CN116681467A - 基于改进woa算法的销量预测方法及其相关设备 - Google Patents

基于改进woa算法的销量预测方法及其相关设备 Download PDF

Info

Publication number
CN116681467A
CN116681467A CN202310715934.2A CN202310715934A CN116681467A CN 116681467 A CN116681467 A CN 116681467A CN 202310715934 A CN202310715934 A CN 202310715934A CN 116681467 A CN116681467 A CN 116681467A
Authority
CN
China
Prior art keywords
sales
training
model
sales volume
prediction model
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
Application number
CN202310715934.2A
Other languages
English (en)
Inventor
刘兴廷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202310715934.2A priority Critical patent/CN116681467A/zh
Publication of CN116681467A publication Critical patent/CN116681467A/zh
Pending legal-status Critical Current

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于金融科技技术领域，应用于电子商务领域中，涉及一种基于改进WOA算法的销量预测方法及其相关设备，包括构建特征因子训练集；将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型；构建特征因子预测集；将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。通过将Levy飞行策略引入WOA算法对WOA算法进行改进，然后，再将改进后的WOA算法应用到销量预测模型的训练过程中，使得在电商领域对目标商品进行销量预测时，具备更快的预测运算能力，辅助电商运维监测人员提前规避过大销售峰值，同时，在进行模型训练时，也具备更快速的收敛速度。

