CN116777507A - 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 - Google Patents
一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 Download PDFInfo
- Publication number
- CN116777507A CN116777507A CN202310748074.2A CN202310748074A CN116777507A CN 116777507 A CN116777507 A CN 116777507A CN 202310748074 A CN202310748074 A CN 202310748074A CN 116777507 A CN116777507 A CN 116777507A
- Authority
- CN
- China
- Prior art keywords
- data
- pork
- passenger flow
- sales
- price
- 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.)
- Granted
Links
- 235000015277 pork Nutrition 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 238000004140 cleaning Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012806 monitoring device Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 10
- 239000000523 sample Substances 0.000 claims description 10
- 230000002354 daily effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003381 stabilizer Substances 0.000 claims description 4
- 239000002390 adhesive tape Substances 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，涉及猪肉销售量预测领域，主要包括收集客流量数据，数据收集，将与各类猪肉销售量相关的数据项进行收集；数据清洗和预处理，对异常值和缺失值直接删除，所收集的数据中涉及到数值型数据则采用最大值最小值归一法对其进行标准化处理；各类猪肉销售量预测模型训练和生成；通过客流量预测模型预测客流量数据；通过猪肉价格预测模型预测猪肉价格；利用各类猪肉销售量预测模型预测出各类猪肉销售量；其有益效果为：本发明综合考虑客流量、时间节日、气候数据以及猪肉价格对各类猪肉销售量的预测，通过深度学习将客流量、时间节日、气候数据以及猪肉价格的规律性特征提取出来，通过精准的预测出网点的各猪肉销售量。
Description
技术领域
本发明涉及猪肉销售量预测领域，具体为一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法。
背景技术
目前，由于人们对于猪肉的需求量也越来越大，在我国一些城市出现了猪肉的直营专卖网点，这些网点销售的猪肉一方面进行了品牌宣传，保证货源质量的可靠性，另一方面，这些网点还扩展了和升级了之前的猪肉销售摊位的销售模式。猪肉专卖网点的出现可以有效提高消费者对于猪肉品质的信任度，从而增加销售额。与此同时，猪肉专卖网点还可以提供更为优质的服务，吸引更多的消费者前来购买。
猪肉专卖网点的出现在一定程度上推动了猪肉市场的发展，但是也存在一些问题需要解决，例如在进货过程中过多或过少的采用各类猪肉，造成网点库存积压，猪肉品质降低。那么，如何既能满足消费者的需求，保证货源的充足，又尽量减少存货量过剩是一个需要解决的问题。通过历史上的数据来预测各类猪肉销售量也是一个需要解决的问题。通过深度学习等技术手段，可以建立起各类猪肉销售量预测模型，准确预测猪肉专卖网点的各类猪肉的销售量，使得猪肉专卖网点可以根据未来销售情况进行合理的生产和供应，从而更好地满足市场需求。
当前，随着信息化技术的不断发展，部分猪肉专卖网点开始有意识的收集部分大数据，对客流量进行分析，但如果数据采集不准确或统计方法不可靠，就会导致结果的偏差，从而影响预测猪肉销售量偏差较大的情况，并且，如何充分合理的利用客流量数据，合理配送猪肉也是迫在眉睫待解决的问题。
发明内容
本申请的目的在于提供一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其采用深度学习的方式将猪肉专卖网点的客流量、时间节日、气候以及猪肉价格数据中与网点各类猪肉销售量之间规律性的特征进行提取，避免了传统回归中没有将上述数据因素考虑的问题，从而提高对猪肉专卖网点各类猪肉销售量预测的准确性，减少网点在进货过程中的因销售量不同带来的各类猪肉浪费，降低猪肉专卖网点的销售成本。
为了达到上述目的，本发明采用以下技术方案：
一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于，具体的步骤如下：
S11,数据收集，将与各类猪肉销售量相关的数据项进行收集，涉及到的数据项有：客流量数据、时间节日、气候数据、猪肉价格数据，以及各类猪肉的销售量，其中客流量数据通过各个网点的客流量装置进行收集，将上述数据保存在数据库中；
S12,数据清洗和预处理，对步骤S11中收集的数据进行清洗，对异常值和缺失值直接删除，所收集的数据中涉及到数值型数据则采用最大值最小值归一法对其进行标准化处理，所收集的数据涉及到类型数据则采用嵌入层法进行数据预处理；
