CN114581157B - 基于大数据的销量预测方法、装置、电子设备及介质 - Google Patents
基于大数据的销量预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114581157B CN114581157B CN202210458653.9A CN202210458653A CN114581157B CN 114581157 B CN114581157 B CN 114581157B CN 202210458653 A CN202210458653 A CN 202210458653A CN 114581157 B CN114581157 B CN 114581157B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- historical data
- sales
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010219 correlation analysis Methods 0.000 claims abstract description 72
- 238000010606 normalization Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims description 53
- 238000007906 compression Methods 0.000 claims description 44
- 230000006835 compression Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 31
- 230000009467 reduction Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据技术,揭露了一种基于大数据的销量预测方法,包括:对市场历史数据集进行维度分类和拆解,得到多组子数据集,根据多组子数据集与参考数据集之间的重合关系构建历史数据方块;对历史数据方块进行编码压缩,得到压缩历史数据方块;当接收到待预测产品的销量预测请求时,提取压缩历史数据方块中与待预测产品对应的相关产品数据,对相关产品数据进行归一化和相关性分析,得到相关性分析结果,将相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。本发明还提出一种基于大数据的销量预测装置、电子设备以及计算机可读存储介质。本发明可以解决销量预测的准确度较低的问题。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种基于大数据的销量预测方法、装置、电子设备及计算机可读存储介质。
背景技术
销量预测是电子商务的重要诉求,是商品供应链管理与平台流量分发的核心,新上架的商品的销量预测可以供商家和平台更好决策新商品上线之后的流量扶持、打造爆款、备货与补货等,对平台新商品供给与丰富货源意义重大。
现有的销量预测方法通常是根据历史数据生成曲线图,根据研究曲线图的走向进而进行销量预测结果的推测,这种方法在面对大量数据的时候销量较低,同时根据曲线图得到销量预测结果不够准确。
发明内容
本发明提供一种基于大数据的销量预测方法、装置及计算机可读存储介质,其主要目的在于解决占用过多存储压力的问题;解决在压缩过程中,挨个对单个历史数据是否需执行压缩判断的时间,或对整个历史数据均执行压缩的资源消耗的问题,以及通过相关性分析可以筛选出相关性更强的数据进而进行销量预测,得到更准确的销量预测结果,从而解决销量预测的准确度较低的问题。
为实现上述目的,本发明提供的一种基于大数据的销量预测方法,包括:
获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集;
基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块;
对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块;
当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据;
对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。
可选地,所述根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,包括:
根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识;
根据所述重合标识对每组所述单行单列历史子数据集进行立体组合,得到历史数据方块。
可选地,所述根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识,包括:
分别对所述单行单列历史子数据集中的历史数据和所述预设参考数据集中的参考数据进行分词处理,得到单行单列分词集和参考分词集;
识别所述单行单列分词集和所述参考分词集之间相同的分词,得到重合分词的个数;
以所述重合分词的个数与所述单行单列分词集和所述参考分词集中分词总和的比例作为重合标识。
可选地,所述对所述产品归一数据进行相关性分析,得到相关性分析结果,包括:
对所述产品归一数据进行降维处理,得到多个降维产品数据;
将多个所述降维产品数据中的任意两个降维产品数据代入至预设的相关性计算公式中进行相关性计算,得到相关值;
判断所述相关值和预设的相关阈值之间的大小;
当所述相关值大于或者等于所述相关阈值时,确定所述相关性分析结果为相关性强;
当所述相关值小于所述相关阈值时,确定所述相关性分析结果为相关性弱。
可选地,所述将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中之前,所述方法还包括:
获取历史销量数据,将所述历史销量数据转换为销量序列数据;
在预设的超参数区间中任意选择一个超参数作为目标超参数,并将所述目标超参数和所述销量序列数据输入至预设的销量预测模型中,得到目标销量预测值;
