一种基于因子分解的营业额预测方法技术

本发明专利技术涉及营业额预测技术领域，尤其涉及一种基于因子分解的营业额预测方法，首先将未来单月的营业额进行拆解；然后建立模型结构V1，进行基础收益叠加季节性收益部分的预测；再接着建立模型结构V2，进行影响力收益的预测；最后引入业务先验的基模型，将基础收益和影响力收益两个特征因子进行放大，虚弱维度灾难带来的影响。本发明专利技术通过将商家营业额进行“分解”，既能够较好的预测商家未来一段时间的营业额，又能够保留一定的可解释性。又能够保留一定的可解释性。又能够保留一定的可解释性。

【技术实现步骤摘要】
一种基于因子分解的营业额预测方法


[0001]本专利技术涉及营业额预测
，尤其涉及一种基于因子分解的营业额预测方法。

技术介绍

[0002]当前商家营业额的预估主要分为两种：
[0003]1)专家经验。根据商家的历史营业额、研究员对行业的理解以及一些宏观经济数据进行商家的营业额预估。
[0004]2)将商家营业额预估转化为人工智能中的一个回归模型，利用单模型直接预估商家未来一段时间的营业额。
[0005]现有技术方案主要存在以下问题：
[0006]1.过于依赖人工经验，特别是当没有商家的历史营业额作为依据时，人工预估出的商家营业额往往是失真的。
[0007]2.单模型预估商家营业额既不能保留模型的可解释性，模型的鲁棒性也不能得到保证，特别是当样本量不足时，模型的结果往往由几个主要的因子决定，当这些因子失真时，整个模型的结果会跟着失真。比如：当商家提供虚假的历史营业额时，整个模型的结果往往也是失真的。