S13：各类猪肉销售量预测模型训练和生成，将步骤S12处理好的数据，输入到LSTM模型进行训练生成各类猪肉销售量预测模型，为了能得到预测效果好的LSTM模型，将每天的客流量数据、时间节日特征数据、气候数据和猪肉价格作为特征模型特征数据，以每天各类猪肉销售量作为目标数据，采用多层LSTM模型对进行训练，LSTM模型经过多次迭代后，当损失误差值趋于平稳时结束训练；
各类猪肉销售量预测模型的损失函数为均方误差损失函数,激活函数为ReLU函数；将训练完成的各类猪肉销售量预测模型进行保存，用于预测每天各类猪肉销售量的预测；
S14：客流量预测模型，利用已有的客流量预测模型；
S15：客流量预测数据，利用步骤S14中的客流量预测模型预测客流量数据；
S16：猪肉价格预测模型，利用已有的猪肉价格预测模型；
S17：猪肉价格预测数据，利用步骤S16中的猪肉价格预测模型预测猪肉价格；
S18：将步骤S11中关于时间节日、气候数据、步骤S15预测得到的客流量数据和步骤S17中预测得到的猪肉价格，经过与步骤S12的数据清洗和预处理后，输入到步骤S13的各类猪肉销售量预测模型中，预测出每天各类猪肉销售量。
进一步，所述步骤S14中的客流量预测模型的训练步骤如下：
S21，数据收集，通过网点客流量监测装置收集每天的客流量数据、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；
S22，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S12中的预处理方法相同，即将涉及到的数据中的日期、节日、工作日、天气数据为类型数据，采用嵌入层法处理，气温、湿度、客流量数据为数值型数据，采用最大值最小值归一法进行标准化处理；
S23，客流量预测模型训练，将步骤S22处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将每天的时间节日数据和气候数据作为特征LSTM模型特征数据，以猪肉专卖点的客流量数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；LSTM模型的损失函数和激活函数与步骤S13相同；
S24，生成客流量预测模型，将步骤S23中训练生成的客流量预测模型进行保存。
进一步，所述的步骤S16中的猪肉价格预测模型的训练步骤如下：
S31，数据收集，对猪肉价格数据、饲料价格数据、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；
S32，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S12中的预处理方法相同，即将涉及到的数据中的日期、节日、工作日、天气数据为类型数据，采用嵌入层法处理，气温、湿度、猪肉价格数据、饲料价格数据为数值型数据，采用最大值最小值归一法进行标准化处理；
S33，猪肉价格预测模型训练，将步骤S32处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将单位时间内的时间节日数据、气候数据和饲料价格数据作为特征LSTM模型特征数据，以猪肉专卖网点的猪肉价格数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；LSTM模型的损失函数和激活函数与步骤S13相同；
S34，生成猪肉价格预测模型，将步骤S23中训练生成的猪肉价格预测模型进行保存。
进一步，所述的各类猪肉销售量预测模型的层数设为三层，其中，第一层有64个隐含神经元，第二层有32个隐含神经元，第三层有8个隐含神经元。
进一步，所述的客流量数据通过客流量监控装置收集数据，所述的客流量监控装置主要包括支脚1、连接环2、连接杆3、客流量计4、伸缩杆5和反射板6，所述的客流量计4分为底部客流量计41和顶部客流量计42，所述的支脚1通过固定螺栓7与连接环2固定在一起，所述的连接杆3插入到连接环2内，所述连接杆3的顶端安装在底部客流量计41的底部上，所述的底部客流量计41的顶端连接有伸缩杆5，伸缩杆5由多节连杆组成，可以自由伸缩，所述的伸缩杆5的顶端设有用于衔接伸缩杆5与顶部客流量计42的连接头9，所述的连接头9的顶部固定有顶部客流量计42。
进一步，所述的顶部客流量计42距地高度为120-130cm，所述的底部客流量计41的离地高度为80-100cm，所述的客流量数据获取的公式为：
其中K为实际客流量数据，采用Round函数对计算结果进行四舍五入取整，K高为顶部客流量计42的客流量读数，K低为底部客流量计41的客流量读数。
进一步，所述的支脚1主要包括支脚主体1-1，在支脚主体1-1的上部设有连接槽1-2用于与连接环2进行安装，在连接槽1-2的外侧设有连接孔1-3，所述的连接环2主要包括环主体2-1，在环主体2-1的中心部设有供连接杆3安装的环体中孔2-3，在环主体2-1的外周设有多个伸出部2-2，在伸出部2-2上设有与连接孔1-3相适应的环体连接孔2-4，所述的环主体2-1上还设有用于调节和控制连接杆3松紧的松紧孔2-5，所述的支脚1和连接环2通过连接孔1-3和环体连接孔2-4的相互配合，在两者之间插入固定螺栓7，从而将支脚1固定安装在连接环2上，所述的定位螺栓8安装在松紧孔2-5内，通过定位螺栓8与连接杆3之间的紧固实现连接杆3伸出连接环2的长度。
进一步，所述的客流量计4主要包括客流量计主体4-1，在客流量计主体4-1的前端设有红外探头4-2和红外线接收头4-3，通过红外探头4-2发射红外线经反射板6反射到红外线接收头4-3上，从而完成客流量数据收集工作，所述的客流量计主体4-1的上下两端设有客流量计安装孔4-4，用于固定安装客流量计4。
进一步，所述的反射板6用于反射客流量计4发射过来的红外线，主要包括反射板主体6-1，在反射板主体6-1的背面设用于贴于墙面或其他支撑物的双面胶6-2。
