【技术实现步骤摘要】
本申请涉及细粒度需求预测，特别是涉及一种基于层次学习的零售产品细粒度需求预测方法。
技术介绍
1、无人售货机24小时无人看守自动营业，由于其内产品种类和数量有限，并且不能够及时进行补货，使得存在很多时候当某些产品被售光，下一个顾客再想购买该类产品时无法成功购买的情况，从而导致该类产品的真实销量不等于其真实需求。此外，在现实场景下，顾客的购买行为多样化，例如，当某个顾客第一选择被售空时，其可能选择其他产品来替代其第一选择；或是其直接选择不购买等等行为，并且通常产品的需求和产品之间的替换是未观察到的，从而导致很难对售货机中产品的需求进行准确的预测。因此，如何对售货机中产品需求进行准确预测成为目前研究的焦点。
2、现有技术中，通常利用视频监控数据估计自动售货机产品需求，该方法通过提取丢失销售信息并使用group-lasso方法来捕捉不同产品之间的替代行为从而改进需求预测模型，但是仍存在需要利用视频监控数据并且处理视频监控数据较为粗糙导致预测结果不准确的问题。
3、因此，相关技术中，亟需一种能够准确预测零售场景产品需求的方式。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够准确预测零售场景产品需求的一种基于层次学习的零售产品细粒度需求预测方法。
2、第一方面，本申请提供了一种基于层次学习的零售产品细粒度需求预测方法。所述方法包括：
3、定义辅助变量，所述辅助变量包括零售产品的初始需求、真实销量、产品转移概率；
4、
5、基于所述产品预测销量确定需求预测目标函数；
6、基于所述需求预测目标函数采用层次化方法确定基于产品维度、空间维度和时间维度的一致性约束；
7、基于所述一致性约束对所述辅助变量之一固定时的需求预测目标函数求解，进行零售产品细粒度需求预测。
8、可选的，在本申请的一个实施例中，所述产品预测销量定义如下：
9、
10、其中，为产品i在零售店s第t个时间段的预测销量，dist为产品i在零售店s第t个时间段的初始需求，dkst为产品k零售店s第t个时间段的初始需求，ikst＝1为产品k在零售店s第t个时间段有库存，ikst＝0为产品k在零售店s第t个时间段被售空，list为产品i在零售店s第t个时间段的真实销量，lkst为产品k在零售店s第t个时间段的真实销量，βki为产品i转移到产品k的概率，βik为产品k转移到产品i的概率。
11、可选的，在本申请的一个实施例中，所述需求预测目标函数为：
12、
13、其中，dist为产品i在零售店s第t个时间段的初始需求，βij为产品j转移到产品i的概率，list为产品i在零售店s第t个时间段的真实销量，为产品i在零售店s第t个时间段的预测销量。
14、可选的，在本申请的一个实施例中，所述方法还包括：
15、设定所述初始需求、真实销量、产品转移概率的约束条件。
16、可选的，在本申请的一个实施例中，所述基于产品维度的一致性约束表示为：
17、∑i∈plist＝∑i∈pdist；
18、基于空间维度的一致性约束表示为：
19、
20、∑s∈slist＝∑s∈sdist；
21、基于时间维度的一致性约束表示为：
22、
23、其中，为产品i在零售店s第t个时间段的预测销量，dist为产品i在零售店s第t个时间段的初始需求，dkst为产品k零售店s第t个时间段的初始需求，iist＝1、ikst＝1为产品i或k在零售店s第t个时间段有库存，iist＝0、ikst＝0为产品i或k在零售店s第t个时间段被售空，list为产品i在零售店s第t个时间段的真实销量，lkst为产品k在零售店s第t个时间段的真实销量，βki为产品i转移到产品k的概率，βik为产品k转移到产品i的概率。
24、可选的，在本申请的一个实施例中，所述基于所述一致性约束对所述辅助变量之一固定时的需求预测目标函数求解包括：
25、假设所述产品需求是固定的，最小化所述产品转移概率下的需求预测目标函数；
26、假设所述产品转移概率是固定的，最小化所述产品需求下的需求预测目标函数。
27、第二方面，本申请还提供了一种基于层次学习的零售产品细粒度需求预测装置。所述装置包括：
28、辅助变量定义模块，用于定义辅助变量，所述辅助变量包括零售产品的初始需求、真实销量、产品转移概率；
29、产品预测销量确定模块，用于基于所述初始需求、真实销量和产品转移概率确定产品预测销量；
30、需求预测目标函数确定模块，用于基于所述产品预测销量确定需求预测目标函数；
31、一致性约束确定模块，用于基于所述需求预测目标函数采用层次化方法确定基于产品维度、空间维度和时间维度的一致性约束；
32、零售产品细粒度需求预测模块，用于基于所述一致性约束对所述辅助变量之一固定时的需求预测目标函数求解，进行零售产品细粒度需求预测。
33、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述各个实施例所述方法的步骤。
34、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例所述方法的步骤。
35、上述一种基于层次学习的零售产品细粒度需求预测方法，首先，定义辅助变量，所述辅助变量包括零售产品的初始需求、真实销量、产品转移概率；之后，基于所述初始需求、真实销量和产品转移概率确定产品预测销量；之后，基于所述产品预测销量确定需求预测目标函数；之后，基于所述需求预测目标函数采用层次化方法确定基于产品维度、空间维度和时间维度的一致性约束；最后，基于所述一致性约束对所述辅助变量之一固定时的需求预测目标函数求解，进行零售产品细粒度需求预测。也就是说，在进行零售场景产品需求预测时，不需要依赖复杂的视频监控数据，通过有效地捕捉不同产品之间地替代关系，并在多个层次上进行需求预测，主要解决低聚合度单品-店-天(sku-store-day)的预测需求，将产品需求分解为更细的颗粒度，提高了无人售货机或智能货架等的零售产品需求预测的准确性，能够更精确地反映顾客地需求变化，从而提高了预测精度。
本文档来自技高网...【技术保护点】
1.一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述产品预测销量定义如下：
3.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述需求预测目标函数为：
4.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述基于产品维度的一致性约束表示为：
6.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述基于所述一致性约束对所述辅助变量之一固定时的需求预测目标函数求解：
7.一种基于层次学习的零售产品细粒度需求预测装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述产品预测销量定义如下：
3.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述需求预测目标函数为：
4.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的一种基于层次学习的零售产品细粒度需求预测方法，其特征在于，所述基于产品维度的一致性约束表示为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。