销量预测方法及其模型的训练方法、装置和电子系统制造方法及图纸

本发明专利技术提供了一种销量预测方法及其模型的训练方法、装置和电子系统；其中，该销量预测模型的训练方法包括：获取商品的历史销售数据；根据历史销售数据，生成与商品的销售量相关的销售特征；获取历史销售数据对应时间段的外部特征；外部特征包括时间属性、天气特征和到店人群特征中的至少一个；根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。本发明专利技术考虑了商品的销售量相关的销售特征，以及可能影响各类商品销售量的外部特征，因而商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。

Training methods, devices and electronic systems of sales forecasting methods and models

The invention provides a training method, device and electronic system of a sales forecasting method and its model, in which the training method of the sales forecasting model includes: acquiring historical sales data of commodities; generating sales characteristics related to sales volume of commodities according to historical sales data; acquiring external characteristics of corresponding time periods of historical sales data; and external characteristics including time genus. At least one of the characteristics of sex, weather and people arriving at the store; training samples are determined according to sales characteristics and external characteristics, and input into the preset machine learning model for training until the loss function value of the machine learning model converges and the training is completed to obtain the sales forecasting model. The present invention considers the sales characteristics related to the sales volume of commodities and the external characteristics that may affect the sales volume of various commodities, so that the prediction results of the sales volume of commodities are more objective and accurate, and help to improve the sales volume and the flexibility of capital turnover.

