[发明专利]商品订单预测方法及装置、存储介质、终端

说明书

一种商品订单预测方法及装置、存储介质、终端，所述方法包括：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。本发明方案可以充分地利用历史订单大数据中获得的特征信息，提高商品订单预测的准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种商品订单预测方法及装置、存储介质、终端。

背景技术

在现代大规模物流系统中，对商品订单进行准确的预测具有很强的经济和社会意义。准确的商品订单预测不仅能够预防爆仓、订单延误等风险，还可以在日常的运营中减少资源浪费，提高运营效率。

作为进行决策判断的重要一环，已有大量与商品订单预测有关的相关研究。例如在一种现有技术中，如申请公布号CN107038492A的专利，其公开了一种利用ARMA模型进行订单预测的方法。然而ARMA模型虽然能够从历史数据中提取出一些时间序列的特征，但仍属于传统的宏观分析方法。由于其模型的复杂度非常有限，所能表征的特征种类也比较单一，导致该方法的预测结果准确性较低，应用范围受到较大限制。

在现有技术中，还存在引入小波神经网络的商品订单预测方法，然而由于神经网络只有单隐层的感知机，同样存在特征抽取能力不足的问题，导致该预测方法获得的预测结果对于实际的商品订单评估运营帮助不大。

亟需提供一种商品订单预测方法，以充分地利用历史订单大数据中获得的特征信息，提高商品订单预测的准确性。

发明内容

本发明解决的技术问题是提供一种商品订单预测方法及装置、存储介质、终端，可以充分地利用历史订单大数据中获得的特征信息，提高商品订单预测的准确性。

为解决上述技术问题，本发明实施例提供一种商品订单预测方法，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。

可选的，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，所述商品订单预测方法还包括：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。

可选的，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。

可选的，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。

可选的，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：