CN116823327B - 一种基于深度学习的猪肉专卖网点销售量的预测方法 - Google Patents
一种基于深度学习的猪肉专卖网点销售量的预测方法 Download PDFInfo
- Publication number
- CN116823327B CN116823327B CN202310748046.0A CN202310748046A CN116823327B CN 116823327 B CN116823327 B CN 116823327B CN 202310748046 A CN202310748046 A CN 202310748046A CN 116823327 B CN116823327 B CN 116823327B
- Authority
- CN
- China
- Prior art keywords
- data
- passenger flow
- flow meter
- pork
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 235000015277 pork Nutrition 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 21
- 238000012806 monitoring device Methods 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000002390 adhesive tape Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 239000003381 stabilizer Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 abstract description 2
- 238000012887 quadratic function Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习的猪肉专卖网点销售量的预测方法,涉及销售量预测领域,主要包括收集客流量数据,通过客流量装置收集网点客流量数据,将单位时段的客流量数据进行保存;收集时间节日、气候数据,将与客流量数据相对应的时间节日、气候数据进行收集;数据清洗和预处理;销售量预测模型训练和生成;通过客流量预测模型预测单位时间内的客流量数据;预测出单位时间内的猪肉销售量;其有益效果为本发明通过先训练出客流量预测模型,再根据客流量预测模型预测的客流量数据,可以精准的把握客流量在猪肉专卖网点出现的规律,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,客流量预测更为精准。
Description
技术领域
本发明涉及销售量预测领域,具体为一种基于深度学习的猪肉专卖网点销售量的预测方法。
背景技术
随着我国经济的发展和居民生活水平的提高,人们对于猪肉的需求量也越来越大。在这种情况下,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。
从市场角度来看,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。目前,我们可以借助现代科技手段来解决这些问题,例如利用大数据和物联网技术来保证货源的稳定性和质量,加强管理和服务水平,以及建立销售量预测模型等。
然而,猪肉专卖网点的发展也存在一定的问题。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。如何预测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,可以建立起销售量预测模型,准确预测猪肉专卖网点的销售量,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安排,从而更好地满足市场需求。
部分猪肉专卖网点开始收集部分大数据,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深度学习的猪肉专卖网点销售量的预测方法,其主要解决的问题为能够获取较为准确,与真实值误差小的客流量数据,采用客流量预测模型来预测客流量,避免传统回归模型没有将时间节日、气候等因素进行综合考虑的问题。
为了达到上述目的,本发明采用以下技术方案:
一种基于深度学习的猪肉专卖网点销售量的预测方法,其特征在地,具体的步骤如下:
S11,收集客流量数据,通过客流量装置收集网点客流量数据,将单位时段的客流量数据进行保存;
S12,收集时间节日、气候数据,将与客流量数据相对应的时间节日、气候数据进行收集;
S13,数据清洗和预处理,对步骤S11步骤S12中收集的数据进行清洗,对异常值或缺失值采用删除法,所收集的数据中涉及到数值型数据则采用Z-score 标准化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,通过嵌入层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,将离散数据进行充分表达,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;
S14:销售量预测模型训练和生成,将步骤S13处理好的数据,输入到LSTM模型进行训练生成销售量预测模型,将单位时间内的客流量数据、时间节日特征数据和气候数据作为特征模型特征数据,以单位时间内的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;将训练完成的销售量预测模型进行保存,用于单位时间内的猪肉销售量的预测;
S15:通过客流量预测模型预测单位时间内的客流量数据;
S16:将步骤S12中关于时间节日、气候数据和步骤S15预测得到的客流量数据,经过与步骤S13的数据清洗和预处理后,输入到步骤S14的销售量预测模型中,预测出单位时间内的猪肉销售量。
进一步,所述的步骤S15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单位时间内的客流量、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S15中的预处理方法相同。
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,将单位时间内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;
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,为顶
部客流量计(42)的客流量读数,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,所述的气候数据具体为气温、湿度和天气数据,其中日期、节日、工作日、天气数据为类型数据,气温、湿度和客流量数据为数值型数据。
进一步,所述的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。
进一步,所述的销售量预测模型的层数为两层,第一层有64个隐含神经元,第二层有32个隐含神经元。
进一步,所述的客流量预测模型的损失函数和激活函数与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、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;
2、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;
3、本发明通过先训练出客流量预测模型,再根据客流量预测模型预测的客流量数据,可以精准的把握客流量在猪肉专卖网点出现的规律,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的问题,客流量预测更为精准;