根据所述目标销量预测值和预设的销量真实值计算对应的目标销量预测误差;
遍历所述超参数区间中的超参数,并将所述超参数和所述销量序列数据输入至所述销量预测模型中,得到多个销量预测值;
根据多个所述销量预测值分别计算对应的销量预测误差,并筛选出多个销量预测误差中小于预设误差阈值的销量预测误差;
对小于预设误差阈值的销量预测误差对应的超参数进行贝叶斯优化,得到优化后的超参数,将所述优化后的超参数输入至所述销量预测模型中,得到训练好的销量预测模型。
可选地,所述对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块,包括:
根据所述历史数据方块对应的立体数据标识检索不同维度的代表性历史数据;
判断所述历史数据方块中是否存在超过指定长度阈值的目标代表性历史数据;
若存在,将所述目标代表性历史数据所对应的同一维度下的所有的历史数据均执行维度编码压缩,得到维度压缩业务数据;
利用所述维度压缩业务数据更新所述历史数据方块,得到所述压缩历史数据方块。
可选地,所述基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,包括:
根据所述拆解标准中的按行排列标准将所述多维历史数据集依次拆解为多组单行历史子数据集;
根据所述拆解标准中的按列排列标准对所述单行历史子数据集进行拆解细化,得到多组单行单列历史子数据集;
将多组所述单行单列历史子数据集和多组所述单行历史子数据集进行汇总,得到多组子数据集。
为了解决上述问题,本发明还提供一种基于大数据的销量预测装置,所述装置包括:
方块构建模块,用于获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集,基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块;
编码压缩模块,用于对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块;
数据处理模块,用于当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据;
销量预测模块,用于对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于大数据的销量预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于大数据的销量预测方法。
本发明实施例中,通过对市场历史数据集进行维度分类,得到多维历史数据集,对市场历史数据集执行维度分类,可以精简数据,方便后续数据处理操作,根据对多维历史数据集拆解后的多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,所述历史数据方块便于后续历史数据存储、计算的操作,由于部分历史数据是字符型数据,可能存在字符过长,导致占用过多存储压力的问题,对所述历史数据方块执行维度编码压缩,得到压缩历史数据方块,减少了在压缩过程中,挨个对单个历史数据是否需执行压缩判断的时间,或对整个历史数据均执行压缩的资源消耗。当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据,对所述产品归一数据进行相关性分析,得到相关性分析结果,通过相关性分析可以筛选出相关性更强的数据进而进行销量预测,得到更准确的销量预测结果。因此本发明提出的基于大数据的销量预测方法、装置、电子设备及计算机可读存储介质,可以解决销量预测的准确度较低。
附图说明
图1为本发明一实施例提供的基于大数据的销量预测方法的流程示意图;
图2为本发明一实施例提供的基于大数据的销量预测装置的功能模块图;
图3为本发明一实施例提供的实现所述基于大数据的销量预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于大数据的销量预测方法。所述基于大数据的销量预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于大数据的销量预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于大数据的销量预测方法的流程示意图。在本实施例中,所述基于大数据的销量预测方法包括:
S1、获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集。
本发明实施例中,预设时间段内可以为预先设定的两个时间节点中的时间区间,例如,所述预设时间段为2021年6月至2021年12月。即获取在2021年6月至2021年12月之间的市场中的相关历史数据,得到市场历史数据集。
其中,所述市场历史数据集包括但不限于市场中某类商品的库存、价格、转化率、销售情况等相关数据。通过对所述市场历史数据集进行维度分类,可以使得市场历史数据集划分的更加清楚,进而方便后续数据的处理操作。
具体地,可以根据市场历史数据集所属业务场景类型,进行对应维度分类,如上述服装业务场景下,可按照女士服装维度类、男士服装维度类、儿童服装维度类等执行维度分解。其中,女士服装维度类又包括女士正装、女士休闲装、女士睡衣等细化维度、男士服装维度类又包括男士运动装、男士职业装、男士休闲装等细化维度、童服装维度类又包括儿童睡袋、儿童保暖装等细化维度。
在本发明另一实施例中,可以利用训练好的维度分类模型对所述市场历史数据集进行维度分类,得到多维历史数据集。其中,所述训练好的维度分类模型可以为随机森林模型或者双向长短期记忆网络。也可以利用聚类算法和分类算法对所述市场历史数据集进行维度分类,得到多维历史数据集。其中,所述聚类算法可以为k-means算法,所述分类算法为支持向量机算法或者KNN分类算法。
S2、基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块。
本发明实施例中,所述基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,包括:
根据所述拆解标准中的按行排列标准将所述多维历史数据集依次拆解为多组单行历史子数据集;
根据所述拆解标准中的按列排列标准对所述单行历史子数据集进行拆解细化,得到多组单行单列历史子数据集;
