一种基于深度学习的猪肉专卖网点销售量的预测方法技术

一种基于深度学习的猪肉专卖网点销售量的预测方法，涉及销售量预测领域，主要包括收集客流量数据，通过客流量装置收集网点客流量数据，将单位时段的客流量数据进行保存；收集时间节日、气候数据，将与客流量数据相对应的时间节日、气候数据进行收集；数据清洗和预处理；销售量预测模型训练和生成；通过客流量预测模型预测单位时间内的客流量数据；预测出单位时间内的猪肉销售量；其有益效果为本发明专利技术通过先训练出客流量预测模型，再根据客流量预测模型预测的客流量数据，可以精准的把握客流量在猪肉专卖网点出现的规律，避免了传统的直接采用线性回归或二次函数回归中没有加入时间、节日和气候特征因素的问题，客流量预测更为精准。准。准。

【技术实现步骤摘要】
一种基于深度学习的猪肉专卖网点销售量的预测方法


[0001]本专利技术涉及销售量预测领域，具体为一种基于深度学习的猪肉专卖网点销售量的预测方法。

技术介绍

[0002]随着我国经济的发展和居民生活水平的提高，人们对于猪肉的需求量也越来越大。在这种情况下，一些城市出现了猪肉的直营专卖网点，这些网点销售的猪肉一方面进行了品牌宣传，保证货源质量的可靠性，另一方面，这些网点还扩展了和升级了之前的猪肉销售摊位的销售模式。
[0003]从市场角度来看，猪肉专卖网点的出现可以有效提高消费者对于猪肉品质的信任度，从而增加销售额。与此同时，猪肉专卖网点还可以提供更为优质的服务，吸引更多的消费者前来购买。
[0004]猪肉专卖网点的出现在一定程度上推动了猪肉市场的发展，但是也存在一些问题需要解决。目前，我们可以借助现代科技手段来解决这些问题，例如利用大数据和物联网技术来保证货源的稳定性和质量，加强管理和服务水平，以及建立销售量预测模型等。
[0005]然而，猪肉专卖网点的发展也存在一定的问题。如何既能满足消费者的需求，保证货源的充足，又尽量减少存货量过剩是一个需要解决的问题。如何预测猪肉销售量也是一个需要解决的问题。通过深度学习等技术手段，可以建立起销售量预测模型，准确预测猪肉专卖网点的销售量，使得猪肉专卖网点可以根据未来销售情况进行合理的生产和供应安排，从而更好地满足市场需求。
[0006]部分猪肉专卖网点开始收集部分大数据，对客流量进行分析，但如果数据采集不准确或统计方法不可靠，就会导致结果的偏差，从而影响预测猪肉销售量偏差较大的情况，并且，如何充分合理的利用客流量数据，合理配送猪肉也是迫在眉睫待解决的问题。

