基于深度学习的零售商品销售预测方法技术

本说明书实施例提供一种基于深度学习的零售商品销售预测方法，包括：获取待预测区域在至少一个时间段的发展状态向量；基于至少一个时间段的发展状态向量，获取待预测区域的区域特征序列；通过销售量预测模型对待预测区域的区域特征序列进行处理，预测待预测区域的商品销售量。品销售量。品销售量。

【技术实现步骤摘要】
基于深度学习的零售商品销售预测方法


[0001]本说明书涉及销售预测领域，特别涉及一种基于深度学习的零售商品销售预测方法。

技术介绍

[0002]随着社会的发展，影响商品销售量的因素日益复杂化，与商品销售及销售量相关的数据量也变得庞大，仅仅基于数理模型对商品销售量进行预测的方式逐渐不能满足日渐复杂的预测条件。
[0003]因此，希望可以提供一种基于深度学习的零售商品销售预测方法，以提高预测的未来销售量的准确性和预测效率。

技术实现思路

[0004]本说明书实施例之一提供一种零售商品销售预测方法。所述零售商品销售预测方法包括：获取待预测区域在至少一个时间段的发展状态向量；基于所述至少一个时间段的发展状态向量，获取所述待预测区域的区域特征序列；通过销售量预测模型对所述待预测区域的所述区域特征序列进行处理，预测所述待预测区域的商品销售量。
[0005]本说明书实施例之一提供一种零售商品销售预测系统。所述零售商品销售预测系统包括：获取模块，用于获取待预测区域在至少一个时间段的发展状态向量；处理模块，用于基于所述至少一个时间段的发展状态向量，获取所述待预测区域的区域特征序列；预测模块，用于通过销售量预测模型对所述待预测区域的所述区域特征序列进行处理，预测所述待预测区域的商品销售量。
[0006]本说明书实施例之一提供一种零售商品销售预测装置。所述零售商品销售预测装置包括处理器，所述处理器用于执行上述任一项所述的零售商品销售预测方法。
[0007]本说明书实施例之一提供一种计算机可读存储介质。所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述任一项所述的零售商品销售预测方法。
附图说明
[0008]本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0009]图1是根据本说明书一些实施例所示的零售商品销售预测系统的应用场景示意图；
[0010]图2是根据本说明书一些实施例所示的零售商品销售预测方法的示例性流程图；
[0011]图3是根据本说明书一些实施例所示的销售量预测模型及其训练方法的示意图；
[0012]图4是根据本说明书一些实施例所示的获取第一发展状态模型的方法的示意图；
[0013]图5是根据本说明书一些实施例所示的零售商品销售预测系统的示例性模块图。
具体实施方式
[0014]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0015]应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0016]如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0017]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0018]在零售商品领域，由于商品的销售量受多种因素的影响，因此，不同区域不同时间段对销售量的需求都有所变化，但为了在出现需求时及时供给消费者需要的商品，所以需要对商品销售进行预测。
[0019]在一些实施例中，对于某个区域，通常是基于历史销售情况进行供货的。例如，基于前一次的销售情况进行供货。当历史销售情况反映商品畅销时，在下一次供货时会有意识地增加该商品的数量；相反的，当商品滞销时，在下一次供货时会减少该商品的数量。
[0020]然而，单一的基于历史销售情况来确定未来的供货量的准确性不高，常常会出现由于预测失误造成商品脱销或滞销的情况。而且，商品销售量受多种因素的影响，因此，销售预测的难度大大增加。
[0021]有鉴于此，本说明书一些实施例提出了一种基于深度学习的零售商品销售预测方法和系统，以提高销售预测的准确性和实用性。
[0022]图1是根据本说明书一些实施例所示的零售商品销售预测系统的应用场景示意图。如图1所示，基于深度学习的零售商品销售预测系统的应用场景可以包括服务器110、处理器120、存储设备130、用户终端140、网络150、待测区域160的待测历史情况160
‑
1和/或参考区域170的参考历史情况170
‑
1、等。
[0023]零售商品销售预测系统可以用于销售服务平台。在一些实施例中，该系统包含零售商品的销售服务平台。例如，电商平台、自动贩卖机等。零售商品销售预测系统可以通过本说明书中披露的零售商品销售预测系统来进行零售商品销量的预测。
[0024]服务器110可以通过网络150与处理器120、存储设备130、用户终端140通信以提供零售商品销量预测的各种功能，存储设备130可以存储零售商品销售过程的所有信息，例
如，销售地域的特征、营销策略特征、商品特征等。在一些实施例中，用户终端140可以发送商品信息及待预测地域的信息给服务器110，并接收服务器110发出的有关该商品在待预测地域销量的反馈信息。服务器110可以获取与零售商品销量相关的信息，进行处理并将销量提示信息发送给用户终端140。以上各设备之间的信息传递关系仅作为示例，本申请并不局限于此。
[0025]服务器110可以用于管理历史销售数据以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)，可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。
[0026]处理器120是指具有计算能力的设备或系统。服务器120可以包括处理设备，以基于获取的待测历史情况160
‑
1和参考历史情况170
‑
1对待测区域的一种或多种商品销售量180进行预测。在一些实施例中，处理器120可以预测多个时间段的商品销售量。例如，预测未来1天、未来多月和/或未来多年的商品销售量。...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的零售商品销售预测方法，包括：获取待预测区域在至少一个时间段的发展状态向量序列；基于所述至少一个时间段的发展状态向量序列，获取所述待预测区域的区域特征序列；通过销售量预测模型对所述待预测区域的所述区域特征序列进行处理，预测所述待预测区域的商品销售量。2.如权利要求1所述的零售商品销售预测方法，所述获取待预测区域至少一个时间段的发展状态向量序列包括：通过第一发展状态模型对所述待预测区域在所述至少一个时间段的基础发展特征进行处理，确定所述至少一个时间段的发展状态向量序列。3.如权利要求2所述的零售商品销售预测方法，获取所述第一发展状态模型，包括：基于训练数据对初始第一发展状态模型、初始第二发展状态模型和初始相似度模型进行联合训练，得到所述第一发展状态模型、第二发展状态模型和相似度模型；其中，所述第二发展状态模型和所述第一发展状态模型共享参数。4.如权利要求1所述的零售商品销售预测方法，所述区域特征序列中的元素包括至少一个时间段内的销量、以及所述至少一个时间段内所述销量的相关特征，以及所述至少一个时间段的发展状态向量序列；所述区域特征序列还包括所述待预测区域在所述至少一个时间段的市场特征，所述市场特征包括营销策略、商品特征、市场其他参与者特征中的至少一种。5.一种基于深度学习的零售商品销售预测系统，包括：获取模块，用于获取待预测区域在至少一个时间段的发展状态向量序列；处理模块，用于基于所述至少一个时间段的发展状态向量序...

【专利技术属性】
技术研发人员：贾信明，林昱洲，杨宏，
申请(专利权)人：华院分析技术上海有限公司，
类型：发明
国别省市：