本申请提供了一种基于聚类的店铺销售占比的确定方法及装置，该基于聚类的店铺销售占比的确定方法包括：获取多个目标店铺在第一历史时间段内的多个历史销售占比；基于多个历史销售占比对多个目标店铺进行聚类，得到多个店铺群；将各个目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；基于各个目标店铺在第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；将待预测店铺在第二历史时间段内的店铺特征数据输入店铺分类模型，得到待预测店铺的店铺类型；将店铺类型与待预测店铺相同的多个目标店铺的预测销售占比的平均值确为待预测店铺的预测销售占比。本申请能够提高店铺销售占比的确定准确率。比的确定准确率。比的确定准确率。
【技术实现步骤摘要】
一种基于聚类的店铺销售占比的确定方法及装置
[0001]本申请涉及大数据
，具体涉及一种基于聚类的店铺销售占比的确定方法及装置。
技术介绍
[0002]在科学技术与理论日益完善的情况下，科技加某个行业也成为了社会上的发展趋势。大数据作为改变世界的新型科技力量，正在迅速融入各行各业。随着企业规模的扩张导致的数据量与日俱增，人工统计计算数据需要花费巨大的时间和人力，已经逐渐无法满足日常需求，进而会造成决策失误等一系列严重后果。服装行业作为最难“攻克”的传统行业之一，如何用科技的手段去自动预测销售目标制定计划从而提高工作效率成了一大难题。
[0003]现有技术中，常用的销售调价方法主要是根据历史数据人工进行的主观的推测法，时间数列分析法和相关分析法，但人手进行销售调价的方法显得繁杂且低效，且人手无法及时排查异常数据，导致最终结果的准确性较低。
[0004]现有技术中，店铺销售占比的确定方法不准确。
技术实现思路
[0005]本申请旨在提供一种基于聚类的店铺销售占比的确定方法及装置，旨在解决现有技术中基于聚类的店铺销售占比的确定方法不准确的问题。
[0006]一方面，本申请提供一种基于聚类的店铺销售占比的确定方法，所述基于聚类的店铺销售占比的确定方法包括：
[0007]获取多个目标店铺在第一历史时间段内的多个历史销售占比；
[0008]基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；
[0009]将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；
[0010]基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；
[0011]获取待预测店铺在第二历史时间段内的店铺特征数据；
[0012]将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；
[0013]将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。
[0014]可选地，所述基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型，包括：
[0015]获取各个所述目标店铺的店铺特征数据；
[0016]判断各个所述目标店铺的店铺特征数据的时间长度是否超过第一历史时间段；
[0017]基于时间长度超过第一历史时间段的各个目标店铺的店铺特征数据和对应的店铺类别训练预设分类模型，得到所述店铺分类模型。
[0018]可选地，所述基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群，包括：
[0019]利用K
‑
Means聚类算法基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群。
[0020]可选地，所述第一历史时间段的时间长度不小于一年，所述第二历史时间段的时间长度不大于三个月。
[0021]可选地，所述预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。
[0022]可选地，所述dropout层的rate参数为0.1，所述第一LReLU层和所述第二LReLU层的alpha参数为0.01。
[0023]可选地，所述将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比，包括：
[0024]将店铺类型与所述待预测店铺相同的多个目标店铺的店铺特征数据输入预先训练的店铺目标占比预测模型，得到店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比；
[0025]将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。
[0026]一方面，本申请提供一种基于聚类的店铺销售占比的确定装置，所述基于聚类的店铺销售占比的确定装置包括：
[0027]第一获取单元，用于获取多个目标店铺在第一历史时间段内的多个历史销售占比；
[0028]聚类单元，用于基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；
[0029]第一确定单元，用于将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；
[0030]训练单元，用于基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；
[0031]第二获取单元，用于获取待预测店铺在第二历史时间段内的店铺特征数据；
[0032]分类单元，用于将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；
[0033]第二确定单元，用于将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。
[0034]可选地，所述基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型，包括：
[0035]获取各个所述目标店铺的店铺特征数据；
[0036]判断各个所述目标店铺的店铺特征数据的时间长度是否超过第一历史时间段；
[0037]基于时间长度超过第一历史时间段的各个目标店铺的店铺特征数据和对应的店铺类别训练预设分类模型，得到所述店铺分类模型。
[0038]可选地，所述基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多
个店铺群，包括：
[0039]利用K
‑
Means聚类算法基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群。
[0040]可选地，所述第一历史时间段的时间长度不小于一年，所述第二历史时间段的时间长度不大于三个月。
[0041]可选地，所述预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。
[0042]可选地，所述dropout层的rate参数为0.1，所述第一LReLU层和所述第二LReLU层的alpha参数为0.01。
[0043]可选地，所述将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比，包括：
[0044]将店铺类型与所述待预测店铺相同的多个目标店铺的店铺特征数据输入预先训练的店铺目标占比预测模型，得到店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比；
[0045]将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。
[0046]一方面，本申请还提供一种电子设备，所述电子设备包括：
[0047]一个或多个处理器；
[0048本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于聚类的店铺销售占比的确定方法，其特征在于，所述基于聚类的店铺销售占比的确定方法包括：获取多个目标店铺在第一历史时间段内的多个历史销售占比；基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群；将各个所述目标店铺所属的店铺群的类别确定为各个目标店铺的店铺类别；基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型；获取待预测店铺在第二历史时间段内的店铺特征数据；将待预测店铺在第二历史时间段内的店铺特征数据输入所述店铺分类模型，得到所述待预测店铺的店铺类型；将店铺类型与所述待预测店铺相同的多个目标店铺的预测销售占比的平均值确为所述待预测店铺的预测销售占比。2.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述基于各个所述目标店铺在所述第一历史时间段内的店铺特征数据和对应的店铺类别训练预设分类模型，得到店铺分类模型，包括：获取各个所述目标店铺的店铺特征数据；判断各个所述目标店铺的店铺特征数据的时间长度是否超过第一历史时间段；基于时间长度超过第一历史时间段的各个目标店铺的店铺特征数据和对应的店铺类别训练预设分类模型，得到所述店铺分类模型。3.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群，包括：利用K
‑
Means聚类算法基于所述多个历史销售占比对所述多个目标店铺进行聚类，得到多个店铺群。4.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述第一历史时间段的时间长度不小于一年，所述第二历史时间段的时间长度不大于三个月。5.根据权利要求1所述的基于聚类的店铺销售占比的确定方法，其特征在于，所述预设分类模型包括依次设置的第一Dense层、dropout层、第一LReLU层、第二Dense层、第二LReLU层以及第三Dense层。6.根据权利要求5所述的基于聚类的店铺销售占比的确定方法，其特征...
【专利技术属性】
技术研发人员：韩永健，秦华东，
申请(专利权)人：广州飞狮数字科技有限公司，
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。