[发明专利]基于prophet模型及大数据的销量预测方法和系统

说明书

本发明涉及大数据挖掘技术领域，针对现有的汽车行业的销量预测方法预测准确率低的问题，提出一种基于Prophet算法的行业大数据销量预测方法，包括：基于facebook的prophet算法，对历史销量数据进行节假日、事件等分析确定影响参数，采用历史销量数据对proohet模型进行训练测试得到最优模型并对销量进行预测得到预测值一；对影响因子进行移动平均、变形、降维、滞后等处理，采用历史销量数据和所有影响因子数据进行机器学习模型(神经网络、xgboost等)训练测试得到最优机器学习模型，利用最优机器学习模型和因子预测值对销量进行预测得到预测值二；根据销量预测值一、销量预测值二得到最终的销量预测值。本发明适用于汽车产品销量的预测。

技术领域

本发明涉及大数据技术领域，特别涉及一种基于数据挖掘技术的行业产品销售预测方法。

背景技术

为了更好地控制库存量，降低资金压力进而从根本上控制成本，提高市场应变能力，提升企业利润，迫切需要有效的销量预测方法，特别是汽车行业，资金占用成本高，改款周期长，库存压力大。目前，汽车行业处于普及初期向普及后期的过渡阶段，在结束了单边增长，且大量不具有竞争力的产品被市场边缘化，销量预测一方面可以促进产销匹配，另一方面则可以识别细分市场趋势变化，为产品改款提供支撑。销量预测使用历史销量数据和相关影响因素数据，通过数据分析、算法模型等技术搭建销量预测系统。目前已有的销量预测技术不适用于汽车行业且准确率偏低。

公开号为CN109214601A，名称为“家电行业大数据销量预测方法”的中国专利，通过历史销量数据和影响因子数据建立两种时间序列模型和一种机器学习模型，该专利中使用的时间序列模型选择需要特定的专业知识，节假日和事件影响无法体现在模型中，且无法通过因子的前瞻性预测未来的风险和机会。

公开号为CN106779859A，名称为“一种移动终端产品实时销量预测方法”的中国发明专利，通过历史销量数据以及用户访问搜索引擎和电子商务网站的历史记录数据进行销量的预测，该专利中使用的行业特性数据只有用户的搜索频率，特征量较少，在利用算法模型对销量进行预测前未对历史销量趋势进行分析，存在所选择的时间序列模型不符合实际的风险。

公开号CN109685583A,发明名称“一种基于大数据的供应链需求预测方法”通过使用商品的历史销售数据来构造不同的数据划分和特征工程，并且采用树模型和线性模型两种算法构建模型进行预测，从而保证模型的差异性，最终将规则模型和差异度较大且预测效果精准的算法模型进行基于树形结构的融合得到最终的预测未来的销量结果；能够精准预测远期的商品销售，为供应链提供数据基础，为企业建立全球化供应链方案提供关键的技术支持。使用规则模型的最优常值回归方法，对用户的历史行为数据进行处理，并预测出供应链需求的第一结果，划分出历史行为数据区间中满足销量变化趋势的训练集数据，并对训练集数据进行选择以及扩充操作；对用户历史数据进行特征操作，构建出不同特征的样本集；对构建出的样本集进行基于均方根误差最小值的特征选择；建立包括回归模型和多个树模型；将规则模型与算法模型进行基于树形结构的融合，从而获得供应链需求的最终预测结果。但上述预测方法没有考虑行业的特征及不同时间及事件对销量影响因素，预测结果不够准确。

发明内容

本发明所要解决的技术问题是：针对现有的产品销量预测系统，没有考虑汽车行业销售中受事件影响、改型周期长、占用资金量大等方面因素，采用通用的方法预测准确率低等问题，提出一种基于大数据挖掘技术的汽车行业销量预测方法。