CN115099877A - 销量预测方法、装置、电子设备及存储介质 - Google Patents
销量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115099877A CN115099877A CN202210849045.0A CN202210849045A CN115099877A CN 115099877 A CN115099877 A CN 115099877A CN 202210849045 A CN202210849045 A CN 202210849045A CN 115099877 A CN115099877 A CN 115099877A
- Authority
- CN
- China
- Prior art keywords
- sales
- data
- prediction
- volume
- sales volume
- 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
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
本发明公开了一种销量预测方法、装置、电子设备及存储介质。该方法包括:获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素;将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。上述技术方案考虑了销售对象的占比以及销量影响因素,并且在销量预测模型中使用了最优移动步长,可以利用最佳长度时段内的数据实现针对各型号销售对象的销量预测,提高了销量预测的准确性和全面性。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种销量预测方法、装置、电子设备及存储介质。
背景技术
销量预测是指根据产品的历史销量来预测该产品未来的销量情况,在销售行业是一项不可缺少的重要指标。现有的销量预测方法大多是基于时间序列进行预测,其考虑的因素比较单一,只适用于平稳运行并且有周期性变化的市场环境下的销量预测,但实际销量通常会受到一些不确定因素的影响。此外,如果使用的历史销量数据过多,则过去很久的历史销量数据对未来销量预测的意义不大,如果使用的历史销量数据过少意味着没有足够的数据为销量预测提供充分的依据,上述情况都会影响预测的准确性。
发明内容
本发明提供了一种销量预测方法、装置、电子设备及存储介质及系统,以提高销量预测的准确性和全面性。
第一方面,本发明实施例提供了一种销量预测方法,包括:
获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素;
将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。
第二方面,本发明实施例提供了一种销量预测装置,包括:
获取模块,用于获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素;
预测模块,用于将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。
第三方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的销量预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的销量预测方法。
本发明实施例提供了一种销量预测方法、装置、电子设备及存储介质,该方法包括:获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素;将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。上述技术方案考虑了销售对象的占比以及销量影响因素,并且在销量预测模型中使用了最优移动步长,可以利用最佳长度时段内的数据实现针对各型号销售对象的销量预测,提高了销量预测的准确性和全面性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本发明实施例一提供的一种销量预测方法的流程图;
图2为本发明实施例二提供的一种销量预测方法的流程图;
图3A为本发明实施例二提供的一种总销量的报表图的示意图;
图3B为本发明实施例二提供的一种区域销量的报表图的示意图;
图3C为本发明实施例二提供的一种销售主体的销量的报表图的示意图;
图3D为本发明实施例二提供的一种各型号的销售对象的报表图的示意图;
图4为本发明实施例三提供的一种销量预测装置的结构示意图;
图5为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种销量预测方法的流程图,本实施例可适用于对各种品相或型号的销售对象进行销量预测的情况。具体的,该销量预测方法可以由销量预测装置执行,该销量预测装置可以通过软件和/或硬件的方式实现,并集成在电子设备中。进一步的,电子设备包括但不限定于:台式计算机、笔记本电脑、智能手机以及服务器等。
