[发明专利]基于自贩机的销售峰值预测方法、装置、设备及存储介质

权利要求书

1.一种基于自贩机的销售峰值预测方法，其特征在于，包括以下步骤：

按照预设的时间间隔获取当前自贩机内各物品的销量数据；

获取当前自贩机的历史状态数据；

对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；

对所述销量特征集进行机器学习训练，建立销量趋势预测模型；

获取当前自贩机在设定日期内对应的预设状态数据；

根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。

2.根据权利要求1所述的基于自贩机的销售峰值预测方法，其特征在于，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。

3.根据权利要求1所述的基于自贩机的销售峰值预测方法，其特征在于，所述预测状态数据包括：预设场景数据、预设营销数据；所述预设场景数据包括预设场所属性、所述设定日期对应的日期属性、预测天气数据以及预设节日活动属性；所述预设营销数据包括所述设定日期内各物品的预设价格折扣属性。

4.根据权利要求1所述的基于自贩机的销售峰值预测方法，其特征在于，所述对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集，具体包括：

通过Sqoop工具将获取的各物品的销量数据、所述历史状态数据进行数据抽取与清洗，获得销量特征集；

根据预设的数据仓库模型，将所述销量特征集加载到数据仓库。

5.根据权利要求1所述的基于自贩机的销售峰值预测方法，其特征在于，所述对所述销量特征集进行机器学习训练，建立销量趋势预测模型，具体包括：

在Spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型。

6.根据权利要求5所述的基于自贩机的销售峰值预测方法，其特征在于，所述在Spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型，具体包括：

根据所述销量特征集，通过三次指数平滑算法获取多组观测时间序列；

分别将各组观测时间序列作为输入值，采用Baum-Welch算法对预设的隐马尔可夫模型进行迭代训练，获得各组观测时间序列对应的模型参数；

计算各组观测时间序列对应的模型参数的平均值模型参数；

根据所述平均模型参数、预设的跌倒概率阈值以及预设的隐马尔可夫模型，建立销量趋势预测模型。

7.一种基于自贩机的销售峰值预测装置，其特征在于，包括：

销售数据获取模块，用于按照预设的时间间隔获取当前自贩机内各物品的销量数据；

历史状态数据获取模块，用于获取当前自贩机的历史状态数据；

数据抽取模块，用于对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；

模型建立模块，用于对所述销量特征集进行机器学习训练，建立销量趋势预测模型；

预设状态数据获取模块，用于获取当前自贩机在设定日期内对应的预设状态数据；

销量趋势预测模块，用于根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。

8.根据权利要求7所述的基于自贩机的销售峰值预测装置，其特征在于，

所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。