CN112734494A - 一种销量预测方法、装置、终端设备及可读存储介质 - Google Patents
一种销量预测方法、装置、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN112734494A CN112734494A CN202110064495.4A CN202110064495A CN112734494A CN 112734494 A CN112734494 A CN 112734494A CN 202110064495 A CN202110064495 A CN 202110064495A CN 112734494 A CN112734494 A CN 112734494A
- Authority
- CN
- China
- Prior art keywords
- data
- sales
- sales data
- historical sales
- prediction
- 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
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
本申请适用于数据处理技术领域,提供了一种销量预测方法、装置、终端设备及可读存储介质,方法包括:获取历史销售数据,对历史销售数据进行处理,获得处理后的历史销售数据,获取与历史销售数据对应的外部因子,根据外部因子和处理后的历史销售数据建立销售预测模型,根据销售预测模型进行预测,获得预测销售数据。通过与销量具有关联的外部因子建立销售预测模型,不依赖于现有数据集,同时减小了其他因素对销售预测准确性的影响,提高了方法的可移植性和预测结果的精度。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种销量预测方法、装置、终端设备及可读存储介质。
背景技术
近年来,随着互联网技术的高速发展,互联网平台日益增多,销售者的需求变的更具有多样性,增加了销售行业的销售决策的挑战难度。
现有的销量预测方法主要包括定性预测方法和定量预测方法。其中,定性预测方法主要是根据管理人员的个人经验来进行销售决策,该方法具有较大的灵活性,但该方法可移植性差,具有很强的主观局限性,预测结果的精度不高。定量预测方法主要是通过已有的原始销售数据,通过数据拟合,预测下一周期的销量,该方法操作简单,但容易受到其他因素的影响,其预测结果的稳定性不高,无法准确预测销量即无法对生产参数进行调整,难以满足市场需求。
发明内容
本申请实施例提供了一种销量预测方法、装置、终端设备及可读存储介质,可以解决现有销量预测方法可移植性差、精度不高且稳定性差,无法准确预测销量的问题。
第一方面,本申请实施例提供了一种销量预测方法,包括:
获取历史销售数据;
对所述历史销售数据进行处理,获得处理后的历史销售数据;
获取与所述历史销售数据对应的外部因子;
根据所述外部因子和所述处理后的历史销售数据建立销售预测模型;
根据所述销售预测模型进行预测,获得预测销售数据。
在一个实施例中,根据所述外部因子和所述处理后的历史销售数据建立销售预测模型,包括:
根据所述处理后的历史销售数据建立第一预测模型;
计算所述外部因子与所述处理后的历史销售数据之间的相关系数;
识别确定相关系数满足预设条件的第一外部因子;
根据所述第一外部因子对所述第一预测模型进行优化,获得销售预测模型。
在一个实施例中,计算所述外部因子与所述处理后的历史销售数据之间的相关系数,包括:
计算所述外部因子与所述处理后的历史销售数据之间的皮尔逊系数。
在一个实施例中,识别确定相关系数满足预设条件的第一外部因子,包括:
在检测到任一外部因子与所述处理后的历史销售数据之间的皮尔逊系数满足预设范围时,判定所述外部因子为所述第一外部因子;
删除与所述处理后的历史销售数据之间的皮尔逊系数不满足预设范围的外部因子。
在一个实施例中,根据所述处理后的历史销售数据建立第一预测模型,包括:
根据所述处理后的历史销售数据确定训练数据集和测试数据集;
根据所述训练数据集建立预测模型;
根据所述预测模型进行预测,获得预测结果;
计算所述预测结果和所述测试数据的差异值;
在检测到所述差异值小于预设差异阈值时,判定所述预测模型为第一预测模型。
在一个实施例中,对所述历史销售数据进行处理,获得处理后的历史销售数据,包括:
识别所述历史销售数据中的无效数据,删除所述无效数据;
在检测所述历史销售数据中存在缺失数据时,根据所述历史销售数据计算获得补偿数据,并根据所述补偿数据对所述历史销售数据进行补偿。
第二方面,本申请实施例提供了一种销量预测装置,包括:
第一获取模块,用于获取历史销售数据;
数据处理模块,用于对所述历史销售数据进行处理,获得处理后的历史销售数据;
第二获取模块,用于获取与所述历史销售数据对应的外部因子;
