[发明专利]一种基于深度学习的商品采购量预测方法及装置

权利要求书

1.一种基于深度学习的商品采购量的预测方法，其特征在于，包括：

获取目标商品的历史销售数据；

根据所述历史销售数据，进行训练生成神经网络模型；

利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；

利用所述预测结果，计算得到所述目标商品的采购量。

2.根据权利要求1所述的方法，其特征在于，所述获取目标商品的历史销售数据，包括：

获取所述目标商品在目标周期内的初始销售数据；

对所述初始销售数据进行数据清洗，获得历史销售数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述历史销售数据，进行训练生成神经网络模型，包括：

将所述历史销售数据进行划分，得到训练集和测试集；

创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；

通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；

依据所述训练测试结果确定所述神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述依据所述训练测试结果确定所述神经网络模型，包括：

若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述利用所述预测结果，计算得到所述目标商品的采购量，包括：

根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；

根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。

6.一种基于深度学习的商品采购量预测装置，其特征在于，包括：

获取单元，用于获取目标商品的历史销售数据；

生成单元，用于根据所述历史销售数据，进行训练生成神经网络模型；

预测单元，用于利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；

计算单元，用于利用所述预测结果，计算得到所述目标商品的采购量。

7.根据权利要求6所述的装置，其特征在于，所述获取单元包括：

获取子单元，用于所述目标商品在目标周期内的初始销售数据

数据清洗子单元，用于对所述初始销售数据进行数据清洗，获得历史销售数据。

8.根据权利要求6所述的装置，其特征在于，所述生成单元包括：

划分子单元，用于将所述历史销售数据进行划分，得到训练集和测试集；

训练子单元，用于创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；

测试子单元，用于通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；

确定子单元，用于依据所述训练测试结果确定所述神经网络。

9.根据权利要求8所述的装置，其特征在于，所述确定子单元还包括：

优化子单元，用于若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。

10.根据权利要求6所述的装置，其特征在于，所述计算单元包括：

系数生成子单元，用于根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；

计算子单元，用于根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。