CN111652655A - 商品销量预测方法、装置、电子设备及可读存储介质 - Google Patents
商品销量预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111652655A CN111652655A CN202010521501.XA CN202010521501A CN111652655A CN 111652655 A CN111652655 A CN 111652655A CN 202010521501 A CN202010521501 A CN 202010521501A CN 111652655 A CN111652655 A CN 111652655A
- Authority
- CN
- China
- Prior art keywords
- prediction
- sales
- target
- time period
- target commodity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003068 static effect Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 24
- 230000002354 daily effect Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000013461 design Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种商品销量预测方法、装置、电子设备及可读存储介质，包括：获取目标商品在预设时间段内的总销量；根据销量区间与预测模型的对应关系以及总销量落在的目标销量区间，选定与目标销量区间对应的目标预测模型；将目标商品的历史时间段内每天的历史销量、目标商品在最近一次预测时间段的预测误差以及目标商品的静态信息输入到训练完成的目标预测模型，得到未来一次预设时间段的目标商品的预测销量。由于本申请实施例利用了与目标销量区间对应的目标预测模型，相比现有技术，选择了更加合适的模型，从而改善了商品销量预测不够准确的问题。
Description
技术领域
本申请涉及互联网领域，具体而言，涉及一种商品销量预测方法、装置、电子设备及可读存储介质。
背景技术
现有的商品销量预测大多是基于业务经验的预测，或利用单个算法模型进行预测，缺乏选择合适的模型的过程，使得商品销量的预测结果往往不够准确。
发明内容
本申请实施例的目的在于提供一种商品销量预测方法、装置、电子设备及可读存储介质，用以改善现有技术预测商品销量不够准确的问题。
第一方面，本申请实施例提供了一种商品销量预测方法，所述方法包括：获取目标商品在预设时间段内的总销量；根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型；将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量，其中，所述目标商品的静态信息为反映所述目标商品身份标识的信息，所述未来一次预设时间段的时间长度与最近一次预设时间段的时间长度相同。
在上述的实施方式中，可以根据目标商品的总销量落在的目标销量区间选择目标预测模型，然后利用训练完成的目标预测模型根据输入量来预测输出量。由于本申请实施例利用了与目标销量区间对应的目标预测模型，相比现有技术，选择了更加合适的模型，从而改善了商品销量预测不够准确的问题。
在一个可能的设计中，在所述将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量之前，所述方法还包括：将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述目标预测模型进行训练，得到训练完成的所述目标预测模型。
在上述的实施方式中，可以利用最近一次预测时间段的上一次预测时间段的历史预测误差、历史销量以及目标商品的静态信息作为输入量，以最近一次预测时间段的实际销量作为输出量，进行目标预测模型的训练，从而可以得到训练完成的目标预测模型。
在一个可能的设计中，在所述根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型之前，所述方法还包括：将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述多个预测模型中的每个预测模型进行训练，得到多个初训练的预测模型；利用测试样本对所述多个初训练的预测模型进行测试，得到预测所述目标商品误差最小的最小误差预测模型；建立所述最小误差预测模型与所述目标商品在预设时间段内的总销量落在的销量区间之间的对应关系。
在上述的实施方式中，可以利用最近一次预测时间段的上一次预测时间段的历史预测误差、历史销量以及目标商品的静态信息作为输入量，以最近一次预测时间段的实际销量作为输出量，对多个预测模型均进行训练，然后从训练得到的多个初训练的预测模型中得到目标商品误差最小的预测模型，从而将该模型与目标商品预设时间段内的总销量之间对应起来。获得销量区间与模型的相互对应关系，以便于后续可以高效准确的选择合适的模型。
在一个可能的设计中，所述与所述目标销量区间对应的目标预测模型包括多个目标预测模型；所述将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量，包括：将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的多个所述目标预测模型，对应得到未来一次预设时间段的所述目标商品的多个初步预测销量；取所述多个初步预测销量的均值，所述均值为所述目标商品的预测销量。
在上述的实施方式中，可以将输入量输入给多个目标预测模型，从而得到多个初步预测销量的结果，然后再去多个初步预测销量的均值，将均值作为目标商品的预测销量。与某一目标销量区间对应的目标预测模型可以是多个，然后得到多个预测结果再取均值，可以实现多模型的综合运用，进一步提高预测的准确性。
在一个可能的设计中，所述多个预测模型包括ARIMA模型、PROPHET模型、X Gboost模型、DNN模型或MA模型。
