[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

说明书

本发明提供了一种基于深度神经网络的卷烟产品销量预测方法及装置，该方法包括：构建卷烟产品销量预测的神经网络模型；获取卷烟产品的周期性历史销售数据，并从中得到销量时序特征参数值以及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；按照固定预设时序周期，将所有特征参数值作为训练样本对应输入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；将从当前预设时序周期的实际销售数据中提取的上述特征输入至该卷烟产品销量预测模型以得到下一预设时序周期的销量预测值。通过实施本发明，提高了卷烟产品销量预测的准确性，预测结果更加符合实际情况。

技术领域

本发明涉及数据挖掘和大数据分析技术领域，具体涉及一种基于深度神经网络的卷烟产品销量预测方法及装置。

背景技术

卷烟产品投放是烟草商业公司一项非常重要的基础性工作，由产品投放带来的卷烟产品销售订单将直接影响商业公司的经济效益。卷烟投放的本质是要对下一阶段的卷烟销售工作进行销量预判和策略性引导，制定投放策略的目的为了更好的匹配市场订单需求，而卷烟产品销量走势预测是制定产品投放策略的先决条件。为了制定下一个周期的产品投放策略，必须首先对下一个周期的产品销量进行预测分析。因此，如何对卷烟产品销量进行准确的预测，对卷烟产品的投放策略的制定具有重要意义。

发明内容

有鉴于此，本发明实施例提供了一种基于深度神经网络的卷烟产品销量预测方法及装置，以克服现有技术中难以准确预测卷烟产品销量的问题。

根据第一方面，本发明实施例提供了一种基于深度神经网络的卷烟产品销量预测方法，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。

可选地，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；