一种基于深度学习算法的销量预测方法技术

本发明专利技术属于一种销量预测方法技术领域，提供了一种基于深度学习算法的销量预测方法，包括如下步骤：S1.获取原始数据集；S2.对所述原始数据集进行处理，包括KNN填充以及“0”值填充并输出完整的数据集；S3.针对输出完整的所述数据集进行特征提取；基于时序差分滑动窗口获取销量的时序特征，形成特征集供模型训练和预测使用；S4.运用LSTM对原始数据集进行处理，挖掘出F1历史时序的自回归关系、F2外生变量的影响关系；S5.将提取到的特征数据输入到深度学习的模型中，实现销量的预测。一种基于深度学习算法的销量预测方法能够很好地预测线下零售门店的销量变化，为线下数字化营销的各项决策提供科学的、有客观数据支撑的参考依据。有客观数据支撑的参考依据。有客观数据支撑的参考依据。

【技术实现步骤摘要】
一种基于深度学习算法的销量预测方法


[0001]本专利技术属于一种销量预测方法
，尤其涉及一种基于深度学习算法的销量预测方法。

技术介绍

[0002]大数据时代，零售领域催生了各种各样的销售数据；在新零售的热潮下，企业也开始在线下零售门店展开激烈竞争；那么销量预测对零售企业而言是至关重要的，零售门店可以利用历史销售数据合理地制定库存计划，以实现成本控制；品牌方企业也可以利用各门店的销量预测结果来把握市场情况与发展，控制生产，调整促销方案，提高营销的投入产出比。
[0003]线下零售对比网络电商存在天然的数据劣势，如数据缺乏、数据标准不同一、数据质量差等等问题，这在很大程度上影响了线下零售数字化赋能的进程。
[0004]现有的销量预测算法中，一类以历史数据的自回归为主，提取时序特征进行销量预测，通常会辅以特殊节假日、天气等因素综合建模；另一类通过机器学习算法，挖掘各影响因子与销量的映射关系，如价格、促销、展示推广等，多用于电商平台的销量预测；同时大部分研究的是单一企业的单一商品来进行预测，并未覆盖到整个品类；而线下零售门店缺乏标准且完整数据，很有可能导致预测不准或精度不够；对于零售门店而言，得知单一商品销量对于其成本控制、预算决策的效果有限，如若能预测某一品类全部卖力则可以很好地解决该问题。

