商品销售额预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种商品销售额预测方法、装置、计算机设备和存储介质，所述方法包括：获取预设时间段内目标品类商品的第一商品数据集，第一商品数据集包括目标品类商品的销售额以及销售额对应的时间数据；根据销售额对应的时间数据按照时间顺序对第一商品数据集中的销售额进行时间排序，得到第二商品数据集；根据第二商品数据集获取目标时间序列模型，目标时间序列模型用于表征商品的销售额与时间数据的对应关系；将目标时间数据输入目标时间序列模型，得到目标时间序列模型的输出值，输出值为目标时间数据对应的目标品类商品的预测销售额。上述方法能够自动化对商品销售额进行预测以提高商品销售额预测效率。

Commodity sales forecast methods, devices, computer equipment and storage media

【技术实现步骤摘要】
商品销售额预测方法、装置、计算机设备和存储介质
本申请涉及数据处理
，特别是涉及一种商品销售额预测方法、装置、计算机设备和存储介质。
技术介绍
近年来智慧零售等新零售行业发展迅速，大型零售企业的实体门店正在以极快的速度增长，门店销售计划的制定就显得尤为重要。由于商品品类众多且门店地域、级别和定位等差异较大，为了精准营销、合理投放资源就需要对门店销售计划金额进行合理分配。目前企业会在年初由专门的计划预算部门制定门店下一年总的月度销售计划，但月度销售计划中销售金额日计划不区分商品品类。因此，为了精细化管理以及更好地完成销售计划还需要将销售金额日计划根据门店实际经营情况等精准合理地分配到各个品类上。目前，企业根据门店实际经营情况等通过人工操作将销售金额日计划精准合理地分配各个品类上。这样的方式，通常依靠企业员工结合业务规则和个人经验来进行人工分配。尤其是销售金额日计划还需要根据各个品类的商品的过往销售额预测未来销售额进行计划，通过人工经验根据各个品类的商品的过往销售额预测未来销售额以进行销售金额日计划的人工分配，不仅导致工作量大、效率低，而且分配结果的准确性也不高。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够自动化对商品销售额进行预测以提高商品销售额预测效率的商品销售额预测方法、装置、计算机设备和存储介质。一种商品销售额预测方法，该方法包括：获取预设时间段内目标品类商品的第一商品数据集，第一商品数据集包括目标品类商品的销售额以及销售额对应的时间数据；根据销售额对应的时间数据按照时间顺序对第一商品数据集中的销售额进行时间排序，得到第二商品数据集，第二商品数据集包括排序后的销售额以及排序后的销售额对应的时间数据；根据第二商品数据集获取目标时间序列模型，目标时间序列模型用于表征商品的销售额与时间数据的对应关系；将目标时间数据输入目标时间序列模型，得到目标时间序列模型的输出值，输出值为目标时间数据对应的目标品类商品的预测销售额。在其中一个实施例中，商品销售额预测方法还包括：获取预设数量的目标品类商品的预测销售额；根据各目标品类商品的预测销售额确定各目标品类商品的占比；获取目标时间数据对应的计划总销售额；根据预设总销售额以及各目标品类商品的占比确定各目标品类商品的计划销售额。在其中一个实施例中，根据第二商品数据集获取目标时间序列模型，包括：根据第二商品数据集获取目标品类商品的销售额增长趋势信息，根据销售额增长趋势信息获取目标时间序列模型的第一函数；根据第二商品数据集获取目标品类商品的销售额的周期性信息，根据周期性信息获取目标时间序列模型的第二函数；根据第二商品数据集获取目标品类商品的预设时间点的销售额，根据预设时间点的销售额获取目标时间序列模型的第三函数；根据第一函数、第二函数和第三函数获取目标时间序列模型。在其中一个实施例中，目标时间序列模型为Prophet模型，第一函数为逻辑回归函数，第二函数为傅立叶函数，第三函数为单位冲激函数；其中，Prophet模型还包括噪声项函数，噪声项函数服从高斯分布，噪声项函数用于表征未预测的销售额的波动信息。在其中一个实施例中，根据销售额增长趋势信息获取目标时间序列模型的第一函数，包括：根据销售额增长趋势信息获取目标品类商品的销售额的增长率、偏移量以及销售额最大值；根据增长率、偏移量以及销售额最大值获取第一模型参数；根据第一模型参数确定出逻辑回归函数；优选地，商品销售额预测方法还包括：根据销售额增长趋势信息设置时间突变点以及时间突变点的主导因子；根据主导因子获取时间突变点的增长率的变化量；根据销售额增长趋势信息获取目标品类商品的销售额的初始增长率；根据初始增长率和时间突变点的增长率的变化量获取目标品类商品的销售额的增长率。在其中一个实施例中，根据周期性信息获取目标时间序列模型的第二函数，包括：根据周期性信息获取目标品类商品的销售额的周期时间、周期影响因子以及傅里叶级数；根据周期时间、周期影响因子以及傅里叶级数获取第二模型参数；根据第二模型参数确定出傅立叶函数。在其中一个实施例中，根据预设时间点的销售额获取目标时间序列模型的第三函数，包括：获取预设时间点的影响时间段，获取影响时间段对应的影响程度值；获取影响程度值的影响因子；根据影响时间段对应的影响程度值以及影响程度值的影响因子获取第三模型参数；根据第三模型参数确定出单位冲激函数。一种商品销售额预测装置，该装置包括：第一获取模块，用于获取预设时间段内目标品类商品的第一商品数据集，第一商品数据集包括目标品类商品的销售额以及销售额对应的时间数据；排序模块，用于根据销售额对应的时间数据按照时间顺序对第一商品数据集中的销售额进行时间排序，得到第二商品数据集，第二商品数据集包括排序后的销售额以及排序后的销售额对应的时间数据；确定模块，用于根据第二商品数据集获取目标时间序列模型，目标时间序列模型用于表征商品的销售额与时间数据的对应关系；第二获取模块，用于将目标时间数据输入目标时间序列模型，得到目标时间序列模型的输出值，输出值为所述目标时间数据对应的目标品类商品的预测销售额。一种计算机设备，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，处理器执行计算机程序时实现上述任一实施例方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例方法的步骤。上述商品销售额预测方法、装置、计算机设备和存储介质，服务器获取预设时间段内目标品类商品的第一商品数据集，第一商品数据集包括目标品类商品的销售额以及销售额对应的时间数据，根据销售额对应的时间数据按照时间顺序对第一商品数据集中的销售额进行时间排序，得到第二商品数据集，第二商品数据集包括排序后的销售额以及排序后的销售额对应的时间数据。进一步地，根据第二商品数据集确定目标时间序列模型，将目标时间数据输入目标时间序列模型，得到目标时间序列模型的输出值，输出值为目标时间数据对应的目标品类商品的预测销售额。因此，服务器可以通过预设时间序列模型直接得到目标时间数据对应的目标品类商品的预测销售额，无需人工判断，提高了商品销售额的预测效率。此外，与人工判断相比，通过目标时间序列模型得到的目标时间数据对应的目标品类商品的预测销售额准确性更高。附图说明图1为一个实施例中一种商品销售额预测方法的应用环境图；图2为一个实施例中一种商品销售额预测方法的流程示意图；图3为另一个实施例中一种商品销售额预测方法的流程示意图；图4为一个实施例中步骤S106的方法流程示意图；图5为一个应用场景中的一种商品销售额预测方法的流程示意图；图6为一个实施例中一种品类商品的销售额数据的时间序列的趋势图；图7为一个实施例中一种品类商品的销售额预测效果示意图；图8为一个实施例中一种商品销售额预测装置的结构框图；图9为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚本文档来自技高网...

