CN117333217A - 基于模型训练的产品销量分析方法、装置、设备及介质 - Google Patents

基于模型训练的产品销量分析方法、装置、设备及介质 Download PDF

Info

Publication number
CN117333217A
CN117333217A CN202311390214.XA CN202311390214A CN117333217A CN 117333217 A CN117333217 A CN 117333217A CN 202311390214 A CN202311390214 A CN 202311390214A CN 117333217 A CN117333217 A CN 117333217A
Authority
CN
China
Prior art keywords
sales
data
product
analysis
historical
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
CN202311390214.XA
Other languages
English (en)
Inventor
李想
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 CN202311390214.XA priority Critical patent/CN117333217A/zh
Publication of CN117333217A publication Critical patent/CN117333217A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

Landscapes

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

Abstract

本发明涉及人工智能领域，揭露一种基于模型训练的产品销量分析方法、装置、电子设备及存储介质，所述方法包括：对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据；对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。本发明能够提高产品销量分析的准确率。

Description

基于模型训练的产品销量分析方法、装置、设备及介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于模型训练的产品销量分析方法、装置、电子设备及可读存储介质。
背景技术
金融产品的销量与众多因素相关，例如宏观经济变化、保险补贴政策变化、保险补贴政策区域性、银行促销等活动和政策影响，因此，当前各金融产品的销量难以进行准确分析，目前方式大多是以人工汇集信息完成下周期销量分析。该种分析方式的分析效果因人而异、因区域而异，分析效果不稳定，分析效果与实际偏差大，以及需要不停多次人工手动调整等缺点，除此之外，简单利用历史销量数据分析金融产品的未来销量，也是与实际偏差较大无法使用。
发明内容
本发明提供一种基于模型训练的产品销量分析方法、装置、电子设备及可读存储介质，其目的在于提高产品销量分析的准确率。
为实现上述目的，本发明提供的一种基于模型训练的产品销量分析方法，所述方法包括：
获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据；
对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；
逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；
获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
可选地，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：
利用所述初始销量分析模型的输入层对所述目标训练数据进行特征提取，得到目标特征向量；
利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量；
利用所述初始销量分析模型种激活函数层的预设激活函数对所述第一目标线性特征向量进行非线性变换，得到目标激活特征向量；
利用所述初始销量分析模型的第二线性层对所述目标激活特征向量进行线性预测，得到产品销量分析数据；
计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述初始销量分析模型的参数进行调整，返回利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
可选地，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：
构建预设数量的初始回归树；
根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构；
根据所述最优回归树结构，利用贪心算法计算所述初始回归树的分裂节点；
利用预设的打分函数对所述最优回归树的分裂节点进行打分，得到产品销量分析数据；
计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述分裂节点进行调整，返回所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
可选地，所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构，包括：
构建不同深度的初始回归树，根据所述不同深度的初始回归树、所述目标训练数据，枚举不同的初始回归树结构；
利用预设的正则化函数计算所述初始回归树结构的复杂度，并选取复杂度最低的初始回归树结构作为最优回归树结构。
可选地，所述根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，包括：
根据所述产品种类，对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
按照预设时间段分别对所述历史产品分类销量数据及所述历史销量因子数据进行分段，得到分段历史产品销量数据及分段历史销量因子数据；
根据所述分段历史产品销量数据及所述分段历史销量因子数据，构建函数关系式；
判断所述函数关系式的斜率是否大于预设阈值；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据不是关键销量因子数据；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据为关键销量因子数据。
可选地，所述对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据，包括：
对所述关键销量因子数据进行格式统一化处理，得到标准销量因子数据；
对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
根据时间关系，将在同一时间段内的所述标准销量因子数据与所述历史产品分类销量数据进行融合，得到不同产品种类对应的目标训练数据。
可选地，所述根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果之后，还包括：
获取所述当前各类产品的实际销售数据；
将所述分析结果与所述实际销售数据进行比对；
当所述分析结果与所述实际销售数据相差超过预设销售数值时，根据所述实际销售数据，对所述目标销量分析模型进行参数调优。
