一种基于人工智能的果蔬生鲜门店日出货量预测方法技术

本发明专利技术提供一种基于人工智能的果蔬生鲜门店日出货量预测方法，涉及果蔬生鲜销售预测技术领域，包括以下步骤：S1、数据预处理，S2、融合网络模型构建，S3、利用数据集中的训练数据对构建的神经网络进行训练，根据损失函数和反向传播规则不断更新网络参数，S4、存储训练好的神经网络权重值，加载训练好的神经网络，将需要预测的生鲜数据输入融合网络模型，融合网络模型通过正向推理的到预测销量。本发明专利技术将果蔬生鲜的易腐坏性和保质期进行量化处理，然后作为输入信息设计到提出的方法模型之中，从而对于果蔬生鲜更具有针对性，更加准确的对果蔬生鲜类产品的日销售量精准预测。生鲜类产品的日销售量精准预测。生鲜类产品的日销售量精准预测。

【技术实现步骤摘要】
一种基于人工智能的果蔬生鲜门店日出货量预测方法


[0001]本专利技术涉及果蔬生鲜销售预测
，特别的为一种基于人工智能的果蔬生鲜门店日出货量预测方法。

技术介绍

[0002]销量预测在商品销售过程中扮演着越来越重要的角色。准确的销量预测可以帮助商家将订销比维持在稳定的范围之中，从而更加合理的安排进货以及存储，降低积压风险提高现金流。除此之外，准确的销量预测还可以辅助商家进行商业的规划以及决策，优化商家的销售方向和范围，有效的提高供应链管理及效率，优化门店的合理运营。随着人工智能的发展，神经网络算法广泛应用与各类商品的销量预测之中。
[0003]神经网络算法可以根据商家的历史商品数据，通过不断地数据分析以及模型训练，能够自动学习和估计商品输入数据与商品销售量的映射关系，避免了人为设计和计算复杂的数据关系以及大量参数的反复调整。同时，随着商品数据量的不断积累，神经网络模型可以可续优化，从而避免了重复设计。此外，神经网络算法可以实现端到端的预测，避免了大量的中间算法衔接设计。
[0004]在众多的商品销售中，果蔬生鲜产品具有其独特性。果蔬生鲜产品由于需要延长其生命周期，通常从采摘开始直到销售和储存的过程中都需要投入更多的人力和资源，因此果蔬生鲜具有高成本特性。即使如此，大多数果蔬生鲜具有易腐坏特性，通常品质周期也只有短短数天，这也造成了果蔬生鲜产品的高损耗特性。基于以上提到的两种特性，在销售量无法准确预测时，过量的进货会导致成本的增加以及货物积压，而积压过后的货品品相会变得更差使消费者体验变差，严重的甚至会引发食品安全问题。而进货不足时，又会导致商家的利润下降，消费者不能及时买到需要的物品从而对商家的流量造成负面影响。所以，对于商家门店的果蔬生鲜产品来说，准确的预测生鲜产品的日出货量将对整个商家的利益以及用户的体验及食品安全具有重大的意义。
[0005]综上所述，研发一种基于人工智能的果蔬生鲜门店日出货量预测方法，仍是果蔬生鲜销售预测
中急需解决的关键问题。