将多组所述单行单列历史子数据集和多组所述单行历史子数据集进行汇总,得到多组子数据集。
例如,所述根据所述拆解标准中的按行排列标准将所述多维历史数据集依次拆解为多组单行历史子数据集可以为:
…
进一步地,所述根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,包括:
根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识;
根据所述重合标识对每组所述单行单列历史子数据集进行立体组合,得到历史数据方块。
其中,所述数据方块是指将数据进行直观展示且具有立方体结构,所述立体组合是根据所述重合标识将所述单行单列历史子数据集组合成立方体结构,得到历史数据方块。
具体地,所述根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识,包括:
分别对所述单行单列历史子数据集中的历史数据和所述预设参考数据集中的参考数据进行分词处理,得到单行单列分词集和参考分词集;
识别所述单行单列分词集和所述参考分词集之间相同的分词,得到重合分词的个数;
以所述重合分词的个数与所述单行单列分词集和所述参考分词集中分词总和的比例作为重合标识。
详细地,可以通过基准分词器进行分词处理。其中,所述基准分词器包括但不限于结巴分词器和斯坦福分词器。
例如,所述单行单列分词集中包含分词a、b、c、d、e,所述参考分词集中包含分词a、b、g、h、i,识别所述单行单列分词集和所述参考分词集之间相同的分词为a和b,得到重合分词的个数为2个,所述单行单列分词集和所述参考分词集中分词总和为10,则所述重合分词的个数与所述单行单列分词集和所述参考分词集中分词总和的比例为20%,即将20%作为重合标识。
进一步地,所述根据所述重合标识对每组所述单行单列历史子数据集进行立体组合,得到历史数据方块,包括:
根据所述重合标识对所述单行单列历史子数据集进行去重处理,得到去重历史子数据集;
编号多组所述去重历史子数据集,得到编码号;
根据所述编码号标识每组所述去重历史子数据集中的历史数据,得到立体数据标识;
根据所述立体数据标识对所述市场历史数据集进行堆叠处理,得到历史数据方块。
其中,假设所述重合标识为20%,则去除所述单行单列历史子数据集中占比20%的数据,得到去重历史子数据集。
详细地,例如上述女士服装维度类、男士服装维度类、儿童服装维度类,分别对历史数据方块中的第一立体块、第二立体块及第三立体块分别编号为块-1、块-2、块-3,则女士服装维度类下女士正装为块-1-1,女士服装维度类下女士正装中的女士套装为块-1-1-1,依次类推,则女士服装维度类下女士正装中的女士套装,所对应的立体数据标识为块-1-1-1-(1,1),其中(1,1)表示第一行第一列。
S3、对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块。
由于部分历史数据是字符型数据,可能存在字符过长,导致占用过多存储压力的问题,因此需要执行压缩维度编码压缩操作。
本发明实施例中,所述对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块,包括:
根据所述历史数据方块对应的立体数据标识检索不同维度的代表性历史数据;
判断所述历史数据方块中是否存在超过指定长度阈值的目标代表性历史数据;
若存在,将所述目标代表性历史数据所对应的同一维度下的所有的历史数据均执行维度编码压缩,得到维度压缩业务数据;
利用所述维度压缩业务数据更新所述历史数据方块,得到所述压缩历史数据方块。
详细地,由于一般同一维度的业务数据的数据类型相似,因此只需从相同维度中检索代表性历史数据,并当代表性历史数据字符过长,则表明同一维度下的其他历史数据字符也一样过长,则对同一维度的所有历史数据执行维度编码压缩即可,减少了在压缩过程中,挨个对单个历史数据是否需执行压缩判断的时间,或对整个历史数据均执行压缩的资源消耗。
其中,代表性历史数据可从同一维度中随机选取若干个即可。
进一步地,本发明实施中,维度编码压缩可采用静态压缩方法、动态压缩方法等。
S4、当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据。
本发明实施例中,所述待预测产品是指想要获得销量预测结果的产品,可以为某件食品产品,也可以为服装产品,或者为其他产品。
当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,所述压缩历史数据方块中包括不同维度的多种数据,由于所述压缩历史数据方块可以直观展示出数据,因此可以直接提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据。
其中,可以利用具有数据提取功能的语句或者人工智能模型实现数据的提取,所述与待预测产品相关的产品数据可以为所述待预测产品的库存数据、每日报表数据、入库时间等数据。
进一步地,所述对所述相关产品数据进行归一化处理,得到产品归一数据,包括:
将所述相关产品数据代入至预设的归一化公式中,得到产品归一数据。
详细地,所述归一化公式为:
S5、对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。
本发明实施例中,所述对所述产品归一数据进行相关性分析,得到相关性分析结果,包括:
对所述产品归一数据进行降维处理,得到多个降维产品数据;
将多个所述降维产品数据中的任意两个降维产品数据代入至预设的相关性计算公式中进行相关性计算,得到相关值;
判断所述相关值和预设的相关阈值之间的大小;
当所述相关值大于或者等于所述相关阈值时,确定所述相关性分析结果为相关性强;
当所述相关值小于所述相关阈值时,确定所述相关性分析结果为相关性弱。
具体地,可以利用PCA降维算法对所述产品归一数据进行降维处理,得到多个降维产品数据。
进一步地,所述预设的相关性计算公式为:
进一步地,判断所述相关值和预设的相关阈值之间的大小,当所述相关值大于或者等于所述相关阈值时,将所述相关性分析结果判定为相关性强;当所述相关值小于所述相关阈值时,将所述相关性分析结果判定为相关性弱。
