[發(fā)明專利]SKU級(jí)別商品銷量預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201911381310.1
• 申請(qǐng)日: 2019-12-27
• 公開（公告）號(hào): CN111160968A
• 公開（公告）日: 2020-05-15
• 發(fā)明（設(shè)計(jì)）人: 李勇;平鈺坤;盧中縣;金德鵬;周亮;張良倫
• 申請(qǐng)（專利權(quán)）人: 清華大學(xué);杭州微拓科技有限公司
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 陳玉婷

本發(fā)明實(shí)施例提供一種SKU級(jí)別商品銷量預(yù)測(cè)方法及裝置，該方法包括：獲取SKU商品的多種特征數(shù)據(jù)，分別進(jìn)行特征提取，得到多個(gè)特征向量；將所述多個(gè)特征向量輸入預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述人工神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，確定SKU商品預(yù)測(cè)窗口的總銷量；其中，所述特征數(shù)據(jù)包括，商品靜態(tài)屬性特征、歷史窗口銷量數(shù)據(jù)、預(yù)測(cè)窗口動(dòng)態(tài)特征；所述預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)模型，根據(jù)已知預(yù)測(cè)窗口銷量結(jié)果作為標(biāo)簽的特征數(shù)據(jù)，進(jìn)行訓(xùn)練后得到。預(yù)測(cè)過程充分提取了商品自身的屬性特征，利用到商品之間的相似性和不同性；而商品在預(yù)測(cè)窗口的動(dòng)態(tài)特征，充分反映了消費(fèi)者購(gòu)買選擇情況對(duì)銷量造成的影響，從而該方法能夠?qū)崿F(xiàn)準(zhǔn)確的銷量預(yù)測(cè)。

技術(shù)領(lǐng)域

本發(fā)明涉及商品銷量預(yù)測(cè)領(lǐng)域，尤其涉及一種SKU級(jí)別商品銷量預(yù)測(cè)方法及裝置。

背景技術(shù)

銷量預(yù)測(cè)(Sales volume Predicting)是指對(duì)商品在未來一段時(shí)間內(nèi)(通常以天為單位)的累積銷售數(shù)量進(jìn)行估計(jì)，典型的應(yīng)用場(chǎng)景是在電商平臺(tái)中，商家基于對(duì)每個(gè)所售商品的銷量預(yù)測(cè)結(jié)果，設(shè)置合理的配貨安排，避免因貨品積壓或數(shù)量不足給商家?guī)頁p失。而在現(xiàn)有的實(shí)際生產(chǎn)應(yīng)用中，預(yù)測(cè)結(jié)果只能基于每個(gè)商品歷史的銷售額進(jìn)行初步預(yù)估，再結(jié)合人工經(jīng)驗(yàn)進(jìn)行調(diào)整，面對(duì)龐大的商品數(shù)量，需要耗費(fèi)大量人力的同時(shí)預(yù)測(cè)準(zhǔn)確度無法得到保證，從而帶來高昂的成本。

目前使用機(jī)器學(xué)習(xí)算法來完成銷量預(yù)測(cè)任務(wù)時(shí)主要將其作為時(shí)間序列預(yù)測(cè)問題進(jìn)行分析，利用商品歷史的銷售額序列預(yù)測(cè)未來一段時(shí)間內(nèi)的銷量。常用的傳統(tǒng)方法有自回歸滑動(dòng)平均模型(Autoregressive moving average model，簡(jiǎn)稱ARMA模型)、差分整合移動(dòng)平均自回歸模型(Autoregressive Integrated Moving Average model，簡(jiǎn)稱ARIMA模型)等，這些方法將非平穩(wěn)的時(shí)間序列數(shù)據(jù)進(jìn)行平穩(wěn)化后，計(jì)算序列的相關(guān)參數(shù)用于后續(xù)的回歸分析，但是該類方法僅基于過去的時(shí)間序列預(yù)測(cè)接下來的序列，沒有考慮到商品的屬性特征對(duì)消費(fèi)者購(gòu)買選擇的影響，因此預(yù)測(cè)的準(zhǔn)確度較差，同時(shí)也沒有利用到商品之間的相似性，導(dǎo)致訓(xùn)練出的預(yù)測(cè)模型僅針對(duì)一個(gè)序列，無法泛化。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明實(shí)施例提供一種SKU級(jí)別商品銷量預(yù)測(cè)方法及裝置。

第一方面，本發(fā)明實(shí)施例提供一種SKU級(jí)別商品銷量預(yù)測(cè)方法，包括：獲取SKU商品的多種特征數(shù)據(jù)，分別進(jìn)行特征提取，得到多個(gè)特征向量；將所述多個(gè)特征向量輸入預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述人工神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果，確定SKU商品預(yù)測(cè)窗口的總銷量；其中，所述特征數(shù)據(jù)包括，商品靜態(tài)屬性特征、歷史窗口銷量數(shù)據(jù)、預(yù)測(cè)窗口動(dòng)態(tài)特征；所述預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)模型，根據(jù)已知預(yù)測(cè)窗口銷量結(jié)果作為標(biāo)簽的特征數(shù)據(jù)，進(jìn)行訓(xùn)練后得到。

進(jìn)一步地，所述歷史窗口銷量數(shù)據(jù)包括SKU商品歷史窗口銷量數(shù)據(jù)，和同產(chǎn)品ID商品歷史窗口銷量數(shù)據(jù)，相應(yīng)地，進(jìn)行特征提取，得到多個(gè)特征向量，包括：對(duì)SKU商品歷史窗口銷量數(shù)據(jù)，和同產(chǎn)品ID商品歷史窗口銷量數(shù)據(jù)，分別采用一維因果卷積進(jìn)行特征提取；將卷積后的SKU商品歷史窗口銷量特征、同產(chǎn)品ID商品歷史窗口銷量特征，以及SKU商品歷史窗口銷量原始數(shù)據(jù)進(jìn)行序列拼接，得到歷史窗口銷量數(shù)據(jù)的特征向量。

進(jìn)一步地，所述商品靜態(tài)屬性特征，包括商品SKU編號(hào)、產(chǎn)品ID、品牌編號(hào)、品牌類別編號(hào)、商品所屬各級(jí)類目編號(hào)中至少一種，相應(yīng)地，進(jìn)行特征提取，得到多個(gè)特征向量，包括：將每一商品靜態(tài)屬性特征，轉(zhuǎn)換為獨(dú)熱碼后，映射到低維的向量空間，得到所述商品靜態(tài)屬性特征的特征向量。