技术实现思路

[0007]本申请的目的在于提供一种基于深度学习的猪肉专卖网点销售量的预测方法，其主要解决的问题为能够获取较为准确，与真实值误差小的客流量数据，采用客流量预测模型来预测客流量，避免传统回归模型没有将时间节日、气候等因素进行综合考虑的问题。
[0008]为了达到上述目的，本专利技术采用以下技术方案：
[0009]一种基于深度学习的猪肉专卖网点销售量的预测方法，其特征在地，具体的步骤如下：
[0010]S11,收集客流量数据，通过客流量装置收集网点客流量数据，将单位时段的客流量数据进行保存；
[0011]S12,收集时间节日、气候数据，将与客流量数据相对应的时间节日、气候数据进行收集；
[0012]S13,数据清洗和预处理，对步骤S11步骤S12中收集的数据进行清洗，对异常值或
缺失值采用删除法，所收集的数据中涉及到数值型数据则采用Z
‑
score标准化法对其进行标准化处理，所收集的数据涉及到类型数据则采用嵌入层法进行数据预处理，通过嵌入层法可以将其转换为实数向量，从而使得模型能够更好地处理这些数据，将离散数据进行充分表达，通过离散数据之间的余弦值反应各离散数据之间的关联度；
[0013]S14：销售量预测模型训练和生成，将步骤S13处理好的数据，输入到LSTM模型进行训练生成销售量预测模型，将单位时间内的客流量数据、时间节日特征数据和气候数据作为特征模型特征数据，以单位时间内的猪肉销售量作为目标数据，采用多层LSTM模型对进行训练，LSTM模型经过多次迭代后，当损失误差值趋于平稳时结束训练；将训练完成的销售量预测模型进行保存，用于单位时间内的猪肉销售量的预测；
[0014]S15：通过客流量预测模型预测单位时间内的客流量数据；
[0015]S16：将步骤S12中关于时间节日、气候数据和步骤S15预测得到的客流量数据，经过与步骤S13的数据清洗和预处理后，输入到步骤S14的销售量预测模型中，预测出单位时间内的猪肉销售量。
[0016]进一步，所述的步骤S15中的客流量预测模型的训练步骤如下：
[0017]S21，数据收集，通过网点客流量监测装置收集单位时间内的客流量、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；
[0018]S22，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S15中的预处理方法相同。
[0019]S23，客流量预测模型训练，将步骤S22处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将单位时间内的时间节日数据和气候数据作为特征LSTM模型特征数据，以猪肉专卖点的客流量数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；
[0020]S24，生成客流量预测模型，将步骤S23中训练生成的客流量预测模型进行保存。
[0021]进一步，所述的客流量数据通过客流量监控装置收集数据，所述的客流量监控装置主要包括支脚(1)、连接环(2)、连接杆(3)、客流量计(4)、伸缩杆(5)和反射板(6)，所述的客流量计(4)分为底部客流量计(41)和顶部客流量计(42)，所述的支脚(1)通过固定螺栓(7)与连接环(2)固定在一起，所述的连接杆(3)插入到连接环(2)内，所述连接杆(3)的顶端安装在底部客流量计(41)的底部上，所述的底部客流量计(41)的顶端连接有伸缩杆(5)，伸缩杆(5)由多节连杆组成，可以自由伸缩，所述的伸缩杆(5)的顶端设有用于衔接伸缩杆(5)与顶部客流量计(42)的连接头(9)，所述的连接头(9)的顶部固定有顶部客流量计(42)。
[0022]进一步，所述的顶部客流量计(42)距地高度为120
‑
130cm，所述的底部客流量计(41)的离地高度为80
‑
100cm，所述的客流量数据获取的公式为：
[0023][0024]其中K为实际客流量数据，采用Round函数对计算结果进行四舍五入取整，K
高
为顶部客流量计(42)的客流量读数，K
低
为底部客流量计(41)的客流量读数。
[0025]进一步，所述的支脚(1)主要包括支脚主体(1
‑
1)，在支脚主体(1
‑
1)的上部设有连接槽(1
‑
2)用于与连接环(2)进行安装，在连接槽(1
‑
2)的外侧设有连接孔(1
‑
3)，所述的连接环(2)主要包括环主体(2