4、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是猪肉专卖网点销售量的流程框图
图2是客流量预测模型的流程图;
图3是客流量监控装置的结构示意图;
图4是图3的分解示意图;
图5是连接环(2)的结构示意图;
图6是客流量计(4)的结构示意图;
图7是图6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
本发明提供了一种基于深度学习的猪肉专卖网点销售量的预测方法,根据猪肉专卖网点之前的客流量的情况,利用深度学习模型把握客流量规律,预测猪肉专卖网点各时段猪肉销售情况,本发明中涉及到的猪肉销售量是指猪肉的销售金额,因为在猪肉销售过程中各部位的肉种类不同,无法将所有的种类的肉统称为一种猪肉,但其可以通过整体的销售金额进行统一,如图1所示,具体的步骤如下:
S11,收集客流量数据,通过客流量装置收集网点客流量数据,将单位时段的客流量数据进行保存;
S12,收集时间节日、气候数据,将与客流量数据相对应的时间节日、气候数据进行收集;
S13,数据清洗和预处理,对步骤S11步骤S12中收集的数据进行清洗,如有异常值或缺失值,则将该记录删除,所收集的数据中涉及到数值型数据则采用Z-score 标准化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,上述数据中日期、节日、工作日、天气数据为类型数据,气温、湿度为数值型数据。
S14:销售量预测模型训练和生成,将步骤S13处理好的数据,输入到LSTM模型进行训练生成销售量预测模型,为了能得到预测效果好的LSTM模型,将单位时间内的客流量数据、时间节日特征数据和气候数据作为特征模型特征数据,以单位时间内的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;
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,可将销售量预测模型的层数设为两层,第一层有64个隐含神经元,第二层有32个隐含神经元。
将训练完成的销售量预测模型进行保存,用于单位时间内的猪肉销售量的预测。
S15:通过客流量预测模型预测客流量;
S16:将步骤S12中关于时间节日、气候数据和步骤S15预测得到的客流量数据,经过与步骤S13的数据清洗和预处理后,输入到步骤S14的销售量预测模型中,预测出单位时间内的猪肉销售量。
其中,步骤S15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单位时间内的客流量、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S15中的预处理方法相同。
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,将单位时间内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S14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。
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3和4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,为顶
部客流量计(42)的客流量读数,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4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5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6和7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3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 (7)
1.一种基于深度学习的猪肉专卖网点销售量的预测方法,其特征在地,具体的步骤如下:
S11,收集客流量数据,通过客流量装置收集网点客流量数据,将网点的销售量数据和单位时间内的客流量数据进行保存;
S12,收集时间节日和气候数据,将与客流量数据相对应的时间节日和气候数据进行收集;
S13,数据清洗和预处理,对步骤S11步骤S12中收集的数据进行清洗,对异常值或缺失值采用删除法,所收集的数据中涉及到数值型数据则采用Z-score 标准化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,通过嵌入层法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,将离散数据进行充分表达,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;
S14:销售量预测模型训练和生成,将步骤S13处理好的数据,输入到LSTM模型进行训练生成销售量预测模型,将单位时间内的客流量数据、时间节日特征数据和气候数据作为特征模型特征数据,以单位时间内的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;将训练完成的销售量预测模型进行保存,用于单位时间内的猪肉销售量的预测;
S15:通过客流量预测模型预测单位时间内的客流量数据;
S16:将步骤S12中关于时间节日、气候数据和步骤S15预测得到的客流量数据,经过与步骤S13的数据清洗和预处理后,输入到步骤S14的销售量预测模型中,预测出单位时间内的猪肉销售量;
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);
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,为顶部客流量计(42)的客流量读数,/>为底部客流量计(41)的客流量读数;
所述的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,所述的销售量预测模型的层数为两层,第一层有64个隐含神经元,第二层有32个隐含神经元。
2.根据权利要求1所述的一种基于深度学习的猪肉专卖网点销售量的预测方法,其特征在于:所述的步骤S15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单位时间内的客流量,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、缺失或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S15中的预处理方法相同,即数值型数据则采用Z-score 标准化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;
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,将单位时间内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;
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所述的一种基于深度学习的猪肉专卖网点销售量的预测方法,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,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。
