产品成交总额的预测方法、系统、电子设备和存储介质技术方案

本发明专利技术公开了一种产品成交总额的预测方法、系统、电子设备和存储介质，所述预测方法包括：获取每个品类的产品在历史设定时间段内的历史成交总额；获取任意两个品类的产品的历史成交总额的相似度；根据相似度对不同品类的产品进行聚类处理，获取聚类类型；对于同一聚类类型的产品，将聚类类型作为输入，将属于聚类类型的产品的历史成交总额作为输出，建立预测模型；获取目标品类的产品对应的目标聚类类型；将目标聚类类型输入至预测模型，获取目标品类的产品在目标设定时间段内的目标成交总额。本发明专利技术实现了在减少训练模型次数的同时，有效地提高了产品的成交总额的预测精度；另外，通过对数损失函数对预测模型进行优化，进一步提高了预测精度。

【技术实现步骤摘要】
产品成交总额的预测方法、系统、电子设备和存储介质
本专利技术涉及数据处理
，特别涉及一种产品成交总额的预测方法、系统、电子设备和存储介质。
技术介绍
在互联网平台中，一般通过产品在未来一段时间的GMV(GrossMerchandiseVolume，一定时间段内成交总额)来衡量产品所能带来的价值，进而在推荐产品和产品进货等方面发挥重要作用。但是，由于产品类别的不同，其对应的GMV存在巨大差异，现有的预测GMV的方式中为了降低模型数量往往不区分产品的类别，将所有产品类别作为同一训练集来建立预测模型，这样无疑会导致模型预测精度很低；或通过交叉特征来防止多类别的产品成交总额预测精度下降，然而该方法效果依然不够理想，并且交叉特征导致特征维度大大增加；或将每个产品类别作为一个训练集，这样会导致训练模型的数量大大增加，存在预测效率较低的缺陷。
技术实现思路
本专利技术要解决的技术问题是现有技术中预测GMV的方式存在预测精度很低、预测效率较低等缺陷，目的在于提供一种产品成交总额的预测方法、系统、电子设备和存储介质。本专利技术是通过下述技术方案来解决上述技术问题：本专利技术提供一种产品成交总额的预测方法，所述预测方法包括：获取每个品类的产品在历史设定时间段内的历史成交总额；获取任意两个品类的产品的所述历史成交总额的相似度；根据所述相似度对不同品类的产品进行聚类处理，获取聚类类型；对于同一所述聚类类型的产品，将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，建立预测模型；其中，所述预测模型用于预测属于所述聚类类型的任意一个品类的产品在未来设定时间段内的成交总额；获取目标品类的产品对应的目标聚类类型；将所述目标聚类类型输入至所述预测模型，获取所述目标品类的产品在目标设定时间段内的目标成交总额。较佳地，所述获取每个品类的产品在历史设定时间段内的历史成交总额的步骤包括：获取每个品类的产品在所述历史设定时间段中每个设定时间的所述历史成交总额；其中，所述每个设定时间包括每天、每周或每月；所述获取任意两个品类的产品的所述历史成交总额的相似度的步骤包括：根据所述历史设定时间段中每个设定时间的所述历史成交总额，获取同一品类的产品对应的第一特征向量；根据所述第一特征向量获取任意两个品类的产品的所述历史成交总额的相似度。较佳地，所述根据所述第一特征向量获取任意两个品类的产品的所述历史成交总额的相似度的步骤包括：根据所述第一特征向量计算每个品类的产品的所述历史成交总额分别与所有品类的产品的所述历史成交总额之间的余弦相似度；所述根据所述相似度对不同品类的产品进行聚类处理，获取聚类类型的步骤包括：根据每个品类的产品的所述历史成交总额分别与所有品类的产品的所述历史成交总额之间的余弦相似度，获取每个品类的产品对应的第二特征向量；根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型。较佳地，所述根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型的步骤包括：采用Kmeans算法(一种聚类算法)根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型。较佳地，所述对于同一所述聚类类型的产品，将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，建立预测模型的步骤包括：对于同一所述聚类类型的产品，将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，采用逻辑回归算法、线性回归算法、支持向量机、神经网络算法或梯度提升回归树算法建立预测模型。较佳地，所述建立预测模型的步骤之后、所述将所述目标聚类类型输入至所述预测模型的步骤之前还包括：采用对数损失函数对所述预测模型进行优化处理。本专利技术还提供一种产品成交总额的预测系统，所述预测系统包括历史成交总额获取模块、相似度获取模块、聚类处理模块、预测模型建立模块、目标聚类类型获取模块和目标成交总额获取模块；所述历史成交总额获取模块用于获取每个品类的产品在历史设定时间段内的历史成交总额；所述相似度获取模块用于获取任意两个品类的产品的所述历史成交总额的相似度；所述聚类处理模块用于根据所述相似度对不同品类的产品进行聚类处理，获取聚类类型；对于同一所述聚类类型的产品，所述预测模型建立模块用于将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，建立预测模型；其中，所述预测模型用于预测属于所述聚类类型的任意一个品类的产品在未来设定时间段内的成交总额；所述目标聚类类型获取模块用于获取目标品类的产品对应的目标聚类类型；所述目标成交总额获取模块用于将所述目标聚类类型输入至所述预测模型，获取所述目标品类的产品在目标设定时间段内的目标成交总额。较佳地，所述历史成交总额获取模块用于获取每个品类的产品在所述历史设定时间段中每个设定时间的所述历史成交总额；其中，所述每个设定时间包括每天、每周或每月；所述相似度获取模块包括第一特征向量获取单元和相似度获取单元；所述第一特征向量获取单元用于根据所述历史设定时间段中每个设定时间的所述历史成交总额，获取同一品类的产品对应的第一特征向量；所述相似度获取单元用于根据所述第一特征向量获取任意两个品类的产品的所述历史成交总额的相似度。较佳地，所述相似度获取单元用于根据所述第一特征向量计算每个品类的产品的所述历史成交总额分别与所有品类的产品的所述历史成交总额之间的余弦相似度；所述聚类处理模块包括第二特征向量获取单元和聚类处理单元；所述第二特征向量获取单元用于根据每个品类的产品的所述历史成交总额分别与所有品类的产品的所述历史成交总额之间的余弦相似度，获取每个品类的产品对应的第二特征向量；所述聚类处理单元用于根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型。较佳地，所述聚类处理单元用于采用Kmeans算法根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型。较佳地，对于同一所述聚类类型的产品，所述预测模型建立模块用于将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，采用逻辑回归算法、线性回归算法、支持向量机、神经网络算法或梯度提升回归树算法建立预测模型。较佳地，所述预测系统还包括模型优化模块；所述模型优化模块用于采用对数损失函数对所述预测模型进行优化处理。本专利技术还提供一种电子设备，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，所述处理器执行计算机程序时实现上述的产品成交总额的预测方法。本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的产品成交总额的预测方法的步骤。本专利技术的积极进步效果在于：本专利技术中，通过计算不同品类的产品本文档来自技高网...

