[發明專利]一種零售業需求預測方法和裝置

在審

• 申請號: 202010940945.7
• 申請日: 2020-09-09
• 公開（公告）號: CN112053195A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 李兆鈞;陸倩茵;張威;雷小平
• 申請（專利權）人: 創優數字科技（廣東）有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q10/04;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 楊小紅

本申請公開了一種零售業需求預測方法和裝置，根據目標商品所要銷售的區域提取目標商品在不同時間段的所有事件，分別得到第一事件因子、第二事件因子和第三事件因子；通過預置神經張量網絡模型將事件因子轉換為稠密向量，分別得到第一稠密向量、第二稠密向量和第三稠密向量；將第一稠密向量、第二稠密向量和第三稠密向量一起輸入至預置深度卷積神經網絡模型進行需求預測，輸出目標商品在所要銷售的區域的需求預測結果，解決了現有的需求預測大多是根據歷史數據的特征來進行預測，由于農歷、節氣每年都不一致，導致需求預測準確率較低的技術問題。

技術領域

本申請涉及數據處理技術領域，尤其涉及一種零售業需求預測方法和裝置。

背景技術

需求不確定性是影響供應鏈系統決策及其性能的主要因素之一，它不但會影響供應鏈中資源的有效配置，還會影響供應鏈的運作效率，給供應鏈系統帶來巨大損失。通過持有大量庫存來應對需求多變性的方法是不可取的，因此，需要精確、有效地對需求進行預測。

傳統的零售業的供應鏈模式以推式為主，以倉庫商品為切入點，倉庫有什么商品，就向市場銷售這些商品，未考慮到消費者的需求、季節性特征和地域特征，使得銷售額較低；而現有的需求預測方法大多根據歷史數據的特征來進行預測，由于農歷、節氣每年都不一致，導致需求預測準確率較低。

發明內容

本申請提供了一種零售業需求預測方法和裝置，用于解決現有的需求預測大多是根據歷史數據的特征來進行預測，由于農歷、節氣每年都不一致，導致需求預測準確率較低的技術問題。

有鑒于此，本申請第一方面提供了一種零售業需求預測方法，包括：

根據目標商品所要銷售的區域提取所述目標商品在距離當前時間的第一預置時間段、第二預置時間段和第三預置時間段的所有事件，分別得到第一事件因子、第二事件因子和第三事件因子，所述第一預置時間段、第二預置時間段和第三預置時間段的大小依次減少，所述事件包括天氣事件和節假日事件；

將所述目標商品的所述第一事件因子、所述第二事件因子和所述第三事件因子分別輸入至預置神經張量網絡模型，輸出第一稠密向量、第二稠密向量和第三稠密向量，所述預置神經張量網絡模型為事件和稠密向量的映射關系模型；

將所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起輸入至預置深度卷積神經網絡模型進行需求預測，輸出所述目標商品在所要銷售的區域的需求預測結果。

可選的，所述將所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起輸入至預置深度卷積神經網絡模型進行需求預測，輸出所述目標商品在所要銷售的區域的需求預測結果，包括：

將所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起輸入至預置深度卷積神經網絡模型，使得所述預置深度卷積神經網絡模型對所述第一稠密向量和所述第二稠密向量分別進行特征提取后，將提取后的特征與所述第三稠密向量進行特征融合，并基于融合后的特征進行處理，輸出所述目標商品在所要銷售的區域的需求預測結果。

可選的，所述將所述第一稠密向量、所述第二稠密向量和所述第三稠密向量一起輸入至預置深度卷積神經網絡模型進行需求預測，輸出所述目標商品在所要銷售的區域的需求預測結果，之前還包括：

分別計算所述第一稠密向量、所述第二稠密向量和所述第三稠密向量中所有屬于同一天的所述事件的事件向量元素的平均值，得到第一平均稠密向量、第二平均稠密向量和第三平均稠密向量。

可選的，所述計算所述第一稠密向量、所述第二稠密向量和所述第三稠密向量中所有屬于同一天的所述事件的事件向量元素的平均值，得到第一平均稠密向量、第二平均稠密向量和第三平均稠密向量，之后還包括：

對所述第一平均稠密向量、所述第二平均稠密向量和所述第三平均稠密向量中的所述事件向量元素按照時間順序進行排序，得到排序后的第一平均稠密向量、排序后的第二平均稠密向量和排序后的第三平均稠密向量；