[發明專利]基于KNN的時序遷移學習在銷量預測中的應用

在審

• 申請號: 202011010247.3
• 申請日: 2020-09-23
• 公開（公告）號: CN112150201A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 錢虹;翟君怡;江元元
• 申請（專利權）人: 創絡（上海）數據科技有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06;G06F16/2458;G06K9/62
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 杜蔚瓊

1.一種基于KNN的時序遷移學習的銷量預測方法，其特征在于：以Lookalike作為KNN的輪廓范圍識別基準，計算獲得具有相似時序特征指數的對象集作為可識別對象群，將包含可識別對象群的所有指標集作為遷移樣本，通過使用隨機森林Random Forest Tree模型，進行遷移學習建模以獲得銷量預測模型。

2.如權利要求1所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于，具體步驟如下所示:

S1：以指定粒度計算出衍生指標群，得到樣本集Smp；

S2：以區域+SKU計算時序特征指數；

S3：計算每個區域+SKU的時序特征指數與其他區域+SKU的時序特征指數的相似度；

S4：計算產生供遷移學習的拓展遷移樣本；

S5：設原指標集為原始源域樣本Data_S，ExtObjList_SmpTr為拓展遷移樣本，合成的遷移源域樣本為：Smp_Tr＝Data_S∪ExtObjList_SmpTr；

Smp＝Smp_Tr；

S6：將S3-S5中每個樣本集Smp疊加，形成KNN疊加樣本Smp_KNN；

S7：在疊加樣本Smp_KNN中，以指定指標Dim作為因變量、Train_Y為預測目標，使用隨機森林訓練建模，得到Train_Y＝F(Dim)。

3.如權利要求2所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

所述時序特征指數為季節指數序列。

4.如權利要求2所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

所述S3中相似度包括皮爾遜系數和距離系數。

5.如權利要求2所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

所述S3中相似度的具體計算方法如下：

Sim＝1–R

其中，Fs為源域中觀測對象的時序特征指數；

Ft為源域中的候選對象的時序特征指數為；

n為時序特征指數的指數數量。

6.如權利要求2所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

所述S4中拓展遷移樣本的計算方法為：針對每個區域+SKU的時序特征指數，

S4-1.篩選出和該對象相似度滿足特定的Sim和D值范圍的所有對象集Obj，并將其加入到拓展的Lookalike對象池ExtObj中；

S4-2.將每個Obj對應的若干條指標集，加入到拓展的Lookalike對象樣本池ExtObjList_SmpTr中。

7.如權利要求6所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

F(Sim，D)-Max。

8.如權利要求6所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

Sim指定數值I且D＝指定數值II；

其中，所述指定數值I選自0-0.50中的任一數值。

9.如權利要求2所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

將S7中的樣本集劃分為測試集和訓練集；

其中，訓練集用于訓練模型，測試集用于對模型進行評估。

10.如權利要求9所述的一種基于KNN的時序遷移學習的銷量預測方法，其特征在于:

將訓練獲得的模型，使用測試集數據進行預測，F(Dim)＝Data_Y。