CN115841343B - 一种销售额度的确定方法及装置 - Google Patents
一种销售额度的确定方法及装置 Download PDFInfo
- Publication number
- CN115841343B CN115841343B CN202211644151.1A CN202211644151A CN115841343B CN 115841343 B CN115841343 B CN 115841343B CN 202211644151 A CN202211644151 A CN 202211644151A CN 115841343 B CN115841343 B CN 115841343B
- Authority
- CN
- China
- Prior art keywords
- data
- sales
- historical
- predicted
- inputting
- 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 50
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 61
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 4
- 230000006870 function Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种销售额度的确定方法及装置，该销售额度的确定方法包括：获取待预测销售数据；获取预先训练的销售额度预测模型，其中，销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；将待预测销售数据输入编码模块，得到编码数据；将编码数据输入输入全连接层进行特征提取，得到第一特征数据；将第一特征数据输入多头注意力模块，得到第二特征数据；将第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。本申请能够提高销售额度的确定准确率。
Description
技术领域
本申请涉及大数据技术领域，具体涉及一种销售额度的确定方法及装置。
背景技术
在科学技术与理论日益完善的情况下，科技加某个行业也成为了社会上的发展趋势。大数据作为改变世界的新型科技力量，正在迅速融入各行各业。随着企业规模的扩张导致的数据量与日俱增，人工统计计算数据需要花费巨大的时间和人力，已经逐渐无法满足日常需求，进而会造成决策失误等一系列严重后果。企业在长期经营过程中产生大量的销售数据，这些数据在一定程度上影响着企业的决策。使用这些数据来观察和预测未来的趋势和变化，可以更好的对企业门店经营进行规划和决策。一直以来，常用的预测方法依据人工观测数据和经验判断来得出预测结果，或是传统的时间序列预测方法，如整合移动平均自回归模型ARIMA，线性回归(Linear Regression)。人工的方式费时费力，传统的预测方法无法应对复杂的时间模式。气候变化、促销活动、疫情等对未来销售的影响是传统方法难以预测的，导致最终结果的准确性较低。
现有技术中，销售额度的确定方法不准确。
发明内容
本申请旨在提供一种销售额度的确定方法及装置，旨在解决现有技术中销售额度的确定方法不准确的问题。
一方面，本申请提供一种销售额度的确定方法，所述销售额度的确定方法包括：
获取待预测销售数据，其中，所述待预测销售数据包括多个销售维度特征、每天的天气特征、疫情级别特征以及门店特征；
获取预先训练的销售额度预测模型，其中，所述销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；
将所述待预测销售数据输入编码模块，得到编码数据；
将编码数据输入输入全连接层进行特征提取，得到第一特征数据；
将所述第一特征数据输入多头注意力模块，得到第二特征数据；
将所述第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；
将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。
可选地，所述将所述待预测销售数据输入编码模块，得到编码数据，包括：
利用所述编码模块对所述待预测销售数据中的数值特征归一化，对所述待预测销售数据中的离散数据编码，对所述待预测销售数据中的时序特征编码，得到编码数据。
可选地，所述将所述第一特征数据输入多头注意力模块，得到第二特征数据，包括：
获取所述第一特征数据的Q分量、K分量以及V分量；
将Q分量、K分量输入卷积层，得到卷积后Q分量和卷积后K分量；
将卷积后Q分量、卷积后K分量以及V分量输入多头注意力模块，得到第二特征数据。
可选地，所述获取预先训练的销售额度预测模型，包括：
获取目标店铺在历史时间段内的第一历史销售数据；
对所述第一历史销售数据预处理，得到预处理销售数据；
根据所述预处理销售数据构建训练集，其中，所述训练集包括多个第二历史销售数据和对应的多个历史实际销售额度；
基于所述训练集训练预设神经网络模型，得到销售额度预测模型。
可选地，基于所述训练集训练预设神经网络模型，得到销售额度预测模型，包括：
将所述训练集输入预设神经网络模型，得到多个第二历史销售数据对应的多个历史预测销售额度；
基于多个历史实际销售额度和多个历史预测销售额度确定训练误差；
当所述训练误差低于预设值时，将训练得到的预设神经网络模型确定为销售额度预测模型。
可选地，所述历史时间段为N个月，所述根据所述预处理销售数据构建训练集，包括：
利用时间窗口对所述历史时间段进行遍历，得到多个子时间段，其中，所述时间窗口的长度为M个月，M小于N，所述子时间段的时间长度与时间窗口相同；
将预处理销售数据位于各个子时间段内的数据确定为各个第二历史销售数据；
将预处理销售数据中位于各个子时间段之后P个月内的历史实际销售额度确定为各个第二历史销售数据对应的各个历史实际销售额度。
可选地，所述对所述第一历史销售数据预处理，得到预处理销售数据，包括：
对所述第一历史销售数据进行数据清洗，得到数据清洗后的销售数据；
对数据清洗后的销售数据进行数据转换，得到预处理销售数据。
一方面，本申请提供一种销售额度的确定装置，所述销售额度的确定装置包括：
第一获取单元，用于获取待预测销售数据；
第二获取单元，用于获取预先训练的销售额度预测模型，其中，所述销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；
编码单元，用于将所述待预测销售数据输入编码模块，得到编码数据；
输入全连接单元，用于将编码数据输入输入全连接层进行特征提取，得到第一特征数据；
多头注意力单元，用于将所述第一特征数据输入多头注意力模块，得到第二特征数据；
特征提取单元，用于将所述第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；
预测单元，用于将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。
可选地，所述将所述待预测销售数据输入编码模块，得到编码数据，包括：
利用所述编码模块对所述待预测销售数据中的数值特征归一化，对所述待预测销售数据中的离散数据编码，对所述待预测销售数据中的时序特征编码，得到编码数据。
可选地，所述将所述第一特征数据输入多头注意力模块，得到第二特征数据，包括：
获取所述第一特征数据的Q分量、K分量以及V分量；
将Q分量、K分量输入卷积层，得到卷积后Q分量和卷积后K分量；
将卷积后Q分量、卷积后K分量以及V分量输入多头注意力模块，得到第二特征数据。
可选地，所述获取预先训练的销售额度预测模型，包括：
获取目标店铺在历史时间段内的第一历史销售数据；
对所述第一历史销售数据预处理，得到预处理销售数据；
根据所述预处理销售数据构建训练集，其中，所述训练集包括多个第二历史销售数据和对应的多个历史实际销售额度；
基于所述训练集训练预设神经网络模型，得到销售额度预测模型。
可选地，基于所述训练集训练预设神经网络模型，得到销售额度预测模型，包括：
将所述训练集输入预设神经网络模型，得到多个第二历史销售数据对应的多个历史预测销售额度；
基于多个历史实际销售额度和多个历史预测销售额度确定训练误差；
当所述训练误差低于预设值时，将训练得到的预设神经网络模型确定为销售额度预测模型。
可选地，所述历史时间段为N个月，所述根据所述预处理销售数据构建训练集，包括：
利用时间窗口对所述历史时间段进行遍历，得到多个子时间段，其中，所述时间窗口的长度为M个月，M小于N，所述子时间段的时间长度与时间窗口相同；
将预处理销售数据位于各个子时间段内的数据确定为各个第二历史销售数据；
将预处理销售数据中位于各个子时间段之后P个月内的历史实际销售额度确定为各个第二历史销售数据对应的各个历史实际销售额度。
可选地，所述对所述第一历史销售数据预处理，得到预处理销售数据，包括：
对所述第一历史销售数据进行数据清洗，得到数据清洗后的销售数据；
对数据清洗后的销售数据进行数据转换，得到预处理销售数据。
一方面，本申请还提供一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现第一方面中任一项所述的销售额度的确定方法。
一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行第一方面任一项的销售额度的确定方法中的步骤。
本申请提供一种销售额度的确定方法，该销售额度的确定方法包括：获取待预测销售数据；获取预先训练的销售额度预测模型，其中，销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；将待预测销售数据输入编码模块，得到编码数据；将编码数据输入输入全连接层进行特征提取，得到第一特征数据；将第一特征数据输入多头注意力模块，得到第二特征数据；将第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。本申请能够提高销售额度的确定准确率。
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为本申请实施例所提供的销售额度的确定系统的场景示意图；
图2是本申请实施例提供的销售额度的确定方法的一个实施例流程示意图；
图3是本申请实施例中提供的销售额度的确定装置一个实施例结构示意图；
图4是本申请实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
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、完整地描述，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作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。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
需要说明的是，本申请实施例方法由于是在电子设备中执行，各电子设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便电子设备进行处理，具体此处不作赘述。
本申请实施例提供一种销售额度的确定方法及装置，以下分别进行详细说明。
请参阅图1，图1为本申请实施例所提供的销售额度的确定系统的场景示意图，该销售额度的确定系统可以包括电子设备100，电子设备100中集成有销售额度的确定装置，如图1中的电子设备。
本申请实施例中，该电子设备100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本申请实施例中所描述的电子设备100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的电子设备，例如图1中仅示出1个电子设备，可以理解的，该销售额度的确定系统还可以包括一个或多个其他服务器，具体此处不作限定。
另外，如图1所示，该销售额度的确定系统还可以包括存储器200，用于存储数据。
需要说明的是，图1所示的销售额度的确定系统的场景示意图仅仅是一个示例，本申请实施例描述的销售额度的确定系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着销售额度的确定系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
首先，本申请实施例中提供一种销售额度的确定方法，该销售额度的确定方法的执行主体为销售额度的确定装置，该销售额度的确定装置应用于电子设备，该销售额度的确定方法包括：获取待预测销售数据；获取预先训练的销售额度预测模型，其中，销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；将待预测销售数据输入编码模块，得到编码数据；将编码数据输入输入全连接层进行特征提取，得到第一特征数据；将第一特征数据输入多头注意力模块，得到第二特征数据；将第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。
参阅图2，图2是本申请实施例提供的销售额度的确定方法的一个实施例流程示意图。该销售额度的确定方法包括S201-207：
S201、获取待预测销售数据。
其中，待预测销售数据包括多个销售维度特征、每天的天气特征和疫情级别特征以及门店特征。待预测销售数据可以为M个月内的销售数据。
S202、获取预先训练的销售额度预测模型。
其中，销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层。
在一个具体的实施例中，获取预先训练的销售额度预测模型，包括：
(1)获取目标店铺在历史时间段内的第一历史销售数据。
其中，历史时间段为N个月。第一历史销售数据和待预测销售数据的类型相同。
(2)对第一历史销售数据预处理，得到预处理销售数据。
在一个具体的实施例中，对第一历史销售数据预处理，得到预处理销售数据，包括：对第一历史销售数据进行数据清洗，得到数据清洗后的销售数据；对数据清洗后的销售数据进行数据转换，得到预处理销售数据。
本申请实施例中，对第一历史销售数据进行数据清洗，得到数据清洗后的销售数据，包括：对第一历史销售数据通过特定异常筛选条件过滤异常数据。转换空值成统一标识。最后进行离散数据的规范化操作，得到数据清洗后的销售数据。
本申请实施例中，对数据清洗后的销售数据进行数据转换，得到预处理销售数据，包括：对数据清洗后的销售数据进行汇总、关联相关特征、转换销售金额成占比和离散数据下标转换。
(3)根据预处理销售数据构建训练集，其中，训练集包括多个第二历史销售数据和对应的多个历史实际销售额度。
在一个具体的实施例中，历史时间段为N个月，根据预处理销售数据构建训练集，包括：利用时间窗口对历史时间段进行遍历，得到多个子时间段，其中，时间窗口的长度为M个月，M小于N。例如M＝3，利用时间窗口对历史时间段进行遍历，得到多个子时间段。子时间段的时间长度与时间窗口相同。将预处理销售数据位于各个子时间段内的数据确定为各个第二历史销售数据。将预处理销售数据中位于各个子时间段之后P个月内的历史实际销售额度确定为各个第二历史销售数据对应的各个历史实际销售额度。
在一个具体的实施例中，P＝1，将子时间段之后P个月内的历史实际销售额度确定为子时间段的第二历史销售数据对应的历史实际销售额度。历史实际销售额度即为第二历史销售数据的标签。即前三个月的预处理销售数据作为样本输入，后一个月的历史实际销售额度作为标签。以某个月份前的所有历史数据作为训练集，当前月的数据作为验证集，后一个月作为测试集的方法划分数据集。
(4)基于训练集训练预设神经网络模型，得到销售额度预测模型。
具体的，基于训练集训练预设神经网络模型，得到销售额度预测模型，可以包括：
(1)将训练集输入预设神经网络模型，得到多个第二历史销售数据对应的多个历史预测销售额度。
预设神经网络模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层。
(2)基于多个历史实际销售额度和多个历史预测销售额度确定训练误差；
(3)当训练误差低于预设值时，将训练得到的预设神经网络模型确定为销售额度预测模型。
S203、将待预测销售数据输入编码模块，得到编码数据。
具体的，利用编码模块对待预测销售数据中的数值特征归一化，对待预测销售数据中的离散数据编码；对待预测销售数据中的时序特征编码，得到编码数据。
S204、将编码数据输入输入全连接层进行特征提取，得到第一特征数据。
S205、将第一特征数据输入多头注意力模块，得到第二特征数据。
本申请实施例中，将第一特征数据输入多头注意力模块，得到第二特征数据，包括：
(1)获取第一特征数据的Q分量、K分量以及V分量。
(2)将Q分量、K分量输入卷积层，得到卷积后Q分量和卷积后K分量。
具体的，卷积层为Conv1D。
(3)将卷积后Q分量、卷积后K分量以及V分量输入多头注意力模块，得到第二特征数据。
本申请改进多头注意力，在输入前将Q分量、K分量经过卷积自注意力进一步提高注意力的性能。避免与局部上下文无关的异常、变化点方面混淆自注意模块，带来潜在的优化问题。
S206、将第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据。
S207、将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。
本申请提供一种销售额度的确定方法，该销售额度的确定方法包括：获取待预测销售数据；获取预先训练的销售额度预测模型，其中，销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；将待预测销售数据输入编码模块，得到编码数据；将编码数据输入输入全连接层进行特征提取，得到第一特征数据；将第一特征数据输入多头注意力模块，得到第二特征数据；将第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。本申请能够提高销售额度的确定准确率。
为了更好实施本申请实施例中销售额度的确定方法，在销售额度的确定方法基础之上，本申请实施例中还提供一种销售额度的确定装置，如图3所示，图3是本申请实施例中提供的销售额度的确定装置一个实施例结构示意图，该销售额度的确定装置300包括：
第一获取单元301，用于获取待预测销售数据，其中，所述待预测销售数据包括多个销售维度特征、每天的天气特征、疫情级别特征以及门店特征；
第二获取单元302，用于获取预先训练的销售额度预测模型，其中，所述销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；
编码单元303，用于将所述待预测销售数据输入编码模块，得到编码数据；
输入全连接单元304，用于将编码数据输入输入全连接层进行特征提取，得到第一特征数据；
多头注意力单元305，用于将所述第一特征数据输入多头注意力模块，得到第二特征数据；
特征提取单元306，用于将所述第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；
预测单元307，用于将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。
可选地，所述将所述待预测销售数据输入编码模块，得到编码数据，包括：
利用所述编码模块对所述待预测销售数据中的数值特征归一化，对所述待预测销售数据中的离散数据编码，对所述待预测销售数据中的时序特征编码，得到编码数据。
可选地，所述将所述待预测销售数据输入编码模块，得到编码数据，包括：
利用所述编码模块对所述待预测销售数据中的数值特征归一化，对所述待预测销售数据中的离散数据编码，对所述待预测销售数据中的时序特征编码，得到编码数据。
可选地，所述将所述第一特征数据输入多头注意力模块，得到第二特征数据，包括：
获取所述第一特征数据的Q分量、K分量以及V分量；
将Q分量、K分量输入卷积层，得到卷积后Q分量和卷积后K分量；
将卷积后Q分量、卷积后K分量以及V分量输入多头注意力模块，得到第二特征数据。
可选地，所述获取预先训练的销售额度预测模型，包括：
获取目标店铺在历史时间段内的第一历史销售数据；
对所述第一历史销售数据预处理，得到预处理销售数据；
根据所述预处理销售数据构建训练集，其中，所述训练集包括多个第二历史销售数据和对应的多个历史实际销售额度；
基于所述训练集训练预设神经网络模型，得到销售额度预测模型。
可选地，基于所述训练集训练预设神经网络模型，得到销售额度预测模型，包括：
将所述训练集输入预设神经网络模型，得到多个第二历史销售数据对应的多个历史预测销售额度；
基于多个历史实际销售额度和多个历史预测销售额度确定训练误差；
当所述训练误差低于预设值时，将训练得到的预设神经网络模型确定为销售额度预测模型。
可选地，所述历史时间段为N个月，所述根据所述预处理销售数据构建训练集，包括：
利用时间窗口对所述历史时间段进行遍历，得到多个子时间段，其中，所述时间窗口的长度为M个月，M小于N，所述子时间段的时间长度与时间窗口相同；
将预处理销售数据位于各个子时间段内的数据确定为各个第二历史销售数据；
将预处理销售数据中位于各个子时间段之后P个月内的历史实际销售额度确定为各个第二历史销售数据对应的各个历史实际销售额度。
可选地，所述对所述第一历史销售数据预处理，得到预处理销售数据，包括：
对所述第一历史销售数据进行数据清洗，得到数据清洗后的销售数据；
对数据清洗后的销售数据进行数据转换，得到预处理销售数据。
本申请实施例还提供一种电子设备，其集成了本申请实施例所提供的任一种销售额度的确定装置。如图4所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、电源503和输入单元504等部件。本领域技术人员可以理解，图中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中：
处理器501是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器501可包括一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
电子设备还包括给各个部件供电的电源503，优选的，电源503可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源503还可以包括一个或一个以上的直流或交流电源、再充电系统、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。
该电子设备还可包括输入单元504，该输入单元504可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：
获取待预测销售数据；获取预先训练的销售额度预测模型，其中，销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；将待预测销售数据输入编码模块，得到编码数据；将编码数据输入输入全连接层进行特征提取，得到第一特征数据；将第一特征数据输入多头注意力模块，得到第二特征数据；将第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。本申请可以提高销售额度的确定方法准确度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种销售额度的确定方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：
获取待预测销售数据；获取预先训练的销售额度预测模型，其中，销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层；将待预测销售数据输入编码模块，得到编码数据；将编码数据输入输入全连接层进行特征提取，得到第一特征数据；将第一特征数据输入多头注意力模块，得到第二特征数据；将第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。本申请可以提高销售额度的确定方法准确度。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种销售额度的确定方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (4)
1.一种销售额度的确定方法，其特征在于，所述销售额度的确定方法包括：
获取待预测销售数据，其中，所述待预测销售数据包括多个销售维度特征、每天的天气特征和疫情级别特征；
获取预先训练的销售额度预测模型，其中，所述销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层，其中，获取目标店铺在历史时间段内的第一历史销售数据；对所述第一历史销售数据预处理，得到预处理销售数据，其中，对第一历史销售数据通过特定异常筛选条件过滤异常数据，转换空值成统一标识，最后进行离散数据的规范化操作，得到数据清洗后的销售数据；对数据清洗后的销售数据进行汇总、关联相关特征、转换销售金额成占比和离散数据下标转换；根据所述预处理销售数据构建训练集，其中，所述训练集包括多个第二历史销售数据和对应的多个历史实际销售额度；基于所述训练集训练预设神经网络模型，得到销售额度预测模型；
将所述待预测销售数据输入编码模块，得到编码数据；
将编码数据输入输入全连接层进行特征提取，得到第一特征数据；
将所述第一特征数据输入多头注意力模块，得到第二特征数据；
将所述第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；
将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度；
所述基于所述训练集训练预设神经网络模型，得到销售额度预测模型，包括：
将所述训练集输入预设神经网络模型，得到多个第二历史销售数据对应的多个历史预测销售额度；
基于多个历史实际销售额度和多个历史预测销售额度确定训练误差；
当所述训练误差低于预设值时，将训练得到的预设神经网络模型确定为销售额度预测模型；
所述历史时间段为N个月，所述根据所述预处理销售数据构建训练集，包括：
利用时间窗口对所述历史时间段进行遍历，得到多个子时间段，其中，所述时间窗口的长度为M个月，M小于N，所述子时间段的时间长度与时间窗口相同；
将预处理销售数据位于各个子时间段内的数据确定为各个第二历史销售数据；
将预处理销售数据中位于各个子时间段之后P个月内的历史实际销售额度确定为各个第二历史销售数据对应的各个历史实际销售额度
所述将所述待预测销售数据输入编码模块，得到编码数据，包括：
利用所述编码模块对所述待预测销售数据中的数值特征归一化，对所述待预测销售数据中的离散数据编码，对所述待预测销售数据中的时序特征编码，得到编码数据；
所述将所述第一特征数据输入多头注意力模块，得到第二特征数据，包括：
获取所述第一特征数据的Q分量、K分量以及V分量；
将Q分量、K分量输入卷积层，得到卷积后Q分量和卷积后K分量;
将卷积后Q分量、卷积后K分量以及V分量输入多头注意力模块，得到第二特征数据。
2.一种销售额度的确定装置，用于执行权利要求1中所述的销售额度的确定方法，其特征在于，所述销售额度的确定装置包括：
第一获取单元，用于获取待预测销售数据，其中，所述待预测销售数据包括多个销售维度特征、每天的天气特征和疫情级别特征；
第二获取单元，用于获取预先训练的销售额度预测模型，其中，所述销售额度预测模型包括编码模块、输入全连接层、多头注意力模块、biLstm模块、输出全连接层，其中，获取目标店铺在历史时间段内的第一历史销售数据；对所述第一历史销售数据预处理，得到预处理销售数据，其中，对第一历史销售数据通过特定异常筛选条件过滤异常数据，转换空值成统一标识，最后进行离散数据的规范化操作，得到数据清洗后的销售数据；对数据清洗后的销售数据进行汇总、关联相关特征、转换销售金额成占比和离散数据下标转换；根据所述预处理销售数据构建训练集，其中，所述训练集包括多个第二历史销售数据和对应的多个历史实际销售额度；基于所述训练集训练预设神经网络模型，得到销售额度预测模型；
编码单元，用于将所述待预测销售数据输入编码模块，得到编码数据；
输入全连接单元，用于将编码数据输入输入全连接层进行特征提取，得到第一特征数据；
多头注意力单元，用于将所述第一特征数据输入多头注意力模块，得到第二特征数据；
特征提取单元，用于将所述第二特征数据输入biLstm模块提取上下文特征，得到第三特征数据；
预测单元，用于将第三特征数据输入输出全连接层进行特征提取和合并，得到预测的目标预测销售额度。
3.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1中所述的销售额度的确定方法。
4.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1中所述的销售额度的确定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644151.1A CN115841343B (zh) | 2022-12-16 | 2022-12-16 | 一种销售额度的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644151.1A CN115841343B (zh) | 2022-12-16 | 2022-12-16 | 一种销售额度的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115841343A CN115841343A (zh) | 2023-03-24 |
| CN115841343B true CN115841343B (zh) | 2024-01-30 |
Family
ID=85578986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211644151.1A Active CN115841343B (zh) | 2022-12-16 | 2022-12-16 | 一种销售额度的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115841343B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8738421B1 (en) * | 2013-01-09 | 2014-05-27 | Vehbi Koc Foundation Koc University | Driver moderator method for retail sales prediction |
| CN110909862A (zh) * | 2019-10-11 | 2020-03-24 | 平安科技（深圳）有限公司 | 基于卷积神经网络的注意力权重计算方法和装置 |
| CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品（横琴）企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
| CN112910711A (zh) * | 2021-02-03 | 2021-06-04 | 山东大学 | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 |
| CN113487359A (zh) * | 2021-07-12 | 2021-10-08 | 润联软件系统(深圳)有限公司 | 基于多模态特征的商品销量预测方法、装置及相关设备 |
| CN113781120A (zh) * | 2021-09-14 | 2021-12-10 | 北京京东振世信息技术有限公司 | 销售数额预测模型的构建方法、销售数额的预测方法 |
| CN113837794A (zh) * | 2021-08-26 | 2021-12-24 | 润联软件系统(深圳)有限公司 | 基于时空图卷积网络的连锁零售门店销售预测方法 |
| CN114331542A (zh) * | 2021-12-30 | 2022-04-12 | 智光研究院(广州)有限公司 | 一种电动汽车充电需求预测方法及装置 |
| CN114971687A (zh) * | 2022-04-26 | 2022-08-30 | 西安建筑科技大学 | 一种基于Attention机制的LSTM-BP组合模型的销售预测方法 |
| CN115471260A (zh) * | 2022-09-15 | 2022-12-13 | 中国平安财产保险股份有限公司 | 基于神经网络的销售预测方法、装置、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10984441B2 (en) * | 2013-03-13 | 2021-04-20 | Eversight, Inc. | Systems and methods for intelligent promotion design with promotion selection |
| KR20200108521A (ko) * | 2019-03-04 | 2020-09-21 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
-
2022
- 2022-12-16 CN CN202211644151.1A patent/CN115841343B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8738421B1 (en) * | 2013-01-09 | 2014-05-27 | Vehbi Koc Foundation Koc University | Driver moderator method for retail sales prediction |
| CN110909862A (zh) * | 2019-10-11 | 2020-03-24 | 平安科技（深圳）有限公司 | 基于卷积神经网络的注意力权重计算方法和装置 |
| CN111724211A (zh) * | 2020-06-30 | 2020-09-29 | 名创优品（横琴）企业管理有限公司 | 一种线下门店商品销量预测方法、装置和设备 |
| CN112910711A (zh) * | 2021-02-03 | 2021-06-04 | 山东大学 | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 |
| CN113487359A (zh) * | 2021-07-12 | 2021-10-08 | 润联软件系统(深圳)有限公司 | 基于多模态特征的商品销量预测方法、装置及相关设备 |
| CN113837794A (zh) * | 2021-08-26 | 2021-12-24 | 润联软件系统(深圳)有限公司 | 基于时空图卷积网络的连锁零售门店销售预测方法 |
| CN113781120A (zh) * | 2021-09-14 | 2021-12-10 | 北京京东振世信息技术有限公司 | 销售数额预测模型的构建方法、销售数额的预测方法 |
| CN114331542A (zh) * | 2021-12-30 | 2022-04-12 | 智光研究院(广州)有限公司 | 一种电动汽车充电需求预测方法及装置 |
| CN114971687A (zh) * | 2022-04-26 | 2022-08-30 | 西安建筑科技大学 | 一种基于Attention机制的LSTM-BP组合模型的销售预测方法 |
| CN115471260A (zh) * | 2022-09-15 | 2022-12-13 | 中国平安财产保险股份有限公司 | 基于神经网络的销售预测方法、装置、设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| E-Commerce Precision Marketing Model Based on Convolutional Neural Network;Liu, Xia;《SCIENTIFIC PROGRAMMING》;第2022卷;全文 * |
| 基于LSTM网络模型的菜品销量预测;马超群;王晓峰;;现代计算机(专业版)(第23期);全文 * |
| 基于深度学习的苹果销售预测方法研究;张轶翔;《中国优秀硕士学位论文全文数据库（信息科技辑）》(第1期);全文 * |
| 新型ARIMA-BP组合模型在医药企业销售管理中的应用;吴磊;徐怀伏;;上海医药(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115841343A (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107832581B (zh) | 状态预测方法和装置 | |
| CN103971023A (zh) | 研发过程质量自动评估系统和方法 | |
| CN112306835A (zh) | 用户数据监控分析方法、装置、设备及介质 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
| CN115330435A (zh) | 一种碳排放权价格指标体系建立方法、装置、设备及介质 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN112583610B (zh) | 系统状态的预测方法、装置、服务器及存储介质 | |
| CN115841343B (zh) | 一种销售额度的确定方法及装置 | |
| CN112148566A (zh) | 计算引擎的监控方法、装置、电子设备及存储介质 | |
| CN112651552A (zh) | 一种基于电力大数据产业结构优化方法、装置及存储介质 | |
| CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
| CN112347813A (zh) | 高信噪比时间序列的基线检测方法、设备及存储介质 | |
| CN105227410A (zh) | 基于自适应神经网络的服务器负载检测的方法及系统 | |
| CN115829629B (zh) | 一种畅滞销状态的确定方法及装置 | |
| CN111611117B (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
| CN114925895A (zh) | 维修器材预测方法、终端及存储介质 | |
| CN115829630A (zh) | 一种店铺销售占比的确定方法及装置 | |
| CN113361960B (zh) | 一种大规模需求响应能力量化方法、介质、装置及设备 | |
| CN116684306B (zh) | 一种故障预测方法、装置、设备及可读存储介质 | |
| CN110555576A (zh) | 工作饱和度分析方法和装置 | |
| CN116433273A (zh) | 一种商品销售折扣的确定方法及装置 | |
| CN117424238A (zh) | 一种电网能量优化调度方法、系统及存储介质 | |
| Jing et al. | CBLA_PM: an improved ann-based power consumption prediction algorithm for multi-type jobs on heterogeneous computing server | |
| CN117473268A (zh) | 一种阈值预测方法、系统、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 |