CN114202369A - 一种销量预测方法及装置 - Google Patents

Abstract

本申请公开一种销量预测方法及装置，本申请通过获取待测商品的商品属性、运营属性和实时访客量，将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率，其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到，将所述实时访客量与所述销量转化率相乘得到预测销量。本申请方案通过将待测商品的商品属性、运营属性输入至销量预测模型，得到销量转化率，相比于现有技术，将销量转化率作为商品的属性特征，去除了现有技术预测过程中需加入历史访客量的不稳定性因素，提高了销量预测的准确性。

Description

一种销量预测方法及装置

技术领域

本申请涉及供应链领域，特别是一种销量预测方法及装置。

背景技术

随着互联网技术的发展，网络购物逐渐普及，商家为了保证有足够的商品库存满足消费者的需求，会通过提前预测商品在市场上的销量的方式进行原材料的采购和预调拨，同时可以通过该预测销量的方式进行库存预警及自动补货。

然而现在市场上的销量预测方式都是基于历史数据上消费者对于该商品的访客量以及实际销售的商品数量来进行预测的，其中访客量是一个不稳定因素，会对预测结果的准确性产生影响，如何提高销量预测的准确性是人们关注的问题。

发明内容

有鉴于此，本申请提供了一种销量预测方法及装置，用于提高销量预测的准确性。

为了实现上述目的，现提出的方案如下：

一种销量预测方法，包括：

获取待测商品的商品属性、运营属性和实时访客量；

将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率；

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到；

将所述实时访客量与所述销量转化率相乘得到预测销量。

可选的，所述销量预测模型包括：输入层、属性处理层和转化率确定层；

所述销量预测模型的训练过程，包括：

通过输入层，获取训练商品的商品属性和运营属性；

通过属性处理层，对所述训练商品的商品属性和运营属性进行处理得到属性特征；

通过转化率确定层，基于所述属性特征预测所述训练商品的销量转化率；

利用误差函数对预测的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值；

根据所述转化率误差值，更新销量预测模型的参数。

可选的，在所述销量预测模型的训练过程之前，还包括：

选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本。

可选的，所述选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本，包括：

选取同时满足所述销量大于第一设定值及所述访客量大于第二设定值，且所述销量与所述访客量的乘积大于第三设定值的训练商品的商品属性和运营属性作为训练样本。

可选的，还包括：

选取所述访客量大于第三设定值且所述销量为0的训练商品的商品属性和运营属性作为训练样本。

可选的所述将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率，包括：

将所述待测商品的商品属性和运营属性通过输入层输入销量预测模型；

利用销量预测模型的属性处理层处理所述待测商品的商品属性和运营属性得到属性特征；

利用销量预测模型的转化率确定层，基于所述属性特征预测所述待测商品的销量转化率。

可选的，在利用误差函数对确定的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值之后，还包括：

判断所述转化率误差值是否满足预设截止条件；

若是，则完成销量预测模型的训练；

若否，执行根据所述转化率误差值，更新销量预测模型的参数的步骤。

一种销量预测装置，包括：

信息获取模块，用于获取待测商品的商品属性、运营属性和实时访客量；

模型预测模块，用于将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率；

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到；

销量预测模块，用于将所述实时访客量与所述销量转化率相乘得到预测销量。

可选的，本方案的销量预测装置，还包括：

模型训练模块，用于训练得到的所述销量预测模型，其中，所述销量预测模型包括：输入层、属性处理层和转化率确定层；

所述销量预测模型的训练过程，包括：

通过输入层，获取训练商品的商品属性和运营属性；

通过属性处理层，对所述训练商品的商品属性和运营属性进行处理得到属性特征；

通过转化率确定层，基于所述属性特征预测所述训练商品的销量转化率；

利用误差函数对预测的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值；

根据所述转化率误差值，更新销量预测模型的参数。

可选的，还包括：

样本选取模块，用于在执行所述模型训练模块之前，选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本。

从上述的技术方案可以看出，本申请实施例提供的一种销量预测方法及装置，通过获取待测商品的商品属性、运营属性和实时访客量，将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率，其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到，将所述实时访客量与所述销量转化率相乘得到预测销量。本申请方案通过将待测商品的商品属性、运营属性输入至销量预测模型，得到销量转化率，相比于现有技术通过最近的历史销售量和历史访问量来预测下一次的销售量，由于历史访客量具有不稳定性，本方案将销量转化率作为商品的属性特征，利用销量转化率和实时访客量相乘即可得到下一次的销售量，去除了现有技术预测过程中需加入历史访客量的不稳定性因素，提高了销量预测的准确性。

