【技术实现步骤摘要】
基于人工智能的服装销量预测方法、系统以及设备
[0001]本专利技术涉及人工智能领域，尤其涉及一种基于人工智能的服装销量预测方法、系统以及设备。
技术介绍
[0002]对服装行业未来销量的准确预测，定位不同款式服装的真实需求，实现供应与需求的精准匹配，不仅能够最大限度地减少销售机会的损失，同时也能极大地减小服装的库存，对提升服装企业的收益具有重大的意义。
[0003]由于服装销售行为的随机性比较大，不仅受服装自身因素影响，同时也受店面因素、节假日因素、促销活动因素、天气因素等的影响，多维的影响因素导致对服装销量进行精准预测具有重大的挑战。行业内目前对服装销售的预测，主要基于其历史同期的销售数据，依赖的信息维度比较单一，预测精度较差，且不适用于新品服装。随着服装行业历史销售、库存等数据的积累，使得应用基于大数据的人工智能手段来解决服装销售的预测成为了可能。人工智能方法能处理高维的数据信息，可以大大提升服装销售预测的精度。
[0004]现有的基于机器学习等人工智能方法对服装销售预测的技术还非常少。例如公开的专利CN110322263A基于销售数据和网络社交媒体数据建立了服装销售预测模型，一方面，该模型在服装这一侧只使用了销售数据一个维度的数据，并未考虑库存及门店信息等影响，数据维度较少；另一方面，从社交媒体数据只能学习得到宏观层面的流行元素，对具体到某个门店、某个款号衣服的未来销量预测意义比较有限。
技术实现思路
[0005]本专利技术的目的之一在于提供一种基于人工智能的服装销量预测方法、
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的服装销量预测方法，其特征在于，所述基于人工智能的服装销量预测方法包括以下步骤：提取服装销售数据并执行数据准备；识别服装销售数据中的失真销量数据，并执行数据清洗与数据修复；基于清洗后的服装销售数据，建立基于人工智能的预报算法模型，并对下一个销售周期的销量走势进行预报；执行气温修正；以及执行节假日及促销活动修正。2.如权利要求1所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：提取待预测服装款号的历史销售数据；提取预报参考特征；以及提取商品整体销售特征。3.如权利要求2所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：执行待预测服装款号是否有历史销售数据的判断，当待预测的服装款号有历史销售数据时，提取该待预测服装款号的历史销售数据；以及执行待预测服装款号是否为当年新品服装的判断，当待预测的为当年推出的新品服装时，提取与待预测服装款号最相似款号的历史销售数据作为该待预测服装款号的历史销售数据。4.如权利要求2所述的基于人工智能的服装销量预测方法，其中提取的预报参考特征为与待预测服装款号在颜色、款式、厚薄以及衣长维度相近的5
‑
10款服装的销售数据。5.如权利要求2所述的基于人工智能的服装销量预测方法，其中提取的商品整体销售特征为待预测服装款号所属的小类以及大类的整体的销售数据。6.如权利要求1所述的基于人工智能的服装销量预测方法，其中失真销售数据包括数据缺失、超限异常、数据跳变或因库存不足导致的销量数据失真。7.如权利要求1所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：识别并剔除超限数据；识别并剔除跳变数据；以及识别并剔除异常服装库存数据。8.如权利要求7所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：对服装销售数据设定上、下限，识别超限数据，并将超限数据剔除。9.如权利要求7所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：将每一个时刻的数据分别与前、后数据做差，当两个差值的绝对值均大于设定的阈值时，将该时刻的值识别为跳变数据，将其剔除。10.如权利要求7所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的