为了解决上述问题，本发明还提供一种基于模型训练的产品销量分析装置，所述装置包括：
训练数据获取模块，用于获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；
模型训练模块，用于逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；
当前产品销量分析模块，用于获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于模型训练的产品销量分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于模型训练的产品销量分析方法。
本发明实施例通过对历史销量数据及历史销量因子数据进行结合分析，筛选出影响到产品销量的关键销量因子数据，从而减少了部分无效因素造成的分析误差，进一步地，逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，减少了人工对产品销量分析的参与度，从而提高了产品销量分析的准确率。因此，本发明提供的一种基于模型训练的产品销量分析方法、装置、设备及存储介质，能够提高产品销量分析的准确率。
附图说明
图1为本发明一实施例提供的基于模型训练的产品销量分析方法的流程示意图；
图2及图3为本发明一实施例提供的基于模型训练的产品销量分析方法的中其中一个步骤的详细实施流程图；
图4为本发明一实施例提供的基于模型训练的产品销量分析装置的模块示意图；
图5为本发明一实施例提供的实现基于模型训练的产品销量分析方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于模型训练的产品销量分析方法。所述基于模型训练的产品销量分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于模型训练的产品销量分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以包括独立的服务器，也可以包括提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的基于模型训练的产品销量分析方法的流程示意图，在本发明实施例中，所述基于模型训练的产品销量分析方法包括：
S1、获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据。
本发明实施例中，所述历史产品销量数据可以是过去预设时间内每天产品的销售量。所述产品种类可以是历史销售的产品的种类，例如，在金融领域，产品种类包括保险、基金及债券等种类。所述销售因子数据可以是可能对产品销售造成影响的因素的数据，例如，在金融领域，影响产品销售的销售因子可以是宏观经济变化、保险补贴政策变化、保险补贴政策区域性、银行促销等活动以及出台的政策等因素。
本发明可选实施例中，首先，可以通过提取产品销售数据库中的历史产品销售数据，并对所述历史产品销售数据进行数据清洗，保证了历史产品销售数据的精准度，从而提高了产品销量分析的准确率，进一步地，对所述历史产品销售数据进行品类分析，得到产品种类，最后，根据相关工作人员分析得出的销售因子，在互联网中爬取所述销售因子历史相关数据，得到历史销售因子数据，对所述历史销售因子数据进行数据清洗。
进一步地，当得到所述历史产品销量数据、所述产品种类及所述历史销量因子数据之后，为提高产品销量分析的准确率，本发明实施例根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，从而剔除了非必要销量因子对所述历史产品销量数据的影响，提高销量因子的精准度。
详细地，作为本发明一可选实施例，所述根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，包括：
根据所述产品种类，对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
按照预设时间段分别对所述历史产品分类销量数据及所述历史销量因子数据进行分段，得到分段历史产品销量数据及分段历史销量因子数据；
根据所述分段历史产品销量数据及所述分段历史销量因子数据，构建函数关系式；
判断所述函数关系式的斜率是否大于预设阈值；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据不是关键销量因子数据；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据为关键销量因子数据。
本发明实施例中，所述预设时间段可以是一天为一个时间段。所述函数关系式包含正比例函数及反比例函数。
进一步地，本发明实施例根据所述产品种类，对所述历史产品销量数据进行分类，得到不同种类的历史产品分类销量数据，从而放大了不同种类产品之间的差异性，使得产品销量分析更为准确。
本发明一可选实施例中，将每一种历史销量因子数据与历史销量数据进行函数关系构建，从而将所述历史销量因子数据与所述历史销量数据的关系分析转化为斜率分析，简化了所述历史销量因子数据与所述历史销量数据的关系分析，提高了关键销量因子的确定销量。
S2、对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据。
本发明实施例中，对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据，使得目标训练数据的内部关系更为紧密，从而提高模型训练的准确率，提高了产品销量分析的准确率。
进一步地，作为本发明一可选实施例，参考图2所示，所述对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据，包括：
S21、对所述关键销量因子数据进行格式统一化处理，得到标准销量因子数据；
S22、对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
S23、根据时间关系，将在同一时间段内的所述标准销量因子数据与所述历史产品分类销量数据进行融合，得到不同产品种类对应的目标训练数据。
本发明实施例中，可以通过将活动的持续时间长度转化为标准时间格式，从而使得所述关键销量因子数据与历史产品销量数据结合更为紧密，例如，某金融产品促销活动的持续时间长度为三天，结合所述持续时间长度数据的时间戳，将所述金融产品促销活动的持续时间长度转化为2023.1.1——2023.1.3。
进一步地，本发明一可选实施例中，通过根据时间关系，将在同一时间段内的所述标准销量因子数据进行融合，得到不同产品种类对应的目标训练数据，从而提高了产品销量分析的精准度。
S3、逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型。
本发明实施例中，所述初始销量分析模型可以是机器学习模型或者深度学习模型。
进一步地，由于每一种产品种类的历史销量数据差异较大，本发明实施例可以通过逐一构建每一种所述产品种类的初始销量分析模型，从而提高产品销量分析的准确率，避免了不同种产品之间的差异性造成的模型误差。
本发明可选实施例中，若选择机器学习模型作为初始销量分析模型，可以利用xgboost方法构建初始销量分析模型，所述xgboost方法考虑了目标训练数据为稀疏值的情况，可以为缺失值或者指定的数值指定分支的默认方向，大大提升了算法的效率，从而提高了产品销量分析的计算效率。
详细地，作为本发明一可选实施例，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：
构建预设数量的初始回归树；
