[发明专利]一种零售业需求预测方法和装置

权利要求书

1.一种零售业需求预测方法，其特征在于，包括：

根据目标商品所要销售的区域提取所述目标商品在距离当前时间的第一预置时间段、第二预置时间段和第三预置时间段的所有事件，分别得到第一事件因子、第二事件因子和第三事件因子，所述第一预置时间段、第二预置时间段和第三预置时间段的大小依次减少，所述事件包括天气事件和节假日事件；

将所述目标商品的所述第一事件因子、所述第二事件因子和所述第三事件因子分别输入至预置神经张量网络模型，输出第一稠密向量、第二稠密向量和第三稠密向量，所述预置神经张量网络模型为事件和稠密向量的映射关系模型；

将所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起输入至预置深度卷积神经网络模型进行需求预测，输出所述目标商品在所要销售的区域的需求预测结果。

2.根据权利要求1所述的零售业需求预测方法，其特征在于，所述将所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起输入至预置深度卷积神经网络模型进行需求预测，输出所述目标商品在所要销售的区域的需求预测结果，包括：

将所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起输入至预置深度卷积神经网络模型，使得所述预置深度卷积神经网络模型对所述第一稠密向量和所述第二稠密向量分别进行特征提取后，将提取后的特征与所述第三稠密向量进行特征融合，并基于融合后的特征进行处理，输出所述目标商品在所要销售的区域的需求预测结果。

3.根据权利要求1所述的零售业需求预测方法，其特征在于，所述将所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起输入至预置深度卷积神经网络模型进行需求预测，输出所述目标商品在所要销售的区域的需求预测结果，之前还包括：

分别计算所述第一稠密向量、所述第二稠密向量和所述第三稠密向量中所有属于同一天的所述事件的事件向量元素的平均值，得到第一平均稠密向量、第二平均稠密向量和第三平均稠密向量。

4.根据权利要求3所述的零售业需求预测方法，其特征在于，所述计算所述第一稠密向量、所述第二稠密向量和所述第三稠密向量中所有属于同一天的所述事件的事件向量元素的平均值，得到第一平均稠密向量、第二平均稠密向量和第三平均稠密向量，之后还包括：

对所述第一平均稠密向量、所述第二平均稠密向量和所述第三平均稠密向量中的所述事件向量元素按照时间顺序进行排序，得到排序后的第一平均稠密向量、排序后的第二平均稠密向量和排序后的第三平均稠密向量；

相应的，所述将所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起输入至预置深度卷积神经网络模型进行需求预测，输出所述目标商品在所要销售的区域的需求预测结果，包括：

将所述排序后的第一平均稠密向量、所述排序后的第二平均稠密向量和所述排序后的第三平均稠密向量一起输入至预置深度卷积神经网络模型进行需求预测，输出所述目标商品在所要销售的区域的需求预测结果。

5.根据权利要求1所述的零售业需求预测方法，其特征在于，所述根据目标商品所要销售的区域提取所述目标商品在距离当前时间的第一预置时间段、第二预置时间段和第三预置时间段的所有事件，分别得到第一事件因子、第二事件因子和第三事件因子，之前还包括：

对零售业的销售地区进行区域划分，并对每个区域内的商品按照所述事件进行品类规划，得到规划表；

相应的，所述根据目标商品所要销售的区域提取所述目标商品在距离当前时间的第一预置时间段、第二预置时间段和第三预置时间段的所有事件，分别得到第一事件因子、第二事件因子和第三事件因子，包括：

通过所述规划表，根据目标商品所要销售的区域提取所述目标商品在距离当前时间的第一预置时间段、第二预置时间段和第三预置时间段的所有事件，分别得到第一事件因子、第二事件因子和第三事件因子。