一种基于天气预报信息的季节性服装短期销量预测方法技术

本发明专利技术公开了一种基于天气预报信息的季节性服装短期销量预测方法，包括以下步骤：S1、收集销售数据和对应销售日的天气数据；S2、将销售数据和天气数据按照时间序列进行汇总整理，得到带有天气信息的销售数据的时间序列汇总数据；S3、对时间序列汇总数据进行特征变量分析与特征变量筛选；S4、按照滚动时间窗法对由特征指标数据和销售数据构成的数据集进行划分；S5、Stacking集成回归模型建立；S6、将新的特征指标数据输入Stacking集成学习模型，进行季节性服装销量预测。本发明专利技术具有不仅能有效处理短期天气与季节性服装之间的非线性关系，还改善单模型对季节性服装销量的预测效果，提高模型的泛化性的特点。高模型的泛化性的特点。高模型的泛化性的特点。

【技术实现步骤摘要】
一种基于天气预报信息的季节性服装短期销量预测方法


[0001]本专利技术涉及一种服装销量预测方法，特别是一种基于天气预报信息的季节性服装短期销量预测方法。

技术介绍

[0002]服装零售市场竞争激烈，合理、可靠、准确的销售预测对服装行业来说意义重大，它是企业科学控制生产的前提，能有效的防止商品库存积压造成的利润损失，提高企业的利润率与整体效益。然而服装产品属性不同于其他产品，它具有很强的时尚性、季节性，它的产品生命周期短，生产提前期较长。这些因素都使得服装产品销售预测的风险和难度大大增加。而其中主要的不确定因素之一就是天气，日常天气对服装销售业务具有显著的影响。
[0003]目前已有不少学者对服装销量预测进行了研究，例如：专利1：公开号为CN112686713A，公开日为2021.04.20的基于人工智能的服装销量预测方法、系统以及设备，公开了：提取的服装销售数据并执行数据准备；识别服装销售数据中的失真销量数据，并执行数据清洗与数据修复；基于清洗后的服装销售数据，建立基于人工智能的预报算法模型，并对下一个销售周期的销量走势进行预报；执行气温修正；以及执行节假日及促销活动修正。专利2：公开号为CN113506144A，公开日为2021.10.15的一种基于人工智能和大数据的服装销售预测方法及系统，公开了：通过服装分析神经网络处理服装搭配图像，获得服装风格和每个服装单品的特征向量，通过服装风格和特征向量构建风格特征分布图。通过网络平台数据获得服装风格热度和服装单品热度。根据服装风格热度和服装单品热度重置风格特征分布图对应位置的像素值，获得每个服装单品的服装单品热度图，通过每个风格特征分布图的聚类中心对服装单品热度图进行校准更新，获得标准服装单品热度图。根据标准服装单品热度图获得预测服装销量。
[0004]虽然上述的公开专利中都公开了关于服装销量预测方法，但是专利1中公开的方法，是基于清洗后的服装销售数据，建立基于人工智能的预报算法模型，在得到模型的基本预测结果后对模型结果进行一定的修正，这增加了预测步骤，且模型修正后的结果准确性提升并不高；专利2中公开的方法，是以服装风格情感倾向、服装单品情感倾向、服装风格评价点赞数、服装单品评价点赞数和服装单品销量为影响因素，需要从网络平台收集大量的数据，包括文本数据和图片数据，这些数据通常稀疏和杂乱，数据收集花费的时间长，数据处理花费的代价大；而且上述公开的专利中，也都没有公开关于短期天气对服装销售的影响。