模型建立模块,用于根据所述外部因子和所述处理后的历史销售数据建立销售预测模型;
预测模块,用于根据所述销售预测模型进行预测,获得预测销售数据。
在一个实施例中,模型建立模块,包括:
模型建立单元,用于根据所述处理后的历史销售数据建立第一预测模型;
计算单元,用于计算所述外部因子与所述处理后的历史销售数据之间的相关系数;
识别单元,用于识别确定相关系数满足预设条件的第一外部因子;
优化单元,用于根据所述第一外部因子对所述第一预测模型进行优化,获得销售预测模型。
在一个实施例中,计算单元,包括:
第一计算子单元,用于计算所述外部因子与所述处理后的历史销售数据之间的皮尔逊系数。
在一个实施例中,识别单元,包括:
第一判断子单元,用于在检测到任一外部因子与所述处理后的历史销售数据之间的皮尔逊系数满足预设范围时,判定所述外部因子为所述第一外部因子;
删除子单元,用于删除与所述处理后的历史销售数据之间的皮尔逊系数不满足预设范围的外部因子。
在一个实施例中,模型建立单元,包括:
确定子单元,用于根据所述处理后的历史销售数据确定训练数据集和测试数据集;
建立子单元,用于根据所述训练数据集建立预测模型;
预测子单元,用于根据所述预测模型进行预测,获得预测结果;
第二计算子单元,用于计算所述预测结果和所述测试数据的差异值;
第二判断子单元,用于在检测到所述差异值小于预设差异阈值时,判定所述预测模型为第一预测模型。
在一个实施例中,数据处理模块,包括:
识别单元,用于识别所述历史销售数据中的无效数据,删除所述无效数据;
补偿单元,用于在检测所述历史销售数据中存在缺失数据时,根据所述历史销售数据计算获得补偿数据,并根据所述补偿数据对所述历史销售数据进行补偿。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的销量预测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读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实现如上述第一方面中任一项所述的销量预测方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的销量预测方法。
通过与销量具有关联的外部因子建立销售预测模型,不依赖于现有数据集,同时减小了其他因素对销售预测准确性的影响,提高了方法的可移植性和预测结果的精度。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的销量预测方法的流程示意图;
图2是本申请实施例提供的销量预测方法步骤S104的流程示意图;
图3是本申请实施例提供的销量预测方法步骤S1043的流程示意图;
图4是本申请实施例提供的销量预测方法步骤S1041的流程示意图;
图5是本申请实施例提供的销量预测方法步骤S102的流程示意图;
图6是本申请实施例提供的销量预测装置的结构示意图;
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的销量预测方法可以应用于手机、平板电脑、笔记本电脑等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
图1示出了本申请提供的销量预测方法的示意性流程图,作为示例而非限定,该方法可以应用于上述笔记本电脑中。
S101、获取历史销售数据。
在具体应用中,获取预设时间段内的目标产品的历史销售数据;其中,目标产品包括一种以上类型的产品。预设时间段是指当前时刻之前的一个时间段,其可根据实际需求进行具体设定。历史销售数据是指在预设时间段内的目标产品的销量。例如,预设时间段为2010-2020年,对应的历史销售数据为2010-2020年内的目标产品的销量。
可以理解的是,一般情况下,目标产品的销售数据按月累计并存储。历史销售数据包括但不限于目标产品ID、目标产品名称、时间信息、月销量和销售地点。例如:产品ID:300514-产品A-2009年8月-月销量10000-B城。
S102、对所述历史销售数据进行处理,获得处理后的历史销售数据。
在具体应用中,确定历史销售数据中的异常数据并进行对应的处理,获得处理后的历史数据;其中,异常数据包括但不限于无效数据和缺失数据。无效数据是指不合逻辑的销售数据,如商品的销量为负数或小于1的正数。缺失数据是指在某一时间点缺失的销售数据。
S103、获取与所述历史销售数据对应的外部因子。
在具体应用中,获取所有可能与历史销售数据对应的、具有影响因素的外部因子。其中,外部因子包括但不限于市场需求潜量、市场占有率、产品售价、天气数据、位置信息数和产品折扣中的至少一种。
S104、根据所述外部因子和所述处理后的历史销售数据建立销售预测模型。
