一种基于深度学习的商品采购量预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的商品采购量预测方法及装置，该方法包括：获取目标商品的历史销售数据；根据所述历史销售数据，进行训练生成神经网络模型；利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；利用所述预测结果，计算得到所述目标商品的采购量。本发明专利技术基于对未来商品销售情况的预测，实现了减少商品积压，提高电商平台的运行效率的目的。

A method and device for forecasting quantity of goods purchased based on deep learning

The invention discloses a method and device for forecasting commodity purchasing volume based on in-depth learning, which includes: acquiring historical sales data of target commodity; training to generate neural network model according to the historical sales data; and using the trained neural network model to predict the future predetermined time period of target commodity. The sales trend of commodities is forecasted and the forecasting results are obtained. The purchasing volume of the target commodities is calculated by using the forecasting results. The invention is based on the prediction of future commodity sales, realizing the purpose of reducing commodity backlog and improving the operation efficiency of the e-commerce platform.

【技术实现步骤摘要】
一种基于深度学习的商品采购量预测方法及装置
本专利技术涉及神经网络
，特别是涉及一种基于深度学习的商品采购量预测方法及装置。
技术介绍
目前，随着互联网电子商务技术与业务的快速发展，用户在网上购买物品的种类与数量越来越多。在大数据环境下，电商平台更加方便地积累与存储顾客的购物信息数据，如何从这些数据中挖掘出有价值的数据，来提高电商平台的运行效率，已经成为当前热点研究。
技术实现思路
针对于上述问题，本专利技术提供一种基于深度学习的商品采购量预测方法及装置，基于对未来商品销售情况的预测，实现了减少商品积压，提高电商平台的运行效率的目的。为了实现上述目的，本专利技术提供了如下技术方案：一种基于深度学习的商品采购量的预测方法，包括：获取目标商品的历史销售数据；根据所述历史销售数据，进行训练生成神经网络模型；利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；利用所述预测结果，计算得到所述目标商品的采购量。可选地，所述获取目标商品的历史销售数据，包括：获取所述目标商品在目标周期内的初始销售数据；对所述初始销售数据进行数据清洗，获得历史销售数据。可选地，所述根据所述历史销售数据，进行训练生成神经网络模型，包括：将所述历史销售数据进行划分，得到训练集和测试集；创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；依据所述训练测试结果确定所述神经网络模型。可选地，所述依据所述训练测试结果确定所述神经网络模型，包括：若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。可选地，所述利用所述预测结果，计算得到所述目标商品的采购量，包括：根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。一种基于深度学习的商品采购量预测装置，包括：获取单元，用于获取目标商品的历史销售数据；生成单元，用于根据所述历史销售数据，进行训练生成神经网络模型；预测单元，用于利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；计算单元，用于利用所述预测结果，计算得到所述目标商品的采购量。可选地，所述获取单元包括：获取子单元，用于所述目标商品在目标周期内的初始销售数据数据清洗子单元，用于对所述初始销售数据进行数据清洗，获得历史销售数据。可选地，所述生成单元包括：划分子单元，用于将所述历史销售数据进行划分，得到训练集和测试集；训练子单元，用于创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；测试子单元，用于通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；确定子单元，用于依据所述训练测试结果确定所述神经网络。可选地，所述确定子单元还包括：优化子单元，用于若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。可选地，所述计算单元包括：系数生成子单元，用于根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；计算子单元，用于根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。相较于现有技术，本专利技术提供了基于深度学习的商品采购量预测方法及装置，根据目标商品的历史销售数据生成神经网络模型，在该神经网络模型中对目标商品在未来预设时间段内的商品销售趋势进行预测，最终根据预测结果确定目标商品的采购数量，实现了对历史销售数据的利用，并根据神经网络模型较为准确的预测，可以为采购量提供参考，实现减少货物积压，进而提高电商平台的运行效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种基于深度学习的商品采购量预测方法的流程示意图；图2为本专利技术实施例提供的一种生成神经网络模型方法的流程示意图；图3为本专利技术实施例提供的一种基于深度学习的商品采购量预测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。在本专利技术实施例中提供了一种基于深度学习的商品采购量预测方法，参见图1，包括：S11、获取目标商品的历史销售数据；该目标商品可以指单独的一件商品，也可以为符合某个聚类原则的一类商品。该历史销售数据是要在某个统计周期内才具有统计意义，因此，可以得到目标商品在统计周期内的销售情况数据即历史销售数据，该统计周期可以是以天为单位，以周为单位也可以月为单位，为了提高未来该目标商品的预测准确程度，该统计周期不宜设置过长。可选地，在本专利技术另一实施例中，步骤S11的一种实施方式，包括：获取目标周期内的所述目标商品的初始销售数据；对所述初始销售数据进行数据清洗，获得历史销售数据。其中，对目标周期内获得的目标商品的初始销售数据进行数据清洗，也就是滤除掉初始销售数据中干扰数据，该干扰数据主要是指影响数据统计结果的某些数据，例如：未真正销售成功的商品数据或者恶意刷单的数据等等。具体的，在对恶意刷单数据进行筛选时，可以根据各个时间点对目标商品的销售数据进行统计，若专利技术某个时间点的销售量明显高于其他时间点的销售量，同时该商品在该时间点对应的时间段内并没有相应的促销活动，则可以该销售量数据进行重新评估，若体现为某个用户经常购买或者反复购买则可以将这部分数据认定为恶意刷单数据。S12、根据所述历史销售数据，进行训练生成神经网络模型；在本专利技术实施例是基于对历史销售数据的深度学习生成神经网络模型的。基于深度学习的关键技术特征是，基于聚类的协同过滤推荐算法通过用户对评分的相似性对项目进行聚类。并生成对应的聚类中心，在此基础上计算目标项与聚类中心的相似性，选择与目标项相似性最高的若干个聚类作为查询空间，在这些聚类中搜索目标项的最近邻居。然后通过神经网络算法的训练算法得到系统对新用进行产品的推荐模型。在本专利技术中的神经网络模型优选LSTM循环神经网络模型，其中，长短时递归神经网络(long-shorttermmemory，以下简称LSTM)模型是一种时间递归神经网络模型，适合于处理和预测具有时间序列，且时间序列间隔和延迟相对较长的重要事件。LSTM模型具有时间记忆功能，因而用来处理携带时序状态的训练业务数据。LSTM模本文档来自技高网...

