[发明专利]基于prophet模型及大数据的销量预测方法和系统

权利要求书

1.一种基于可分解模型prophet及大数据挖掘的销量预测方法，其特征在于，包括步骤：采集历史销量数据，确定节假日和事件影响周期和强度，设置参数集并建立prophet模型，利用历史销量数据及影响周期和强度对prophet模型进行训练和测试得到最优prophet模型，利用该最优prophet模型对指定时间内销量进行预测得到销量预测值一；根据历史销量数据的相关性及回归效率计算影响因子，对影响因子和历史销量数据经过移动平均、变形、滞后处理，输入机器学习模型训练和测试得到最优机器学习模型，利用最优机器学习模型和影响因子预测得到销量预测值二；对销量预测值一和销量预测值二的总和取平均值得到最终的销量预测值。

2.根据权利要求1所述的销量预测方法，其特征在于，销量均值持续偏离高于阈值的时间段为影响周期，销量均值变化量为强度，分析节假日和事件发生前后时间段内销量变化，根据上述方法确定不同级别事件的影响周期和强度。

3.根据权利要求1或2所述的销量预测方法，其特征在于，将历史销量数据按照时间顺序按预定比例分为训练集和测试集，利用训练集对设置好参数集的prophet模型进行训练，并用测试集对训练后的模型进行测试，调整参数集，得到误差最小的prophet模型为销量的最优prophet模型。

4.根据权利要求1或2所述的销量预测方法，其特征在于，将所有历史数据按照比例随机分为训练集和测试集，设置模型参数的取值范围、每组参数的取值组合，通过训练集训练机器学习模型，将测试集输入训练好的模型进行测试，选择测试集中误差最小时对应的参数作为最优参数，利用最优参数构建最优机器学习模型。

5.根据权利要求1所述的销量预测方法，其特征在于，采用影响因子各自对应的历史数据对时间序列进行训练得到各自相应的最优时间序列模型，根据最优时间序列模型确定相应影响因子。

6.根据权利要求1或5所述的销量预测方法，其特征在于，若影响因子的历史数据存在的缺失量未超过预定值，则根据缺失量两侧数据的均值进行填充，如超过预定值则删除影响因子对应的历史数据；若影响因子的历史数据变化剧烈，则进行移动平均处理；若影响因子的历史数据差异超过量级阈值，则对影响因子取对数处理；若多个影响因子存在强相关，则进行加权聚合构建一个复合影响因子；若影响因子的历史数据与销量相关性绝对值低于预设值，则删除该影响因子。

7.根据权利要求3所述的销量预测方法，其特征在于，根据趋势分析非周期变化g(t)、用于拟合时间序列中的分段线性增长或逻辑增长的季节性周期变化s(t)、节假日效应h(t)，Prophet预测模型使用时间为回归元，根据公式：y(t)＝g(t)+s(t)+h(t)+et优化参数，拟合线性和非线性的时间函数y(t)，其中，et为误差项。

8.根据权利要求1-7其中之一所述的销量预测方法，其特征在于，基于傅里叶级数建立季节效应模型计算销量季节性周期随时间t变化s(t)拟合并预测季节的销量，其中，P为预测周期，N为傅里叶阶数，an和bn为傅里叶系数。

9.一种基于可分解模型prophet及大数据挖掘的销量预测系统，其特征在于，采集模块采集历史销量数据并分析节假日和事件影响，确定影响周期和强度，设置参数集并建立prophet模型，训练模块利用历史销量数据及影响周期和强度对prophet模型进行训练和测试得到销量最优prophet模型，预测模块利用该最优prophet模型对销量进行预测得到销量预测值一，数据处理模块根据历史销量数据的相关性及回归效率预测影响因子，对影响因子和历史销量数据经过处理，输入机器学习模型训练和测试得到最优机器学习模型，预测模块利用最优机器学习模型和影响因子预测得到销量预测值二，对销量预测值一和销量预测值二的总和取平均值得到最终的销量预测值。