一种利用多模大数据的跨境电商产品需求预测方法技术

本发明专利技术涉及一种利用多模大数据的跨境电商产品需求预测方法，包括：采用局部空间注意力机制来自适应地捕捉目标时间序列和该产品的本地特征之间的动态相关性；设计全局注意力机制来捕捉不同产品销量之间的动态相关性；设计时间注意机制自适应地选择编码器的相关隐藏状态来生成输出序列；外部因素融合到预测模型中以增强预测精度；构建循环神经网络来预测目标产品未来销量。本发明专利技术的有益效果是：本发明专利技术利用多模大数据的跨境电商产品需求预测可以提供实时精确的产品需求预测，有助于分析各个商品的销售趋势，帮助企业优化供应链和库存管理，合理规划生产和销售计划，避免过度生产和库存积压，从而减少资金占用和成本损失。从而减少资金占用和成本损失。从而减少资金占用和成本损失。

【技术实现步骤摘要】
一种利用多模大数据的跨境电商产品需求预测方法


[0001]本专利技术涉及跨境电商产品需求预测领域，更确切地说，它涉及一种利用多模大数据的跨境电商产品需求预测方法。

技术介绍

[0002]跨境电商行业的兴起为全球贸易带来了前所未有的机遇和挑战。在这个竞争激烈的市场中，准确预测产品销量对于企业的成功至关重要。产品销量预测能够为企业提供重要的决策支持，帮助其优化供应链管理、合理规划库存、有效分配资源，从而最大程度地提高销售业绩和利润。现有的产品销量预测技术如基于统计学模型和时间序列分析等，对于考虑多模数据、跨地域和跨文化因素的跨境电商产品销量预测存在局限性。比如，由于跨境电商涉及不同国家和地区的市场，消费者行为和偏好可能存在差异，而现有技术难以捕捉和分析这些多样化的数据。

技术实现思路

[0003]本专利技术的目的是针对现有技术的不足，提出了一种利用多模大数据的跨境电商产品需求预测方法。
[0004]第一方面，提供了一种利用多模大数据的跨境电商产品需求预测方法，包括：
[0005]S1、对于待预测产品，采用局部空间注意力机制来自适应地捕捉目标时间序列和该产品的本地特征之间的动态相关性；
[0006]S2、设计全局注意力机制来捕捉不同产品销量之间的动态相关性；
[0007]S3、设计时间注意机制自适应地选择编码器的相关隐藏状态来生成输出序列，发掘目标系列中不同时间间隔之间的动态时间相关性；
[0008]S4、外部因素融合到预测模型中以增强预测精度；
[0009]S5、构建包括空间注意力机制和时间注意力机制的循环神经网络来预测目标产品未来销量。
[0010]作为优选，S1包括：
[0011]S101、对于第i个产品的第k个本地特征向量x
i,k
，计算得分公式如下：
[0012][0013]其中，v
l
，b
l
，W
l
和U
l
是可学习的模型参数，它们的维度分别为和T代表预测模型中的时间步数或时间序列的长度；m用于表示局部特征向量的数量或维度；[
·
；
·
]表示拼接操作，h
t
‑1和s
t
‑1是编码器中的历史状态，tanh是双曲正切函数；v
lT
表示向量v
l
的转置；
[0014]S102、根据得分计算归一化的注意力权重计算公式如下：
[0015][0016]其中，N
l
表示本地特征的数量，exp表示指数函数；
[0017]S103、根据S102得到的注意力权重计算在时间步t的本地空间注意力输出向量公式如下：
[0018][0019]其中，是在时间步t时第u个产品的第k个本地特征，表示每个本地特征的重要性，该向量是由所有本地特征在时间步t的注意力加权和所构成的。
[0020]作为优选，S2包括：
[0021]S201、给定第i个产品的销量作为预测目标和另一个产品l，计算它们之间的注意权重如下：
[0022][0023]其中，和是需要学习的参数；
[0024]S202、计算产品内容相似性，并用内容空间相似性矩阵衡量产品之间的相似性；产品空间相似性的计算公式如下：
[0025][0026]其中，为产品空间相似性；λ是可调的超参数，用于平衡权衡；P
i，j
为产品i和j之间的内容相似性；N
g
代表产品空间中产品的数量；
[0027]S203、利用注意权重和内容相似性，计算全局空间注意力的输出向量，公式如下：
[0028][0029]其中，表示在时间步t时，针对产品空间中第N
g
个产品的特征向量。
[0030]作为优选，S3包括：
[0031]S301、获取编码器的隐藏状态，每个隐藏状态代表特定时间步的信息；
[0032]S302、通过对编码器的隐藏状态、细胞状态以及输出向量进行线性变换和非线性变换，计算得到在输出时间步t
′
上，对于编码器的每个隐藏状态的注意力分数的计算公式如下：
[0033][0034]其中，表示在输出时间步t
′
上，对于编码器的第o个隐藏状态的注意力分数；v
d
是可学习的参数向量；W
′
d
表示可学习的参数矩阵，维度为m
×
2n；d
′
t
‑1表示时间步t
′‑
1上的编码器隐藏状态；s
′
t
′‑1表示时间步t
′‑
1上的编码器细胞状态；W
d
是可学习的参数矩阵，维度
为m
×
m；h
o
表示编码器的输出向量；b
d
是可学习的偏置向量；
[0035]S303、对注意力分数进行归一化，得到编码器的每个隐藏状态的注意力权重计算公式如下：
[0036][0037]其中，T是编码器的隐藏状态的总数；
[0038]S304、通过对编码器的每个隐藏状态向量ho按照对应的注意力权重γt
′
o
进行加权求和，得到在输出时间步t
′
上的编码器注意力向量c
t
′
，计算公式如下：
[0039][0040]编码器注意力向量c
t
′
表示在生成输出序列的过程中，编码器隐藏状态的重要性分布。
[0041]作为优选，S4包括：
[0042]S401、将时间因素、宏观因素和指定目标产品的ID引入预测模型；并将每个因素单独通过不同的嵌入层输入进行独热编码，转换为低维向量；
[0043]S402、将空间因素与步骤S402获取的嵌入向量进行连接，作为该外部因素融合模块的输出向量，表示为其中t
′
是解码器中的未来时间步。
[0044]作为优选，S5包括：
[0045]S501、通过S1的局部空间注意力和S2的全局空间注意力对原始输入数据进行简要聚合，表示为：
[0046][0047]其中，表示编码器的新输入数据；
[0048]S502、将聚合向量作为新的输入，使用LSTM单元更新时间步t的隐藏状态，表示为
[0049]S503、在解码器中，一旦得到S304计算的未来时间步t
′
注意力向量ct
′
，将其与S4的输出向量ext
′
和解码器的最后输出结合，更新解码器的隐藏状态，表示为：
[0050][0051]其中，f
d
是解码器中使用的LSTM单元；
[0052]S504、将步骤S304计算的注意力向量ct
′
与步骤S503计算的隐藏状态dt
′
...

