列进行表示,其中0表示平台/商品当天未进行促销,1表示平台/商品当天在进行促销。
在实际的销售环境中,商品在预设历史时段内的每一天销量可能会存在缺失值和异常值,其中缺失值代表着该商品在这一天没有售出,针对这种情况,在得到商品的历史销量序列时需要对其进行补0的操作,而异常值可能是由于平台或商家在这一天对于该商品采取了某种特殊的推广方式。如果训练数据中商品的历史销量受这两种情况的影响很大,则会对模型的性能产生很大的影响,因此需要设置一定的标准来对训练集数据进行筛选。
首先对于缺失值的筛选,在实际的应用场景中对那些历史上销量相对来说比较平稳的商品未来的销量进行预测是更有意义的,因此如果训练集中存在那些已知时间窗口内连续缺失天数较多的样本,则可能会对模型的训练结果产生一定的负面影响。
因此需要依据设置的连续缺失天数的阈值对生成的样本数据进行筛选,在已知时间窗口内连续缺失天数不超过该阈值的商品才考虑加入训练集。
另一方面,对于训练样本集中异常值的筛选,那些会造成异常销量值的因素是不常见、不稳定并且驱动原因复杂的,因此在模型本身要实现对大部分商品都有较好的预测性能,在没有考虑到这些因素的情况下,应该将这些存在异常值的数据从训练样本集中筛除掉,这里需要根据实际的平台销量变化合理设置阈值。
为了更加清楚、仔细地阐述本发明公开的技术方案,下面通过3个具体的例子进行说明。
其一、利用目标商品过去30天的销量预测2019年5月31日skuID为1000000的目标商品未来30天的销量,依据skuID值,可以得到目标商品对应的静态特征如下表所示:
特征名 | 特征值 |
skuID | 1000000 |
productID | 37258 |
brandID | 1779 |
brandType | 30 |
category_1ID | 101 |
category_2ID | 1068 |
category_3ID | 11523 |
其中,skuID表示身份编号,productID表示产品编号,brandID表示品牌编号,brandType表示品牌类型,category_1ID表示第一类目信息,category_2ID表示第二类目信息,category_3ID表示第三类目信息。
首先进行训练数据的构建,在预测目标商品5月31日起未来30天的销量时,需要避免使用到5月31日及之后的销量,因此应该使用5月31日之前(不包括5月31日)的销量数据构造训练集。
筛选所有销售日期在5月31日之前的销售记录,按照身份编号进行聚类后,每个商品保留所需的静态特征,并且对商品从第一天至最后一天的销量序列缺失值按天进行补零操作,同时对具有相同产品编号的商品销量按天进行求和,然后利用30天预设历史时段和30天预测未来时间段的滑动窗口来构造训练样本数据,进一步按照设置的阈值筛除掉预设历史时段内连续缺失值天数大于阈值和有异常销量值的样本,剩下的样本作为训练样本集。
基于此步已经可以得到训练样本集,训练样本集中包括:(1)商品的静态特征;(2)商品过去30天的销量(天级);(3)同产品编号商品过去30天的销量(天级);(4)平台及商品过去30天内促销活动序列;(5)平台及商品未来30天内促销活动序列;(6)商品未来30天的销量和,其中第(6)条内容为训练样本集的标签值。
首先基于训练样本集构建平台促销活动序列及对应销量候选集和商品促销活动序列及对应销量候选集。对于训练集中的每个样本,(1)取出商品的静态特征、平台过去30天内的促销活动序列及对应销量加入平台促销活动序列及对应销量候选集;(2)取出商品的静态特征,平台未来30天内的促销活动序列及对应销量加入平台促销活动序列及对应销量候选集;(3)取出商品的静态特征、商品过去30天内的促销活动序列及对应销量加入商品促销活动序列及对应销量候选集;(4)取出商品的静态特征、商品未来30天内的促销活动序列及对应销量加入商品促销活动序列及对应销量候选集。
同样获取skuID=1000000的目标商品在5月1日-5月30日的销售记录并对缺失值按天进行补零操作,同时这段时期内对productID=37258的目标商品销量按天进行求和,基于此步已经可以得到目标商品的如下特征:(1)静态特征;(2)目标商品过去30天的销量(天级);(3)同productID商品未来30天的销量(天级);(4)平台及目标商品过去30天内促销活动序列;(5)平台及目标商品未来30天内促销活动序列。
下一步,基于平台促销活动序列、对应销量候选集和商品促销活动序列、对应销量候选集中每一条数据的静态特征与该目标商品的静态特征关系、促销活动序列的相似度,得到相同特征商品中与未来30天内目标商品的平台及商品促销活动序列相似度最高的K=15个的的促销活动序列及归一化销量特征。
对于训练集样本中的每一条数据,以其中一条数据为例进行说明,如果该条数据所包含的商品信息与目标商品具有相同skuID、productID、brandID、brandType、category_3ID、category_2ID、category_1ID中的一种或多种,将该条数据包含的商品加入到类似促销集中,对训练样本集中的每一条数据都进行判断,将符合条件的每条数据都加入到类似促销集中,最终得到该类似促销集。
将类似促销集中每一条销售平台和目标商品的促销活动序列信息与目标商品未来30天内的商品促销活动序列计算余弦相似度并排序,余弦相似度计算结果更大的值在相似性上更强,而从skuID到category_1ID商品之间的相关性是逐渐减弱的,因此设立预设阈值,选出所有相似性大于0.8销售平台和目标商品的促销活动序列信息,按照分组相关性从高到底直到得到15个序列的结果。
在对卷积层的训练过程中,对于商品的静态特征,利用权重矩阵将每个静态特征分别表示为低维特征空间中的特征向量。
目标商品预设历史时段的销量和同产品编码商品预设历史时段的销量通过卷积层进行特征提取。接着将目标商品在过去30天的销量序列、所有类似商品在所述过去30天的销量序列和相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量。
卷积层对输入的所有序列进行一维因果卷积运算,得到特征空间向量,具体地,一维的销量序列可以使用一维卷积提取特征,长为length_history的历史销量sku_num1×length_history与长度为kernel_length的卷积核filter1×kernel_length进行卷积操作,得到的输出为sku_num1×length_history*filter1×kernel_length。