4.根据权利要求3所述的一种基于深度学习的猪肉专卖网点销售量的预测方法,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)。
5.根据权利要求4任一所述的一种基于深度学习的猪肉专卖网点销售量的预测方法,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)。
6.根据权利要求5所述的一种基于深度学习的猪肉专卖网点销售量的预测方法,其特征在于:所述的时间节日特征数据具体为日期、节日和工作日数据,所述的气候数据具体为气温、湿度和天气数据,其中日期、节日、工作日和天气数据为类型数据,气温、湿度和客流量数据为数值型数据。
7.根据权利要求6所述的一种基于深度学习的猪肉专卖网点销售量的预测方法,其特征在于:所述的客流量预测模型的损失函数和激活函数与销售量预测模型相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748046.0A CN116823327B (zh) | 2023-06-22 | 2023-06-22 | 一种基于深度学习的猪肉专卖网点销售量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748046.0A CN116823327B (zh) | 2023-06-22 | 2023-06-22 | 一种基于深度学习的猪肉专卖网点销售量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823327A CN116823327A (zh) | 2023-09-29 |
CN116823327B true CN116823327B (zh) | 2024-04-02 |
Family
ID=88123615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310748046.0A Active CN116823327B (zh) | 2023-06-22 | 2023-06-22 | 一种基于深度学习的猪肉专卖网点销售量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823327B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102556783A (zh) * | 2011-07-12 | 2012-07-11 | 江苏镇安电力设备有限公司 | 一种基于分区的电梯交通预测群控方法及其监测实现 |
CN205427986U (zh) * | 2015-12-07 | 2016-08-03 | 长安大学 | 直射式红外线公交站点客流检测器 |
CN206849041U (zh) * | 2017-06-13 | 2018-01-05 | 赵国平 | 一种基于摄像头的智能客流量统计装置 |
CN207489077U (zh) * | 2017-10-30 | 2018-06-12 | 河北宏轩凯业电子科技有限公司 | 一种大数据智能客流量计数器 |
CN207833554U (zh) * | 2018-03-09 | 2018-09-07 | 叶美丽 | 基于测距传感器的客流量统计装置 |
CN110321982A (zh) * | 2019-07-03 | 2019-10-11 | 南京睿铁信息科技有限公司 | 一种轨道交通断面客流量实时计算方法 |
CN209640918U (zh) * | 2018-11-26 | 2019-11-15 | 周泽海 | 一种公交车客流量统计装置 |
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 |
CN110866790A (zh) * | 2019-11-26 | 2020-03-06 | 上海景域文化传播股份有限公司 | 一种景点门票销量预测系统及方法 |
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 |
CN111601091A (zh) * | 2020-06-08 | 2020-08-28 | 张世杰 | 一种用于地铁车站的客流监控装置及方法 |
CN111797964A (zh) * | 2020-07-10 | 2020-10-20 | 杭州复兴地铁设备维护有限公司 | 城市轨道交通系统客流量实时检测设备及方法 |
CN212160732U (zh) * | 2020-06-29 | 2020-12-15 | 浙江国际海运职业技术学院 | 一种水上巴士客流量计数装置 |
CN112242040A (zh) * | 2020-10-16 | 2021-01-19 | 成都中科大旗软件股份有限公司 | 一种景区客流多维度监管系统及方法 |
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 |
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 |
CN218299026U (zh) * | 2022-08-10 | 2023-01-13 | 深圳瑞盈科科技有限公司 | 一种红外客流量计数器 |
CN115620427A (zh) * | 2022-08-17 | 2023-01-17 | 河南工业职业技术学院 | 一种基于大数据的景区客流量统计系统 |
CN116777507A (zh) * | 2023-06-23 | 2023-09-19 | 青岛中沃兴牧食品科技有限公司 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NZ562338A (en) * | 2006-10-31 | 2009-07-31 | Inventio Ag | Lift with two lift cages disposed one above the other in a lift shaft |
CN106033615B (zh) * | 2016-05-16 | 2017-09-15 | 北京旷视科技有限公司 | 目标对象运动方向检测方法和装置 |
CN113401746A (zh) * | 2020-03-16 | 2021-09-17 | 奥的斯电梯公司 | 用于机器人和个人的电梯召唤协调 |
-
2023
- 2023-06-22 CN CN202310748046.0A patent/CN116823327B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102556783A (zh) * | 2011-07-12 | 2012-07-11 | 江苏镇安电力设备有限公司 | 一种基于分区的电梯交通预测群控方法及其监测实现 |
CN205427986U (zh) * | 2015-12-07 | 2016-08-03 | 长安大学 | 直射式红外线公交站点客流检测器 |
CN206849041U (zh) * | 2017-06-13 | 2018-01-05 | 赵国平 | 一种基于摄像头的智能客流量统计装置 |
CN207489077U (zh) * | 2017-10-30 | 2018-06-12 | 河北宏轩凯业电子科技有限公司 | 一种大数据智能客流量计数器 |
CN207833554U (zh) * | 2018-03-09 | 2018-09-07 | 叶美丽 | 基于测距传感器的客流量统计装置 |
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 |
CN209640918U (zh) * | 2018-11-26 | 2019-11-15 | 周泽海 | 一种公交车客流量统计装置 |
CN110321982A (zh) * | 2019-07-03 | 2019-10-11 | 南京睿铁信息科技有限公司 | 一种轨道交通断面客流量实时计算方法 |
