【技术实现步骤摘要】
本专利技术涉及电子商务领域，具体而言，涉及一种基于深度学习的互联网电子科技商品销量预测方法。
技术介绍
1、目前，随着互联网技术的飞速发展，互联网商品销售已经逐渐成为了人们主要的购物方式之一。其中，电子科技产品作为互联网销售商品的重要类型之一，存在更新换代快、价格变化快等诸多特点，加之互联网销售存在诸如“6.18”、“开学购物节”、“双十一”、“双十二”等诸多购物狂欢节都会直接影响商品销售量，使得互联网电子科技产品的销量预测成为一个复杂多因素影响的非线性预测问题，为互联网电子科技商品的销量预测带来了困难。
2、目前，传统的商品销量预测方法主要考虑商品时间序列的历史销量数据，考虑因素单一，而即使在某些技术中考虑节假日因素，也往往通过往年的销量数据建立修正因子等方式对节假日销量进行修正。然而，由于不同的节假日对消费者购物欲的影响不同，如“双十一”等大型购物节会影响购物节前后一个月甚至数月的销量，简单的修正方式难以充分考虑购物节对互联网电子科技产品销量的影响。因此，综合考虑上市时间、价格、购物节等多方面因素的长周期影响，并在此基础上对互联网电子科技产品进行有效预测，对于企业乃至零售店铺制定产销售策略都是至关重要的。
技术实现思路
1、本专利技术的主要目的旨在解决现有技术中所存在的对于互联网电子科技产品销量预测时考虑因素单一、没有充分考虑产品降价、互联网购物节等多因素对商品销量影响的问题，提供一种基于深度学习的互联网电子科技产品销量预测方法，从而为企业乃至店铺销售决策提供依据。
2、实现本专利技术目的的技术解决方案为：一种基于深度学习的互联网电子科技商品销量预测方法，包括以下步骤：
3、步骤一：获取统计期内商品上市时间t、商品降价时间d及原始数据序列；
4、步骤二：对历史日销量数据序列x1进行预处理，得到每n天的商品销量数据序列x1n；
5、步骤三：根据商品上市时间t及销售日期序列x2和销售日期对应的商品价格序列x3，结合序列x1n的截断日期，得到商品销售时商品已上市天数序列x2n以及与销售时间段对应的商品价格序列x3n；
6、步骤四：根据商品降价时间d，获取与x1n对应的不同销售时间段距离商品降价时间d的时间间隔序列x4；
7、步骤五：根据互联网平台购物节时间序列f，获取与x1n对应的不同销售时间段距离不同购物节的时间间隔序列；
8、步骤六：采用主成分分析法对处理后的影响因素序列数据进行主成分分析，并根据累计贡献率选取主成分特征序列；
9、步骤七：训练基于改进粒子群优化算法的长短时记忆神经网络模型，并通过该模型对商品销量进行预测；
10、步骤八：每获取新的销量数据后，返回步骤一并重复步骤一至步骤七，每重复一个循环，可基于最新销量对模型进行修正，从而对最新销量进行预测。
11、进一步的，步骤一中， 所述原始数据序列包括商品的历史日销量数据序列x1、商品销售日期序列x2以及与销售日期对应的商品价格序列x3、互联网平台购物节时间序列f；
12、进一步的，步骤二中，对历史日销量数据序列x1的预处理是设置局部统计天数n，n为正整数，将历史日销量数据转化为以每n天销量为序列的历史销量数据，即每n天将历史日销量数据序列进行截断并统计该n天内的销售数据，所得的每n天历史销量数据序列记为x1n，当遇到产品价格调整，且前销售价格下所包含的总销售时间段无法被n整除时，则在对x1进行预处理时以价格变动日期进行截断，同时，将价格变动前的总销售时间段除以n的余数记为m，且变动前最后m天销量为s，则该m天时间段对应的历史销量数据调整为s×n/m。
13、进一步的，步骤三中，x2n是以x1n序列截断处日期为准，将销售日期序列x2转化为与x1n时间段对应的商品销售时商品已上市天数序列x2n，同样的，x3n是以x1n序列截断处日期为准，将与销售日期对应的商品价格序列x3转化为与x1n时间段对应的销售时间段内商品价格序列x3n，从而保持x1n、x2n、x3n序列长度一致。
14、进一步的，步骤四中，所述不同销售时间段距离商品降价时间d的时间间隔序列x4中，若销售时间段在商品降价之前，则用负数表示该销售时间段距离该次商品降价前的天数，若销售时间段在商品降价之后，则用正数表示该销售时间段距离该次商品降价前的天数，若商品有多次降价，则分别以该销售时间段相邻的两次降价时间为基准，得到该销售时间段距离相邻两次降价时间的正负天数，并以绝对值大的天数为准纳入时间间隔序列x4。
15、进一步的，步骤五中，所述不同销售时间段距离不同购物节的时间间隔序列中，若销售日期在购物节之前，则用负数表示该销售时间段距离该购物节的天数，若销售日期在购物节之后，则用正数表示该销售时间段距离该购物节的天数，且该天数以该销售时间段距离相邻两年该购物节时间间隔中绝对值大的值为准，将购物节个数定义为h个，则该步骤增加h个不同销售时间段距离购物节时间间隔序列，分别记为xh1、xh2、……xhh。
16、进一步的，步骤六中，所述处理后的影响因素序列数据包括该商品已上市天数序列x2n、销售时间段内商品价格序列x3n、不同销售时间段距离商品降价时间d的时间间隔序列x4、不同销售时间段距离购物节时间间隔序列xh1、xh2、……xhh。
17、进一步的，步骤七中，所述改进粒子群优化算法，是一种基于非线性递减权重和学习因子的粒子群优化算法，其惯性因子及学习因子是非线性递减的，即：
18、 ω=ωmax-( ωmax- ωmin)( d/ dmax) a/(1+e-a) ；
19、 c 1 =cmax-( cmax- cmin)( d/ dmax) a/(1+e-a) ；
20、 c 2 =cmin-( cmin- cmax)( d/ dmax) a/(1+e-a) ；
21、其中 ω是惯性因子，为非负数， c 1和 c 2是学习因子， 本文档来自技高网...
