CN111652654A - 销量预测及神经网络构建的方法、装置、设备、存储介质 - Google Patents

销量预测及神经网络构建的方法、装置、设备、存储介质 Download PDF

Info

Publication number
CN111652654A
CN111652654A CN202010521317.5A CN202010521317A CN111652654A CN 111652654 A CN111652654 A CN 111652654A CN 202010521317 A CN202010521317 A CN 202010521317A CN 111652654 A CN111652654 A CN 111652654A
Authority
CN
China
Prior art keywords
neural network
sales
commodity
target commodity
historical sales
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010521317.5A
Other languages
English (en)
Inventor
周鹏程
杨路飞
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.)
Ainnovation Nanjing Technology Co ltd
Original Assignee
Ainnovation Nanjing 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 Ainnovation Nanjing Technology Co ltd filed Critical Ainnovation Nanjing Technology Co ltd
Priority to CN202010521317.5A priority Critical patent/CN111652654A/zh
Publication of CN111652654A publication Critical patent/CN111652654A/zh
Pending legal-status Critical Current

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
    • 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

Abstract

本申请公开一种销量预测及神经网络构建的方法、装置、设备、存储介质，其中，销量预测方法包括步骤：获取目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；利用神经网络模型对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；根据所述趋势特征并利用所述神经网络模型训练所述当前产品信息并得到所述目标商品的销量预测数据。本申请能够通过获取商品的历史销售数据准确、有效地对商品后续的销量进行预测，与此同时，本申请的神经网络具有更优的模型表征能力。

