[發明專利]一種銷量預測方法、銷量預測裝置及電子設備

在審

• 申請號: 202110595289.6
• 申請日: 2021-05-28
• 公開（公告）號: CN113283936A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 何定;劉治;車浩流
• 申請（專利權）人: 深圳千岸科技股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 肖遙

1.一種銷量預測方法，其特征在于，該方法包括：

獲取待預測產品的歷史銷量數據；

對所述歷史銷量數據進行預處理，得到歷史銷量序列；

若所述歷史銷量數據的時間長度大于或等于設定閾值，則將所述歷史銷量序列輸入已訓練的第一循環神經模型進行預測，得到所述待預測產品的銷量預測結果，所述第一循環神經模型包括N層循環神經網絡，所述N≥3，且所述N為整數；

若所述歷史銷量數據的時間長度小于設定閾值，則根據已訓練的第二循環神經模型對所述待預測產品進行預測，得到所述待預測產品的銷量預測結果，所述第二循環神經模型包括特征提取網絡和神經預測網絡，所述第二循環神經模型的訓練過程與所述歷史銷量序列相關。

2.如權利要求1所述的銷量預測方法，其特征在于，所述歷史銷量數據以天為單位，所述對所述歷史銷量數據進行預處理，得到歷史銷量序列，包括：

若所述歷史銷量數據存在缺失數據，則根據所述缺失數據的日期間隔填充所述缺失數據，所述日期間隔為所述缺失數據與最接近的未缺失數據所間隔的日期；

對完成填充的所述歷史銷量數據執行數據平滑處理以及歸一化處理，得到所述歷史銷量序列。

3.如權利要求1或權利要求2所述的銷量預測方法，其特征在于，所述第一循環神經模型包括天循環神經網絡、月循環神經網絡以及季度循環神經網絡，所述將所述歷史銷量序列輸入已訓練的第一循環神經模型進行預測，得到所述待預測產品的銷量預測結果，包括：

將所述歷史銷量序列輸入所述天循環神經網絡得到天特征向量；

將所述歷史銷量序列輸入所述季度循環神經網絡得到各個季度的季度隱藏狀態；

將每個月的歷史銷量序列和對應月的拼接特征輸入所述月循環神經網絡，得到所述銷量預測結果，所述拼接特征根據每個月的歷史銷量序列、對應月的天特征向量以及對應月所屬季度的季度隱藏狀態拼接而得。

4.如權利要求3所述的銷量預測方法，其特征在于，所述將所述歷史銷量序列輸入所述天循環神經網絡得到天特征向量，包括：

針對每個月，將所述月的歷史銷量序列以天為單位劃分后分別輸入所述天循環神經網絡的各個天門控循環單元內，得到每個所述天門控循環單元輸出的天隱藏狀態，將每個所述天隱藏狀態執行注意力操作后得到所述月的天特征向量。

5.如權利要求3所述的銷量預測方法，其特征在于，所述將所述歷史銷量序列輸入所述季度循環神經網絡得到各個季度的季度隱藏狀態，包括：

針對每個季度，將屬于所述季度的各個月的歷史銷量序列輸入所述季度循環神經網絡的季度門控循環單元內，得到所述季度門控循環單元輸出的所述季度的季度隱藏狀態。

6.如權利要求1或權利要求2所述的銷量預測方法，其特征在于，所述第二循環神經模型的訓練過程包括：

根據所述待預測產品確定參考產品，所述參考產品的參考銷量數據對應的時間長度大于或等于設定閾值；

對與所述歷史銷量數據的時間對應的所述參考銷量數據進行預處理，得到參考銷量序列；

將所述歷史銷量序列和所述參考銷量序列輸入待訓練的第二神經模型的特征提取網絡進行特征提取，分別得到歷史銷量特征向量和參考銷量特征向量；

將所述歷史銷量特征向量和所述參考銷量特征向量分別輸入所述待訓練的第二循環神經模型的判別網絡進行判別，得到域分類結果；

將所述參考銷量特征向量輸入所述待訓練的第二循環神經模型的神經預測網絡進行預測，得到訓練預測結果；

基于所述域分類結果和所述訓練預測結果對所述待訓練的第二循環神經模型進行優化，得到已訓練的第二循環神經模型。

7.如權利要求6所述的銷量預測方法，其特征在于，所述根據已訓練的第二循環神經模型對所述待預測產品進行預測，得到所述待預測產品的銷量預測結果，包括：

將所述參考銷量序列輸入所述已訓練的第二循環神經模型的特征提取網絡進行特征提取，得到待預測特征向量；

將所述待預測特征向量輸入所述已訓練的第二循環神經模型的神經預測網絡進行預測，得到所述待預測產品的銷量預測結果。