CN116739653A - 销售数据采集分析系统及其方法 - Google Patents
销售数据采集分析系统及其方法 Download PDFInfo
- Publication number
- CN116739653A CN116739653A CN202310789373.0A CN202310789373A CN116739653A CN 116739653 A CN116739653 A CN 116739653A CN 202310789373 A CN202310789373 A CN 202310789373A CN 116739653 A CN116739653 A CN 116739653A
- Authority
- CN
- China
- Prior art keywords
- scale
- feature
- month
- sales
- feature vector
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title abstract description 23
- 239000013598 vector Substances 0.000 claims description 370
- 238000000605 extraction Methods 0.000 claims description 73
- 238000013527 convolutional neural network Methods 0.000 claims description 51
- 230000004927 fusion Effects 0.000 claims description 45
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 32
- 238000013480 data collection Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 20
- 239000006185 dispersion Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007812 deficiency Effects 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
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06N3/0464—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能采集技术领域，其具体地公开了一种销售数据采集分析系统及其方法，其首先获取历史销售数据，然后，使用基于深度学习的深度神经网络模型作为特征提取器，对历史月销售数据进行多尺度的提取分析和解码处理，用于判断是否需要增加产品库存，从而提高产品库存管理的精确性和效率。
Description
技术领域
本申请涉及智能采集技术领域，且更为具体地，涉及一种销售数据采集分析系统及其方法。
背景技术
目前，网络购物正在不断的兴起，人们都喜欢在网上购物，消费者只需要在购物平台，输入商品名称，并点开商品详情页面就能买到自己需要的产品，从订货、买货到货物上门无需亲临现场，既省时又省力。厂家也只需要从工厂直接安排发货，省去租店面、召雇员等一系列费用，双方都带来了很大的便利。
但由于一些特别的原因，会出现消费者在网上购买产品时出现库存不足的问题，厂家也没有及时调取剩余库存，导致消费者无法及时的购买自己喜欢的产品，进而会影响消费者的购物体验，从而影响销售效率。
因此，期望一种优化的销售数据采集分析的方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种销售数据采集分析系统及其方法，其首先获取历史销售数据，然后，使用基于深度学习的深度神经网络模型作为特征提取器，对历史月销售数据进行多尺度的提取分析和解码处理，用于判断是否需要增加产品库存，从而提高产品库存管理的精确性和效率。
根据本申请的一个方面，提供了一种销售数据采集分析系统，其包括：
数据采集模块，用于获取销售历史数据，所述销售历史数据包括每个月的销售数据；
月特征向量提取模块，用于将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量；
第一尺度特征提取模块，用于将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量；
第二尺度特征提取模块，用于将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量；
融合模块，用于融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量；以及
解码模块，用于将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
在上述的销售数据采集分析系统中，所述月特征向量提取模块，包括：第一尺度单元，用于将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到多个第一尺度月特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度单元，用于将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到多个第二尺度月特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，融合单元，用于使用所述多尺度邻域特征提取模块的级联层将所述多个第一尺度月特征向量和所述多个第二尺度月特征向量进行级联以得到所述多个月特征向量。
在上述的销售数据采集分析系统中，所述第一尺度单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第一尺度月特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
在上述的销售数据采集分析系统中，所述第二尺度单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第二尺度月特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