在具体应用中,计算确定每个外部因子和处理后的历史销售数据之间的相关系数,根据相关系数确定满足预设条件的第一外部因子,并根据满足预设条件的第一外部因子和处理后的历史销售数据建立销售预测模型。其中,第一外部因子是指通过检测确定的对销售数据具有影响的外部因子。预设条件可根据相关系数的类型进行具体设定。例如,设定相关系数为皮尔逊系数时,预设条件为筛选相关系数具有正相关性和负相关性的外部因子。
S105、根据所述销售预测模型进行预测,获得预测销售数据。
在具体应用中,根据销售预测模型进行预测,获得预测销售数据。并根据预测销售数据对目标产品的生产参数进行调整,以适应市场需求。
例如,在检测到预测销售数据远远大于历史销售数据时,可增加目标产品的生产量,适应市场对于目标产品的需求。
如图2所述,在一个实施例中,步骤S104,包括:
S1041、根据所述处理后的历史销售数据建立第一预测模型;
S1042、计算所述外部因子与所述处理后的历史销售数据之间的相关系数;
S1043、识别确定相关系数满足预设条件的第一外部因子;
S1044、根据所述第一外部因子对所述第一预测模型进行优化,获得销售预测模型。
在具体应用中,根据处理后的历史销售数据确定训练数据集和测试数据集,根据训练数据集和测试数据集建立基于历史销售数据的第一预测模型。计算每个外部因子和处理后的历史销售数据之间的相关系数,识别确定相关系数满足预设条件的第一外部因子,分别将每个第一外部因子对销售数据的影响(或称映射关系)一一纳入第一预测模型对其进行优化,获得销售预测模型。
其中,第一预测模型可以包括但不限于决策模型。例如:第一预测模型是指以时间作为一组向量,以销量作为一组向量,进行训练并测试获得的销量随时间变化曲线的模型,表示为y=at3+bt2+ct+f。根据第一外部因子对第一预测模型进行优化需将第一外部因子对销售数据的影响纳入决策模型中。例如:将销售价格作为第一外部因子,将销售价格的影响(或称映射关系)纳入决策模型中。第一预测模型标识为:y=at3+et2+ct+f,通过numpy.poly1d()方法即可得出a,e,c,f的参数值。假设,销售价格由400上涨至500,根据销量与销售价格映射关系为f(x)=kx+b,即销量变化为f(500)—f(400)=100k,可以得到销售价则增长100元时,销量对应变化100k,则对应时间段内的销量预测结果为:y=at3+et2+ct+f+f(x2)—f(x1)。
在一个实施例中,步骤S1042,包括:
计算所述外部因子与所述处理后的历史销售数据之间的皮尔逊系数。
在具体应用中,设定相关系数为皮尔逊系数,可通过皮尔逊系数计算公式(公式1)计算确定每个外部因子和处理后的历史销售数据之间的皮尔逊系数。其中,皮尔逊相关系数(Pearson correlation coefficient,PPMCC或PCCs)是用于度量两个变量X和Y之间的相关性(线性相关)的系数,其取值范围为[-1,1]。
其中,X表示外部因子,Y表示销售数据,Xi表示第i个外部因子,Yi表示与第i个外部因子对应的销售数据。
在检测到X和Y之间的皮尔逊系数为0时,表示X和Y两个变量之间无关系。
在检测到X的值增大(或减小),对应的Y值增大(或减小)时,则表示X和Y两个变量之间为正相关,此时X和Y两变量之间的皮尔逊系数为(0,1]。
在检测到X的值增大(或减小),对应的Y值减小(增大)时,则表示X和Y两个变量之间为负相关,此时X和Y两变量之间的皮尔逊系数为[-1,0)。
即X和Y两变量之间的皮尔逊系数的绝对值越大,X和Y两变量之间的相关性越强。X和Y两变量之间的皮尔逊系数越接近于0,X和Y两变量之间的皮尔逊系数相关度越弱。
如图3所示,在一个实施例中,步骤S1043,包括:
S10431、在检测到任一外部因子与所述处理后的历史销售数据之间的皮尔逊系数满足预设范围时,判定所述外部因子为所述第一外部因子;
S10432、删除与所述处理后的历史销售数据之间的皮尔逊系数不满足预设范围的外部因子。
在具体应用中,需要说明的是,皮尔逊系数描述的是两个变量之间的相关关系,因此需要逐个计算每个外部因子和处理后的历史销售数据之间的皮尔逊系数,并对皮尔系数进行检测,判定其是否在预设范围内;在检测到任一个外部因子与处理后的历史销售数据之间的皮尔逊系数满足预设范围时,判定该外部因子为第一外部因子;在检测到任一个外部因子与处理后的历史销售数据之间的皮尔逊系数不在预设范围内时,判定该外部因子对销售数据没有影响,删除该外部因子。
其中,预设范围可根据实际需求进行具体设定。可以理解的是,通过公式1计算得到的皮尔逊系数为0时,则证明外部因子X与销量Y之间没有相关关系,该外部因子X对销量Y影响因素可以不考虑。