Description

基于改进WOA算法的销量预测方法及其相关设备
技术领域
本申请涉及金融科技技术领域，应用于电子商务领域中，尤其涉及一种基于改进WOA算法的销量预测方法及其相关设备。
背景技术
销售预测在公司的生产和管理中尤为重要，影响着公司的计划、生产、销售等各方面。准确的销售预测能让管理者做好详细的销售计划，增加销售份额，帮助企业得到更多的市场。但由于需求变化多样，掌握市场需求动态，作出准确的销售预测，是一项巨大的挑战。目前，国内外的许多学者对销量预测做了大量研究，采用的方法主要是时间序列预测技术和以大数据技术为支撑的机器学习预测技术。
针对电商平台的商品销量预测，若采用机器学习方式，需要考虑庞大的数据样本对分类带来的复杂度，易造成预测运算压力过大。BP神经网络在业务销售量预测上有非常好的效果，但由于其采用梯度下降的方法进行权值调整，极易使训练陷入局部最优，收敛速度很慢。因此，现有技术进行销量预测时，还存在预测运算压力过大和容易陷入局部最优的问题。
发明内容
本申请实施例的目的在于提出一种基于改进WOA算法的销量预测方法及其相关设备，以解决现有技术进行销量预测时，还存在预测运算压力过大和容易陷入局部最优的问题。
为了解决上述技术问题，本申请实施例提供一种基于改进WOA算法的销量预测方法，采用了如下所述的技术方案：
一种基于改进WOA算法的销量预测方法，包括下述步骤：
获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；
将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；
获取目标待测商品的特征因子，构建特征因子预测集；
将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。
进一步的，所述获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集的步骤，具体包括：
步骤A，获取用于进行模型训练的各个不同商品的区别标识信息，其中，所述区别标识信息包括商品区别编号或/和商品区别名称；
步骤B,根据所述区别标识信息整理出同一商品所对应的所有特征因子，构建元组形式表征数据，其中，所述元组形式表征数据中数据元素的数量为N，N表示特征因子的类别数量；
步骤C，重复执行步骤B，获取所述用于进行模型训练的各个不同商品分别所对应的元组形式表征数据；
步骤D，将所述用于进行模型训练的各个不同商品分别所对应的元组形式表征数据，进行N×M矩阵化排列，将矩阵化排列结果作为所述特征因子训练集,其中，N表示特征因子的类别数量，M表示商品的类别数量，N和M都为正整数。
进一步的，在执行所述将所述特征因子训练集输入预构建的销量预测模型的步骤之前，所述方法还包括：
通过所述矩阵化排列结果，依次获取同一特征因子所对应的矩阵元素，构建N个长度为M的列表，其中，N表示特征因子的类别数量，M表示商品的类别数量，N和M都为正整数；
根据预设的归一化转换公式，分别对所述N个长度为M的列表内元素进行归一化处理，获得归一化处理结果。
进一步的，所述根据预设的归一化转换公式，分别对所述N个长度为M的列表内元素进行归一化处理，获得归一化处理结果的步骤，具体包括：
采用预设的归一化转换公式：其中，x为当前列表中目标元素值，xmin为当前列表中最小元素值，xmax为当前列表中最大元素值，m为x经归一化转换后的值。
进一步的，在执行所述进行模型训练，获得训练完成的销量预测模型的步骤之前，所述方法还包括：
将Levy飞行策略引入到WOA算法的游动过程更新公式中，获取改进后的WOA算法，其中，具体实现方式为：
对WOA算法原始公式：进行更新，
将其更新为WOA算法改进公式：其中，/>表示鲸鱼i在向最优鲸鱼游动过程中t+1时刻的位置，/>表示当前最优的鲸鱼位置，/>表示鲸鱼i当前的位置，A和C均为系数，A随着迭代次数在(2,0)之间线性减小，C均匀分布在(0,2)内，Levy(d)表示Levy飞行策略，/>1和r2都是取值范围为(0,1)的随机数，β是为常数取1.5，σ为伽马合成系数；
获取所述改进后的WOA算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对销量预测模型的预构建。
进一步的，所述进行模型训练，获得训练完成的销量预测模型的步骤，具体包括：
获取预先设置的若干组初始权值；
将所述若干组初始权值一一部署给相应预构建的销量预测模型，获得与所述若干组初始权值等组数的初始化销量预测模型；
将所述特征因子训练集对应的归一化处理结果，分别输入每个初始化销量预测模型，获取所述每个初始化销量预测模型的实际输出值，其中，所述实际输出值包括所述M种商品分别对应的输出销量；
根据所述每个初始化销量预测模型的实际输出值和预设的参考输出值，计算每个初始化销量预测模型的均方误差值；
筛选出均方误差值为最小值时所对应的初始化销量预测模型，作为初训练完成的销量预测模型，
或者，
筛选出均方误差值为最小值时所对应的初始化销量预测模型，获取其对应的初始权值，将所述初始权值部署给重新构建的销量预测模型，获得初训练完成的销量预测模型；
从预设的销售数据平台获取不同商品对应的所述特征因子，扩充所述特征因子训练集；
扩充后，将所述特征因子训练集输入到所述初训练完成的销量预测模型内，根据BP神经网络的误差反向传播算法对所述初训练完成的销量预测模型进行二次调优；
二次调优完成之后，获得所述训练完成的销量预测模型。
进一步的，所述预设的参考输出值包括所述M种商品分别对应的参照销量，所述初始化销量预测模型的实际输出值包括所述M种商品分别对应的实际销量，所述根据所述每个初始化销量预测模型的实际输出值和预设的参考输出值，计算每个初始化销量预测模型的均方误差值的步骤，具体包括：
步骤a，获取所述M种商品分别对应的参照销量；
步骤b，根据所述M种商品分别对应的参照销量和当前初始化销量预测模型输出的所述M种商品分别对应的实际销量，计算当前初始化销量预测模型的均方误差值；
步骤c，依次将不同的初始化销量预测模型作为当前初始化销量预测模型，重复执行步骤b，计算每个初始化销量预测模型的均方误差值。
为了解决上述技术问题，本申请实施例还提供一种基于改进WOA算法的销量预测装置，采用了如下所述的技术方案：
