CN117916758A - 销售预测方法、销售预测装置及销售预测模型的学习方法 - Google Patents
销售预测方法、销售预测装置及销售预测模型的学习方法 Download PDFInfo
- Publication number
- CN117916758A CN117916758A CN202280060322.8A CN202280060322A CN117916758A CN 117916758 A CN117916758 A CN 117916758A CN 202280060322 A CN202280060322 A CN 202280060322A CN 117916758 A CN117916758 A CN 117916758A
- Authority
- CN
- China
- Prior art keywords
- information
- sales
- commodity
- vector
- sales prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 89
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 28
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
销售预测方法具备:取得用数值向量表现商品的信息的商品信息向量的步骤;取得商品的状态信息的步骤;取得商品的位置信息的步骤;生成包括商品信息向量、状态信息及位置信息的序列信息的步骤;以及使用销售预测模型,根据序列信息预测商品的销售数量或者销售额的步骤。
Description
本发明涉及预测店铺等中的商品的销售状况的销售预测方法、销售预测装置及销售预测模型的学习方法。
在超级市场等零售店中,商品的配置影响销售额,所以已知事先进行销售额或者销售数量等的销售预测来变更配置。例如,在专利文献1中,提出一种货架分配支援装置,从商品货架的图像辨识商品,根据基于辨识出的商品和该商品的销售数据的解析结果,生成表示对商品的销售额有效的陈列状态的多个货架分配候补。
现有技术文献
专利文献
专利文献1:日本特开2021-108209号公报
发明内容
在专利文献1的货架分配支援装置等中的以往的销售预测中,个别地考虑预测所需的商品信息、现场的状况以及位置信息等各种信息来进行预测,所以有未考虑各信息之间的关系而预测精度不充分的情况。
本发明是为了解决如上述那样的课题而完成的,其目的在于提供一种能够提高商品的销售预测的精度的销售预测方法、销售预测装置及销售预测模型的学习方法。
本发明的销售预测方法具备:取得用数值向量表现商品的信息的商品信息向量的步骤;取得商品的状态信息的步骤;取得商品的位置信息的步骤;生成包括商品信息向量、状态信息及位置信息的序列信息的步骤;以及使用销售预测模型,根据序列信息预测商品的销售数量或者销售额的步骤。
本发明的销售预测装置具备:状态信息取得部,取得商品的状态信息;位置信息取得部,取得商品的位置信息;序列信息生成部,生成包括用数值向量表现商品的信息的商品信息向量、状态信息及位置信息的序列信息;以及销售预测部,使用销售预测模型,根据序列信息预测商品的销售数量或者销售额。
本发明的销售预测模型的学习方法具备:生成包括用数值向量表现商品的信息 的商品信息向量、商品的状态信息及商品的位置信息的序列信息的步骤;使用销售预测模型,根据序列信息预测商品的销售数量或者销售额的步骤;以及评价预测出的销售数量或者销售额的步骤。
根据本发明的方法以及装置,通过将包括商品信息向量、状态信息以及位置信息的序列信息作为销售预测模型的输入数据,能够进行还考虑了多个信息之间的关系的销售预测,能够提高预测精度。
图1是实施方式1所涉及的销售预测装置的概略结构图。
图2是实施方式1所涉及的销售预测装置的控制框图。
图3是示出实施方式1所涉及的销售预测模型的学习方法的流程图。
图4是示出实施方式1所涉及的销售预测处理的流程的流程图。
图5是时间t0时的货架的图像。
图6是时间t1时的货架的图像。
图7是实施方式3所涉及的销售预测装置的控制框图。
图8是示出实施方式3所涉及的最佳位置推测方法的流程图。
(符号说明)
1、1A:处理装置;2:拍摄装置;3:货架;11:图像取得部;12:物体识别部;13:状态信息取得部;14:位置信息取得部;15:存储部;16:序列信息生成部;17:销售预测部;18:输出部;19:判定部;100、100A:销售预测装置;151:商品向量DB;152:销售预测模型。
以下,参照附图,说明实施本发明的实施方式的销售预测方法的销售预测装置100。此外,在各图中,对同一或者相当的部分附加同一符号,适宜地省略或者简化其说明。另外,关于各图记载的结构,其形状、大小以及配置等能够在本发明的范围内适宜地变更。
实施方式1.