详细地,所述预设条件为相关性强,即将所述相关性分析结果中符合相关性强的数据输入至训练好的销量预测模型中,得到销量预测结果,其中,所述销量预测模型可以为随机森林模型、双向长短期记忆网络或者支持向量机模型。
具体地,所述将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中之前,所述方法还包括:
获取历史销量数据,将所述历史销量数据转换为销量序列数据;
在预设的超参数区间中任意选择一个超参数作为目标超参数,并将所述目标超参数和所述销量序列数据输入至预设的销量预测模型中,得到目标销量预测值;
根据所述目标销量预测值和预设的销量真实值计算对应的目标销量预测误差;
遍历所述超参数区间中的超参数,并将所述超参数和所述销量序列数据输入至所述销量预测模型中,得到多个销量预测值;
根据多个所述销量预测值分别计算对应的销量预测误差,并筛选出多个销量预测误差中小于预设误差阈值的销量预测误差;
对小于预设误差阈值的销量预测误差对应的超参数进行贝叶斯优化,得到优化后的超参数,将所述优化后的超参数输入至所述销量预测模型中,得到训练好的销量预测模型。
具体地,所述将所述历史销量数据转换为销量序列数据,包括:
对所述历史销量数据进行时间格式转换、字符类型转换处理,得到销量序列数据。
本发明实施例中,通过对市场历史数据集进行维度分类,得到多维历史数据集,对市场历史数据集执行维度分类,可以精简数据,方便后续数据处理操作,根据对多维历史数据集拆解后的多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,所述历史数据方块便于后续历史数据存储、计算的操作,由于部分历史数据是字符型数据,可能存在字符过长,导致占用过多存储压力的问题,对所述历史数据方块执行维度编码压缩,得到压缩历史数据方块,减少了在压缩过程中,挨个对单个历史数据是否需执行压缩判断的时间,或对整个历史数据均执行压缩的资源消耗。当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据,对所述产品归一数据进行相关性分析,得到相关性分析结果,通过相关性分析可以筛选出相关性更强的数据进而进行销量预测,得到更准确的销量预测结果。因此本发明提出的基于大数据的销量预测方法可以解决销量预测的准确度较低。
如图2所示,是本发明一实施例提供的基于大数据的销量预测装置的功能模块图。
本发明所述基于大数据的销量预测装置100可以安装于电子设备中。根据实现的功能,所述基于大数据的销量预测装置100可以包括方块构建模块101、编码压缩模块102、数据处理模块103及销量预测模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述方块构建模块101,用于获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集,基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块;
所述编码压缩模块102,用于对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块;
所述数据处理模块103,用于当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据;
所述销量预测模块104,用于对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。
详细地,所述基于大数据的销量预测装置100各模块的具体实施方式如下:
步骤一、获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集。
本发明实施例中,预设时间段内可以为预先设定的两个时间节点中的时间区间,例如,所述预设时间段为2021年6月至2021年12月。即获取在2021年6月至2021年12月之间的市场中的相关历史数据,得到市场历史数据集。
其中,所述市场历史数据集包括但不限于市场中某类商品的库存、价格、转化率、销售情况等相关数据。通过对所述市场历史数据集进行维度分类,可以使得市场历史数据集划分的更加清楚,进而方便后续数据的处理操作。
具体地,可以根据市场历史数据集所属业务场景类型,进行对应维度分类,如上述服装业务场景下,可按照女士服装维度类、男士服装维度类、儿童服装维度类等执行维度分解。其中,女士服装维度类又包括女士正装、女士休闲装、女士睡衣等细化维度、男士服装维度类又包括男士运动装、男士职业装、男士休闲装等细化维度、童服装维度类又包括儿童睡袋、儿童保暖装等细化维度。
在本发明另一实施例中,可以利用训练好的维度分类模型对所述市场历史数据集进行维度分类,得到多维历史数据集。其中,所述训练好的维度分类模型可以为随机森林模型或者双向长短期记忆网络。也可以利用聚类算法和分类算法对所述市场历史数据集进行维度分类,得到多维历史数据集。其中,所述聚类算法可以为k-means算法,所述分类算法为支持向量机算法或者KNN分类算法。
步骤二、基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块。
本发明实施例中,所述基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,包括:
根据所述拆解标准中的按行排列标准将所述多维历史数据集依次拆解为多组单行历史子数据集;
根据所述拆解标准中的按列排列标准对所述单行历史子数据集进行拆解细化,得到多组单行单列历史子数据集;
将多组所述单行单列历史子数据集和多组所述单行历史子数据集进行汇总,得到多组子数据集。
例如,所述根据所述拆解标准中的按行排列标准将所述多维历史数据集依次拆解为多组单行历史子数据集可以为:
…
进一步地,所述根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,包括:
根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识;
根据所述重合标识对每组所述单行单列历史子数据集进行立体组合,得到历史数据方块。
其中,所述数据方块是指将数据进行直观展示且具有立方体结构,所述立体组合是根据所述重合标识将所述单行单列历史子数据集组合成立方体结构,得到历史数据方块。