‑
1)，在环主体(2
‑
1)的中心部设有供连接杆(3)安装的环体中孔
(2
‑
3)，在环主体(2
‑
1)的外周设有多个伸出部(2
‑
2)，在伸出部(2
‑
2)上设有与连接孔(1
‑
3)相适应的环体连接孔(2
‑
4)，所述的环主体(2
‑
1)上还设有用于调节和控制连接杆(3)松紧的松紧孔(2
‑
5)，所述的支脚(1)和连接环(2)通过连接孔(1
‑
3)和环体连接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的猪肉专卖网点销售量的预测方法，其特征在地，具体的步骤如下：S11,收集客流量数据，通过客流量装置收集网点客流量数据，将网点的销售量数据和单位时间内的客流量数据进行保存；S12,收集时间节日、气候数据，将与客流量数据相对应的时间节日、气候数据进行收集；S13,数据清洗和预处理，对步骤S11步骤S12中收集的数据进行清洗，对异常值或缺失值采用删除法，所收集的数据中涉及到数值型数据则采用Z
‑
score标准化法对其进行标准化处理，所收集的数据涉及到类型数据则采用嵌入层法进行数据预处理，通过嵌入层法可以将其转换为实数向量，从而使得模型能够更好地处理这些数据，将离散数据进行充分表达，通过离散数据之间的余弦值反应各离散数据之间的关联度；S14：销售量预测模型训练和生成，将步骤S13处理好的数据，输入到LSTM模型进行训练生成销售量预测模型，将单位时间内的客流量数据、时间节日特征数据和气候数据作为特征模型特征数据，以单位时间内的猪肉销售量作为目标数据，采用多层LSTM模型对进行训练，LSTM模型经过多次迭代后，当损失误差值趋于平稳时结束训练；将训练完成的销售量预测模型进行保存，用于单位时间内的猪肉销售量的预测；S15：通过客流量预测模型预测单位时间内的客流量数据；S16：将步骤S12中关于时间节日、气候数据和步骤S15预测得到的客流量数据，经过与步骤S13的数据清洗和预处理后，输入到步骤S14的销售量预测模型中，预测出单位时间内的猪肉销售量。2.根据权利要求1所述的一种基于深度学习的猪肉专卖网点销售量的预测方法，其特征在于：所述的步骤S15中的客流量预测模型的训练步骤如下：S21，数据收集，通过网点客流量监测装置收集单位时间内的客流量、以及对时间节日特征数据和气候数据进行收集，并存入到数据库中；S22，数据清洗和数据预处理，对重复、缺失、异常值采用直接删除法对数据进行清洗，数据预处理方法与步骤S15中的预处理方法相同，即数值型数据则采用Z
‑
score标准化法对其进行标准化处理，所收集的数据涉及到类型数据则采用嵌入层法进行数据预处理。S23，客流量预测模型训练，将步骤S22处理后的数据输入到LSTM模型进行训练获得客流量预测模型，将单位时间内的时间节日数据和气候数据作为特征LSTM模型特征数据，以猪肉专卖点的客流量数据作为目标数据，采用多层LSTM模型对进行训练，经过多次迭代后当损失误差值趋于平稳时结束训练；S24，生成客流量预测模型，将步骤S23中训练生成的客流量预测模型进行保存。3.根据权利要求2所述的一种基于深度学习的猪肉专卖网点销售量的预测方法，其特征在于：所述的客流量数据通过客流量监控装置收集数据，所述的客流量监控装置主要包括支脚(1)、连接环(2)、连接杆(3)、客流量计(4)、伸缩杆(5)和反射板(6)，所述的客流量计(4)分为底部客流量计(41)和顶部客流量计(42)，所述的支脚(1)通过固定螺栓(7)与连接环(2)固定在一起，所述的连接杆(3)插入到连接环(2)内，所述连接杆(3)的顶端安装在底部客流量计(41)的底部上，所述的底部客流量计(41)的顶端连接有伸缩杆(5)，伸缩杆(5)由多节连杆组成，可以自由伸缩，所述的伸缩杆(5)的顶端设有用于衔接伸缩杆(5)与顶部
客流量计(42)的连接头(9)，所述的连接头(9)的顶部固定有顶部客流量计(42)。4.根据权利要求3所述的一种基于深度学习的猪肉专卖网点销售量的预测方法，其特征在于：所述的顶部客流量计(42)距地高度为120
‑
130cm，所述的底部客流量计(41)的离地高度为80
‑
100cm，所述的客流量数据获取的公式为：其中K为实际客流量数据，采用Round函数对计算结果进行四舍五入取整，K
高

【专利技术属性】
技术研发人员：刘年丰，
申请(专利权)人：青岛中沃兴牧食品科技有限公司，
类型：发明
国别省市：