图1是实施方式1所涉及的销售预测装置100的概略结构图。本实施方式的销售预测装置100是在超级市场等零售店铺中使用的装置,且是进行收容于店铺内的货 架3的商品P的销售预测的装置。销售预测装置100包括处理装置1和拍摄装置2。处理装置1是具备CPU(Central Processing Unit,中央处理单元)或者GPU(Graphics Processing Unit,图形处理单元)以及存储器的PC或者云上的服务器等。拍摄装置2是设置于店铺的顶棚或者墙壁并拍摄货架3的图像的照相机。处理装置1和拍摄装置2以有线或者无线方式可通信地连接。由拍摄装置2拍摄的图像被发送给处理装置1。
图2是实施方式1所涉及的销售预测装置100的控制框图。在处理装置1中,作为通过CPU或者GPU执行程序而实现的功能部,具有图像取得部11、物体识别部12、状态信息取得部13、位置信息取得部14、序列信息生成部16、销售预测部17以及输出部18。另外,处理装置1具有包括RAM、ROM或者闪存存储器等易失性或者非易失性的存储器的存储部15。
图像取得部11取得由拍摄装置2拍摄的货架3的图像,发送给物体识别部12。图像取得部11以预先设定的时间间隔取得货架3的图像。
物体识别部12利用使用了深度学习的SSD(Single Shot Multibox Detector,单发多框检测器)等已知的已学习的物体探测模型以及物体识别模型,识别包含于货架3的图像的多个商品P。
状态信息取得部13根据商品P的识别结果,取得商品P的状态信息。商品P的状态信息是在货架3上存在商品P、不存在商品P、或者商品P的状态发生了变化这3种。商品P的状态发生了变化是指,存在商品P、并且商品P的位置或者角度发生了变化。换言之,商品P的状态信息是在货架3上存在商品P(无变化)、存在商品P(有变化)或者不存在商品P这3种内的任意一种。此外,在其他实施方式中,商品P的状态信息也可以是在货架3上存在商品P、或者不存在商品P这2种。由状态信息取得部13取得的状态信息被发送给序列信息生成部16。
位置信息取得部14根据商品P的识别结果,取得商品P的位置信息。位置信息是表示货架3中的商品P的位置的数值。位置信息例如是将货架3分割而依次分配的数值(0,1,2,3,4…)。由位置信息取得部14取得的位置信息被发送给序列信息生成部16。
存储部15存储有商品向量数据库151(以下称为“商品向量DB151”)和销售预测模型152。存储部15还存储由处理装置1执行的物体探测模型等程序、在程序中使用的各种参数、由图像取得部11取得的多个图像、由状态信息取得部13以及位置信息取得部14取得的状态信息以及位置信息等。
商品向量DB151包括多个商品P的商品名等商品信息、和与商品信息对应的商品信息向量。商品信息向量是将商品信息变换为向量而得到的。以下,说明本实施方式中的商品信息向量的生成。在以下的例子中,说明商品A、商品B、商品C以及商品D这4种。首先,将各商品的商品信息(商品名)如下所述变换为One-Hot(独热码)表现。通过变更为One-Hot表现,能够使数据的长度统一,并且处理器中的处理也容易。
A:{1,0,0,0}
B:{0,1,0,0}
C:{0,0,1,0}
D:{0,0,0,1}
然后,将各商品的One-Hot表现作为单词,使用Word2Vec变换为数值向量。以下是变换后的商品信息向量的一个例子。在商品向量DB151中,包括在店铺中成为销售预测的对象的所有商品P的商品信息向量。商品向量DB151的构筑既可以用处理装置1进行,也可以将用外部设备构筑的商品向量DB151存储到处理装置1的存储部15。
A:{0.56,0.44}
B:{0.82,0.18}
C:{0.18,0.82}
D:{0.36,0.64}
