[发明专利]零售产品销量预测方法、工具、系统、设备及存储介质

权利要求书

1.一种零售产品销量预测方法，其特征在于，包括以下步骤：

获取零售企业销售数据，绘制销售时序图；

利用EEMD模型对销售数据进行分解处理，获得若干个IMF分量序列数据，并绘制EEMD分解的分量图；

根据分量图中各IMF分量序列数据的周期性，建立模型，对各IMF分量序列数据进行预测；

根据各IMF分量序列数据的预测结果，计算得到该零售企业的销售量预测结果。

2.根据权利要求1所述的零售产品销量预测方法，其特征在于，利用EEMD模型对销售数据进行分解处理，获得若干个IMF分量序列数据的具体操作为：

2.1：向零售企业销售数据中销售时间序列的原始信号序列添加白噪声序列生成新信号序列，方法如下：

Y(t)＝X(t)+W(t) (1)

其中，Y(t)为新信号序列，X(t)为原始信号序列，W(t)为白噪声序列；

2.2：用EMD方法将新信号序列分解成若干个IMF分量，方法如下：

其中，IMF_j(t)表示第j个IMF分量，r(t)为趋势项，n为IMF分量的数量，j为当前分量；

2.3：对得到的若干个IMF分量信号做处理，减少因白噪声而产生的误差，具体操作为：重复2.1和2.2，分解生成不同的分量序列，方法如下：

其中，i为重复分解的次数，IMF_ji(t)为第i次分解所生成的IMF分量序列，r_i(t)为第i次分解生成的趋势项。

3.根据权利要求1所述的零售产品销量预测方法，其特征在于，根据分量图中各IMF分量序列数据的周期性，建立模型，对各IMF分量序列数据进行预测的具体操作为：若IMF分量序列数据具有周期性，则建立SARIMA模型，对IMF分量序列数据进行预测；若IMF分量序列数据无周期性，则建立ARIMA模型，对IMF分量序列数据进行预测。

4.根据权利要求3所述的零售产品销量预测方法，其特征在于，若IMF分量序列数据具有周期性，则建立SARIMA模型，对IMF分量序列数据进行预测的具体方法为：

对IMF分量序列进行ADF检验，判断平稳性，并绘制ACF图和PACF图；

根据ACF图和PACF图，确定差分次数和SARIMA模型阶数；

对IMF分量序列进行差分，得到差分后IMF分量序列图；

根据ACF图和PACF图，对SARIMA模型进行参数估计；

对SARIMA模型参数进行显著性检验和残差检验，检验通过，则对IMF序列分量进行预测；若检验不通过，则重新确定SARIMA模型阶数，直至最终检验通过，对IMF分量序列进行预测。

5.根据权利要求3所述的零售产品销量预测方法，其特征在于，若IMF分量序列数据无周期性，则建立ARIMA模型，对IMF分量序列数据进行预测的方法为：

对IMF分量序列进行自相关性检验，并通过差分消除趋势项，得到新IMF分量序列；

对新IMF分量序列进行ADF检验，判断平稳性；

根据新IMF分量序列的平稳性，确定ARIMA模型阶数；

对ARIMA模型进行参数估计；

对ARIMA模型参数进行显著性检验和残差检验，检验通过，则对IMF分量序列进行预测；若检验不通过，则重新确定ARIMA模型阶数，直至最终检验通过，对IMF分量序列进行预测。

6.一种根据权利要求4或5所述的零售产品销量预测方法，其特征在于，判断平稳性的方法为：采用单位根检验法对IMF分量序列进行平稳性检验，并通过Python的statsmodels库中的方法获取时间序列的检验结果，结果同时小于1％、5％和10％置信区间的临界值，且P-value小于0.05，则此IMF分量序列具有平稳性。