【技术实现步骤摘要】
销量预测方法及其模型的训练方法、装置和电子系统
本专利技术涉及数据预测
，尤其是涉及一种销量预测方法及其模型的训练方法、装置和电子系统。
技术介绍
相关技术中，线下零售店通常通过人工预测商品销量的方式对商品进行进货、补货等；具体而言，线下零售店的店长依据近期(如当天或最近几天)的商品销量预测未来一段时间(如未来一天、未来一周等)的商品销量，并以此为依据对商品库存进行补货。这种人工预测的方式，通常只能考虑商品近几天的销售情况，难以挖掘商品销量的长期规律，以及商品销量与其它因素(如天气、节假日、价格波动、折扣等)之间的联系。为了摆脱上述这种盲目的人工补货方式，一些商家采用了相对智能的方法来进行销量预测。例如，以一段时间内的平均销量作为参考值，并和历史同期的销量进行对比，来确定商品的补货量。但此类方法依然只是基于商品的历史销量数据，同样忽略了一些重要的外部因素。当商品数量较多时，采用这样的方式预测得到的商品销量往往准确性较差，进而容易导致商品断货或者库存积压，影响销售额和资金周转。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种销量预测方法及其模型的训练方法、装置和电子系统，以提高商品销量的预测结果的准确性，进而提高销售额和资金周转灵活度。第一方面，本专利技术实施例提供了一种销量预测模型的训练方法，该方法包括：获取商品的历史销售数据；根据历史销售数据，生成与商品的销售量相关的销售特征；获取历史销售数据对应时间段的外部特征；外部特征包括时间属性、天气特征和到店人群特征中的至少一个；根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。在本专利技术较佳的实施例中，上述根据历史销售数据，生成与商品的销售量相关的销售特征的步骤，包括：查找历史销售数据中的缺失数据和异常数据；通过预设的第一数值对缺失数据进行填充处理，通过预设的第二数值对异常数据进行替换处理；统计处理后的历史销售数据中商品的销售量，得到商品的销售特征；其中，销售特征包括商品的平均销量、平均进货量、平均退货量、库存平均调整数量、库存平均调入量、库存平均调出量、平均当日开始库存、平均当日结束库存、平均价格、平均订单总价、平均折扣中的多种。在本专利技术较佳的实施例中，上述获取历史销售数据对应时间段的外部特征的步骤，包括：如果外部特征包括时间属性，获取历史销售数据对应时间段内的时间属性；时间属性包括工作日、双休日或节假日；如果外部特征包括天气特征，按照预设的时间粒度，获取时间段内的天气特征；天气特征包括温度、湿度、降雨量、风速、压强、降雨概率、云覆盖比例中的多种。在本专利技术较佳的实施例中，上述获取历史销售数据对应时间段的外部特征的步骤，包括：如果外部特征包括到店人群特征，获取历史销售数据对应的销售场所的视频帧数据；通过人脸特征识别的方式确定视频帧数据中的行人的年龄特征和性别特征；从视频帧数据中获取行人的到店时间；将行人的年龄特征、性别特征和行人的到店时间确定为人群特征。在本专利技术较佳的实施例中，上述根据销售特征和外部特征确定训练样本的步骤，包括：对销售特征进行预设次数的平滑预测处理，得到销售特征预测值；对销售特征进行统计处理，得到销售特征统计值；销售特征统计值包括预设时间段内，指定天数的最大销量值、最小销量值、销量方差、销量标准差和销量总和中的多种；对外部特征进行预设次数的平滑预测处理，得到外部特征预测值；将销售特征、外部特征、销售特征预测值、销售特征统计值和外部特征预测值确定为训练样本。在本专利技术较佳的实施例中，上述机器学习模型包括xgboost回归模型；将训练样本输入至预设的机器学习模型中进行训练的步骤，包括：获取预设的二维参数矩阵；二维参数矩阵中包含多组模型参数；通过网格搜索的方式，从二维参数矩阵中获取模型参数供xgboost回归模型训练使用，并记录每组模型参数对应的xgboost回归模型的损失函数值；将损失函数值最小的模型参数，确定为xgboost回归模型的模型参数。第二方面，本专利技术实施例提供了一种销量预测方法，该方法应用于配置有销量预测模型的设备；销量预测模型为上述销量预测模型的训练方法训练得到的销量预测模型；该方法包括：获取商品的历史销售数据；获取待预测时间段的外部特征；外部特征包括时间属性和/或天气特征；将历史销售数据和外部特征输入至销量预测模型中，输出商品的预测销量。在本专利技术较佳的实施例中，上述输出商品的预测销量的步骤之后，方法还包括：获取商品当前的库存信息；根据预测销量和库存信息，生成商品的补货信息。第三方面，本专利技术实施例提供了一种销量预测模型的训练装置，该装置包括：第一数据获取模块，用于获取商品的历史销售数据；销售特征生成模块，用于根据历史销售数据，生成与商品的销售量相关的销售特征；外部特征生成模块，用于获取历史销售数据对应时间段的外部特征；外部特征包括时间属性、天气特征和到店人群特征中的至少一个；训练模块，用于根据销售特征和外部特征确定训练样本，将训练样本输入至预设的机器学习模型中进行训练，直至机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。第四方面，本专利技术实施例提供了一种销量预测装置，该装置设置于配置有销量预测模型的设备；销量预测模型为上述销量预测模型的训练方法训练得到的销量预测模型；装置包括：第二数据获取模块，用于获取商品的历史销售数据；外部特征获取模块，用于获取待预测时间段的外部特征；外部特征包括时间属性和/或天气特征；输入模块，用于将历史销售数据和外部特征输入至销量预测模型中，输出商品的预测销量。第五方面，本专利技术实施例提供了一种电子系统，该电子系统包括：图像采集设备、处理设备和存储装置；图像采集设备，用于获取视频帧数据；存储装置上存储有计算机程序，计算机程序在被处理设备运行时执行如上述销量预测模型的训练方法，或者执行如上述销量预测方法。第六方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行如上述销量预测模型的训练方法，或者执行如上述销量预测方法的步骤。本专利技术实施例带来了以下有益效果：本专利技术实施例提供的一种销量预测方法及其模型的训练方法、装置和电子系统，首先根据商品的历史销售数据，生成与商品的销售量相关的销售特征；再获取历史销售数据对应时间段的时间属性、天气特征、到店人群特征等外部特征；基于上述和外部特征确定训练样本，训练预设的机器学习模型得到销量预测模型；通过该方式得到的销量预测模型考虑了商品的销售量相关的销售特征，以及可能影响各类商品销售量的外部特征，因而商品销量的预测结果更加客观、准确，有助于提高销售额和资金周转灵活度。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术本文档来自技高网...