在上述的销售数据采集分析系统中，所述第一尺度特征提取模块，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度月特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述的销售数据采集分析系统中，所述第二尺度特征提取模块，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度月特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述的销售数据采集分析系统中，所述融合模块，包括：稀疏编码单元，用于对第一尺度月特征向量和第二尺度月特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量；第一散度计算单元，用于计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度；第二散度计算单元，用于计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度；归一化单元，用于对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度；以及，权重施加单元，用于以所述归一化第一JS散度和所述归一化第二JS散度作为权重，融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到融合特征向量。
根据本申请的另一方面，提供了一种销售数据采集分析方法，其包括：
获取销售历史数据，所述销售历史数据包括每个月的销售数据；
将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量；
将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量；
将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量；
融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量；以及
将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
与现有技术相比，本申请提供的一种销售数据采集分析系统及其方法，其首先获取历史销售数据，然后，使用基于深度学习的深度神经网络模型作为特征提取器，对历史月销售数据进行多尺度的提取分析和解码处理，用于判断是否需要增加产品库存，从而提高产品库存管理的精确性和效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的销售数据采集分析系统的框图示意图。
图2为根据本申请实施例的销售数据采集分析系统及其方法中月特征向量提取模块的框图。
图3为根据本申请实施例的销售数据采集分析方法的流程图。
图4为根据本申请实施例的销售数据采集分析方法架构的示意图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，网上购物的不断兴起给消费者带来了巨大的便利，人们只需要在手机购物平台输入自己喜欢的产品就可以挑选多种类的产品，但在购物节或者在产品大促的时候会出现产品库存不足的问题。因此，期望一种优化的销售数据采集分析的方案能够通过历史月销售数据和目前所剩余库存进行比较判断是否需要增加产品库存。
具体地，在本申请的应用场景中，考虑到通过获取销售历史数据，可以了解过去商品的销售情况及其趋势变化，以此来预测未来可能的需求量并且通过收集多个月的销售历史数据，可以更好地反映出产品销售的趋势和规律，包括季节性、周期性等因素对销售量的影响。考虑销售历史数据可以更加准确地评估市场需求，从而制定合理的库存管理策略。因此，获取销售历史数据，所述销售历史数据包括每个月的销售数据是进行销售预测分析的必要步骤。因此，在本申请的技术方案中，通过历史月销售数据来推断当月的销售数据并基于当月的销售数据和目前所剩余库存进行比较判断是否需要增加产品库存。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
具体地，在本申请的技术方案中，首先，获取销售历史数据，所述销售历史数据包括每个月的销售数据。接着，将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量。考虑到通过多尺度邻域特征提取模块可以更加全面地捕捉销售历史数据中的特征信息，从而获得更准确和可靠的销售预测结果。具体来说，不同尺度的邻域特征提供了不同层次的信息，包括低级别的局部特征和高级别的全局特征，这些特征都对销售预测有重要作用。例如，低级别的局部特征可能会反映出产品在某个特定时间段内的销售趋势，而高级别的全局特征则可以反映出季节性、周期性等因素对销售量的影响。因此，通过多尺度邻域特征提取模块可以充分利用数据中的各种特征信息，提高模型对销售数据的理解和预测能力。
然后，考虑到卷积神经网络(Convolutional Neural Network,CNN)是一种可以自动提取特征的深度学习模型，广泛应用于图像、音频、文本等领域。在预测销售数据时，卷积神经网络也可以帮助我们提取和学习数据中的特征信息，从而更好地理解销售趋势和规律。
具体来说，在将多个月特征向量排列为一维特征向量后，使用卷积神经网络可以通过卷积核对输入数据进行卷积运算，在不同时间步上提取出各种特定的时间序列特征。这样可以有效地降低数据的维度，并且在保持特征信息完整性的同时，减少了数据噪声和冗余信息的影响。此外，由于在卷积神经网络中使用了池化层和激活函数等技术，可以进一步优化数据处理过程，提高对数据的理解和预测能力。因此，使用卷积神经网络有利于提取并学习数据中的特征信息，更好地理解销售趋势和规律，从而提高销售预测的准确性和可靠性。因此，将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量，将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量。
进一步地，融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量。考虑到在销售预测中，不同尺度的特征信息对于预测结果都具有重要的作用。例如，低尺度的特征可能反映出产品在短期内的销售趋势，而高尺度的特征可能反映出季节性或周期性因素对销售量的影响。因此，为了更准确地预测销售数据，需要综合利用多个尺度的特征信息。具体地，融合所述第一尺度月特征向量和所述第二尺度月特征向量可以充分利用两种尺度的特征信息，提高模型对销售数据的理解和预测能力。通过将两种尺度的特征向量进行融合，可以得到更全面、更细致的特征表示，并且可以避免由于单一尺度特征表示的不足造成的误差。同时，融合也可以提高模型的鲁棒性，增强模型对复杂数据的适应能力。
