CN115358795A - 一种销售额预测方法 - Google Patents
一种销售额预测方法 Download PDFInfo
- Publication number
- CN115358795A CN115358795A CN202211020822.7A CN202211020822A CN115358795A CN 115358795 A CN115358795 A CN 115358795A CN 202211020822 A CN202211020822 A CN 202211020822A CN 115358795 A CN115358795 A CN 115358795A
- Authority
- CN
- China
- Prior art keywords
- sales
- observation value
- model
- prediction
- time observation
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (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
本发明公开了销售预测技术领域的一种销售额预测方法,该销售额预测方法包括如下步骤:首先对数据进行预处理,将数据按照日期进行排序,分为当前时间观测值和过去时间观测值,用当前时间的观测值和过去时间的观测值预测未来时间的销售额;将当前时间观测值和过去时间观测值带入到神经元模型中进行计算,预测未来时间的销售额,所述神经元模型包括多层感知器预测模型、卷积神经网络预测模型和长短期记忆网络记忆模型,本发明通过当前时间的观测值和过去时间的观测值预测未来时间的销售额,能够有效的对未来销售额进行预测。
Description
技术领域
本发明涉及销售预测技术领域,具体为一种销售额预测方法。
背景技术
需求与销量预测是管理决策领域的重要组成部分。对于现代成熟企业而言,准确地预测产品的销售趋势能够帮助企业较好的把握市场需求,为企业智库制定营销及库存调配策略提供重要参考。
目前,时间序列建模是预测销售量的常用方法,并在许多场景中得到了实际应用,传统的时间序列预测通过建立适当的数学模型对历史数据趋势进行拟合,例如,平滑技术、单变量时间序列预测、多元时间序列预测等,但当外界环境发生较大变化时,模型不能对其进行及时反映,因而预测往往会存在较大误差,另外,因变量与自变量之间的关系也常常会随外界环境动态变化,致使传统的时间序列预测模型无法进行有效预测。
发明内容
本发明的目的在于提供一种销售额预测方法,以解决上述背景技术中提出的当外界环境发生较大变化时,模型不能对其进行及时反映,因而预测往往会存在较大误差,另外,因变量与自变量之间的关系也常常会随外界环境动态变化,致使传统的时间序列预测模型无法进行有效预测的问题。
为实现上述目的,本发明提供如下技术方案:一种销售额预测方法,该销售额预测方法包括如下步骤:
S1:首先对数据进行预处理,将数据按照日期进行排序,分为当前时间观测值和过去时间观测值,用当前时间的观测值和过去时间的观测值预测未来时间的销售额;
S2:将当前时间观测值和过去时间观测值带入到神经元模型中进行计算,预测未来时间的销售额。
优选的,所述步骤S2中的神经元模型包括多层感知器预测模型、卷积神经网络预测模型和长短期记忆网络记忆模型。
与现有技术相比,本发明的有益效果是:该种销售额预测方法,通过当前时间的观测值和过去时间的观测值预测未来时间的销售额,能够有效的对未来销售额进行预测。
具体实施方式
下面将结合本发明实施例,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供一种销售额预测方法,通过当前时间的观测值和过去时间的观测值预测未来时间的销售额,能够有效的对未来销售额进行预测,该销售额预测方法包括如下步骤:
S1:首先对数据进行预处理,将数据按照日期进行排序,分为当前时间观测值和过去时间观测值,用当前时间的观测值和过去时间的观测值预测未来时间的销售额;
S2:将当前时间观测值和过去时间观测值带入到神经元模型中进行计算,预测未来时间的销售额,所述步骤S2中的神经元模型包括多层感知器预测模型、卷积神经网络预测模型和长短期记忆网络记忆模型。
实施例1
S1:首先对数据进行预处理,将数据按照日期进行排序,本研究的问题为通过已知的时间序列数据集对未来的公司销售额进行预测,因此需要将数据进行重构并得到一个可以进行监督学习的数据集,在时间序列的预测中,当前时间t和未来时间(t+1,t+2,…,t+n)作为预测时间,而过去的观测值(t-1,t-2,…,t-m)往往被用于预测,在本申请中,用当前时间t和过去时间(t-1,t-2,…,t-29)的观测值来预测90天后的销售额,然后将数据集按6:4的比例划分为训练集和验证集,最终得到训练集数据条目数为100746,验证集数据条目数为67164,Epoch数设置为40,Batch数设置为256,学习率设置为0.003,训练神经网络的优化算法设置为Adam算法;
S2:采用三层感知器,其中隐藏层的神经元数量为100,即输出数组维度为100,输出层结果为预测销售额,维度为1,模型相关参数如表1所示,
表1多层感知器模型