技术实现思路

[0008]本专利技术提供了一种基于因子分解的营业额预测方法，通过将商家营业额进行“分解”，既能够较好的预测商家未来一段时间的营业额，又能够保留一定的可解释性。
[0009]为了实现本专利技术的目的，所采用的技术方案是：一种基于因子分解的营业额预测方法，包括如下步骤：
[0010]S1、将未来单月的营业额拆解为基础收益、季节性收益和影响力收益；
[0011]S2、建立模型结构V1，进行基础收益叠加季节性收益部分的预测；r/>[0012]S3、建立模型结构V2，进行影响力收益的预测；
[0013]S4、引入业务先验的基模型，将基础收益和影响力收益两个特征因子进行放大，虚弱维度灾难带来的影响。
[0014]3、作为本专利技术的优化方案，在步骤S1中，单月营业额为：
[0015]Y＝Y
base
+Y
wave
+β
×
Y
owner
[0016]式中：Y为未来单月的营业额，Y
base
为基础收益，Y
wave
为季节性收益，Y
owner
为影响力收益，β为影响力变化因子；
[0017][0018]式中：N为β的快速增长期结束时间；N2为β到达最大值的时间；γ1为超参，用于调
节N前β的增长速度；γ2为超参，用于调节N到N2阶段β的增长速度；γ3为超参，用于调节N2后β的衰减速度；time表示门店开业距今时长；base为β快速增长期达到的最大值；base为β的最大值。
[0019]作为本专利技术的优化方案，影响力收益包含四个阶段，分别为影响力快速提升阶段、影响力增长缓慢阶段、影响力趋于稳定阶段和影响力衰退阶段。
[0020]作为本专利技术的优化方案，在模型结构V1中，引入辅助loss函数来捕获季节性波动，辅助loss函数为预测结果与实际结果的差距或误差，
[0021]loss＝Mse(Y
–
Y
predict
)+α
×
Mse(Y
bodong
–
Y
predict
‑
wave
)
[0022]式中：Y为未来单月的营业额，Y
predict
为预测的最终受益，Y
bodong
为月间的波动值，Y
predict
‑
wave
为预测的季节性波动值，α为辅助loss函数的权重。
[0023]作为本专利技术的优化方案，在模型结构V2中，预测的影响力目标值为：
[0024]Y
owner
‑
target
＝Y
–
Y
model
‑
v1
[0025]式中：Y
owner
‑
target
为模型结构V2需预测的影响力目标值，Y
model
‑
v1
为模型结构V1预测的结果。
[0026]作为本专利技术的优化方案，在步骤S4中，
[0027]S4
‑
1、基模型利用XGBoost对非业务先验特征因子进行表达层提取；
[0028]S4
‑
2、将业务先验因子作为偏离率bias加入模型的最上层；
[0029]S4
‑
3、最后用线性回归进行结果拟合。
[0030]本专利技术具有积极的效果：1)本专利技术保留模型的可解释性，在计算影响力收益前可以观察残差值，以及基础收益叠加季节性收益与商家提报营业额间的差异，为判断商家提报营业额为虚假值的可能性提供依据；
[0031]2)本专利技术增加模型的鲁棒性。可以利用模型结构V1的输出，对模型结构V2的输入特征进行部分校准，从而提高整体效果；
[0032]3)本专利技术提高模型预测的整体准确率。通过多模型的融合提高模型的准确率，包括β值得引入提高模型预测效果。
附图说明
[0033]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0034]图1是本专利技术的整体流程图；
[0035]图2是本专利技术影响力变化因子曲线图；
[0036]图3是本专利技术模型结构V1和模型结构V2的结构框图。
具体实施方式
[0037]如图1所示，本专利技术公开了一种基于因子分解的营业额预测方法，包括如下步骤：
[0038]S1、将未来单月的营业额拆解为基础收益、季节性收益和影响力收益；
[0039]S2、建立模型结构V1，进行基础收益叠加季节性收益部分的预测；
[0040]S3、建立模型结构V2，进行影响力收益的预测；
[0041]S4、引入业务先验的基模型，将基础收益和影响力收益两个特征因子进行放大，虚弱维度灾难带来的影响。即通过将影响力收益大的因子作为bias放在模型输出层，扩大因
子影响力，防止因子在模型参数传递中丢失。
[0042]其中：稳定的供需关系为商家带来的基础收益。基础收益仅和商家所在位置的人群结构和业态竞争有关；影响力收益主要由商家的营销策略，包括但不限于加盟品牌、开展会员活动等；季节性收益仅和区域用户对品类需求的季节性波动有关。
[0043]在步骤S1中，单月营业额为：
[0044]Y＝Y
base
+Y
wave
+β
×
Y
owner
[0045]式中：Y为未来单月的营业额，Y
base
为基础收益，Y
wave
为季节性收益，Y
owner
为影响力收益，β为影响力变化因子，曲线图如图2所示；
[0046][0047]式中：N为β的快速增长期结束时间；N2为β到达最大值的时间；γ1为超参，用于调节N前β的增长速度；γ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因子分解的营业额预测方法，其特征在于：包括如下步骤：S1、将未来单月的营业额拆解为基础收益、季节性收益和影响力收益；S2、建立模型结构V1，进行基础收益叠加季节性收益部分的预测；S3、建立模型结构V2，进行影响力收益的预测；S4、引入业务先验的基模型，将基础收益和影响力收益两个特征因子进行放大，虚弱维度灾难带来的影响。2.根据权利要求1所述的一种基于因子分解的营业额预测方法，其特征在于：在步骤S1中，单月营业额为：Y＝Y
base
+Y
wave
+β
×
Y
owner
式中：Y为未来单月的营业额，Y
base
为基础收益，Y
wave
为季节性收益，Y
owner
为影响力收益，β为影响力变化因子；式中：N为β的快速增长期结束时间；N2为β到达最大值的时间；γ1为超参，用于调节N前β的增长速度；γ2为超参，用于调节N到N2阶段β的增长速度；γ3为超参，用于调节N2后β的衰减速度；time表示门店开业距今时长；base为β快速增长期达到的最大值；base为β的最大值。3.根据权利要求2所述的一种基于因子分解的营业额预测方法，其特征在于：影响力收益包含四个阶段，分别为影响力快速提升阶段、影响力增长缓慢阶段、影响力趋于稳定阶段和影响力衰退阶段。4.根据权利要求1所述的一种基于因子分解的营业额预测方法，其特征在于：在模型结构V1中，引入辅助loss函数来捕获季节性波动，辅助loss函数为预测结果与实际结果的差距或误差，loss＝...

【专利技术属性】
技术研发人员：唐煜，张小勇，吴邵聪，
申请(专利权)人：滴灌通科技深圳有限公司，
类型：发明
国别省市：