附图说明

图1为本申请实施例提供的一种销量预测方法流程图；

图2为本申请实施例提供的一种更新销量预测模型的参数的方法流程图；

图3为本申请实施例提供的一种可选的销量预测模型的训练方法流程图；

图4为本申请实施例提供的一种销量预测装置结构示意图；

图5为本申请实施例提供的一种销量预测设备的硬件结构框图。

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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种销量预测方法流程图，该方法可以包括以下步骤：

步骤S100、获取待测商品的商品属性、运营属性和实时访客量。

具体的，待测商品可以是商家支持的各种待销售产品，示例如各种食品、化妆品、生活用品、奢侈品。本步骤获取的商品属性和运营属性可以根据需求进行设定，示例如商品属性可以是品牌、品类、颜色、供货单价，运营属性可以是销售价、销售月份、促销活动，实时访客量可以是访问该商品的实时人流量，通过获取各种商品的商品属性、运营属于用以预测对应商品的销售转化率再利用获取的实时访客量得到对应商品的预测销售量。

步骤S110、将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率。

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到。

具体的，本申请可以通过服务器来完成各个步骤，目标检测模型可以进行预先的训练，并将其配置在服务器中，或者服务器所能访问到的其他终端。在此基础上，获取到待测商品的商品属性和运营属性之后，调用销量预测模型，对输入的待测商品的商品属性和运营属性进行处理，得到待测商品的UVQ(User Visit Quantity销量转化率)。本步骤得到的销量转化率可以是一种设定的产品属性特征，销量转化率可以定义为待销售产品的销量和实时访客量之间的比值，用以表示通过待销售产品的商品属性和运营属性确定销量和实时访客量之间的关系。

步骤S120、将所述实时访客量与所述销量转化率相乘得到预测销量。

具体的，本申请可以将待测商品的实时访客量乘以该待测商品的属性特征UVQ(User Visit Quantity销量转化率)得到预测销量。

从上述的技术方案可以看出，本申请实施例提供的一种销量预测方法，可以通过将待测商品的商品属性、运营属性输入至销量预测模型，得到销量转化率，相比于现有技术，将销量转化率作为商品的属性特征，去除了现有技术在预测过程中需加入访客量的不稳定性因素，提高了销量预测的准确性，进一步的，本方案得到的销量转化率还可以应用到商家的采购端，根据销量转化率的大小可以选择性的采购销量转化率较大的产品，或者不再采购销量转化率低的产品，以保证大部分消费者的需求。

在本申请的一些实施例中，上述步骤S110、将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率的过程中，使用的销量预测模型架构可以包括：输入层、属性处理层和转化率确定层。其中，转化率确定层可以输出待测商品的销量转化率。

结合上述实施例中的销量预测模型的架构，结合图2所示，对本申请实施例提供的一种可选的销量预测模型的训练过程进行说明，训练过程可以包括：

步骤S200、通过输入层，获取训练商品的商品属性和运营属性。

具体的，在输入层获取训练商品的商品属性和运营属性后，可以对训练商品的商品属性和运营属性进行向量化表示，并向属性处理层输出向量化后的训练商品的商品属性和运营属性。训练商品的商品属性可以包含各种商品相关的属性信息，运营属性可以包括各种运营相关的属性信息。

步骤S210、通过属性处理层，对所述训练商品的商品属性和运营属性进行处理得到属性特征。

具体的，属性处理层可以处理训练商品的商品属性和运营属性得到训练商品的属性特征，以便后续对训练商品的销量转化率的预测。

步骤S220、通过转化率确定层，基于所述属性特征预测所述训练商品的销量转化率。

具体的，转化率确定层在获取属性处理层提取的属性特征之后，可以针对属性特征预测训练商品的销量转化率。

步骤S230、利用误差函数对预测的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值。

具体的，计算训练商品的转化率误差值，可以计算确定训练商品的销量转化率和训练商品的销量转化率标签的差值，再将得到的差值带入误差函数，计算得到训练商品的转化率误差值。

步骤S240、根据所述转化率误差值，更新销量预测模型的参数。

进一步的，上述步骤在得到训练商品的转化率误差值之后，还可以预先设定阈值，判断转化率误差值是否小于阈值，若是，则完成销量预测模型的训练；若否，则根据转化率误差值，更新销量预测模型的参数。由于误差值越大，则表示预测的训练商品的销量转化率和销量转化率标签的差值越大，也就可以说明模型得到的预测结果与训练标签相差越大，所以设定一个较小的阈值，可以保证得到的销量预测模型的预测结果的准确性。

结合上述实施例中的目标检测模型的架构，在本申请的一些实施例中，下面对上述步骤S110、将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率的过程进行介绍，如图3所示，该过程可以包括如下步骤：

