CN115471260A - 基于神经网络的销售预测方法、装置、设备及介质 - Google Patents
基于神经网络的销售预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115471260A CN115471260A CN202211123901.0A CN202211123901A CN115471260A CN 115471260 A CN115471260 A CN 115471260A CN 202211123901 A CN202211123901 A CN 202211123901A CN 115471260 A CN115471260 A CN 115471260A
- Authority
- CN
- China
- Prior art keywords
- commodity
- vector
- behavior
- environment
- sales
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (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
本申请实施例提供的基于神经网络的销售预测方法、装置、设备及介质,包括:获取待预测的目标商品的时序样本数据;将目标商品的行为向量和类别向量输入至第一神经网络中,输出目标商品的行为权重;将目标商品的环境向量、类别向量以及销售向量输入至第二神经网络中,输出目标商品的环境权重;根据行为权重和环境权重进行融合处理;将目标商品的融合样本数据输入LSTM模型中,输出在预设的目标时间的销售预测值;通过上述方式,引入目标商品不同类型的商品属性因子进行预测,有利于提高销售预测的准确性;通过神经网络学习不同类型的向量与目标商品的类别之间的关系,使得各商品属性因子的时序样本数据更好的融合,有利于提高销售预测的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种基于神经网络的销售预测方法、装置、设备及介质。
背景技术
销售预测是指通过历史销售情况估算未来的销售额,准确预测销售额有助于进行合理的业务布局。现有技术中的销售预测方法大多根据历史销售额的时序样本数据,利用回归分析模型或其他预测模型进行销售预测,没有充分考虑多种商品属性因子,不适用于网上销售等较为复杂的应用场景,不利于提高销售预测的准确性。
发明内容
鉴于以上问题,本申请实施例提供一种基于神经网络的销售预测方法、装置、设备及介质,以解决上述技术问题。
第一方面,本申请实施例提供一种基于神经网络的销售预测方法,包括:
获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据,其中,所述多个商品属性因子按照预设类型被划分,所述预设类型包括环境类型、行为类型和销售类型;
获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重,其中,所述行为权重用于表征用户的对应行为对属于对应类别的所述目标商品的影响程度,所述行为向量是根据所述行为类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的;
获取所述目标商品的环境向量、类别向量和销售向量,将所述目标商品的环境向量、类别向量和销售向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重,其中,所述环境权重用于表征对应环境指标对属于对应类别的所述目标商品的销售的影响程度,所述环境向量是根据所述环境类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的,所述销售向量是根据所述销售类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的;
根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述目标商品的第一历史时间段的融合样本数据;
将所述目标商品的第一历史时间段的融合样本数据输入至预先训练好的LSTM模型中,输出所述目标商品在预设的目标时间的销售预测值,其中,所述LSTM模型是根据各商品在第二历史时段的融合样本数据以及各商品在目标历史时间的真实销售值训练得到的。
第二方面,本申请实施例还提供一种基于神经网络的销售预测装置,包括:
历史数据获取模块,用于获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据,其中,所述多个商品属性因子按照预设类型被划分,所述预设类型包括环境类型、行为类型和销售类型;
行为特征模块,用于获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重,其中,所述行为权重用于表征用户的对应行为对具有对应类别的所述目标商品的影响程度;
环境特征模块,用于获取所述目标商品的环境向量和类别向量,将所述目标商品的环境向量和类别向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重,其中,所述环境权重用于表征环境对具有对应类别的所述目标商品的影响程度;
特征融合模块,用于根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述目标商品的第一历史时间段的融合样本数据;
预测模块,用于将所述目标商品的第一历史时间段的融合样本数据输入至预先训练好的LSTM模型中,输出所述目标商品在预设的目标时间的销售预测值,其中,所述LSTM模型是根据各商品在第二历史时段的融合样本数据以及各商品在目标历史时间的真实销售值训练得到的。
第三方面,本申请实施例还提供一种电子设备,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现上述的基于神经网络的销售预测方法。
第三方面,本申请实施例还提供一种存储介质,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现上述的基于神经网络的销售预测方法。
本申请实施例提供的基于神经网络的销售预测方法、装置、设备及介质,包括:获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据;获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重;获取所述目标商品的环境向量和类别向量,将所述目标商品的环境向量和类别向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重;根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理;将所述目标商品的第一历史时间段的融合样本数据输入至预先训练好的LSTM模型中,输出所述目标商品在预设的目标时间的销售预测值;通过上述方式,引入目标商品不同类型的商品属性因子进行预测,有利于提高销售预测的准确性;通过神经网络学习不同类型的向量与目标商品的类别之间的关系,使得各商品属性因子的时序样本数据更好的融合,有利于提高销售预测的准确性。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
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示出了本申请一实施例提供的基于神经网络的销售预测方法的流程示意图。
图2示出了本申请一实施例提供的基于神经网络的销售预测装置的结构示意图。
图3示出了本申请一实施例提供的电子设备的结构示意图。
图4示出了本申请一实施例提供的存储介质的结构示意图。
具体实施方式
下面详细描述本申请的实施方式,实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性地,仅用于解释本申请,而不能理解为对本申请的限制。
为了使本技术领域的人员更好地理解本申请的方案,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、完整的描述。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。
本申请实施例中,至少一个是指一个或多个;多个,是指两个或两个以上。在本申请的描述中,“第一”、“第二”、“第三”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
在本说明书中描述的参考“一种实施方式”或“一些实施方式”等意味着在本申请的一个或多个实施方式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。
需要说明的是,本申请实施例中,“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
需要指出的是,本申请实施例中“连接”可以理解为电连接,两个电学元件连接可以是两个电学元件之间的直接或间接连接。例如,A与B连接,既可以是A与B直接连接,也可以是A与B之间通过一个或多个其它电学元件间接连接。
本申请一实施例提供一种基于神经网络的销售预测方法。所述基于神经网络的销售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基于神经网络的销售预测方法的电子设备中的至少一种。换言之,所述基于神经网络的销售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。
请参阅图1所示,为本申请一实施例提供的基于神经网络的销售预测方法的流程示意图。需注意的是,若有实质上相同的结果,本申请的方法并不以图1所示的流程顺序为限。在本实施例中,所述基于神经网络的销售预测方法包括如下步骤:
S10,获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据,其中,所述多个商品属性因子按照预设类型被划分,所述预设类型包括环境类型、行为类型和销售类型;
其中,商品属性因子可以包括销量、单价、浏览次数、浏览人数、分享次数、收藏次数、商品销售同比增长、一般预算收入等,其中,销量和单价被划分为销售类型,浏览次数、浏览人数、分享次数、收藏次数被划分为行为类型,商品销售同比增长和一般预算收入被划分为环境类型,在本申请中,环境类型的商品属性因子可以理解为可能影响商品销售的经济环境指标。
其中,第一历史时间段是数据采集所得历史数据的长度,时间跨度可能较大,例如,第一历史时间段可以为2021年7月至2022年6月、2020年1月至2021年12月或2022年1月至2022年3月。时序样本数据可以是按月获取的,例如,第一历史时间段为2021年7月至2022年6月时,商品属性因子的时序样本数据为按照时间顺序排列的12个数值。本领域技术人员应当理解,时序样本数据也可以按照预设时间长度获取,例如,预设时间长度还可以是5天、10天、半个月或三个月。
作为一种实施方式,步骤S10之后,还包括:
S11,针对同一预设类型的多个商品属性因子,获取每两个所述商品属性因子的第一历史时间段的时序样本数据的相似度;
例如,浏览次数和收藏次数均属于行为类型,浏览次数的时序样本数据和收藏次数的时序样本数据如果相似度较高,浏览次数和收藏次数对于预测的贡献接近,为了简化输入至预测模型中的数据结构,可以从中选择一个作为预测数据。
其中,计算两个时序样本数据的相似度,可以利用现有技术中的相似度计算方法,例如,计算两个时序样本数据的皮尔逊相关系数,若两个时序样本数据的皮尔逊系数大于或等于预设阈值时,确定两个时序样本数据相似。
S12,根据所述相似度对对应所述预设类型的所述商品属性因子进行筛选;
其中,针对同一类型中每两个商品属性因子的相似度计算结果,若确定二者相似,则删除其中一个保留另一个。
S20,获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重,其中,所述行为权重用于表征用户的对应行为对属于对应类别的所述目标商品的影响程度,所述行为向量是根据所述行为类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的;
其中,行为向量是根据行为数据获取的,类别向量是根据目标商品的类别获取的,类别可以为日用品类、汽车类、书籍类、虚拟产品类、服装类、金融产品类等,进一步地,类别可以进一步进行细分,例如,金融产品类可以包括保险产品子类、基金产品子类等,书籍类可以包括财经子类、娱乐子类、教育子类、法学子类、古生物学子类、天文学子类等。在实际应用场景中,日用品类的行为次数(行为次数包括上述的浏览次数、浏览人数或分享次数)明显高于书籍类的行为次数,在第一神经网络的训练过程中,第一神经网络对行为和类别之间的关系进行学习,对于同样的类别的商品,行为次数越多,说明行为对该商品的影响越大,行为权重越大;于是,针对同样属于日用品类的洗衣液和护发素,行为次数为50000次的洗衣液的行为权重大于行为次数为5000的护发素的行为权重;对于不同类别的目标商品,例如,日用品类和书籍类,书籍类比日用品类冷门,行为次数对书籍类的行为权重的影响比对日用品类的行为权重的影响小,可能行为次数为50000的日用品类的行为权重与行为次数为2000的书籍类的行为权重接近。
作为一种实施方式,行为向量可以利用行为类型中任意一个商品属性因子的时序样本数据进行构建,也可以利用行为类型中至少两个商品属性因子的时序样本数据进行构建。
作为一种实施方式,步骤S20具体包括以下步骤:
S21,根据所述行为类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的行为数据,根据所述行为数据获取所述行为向量;
在一些实施方式中,行为数据是第一历史时间段内各时序样本数据之和,在步骤S21中,首先,根据所述行为类型的所述商品属性因子的第一历史时间段的多个时序样本数据之和,获取所述商品属性因子在所述第一历史时间段的行为数据;其次,将每个所述商品属性因子的行为数据分别进行one-hot编码,得到第一行为编码数据;再次,将所述第一行为编码数据输入至Embedding层,输出Embedding表示的第二行为编码数据,将所述第二行为编码数据的集合作为所述行为向量。也就是说,可以先对行为数据进行离散化处理,再将高维离散化的特征通过Embedding层处理输出高维离散化特征对应的低维稠密特征。
S22,根据所述目标商品的类别数据获取所述类别向量;
作为一种实施方式,将目标商品的类别数据进行one-hot编码,得到高维类别向量;再次,将所述高维类别向量输入至Embedding层,输出Embedding表示的低维的类别向量。
S23,将所述目标商品的行为向量和类别向量输入至所述第一神经网络的至少一个特征提取层,对所述行为向量和所述类别向量进行交叉特征提取,得到行为及类别交叉特征;
作为一种实施方式,第一神经网络可以包括多个特征提取层,每个特征提取层用于提取隐含特征,每个特征提取层均带有注意力机制,下面以两个特征提取层为例进行说明,第一神经网络包括具有x1个节点的第一特征提取层以及具有x2个节点的第二特征提取层,输入至第一神经网络的向量为l0=[e1,e2],e1为行为向量,e2为类别向量,在第一特征提取层的每一个节点上对l0=[e1,e2]进行交叉特征提取,得到x1个不同的一级交叉特征,l1+1=σ(w1l1+b1),其中,σ为激活函数,l1,w1,b1分别为第一特征提取层的输出,权重和偏置;再将x1个不同的一级交叉特征输入至第二特征提取层,分别在第二特征提取层的每一个节点,对x1个不同的一级交叉特征进行交叉特征提取,得到x2个不同的行为及类别交叉特征,l2+1=σ(w2l2+b2),其中,σ为激活函数,l2,w2,b2分别为第二特征提取层的输出,权重和偏置。
S24,将所述行为及类别交叉特征在所述第一神经网络的输出层中经过Sigmoid函数进行非线性映射,输出所述行为权重;
其中,输出层的激活函数为Sigmoid函数,x2个不同的行为及类别交叉特征在输出层中经过Sigmoid函数进行非线性映射,输出的行为权重为0~1之间的值。
S30,获取所述目标商品的环境向量、类别向量和销售向量,将所述目标商品的环境向量、类别向量和销售向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重,其中,所述环境权重用于表征对应环境指标对属于对应类别的所述目标商品的销售的影响程度,所述环境向量是根据所述环境类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的,所述销售向量是根据所述销售类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的;
其中,环境向量是根据环境数据获取的,销售向量是根据销售数据获取的,类别向量是根据类别数据获取的,在实际应用场景中,对于不同类别的目标商品,环境对其销售的影响程度不同,例如,日用品类别的目标商品与汽车类别的目标商品,销售情况受到环境经济指标的影响程度是不同的,环境向量的变化可能并不会导致日用品类别的目标商品销售情况改变,但是环境向量的变化会导致汽车类别的目标商品销售情况改变,对于不同类别的目标商品,销售受到环境影响程度越高,环境权重越大。
作为一种实施方式,环境向量可以利用环境类型中任意一个商品属性因子的时序样本数据进行构建,也可以利用环境类型中至少两个商品属性因子的时序样本数据进行构建。同样地,销售向量可以利用销售类型中任意一个商品属性因子的时序样本数据进行构建,也可以利用销售类型中至少两个商品属性因子的时序样本数据进行构建。
在一些实施方式中,步骤S30具体包括如下步骤:
S31,根据所述环境类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的环境数据,根据所述环境数据获取所述环境向量;
作为一种实施方式,环境数据是第一历史时间段内各时序样本数据的平均值,在步骤S31中,首先,根据所述环境类型的所述商品属性因子的第一历史时间段的多个时序样本数据的平均值,获取所述商品属性因子在所述第一历史时间段的环境数据;其次,将每个所述商品属性因子的环境数据分别进行one-hot编码,得到第一环境编码数据;最后,将所述第一环境编码数据输入至Embedding层,输出Embedding表示的第二环境编码数据,将所述第二环境编码数据的集合作为所述环境向量。
S32,根据所述销售类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的销售数据,根据所述销售数据获取所述销售向量;
在一些实施方式中,销售数据是第一历史时间段内各时序样本数据之和,在步骤S32中,首先,根据所述销售类型的所述商品属性因子的第一历史时间段的多个时序样本数据之和,获取所述商品属性因子在所述第一历史时间段的销售数据;其次,将每个所述商品属性因子的行为数据分别进行one-hot编码,得到第一销售编码数据;再次,将所述第一销售编码数据输入至Embedding层,输出Embedding表示的第二销售编码数据,将所述第二销售编码数据的集合作为所述销售向量。
S33,根据所述目标商品的类别数据获取所述类别向量;
作为一种实施方式,将目标商品的类别数据进行one-hot编码,得到高维类别向量;再次,将所述高维类别向量输入至Embedding层,输出Embedding表示的低维的类别向量。
S34,将所述目标商品的环境向量、类别向量和销售向量输入至所述第二神经网络的至少一个特征提取层,对所述环境向量、类别向量和所述销售向量进行交叉特征提取,得到环境及销售交叉特征;
作为一种实施方式,第二神经网络可以包括多个特征提取层,每个特征提取层用于提取隐含特征,每个特征提取层均带有注意力机制,下面以两个特征提取层为例进行说明,第二神经网络包括具有x3个节点的第三特征提取层以及具有x4个节点的第四特征提取层,输入至第二神经网络的向量为k0=[f1,f2,f3],f1为类别向量,f2为环境向量,f3为销售向量,在第三特征提取层的每一个节点上对k0=[f1,f2,f3]进行交叉特征提取,得到x3个不同的交叉特征,k1+1=σ(w3k1+b3),其中,σ为激活函数,k1,w3,b3分别为第三特征提取层的输出,权重和偏置;再将x3个不同的交叉特征输入至第四特征提取层,分别在第四特征提取层的每一个节点,对x3个不同的交叉特征进行交叉特征提取,得到x4个不同的环境及销售交叉特征,k2+1=σ(w4k2+b4),其中,σ为激活函数,k2,w4,b4分别为第四特征提取层的输出,权重和偏置。
S35,将所述环境及销售交叉特征在所述第二神经网络的输出层中经过Sigmoid函数进行非线性映射,输出所述环境权重;
其中,输出层的激活函数为Sigmoid函数,x4个不同的环境及销售交叉特征在输出层中经过Sigmoid函数进行非线性映射,输出的环境权重为0~1之间的值。
S40,根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述目标商品的第一历史时间段的融合样本数据;
作为一种实施方式,步骤S40具体包括如下步骤:
S41,对所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据分别进行归一化处理,得到所述目标商品的多个商品属性因子的第一历史时间段的标准时序样本数据;
S42,获取所述行为权重与所述环境权重的权重和,根据数值1与所述权重和的差值计算销售权重;
S43,将所述行为权重作为所述行为类型的商品属性因子的权重,将所述环境权重作为所述环境类型的商品属性因子的权重,将所述销售权重作为所述销售类型的商品属性因子的权重,将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述融合样本数据。
其中,将行为类型的商品属性因子的第一历史时间段的时序样本数据乘以行为权重,将环境类型的商品属性因子的第一历史时间段的时序样本数据乘以环境权重,将销售类型的商品属性因子的第一历史时间段的时序样本数据乘以销售权重,再将各商品属性因子的第一历史时间段的时序样本数据作为融合样本数据。
S50,将所述目标商品的第一历史时间段的融合样本数据输入至预先训练好的LSTM模型中,输出所述目标商品在预设的目标时间的销售预测值,其中,所述LSTM模型是根据各商品在第二历史时段的融合样本数据以及各商品在目标历史时间的真实销售值训练得到的;
其中,长短期记忆网络LSTM能轻松学习到长期依赖信息,更有利于使用历史数据来进行销售预测。作为一种实施方式,销售预测值为目标商品的销售额。
在本实施例中,在进行模型训练时,将第一神经网络、第二神经网络和LSTM模型进行联合训练,有利于第一神经网络深入学习行为与类别的关系以及第二神经网络充分学习不同类别的商品环境和销售的关系,使得不同类型的商品属性因子的历史数据更好的融合,以提高LSTM模型的预测准确性。
如图2所示,本申请一实施例提供一种基于神经网络的销售预测装置,该基于神经网络的销售预测装置20包括:历史数据获取模块21、行为特征模块22、环境特征模块23、特征融合模块24以及预测模块25,其中,历史数据获取模块21,用于获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据,其中,所述多个商品属性因子按照预设类型被划分,所述预设类型包括环境类型、行为类型和销售类型;行为特征模块22,用于获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重,其中,所述行为权重用于表征用户的对应行为对具有对应类别的所述目标商品的影响程度;环境特征模块23,用于获取所述目标商品的环境向量和类别向量,将所述目标商品的环境向量和类别向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重,其中,所述环境权重用于表征环境对具有对应类别的所述目标商品的影响程度;特征融合模块24,用于根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述目标商品的第一历史时间段的融合样本数据;预测模块25,用于将所述目标商品的第一历史时间段的融合样本数据输入至预先训练好的LSTM模型中,输出所述目标商品在预设的目标时间的销售预测值,其中,所述LSTM模型是根据各商品在第二历史时段的融合样本数据以及各商品在目标历史时间的真实销售值训练得到的。
在一些实施方式中,该历史数据获取模块21还用于:针对同一预设类型的多个商品属性因子,获取每两个所述商品属性因子的第一历史时间段的时序样本数据的相似度;根据所述相似度对对应所述预设类型的所述商品属性因子进行筛选。
在一些实施方式中,该行为特征模块22还用于:根据所述行为类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的行为数据,根据所述行为数据获取所述行为向量;根据所述目标商品的类别数据获取所述类别向量;将所述目标商品的行为向量和类别向量输入至所述第一神经网络的至少一个特征提取层,对所述行为向量和所述类别向量进行交叉特征提取,得到行为及类别交叉特征;将所述行为及类别交叉特征在所述第一神经网络的输出层中经过Sigmoid函数进行非线性映射,输出所述行为权重。
在一些实施方式中,该环境特征模块23还用于:根据所述环境类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的环境数据,根据所述环境数据获取所述环境向量;根据所述销售类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的销售数据,根据所述销售数据获取所述销售向量;根据所述目标商品的类别数据获取所述类别向量;将所述目标商品的环境向量、类别向量和销售向量输入至所述第二神经网络的至少一个特征提取层,对所述环境向量、类别向量和所述销售向量进行交叉特征提取,得到环境及销售交叉特征;将所述环境及销售交叉特征在所述第二神经网络的输出层中经过Sigmoid函数进行非线性映射,输出所述环境权重。
在一些实施方式中,该特征融合模块24还用于:对所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据分别进行归一化处理,得到所述目标商品的多个商品属性因子的第一历史时间段的标准时序样本数据;获取所述行为权重与所述环境权重的权重和,根据数值1与所述权重和的差值计算销售权重;将所述行为权重作为所述行为类型的商品属性因子的权重,将所述环境权重作为所述环境类型的商品属性因子的权重,将所述销售权重作为所述销售类型的商品属性因子的权重,将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述融合样本数据。
在一些实施方式中,该行为特征模块22还用于:根据所述行为类型的所述商品属性因子的第一历史时间段的多个时序样本数据之和,获取所述商品属性因子在所述第一历史时间段的行为数据;将每个所述商品属性因子的行为数据分别进行one-hot编码,得到第一行为编码数据;将所述第一行为编码数据输入至Embedding层,输出Embedding表示的第二行为编码数据,将所述第二行为编码数据的集合作为所述行为向量。
在一些实施方式中,该环境特征模块23还用于:根据所述环境类型的所述商品属性因子的第一历史时间段的多个时序样本数据的平均值,获取所述商品属性因子在所述第一历史时间段的环境数据;将每个所述商品属性因子的环境数据分别进行one-hot编码,得到第一环境编码数据;将所述第一环境编码数据输入至Embedding层,输出Embedding表示的第二环境编码数据,将所述第二环境编码数据的集合作为所述环境向量。
图3是本申请一实施例的电子设备的结构示意图。如图3所示,该电子设备30包括处理器31及和处理器31耦接的存储器32。
存储器32存储有用于实现上述任一实施例的基于神经网络的销售预测方法的程序指令。
处理器31用于执行存储器32存储的程序指令以进行基于神经网络的销售预测。
其中,处理器31还可以称为CPU(Central Processing Unit,中央处理单元)。处理器31可能是一种集成电路芯片,具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。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。
参阅图4,图4为本申请一实施例的存储介质的结构示意图。本申请实施例的存储介质40存储有能够实现上述所有方法的程序指令41,其中,该程序指令41可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,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,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元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。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围。
以上,仅是本申请的较佳实施例而已,并非对本申请作任何形式上的限制,虽然本申请已以较佳实施例揭示如上,然而并非用以限定本申请,任何本领域技术人员,在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容,依据本申请的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本申请技术方案的范围内。
Claims (10)
1.一种基于神经网络的销售预测方法,其特征在于,包括:
获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据,其中,所述多个商品属性因子按照预设类型被划分,所述预设类型包括环境类型、行为类型和销售类型;
获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重,其中,所述行为权重用于表征用户的对应行为对属于对应类别的所述目标商品的影响程度,所述行为向量是根据所述行为类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的;
获取所述目标商品的环境向量、类别向量和销售向量,将所述目标商品的环境向量、类别向量和销售向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重,其中,所述环境权重用于表征对应环境指标对属于对应类别的所述目标商品的销售的影响程度,所述环境向量是根据所述环境类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的,所述销售向量是根据所述销售类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的;
根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述目标商品的第一历史时间段的融合样本数据;
将所述目标商品的第一历史时间段的融合样本数据输入至预先训练好的LSTM模型中,输出所述目标商品在预设的目标时间的销售预测值,其中,所述LSTM模型是根据各商品在第二历史时段的融合样本数据以及各商品在目标历史时间的真实销售值训练得到的。
2.根据权利要求1所述的基于神经网络的销售预测方法,其特征在于,所述获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据之后,还包括:
针对同一预设类型的多个商品属性因子,获取每两个所述商品属性因子的第一历史时间段的时序样本数据的相似度;
根据所述相似度对对应所述预设类型的所述商品属性因子进行筛选。
3.根据权利要求1所述的基于神经网络的销售预测方法,其特征在于,所述获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重,包括:
根据所述行为类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的行为数据,根据所述行为数据获取所述行为向量;
根据所述目标商品的类别数据获取所述类别向量;
将所述目标商品的行为向量和类别向量输入至所述第一神经网络的至少一个特征提取层,对所述行为向量和所述类别向量进行交叉特征提取,得到行为及类别交叉特征;
将所述行为及类别交叉特征在所述第一神经网络的输出层中经过Sigmoid函数进行非线性映射,输出所述行为权重。
4.根据权利要求3所述的基于神经网络的销售预测方法,其特征在于,所述获取所述目标商品的环境向量和类别向量,将所述目标商品的环境向量和类别向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重,包括:
根据所述环境类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的环境数据,根据所述环境数据获取所述环境向量;
根据所述销售类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的销售数据,根据所述销售数据获取所述销售向量;
根据所述目标商品的类别数据获取所述类别向量;
将所述目标商品的环境向量、类别向量和销售向量输入至所述第二神经网络的至少一个特征提取层,对所述环境向量、类别向量和所述销售向量进行交叉特征提取,得到环境及销售交叉特征;
将所述环境及销售交叉特征在所述第二神经网络的输出层中经过Sigmoid函数进行非线性映射,输出所述环境权重。
5.根据权利要求4所述的基于神经网络的销售预测方法,其特征在于,所述根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述目标商品的第一历史时间段的融合样本数据,包括:
对所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据分别进行归一化处理,得到所述目标商品的多个商品属性因子的第一历史时间段的标准时序样本数据;
获取所述行为权重与所述环境权重的权重和,根据数值1与所述权重和的差值计算销售权重;
将所述行为权重作为所述行为类型的商品属性因子的权重,将所述环境权重作为所述环境类型的商品属性因子的权重,将所述销售权重作为所述销售类型的商品属性因子的权重,将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述融合样本数据。
6.根据权利要求4所述的基于神经网络的销售预测方法,其特征在于,所述根据所述行为类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的行为数据,根据所述行为数据获取所述行为向量,包括:
根据所述行为类型的所述商品属性因子的第一历史时间段的多个时序样本数据之和,获取所述商品属性因子在所述第一历史时间段的行为数据;
将每个所述商品属性因子的行为数据分别进行one-hot编码,得到第一行为编码数据;
将所述第一行为编码数据输入至Embedding层,输出Embedding表示的第二行为编码数据,将所述第二行为编码数据的集合作为所述行为向量。
7.根据权利要求4所述的基于神经网络的销售预测方法,其特征在于,所述根据所述环境类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据获取所述目标商品在所述第一历史时间段的环境数据,根据所述环境数据获取所述环境向量,包括:
根据所述环境类型的所述商品属性因子的第一历史时间段的多个时序样本数据的平均值,获取所述商品属性因子在所述第一历史时间段的环境数据;
将每个所述商品属性因子的环境数据分别进行one-hot编码,得到第一环境编码数据;
将所述第一环境编码数据输入至Embedding层,输出Embedding表示的第二环境编码数据,将所述第二环境编码数据的集合作为所述环境向量。
8.一种基于神经网络的销售预测装置,其特征在于,包括:
历史数据获取模块,用于获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据,其中,所述多个商品属性因子按照预设类型被划分,所述预设类型包括环境类型、行为类型和销售类型;
行为特征模块,用于获取所述目标商品的行为向量和类别向量,将所述目标商品的行为向量和类别向量输入至预先训练好的第一神经网络中,输出所述目标商品的行为权重,其中,所述行为权重用于表征用户的对应行为对具有对应类别的所述目标商品的影响程度;
环境特征模块,用于获取所述目标商品的环境向量和类别向量,将所述目标商品的环境向量和类别向量输入至预先训练好的第二神经网络中,输出所述目标商品的环境权重,其中,所述环境权重用于表征环境对具有对应类别的所述目标商品的影响程度;
特征融合模块,用于根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处理,得到所述目标商品的第一历史时间段的融合样本数据;
预测模块,用于将所述目标商品的第一历史时间段的融合样本数据输入至预先训练好的LSTM模型中,输出所述目标商品在预设的目标时间的销售预测值,其中,所述LSTM模型是根据各商品在第二历史时段的融合样本数据以及各商品在目标历史时间的真实销售值训练得到的。
9.一种电子设备,其特征在于,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至7中任一项所述的基于神经网络的销售预测方法。
10.一种存储介质,其特征在于,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如权利要求1至7中任一项所述的基于神经网络的销售预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123901.0A CN115471260A (zh) | 2022-09-15 | 2022-09-15 | 基于神经网络的销售预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211123901.0A CN115471260A (zh) | 2022-09-15 | 2022-09-15 | 基于神经网络的销售预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115471260A true CN115471260A (zh) | 2022-12-13 |
Family
ID=84333316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211123901.0A Pending CN115471260A (zh) | 2022-09-15 | 2022-09-15 | 基于神经网络的销售预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471260A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841343A (zh) * | 2022-12-16 | 2023-03-24 | 广州飞狮数字科技有限公司 | 一种销售额度的确定方法及装置 |
-
2022
- 2022-09-15 CN CN202211123901.0A patent/CN115471260A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841343A (zh) * | 2022-12-16 | 2023-03-24 | 广州飞狮数字科技有限公司 | 一种销售额度的确定方法及装置 |
CN115841343B (zh) * | 2022-12-16 | 2024-01-30 | 广州飞狮数字科技有限公司 | 一种销售额度的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kotu et al. | Predictive analytics and data mining: concepts and practice with rapidminer | |
CN113508378B (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN111626832B (zh) | 产品推荐方法、装置及计算机设备 | |
CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN110647696A (zh) | 一种业务对象的排序方法及装置 | |
CN112001754A (zh) | 用户画像生成方法、装置、设备及计算机可读介质 | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN114372573A (zh) | 用户画像信息识别方法、装置、计算机设备和存储介质 | |
CN112818218A (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
CN114511387A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
CN115471260A (zh) | 基于神经网络的销售预测方法、装置、设备及介质 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN112991026A (zh) | 一种商品推荐方法、系统、设备及计算机可读存储介质 | |
Yang et al. | Examining multi-category cross purchases models with increasing dataset scale–An artificial neural network approach | |
CN112435068A (zh) | 一种恶意订单识别方法、装置、电子设备及存储介质 | |
López-Díaz et al. | A stochastic comparison of customer classifiers with an application to customer attrition in commercial banking | |
CN114756720B (zh) | 时序数据的预测方法及装置 | |
CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN111177657B (zh) | 需求确定方法、系统、电子设备及存储介质 | |
CN114549174A (zh) | 用户行为预测方法、装置、计算机设备和存储介质 | |
US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress |
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 |