CN111445134B - 商品的销量预测方法、装置、计算机设备和存储介质 - Google Patents

商品的销量预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111445134B
CN111445134B CN202010222714.2A CN202010222714A CN111445134B CN 111445134 B CN111445134 B CN 111445134B CN 202010222714 A CN202010222714 A CN 202010222714A CN 111445134 B CN111445134 B CN 111445134B
Authority
CN
China
Prior art keywords
sales
commodity
historical
time period
characteristic
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
Application number
CN202010222714.2A
Other languages
English (en)
Other versions
CN111445134A (zh
Inventor
王成庆
骆金
郭冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Necessary Industrial Technology Co ltd
Original Assignee
Zhuhai Necessary Industrial Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Necessary Industrial Technology Co ltd filed Critical Zhuhai Necessary Industrial Technology Co ltd
Priority to CN202010222714.2A priority Critical patent/CN111445134B/zh
Publication of CN111445134A publication Critical patent/CN111445134A/zh
Application granted granted Critical
Publication of CN111445134B publication Critical patent/CN111445134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种商品的销量预测方法、装置、计算机设备和存储介质。该方法包括：获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成。使用本发明的技术方案可以实现准确预测商品销量，提高商品预测的灵活性和适用性。

Description

商品的销量预测方法、装置、计算机设备和存储介质
技术领域
本发明实施例涉及数据处理技术，尤其涉及一种商品的销量预测方法、装置、计算机设备和存储介质。
背景技术
C2M(Customer-to-Manufacturer，用户直连制造商)模式下，用户购买商品后，制造商才开始生产商品，因此准确预测商品销量，对指导商家预留相应的生产能力至关重要。
现有技术中预测商品销量，主要是通过人为预测，或是通过销量预测算法，选择特征数据对销量进行预测。发明人在实现本发明的过程中，发现现有技术存在以下缺陷：人为预测考虑的因素较为单一，预测结果准确性低；根据销量预测算法预测，选择的特征数据的类型较为固定，灵活性差，无法满足实际业务中的适用需求。
发明内容
本发明实施例提供一种商品的销量预测方法、装置、计算机设备和存储介质，以实现准确预测商品销量，提高商品预测的灵活性和适用性。
第一方面，本发明实施例提供了一种商品的销量预测方法，该方法包括：
获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；
将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；
根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；
其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成。
第二方面，本发明实施例还提供了一种商品的销量预测装置，该装置包括：
历史销量数据获取模块，用于获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；
目标特征样本获取模块，用于将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；
商品销量预测模块，用于根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；
其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成。
第三方面，本发明实施例还提供了一种计算机设备，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本发明实施例中任一所述的商品的销量预测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的商品的销量预测方法。
本发明实施例通过获取商品的历史销量数据，以及至少一个统计指标下的销量关联特征数据集合，生成目标特征样本，并根据目标特征样本，以及商品在第一时间段的特征样本和第二时间段的结果样本之间的关系，预测商品在未来时间段的销量。解决了现有技术商品销量的预测结果准确性低、灵活性差，无法满足实际业务中的适用需求的问题，实现了准确预测商品销量，提高商品销量预测灵活性和适用性的效果。
附图说明
图1是本发明实施例一中的一种商品的销量预测方法的流程图；
图2a是本发明实施例二中的一种商品的销量预测方法的流程图；
图2b是适用于本发明实施例中的一种商品销量预测方法的流程图；