在一个卷积层内部是参数共享的,从而大大减少了网络参数。
如果用A表示被卷积向量,K表示卷积核,B表示卷积结果,则卷积的计算可以表示为:
而在传统的一维卷积中,在输入序列上滑动卷积核,顺序地将其应用于连续区域。本发明实施例中的一维因果卷积,采用卷积核的大小为3步长为3。
得到特征空间向量后,计算目标商品的平台爆发销量序列和目标商品的品牌促销爆发序列,并将目标商品的静态特征、所述目标商品在所述预设历史时间段的销量、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入到全连接层中,得到目标商品在未来30天内每一天的销量。
还需要说明的是,考虑到在实际应用场景中对于商品的未来促销活动往往无法排期到未来30天,从而导致预测未来时间段30天内促销活动序列中大部分为0值,因此要结合实际应用情景考虑在对这一特征进行利用时对序列长度进行控制。例如,这里可以选择只利用预测未来时间段15天的促销活动序列信息,这15天的促销活动信息是已知的。此时在构建平台促销活动序列及对应销量候选集和商品促销活动序列及对应销量候选集时的步骤为:对于训练集中的每个样本,(1)取出商品的静态特征、平台过去30天内的促销活动序列及对应销量,以15天为时间窗口对这30天的促销活动序列及对应销量进行滑窗,可以得到15组15天长度的促销活动序列及对应销量,将这15组数据加入平台促销活动序列及对应销量候选集;(2)取出商品的静态特征,平台未来30天内的促销活动序列及对应销量,以15天为时间窗口对这30天的促销活动序列及对应销量进行滑窗,可以得到15组15天长度的促销活动序列及对应销量,将这15组数据加入平台促销活动序列及对应销量候选集;(3)取出商品的静态特征、商品过去30天内的促销活动序列及对应销量,以15天为时间窗口对这30天的促销活动序列及对应销量进行滑窗,可以得到15组15天长度的促销活动序列及对应销量,将这15组加入商品促销活动序列及对应销量候选集;(4)取出商品的静态特征、商品未来30天内的促销活动序列及对应销量,以15天为时间窗口对这30天的促销活动序列及对应销量进行滑窗,可以得到15组15天长度的促销活动序列及对应销量,将这15组加入商品促销活动序列及对应销量候选集。
本发明实施例对促销活动的影响进行深入考虑,利用相同促销活动对于不同商品的影响程度进行建模,并且在实际销售过程中促销行为会显著影响商品的销量,提高了模型的预测精度。
图2为本发明实施例提供的一种商品销量预测系统的结构示意图,如图2所示,该系统包括销量模块201、促销模块202、卷积模块203和计算模块204,其中:
销量模块201用于获取目标商品在预设历史时间段的销量和所有类似商品在所述预设历史时间段的销量,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
促销模块202用于获取相同特征商品的促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品的促销活动序列的余弦相似度大于预设阈值;
卷积模块203用于将所述目标商品在所述预设历史时间段的销量、所有类似商品在所述预设历史时间段的销量和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
计算模块204用于将所述目标商品的静态特征、所述目标商品在所述预设历史时间段的销量、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在预测未来时间段的销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响。
销量模块201获取在销售平台中具有与目标商品相同产品编号的所有商品,将其称之为类似商品。
然后促销模块202获取相同特征商品的促销活动序列的归一化销量,具体步骤为:首先选取出具有相同特征商品,计算相同特征商品在预测未来时间段内促销活动序列和目标商品在预测未来时间段内促销活动序列的余弦相似度,筛选出余弦相似度大于预设阈值的所有相同特征商品在预测未来时间段内促销活动序列,按照余弦相似度从大到小的顺序进行排序,选取出前15相同特征商品促销活动序列,并对这15个相同特征商品促销活动序列进行归一化,获得相同特征商品促销活动序列的归一化销量。
接着卷积模块203将目标商品在预设历史时间段内的销量序列、所有类似商品在预设历史时间段的销量序列和相同特征商品促销活动序列的归一化销量输入到训练后的卷积层中,得到特征空间向量。
最后计算模块204将目标商品的静态特征,目标商品在预设历史时间段的销量序列、目标商品平台爆发销量序列、目标商品商品爆发销量序列和特征空间向量进行拼接,将拼接之后得到的向量输入到全连接层中,就可以直接输出目标商品在预测未来时间段内的销量。
本发明实施例提供一种商品销量预测系统,考虑电商平台这一特定场景下的商品销量预测问题,基于不同商品间基础属性以及历史销售情况的差异性,有效利用未来时间内平台的促销活动及商品的特卖排期信息,基于神经网络模型实现,能够大幅提升对商品未来销量预估的准确度。
图3为本发明实施例提供的一种电子设备的实体结构示意图,如图3所示,该服务器可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:
获取目标商品在预设历史时间段的销量序列和所有类似商品在所述预设历史时间段内的销量序列,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
获取相同特征商品促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品在所述预测未来时间段内促销活动序列的余弦相似度大于预设阈值;
将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内每一天的销量、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在预测未来时间段内的销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响。