进一步，所述的时间节日特征数据具体为日期、节日、工作日数据，气候数据具体为气温、湿度和天气数据，涉及到的数据中日期、节日、工作日、天气数据为类型数据，气温、湿度、客流量数据、猪肉价格、各类猪肉销售量为数值型数据。
进一步，所述的客流量预测模型的损失函数和激活函数与各类猪肉销售量预测模型相同。
进一步，所述的红外探头4-2的顶部设有与客流量计安装孔4-4相适应的盖板10。
其有益效果为：
1、本发明综合考虑客流量、时间节日、气候数据以及猪肉价格对各类猪肉销售量的预测，通过深度学习将客流量、时间节日、气候数据以及猪肉价格的规律性特征提取出来，通过精准的预测出网点的各猪肉销售量；
2、通过客流量监控装置提供客流量数据获取方法，该方法能够获得较为精准获取客流量数据，解决了现有技术中客流量数据收集阶段易出的重复收集，漏计等问题，为后续模型训练提供了良好的数据基础；
3、客流量监控装置的定位螺栓8和伸缩杆5的设置，方便客流量监控装置中的底部客流量计41和顶部客流量计42根据实际需要灵活调节高低；
4、本发明通过先训练出客流量预测模型和猪肉价格预测模型，再根据客流量预测模型预测的客流量数据、猪肉价格预测模型预测出猪肉价格，可以精准的把握客流量、猪肉价格在猪肉专卖网点的规律，避免了传统的直接采用线性回归或二次函数回归中没有加入时间、节日和气候特征因素的问题；
5、在数据预处理方面创造性的引用嵌入层法对涉及到的类型数据进行预处理，不但降低了计算过程中矩阵的稀疏性，加快了模型运算速度，还将日期、节日、工作日、天气数据进行充分表达，通过数据之间的余弦值反应各数据之间的关联度，方便日期、节日、工作日、天气数据中规律性特征的提取。
附图说明
图1是猪肉专卖网点各类猪肉销售量预测流的程框图
图2是客流量预测模型的流程图；
图3是猪肉价格预测模型的流程图
图4是客流量监控装置的结构示意图；
图5是图4的爆炸图；
图6是连接环2的结构示意图；
图7是客流量计4的结构示意图；
图8是图7的仰视图；
支脚1；连接环2；连接杆3；客流量计4；伸缩杆5；反射板6；固定螺栓7；定位螺栓8；连接头9；盖板10；底部客流量计41；顶部客流量计42；支脚主体1-1；连接槽1-2；连接孔1-3；环主体2-1；伸出部2-2；环体中孔2-3；环体连接孔2-4；松紧孔2-5；客流量计主体4-1；红外探头4-2；红外线接收头4-3；客流量计安装孔4-4；反射板主体6-1；双面胶6-2。
具体实施方式
由于各个网点的销售情况不同，即使总的销售额相同，但其销售的各类猪肉也会不同，这里的各类猪肉是指：瘦肉、五花肉、内脏、猪蹄，为了减少不必要的损失，如果能合理的预测出各个网点各类猪肉的销售量，则可以达到节约成本，减少资源浪费的目的，为此，本发明提供了一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，如图1所示，具体的步骤如下：
S11,数据收集，将与各类猪肉销售量相关的数据项进行收集，涉及到的数据项有：客流量数据、时间节日、气候数据、猪肉价格数据，以及各类猪肉的销售量，其中客流量数据通过各个网点的客流量装置进行收集，将上述数据保存在数据库中；
S12,数据清洗和预处理，对步骤S11中收集的数据进行清洗，对异常值和缺失值直接删除，所收集的数据中涉及到数值型数据则采用最大值最小值归一法对其进行标准化处理，所收集的数据涉及到类型数据则采用嵌入层(embedding)法进行数据预处理，embedding是一种将离散型数据转换为连续型向量的方法。通过embedding方法可以将其转换为实数向量，从而使得模型能够更好地处理这些数据，对该类数据采用embedding方法既能将离散数据进行充分表达，又能通过离散数据之间的余弦值反应各离散数据之间的关联度，在该模型中应用该种方式处理类型数据是本发明的重要创新点之一；
其中时间节日特征数据具体为日期、节日、工作日数据，气候数据具体为气温、湿度和天气数据，涉及到的数据中日期、节日、工作日、天气数据为类型数据，气温、湿度、客流量数据、猪肉价格、各类猪肉销售量为数值型数据。
S13：各类猪肉销售量预测模型训练和生成，将步骤S12处理好的数据，输入到LSTM模型进行训练生成各类猪肉销售量预测模型，为了能得到预测效果好的LSTM模型，将每天的客流量数据、时间节日特征数据、气候数据和猪肉价格作为特征模型特征数据，以每天各类猪肉销售量作为目标数据，采用多层LSTM模型对进行训练，LSTM模型经过20000到50000次迭代后，当损失误差值趋于平稳时结束训练；
各类猪肉销售量预测模型的损失函数为均方误差损失函数,激活函数为ReLU函数。
具体的来说，可将各类猪肉销售量预测模型的层数设为三层，其中，第一层有64个隐含神经元，第二层有32个隐含神经元，第三层有8个隐含神经元。
将训练完成的各类猪肉销售量预测模型进行保存，用于预测每天各类猪肉销售量的预测。
S14：客流量预测模型，利用已有的客流量预测模型；
S15：客流量预测数据，利用步骤S14中的客流量预测模型预测客流量数据；
S16：猪肉价格预测模型，利用已有的猪肉价格预测模型；
S17：猪肉价格预测数据，利用步骤S16中的猪肉价格预测模型预测猪肉价格；
S18：将步骤S11中关于时间节日、气候数据、步骤S15预测得到的客流量数据和步骤S17中预测得到的猪肉价格，经过与步骤S12的数据清洗和预处理后，输入到步骤S13的各类猪肉销售量预测模型中，预测出每天各类猪肉销售量。
其中，步骤S14中的客流量预测模型采用如图2所示的训练方法：
S21，数据收集，通过网点客流量监测装置收集每天的客流量数据、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；