第二方面，本申请实施例提供了一种商品销量预测装置，用于利用多个预测模型对多种商品进行销量预测，所述装置包括：总销量获取模块，用于获取目标商品在预设时间段内的总销量；模型选定模块，用于根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型；预测销量获得模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量，其中，所述目标商品的静态信息为反映所述目标商品身份标识的信息，所述未来一次预设时间段的时间长度与最近一次预设时间段的时间长度相同。
在一个可能的设计中，所述装置还包括：模型训练模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述目标预测模型进行训练，得到训练完成的所述目标预测模型。
在一个可能的设计中，所述装置还包括：初训练模型获得模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述多个预测模型中的每个预测模型进行训练，得到多个初训练的预测模型；最小误差模型获得模块，用于利用测试样本对所述多个初训练的预测模型进行测试，得到预测所述目标商品误差最小的最小误差预测模型；对应关系建立模块，用于建立所述最小误差预测模型与所述目标商品在预设时间段内的总销量落在的销量区间之间的对应关系。
在一个可能的设计中，所述预测销量获得模块，具体用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的多个所述目标预测模型，对应得到未来一次预设时间段的所述目标商品的多个初步预测销量；取所述多个初步预测销量的均值，所述均值为所述目标商品的预测销量。
第三方面，本申请提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面，本申请提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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为本申请实施例提供的商品销量预测方法的流程示意图；
图2为本申请实施例提供的商品销量预测方法的部分步骤的流程示意图；
图3为图1中步骤S130的具体步骤的流程示意图；
图4为本申请实施例提供的商品销量预测装置的示意性结构框图。
具体实施方式
对比实施例，现存的商品销量预测大多是基于业务经验的预测，或利用单个算法模型进行预测，缺乏选择合适的模型的过程，使得商品销量的预测结果往往不够准确。
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。
图1为本申请实施例提供的商品销量预测方法的一种流程示意图，本申请实施例提供的商品销量预测方法用于利用多个预测模型对多种商品进行销量预测，其中，多个预测模型可以包括ARIMA模型、PROPHET模型、X Gboost模型、DNN模型或MA模型，预测模型的具体类型不应该理解为是对本申请的限制。
该方法可以由电子设备执行，该电子设备可以是用户终端，也可以是服务器。图1示出的商品销量预测方法包括如下步骤S110至步骤S130：
步骤S110，获取目标商品在预设时间段内的总销量。
预设时间段可以是一个时间周期的时间段，例如最近一周或最近一个月的时间段，电子设备可以从数据库中获得目标商品在预设时间段内的总销量。
步骤S120，根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型。
销量区间指的是商品销售数量的一个数值范围，例如(a1,b1]，其中，a1和b1均可以是具体的数值。销量区间与预测模型的对应关系可以是一对一的对应关系，即一个销量区间对应一个预测模型，例如销量区间(a1,b1]对应预测模型A，销量区间(b1,c1]对应预测模型B，销量区间(c1,d1]对应预测模型C等。
销量区间与预测模型的对应关系也可以是一对多的对应关系，即一个销量区间对应多个预测模型，例如销量区间(a1,b1]对应预测模型A、B，销量区间(b1,c1]对应预测模型C、D、E，销量区间(c1,d1]对应预测模型F、G等。
总销量为一个具体的数值，其会落在多个销量区间中的某个销量区间内，该销量区间可被称为目标销量区间，然后可以根据销量区间与预测模型的对应关系选出目标预测模型。
步骤S130，将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量。
其中，历史时间段可以是一个时间长度较长的时间段，例如，可以是以年为单位的时间段，例如一年或两年等。所述目标商品的静态信息为反映所述目标商品身份标识的信息，例如目标商品的重量、品牌以及价格等信息。所述未来一次预设时间段的时间长度与最近一次预设时间段的时间长度相同，例如，均可以为一周。目标商品在最近一次预测时间段的预测误差可以由目标商品在最近一次预设时间段的销量预测值与销量实际值两者相减获得。
可选地，目标预测模型可以为一个，可以根据目标商品的总销量落在的目标销量区间选择目标预测模型，然后利用训练完成的目标预测模型根据输入量来预测输出量。由于本申请实施例利用了与目标销量区间对应的目标预测模型，相比现有技术，选择了更加合适的模型，从而改善了商品销量预测不够准确的问题。
可选地，请参见图3，在一种具体实施方式中，目标预测模型可以为多个，则步骤S130具体可以包括如下步骤S131至步骤S132：
步骤S131，将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的多个所述目标预测模型，对应得到未来一次预设时间段的所述目标商品的多个初步预测销量。
步骤S132，取所述多个初步预测销量的均值，所述均值为所述目标商品的预测销量。
可以将输入量输入给多个目标预测模型，从而得到多个初步预测销量的结果，然后再去多个初步预测销量的均值，将均值作为目标商品的预测销量。与某一目标销量区间对应的目标预测模型可以是多个，然后得到多个预测结果再取均值，可以实现多模型的综合运用，进一步提高预测的准确性。
可选地，在步骤S130之前，所述方法还可以包括：将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述目标预测模型进行训练，得到训练完成的所述目标预测模型。
