[发明专利]一种应用于电子商务的商品销量预测算法

摘要

本发明公开了一种应用于电子商务的商品销量预测算法，在得到原始交易数据之后，定义并计算两种社会影响力，即“同一商品中消费者互相作用产生的影响力”和“不同商品之间消费者互相作用产生的影响力”。在构建完这两种社会影响力后，首先将商品的销量分为两个部分，即销量的主体部分和销量的噪声部分。其次，使用这两种社会影响力去分别预测销量的主体部分和噪声部分。最后，将上述的两个销量预测整合到一个统一的预测模型中并优化求解。本发明致力于从消费者互相作用的影响力去解读商品的销量变化，更好地适应真实电子商务环境中的商品销量预测需求。

主权项

一种应用于电子商务的商品销量预测算法，其特征在于，包括以下步骤：步骤1，给出所需要的原始交易数据，具体包括以下子步骤，步骤11，设立交易环境中的消费者集合为，消费者总数为M，其中表示的是第i个消费者；设立交易环境中的商品集合为，商品总数为N，其中表示的是第n个商品；设立交易环境中的交易日期集合为，其中T表示交易日的总数，t表示第t个交易日；步骤12，设立商品的销量为，其中表示商品在第t天的销量；并设立在交易环境中与商品相似的商品的集合为；步骤13，设立消费者和商品之间的交易关系，具体为如果消费者购买了商品，那么其购买商品的日期定义为；步骤2，建立在交易环境中的两种社会影响力，即“同一商品中消费者互相作用产生的影响力”和“不同商品之间消费者互相作用产生的影响力”，具体包括，步骤21，在交易环境中，设立商品在第t天的“同一商品中消费者互相作用产生的影响力”为，其由一个长度为的向量所表示，即该向量长度为消费者总数的平方；具体而言，对于消费者和消费者，如果满足以下两点(1)他们都在第天至第t天这段时间内购买了商品，(2)消费者的购买商品时间早于消费者的购买商品时间，并且这两个时间之间的间隔日期小于天，其中和为预先设定的数值，那么定义中的第个元素为1，反之则定义为0；相应的，中的第个元素的数学表示为$a_{n,t}\left(\left(i-1\right)\×M+j\right)=\left\{\begin{array}{ccc}1& for& \mathrm{\τ}\left(i,n\right),\mathrm{\τ}\left(j,n\right)\∈\[t-t_r,t\]\\ & & \mathrm{\τ}\left(j,n\right)-\mathrm{\τ}\left(i,n\right)\∈\left(0,{\mathrm{\Δ}}_t\right)\\ 0& for& other\end{array}\right.;$   公式1步骤22，在交易环境中，设立商品在第t天的“不同商品之间消费者互相作用产生的影响力”为，其由一个长度为的向量所表示，即该向量长度为消费者总数的平方；具体而言，对于消费者和消费者，如果满足以下两点(1)消费者在第天至第t天这段时间内购买了商品，消费者在第天至第t天这段时间内购买了商品，其中商品为商品的相似商品，即，(2)消费者的购买商品时间早于消费者的购买商品时间，并且这两个时间之间的间隔日期小于天，其中和为预先设定的数值，那么定义中的第个元素为1，反之则定义为0；相应的，中的第个元素的数学表示为$b_{n,t}\left(\left(i-1\right)\×M+j\right)=\left\{\begin{array}{ccc}1& for& \mathrm{\τ}\left(i,n^{\′}\right),\mathrm{\τ}\left(j,n\right)\∈\[t-t_r,t\]\\ & & \mathrm{\τ}\left(j,n\right)-\mathrm{\τ}\left(i,n^{\′}\right)\∈\left(0,{\mathrm{\Δ}}_t\right)\\ 0& for& other\end{array}\right.$公式2；步骤3，建立商品销量的预测模型，具体包括，步骤31，将商品的销量分为两个部分，即销量的主体部分和销量的噪声部分；具体而言，设定商品在第t天的销量的主体部分为，设定商品在第t天的销量的噪声部分为，并且满足以下关系，步骤32，构建预测模型的目标函数；首先，由于商品的多样性，设定将商品分成K个商品类；具体为，商品属于第k个商品类的概率为，并且满足以下条件；其次，通过“同一商品中消费者互相作用产生的影响力”去预测商品销量的主体部分；具体为建立预测商品销量的主体部分的目标函数，该函数如下所示，$min\underset{n=1}{\overset{N}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}\frac{1}{2}{\left(x_{n,t}-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{S_n,k}{w}_k^{\stackrel{\·\·}{I}}{a}_{n,t}\right)}^2+{\mathrm{\λ}}_1\underset{t=2}{\overset{T}{\Σ}}\left|x_{n,t}-x_{n,t-1}\right|$公式3；该目标函数的第一项是一种混合线性回归函数，其中代表的是第k个商品类中针对销量主体部分的回归向量，在上式函数中一共有K个回归向量，为向量转置符号,第二项是约束项，它要求商品销量的主体部分在时间上应该保持平滑性，其中是调节第一项和第二项之间权重大小的参数；然后，通过“不同商品之间消费者互相作用产生的影响力”去预测商品销量的噪声部分；具体为建立预测商品销量的噪声部分的目标函数，该函数如下所示，$min\underset{n=1}{\overset{N}{\Σ}}\underset{t=1}{\overset{T}{\Σ}}\frac{1}{2}{\left(z_{n,t}-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{S_n,k}{v}_k^{\stackrel{\·\·}{I}}{b}_{n,t}\right)}^2+{\mathrm{\λ}}_2\underset{t=2}{\overset{T}{\Σ}}\left|z_{n,t}\right|$公式4；该目标函数的第一项同样也是一种混合线性回归函数，其中代表的是第k个商品类中针对销量噪声部分的回归向量，在上式函数中一共有K个回归向量，为向量转置符号，第二项是约束项，它要求商品销量的噪声部分是稀疏的，即只有受到较强的外界噪声干扰时，噪声部分有数值，在其他大部分情况下，噪声部分数值为0，其中是调节第一项和第二项之间权重大小的参数；最后，将上述的两个销量预测整合到一个统一的预测模型中并优化求解；最终的商品销量预测模型的目标函数为，$\begin{array}{c}\min \underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\{\frac{1}{2}{\left(x_{n,t}-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{S_{n,k}}{w}_k^{\stackrel{\·\·}{I}}{a}_{n,t}\right)}^2+{\mathrm{\λ}}_1\underset{t=2}{\overset{T}{\mathrm{\Σ}}}\left|x_{n,t}-x_{n,t-1}\right|\\ +\frac{1}{2}{\left(z_{n,t}-\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{p}_{S_{n,k}}{v}_k^{\stackrel{\·\·}{I}}{b}_{n,t}\right)}^2+{\mathrm{\λ}}_2\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left|z_{n,t}\right|\}\end{array}$公式5；$\begin{array}{cc}s.t.& y_{n,t}=x_{n,t}+z_{n,t},\underset{k=1}{\overset{K}{\Σ}}{p}_{S_n,k}=1\end{array}$在该目标函数中，已知变量为商品销量和两种两种社会影响力；所求的未知变量为商品销量的主体部分和噪声部分,商品从属于商品类的概率回归向量。