S22，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S12中的预处理方法相同，即将涉及到的数据中的日期、节日、工作日、天气数据为类型数据，采用嵌入层法处理，气温、湿度、客流量数据为数值型数据，采用最大值最小值归一法进行标准化处理；
S23，客流量预测模型训练，将步骤S22处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将每天的时间节日数据和气候数据作为特征LSTM模型特征数据，以猪肉专卖点的客流量数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；LSTM模型的损失函数和激活函数与步骤S13相同。
S24，生成客流量预测模型，将步骤S23中训练生成的客流量预测模型进行保存。
生成的客流量预测模型与传统的采用根据客流量回归方式获得生成的客流量预测相比，其可以将时间节日和气候的特征提取出来，并运用到客流量的预测中，而传统的回归算法只是简单的对数据进行回归处理，无法结合时间节日和气候的特征进行计算。
其中，步骤S16中的猪肉价格预测模型采用如图3所示的训练方法：
S31，数据收集，对猪肉价格数据、饲料价格数据、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；
S32，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S12中的预处理方法相同，即将涉及到的数据中的日期、节日、工作日、天气数据为类型数据，采用嵌入层法处理，气温、湿度、猪肉价格数据、饲料价格数据为数值型数据，采用最大值最小值归一法进行标准化处理；
S33，猪肉价格预测模型训练，将步骤S32处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将单位时间内的时间节日数据、气候数据和饲料价格数据作为特征LSTM模型特征数据，以猪肉专卖点的猪肉价格数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；LSTM模型的损失函数和激活函数与步骤S13相同。
S34，生成猪肉价格预测模型，将步骤S23中训练生成的猪肉价格预测模型进行保存。
生成的猪肉价格预测模型与传统的采用根据猪肉价格回归方式获得生成的猪肉价格预测相比，其可以将与时间节日和气候相关的规律性特征提取出来，而且还考虑到了饲料价格波动对猪肉价格的影响，一并运用到猪肉价格的预测中，而传统的回归算法只是简单的对数据进行回归处理，无法结合时间节日和气候的特征进行计算。
为了能在客流量监测点上获得精准的客流量数据，本发明的客流量监测数据通过客流量监控装置收集数据，如图4和5所示，客流量监控装置主要包括支脚1、连接环2、连接杆3、客流量计4、伸缩杆5和反射板6，其中客流量计4分为底部客流量计41和顶部客流量计42，支脚1通过固定螺栓7与连接环2固定在一起，连接杆3插入到连接环2内，在连接杆3的顶端安装在底部客流量计41的底部上，在底部客流量计41的顶端连接有伸缩杆5，伸缩杆5由多节连杆组成，可以自由伸缩，在伸缩杆5的顶端设有用于衔接伸缩杆5与顶部客流量计42的连接头9，在连接头9的顶部固定有顶部客流量计42。为了防止灰尘或杂物落入到客流量计安装孔4-4内，在红外探头4-2的顶部设有与客流量计安装孔4-4相适应的盖板10。
在使用时，顶部客流量计42距地高度为120-130cm，底部客流量计41的离地高度为80-100cm，所述的客流量数据获取的公式为：
其中K为实际客流量数据，采用Round函数对计算结果进行四舍五入取整，K高为顶部客流量计42的客流量读数，K低为底部客流量计41的客流量读数。
普通的客流量计数时，由于人的高低，以及进出的速度和多人重叠通过客流量计4时易造成重计、漏计等误差，本发明通过设置两个高度不同的客流量计，并且可以根据实际需要方便的将客流量监控装置进行移动，以及调节顶部客流量计42和底部客流量计41的高度，获得较为准确数据，该装置的设置以及对获得的数据进行处理的方法，是本发明的重要发明点之一，其解决了长期以来无法准确监测客流量的问题，为后续的分析和预测提供了良好的数据准备。
如图5所示，支脚1主要包括支脚主体1-1，在支脚主体1-1的上部设有连接槽1-2用于与连接环2进行安装，在连接槽1-2的外侧设有连接孔1-3。
如图6所示，连接环2主要包括环主体2-1，在环主体2-1的中心部设有供连接杆3安装的环体中孔2-3，在环主体2-1的外周设有多个伸出部2-2，优选三个伸出部2-2为宜，在伸出部2-2上设有与连接孔1-3相适应的环体连接孔2-4。在环主体2-1上还设有用于调节和控制连接杆3松紧的松紧孔2-5。支脚1和连接环2通过连接孔1-3和环体连接孔2-4的相互配合，在两者之间插入固定螺栓7，从而将支脚1固定安装在连接环2上。定位螺栓8安装在松紧孔2-5内，通过定位螺栓8与连接杆3之间的紧固实现连接杆3伸出连接环2的长度。
如图7和8所示，客流量计4主要包括客流量计主体4-1，在客流量计主体4-1的前端设有红外探头4-2和红外线接收头4-3，通过红外探头4-2发射红外线经反射板6反射到红外线接收头4-3上，从而完成客流量数据收集工作。在客流量计主体4-1的上下两端设有客流量计安装孔4-4，用于固定安装客流量计4。
如图5所示，反射板6用于反射客流量计4发射过来的红外线，主要包括反射板主体6-1，在反射板主体6-1的背面设用于贴于墙面或其他支撑物的双面胶6-2。
Claims (10)
1.一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于，具体的步骤如下：
S11,数据收集，将与猪肉销售相关的数据项进行收集，涉及到的数据项有：客流量数据、时间节日、气候数据、猪肉价格数据，以及各类猪肉的销售量，其中客流量数据通过各个网点的客流量监控装置进行收集，将上述数据保存在数据库中；
