[发明专利]面向多保期的商品销量预测方法和系统

说明书

本发明公开了一种面向多保期的商品销量预测方法和系统，该方法包括：获取存储装置在预设时间段内的订单信息；根据订单信息使用一维时序模型进行预测得到存储装置在预设时间点的理论总订单量；获取商品历史销售信息和商品存储信息；根据商品历史销售信息和商品存储信息使用深度神经网络模型进行训练得到存储装置在预设时间点的预测总订单量；将理论总订单量和预测总订单量分别与存储装置中每个存储单元对应的商品销售比例得到商品在每个存储单元中的第一销量和第二销量；根据第一销量和第二销量利用机器学习集成模型得到商品销量预测结果。本发明具有如下优点：可以针对不同保期的商品，精准预测未来销量。

技术领域

本发明涉及电子商务技术领域，具体涉及一种面向多保期的商品销量预测方法和系统。

背景技术

目前大多平台电商使用的供应系统都是针对长保期的商品，而面向短中保，库存容易售罄的生鲜商品业界还未有一套比较完善的供应保障系统。其中商品预测算法是供应系统的核心，当前预测方法大多建立在简单的时序预测模型上，例如使用平均、指数平滑或ARIMA模型等，而当这些简单模型应用在短中保商品上时效果一般比较差。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的第一个目的在于提出一种面向多保期的商品销量预测方法，可以针对不同保期的商品，精准预测未来销量。

为了实现上述目的，本发明的实施例公开了一种面向多保期的商品销量预测方法，包括以下步骤：获取存储装置在预设时间段内的订单信息；根据所述订单信息使用一维时序模型进行预测得到所述存储装置在预设时间点的理论总订单量；获取商品历史销售信息和商品存储信息；根据所述商品历史销售信息和所述商品存储信息使用深度神经网络模型得到所述存储装置在所述预设时间点的预测总订单量；根据所述理论总订单量和所述存储装置中每个存储单元对应的商品销售比例得到商品在每个存储单元中的第一销量，并根据所述预测总订单量和所述存储装置的每个存储单元中对应的商品销售比例得到商品在每个存储单元中的第二销量；根据所述第一销量和所述第二销量利用机器学习集成模型得到商品销量预测结果。

根据本发明实施例的面向多保期的商品销量预测方法，同时兼顾一维时序预测模型和深度神经网络模型，同时加入不同保期的历史特征信息，能够对不同保期的商品建立不同参数的模型，因此能够实现对不同保期的商品销量的精准预测。

另外，根据本发明上述实施例的面向多保期的商品销量预测方法还可以具有如下附加的技术特征：

可选地，所述根据所述理论总订单量和所述存储装置中每个存储单元对应的商品销售比例得到商品在存储单元中的第一销量，具体包括：根据所述理论总订单量和所述存储装置中每个存储单元对应的商品销售比例通过平滑平均计算得到所述第一销量。

可选地，所述根据所述商品历史销售信息和所述商品存储信息使用深度神经网络模型得到所述存储装置在所述预设时间点的预测总订单量，具体包括：将所述商品历史销售信息和所述商品存储信息作为特征输入前对模型进行异常值排除、缺失值填补、标准化处理、归一化处理、正则化处理、标签编码处理和独热编码处理后，输入所述深度神经网络模型得到所述预测总订单量。

可选地，所述一维时序模型为自回归积分滑动平均模型。

可选地，所述深度神经网络模型为长短期记忆网络模型。

可选地，所述机器学习集成模型为梯度提升树模型或Xgboost模型。

为此，本发明的第二个目的在于提出一种面向多保期的商品销量预测系统，可以针对不同保期的商品，精准预测未来销量。