LAyer(type)Param | Output Shape |
dense_1 3100 | (None,100) |
dense_2 101 | (None,1) |
其中,隐藏层的激活函数被设置为ReLU(Rectified Linear Unit,修正线性单元)函数,也叫Rectified函数,是目前深度神经网络中较为广泛使用的激活函数,该函数是一个斜坡函数,定义为
损失函数用来量化模型预测和真实标签之间的差异,本申请中被定义为均方误差函数。
实施例2
S1:首先对数据进行预处理,将数据按照日期进行排序,本研究的问题为通过已知的时间序列数据集对未来的公司销售额进行预测,因此需要将数据进行重构并得到一个可以进行监督学习的数据集,在时间序列的预测中,当前时间t和未来时间(t+1,t+2,…,t+n)作为预测时间,而过去的观测值(t-1,t-2,…,t-m)往往被用于预测,在本申请中,用当前时间t和过去时间(t-1,t-2,…,t-29)的观测值来预测90天后的销售额,然后将数据集按6:4的比例划分为训练集和验证集,最终得到训练集数据条目数为100746,验证集数据条目数为67164,Epoch数设置为40,Batch数设置为256,学习率设置为0.003,训练神经网络的优化算法设置为Adam算法;
S2:本申请中,卷积神经网络层数为1,卷积核数据为64,感受野大小为2,激活函数为ReLU函数,池化层中,通过卷积层中的特征映射使用最大池化来减小输出维度,池大小为2,最后通过两层全连接层输出预测数据,第一个全连接层的输出维度为50,激活函数设置为ReLU函数,第二个全连接层输出维度为1,即为预测值。模型相关参数如表2所示
表2卷积神经网络模型
Layer(type)param | Output Shape |
Conv1d_1(Conv1D)192 | (None,29,64) |
max_pooling1d_1(Maxpooling1)0 | (None,14,64) |
flatten_1(Flatten)0 | (None,896) |
dense_3(Dense)44850 | (None,50) |
dense_4(Dense)51 | (None,1) |
该卷积神经网络使用Adam算法作为优化算法,均方误差作为损失函数。
实施例3
S1:首先对数据进行预处理,将数据按照日期进行排序,本研究的问题为通过已知的时间序列数据集对未来的公司销售额进行预测,因此需要将数据进行重构并得到一个可以进行监督学习的数据集,在时间序列的预测中,当前时间t和未来时间(t+1,t+2,…,t+n)作为预测时间,而过去的观测值(t-1,t-2,…,t-m)往往被用于预测,在本申请中,用当前时间t和过去时间(t-1,t-2,…,t-29)的观测值来预测90天后的销售额,然后将数据集按6:4的比例划分为训练集和验证集,最终得到训练集数据条目数为100746,验证集数据条目数为67164,Epoch数设置为40,Batch数设置为256,学习率设置为0.003,训练神经网络的优化算法设置为Adam算法;
本申请使用1层LSTM网络层,隐藏层神经元数目为50,激活函数为ReLU函数,全连接层输出维度为1,即为预测销售额,模型相关参数如表3所示,表3长短期记忆网络模型
Layer(type)param | Output Shape |
lstm_1(LSTM)10400 | (None,50) |
dense_5(Dense)51 | (None,1) |
本研究先后采用多层感知器、卷积神经网络以及长短期记忆神经网络模型对时间序列数据进行建模并预测,并使用均方根误差值(Rootmeansquarederror,RMSE)以及平均绝对误差(Meanabsoluteerror,MAE)进行测试集预测效果评估,其中,MSE以及MAE的值越小代表模型的预测精度越高,评估结果如表4所示。
表4实验结果
RMSE | MAE | |
多层感知器 | 18.42 | 13.90 |
卷积神经网络 | 18.59 | 14.17 |
长短期记忆网络 | 18.26 | 13.82 |
由此可得,长短期记忆网络的预测效果最佳;
对于多层感知器而言,模型并不会将输入视为时间序列数据,更具体而言,多层感知器可以被看作一个复杂的函数,每个输入是独立的,神经网络的输入只依赖于当前的输入,然而在很多现实任务中,网络的输入不仅与当前输入有关,也可能与过去的一段输入相关,因此多层感知器对于时间序列预测存在一定的局限性,而对于卷积神经网络而言,池化层的存在可能会使大量关键信息丢失,并忽略局部与整体之间的关联性,因而,长短期记忆神经网络,作为改进的循环神经网络更适用于时间序列数据的预测任务;
然而,长短期记忆网络模型虽然可以充分反映输入时间序列数据中的长期历史过程,但它并不能挖掘非连续数据之间蕴含的有效信息和潜在关系,因此,后续工作可以将卷积神经网络与长短期记忆神经网络进行结合,首先将各类数据构造为特征图作为卷积神经网络的输入并提取数据间的潜在关系作为特征向量,然后将特征向量以时序序列方式构造并作为输入数据,再采用长短期记忆网络进行预测,可能会进一步提升模型的准确度。
虽然在上文中已经参考实施例对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施例中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (2)