S12,数据清洗和预处理，对步骤S11中收集的数据进行清洗，对异常值和缺失值直接删除，所收集的数据中涉及到数值型数据则采用最大值最小值归一法对其进行标准化处理，所收集的数据涉及到类型数据则采用嵌入层法进行数据预处理；
S13：各类猪肉销售量预测模型训练和生成，将步骤S12处理好的数据，输入到LSTM模型进行训练生成各类猪肉销售量预测模型，将每天的客流量数据、时间节日特征数据、气候数据和猪肉价格作为特征模型特征数据，以每天各类猪肉销售量作为目标数据，采用多层LSTM模型对进行训练，LSTM模型经过多次迭代后，当损失误差值趋于平稳时结束训练；
各类猪肉销售量预测模型的损失函数为均方误差损失函数,激活函数为ReLU函数；将训练完成的各类猪肉销售量预测模型进行保存，用于预测每天各类猪肉销售量的预测；
S14：客流量预测模型，利用已有的客流量预测模型；
S15：客流量预测数据，利用步骤S14中的客流量预测模型预测客流量数据；
S16：猪肉价格预测模型，利用已有的猪肉价格预测模型；
S17：猪肉价格预测数据，利用步骤S16中的猪肉价格预测模型预测猪肉价格；
S18：将步骤S11中关于时间节日、气候数据、步骤S15预测得到的客流量数据和步骤S17中预测得到的猪肉价格，经过与步骤S12的数据清洗和预处理后，输入到步骤S13的各类猪肉销售量预测模型中，预测出每天各类猪肉销售量。
2.根据权利要求1所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述步骤S14中的客流量预测模型的训练步骤如下：
S21，数据收集，通过网点客流量监测装置收集每天的客流量数据、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；
S22，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S12中的预处理方法相同，即将涉及到的数据中的日期、节日、工作日、天气数据为类型数据，采用嵌入层法处理，气温、湿度、客流量数据为数值型数据，采用最大值最小值归一法进行标准化处理；
S23，客流量预测模型训练，将步骤S22处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将每天的时间节日数据和气候数据作为特征LSTM模型特征数据，以猪肉专卖点的客流量数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；LSTM模型的损失函数和激活函数与步骤S13相同；
S24，生成客流量预测模型，将步骤S23中训练生成的客流量预测模型进行保存。
3.根据权利要求2所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的步骤S16中的猪肉价格预测模型的训练步骤如下：
S31，数据收集，对猪肉价格数据、饲料价格数据、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；
S32，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S12中的预处理方法相同，即将涉及到的数据中的日期、节日、工作日、天气数据为类型数据，采用嵌入层法处理，气温、湿度、猪肉价格数据、饲料价格数据为数值型数据，采用最大值最小值归一法进行标准化处理；
S33，猪肉价格预测模型训练，将步骤S32处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将单位时间内的时间节日数据、气候数据和饲料价格数据作为特征LSTM模型特征数据，以猪肉专卖网点的猪肉价格数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；LSTM模型的损失函数和激活函数与步骤S13相同；
S34，生成猪肉价格预测模型，将步骤S23中训练生成的猪肉价格预测模型进行保存。
4.根据权利要求3所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的各类猪肉销售量预测模型的层数设为三层，其中，第一层有64个隐含神经元，第二层有32个隐含神经元，第三层有8个隐含神经元。
5.根据权利要求4所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的客流量数据通过客流量监控装置收集数据，所述的客流量监控装置主要包括支脚(1)、连接环(2)、连接杆(3)、客流量计(4)、伸缩杆(5)和反射板(6)，所述的客流量计(4)分为底部客流量计(41)和顶部客流量计(42)，所述的支脚(1)通过固定螺栓(7)与连接环(2)固定在一起，所述的连接杆(3)插入到连接环(2)内，所述连接杆(3)的顶端安装在底部客流量计(41)的底部上，所述的底部客流量计(41)的顶端连接有伸缩杆(5)，伸缩杆(5)由多节连杆组成，可以自由伸缩，所述的伸缩杆(5)的顶端设有用于衔接伸缩杆(5)与顶部客流量计(42)的连接头(9)，所述的连接头(9)的顶部固定有顶部客流量计(42)。
6.根据权利要求5所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的顶部客流量计(42)距地高度为120-130cm，所述的底部客流量计(41)的离地高度为80-100cm，所述的客流量数据获取的公式为：
其中K为实际客流量数据，采用Round函数对计算结果进行四舍五入取整，K高为顶部客流量计(42)的客流量读数，K低为底部客流量计(41)的客流量读数。