一种基于改进WOA算法的销量预测装置，包括：
训练集构建模块，用于获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；
模型训练模块，用于将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；
预测集构建模块，用于获取目标待测商品的特征因子，构建特征因子预测集；
销量预测模块，用于将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的基于改进WOA算法的销量预测方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的基于改进WOA算法的销量预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述基于改进WOA算法的销量预测方法，通过获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；获取目标待测商品的特征因子，构建特征因子预测集；将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。通过将Levy飞行策略引入WOA算法对WOA算法进行改进，然后，再将改进后的WOA算法应用到销量预测模型的训练过程中，使得在电商领域对目标商品进行销量预测时，具备更快的预测运算能力，辅助电商运维监测人员提前规避过大销售峰值，同时，在进行模型训练时，也具备更快速的收敛速度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于改进WOA算法的销量预测方法的一个实施例的流程图；
图3是图2所示步骤201的一个具体实施例的流程图；
图4是根据本申请实施例所述的进行模型训练的一个具体实施例的流程图；
图5是图4所示步骤404的一个具体实施例的流程图；
图6根据本申请的基于改进WOA算法的销量预测装置的一个实施例的结构示意图；
图7根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于改进WOA算法的销量预测方法一般由服务器/终端设备执行，相应地，基于改进WOA(鲸鱼优化算法)算法的销量预测装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于改进WOA算法的销量预测方法的一个实施例的流程图。所述的基于改进WOA算法的销量预测方法，包括以下步骤：
步骤201，获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集。
本实施例中，所述各个不同商品的特征因子，指对商品销量具有一定影响性的特征因子，包括但不限于各个不同商品分别被收藏次数、各个不同商品分别被浏览次数、各个不同商品分别对应的购买转化率和各个不同商品的历史销售额。
继续参考图3，图3是图2所示步骤201的一个具体实施例的流程图，包括：
步骤301，获取用于进行模型训练的各个不同商品的区别标识信息，其中，所述区别标识信息包括商品区别编号或/和商品区别名称；
步骤302,根据所述区别标识信息整理出同一商品所对应的所有特征因子，构建元组形式表征数据，其中，所述元组形式表征数据中数据元素的数量为N，N表示特征因子的类别数量；
以本实施例中所述特征因子为例，假设对商品销量具有一定影响性的特征因子包括上述4种特征因子，分别为商品被收藏次数、商品被浏览次数、商品的购买转化率和商品的历史销售额。则所述N为4，所述元组形式表征数据即为四元组形式的数据，即[商品被收藏次数,商品被浏览次数,商品的购买转化率,商品的历史销售额]。
步骤303，重复执行步骤302，获取所述用于进行模型训练的各个不同商品分别所对应的元组形式表征数据；
步骤304，将所述用于进行模型训练的各个不同商品分别所对应的元组形式表征数据，进行N×M矩阵化排列，将矩阵化排列结果作为所述特征因子训练集,其中，N表示特征因子的类别数量，M表示商品的类别数量，N和M都为正整数。
继续以上述实施例为例，假设特征因子的类别数量，即所述N为4，所述元组形式表征数据即为四元组形式的数据，即[商品被收藏次数,商品被浏览次数,商品的购买转化率,商品的历史销售额]，商品的类别包括足球、羽毛球、玻璃球、钢丝球、磁力球五种，则所述M为5，在进行矩阵化排列时，分别获取足球、羽毛球、玻璃球、钢丝球、磁力球所对应的四元组形式表征数据，再对获取的5个四元组形式的数据，进行矩阵化排列，最终获得4×5矩阵化排列。
步骤202，将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型。
本实施例中，在执行所述将所述特征因子训练集输入预构建的销量预测模型的步骤之前，所述方法还包括：通过所述矩阵化排列结果，依次获取同一特征因子所对应的矩阵元素，构建N个长度为M的列表，其中，N表示特征因子的类别数量，M表示商品的类别数量，N和M都为正整数；根据预设的归一化转换公式，分别对所述N个长度为M的列表内元素进行归一化处理，获得归一化处理结果。
以上述4×5矩阵化排列为例，依次获取同一特征因子所对应的矩阵元素，即分别获取商品被收藏次数、商品被浏览次数、商品的购买转化率、商品的历史销售额所对应的矩阵元素，假设足球、羽毛球、玻璃球、钢丝球、磁力球对应的商品被收藏次数分别为990、995、1000、6000、200，则商品被收藏次数对应的列表为{990、995、1000、6000、200},同理，依次获取同一特征因子所对应的矩阵元素，即获取到4个长度为5的列表，分别对同一列表内元素进行归一化处理。
本实施例中，所述根据预设的归一化转换公式，分别对所述N个长度为M的列表内元素进行归一化处理，获得归一化处理结果的步骤，具体包括：采用预设的归一化转换公式：其中，x为当前列表中目标元素值，xmin为当前列表中最小元素值，xmax为当前列表中最大元素值，m为x经归一化转换后的值。
以上述商品被收藏次数对应的列表{990、995、1000、6000、200}为例，显然，xmin为200，xmax为6000，x分别为990、995、1000、6000、200，按上述归一化转换公式处理后，获得归一化处理结果，即为