为了便于描述，不妨设最近一次预测时间段为最近一周，则最近一次预设时间段的上一次预设时间段为最近一周的上一周。由于是对目标预测模型进行训练，因此可以计算出最近一周的上一周的历史预测误差，并获取到最近一周的实际销量，然后以目标商品历史时间段内每天的历史销量、目标商品最近一周的上一周的历史预测误差、目标商品的静态信息作为输入量，以目标商品的最近一周的实际销量作为输出量，对目标预测模型进行训练，得到训练完成的所述目标预测模型。
可选地，目标商品可以为多种品类商品中的任意一种，也可以是某一品类中的多个品牌商品中的任意一个，还可以是同一品牌商品不同销售商家的任意一家商家销售的商品。在进行目标预测模型的训练时，可以利用多台服务器按照商品的品类、品牌或商家分类，进行同时训练。例如，若一个服务器训练同一品牌商品的100家商家的商品销售情况可能无法快速完成训练，则可以由十台服务器对100家商家的商品进行划分，每台服务器训练10家商家，从而大大缩减训练速度，提高效率。
请参见图2，在一种具体实施方式中，在步骤S120之前，该方法还可以包括如下步骤S210至步骤S230：
步骤S210，将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述多个预测模型中的每个预测模型进行训练，得到多个初训练的预测模型。
步骤S220，利用测试样本对所述多个初训练的预测模型进行测试，得到预测所述目标商品误差最小的最小误差预测模型。
步骤S230，建立所述最小误差预测模型与所述目标商品在预设时间段内的总销量落在的销量区间之间的对应关系。
在得到多个初训练的预测模型后，可以利用测试样本对每个初训练的预测模型进行测试，计算每个初训练模型预测得到的目标商品的预测值与目标商品的实际值的误差。销量区间与预测模型之间的对应关系可以为一对一的对应关系，则可以获取误差最小的初训练的预测模型，然后建立该模型与销量区间的对应关系。
可选地，销量区间与预测模型之间的对应关系也可以为一对多的对应关系，则可以获取误差在误差阈值范围内的多个预测模型，然后建立这多个预测模型与销量区间的对应关系。
可以利用最近一次预测时间段的上一次预测时间段的历史预测误差、历史销量以及目标商品的静态信息作为输入量，以最近一次预测时间段的实际销量作为输出量，对多个预测模型均进行训练，然后从训练得到的多个初训练的预测模型中得到目标商品误差最小的预测模型；将该模型与目标商品预设时间段内的总销量之间对应起来。获得销量区间与模型的相互对应关系，以便于后续可以高效准确的选择合适的模型。
请参见图4，图4示出了本申请实施例提供的商品销量预测装置，所述装置400包括：
总销量获取模块410，用于获取目标商品在预设时间段内的总销量。
模型选定模块420，用于根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型。
预测销量获得模块430，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量，其中，所述目标商品的静态信息为反映所述目标商品身份标识的信息，所述未来一次预设时间段的时间长度与最近一次预设时间段的时间长度相同。
预测销量获得模块430，具体用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的多个所述目标预测模型，对应得到未来一次预设时间段的所述目标商品的多个初步预测销量；取所述多个初步预测销量的均值，所述均值为所述目标商品的预测销量。
所述装置还包括：
模型训练模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述目标预测模型进行训练，得到训练完成的所述目标预测模型。
初训练模型获得模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述多个预测模型中的每个预测模型进行训练，得到多个初训练的预测模型。
最小误差模型获得模块，用于利用测试样本对所述多个初训练的预测模型进行测试，得到预测所述目标商品误差最小的最小误差预测模型。
对应关系建立模块，用于建立所述最小误差预测模型与所述目标商品在预设时间段内的总销量落在的销量区间之间的对应关系。
图4示出的商品销量预测装置与图1示出的商品销量预测方法对应相同，在此便不做赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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单元来实现本实施例方案的目的。
再者，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。
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。
以上所述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。
Claims (10)
1.一种商品销量预测方法，其特征在于，用于利用多个预测模型对多种商品进行销量预测，所述方法包括：
获取目标商品在预设时间段内的总销量；
根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型；
将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量，其中，所述目标商品的静态信息为反映所述目标商品身份标识的信息，所述未来一次预设时间段的时间长度与最近一次预设时间段的时间长度相同。
2.根据权利要求1所述的方法，其特征在于，在所述将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量之前，所述方法还包括：
将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述目标预测模型进行训练，得到训练完成的所述目标预测模型。
3.根据权利要求1所述的方法，其特征在于，在所述根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型之前，所述方法还包括：