图2c是适用于本发明实施例中的一种商品销量预测模型训练过程的示意图；
图3是本发明实施例三中的一种商品的销量预测装置的结构示意图；
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种商品的销量预测方法的流程图，本实施例可适用于对商品在未来一段时间的销量进行预测的情况，该方法可以由商品的销量预测装置来执行，该装置可以由软件和/或硬件来实现，并一般集成在计算机设备中，与商品销售平台配合使用。
如图1所示，本发明实施例的技术方案，具体包括如下步骤：
S110、获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合。
其中，历史预测时间段可以为用以预测商品未来时间段销量的相关数据所在时间段。示例性的，当需要预测商品未来15天销量时，可以使用过去30天的相关数据，则历史预测时间段为过去30天内。历史销量数据可以为商品在历史预测时间段的销量。统计指标可以为影响商品销量的指标，优选的，统计指标可以为与商品销量相关性较强的指标。销量关联特征数据集合可以为各统计指标下，影响商品销量的各关联特征的相关数据的集合。示例性的，当销量关联特征为100项时，每天的销量关联特征数据可以用100个数值表示，当历史预测时间段为过去30天时，销量关联特征数据集合可以为30条数据，每条数据包含100个数值。一个统计指标下可以对应多个销量关联特征。示例性的，统计指标可以为商品特征指标，在商品特征指标下，还包括商品价格、销量、商品曝光量、商品页面点击数以及同类目在售商品数等销量关联特征。
在本发明实施例中，根据历史预测时间段，获取商品的历史销量数据和各统计指标下的销量关联特征相关的数据。
在本发明一个可选的实施例中，所述统计指标的类型可以包括下述至少一项：用户特征指标、商品特征指标、季节特征指标、售后特征指标、营销活动特征指标、外部环境特征指标和与所述商品的销售模式匹配的模式特征指标。
其中，用户特征指标可以为与用户相关的可能影响销量的指标，用户特征指标下，又可以包括用户浏览特征、下单特征、收藏特征以及加购特征等销量关联特征。商品特征指标可以为与商品相关的可能影响销量的指标，商品特征指标又可以包括商品价格、销量、商品曝光量、商品页面点击数以及同类目在售商品数等销量关联特征。季节特征指标可以为与当前所在季节相关的指标，可以根据当前日期，结合商品生产地温度确定，季节特征指标可以包括月份、节假日以及季节等销量关联特征。售后特征指标可以为与商品售后相关的指标，可以包括退换货频率、退款率、评价率、好评率、差评率、复购率以及复购周期等销量关联特征。营销活动特征指标可以为商品销售平台运营的活动相关的指标，可以包括广告推广、优惠策略以及投放力度等销量关联特征。外部环境特征指标可以为可能影响商品销量的外部影响因素相关的指标，可以包括经济形势、社会关注度以及流行商品等销量关联特征。商品的销售模式可以为代理营销、直销、网络销售等，网络销售又可以包括C2C(Consumer To Consumer，小贩到消费者)、B2C(Business To Customers，厂商到消费者)、C2M等模式，模式特征指标可以为各商品的销售模式特有的特征指标。
在本发明一个可选的实施例中，所述商品的销售模式可以包括：用户直连制造模式；所述模式特征指标包括下述至少一项：商品生产周期、同类商品的生产周期以及用户需求特征。
其中，商品的生产周期可以为商品从开始制作到制作完成所需的时间周期，同类商品的生产周期可以为与商品同类目的所有商品的平均生产周期。示例性的，商品是衬衫时，某衬衫的生产周期为15天，商品销售平台中其余衬衫商品的平均生产周期为5天，则商品的生产周期为15天，同类商品的生产周期为5天。在用户直连制造模式下，用户下单后，才开始进行商品的制造流程，一般而言，用户倾向于选择生产周期更短的商品，因此需要考虑商品的生产周期以及同类商品的生产周期。同时，需要考虑用户需求特征，也即用户是否有定制或半定制等需求。
S120、将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本。
在本发明实施例中，目标特征样本可以为商品在历史预测时间段的历史销量数据和销量关联特征数据集合的组合，获取目标特征样本的作用在于，根据目标特征样本预测商品在未来时间段的销量。
S130、根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测。
其中，历史时间段可以为过去的某一段时间，可划分为第一时间段和第二时间段。特征样本可以为商品在历史时间段的第一时间段内的历史销量数据和销量关联特征数据集合的组合，结果样本可以为商品在历史时间段的第二时间段内的销量。
在本发明实施例中，通过获取商品在多个历史时间段内，第一时间段的特征样本和第二时间段的结果样本之间的关系，根据历史预测时间段内的目标特征样本，获取商品在未来时间段的销量预测结果。
在本发明一个可选的实施例中，根据目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测，可以包括：将所述目标特征样本输入至预先训练的商品销量预测模型中，并获取所述商品销量预测模型输出的对未来时间段内的商品销量的预测结果；其中，所述商品销量预测模型通过使用商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系训练得到。
其中，商品销量模型可以为对商品销量进行预测的模型，商品销量模型的输入为商品在历史预测时间段的历史销量数据和销量关联特征数据集合的组合，输出可以为商品在未来时间段内的销量预测结果。
在本发明实施例中，可以通过商品在多个历史时间段内，第一时间段的特征样本和第二时间段的结果样本训练商品销量预测模型，将目标特征样本输入至训练完成的商品销量预测模型中即可得到商品销量预测结果。
本实施例的技术方案，通过获取商品的历史销量数据，以及至少一个统计指标下的销量关联特征数据集合，生成目标特征样本，并根据目标特征样本，以及商品在第一时间段的特征样本和第二时间段的结果样本之间的关系，预测商品在未来时间段的销量。解决了现有技术商品销量的预测结果准确性低、灵活性差，无法满足实际业务中的适用需求的问题，实现了准确预测商品销量，提高商品销量预测灵活性和适用性的效果。