7.根据权利要求6所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的支脚(1)主要包括支脚主体(1-1)，在支脚主体(1-1)的上部设有连接槽(1-2)用于与连接环(2)进行安装，在连接槽(1-2)的外侧设有连接孔(1-3)，所述的连接环(2)主要包括环主体(2-1)，在环主体(2-1)的中心部设有供连接杆(3)安装的环体中孔(2-3)，在环主体(2-1)的外周设有多个伸出部(2-2)，在伸出部(2-2)上设有与连接孔(1-3)相适应的环体连接孔(2-4)，所述的环主体(2-1)上还设有用于调节和控制连接杆(3)松紧的松紧孔(2-5)，所述的支脚(1)和连接环(2)通过连接孔(1-3)和环体连接孔(2-4)的相互配合，在两者之间插入固定螺栓(7)，从而将支脚(1)固定安装在连接环(2)上，所述的定位螺栓(8)安装在松紧孔(2-5)内，通过定位螺栓(8)与连接杆(3)之间的紧固实现连接杆(3)伸出连接环(2)的长度。
8.根据权利要求7所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的客流量计(4)主要包括客流量计主体(4-1)，在客流量计主体(4-1)的前端设有红外探头(4-2)和红外线接收头(4-3)，通过红外探头(4-2)发射红外线经反射板(6)反射到红外线接收头(4-3)上，从而完成客流量数据收集工作，所述的客流量计主体(4-1)的上下两端设有客流量计安装孔(4-4)，用于固定安装客流量计(4)。所述的红外探头(4-2)的顶部设有与客流量计安装孔(4-4)相适应的盖板(10)。
9.根据权利要求8所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的反射板(6)用于反射客流量计(4)发射过来的红外线，主要包括反射板主体(6-1)，在反射板主体(6-1)的背面设用于贴于墙面或其他支撑物的双面胶(6-2)。
10.根据权利要求9所述的一种基于LSTM模型的猪肉专卖网点各类猪肉销售量的预测方法，其特征在于：所述的时间节日特征数据具体为日期、节日、工作日数据，气候数据具体为气温、湿度和天气数据，涉及到的数据中日期、节日、工作日、天气数据为类型数据，气温、湿度、客流量数据、猪肉价格、各类猪肉销售量为数值型数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310748074.2A CN116777507B (zh) | 2023-06-23 | 2023-06-23 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310748074.2A CN116777507B (zh) | 2023-06-23 | 2023-06-23 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116777507A true CN116777507A (zh) | 2023-09-19 |
| CN116777507B CN116777507B (zh) | 2024-05-28 |
Family
ID=87992644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310748074.2A Active CN116777507B (zh) | 2023-06-23 | 2023-06-23 | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777507B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116823327A (zh) * | 2023-06-22 | 2023-09-29 | 青岛中沃兴牧食品科技有限公司 | 一种基于深度学习的猪肉专卖网点销售量的预测方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7324955B1 (en) * | 2002-02-11 | 2008-01-29 | I2 Technologies Us, Inc. | Generating a sales volume forecast |
| CN105005959A (zh) * | 2015-07-24 | 2015-10-28 | 吴江智远信息科技发展有限公司 | 一种具有特征属性的公交车客流量计算及统计分析方法 |
| CN205244788U (zh) * | 2015-12-11 | 2016-05-18 | 索博客科技（深圳）有限公司 | 一种客流计数器的安装支架和客流计数器的安装结构 |
| CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
| CN109886721A (zh) * | 2018-12-25 | 2019-06-14 | 广州中灿信息科技有限公司 | 一种猪肉价格预测系统算法 |
| CN110135876A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 销量预测的方法及装置 |
| CN110675176A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 用于生成属性预测模型的方法和装置 |
| KR20200036219A (ko) * | 2018-09-28 | 2020-04-07 | 충북대학교 산학협력단 | Lstm을 이용한 농산물 가격 및 판매량 예측 방법 |
| CN210807485U (zh) * | 2019-11-18 | 2020-06-19 | 河南铭视科技股份有限公司 | 一种客流量统计装置 |
| CN112883288A (zh) * | 2021-03-09 | 2021-06-01 | 东南大学 | 基于深度学习和多Agent优化的软件评审者混合推荐方法 |