接着，将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。考虑到将经过编码器特征提取和融合的解码特征向量通过解码器进行解码回归可以得到推断的销售量，这是预测销售数据的核心步骤。但是，仅仅预测销售量并不能充分反映出库存水平和需求情况，因此需要将推断的销售量与当前的产品库存量进行比较。进一步地，通过将推断的销售量与当前的产品库存量进行比较，可以判断当前库存是否足够满足市场需求。如果推断的销售量大于当前的产品库存量，说明需求超过了库存，此时需要增加产品的库存以满足市场需求；反之，如果推断的销售量小于等于当前的产品库存量，则不需要增加产品的库存，从而避免资金占用和库存积压等问题。因此，通过将推断的销售量与当前的产品库存量进行比较，可以更好地控制库存水平，减少资金占用和库存积压等问题，同时也可以提高客户满意度和企业盈利水平。
特别地，在本申请的技术方案中，由于所述第一尺度月特征向量和所述第二尺度月特征向量都是通过对所述多个月特征向量进行编码得到的，因此两个特征向量会提供了部分相似的信息，如果直接采用级联来融合所述第一尺度月特征向量和所述第二尺度月特征向量会造成一定程度的数据冗余。此外，由于数据采集和处理存在误差、噪声和不确定性，这些因素也会导致数据噪声。期待一种融合编码的方式可以降去除噪声和冗余信息的影响从而提升特征融合效果，这样，可以有效地降低特征融合过程中的信息损失，保留原始特征分布中的重要信息，提高特征融合后的数据质量和可信度。
基于此，在本申请的技术方案中，融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量，包括：对第一尺度月特征向量和第二尺度月特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量；计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度；计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度；对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度；以及，以所述归一化第一JS散度和所述归一化第二JS散度作为权重，融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到融合特征向量。
上述特征分布融合算法利用了稀疏编码思想来有效捕捉两个特征分布之间的结构和模式信息，而不受噪声和冗余信息的影响从而提升特征融合效果，通过这样的方式，可以有效地降低特征融合过程中的信息损失，保留原始特征分布中的重要信息，提高特征融合后的数据质量和可信度，同时，还可以有效地降低特征融合后的数据维度，减少数据冗余和噪声且有效地增强特征融合后的数据表达能力，提取出更多的隐含信息和潜在规律，提高数据挖掘和知识发现的能力和水平，从而提升解码特征向量通过解码器得到的解码结果的准确性。
基于此，本申请提供了一种销售数据采集分析系统，其包括：数据采集模块，用于获取销售历史数据，所述销售历史数据包括每个月的销售数据；月特征向量提取模块，用于将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量；第一尺度特征提取模块，用于将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量；第二尺度特征提取模块，用于将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量；融合模块，用于融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量；以及，解码模块，用于将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的销售数据采集分析系统的框图示意图。如图1所示，根据本申请实施例的所述销售数据采集分析系统100，包括：数据采集模块110，获取销售历史数据，所述销售历史数据包括每个月的销售数据；月特征向量提取模块120，将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量；第一尺度特征提取模块130，将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量；第二尺度特征提取模块140，将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量；融合模块150，融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量；以及，解码模块160，将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
在本申请实施例中，所述数据采集模块110，获取销售历史数据，所述销售历史数据包括每个月的销售数据。考虑到通过获取销售历史数据，可以了解过去商品的销售情况及其趋势变化，以此来预测未来可能的需求量并且通过收集多个月的销售历史数据，可以更好地反映出产品销售的趋势和规律，包括季节性、周期性等因素对销售量的影响。考虑销售历史数据可以更加准确地评估市场需求，从而制定合理的库存管理策略。因此，获取销售历史数据，所述销售历史数据包括每个月的销售数据是进行销售预测分析的必要步骤。因此，在本申请的技术方案中，通过历史月销售数据来推断当月的销售数据并基于当月的销售数据和目前所剩余库存进行比较判断是否需要增加产品库存。
在本申请实施例中，所述月特征向量提取模块120，将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量。考虑到通过多尺度邻域特征提取模块可以更加全面地捕捉销售历史数据中的特征信息，从而获得更准确和可靠的销售预测结果。具体来说，不同尺度的邻域特征提供了不同层次的信息，包括低级别的局部特征和高级别的全局特征，这些特征都对销售预测有重要作用。例如，低级别的局部特征可能会反映出产品在某个特定时间段内的销售趋势，而高级别的全局特征则可以反映出季节性、周期性等因素对销售量的影响。因此，通过多尺度邻域特征提取模块可以充分利用数据中的各种特征信息，提高模型对销售数据的理解和预测能力。
图2为根据本申请实施例的销售数据采集分析系统及其方法中月特征向量提取模块的框图。在本申请一个具体的实施例中，所述月特征向量提取模块120，包括：第一尺度单元121、第二尺度单元122和融合单元123。其中，第一尺度单元，用于将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到多个第一尺度月特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度单元，用于将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到多个第二尺度月特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，融合单元，用于使用所述多尺度邻域特征提取模块的级联层将所述多个第一尺度月特征向量和所述多个第二尺度月特征向量进行级联以得到所述多个月特征向量。