Description

销量预测及神经网络构建的方法、装置、设备、存储介质
技术领域
本申请涉及零售领域，尤其涉及一种销量预测及神经网络构建的方法、装置、设备、存储介质。
背景技术
目前，在零售行业，销量预测是非常核心的一个环节，其销量预测结果用于优化促销定价、库存管理、生产排期等任务。但是由于受季节性影响，换季的产品中95％以上的产品为新品且产品有效周期为13周，及受时尚因素的影响，产品的销量表现成不同趋势，例如，主打款呈现平稳、爆发，平稳、快速下降的趋势。因此，需要对产品的销量进行快速预测。
目前，产品的销量预测主要是依据经验对销量、库存、价格、产品、门店等信息进行特征提取，作为模型的输入进行训练，这种方式得到的预测效果不准确、有效性低。
发明内容
本申请目的在于公开一种销量预测及神经网络构建的方法、装置、设备、存储介质，本申请能够通过获取商品的历史销售数据准确、有效地对商品后续的销量进行预测。
本申请第一方面公开一种销量预测方法，该销售预测方法包括步骤：
获取目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
利用神经网络模型对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
根据所述趋势特征并利用所述神经网络模型训练所述当前产品信息并得到所述目标商品的销量预测数据。
在本申请第一方面中，通过利用神经网络模型对所述历史销售数据进行空洞卷积处理，进而可提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请能够通过提取历史销售数据的趋势特征，能够更好地捕捉商品的历史销售的趋势特征，进而具有更优的模型表征能力、泛化性能和对商品销量的预测准确性。
在本申请第一方面中，作为一种可选的实施方式，在所述利用神经网络模型对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征之后，所述根据所述趋势特征并利用所述神经网络模型训练所述当前产品信息并得到所述目标商品的销量预测数据之前，所述方法还包括步骤：
根据以下公式修正所述神经网络模型训练的损失函数：
Figure BDA0002532170620000021
其中，a为(0,1)的权重系数，n为训练样数量，yi为第i训练样本的目标变量，yi-t为第i个样本在时间序列上一个时间点的目标变量，f为神经网络拟合函数，f(xi)为所述神经网络模型的预测结果。
在本申请实施方式中，通过修正神经网络模型训练的损失函数，能够将商品的历史销售数据的趋势关系加入损失函数，进而进一步提高神经网络模型准确率。
在本申请第一方面中，作为一种可选的实施方式，所述历史销售数据至少包括所述目标商品的历史销量信息、历史价格信息。
在本申请实施例中，通过目标商品的历史销量信息、历史价格信息、历史库存信息能够更加准确地预测商品的后续销售。
在本申请第一方面中，作为一种可选的实施方式，所述当前产品信息至少包括所述目标商品的产品特征信息，所述产品特征信息至少包括品牌信息、类型信息中的一项。
在本可选的实施方式中，通过商品的产品特征信息、门店特征信息可考虑商品的品牌、类型、门店地址、门店面积、门店类型等因素对商品的销售的影响，进而进一步提高对商品销量的预测准确性。
本申请第二方面公开一种应用于本申请第一方面的销量预测方法的神经网络构建方法，该方法包括步骤：
构建输入层，输入层用于获取所述目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
构建卷积层，卷积层用于对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
构建全连接层和隐藏层，全连接层和隐藏层用于根据所述趋势特征训练所述当前产品信息并得到训练结果；
构建输出层，输出层用于根据所述训练结果输出所述目标商品的销量预测数据。
在本申请第二方面中，通过构建神经网络，可利用该神经网络模型对所述历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。
在本申请第二方面中，作为一种可选的实施方式，所述卷积层的卷积核的数量为3，所述卷积层的扩展率为2。
在本可选的实施方式中，将卷积层的卷积核的数量设置为3、将卷积层的扩展率设置为2，可以更好地捕捉产品的趋势特征，进一步提高模型准确率。
在本申请第二方面中，作为一种可选的实施方式，将所述隐藏层的数量为2。在本可选的实施方式中，将隐藏层的数量设置为2，可保证准确率的前提下，提高运算速度。
本申请第三方面公开一种销量预测装置，所述装置应用于销量预测设备中，所述装置包括：
获取模块，用于获取目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
