SKU级别商品销量预测方法及装置制造方法及图纸

本发明专利技术实施例提供一种SKU级别商品销量预测方法及装置，该方法包括：获取SKU商品的多种特征数据，分别进行特征提取，得到多个特征向量；将所述多个特征向量输入预设的人工神经网络模型，根据所述人工神经网络模型的输出结果，确定SKU商品预测窗口的总销量；其中，所述特征数据包括，商品静态属性特征、历史窗口销量数据、预测窗口动态特征；所述预设的人工神经网络模型，根据已知预测窗口销量结果作为标签的特征数据，进行训练后得到。预测过程充分提取了商品自身的属性特征，利用到商品之间的相似性和不同性；而商品在预测窗口的动态特征，充分反映了消费者购买选择情况对销量造成的影响，从而该方法能够实现准确的销量预测。

【技术实现步骤摘要】
SKU级别商品销量预测方法及装置
本专利技术涉及商品销量预测领域，尤其涉及一种SKU级别商品销量预测方法及装置。
技术介绍
销量预测(SalesvolumePredicting)是指对商品在未来一段时间内(通常以天为单位)的累积销售数量进行估计，典型的应用场景是在电商平台中，商家基于对每个所售商品的销量预测结果，设置合理的配货安排，避免因货品积压或数量不足给商家带来损失。而在现有的实际生产应用中，预测结果只能基于每个商品历史的销售额进行初步预估，再结合人工经验进行调整，面对庞大的商品数量，需要耗费大量人力的同时预测准确度无法得到保证，从而带来高昂的成本。目前使用机器学习算法来完成销量预测任务时主要将其作为时间序列预测问题进行分析，利用商品历史的销售额序列预测未来一段时间内的销量。常用的传统方法有自回归滑动平均模型(Autoregressivemovingaveragemodel，简称ARMA模型)、差分整合移动平均自回归模型(AutoregressiveIntegratedMovingAveragemodel，简称ARIMA模型)等，这些方法将非平稳的时间序列数据进行平稳化后，计算序列的相关参数用于后续的回归分析，但是该类方法仅基于过去的时间序列预测接下来的序列，没有考虑到商品的属性特征对消费者购买选择的影响，因此预测的准确度较差，同时也没有利用到商品之间的相似性，导致训练出的预测模型仅针对一个序列，无法泛化。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种SKU级别商品销量预测方法及装置。第一方面，本专利技术实施例提供一种SKU级别商品销量预测方法，包括：获取SKU商品的多种特征数据，分别进行特征提取，得到多个特征向量；将所述多个特征向量输入预设的人工神经网络模型，根据所述人工神经网络模型的输出结果，确定SKU商品预测窗口的总销量；其中，所述特征数据包括，商品静态属性特征、历史窗口销量数据、预测窗口动态特征；所述预设的人工神经网络模型，根据已知预测窗口销量结果作为标签的特征数据，进行训练后得到。进一步地，所述历史窗口销量数据包括SKU商品历史窗口销量数据，和同产品ID商品历史窗口销量数据，相应地，进行特征提取，得到多个特征向量，包括：对SKU商品历史窗口销量数据，和同产品ID商品历史窗口销量数据，分别采用一维因果卷积进行特征提取；将卷积后的SKU商品历史窗口销量特征、同产品ID商品历史窗口销量特征，以及SKU商品历史窗口销量原始数据进行序列拼接，得到历史窗口销量数据的特征向量。进一步地，所述商品静态属性特征，包括商品SKU编号、产品ID、品牌编号、品牌类别编号、商品所属各级类目编号中至少一种，相应地，进行特征提取，得到多个特征向量，包括：将每一商品静态属性特征，转换为独热码后，映射到低维的向量空间，得到所述商品静态属性特征的特征向量。进一步地，所述预测窗口动态特征，包括预测窗口的促销特征，相应地，进行特征提取，得到多个特征向量，包括：将平台是否处于促销状态的表征、平台的促销等级和SKU商品是否处于特卖排期的表征，分别映射到向量空间后进行拼接，得到拼接后向量；根据预测窗口的拼接后的向量，分别从预设的记忆网络中，获取对应的促销活动的嵌入表达向量；根据所述促销活动的嵌入表达向量，从预设的记忆网络中，获取相似度最高的K个嵌入表达向量，和K个嵌入表达向量对应的K个归一化销量序列；对于K个嵌入表达向量和所述促销活动的嵌入表达向量，根据相似度，计算注意力权重；利用得到的注意力权重，对K个归一化销量序列进行加权池化，得到加权归一化销量序列，作为预测窗口动态特征对应的特征向量；其中，K为大于或等于1的正整数。进一步地，所述将所述多个特征向量输入预设的人工神经网络模型之前，还包括：获取多个历史窗口的销量数据，和对应的促销特征；根据历史窗口促销特征中，平台是否处于促销状态的表征、平台的促销等级和SKU商品是否处于特卖排期的表征，分别映射到向量空间后进行拼接，得到拼接后向量；将每个历史窗口促销特征的拼接后向量，输入多个GRU单元级联的GRU网络，得到每个历史窗口促销特征的向量表达；根据历史窗口的销量数据建立归一化销量序列，将所述历史窗口促销特征的拼接后向量、历史窗口促销特征的向量表达和对应的归一化销量序列，存储在所述记忆网络中。进一步地，所述预测窗口动态特征，包括预测窗口的平台促销活动序列和预测窗口的产品促销活动序列，相应地，进行特征提取，得到多个特征向量，包括：将预测窗口的平台促销活动序列，经卷积特征提取后，乘以平台促销活动天数，并乘以平台促销爆发系数，作为预测窗口的平台促销活动序列对应的特征向量；将预测窗口的产品促销活动序列，经卷积特征提取后，乘以产品促销活动天数，并乘以产品促销爆发系数，作为预测窗口的产品促销活动序列对应的特征向量；其中，所述平台促销爆发系数，反应平台有促销与无促销相比，销量的增长情况；所述商品促销爆发系数，反应商品有促销与无促销相比，销量的增长情况。进一步地，所述将所述多个特征向量输入预设的人工神经网络模型之前，还包括：获取多个已知预测窗口销量结果的特征数据样本；从特征数据样本中，筛选并剔除缺失销量数据的天数大于预设阈值的样本；将剩余样本的预测窗口总销量作为标签，样本特征数据经特征提取后的特征向量作为输入，对人工神经网络模型进行训练，得到所述预设的人工神经网络模型。第二方面，本专利技术实施例提供一种SKU级别商品销量预测装置，包括：特征提取模块，用于获取SKU商品的多种特征数据，分别进行特征提取，得到多个特征向量；处理模块，用于将所述多个特征向量输入预设的人工神经网络模型，根据所述人工神经网络模型的输出结果，确定SKU商品预测窗口的总销量；其中，所述特征数据包括，商品静态属性特征、历史窗口销量数据、预测窗口动态特征；所述预设的人工神经网络模型，根据已知预测窗口销量结果作为标签的特征数据，进行训练后得到。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本专利技术第一方面SKU级别商品销量预测方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本专利技术第一方面SKU级别商品销量预测方法的步骤。本专利技术实施例提供的SKU级别商品销量预测方法及装置，根据静态属性特征、历史窗口销量数据、预测窗口动态特征，分别提取特征后，对预测窗口的总销量进行预测。预测过程充分提取了商品自身的属性特征，利用到商品之间的相似性和不同性；而商品在预测窗口的动态特征，充分反映了消费者购买选择情况对销量造成的影响，从而该方法能够实现准确的销量预测。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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。图本文档来自技高网...