技术实现思路

[0005]本专利技术提供一种基于深度学习算法的销量预测方法，旨在解决上述
技术介绍
提出的问题。
[0006]本专利技术是这样实现的，一种基于深度学习算法的销量预测方法，包括如下步骤：S1.获取原始数据集；S2.对所述原始数据集进行处理，包括KNN填充以及“0”值填充并输出完整的数据集；S3.针对输出完整的所述数据集进行特征提取；基于时序差分滑动窗口获取销量的时序特征，形成特征集供模型训练和预测使用；S4.运用LSTM对原始数据集进行处理，挖掘出F1历史时序的自回归关系、F2外生变量的影响关系，其中，F1为历史时序的自回归关系；F2为外生变量的影响关系；S5.将提取到的特征数据输入到深度学习的模型中，实现销量的预测。
[0007]可选的，所述原始数据门店某品类不同品牌商品的历史销量数据以及门店特征数据。
[0008]可选的，所述KNN填充，对于同一组内相同地址、相同品类、相同品牌的数据，利用已知数据输入到KNN算法中进行预测，而后将预测值填入到缺失数据中，进行KNN填充。
[0009]可选的，所述“0”值填充，主要针对一些无法填充，但是如果删除该字段，影响模型提取特征和对预测结果产生影响的字段，采取“0”值填充的方式，将该字段填充为“0”。
[0010]可选的，所述对原始数据集分别输入自回归关系与影响关系挖掘模块进行处理，两个模块均由LSTM、CNN、注意力加权机制构成。
[0011]本专利技术所达到的有益效果，一种基于深度学习算法的销量预测方法即使在数据缺失的情况下，依然能够很好地预测线下零售门店的销量变化，为线下数字化营销的各项决策提供科学的、有客观数据支撑的参考依据，同时精确的品类销量预测能够很好地帮助品牌方提高竞争力，实现科学决策，提高投入产出比。
附图说明
[0012]为了更清楚地说明本申请的实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0013]图1是本专利技术提供的一种基于深度学习算法的销量预测方法的流程图。
具体实施方式
[0014]下面将结合本申请的实施例中的附图，对本申请的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例；基于本申请的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围；本申请中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序；此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤、操作、组件或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤、操作、组件或模块，而是可选的还包括没有列出的步骤、操作、组件或模块，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤、操作、组件或模块；在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中；在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例；本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合；如图1所示，示例性实施例的一种基于深度学习算法的销量预测方法，包括如下步骤：S1.获取原始数据集；S2.对所述原始数据集进行处理，包括KNN填充以及“0”值填充并输出完整的数据集；S3.针对输出完整的所述数据集进行特征提取；基于时序差分滑动窗口获取销量的时序特征，形成特征集供模型训练和预测使用，由于商品销量数据具有时序性和周期性特征，当前月份的产量和销量与前几个月的销量存在一定的联系，如相同的增降趋势、节假日特殊性等，因此在利用时序差分滑动窗口方法对特征进行提取的时候，假设时序差分的窗口大小为N，将前N个月的同一组的销量数据填入大小为N的窗口中，提取出该N个月的销量的特征，不断将窗口向前滑动，减去窗口中尾部数据，在窗口头部增加新的数据，提取相应N个月的销量特征作为时序特征；将时序特征与外生影响因素进行综合考量，通过深度学习模型来提高销量预测的精度；S4.运用LSTM对原始数据集进行处理，挖掘出F1历史时序的自回归关系、F2外生变量的影响关系，其中，F1为历史时序的自回归关系；F2为外生
变量的影响关系；S5.将提取到的特征数据输入到深度学习的模型中，实现销量的预测。，其中为t时刻的时序特征；为t时刻的外生变量，即可推断的特征，如省份，店铺地址，品类，价格、促销等；采取上述销量预测方法，即使在数据缺失的情况下，依然能够很好地预测线下零售门店的销量变化，为线下数字化营销的各项决策提供科学的、有客观数据支撑的参考依据，同时精确的品类销量预测能够很好地帮助品牌方提高竞争力，实现科学决策，提高投入产出比。
[0015]其中，时序差分滑动窗口被配置为为了提升数据的准确性，将某个点的取值扩大到包含这个点的一段区间，用区间包含的特征数据来进行后续的判断。滑动窗口是能够根据指定的单位长度来截取时间序列，进而计算区间内的各项指标。例如，设置滑动窗口为3，那么第一条样本截取1、2、3月的销量数据，第二条样本截取2、3、4月的销量数据，依次类推，向后滑动。时序特征：按照时间维度分布的特征数据，在本文中是指按照月/周/日顺序排列的销量数据。
[0016]具体而言，所述原始数据门店某品类不同品牌商品的历史销量数据以及门店特征数据。
[0017]具体而言，所述KNN填充，对于同一组内相同地址、相同品类、相同品牌的数据，利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的销量预测方法，其特征在于，包括如下步骤：S1.获取原始数据集；S2.对所述原始数据集进行处理，包括KNN填充以及“0”值填充并输出完整的数据集；S3.针对输出完整的所述数据集进行特征提取；基于时序差分滑动窗口获取销量的时序特征，形成特征集供模型训练和预测使用；S4.运用LSTM对原始数据集进行处理，挖掘出F1历史时序的自回归关系、F2外生变量的影响关系，其中，F1为历史时序的自回归关系；F2为外生变量的影响关系；S5.将提取到的特征数据输入到深度学习的模型中，实现销量的预测。2.如权利要求1所述的基于深度学习算法的销量预测方法，其特征在于，所述原始数据门店某品类不同品牌商品的历史销量数据以及门店特...

【专利技术属性】
技术研发人员：李先能，郑爽，饶恺婧，郭子鑫，孙世航，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：