根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构；
根据所述最优回归树结构，利用贪心算法计算所述初始回归树的分裂节点；
利用预设的打分函数对所述最优回归树的分裂节点进行打分，得到产品销量分析数据；
计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述分裂节点进行调整，返回所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
本发明实施例中，所述预设数量可以根据所述目标训练数据的数量来决定。
本发明实施例通过构建回归树的方法，根据所述目标训练数据分析产品的销量数据，并通过反向传播，对回归树的分裂节点进行调优，使得构建的目标销量分析模型更为准确，提高了品销量分析的准确率。
进一步地，作为本发明一可选实施例，所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构，包括：
构建不同深度的初始回归树，根据所述不同深度的初始回归树、所述目标训练数据，枚举不同的初始回归树结构；
利用预设的正则化函数计算所述初始回归树结构的复杂度，并选取复杂度最低的初始回归树结构作为最优回归树结构。
本发明可选实施例中，为保证模型具有强大的泛化能力，需保证回归树结构简单，回归树结构的复杂度越低越好。
本发明可选实施例中，利用正则化函数计算不同深度的回归树结构的复杂度，提高了目标销量分析模型的泛化能力，从而提高目标销量分析模型型应对复杂数据的效率。
除此之外，作为本发明一可选实施例，参考图3所示，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，还包括：
S31、利用所述初始销量分析模型的输入层对所述目标训练数据进行特征提取，得到目标特征向量；
S32、利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量；
S33、利用所述初始销量分析模型种激活函数层的预设激活函数对所述第一目标线性特征向量进行非线性变换，得到目标激活特征向量；
S34、利用所述初始销量分析模型的第二线性层对所述目标激活特征向量进行线性预测，得到产品销量分析数据；
S35、计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述初始销量分析模型的参数进行调整，返回利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
本发明实施例中，所述第一线性层的输入向量的维度与输出向量的维度相同，所述第二线性层的输出向量维度为1。
作为本发明一可选实施例，通过构建包含两层线性层及一层激活函数层的深度学习网络，从而根据所述目标训练数据对历史产品的销量进行分析，保证了模型的精准度。
S4、获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
本发明可选实施例中，所述当前销量因子数据的来源可以与所述历史销量因子数据的来源相同，故此不赘述。
本发明实施例中，当获取到当前销量因子数据之后，对所述当前销量因子数据进行特征融合，并将融合后的当前销量因子数据输入至目标销量分析模型中，从而得到当前每一种产品的销量分析结果。
除此之外，为保证目标销量分析模型的准确率，本发明实施例可以在当前产品的销量分析结果与实际销售情况差距较大时，对所述目标销量分析模型进行参数调优，使得产品销量分析更为准确。
详细地，作为本发明一可选实施例，所述根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果之后，还包括：
获取所述当前各类产品的实际销售数据；
将所述分析结果与所述实际销售数据进行比对；
当所述分析结果与所述实际销售数据相差超过预设销售数值时，根据所述实际销售数据，对所述目标销量分析模型进行参数调优。
本发明可选实施例中，通过不断地对目标销量分析模型进行参数调优，可以使得产品销量分析的准确率不断提升。
本发明实施例通过对历史销量数据及历史销量因子数据进行结合分析，筛选出影响到产品销量的关键销量因子数据，从而减少了部分无效因素造成的分析误差，进一步地，逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，减少了人工对产品销量分析的参与度，从而提高了产品销量分析的准确率。因此，本发明提供的一种基于模型训练的产品销量分析方法，能够提高产品销量分析的准确率。
如图4所示，是本发明基于模型训练的产品销量分析装置的功能模块图。
本发明所述基于模型训练的产品销量分析装置100可以安装于电子设备中。根据实现的功能，所述医学古文推荐装置100可以包括训练数据获取模块101、模型训练模块102及当前产品销量分析模块103，本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述训练数据获取模块101用于获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据。
本发明实施例中，所述历史产品销量数据可以是过去预设时间内每天产品的销售量。所述产品种类可以是历史销售的产品的种类，例如，在金融领域，产品种类包括保险、基金及债券等种类。所述销售因子数据可以是可能对产品销售造成影响的因素的数据，例如，在金融领域，影响产品销售的销售因子可以是宏观经济变化、保险补贴政策变化、保险补贴政策区域性、银行促销等活动以及出台的政策等因素。
本发明可选实施例中，首先，可以通过提取产品销售数据库中的历史产品销售数据，并对所述历史产品销售数据进行数据清洗，保证了历史产品销售数据的精准度，从而提高了产品销量分析的准确率，进一步地，对所述历史产品销售数据进行品类分析，得到产品种类，最后，根据相关工作人员分析得出的销售因子，在互联网中爬取所述销售因子历史相关数据，得到历史销售因子数据，对所述历史销售因子数据进行数据清洗。
进一步地，当得到所述历史产品销量数据、所述产品种类及所述历史销量因子数据之后，为提高产品销量分析的准确率，本发明实施例根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，从而剔除了非必要销量因子对所述历史产品销量数据的影响，提高销量因子的精准度。
详细地，作为本发明一可选实施例，所述根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，包括：
根据所述产品种类，对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
按照预设时间段分别对所述历史产品分类销量数据及所述历史销量因子数据进行分段，得到分段历史产品销量数据及分段历史销量因子数据；
根据所述分段历史产品销量数据及所述分段历史销量因子数据，构建函数关系式；
判断所述函数关系式的斜率是否大于预设阈值；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据不是关键销量因子数据；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据为关键销量因子数据。
本发明实施例中，所述预设时间段可以是一天为一个时间段。所述函数关系式包含正比例函数及反比例函数。
进一步地，本发明实施例根据所述产品种类，对所述历史产品销量数据进行分类，得到不同种类的历史产品分类销量数据，从而放大了不同种类产品之间的差异性，使得产品销量分析更为准确。
本发明一可选实施例中，将每一种历史销量因子数据与历史销量数据进行函数关系构建，从而将所述历史销量因子数据与所述历史销量数据的关系分析转化为斜率分析，简化了所述历史销量因子数据与所述历史销量数据的关系分析，提高了关键销量因子的确定销量。