基于皮尔逊系数的特征,可设定预设范围为绝对值接近于1的数据。例如,设定预设范围为(-1,-0.02],(0.02,1]。对应的,在检测到某外部因子与处理后的历史销售数据之间的皮尔逊系数为0.99时,判定该外部因子X与销量Y之间具有线性正相关性,即该外部因子为第一外部因子;在检测到某外部因子与处理后的历史销售数据之间的皮尔逊系数为-0.99时,判定该外部因子X与销量Y之间具有线性负相关性,即该外部因子为第一外部因子;在检测到某外部因子与与处理后的历史销售数据之间的皮尔逊系数为0.01时,判定该外部因子X与销量Y之间没有相关关系,即该外部因子对销售数据没有影响,删除该外部因子。
根据皮尔逊系数的可以确定外部银子与销售数之间的映射关系。例如,以销售价格为外部因子,假设计算确定销售价格与销售数据之间的皮尔逊系数为-0.9,则证明销量与价格有很强的线性负相关性,可以通过基于Python编程的numpy.polyfit()方法对销售价格X与销量Y进行拟合,拟合确定X与Y的线性关系。例如,销量与销售价格通过曲线y=kx3+mx2+n关系进行拟合,以销售价格(X)为第一输入参数,以销量(Y)为第二输入参数,以第三输入参数为多项式次数(deg),通过numpy.poly1d()方法可以确定多项式的系数k,m,n,即可以定量得到销量与销售价格之间的映射关系为f(x)=kx3+mx2+n。
如图4所示,在一个实施例中,步骤S1041,包括:
S10411、根据所述处理后的历史销售数据确定训练数据集和测试数据集;
S10412、根据所述训练数据集建立预测模型;
S10413、根据所述预测模型进行预测,获得预测结果;
S10414、计算所述预测结果和所述测试数据的差异值;
S10415、在检测到所述差异值小于预设差异阈值时,判定所述预测模型为第一预测模型。
在具体应用中,按照预设比例对处理后的历史销售数据进行划分,获得训练数据集和测试数据集,根据训练数据集建立预测模型(即销量随时间变化的曲线的模型),根据预测数据进行预测,获得预测数据,将预测数据与测试数据进行对比,计算预测结果和测试数据的差异值,若预测结果和测试数据的差异值小于预设差异阈值,则判定该预测模型得准确率较高,作为第一预测模型,便于进行进一步优化。若预测结果和测试数据的差异值大于或等于预设差异阈值,则判定该预测模型的准确率不高,继续对预测模型进行训练和测试,直至检测到预测结果和测试数据的差异值小于预设差异阈值。
例如,采取7:3比例划分训练数据集和测试训练集,例如,历史销售数据是2010-2020年的销售数据,对应将2010-2017年的销售数据划分为训练数据集,2018-2020年的销售数据划分为测试数据集。
其中,预设差异阈值可根据用户需求进行具体设定。例如,设定预测差异阈值为测试集数据中对应测试数据的3%。对应的,在检测到针对1028年的预测结果和2018年销售数据的差异值,占2018年销售数据的5%时,判定该预测模型的准确率不高,需继续对预测模型进行训练和测试。
如图5所示,在一个实施例中,步骤S102,包括:
S1021、识别所述历史销售数据中的无效数据,删除所述无效数据;
S1022、在检测所述历史销售数据中存在缺失数据时,根据所述历史销售数据计算获得补偿数据,并根据所述补偿数据对所述历史销售数据进行补偿。
在具体应用中,在检测到历史销售数据中任一时刻的销售数据为负数或者为大于0且小于1的正数时,判定该时间点的销售数据为无效数据并删除。在检测到任一时刻的销售数据为空时,判定该时刻的销售数据存在缺失数据,计算获得所有历史销售数据的平均值作为补偿数据,并对该时刻的销售数据进行补偿。
通过与销量具有关联的外部因子建立销售预测模型,不依赖于现有数据集,同时减小了其他因素对销售预测准确性的影响,提高了方法的可移植性和预测结果的精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的销量预测方法,图6示出了本申请实施例提供的销量预测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图6,该销量预测装置100包括:
第一获取模块101,用于获取历史销售数据;
数据处理模块102,用于对所述历史销售数据进行处理,获得处理后的历史销售数据;
第二获取模块103,用于获取与所述历史销售数据对应的外部因子;
模型建立模块104,用于根据所述外部因子和所述处理后的历史销售数据建立销售预测模型;
预测模块105,用于根据所述销售预测模型进行预测,获得预测销售数据。
在一个实施例中,模型建立模块104,包括:
模型建立单元1041,用于根据所述处理后的历史销售数据建立第一预测模型;
计算单元1042,用于计算所述外部因子与所述处理后的历史销售数据之间的相关系数;
识别单元1043,用于识别确定相关系数满足预设条件的第一外部因子;
优化单元1044,用于根据所述第一外部因子对所述第一预测模型进行优化,获得销售预测模型。
在一个实施例中,计算单元1042,包括:
第一计算子单元,用于计算所述外部因子与所述处理后的历史销售数据之间的皮尔逊系数。
在一个实施例中,识别单元1043,包括:
第一判断子单元,用于在检测到任一外部因子与所述处理后的历史销售数据之间的皮尔逊系数满足预设范围时,判定所述外部因子为所述第一外部因子;
删除子单元,用于删除与所述处理后的历史销售数据之间的皮尔逊系数不满足预设范围的外部因子。
在一个实施例中,模型建立单元1041,包括:
确定子单元,用于根据所述处理后的历史销售数据确定训练数据集和测试数据集;
建立子单元,用于根据所述训练数据集建立预测模型;
预测子单元,用于根据所述预测模型进行预测,获得预测结果;
第二计算子单元,用于计算所述预测结果和所述测试数据的差异值;
第二判断子单元,用于在检测到所述差异值小于预设差异阈值时,判定所述预测模型为第一预测模型。
在一个实施例中,数据处理模块102,包括:
识别单元,用于识别所述历史销售数据中的无效数据,删除所述无效数据;
补偿单元,用于在检测所述历史销售数据中存在缺失数据时,根据所述历史销售数据计算获得补偿数据,并根据所述补偿数据对所述历史销售数据进行补偿。
通过与销量具有关联的外部因子建立销售预测模型,不依赖于现有数据集,同时减小了其他因素对销售预测准确性的影响,提高了方法的可移植性和预测结果的精度。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图7为本申请一实施例提供的终端设备的结构示意图。如图7所示,该实施例的终端设备7包括:至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72,所述处理器70执行所述计算机程序72时实现上述任意各个销量预测方法实施例中的步骤。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的举例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读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实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种销量预测方法,其特征在于,包括:
获取历史销售数据;
对所述历史销售数据进行处理,获得处理后的历史销售数据;
获取与所述历史销售数据对应的外部因子;
根据所述外部因子和所述处理后的历史销售数据建立销售预测模型;
根据所述销售预测模型进行预测,获得预测销售数据。
2.如权利要求1所述的销量预测方法,其特征在于,根据所述外部因子和所述处理后的历史销售数据建立销售预测模型,包括:
根据所述处理后的历史销售数据建立第一预测模型;
计算所述外部因子与所述处理后的历史销售数据之间的相关系数;
识别确定相关系数满足预设条件的第一外部因子;
根据所述第一外部因子对所述第一预测模型进行优化,获得销售预测模型。
3.如权利要求2所述的销量预测方法,其特征在于,计算所述外部因子与所述处理后的历史销售数据之间的相关系数,包括:
计算所述外部因子与所述处理后的历史销售数据之间的皮尔逊系数。
4.如权利要求3所述的销量预测方法,其特征在于,识别确定相关系数满足预设条件的第一外部因子,包括:
在检测到任一外部因子与所述处理后的历史销售数据之间的皮尔逊系数满足预设范围时,判定所述外部因子为所述第一外部因子;
删除与所述处理后的历史销售数据之间的皮尔逊系数不满足预设范围的外部因子。
5.如权利要求3所述的销量预测方法,其特征在于,根据所述处理后的历史销售数据建立第一预测模型,包括:
根据所述处理后的历史销售数据确定训练数据集和测试数据集;
根据所述训练数据集建立预测模型;
根据所述预测模型进行预测,获得预测结果;
计算所述预测结果和所述测试数据的差异值;
在检测到所述差异值小于预设差异阈值时,判定所述预测模型为第一预测模型。
6.如权利要求1至5任一项所述的销量预测方法,其特征在于,对所述历史销售数据进行处理,获得处理后的历史销售数据,包括:
识别所述历史销售数据中的无效数据,删除所述无效数据;
在检测所述历史销售数据中存在缺失数据时,根据所述历史销售数据计算获得补偿数据,并根据所述补偿数据对所述历史销售数据进行补偿。
7.一种销量预测装置,其特征在于,包括:
第一获取模块,用于获取历史销售数据;
数据处理模块,用于对所述历史销售数据进行处理,获得处理后的历史销售数据;
第二获取模块,用于获取与所述历史销售数据对应的外部因子;
模型建立模块,用于根据所述外部因子和所述处理后的历史销售数据建立销售预测模型;
预测模块,用于根据所述销售预测模型进行预测,获得预测销售数据。
8.如权利要求7所述的销量预测装置,其特征在于,模型建立模块,包括:
模型建立单元,用于根据所述处理后的历史销售数据建立第一预测模型;
计算单元,用于计算所述外部因子与所述处理后的历史销售数据之间的相关系数;
识别单元,用于识别确定相关系数满足预设条件的第一外部因子;
