[发明专利]基于关联性大数据的产品销量预测方法及系统

权利要求书

1.一种基于关联性大数据的产品销量预测方法，其特征在于，包括：

根据基于预测行为的大数据在线分类与估计函数，对影响预测的可控关联性指标大数据进行在线估计和归类，确定大数据挖掘方向；

根据关联规则函数，找出可控关联性指标之间的关联规律性进而整理可利用数据源；

利用聚类功能更强的在线k-Means聚类与描述函数，使已归类可控关联性指标相似性尽可能大，划分数据块；

提出的互联网大数据匹配原则、语义分析、行为分析方法，针对主要用户合理匹配保留可控关联性销量大数据的高度演化特征，通过线上或线下方式将影响预测的关键的可控关联性大数据导入，集成到互联网大数据仓库、跨境电商平台管理后台和外部应用程序接口，实现关键因子的集成，执行产品销量预测。

2.根据权利要求1所述的基于关联性大数据的产品销量预测方法，其特征在于，大数据在线分类与估计函数具有如下形式：

其中，u,v分别为两类产品，论域I_uv＝I_u∪I_v是定量空间，数据分别挖掘论域C及其非空子集A，S＝{S_i＝(S_i1,S_i2,S_i3)|i∈N₊}定义为可信性测度集合，S＝{S_i＝(S_i1,S_i2,S_i3)|i∈N₊}表示“互联网+外贸”环境下第三方平台上文档和日志的集合，包括n个元素；SAM＝{SAM_i|i∈N₊}和SAB＝{SAB_i|i∈N₊}分别表示数据模糊现象和不确定性现象集合；分类主体与客体映射函数为F₁＝(FS_i→FC_i)；若

3.根据权利要求1所述的基于关联性大数据的产品销量预测方法，其特征在于，关联规则函数具有如下形式：

其中，K₁,K₂分别是可能性空间、必然性测度空间；S_i在A集中约束时间为t_i，ξ为定义在K₁上的模糊变量；当前关联度J_i与不确定性变量x的相关性期望值E(x)＝b，阈值为ω₀；满足映射“G:K₁+K₂→K₁·K₂”的约束时间表示一个最佳搜索时间T_i；关联度误差记为：e(S_i,S_j)＝b-∑x_ijE(x)e(S_i,S_j)＝b-∑x_ijE(x)。

4.根据权利要求1所述的基于关联性大数据的产品销量预测方法，其特征在于，在线k-Means聚类与描述函数具有如下形式：

其中，预测主体、客体推荐的权重分别为ω₁，ω₂；聚类推荐集合为TJ＝{tj₁,tj₂,...,tj_n}，相关联描述的期望值Q_x(tj_i,tj_j)＝TS(SAM_ii,SAB_i)·e(S_i,S_j)，熵值Q_n(tj_i,tj_j)＝TS(SAM_ii,SAB_i)+e(S_i,S_j)，超熵值Q_e(tj_i,tj_j)＝TS(SAM_ii,SAB_i)/e(S_i,S_j)。