在本申请一个具体的实施例中，所述第一尺度单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第一尺度月特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
在本申请一个具体的实施例中，所述所述第二尺度单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第二尺度月特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
在本申请实施例中，所述第一尺度特征提取模块130，将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量。考虑到卷积神经网络(Convolutional Neural Network,CNN)是一种可以自动提取特征的深度学习模型，广泛应用于图像、音频、文本等领域。在预测销售数据时，卷积神经网络也可以帮助我们提取和学习数据中的特征信息，从而更好地理解销售趋势和规律。
具体来说，在将多个月特征向量排列为一维特征向量后，使用卷积神经网络可以通过卷积核对输入数据进行卷积运算，在不同时间步上提取出各种特定的时间序列特征。这样可以有效地降低数据的维度，并且在保持特征信息完整性的同时，减少了数据噪声和冗余信息的影响。此外，由于在卷积神经网络中使用了池化层和激活函数等技术，可以进一步优化数据处理过程，提高对数据的理解和预测能力。因此，使用卷积神经网络有利于提取并学习数据中的特征信息，更好地理解销售趋势和规律，从而提高销售预测的准确性和可靠性。
在本申请实施例中，所述第一尺度特征提取模块，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度月特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
在本申请实施例中，所述第二尺度特征提取模块140，将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量。考虑到卷积神经网络(Convolutional Neural Network,CNN)是一种可以自动提取特征的深度学习模型，广泛应用于图像、音频、文本等领域。在预测销售数据时，卷积神经网络也可以帮助我们提取和学习数据中的特征信息，从而更好地理解销售趋势和规律。
具体来说，在将多个月特征向量排列为一维特征向量后，使用卷积神经网络可以通过卷积核对输入数据进行卷积运算，在不同时间步上提取出各种特定的时间序列特征。这样可以有效地降低数据的维度，并且在保持特征信息完整性的同时，减少了数据噪声和冗余信息的影响。此外，由于在卷积神经网络中使用了池化层和激活函数等技术，可以进一步优化数据处理过程，提高对数据的理解和预测能力。因此，使用卷积神经网络有利于提取并学习数据中的特征信息，更好地理解销售趋势和规律，从而提高销售预测的准确性和可靠性
在本申请实施例中，所述第二尺度特征提取模块，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度月特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在本申请实施例中，所述融合模块150，融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量。考虑到在销售预测中，不同尺度的特征信息对于预测结果都具有重要的作用。例如，低尺度的特征可能反映出产品在短期内的销售趋势，而高尺度的特征可能反映出季节性或周期性因素对销售量的影响。因此，为了更准确地预测销售数据，需要综合利用多个尺度的特征信息。具体地，融合所述第一尺度月特征向量和所述第二尺度月特征向量可以充分利用两种尺度的特征信息，提高模型对销售数据的理解和预测能力。通过将两种尺度的特征向量进行融合，可以得到更全面、更细致的特征表示，并且可以避免由于单一尺度特征表示的不足造成的误差。同时，融合也可以提高模型的鲁棒性，增强模型对复杂数据的适应能力。
特别地，在本申请的技术方案中，由于所述第一尺度月特征向量和所述第二尺度月特征向量都是通过对所述多个月特征向量进行编码得到的，因此两个特征向量会提供了部分相似的信息，如果直接采用级联来融合所述第一尺度月特征向量和所述第二尺度月特征向量会造成一定程度的数据冗余。此外，由于数据采集和处理存在误差、噪声和不确定性，这些因素也会导致数据噪声。期待一种融合编码的方式可以降去除噪声和冗余信息的影响从而提升特征融合效果，这样，可以有效地降低特征融合过程中的信息损失，保留原始特征分布中的重要信息，提高特征融合后的数据质量和可信度。
在本申请一个具体的实施例中，所述融合模块，包括：稀疏编码单元，用于对第一尺度月特征向量和第二尺度月特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量；第一散度计算单元，用于计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度；第二散度计算单元，用于计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度；归一化单元，用于对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度；以及，权重施加单元，用于以所述归一化第一JS散度和所述归一化第二JS散度作为权重，融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到融合特征向量。
上述特征分布融合算法利用了稀疏编码思想来有效捕捉两个特征分布之间的结构和模式信息，而不受噪声和冗余信息的影响从而提升特征融合效果，通过这样的方式，可以有效地降低特征融合过程中的信息损失，保留原始特征分布中的重要信息，提高特征融合后的数据质量和可信度，同时，还可以有效地降低特征融合后的数据维度，减少数据冗余和噪声且有效地增强特征融合后的数据表达能力，提取出更多的隐含信息和潜在规律，提高数据挖掘和知识发现的能力和水平，从而提升解码特征向量通过解码器得到的解码结果的准确性。