步骤S111、将所述待测商品的商品属性和运营属性通过输入层输入销量预测模型；

具体的，步骤S111与前述实施例中步骤S200对应，详细参照前述介绍，此处不再赘述。

步骤S112、利用销量预测模型的属性处理层处理所述待测商品的商品属性和运营属性得到属性特征；

具体的，属性处理层可以处理待测商品的商品属性和运营属性的属性特征，以便后续对待测商品的销量转化率的预测。

步骤S113、利用销量预测模型的转化率确定层，基于所述属性特征预测所述待测商品的销量转化率。

具体的，转化率确定层在获取待测商品的属性特征之后，可以针对属性特征对待测商品的销量转化率进行预测。

在本申请的一些实施例中，为了控制样本质量，在销量预测模型的训练过程之前，还可以增加对样本的筛选步骤，具体步骤如下：

选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本。

具体的，为了评估销量和访客量对销量转化率的误差影响，可以用销量和访客量作为样本的筛选条件，选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本。

示例如定义销量转化率公式为

其中f是销量转化率，q是日销量，u是日访客量，当q每变动1，所引起的f的变化对f的百分比，其公式可以是

当u每变动1，所引起的f的变化对f的百分比，其公式可以是

若预设要求q、u的值在正负1范围内变化时，f的误差不大于10％，此时需要同时满足q>10，u>10。

进一步的，在本申请的一些实施例中，针对预设要求的设置，可以提供如下步骤：

选取同时满足所述销量大于第一设定值及所述访客量大于第二设定值，且所述销量与所述访客量的乘积大于第三设定值的训练商品的商品属性和运营属性作为训练样本。

具体的，可以选取销量大于第一设定值同时访客量大于第二设定值，且销量与访客量的乘积大于第三设定值的训练商品的商品属性和运营属性作为训练样本，示例如第一设定值可以是10，第二设定值可以是10，第三设定值可以是1000，此处的设定值可以根据需求进行设置，可以选取销量大于10，访客量大于10，销量与访客量的乘积大于1000的商品属性和运营属性作为训练样本。

进一步的，为了筛选出没有销量的一类产品，由于不能确定是因为产品没流量导致没有销量，还是给了流量，产品也没有销量的情况，在本申请的一些实施例中，还可以包括如下步骤：

选取所述访客量大于第三设定值且所述销量为0的训练商品的商品属性和运营属性作为训练样本。

具体的，可以选取访客量大于第三设定值且销量为0的训练商品的商品属性和运营属性作为训练样本，示例如选取访客量大于1000，而销量为0的训练商品的商品属性和运营属性作为训练样本。

下面对本申请实施例提供的销量预测装置进行描述，下文描述的销量预测装置与上文描述的销量预测方法可相互对应参照。

参见图4，图4为本申请实施例提供的一种销量预测装置结构示意图，该装置可以包括：

信息获取模块10，用于获取待测商品的商品属性、运营属性和实时访客量；

模型预测模块20，用于将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率；

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到；

销量预测模块30，用于将所述实时访客量与所述销量转化率相乘得到预测销量。

从上述的技术方案可以看出，本申请实施例提供的一种销量预测装置，通过信息获取模块10获取待测商品的商品属性、运营属性和实时访客量，模型预测模块20将待测商品的商品属性、运营属性输入训练后的销量预测模型中，得到销量预测模型输出的待测商品的销量转化率。由于该销量预测模型以训练商品的商品属性和运营属性作为训练样本，以训练商品的销量转化率作为训练标签训练得到，所以可以通过销量预测模型从待测商品的商品属性、运营属性中预测出待测商品的销量转化率，进一步与实时访客量相乘得到预测销量。

可选的，销量预测装置，还可以包括：

模型训练模块，用于训练得到的所述销量预测模型，其中，所述销量预测模型包括：输入层、属性处理层和转化率确定层；

所述销量预测模型的训练过程，包括：

通过输入层，获取训练商品的商品属性和运营属性；

通过属性处理层，对所述训练商品的商品属性和运营属性进行处理得到属性特征；

通过转化率确定层，基于所述属性特征预测所述训练商品的销量转化率；

利用误差函数对预测的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值；

根据所述转化率误差值，更新销量预测模型的参数。

可选的，所述模型训练模块在执行利用误差函数对确定的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值之后，还可以包括：

判断所述转化率误差值是否满足预设截止条件；

若是，则完成销量预测模型的训练；

若否，执行根据所述转化率误差值，更新销量预测模型的参数的步骤。

可选的，销量预测装置，还可以包括：

样本选取模块，用于在执行所述模型训练模块之前，选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本。

可选的，所述样本选取模块，可以包括：

第一样本选取子模块，用于选取同时满足所述销量大于第一设定值及所述访客量大于第二设定值，且所述销量与所述访客量的乘积大于第三设定值的训练商品的商品属性和运营属性作为训练样本。

