本公開涉及終端技術(shù)領(lǐng)域，尤其涉及一種貨品銷量的預(yù)測方法及裝置、電子設(shè)備。

背景技術(shù)：

隨著電子商城的發(fā)展和普及，銷售者希望對電子商城的貨品進行銷量預(yù)測，從而據(jù)此制定出更為精準的銷售計劃。但是，相關(guān)技術(shù)中的銷量預(yù)測方式并不準確，無法滿足銷售者的實際需求，需要銷售者按照經(jīng)驗進行調(diào)整。實際上，銷量預(yù)測的準確度十分重要，如果預(yù)測不準確而導(dǎo)致備貨數(shù)量過多時，將帶來巨大的貨品積壓風(fēng)險，而當備貨數(shù)量不足時，將導(dǎo)致用戶無法及時購買而影響其應(yīng)用體驗。

技術(shù)實現(xiàn)要素：

本公開提供一種貨品銷量的預(yù)測方法及裝置、電子設(shè)備，以解決相關(guān)技術(shù)中的不足。

根據(jù)本公開實施例的第一方面，提供一種貨品銷量的預(yù)測方法，包括：

獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)；

調(diào)取由所述歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)訓(xùn)練得到的銷量預(yù)測模型，以對所述歷史銷量數(shù)據(jù)進行分析處理；其中，所述銷量預(yù)測模型包括：針對降價促銷期間的第一預(yù)測模型和針對常規(guī)銷售期間的第二預(yù)測模型；

輸出所述銷量預(yù)測模型分析得到的所述待預(yù)測貨品的預(yù)測銷量數(shù)據(jù)。

可選的，所述第一預(yù)測模型包括：指數(shù)分布概率密度函數(shù)模型。

可選的，所述第一預(yù)測模型由所述樣本數(shù)據(jù)中屬于降價促銷期間的促銷樣本數(shù)據(jù)對所述指數(shù)分布概率密度函數(shù)模型進行參數(shù)訓(xùn)練得到。

可選的，所述第二預(yù)測模型包括：將所述樣本數(shù)據(jù)中屬于常規(guī)銷售期間的常規(guī)樣本數(shù)據(jù)進行時間序列分解后，由得到的季節(jié)項、趨勢項和殘余項分別創(chuàng)建的季節(jié)項模型、趨勢項模型和殘余項模型。

可選的，所述常規(guī)樣本數(shù)據(jù)被采用以周為最小單位的季節(jié)性周期進行所述時間序列分解。

可選的，所述殘余項模型包括基于節(jié)假日參數(shù)對所述殘余項進行加權(quán)回歸得到的回歸模型。

可選的，所述樣本數(shù)據(jù)中的缺失數(shù)據(jù)被補全后，被用于訓(xùn)練得到所述銷量預(yù)測模型。

可選的，當所述缺失數(shù)據(jù)包括任一銷售日的銷量數(shù)據(jù)時，所述任一銷售日的銷量數(shù)據(jù)被按照下述方式補全：根據(jù)所述任一銷售日在所處銷售周期中的相對位置，在相鄰銷售周期中確定對應(yīng)的特定銷售日及其單日銷量，并根據(jù)所述任一銷售日的所處銷售周期相對于所述相鄰銷售周期的銷量比例系數(shù)，將所述特定銷售日的單日銷量與所述銷量比例系數(shù)的乘積作為所述任一銷售日的銷量數(shù)據(jù)。

可選的，所述樣本數(shù)據(jù)中的離群數(shù)據(jù)被剔除后，被用于訓(xùn)練得到所述銷量預(yù)測模型。

可選的，所述離群數(shù)據(jù)被按照下述方式剔除：將所述樣本數(shù)據(jù)進行時間序列分解，將得到的殘余項計算高斯分布均值和方差；當存在位于分布量的預(yù)設(shè)分布比例范圍之外的數(shù)據(jù)時，將相應(yīng)的殘余項置為0，以更新所述樣本數(shù)據(jù)。

可選的，還包括：

向所述銷量預(yù)測模型輸入第一時間段的歷史銷量數(shù)據(jù)，以得到第二時間段的預(yù)測銷量；

將所述預(yù)測銷量與所述第二時間段對應(yīng)的歷史銷量數(shù)據(jù)進行比較；

根據(jù)比較結(jié)果，對所述銷量預(yù)測模型進行參數(shù)修正，以減小所述預(yù)測銷量與所述第二時間段對應(yīng)的歷史銷量數(shù)據(jù)之間的差值。