本发明实施例中，对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据，使得目标训练数据的内部关系更为紧密，从而提高模型训练的准确率，提高了产品销量分析的准确率。
进一步地，作为本发明一可选实施例，所述对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据，包括：
对所述关键销量因子数据进行格式统一化处理，得到标准销量因子数据；
对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
根据时间关系，将在同一时间段内的所述标准销量因子数据与所述历史产品分类销量数据进行融合，得到不同产品种类对应的目标训练数据。
本发明实施例中，可以通过将活动的持续时间长度转化为标准时间格式，从而使得所述关键销量因子数据与历史产品销量数据结合更为紧密，例如，某金融产品促销活动的持续时间长度为三天，结合所述持续时间长度数据的时间戳，将所述金融产品促销活动的持续时间长度转化为2023.1.1——2023.1.3。
进一步地，本发明一可选实施例中，通过根据时间关系，将在同一时间段内的所述标准销量因子数据进行融合，得到不同产品种类对应的目标训练数据，从而提高了产品销量分析的精准度。
所述模型训练模块102用于逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型。
本发明实施例中，所述初始销量分析模型可以是机器学习模型或者深度学习模型。
进一步地，由于每一种产品种类的历史销量数据差异较大，本发明实施例可以通过逐一构建每一种所述产品种类的初始销量分析模型，从而提高产品销量分析的准确率，避免了不同种产品之间的差异性造成的模型误差。
本发明可选实施例中，若选择机器学习模型作为初始销量分析模型，可以利用xgboost方法构建初始销量分析模型，所述xgboost方法考虑了目标训练数据为稀疏值的情况，可以为缺失值或者指定的数值指定分支的默认方向，大大提升了算法的效率，从而提高了产品销量分析的计算效率。
详细地，作为本发明一可选实施例，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：
构建预设数量的初始回归树；
根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构；
根据所述最优回归树结构，利用贪心算法计算所述初始回归树的分裂节点；
利用预设的打分函数对所述最优回归树的分裂节点进行打分，得到产品销量分析数据；
计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述分裂节点进行调整，返回所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
本发明实施例中，所述预设数量可以根据所述目标训练数据的数量来决定。
本发明实施例通过构建回归树的方法，根据所述目标训练数据分析产品的销量数据，并通过反向传播，对回归树的分裂节点进行调优，使得构建的目标销量分析模型更为准确，提高了品销量分析的准确率。
进一步地，作为本发明一可选实施例，所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构，包括：
构建不同深度的初始回归树，根据所述不同深度的初始回归树、所述目标训练数据，枚举不同的初始回归树结构；
利用预设的正则化函数计算所述初始回归树结构的复杂度，并选取复杂度最低的初始回归树结构作为最优回归树结构。
本发明可选实施例中，为保证模型具有强大的泛化能力，需保证回归树结构简单，回归树结构的复杂度越低越好。
本发明可选实施例中，利用正则化函数计算不同深度的回归树结构的复杂度，提高了目标销量分析模型的泛化能力，从而提高目标销量分析模型型应对复杂数据的效率。
除此之外，作为本发明一可选实施例，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，还包括：
利用所述初始销量分析模型的输入层对所述目标训练数据进行特征提取，得到目标特征向量；
利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量；
利用所述初始销量分析模型种激活函数层的预设激活函数对所述第一目标线性特征向量进行非线性变换，得到目标激活特征向量；
利用所述初始销量分析模型的第二线性层对所述目标激活特征向量进行线性预测，得到产品销量分析数据；
计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述初始销量分析模型的参数进行调整，返回利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
本发明实施例中，所述第一线性层的输入向量的维度与输出向量的维度相同，所述第二线性层的输出向量维度为1。
作为本发明一可选实施例，通过构建包含两层线性层及一层激活函数层的深度学习网络，从而根据所述目标训练数据对历史产品的销量进行分析，保证了模型的精准度。
所述当前产品销量分析模块103用于获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
本发明可选实施例中，所述当前销量因子数据的来源可以与所述历史销量因子数据的来源相同，故此不赘述。
本发明实施例中，当获取到当前销量因子数据之后，对所述当前销量因子数据进行特征融合，并将融合后的当前销量因子数据输入至目标销量分析模型中，从而得到当前每一种产品的销量分析结果。
除此之外，为保证目标销量分析模型的准确率，本发明实施例可以在当前产品的销量分析结果与实际销售情况差距较大时，对所述目标销量分析模型进行参数调优，使得产品销量分析更为准确。
详细地，作为本发明一可选实施例，所述根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果之后，还包括：
获取所述当前各类产品的实际销售数据；
将所述分析结果与所述实际销售数据进行比对；
当所述分析结果与所述实际销售数据相差超过预设销售数值时，根据所述实际销售数据，对所述目标销量分析模型进行参数调优。
本发明可选实施例中，通过不断地对目标销量分析模型进行参数调优，可以使得产品销量分析的准确率不断提升。
本发明实施例通过对历史销量数据及历史销量因子数据进行结合分析，筛选出影响到产品销量的关键销量因子数据，从而减少了部分无效因素造成的分析误差，进一步地，逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，减少了人工对产品销量分析的参与度，从而提高了产品销量分析的准确率。因此，本发明提供的一种基于模型训练的产品销量分析装置，能够提高产品销量分析的准确率。
如图5所示，是本发明实现基于模型训练的产品销量分析方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于模型训练的产品销量分析程序。
其中，所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于模型训练的产品销量分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于模型训练的产品销量分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(PerIPheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于模型训练的产品销量分析程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据；