本实施例中，在执行所述进行模型训练，获得训练完成的销量预测模型的步骤之前，所述方法还包括：将Levy飞行策略引入到WOA算法的游动过程更新公式中，获取改进后的WOA算法，其中，具体实现方式为：对WOA算法原始公式：进行更新，将其更新为WOA算法改进公式：其中，/>表示鲸鱼i在向最优鲸鱼游动过程中t+1时刻的位置，/>表示当前最优的鲸鱼位置，/>表示鲸鱼i当前的位置，A和C均为系数，A随着迭代次数在(2,0)之间线性减小，C均匀分布在(0,2)内，Levy(d)表示Levy飞行策略，/>1和r2都是取值范围为(0,1)的随机数，β是为常数取1.5，σ为伽马合成系数；获取所述改进后的WOA算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对销量预测模型的预构建。
在鲸鱼群捕猎过程中，存在一种包围猎物的行为。鲸鱼在包围猎物时会选择向着最优位置的鲸鱼游动或者向着一只随机鲸鱼游动。向着最优位置的鲸鱼游动的过程可表示为WOA算法原始公式： 将Levy飞行策略引入WOA算法，鲸鱼对猎物的包围行动中,因为在展开包围猎物时，WOA会根据鲸鱼的最优位置与此时鲸鱼所在的位置之间的距离来进行位置更新，在对WOA进行改进后，鲸鱼被困在局部最优的问题会得到极大的改善，且依然会保持优秀的局部搜索能力，使用Levy飞行策略改进鲸鱼包围猎物过程后，鲸鱼在对猎物进行包围时，不但会进行小步长随机游走，偶尔还会出现大步长，避免陷入局部最优，提升鲸鱼优化算法的收敛速度，得到全局最优解。
继续参考图4，图4是根据本申请实施例所述的进行模型训练的一个具体实施例的流程图，包括步骤：
步骤401，获取预先设置的若干组初始权值；
步骤402，将所述若干组初始权值一一部署给相应预构建的销量预测模型，获得与所述若干组初始权值等组数的初始化销量预测模型；
步骤403，将所述特征因子训练集对应的归一化处理结果，分别输入每个初始化销量预测模型，获取所述每个初始化销量预测模型的实际输出值，其中，所述实际输出值包括所述M种商品分别对应的输出销量；
步骤404，根据所述每个初始化销量预测模型的实际输出值和预设的参考输出值，计算每个初始化销量预测模型的均方误差值；
本实施例中，所述预设的参考输出值包括所述M种商品分别对应的参照销量，所述初始化销量预测模型的实际输出值包括所述M种商品分别对应的实际销量。
继续参考图5，图5是图4所示步骤404的一个具体实施例的流程图，包括：
步骤501，获取所述M种商品分别对应的参照销量；
步骤502，根据所述M种商品分别对应的参照销量和当前初始化销量预测模型输出的所述M种商品分别对应的实际销量，计算当前初始化销量预测模型的均方误差值；
步骤503，依次将不同的初始化销量预测模型作为当前初始化销量预测模型，重复执行步骤502，计算每个初始化销量预测模型的均方误差值。
步骤405，筛选出均方误差值为最小值时所对应的初始化销量预测模型，作为初训练完成的销量预测模型，或者，筛选出均方误差值为最小值时所对应的初始化销量预测模型，获取其对应的初始权值，将所述初始权值部署给重新构建的销量预测模型，获得初训练完成的销量预测模型；
本实施例中，采用改进的WOA算法，进行模型训练，实质上是从初始权值不同的若干个销量预测模型内筛选出最优的一个销量预测模型作为初训练完成的销量预测模型。采用改进的WOA和Levy飞行策略，提高了模型训练时的收敛速度，避免陷入局部最优解，获得合理的全局最优解。
步骤406，从预设的销售数据平台获取不同商品对应的所述特征因子，扩充所述特征因子训练集；
步骤407，扩充后，将所述特征因子训练集输入到所述初训练完成的销量预测模型内，根据BP神经网络的误差反向传播算法对所述初训练完成的销量预测模型进行二次调优；
步骤408，二次调优完成之后，获得所述训练完成的销量预测模型。
本实施例中，所述二次调优，可以理解为对筛选出的初训练完成的销量预测模型进行BP神经网络各层级间进行误差传递调优，通过二次调优，使得模型预测结果，在BP神经网络各层级间传递时，损失最小，因此，实现模型的误差值为最小。
步骤203，获取目标待测商品的特征因子，构建特征因子预测集。
本实施例中，所述目标待测商品的特征因子，可以为目标待测商品被收藏次数、目标待测商品被浏览次数、目标待测商品对应的购买转化率和目标待测商品的历史销售额。
步骤204，将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。
本申请通过获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；获取目标待测商品的特征因子，构建特征因子预测集；将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。通过将Levy飞行策略引入WOA算法对WOA算法进行改进，然后，再将改进后的WOA算法应用到销量预测模型的训练过程中，使得在电商领域对目标商品进行销量预测时，具备更快的预测运算能力，辅助电商运维监测人员提前规避过大销售峰值，同时，在进行模型训练时，也具备更快速的收敛速度。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过将Levy飞行策略引入WOA算法对WOA算法进行改进，然后，再将改进后的WOA算法应用到销量预测模型的训练过程中，使得在电商领域对目标商品进行销量预测时，具备更快的预测运算能力，辅助电商运维监测人员提前规避过大销售峰值，同时，在进行模型训练时，也具备更快速的收敛速度。
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种基于改进WOA算法的销量预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例所述的基于改进WOA算法的销量预测装置600包括：训练集构建模块601、模型训练模块602、预测集构建模块603和销量预测模块604。其中：
训练集构建模块601，用于获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；
