CN115730980A - 基于多模型融合的商品价格数据预测方法、装置及介质 - Google Patents
基于多模型融合的商品价格数据预测方法、装置及介质 Download PDFInfo
- Publication number
- CN115730980A CN115730980A CN202211468254.7A CN202211468254A CN115730980A CN 115730980 A CN115730980 A CN 115730980A CN 202211468254 A CN202211468254 A CN 202211468254A CN 115730980 A CN115730980 A CN 115730980A
- Authority
- CN
- China
- Prior art keywords
- price
- commodity
- model
- fitting
- optimal
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多模型融合的商品价格数据预测方法、装置及介质,该方法包括:获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;采用柯布‑道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;采用贝尔曼方程预测所述第三商品的第三模型最优价格;基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,得到最终定价。本发明可实现门店个性化商品定价以及提高商品定价精度。
Description
技术领域
本发明涉及计算机软件技术领域,特别涉及基于多模型融合的商品价格数据预测方法、装置及介质。
背景技术
传统定价是以商品毛利率倒推价格策略,针对不同等级统一定价,无法针对每个门店sku(最小存货单位)针对性定价。当前市面上的定价策略一般是基于算法定价,但是仅仅针对线上的因素进行定价,缺乏考虑线下复杂因素,并且参考的因素较为单一,普遍性和推广性均不高。
对于线下来说,由于不同地区、门店、商圈属性用户群体不同,因此各自需求也不同,而目前线下门店定价策略通常针对同等级门店使用同等级策略,且根据毛利率以经验倒推定价策略,这种定价方式效率低且并无法灵活适用于不同场景下的门店,即无法做到针对性定价。此外,对于日清零库存模式的门店,目前市面上定价策略通常是在现有库存基础上定价,但这种方式并适用于同一商家不同地区下的门店。
还有,门店商品存在季节性,即不同季节下的商品价格差别较大,且较多sku的价格与销售关系并不明显,同时尾部商品价格随机性较大,商品之间关联性、替补性、互补性较强,实际定价需考虑因素较多,较难定制合理的价格策略。因此,如何实现门店个性化定价,以及实现各自门店精准定价是本领域技术人员需要解决的问题。
发明内容
本发明实施例提供了一种基于多模型融合的商品价格数据预测方法、装置、计算机设备及存储介质,旨在实现门店个性化商品定价以及提高商品定价精度。
第一方面,本发明实施例提供了一种基于多模型融合的商品价格数据预测方法,包括:
获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;
通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;其中,所述拟合关系包括第一拟合关系、第二拟合关系和第三拟合关系;
针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;
针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;
针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格;
基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价。
第二方面,本发明实施例提供了一种基于多模型融合的商品价格数据预测装置,包括:
模型构建单元,用于获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;
拟合关系获取单元,用于通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;其中,所述拟合关系包括第一拟合关系、第二拟合关系和第三拟合关系;
第一价格输出单元,用于针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;
第二价格输出单元,用于针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;
第三价格输出单元,用于针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格;
调控定价单元,用于基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的基于多模型融合的商品价格数据预测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于多模型融合的商品价格数据预测方法。
本发明实施例提供了一种基于多模型融合的商品价格数据预测方法、装置、计算机设备及存储介质,该方法包括:获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;其中,所述拟合关系包括第一拟合关系、第二拟合关系和第三拟合关系;针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格;基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价。本发明实施例通过构建价格与销量模型,并融合利润方程、柯布-道格拉斯生成函数和贝尔曼方程等多种模型,对商品售价进行预测调控,从而实现门店个性化商品定价,以及提高商品定价精度。
附图说明
为了更清楚地说明本发明实施例技术方案,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,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例提供的一种基于多模型融合的商品价格数据预测方法的流程示意图;
图2为本发明实施例提供的一种基于多模型融合的商品价格数据预测方法的子流程示意图;
图3为本发明实施例提供的一种基于多模型融合的商品价格数据预测方法的整体流程图;
图4为本发明实施例提供的一种基于多模型融合的商品价格数据预测装置的示意性框图;
图5为本发明实施例提供的一种基于多模型融合的商品价格数据预测装置的子示意性框图.
具体实施方式
下面将结合本发明实施例中的附图,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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参见图1,图1为本发明实施例提供的一种基于多模型融合的商品价格数据预测方法的流程示意图,具体包括:步骤S101~S106。
S101、获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;
S102、通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;其中,所述拟合关系包括第一拟合关系、第二拟合关系和第三拟合关系;
S103、针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;
S104、针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;
S105、针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格;
S106、基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价。
本实施例中,首先构建关于价格和销量的价格与销量模型,接着利用该价格与销量模型对门店商品进行拟合,得到相应的拟合关系。然后根据不同的拟合关系,分别采用利润方程、柯布-道格拉斯生成函数和贝尔曼方程等模型预测输出不同拟合关系下的模型最优价格,并进一步根据规则策略对得到的模型最优价格进行调控,使其更贴合门店实际需求,从而得到商品的最终定价。
结合图3,本实施例通过构建价格与销量模型,并融合利润方程、柯布-道格拉斯生成函数和贝尔曼方程等多种模型,对商品售价进行预测调控,从而实现门店个性化商品定价,以及提高商品定价精度。本实施例针对头部、尾部、价格弹性等多场景的不同门店、不同类型商品针对性定价,对比市面上很多定价策略,可相对提高定价合理性;并且本实施例特别适用于零库存日结方式定价的门店以及处于回本周期方式定价的门店,可助于门店加速回本。
在一实施例中,如图2所示,所述步骤S101包括:步骤S201~S203。
S201、根据统计学方式获取价格指标变量;其中,价格指标变量包括:售价、出库价、销售率、客数、价格等级、毛利、时段折扣率;
S202、从所述价格指标变量中筛选模型特征,构建特征工程;其中,特征工程包括天气特征、活动特征、订购特征、售价特征和对比区域特征;
S203、结合门店商品交叉属性及所述特征工程,按照下式构建所述价格与销量模型:
式中,q代表第i个商品销量,p表示价格策略向量,fij(i≠j)表示价格对销量影响特征模型,git表示其他特征对销量的影响,r表示扩展特征向量,j表示第j个商品,N表示商品总数。
进一步的,所述步骤S101还包括:
通过R方值对所述价格与销量模型进行拟合度评价,以及采用P-value值对所述价格与销量模型进行可信度评价。
本实施例中,因门店是日清模式,故在每天某一时间点(例如19点)后每隔一段时间(例如半个小时)会进行不同折扣促销,故为提升门店业绩应尽量提升门店该时间点前的销售,降低晚上时段折扣率,故构建价格与该时间点前的销量模型,以预测门店商品在不同价格下对应该时间点前的销量。通过构建价格与销量模型,可以拟合每个商品的价格与销量对应关系,因不同门店用户群体不同、门店订购基数等因素导致所有商品都是价格与该时间点前销量拟合关系特别好,因此针对不同情况会有不同定价策略。
在构建价格与销量模型时,首先从业务与统计学视角出发,分析影响门店价格相关因素,通过均值、中位数、最大值、最小值等统计学方式分析变量,指标变量包括:售价、出库价、销售率、客数、价格等级、毛利、时段折扣率、19点前销售量、19点后销售量等。接着从统计变量中筛选模型特征,构建特征工程。其中的特征维度可以包括:天气特征,例如日常天气、小时粒度天气等;活动特征,例如常规促销活动、临促活动、爆款活动等;订购特征,例如订购量、sku对应大类订购量、sku对应大类订购金额、订购大类sku的数量等;售价特征,例如售价、售价等级、售价与上周最小价格差值、售价与上周最大价格差值、售价与上周均值差值、当前售价与最小售价差值、价格变异系数等;对比区域特征,例如售价在大区内的等级、售价与大区最小售价差值、大区门店数据量、大区最高销售率、大区最低销售率、大区平均售价等。
然后针对每个门店每个sku(最小存货单位)构建价格与该时间点前销量回归模型,即假设门店有N个商品,结合门店商品交叉属性及结合多维度特征,构建整体算法方程为:
其中,q(p,r):q代表第i个商品销量,p表示价格策略向量,[p1,p2,p3....pn],fij(i≠j)表示价格对销量影响特征模型,体现商品交叉价格影响,商品交叉价格影响可体现商品之间的特性,比如互补性、替补性商品,通过对某个商品调整价格会影响同类型或互斥类型商品的销售,故模型考虑商品交叉价格弹性的影响,整体表达式为:其中a b为多项回归式系数,c为常数,git表示其他特征对销量的影响,r表示扩展特征向量,如天气、星期、订购等,组成[r1,r2,r3.....rt]向量。
由于生鲜等商品实际周期性强,故git方程考虑通过模型为transformer时间序列预测模型,模型模型由编码器和解码器组成,其中编码器将各特征的近一段时间序列值作为模型输入,解码器以自回归方式预测未来n天的销售。
进一步的,采用回归类算法常用效果评估方式对构建的价格与销量模型进行评价。具体为:
R方值:模型拟合度评价,通过R方值判断模型拟合程度,并拟合效果较差的商品可以采用其他方式调价;
P-value值:自变量系数可信度评价通,并从置信区间中,找寻调价幅度空间。
在一实施例中,所述第一拟合关系表示商品拟合效果达到预设拟合阈值;
所述步骤S103包括:
按照下式,根据商品毛利润与成本构建利润方程:
式中,l(p)表示商品毛利润,ci表示第i个商品的成本,i表示第i个商品,M表示商品总数;
设置所述第一商品的价格范围,并利用所述价格与销量模型预测所述价格范围内每一价格对应的第一预测销量;
结合所述第一预测销量,通过所述利润方程计算所述价格范围内每一价格的毛利润,并选取毛利润最大的价格作为所述第一模型最优价格。
本实施例中,针对在价格与销量模型中拟合效果好的商品,即对应第一拟合关系的第一商品,可通过不同价格预测不同的销量,构建利润方程策略得到对应的第一模型最优价格。具体来说,首先构建利润方程公式,接着设置价格范围,然后通过遍历所有价格,利用所述价格与销量模型预测每个价格下对应的销量,即所述第一预测销量;随后根据所述第一预测销量,调用利润方程求取不同的价格下对应的毛利润,选取最大毛利润的价格作为第一商品的第一模型最优价格。
在一实施例中,所述第二拟合关系表示商品拟合效果未达到预设拟合阈值且商品价格弹性超出预设价格范围;
所述步骤S104包括:
按照下式,利用所述价格与销量模型预测所述第二商品的价格弹性和第二预测销量,并结合所述第二商品的目标销量构建调价方程:
Qt-Q(p)=Qt-Qy*p∈
式中,Qt表示目标销量,Qy表示第二预测销量,Q(p)表示价格对应的销量,ε表示价格弹性;
利用所述调价方程对所述第二商品进行调价,以得到所述第二模型最优价格。
本实施例中,针对价格与销量模型拟合效果一般但价格弹性高的商品,即所述第二拟合关系对应的第二商品,因价格弹性高,价格对销量敏感性大,与Cobb-Douglas-function(即所述柯布-道格拉斯生成函数)通过资本与劳动力的弹性构建社会经济效益模型类似,本实施例采用Cobb-Douglas-function对具有价格弹性的第二商品进行调价,即针对销售好的第二商品根据价格弹性进行适当涨价,针对销售差的第二商品根据价格弹性适当降价。具体来说,首先根据价格与销量模型输出第二商品的价格弹性,然后结合价格弹性进行调价,通过预测销量与目标销量构建调整变化率进行调价,从而得到所述第二模型最优价格。此处构建的调价方程如下所示:
Qt-Q(p)=Qt-Qy*p∈
其中,Qt为目标销量,Qy为第二预测销量,Q(p)为价格对应的销量,ε表示价格弹性。
在一实施例中,所述第三拟合关系表示商品拟合效果未达到预设拟合阈值且商品价格弹性处于预设价格范围内;
所述步骤S105包括:
按照下式构建贝尔曼方程:
V(s)=E[Rt+1+γv(St+1)|St=s]
式中,V(s)表示当前状态的价值,S表示状态,E表示价格分布,Rt+1表示即时奖励,γ表示衰减系数,γv(St+1)表示后续状态的折扣价值函数;
设置所述第三商品的价格分布范围,通过所述贝尔曼方程计算得到最优价值函数,并将所述最优价值函数对应的售价作为所述第三模型最优价格输出。
本实施例中,针对价格与销量模型效果一般且价格弹性一般的商品,即所述第三拟合关系下的第三商品,通常此类商品为门店最小订购量商品,尾部的商品,订购基数少,库存量少,价格随机性较大,往往定价高与低都能卖的出去,寻求最优价较为困难。而强化学习是通过不断地进行试错寻找最优解,通过智能体与环境进行交互,观察结果,获得奖励与惩罚,得到优化策略,改变环境状态,不断地尝试找出最优解,因此本实施例基于强化学习思想构建贝尔曼方程探索价格分布中最优的策略。
首先构建算法模型:获取每个价格对应的价格在上述时间点前的销量分布;接着通过算法在分布中随机枚举迭代,求价格分布中最可能出现的销量。然后选定价格作为售价,通过售价的销量数据,优化价格对应分布。通过构建贝尔曼方程,并设置价格分布范围,遍历价格,找出max(V(s))最优价值函数对应的售价即为所述的第三模型最优价格。
在一实施例中,所述步骤S106包括:
根据当前出库商品、时间段出库价均值计算价格变动率;
将所述价格变动率与指定价格阈值进行比较,并当价格变动率大于指定价格阈值时,修改第一模型最优价格、第二模型最优价格和第三模型最优价格;以及当变动率小于或者等于指定价格阈值时,采用第一模型最优价格、第二模型最优价格和第三模型最优价格作为最终的商品定价;
结合时间段出库价与指定价格阈值对最终的商品定价进行约束。
本实施例中,基于价格与销量模型输出价格策略(即所述第一模型最优价格、第二模型最优价格和第三模型最优价格)后,再基于规则策略,通过指定价格阈值对最优模型价格进行调控,即调控上述时间点前的销售率、时段折扣率。具体的,为避免采购价、出库价波动引起价格变动对门店影响大,故结合出库价变动进行优化价格策略,即价格变动率=(当前出库/时间段出库价均值-指定阈值)。当价格变动率大于指定价格阈值,则修改模型最优价格为:最终售价=模最优价格*(1+(当前出库/时间段出库价均值-指定阈值));当价格变动率小于指定价格阈值时,则可以直接采用模型售价,即所述第一模型最优价格、第二模型最优价格和第三模型最优价格。另外,为避免售价低于出库价,或者调价幅度过大对门店影响大,故使用价格约束,具体如下所示:
价格最小值:价格最小不能低于出库价*指定价格阈值,若低于,则使用出库价*指定价格阈值;
价格最大值:min(预测售价,a价*指定阈值,a价+指定阈值)。
图4为本发明实施例提供的一种基于多模型融合的商品价格数据预测装置400的示意性框图,该装置400包括:
模型构建单元401,用于获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;
拟合关系获取单元402,用于通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;其中,所述拟合关系包括第一拟合关系、第二拟合关系和第三拟合关系;
第一价格输出单元403,用于针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;
第二价格输出单元404,用于针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;
第三价格输出单元405,用于针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格;
调控定价单元406,用于基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价。
在一实施例中,如图5所示,模型构建单元401包括:
统计变量单元501,用于根据统计学方式获取价格指标变量;其中,价格指标变量包括:售价、出库价、销售率、客数、价格等级、毛利、时段折扣率;
特征筛选单元502,用于从所述价格指标变量中筛选模型特征,构建特征工程;其中,特征工程包括天气特征、活动特征、订购特征、售价特征和对比区域特征;
特征结合单元503,用于结合门店商品交叉属性及所述特征工程,按照下式构建所述价格与销量模型:
式中,q代表第i个商品销量,p表示价格策略向量,fij(i≠j)表示价格对销量影响特征模型,git表示其他特征对销量的影响,r表示扩展特征向量,j表示第j个商品,N表示商品总数。
在一实施例中,所述第一拟合关系表示商品拟合效果达到预设拟合阈值;
所述第一价格输出单元403包括:
利润方程构建单元,用于按照下式,根据商品毛利润与成本构建利润方程:
式中,l(p)表示商品毛利润,ci表示第i个商品的成本,i表示第i个商品,M表示商品总数;
第一价格设置单元,用于设置所述第一商品的价格范围,并利用所述价格与销量模型预测所述价格范围内每一价格对应的第一预测销量;
毛利润计算单元,用于结合所述第一预测销量,通过所述利润方程计算所述价格范围内每一价格的毛利润,并选取毛利润最大的价格作为所述第一模型最优价格。
在一实施例中,所述第二拟合关系表示商品拟合效果未达到预设拟合阈值且商品价格弹性超出预设价格范围;
所述第二价格输出单元404包括:
调价方程构建单元,用于按照下式,利用所述价格与销量模型预测所述第二商品的价格弹性和第二预测销量,并结合所述第二商品的目标销量构建调价方程:
Qt-Q(p)=Qt-Qy*p∈
式中,Qt表示目标销量,Qy表示第二预测销量,Q(p)表示价格对应的销量,ε表示价格弹性;
商品调价单元,用于利用所述调价方程对所述第二商品进行调价,以得到所述第二模型最优价格。
在一实施例中,所述第三拟合关系表示商品拟合效果未达到预设拟合阈值且商品价格弹性处于预设价格范围内;
所述第三价格输出单元405包括:
贝尔曼方程构建单元,用于按照下式构建贝尔曼方程:
V(s)=E[Rt+1+γv(St+1)|St=s]
式中,V(s)表示当前状态的价值,S表示状态,E表示价格分布,Rt+1表示即时奖励,γ表示衰减系数,γv(St+1)表示后续状态的折扣价值函数;
第二价格设置单元,用于设置所述第三商品的价格分布范围,通过所述贝尔曼方程计算得到最优价值函数,并将所述最优价值函数对应的售价作为所述第三模型最优价格输出。
在一实施例中,所述调控定价单元406包括:
变动率计算单元,用于根据当前出库商品、时间段出库价均值计算价格变动率;
价格比较单元,用于将所述价格变动率与指定价格阈值进行比较,并当价格变动率大于指定价格阈值时,修改第一模型最优价格、第二模型最优价格和第三模型最优价格;以及当变动率小于或者等于指定价格阈值时,采用第一模型最优价格、第二模型最优价格和第三模型最优价格作为最终的商品定价;
价格约束单元,用于结合时间段出库价与指定价格阈值对最终的商品定价进行约束。
在一实施例中,所述模型构建单元401还包括:
模型评价单元,用于通过R方值对所述价格与销量模型进行拟合度评价,以及采用P-value值对所述价格与销量模型进行可信度评价。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备,可以包括存储器和处理器,存储器中存有计算机程序,处理器调用存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口,电源等组件。
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,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,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。在没有更多限制的状况下,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。
Claims (10)
1.一种基于多模型融合的商品价格数据预测方法,其特征在于,包括:
获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;
通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;其中,所述拟合关系包括第一拟合关系、第二拟合关系和第三拟合关系;
针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;
针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;
针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格;
基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价。
2.根据权利要求1所述的基于多模型融合的商品价格数据预测方法,其特征在于,所述获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型,包括:
根据统计学方式获取价格指标变量;其中,价格指标变量包括:售价、出库价、销售率、客数、价格等级、毛利、时段折扣率;
从所述价格指标变量中筛选模型特征,构建特征工程;其中,特征工程包括天气特征、活动特征、订购特征、售价特征和对比区域特征;
结合门店商品交叉属性及所述特征工程,按照下式构建所述价格与销量模型:
式中,q代表第i个商品销量,p表示价格策略向量,fij(i≠j)表示价格对销量影响特征模型,git表示其他特征对销量的影响,r表示扩展特征向量,j表示第j个商品,N表示商品总数。
3.根据权利要求2所述的基于多模型融合的商品价格数据预测方法,其特征在于,所述第一拟合关系表示商品拟合效果达到预设拟合阈值;
所述针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格,包括:
按照下式,根据商品毛利润与成本构建利润方程:
式中,l(p)表示商品毛利润,ci表示第i个商品的成本,i表示第i个商品,M表示商品总数;
设置所述第一商品的价格范围,并利用所述价格与销量模型预测所述价格范围内每一价格对应的第一预测销量;
结合所述第一预测销量,通过所述利润方程计算所述价格范围内每一价格的毛利润,并选取毛利润最大的价格作为所述第一模型最优价格。
4.根据权利要求1所述的基于多模型融合的商品价格数据预测方法,其特征在于,所述第二拟合关系表示商品拟合效果未达到预设拟合阈值且商品价格弹性超出预设价格范围;
所述针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格,包括:
按照下式,利用所述价格与销量模型预测所述第二商品的价格弹性和第二预测销量,并结合所述第二商品的目标销量构建调价方程:
Qt-Q(p)=Qt-Qy*p∈
式中,Qt表示目标销量,Qy表示第二预测销量,Q(p)表示价格对应的销量,ε表示价格弹性;
利用所述调价方程对所述第二商品进行调价,以得到所述第二模型最优价格。
5.根据权利要求1所述的基于多模型融合的商品价格数据预测方法,其特征在于,所述第三拟合关系表示商品拟合效果未达到预设拟合阈值且商品价格弹性处于预设价格范围内;
所述针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格,包括:
按照下式构建贝尔曼方程:
V(s)=E[Rt+1+γv(St+1)|St=s]
式中,V(s)表示当前状态的价值,S表示状态,E表示价格分布,Rt+1表示即时奖励,γ表示衰减系数,γv(St+1)表示后续状态的折扣价值函数;
设置所述第三商品的价格分布范围,通过所述贝尔曼方程计算得到最优价值函数,并将所述最优价值函数对应的售价作为所述第三模型最优价格输出。
6.根据权利要求1所述的基于多模型融合的商品价格数据预测方法,其特征在于,所述基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价,包括:
根据当前出库商品、时间段出库价均值计算价格变动率;
将所述价格变动率与指定价格阈值进行比较,并当价格变动率大于指定价格阈值时,修改第一模型最优价格、第二模型最优价格和第三模型最优价格;以及当变动率小于或者等于指定价格阈值时,采用第一模型最优价格、第二模型最优价格和第三模型最优价格作为最终的商品定价;
结合时间段出库价与指定价格阈值对最终的商品定价进行约束。
7.根据权利要求2所述的基于多模型融合的商品价格数据预测方法,其特征在于,所述获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型,还包括:
通过R方值对所述价格与销量模型进行拟合度评价,以及采用P-value值对所述价格与销量模型进行可信度评价。
8.一种基于多模型融合的商品价格数据预测装置,其特征在于,包括:
模型构建单元,用于获取门店价格相关因素,并根据所述门店价格因素构建价格与销量模型;
拟合关系获取单元,用于通过所述价格与销量模型对各商品拟合价格与销量的对应关系,得到不同的拟合关系;其中,所述拟合关系包括第一拟合关系、第二拟合关系和第三拟合关系;
第一价格输出单元,用于针对第一拟合关系下的第一商品,根据商品毛利润与成本构建利润方程,并利用所述利润方程预测所述第一商品的第一模型最优价格;
第二价格输出单元,用于针对第二拟合关系下的第二商品,采用柯布-道格拉斯生成函数对所述第二商品进行调价,以获取所述第二商品的第二模型最优价格;
第三价格输出单元,用于针对第三拟合关系下的第三商品,采用贝尔曼方程预测所述第三商品的第三模型最优价格;
调控定价单元,用于基于规则策略对第一模型最优价格、第二模型最优价格和第三模型最优价格进行销售率和时段折扣率调控,以得到最终的商品定价。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于多模型融合的商品价格数据预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于多模型融合的商品价格数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468254.7A CN115730980A (zh) | 2022-11-22 | 2022-11-22 | 基于多模型融合的商品价格数据预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468254.7A CN115730980A (zh) | 2022-11-22 | 2022-11-22 | 基于多模型融合的商品价格数据预测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730980A true CN115730980A (zh) | 2023-03-03 |
Family
ID=85297561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211468254.7A Pending CN115730980A (zh) | 2022-11-22 | 2022-11-22 | 基于多模型融合的商品价格数据预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730980A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757730A (zh) * | 2023-07-03 | 2023-09-15 | 中科智宏(北京)科技有限公司 | 一种电商商品销售价格的预测方法、装置及存储介质 |
CN116777501A (zh) * | 2023-07-18 | 2023-09-19 | 湖南师范大学 | 二手商品价格定价方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-22 CN CN202211468254.7A patent/CN115730980A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757730A (zh) * | 2023-07-03 | 2023-09-15 | 中科智宏(北京)科技有限公司 | 一种电商商品销售价格的预测方法、装置及存储介质 |
CN116777501A (zh) * | 2023-07-18 | 2023-09-19 | 湖南师范大学 | 二手商品价格定价方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De et al. | An interpolating by pass to Pareto optimality in intuitionistic fuzzy technique for a EOQ model with time sensitive backlogging | |
Rezaei et al. | A joint pricing, lot-sizing, and supplier selection model | |
CN115730980A (zh) | 基于多模型融合的商品价格数据预测方法、装置及介质 | |
CN110392899A (zh) | 用于模型生成的动态特征选择 | |
Badakhshan et al. | Using simulation-based system dynamics and genetic algorithms to reduce the cash flow bullwhip in the supply chain | |
US20030229552A1 (en) | System and method for deal-making decision optimization | |
Schlosser et al. | Dynamic Pricing under Competition on Online Marketplaces: A Data-Driven Approach. | |
US20030187708A1 (en) | Simulation and optimization system for retail store performance | |
CA2289473A1 (en) | Method for controlled optimization of enterprise planning models | |
CA2788266A1 (en) | Inventory management and budgeting system | |
WO2015041778A1 (en) | Product promotion optimization system | |
Esfandiari et al. | Modeling a stochastic multi-objective supplier quota allocation problem with price-dependent ordering | |
Wanke et al. | Fuzzy inference systems and inventory allocation decisions: Exploring the impact of priority rules on total costs and service levels | |
US20120232952A1 (en) | Inventory price optimization | |
Chakraborty et al. | A deteriorating multi-item inventory model with price discount and variable demands via fuzzy logic under resource constraints | |
Heidary et al. | Risk averse sourcing in a stochastic supply chain: a simulation-optimization approach | |
US11403574B1 (en) | Method and system for optimizing an item assortment | |
Sang | Price competition of manufacturers in supply chain under a fuzzy decision environment | |
WO2015168338A1 (en) | Framework for assessing the sensitivity of productivity measures to exogenous factors and operational decisions | |
CN113657667A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
JP7308073B2 (ja) | 物流管理システム | |
CN115829624A (zh) | 基于门店周期性回本的价格预测方法、装置及相关介质 | |
Chen et al. | Managing the personalized order-holding problem in online retailing | |
Agha Mohammad Ali Kermani et al. | Supplier selection in a single-echelon supply chain with horizontal competition using Imperialist competitive algorithm | |
Tajik et al. | A novel two-stage dynamic pricing model for logistics planning using an exploration–exploitation framework: A multi-armed bandit problem |
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 |