对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；
逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；
获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销量或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据；
对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；
逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；
获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于模型训练的产品销量分析方法，其特征在于，所述方法包括：
获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据；
对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；
逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；
获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
2.如权利要求1所述的基于模型训练的产品销量分析方法，其特征在于，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：
利用所述初始销量分析模型的输入层对所述目标训练数据进行特征提取，得到目标特征向量；
利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量；
利用所述初始销量分析模型种激活函数层的预设激活函数对所述第一目标线性特征向量进行非线性变换，得到目标激活特征向量；
利用所述初始销量分析模型的第二线性层对所述目标激活特征向量进行线性预测，得到产品销量分析数据；
计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述初始销量分析模型的参数进行调整，返回利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
3.如权利要求1所述的基于模型训练的产品销量分析方法，其特征在于，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：
构建预设数量的初始回归树；
根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构；
根据所述最优回归树结构，利用贪心算法计算所述初始回归树的分裂节点；
利用预设的打分函数对所述最优回归树的分裂节点进行打分，得到产品销量分析数据；
计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述分裂节点进行调整，返回所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。
4.如权利要求3所述的基于模型训练的产品销量分析方法，其特征在于，所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构，包括：
构建不同深度的初始回归树，根据所述不同深度的初始回归树、所述目标训练数据，枚举不同的初始回归树结构；
利用预设的正则化函数计算所述初始回归树结构的复杂度，并选取复杂度最低的初始回归树结构作为最优回归树结构。
5.如权利要求1所述的基于模型训练的产品销量分析方法，其特征在于，所述根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，包括：
根据所述产品种类，对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
按照预设时间段分别对所述历史产品分类销量数据及所述历史销量因子数据进行分段，得到分段历史产品销量数据及分段历史销量因子数据；
根据所述分段历史产品销量数据及所述分段历史销量因子数据，构建函数关系式；
判断所述函数关系式的斜率是否大于预设阈值；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据不是关键销量因子数据；
若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据为关键销量因子数据。
6.如权利要求1所述的基于模型训练的产品销量分析方法，其特征在于，所述对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据，包括：
对所述关键销量因子数据进行格式统一化处理，得到标准销量因子数据；
对所述历史产品销量数据进行分类，得到历史产品分类销量数据；
根据时间关系，将在同一时间段内的所述标准销量因子数据与所述历史产品分类销量数据进行融合，得到不同产品种类对应的目标训练数据。
7.如权利要求1所述的基于模型训练的产品销量分析方法，其特征在于，所述根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果之后，还包括：
获取所述当前各类产品的实际销售数据；
将所述分析结果与所述实际销售数据进行比对；
当所述分析结果与所述实际销售数据相差超过预设销售数值时，根据所述实际销售数据，对所述目标销量分析模型进行参数调优。
8.一种基于模型训练的产品销量分析装置，其特征在于，所述装置包括：
训练数据获取模块，用于获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；
模型训练模块，用于逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；
当前产品销量分析模块，用于获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于模型训练的产品销量分析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序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模型训练的产品销量分析方法。
CN202311390214.XA 2023-10-25 2023-10-25 基于模型训练的产品销量分析方法、装置、设备及介质 Pending CN117333217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311390214.XA CN117333217A (zh) 2023-10-25 2023-10-25 基于模型训练的产品销量分析方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311390214.XA CN117333217A (zh) 2023-10-25 2023-10-25 基于模型训练的产品销量分析方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117333217A true CN117333217A (zh) 2024-01-02