此外,上述的存储器330中的逻辑指令可以通过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。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
获取目标商品在预设历史时间段的销量序列和所有类似商品在所述预设历史时间段内的销量序列,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
获取相同特征商品促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品在所述预测未来时间段内促销活动序列的余弦相似度大于预设阈值;
将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内每一天的销量、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在预测未来时间段内的销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种商品销量预测方法,其特征在于,包括:
获取目标商品在预设历史时间段的销量序列和所有类似商品在所述预设历史时间段内的销量序列,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
获取相同特征商品促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品在预测未来时间段内促销活动序列的余弦相似度大于预设阈值;
将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内的销量序列、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在所述预测未来时间段内的销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响;
所述静态特征包括身份编号、产品编号、品牌编号、品牌类型、第一类目信息、第二类目信息和第三类目信息中的一种或多种;
所述将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,之前还包括:
获取训练样本集,对于所述训练样本集中的任一训练样本,所述任一训练样本包括任一商品的静态特征、所述任一商品在训练历史时间段内的销量序列、与所述任一商品具有相同产品编号的商品在所述训练历史时间段的销量序列、所述销售平台在所述训练历史时间段内的促销活动序列、所述任一商品在所述训练历史时间段内的促销活动序列、所述销售平台在训练预测时间段内的促销活动序列、所述任一商品在所述训练预测时间段的促销活动序列、所述任一商品在所述训练预测时间段内的总销量;
利用所述训练样本集中的训练样本对所述卷积层进行训练,所述卷积层的各层权重及偏置在反向传播的过程中通过随机梯度下降的方法进行更新。
2.根据权利要求1所述商品销量预测方法,其特征在于,所述获取相同特征商品的促销活动序列的归一化销量,具体包括:
获取所述目标商品在所述预测未来时间段内的平台商品促销活动序列,所述平台商品促销活动序列表示所述销售平台和所述目标商品共同的促销活动序列;
获取与所述目标商品具有相同身份编号商品的平台商品促销活动序列、具有相同产品编号商品的平台商品促销活动序列、具有相同品牌编号商品的平台商品促销活动序列,具有相同品牌类型商品的平台商品促销活动序列、具有相同第一类目信息商品的平台商品促销活动序列、具有相同第二类目信息商品的平台商品促销活动序列和具有相同第三类目信息商品的平台商品促销活动序列,构成类似促销集;
计算所述目标商品在所述预测未来时间段内平台商品促销活动序列与所述类似促销集中的每一平台商品促销活动序列的余弦相似度;
从所述类似促销集中选取出若干个余弦相似度大于所述预设阈值的平台商品促销序列,作为所述相同特征商品的促销活动序列;
利用所述目标商品在所述预设历史时间段内的销售均值,对所述相同特征商品的促销活动序列对应的销量进行归一化,获取相同特征商品的促销活动序列的归一化销量。
3.根据权利要求1所述商品销量预测方法,其特征在于,所述目标商品的平台爆发销量序列通过如下方式获得:
在所述销售平台有促销活动情况下,获取所述目标商品的第一日销量均值;
在所述销售平台无促销活动情况下,获取所述目标商品的第二日销量均值;
根据所述第一日销量均值和所述第二日销量均值,获取所述目标商品的平台促销爆发系数;
根据所述目标商品在所述预测未来时间段内平台促销活动序列、所述预测未来时间段内平台促销活动天数和所述目标商品的平台促销爆发系数,获取所述目标商品的平台爆发销量序列。
4.根据权利要求1所述商品销量预测方法,其特征在于,所述目标商品的商品爆发销量序列通过如下方式获得:
在所述目标商品有促销活动情况下,获取所述目标商品的第三日销量均值;
在所述目标商品无促销活动情况下,获取所述目标商品的第四日销量均值;
根据所述第三日销量均值和所述第四日销量均值,获取所述目标商品的商品促销爆发系数;
根据所述目标商品在所述预测未来时间段内的促销活动序列、所述预测未来时间段内所述目标商品的促销天数和所述目标商品的品牌爆发系数,获取所述目标商品的商品爆发销量序列。
5.根据权利要求1所述商品销量预测方法,其特征在于,所述利用所述训练样本集中的训练样本对所述卷积层进行训练,之前还包括:
对于所述训练样本集中每一商品的静态特征,通过权重矩阵对所述静态特征进行降维处理。
6.一种商品销量预测系统,其特征在于,包括:
销量模块,用于获取目标商品在预设历史时间段的销量序列和所有类似商品在所述预设历史时间段内的销量序列,对于任一类似商品,所述任一类似商品的产品编号与所述目标商品的产品编号相同;
促销模块,用于获取相同特征商品促销活动序列的归一化销量,所述相同特征商品促销活动序列与所述目标商品在预测未来时间段内促销活动序列的余弦相似度大于预设阈值;
卷积模块,用于将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,获取特征空间向量;