根據(jù)本公開實施例的第二方面，提供一種貨品銷量的預(yù)測裝置，包括：

獲取單元，獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)；

調(diào)取單元，調(diào)取由所述歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)訓(xùn)練得到的銷量預(yù)測模型，以對所述歷史銷量數(shù)據(jù)進行分析處理；其中，所述銷量預(yù)測模型包括：針對降價促銷期間的第一預(yù)測模型和針對常規(guī)銷售期間的第二預(yù)測模型；

輸出單元，輸出所述銷量預(yù)測模型分析得到的所述待預(yù)測貨品的預(yù)測銷量數(shù)據(jù)。

可選的，所述第一預(yù)測模型包括：指數(shù)分布概率密度函數(shù)模型。

可選的，所述第一預(yù)測模型由所述樣本數(shù)據(jù)中屬于降價促銷期間的促銷樣本數(shù)據(jù)對所述指數(shù)分布概率密度函數(shù)模型進行參數(shù)訓(xùn)練得到。

可選的，所述第二預(yù)測模型包括：將所述樣本數(shù)據(jù)中屬于常規(guī)銷售期間的常規(guī)樣本數(shù)據(jù)進行時間序列分解后，由得到的季節(jié)項、趨勢項和殘余項分別創(chuàng)建的季節(jié)項模型、趨勢項模型和殘余項模型。

可選的，所述常規(guī)樣本數(shù)據(jù)被采用以周為最小單位的季節(jié)性周期進行所述時間序列分解。

可選的，所述殘余項模型包括基于節(jié)假日參數(shù)對所述殘余項進行加權(quán)回歸得到的回歸模型。

可選的，所述樣本數(shù)據(jù)中的缺失數(shù)據(jù)被補全后，被用于訓(xùn)練得到所述銷量預(yù)測模型。

可選的，當所述缺失數(shù)據(jù)包括任一銷售日的銷量數(shù)據(jù)時，所述任一銷售日的銷量數(shù)據(jù)被按照下述方式補全：根據(jù)所述任一銷售日在所處銷售周期中的相對位置，在相鄰銷售周期中確定對應(yīng)的特定銷售日及其單日銷量，并根據(jù)所述任一銷售日的所處銷售周期相對于所述相鄰銷售周期的銷量比例系數(shù)，將所述特定銷售日的單日銷量與所述銷量比例系數(shù)的乘積作為所述任一銷售日的銷量數(shù)據(jù)。

可選的，所述樣本數(shù)據(jù)中的離群數(shù)據(jù)被剔除后，被用于訓(xùn)練得到所述銷量預(yù)測模型。

可選的，所述離群數(shù)據(jù)被按照下述方式剔除：將所述樣本數(shù)據(jù)進行時間序列分解，將得到的殘余項計算高斯分布均值和方差；當存在位于分布量的預(yù)設(shè)分布比例范圍之外的數(shù)據(jù)時，將相應(yīng)的殘余項置為0，以更新所述樣本數(shù)據(jù)。

可選的，還包括：

輸入單元，向所述銷量預(yù)測模型輸入第一時間段的歷史銷量數(shù)據(jù)，以得到第二時間段的預(yù)測銷量；

比較單元，將所述預(yù)測銷量與所述第二時間段對應(yīng)的歷史銷量數(shù)據(jù)進行比較；

修正單元，根據(jù)比較結(jié)果，對所述銷量預(yù)測模型進行參數(shù)修正，以減小所述預(yù)測銷量與所述第二時間段對應(yīng)的歷史銷量數(shù)據(jù)之間的差值。

根據(jù)本公開實施例的第三方面，提供一種電子設(shè)備，包括：

處理器；

用于存儲處理器可執(zhí)行指令的存儲器；

其中，所述處理器被配置為：

獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)；

調(diào)取由所述歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)訓(xùn)練得到的銷量預(yù)測模型，以對所述歷史銷量數(shù)據(jù)進行分析處理；其中，所述銷量預(yù)測模型包括：針對降價促銷期間的第一預(yù)測模型和針對常規(guī)銷售期間的第二預(yù)測模型；