Family

ID=89295235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311390214.XA Pending CN117333217A (zh) 2023-10-25 2023-10-25 基于模型训练的产品销量分析方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117333217A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934048A (zh) * 2024-03-14 2024-04-26 深圳美云集网络科技有限责任公司 一种电商商品销量分析方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934048A (zh) * 2024-03-14 2024-04-26 深圳美云集网络科技有限责任公司 一种电商商品销量分析方法和系统

Similar Documents

Publication Publication Date Title
CN107657267B (zh) 产品潜在用户挖掘方法及装置
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
US20190034593A1 (en) Variation in cost by physician
CN113626606B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN117333217A (zh) 基于模型训练的产品销量分析方法、装置、设备及介质
CN110717597A (zh) 利用机器学习模型获取时序特征的方法和装置
CN111192133A (zh) 用户贷后风险模型生成方法、装置及电子设备
CN112651817A (zh) 一种智能财务决策大数据分析系统
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN115081538A (zh) 基于机器学习的客户关系识别方法、装置、设备及介质
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
CN115471775A (zh) 基于录屏视频的信息验证方法、装置、设备及存储介质
WO2019192101A1 (zh) 客户保障分析方法、电子装置及计算机可读存储介质
CN113724057A (zh) 基于大数据的财政预算填报方法、系统、设备及介质
CN116843481A (zh) 知识图谱分析方法、装置、设备及存储介质
CN109636627B (zh) 基于区块链的保险产品管理方法、装置、介质及电子设备
CN116757812A (zh) 检测异常数据的方法、装置、电子设备及存储介质
CN111652282A (zh) 基于大数据的用户偏好分析方法、装置及电子设备
Neumann et al. Machine Learning-based predictions of customers’ decisions in car insurance
CN113657546B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN115718807A (zh) 人员关系分析方法、装置、设备及存储介质
CN113627692A (zh) 投诉量预测方法、装置、设备及存储介质
CN111178535A (zh) 实现自动机器学习的方法和装置

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