【技术保护点】
1.一种基于深度学习的互联网电子科技商品销量预测方法，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤一中， 所述原始数据序列包括商品的历史日销量数据序列X1、商品销售日期序列X2以及与销售日期对应的商品价格序列X3、互联网平台购物节时间序列F。
3.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤二中，对历史日销量数据序列X1的预处理是设置局部统计天数N，N为正整数，将历史日销量数据转化为以每N天销量为序列的历史销量数据，即每N天将历史日销量数据序列进行截断并统计该N天内的销售数据，所得的每N天历史销量数据序列记为X1N，当遇到产品价格调整，且前销售价格下所包含的总销售时间段无法被N整除时，则在对X1进行预处理时以价格变动日期进行截断，同时，将价格变动前的总销售时间段除以N的余数记为M，且变动前最后M天销量为S，则该M天时间段对应的历史销量数据调整为S×N/M。
4.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤三
5.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤四中，所述不同销售时间段距离商品降价时间D的时间间隔序列X4中，若销售时间段在商品降价之前，则用负数表示该销售时间段距离该次商品降价前的天数，若销售时间段在商品降价之后，则用正数表示该销售时间段距离该次商品降价前的天数，若商品有多次降价，则分别以该销售时间段相邻的两次降价时间为基准，得到该销售时间段距离相邻两次降价时间的正负天数，并以绝对值大的天数为准纳入时间间隔序列X4。
6.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤五中，所述不同销售时间段距离不同购物节的时间间隔序列中，若销售日期在购物节之前，则用负数表示该销售时间段距离该购物节的天数，若销售日期在购物节之后，则用正数表示该销售时间段距离该购物节的天数，且该天数以该销售时间段距离相邻两年该购物节时间间隔中绝对值大的值为准，将购物节个数定义为H个，则该步骤增加H个不同销售时间段距离购物节时间间隔序列，分别记为XH1、XH2、……XHH。
7.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤六中，所述处理后的影响因素序列数据包括该商品已上市天数序列X2N、销售时间段内商品价格序列X3N、不同销售时间段距离商品降价时间D的时间间隔序列X4、不同销售时间段距离购物节时间间隔序列XH1、XH2、……XHH。
8.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤七中，所述改进粒子群优化算法，是一种基于非线性递减权重和学习因子的粒子群优化算法，其惯性因子及学习因子是非线性递减的，即：
9.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤七中，所述基于改进粒子群优化算法的长短时记忆神经网络模型中，输入为步骤六所获取的主成分特征序列，输出为每N天的商品销量数据序列X1N。
...【技术特征摘要】
1.一种基于深度学习的互联网电子科技商品销量预测方法，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤一中， 所述原始数据序列包括商品的历史日销量数据序列x1、商品销售日期序列x2以及与销售日期对应的商品价格序列x3、互联网平台购物节时间序列f。
3.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤二中，对历史日销量数据序列x1的预处理是设置局部统计天数n，n为正整数，将历史日销量数据转化为以每n天销量为序列的历史销量数据，即每n天将历史日销量数据序列进行截断并统计该n天内的销售数据，所得的每n天历史销量数据序列记为x1n，当遇到产品价格调整，且前销售价格下所包含的总销售时间段无法被n整除时，则在对x1进行预处理时以价格变动日期进行截断，同时，将价格变动前的总销售时间段除以n的余数记为m，且变动前最后m天销量为s，则该m天时间段对应的历史销量数据调整为s×n/m。
4.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤三中，x2n是以x1n序列截断处日期为准，将销售日期序列x2转化为与x1n时间段对应的商品销售时商品已上市天数序列x2n，同样的，x3n是以x1n序列截断处日期为准，将与销售日期对应的商品价格序列x3转化为与x1n时间段对应的销售时间段内商品价格序列x3n，从而保持x1n、x2n、x3n序列长度一致。
5.如权利要求1所述的一种基于深度学习的互联网电子科技商品销量预测方法，其特征在于，步骤四中，所述不同销售时间段距离商品降价时间d的时间间隔序列x4中，若销售时间段在商品降价之前，则用负数表示该销售时间段距...
【专利技术属性】
技术研发人员：唐宇峰，周帅，何俚秋，胡光忠，石砚秋，熊娅伶，曹睿，
申请(专利权)人：四川轻化工大学，
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。