优化单元,用于根据所述第一外部因子对所述第一预测模型进行优化,获得销售预测模型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064495.4A CN112734494A (zh) | 2021-01-18 | 2021-01-18 | 一种销量预测方法、装置、终端设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064495.4A CN112734494A (zh) | 2021-01-18 | 2021-01-18 | 一种销量预测方法、装置、终端设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734494A true CN112734494A (zh) | 2021-04-30 |
Family
ID=75592184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064495.4A Pending CN112734494A (zh) | 2021-01-18 | 2021-01-18 | 一种销量预测方法、装置、终端设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734494A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269445A (zh) * | 2021-05-28 | 2021-08-17 | 杉数科技(北京)有限公司 | 一种产品的排产方法及装置 |
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 |
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 |
WO2022271794A1 (en) * | 2021-06-25 | 2022-12-29 | Z2 Cool Comics Llc | Semi-autonomous advertising systems and methods |
CN115660733A (zh) * | 2022-11-04 | 2023-01-31 | 鹏展万国电子商务(深圳)有限公司 | 一种基于人工智能的销量预测系统及方法 |
CN115994788A (zh) * | 2023-03-20 | 2023-04-21 | 北京永辉科技有限公司 | 一种数据处理分析方法和装置 |
CN116976955A (zh) * | 2023-09-22 | 2023-10-31 | 广东赛博威信息科技有限公司 | 一种全域订单管理系统及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156875A (zh) * | 2015-04-10 | 2016-11-23 | 株式会社日立制作所 | 用于对预测对象进行预测的方法和装置 |
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 |
CN110135876A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 销量预测的方法及装置 |
CN112150201A (zh) * | 2020-09-23 | 2020-12-29 | 创络(上海)数据科技有限公司 | 基于knn的时序迁移学习在销量预测中的应用 |
-
2021
- 2021-01-18 CN CN202110064495.4A patent/CN112734494A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156875A (zh) * | 2015-04-10 | 2016-11-23 | 株式会社日立制作所 | 用于对预测对象进行预测的方法和装置 |
CN110135876A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 销量预测的方法及装置 |
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 |
CN112150201A (zh) * | 2020-09-23 | 2020-12-29 | 创络(上海)数据科技有限公司 | 基于knn的时序迁移学习在销量预测中的应用 |
Non-Patent Citations (1)
Title |
---|
李泽宇: ""基于相关性聚类和产品属性分类的产品需求预测研究"", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269445A (zh) * | 2021-05-28 | 2021-08-17 | 杉数科技(北京)有限公司 | 一种产品的排产方法及装置 |