实施例二
图2a是本发明实施例二提供的一种商品的销量预测方法的流程图，本发明实施例在上述实施例的基础上，对未来时间段内的商品销量进行预测的过程进行了进一步的具体化，并加入了获取统计指标和训练商品销量预测模型的步骤。
相应的，如图2a所示，本发明实施例的技术方案，具体包括如下步骤：
S210、在设定的统计指标确定时间段内，收集所述商品的各历史销售订单。
其中，统计指标确定时间段可以为预先设置的，用以确定统计指标的时间段。各指标对销量的影响会随着时间和环境变化而产生变化，因此需要每隔一段时间重新确定统计指标。示例性的，当每隔10-20天指标对销量的影响发生较大变动时，可以将统计指标确定时间段设置为15天。这样设置的好处在于，可以根据实际情况，灵活选取统计指标，提高销量预测的准确性和灵活性。
在本发明实施例中，训练商品销量预测模型、获取目标特征样本，首先需要确定统计指标。在统计指标确定时间段内，获取与商品相关的历史销售订单。
S220、在至少一个备选指标下，获取与所述商品的各目标历史销售订单分别匹配的各订单销量关联特征数据。
其中，备选指标可以为可能与商品销量相关的各项指标，备选指标的范围大于统计指标，统计指标为根据备选指标筛选得来。订单销量关联特征可以为与商品销售订单相关的、可能影响商品销量的特征，例如，商品的好评率需要对统计指标确定时间段内的历史销售订单进行统计获得，所以好评率为订单销量关联特征。
在本发明实施例中，获取尽可能多的备选指标，并从中筛选统计指标，这样设置的好处在于，可以充分考虑各个因素对销量的影响，使销量的预测结果更加准确。
S230、对各订单销量关联特征数据进行平滑处理。
其中，平滑处理可以为对各订单销量关联特征数据中的异常数据进行的处理，可以将各订单销量关联特征数据中的异常数据进行剔除，并根据对订单销量关联特征数据的统计分析，对剔除的数据进行填补。
在本发明实施例中，对数据进行平滑处理，可以避免异常数据对销量预测结果的影响，提高销量预测结果的准确性。
S240、根据各历史销售订单计算与统计指标确定时间段匹配的销售总量，并根据各订单销量关联特征数据，计算与销售总量匹配的备选销量关联特征数据集合。
在本发明实施例中，获取订单销量关联特征数据之后，获取其他销量关联特征数据，得到备选销量关联特征数据集合。
S250、根据所述销售总量与所述备选销量关联特征数据集合，在各备选指标中，确定所述统计指标。
在本发明实施例中，可以根据销售总量与备选销量关联特征之间的关系，在备选指标中筛选统计指标。
在本发明一个可选的实施例中，相应的，S250又可以包括：
S251、通过下述公式计算所述销售总量与各备选指标之间的相关性系数：
Figure BDA0002426634350000091
其中，X为统计指标确定时间段内的备选销量关联特征数据，Y为与统计指标确定时间段匹配的销售总量，Cov(X,Y)表示所述销售总量与所述备选销量关联特征数据的协方差，Var[X]表示所述备选销量关联特征数据的样本方差，Var[Y]表示所述销售总量的样本方差。
其中，
Figure BDA0002426634350000092
其中，n为统计指标确定时间段的天数，xi为统计指标确定时间段内每一天中的备选销量关联特征数据，i∈[1,n]，i为正整数，
Figure BDA0002426634350000101
为xi的均值。yi为统计指标确定时间段内每一天中的销售总量，
Figure BDA0002426634350000102
为yi的均值。
S252、将相关性系数满足预设阈值条件的备选指标作为统计指标。
在本发明实施例中，如果相关性系数满足预设阈值条件，说明该备选指标的变化影响商品销量的变化。
示例性的，可以将满足预设阈值条件设置为相关性系数大于0.95，当相关性系数大于0.95时，备选特征与销量为强相关。对于相关性系数为0的备选特征，说明其变化与销量无关，因此将该无相关备选指标剔除。对于其余的备选指标，对其进行处理引用。
需要说明的是，在本发明实施例中，模式特征指标与商品的销售模式相对应，因此，模式特征指标可以直接作为一项统计指标。
S260、获取所述商品在多个历史时间段内的目标历史销量数据，以及与各所述目标历史销量数据分别匹配的目标销量关联特征数据集合。
示例性的，当将历史时间段的时间跨度设置为45天时，可以分别获取商品在过去45天内、过去90天到过去45天内以及过去135天到过去90天内的历史销量数据和销量关联特征数据集合。本实施例对历史时间段的数量不进行限制。
S270、将各所述历史时间段，划分为第一时间段以及第二时间段，所述第一时间段位于所述第二时间段之前。
其中，第一时间段位于第二时间段之前，示例性的，当将历史时间段的时间跨度设置为45天时，可以将历史时间段内的前30天设置为第一时间段，后15天设置为第二时间段，本实施例只需保证第一时间段位于第二时间段之前，对历史时间段、第一时间段和第二时间段各自的具体时间跨度不进行限制。
S280、根据所述目标历史销量数据以及目标销量关联特征数据集合，分别生成与各历史时间段中的第一时间段对应的局部历史销量数据和局部销量关联特征数据集合，以及与第二时间段对应的局部历史销量数据和局部销量关联特征数据集合。
在本发明实施例中，获取商品在多个历史时间段内的目标历史销量数据和目标销量关联特征数据集合，并将多个历史时间段分别划分为第一时间段和第二时间段，目标历史销量数据和目标销量关联特征数据集合也对应第一时间段和第二时间段进行划分。
S290、将与各第一时间段对应的所述局部历史销量数据与所述局部销量关联特征数据集合组合得到特征样本，并将与各第二时间段对应的所述局部历史销量数据与所述局部销量关联特征数据集合组合得到结果样本。
其中，特征样本为各历史时间段内第一时间段对应的历史销量数据和销量关联特征数据集合，结果样本为各历史时间段内第二时间段对应的历史销量数据和销量关联特征数据集合。示例性的，当将历史时间段的时间跨度设置为45天，将历史时间段内的前30天设置为第一时间段，后15天设置为第二时间段时，特征样本为前30天的历史销量数据和销量关联特征数据集合，结果样本为后15天的历史销量数据和销量关联特征数据集合。
S2100、使用与各所述历史时间段分别对应的特征样本和结果样本，对预设的机器学习模型进行训练，得到所述商品销量预测模型。