计算模块,用于将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内的销量序列、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接,将拼接之后的特征输入全连接层,获取所述目标商品在所述预测未来时间段内销量,所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响,所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响;
所述静态特征包括身份编号、产品编号、品牌编号、品牌类型、第一类目信息、第二类目信息和第三类目信息中的一种或多种;
所述将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中,之前还包括:
获取训练样本集,对于所述训练样本集中的任一训练样本,所述任一训练样本包括任一商品的静态特征、所述任一商品在训练历史时间段内的销量序列、与所述任一商品具有相同产品编号的商品在所述训练历史时间段的销量序列、所述销售平台在所述训练历史时间段内的促销活动序列、所述任一商品在所述训练历史时间段内的促销活动序列、所述销售平台在训练预测时间段内的促销活动序列、所述任一商品在所述训练预测时间段的促销活动序列、所述任一商品在所述训练预测时间段内的总销量;
利用所述训练样本集中的训练样本对所述卷积层进行训练,所述卷积层的各层权重及偏置在反向传播的过程中通过随机梯度下降的方法进行更新。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述商品销量预测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述商品销量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019618.1A CN111008858B (zh) | 2019-10-24 | 2019-10-24 | 一种商品销量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019618.1A CN111008858B (zh) | 2019-10-24 | 2019-10-24 | 一种商品销量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008858A CN111008858A (zh) | 2020-04-14 |
CN111008858B true CN111008858B (zh) | 2023-10-31 |
Family
ID=70110882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911019618.1A Active CN111008858B (zh) | 2019-10-24 | 2019-10-24 | 一种商品销量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008858B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553696B (zh) * | 2020-04-23 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 一种风险提示方法、装置及电子设备 |
CN113298546A (zh) * | 2020-05-29 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 销量预测方法及装置、商品处理方法及装置 |
CN111652655A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(上海)科技有限公司 | 商品销量预测方法、装置、电子设备及可读存储介质 |
CN113807876A (zh) * | 2020-06-15 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 训练样本生成方法及装置、模型训练方法及装置 |
CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品(横琴)企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
CN113971471A (zh) * | 2020-07-22 | 2022-01-25 | 上海顺如丰来技术有限公司 | 产品信息预测模型构建方法与产品信息预测方法 |
CN112035704A (zh) * | 2020-08-03 | 2020-12-04 | 映美传世(北京)文化传媒有限公司 | 档期推荐的方法及装置 |
CN111985967A (zh) * | 2020-08-17 | 2020-11-24 | 北京每日优鲜电子商务有限公司 | 物品信息生成方法、装置、电子设备和计算机可读介质 |
CN112258224A (zh) * | 2020-10-19 | 2021-01-22 | 北京沃东天骏信息技术有限公司 | 信息生成方法、装置、终端、系统和存储介质 |
CN112241904A (zh) * | 2020-10-23 | 2021-01-19 | 浙江集享电子商务有限公司 | 商品销售量预测方法、装置、计算机设备和存储介质 |
CN112347703A (zh) * | 2020-12-03 | 2021-02-09 | 潍柴动力股份有限公司 | 物料用量预测模型的训练方法、物料用量预测方法及装置 |
CN112686738B (zh) * | 2021-01-20 | 2023-10-13 | 杭州网易再顾科技有限公司 | 一种对象展示方法、装置、电子设备及存储介质 |
CN113487359B (zh) * | 2021-07-12 | 2024-03-22 | 华润数字科技有限公司 | 基于多模态特征的商品销量预测方法、装置及相关设备 |
CN113627846A (zh) * | 2021-08-10 | 2021-11-09 | 北京沃东天骏信息技术有限公司 | 一种库存调整方法、装置、电子设备及计算机可读介质 |
CN114119081A (zh) * | 2021-11-15 | 2022-03-01 | 北京京东尚科信息技术有限公司 | 对象预测模型的训练方法、装置、电子设备及存储介质 |