具体地,所述根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识,包括:
分别对所述单行单列历史子数据集中的历史数据和所述预设参考数据集中的参考数据进行分词处理,得到单行单列分词集和参考分词集;
识别所述单行单列分词集和所述参考分词集之间相同的分词,得到重合分词的个数;
以所述重合分词的个数与所述单行单列分词集和所述参考分词集中分词总和的比例作为重合标识。
详细地,可以通过基准分词器进行分词处理。其中,所述基准分词器包括但不限于结巴分词器和斯坦福分词器。
例如,所述单行单列分词集中包含分词a、b、c、d、e,所述参考分词集中包含分词a、b、g、h、i,识别所述单行单列分词集和所述参考分词集之间相同的分词为a和b,得到重合分词的个数为2个,所述单行单列分词集和所述参考分词集中分词总和为10,则所述重合分词的个数与所述单行单列分词集和所述参考分词集中分词总和的比例为20%,即将20%作为重合标识。
进一步地,所述根据所述重合标识对每组所述单行单列历史子数据集进行立体组合,得到历史数据方块,包括:
根据所述重合标识对所述单行单列历史子数据集进行去重处理,得到去重历史子数据集;
编号多组所述去重历史子数据集,得到编码号;
根据所述编码号标识每组所述去重历史子数据集中的历史数据,得到立体数据标识;
根据所述立体数据标识对所述市场历史数据集进行堆叠处理,得到历史数据方块。
其中,假设所述重合标识为20%,则去除所述单行单列历史子数据集中占比20%的数据,得到去重历史子数据集。
详细地,例如上述女士服装维度类、男士服装维度类、儿童服装维度类,分别对历史数据方块中的第一立体块、第二立体块及第三立体块分别编号为块-1、块-2、块-3,则女士服装维度类下女士正装为块-1-1,女士服装维度类下女士正装中的女士套装为块-1-1-1,依次类推,则女士服装维度类下女士正装中的女士套装,所对应的立体数据标识为块-1-1-1-(1,1),其中(1,1)表示第一行第一列。
步骤三、对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块。
由于部分历史数据是字符型数据,可能存在字符过长,导致占用过多存储压力的问题,因此需要执行压缩维度编码压缩操作。
本发明实施例中,所述对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块,包括:
根据所述历史数据方块对应的立体数据标识检索不同维度的代表性历史数据;
判断所述历史数据方块中是否存在超过指定长度阈值的目标代表性历史数据;
若存在,将所述目标代表性历史数据所对应的同一维度下的所有的历史数据均执行维度编码压缩,得到维度压缩业务数据;
利用所述维度压缩业务数据更新所述历史数据方块,得到所述压缩历史数据方块。
详细地,由于一般同一维度的业务数据的数据类型相似,因此只需从相同维度中检索代表性历史数据,并当代表性历史数据字符过长,则表明同一维度下的其他历史数据字符也一样过长,则对同一维度的所有历史数据执行维度编码压缩即可,减少了在压缩过程中,挨个对单个历史数据是否需执行压缩判断的时间,或对整个历史数据均执行压缩的资源消耗。
其中,代表性历史数据可从同一维度中随机选取若干个即可。
进一步地,本发明实施中,维度编码压缩可采用静态压缩方法、动态压缩方法等。
步骤四、当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据。
本发明实施例中,所述待预测产品是指想要获得销量预测结果的产品,可以为某件食品产品,也可以为服装产品,或者为其他产品。
当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,所述压缩历史数据方块中包括不同维度的多种数据,由于所述压缩历史数据方块可以直观展示出数据,因此可以直接提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据。
其中,可以利用具有数据提取功能的语句或者人工智能模型实现数据的提取,所述与待预测产品相关的产品数据可以为所述待预测产品的库存数据、每日报表数据、入库时间等数据。
进一步地,所述对所述相关产品数据进行归一化处理,得到产品归一数据,包括:
将所述相关产品数据代入至预设的归一化公式中,得到产品归一数据。
详细地,所述归一化公式为:
步骤五、对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。
本发明实施例中,所述对所述产品归一数据进行相关性分析,得到相关性分析结果,包括:
对所述产品归一数据进行降维处理,得到多个降维产品数据;
将多个所述降维产品数据中的任意两个降维产品数据代入至预设的相关性计算公式中进行相关性计算,得到相关值;
判断所述相关值和预设的相关阈值之间的大小;
当所述相关值大于或者等于所述相关阈值时,确定所述相关性分析结果为相关性强;
当所述相关值小于所述相关阈值时,确定所述相关性分析结果为相关性弱。
具体地,可以利用PCA降维算法对所述产品归一数据进行降维处理,得到多个降维产品数据。
进一步地,所述预设的相关性计算公式为:
进一步地,判断所述相关值和预设的相关阈值之间的大小,当所述相关值大于或者等于所述相关阈值时,将所述相关性分析结果判定为相关性强;当所述相关值小于所述相关阈值时,将所述相关性分析结果判定为相关性弱。
详细地,所述预设条件为相关性强,即将所述相关性分析结果中符合相关性强的数据输入至训练好的销量预测模型中,得到销量预测结果,其中,所述销量预测模型可以为随机森林模型、双向长短期记忆网络或者支持向量机模型。
具体地,所述将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中之前,还执行:
获取历史销量数据,将所述历史销量数据转换为销量序列数据;
在预设的超参数区间中任意选择一个超参数作为目标超参数,并将所述目标超参数和所述销量序列数据输入至预设的销量预测模型中,得到目标销量预测值;
根据所述目标销量预测值和预设的销量真实值计算对应的目标销量预测误差;
遍历所述超参数区间中的超参数,并将所述超参数和所述销量序列数据输入至所述销量预测模型中,得到多个销量预测值;
