一种面向多模态的新产品销量预测方法及装置制造方法及图纸

本说明书实施例提供了一种面向多模态的新产品销量预测方法及装置。其中方法包括：先获取目标产品的产品属性、产品图像，以及目标销售时间的多维时间特征；再将获取的内容输入销量预测装置进行销量预测，该销量预测装置包括多个编码层、融合层和解码器，该多个编码层包括属性编码层、图像编码层和时间编码层；该销量预测包括：通过该属性编码层，确定产品属性对应的属性编码向量；通过该图像编码层，确定产品图像对应的图像编码向量；通过该时间编码层，确定多维时间特征对应的时间编码向量；通过该融合层，根据多个编码层确定的多个编码向量进行融合处理，得到融合向量；通过该解码器，根据该融合向量，输出目标产品在目标销售时间的预测销量。

【技术实现步骤摘要】
一种面向多模态的新产品销量预测方法及装置
本说明书一个或多个实施例涉及计算机
，尤其涉及一种面向多模态的新产品销量预测方法及装置。
技术介绍
新产品的销量预测，对于商家来说至关重要，比如很多商家因为预测不准，会出现库存大量积压的问题，为了维护品牌价值，这些商家可能会对产品降价、促销，乃至将库存销毁；同时库存积压本身也会带来巨大的成本。对于新产品而言，它没有历史销售数据来进行分析，如何对它进行更为准确的销量预测，是本专利技术要解决的问题。
技术实现思路
本说明书一个或多个实施例描述了一种面向多模态的新产品销量预测方法及装置，对于没有历史销售数据的新产品，可以实现对其销量的精准预测。根据第一方面，提供了一种面向多模态的新产品销量预测方法，包括一种产品销量的预测方法，包括：获取目标产品的产品属性、产品图像，以及目标销售时间的多维时间特征。将所述获取的内容输入销量预测装置进行销量预测，该销量预测装置包括多个编码层、融合层和解码器，所述多个编码层包括属性编码层、图像编码层和时间编码层；所述销量预测包括：通过所述属性编码层，确定所述产品属性对应的属性编码向量；通过所述图像编码层，确定所述产品图像对应的图像编码向量；通过所述时间编码层，确定所述多维时间特征对应的时间编码向量；通过所述融合层，根据所述多个编码层确定的多个编码向量进行融合处理，得到融合向量；通过所述解码器，根据所述融合向量，输出所述目标产品在所述目标销售时间的预测销量。在一个实施例中，上述产品属性包括以下中的至少一项：产品名称、产品颜色、产品类别、产品样式、销售价格、产品体积、产品重量、生产商信息。在一个实施例中，所述多维时间特征包括以下中的至少一项：所述目标销售时间是否与周末重叠、与周末重叠的比例、是否与节假日重叠、与节假日重叠的比例、是否与特定事件的时期重叠、与特定事件的时期相重叠的比例、与特定事件之间的时间差。在一个实施例中，所述多维时间特征按序排列形成时间特征序列，所述时间编码层为时序网络；其中，通过所述时间表征层，确定所述多维时间特征对应的时间特征向量，包括：通过所述时序网络处理所述时间特征序列，得到时序编码向量，作为所述时间编码向量。在一个具体的实施例中，所述时序网络实现为循环神经网络RNN、长短期记忆网络LSTM、或门控循环单元GRU。在一个实施例中，所述获取的内容还包括所述目标销售时间对应的天气信息和/或事件信息；所述多个编码层还包括天气编码层和/或事件编码层；所述销量预测还包括：通过所述天气编码层，确定所述天气信息对应的天气编码向量；和/或，通过所述事件编码层，确定所述事件信息对应的事件编码向量。在一个实施例中，根据所述多个编码层确定的多个编码向量进行融合处理，得到融合向量，包括：针对各编码向量包含的多个向量元素中的各个向量元素，确定该向量元素为该多个向量元素分配的多个注意力权重；利用该多个注意力权重对该多个向量元素进行加权求和，得到该向量元素对应的重构向量元素；所述多个向量元素对应的多个重构向量元素形成重构向量；对所述多个编码向量和该多个编码向量对应的多个重构向量进行融合处理，确定所述融合向量。在一个实施例中，根据所述多个编码层确定的多个编码向量进行融合处理，得到融合向量，包括：针对各编码向量，确定该编码向量为所述多个编码向量分配的多个注意力权重；利用该多个注意力权重对该多个编码向量进行加权求和，得到对应的重构向量；对该多个编码向量以及该多个编码向量对应的多个重构向量进行所述融合处理，得到所述融合向量。在一个实施例中，所述融合处理包括：拼接处理、对位相乘处理、或加权求和处理。根据第二方面，提供了一种面向多模态的新产品销量预测装置，包括输入层，用于获取目标产品的产品属性、产品图像，以及目标销售时间的多维时间特征；多个编码层，其中属性编码层，用于确定所述产品属性对应的属性编码向量；图像编码层，用于确定所述产品图像对应的图像编码向量；时间编码层，用于确定所述多维时间特征对应的时间编码向量；融合层，用于根据所述多个编码层确定的多个编码向量进行融合处理，得到融合向量；解码器，用于根据所述融合向量，输出所述目标产品在所述目标销售时段的预测销量。根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。根据第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。根据本说明书实施例提供的方法和装置，对于缺乏历史销售数据的新产品，通过利用产品属性、产品图片等多模态数据，以及引入目标销售时间的多维时间特征，可以有效提高产品销量的预测准确度。进一步，在多个编码层得到多个编码向量后，在融合层对该多个编码向量进行进一步变换、融合处理，使得融合向量表征的语义信息更加准确，从而更有效地提高产品销量的预测准确度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。图1示出根据一个实施例的面向多模态的新产品销量预测装置架构图；图2示出根据一个实施例的面向多模态的新产品销量预测方法流程图；图3示出根据一个实施例的面向多模态的新产品销量预测装置结构图。具体实施方式下面结合附图，对本说明书提供的方案进行描述。如前所述，对于新产品而言，它没有历史销售数据，如何对它进行更为准确的预测，是本专利技术要解决的问题。本专利技术提出一种面向多模态的新产品销量预测方案，通过引入产品的属性、图像等多模态特征，以及销售的时间特征，实现对产品销量的精准预测。图1示出根据一个实施例的面向多模态的新产品销量预测装置架构图，如图1所示，预测装置整体是一个编码器-解码器架构，在编码器部分，它的输入至少包括三个部分，一部分是产品属性，通常为文本，包括产品名称、颜色、样式等文本描述；一部分是产品图像，各种设计图或实物图等；一部分是多维时间特征，如周末或节假日等。编码器对各部分输入分别进行编码，之后利用融合层对各部分的编码向量进行融合处理，得到融合向量。在解码器中，对由编码器得到的融合向量进行解码处理，得到预测销量。下面结合图1，对本说明书实施例披露的产品销量的预测方法进行介绍。图2示出根据一个实施例的面向多模态的新产品销量预测方法流程图，所述方法的执行主体可以是任何具有计算、处理能力的装置、服务器或设备集群。如图2所示，所述方法包括以下步骤：步骤S210，获取目标产品的产品属性、产品图像，以及目标销售时间的多维时间特征。步骤S220，将上述获取的内容输入销量预测装置进行销量预测，该销量预测装置包括多个编码层，该多个编码层包括属性编码层11、图像编码层12和时间编码层13，该销量预测装置还本文档来自技高网...