在本申请的一个实施例中，基于字典学习对所述第一尺度月特征向量和所述第二尺度月特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量，具体地，将第一尺度月特征向量和第二尺度月特征向量组成一个大的特征向量进行字典学习，得到一个字典，然后通过最小化该字典对特征向量的重构误差，同时对每个特征向量进行稀疏表示，得到第一稀疏特征向量和第二稀疏特征向量。
在本申请的另一个实施例中，基于联合稀疏编码器对所述第一尺度月特征向量和所述第二尺度月特征向量进行稀疏编码。应理解，联合稀疏编码器是一种用于联合编码多个相关特征的方法。其可以将不同的特征向量视为不同输入层，并在输出层上共享一个稀疏编码器。具体地，联合稀疏编码器的输入层是所述第一尺度月特征向量和所述第二尺度月特征向量，并将所述第一尺度月特征向量和所述第二尺度月特征向量表示为一个大小为m×n的矩阵，其中m表示特征向量的个数，n表示特征向量的维度。输出层可以是一个大小为p的编码向量，p表示编码器的输出维度。通过联合稀疏编码器，可以对多组相关特征向量的每个特征向量进行编码并共享参数。
在本申请实施例中，所述解码模块160，将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。考虑到将经过编码器特征提取和融合的解码特征向量通过解码器进行解码回归可以得到推断的销售量，这是预测销售数据的核心步骤。但是，仅仅预测销售量并不能充分反映出库存水平和需求情况，因此需要将推断的销售量与当前的产品库存量进行比较。进一步地，通过将推断的销售量与当前的产品库存量进行比较，可以判断当前库存是否足够满足市场需求。如果推断的销售量大于当前的产品库存量，说明需求超过了库存，此时需要增加产品的库存以满足市场需求；反之，如果推断的销售量小于等于当前的产品库存量，则不需要增加产品的库存，从而避免资金占用和库存积压等问题。因此，通过将推断的销售量与当前的产品库存量进行比较，可以更好地控制库存水平，减少资金占用和库存积压等问题，同时也可以提高客户满意度和企业盈利水平。
综上，基于本申请实施例的所述销售数据采集分析系统，其首先获取历史销售数据，然后，使用基于深度学习的深度神经网络模型作为特征提取器，对历史月销售数据进行多尺度的提取分析和解码处理，用于判断是否需要增加产品库存，从而提高产品库存管理的精确性和效率。
示例性方法
图3为根据本申请实施例的销售数据采集分析方法的流程图。如图3所示，根据本申请实施例的所述销售数据采集分析方法，包括：S110，获取销售历史数据，所述销售历史数据包括每个月的销售数据；S120，将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量；S130，将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量；S140，将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量；S150，融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量；以及，S160，将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
图4为根据本申请实施例的销售数据采集分析方法架构的示意图。如图4所示，在本申请实施例中，首先，获取销售历史数据，所述销售历史数据包括每个月的销售数据。然后，将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量。接着，将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量。同时，将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量。然后，融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量。最后，将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
在步骤S120中，将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量，包括：将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到多个第一尺度月特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到多个第二尺度月特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，使用所述多尺度邻域特征提取模块的级联层将所述多个第一尺度月特征向量和所述多个第二尺度月特征向量进行级联以得到所述多个月特征向量。
在步骤S120中，将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到多个第一尺度月特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第一尺度月特征向量；其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
在步骤S120中，将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到多个第二尺度月特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第二尺度月特征向量；其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
在步骤S130中，将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度月特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
在步骤S140中，将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度月特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在步骤S150中，融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量，包括：对第一尺度月特征向量和第二尺度月特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量；计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度；计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度；对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度；以及，以所述归一化第一JS散度和所述归一化第二JS散度作为权重，融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到融合特征向量。
