一种商品销量预测模型、构建方法及其应用.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115099842A(43)申请公布日2022.09.23(21)申请号202210600964.4G06F17/18(2006.01)(22)申请日2022.05.30(71)申请人城云科技（中国）有限公司地址310052浙江省杭州市滨江区长河街道江南大道588号恒鑫大厦主楼17层、18层(72)发明人朱淑敏倪海龙刘波(74)专利代理机构杭州汇和信专利代理有限公司33475专利代理师董超(51)Int.Cl.G06Q30/02(2012.01)G06F16/2458(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图2页(54)发明名称一种商品销量预测模型、构建方法及其应用(57)摘要本申请提出了一种商品销量预测模型的构建方法及其应用，包括以下步骤：获取历史销售数据转换而来的销量信息序列和天气信息数据转换而来的天气时间序列；构建预测模型框架，将所述历史销售数据和所述天气信息数据输入到所述预测模型框架中进行训练得到商品销量预测模型；将历史销售数据和未来天气信息输入到构建好的商品销量预测模型中，通过分类操作输出下一时段的销量作为预测结果。通过本方案可以结合天气情况预测出未来短期内商品的销售数量，可为商家合理安排后续的销售商品，把握客户购买趋势，使利润最大化。CN115099842ACN115099842A权利要求书1/2页1.一种商品销量预测模型的构建方法，其特征在于，包括以下步骤：获取历史销售数据与对应所述历史销售数据的天气信息数据，将所述历史销售数据转换为记录不同时间段的商品销售数量的销量时间序列，将所述天气信息数据转换为记录不同时间段的天气信息的天气时间序列；构建预测模型框架，将所述销量时间序列和所述天气时间序列输入到所述预测模型框架中进行训练得到商品销量预测模型，所述预测模型框架包括四个子网络，其中所述四个子网络分别为：聚焦权重系数模块、并行连接所述聚焦权重系数模块的连续特征学习模块和周期特征学习模块、融合所述连续学习模块和周期学习模块的融合模块；对所述融合模块输出的融合特征进行分类操作得到预测结果。2.根据权利要求1所述的一种商品销量预测模型的构建方法，其特征在于，所述聚焦权重系数模块提取所述销量时间序列的特征向量矩阵和所述天气时间序列的特征向量矩阵，并进行权重系数的聚焦，获得所述销量时间序列和天气时间序列所占的权重比例，所述连续特征学习模块提取所述销量时间序列中的连续特征，所述周期特征学习模块提取所述销量时间序列中的周期特征，所述融合模块对所述连续特征和所述周期特征分配合理的权重并与所述天气信息序列融合得到融合特征。3.根据权利要求1所述的一种商品销量预测模型的构建方法，其特征在于，所述聚焦权重系数模块为一层卷积神经网络，通过卷积核提取所述销量时间序列和所述天气时间序列的特征向量矩阵；所述连续特征学习模块和所述周期特征学习模块结构相同，由多个编码器和与所述编码器个数相同的解码器依次相连组成，最后一个所述编码器的输出输入到第一个所述解码器中进行解码，最后一个所述解码器将解码结果输入到所述融合模块。4.根据权利要求3所述的一种商品销量预测模型的构建方法，其特征在于，所述编码器以前馈神经网络为基础结合多头注意力机制层构成，将从所述聚焦权重系数模块中提取的所述销量时间序列特征向量矩阵嵌入到所述编码器中进行位置编码后，送入所述编码器中的多头注意力机制层进行多头注意力计算和残差连接并进行归一化处理，随后进行前向传播到下一层与该编码器相连的编码器或解码器。5.根据权利要求3所述的一种商品销量预测模型的构建方法，其特征在于，所述解码器的首层是遮蔽多头注意力机制层，所述遮蔽多头注意力机制层之后是多头注意力机制层，所述解码器中的多头注意力机制层与最后一个所述编码器的输出相连，所述解码器中的多头注意力机制层后为线性变化层，所述解码器的最后一层为分类层。6.根据权利要求1所述的一种商品销量预测模型的构建方法，其特征在于，设定一个基于时间跨度的第一设定阈值，所述连续特征学习模块采用所述销量时间序列的时间跨度小于所述第一设定阈值的数据，所述周期特征学习模块采用所述销量时间序列的时间跨度大于所述第一设定阈值的数据。7.根据权利要求1所述的一种商品销量预测模型的构建方法，其特征在于，根据所述历史销售数据和所述天气时间序列对该时间段内的特殊日期和促销日进行标记。8.一种商品销量预测模型，其特征在于，采用上述权利要求1‑7任一所述的一种商品销量预测模型的构建方法构建。9.一种商品销量预测方法，其特征在于，获取未来天气信息和所述历史销售数据作为输入信息输入到构建好的商品销量预测模型中，通过分类操作输出下一时段的销量作为预2CN11