在本发明实施例中，使用各历史时间段对应的特征样本和结果样本训练商品销量预测模型。
在本发明一个可选的实施例中，相应的，S2100又包括：
S2101、将各所述特征样本中的局部销量关联特征数据集合输入至所述机器学习模型的第一子模型中。
其中，第一子模型可以用于根据销量关联特征数据的历史值，预测销量关联特征数据未来的预测值。第一子模型可以为LASSO(Least Absolute Shrinkage and SelectionOperator，最小绝对收缩和选择算子)模型或者GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型等，本实施例对第一子模型的具体类型不进行限制。
S2102、根据所述第一子模型对局部销量关联特征数据集合的预测结果，以及匹配的结果样本中的局部销量关联特征数据集合，对所述第一子模型进行训练。
示例性的，当将历史时间段的时间跨度设置为45天，将历史时间段内的前30天设置为第一时间段，后15天设置为第二时间段时，将前30天的销量关联特征数据输入至第一子模型，获得后15天的销量关联特征数据的预测值，再根据后15天的销量关联特征数据，对模型进行训练。
S2103、将各所述结果样本中的局部销量关联特征数据集合输入至所述机器学习模型的第二子模型中。
其中，第二子模型可以用于根据销量关联特征数据，预测同一时间段的商品销量。第二子模型可以为ARIMA(Autoregressive Integrated Moving Average Model，自回归综合移动平均模型)，或者GM11(Gray model，灰色模型)，本实施例对第二子模型的具体类型不进行限制，第一子模型与第二子模型的具体类型，可以为相同，也可以为不同。
S2104、根据所述第二子模型对历史销量数据的预测结果，以及结果样本中匹配的局部历史销量数据，对所述第二子模型进行训练。
示例性的，当将历史时间段的时间跨度设置为45天，将历史时间段内的前30天设置为第一时间段，后15天设置为第二时间段时，第一子模型的输出为后15天的销量关联特征数据的预测值。第二子模型根据后15天的销量关联特征数据的预测值，预测后15天商品销量的预测值，再根据后15天的历史销量数据，对第二子模型进行训练。
在本发明一个可选的实施例中，可以将特征样本和结果样本分为训练数据和测试数据，采用训练数据对第一子模型和第二子模型进行训练，采用测试数据对第一子模型和第二子模型进行测试。训练数据和测试数据的比例可以为7:3，本实施例对训练数据和测试数据的选取比例不进行限制。当测试结果不理想时，可以调整模型参数。示例性的，当标准误差大于80，或者平均百分比误差大于12.5％时，可以认为第一子模型或者第二子模型的测试结果不理想。
S2110、获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合。
S2120、将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本。
S2130、将所述目标特征样本输入至预先训练的商品销量预测模型中，并获取所述商品销量预测模型输出的对未来时间段内的商品销量的预测结果。
在本发明实施例中，将目标特征样本输入至商品销量预测模型中，首先由商品销量预测模型中的第一子模型根据目标特征样本中的销量关联特征数据集合，得到未来时间段内各销量关联特征数据的预测值。再由商品销量预测模型中的第二子模型根据未来时间段内各销量关联特征数据的预测值，获得未来时间段内的商品销量预测结果。
在本发明一个可选的实施例中，图2b提供了一种商品销量预测方法的流程图，如图2b所示，进行商品销量预测的步骤包括：
S1、提取所有销量相关指标的历史数据。
S2、对提取的销量相关指标历史数据进行预处理。
S3、计算各个销量相关指标与商品销量之间的相关性系数，获得相关性系数表格，根据相关性系数筛选得到统计指标。
S4、筛选得到统计指标后，获得统计指标历史数据和历史销量数据。
S5、采用各历史时间段内的第一时间段的统计指标历史数据和历史销量数据作为特征样本，各历史时间段内的第二时间段的统计指标历史数据和历史销量数据作为结果样本，第一时间段在第二时间段之前。训练模型时将特征样本和结果样本分为训练数据和测试数据，对模型进行训练和测试。
模型的训练过程为，根据各统计指标历史数据，预测各统计指标数据的预测值，再根据各统计指标数据的预测值，预测商品销量。
图2c提供了一种商品销量预测模型训练过程的示意图，如图2c所示，将历史时间内的统计指标历史数据和历史销量数据作为样本数据，将样本数据分为测试数据和训练数据，使用训练数据进行模型的训练，使用测试数据进行模型的测试，并根据训练结果和测试结果进行模型效果评估，根据评估结果选择调整模型参数或者重新选择统计指标。
S6、当测试结果不理想时，对模型进行校验，调整模型参数。
S7、判断校验结果是否理想，如果是，则执行S7，否则执行S4，需要重新选择统计指标。
S8、将统计指标在某段历史时间的历史值，输入至训练完成的模型中，获取模型输出的未来某段时间的预测销量。
本发明实施例的技术方案，通过商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，训练商品销量预测模型，并获取商品的历史销量数据，以及至少一个统计指标下的销量关联特征数据集合，生成目标特征样本，将目标特征样本输入至训练完成的商品销量预测模型中，得到商品在未来时间段的销量预测结果。解决了现有技术商品销量的预测结果准确性低、灵活性差，无法满足实际业务中的适用需求的问题，实现了准确预测商品销量，提高商品销量预测灵活性和适用性的效果。
实施例三
图3是本发明实施例三提供的一种商品的销量预测装置的结构示意图，该装置可以集成在计算机设备中，并与商品销售平台配合使用。该装置包括：历史销量数据获取模块310、目标特征样本获取模块320以及商品销量预测模块330。其中：
历史销量数据获取模块310，用于获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；
目标特征样本获取模块320，用于将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；