可选的，所述样本选取模块，还可以包括：

第二样本选取子模块，用于选取所述访客量大于第三设定值且所述销量为0的训练商品的商品属性和运营属性作为训练样本。

可选的，所述模型预测模块20执行将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率的过程，可以包括：

将所述待测商品的商品属性和运营属性通过输入层输入销量预测模型；

利用销量预测模型的属性处理层处理所述待测商品的商品属性和运营属性得到属性特征；

利用销量预测模型的转化率确定层，基于所述属性特征预测所述待测商品的销量转化率。

本申请实施例提供的销量预测装置可应用于销量预测设备。销量预测设备可以是服务器或终端。图5示出了销量预测设备的硬件结构框图，参照图5，销量预测设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；

其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：

获取待测商品的商品属性、运营属性和实时访客量；

将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率；

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到；

将所述实时访客量与所述销量转化率相乘得到预测销量。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：

获取待测商品的商品属性、运营属性和实时访客量；

将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率；

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到；

将所述实时访客量与所述销量转化率相乘得到预测销量。

可选的，所述程序的细化功能和扩展功能可参照上文描述。

最后，还需要说明的是，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种销量预测方法，其特征在于，包括：

获取待测商品的商品属性、运营属性和实时访客量；

将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率；

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到；

将所述实时访客量与所述销量转化率相乘得到预测销量。

2.根据权利要求1所述的方法，其特征在于，所述销量预测模型包括：输入层、属性处理层和转化率确定层；

所述销量预测模型的训练过程，包括：

通过输入层，获取训练商品的商品属性和运营属性；

通过属性处理层，对所述训练商品的商品属性和运营属性进行处理得到属性特征；

通过转化率确定层，基于所述属性特征预测所述训练商品的销量转化率；

利用误差函数对预测的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值；

根据所述转化率误差值，更新销量预测模型的参数。

3.根据权利要求2所述的方法，其特征在于，在所述销量预测模型的训练过程之前，还包括：

选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本。

4.根据权利要求3所述的方法，其特征在于，所述选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本，包括：

选取同时满足所述销量大于第一设定值及所述访客量大于第二设定值，且所述销量与所述访客量的乘积大于第三设定值的训练商品的商品属性和运营属性作为训练样本。

5.根据权利要求4所述的方法，其特征在于，还包括：

选取所述访客量大于第三设定值且所述销量为0的训练商品的商品属性和运营属性作为训练样本。

6.根据权利要求2所述的方法，其特征在于，所述将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率，包括：

将所述待测商品的商品属性和运营属性通过输入层输入销量预测模型；

利用销量预测模型的属性处理层处理所述待测商品的商品属性和运营属性得到属性特征；

利用销量预测模型的转化率确定层，基于所述属性特征预测所述待测商品的销量转化率。

7.根据权利要求2所述的方法，其特征在于，在利用误差函数对确定的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值之后，还包括：

判断所述转化率误差值是否满足预设截止条件；

若是，则完成销量预测模型的训练；

若否，执行根据所述转化率误差值，更新销量预测模型的参数的步骤。

8.一种销量预测装置，其特征在于，包括：

信息获取模块，用于获取待测商品的商品属性、运营属性和实时访客量；

模型预测模块，用于将所述待测商品的商品属性和运营属性输入销量预测模型，得到所述销量预测模型输出的所述待测商品的销量转化率；

其中，所述销量预测模型，以训练商品的商品属性和运营属性作为训练样本，以所述训练商品的销量转化率作为训练标签训练得到；

销量预测模块，用于将所述实时访客量与所述销量转化率相乘得到预测销量。

9.根据权利要求8所述的装置，其特征在于，还包括：

模型训练模块，用于训练得到的所述销量预测模型，其中，所述销量预测模型包括：输入层、属性处理层和转化率确定层；

所述销量预测模型的训练过程，包括：

通过输入层，获取训练商品的商品属性和运营属性；

通过属性处理层，对所述训练商品的商品属性和运营属性进行处理得到属性特征；

通过转化率确定层，基于所述属性特征预测所述训练商品的销量转化率；

利用误差函数对预测的销量转化率与所述训练商品的销量转化率标签的差值进行计算，得到转化率误差值；

根据所述转化率误差值，更新销量预测模型的参数。

10.根据权利要求9所述的装置，其特征在于，还包括：

样本选取模块，用于在执行所述模型训练模块之前，选取销量和访客量满足预设要求的训练商品的商品属性和运营属性作为训练样本。

Images