[发明专利]一种基于深度神经网络的卷烟产品销量预测方法及装置

权利要求书

1.一种基于深度神经网络的卷烟产品销量预测方法，其特征在于，包括：

步骤S1：构建卷烟产品销量预测的神经网络模型，所述神经网络模型的输入神经元由机器提取特征单元和专家提取特征单元构成，其中，机器特征提取单元包括从历史销售数据中提取卷烟产品的销量时序特征，专家提取单元由专家根据历史销售数据选取的特征数据构成，该特征数据包括：卷烟产品的销量统计特征和非线性特征，以及与卷烟销量相关的民生数据特征和节假日信息特征，所述机器提取特征单元和所述专家提取特征单元中的每一个特征作为一个所述输入神经元；

步骤S2：获取卷烟产品的周期性历史销售数据，并根据所述周期性历史销售数据得到所述机器特征提取单元中的销量时序特征参数值以及专家提取单元中销量统计特征参数值、非线性特征参数值、民生数据特征参数值和节假日信息特征参数值；

步骤S3：按照固定预设时序周期，将所述机器特征提取单元及所述专家提取单元中的所有特征参数值作为训练样本对应输入所述神经网络模型的各个输入神经元中进行模型训练，得到销量预测值，并根据所述销量预测值与所述历史销售数据中的真实销量值的关系进行误差反馈，修正各所述输入神经元的权重，然后重新按照固定预设时序周期，将所述机器特征提取单元及所述专家提取单元中的所有特征参数值作为训练样本对应输入所述神经网络模型的各个输入神经元中进行模型训练，直至所有训练样本训练完成，得到卷烟产品销量预测模型；

步骤S4：获取当前时序周期的实际销售数据，并根据所述实际销售数据得到所述机器特征提取单元中的当前销量时序特征参数值以及专家提取单元中当前销量统计特征参数值、当前非线性特征参数值、当前民生数据特征参数值和当前节假日信息特征参数值，并输入至所述卷烟产品销量预测模型，得到卷烟产品下一预设时序周期的销量预测值。

2.根据权利要求1所述的基于深度神经网络的卷烟产品销量预测方法，其特征在于，所述步骤S3具体包括：

步骤S31：获取与当前预设时序周期的卷烟产品历史销售数据所对应的所有特征参数值，并将这些特征参数值作为训练样本输入所述神经网络模型的各个输入神经元中进行模型训练，得到下一预设时序周期的销量预测值，在所述当前时序周期的基础上以一周作为时序滑动窗口得到所述下一预设时序周期；

步骤S32：计算所述下一预设时序周期的销量预测值与下一预设时序周期的真实销量值之间的误差，将误差输入所述神经网络模型中进行反向计算，根据计算结果修正各所述输入神经元的权重；

步骤S33：将所述下一预设时序周期作为当前预设时序周期，并返回所述步骤S31，直至所有训练样本训练完成，得到卷烟产品销量预测模型。

3.根据权利要求1所述的基于深度神经网络的卷烟产品销量预测方法，其特征在于，所述神经网络模型为全连接BP神经网络且包含激活层，所述神经网络模型的输出神经元为卷烟产品的销量预测值。

4.根据权利要求1所述的基于深度神经网络的卷烟产品销量预测方法，其特征在于，所述机器提取特征单元由长短期记忆深度神经网络构成，将所述固定预设时序周期内的历史销售数据输入所述长短期记忆深度神经网络，计算输出两个时序特征值，将这两个时序特征值设置为所述神经网络模型的两个输入神经元，并将这两个时序特征值输入至所述神经网络模型进行模型训练。

5.根据权利要求1所述的基于深度神经网络的卷烟产品销量预测方法，其特征在于，所述预设时序周期为四周，或者六周，或者八周。

6.根据权利要求1所述的基于深度神经网络的卷烟产品销量预测方法，其特征在于，所述卷烟产品销量统计特征至少包括：销量最大值、销量最小值、销量平均值、销量中间值、销量均方差、销量变异系数、销量均方根；所述卷烟产品的非线性特征至少包括：一阶偏度、二阶偏度、曲率、KL散度。

7.根据权利要求1所述的基于深度神经网络的卷烟产品销量预测方法，其特征在于，所述民生数据特征为卷烟产品销量预测地区的民生指数据；所述节假日信息特征为每周存在的节假日及所述节假日的类型。