【技术保护点】
1.一种SKU级别商品销量预测方法，其特征在于，包括：/n获取SKU商品的多种特征数据，分别进行特征提取，得到多个特征向量；/n将所述多个特征向量输入预设的人工神经网络模型，根据所述人工神经网络模型的输出结果，确定SKU商品预测窗口的总销量；/n其中，所述特征数据包括，商品静态属性特征、历史窗口销量数据、预测窗口动态特征；所述预设的人工神经网络模型，根据已知预测窗口销量结果作为标签的特征数据，进行训练后得到。/n

【技术特征摘要】
1.一种SKU级别商品销量预测方法，其特征在于，包括：
获取SKU商品的多种特征数据，分别进行特征提取，得到多个特征向量；
将所述多个特征向量输入预设的人工神经网络模型，根据所述人工神经网络模型的输出结果，确定SKU商品预测窗口的总销量；
其中，所述特征数据包括，商品静态属性特征、历史窗口销量数据、预测窗口动态特征；所述预设的人工神经网络模型，根据已知预测窗口销量结果作为标签的特征数据，进行训练后得到。


2.根据权利要求1所述的SKU级别商品销量预测方法，其特征在于，所述历史窗口销量数据包括SKU商品历史窗口销量数据，和同产品ID商品历史窗口销量数据，相应地，进行特征提取，得到多个特征向量，包括：
对SKU商品历史窗口销量数据，和同产品ID商品历史窗口销量数据，分别采用一维因果卷积进行特征提取；
将卷积后的SKU商品历史窗口销量特征、同产品ID商品历史窗口销量特征，以及SKU商品历史窗口销量原始数据进行序列拼接，得到历史窗口销量数据的特征向量。


3.根据权利要求1所述的SKU级别商品销量预测方法，其特征在于，所述商品静态属性特征，包括商品SKU编号、产品ID、品牌编号、品牌类别编号和商品所属各级类目编号中至少一种，相应地，进行特征提取，得到多个特征向量，包括：
将每一商品静态属性特征，转换为独热码后，映射到低维的向量空间，得到所述商品静态属性特征的特征向量。


4.根据权利要求1所述的SKU级别商品销量预测方法，其特征在于，所述预测窗口动态特征，包括预测窗口的促销特征，相应地，进行特征提取，得到多个特征向量，包括：
将平台是否处于促销状态的表征、平台的促销等级和SKU商品是否处于特卖排期的表征，分别映射到向量空间后进行拼接，得到拼接后向量；
根据预测窗口的拼接后的向量，分别从预设的记忆网络中，获取对应的促销活动的嵌入表达向量；
根据所述促销活动的嵌入表达向量，从预设的记忆网络中，获取相似度最高的K个嵌入表达向量，和K个嵌入表达向量对应的K个归一化销量序列；
对于K个嵌入表达向量和所述促销活动的嵌入表达向量，根据相似度，计算注意力权重；
利用得到的注意力权重，对K个归一化销量序列进行加权池化，得到加权归一化销量序列，作为预测窗口动态特征对应的特征向量；
其中，K为大于或等于1的正整数。


5.根据权利要求4所述的SKU级别商品销量预测方法，其特征在于，所述将所述多个特征向量输入预设的人工神经网络模型之前，还包括：
获取多个历史窗口的销量数据，和对应的促销特征；
根据历史窗口促销特征中，平台是否处于促销状态的表征、平台...

【专利技术属性】
技术研发人员：李勇，平钰坤，卢中县，金德鹏，周亮，张良伦，
申请(专利权)人：清华大学，杭州微拓科技有限公司，
类型：发明
国别省市：北京;11