模型训练模块602，用于将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；
预测集构建模块603，用于获取目标待测商品的特征因子，构建特征因子预测集；
销量预测模块604，用于将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。
在本申请的一些具体实施方式中，所述的基于改进WOA算法的销量预测装置600还包括算法优化改进模块，其中，所述算法优化改进模块用于将Levy飞行策略引入到WOA算法的游动过程更新公式中，获取改进后的WOA算法，其中，具体实现方式为：对WOA算法原始公式： 进行更新，将其更新为WOA算法改进公式：/> 其中，/>表示鲸鱼i在向最优鲸鱼游动过程中t+1时刻的位置，/>表示当前最优的鲸鱼位置，/>表示鲸鱼i当前的位置，A和C均为系数，A随着迭代次数在(2,0)之间线性减小，C均匀分布在(0,2)内，Levy(d)表示Levy飞行策略，/> 1和r2都是取值范围为(0,1)的随机数，β是为常数取1.5，σ为伽马合成系数；获取所述改进后的WOA算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对销量预测模型的预构建。
本申请通过获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；获取目标待测商品的特征因子，构建特征因子预测集；将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。通过将Levy飞行策略引入WOA算法对WOA算法进行改进，然后，再将改进后的WOA算法应用到销量预测模型的训练过程中，使得在电商领域对目标商品进行销量预测时，具备更快的预测运算能力，辅助电商运维监测人员提前规避过大销售峰值，同时，在进行模型训练时，也具备更快速的收敛速度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器7a、处理器7b、网络接口7c。需要指出的是，图中仅示出了具有组件7a-7c的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器7a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器7a可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器7a也可以是所述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器7a还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器7a通常用于存储安装于所述计算机设备7的操作系统和各类应用软件，例如基于改进WOA算法的销量预测方法的计算机可读指令等。此外，所述存储器7a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器7b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器7b通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器7b用于运行所述存储器7a中存储的计算机可读指令或者处理数据，例如运行所述基于改进WOA算法的销量预测方法的计算机可读指令。
所述网络接口7c可包括无线网络接口或有线网络接口，该网络接口7c通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于金融科技技术领域。本申请通过获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；获取目标待测商品的特征因子，构建特征因子预测集；将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。通过将Levy飞行策略引入WOA算法对WOA算法进行改进，然后，再将改进后的WOA算法应用到销量预测模型的训练过程中，使得在电商领域对目标商品进行销量预测时，具备更快的预测运算能力，辅助电商运维监测人员提前规避过大销售峰值，同时，在进行模型训练时，也具备更快速的收敛速度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的基于改进WOA算法的销量预测方法的步骤。
本实施例提出的计算机可读存储介质，属于金融科技技术领域。本申请通过获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；获取目标待测商品的特征因子，构建特征因子预测集；将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。通过将Levy飞行策略引入WOA算法对WOA算法进行改进，然后，再将改进后的WOA算法应用到销量预测模型的训练过程中，使得在电商领域对目标商品进行销量预测时，具备更快的预测运算能力，辅助电商运维监测人员提前规避过大销售峰值，同时，在进行模型训练时，也具备更快速的收敛速度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于改进WOA算法的销量预测方法，其特征在于，包括下述步骤：
获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；
将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；
获取目标待测商品的特征因子，构建特征因子预测集；
将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。
2.根据权利要求1所述的基于改进WOA算法的销量预测方法，其特征在于，所述获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集的步骤，具体包括：
