[发明专利]一种电子商务网站商品季节性预测模型创建方法

说明书

本申请公开了一种电子商务网站商品季节性预测模型创建方法，用于提高对新商品进行季节性预测的准确性。本申请方法包括：获取训练样本集合；构建初始神经网络预测模型；从训练样本集合中选取训练样本输入初始神经网络预测模型中；通过商品季节性判别层提取训练样本的标签特征和商品特征；将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差；将目标残差输入softmax函数层进行分析得到季节判别概率数据；根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据；判断损失值变化数据在预设区间内的损失值是否收敛于0；若是，则确定初始神经网络预测模型训练完成。

技术领域

本申请实施例涉及预测模型领域，尤其涉及一种电子商务网站商品季节性预测模型创建方法。

背景技术

随着经济的不断发展，各种各样的商品层出不穷，商品的畅销程度取决于方方面面，更取决于对市场未来走势的先期判断，尤其是对于季节性的判断尤为重要。

现有的商品可以分为在已有商品上变化的新商品、在已有商品上进行改进的新商品以及全新商品。全新商品是以往的市场中未出现过的，故无法预测其季节畅销进行预测与判断。而已有商品上变化的新商品、在已有商品上进行改进的新商品与原商品存在较高的相似性，可以选择与原有商品的历史数据进行预测。对于服装商品来说，现有的服装商品种类丰富，各大商家只能设计款式，但是很难完全革新某一类服装商品。例如：原有商品为某一款式的外套，其颜色为单一的白色，商家推出的新款式为黑白斑马条纹，通过变化了图案创作出新的商品，并且商家有退出一款外套，在袖口加上了一个新的结构，即对原有商品进行了更新创作出了新的产品，这类商品相对于原商品的相似度较高，可以参考原商品的销售历史数据推算出新商品的季节性，即预测新商品在哪一个季节的销售情况更好。

现有的预测方法是通过人为分析确定与新商品最接近的原商品，再获取原商品的历史销售数据，并且根据历史销售数据的趋势和走向进行计算，通过数学模型对历史销售数据的趋势和走向进行系统性的分析，得到季节性预测结果。但是，目前的新商品通常会融合多个原商品的特征，例如某一外套参考了第一款畅销外套的整体架构，参考了第二款畅销外套的领口设计和袖口设计，参考了第三款外套的口袋设计，这时就需要融合三款外套的历史销售数据进行预测，而不能接近参考第一款外套的历史销售数据。用于无法确定新商品与原有商品的相似度，通常只能人为的确定新商品和原有多个商品相似度，再结合季节性预测模型来计算，但是这样预测出来的结果由于存在人为因素，会使得预测结果大打折扣，综上所述，现有的季节性预测模型针对多种新商品的历史销售数据对新产品进行季节性预测的准确性低。

发明内容

本申请公开了一种电子商务网站商品季节性预测模型创建方法，用于提高对新商品进行季节性预测的准确性

本申请提供了一种电子商务网站商品季节性预测模型创建方法，包括：

获取训练样本集合，训练样本集合中包含至少两张融合了商品季节标签和分类标签的商品图像，训练样本集合中的训练样本都设置有对应的目标预测值；

构建初始神经网络预测模型，初始神经网络预测模型包括商品季节性判别层和softmax函数层，商品季节性判别层包括特征提取层、N个标签残差层、特征融合层；

从训练样本集合中选取训练样本输入初始神经网络预测模型中；

通过商品季节性判别层提取训练样本的标签特征和商品特征；

将标签特征和商品特征依次输入N个标签残差层和特征融合层中进行残差提取，生成目标残差；

将目标残差输入softmax函数层进行分析得到季节判别概率数据，季节判别概率数据包含至少四个季度的季节判别概率值；

根据季节判别概率数据、目标预测值和初始神经网络预测模型的预设损失函数计算损失值，以生成损失值变化数据，损失值变化数据为每一次训练生成的损失值的统计数据；