【技术保护点】

【技术特征摘要】
1.一种利用多模大数据的跨境电商产品需求预测方法，其特征在于，包括：S1、对于待预测产品，采用局部空间注意力机制来自适应地捕捉目标时间序列和该产品的本地特征之间的动态相关性；S2、设计全局注意力机制来捕捉不同产品销量之间的动态相关性；S3、设计时间注意机制自适应地选择编码器的相关隐藏状态来生成输出序列，发掘目标系列中不同时间间隔之间的动态时间相关性；S4、外部因素融合到预测模型中以增强预测精度；S5、构建包括空间注意力机制和时间注意力机制的循环神经网络来预测目标产品未来销量。2.根据权利要求1所述的利用多模大数据的跨境电商产品需求预测方法，其特征在于，S1包括：S101、对于第i个产品的第k个本地特征向量x
i,k
，计算得分公式如下：其中，v
l
，b
l
，W
l
和U
l
是可学习的模型参数，它们的维度分别为和T代表预测模型中的时间步数或时间序列的长度；m用于表示局部特征向量的数量或维度；[
·
；
·
]表示拼接操作，h
t
‑1和s
t
‑1是编码器中的历史状态，tanh是双曲正切函数；表示向量v
l
的转置；S102、根据得分计算归一化的注意力权重计算公式如下：其中，N
l
表示本地特征的数量，exp表示指数函数；S103、根据S102得到的注意力权重计算在时间步t的本地空间注意力输出向量公式如下：其中，是在时间步t时第i个产品的第k个本地特征，表示每个本地特征的重要性，该向量是由所有本地特征在时间步t的注意力加权和所构成的。3.根据权利要求2所述的利用多模大数据的跨境电商产品需求预测方法，其特征在于，S2包括：S201、给定第i个产品的销量作为预测目标和另一个产品l，计算它们之间的注意权重如下：其中，和是需要学习的参数；S202、计算产品内容相似性，并用内容空间相似性矩阵衡量产品之间的相似性；产品空间相似性的计算公式如下：
其中，为产品空间相似性；λ是可调的超参数，用于平衡权衡；P
i，j
为产品i和j之间的内容相似性；N
g
代表产品空间中产品的数量；S203、利用注意权重和内容相似性，计算全局空间注意力的输出向量，公式如下：其中，表示在时间步t时，针对产品空间中第N
g
个产品的特征向量。4.根据权利要求3所述的利用多模大数据的跨境电商产品需求预测方法，其特征在于，S3包括：S301、获取编码器的隐藏状态，每个隐藏状态代表特定时间步的信息；S302、通过对编码器的隐藏状态、细胞状态以及输出向量进行线性变换和非线性变换，计算得到在输出时间步t
′
上，对于编码器的每个隐藏状态的注意力分数的计算公式如下：其中，表示在输出时间步t
′
上，对于编码器的第o个隐藏状态的注意力分数；v
d
是可学习的参数向量；W
′
d
表示可学习的参数矩阵，维度为m
×
2n；d
t
′‑1表示时间步t
′‑
1上的编码器隐藏状态；s
′
t
′‑1表示时间步t
′‑
1上的编码器细胞状态；W
d
是可学习的参数矩阵，维度为m
×
m；h

【专利技术属性】
技术研发人员：卢吾，陈垣毅，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：