服装销量预测方法还包括以下步骤：获取服装库存数据以及对应时刻的理论销售量数据，执行数据的比对，当服装库存数据为0，或库存数据小于对应时刻的理论销售量时，将该时刻的销售数据执行剔除。11.如权利要求7至10中任一所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：生成销售时序曲线；根据销售时序曲线，将销售划分为多个阶段；以及基于各阶段的数据，对于每个异常点执行销售数据的修正。12.如权利要求11所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取正常范围内的非超限销售数据，生成销售时序曲线。13.如权利要求11所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：根据销售时序曲线，将销售划分为导入期、成长期、成熟期、衰退期四个阶段；分别基于四个阶段的各自的数据，统计并获取各阶段的销量增长斜率数据值k1，k2，k3以及k4；对于每个异常点，统计各异常点前一周的平均销量数据值s；以及将各异常点所在的生命周期的斜率数据值ki与平均销量数据值s相乘，乘积作为各异常点销售数据的修正值。14.如权利要求1所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取预报算法模型的训练集和测试集；执行预报算法模型的训练；对预报算法模型执行验证；以及获取特征数据，输入至预报算法模型，获取初始的预报结果。15.如权利要求14所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取年份数据n，将n年的历史数据拆分为预报算法模型的训练集和测试集，前n
‑
1年的数据作为测试集，最近一年的数据作为验证集。16.如权利要求14所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：待预测款号服装款号的历史销售数据、相似款号的历史销售数据、所属小类、大类的历史销售数据被作为特征输入至预报算法模型，下一年数据对应时刻的销售结果被作为目标输出，执行预报算法模型的训练。17.如权利要求14所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：利用验证集数据对预报算法模型执行验证，统计预报结果与实际结果的均方根误差，当误差满足要求时，输出预报算法模型，当误差不满足要求时，返回执行预报算法模型及参数调整，并重新训练。
18.如权利要求14所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取最近一年的特征数据，输入至预报算法模型，获取初始的预报结果。19.如权利要求14至18中任一所述的基于人工智能的服装销量预测方法，其中机器学习模型选自极限梯度提升树模型、随机森林模型、支持向量机模型、神经网络模型。20.如权利要求1所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取历史气温数据以及执行未来周平均气温预报；建立气温对销售影响的温差修正回归模型；以及获取建立的温差修正回归模型以及预报的气温，对未来一周的初始销售结果执行修正。21.如权利要求20所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取当前时刻往前一个或多个月的气温数据，以及未来一个月的历史同期5
‑
10年的气温数据，对未来一个月的周平均气温执行预报，其中，算法时序模型选自长短期记忆模型、门控循环单元、差分整合移动平均自回归模型。22.如权利要求20所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取历史气温数据与销售数据，建立气温对销售影响的温差修正回归模型，其中算法模型选自支持向量机模型、Ridge回归模型、Lasso回归模型。23.如权利要求1所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：建立节假日和促销活动场景引起的销售增益模型；计算节假日及促销活动带来的销售增益；以及获取销售增益并修正初始的预报结果。24.如权利要求23所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取历史上节假日及促销活动的活动内容和销售数据，建立节假日和促销活动场景引起的销售增益模型。25.如权利要求23所述的基于人工智能的服装销量预测方法，其中所述基于人工智能的服装销量预测方法还包括以下步骤：获取未来一日或者多日内的节假日情况信息及促销策略信息以及基于销售增益模型，计算节假日及促销活动带来的销售增益。26.一种基于人工智能的服装销量预测设备，其特征在于，所述基于人工智能的服装销量预测设备包括：软件应用程序、用于存储软件应用程序的存储器，以及处理器，用于执行该软件应用程序，其中所述软件应用程序的各程序相对应地执行权利要求1至25中的所述基于人工智能的服装销量预测方法中的步骤。27.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行权利要求1至25中所述基于人工智能的服装销量预测方法的步骤。28.一种基于人工智能的服装销量预测系统，其特征在于，所述基于人工智能的服装销量预测系统包括：服装销售数据提取子系统，其被配置为：提取服装销售数据并执行数据准备；