如图1所示,该方法具体包括如下步骤:
S110、获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素。
具体的,输入数据主要指用于输入销量预测模型以对未来销量进行预测的数据。输入数据可以是截止到当前,可以根据销售对象的销售记录统计得到的,或者可以从电子设备本地读取,或者从服务器或数据库中调取而获得的数据。其中,销售对象可以指被销售的产品,例如工程机械类产品,具体可以为各种品相或型号的装载机、挖掘机和/或起重机等。
在通过销量预测模型进行销量预测时,输入数据主要包括三方面:各型号的销售对象的销量数据、占比数据以及销量影响因素。其中,销量数据包括在设定时段内(即过去的一段时间,例如一个或多个月、一个或多个季度、一年或多年等)销售对象的销售数量;占比数据可以是每种型号的销售对象在销售对象总数量中所占的比例,或者是每种型号的销售对象的销售数量在所有销售对象总销售数量中所占的比例;销量影响因素是指外界可对销售对象的销量产生影响的因素,例如,一些型号的销售对象由于政策因素或者市场因素在指定时段内可能会停产或者停止销售;又如,一些型号的销售对象的销量会随季节波动(如带制冷功能的相关产品通常夏季的销量较高而冬季销量较低);再如,一些型号的销售对象在指定时段会有促销活动,使得销量明显提高。
S120、将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。
本实施例中,销量预测模型可以是基于机器学习算法和大量样本数据训练得到的模型,例如是神经网络模型或时间序列模型等。经过训练的销量预测模型已经学习到输入数据与输出数据在时间分布上的映射关系,可以根据输入数据自动输出对目标时段的销量预测结果。其中,目标时段是指所预测的销量对应的时段,例如是未来某一特定的月份、季度或者年份等。
销量预测模型具有最优移动步长。具体的,移动步长可用于表征销量预测模型的输入数据所跨越的设定时段的长度,例如移动步长可以为3个月,则该销量预测模型可基于3个月的输入数据对目标时段的销量进行预测。最优移动步长可以理解为使得销量预测模型的预测精确度达到最高值时对应的移动步长,最优移动步长是在训练过程中确定的。例如,在训练销量预测模型的过程中,可以采用多个移动步长(例如3个月、4个月以及5个月),即分别利用过去3个月的输入数据、过去4个月的输入数据以及过去5个月的输入数据对后续某一指定月份的销量进行预测,如果利用过去4个月的输入数据预测得到的结果与该指定月份的实际销量最为接近,则可确定最优移动步长为4个月。
将上述的输入数据输入至经过训练的、已经确定最优移动步长的销量预测模型,得到的输出即为目标时段内各型号的销售对象的销量预测结果。
可选的,销量影响因素包括人为因素、政策因素以及市场因素。其中,人为因素主要指可人工控制的因素,例如针对一些型号的销售对象所产生的促销活动、优惠力度调整等;政策因素主要指产品所在行业的协议或共识相关的因素,例如在大力推进新一代或升级产品时,对旧一代或旧产品的销量会造成影响;市场因素主要指市场需求、供给者平衡相关的因素,例如一些型号的销售对象紧缺、供不应求或者退市的情况,以及原煤产量或钢材价格等。
可选的,销量预测模型的数量为多个;各型号的销售对象分别对应于一个销量预测模型。
本实施例中,可以针对各型号的销售对象分别训练得到一个销量预测模型,在对目标时段的销量进行预测时,可以将每种型号的销售对象的输入数据输入至相应的销量预测模型,以实现对不同型号销售对象的独立预测。
本发明实施例一提供的一种销量预测方法,结合销售对象的占比以及销量影响因素,基于最优移动步长的销量预测模型,可以利用最佳长度时段内的数据实现针对各型号销售对象的销量预测,提高了销量预测的准确性和全面性。
实施例二
图2为本发明实施例二提供的一种销量预测方法的流程图,本实施例是在上述实施例的基础上进行优化,对训练销量预测模型以及销量预测结果的展示进行具体描述。需要说明的是,未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的,如图2所示,该方法具体包括如下步骤:
S210、根据历史时段内各型号的销售对象的样本数据构建初始销量预测模型。
具体的,样本数据主要指用于构建初始销量预测模型并进行模型训练的已知数据。样本数据包括历史占比数据、历史销量数据和参考销量数据。其中,历史占比数据和历史销量数据可作为初始销量预测模型的输入样本,对应于一定的移动步长;参考销量数据可作为初始销量预测模型的输出的比对依据,用于验证初始销量预测模型输出的预测结果是否准确。初始销量预测模型中的模型参数可以是随机设定的或者是默认的,经过不断的模型训练,这些模型参数得到优化,从而使得初始销量预测模型的输出越来越接近参考销量数据,直至满足销量预测的精度需求。
S220、通过所述初始销量预测模型分别基于不同的移动步长,根据所述历史占比数据和所述历史销量数据对各型号的销售对象的销量进行预测。
