[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

说明书

本发明公开了一种零售产品销量预测方法、工具、系统、设备及存储介质，属于售企业销售决策技术领域，首先使用EEMD模型对零售企业销售数据进行分解处理，再分析分解后各IMF分量序列的准周期信息，获取销量变化的内在规律。最后，通过根据各IMF分量序列的准周期信息建立SARIMA模型或ARIMA模型，对各IMF分量序列的销量分别进行预测，并将各个预测结果拟合加和，实现对零售企业销量的合理科学的预测，具有高可信度和预测精度，能够为后续零售企业销售决策提供可靠的依据。解决了现有技术中零售企业销售预测研究匮乏，不能满足零售企业销售预测需求问题。

技术领域

本发明属于零售企业销售决策技术领域，涉及多种预测模型的混合构建方法，尤其是一种混合模型的零售产品销量预测方法、工具、系统、设备及存储介质。

背景技术

销售预测可以看作是一个时间序列预测问题，通过历史观测值对未来销量进行预测，可以概括为已知过去时间点的销量信息和其他相关特征预测未来销量的建模方法。近几年，时间序列预测算法被广泛的应用到各个领域，例如股票预测，风速预测，交通建模等都是以时间为横轴的数据集，销售预测与之类似。

混合模型主要是指集成两个及两个以上的模型完成数据的分析和预测工作,通过多种模型的有序组合取长补短，提高分析及预测精度。常用的分解技术包括：小波分解、压缩感知、经验模态分解等。分解后预测方法可以选择不同的传统预测模型与神经网络模型混合。例如利用EMD-AR模型解决针对非线性非平稳波浪的极短期预报问题，对比AR模型和EMD-AR模型的预报结果发现，EMD-AR模型的预报结果较AR模型有较大提高；应用混合EMD-ARIMA模型，预测黄河上游的期流量，实证结果表明EMD-ARIMA混合模型对水流的月度流量预测具有更好的效果等。

零售企业通常积累了许多比较完善的数据信息，像是商品信息，商品销售数据等。这些历史数据并不是无用的，它们可以对企业未来发展起到帮助作用。比如使用历史的商品销售数据可以对企业的未来销售进行合理科学的预测，根据预测的结果对企业资源进行有效的分配，这不仅可以降低企业的生产消耗成本，从而达到提高收益的目的，也可以为企业的良性发展提供有力的帮助。

但现有技术中，由于零售企业销量的时间序列不仅含有趋势性，而且还包含一定的周期性。因此，针对零售企业项目的销售决策技术领域的建模方法的数据分析研究十分匮乏，传统的销售预测方法如计量经济学方法、投入产出分析方法、系统动力学方法以及人工神经网络方法等着眼于宏观经济分析，不能满足现有零售企业销售的需求。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种零售产品销量预测方法、工具、系统、设备及存储介质，该方案针对销售产生的交易记录进行研究，利用混合模型对数据进行预测，决策者可根据预测结果提出对应的决策信息，为企业决策者提供高效的决策辅助，从而帮助决策者进行决策。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明提供一种零售产品销量预测方法，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。

优选地，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)