根据多个所述销量预测值分别计算对应的销量预测误差,并筛选出多个销量预测误差中小于预设误差阈值的销量预测误差;
对小于预设误差阈值的销量预测误差对应的超参数进行贝叶斯优化,得到优化后的超参数,将所述优化后的超参数输入至所述销量预测模型中,得到训练好的销量预测模型。
具体地,所述将所述历史销量数据转换为销量序列数据,包括:
对所述历史销量数据进行时间格式转换、字符类型转换处理,得到销量序列数据。
本发明实施例中,通过对市场历史数据集进行维度分类,得到多维历史数据集,对市场历史数据集执行维度分类,可以精简数据,方便后续数据处理操作,根据对多维历史数据集拆解后的多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,所述历史数据方块便于后续历史数据存储、计算的操作,由于部分历史数据是字符型数据,可能存在字符过长,导致占用过多存储压力的问题,对所述历史数据方块执行维度编码压缩,得到压缩历史数据方块,减少了在压缩过程中,挨个对单个历史数据是否需执行压缩判断的时间,或对整个历史数据均执行压缩的资源消耗。当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据,对所述产品归一数据进行相关性分析,得到相关性分析结果,通过相关性分析可以筛选出相关性更强的数据进而进行销量预测,得到更准确的销量预测结果。因此本发明提出的基于大数据的销量预测装置可以解决销量预测的准确度较低。
如图3所示,是本发明一实施例提供的实现基于大数据的销量预测方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于大数据的销量预测程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于大数据的销量预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于大数据的销量预测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于大数据的销量预测程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集;
基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块;
对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块;
当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据;
对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集;
基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块;
对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块;
当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据;
对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种基于大数据的销量预测方法,其特征在于,所述方法包括:
获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集;
基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块;
对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块;
当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据;
对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果;
所述根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,包括:
根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识;
根据所述重合标识对每组所述单行单列历史子数据集进行立体组合,得到历史数据方块;
所述根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识,包括:
分别对所述单行单列历史子数据集中的历史数据和所述预设参考数据集中的参考数据进行分词处理,得到单行单列分词集和参考分词集;
识别所述单行单列分词集和所述参考分词集之间相同的分词,得到重合分词的个数;
以所述重合分词的个数与所述单行单列分词集和所述参考分词集中分词总和的比例作为重合标识;
所述对所述产品归一数据进行相关性分析,得到相关性分析结果,包括:
对所述产品归一数据进行降维处理,得到多个降维产品数据;
将多个所述降维产品数据中的任意两个降维产品数据代入至预设的相关性计算公式中进行相关性计算,得到相关值;
判断所述相关值和预设的相关阈值之间的大小;
当所述相关值大于或者等于所述相关阈值时,确定所述相关性分析结果为相关性强;
当所述相关值小于所述相关阈值时,确定所述相关性分析结果为相关性弱;
所述将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中之前,所述方法还包括:
获取历史销量数据,将所述历史销量数据转换为销量序列数据;
在预设的超参数区间中任意选择一个超参数作为目标超参数,并将所述目标超参数和所述销量序列数据输入至预设的销量预测模型中,得到目标销量预测值;
根据所述目标销量预测值和预设的销量真实值计算对应的目标销量预测误差;
遍历所述超参数区间中的超参数,并将所述超参数和所述销量序列数据输入至所述销量预测模型中,得到多个销量预测值;
根据多个所述销量预测值分别计算对应的销量预测误差,并筛选出多个销量预测误差中小于预设误差阈值的销量预测误差;
对小于预设误差阈值的销量预测误差对应的超参数进行贝叶斯优化,得到优化后的超参数,将所述优化后的超参数输入至所述销量预测模型中,得到训练好的销量预测模型;