步骤A，获取用于进行模型训练的各个不同商品的区别标识信息，其中，所述区别标识信息包括商品区别编号或/和商品区别名称；
步骤B,根据所述区别标识信息整理出同一商品所对应的所有特征因子，构建元组形式表征数据，其中，所述元组形式表征数据中数据元素的数量为N，N表示特征因子的类别数量；
步骤C，重复执行步骤B，获取所述用于进行模型训练的各个不同商品分别所对应的元组形式表征数据；
步骤D，将所述用于进行模型训练的各个不同商品分别所对应的元组形式表征数据，进行N×M矩阵化排列，将矩阵化排列结果作为所述特征因子训练集,其中，N表示特征因子的类别数量，M表示商品的类别数量，N和M都为正整数。
3.根据权利要求2所述的基于改进WOA算法的销量预测方法，其特征在于，在执行所述将所述特征因子训练集输入预构建的销量预测模型的步骤之前，所述方法还包括：
通过所述矩阵化排列结果，依次获取同一特征因子所对应的矩阵元素，构建N个长度为M的列表，其中，N表示特征因子的类别数量，M表示商品的类别数量，N和M都为正整数；
根据预设的归一化转换公式，分别对所述N个长度为M的列表内元素进行归一化处理，获得归一化处理结果。
4.根据权利要求3所述的基于改进WOA算法的销量预测方法，其特征在于，所述根据预设的归一化转换公式，分别对所述N个长度为M的列表内元素进行归一化处理，获得归一化处理结果的步骤，具体包括：
采用预设的归一化转换公式：其中，x为当前列表中目标元素值，xmin为当前列表中最小元素值，xmax为当前列表中最大元素值，m为x经归一化转换后的值。
5.根据权利要求1所述的基于改进WOA算法的销量预测方法，其特征在于，在执行所述进行模型训练，获得训练完成的销量预测模型的步骤之前，所述方法还包括：
将Levy飞行策略引入到WOA算法的游动过程更新公式中，获取改进后的WOA算法，其中，具体实现方式为：
对WOA算法原始公式：进行更新，
将其更新为WOA算法改进公式：其中，/>表示鲸鱼i在向最优鲸鱼游动过程中t+1时刻的位置，/>表示当前最优的鲸鱼位置，/>表示鲸鱼i当前的位置，A和C均为系数，A随着迭代次数在(2,0)之间线性减小，C均匀分布在(0,2)内，Levy(d)表示Levy飞行策略，/>1和r2都是取值范围为(0,1)的随机数，β是为常数取1.5，σ为伽马合成系数；
获取所述改进后的WOA算法，并将其作为最优模型筛选算法部署到BP神经网络架构内，完成对销量预测模型的预构建。
6.根据权利要求2至5任一项所述的基于改进WOA算法的销量预测方法，其特征在于，所述进行模型训练，获得训练完成的销量预测模型的步骤，具体包括：
获取预先设置的若干组初始权值；
将所述若干组初始权值一一部署给相应预构建的销量预测模型，获得与所述若干组初始权值等组数的初始化销量预测模型；
将所述特征因子训练集对应的归一化处理结果，分别输入每个初始化销量预测模型，获取所述每个初始化销量预测模型的实际输出值，其中，所述实际输出值包括所述M种商品分别对应的输出销量；
根据所述每个初始化销量预测模型的实际输出值和预设的参考输出值，计算每个初始化销量预测模型的均方误差值；
筛选出均方误差值为最小值时所对应的初始化销量预测模型，作为初训练完成的销量预测模型，
或者，
筛选出均方误差值为最小值时所对应的初始化销量预测模型，获取其对应的初始权值，将所述初始权值部署给重新构建的销量预测模型，获得初训练完成的销量预测模型；
从预设的销售数据平台获取不同商品对应的所述特征因子，扩充所述特征因子训练集；
扩充后，将所述特征因子训练集输入到所述初训练完成的销量预测模型内，根据BP神经网络的误差反向传播算法对所述初训练完成的销量预测模型进行二次调优；
二次调优完成之后，获得所述训练完成的销量预测模型。
7.根据权利要求6所述的基于改进WOA算法的销量预测方法，其特征在于，所述预设的参考输出值包括所述M种商品分别对应的参照销量，所述初始化销量预测模型的实际输出值包括所述M种商品分别对应的实际销量，所述根据所述每个初始化销量预测模型的实际输出值和预设的参考输出值，计算每个初始化销量预测模型的均方误差值的步骤，具体包括：
步骤a，获取所述M种商品分别对应的参照销量；
步骤b，根据所述M种商品分别对应的参照销量和当前初始化销量预测模型输出的所述M种商品分别对应的实际销量，计算当前初始化销量预测模型的均方误差值；
步骤c，依次将不同的初始化销量预测模型作为当前初始化销量预测模型，重复执行步骤b，计算每个初始化销量预测模型的均方误差值。
8.一种基于改进WOA算法的销量预测装置，其特征在于，包括：
训练集构建模块，用于获取用于进行模型训练的各个不同商品的特征因子，并构建特征因子训练集；
模型训练模块，用于将所述特征因子训练集输入预构建的销量预测模型，进行模型训练，获得训练完成的销量预测模型，其中，所述销量预测模型为基于改进WOA算法的BP神经网络架构模型；
预测集构建模块，用于获取目标待测商品的特征因子，构建特征因子预测集；
销量预测模块，用于将所述特征因子预测集输入所述训练完成的销量预测模型，预测所述目标待测商品的销量。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于改进WOA算法的销量预测方法的步骤。
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可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于改进WOA算法的销量预测方法的步骤。
CN202310715934.2A 2023-06-16 2023-06-16 基于改进woa算法的销量预测方法及其相关设备 Pending CN116681467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310715934.2A CN116681467A (zh) 2023-06-16 2023-06-16 基于改进woa算法的销量预测方法及其相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310715934.2A CN116681467A (zh) 2023-06-16 2023-06-16 基于改进woa算法的销量预测方法及其相关设备