CN113269445B (zh) * | 2021-05-28 | 2024-01-19 | 杉数科技(北京)有限公司 | 一种产品的排产方法及装置 |
WO2022271794A1 (en) * | 2021-06-25 | 2022-12-29 | Z2 Cool Comics Llc | Semi-autonomous advertising systems and methods |
US20220414706A1 (en) * | 2021-06-25 | 2022-12-29 | Z2 Cool Comics Llc | Semi-Autonomous Advertising Systems and Methods |
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 |
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 |
CN115660733A (zh) * | 2022-11-04 | 2023-01-31 | 鹏展万国电子商务(深圳)有限公司 | 一种基于人工智能的销量预测系统及方法 |
CN115994788A (zh) * | 2023-03-20 | 2023-04-21 | 北京永辉科技有限公司 | 一种数据处理分析方法和装置 |
CN116976955A (zh) * | 2023-09-22 | 2023-10-31 | 广东赛博威信息科技有限公司 | 一种全域订单管理系统及其方法 |
CN116976955B (zh) * | 2023-09-22 | 2023-12-26 | 广东赛博威信息科技有限公司 | 一种全域订单管理系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734494A (zh) | 一种销量预测方法、装置、终端设备及可读存储介质 | |
CN113570396A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
CN108768743B (zh) | 一种用户识别方法、装置及服务器 | |
CN110766184A (zh) | 订单量预测方法和装置 | |
CN108805332B (zh) | 一种特征评估方法和装置 | |
CN114202256A (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN111768246B (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
CN111160614B (zh) | 资源转移预测模型的训练方法、装置及计算设备 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN116774986A (zh) | 软件开发工作量自动评估方法、装置、存储介质及处理器 | |
CN116128135A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN113190429B (zh) | 服务器性能预测方法、装置及终端设备 | |
CN111767938B (zh) | 一种异常数据检测方法、装置及电子设备 | |
CN112966971B (zh) | 一种项目工作量评估方法和装置 | |
CN114663239A (zh) | 一种异常交易预警方法及装置 | |
CN113902230A (zh) | 电量偏差控制方法、系统、存储介质和电子设备 | |
CN115452101A (zh) | 一种仪表检定方法、装置、设备及介质 | |
CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及系统 | |
JP2008305229A (ja) | 需要予測方法および装置 | |
CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
CN112434717A (zh) | 一种模型训练方法及装置 | |
CN113705594B (zh) | 一种识别图像的方法和装置 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN111835830B (zh) | 一种数据感知系统、方法及装置 | |
CN114969546A (zh) | 对象分类方法、网络模型的训练方法及装置 |
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 |