销售预测模型152是根据从序列信息生成部16输入的商品P的序列信息来预测商品P的销售数量的已学习模型。作为销售预测模型152,使用了在自然语言处理(NLP)中使用的长短期记忆(LSTM)模型。此外,作为销售预测模型152,不仅能够使用LSTM模型,而且还能够使用ConvLSTM或者GRU等RNN模型、系列变换(Transformer)模型、以及其他各种自然语言处理模型。
序列信息生成部16将包含于商品向量DB151的商品信息向量、由状态信息取得部13取得的状态信息、以及由位置信息取得部14取得的位置信息进行整合,生成序列信息。以下说明序列信息的生成。
序列信息生成部16将由状态信息取得部13取得的状态信息如下所述变换为One-Hot表现。
有存在:{1,0,0}
无存在:{0,1,0}
有变化:{0,0,1}
然后,序列信息生成部16将各商品的One-Hot表现作为单词,使用Word2Vec变换为数值向量。以下是变换后的状态信息向量的一个例子。
有存在:{0.20}
无存在:{0.41}
有变化:{0.90}
而且,序列信息生成部16对包含于商品向量DB151的商品信息向量追加对应的商品P的状态信息向量。例如,在商品A~D全部存在的情况下,对商品信息向量如下所述追加状态信息向量。
A:{0.56,0.44,0.20}
B:{0.82,0.18,0.20}
C:{0.18,0.82,0.20}
D:{0.36,0.64,0.20}
而且,序列信息生成部16对商品信息向量以及状态信息向量追加各商品的位置信息而生成序列信息。在本实施方式中,序列信息生成部16将位置信息变换为使用下述的式(1)以及(2)求出的值PE。式(1)以及(2)中的pos是位置,i是维度,dmodel是维度的数量。
PE(pos,2i)=sin(pos/10000
2i/dmodel)…(1)
PE(pos,2i+1)=cos(pos/10000
2i/dmodel)…(2)
具体而言,表示各商品A~D的位置信息的值PE如下述所示。
A的位置(位置信息=0)
PE(0,0)=sin(0/10000
2×0/4)
PE(0,1)=cos(0/10000
2×0/4)
PE(0,2)=sin(0/10000
2×1/4)
PE(0,3)=cos(0/10000
2×1/4)
B的位置(位置信息=1)
PE(1,0)=sin(1/10000
2×0/4)
PE(1,1)=cos(1/10000
2×0/4)
PE(1,2)=sin(1/10000
2×1/4)
PE(1,3)=cos(1/10000
2×1/4)
C的位置(位置信息=2)
PE(2,0)=sin(2/10000
2×0/4)
PE(2,1)=cos(2/10000
2×0/4)
PE(2,2)=sin(2/10000
2×1/4)
PE(2,3)=cos(2/10000
2×1/4)
D的位置(位置信息=3)
PE(3,0)=sin(3/10000
2×0/4)
PE(3,1)=cos(3/10000
2×0/4)
PE(3,2)=sin(3/10000
2×1/4)
PE(3,3)=cos(3/10000
2×1/4)
通过用上述方法表现位置信息,能够确保序列信息的长度,能够作为各种位置所固有的位置编码。另外,能够通过这些位置信息之间的仿射变换,对2个位置之间的关系进行模型化。此外,上述位置信息的记载是一个例子,也可以用其他方法表现位置信息。
序列信息生成部16将表示位置信息的值PE追加到商品信息向量以及状态信息向量而生成序列信息。位置信息既可以分别追加到商品信息向量以及状态信息向量的数值,也可以在商品信息向量以及状态信息向量之后追加。
将位置信息分别追加到商品信息向量以及状态信息向量的数值的情况的各商品A~D的序列信息如下所述。
A=[0.56+PE(0,0),0.44+PE(0,1),0.20+PE(0,2),PE(0,3)]
