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

本发明专利技术提供了一种基于深度学习的互联网电子科技商品销量预测方法，属于电子商务领域，其内容包括：获取商品上市时间、降价时间以及商品历史日销量、价格、销售日期、购物节日期等原始数据序列；对原始数据序列进行数据预处理，获得多维影响因素序列；对多维影响因素序列进行主成分分析法（PCA）分析，获得主成分特征序列；针对主成分序列及预处理后的销量序列，建立基于改进粒子群（PSO）优化算法的长短时记忆神经网络（LSTM）动态模型并预测商品销量数据。本发明专利技术综合考虑了多种影响因素时间前后对销量的长周期影响，基于深度学习模型建立多维影响因素与销量间的动态非线性映射关系，为企业及商铺制定销售策略提供科学依据。

【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...

【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：