将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述多个预测模型中的每个预测模型进行训练，得到多个初训练的预测模型；
利用测试样本对所述多个初训练的预测模型进行测试，得到预测所述目标商品误差最小的最小误差预测模型；
建立所述最小误差预测模型与所述目标商品在预设时间段内的总销量落在的销量区间之间的对应关系。
4.根据权利要求1所述的方法，其特征在于，所述与所述目标销量区间对应的目标预测模型包括多个目标预测模型；
所述将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量，包括：
将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的多个所述目标预测模型，对应得到未来一次预设时间段的所述目标商品的多个初步预测销量；
取所述多个初步预测销量的均值，所述均值为所述目标商品的预测销量。
5.根据权利要求1所述的方法，其特征在于，所述多个预测模型包括ARIMA模型、PROPHET模型、X Gboost模型、DNN模型或MA模型。
6.一种商品销量预测装置，其特征在于，用于利用多个预测模型对多种商品进行销量预测，所述装置包括：
总销量获取模块，用于获取目标商品在预设时间段内的总销量；
模型选定模块，用于根据销量区间与预测模型的对应关系以及所述总销量落在的目标销量区间，选定与所述目标销量区间对应的目标预测模型；
预测销量获得模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品在最近一次预测时间段的预测误差以及所述目标商品的静态信息输入到训练完成的所述目标预测模型，得到未来一次预设时间段的所述目标商品的预测销量，其中，所述目标商品的静态信息为反映所述目标商品身份标识的信息，所述未来一次预设时间段的时间长度与最近一次预设时间段的时间长度相同。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述目标预测模型进行训练，得到训练完成的所述目标预测模型。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
初训练模型获得模块，用于将所述目标商品的历史时间段内每天的历史销量、所述目标商品的最近一次预测时间段的上一次预测时间段的历史预测误差以及所述目标商品的静态信息作为输入量，将所述目标商品的最近一次预测时间段的实际销量作为输出量，对所述多个预测模型中的每个预测模型进行训练，得到多个初训练的预测模型；
最小误差模型获得模块，用于利用测试样本对所述多个初训练的预测模型进行测试，得到预测所述目标商品误差最小的最小误差预测模型；
对应关系建立模块，用于建立所述最小误差预测模型与所述目标商品在预设时间段内的总销量落在的销量区间之间的对应关系。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-5任一项所述的方法。
10.一种可读存储介质，其特征在于，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010521501.XA CN111652655A (zh) | 2020-06-10 | 2020-06-10 | 商品销量预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010521501.XA CN111652655A (zh) | 2020-06-10 | 2020-06-10 | 商品销量预测方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652655A true CN111652655A (zh) | 2020-09-11 |
Family
ID=72349108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010521501.XA Pending CN111652655A (zh) | 2020-06-10 | 2020-06-10 | 商品销量预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652655A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723989A (zh) * | 2021-08-10 | 2021-11-30 | 杉数科技(北京)有限公司 | 产品销量预测方法及相关设备 |
| CN114048927A (zh) * | 2022-01-11 | 2022-02-15 | 北京京东振世信息技术有限公司 | 需求量预测方法、装置、电子设备和存储介质 |
| 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 |
| CN114596120A (zh) * | 2022-03-15 | 2022-06-07 | 江苏衫数科技集团有限公司 | 一种商品销量预测方法、系统、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
| JPWO2017163278A1 (ja) * | 2016-03-25 | 2018-07-26 | 日本電気株式会社 | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム |
| CN108427698A (zh) * | 2017-08-29 | 2018-08-21 | 平安科技（深圳）有限公司 | 预测模型的更新装置、方法及计算机可读存储介质 |
| CN109447716A (zh) * | 2018-11-09 | 2019-03-08 | 四川长虹电器股份有限公司 | 基于循环神经网络的销量预测方法及服务器 |
| CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
| CN109903064A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
| CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
