[发明专利]SKU级别商品销量预测方法及装置

说明书

本发明实施例提供一种SKU级别商品销量预测方法及装置，该方法包括：获取SKU商品的多种特征数据，分别进行特征提取，得到多个特征向量；将所述多个特征向量输入预设的人工神经网络模型，根据所述人工神经网络模型的输出结果，确定SKU商品预测窗口的总销量；其中，所述特征数据包括，商品静态属性特征、历史窗口销量数据、预测窗口动态特征；所述预设的人工神经网络模型，根据已知预测窗口销量结果作为标签的特征数据，进行训练后得到。预测过程充分提取了商品自身的属性特征，利用到商品之间的相似性和不同性；而商品在预测窗口的动态特征，充分反映了消费者购买选择情况对销量造成的影响，从而该方法能够实现准确的销量预测。

技术领域

本发明涉及商品销量预测领域，尤其涉及一种SKU级别商品销量预测方法及装置。

背景技术

销量预测(Sales volume Predicting)是指对商品在未来一段时间内(通常以天为单位)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，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。

发明内容

为了解决上述问题，本发明实施例提供一种SKU级别商品销量预测方法及装置。

第一方面，本发明实施例提供一种SKU级别商品销量预测方法，包括：获取SKU商品的多种特征数据，分别进行特征提取，得到多个特征向量；将所述多个特征向量输入预设的人工神经网络模型，根据所述人工神经网络模型的输出结果，确定SKU商品预测窗口的总销量；其中，所述特征数据包括，商品静态属性特征、历史窗口销量数据、预测窗口动态特征；所述预设的人工神经网络模型，根据已知预测窗口销量结果作为标签的特征数据，进行训练后得到。

进一步地，所述历史窗口销量数据包括SKU商品历史窗口销量数据，和同产品ID商品历史窗口销量数据，相应地，进行特征提取，得到多个特征向量，包括：对SKU商品历史窗口销量数据，和同产品ID商品历史窗口销量数据，分别采用一维因果卷积进行特征提取；将卷积后的SKU商品历史窗口销量特征、同产品ID商品历史窗口销量特征，以及SKU商品历史窗口销量原始数据进行序列拼接，得到历史窗口销量数据的特征向量。

进一步地，所述商品静态属性特征，包括商品SKU编号、产品ID、品牌编号、品牌类别编号、商品所属各级类目编号中至少一种，相应地，进行特征提取，得到多个特征向量，包括：将每一商品静态属性特征，转换为独热码后，映射到低维的向量空间，得到所述商品静态属性特征的特征向量。