【技术实现步骤摘要】
一种电子商务网站商品季节性预测模型创建方法
[0001]本申请实施例涉及预测模型领域，尤其涉及一种电子商务网站商品季节性预测模型创建方法。
技术介绍
[0002]随着经济的不断发展，各种各样的商品层出不穷，商品的畅销程度取决于方方面面，更取决于对市场未来走势的先期判断，尤其是对于季节性的判断尤为重要。
[0003]现有的商品可以分为在已有商品上变化的新商品、在已有商品上进行改进的新商品以及全新商品。全新商品是以往的市场中未出现过的，故无法预测其季节畅销进行预测与判断。而已有商品上变化的新商品、在已有商品上进行改进的新商品与原商品存在较高的相似性，可以选择与原有商品的历史数据进行预测。对于服装商品来说，现有的服装商品种类丰富，各大商家只能设计款式，但是很难完全革新某一类服装商品。例如：原有商品为某一款式的外套，其颜色为单一的白色，商家推出的新款式为黑白斑马条纹，通过变化了图案创作出新的商品，并且商家有退出一款外套，在袖口加上了一个新的结构，即对原有商品进行了更新创作出了新的产品，这类商品相对于原商品的相似度较高，可以参...
【技术保护点】
【技术特征摘要】
1.一种电子商务网站商品季节性预测模型创建方法，其特征在于，包括：获取训练样本集合，所述训练样本集合中包含至少两张融合了商品季节标签和分类标签的商品图像，所述训练样本集合中的训练样本都设置有对应的目标预测值；构建初始神经网络预测模型，所述初始神经网络预测模型包括商品季节性判别层和softmax函数层，所述商品季节性判别层包括特征提取层、N个标签残差层、特征融合层；从所述训练样本集合中选取训练样本输入所述初始神经网络预测模型中；通过所述商品季节性判别层提取所述训练样本的标签特征和商品特征；将所述标签特征和所述商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差；将所述目标残差输入softmax函数层进行分析得到季节判别概率数据，所述季节判别概率数据包含至少四个季度的季节判别概率值；根据所述季节判别概率数据、目标预测值和所述初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，所述损失值变化数据为每一次训练生成的损失值的统计数据；判断所述损失值变化数据在预设区间内的损失值是否收敛于0；若所述损失值变化数据在预设区间内的损失值收敛于0，则确定所述初始神经网络预测模型为目标商品季节性预测模型。2.根据权利要求1所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述获取训练样本集合，包括：获取训练样本生成器和商品图像集合，所述商品图像集合包含至少两张不同商品的图像；获取所述商品图像集合对应商品的历史销售数据和商品分类类型数据；根据所述历史销售数据生成商品季节标签；根据所述商品分类类型数据为所述商品分类类型标签生成N个经过N级分类的类型标签，N为大于2的整数；将所述商品图像集合和其对应的所述商品季节标签和N个经过N级分类的类型标签输入所述训练样本生成器，生成训练样本集合，所述训练样本集合中的训练样本融入了对应的商品季节标签和类型标签，所述训练样本集合中的训练样本都设置有对应的目标预测值。3.根据权利要求2所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述将所述商品图像集合和其对应的所述商品季节标签和N个经过N级分类的类型标签输入所述训练样本生成器，生成训练样本集合，包括：对所述商品图像集合进行卷积操作，生成采样特征集合；对所述商品季节标签和N个经过N级分类的类型标签进行卷积操作，生成季节标签特征和类型特征标签；根据所述训练样本生成器的权值将所述采样特征集合、所述季节标签特征和所述类型特征标签进行通道融合，并通过输出模块Conv_out进行还原输出，生成训练样本集合。4.根据权利要求1至3所述的电子商务网站商品季节性预测模型创建方法，其特征在于，所述将所述标签特征和所述商品特征依次输入N个标签残差层和特征融合层中进行残
差提取，生成目标残差，包括：将所述标签特征和商品特征输入第一标签残差层进行残差计算，生成所述训练样本的第一残差；将第一残差和N个经过N级分类的类型标签中第一个类别标签进行通道叠加，生成第一融合特征；将所述第一融合特征输入第一标...
【专利技术属性】
技术研发人员：钟通，
申请(专利权)人：深圳市宝视佳科技有限公司，
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。