[發明專利]一種銷量預測方法和裝置

在審

• 申請號: 201810558081.5
• 申請日: 2018-06-01
• 公開（公告）號: CN110555578A
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 裘實;張瞻;李聚信;蔣佳濤
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/06
• 代理公司: 11219 中原信達知識產權代理有限責任公司
• 代理人: 張一軍;張效榮

本發明公開了一種銷量預測方法和裝置，涉及計算機技術領域。該方法的一具體實施方式包括：根據產品標識對應的銷量時間序列和時間序列模型，確定前置時間周期數目；將所述銷量時間序列和對應時間周期的環境數據輸入機器學習算法，以訓練銷量預測模型；將所述前置時間周期數目的銷量數據、環境數據以及下一時間周期的環境數據輸入所述銷量預測模型，以輸出所述下一時間周期的銷量預測數據。該方法基于時間序列模型確定前置時間周期數目，并基于環境數據訓練銷量預測模型，以由前置時間周期數目的銷量數據預測下一時間周期的銷量數據。該方法的銷量預測模型不依賴銷量時間序列的穩定性，并考慮了環境因素，銷量預測更加準確。

技術領域

本發明涉及計算機領域，尤其涉及一種銷量預測方法和裝置。

背景技術

在產品銷售過程中，銷售商需要在實際銷售前，完成對倉庫的進貨、備貨、補貨等操作。銷售商進行上述各種操作的數據來源于對未來的預測值而不是實際值，因此預測產品在未來一段時間的銷量就變得非常重要。目前對產品的銷量預測，主要采用移動平均法，該方法基于之前數個時間周期的銷量數據，預測出未來一個時間周期的銷量數據。

在實現本發明過程中，發明人發現現有技術中至少存在如下問題：

(1)依賴于銷量數據所形成時間序列的穩定性和弱穩定性，無法對未通過穩定性或弱穩定性檢驗的銷量數據做出預測。

(2)未考慮環境因素，如促銷折扣、季節性、毗鄰區域銷量等，對銷量預測的影響。

發明內容

有鑒于此，本發明實施例提供一種銷量預測方法和裝置，基于時間序列模型確定前置時間周期數目，并基于環境數據訓練銷量預測模型，以由前置時間周期數目的銷量數據預測下一時間周期的銷量數據。本發明的銷量預測模型不依賴銷量時間序列的穩定性，并考慮了環境因素，銷量預測更加準確。

為實現上述目的，根據本發明實施例的一個方面，提供了一種銷量預測方法。

本發明實施例的一種銷量預測方法，包括：根據產品標識對應的銷量時間序列和時間序列模型，確定前置時間周期數目；將所述銷量時間序列和對應時間周期的環境數據輸入機器學習算法，以訓練銷量預測模型；將所述前置時間周期數目的銷量數據、環境數據以及下一時間周期的環境數據輸入所述銷量預測模型，以輸出所述下一時間周期的銷量預測數據。

可選地，所述銷量時間序列包括至少一個所述時間周期和對應的銷量數據。

可選地，所述時間序列模型為自回歸積分滑動平均模型；所述根據產品標識對應的銷量時間序列和時間序列模型，確定前置時間周期數目，包括：對產品標識對應的銷量時間序列進行差分運算，得到平穩時間序列；分別計算所述平穩時間序列的赤池信息量和貝葉斯信息量，以得到所述自回歸積分滑動平均模型的自回歸項數和移動平均項數；比較所述自回歸項數和所述移動平均項數的大小，將較大的項數作為前置時間周期數目。

可選地，所述將所述銷量時間序列和對應時間周期的環境數據輸入機器學習算法，以訓練銷量預測模型，包括：將所述銷量時間序列和對應時間周期的環境數據作為訓練集，輸入機器學習算法，以擬合得到多個初步銷量預測模型；按照預設第一比例，將所述訓練集劃分為新訓練集和新測試集；將所述新測試集輸入所述初步銷量預測模型，以驗證所述初步銷量預測模型；獲取驗證通過的所述初步銷量預測模型，將獲取的所述初步銷量預測模型作為銷量預測模型。

可選地，所述方法還包括：根據歷史銷量數據中，所述產品標識對應的售出數據和進貨數據，計算預設單位時間內的產品消耗率；將所述產品消耗率與第一閾值進行比較，以獲取小于所述第一閾值的產品消耗率對應的產品標識；將獲取的產品標識對應的產品作為滯銷品，輸出所述滯銷品。