【技术保护点】
1.一种基于深度学习的商品采购量的预测方法，其特征在于，包括：获取目标商品的历史销售数据；根据所述历史销售数据，进行训练生成神经网络模型；利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；利用所述预测结果，计算得到所述目标商品的采购量。

【技术特征摘要】
1.一种基于深度学习的商品采购量的预测方法，其特征在于，包括：获取目标商品的历史销售数据；根据所述历史销售数据，进行训练生成神经网络模型；利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；利用所述预测结果，计算得到所述目标商品的采购量。2.根据权利要求1所述的方法，其特征在于，所述获取目标商品的历史销售数据，包括：获取所述目标商品在目标周期内的初始销售数据；对所述初始销售数据进行数据清洗，获得历史销售数据。3.根据权利要求1所述的方法，其特征在于，所述根据所述历史销售数据，进行训练生成神经网络模型，包括：将所述历史销售数据进行划分，得到训练集和测试集；创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；依据所述训练测试结果确定所述神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述依据所述训练测试结果确定所述神经网络模型，包括：若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。5.根据权利要求1所述的方法，其特征在于，所述利用所述预测结果，计算得到所述目标商品的采购量，包括：根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。6.一种基于深度学习的商品采购量预...

【专利技术属性】
技术研发人员：郭宝贤，李仁杰，朱承志，
申请(专利权)人：国网电子商务有限公司，国网浙江省电力有限公司，国网汇通金财北京信息科技有限公司，国家电网公司，
类型：发明
国别省市：北京,11