提取模块，用于利用神经网络模型对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
训练模块，用于根据所述趋势特征并利用所述神经网络模型训练所述当前产品信息并得到所述目标商品的销量预测数据。
在本申请第三方面中，销量预测装置通过执行销售预测方法，能够利用神经网络模型对所述历史销售数据进行空洞卷积处理，进而可提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请能够通过提取历史销售数据的趋势特征，能够更好地捕捉商品的历史销售的趋势特征，进而具有更优的模型表征能力、泛化性能和对商品销量的预测准确性。
本申请第四方面公开一种神经网络构建装置，所述装置应用于销量预测设备，所述装置包括；
第一构建模块，用于构建输入层，所述输入层用于获取所述目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
第二构建模块，用于构建卷积层，所述卷积层用于对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
第二构建模块，用于构建全连接层和隐藏层，所述连接层和所述隐藏层用于根据所述趋势特征训练所述当前产品信息并得到训练结果；
第四构建模块，用于构建输出层，所述输出层用于根据所述训练结果输出所述目标商品的销量预测数据。
在本申请第四方面，神经网络构建装置通过执行神经网络构建方法，能够通过构建神经网络，可利用该神经网络模型对所述历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。
本申请第五方面公开一种销量预测设备，所述设备包括：
处理器；以及
存储器，配置用于存储机器可读指令，所述指令在由所述处理器执行时执行本申请第一方面公开销量预测方法和本申请第二方面公开的神经网络构建方法。
在本申请第五方面中，销量预测设备通过执行神经网络构建方法和销量预测方法，能够利用该神经网络模型对所述历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。
本申请第六方面公开一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，执行本申请第一方面公开销量预测方法和本申请第二方面公开的神经网络构建方法。
在本申请第六方面中，存储介质通过执行神经网络构建方法和销量预测方法，能够利用该神经网络模型对所述历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例一公开的一种销量预测方法的流程示意图；
图2为本申请实施例二公开的一种销量预测方法的流程示意图；
图3为本申请实施例三公开的一种神经网络构建方法的流程示意图；
图4为本申请实施例公开的一种的神经网络的结构示意图；
图5为本申请实施例四公开的一种销量预测装置的结构示意图；
图6为本申请实施例五公开的一种神经网络构建装置的结构示意图；
图7为本申请实施六公开的一种销量预测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，本申请的销量预测及神经网络构建的方法、装置、设备、存储介质能够应用于对鞋、衣服等服装类商品的销量预测，其中，由于，鞋、衣服等服装类商品的销量容易受到季节等因素的影响，需要对其销量进行预测，而本申请的销量预测及神经网络构建的方法、装置、设备、存储介质就能够对鞋、衣服等服装类商品的销量进行准确预测。
实施例一
请参阅图1，图1是本申请实施例公开的一种销量预测方法的流程示意图。如图1所示，该方法包括步骤：
101、获取目标商品的至少一个时间窗口内的历史销售数据和目标商品的当前产品信息；
102、利用神经网络模型对历史销售数据进行空洞卷积处理并提取历史销售数据的趋势特征，趋势特征表征目标商品的商品信息对目标商品的历史销量的影响程度；
103、根据趋势特征并利用神经网络模型训练当前产品信息并得到目标商品的销量预测数据。
示例性地，可获取目标商品过往56每天销量的数据作为历史销售数据。
在本申请实施例中，通过利用神经网络模型对历史销售数据进行空洞卷积处理，进而可提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请能够通过提取历史销售数据的趋势特征，能够更好地捕捉商品的历史销售的趋势特征，进而具有更优的模型表征能力、泛化性能和对商品销量的预测准确性。
在本申请实施例中，作为一种可选的实施方式，历史销售数据至少包括目标商品的历史销量信息、历史价格信息。进一步地，历史销售数据还可以包括历史库存信息。
在本申请实施例中，通过目标商品的历史销量信息、历史价格信息、历史库存信息能够更加准确地预测商品的后续销售。