B=[0.82+PE(1,0),0.18+PE(1,1),0.20+PE(1,2),PE(1,3)]
C=[0.18+PE(2,0),0.82+PE(2,1),0.20+PE(2,2),PE(2,3)]
D=[0.36+PE(3,0),0.64+PE(3,1),0.20+PE(3,2),PE(3,3)]
将位置信息追加到商品信息向量以及状态信息向量之后的情况的各商品A~D的序列信息如下所述。
A=[0.56,0.44,0.20,PE(0,0),PE(0,1),PE(0,2),PE(0,3)]
B=[0.82,0.18,0.20,PE(1,0),PE(1,1),PE(1,2),PE(1,3)]
C=[0.18,0.82,0.20,PE(2,0),PE(2,1),PE(2,2),PE(2,3)]
D=[0.36,0.64,0.20,PE(3,0),PE(3,1),PE(3,2),PE(3,3)]
销售预测部17使用由序列信息生成部16生成的序列信息、和存储于存储部15的销售预测模型152,进行货架3的商品P的销售预测。将由序列信息生成部16生 成的序列信息作为包括多个单词的一个句子,输入到销售预测模型152。即,序列信息是表示货架3的状态的句子(语言)。销售预测模型152将输入的序列信息处理为自然语言,例如作为翻译的结果输出销售预测。取决于不同商品,销售数量有差异,所以本实施方式的销售预测部17输出对销售数量进行标准化而得到的值。
输出部18针对店铺的管理者等输出从销售预测部17输出的销售预测。输出部18既可以将销售预测显示于处理装置1具备的显示部,也可以将销售预测发送给外部设备。外部设备是例如设置有销售预测装置100的店铺的管理装置、或者管理者所拥有的智能手机或者平板等信息通信终端。
图3是示出实施方式1所涉及的销售预测模型152的学习方法的流程图。销售预测模型152的学习既可以由销售预测装置100的处理装置1进行,也可以在通过外部的计算机进行学习之后,存储到处理装置1的存储部15。以下,以用处理装置1进行学习的情况为例子进行说明。
首先,序列信息生成部16从商品向量DB151取得成为学习对象的多个商品的商品信息向量(S1)。然后,包括多个商品的货架3的图像由拍摄装置2拍摄,并通过处理装置1的图像取得部11取得(S2)。接下来,通过物体识别部12探测以及识别包含于取得的图像的商品,通过状态信息取得部13取得各商品的状态信息(S3)。另外,通过位置信息取得部14取得各商品的位置信息(S4)。由状态信息取得部13取得的状态信息以及由位置信息取得部14取得的位置信息被发送给序列信息生成部16。
序列信息生成部16将从状态信息取得部13接收到的状态信息变换为状态信息向量(S5)。然后,序列信息生成部16对从商品向量DB151取得的商品的商品信息向量追加状态信息向量以及位置信息,生成每个商品的序列信息(S6)。由序列信息生成部16生成的序列信息被输入到销售预测模型152。
然后,销售预测部17使用销售预测模型152,预测货架3的各商品的销售数量(S7)。然后,销售预测部17使用Loss函数,进行预测出的销售数量的评价。在此,销售预测部17将与取得图像的时间段相同的时间段中的商品的实际的销售数量作为训练数据,计算Loss函数(S8)。此外,训练数据不限定于相同的时间段中的销售数量,是判断为陈列与取得图像的时间段等同的时间中的销售数量即可。另外,作为Loss函数,使用最小二乘法或者其他方法。然后,销售预测部17判断通过Loss函数的计算求出的损失(Loss)是否大于阈值(S9)。
在损失大于阈值的情况下(S9:“否”)、即销售预测模型152的学习不充分的情况下,销售预测部17以使损失变小的方式调整销售预测模型152的参数(S10)。之后,返回到步骤S2,重复进行以后的处理。另一方面,在损失成为阈值以下的情况下(S9:“是”),结束销售预测模型152的学习。由此,销售预测模型152在被输入商品的序列信息作为输入数据时,能够输出该商品的预测的销售数量。