商品销量预测模块330，用于根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；
其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成。
本实施例的技术方案，通过获取商品的历史销量数据，以及至少一个统计指标下的销量关联特征数据集合，生成目标特征样本，并根据目标特征样本，以及商品在第一时间段的特征样本和第二时间段的结果样本之间的关系，预测商品在未来时间段的销量。解决了现有技术商品销量的预测结果准确性低、灵活性差，无法满足实际业务中的适用需求的问题，实现了准确预测商品销量，提高商品销量预测灵活性和适用性的效果。
在上述实施例的基础上，所述统计指标的类型包括下述至少一项：
用户特征指标、商品特征指标、季节特征指标、售后特征指标、营销活动特征指标、外部环境特征指标和与所述商品的销售模式匹配的模式特征指标。
在上述实施例的基础上，所述商品的销售模式包括：用户直连制造模式；
所述模式特征指标包括下述至少一项：商品生产周期、同类商品的生产周期以及用户需求特征。
在上述实施例的基础上，所述装置，还包括：
历史销售订单收集模块，用于在设定的统计指标确定时间段内，收集所述商品的各历史销售订单；
订单销量关联特征数据获取模块，用于在至少一个备选指标下，获取与所述商品的各目标历史销售订单分别匹配的各订单销量关联特征数据；
备选销量关联特征数据集合确定模块，用于根据各历史销售订单计算与统计指标确定时间段匹配的销售总量，并根据各订单销量关联特征数据，计算与销售总量匹配的备选销量关联特征数据集合；
统计指标确定模块，用于根据所述销售总量与所述备选销量关联特征数据集合，在各备选指标中，确定所述统计指标。
在上述实施例的基础上，所述统计指标确定模块，包括：
相关性系数计算单元，用于通过下述公式计算所述销售总量与各备选指标之间的相关性系数：
Figure BDA0002426634350000171
其中，X为统计指标确定时间段内的备选销量关联特征数据，Y为与统计指标确定时间段匹配的销售总量，Cov(X,Y)表示所述销售总量与所述备选销量关联特征数据的协方差，Var[X]表示所述备选销量关联特征数据的样本方差，Var[Y]表示所述销售总量的样本方差。
统计指标确定单元，用于将相关性系数满足预设阈值条件的备选指标作为统计指标。
在上述实施例的基础上，所述商品销量预测模块330，包括：
商品销量预测结果获取单元，用于将所述目标特征样本输入至预先训练的商品销量预测模型中，并获取所述商品销量预测模型输出的对未来时间段内的商品销量的预测结果；
其中，所述商品销量预测模型通过使用商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系训练得到。
在上述实施例的基础上，所述装置，还包括：
目标销量关联特征数据集合获取模块，用于获取所述商品在多个历史时间段内的目标历史销量数据，以及与各所述目标历史销量数据分别匹配的目标销量关联特征数据集合；
时间段划分模块，用于将各所述历史时间段，划分为第一时间段以及第二时间段，所述第一时间段位于所述第二时间段之前；
局部数据生成模块，用于根据所述目标历史销量数据以及目标销量关联特征数据集合，分别生成与各历史时间段中的第一时间段对应的局部历史销量数据和局部销量关联特征数据集合，以及与第二时间段对应的局部历史销量数据和局部销量关联特征数据集合；
样本获取模块，用于将与各第一时间段对应的所述局部历史销量数据与所述局部销量关联特征数据集合组合得到特征样本，并将与各第二时间段对应的所述局部历史销量数据与所述局部销量关联特征数据集合组合得到结果样本；
商品销量预测模型获取模块，用于使用与各所述历史时间段分别对应的特征样本和结果样本，对预设的机器学习模型进行训练，得到所述商品销量预测模型。
在上述实施例的基础上，所述商品销量预测模型获取模块，包括：
特征样本输入单元，用于将各所述特征样本中的局部销量关联特征数据集合输入至所述机器学习模型的第一子模型中；
第一子模型训练单元，用于根据所述第一子模型对局部销量关联特征数据集合的预测结果，以及匹配的结果样本中的局部销量关联特征数据集合，对所述第一子模型进行训练；
结果样本输入单元，用于将各所述结果样本中的局部销量关联特征数据集合输入至所述机器学习模型的第二子模型中；
第二子模型训练单元，用于根据所述第二子模型对历史销量数据的预测结果，以及结果样本中匹配的局部历史销量数据，对所述第二子模型进行训练。
在上述实施例的基础上，所述装置，还包括：
平滑处理模块，用于对各订单销量关联特征数据进行平滑处理。
本发明实施例所提供的商品的销量预测装置可执行本发明任意实施例所提供的商品的销量预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括处理器70、存储器71、输入装置72和输出装置73；计算机设备中处理器70的数量可以是一个或多个，图4中以一个处理器70为例；计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的商品的销量预测方法对应的模块(例如，商品的销量预测装置中的历史销量数据获取模块310、目标特征样本获取模块320以及商品销量预测模块330)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的商品的销量预测方法。该方法包括：
获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；
将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；
根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；
其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种商品的销量预测方法，该方法包括：
获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；
将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；