在本申请实施例中，作为一种可选的实施方式，当前产品信息至少包括目标商品的产品特征信息。进一步地，当前产品信息还可以包括门店特征信息。再进一步地，产品特征信息至少包括品牌信息、类型信息中的一项，门店特征信息至少包括门店地址信息、门店面积信息、门店类型信息中的一项。
在本可选的实施方式中，通过商品的产品特征信息、门店特征信息可考虑商品的品牌、类型、门店地址、门店面积、门店类型等因素对商品的销售的影响，进而进一步提高对商品销量的预测准确性。
实施例二
请参阅图2，图2是本申请实施例公开的一种销量预测方法的流程示意图。如图2所示，该方法包括步骤：
201、获取目标商品的至少一个时间窗口内的历史销售数据和目标商品的当前产品信息；
202、利用神经网络模型对历史销售数据进行空洞卷积处理并提取历史销售数据的趋势特征，趋势特征表征目标商品的商品信息对目标商品的历史销量的影响程度；
203、根据以下公式修正神经网络模型训练的损失函数：
Figure BDA0002532170620000081
其中，a为(0,1)的权重系数，n为训练样数量，yi为第i训练样本的目标变量，yi-t为第i个样本在时间序列上一个时间点的目标变量，f为神经网络拟合函数，f(xi)为所述神经网络模型的预测结果；
204、根据趋势特征并利用神经网络模型训练当前产品信息并得到目标商品的销量预测数据。
在本申请实施方式中，通过修正神经网络模型训练的损失函数，能够将商品的历史销售数据的趋势关系加入损失函数，进而进一步提高神经网络模型准确率。
实施例三
请参阅图3，图3是本申请实施例公开的一种神经网络构建方法的流程示意图，该方法应用于销售预测方法中。如图3所示，该方法包括步骤：
301、构建输入层，输入层用于获取目标商品的至少一个时间窗口内的历史销售数据和目标商品的当前产品信息；
302、构建卷积层，卷积层用于对历史销售数据进行空洞卷积处理并提取历史销售数据的趋势特征，趋势特征表征目标商品的商品信息对目标商品的历史销量的影响程度；
303、构建全连接层和隐藏层，全连接层和隐藏层用于根据趋势特征训练当前产品信息并得到训练结果；
304、构建输出层，输出层用于根据训练结果输出目标商品的销量预测数据。
在本申请实施例中，通过构建神经网络，可利用该神经网络模型对历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。
在本申请实施例中，作为一种可选的实施方式，卷积层的卷积核的数量为3，卷积层的扩展率为2。
在本可选的实施方式中，将卷积层的卷积核的数量设置为3、将卷积层的扩展率设置为2，可以更好地捕捉产品的趋势特征，进一步提高模型准确率。
在本申请实施例中，作为一种可选的实施方式，隐藏层的数量为2。在本可选的实施方式中，将隐藏层的数量设置为2，可保证准确率的前提下，提高运算速度。
示例性地，请参阅图4，图4是本申请实施例公开的一种神经网络的结构示意图，如图4所示，该神经网络包括输入层、两个卷积层(及时卷积层的扩展率为2)、两层全连接层、两层隐藏层(RELU)和输出层，其中，输入层用于获取动态信息(即商品的历史销售数据)和静态信息(即商品的当前产品信息)，进而卷积层对动态信息进行空洞卷积以提取动态信息中的趋势特征，进而隐藏层和全连接层基于趋势特征和静态信息进行训练，最终输出层输出训练结果。需要说明的是，神经网络各层参数可通过反向传播的方法训练得到。
实施例四
请参阅图5，图5是本申请实施例公开的一种x的结构示意图，该销量预测装置应用于销量预测设备中。如图5所示，该销量预测装置包括：
获取模块401，用于获取目标商品的至少一个时间窗口内的历史销售数据和目标商品的当前产品信息；
提取模块402，用于利用神经网络模型对历史销售数据进行空洞卷积处理并提取历史销售数据的趋势特征，趋势特征表征目标商品的商品信息对目标商品的历史销量的影响程度；
训练模块403，用于根据趋势特征并利用神经网络模型训练当前产品信息并得到目标商品的销量预测数据。
示例性地，可获取目标商品过往56每天销量的数据作为历史销售数据。
在本申请实施例中，销量预测装置通过执行销售预测方法，能够利用神经网络模型对历史销售数据进行空洞卷积处理，进而可提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请能够通过提取历史销售数据的趋势特征，能够更好地捕捉商品的历史销售的趋势特征，进而具有更优的模型表征能力、泛化性能和对商品销量的预测准确性。
在本申请实施例中，作为一种可选的实施方式，历史销售数据至少包括目标商品的历史销量信息、历史价格信息。进一步地，历史销售数据还还可以包括历史库存信息。
在本申请实施例中，通过目标商品的历史销量信息、历史价格信息、历史库存信息能够更加准确地预测商品的后续销售。
在本申请实施例中，作为一种可选的实施方式，当前产品信息至少包括目标商品的产品特征信息。进一步地，当前产品信息还可以包括门店特征信息。再进一步地，产品特征信息至少包括品牌信息、类型信息中的一项，门店特征信息至少包括门店地址信息、门店面积信息、门店类型信息中的一项。
