[发明专利]一种商品销量预测方法及系统

说明书

本发明实施例提供一种商品销量预测方法及系统，包括：获取目标商品在预设历史时间段的销量序列和所有类似商品在预设历史时间段内的销量序列；获取相同特征商品促销活动序列的归一化销量；将目标商品在预设历史时间段的销量序列、所有类似商品在预设历史时间段的销量序列和相同特征商品促销活动序列的归一化销量输入到卷积层中，获取特征空间向量；将目标商品的静态特征、在预设历史时间段内的销量序列、平台爆发销量序列、商品爆发销量序列和特征空间向量进行拼接，将拼接之后的特征输入全连接层，获取目标商品在预测未来时间段内的销量。本发明实施例有效利用未来时间内平台的促销活动及商品的特卖排期信息，大幅提升预估准确度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种商品销量预测方法及系统。

背景技术

销量预测是指对商品在未来一段时间内的累积销售数量进行估计，典型的应用场景是在电商平台中，商家基于对每个所售商品的销量预测结果，设置合理的配货安排，避免因货品积压或数量不足给商家带来损失。而在现有的实际生产应用中下，预测结果只能基于每个商品历史的销售额进行初步预估，再结合人工经验进行调整，面对庞大的商品数量，需要耗费大量人力的同时预测准确度无法得到保证，从而带来高昂的成本。

目前使用机器学习算法来完成销量预测任务时主要将其作为时间序列预测问题进行分析，利用商品历史的销售额序列预测未来一段时间内的销量。常用的传统方法有自回归滑动平均模型(Autoregressive moving average model，简称ARMA模型)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，简称ARIMA模型)等，这些方法将非平稳的时间序列数据进行平稳化后，计算序列的相关参数用于后续的回归分析，但是该类方法仅基于过去的时间序列预测接下来的序列，没有考虑到商品的属性特征对消费者购买选择的影响，因此预测的准确度较差，同时也没有利用到商品之间的相似性，导致训练出的预测模型仅针对一个序列，无法泛化。

现有技术中一些其它算法需要人为选择特征作为输入进行预测，对于每一个特征都需要单独调整其权重，训练的效率很低。利用LSTM和GRU等神经网络模型，结合商品自身属性可以预测出商品在未来一段时间内的销量，然而在预测后续天销量时要使用到之前销量的预测值，从而随着预测时间窗口变长在计算总的销量预测结果时会导致误差的反复累加。

如何综合考虑影响商品销量的多种信息提升销量预测的准确度，合理设计网络结构并实现端到端的训练是一个亟待解决的问题。

发明内容

针对上述问题，本发明实施例提供一种商品销量预测方法及系统。

第一方面，本发明实施例提供一种商品销量预测方法，包括：

获取目标商品在预设历史时间段的销量序列和所有类似商品在所述预设历史时间段内的销量序列，对于任一类似商品，所述任一类似商品的产品编号与所述目标商品的产品编号相同；

获取相同特征商品促销活动序列的归一化销量，所述相同特征商品促销活动序列与所述目标商品在预测未来时间段内促销活动序列的余弦相似度大于预设阈值；

将所述目标商品在所述预设历史时间段的销量序列、所有类似商品在所述预设历史时间段的销量序列和所述相同特征商品促销活动序列的归一化销量输入到卷积层中，获取特征空间向量；

将所述目标商品的静态特征、所述目标商品在所述预设历史时间段内的销量序列、所述目标商品的平台爆发销量序列、所述目标商品的商品爆发销量序列和所述特征空间向量进行拼接，将拼接之后的特征输入全连接层，获取所述目标商品在所述预测未来时间段内的销量，所述目标商品的平台爆发销量序列表示销售平台促销对所述目标商品销量的影响，所述目标商品的商品爆发销量序列表示所述目标商品促销对所述目标商品销量的影响。