根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；
其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的商品的销量预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
值得注意的是，上述商品的销量预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种商品的销量预测方法，其特征在于，包括：获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；
将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；
根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；
其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成；
根据目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测，包括：
将所述目标特征样本输入至预先训练的商品销量预测模型中，并获取所述商品销量预测模型输出的对未来时间段内的商品销量的预测结果；
其中，所述商品销量预测模型通过使用商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系训练得到；
其中，所述商品销量预测模型包括第一子模型和第二子模型，所述第一子模型通过各特征样本中的局部销量关联特征数据集合和匹配的结果样本中的局部销量关联特征数据集合进行训练得到，所述第二子模型通过各结果样本中的局部销量关联特征数据集合以及各结果样本中的局部历史销量数据进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述统计指标的类型包括下述至少一项：
用户特征指标、商品特征指标、季节特征指标、售后特征指标、营销活动特征指标、外部环境特征指标和与所述商品的销售模式匹配的模式特征指标。
3.根据权利要求2所述的方法，其特征在于，所述商品的销售模式包括：用户直连制造模式；
所述模式特征指标包括下述至少一项：商品生产周期、同类商品的生产周期以及用户需求特征。
4.根据权利要求1-3任一项所述的方法，其特征在于，在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合之前，还包括：
在设定的统计指标确定时间段内，收集所述商品的各历史销售订单；
在至少一个备选指标下，获取与所述商品的各目标历史销售订单分别匹配的各订单销量关联特征数据；
根据各历史销售订单计算与统计指标确定时间段匹配的销售总量，并根据各订单销量关联特征数据，计算与销售总量匹配的备选销量关联特征数据集合；
根据所述销售总量与所述备选销量关联特征数据集合，在各备选指标中，确定所述统计指标。
5.根据权利要求4所述的方法，其特征在于，根据所述销售总量与所述备选销量关联特征数据集合，在各备选指标中，确定所述统计指标，包括：
通过下述公式计算所述销售总量与各备选指标之间的相关性系数：
Figure FDA0003003288610000021
其中，X为统计指标确定时间段内的备选销量关联特征数据，Y为与统计指标确定时间段匹配的销售总量，Cov(X,Y)表示所述销售总量与所述备选销量关联特征数据的协方差，Var[X]表示所述备选销量关联特征数据的样本方差，Var[Y]表示所述销售总量的样本方差；
将相关性系数满足预设阈值条件的备选指标作为统计指标。
6.根据权利要求1所述的方法，其特征在于，在获取商品在历史预测时间段内的历史销量数据之前，还包括：
获取所述商品在多个历史时间段内的目标历史销量数据，以及与各所述目标历史销量数据分别匹配的目标销量关联特征数据集合；
将各所述历史时间段，划分为第一时间段以及第二时间段，所述第一时间段位于所述第二时间段之前；
根据所述目标历史销量数据以及目标销量关联特征数据集合，分别生成与各历史时间段中的第一时间段对应的局部历史销量数据和局部销量关联特征数据集合，以及与第二时间段对应的局部历史销量数据和局部销量关联特征数据集合；
将与各第一时间段对应的所述局部历史销量数据与所述局部销量关联特征数据集合组合得到特征样本，并将与各第二时间段对应的所述局部历史销量数据与所述局部销量关联特征数据集合组合得到结果样本；
使用与各所述历史时间段分别对应的特征样本和结果样本，对预设的机器学习模型进行训练，得到所述商品销量预测模型。
7.根据权利要求6所述的方法，其特征在于，使用与各所述历史时间段分别对应的特征样本和结果样本，对预设的机器学习模型进行训练，得到所述商品销量预测模型，包括：
将各所述特征样本中的局部销量关联特征数据集合输入至所述机器学习模型的第一子模型中；
根据所述第一子模型对局部销量关联特征数据集合的预测结果，以及匹配的结果样本中的局部销量关联特征数据集合，对所述第一子模型进行训练；
将各所述结果样本中的局部销量关联特征数据集合输入至所述机器学习模型的第二子模型中；
根据所述第二子模型对历史销量数据的预测结果，以及结果样本中匹配的局部历史销量数据，对所述第二子模型进行训练。
8.根据权利要求4所述的方法，其特征在于，获取与所述商品的各目标历史销售订单分别匹配的各订单销量关联特征数据之后，还包括：
对各订单销量关联特征数据进行平滑处理。
9.一种商品的销量预测装置，其特征在于，包括：
历史销量数据获取模块，用于获取商品在历史预测时间段内的历史销量数据，并在至少一个统计指标下，获取与所述历史销量数据匹配的销量关联特征数据集合；
目标特征样本获取模块，用于将所述历史销量数据和所述销量关联特征数据集合进行组合，构成与所述历史预测时间段匹配的目标特征样本；
商品销量预测模块，用于根据所述目标特征样本，以及商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系，对未来时间段内的商品销量进行预测；
其中，特征样本和结果样本通过与所属时间段匹配的历史销量数据和关联的销量关联特征数据集合组合构成；
所述商品销量预测模块，包括：