【技术保护点】
1.一种商品销售额预测方法，所述方法包括：/n获取预设时间段内目标品类商品的第一商品数据集，所述第一商品数据集包括所述目标品类商品的销售额以及所述销售额对应的时间数据；/n根据所述销售额对应的时间数据按照时间顺序对所述第一商品数据集中的销售额进行时间排序，得到第二商品数据集，所述第二商品数据集包括排序后的销售额以及所述排序后的销售额对应的时间数据；/n根据所述第二商品数据集获取目标时间序列模型，所述目标时间序列模型用于表征商品的销售额与时间数据的对应关系；/n将目标时间数据输入所述目标时间序列模型，得到所述目标时间序列模型的输出值，所述输出值为所述目标时间数据对应的目标品类商品的预测销售额。/n

【技术特征摘要】
1.一种商品销售额预测方法，所述方法包括：
获取预设时间段内目标品类商品的第一商品数据集，所述第一商品数据集包括所述目标品类商品的销售额以及所述销售额对应的时间数据；
根据所述销售额对应的时间数据按照时间顺序对所述第一商品数据集中的销售额进行时间排序，得到第二商品数据集，所述第二商品数据集包括排序后的销售额以及所述排序后的销售额对应的时间数据；
根据所述第二商品数据集获取目标时间序列模型，所述目标时间序列模型用于表征商品的销售额与时间数据的对应关系；
将目标时间数据输入所述目标时间序列模型，得到所述目标时间序列模型的输出值，所述输出值为所述目标时间数据对应的目标品类商品的预测销售额。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取预设数量的所述目标品类商品的预测销售额；
根据各所述目标品类商品的预测销售额确定各所述目标品类商品的占比；
获取所述目标时间数据对应的计划总销售额；
根据所述预设总销售额以及各所述目标品类商品的占比确定各所述目标品类商品的计划销售额。


3.根据权利要求1所述的方法，其特征在于，所述根据所述第二商品数据集获取目标时间序列模型，包括：
根据所述第二商品数据集获取所述目标品类商品的销售额增长趋势信息，根据所述销售额增长趋势信息获取所述目标时间序列模型的第一函数；
根据所述第二商品数据集获取所述目标品类商品的销售额的周期性信息，根据所述周期性信息获取所述目标时间序列模型的第二函数；
根据所述第二商品数据集获取所述目标品类商品的预设时间点的销售额，根据所述预设时间点的销售额获取所述目标时间序列模型的第三函数；
根据所述第一函数、所述第二函数和所述第三函数获取所述目标时间序列模型。


4.根据权利要求3所述的方法，其特征在于，所述目标时间序列模型为Prophet模型，所述第一函数为逻辑回归函数，所述第二函数为傅立叶函数，所述第三函数为单位冲激函数；
其中，所述Prophet模型还包括噪声项函数，所述噪声项函数服从高斯分布，所述噪声项函数用于表征未预测的销售额的波动信息。


5.根据权利要求4所述的方法，其特征在于，所述根据所述销售额增长趋势信息获取所述目标时间序列模型的第一函数，包括：
根据所述销售额增长趋势信息获取所述目标品类商品的销售额的增长率、偏移量以及销售额最大值；
根据所述增长率、偏移量以及销售额最大值获取第一模型参数；
根据所...

【专利技术属性】
技术研发人员：蒋旭曦，欧文祥，高勇，刘清林，张曙光，
申请(专利权)人：苏宁云计算有限公司，
类型：发明
国别省市：江苏;32