[发明专利]一种销量预测方法、销量预测装置及电子设备

权利要求书

1.一种销量预测方法，其特征在于，该方法包括：

获取待预测产品的历史销量数据；

对所述历史销量数据进行预处理，得到历史销量序列；

若所述历史销量数据的时间长度大于或等于设定阈值，则将所述历史销量序列输入已训练的第一循环神经模型进行预测，得到所述待预测产品的销量预测结果，所述第一循环神经模型包括N层循环神经网络，所述N≥3，且所述N为整数；

若所述历史销量数据的时间长度小于设定阈值，则根据已训练的第二循环神经模型对所述待预测产品进行预测，得到所述待预测产品的销量预测结果，所述第二循环神经模型包括特征提取网络和神经预测网络，所述第二循环神经模型的训练过程与所述历史销量序列相关。

2.如权利要求1所述的销量预测方法，其特征在于，所述历史销量数据以天为单位，所述对所述历史销量数据进行预处理，得到历史销量序列，包括：

若所述历史销量数据存在缺失数据，则根据所述缺失数据的日期间隔填充所述缺失数据，所述日期间隔为所述缺失数据与最接近的未缺失数据所间隔的日期；

对完成填充的所述历史销量数据执行数据平滑处理以及归一化处理，得到所述历史销量序列。

3.如权利要求1或权利要求2所述的销量预测方法，其特征在于，所述第一循环神经模型包括天循环神经网络、月循环神经网络以及季度循环神经网络，所述将所述历史销量序列输入已训练的第一循环神经模型进行预测，得到所述待预测产品的销量预测结果，包括：

将所述历史销量序列输入所述天循环神经网络得到天特征向量；

将所述历史销量序列输入所述季度循环神经网络得到各个季度的季度隐藏状态；

将每个月的历史销量序列和对应月的拼接特征输入所述月循环神经网络，得到所述销量预测结果，所述拼接特征根据每个月的历史销量序列、对应月的天特征向量以及对应月所属季度的季度隐藏状态拼接而得。

4.如权利要求3所述的销量预测方法，其特征在于，所述将所述历史销量序列输入所述天循环神经网络得到天特征向量，包括：

针对每个月，将所述月的历史销量序列以天为单位划分后分别输入所述天循环神经网络的各个天门控循环单元内，得到每个所述天门控循环单元输出的天隐藏状态，将每个所述天隐藏状态执行注意力操作后得到所述月的天特征向量。

5.如权利要求3所述的销量预测方法，其特征在于，所述将所述历史销量序列输入所述季度循环神经网络得到各个季度的季度隐藏状态，包括：

针对每个季度，将属于所述季度的各个月的历史销量序列输入所述季度循环神经网络的季度门控循环单元内，得到所述季度门控循环单元输出的所述季度的季度隐藏状态。

6.如权利要求1或权利要求2所述的销量预测方法，其特征在于，所述第二循环神经模型的训练过程包括：

根据所述待预测产品确定参考产品，所述参考产品的参考销量数据对应的时间长度大于或等于设定阈值；

对与所述历史销量数据的时间对应的所述参考销量数据进行预处理，得到参考销量序列；

将所述历史销量序列和所述参考销量序列输入待训练的第二神经模型的特征提取网络进行特征提取，分别得到历史销量特征向量和参考销量特征向量；

将所述历史销量特征向量和所述参考销量特征向量分别输入所述待训练的第二循环神经模型的判别网络进行判别，得到域分类结果；

将所述参考销量特征向量输入所述待训练的第二循环神经模型的神经预测网络进行预测，得到训练预测结果；

基于所述域分类结果和所述训练预测结果对所述待训练的第二循环神经模型进行优化，得到已训练的第二循环神经模型。

7.如权利要求6所述的销量预测方法，其特征在于，所述根据已训练的第二循环神经模型对所述待预测产品进行预测，得到所述待预测产品的销量预测结果，包括：

将所述参考销量序列输入所述已训练的第二循环神经模型的特征提取网络进行特征提取，得到待预测特征向量；

将所述待预测特征向量输入所述已训练的第二循环神经模型的神经预测网络进行预测，得到所述待预测产品的销量预测结果。