商品销量预测结果获取单元，用于将所述目标特征样本输入至预先训练的商品销量预测模型中，并获取所述商品销量预测模型输出的对未来时间段内的商品销量的预测结果；
其中，所述商品销量预测模型通过使用商品在多个历史时间段内第一时间段的特征样本和第二时间段的结果样本之间的关系训练得到；
其中，所述商品销量预测模型包括第一子模型和第二子模型，所述第一子模型通过各特征样本中的局部销量关联特征数据集合和匹配的结果样本中的局部销量关联特征数据集合进行训练得到，所述第二子模型通过各结果样本中的局部销量关联特征数据集合以及各结果样本中的局部历史销量数据进行训练得到。
10.一种计算机设备，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1-8中任一所述的商品的销量预测方法。
11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的商品的销量预测方法。
CN202010222714.2A 2020-03-26 2020-03-26 商品的销量预测方法、装置、计算机设备和存储介质 Active CN111445134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010222714.2A CN111445134B (zh) 2020-03-26 2020-03-26 商品的销量预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010222714.2A CN111445134B (zh) 2020-03-26 2020-03-26 商品的销量预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111445134A CN111445134A (zh) 2020-07-24
CN111445134B true CN111445134B (zh) 2021-05-28

Family

ID=71649137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010222714.2A Active CN111445134B (zh) 2020-03-26 2020-03-26 商品的销量预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111445134B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184301A (zh) * 2020-09-25 2021-01-05 杭州安恒信息技术股份有限公司 一种数据预测方法、装置、设备及计算机可读存储介质
CN112283876A (zh) * 2020-10-30 2021-01-29 青岛海尔空调电子有限公司 空调故障预测方法及空调
CN112581182B (zh) * 2020-12-24 2023-04-07 山东新北洋信息技术股份有限公司 自动售货设备的销售管理方法及系统
CN113762701A (zh) * 2021-03-26 2021-12-07 北京京东拓先科技有限公司 物品补货方法、装置以及存储介质
CN114971748B (zh) * 2022-07-27 2022-11-01 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
CN115660728B (zh) * 2022-10-11 2023-10-20 南京意博软件科技有限公司 一种机票销售订单预测方法、装置、电子设备和存储介质
CN115423538A (zh) * 2022-11-02 2022-12-02 深圳市云积分科技有限公司 新品销量数据的预测方法及装置、存储介质、电子设备
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
CN115841345B (zh) * 2023-02-16 2023-05-16 杭州柚果供应链管理有限公司 跨境大数据智能化分析方法、系统以及存储介质
CN116188061B (zh) * 2023-04-27 2023-10-17 北京永辉科技有限公司 商品销量预测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016133816A (ja) * 2015-01-15 2016-07-25 株式会社そごう・西武 商品需要予測システム
CN107451866A (zh) * 2017-08-02 2017-12-08 山东浪潮云服务信息科技有限公司 一种利用气象数据预测商品的销售数据的方法及装置
CN108960719A (zh) * 2018-06-29 2018-12-07 北京京东尚科信息技术有限公司 选品方法和装置以及计算机可读存储介质
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
CN109816412A (zh) * 2017-11-21 2019-05-28 腾讯科技（深圳）有限公司 一种训练模型生成方法、装置、设备和计算机存储介质
CN110414724A (zh) * 2019-07-10 2019-11-05 东软集团股份有限公司 用于预测耗电量的方法、装置、可读存储介质及电子设备
CN110443379A (zh) * 2019-08-13 2019-11-12 中国工商银行股份有限公司 数据处理方法、装置和服务器
CN110555713A (zh) * 2018-05-31 2019-12-10 北京京东尚科信息技术有限公司 一种确定销量预测模型的方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI533245B (zh) * 2014-11-24 2016-05-11 財團法人資訊工業策進會 商品銷量預測系統、商品銷量預測方法及其非暫態電腦可讀取記錄媒體
CN108280462A (zh) * 2017-12-11 2018-07-13 北京三快在线科技有限公司 一种模型训练方法及装置，电子设备