Publications (1)

Publication Number Publication Date
CN116681467A true CN116681467A (zh) 2023-09-01

Family

ID=87787081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310715934.2A Pending CN116681467A (zh) 2023-06-16 2023-06-16 基于改进woa算法的销量预测方法及其相关设备

Country Status (1)

Country Link
CN (1) CN116681467A (zh)

Similar Documents

Publication Publication Date Title
CN110458107B (zh) 用于图像识别的方法和装置
US20190057284A1 (en) Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure
WO2021120677A1 (zh) 一种仓储模型训练方法、装置、计算机设备及存储介质
CN107220217A (zh) 基于逻辑回归的特征系数训练方法和装置
CN112785005B (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN112131261A (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN114677183A (zh) 一种新品销量预测方法、装置、计算机设备及存储介质
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
WO2023050143A1 (zh) 一种推荐模型训练方法及装置
CN116703466A (zh) 基于改进灰狼算法的系统访问量预测方法及其相关设备
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN117391866A (zh) 一种数据处理方法、装置、设备及其存储介质
CN117235633A (zh) 机构分类方法、装置、计算机设备及存储介质
CN116993185A (zh) 时间序列预测方法、装置、设备及存储介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN116910357A (zh) 一种数据处理方法及相关装置
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN116681467A (zh) 基于改进woa算法的销量预测方法及其相关设备
CN116703046A (zh) 实时派工顺序的控制方法及系统、电子设备和存储介质
CN116662160B (zh) 基于代价敏感宽度学习的软件缺陷预测方法及处理装置
CN117235257A (zh) 基于人工智能的情感预测方法、装置、设备及存储介质
CN116756539A (zh) 项目推荐方法、装置、计算机设备及存储介质
CN116797381A (zh) 一种健康险承保风险预测方法及其相关设备
CN118035560A (zh) 基于人工智能的数据推荐方法、装置、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