[发明专利]一种多模条件下产品销量的预测方法及系统

说明书

本发明公开了一种多模条件下产品销量的预测方法及系统，该方法包括步骤获取当前的销量数据及其他数据，以及历史的销量数据及其他数据；确定预测项目；对销量数据及其他数据分别进行按选择的时间粒度进行分段统计并将数据和文本拼接融合，形成序列数据；确定训练好的模型训练时的输入数据设置的样本数batch_size，根据设置的样本数batch_size将序列数据进行划分形成输入样本；将输入序列输入至训练好的模型，获得预测结果；对预测结果进行解析，获得预测项目对应预测时间的销量数据及其他数据。本发明可以有效地处理不连续的数字+文本的多模输入条件下的产品销量的预测问题，最大限度的降低企业损失，增强企业的竞争力。

技术领域

本发明涉及产品检测的技术领域，具体涉及一种多模条件下产品销量的预测方法及系统。

背景技术

随着世界经济的融合和中国经济的进一步发展，更多的国外快速消费品公司进入到中国，同时国内厂商也在逐步崛起，市场竞争日趋激烈。其中，快消行业的特点是消费频率高、使用时限短、拥有广泛的消费群体、对于消费的便利性要求很高的商品销售行业。

产品销量预测对于快消品行业如餐饮、食品零售等提升竞争力特别重要，由于食品安全所具有的严格的保质期限制，如果产品准备过多导致超过保质期的必须销毁，造成直接经济损失；反之，如果产品准备少了导致有人买而没有产品卖就会造成沉没成本，造成间接经济损失。上述的两种情况都降低了销售额；因此需要一种准确预测销售额的方法来降低损失，增强企业的竞争力。

现有的产量预测方法一般是根据过去一段时间内的数据预测未来一段时间的产量值。预测可以是单变量预测，如根据过去销量预测未来销量；也有多变量预测，例如根据过去一段时间的10种菜品预测未来10种菜品的销量；也可以根据多种因素对未来进行预测，比如根据过去的天气、销量等多因素的值来预测未来一段时间的某一种菜品的销量。传统的预测方法一般采用统计方法，其中针对时间序列进行ARIMA预测，是最常用的预测方法，但是存在以下问题：

(1)所有采用统计的方法本质上都是基于大数原则也就是均值为真，细节作为异常点将被剔除不参与计算，因此计算结果不会出现细节的信息，计算结果是一个滤除高频信息之后的低通平滑结果。

(2)实际的快消行业中，影响销量的因素除了数据因素如前期的销量之外，还存在其他的文本因素，如天气、舆情、节假日等，对于这种多模式的处理，传统的数据分析方法无能为力。

有鉴于此，亟需提供可实现多模情况下，准确预测产品销量，最大限度的降低企业损失，增强企业的竞争力的方法。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种多模条件下产品销量的预测方法，包括步骤：

获取当前的销量数据及其他数据，以及历史的销量数据及其他数据；

确定预测项目；

对销量数据及其他数据分别进行按选择的时间粒度进行分段统计，补全，并将数据和文本拼接融合，形成LSTM模型可识别的序列数据；

确定训练好的LSTM模型训练时的输入数据设置的样本数batch_size，根据设置的样本数batch_size将所述序列数据进行划分形成输入样本；

将输入序列输入至训练好的LSTM模型，获得预测结果；

对预测结果进行解析，获得预测项目对应预测时间的销量数据及其他数据。

在上述方法中，所述对销量数据及其他数据分别进行按选择的时间粒度进行分段统计，补全，并将数据和文本拼接融合，形成LSTM模型可识别的序列数据包括以下步骤：

对销量数据及其他数据按选择的时间粒度进行分段统计，筛选出与预测项目对应的销量数据及其他数据；

对筛选出的销量数据及其他数据进行补全、更正处理；