CN109584006B (zh) * 2018-11-27 2020-12-01 中国人民大学 一种基于深度匹配模型的跨平台商品匹配方法
CN109816141A (zh) * 2018-12-13 2019-05-28 平安科技（深圳）有限公司 基于数据分析的产品数据预测方法、装置、计算机设备
CN109727078B (zh) * 2019-01-18 2021-07-20 创新奇智(南京)科技有限公司 一种基于商品类别树的销量预测修正方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016133816A (ja) * 2015-01-15 2016-07-25 株式会社そごう・西武 商品需要予測システム
CN107451866A (zh) * 2017-08-02 2017-12-08 山东浪潮云服务信息科技有限公司 一种利用气象数据预测商品的销售数据的方法及装置
CN109816412A (zh) * 2017-11-21 2019-05-28 腾讯科技（深圳）有限公司 一种训练模型生成方法、装置、设备和计算机存储介质
CN110555713A (zh) * 2018-05-31 2019-12-10 北京京东尚科信息技术有限公司 一种确定销量预测模型的方法和装置
CN108960719A (zh) * 2018-06-29 2018-12-07 北京京东尚科信息技术有限公司 选品方法和装置以及计算机可读存储介质
CN109509030A (zh) * 2018-11-15 2019-03-22 北京旷视科技有限公司 销量预测方法及其模型的训练方法、装置和电子系统
CN110414724A (zh) * 2019-07-10 2019-11-05 东软集团股份有限公司 用于预测耗电量的方法、装置、可读存储介质及电子设备
CN110443379A (zh) * 2019-08-13 2019-11-12 中国工商银行股份有限公司 数据处理方法、装置和服务器

Also Published As

Publication number Publication date
CN111445134A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111445134B (zh) 商品的销量预测方法、装置、计算机设备和存储介质
CN106485562B (zh) 一种基于用户历史行为的商品信息推荐方法及系统
US20180341898A1 (en) Demand forecast
CN105184618A (zh) 新用户的商品个性化推荐方法及系统
CN107169806B (zh) 用于确定商品属性对于购买决策的影响度的方法及装置
CN111445133B (zh) 一种材料管理方法、装置、计算机设备和存储介质
KR101963817B1 (ko) 키워드 검색량 기반 예측 정보 생성 장치 및 방법
CN107679103B (zh) 用于实体的属性分析方法及系统
CN111738805B (zh) 基于行为日志的搜索推荐模型生成方法、设备和存储介质
CN110570233A (zh) 用于电商平台的用户回购时间预测方法及装置
CN113763035A (zh) 广告投放的效果预测方法、装置、计算机设备和存储介质
CN111626767A (zh) 资源数据的发放方法、装置及设备
CN116739652A (zh) 一种服装电商销量预测建模方法
CN111507779A (zh) 一种对商品进行等级划分的方法和装置
CN110490682B (zh) 分析商品属性的方法和装置
CN115907926A (zh) 商品的推荐方法、装置、电子设备及存储介质
CN115619503A (zh) 一种物品推荐方法、装置、存储介质和计算机设备
Şahin et al. Application of random forest algorithm for the prediction of online food delivery service delay
CN115860865A (zh) 商品组合构造方法及其装置、设备、介质、产品
US20210150613A1 (en) Information processing device, information processing method, and information storage medium
CN107291722B (zh) 一种描述词的分类方法及设备
CN109360032B (zh) 客户评估方法、装置、设备以及存储介质
CN115456656A (zh) 消费者购买意向预测方法、装置、电子设备及存储介质
CN112990968A (zh) 分润系统及方法
Osmond et al. Electronic commerce product recommendation using enhanced conjoint analysis

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
CB02 Change of applicant information

Address after: 519085 Building 8, No.1, Tangjiawan Harbin Institute of technology, high tech Zone, Zhuhai City, Guangdong Province

Applicant after: Zhuhai necessary Industrial Technology Co.,Ltd.

Address before: 519085 Building 8, No.1, Tangjiawan Harbin Institute of technology, high tech Zone, Zhuhai City, Guangdong Province

Applicant before: ZHUHAI SUIBIAN TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant