CN116188059A - 一种基于聚类的店铺销售占比的确定方法及装置 - Google Patents

Abstract

本申请提供了一种基于聚类的店铺销售占比的确定方法及装置，该基于聚类的店铺销售占比的确定方法包括：获取多个目标店铺在第一历史时间段内的多个历史销售占比；基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群；将各个目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；基于各个目标店铺在第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；将待预测店铺在第二历史时间段内的店铺特征数据输入店铺分类模型，得到待预测店铺的店铺类型；将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。本申请能够提高店铺销售占比的确定准确率。

Description

一种基于聚类的店铺销售占比的确定方法及装置

技术领域

本申请涉及大数据技术领域，具体涉及一种基于聚类的店铺销售占比的确定方法及装置。

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。服装行业作为最难“攻克”的传统行业之一，如何用科技的手段去自动预测销售目标制定计划从而提高工作效率成了一大难题。

现有技术中，常用的销售调价方法主要是根据历史数据人工进行的主观的推测法，时间数列分析法和相关分析法，但人手进行销售调价的方法显得繁杂且低效，且人手无法及时排查异常数据，导致最终结果的准确性较低。

现有技术中，店铺销售占比的确定方法不准确。

发明内容

本申请旨在提供一种基于聚类的店铺销售占比的确定方法及装置，旨在解决现有技术中基于聚类的店铺销售占比的确定方法不准确的问题。

一方面，本申请提供一种基于聚类的店铺销售占比的确定方法，所述基于聚类的店铺销售占比的确定方法包括：

获取多个目标店铺在第一历史时间段内的多个历史销售占比；

基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；

将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；

基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；

获取待预测店铺在第二历史时间段内的店铺特征数据；

将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；

将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

可选地，所述基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型，包括：

获取各个所述目标店铺的店铺特征数据；

判断各个所述目标店铺的店铺特征数据的时间长度是否超过第一历史时间段；

基于时间长度超过第一历史时间段的各个目标店铺的店铺特征数据和对应的店铺类别训练预设分类模型，得到所述店铺分类模型。

可选地，所述基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群，包括：

利用K-Means聚类算法基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群。

可选地，所述第一历史时间段的时间长度不小于一年，所述第二历史时间段的时间长度不大于三个月。

可选地，所述预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。

可选地，所述dropout层的rate参数为0.1，所述第一LReLU层和所述第二LReLU层的alpha参数为0.01。

可选地，所述将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比，包括：

将店铺类型与所述待预测店铺相同的多个目标店铺的店铺特征数据输入预先训练的店铺目标占比预测模型，得到店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比；

将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

一方面，本申请提供一种基于聚类的店铺销售占比的确定装置，所述基于聚类的店铺销售占比的确定装置包括：

第一获取单元，用于获取多个目标店铺在第一历史时间段内的多个历史销售占比；

聚类单元，用于基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；

第一确定单元，用于将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；

训练单元，用于基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；

第二获取单元，用于获取待预测店铺在第二历史时间段内的店铺特征数据；

分类单元，用于将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；

第二确定单元，用于将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

可选地，所述基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型，包括：

获取各个所述目标店铺的店铺特征数据；

判断各个所述目标店铺的店铺特征数据的时间长度是否超过第一历史时间段；

基于时间长度超过第一历史时间段的各个目标店铺的店铺特征数据和对应的店铺类别训练预设分类模型，得到所述店铺分类模型。

可选地，所述基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群，包括：

利用K-Means聚类算法基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群。

可选地，所述第一历史时间段的时间长度不小于一年，所述第二历史时间段的时间长度不大于三个月。

可选地，所述预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。

可选地，所述dropout层的rate参数为0.1，所述第一LReLU层和所述第二LReLU层的alpha参数为0.01。

可选地，所述将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比，包括：

将店铺类型与所述待预测店铺相同的多个目标店铺的店铺特征数据输入预先训练的店铺目标占比预测模型，得到店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比；

将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

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基于聚类的店铺销售占比的确定方法。

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基于聚类的店铺销售占比的确定方法中的步骤。

本申请提供一种基于聚类的店铺销售占比的确定方法，该基于聚类的店铺销售占比的确定方法包括：获取多个目标店铺在第一历史时间段内的多个历史销售占比；基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群；将各个目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；基于各个目标店铺在第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；获取待预测店铺在第二历史时间段内的店铺特征数据；将待预测店铺在第二历史时间段内的店铺特征数据输入店铺分类模型，得到待预测店铺的店铺类型；将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。本申请能够提高基于聚类的店铺销售占比的确定准确率。

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基于聚类的店铺销售占比的确定系统的场景示意图；

图2是本申请实施例提供的基于聚类的店铺销售占比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基于聚类的店铺销售占比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基于聚类的店铺销售占比的确定方法及装置，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基于聚类的店铺销售占比的确定系统的场景示意图，该基于聚类的店铺销售占比的确定系统可以包括电子设备100，电子设备100中集成有基于聚类的店铺销售占比的确定装置，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，该基于聚类的店铺销售占比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，该基于聚类的店铺销售占比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所示的基于聚类的店铺销售占比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基于聚类的店铺销售占比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，随着基于聚类的店铺销售占比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基于聚类的店铺销售占比的确定方法，该基于聚类的店铺销售占比的确定方法的执行主体为基于聚类的店铺销售占比的确定装置，该基于聚类的店铺销售占比的确定装置应用于电子设备，该基于聚类的店铺销售占比的确定方法包括：获取多个目标店铺在第一历史时间段内的多个历史销售占比；基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群；将各个目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；基于各个目标店铺在第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；获取待预测店铺在第二历史时间段内的店铺特征数据；将待预测店铺在第二历史时间段内的店铺特征数据输入店铺分类模型，得到待预测店铺的店铺类型；将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。

参阅图2，图2是本申请实施例提供的基于聚类的店铺销售占比的确定方法的一个实施例流程示意图。该基于聚类的店铺销售占比的确定方法包括S201-207：

S201、获取多个目标店铺在第一历史时间段内的多个历史销售占比。

其中，第一历史时间段的时间长度不小于一年。例如，第一历史时间段为前一年的时间段。多个目标店铺在第一历史时间段内的多个历史销售占比可通过历史销售记录获取。

其中，多个目标店铺可以为一年以上的老店。

S202、基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群。

在一个具体的实施例中，利用K-Means聚类算法基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群。通过聚类算法给老店分群。

K-Means聚类算法，即k均值聚类算法(k-means clustering algorithm)，是一种求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，局部最小。

S203、将各个目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别。

不同的店铺群的类别可以通过不同的类别标签进行标注。

S204、基于各个目标店铺在第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型。

本申请实施例中，预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。dropout层的rate参数为0.1，第一LReLU层和第二LReLU层的alpha参数为0.01。预设分类模型由3层Dense组成，中间使用LReLU激活函数与dropout层防止模型过拟合。

S205、获取待预测店铺在第二历史时间段内的店铺特征数据。

其中，第二历史时间段的时间长度不大于三个月。待预测店铺可以为三个月内的新店。店铺特征数据可以包括店铺各个维度的特征。

S206、将待预测店铺在第二历史时间段内的店铺特征数据输入店铺分类模型，得到待预测店铺的店铺类型。

S207、将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。

本申请实施例中，将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比，包括：

(1)将店铺类型与待预测店铺相同的多个目标店铺的店铺特征数据输入预先训练的店铺目标占比预测模型，得到店铺类型与待预测店铺相同的多个目标店铺的预测销售占比。

(2)将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。

为了更好实施本申请实施例中基于聚类的店铺销售占比的确定方法，在基于聚类的店铺销售占比的确定方法基础之上，本申请实施例中还提供一种基于聚类的店铺销售占比的确定装置，如图3所示，图3是本申请实施例中提供的基于聚类的店铺销售占比的确定装置一个实施例结构示意图，该基于聚类的店铺销售占比的确定装置300包括：

第一获取单元301，用于获取多个目标店铺在第一历史时间段内的多个历史销售占比；

聚类单元302，用于基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；

第一确定单元303，用于将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；

训练单元304，用于基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；

第二获取单元305，用于获取待预测店铺在第二历史时间段内的店铺特征数据；

分类单元306，用于将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；

第二确定单元307，用于将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

可选地，所述基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型，包括：

获取各个所述目标店铺的店铺特征数据；

判断各个所述目标店铺的店铺特征数据的时间长度是否超过第一历史时间段；

基于时间长度超过第一历史时间段的各个目标店铺的店铺特征数据和对应的店铺类别训练预设分类模型，得到所述店铺分类模型。

可选地，所述基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群，包括：

利用K-Means聚类算法基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群。

可选地，所述第一历史时间段的时间长度不小于一年，所述第二历史时间段的时间长度不大于三个月。

可选地，所述预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。

可选地，所述dropout层的rate参数为0.1，所述第一LReLU层和所述第二LReLU层的alpha参数为0.01。

可选地，所述将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比，包括：

将店铺类型与所述待预测店铺相同的多个目标店铺的店铺特征数据输入预先训练的店铺目标占比预测模型，得到店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比；

将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

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基于聚类的店铺销售占比的确定装置。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：

获取多个目标店铺在第一历史时间段内的多个历史销售占比；基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群；将各个目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；基于各个目标店铺在第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；获取待预测店铺在第二历史时间段内的店铺特征数据；将待预测店铺在第二历史时间段内的店铺特征数据输入店铺分类模型，得到待预测店铺的店铺类型；将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。本申请可以提高基于聚类的店铺销售占比的确定方法准确度。

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基于聚类的店铺销售占比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：

获取多个目标店铺在第一历史时间段内的多个历史销售占比；基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群；将各个目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；基于各个目标店铺在第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；获取待预测店铺在第二历史时间段内的店铺特征数据；将待预测店铺在第二历史时间段内的店铺特征数据输入店铺分类模型，得到待预测店铺的店铺类型；将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。本申请可以提高基于聚类的店铺销售占比的确定方法准确度。

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基于聚类的店铺销售占比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 (10)

1.一种基于聚类的店铺销售占比的确定方法，其特征在于，所述基于聚类的店铺销售占比的确定方法包括：

获取多个目标店铺在第一历史时间段内的多个历史销售占比；

基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；

将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；

基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；

获取待预测店铺在第二历史时间段内的店铺特征数据；

将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；

将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

2.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型，包括：

获取各个所述目标店铺的店铺特征数据；

判断各个所述目标店铺的店铺特征数据的时间长度是否超过第一历史时间段；

基于时间长度超过第一历史时间段的各个目标店铺的店铺特征数据和对应的店铺类别训练预设分类模型，得到所述店铺分类模型。

3.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群，包括：

利用K-Means聚类算法基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群。

4.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述第一历史时间段的时间长度不小于一年，所述第二历史时间段的时间长度不大于三个月。

5.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。

6.根据权利要求5所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述dropout层的rate参数为0.1，所述第一LReLU层和所述第二LReLU层的alpha参数为0.01。

7.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比，包括：

将店铺类型与所述待预测店铺相同的多个目标店铺的店铺特征数据输入预先训练的店铺目标占比预测模型，得到店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比；

将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

8.一种基于聚类的店铺销售占比的确定装置，其特征在于，所述基于聚类的店铺销售占比的确定装置包括：

第一获取单元，用于获取多个目标店铺在第一历史时间段内的多个历史销售占比；

聚类单元，用于基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；

第一确定单元，用于将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；

训练单元，用于基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；

第二获取单元，用于获取待预测店铺在第二历史时间段内的店铺特征数据；

分类单元，用于将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；

第二确定单元，用于将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。

9.一种电子设备，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至7任一项所述的基于聚类的店铺销售占比的确定方法。

10.一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至7任一项所述的基于聚类的店铺销售占比的确定方法中的步骤。

Images