CN114444946A (zh) * | 2022-01-28 | 2022-05-06 | 荃豆数字科技有限公司 | 一种中药饮片精细化运营指导方法、装置及计算机设备 |
CN114626896A (zh) * | 2022-04-02 | 2022-06-14 | 北京京东振世信息技术有限公司 | 物品数量预测方法及装置、电子设备和存储介质 |
CN115829629B (zh) * | 2022-12-16 | 2023-12-08 | 广州飞狮数字科技有限公司 | 一种畅滞销状态的确定方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038190A (zh) * | 2016-10-28 | 2017-08-11 | 厦门大学 | 一种应用于淘宝网的智能促销方案建模方法 |
CN109559138A (zh) * | 2017-09-25 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 闪购活动销量预测方法及装置、存储介质、电子设备 |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200992A1 (en) * | 2013-01-14 | 2014-07-17 | Oracle International Corporation | Retail product lagged promotional effect prediction system |
-
2019
- 2019-10-24 CN CN201911019618.1A patent/CN111008858B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038190A (zh) * | 2016-10-28 | 2017-08-11 | 厦门大学 | 一种应用于淘宝网的智能促销方案建模方法 |
CN109559138A (zh) * | 2017-09-25 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 闪购活动销量预测方法及装置、存储介质、电子设备 |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111008858A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008858B (zh) | 一种商品销量预测方法及系统 | |
CN111160968A (zh) | Sku级别商品销量预测方法及装置 | |
US20180349790A1 (en) | Time-Based Features and Moving Windows Sampling For Machine Learning | |
US20210125073A1 (en) | Method and system for individual demand forecasting | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN116188061B (zh) | 商品销量预测方法、装置、电子设备及存储介质 | |
US20210224351A1 (en) | Method and system for optimizing an objective having discrete constraints | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
WO2021077226A1 (en) | Method and system for individual demand forecasting | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
JP7441270B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
JP7423694B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
CN111639274B (zh) | 线上商品智能排序方法、装置、计算机设备和存储介质 | |
CN114817741A (zh) | 一种理财产品精准推荐方法及装置 | |
CN113743440A (zh) | 一种信息处理方法及装置、存储介质 | |
CN114372601A (zh) | 一种商品采购量的预测方法及装置 | |
WO2021077227A1 (en) | Method and system for generating aspects associated with a future event for a subject | |
WO2020056286A1 (en) | System and method for predicting average inventory with new items | |
JP7431890B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
JP7429260B2 (ja) | 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体 | |
EP4350597A1 (en) | Method and system for determining optimal price promotion parameters | |
CN116862561B (zh) | 基于卷积神经网络的产品热度分析方法和系统 | |
Ouamani et al. | A Hybrid Model for Demand Forecasting Based on the Combination of Statistical and Machine Learning Methods |
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 |