所述对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块,包括:
根据所述历史数据方块对应的立体数据标识检索不同维度的代表性历史数据;
判断所述历史数据方块中是否存在超过指定长度阈值的目标代表性历史数据;
若存在,将所述目标代表性历史数据所对应的同一维度下的所有的历史数据均执行维度编码压缩,得到维度压缩业务数据;
利用所述维度压缩业务数据更新所述历史数据方块,得到所述压缩历史数据方块。
2.如权利要求1所述的基于大数据的销量预测方法,其特征在于,所述基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,包括:
根据所述拆解标准中的按行排列标准将所述多维历史数据集依次拆解为多组单行历史子数据集;
根据所述拆解标准中的按列排列标准对所述单行历史子数据集进行拆解细化,得到多组单行单列历史子数据集;
将多组所述单行单列历史子数据集和多组所述单行历史子数据集进行汇总,得到多组子数据集。
3.一种基于大数据的销量预测装置,其特征在于,所述装置包括:
方块构建模块,用于获取预设时间段内的市场历史数据集,对所述市场历史数据集进行维度分类,得到多维历史数据集,基于预设的拆解标准将所述多维历史数据集拆解为多组子数据集,根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块;
编码压缩模块,用于对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块;
数据处理模块,用于当接收到待预测产品的销量预测请求时,提取所述压缩历史数据方块中与所述待预测产品对应的相关产品数据,对所述相关产品数据进行归一化处理,得到产品归一数据;
销量预测模块,用于对所述产品归一数据进行相关性分析,得到相关性分析结果,将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中,得到所述待预测产品的销量预测结果;
所述根据所述多组子数据集与预设参考数据集之间的重合关系构建与所述市场历史数据集对应的历史数据方块,包括:
根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识;
根据所述重合标识对每组所述单行单列历史子数据集进行立体组合,得到历史数据方块;
所述根据所述多组子数据集中的每组单行单列历史子数据集在所述预设参考数据集中的重合关系生成重合标识,包括:
分别对所述单行单列历史子数据集中的历史数据和所述预设参考数据集中的参考数据进行分词处理,得到单行单列分词集和参考分词集;
识别所述单行单列分词集和所述参考分词集之间相同的分词,得到重合分词的个数;
以所述重合分词的个数与所述单行单列分词集和所述参考分词集中分词总和的比例作为重合标识;
所述对所述产品归一数据进行相关性分析,得到相关性分析结果,包括:
对所述产品归一数据进行降维处理,得到多个降维产品数据;
将多个所述降维产品数据中的任意两个降维产品数据代入至预设的相关性计算公式中进行相关性计算,得到相关值;
判断所述相关值和预设的相关阈值之间的大小;
当所述相关值大于或者等于所述相关阈值时,确定所述相关性分析结果为相关性强;
当所述相关值小于所述相关阈值时,确定所述相关性分析结果为相关性弱;
所述将所述相关性分析结果中符合预设条件的数据输入至训练好的销量预测模型中之前,还包括:
获取历史销量数据,将所述历史销量数据转换为销量序列数据;
在预设的超参数区间中任意选择一个超参数作为目标超参数,并将所述目标超参数和所述销量序列数据输入至预设的销量预测模型中,得到目标销量预测值;
根据所述目标销量预测值和预设的销量真实值计算对应的目标销量预测误差;
遍历所述超参数区间中的超参数,并将所述超参数和所述销量序列数据输入至所述销量预测模型中,得到多个销量预测值;
根据多个所述销量预测值分别计算对应的销量预测误差,并筛选出多个销量预测误差中小于预设误差阈值的销量预测误差;
对小于预设误差阈值的销量预测误差对应的超参数进行贝叶斯优化,得到优化后的超参数,将所述优化后的超参数输入至所述销量预测模型中,得到训练好的销量预测模型;
所述对所述历史数据方块进行编码压缩处理,得到压缩历史数据方块,包括:
根据所述历史数据方块对应的立体数据标识检索不同维度的代表性历史数据;
判断所述历史数据方块中是否存在超过指定长度阈值的目标代表性历史数据;
若存在,将所述目标代表性历史数据所对应的同一维度下的所有的历史数据均执行维度编码压缩,得到维度压缩业务数据;
利用所述维度压缩业务数据更新所述历史数据方块,得到所述压缩历史数据方块。
4.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至2中任意一项所述的基于大数据的销量预测方法。
5.一种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2中任意一项所述的基于大数据的销量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458653.9A CN114581157B (zh) | 2022-04-28 | 2022-04-28 | 基于大数据的销量预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458653.9A CN114581157B (zh) | 2022-04-28 | 2022-04-28 | 基于大数据的销量预测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581157A CN114581157A (zh) | 2022-06-03 |
CN114581157B true CN114581157B (zh) | 2022-11-04 |
Family