【技术保护点】
1.一种销量预测模型的训练方法，其特征在于，所述方法包括：获取商品的历史销售数据；根据所述历史销售数据，生成与所述商品的销售量相关的销售特征；获取所述历史销售数据对应时间段的外部特征；所述外部特征包括时间属性、天气特征和到店人群特征中的至少一个；根据所述销售特征和所述外部特征确定训练样本，将所述训练样本输入至预设的机器学习模型中进行训练，直至所述机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。

【技术特征摘要】
1.一种销量预测模型的训练方法，其特征在于，所述方法包括：获取商品的历史销售数据；根据所述历史销售数据，生成与所述商品的销售量相关的销售特征；获取所述历史销售数据对应时间段的外部特征；所述外部特征包括时间属性、天气特征和到店人群特征中的至少一个；根据所述销售特征和所述外部特征确定训练样本，将所述训练样本输入至预设的机器学习模型中进行训练，直至所述机器学习模型的损失函数值收敛，结束训练，得到销量预测模型。2.根据权利要求1所述的方法，其特征在于，根据所述历史销售数据，生成与所述商品的销售量相关的销售特征的步骤，包括：查找所述历史销售数据中的缺失数据和异常数据；通过预设的第一数值对所述缺失数据进行填充处理，通过预设的第二数值对所述异常数据进行替换处理；统计处理后的所述历史销售数据中所述商品的销售量，得到所述商品的销售特征；其中，所述销售特征包括所述商品的平均销量、平均进货量、平均退货量、库存平均调整数量、库存平均调入量、库存平均调出量、平均当日开始库存、平均当日结束库存、平均价格、平均订单总价、平均折扣中的多种。3.根据权利要求1所述的方法，其特征在于，获取所述历史销售数据对应时间段的外部特征的步骤，包括：如果所述外部特征包括时间属性，获取所述历史销售数据对应时间段内的时间属性；所述时间属性包括工作日、双休日或节假日；如果所述外部特征包括天气特征，按照预设的时间粒度，获取所述时间段内的天气特征；所述天气特征包括温度、湿度、降雨量、风速、压强、降雨概率、云覆盖比例中的多种。4.根据权利要求1所述的方法，其特征在于，获取所述历史销售数据对应时间段的外部特征的步骤，包括：如果所述外部特征包括到店人群特征，获取所述历史销售数据对应的销售场所的视频帧数据；通过人脸特征识别的方式确定所述视频帧数据中的行人的年龄特征和性别特征；从所述视频帧数据中获取所述行人的到店时间；将所述行人的所述年龄特征、所述性别特征和所述行人的到店时间确定为人群特征。5.根据权利要求1所述的方法，其特征在于，根据所述销售特征和所述外部特征确定训练样本的步骤，包括：对所述销售特征进行预设次数的平滑预测处理，得到销售特征预测值；对所述销售特征进行统计处理，得到销售特征统计值；所述销售特征统计值包括所述预设时间段内，指定天数的最大销量值、最小销量值、销量方差、销量标准差和销量总和中的多种；对所述外部特征进行预设次数的平滑预测处理，得到外部特征预测值；将所述销售特征、所述外部特征、所述销售特征预测值、所述销售特征统计值和所述外部特征预测值确定为训练样本。6.根据权利要求1所述的方法，其特征在于，所述机器学习模型包括xgb...

【专利技术属性】
技术研发人员：楼虎彪，樊聪，杨越，
申请(专利权)人：北京旷视科技有限公司，
类型：发明
国别省市：北京,11