[发明专利]商品订单预测方法及装置、存储介质、终端

权利要求书

1.一种商品订单预测方法，其特征在于，包括以下步骤：

确定当前宽度神经网络特征以及当前深度神经网络特征；

将所述当前宽度神经网络特征以及当前深度神经网络特征输入宽深结合模型，以得到商品的预测订单数；

其中，所述当前宽度神经网络特征以及当前深度神经网络特征包括所述商品的当前属性特征、当前外部特征、历史订单数据以及所述当前属性特征与当前外部特征的联合特征；

其中，在将所述宽度神经网络特征以及深度神经网络特征输入至宽深结合模型之前，还包括：

确定N组历史宽度神经网络特征以及N组历史深度神经网络特征；

根据所述N组历史宽度神经网络特征以及N组历史深度神经网络特征，经过训练确定K个暂定宽深结合模型，K为正整数，N为正整数；

根据所述K个暂定宽深结合模型，确定宽深结合模型；

其中，所述历史宽度神经网络特征以及历史深度神经网络特征包括所述商品的历史属性特征、历史外部特征、历史订单数据以及所述历史属性特征与历史外部特征的联合特征；

其中，根据所述N组历史宽度神经网络特征以及N组历史深度神经网络特征，经过训练确定K个暂定宽深结合模型包括：

设定K组超参数、初始隐层权重值以及初始输出层权重值，其中，每组超参数包括深度神经网络的隐层数、所述深度神经网络的隐层单元数；

对于第k组超参数，依次进行多轮迭代运算，以确定多轮预测订单数，以及每轮预测订单数与历史实际订单数的差值e；

当所述差值e收敛时，确定当前宽深结合模型为对应于第k组超参数的第k个暂定宽深结合模型，其中，1≤k≤K；

其中，依次进行多轮迭代运算，以确定多轮预测订单数包括：

根据第n组历史深度神经网络特征以及第n轮隐层权重值，采用深度神经网络算法，输出第n轮深度网络输出值；

根据所述第n轮深度网络输出值、第n组历史宽度神经网络特征以及第n轮输出层权重值，经过加权求和运算，确定第n轮预测订单数；

其中，第n+1轮隐层权重值以及第n+1轮输出层权重值是根据所述第n轮预测订单数与历史实际订单数的差值e_n确定的，1≤nN；

其中，采用下述公式，根据所述第n轮预测订单数与历史实际订单数的差值e_n，确定第n+1轮隐层权重值以及第n+1轮输出层权重值：

w_n+1＝δw_n+1+w_n；

其中，w_n+1用于表示第n+1轮隐层权重值以及第n+1轮输出层权重值，w_n用于表示第n轮隐层权重值以及第n轮输出层权重值，α用于表示预设的学习率，δw_n+1用于表示第n+1轮隐层权重值的更新量以及第n+1轮输出层权重值的更新量；

其中，根据所述K个暂定宽深结合模型，确定宽深结合模型包括：

确定M组历史宽度神经网络特征以及M组历史深度神经网络特征，所述M组历史宽度神经网络特征与所述N组历史宽度神经网络特征不同，所述M组历史深度神经网络特征与所述N组历史深度神经网络特征不同，M为正整数；

根据所述M组历史宽度神经网络特征以及M组历史深度神经网络特征，分别对所述K个暂定宽深结合模型进行验证，以确定所述K个暂定宽深结合模型的预测订单数与历史实际订单数的M个差值e；

比较所述M个差值e，确定所述宽深结合模型；

其中，所述历史属性特征与历史外部特征的联合特征是根据所述历史属性特征、历史外部特征，经由外积的方式获得的；

所述历史外部特征选自以下一项或多项：历史每月节假日天数、历史每月原油平均价格、历史每月居民消费价格指数、历史每月广义货币增速；

所述当前属性特征与当前外部特征的联合特征是根据所述当前属性特征、当前外部特征，经由外积的方式获得的；

所述当前外部特征选自以下一项或多项：当前月节假日天数、当前月原油平均价格、当前月居民消费价格指数、当前月广义货币增速指数。