图4是示出实施方式1所涉及的销售预测处理的流程的流程图。本方法由处理装置1执行。首先,包括多个商品的货架3的图像由拍摄装置2拍摄,并通过处理装置1的图像取得部11取得(S21)。然后,通过物体识别部12探测以及识别包含于取得的图像的商品,通过状态信息取得部13取得各商品的状态信息(S22)。另外,通过位置信息取得部14取得各商品的位置信息(S23)。由状态信息取得部13取得的状态信息以及由位置信息取得部14取得的位置信息被发送给序列信息生成部16。
序列信息生成部16将从状态信息取得部13接收到的状态信息变换为状态信息向量(S24)。另外,序列信息生成部16从商品向量DB151取得包含于取得的图像的商品的商品信息向量(S25)。然后,对商品信息向量追加状态信息向量以及位置信息,生成每个商品的序列信息(S26)。由序列信息生成部16生成的序列信息被输入给销售预测部17。
然后,销售预测部17将序列信息作为输入数据输入给销售预测模型152,使用销售预测模型152预测货架3的各商品的销售数量(S27)。将销售数量输出为标准化后的值。从销售预测部17输出的预测销售数量被发送给输出部18而输出(S28)。
参照图5以及图6,说明具体例子。图5是时间t0时的货架3的图像,图6是时间t1时的货架3的图像。时间t1和时间t0是不同的时间。在取得图5的图像的时间t0,通过序列信息生成部16生成下述的序列信息。此外,D
0是货架3的最下层的左侧的商品D的序列信息,D
1是货架3的最下层的右侧的商品D的序列信息。
A=[0.56,0.44,0.20,PE(0,0),PE(0,1),PE(0,2),PE(0,3)]
B=[0.82,0.18,0.20,PE(1,0),PE(1,1),PE(1,2),PE(1,3)]
C=[0.18,0.82,0.20,PE(2,0),PE(2,1),PE(2,2),PE(2,3)]
D
0=[0.36,0.64,0.20,PE(3,0),PE(3,1),PE(3,2),PE(3,3)]
D
1=[0.36,0.64,0.20,PE(4,0),PE(4,1),PE(4,2),PE(4,3)]
将上述序列信息作为输入而从销售预测模型152输出的预测销售数量例如如下所述。
A:0.3
B:0.2
C:0.4
D:0.1
在取得图6的图像的时间t1,通过序列信息生成部16生成下述的序列信息。在下述的序列信息中,在D
1的状态信息向量为无存在的向量0.41这一点,与图5的情况不同。
A=[0.56,0.44,0.20,PE(0,0),PE(0,1),PE(0,2),PE(0,3)]
B=[0.82,0.18,0.20,PE(1,0),PE(1,1),PE(1,2),PE(1,3)]
C=[0.18,0.82,0.20,PE(2,0),PE(2,1),PE(2,2),PE(2,3)]
D
0=[0.36,0.64,0.20,PE(3,0),PE(3,1),PE(3,2),PE(3,3)]
D
1=[0.36,0.64,0.41,PE(4,0),PE(4,1),PE(4,2),PE(4,3)]
将上述序列信息作为输入而从销售预测模型152输出的预测销售数量例如如下所述。
A:0.4
B:0.3
C:0.3
D:0.0
如以上所述,在本实施方式中,经由图像取得现场的实时的信息,有效地整合在销售预测中使用的信息来生成序列信息,进行销售预测,从而能够提高预测精度。即,在本实施方式中,将自然语言处理应用于商品管理,将各商品以及状态信息等处理为独立的单词,用句子表现货架3中的各商品的状态,从而能够将对应的知识使用于处理,提高预测精度。
实施方式2.