综上，基于本申请实施例的所述销售数据采集分析方法，其首先获取历史销售数据，然后，使用基于深度学习的深度神经网络模型作为特征提取器，对历史月销售数据进行多尺度的提取分析和解码处理，用于判断是否需要增加产品库存，从而提高产品库存管理的精确性和效率。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备的框图。图5为根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的销售数据采集分析方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如销售历史数据和目前剩余的产品库存数据等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的销售数据采集分析方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的销售数据采集分析方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种销售数据采集分析系统，其特征在于，包括：
数据采集模块，用于获取销售历史数据，所述销售历史数据包括每个月的销售数据；
月特征向量提取模块，用于将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量；
第一尺度特征提取模块，用于将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量；
第二尺度特征提取模块，用于将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量；
融合模块，用于融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量；以及
解码模块，用于将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
2.根据权利要求1所述的销售数据采集分析系统，其特征在于，所述月特征向量提取模块，包括：
第一尺度单元，用于将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到多个第一尺度月特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
第二尺度单元，用于将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到多个第二尺度月特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
融合单元，用于使用所述多尺度邻域特征提取模块的级联层将所述多个第一尺度月特征向量和所述多个第二尺度月特征向量进行级联以得到所述多个月特征向量。
3.根据权利要求2所述的销售数据采集分析系统，其特征在于，所述第一尺度单元，用于：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第一尺度月特征向量；
其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
4.根据权利要求3所述的销售数据采集分析系统，其特征在于，所述第二尺度单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第二尺度月特征向量；
其中，所述第二卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
5.根据权利要求4所述的销售数据采集分析系统，其特征在于，所述第一尺度特征提取模块，包括：
使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第一尺度的一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述第一尺度月特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述一维特征向量。
6.根据权利要求5所述的销售数据采集分析系统，其特征在于，所述第二尺度特征提取模块，包括：
使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于具有第二尺度的一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述第二尺度月特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
7.根据权利要求6所述的销售数据采集分析系统，其特征在于，所述融合模块，包括：
稀疏编码单元，用于对第一尺度月特征向量和第二尺度月特征向量进行稀疏编码以得到第一稀疏特征向量和第二稀疏特征向量；
第一散度计算单元，用于计算所述第一稀疏特征向量相对于所述第二稀疏特征向量的第一JS散度；
第二散度计算单元，用于计算所述第二稀疏特征向量相对于所述第一稀疏特征向量的第二JS散度；
归一化单元，用于对所述第一JS散度和所述第二JS散度进行归一化处理以得到归一化第一JS散度和归一化第二JS散度；以及
权重施加单元，用于以所述归一化第一JS散度和所述归一化第二JS散度作为权重，融合所述第一稀疏特征向量和所述第二稀疏特征向量以得到融合特征向量。
8.一种销售数据采集分析方法，其特征在于，包括：
获取销售历史数据，所述销售历史数据包括每个月的销售数据；
将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量；
将所述多个月特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度月特征向量；
将所述多个月特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度月特征向量；
融合所述第一尺度月特征向量和所述第二尺度月特征向量以得到融合特征向量；以及
将所述融合特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推断当月的销售量，并基于当月的销售量与当前的产品库存量之间的比较来判断是否需要增加产品的库存。
