[发明专利]基于KNN的时序迁移学习在销量预测中的应用

权利要求书

1.一种基于KNN的时序迁移学习的销量预测方法，其特征在于：以Lookalike作为KNN的轮廓范围识别基准，计算获得具有相似时序特征指数的对象集作为可识别对象群，将包含可识别对象群的所有指标集作为迁移样本，通过使用随机森林Random Forest Tree模型，进行迁移学习建模以获得销量预测模型。

2.如权利要求1所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于，具体步骤如下所示:

S1：以指定粒度计算出衍生指标群，得到样本集Smp；

S2：以区域+SKU计算时序特征指数；

S3：计算每个区域+SKU的时序特征指数与其他区域+SKU的时序特征指数的相似度；

S4：计算产生供迁移学习的拓展迁移样本；

S5：设原指标集为原始源域样本Data_S，ExtObjList_SmpTr为拓展迁移样本，合成的迁移源域样本为：Smp_Tr＝Data_S∪ExtObjList_SmpTr；

Smp＝Smp_Tr；

S6：将S3-S5中每个样本集Smp叠加，形成KNN叠加样本Smp_KNN；

S7：在叠加样本Smp_KNN中，以指定指标Dim作为因变量、Train_Y为预测目标，使用随机森林训练建模，得到Train_Y＝F(Dim)。

3.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

所述时序特征指数为季节指数序列。

4.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

所述S3中相似度包括皮尔逊系数和距离系数。

5.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

所述S3中相似度的具体计算方法如下：

Sim＝1–R

其中，Fs为源域中观测对象的时序特征指数；

Ft为源域中的候选对象的时序特征指数为；

n为时序特征指数的指数数量。

6.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

所述S4中拓展迁移样本的计算方法为：针对每个区域+SKU的时序特征指数，

S4-1.筛选出和该对象相似度满足特定的Sim和D值范围的所有对象集Obj，并将其加入到拓展的Lookalike对象池ExtObj中；

S4-2.将每个Obj对应的若干条指标集，加入到拓展的Lookalike对象样本池ExtObjList_SmpTr中。

7.如权利要求6所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

F(Sim，D)-Max。

8.如权利要求6所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

Sim指定数值I且D＝指定数值II；

其中，所述指定数值I选自0-0.50中的任一数值。

9.如权利要求2所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

将S7中的样本集划分为测试集和训练集；

其中，训练集用于训练模型，测试集用于对模型进行评估。

10.如权利要求9所述的一种基于KNN的时序迁移学习的销量预测方法，其特征在于:

将训练获得的模型，使用测试集数据进行预测，F(Dim)＝Data_Y。