【技术实现步骤摘要】
本申请属于深度学习领域，特别涉及一种线下门店商品销售量预测方法、服务器及存储介质。
技术介绍
1、伴随着互联网技术、移动通信技术的日益发展和普及，电商拥有海量的买家和卖家交易场景下的数据。利用数据挖掘技术，我们能对未来的商品需求、销售量进行准确地预测，从而帮助商家自动化很多供应链过程中的决策。这些以大数据驱动的供应链智能能够帮助商家大幅降低运营成本，提升用户的体验，对整个电商行业的效率提升起到重要作用。
2、但是，传统线下门店缺少相应的大数据平台、海量的用户交易数据、无法有效的使用数据挖掘技术建立智能模型提升商品销售预估的准确性，因而造成了线下门店始终无法有效的提升运营效率，降低运营成本，扩大了线上销售对线下门店的影响。
3、因此，需要一种新型的线下门店商品销售量预测的技术方案，能够解决上述问题。
技术实现思路
1、为了解决所述现有技术的不足，本申请提供了一种线下门店商品销售量预测方法、服务器及存储介质，通过采集线上店铺销售销售数据和线下店铺销售数据，利用线上店铺丰富的销售数据进行迁移学习，来帮助线下门店深度学习模型的训练，从而构成完整的线下门店商品销售量预测系统。
2、本申请所要达到的技术效果通过以下方案实现：
3、根据本申请的第一方面，提供一种线下门店商品销售量预测方法，包括如下步骤：
4、获取线上用户交互数据，构建线上店铺销售量样本集；
5、根据线下门店销售数据，采用数据增强方法扩充构建线下门店销售量样本
6、将线上店铺销售量样本集以及线下门店销售量样本集输入线下门店商品销售量预测网络中进行迁移学习，完成线下门店商品销售量预测网络的训练；
7、采用线下门店商品销售量预测网络进行商品销售量预测。
8、优选地，在获取线上用户交互数据，构建线上店铺销售量样本集的步骤中，构建线上店铺销售量样本集的具体方法为：从电商线上用户交互行为日志上获取特征数据，所述特征数据包括线上店铺属性特征数据、线上商品属性特征数据以及线上历史商品销售特征数据，对所述特征数据进行归一化处理形成所述线上店铺销售量样本集。
9、优选地，所述线下门店销售数据包括线下门店属性特征数据、线下商品属性特征数据以及线下历史商品销售数据，将上述三类数据进行数据增强的方法扩充小样本集形成线下门店销售量样本集。
10、优选地，所述线下门店属性特征数据包括门店所属区域、门店所属城市、门店所属省、最大sku数、最大spu数、门店id、门店每日活动数以及门店每周活动数；
11、所述线下商品属性特征数据，包括商品id、商品所属商品组、商品品牌、商品品类、商品上线时间以及商品颜色；
12、所述线下历史商品销售数据，包括单位时间商品销售数据。
13、优选地，在所述根据线下门店销售数据，采用数据增强方法扩充构建线下门店销售量样本集的具体方法为：对线下门店属性特征数据、线下商品属性特征数据以及线下历史商品销售数据添加随机扰动项，扰动项取值范围为-0.001至0.001之间，完成小样本集的扩充。
14、优选地，在所述将线上店铺销售量样本集以及线下门店销售量样本集输入线下门店商品销售量预测网络中进行迁移学习，完成线下门店商品销售量预测网络的训练步骤中，所述线下门店商品销售量预测网络包括特征融合网络和商品销售量预测网络，所述迁移学习具体方法为：线上店铺销售量样本集以及线下门店销售量样本集输入特征融合网络得到销售量样本特征，将所述销售量样品特征输入所述商品销售量预测网络进行训练，所述商品销售量预测网络用于预测线下门店商品销售量。
15、优选地，所述线上店铺销售量样本集以及线下门店销售量样本集输入特征融合网络得到销售量样本特征的步骤中，具体方法为：
16、首先定义t∈{1,2,3}表示3种特征融合网络，lt＝{1,2,3}是特征融合网络的每一层，神经网络的激活函数f采用线性整流函数,特征融合网络向前传递公式为：
17、
18、
19、
20、其中：xt是特征融合网络的输入向量：门店属性特征向量、商品属性特征向量、历史销售统计特征向量；代表输入到lt层的向量，是lt层的输出，表示lt层的权重，是lt层的偏移量；
21、利用上述特征融合网络向前传递公式计算得出销售量样本特征。
22、优选地，所述商品销售量预测网络为：定义商品销售量预测网络的每一层为l’＝{1,2,3,4}，神经网络的激活函数f采用线性整流函数，商品销售量预测网络向前传递公式为：
23、
24、z’(l’+1)＝w’(l’+1)y’(l’)+b’(l’+1)；
25、y’(l’+1)＝f(z’(l’+1))＝max(0，z’(l’+1)),l’≠4；
26、y’(4)＝o(z’(4))；
27、其中：z’(l’)为输入到l,层的向量，y′(l’)是l’层的输出，w’(l’)表示l’层的权重，b’(l’)是l’层的偏移量，o是商品销售量预测网络的输出函数，采用mlp函数。
28、根据本申请的第二方面，提供一种服务器，包括：存储器和至少一个处理器；
29、所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述线下门店商品销售量预测方法。