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 |
CN110866790A (zh) * | 2019-11-26 | 2020-03-06 | 上海景域文化传播股份有限公司 | 一种景点门票销量预测系统及方法 |
CN111601091A (zh) * | 2020-06-08 | 2020-08-28 | 张世杰 | 一种用于地铁车站的客流监控装置及方法 |
CN212160732U (zh) * | 2020-06-29 | 2020-12-15 | 浙江国际海运职业技术学院 | 一种水上巴士客流量计数装置 |
CN111797964A (zh) * | 2020-07-10 | 2020-10-20 | 杭州复兴地铁设备维护有限公司 | 城市轨道交通系统客流量实时检测设备及方法 |
CN112242040A (zh) * | 2020-10-16 | 2021-01-19 | 成都中科大旗软件股份有限公司 | 一种景区客流多维度监管系统及方法 |
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 |
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 |
CN218299026U (zh) * | 2022-08-10 | 2023-01-13 | 深圳瑞盈科科技有限公司 | 一种红外客流量计数器 |
CN115620427A (zh) * | 2022-08-17 | 2023-01-17 | 河南工业职业技术学院 | 一种基于大数据的景区客流量统计系统 |
CN116777507A (zh) * | 2023-06-23 | 2023-09-19 | 青岛中沃兴牧食品科技有限公司 | 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 |
Non-Patent Citations (3)
Title |
---|
地铁短时客流量预测与客流密度估计方法研究;向婷;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210715(第07期);第C033-661页 * |
基于深度时空网络的地铁流量预测系统的研究与实现;王昊;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210515(第05期);第C033-101页 * |
薛义增等.《基于深度学习的人工智能机器探索与实践》.中国原子能出版传媒有限公司,2021,第86-88页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116823327A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Casati et al. | Forecast verification: current status and future directions | |
Zandersen et al. | A meta-analysis of forest recreation values in Europe | |
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 | |
US20080015711A1 (en) | Systems and methods for forest harvest management | |
CN116070080B (zh) | 一种森林碳储量与碳汇价值监测系统及动态评估方法 | |
JP7339467B1 (ja) | 森林蓄積量連続監視測定方法、システム及びその実施方法 | |
CN104040583A (zh) | 在能源管理系统中动态加标签以创建逻辑模型及优化缓存相关申请的交叉引用 | |
García Suárez et al. | What is the use value of irrigation water from the High Plains Aquifer? | |
CN113872813B (zh) | 一种载波通信设备全生命周期管理方法及系统 | |
Rice et al. | A precipitation-habitat model for northern bobwhites on semiarid rangeland | |
Martin Bollandsås et al. | Estimating percentile-based diameter distributions in uneven-sized Norway spruce stands using airborne laser scanner data | |
CN111667183A (zh) | 一种耕地质量监测方法及系统 | |
Dobbs | Individual travel cost method: estimation and benefit assessment with a discrete and possibly grouped dependent variable | |
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 | |
Osland | The importance of unobserved attributes in hedonic house price models | |
Bierlaire | Calculating indicators with PythonBiogeme | |
Sharafi | Predicting Iran’s future agro-climate variability and coherence using zonation? based PCA | |
CN102855354B (zh) | 一种面向工业企业在线多维能耗数据统计建模方法 | |
Milić et al. | Further development of the change-point model–Differentiating thermal power characteristics for a residential district in a cold climate | |
Islam et al. | Inoptimality losses in forest management decisions caused by errors in an inventory based on airborne laser scanning and aerial photographs | |
Mundava et al. | A novel protocol for assessment of aboveground biomass in rangeland environments | |
Turner et al. | Irrigation metering and water use estimates: A comparative analysis, 1999-2007 | |
CN114282951A (zh) | 一种网络零售预测方法、设备及介质 | |
Parisse et al. | MADIA-Meteorological variables for agriculture: A dataset for the Italian area | |
Rosenberger et al. | Site correspondence effects in benefit transfers: A meta-analysis transfer function |
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 |