9.根据权利要求8所述的销售数据采集分析方法，其特征在于，将所述销售历史数据排列为多个销售历史数据输入向量后通过多尺度邻域特征提取模块以得到多个月特征向量，包括：
将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到多个第一尺度月特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到多个第二尺度月特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
使用所述多尺度邻域特征提取模块的级联层将所述多个第一尺度月特征向量和所述多个第二尺度月特征向量进行级联以得到所述多个月特征向量。
10.根据权利要求9所述的销售数据采集分析方法，其特征在于，将所述多个销售历史数据输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到多个第一尺度月特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核，用于：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个销售历史数据输入向量进行一维卷积编码以得到所述多个第一尺度月特征向量；
其中，所述第一卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述多个销售历史数据输入向量，Cov(X)为对多个销售历史数据输入向量进行一维卷积编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310789373.0A CN116739653A (zh) | 2023-06-29 | 2023-06-29 | 销售数据采集分析系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310789373.0A CN116739653A (zh) | 2023-06-29 | 2023-06-29 | 销售数据采集分析系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116739653A true CN116739653A (zh) | 2023-09-12 |
Family
ID=87918373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310789373.0A Pending CN116739653A (zh) | 2023-06-29 | 2023-06-29 | 销售数据采集分析系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739653A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575685A (zh) * | 2024-01-17 | 2024-02-20 | 之江实验室科技控股有限公司 | 数据分析预警系统及方法 |
-
2023
- 2023-06-29 CN CN202310789373.0A patent/CN116739653A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575685A (zh) * | 2024-01-17 | 2024-02-20 | 之江实验室科技控股有限公司 | 数据分析预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242752B (zh) | 一种基于多任务预测的确定推荐对象的方法及系统 | |
| CN111553759A (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
| CN111753092B (zh) | 一种数据处理方法、模型训练方法、装置及电子设备 | |
| CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
| CN113240130B (zh) | 数据分类方法及装置、计算机可读存储介质和电子设备 | |
| CN112308650B (zh) | 推荐理由生成方法、装置、设备及存储介质 | |
| CN114022176A (zh) | 一种电商平台上的商品销量预测的方法及电子设备 | |
| CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
| CN116739653A (zh) | 销售数据采集分析系统及其方法 | |
| CN114581249B (zh) | 基于投资风险承受能力评估的金融产品推荐方法及系统 | |
| CN112199500A (zh) | 针对评论的情感倾向识别方法、装置及电子设备 | |
| CN115794898B (zh) | 一种金融资讯推荐方法、装置、电子设备及存储介质 | |
| CN116012066A (zh) | 广告转化率的预测方法、装置、可读存储介质 | |
| KR102284440B1 (ko) | 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법 | |
| CN114579854A (zh) | 商品推荐方法、模型训练方法、装置及电子设备 | |
| CN114969517A (zh) | 对象推荐模型的训练方法、推荐方法、装置及电子设备 | |
| JP6686208B1 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| CN110705439B (zh) | 一种信息的处理方法、装置及设备 | |
| CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
| CN116562928A (zh) | 一种目标预估方法、装置、设备及存储介质 | |
| CN116977021B (zh) | 基于大数据的系统对接自动推单方法 | |
| CN112215230B (zh) | 一种信息审核方法、装置及电子设备 | |
| CN116911955B (zh) | 目标推荐模型的训练方法及装置 | |
| CN114581162B (zh) | 一种客服对话过程中的成单预测方法、装置及电子设备 | |
| KR102313181B1 (ko) | 딥러닝 솔루션 플랫폼을 제공하는 딥러닝 플랫폼 제공장치에 의해서 수행되는 딥러닝 솔루션 제공 방법 |
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 |