1.一种销售额预测方法,其特征在于:该销售额预测方法包括如下步骤:
S1:首先对数据进行预处理,将数据按照日期进行排序,分为当前时间观测值和过去时间观测值,用当前时间的观测值和过去时间的观测值预测未来时间的销售额;
S2:将当前时间观测值和过去时间观测值带入到神经元模型中进行计算,预测未来时间的销售额。
2.根据权利要求1所述的一种销售额预测方法,其特征在于:所述步骤S2中的神经元模型包括多层感知器预测模型、卷积神经网络预测模型和长短期记忆网络记忆模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211020822.7A CN115358795A (zh) | 2022-08-24 | 2022-08-24 | 一种销售额预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211020822.7A CN115358795A (zh) | 2022-08-24 | 2022-08-24 | 一种销售额预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358795A true CN115358795A (zh) | 2022-11-18 |
Family
ID=84004966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211020822.7A Pending CN115358795A (zh) | 2022-08-24 | 2022-08-24 | 一种销售额预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358795A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575685A (zh) * | 2024-01-17 | 2024-02-20 | 之江实验室科技控股有限公司 | 数据分析预警系统及方法 |
-
2022
- 2022-08-24 CN CN202211020822.7A patent/CN115358795A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575685A (zh) * | 2024-01-17 | 2024-02-20 | 之江实验室科技控股有限公司 | 数据分析预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Using gated recurrent unit network to forecast short-term load considering impact of electricity price | |
CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
CN110852426A (zh) | 基于知识蒸馏的预训练模型集成加速方法及装置 | |
CN111626785A (zh) | 一种基于结合注意力的cnn-lstm网络基金价格预测方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN114595874A (zh) | 一种基于动态神经网络的超短期电力负荷预测方法 | |
WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
Chinnathambi et al. | Deep neural networks (DNN) for day-ahead electricity price markets | |
CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
Chen et al. | House price prediction based on machine learning and deep learning methods | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN115358795A (zh) | 一种销售额预测方法 | |
CN116452240A (zh) | 一种碳交易价格预测系统、方法、设备及存储介质 | |
CN111292121A (zh) | 一种基于园区画像的园区负荷预测方法及系统 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
Shiao et al. | Modeling and prediction of time-series-a case study with forex data | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 |
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 |