| CN113256326A (zh) * | 2021-04-30 | 2021-08-13 | 深圳云瞰科技有限公司 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
| CN114334159A (zh) * | 2022-03-16 | 2022-04-12 | 四川大学华西医院 | 一种术后风险预测自然语言数据增强模型及方法 |
| CN114529085A (zh) * | 2022-02-21 | 2022-05-24 | 杭州邬萍科技有限公司 | 基于大数据的居民收入预测系统及其预测方法 |
| CN114549046A (zh) * | 2022-01-17 | 2022-05-27 | 北京滴普科技有限公司 | 基于融合模型的销售预测方法、系统、设备及存储介质 |
| CN217238832U (zh) * | 2021-12-29 | 2022-08-19 | 唐智伟 | 一种可用于客流数量计量的监测装置 |
| CN114971748A (zh) * | 2022-07-27 | 2022-08-30 | 阿里健康科技(中国)有限公司 | 预测数据生成、模型训练方法、计算机设备以及存储介质 |
| CN115239022A (zh) * | 2022-08-26 | 2022-10-25 | 浪潮通信信息系统有限公司 | 客流量预测方法、装置、设备及存储介质 |
| CN218720422U (zh) * | 2022-10-17 | 2023-03-24 | 广州数智传播文化有限公司 | 一种展馆客流量统计装置 |
| WO2023056696A1 (zh) * | 2021-10-08 | 2023-04-13 | 南威软件股份有限公司 | 基于循环神经网络的城市轨道交通短时客流预测方法 |
-
2023
- 2023-06-23 CN CN202310748074.2A patent/CN116777507B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7324955B1 (en) * | 2002-02-11 | 2008-01-29 | I2 Technologies Us, Inc. | Generating a sales volume forecast |
| CN105005959A (zh) * | 2015-07-24 | 2015-10-28 | 吴江智远信息科技发展有限公司 | 一种具有特征属性的公交车客流量计算及统计分析方法 |
| CN205244788U (zh) * | 2015-12-11 | 2016-05-18 | 索博客科技（深圳）有限公司 | 一种客流计数器的安装支架和客流计数器的安装结构 |
| CN110135876A (zh) * | 2018-02-09 | 2019-08-16 | 北京京东尚科信息技术有限公司 | 销量预测的方法及装置 |
| CN110675176A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术（北京）有限公司 | 用于生成属性预测模型的方法和装置 |
| KR20200036219A (ko) * | 2018-09-28 | 2020-04-07 | 충북대학교 산학협력단 | Lstm을 이용한 농산물 가격 및 판매량 예측 방법 |
| CN109509030A (zh) * | 2018-11-15 | 2019-03-22 | 北京旷视科技有限公司 | 销量预测方法及其模型的训练方法、装置和电子系统 |
| CN109886721A (zh) * | 2018-12-25 | 2019-06-14 | 广州中灿信息科技有限公司 | 一种猪肉价格预测系统算法 |
| CN210807485U (zh) * | 2019-11-18 | 2020-06-19 | 河南铭视科技股份有限公司 | 一种客流量统计装置 |
| CN112883288A (zh) * | 2021-03-09 | 2021-06-01 | 东南大学 | 基于深度学习和多Agent优化的软件评审者混合推荐方法 |
| CN113256326A (zh) * | 2021-04-30 | 2021-08-13 | 深圳云瞰科技有限公司 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
| WO2023056696A1 (zh) * | 2021-10-08 | 2023-04-13 | 南威软件股份有限公司 | 基于循环神经网络的城市轨道交通短时客流预测方法 |
| CN217238832U (zh) * | 2021-12-29 | 2022-08-19 | 唐智伟 | 一种可用于客流数量计量的监测装置 |
| CN114549046A (zh) * | 2022-01-17 | 2022-05-27 | 北京滴普科技有限公司 | 基于融合模型的销售预测方法、系统、设备及存储介质 |
| CN114529085A (zh) * | 2022-02-21 | 2022-05-24 | 杭州邬萍科技有限公司 | 基于大数据的居民收入预测系统及其预测方法 |
| CN114334159A (zh) * | 2022-03-16 | 2022-04-12 | 四川大学华西医院 | 一种术后风险预测自然语言数据增强模型及方法 |
| CN114971748A (zh) * | 2022-07-27 | 2022-08-30 | 阿里健康科技(中国)有限公司 | 预测数据生成、模型训练方法、计算机设备以及存储介质 |
| CN115239022A (zh) * | 2022-08-26 | 2022-10-25 | 浪潮通信信息系统有限公司 | 客流量预测方法、装置、设备及存储介质 |