本实施例中,初始销量预测模型可采用不同的移动步长,分别根据历史占比数据和历史销量数据对各型号的销售对象在后续某一指定时段内的销量进行预测,在此基础上得到每种移动步长相应的预测结果。例如,分别利用过去3个月、过去4个月以及过去5个月的历史占比数据和历史销量数据,对后续某一指定月份各型号的销售对象的销量进行预测,分别得到3个月、4个月以及5个月所对应的预测结果。
可选的,通过初始销量预测模型分别基于不同的移动步长,根据历史占比数据和历史销量数据对各型号的销售对象的销量进行预测,包括:基于各移动步长,根据历史占比数据和历史销量数据计算各型号的销售对象对应于移动步长的销量平均值;通过初始销量预测模型,根据销量平均值预测对应于移动步长的销量。
本实施例中,将移动步长对应的销量平均值作为特征向量,加入初始销量预测模型中以实现对输入数据的修正。例如,利用过去3个月的历史占比数据和历史销量数据对后续某一指定月份各型号的销售对象的销量进行预测,则可以计算各型号的销售对象在过去3个月的销量平均值,将其作为初始销量预测模型所要处理的特征向量。
S230、根据各所述移动步长对应的预测结果与所述参考销量数据之间的精确度确定最优移动步长,得到所述销量预测模型。
具体的,预测结果与参考销量数据之间的误差越小、精确度越高,则相应的移动步长越优。例如,利用过去4个月的历史占比数据和历史销量数据得到的预测结果与指定月份的参考销量数据之间的精确度最高,则可确定最优移动步长为4个月。
S240、获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素。
S250、将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。
S260、根据所述销量预测结果生成所述目标时段内销售对象的总销量、区域销量、销售主体的销量和/或各型号的销售对象的销量的报表图。
本实施例中,可以根据销量预测结果生成一种或多种报表图,从而以可视化的形式展示销量预测结果。其中,总销量可以指各型号的销售对象在各时间段的销售总量;区域销量可以指各型号的销售对象在不同地区(如不同的省份或城市)的销售量;销售主体的销量可以指各型号的销售对象由不同的销售主体(如不同的公司或销售站点等)售出所产生的销售量。
图3A为本发明实施例二提供的一种总销量的报表图的示意图。如图3A所示,在报表图的展示界面中,可以对需要展示总销量的时段进行筛选或设置,例如展示2020年11月到2022年4月的实际销量数据和每个月预测得到的销量,据此可以明确每个月的总销量预测的精确度,利用这些数据也可以对销量预测模型进行实时修正。
图3B为本发明实施例二提供的一种区域销量的报表图的示意图。如图3B所示,在报表图的展示界面中,可以对需要展示销量的区域进行筛选或设置,例如展示2020年11月到2022年4月上海市的实际销量数据和每个月预测得到的销量,据此可以明确各区域每个月的销量预测的精确度,利用这些数据也可以对销量预测模型进行实时修正。
图3C为本发明实施例二提供的一种销售主体的销量的报表图的示意图。如图3C所示,在报表图的展示界面中,可以对需要展示销量的销售主体进行筛选或设置,例如展示2020年11月到2022年4月某销售公司的实际销量数据和每个月预测得到的销量,据此可以明确各销售主体每个月的销量预测的精确度,利用这些数据也可以对销量预测模型进行实时修正。
图3D为本发明实施例二提供的一种各型号的销售对象的报表图的示意图。如图3D所示,在报表图的展示界面中,可以对需要展示销量的不同型号进行筛选或设置,例如展示2020年11月到2022年4月A类销售对象和B类销售对象的实际销量数据和每个月预测得到的销量,据此可以明确各型号的销售产品每个月的销量预测的精确度,利用这些数据也可以对销量预测模型进行实时修正。
可选的,该方法还包括:根据实时销量数据修正销量预测模型。
具体的,利用获取到的最新时段内的实时销量数据对销量预测模型进行修正,即利用截止到当前的最新的设定时段内的输入数据对销量预测模型进行修正。可以理解的是,实时销量数据也可以分为实时占比数据、实时销量数据以及实时参考销量数据,将实时占比数据、实时销量数据输入至销量预测模型,得到的输出应尽可能接近实时参考销量数据,从而使得模型参数得到优化,不断提高销量预测模型销量预测的精确度。
本发明实施例二提供的一种销量预测方法,在上述实施例的基础上进行优化,通过采用不同的移动步长训练初始销量预测模型,以确定最优移动步长,使销量预测模型具有较高的精确性;通过根据实时销量数据修正销量预测模型,可进一步提高销量预测模型预测销量的精确性,使销量预测模型适用于最新数据,提高了销量预测模型的适用性;通过根据销量预测结果生成报表图,以可视化的形式展示销量预测结果,提高了销量预测的全面性和多样性,便于对销量预测结果的查看和分析。
实施例三
图4为本发明实施例三提供的一种销量预测装置的结构示意图。如图4所示,本实施例提供的销量预测装置包括:
获取模块310,用于获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素;
预测模块320,用于将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。
本发明实施例三提供的一种销量预测装置,考虑了销售对象的占比以及销量影响因素,并且在销量预测模型中使用了最优移动步长,可以利用最佳长度时段内的数据实现针对各型号销售对象的销量预测,提高了销量预测的准确性和全面性。
在上述实施例的基础上,该装置还包括:
构建模块,用于在获取输入数据之前,,根据历史时段内各型号的销售对象的样本数据构建初始销量预测模型,所述样本数据包括历史占比数据、历史销量数据和参考销量数据;
训练模块,用于通过所述初始销量预测模型分别基于不同的移动步长,根据所述历史占比数据和所述历史销量数据对各型号的销售对象的销量进行预测;
模型确定模块,用于根据各所述移动步长对应的预测结果与所述参考销量数据之间的精确度确定最优移动步长,得到所述销量预测模型。
在上述实施例的基础上,训练模块,包括:
计算单元,用于基于各所述移动步长,根据所述历史占比数据和所述历史销量数据计算各型号的销售对象对应于所述移动步长的销量平均值;
预测单元,用于通过所述初始销量预测模型,根据所述销量平均值预测对应于所述移动步长的销量。
在上述实施例的基础上,该装置还包括:
修正模块,用于根据实时销量数据修正所述销量预测模型。
在上述实施例的基础上,所述销量影响因素包括人为因素、政策因素以及市场因素。
在上述实施例的基础上,所述销量预测模型的数量为多个;
各型号的销售对象分别对应于一个销量预测模型。
在上述实施例的基础上,该装置还包括:
生成模块,用于根据所述销量预测结果生成所述目标时段内销售对象的总销量、区域销量、销售主体的销量和/或各型号的销售对象的销量的报表图。
本发明实施例三提供的销量预测装置可以用于执行上述任意实施例提供的销量预测方法,具备相应的功能和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备10还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、用户设备、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络、无线网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如销量预测方法。
在一些实施例中,销量预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行销量预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备10上实施此处描述的系统和技术,该电子设备10具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备10。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种销量预测方法,其特征在于,包括:
获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素;
将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。
2.根据权利要求1所述的方法,其特征在于,在获取输入数据之前,还包括:
根据历史时段内各型号的销售对象的样本数据构建初始销量预测模型,所述样本数据包括历史占比数据、历史销量数据和参考销量数据;
通过所述初始销量预测模型分别基于不同的移动步长,根据所述历史占比数据和所述历史销量数据对各型号的销售对象的销量进行预测;
根据各所述移动步长对应的预测结果与所述参考销量数据之间的精确度确定最优移动步长,得到所述销量预测模型。
3.根据权利要求2所述的方法,其特征在于,通过所述初始销量预测模型分别基于不同的移动步长,根据所述历史占比数据和所述历史销量数据对各型号的销售对象的销量进行预测,包括:
基于各所述移动步长,根据所述历史占比数据和所述历史销量数据计算各型号的销售对象对应于所述移动步长的销量平均值;
通过所述初始销量预测模型,根据所述销量平均值预测对应于所述移动步长的销量。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据实时销量数据修正所述销量预测模型。
5.根据权利要求1所述的方法,其特征在于,所述销量影响因素包括人为因素、政策因素以及市场因素。
6.根据权利要求1所述的方法,其特征在于,所述销量预测模型的数量为多个;
各型号的销售对象分别对应于一个销量预测模型。
7.根据权利要求1所述的方法,其特征在于,还包括:
根据所述销量预测结果生成所述目标时段内销售对象的总销量、区域销量、销售主体的销量和/或各型号的销售对象的销量的报表图。
8.一种销量预测装置,其特征在于,包括:
获取模块,用于获取输入数据,所述输入数据包括设定时段内各型号的销售对象的销量数据、占比数据以及销量影响因素;
预测模块,用于将所述输入数据输入至预先训练的对应于最优移动步长的销量预测模型,得到目标时段内各型号的销售对象的销量预测结果。
9.一种电子设备,其特征在于,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计算机程序,所述计算机程序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1-7中任一所述的销量预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的销量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849045.0A CN115099877A (zh) | 2022-07-19 | 2022-07-19 | 销量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849045.0A CN115099877A (zh) | 2022-07-19 | 2022-07-19 | 销量预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099877A true CN115099877A (zh) | 2022-09-23 |
Family
ID=83299432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849045.0A Pending CN115099877A (zh) | 2022-07-19 | 2022-07-19 | 销量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099877A (zh) |
-
2022
- 2022-07-19 CN CN202210849045.0A patent/CN115099877A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919684A (zh) | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 | |
CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
CN109308538B (zh) | 成交转化率预测方法及装置 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
CN113312578A (zh) | 一种数据指标的波动归因方法、装置、设备、及介质 | |
CN110335090A (zh) | 基于商品销量分布预测的补货方法及系统、电子设备 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN108376301A (zh) | 股票走势预测装置、方法及可读存储介质 | |
CN112819215A (zh) | 推荐策略训练方法、装置、电子设备及可读存储介质 | |
CN110533485A (zh) | 一种对象选取的方法、装置、存储介质及电子设备 | |
CN115099877A (zh) | 销量预测方法、装置、电子设备及存储介质 | |
CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
CN115482116A (zh) | 资产投资策略信息的推荐方法、装置、设备及介质 | |
CN115453661A (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN108399170A (zh) | 数据挖掘方法以及装置 | |
CN105589950A (zh) | 事件属性语句确定及基于事件属性语句预警方法和装置 | |
CN110633860A (zh) | 最大需量的预测方法、装置、电子设备和存储介质 | |
CN116340702A (zh) | 一种期权隐含波动率确定方法、装置、设备及存储介质 | |
CN115168727B (zh) | 用户习惯的挖掘方法、装置及电子设备 | |
CN116308798A (zh) | 一种股票指标绘制方法、装置、设备及存储介质 | |
CN117787773A (zh) | 评估信息生成方法、装置、设备及平台 | |
CN115170329A (zh) | 一种科技项目的投资效益评价方法 | |
CN114820193A (zh) | 一种筹码变更曲线生成方法、装置、设备及存储介质 | |
CN115689152A (zh) | 企业产量的预测方法、装置、电子设备和介质 |
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 |