在本可选的实施方式中，通过商品的产品特征信息、门店特征信息可考虑商品的品牌、类型、门店地址、门店面积、门店类型等因素对商品的销售的影响，进而进一步提高对商品销量的预测准确性。
在本申请的实施例中，作为一种可选的实施方式，销量预测装置还包括修正模块，其中，修正模块用于根据以下公式修正神经网络模型训练的损失函数：
Figure BDA0002532170620000111
其中，a为(0,1)的权重系数，n为训练样数量，yi为第i训练样本的目标变量，yi-t为第i个样本在时间序列上一个时间点的目标变量，f为神经网络拟合函数，f(xi)为神经网络模型的预测结果。
在本申请实施方式中，通过修正神经网络模型训练的损失函数，能够将商品的历史销售数据的趋势关系加入损失函数，进而进一步提高神经网络模型准确率。
实施例五
请参阅图6，图6是本申请实施例公开的一种神经网络构建装置的结构示意图，该神经网络构建装置应用于销量预测设备中。如图6所示，该神经网络构建装置包括：
第一构建模块501，用于构建输入层，输入层用于获取目标商品的至少一个时间窗口内的历史销售数据和目标商品的当前产品信息；
第二构建模502，用于构建卷积层，输入层用于对历史销售数据进行空洞卷积处理并提取历史销售数据的趋势特征，趋势特征表征目标商品的商品信息对目标商品的历史销量的影响程度；
第二构建模块503，用于构建全连接层和隐藏层，全连接层和隐藏层用于根据趋势特征训练当前产品信息并得到训练结果；
第四构建模块504，用于构建输出层，输出层用于根据训练结果输出目标商品的销量预测数据。
在本申请实施例中，神经网络构建装置通过执行神经网络构建方法，能够通过构建神经网络，可利用该神经网络模型对历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。需要说明的是，神经网络各层参数可通过反向传播的方法训练得到。
在本申请实施例中，作为一种可选的实施方式，卷积层的卷积核的数量为3，卷积层的扩展率为2。
在本可选的实施方式中，将卷积层的卷积核的数量设置为3、将卷积层的扩展率设置为2，可以更好地捕捉产品的趋势特征，进一步提高模型准确率。
在本申请实施例中，作为一种可选的实施方式，隐藏层的数量为2。在本可选的实施方式中，将隐藏层的数量设置为2，可保证准确率的前提下，提高运算速度。
示例性地，请参阅图4，图4是本申请实施例公开的一种神经网络的结构示意图，如图4所示，该神经网络包括输入层、两个卷积层(及时卷积层的扩展率为2)、两层全连接层、两层隐藏层(RELU)和输出层，其中，输入层用于获取动态信息(即商品的历史销售数据)和静态信息(即商品的当前产品信息)，进而卷积层对动态信息进行空洞卷积以提取动态信息中的趋势特征，进而隐藏层和全连接层基于趋势特征和静态信息进行训练，最终输出层输出训练结果。
实施例六
请参阅图7，图7是本申请实施例公开的一种销量预测设备的结构示意图。如图7所示，该销量预测设备包括：
处理器602；以及
存储器601，配置用于存储机器可读指令，指令在由处理器602执行时，使得处理器602执行本申请实施例一、本申请实施例二公开的销量预测方法的和本申请实施例三公开的神经网络构建方法。
在本申请实施例中，销量预测设备通过执行神经网络构建方法和销量预测方法，能够利用该神经网络模型对历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。
实施例七
本申请实施例公开一种存储介质，该存储介质存储有计算机程序，计算机程序被处理器执行时，执行本申请实施例一、本申请实施例二公开的销量预测方法的和本申请实施例三公开的神经网络构建方法。
在本申请实施例中，存储介质通过执行神经网络构建方法和销量预测方法，能够利用该神经网络模型对历史销售数据进行空洞卷积处理，进而提取历史销售数据的趋势特征，进而可基于该趋势特征和商品当前的产品信息对商品的后续销量进行预测，与现有技术中基于人工经验训练得到的销量预测数据相比，本申请的神经网络能够提取历史销售数据的趋势特征，进而能够更好地捕捉商品的历史销售的趋势特征，从而了具有更优表征能力、泛化性能和对商品销量的预测准确性。
在本申请所公开的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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，本申请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，定位基站，或者网络设备等)执行本申请各个实施例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。
以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (11)