【技术保护点】
1.一种产品成交总额的预测方法，其特征在于，所述预测方法包括：/n获取每个品类的产品在历史设定时间段内的历史成交总额；/n获取任意两个品类的产品的所述历史成交总额的相似度；/n根据所述相似度对不同品类的产品进行聚类处理，获取聚类类型；/n对于同一所述聚类类型的产品，将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，建立预测模型；/n其中，所述预测模型用于预测属于所述聚类类型的任意一个品类的产品在未来设定时间段内的成交总额；/n获取目标品类的产品对应的目标聚类类型；/n将所述目标聚类类型输入至所述预测模型，获取所述目标品类的产品在目标设定时间段内的目标成交总额。/n

【技术特征摘要】
1.一种产品成交总额的预测方法，其特征在于，所述预测方法包括：
获取每个品类的产品在历史设定时间段内的历史成交总额；
获取任意两个品类的产品的所述历史成交总额的相似度；
根据所述相似度对不同品类的产品进行聚类处理，获取聚类类型；
对于同一所述聚类类型的产品，将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，建立预测模型；
其中，所述预测模型用于预测属于所述聚类类型的任意一个品类的产品在未来设定时间段内的成交总额；
获取目标品类的产品对应的目标聚类类型；
将所述目标聚类类型输入至所述预测模型，获取所述目标品类的产品在目标设定时间段内的目标成交总额。


2.如权利要求1所述的产品成交总额的预测方法，其特征在于，所述获取每个品类的产品在历史设定时间段内的历史成交总额的步骤包括：
获取每个品类的产品在所述历史设定时间段中每个设定时间的所述历史成交总额；
其中，所述每个设定时间包括每天、每周或每月；
所述获取任意两个品类的产品的所述历史成交总额的相似度的步骤包括：
根据所述历史设定时间段中每个设定时间的所述历史成交总额，获取同一品类的产品对应的第一特征向量；
根据所述第一特征向量获取任意两个品类的产品的所述历史成交总额的相似度。


3.如权利要求2所述的产品成交总额的预测方法，其特征在于，所述根据所述第一特征向量获取任意两个品类的产品的所述历史成交总额的相似度的步骤包括：
根据所述第一特征向量计算每个品类的产品的所述历史成交总额分别与所有品类的产品的所述历史成交总额之间的余弦相似度；
所述根据所述相似度对不同品类的产品进行聚类处理，获取聚类类型的步骤包括：
根据每个品类的产品的所述历史成交总额分别与所有品类的产品的所述历史成交总额之间的余弦相似度，获取每个品类的产品对应的第二特征向量；
根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型。


4.如权利要求3所述的产品成交总额的预测方法，其特征在于，所述根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型的步骤包括：
采用Kmeans算法根据所述第二特征向量对不同品类的产品进行聚类处理，获取聚类类型。


5.如权利要求1所述的产品成交总额的预测方法，其特征在于，所述对于同一所述聚类类型的产品，将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，建立预测模型的步骤包括：
对于同一所述聚类类型的产品，将所述聚类类型作为输入，将属于所述聚类类型的产品的所述历史成交总额作为输出，采用逻辑回归算法、线性回归算法、支持向量机、神经网络算法或梯度提升回归树算法建立预测模型。


6.如权利要求1所述的产品成交总额的预测方法，其特征在于，所述建立预测模型的步骤之后、所述将所述目标聚类类型输入至所述预测模型的步骤之前还包括：
采用对数损失函数对所述预测模型进行优化处理。


7.一种产品成交总额的预测系统，其特征在于，所述预测系统包括历史成交总额获取模块、相似度获取模块、聚类处理模块、预测模型建立模块、目标聚类类型获取模块和目标成交总额获取模块；
所述...

【专利技术属性】
技术研发人员：张维哲，吴亚熙，高云，肖宁，戚学鋆，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11