[发明专利]一种零售业需求预测方法和装置

说明书

本申请公开了一种零售业需求预测方法和装置，根据目标商品所要销售的区域提取目标商品在不同时间段的所有事件，分别得到第一事件因子、第二事件因子和第三事件因子；通过预置神经张量网络模型将事件因子转换为稠密向量，分别得到第一稠密向量、第二稠密向量和第三稠密向量；将第一稠密向量、第二稠密向量和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，输出目标商品在所要销售的区域的需求预测结果，解决了现有的需求预测大多是根据历史数据的特征来进行预测，由于农历、节气每年都不一致，导致需求预测准确率较低的技术问题。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种零售业需求预测方法和装置。

背景技术

需求不确定性是影响供应链系统决策及其性能的主要因素之一，它不但会影响供应链中资源的有效配置，还会影响供应链的运作效率，给供应链系统带来巨大损失。通过持有大量库存来应对需求多变性的方法是不可取的，因此，需要精确、有效地对需求进行预测。

传统的零售业的供应链模式以推式为主，以仓库商品为切入点，仓库有什么商品，就向市场销售这些商品，未考虑到消费者的需求、季节性特征和地域特征，使得销售额较低；而现有的需求预测方法大多根据历史数据的特征来进行预测，由于农历、节气每年都不一致，导致需求预测准确率较低。

发明内容

本申请提供了一种零售业需求预测方法和装置，用于解决现有的需求预测大多是根据历史数据的特征来进行预测，由于农历、节气每年都不一致，导致需求预测准确率较低的技术问题。

有鉴于此，本申请第一方面提供了一种零售业需求预测方法，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。

可选的，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。

可选的，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，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。

可选的，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；