30、根据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述线下门店商品销售量预测方法。
31、采用本申请线下门店商品销售量预测方法的有益效果在于：通过线下门店商品销售量的数据增强，扩充了线下门店商品销售量的样本，改善深度学习模型泛化能力不足的问题，进而提升了深度学习模型的预测效果；
32、通过针对互联网线上海量用户交互样本的迁移学习，实现了在不降低线上商品销售量预测精度的前提下，有效的提高了线下门店商品销售量的预测精度；
33、通过融合特征的深度神经网络，融合了不同维度的行为特征，充分表征了商品的属性、门店的属性、商品销售的历史规律，提升了模型的预测准确率。
本文档来自技高网...【技术保护点】
1.线下门店商品销售量预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的线下门店商品销售量预测方法，其特征在于，在获取线上用户交互数据，构建线上店铺销售量样本集的步骤中，构建线上店铺销售量样本集的具体方法为：从电商线上用户交互行为日志上获取特征数据，所述特征数据包括线上店铺属性特征数据、线上商品属性特征数据以及线上历史商品销售特征数据，对所述特征数据进行归一化处理形成所述线上店铺销售量样本集。
3.根据权利要求2所述的线下门店商品销售量预测方法，其特征在于，所述线下门店销售数据包括线下门店属性特征数据、线下商品属性特征数据以及线下历史商品销售数据，将上述三类数据进行数据增强的方法扩充小样本集形成线下门店销售量样本集。
4.根据权利要求3所述的线下门店商品销售量预测方法，其特征在于，所述线下门店属性特征数据包括门店所属区域、门店所属城市、门店所属省、最大sku数、最大spu数、门店id、门店每日活动数以及门店每周活动数；
5.根据权利要求4所述的线下门店商品销售量预测方法，其特征在于，在所述根据线下门店销售数据，采用数据增
6.根据权利要求4所述的线下门店商品销售量预测方法，其特征在于，在所述将线上店铺销售量样本集以及线下门店销售量样本集输入线下门店商品销售量预测网络中进行迁移学习，完成线下门店商品销售量预测网络的训练步骤中，所述线下门店商品销售量预测网络包括特征融合网络和商品销售量预测网络，所述迁移学习具体方法为：线上店铺销售量样本集以及线下门店销售量样本集输入特征融合网络得到销售量样本特征，将所述销售量样品特征输入所述商品销售量预测网络进行训练，所述商品销售量预测网络用于预测线下门店商品销售量。
7.根据权利要求6所述的线下门店商品销售量预测方法，其特征在于，所述线上店铺销售量样本集以及线下门店销售量样本集输入特征融合网络得到销售量样本特征的步骤中，具体方法为：
8.根据权利要求7所述的线下门店商品销售量预测方法，其特征在于，所述商品销售量预测网络为：定义商品销售量预测网络的每一层为l’＝{1,2,3,4}，神经网络的激活函数f采用线性整流函数，商品销售量预测网络向前传递公式为：
9.一种服务器，其特征在于，包括：存储器和至少一个处理器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1至8中任一项所述的线下门店商品销售量预测方法。
...【技术特征摘要】
1.线下门店商品销售量预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的线下门店商品销售量预测方法，其特征在于，在获取线上用户交互数据，构建线上店铺销售量样本集的步骤中，构建线上店铺销售量样本集的具体方法为：从电商线上用户交互行为日志上获取特征数据，所述特征数据包括线上店铺属性特征数据、线上商品属性特征数据以及线上历史商品销售特征数据，对所述特征数据进行归一化处理形成所述线上店铺销售量样本集。
3.根据权利要求2所述的线下门店商品销售量预测方法，其特征在于，所述线下门店销售数据包括线下门店属性特征数据、线下商品属性特征数据以及线下历史商品销售数据，将上述三类数据进行数据增强的方法扩充小样本集形成线下门店销售量样本集。
4.根据权利要求3所述的线下门店商品销售量预测方法，其特征在于，所述线下门店属性特征数据包括门店所属区域、门店所属城市、门店所属省、最大sku数、最大spu数、门店id、门店每日活动数以及门店每周活动数；
5.根据权利要求4所述的线下门店商品销售量预测方法，其特征在于，在所述根据线下门店销售数据，采用数据增强方法扩充构建线下门店销售量样本集的具体方法为：对线下门店属性特征数据、线下商品属性特征数据以及线下历史商品销售数据添加随机扰动项，扰动项取值范围为-0.001至0.001之间，完成小样...
【专利技术属性】
技术研发人员：马震，赵君，
申请(专利权)人：联通在线信息科技有限公司，
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。