【技術實現步驟摘要】
本專利技術涉及銷量預測，具體涉及一種基于多因子序列的銷量預估方法及系統。
技術介紹
1、銷量預估，是指依照原有的銷售數據、促銷活動等因素，預測未來一段時間內的產品銷量。銷量預估的準確性受到多種復雜因素的影響，因而常出現預估不準確的情況。季節性、促銷活動信息、消費者行為變化等是影響銷量預估準確性的重要因素。現有的銷量預估方法通常在模型側添加季節、節假日特征作為影響因子，然而這種方法存在一個問題，即他不能及時對于節假日、季節變換做出預估響應。當出現了促銷活動的時候，銷量預估模型難以提前預知銷量的暴增，從而會導致促銷期間導致缺貨等異常情況發生。
2、現有技術中，已存在基于計算機技術輔助預測銷量的技術方案，比如，中國專利cn201910024412.1公開了一種銷量預測方法及系統，包括：獲取預測品類及對應的時間信息；根據所述預測品類及對應的所述時間信息，獲取對應的特征數據；將所述特征數據輸入至所述預測品類對應的預設模型組合，預測出所述預測品類在所述時間信息對應的時間內的銷量。本專利技術直接采用系統代替人工進行銷量的預測，降低了對采購人員的能力要求；且采用計算機系統進行預測，預測時考慮的維度和數據量大大增加，為精確預測打下基礎。另外，預測銷量使用多模型組合進行預測，比單純采用一種模型進行預測，精度大大提高。每個品類都有各自對應的預設模型組合，匹配度更好，進一步提高各品類的預測結果。
3、但是，在實際實施過程中，專利技術人發現，上述方案通常是將任意的數據，比如采購銷售單據、庫存數據等多個維度的數據輸入至人工智能模型中
技術實現思路
1、針對現有技術中存在的上述問題，現提供一種基于多因子序列的銷量預估方法；另一方面。
2、具體技術方案如下：
3、一種基于多因子序列的銷量預估方法，包括：
4、步驟s1：針對待預測商品采集所述待預測商品的歷史銷售數據，對所述歷史銷售數據進行處理得到多個因子序列；
5、每個所述因子序列分別對應于一個維度的影響因子在時間序列上的變化趨勢；
6、所述影響因子包括：節假日、促銷日、促銷等級、日期，所述銷售信息還包括銷量數據；
7、步驟s2：依照所述因子序列構建因子向量，隨后生成所述因子向量的注意力值；
8、步驟s3：依照所述注意力值對所述因子向量進行處理，得到所述待預測商品的預測銷量。
9、另一方面，所述步驟s1包括：
10、步驟s11：針對所述待預測商品采集所述歷史銷售數據；
11、步驟s12：對所述歷史銷售數據依照所述影響因子分別進行抽取，得到對應的抽取數據；
12、步驟s13：依照時間序列對所述抽取數據進行組裝，得到所述因子序列。
13、另一方面，所述步驟s2包括：
14、步驟s21：將每條所述因子序列分別轉換為因子向量；
15、步驟s22：對所述因子向量進行拼接形成拼接向量；
16、步驟s23：針對所述拼接向量進行計算得到所述注意力值。
17、另一方面，所述步驟s23包括：
18、步驟s231：針對所述拼接向量，于每一個時刻上依照所述影響因子對應的所述銷量數據分別構建分時注意力向量；
19、步驟s232：針對多個不同時刻上的每一類所述分時注意力向量，計算對應于所述影響因子的注意力值并輸出。
20、另一方面，所述步驟s3包括：
21、步驟s31：針對每個所述影響因子，分別獲取當前的注意力值和多個歷史注意力值；
22、步驟s32：依照所述當前注意力值和所述歷史注意力值加權得到所述影響因子的因子注意力值；
23、步驟s33：采用所有的所述因子注意力值和所述銷售信息進行預測得到所述預測銷量。
24、一種基于多因子序列的銷量預估系統，用于實施上述的銷量預估方法，包括：
25、信息處理模塊，所述信息處理模塊針對待預測商品采集所述待預測商品的歷史銷售數據，對所述歷史銷售數據進行處理得到多個因子序列；
26、每個所述因子序列分別對應于一個維度的影響因子在時間序列上的變化趨勢；