技术实现思路

[0006]本专利技术提供的了一种基于人工智能的果蔬生鲜门店日出货量预测方法，本专利技术将果蔬生鲜的易腐坏性和保质期进行量化处理，然后作为输入信息设计到提出的方法模型之中，从而对于果蔬生鲜更具有针对性，更加准确的对果蔬生鲜类产品的日销售量精准预测。
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于人工智能的果蔬生鲜门店日出货量预测方法，包括以下步骤：
[0008]S1、数据预处理：将文字性和时间性数据进行数值化处理，对不完整数据进行剔除和缺失值补充，对个别完整和同一类数据不匹配的异常值数据进行删除，并对所有数值数据进行归一化处理，形成数据集；
[0009]S2、融合网络模型构建：通过pytorch框架，搭建单独的普通神经元单元以及LSTM神经元单元，将普通神经元单元以及LSTM神经元单元根据网络结构进行神经网络搭建；
[0010]S3、利用数据集中的训练数据对构建的神经网络进行训练，根据损失函数和反向传播规则不断更新网络参数；
[0011]S4、存储训练好的神经网络权重值，加载训练好的神经网络，将需要预测的生鲜数据输入融合网络模型，融合网络模型通过正向推理的到预测销量。
[0012]本专利技术进一步设置为：在S1操作步骤中，对所有数值数据进行归一化处理是指对所有数值数据通过减去均值再除以最大值进行归一化处理。
[0013]本专利技术进一步设置为：在S2操作步骤中，所述网络结构包括输入层、隐藏层和输出层。
[0014]本专利技术进一步设置为：所述输入层由12个输入神经元构成，所述12个输入神经元由6个LSTM神经元和6个普通神经元共同融合组成，所述12个输入神经元分别为当天价格、天气、温度、季节、是否为节假日、生鲜类别、前三天的价格以及前三天的销量，所述隐藏层由15个普通神经元组成，所述输出层由1个普通神经元组成。
[0015]本专利技术进一步设置为：在S2操作步骤中，在融合网络模型的数据传递过程中会对数据进行批量标准化处理，并且使用LeakyReLU激活函数进行非线性化处理，所述LeakyReLU激活函数为a
i
是(1,+∞)区间内的固定参数，所述批量标准化处理是指求出批量数据中的均值以及方差，然后对批量数据中的每一个数据进行减均值并除以标准差。
[0016]本专利技术进一步设置为：在S3操作步骤中，利用数据集中的训练数据对构建的神经网络进行训练，根据损失函数和反向传播规则不断更新网络参数，包括以下步骤：
[0017]S301、设置神经网络的超参数，包括学习率、精度阈值和神经网络权重值初始化；
[0018]S302、将预处理好的数据作为输入，输入到网络的输入层，其中涉及到时间变量的输入，输入到LSTM神经元，其他输入变量输入到普通神经元；
[0019]S303、通过神经网络前向传播以及激活函数得到输出
[0020]S304、根据损失函数计算输出值与真实值的误差，并通过偏导计算以及链式法则，进行参数的梯度计算，根据计算得到的梯度值进行参数更新；
[0021]S305、重复步骤S302
‑
S303，进行神经网络参数不断的更新，直到输出值与真实值的误差小于设定的精度阈值。
[0022]本专利技术进一步设置为：在S303操作步骤中，普通神经网络向前传播公式为式中，w
i
为神经网络权重值，x
i
为神经元的输入，b为偏置值，σ()为leakyRELU操作。
[0023]本专利技术进一步设置为：在S304操作步骤中，所述损失函数采用均方差，所述损失函数的公式为式中，y
n
为真实值。
[0024]本专利技术提供了一种基于人工智能的果蔬生鲜门店日出货量预测方法。具备以下有益效果：
[0025]本专利技术将果蔬生鲜的易腐坏性和保质期进行量化处理，然后作为输入信息设计到提出的方法模型之中，从而对于果蔬生鲜更具有针对性，更加准确的对果蔬生鲜类产品的日销售量精准预测，同时，采用了长短期记忆神经元专门针对处理时序关联输入而设计到整体的网络模型之中的，因此相比于现有的算法，本专利技术能够针对果蔬生鲜商品能够更加准确的预测出当天的销售量。
附图说明
[0026]图1为一种基于人工智能的果蔬生鲜门店日出货量预测方法的流程图；
[0027]图2为一种基于人工智能的果蔬生鲜门店日出货量预测方法中神经网络结构图；
[0028]图3为一种基于人工智能的果蔬生鲜门店日出货量预测方法中LSTM单元的结构示意图。
具体实施方式
[0029]下面结合附图及具体实施例对本专利技术作进一步的详细描述，但不是对本专利技术的限定。
[0030]实施例：
[0031]请参照图1
‑
3所示，一种基于人工智能的果蔬生鲜门店日出货量预测方法，包括以下步骤：
[0032]步骤一、数据预处理：将文字性和时间性数据进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的果蔬生鲜门店日出货量预测方法，其特征在于，包括以下步骤：S1、数据预处理：将文字性和时间性数据进行数值化处理，对不完整数据进行剔除和缺失值补充，对个别完整和同一类数据不匹配的异常值数据进行删除，并对所有数值数据进行归一化处理，形成数据集；S2、融合网络模型构建：通过pytorch框架，搭建单独的普通神经元单元以及LSTM神经元单元，将普通神经元单元以及LSTM神经元单元根据网络结构进行神经网络搭建；S3、利用数据集中的训练数据对构建的神经网络进行训练，根据损失函数和反向传播规则不断更新网络参数；S4、存储训练好的神经网络权重值，加载训练好的神经网络，将需要预测的生鲜数据输入融合网络模型，融合网络模型通过正向推理的到预测销量。2.根据权利要求1所述的一种基于人工智能的果蔬生鲜门店日出货量预测方法，其特征在于：在S1操作步骤中，对所有数值数据进行归一化处理是指对所有数值数据通过减去均值再除以最大值进行归一化处理。3.根据权利要求1所述的一种基于人工智能的果蔬生鲜门店日出货量预测方法，其特征在于：在S2操作步骤中，所述网络结构包括输入层、隐藏层和输出层。4.根据权利要求3所述的一种基于人工智能的果蔬生鲜门店日出货量预测方法，其特征在于：所述输入层由12个输入神经元构成，所述12个输入神经元由6个LSTM神经元和6个普通神经元共同融合组成，所述12个输入神经元分别为当天价格、天气、温度、季节、是否为节假日、生鲜类别、前三天的价格以及前三天的销量，所述隐藏层由15个普通神经元组成，所述输出层由1个普通神经元组成。5.根据权利要求1所述的一种基于人工智能的果蔬生鲜门店日出货量预测方法，其特征在于：在S2操作步骤中，在融合网络模型的数据传递过程中会对数据进行批量标准化...

【专利技术属性】
技术研发人员：郭圣杰，郑刚，邓玉龙，吴蕴良，
申请(专利权)人：苏州吉鲜丰科技有限公司，
类型：发明
国别省市：