1.一种销量预测方法，其特征在于，所述方法包括：
获取目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
利用神经网络模型对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
根据所述趋势特征并利用所述神经网络模型训练所述当前产品信息并得到所述目标商品的销量预测数据。
2.如权利要求1所述的销量预测方法，其特征在于，在所述利用神经网络模型对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征之后，所述根据所述趋势特征并利用所述神经网络模型训练所述当前产品信息并得到所述目标商品的销量预测数据之前，所述方法还包括：
根据以下公式修正所述神经网络模型训练的损失函数：
Figure FDA0002532170610000011
其中，a为(0,1)的权重系数，n为训练样数量，yi为第i训练样本的目标变量，yi-t为第i个样本在时间序列上一个时间点的目标变量，f为神经网络拟合函数，f(xi)为所述神经网络模型的预测结果。
3.如权利要求1-2任一项所述的销量预测方法，其特征在于，所述历史销售数据至少包括所述目标商品的历史销量信息、历史价格信息。
4.如权利要求1-2任一项所述的销量预测方法，其特征在于，所述当前产品信息至少包括所述目标商品的产品特征信息，所述产品特征信息至少包括品牌信息、类型信息中的一项。
5.一种应用于如权利要求1-4任一项所述的销量预测方法的神经网络构建方法，其特征在于，包括：
构建输入层，所述输入层用于获取所述目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
构建卷积层，所述卷积层用于对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
构建全连接层和隐藏层，所述全连接层和所述隐藏层用于根据所述趋势特征训练所述当前产品信息并得到训练结果；
构建输出层，所述输出层用于根据所述训练结果输出所述目标商品的销量预测数据。
6.如权利要求5所述的神经网络构建方法，其特征在于，所述卷积层的卷积核的数量为3，所述卷积层的扩展率为2。
7.如权利要求5所述的神经网络构建方法，其特征在于，所述隐藏层的数量为2。
8.一种销量预测装置，其特征在于，所述装置应用于销量预测设备中，所述装置包括：
获取模块，用于获取目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
提取模块，用于利用神经网络模型对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
训练模块，用于根据所述趋势特征并利用所述神经网络模型训练所述当前产品信息并得到所述目标商品的销量预测数据。
9.一种神经网络构建装置，其特征在于，所述装置应用于销量预测设备，所述装置包括；
第一构建模块，用于构建输入层，所述输入层用于获取所述目标商品的至少一个时间窗口内的历史销售数据和所述目标商品的当前产品信息；
第二构建模块，用于构建卷积层，所述卷积层用于对所述历史销售数据进行空洞卷积处理并提取所述历史销售数据的趋势特征，所述趋势特征表征所述目标商品的商品信息对所述目标商品的历史销量的影响程度；
第二构建模块，用于构建全连接层和隐藏层，所述全连接层和所述隐藏层用于根据所述趋势特征训练所述当前产品信息并得到训练结果；
第四构建模块，用于构建输出层，所述输出层用于根据所述训练结果输出所述目标商品的销量预测数据。
10.一种销量预测设备，其特征在于，所述设备包括：
处理器；以及
存储器，配置用于存储机器可读指令，所述指令在由所述处理器执行时执行如权利要求1-4任一项所述的销量预测方法和如权利要求5-7任一项所述的神经网络构建方法。
11.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如权利要求1-4任一项所述的销量预测方法和如权利要求5-7任一项所述的神经网络构建方法。
CN202010521317.5A 2020-06-10 2020-06-10 销量预测及神经网络构建的方法、装置、设备、存储介质 Pending CN111652654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010521317.5A CN111652654A (zh) 2020-06-10 2020-06-10 销量预测及神经网络构建的方法、装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010521317.5A CN111652654A (zh) 2020-06-10 2020-06-10 销量预测及神经网络构建的方法、装置、设备、存储介质