说明实施方式2。在实施方式1中,销售预测装置100根据商品信息、状态信息以及位置信息进行销售预测,但在实施方式2中,除了这些信息以外还使用商品的属性信息,这一点与实施方式1不同。销售预测装置100的结构与实施方式1相同。商品的属性信息例如是价格信息、销售单位、降价信息或者销售时期等。以下,说明作为属性信息加上价格信息的情况的例子。
在本实施方式的商品向量DB151中,除了商品信息向量以外,还包括价格信息向量。价格信息向量是将商品的价格信息变换为向量而得到的。以下,说明价格信息向量的生成。在以下的例子中,说明商品A、商品B、商品C以及商品D这4种。首 先,将各商品的价格信息变换为One-Hot表现。
然后,将各商品的价格信息的One-Hot表现作为单词,使用Word2Vec变换为数值向量。变换后的价格信息向量如下所述被追加到商品信息向量之后,存储到商品向量DB151。
A:{0.56,0.44,0.05}
B:{0.82,0.18,0.10}
C:{0.18,0.82,0.82}
D:{0.36,0.64,0.45}
序列信息生成部16对包含于商品向量DB151的商品信息向量以及价格信息向量追加对应的商品的状态信息向量。例如,在商品A~D全部存在的情况下,对商品信息向量如下所述追加状态信息向量。
A:{0.56,0.44,0.05,0.20}
B:{0.82,0.18,0.10,0.20}
C:{0.18,0.82,0.82,0.20}
D:{0.36,0.64,0.45,0.20}
而且,还追加位置信息,生成各商品A~D的序列信息。该情况的序列信息成为下述中的任意一个。
A=[0.56+PE(0,0),0.44+PE(0,1),0.05+PE(0,2),0.20+PE(0,3)]
B=[0.82+PE(1,0),0.18+PE(1,1),0.10+PE(1,2),0.20+PE(1,3)]
C=[0.18+PE(2,0),0.82+PE(2,1),0.82+PE(2,2),0.20+PE(2,3)]
D=[0.36+PE(3,0),0.64+PE(3,1),0.45+PE(3,2),0.20+PE(3,3)]
或者
A=[0.56,0.44,0.05,0.20,PE(0,0),PE(0,1),PE(0,2),PE(0,3)]
B=[0.82,0.18,0.10,0.20,PE(1,0),PE(1,1),PE(1,2),PE(1,3)]
C=[0.18,0.82,0.82,0.20,PE(2,0),PE(2,1),PE(2,2),PE(2,3)]
D=[0.36,0.64,0.45,0.20,PE(3,0),PE(3,1),PE(3,2),PE(3,3)]
由序列信息生成部16生成的序列信息被输入给销售预测部17,通过销售预测部17使用销售预测模型152预测并输出销售数量。
考虑了对商品的销售额还关联商品的价格以及销售单位等其他属性信息。因此,在本实施方式中,通过将价格信息等属性信息追加作为销售预测模型152的输入数据,能够进一步提高预测结果的精度。
实施方式3.
说明实施方式3。实施方式3的处理装置1A使用销售预测模型152推测并推荐最佳的商品的配置。图7是实施方式3所涉及的销售预测装置100A的控制框图。在处理装置1A中,作为通过CPU或者GPU执行程序而实现的功能部,还具有判定部19,这一点与实施方式1不同。其他销售预测装置100A的结构与实施方式1相同。
判定部19判定由销售预测部17预测出的销售数量是否达到规定数量。然后,判定部19在预测销售数量未达到规定数量的情况下,指示序列信息生成部16变更写入到序列信息的位置信息。另一方面,在预测销售数量达到了规定数量的情况下,判定部19将此时的位置信息作为最佳的位置信息输出给输出部18。输出部18将最佳的位置信息输出给店铺的管理者等。
本实施方式的序列信息生成部16在从判定部19接收到位置信息的变更指示的情况下,将位置信息依次变更为与在货架3中可设想的配置对应的位置信息。例如,在当前商品的位置信息与图5所示的配置对应的情况下,序列信息生成部16以使得与将商品A和商品B的位置交换后的配置对应的方式变更位置信息,生成写入了变更后的位置信息的序列信息。序列信息生成部16根据来自判定部19的指示,依次变更位置信息,生成序列信息。
图8是示出实施方式3所涉及的最佳位置推测方法的流程图。本方法通过处理装置1执行。最佳位置推测方法的步骤S21~S27与实施方式1的销售预测方法相同。然后,在预测货架3的各商品的销售数量后(S27),判定部19判断预测出的销售数量是否为规定数量以上(S30)。
然后,在预测出的销售数量小于规定数量的情况下(S30:“否”),序列信息生成部16变更位置信息(S31),生成序列信息(S26)。然后,通过销售预测部17预测变更后的位置信息下的销售数量(S27)。然后,在由销售预测部17预测出的销售数量成为规定数量以上的情况下(S30:“是”),判定部19将当前的位置信息作为最佳的位置信息经由输出部18输出。输出的位置信息是表示商品的货架分配表的信息。此外,货架分配表不仅是货架3中的商品的配置,而且还包括电冰箱内的配置或者平面上的配置。