-
2020
- 2020-06-10 CN CN202010521501.XA patent/CN111652655A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2017163278A1 (ja) * | 2016-03-25 | 2018-07-26 | 日本電気株式会社 | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム |
| 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 |
| CN108427698A (zh) * | 2017-08-29 | 2018-08-21 | 平安科技（深圳）有限公司 | 预测模型的更新装置、方法及计算机可读存储介质 |
| CN109903064A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
| CN108256898A (zh) * | 2017-12-26 | 2018-07-06 | 深圳索信达数据技术股份有限公司 | 一种产品销量预测方法、系统及存储介质 |
| CN109447716A (zh) * | 2018-11-09 | 2019-03-08 | 四川长虹电器股份有限公司 | 基于循环神经网络的销量预测方法及服务器 |
| CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
| CN111008858A (zh) * | 2019-10-24 | 2020-04-14 | 清华大学 | 一种商品销量预测方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723989A (zh) * | 2021-08-10 | 2021-11-30 | 杉数科技(北京)有限公司 | 产品销量预测方法及相关设备 |
| 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 |
| CN114048927A (zh) * | 2022-01-11 | 2022-02-15 | 北京京东振世信息技术有限公司 | 需求量预测方法、装置、电子设备和存储介质 |
| CN114596120A (zh) * | 2022-03-15 | 2022-06-07 | 江苏衫数科技集团有限公司 | 一种商品销量预测方法、系统、设备及存储介质 |
| CN114596120B (zh) * | 2022-03-15 | 2024-01-05 | 江苏衫数科技集团有限公司 | 一种商品销量预测方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652655A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
| CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
| CN111401609A (zh) | 车流量时间序列的预测方法及预测装置 | |
| CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
| CN111737646B (zh) | 广告推广的效果评估数据处理方法、系统和存储介质 | |
| CN107517251B (zh) | 信息推送方法和装置 | |
| CN110555578A (zh) | 一种销量预测方法和装置 | |
| CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN111612357A (zh) | 一种为骑手匹配商家的方法、装置、存储介质和电子设备 | |
| CN114663015A (zh) | 补货方法和装置 | |
| CN112163154B (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN111435472A (zh) | 件量预测方法、装置、设备及存储介质 | |
| CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
| CN117132317A (zh) | 数据处理方法、装置、设备、介质及产品 | |
| CN110689177A (zh) | 订单准备时间的预测方法和装置，电子设备及存储介质 | |
| Demgne et al. | Modelling and numerical assessment of a maintenance strategy with stock through piecewise deterministic Markov processes and quasi Monte Carlo methods | |
| WO2021186706A1 (ja) | 修理支援システムおよび修理支援方法 | |
| CN112862570A (zh) | 商显产业链交易推荐方法、装置、设备、存储介质及系统 | |
| CN109191192B (zh) | 数据估算方法、装置和计算机可读存储介质 | |
| CN111598638A (zh) | 点击率确定方法、装置及设备 | |
| CN113095870B (zh) | 一种预测方法、装置、计算机设备以及存储介质 | |
| CN117171816B (zh) | 基于工业标识的数据验证方法及相关设备 | |
| JPH11213053A (ja) | 商品受注日の予測装置および予測方法ならびに該予測方法のプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| US20230325801A1 (en) | Data processing apparatus | |
| CN117455545A (zh) | 一种电商消费者流失概率的预测方法、系统和电子设备 |
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 |