Publications (1)

Publication Number Publication Date
CN111652654A true CN111652654A (zh) 2020-09-11

Family

ID=72344114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010521317.5A Pending CN111652654A (zh) 2020-06-10 2020-06-10 销量预测及神经网络构建的方法、装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN111652654A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112465567A (zh) * 2020-12-14 2021-03-09 武汉纺织大学 一种服装风格流行预测的系统及方法
CN113256223A (zh) * 2021-06-18 2021-08-13 深圳远荣智能制造股份有限公司 一种货物存储方法、存储装置、终端设备及存储介质
CN113379125A (zh) * 2021-06-11 2021-09-10 武汉大学 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法
CN113743440A (zh) * 2021-01-13 2021-12-03 北京沃东天骏信息技术有限公司 一种信息处理方法及装置、存储介质
CN114581159A (zh) * 2022-05-04 2022-06-03 爱迪森(北京)生物科技有限公司 基于大数据分析的仓储预测方法、系统和可读存储介质
CN116385723A (zh) * 2023-04-11 2023-07-04 特斯联科技集团有限公司 基于室内定位的智能零售系统和方法
CN116579722A (zh) * 2023-07-14 2023-08-11 四川集鲜数智供应链科技有限公司 一种基于深度学习的商品分销出入库管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296692A (zh) * 2016-08-11 2017-01-04 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108764974A (zh) * 2018-05-11 2018-11-06 国网电子商务有限公司 一种基于深度学习的商品采购量预测方法及装置
CN109214601A (zh) * 2018-10-31 2019-01-15 四川长虹电器股份有限公司 家电行业大数据销量预测方法
CN111160968A (zh) * 2019-12-27 2020-05-15 清华大学 Sku级别商品销量预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296692A (zh) * 2016-08-11 2017-01-04 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108764974A (zh) * 2018-05-11 2018-11-06 国网电子商务有限公司 一种基于深度学习的商品采购量预测方法及装置
CN109214601A (zh) * 2018-10-31 2019-01-15 四川长虹电器股份有限公司 家电行业大数据销量预测方法
CN111160968A (zh) * 2019-12-27 2020-05-15 清华大学 Sku级别商品销量预测方法及装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112465567A (zh) * 2020-12-14 2021-03-09 武汉纺织大学 一种服装风格流行预测的系统及方法
CN113743440A (zh) * 2021-01-13 2021-12-03 北京沃东天骏信息技术有限公司 一种信息处理方法及装置、存储介质
CN113379125A (zh) * 2021-06-11 2021-09-10 武汉大学 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法
CN113379125B (zh) * 2021-06-11 2022-05-13 武汉大学 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法
CN113256223A (zh) * 2021-06-18 2021-08-13 深圳远荣智能制造股份有限公司 一种货物存储方法、存储装置、终端设备及存储介质
CN114581159A (zh) * 2022-05-04 2022-06-03 爱迪森(北京)生物科技有限公司 基于大数据分析的仓储预测方法、系统和可读存储介质
CN114581159B (zh) * 2022-05-04 2022-08-12 爱迪森(北京)生物科技有限公司 基于大数据分析的仓储预测方法、系统和可读存储介质
CN116385723A (zh) * 2023-04-11 2023-07-04 特斯联科技集团有限公司 基于室内定位的智能零售系统和方法
CN116385723B (zh) * 2023-04-11 2023-09-15 特斯联科技集团有限公司 基于室内定位的智能零售系统和方法
CN116579722A (zh) * 2023-07-14 2023-08-11 四川集鲜数智供应链科技有限公司 一种基于深度学习的商品分销出入库管理方法
CN116579722B (zh) * 2023-07-14 2023-09-19 四川集鲜数智供应链科技有限公司 一种基于深度学习的商品分销出入库管理方法

Similar Documents

Publication Publication Date Title
CN111652654A (zh) 销量预测及神经网络构建的方法、装置、设备、存储介质
CN107590675B (zh) 一种基于大数据的用户购物行为识别方法、储存设备及移动终端
CN109784979B (zh) 一种大数据驱动的供应链需求预测方法
US11222347B2 (en) Machine learning for marketing of branded consumer products
CN111652657A (zh) 商品销量预测方法、装置、电子设备及可读存储介质
CN110189164B (zh) 基于信息熵度量和特征随机采样的商品—门店推荐方案
CN110782266A (zh) 商品销量预测及模型训练方法、装置以及设备
CN110704730A (zh) 基于大数据的产品数据推送方法、系统及计算机设备
CN111652653A (zh) 价格确定及预测模型构建的方法、装置、设备及存储介质
KR20140056731A (ko) 구매추천 시스템 및 방법
CN107239993A (zh) 一种基于拓展标签的矩阵分解推荐方法及系统
CN112291374B (zh) 一种物联网设备特征获取方法及装置
CN104718547A (zh) 顾客数据解析系统
CN109740624B (zh) 一种基于大数据的物流供应链需求预测方法
WO2017037881A1 (ja) オンライン予測システムおよび方法
Kirichenko et al. Comparative analysis of conversion series forecasting in e-commerce tasks
CN108665156B (zh) 区块链下基于马尔科夫链的供应链选择评价方法
CN112579876A (zh) 基于用户兴趣的信息推送方法、装置、系统及存储介质
CN104915440A (zh) 一种商品排重方法和系统
CN109615153B (zh) 商家风险评估方法、装置、设备及存储介质
CN110503186A (zh) 商品排序神经网络模型训练方法、装置、电子设备
CN111861605A (zh) 业务对象推荐方法
US20160292706A1 (en) Systems and methods for offer selection and reward distribution learning
Rana et al. A Seasonal and Multilevel Association Based Approach for Market Basket Analysis in Retail Supermarket
CN110674178A (zh) 构建用户画像标签的方法及其系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200911