ID=81778856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210458653.9A Active CN114581157B (zh) | 2022-04-28 | 2022-04-28 | 基于大数据的销量预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581157B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017131696A1 (en) * | 2016-01-28 | 2017-08-03 | Entit Software Llc | Database server to predict sales |
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 |
CN109558992A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的销售峰值预测方法、装置、设备及存储介质 |
CN110060075A (zh) * | 2018-01-15 | 2019-07-26 | 北京京东尚科信息技术有限公司 | 用于预测销量的方法、装置、系统及介质 |
CN113723985A (zh) * | 2021-03-04 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 销量预测模型的训练方法、装置及电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180247334A1 (en) * | 2017-02-28 | 2018-08-30 | Kimberly-Clark Worldwide, Inc. | System for upselling compressible and resilient consumable products to fill container space |
-
2022
- 2022-04-28 CN CN202210458653.9A patent/CN114581157B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017131696A1 (en) * | 2016-01-28 | 2017-08-03 | Entit Software Llc | Database server to predict sales |
CN110060075A (zh) * | 2018-01-15 | 2019-07-26 | 北京京东尚科信息技术有限公司 | 用于预测销量的方法、装置、系统及介质 |
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 |
CN109558992A (zh) * | 2018-12-17 | 2019-04-02 | 广州甘来信息科技有限公司 | 基于自贩机的销售峰值预测方法、装置、设备及存储介质 |
CN113723985A (zh) * | 2021-03-04 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 销量预测模型的训练方法、装置及电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114581157A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114979120B (zh) | 数据上传方法、装置、设备及存储介质 | |
CN111652278A (zh) | 用户行为检测方法、装置、电子设备及介质 | |
CN113626607A (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113468421A (zh) | 基于向量匹配技术的产品推荐方法、装置、设备及介质 | |
CN114358854A (zh) | 客户流失预警方法、装置、设备及存储介质 | |
CN113032403A (zh) | 数据洞察方法、装置、电子设备及存储介质 | |
CN113449002A (zh) | 车辆推荐方法、装置、电子设备及存储介质 | |
CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN113706249A (zh) | 数据推荐方法、装置、电子设备及存储介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN114581157B (zh) | 基于大数据的销量预测方法、装置、电子设备及介质 | |
CN113343102A (zh) | 基于特征筛选的数据推荐方法、装置、电子设备及介质 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN115330350A (zh) | 面向安全持久性内存的财务数据协同管理方法、装置 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231222 Address after: 410000, Room 232, West Building, Zhongjian Smart Valley, Zhongjian Smart Valley, Yuelu Street, Yuelu Mountain University Science and Technology City, Changsha City, Hunan Province, China Patentee after: Hunan Qimengniao Technology Co.,Ltd. Address before: 410000 room 3-380, building 01, phase III, Wantian International Wood Industry Zone, dingziwan street, Changsha City, Hunan Province Patentee before: Hunan kangdao Pharmaceutical Co.,Ltd. |
|
TR01 | Transfer of patent right |