27、所述影響因子包括：節假日、促銷日、促銷等級、日期，所述銷售信息還包括銷量數據；
28、注意力計算模塊，所述注意力計算模塊連接所述信息處理模塊，所述注意力計算模塊依照所述因子序列構建因子向量，隨后生成所述因子向量的注意力值；
29、預測模塊，所述預測模塊連接所述注意力計算模塊，所述預測模塊依照所述注意力值對所述因子向量進行處理，得到所述待預測商品的預測銷量。
30、另一方面，所述信息處理模塊包括：
31、信息采集模塊，所述信息采集模塊針對所述待預測商品采集所述歷史銷售數據；
32、抽取模塊，所述抽取模塊連接所述信息采集模塊，所述抽取模塊對所述歷史銷售數據依照所述影響因子分別進行抽取，得到對應的抽取數據；
33、序列組裝模塊，所述序列組裝模塊連接所述抽取模塊，所述序列組裝模塊依照時間序列對所述抽取數據進行組裝，得到所述因子序列。
34、另一方面，所述注意力計算模塊包括：
35、向量轉換模塊，所述向量轉換模塊將每條所述因子序列分別轉換為因子向量；
36、拼接模塊，所述拼接模塊連接所述向量轉換模塊，所述拼接模塊對所述因子向量進行拼接形成拼接向量；
37、計算模塊，所述計算模塊連接所述拼接模塊，所述計算模塊針對所述拼接向量進行計算得到所述注意力值。
38、另一方面，所述計算模塊包括：
39、分時處理模塊，所述分時處理模塊針對所述拼接向量，于每一個時刻上依照所述影響因子對應的所述銷量數據分別構建分時注意力向量；
40、匯總模塊，所述匯總模塊連接所述分時處理模塊，所述匯總模塊針對多個不同時刻上的每一類所述分時注意力向量，計算對應于所述影響因子的注意力值并輸出。
41、另一方面，所述預測模塊包括：
42、數據獲取模塊，所述數據獲取模塊針對每個所述影響因子，分別獲取當前的注意力值和多個歷史注意力值；
43、加權模塊，所述加權模塊連接所述數據獲取模塊，所述加權模塊依照所述當前注意力值和所述歷史注意力值加權得到所述影響因子的因子注意力值；
44、銷量預測模塊，所述銷量預測模塊采用所有的所述因子注意力值和所述銷售信息進行預測得到所述預測銷量。
45、上述技術方案具有如下優點或有益效果：
46、針對現有技術中的人工智能模型在預測銷量的過程中會隨機選擇特征，訓練效率較低且識別可能不準確的問題，本方案中預先確定本文檔來自技高網...
【技術保護點】
1.一種基于多因子序列的銷量預估方法，其特征在于，包括：
2.根據權利要求1所述的銷量預估方法，其特征在于，所述步驟S1包括：
3.根據權利要求1所述的銷量預估方法，其特征在于，所述步驟S2包括：
4.根據權利要求3所述的銷量預估方法，其特征在于，所述步驟S23包括：
5.根據權利要求1所述的銷量預估方法，其特征在于，所述步驟S3包括：
6.一種基于多因子序列的銷量預估系統，其特征在于，用于實施如權利要求1-5任意一項所述的銷量預估方法，包括：
7.根據權利要求6所述的銷量預估系統，其特征在于，所述信息處理模塊包括：
8.根據權利要求6所述的銷量預估系統，其特征在于，所述注意力計算模塊包括：
9.根據權利要求3所述的銷量預估系統，其特征在于，所述計算模塊包括：
10.根據權利要求6所述的銷量預估系統，其特征在于，所述預測模塊包括：
【技術特征摘要】
1.一種基于多因子序列的銷量預估方法，其特征在于，包括：
2.根據權利要求1所述的銷量預估方法，其特征在于，所述步驟s1包括：
3.根據權利要求1所述的銷量預估方法，其特征在于，所述步驟s2包括：
4.根據權利要求3所述的銷量預估方法，其特征在于，所述步驟s23包括：
5.根據權利要求1所述的銷量預估方法，其特征在于，所述步驟s3包括：
6.一種基于多因子序列的...
【專利技術屬性】
技術研發人員：唐建，沈振雷，蘆亞飛，陳義璟，李明威，徐志遠，勾海丁，
申請(專利權)人：中免日上互聯科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。