如以上所述,在本实施方式中,通过反复变更位置信息直至由销售预测部17预测的销售数量成为规定数量以上为止,能够推测最佳的位置信息。由此,通过由店铺的管理者等根据推测出的位置信息调整商品的货架分配,能够提高销售数量。
以上为实施方式的说明,但上述实施方式可变形以及组合。例如,上述实施方 式中的销售预测装置100预测各商品的销售数量,但也可以预测各商品的销售额。在该情况下,将实际的销售额作为训练数据使销售预测模型152进行学习,在被输入序列信息后输出预测销售额。另外,销售预测部17也可以不进行标准化而原样地输出销售数量或者销售额。
另外,在上述实施方式中,在生成序列信息时,将状态信息变换为数值向量,但不限定于此。状态信息仅有3个样式,所以也可以不将表示3个样式的数值“0:无存在”、“1:有存在”、“2:有变化”变换为向量而包含到序列信息。进而,关于位置信息以及属性信息,也可以不将用数值表现的信息变换为向量,而将数值原样地包含到序列信息。
另外,使销售预测模型152进行学习时的商品的状态信息以及位置信息不限定于从图像取得的信息。例如,也可以使用预先存储于存储部15的商品的货架分配表中所包含的状态信息以及位置信息,制作序列信息。
Claims (8)
- 一种销售预测方法,具备:取得用数值向量表现商品的信息的商品信息向量的步骤;取得所述商品的状态信息的步骤;取得所述商品的位置信息的步骤;生成包括所述商品信息向量、所述状态信息及所述位置信息的序列信息的步骤;以及使用销售预测模型,根据所述序列信息预测所述商品的销售数量或者销售额的步骤。
- 根据权利要求1所述的销售预测方法,其中,所述销售预测模型是自然语言处理模型。
- 根据权利要求1或者2所述的销售预测方法,其中,所述销售预测方法还具备取得所述商品的图像的步骤,所述状态信息以及所述位置信息从所述图像取得。
- 根据权利要求1~3中的任意一项所述的销售预测方法,其中,所述销售预测方法还具备将所述状态信息变换为用所述数值向量表现的状态信息向量的步骤,所述序列信息包括所述商品信息向量、所述状态信息向量以及所述位置信息。
- 根据权利要求1~4中的任意一项所述的销售预测方法,其中,所述销售预测方法还具备取得所述商品的价格信息的步骤,所述序列信息还包括所述商品的所述价格信息。
- 根据权利要求1~5中的任意一项所述的销售预测方法,还具备:判定通过所述销售预测模型预测出的所述商品的销售数量或者销售额是否为规定数量以上的步骤;在通过所述销售预测模型预测出的所述商品的销售数量或者销售额小于规定数量的情况下,变更所述位置信息来生成所述序列信息的步骤;以及在通过所述销售预测模型预测出的所述商品的销售数量或者销售额是规定数量以上的情况下,输出包含于所述序列信息的所述位置信息的步骤。
- 一种销售预测装置,具备:状态信息取得部,取得商品的状态信息;位置信息取得部,取得所述商品的位置信息;序列信息生成部,生成包括用数值向量表现所述商品的信息的商品信息向量、所述状态信息及所述位置信息的序列信息;以及销售预测部,使用销售预测模型,根据所述序列信息预测所述商品的销售数量或者销售额。
- 一种销售预测模型的学习方法,包括:生成包括用数值向量表现商品的信息的商品信息向量、所述商品的状态信息及所述商品的位置信息的序列信息的步骤;使用销售预测模型,根据所述序列信息预测所述商品的销售数量或者销售额的步骤;以及评价预测出的所述销售数量或者销售额的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/087568 WO2023201510A1 (zh) | 2022-04-19 | 2022-04-19 | 销售预测方法、销售预测装置及销售预测模型的学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117916758A true CN117916758A (zh) | 2024-04-19 |
Family
ID=88418952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280060322.8A Pending CN117916758A (zh) | 2022-04-19 | 2022-04-19 | 销售预测方法、销售预测装置及销售预测模型的学习方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117916758A (zh) |
WO (1) | WO2023201510A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10430812B2 (en) * | 2013-05-23 | 2019-10-01 | Oracle International Corporation | Retail sales forecast system with promotional cross-item effects prediction |