数据清洗与数据修复子系统，其被配置为：识别服装销售数据中的失真销量数据，并执行数据清洗与数据修复；预报算法模型子系统，其被配置为：基于清洗后的服装销售数据，建立基于人工智能的预报算法模型，并对下一个销售周期的销量走势进行预报；气温修正子系统，其被配置为：执行气温修正；以及节假日及促销活动修正子系统，其被配置为执行节假日及促销活动修正。29.如权利要求28所述的基于人工智能的服装销量预测系统，其中所述服装销售数据提取子系统还包括待预测服装款号历史销售数据提取单元、预报参考特征提取单元以及销售特征提取单元，所述待预测服装款号历史销售数据提取单元被配置为：提取待预测服装款号的历史销售数据；所述预报参考特征提取单元被配置为提取预报参考特征；所述销售特征提取单元被配置为提取商品整体销售特征。30.如权利要求29所述的基于人工智能的服装销量预测系统，其中所述待预测服装款号历史销售数据提取单元还被配置为：执行待预测服装款号是否有历史销售数据的判断，当待预测的服装款号有历史销售数据时，提取该待预测服装款号的历史销售数据；以及执行待预测服装款号是否为当年新品服装的判断，当待预测的为当年推出的新品服装时，提取与待预测服装款号最相似款号的历史销售数据作为该待预测服装款号的历史销售数据。31.如权利要求29所述的基于人工智能的服装销量预测系统，其中提取的预报参考特征为与待预测服装款号在颜色、款式、厚薄以及衣长维度相近的5
‑
10款服装的销售数据。32.如权利要求29所述的基于人工智能的服装销量预测系统，其中提取的商品整体销售特征为待预测服装款号所属的小类以及大类的整体的销售数据。33.如权利要求28所述的基于人工智能的服装销量预测系统，其中失真销售数据包括数据缺失、超限异常、数据跳变或因库存不足导致的销量数据失真。34.如权利要求28所述的基于人工智能的服装销量预测系统，其中所述数据清洗与数据修复子系统包括超限数据识别剔除单元、跳变数据识别剔除单元以及库存异常数据识别剔除单元，所述超限数据识别剔除单元被配置为：识别并剔除超限数据；所述跳变数据识别剔除单元被配置为识别并剔除跳变数据；所述库存异常数据识别剔除单元被配置为识别并剔除异常服装库存数据。35.如权利要求34所述的基于人工智能的服装销量预测系统，其中所述超限数据识别剔除单元还被配置为：对服装销售数据设定上、下限，识别超限数据，并将超限数据剔除。36.如权利要求34所述的基于人工智能的服装销量预测系统，其中所述跳变数据识别剔除单元还被配置为：将每一个时刻的数据分别与前、后数据做差，当两个差值的绝对值均大于设定的阈值时，将该时刻的值识别为跳变数据，将其剔除。37.如权利要求34所述的基于人工智能的服装销量预测系统，其中所述库存异常数据识别剔除单元还被配置为：获取服装库存数据以及对应时刻的理论销售量数据，执行数据的比对，当服装库存数据为0，或库存数据小于对应时刻的理论销售量时，将该时刻的销售数据执行剔除。38.如权利要求34至37中任一所述的基于人工智能的服装销量预测系统，其中所述数据清洗与数据修复子系统还包括销售时序曲线生成单元、销售阶段划分单元以及异常点销售数据修正单元，所述销售时序曲线生成单元被配置为：生成销售时序曲线；所述销售阶段
划分单元被配置为：根据销售时序曲线，将销售划分为多个阶段；所述异常点销售数据修正单元被配置为：基于各阶段的数据，对于每个异常点执行销售数据的修正。39.如权利要求38所述的基于人工智能的服装销量预测系统，其中所述销售时序曲线生成单元还被配置为：获取正常范围内的非超限销售数据，生成销售时序曲线。40.如权利要求38所述的基于人工智能的服装销量预测系统，其中所述销售阶段划分单元还被配置为：根据销售时序曲线，将销售划分为导入期、成长期、成熟期、衰退期四个阶段；分别基于四个阶段的各自的数据，统计并获取各阶段的销量增长斜率数据值k1，k2，k3以及k4；对于每个异常点，统计各异常点前一周的平均销量数据值s；以及将各异常点所在的生命周期的斜率数据值ki与平均销量数据值s相乘，乘积作为各...
【专利技术属性】
技术研发人员：徐国平，袁仁育，王一蔚，周胜达，
申请(专利权)人：海澜智云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。