【技术保护点】
1.一种面向多模态的新产品销量预测方法，包括：/n获取目标产品的产品属性、产品图像，以及目标销售时间的多维时间特征；/n将所述获取的内容输入销量预测装置进行销量预测，该销量预测装置包括多个编码层、融合层和解码器，所述多个编码层包括属性编码层、图像编码层和时间编码层；所述销量预测包括：/n通过所述属性编码层，确定所述产品属性对应的属性编码向量；/n通过所述图像编码层，确定所述产品图像对应的图像编码向量；/n通过所述时间编码层，确定所述多维时间特征对应的时间编码向量；/n通过所述融合层，根据所述多个编码层确定的多个编码向量进行融合处理，得到融合向量；/n通过所述解码器，根据所述融合向量，输出所述目标产品在所述目标销售时间的预测销量。/n

【技术特征摘要】
1.一种面向多模态的新产品销量预测方法，包括：
获取目标产品的产品属性、产品图像，以及目标销售时间的多维时间特征；
将所述获取的内容输入销量预测装置进行销量预测，该销量预测装置包括多个编码层、融合层和解码器，所述多个编码层包括属性编码层、图像编码层和时间编码层；所述销量预测包括：
通过所述属性编码层，确定所述产品属性对应的属性编码向量；
通过所述图像编码层，确定所述产品图像对应的图像编码向量；
通过所述时间编码层，确定所述多维时间特征对应的时间编码向量；
通过所述融合层，根据所述多个编码层确定的多个编码向量进行融合处理，得到融合向量；
通过所述解码器，根据所述融合向量，输出所述目标产品在所述目标销售时间的预测销量。


2.根据权利要求1所述的方法，其中，所述产品属性包括以下中的至少一项：产品名称、产品颜色、产品类别、产品样式、销售价格、产品体积、产品重量、生产商信息。


3.根据权利要求1所述的方法，其中，所述多维时间特征包括以下中的至少一项：所述目标销售时间是否与周末重叠、与周末重叠的比例、是否与节假日重叠、与节假日重叠的比例、是否与特定事件的时期重叠、与特定事件的时期相重叠的比例、与特定事件之间的时间差。


4.根据权利要求1所述的方法，其中，所述多维时间特征按序排列形成时间特征序列，所述时间编码层为时序网络；其中，通过所述时间表征层，确定所述多维时间特征对应的时间特征向量，包括：
通过所述时序网络处理所述时间特征序列，得到时序编码向量，作为所述时间编码向量。


5.根据权利要求4所述的方法，其中，所述时序网络实现为循环神经网络RNN、长短期记忆网络LSTM、或门控循环单元GRU。


6.根据权利要求1所述的方法，其中，所述获取的内容还包括所述目标销售时间对应的天气信息和/或事件信息；所述多个编...

【专利技术属性】
技术研发人员：朱海洋，陈为，周俊，严凡，钱中昊，夏祯锋，
申请(专利权)人：浙江大学，物产中大集团股份有限公司，
类型：发明
国别省市：浙江;33