技术实现思路

[0005]本专利技术的目的在于，提供一种基于天气预报信息的季节性服装短期销量预测方法。本专利技术具有不仅能有效处理短期天气与季节性服装之间的非线性关系，还改善单模型对季节性服装销量的预测效果，提高模型的泛化性的特点。
[0006]本专利技术的技术方案：一种基于天气预报信息的季节性服装短期销量预测方法，包括以下步骤：
[0007]S1、数据收集：收集销售数据和对应销售日的天气数据；
[0008]S2、数据处理：将销售数据和天气数据按照时间序列进行汇总整理，得到带有天气信息的销售数据的时间序列汇总数据；
[0009]S3、特征工程处理：对时间序列汇总数据进行特征变量分析与特征变量筛选，得到特征指标数据；
[0010]S4、按照滚动时间窗法对由特征指标数据和销售数据构成的数据集进行训练集和验证集的划分；
[0011]S5、Stacking集成回归模型建立；
[0012]S6、将新的特征指标数据输入Stacking集成回归模型，进行季节性服装销量预测。
[0013]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，步骤S1中的销售数据包括：产品基本属性、历史销售数据。
[0014]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，步骤S2中，在对销售数据处理时，使用临近均值法填补缺失值，使用箱型图删除并标注异常值。
[0015]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，使用箱型图删除并标注异常值具体为：当箱型图中数据点的值超过上下界，且该数据点无周期趋势，为不可复现的事件因子导致的突变，则将该数据点判为异常点并进行删除。
[0016]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，步骤S3中，特征变量分析包括以下步骤：
[0017]a、根据销售日期，对时间序列汇总数据进行去时序化操作，增加年、月、日、周、工作日与非工作日特征变量；
[0018]b、增加风寒指数与体感温度的特征变量；
[0019]c、按照国家日历，增加节假日和促销活动日特征变量。
[0020]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，步骤S3中，特征变量筛选包括以下步骤：
[0021]a、特征指标建立：根据时间序列汇总数据，划分特征变量和标签数据；
[0022]b、特征指标筛选：根据划分的特征变量，用皮尔逊相关系数法选取与标签数据相关系数最高的前15个特征变量，作为特征指标。
[0023]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，若特征指标中含有类别数据，则对类别数据进行特征编码。
[0024]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，步骤S5具体包括以下步骤：
[0025]S501、Stacking集成学习模型建立：选择随机森林、XGB、GBDT作为第一层的基学习器，选择线性回归作为第二层的元学习器，建立Stacking集成学习模型；
[0026]S502、Stacking集成回归模型获得：将训练集和验证集数据输入Stacking集成学习模型进行模型训练和超参数调整后，得到最终的Stacking集成回归模型。
[0027]前述的一种基于天气预报信息的季节性服装短期销量预测方法中，步骤S6中，新的特征指标数据为包括天气信息特征在内的特征指标数据。
[0028]与现有技术相比，本专利技术的有益效果为：
[0029]本专利技术通过使用产品近期的销售数据和未来短期的天气预报数据建立Stacking集成学习模型预测季节性服装产品未来的每日销量，在模型中加入天气信息，能有效处理天气与季节性服装销量之间的非线性关系，有效应对大量销售数据，减少预测误差，提高模型销量预测的精确性；最大程度降低天气对季节性服装销售计划的影响，对季节性服装销售短期计划具有良好的参考性，帮助减少库存数量；
[0030]采用的Stacking集成学习模型，改善单模型对季节性服装销量的预测效果，进一步降低了季节性服装销量预测误差，提高模型销量预测的精确性，提高模型整体的泛化性，避免选择单一模型而陷入局部极小值的风险。采用滚动时间窗对数据集进行划分，采用随机网格搜索对模型进行调参，减少了建模次数和参数的搜索空间，在保证精度的基础上，提高模型的运行速度，使得在面对大数据的情况下，模型的运行速度与精度也更快。
[0031]此外，本方法在模型中还加入了体感温度、风寒指数、节假日与促销日信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于天气预报信息的季节性服装短期销量预测方法，其特征在于：包括以下步骤：S1、数据收集：收集销售数据和对应销售日的天气数据；S2、数据处理：将销售数据和天气数据按照时间序列进行汇总整理，得到带有天气信息的销售数据的时间序列汇总数据；S3、特征工程处理：对时间序列汇总数据进行特征变量分析与特征变量筛选，得到特征指标数据；S4、按照滚动时间窗法对由特征指标数据和销售数据构成的数据集进行训练集和验证集的划分；S5、Stacking集成回归模型建立；S6、将新的特征指标数据输入Stacking集成回归模型，进行季节性服装销量预测。2.根据权利要求1所述的一种基于天气预报信息的季节性服装短期销量预测方法，其特征在于：步骤S1中的销售数据包括：产品基本属性、历史销售数据。3.根据权利要求1所述的一种基于天气预报信息的季节性服装短期销量预测方法，其特征在于：步骤S2中，在对销售数据处理时，使用临近均值法填补缺失值，使用箱型图删除并标注异常值。4.根据权利要求3所述的一种基于天气预报信息的季节性服装短期销量预测方法，其特征在于：使用箱型图删除并标注异常值具体为：当箱型图中数据点的值超过上下界，且该数据点无周期趋势，为不可复现的事件因子导致的突变，则将该数据点判为异常点并进行删除。5.根据权利要求1所述的一种基于天气预报信息的季节性服装短期销量预测方法，其特征在于：步骤S3中，特征变量分析包括以下步骤：a、根据销售日期，...

【专利技术属性】
技术研发人员：韩曙光，吕杰妮，胡觉亮，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：