货品销量的预测方法及装置、电子设备制造方法及图纸

本公开是关于一种货品销量的预测方法及装置、电子设备，该方法可以包括：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。通过本公开的技术方案，可以提升对货品销量的预测准确度，有助于对销售计划的制定和实施。

【技术实现步骤摘要】

本公开涉及终端
，尤其涉及一种货品销量的预测方法及装置、电子设备。
技术介绍
随着电子商城的发展和普及，销售者希望对电子商城的货品进行销量预测，从而据此制定出更为精准的销售计划。但是，相关技术中的销量预测方式并不准确，无法满足销售者的实际需求，需要销售者按照经验进行调整。实际上，销量预测的准确度十分重要，如果预测不准确而导致备货数量过多时，将带来巨大的货品积压风险，而当备货数量不足时，将导致用户无法及时购买而影响其应用体验。
技术实现思路
本公开提供一种货品销量的预测方法及装置、电子设备，以解决相关技术中的不足。根据本公开实施例的第一方面，提供一种货品销量的预测方法，包括：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。可选的，所述第一预测模型包括：指数分布概率密度函数模型。可选的，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。可选的，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。可选的，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。可选的，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。可选的，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。可选的，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。可选的，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。可选的，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。可选的，还包括：向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；将所述预测销量与所述第二时间段对应的历史销量数据进行比较；根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。根据本公开实施例的第二方面，提供一种货品销量的预测装置，包括：获取单元，获取待预测货品的历史销量数据；调取单元，调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出单元，输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。可选的，所述第一预测模型包括：指数分布概率密度函数模型。可选的，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。可选的，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。可选的，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。可选的，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。可选的，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。可选的，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。可选的，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。可选的，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。可选的，还包括：输入单元，向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；比较单元，将所述预测销量与所述第二时间段对应的历史销量数据进行比较；修正单元，根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。本公开的实施例提供的技术方案可以包括以下有益效果：由上述实施例可知，本公开通过训练得到对应于降价促销期间的第一预测模型和对应于常规销售期间的第二预测模型，可以针对是否处于降价促销期间而对销量数据进行分类预测，从而适用于经常存在降价促销行为、价格波动较大的电子产品等货品，有助于提升其预测的销量数据的准确度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1是相关技术中的采用时间序列分解方式进行销量预测的流程图。图2是根据一示例性实施例示出的一种货品销量的预测方法的流程图。图3是根据一示例性实施例示出的另一种货品销量的预测方法的流程图。图4-5是根据一示例性实施例示出的一种货品销量的预测装置的框图。图6是根据一示例性实施例示出的一种用于货品销量的预测装置的结构示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。图1是相关技术中的采用时间序列分解方式进行销量预测的流程图。如图1所示，相关技术中的销量预测包括下述步骤：在步骤102中，采用STL方式对历史销量数据进行时间序列分解。其中，STL(SeasonalandTrenddecompositionusingLoess)是以局部加权回归作为平滑方法的时间序列分解方法；其本文档来自技高网...

【技术保护点】
一种货品销量的预测方法，其特征在于，包括：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。

【技术特征摘要】
1.一种货品销量的预测方法，其特征在于，包括：获取待预测货品的历史销量数据；调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第一预测模型和针对常规销售期间的第二预测模型；输出所述销量预测模型分析得到的所述待预测货品的预测销量数据。2.根据权利要求1所述的方法，其特征在于，所述第一预测模型包括：指数分布概率密度函数模型。3.根据权利要求2所述的方法，其特征在于，所述第一预测模型由所述样本数据中属于降价促销期间的促销样本数据对所述指数分布概率密度函数模型进行参数训练得到。4.根据权利要求1所述的方法，其特征在于，所述第二预测模型包括：将所述样本数据中属于常规销售期间的常规样本数据进行时间序列分解后，由得到的季节项、趋势项和残余项分别创建的季节项模型、趋势项模型和残余项模型。5.根据权利要求4所述的方法，其特征在于，所述常规样本数据被采用以周为最小单位的季节性周期进行所述时间序列分解。6.根据权利要求4所述的方法，其特征在于，所述残余项模型包括基于节假日参数对所述残余项进行加权回归得到的回归模型。7.根据权利要求1所述的方法，其特征在于，所述样本数据中的缺失数据被补全后，被用于训练得到所述销量预测模型。8.根据权利要求7所述的方法，其特征在于，当所述缺失数据包括任一销售日的销量数据时，所述任一销售日的销量数据被按照下述方式补全：根据所述任一销售日在所处销售周期中的相对位置，在相邻销售周期中确定对应的特定销售日及其单日销量，并根据所述任一销售日的所处销售周期相对于所述相邻销售周期的销量比例系数，将所述特定销售日的单日销量与所述销量比例系数的乘积作为所述任一销售日的销量数据。9.根据权利要求1所述的方法，其特征在于，所述样本数据中的离群数据被剔除后，被用于训练得到所述销量预测模型。10.根据权利要求9所述的方法，其特征在于，所述离群数据被按照下述方式剔除：将所述样本数据进行时间序列分解，将得到的残余项计算高斯分布均值和方差；当存在位于分布量的预设分布比例范围之外的数据时，将相应的残余项置为0，以更新所述样本数据。11.根据权利要求1所述的方法，其特征在于，还包括：向所述销量预测模型输入第一时间段的历史销量数据，以得到第二时间段的预测销量；将所述预测销量与所述第二时间段对应的历史销量数据进行比较；根据比较结果，对所述销量预测模型进行参数修正，以减小所述预测销量与所述第二时间段对应的历史销量数据之间的差值。12.一种货品销量的预测装置，其特征在于，包括：获取单元，获取待预测货品的历史销量数据；调取单元，调取由所述历史销量数据中的样本数据训练得到的销量预测模型，以对所述历史销量数据进行分析处理；其中，所述销量预测模型包括：针对降价促销期间的第...

【专利技术属性】
技术研发人员：孟庆迪，张黎明，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京;11