CN113553540A (zh) * | 2020-04-24 | 2021-10-26 | 株式会社日立制作所 | 一种商品销量的预测方法 |
US20230351286A1 (en) * | 2020-08-27 | 2023-11-02 | Ntt Docomo, Inc. | Planogram information generation device and prediction model |
CN112241904A (zh) * | 2020-10-23 | 2021-01-19 | 浙江集享电子商务有限公司 | 商品销售量预测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-04-19 WO PCT/CN2022/087568 patent/WO2023201510A1/zh active Application Filing
- 2022-04-19 CN CN202280060322.8A patent/CN117916758A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023201510A1 (zh) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950638B (zh) | 基于模型蒸馏的图像分类方法、装置和电子设备 | |
CN110555469B (zh) | 处理交互序列数据的方法及装置 | |
CN110378278B (zh) | 神经网络的训练方法、对象搜索方法、装置以及电子设备 | |
US20230316720A1 (en) | Anomaly detection apparatus, anomaly detection method, and program | |
CN113537630B (zh) | 业务预测模型的训练方法及装置 | |
CN111178537B (zh) | 一种特征提取模型训练方法及设备 | |
CN110660078B (zh) | 对象追踪方法、装置、计算机设备和存储介质 | |
CN110795089A (zh) | 一种代码生成方法、装置、设备和存储介质 | |
US20180129968A1 (en) | Update of attenuation coefficient for a model corresponding to time-series input data | |
CN114202123A (zh) | 业务数据预测方法、装置、电子设备及存储介质 | |
CN114066510A (zh) | 物品销量预测方法、装置、计算机设备和存储介质 | |
CN110781818B (zh) | 视频分类方法、模型训练方法、装置及设备 | |
CN113435182A (zh) | 自然语言处理中分类标注的冲突检测方法、装置和设备 | |
CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
CN117115571A (zh) | 一种细粒度智能商品识别方法、装置、设备及介质 | |
WO2018130890A1 (en) | Learning apparatus and method for bidirectional learning of predictive model based on data sequence | |
CN108898067B (zh) | 确定人和物关联度的方法、装置及计算机可读存储介质 | |
CN113469025A (zh) | 应用于车路协同的目标检测方法、装置、路侧设备和车辆 | |
CN110659701B (zh) | 信息处理方法、装置、电子设备及介质 | |
CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
CN117916758A (zh) | 销售预测方法、销售预测装置及销售预测模型的学习方法 | |
KR102440963B1 (ko) | 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체 | |
JP7495058B2 (ja) | 受注予測モデル作成方法、受注予測モデル作成装置、受注予測方法および受注予測装置 | |
CN113989569B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115796984A (zh) | 物品推荐模型的训练方法、存储介质及相关设备 |
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 |