| CN218720422U (zh) * | 2022-10-17 | 2023-03-24 | 广州数智传播文化有限公司 | 一种展馆客流量统计装置 |
Non-Patent Citations (1)
| Title |
|---|
| 丁高峰;: "基于单片机的公交车客流量统计装置", 农机使用与维修, no. 06, 10 June 2020 (2020-06-10), pages 50 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116823327A (zh) * | 2023-06-22 | 2023-09-29 | 青岛中沃兴牧食品科技有限公司 | 一种基于深度学习的猪肉专卖网点销售量的预测方法 |
| CN116823327B (zh) * | 2023-06-22 | 2024-04-02 | 青岛中沃兴牧食品科技有限公司 | 一种基于深度学习的猪肉专卖网点销售量的预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116777507B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116777507B (zh) | 一种基于lstm模型的猪肉专卖网点各类猪肉销售量的预测方法 | |
| Yang et al. | A model of customizing electricity retail prices based on load profile clustering analysis | |
| US8370191B2 (en) | Method and system for generating quantitative indicators | |
| CN109376924A (zh) | 一种物资需求预测的方法、装置、设备及可读存储介质 | |
| Mgaya | Application of ARIMA models in forecasting livestock products consumption in Tanzania | |
| Xue et al. | A preliminary investigation of water usage behavior in single-family homes | |
| Mayer et al. | Probabilistic photovoltaic power forecasting using a calibrated ensemble of model chains | |
| Chen et al. | Classification of electricity customer groups towards individualized price scheme design | |
| CN106780273A (zh) | 旅客航班需求分析方法和系统 | |
| Xiao et al. | USDA forecasts of crop ending stocks: How well have they performed? | |
| CN109961199A (zh) | 一种分析数据波动的方法和装置 | |
| CN116823327B (zh) | 一种基于深度学习的猪肉专卖网点销售量的预测方法 | |
| Ramos et al. | Data mining contributions to characterize MV consumers and to improve the suppliers-consumers settlements | |
| CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
| Bierlaire | Calculating indicators with PythonBiogeme | |
| Blakley et al. | A limiting joint-choice model for discrete and continuous housing characteristics | |
| Gardner | How the data we make can unmake us: annals of factology | |
| CN109711765A (zh) | 基于Kraljic采购定位模型的配网物资分类方法 | |
| CN115828134A (zh) | 用电数据样本构建、模型训练、账户类别确定方法和装置 | |
| CN114282951A (zh) | 一种网络零售预测方法、设备及介质 | |
| Ikeda et al. | Sparse-coding-based household clustering for demand response services | |
| Putra et al. | Implementation of Trend Moment Method in Egg Forecasting System in Sukamulia Farm | |
| CN117010942B (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
| Heravi et al. | Different approaches to estimating hedonic indexes | |
| Räsänen et al. | Object-oriented modeling software for electric load analysis and simulation |
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 |