基于深度学习的智能定价方法、装置、设备、系统及介质制造方法及图纸

本发明专利技术涉及一种基于深度学习的智能定价方法，包括：提取多个历史交易日的标记数据，并与预交易日的标记数据比对；将与预交易日具有相同标记数据的历史交易日作为参考交易日，并提取参考交易日的销售数据；将参考交易日的运营时间划分为多个时段，提取每个时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量；训练LSTM模型，得到预交易日的每个时段的销售数据预测值；计算每个时段的移动均线值；以及比较下一时段的移动均线值和当前时段的移动均线值并调价。本发明专利技术基于深度学习，提供了一种智能变价策略以提高商家收益。此外，本发明专利技术还涉及一种基于深度学习的智能定价装置、设备、系统及介质。

Intelligent pricing methods, devices, devices, systems and media based on in-depth learning

The invention relates to an intelligent pricing method based on in-depth learning, which includes: extracting marker data of multiple historical trading days and comparing it with marker data of pre-trading days; using historical trading days with the same marker data of pre-trading days as reference trading days, and extracting sales data of reference trading days; and using reference crossing. The operation time of Easy Day is divided into several periods, and the sales data of each reference trading day and corresponding label data of each period are extracted as input vectors; LSTM model is trained to obtain the sales data forecast value of each period of the pre-trading day; the moving average value of each period is calculated; and the next period is compared. The moving average value and the moving average value of the current period are adjusted. Based on in-depth learning, the invention provides an intelligent pricing strategy to improve business profits. In addition, the invention also relates to an intelligent pricing device, device, system and medium based on in-depth learning.

【技术实现步骤摘要】
基于深度学习的智能定价方法、装置、设备、系统及介质
本专利技术涉及一种基于深度学习的智能定价方法、装置、设备、系统及介质。
技术介绍
一直以来，为商品制定合理且灵活的商品价格为零售商们所困扰，商品的零售价，主要是通过成本+预期利润二项来确定的。零售商通常经营数量众多的商品，如果想对商品进行频繁的改价，调价成本会很高，因此，零售价格往往会在一个相对较长的时间周期保持不变。随着销售时间的推移，必然会有一部分商品销售缓慢甚至滞销，随之而来的就是对零售商资金占用、资源浪费等等问题；另一方面，一些热销商品由于运维制度使然，某些商品临近脱销却来不及补货，导致零售商亏损许多利润。目前，在理论界，无论是商品零售的定价问题、还是生鲜食品的定价问题，早已获得密切关注。可是在定价问题的研究方法和具体方向却是缺少了更加深入与广泛的挖掘，注意力还滞留在固定价格的定价方案上。尤其是在生鲜领域，存在着早、中、晚可能存在的三种不同价格情况，多数零售商选择通过顾客的忠诚度、支付意愿来定性地制定价格。也就是说，在所有有关于动态定价的零售业，尤其是各个大中小型超市内的生鲜食品领域，还欠缺大量的应用研究与方法研究。专利技术本文档来自技高网...

【技术保护点】
1.一种基于深度学习的智能定价方法，其特征在于，包括：从预置的数据库中提取多个历史交易日的标记数据，并与预交易日的标记数据比对；将与所述预交易日具有相同标记数据的历史交易日作为参考交易日，并提取所述参考交易日的销售数据；将所述参考交易日的运营时间划分为相同的多个时段；针对每个时段：提取该时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量；构建LSTM模型，利用所述输入向量训练LSTM模型，得到预交易日的该时段的销售数据预测值；若该时段是第一个时段或第二个时段，将该时段的销售数据预测值作为移动均线值；否则，利用该时段的销售数据预测值与该时段之前的两个时段的移动均线值来计算该时段的移动均...

【技术特征摘要】
1.一种基于深度学习的智能定价方法，其特征在于，包括：从预置的数据库中提取多个历史交易日的标记数据，并与预交易日的标记数据比对；将与所述预交易日具有相同标记数据的历史交易日作为参考交易日，并提取所述参考交易日的销售数据；将所述参考交易日的运营时间划分为相同的多个时段；针对每个时段：提取该时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量；构建LSTM模型，利用所述输入向量训练LSTM模型，得到预交易日的该时段的销售数据预测值；若该时段是第一个时段或第二个时段，将该时段的销售数据预测值作为移动均线值；否则，利用该时段的销售数据预测值与该时段之前的两个时段的移动均线值来计算该时段的移动均线值；以及比较该时段的移动均线值和下一时段的移动均线值，并根据比较结果调整下一时段的售价。2.根据权利要求1所述的零售商品动态定价方法，其特征在于，所述标记数据包括环境数据和/或日历数据中的至少一个，其中，所述环境数据包括天气信息，所述日历数据包括工作日、周末、法定节日和/或购物节中的至少一项；所述标记数据与所述销售数据对应。3.根据权利要求1所述的基于深度学习的智能定价方法，其特征在于，在利用所述输入向量训练LSTM模型，得到预交易日的该时段的销售数据预测时，将该时段的上一时段的销售数据的预测值纳入所述输入向量中。4.根据权利要求1所述的基于深度学习的智能定价方法，其特征在于，在利用所述输入向量训练LSTM模型前，对所述输入向量中的元素进行归一化处理。5.一种基于深度学习的智能定价装置，其特征在于，包括：提取单元，被配置为从预置的数据库中提取多个历史交易日的标记数据，并与预交易日的标记数据比较；筛选单元，被配置为将与所述预交易日具有相同标记数据的历史交易日作为参考交易日，并提取所述参考交易日的销售数据；时段划分单元，...

【专利技术属性】
技术研发人员：朱兴望，梁博，赵军辉，杨旺旺，李文超，乔丹，
申请(专利权)人：上海保资智能科技有限公司，
类型：发明
国别省市：上海,31