輸出所述銷量預(yù)測模型分析得到的所述待預(yù)測貨品的預(yù)測銷量數(shù)據(jù)。

本公開的實施例提供的技術(shù)方案可以包括以下有益效果：

由上述實施例可知，本公開通過訓(xùn)練得到對應(yīng)于降價促銷期間的第一預(yù)測模型和對應(yīng)于常規(guī)銷售期間的第二預(yù)測模型，可以針對是否處于降價促銷期間而對銷量數(shù)據(jù)進行分類預(yù)測，從而適用于經(jīng)常存在降價促銷行為、價格波動較大的電子產(chǎn)品等貨品，有助于提升其預(yù)測的銷量數(shù)據(jù)的準確度。

應(yīng)當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理。

圖1是相關(guān)技術(shù)中的采用時間序列分解方式進行銷量預(yù)測的流程圖。

圖2是根據(jù)一示例性實施例示出的一種貨品銷量的預(yù)測方法的流程圖。

圖3是根據(jù)一示例性實施例示出的另一種貨品銷量的預(yù)測方法的流程圖。

圖4-5是根據(jù)一示例性實施例示出的一種貨品銷量的預(yù)測裝置的框圖。

圖6是根據(jù)一示例性實施例示出的一種用于貨品銷量的預(yù)測裝置的結(jié)構(gòu)示意圖。

具體實施方式

這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。

圖1是相關(guān)技術(shù)中的采用時間序列分解方式進行銷量預(yù)測的流程圖。如圖1所示，相關(guān)技術(shù)中的銷量預(yù)測包括下述步驟：

在步驟102中，采用STL方式對歷史銷量數(shù)據(jù)進行時間序列分解。

其中，STL(Seasonal and Trend decomposition using Loess)是以局部加權(quán)回歸作為平滑方法的時間序列分解方法；其中，Loess(locally weighted scatterplot smoothing)為局部多項式回歸擬合。

那么，通過對歷史銷量數(shù)據(jù)進行STL分解，可以得到季節(jié)項、趨勢項和殘余項三個部分，并分別對各個項執(zhí)行下述處理：

在步驟104A中，對季節(jié)項進行建模與預(yù)測。

在步驟104B中，對趨勢項進行建模與預(yù)測。

在步驟104C中，舍棄殘余項。

其中，針對季節(jié)項創(chuàng)建相應(yīng)的自回歸移動平均模型，并基于歷史銷量數(shù)據(jù)進行銷量預(yù)測；針對趨勢項創(chuàng)建相應(yīng)的指數(shù)回歸模型，并基于歷史銷量數(shù)據(jù)進行銷量預(yù)測；而殘余項被認為屬于異常數(shù)據(jù)，并直接舍棄。

在步驟106中，合并得到預(yù)測結(jié)果。

其中，由于殘余項被直接舍棄，因而相當于合并季節(jié)項對應(yīng)的回歸移動平均模型、趨勢項對應(yīng)的指數(shù)回歸模型分別得到的預(yù)測銷量，以作為最終的預(yù)測銷量數(shù)據(jù)。

但是，相關(guān)技術(shù)中的上述方式僅適用于供給與需求變化穩(wěn)定、季節(jié)性和趨勢性周期長、價格變化平緩的日常消費品；而對于諸如電子產(chǎn)品等非日常消費品，由于銷售周期短、降價促銷頻繁、用戶購買行為具有偶然性、歷史銷量的時間序列波動劇烈，相關(guān)技術(shù)中的上述方案的銷量預(yù)測能力很差，無法滿足銷售者的銷量預(yù)測需求。

因此，本公開通過提出一種新的貨品銷量的預(yù)測方案，可以解決相關(guān)技術(shù)中的上述問題。下面結(jié)合實施例進行說明：

圖2是根據(jù)一示例性實施例示出的一種貨品銷量的預(yù)測方法的流程圖，如圖2所示，該方法應(yīng)用于終端中，可以包括以下步驟：

在步驟202中，獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)。

在本實施例中，歷史銷量數(shù)據(jù)可能存在數(shù)據(jù)缺失，可以通過對歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)進行缺失數(shù)據(jù)的補全，從而提升訓(xùn)練得到的銷量預(yù)測模型的準確度。例如，當任一銷售日的銷量數(shù)據(jù)缺失時，可以根據(jù)該任一銷售日在所處銷售周期中的相對位置，在相鄰銷售周期中確定對應(yīng)的特定銷售日及其單日銷量(假定銷售周期為每周，當任一銷售日為所處銷售周期的周三時，特定銷售日為相鄰銷售周期的周三)，并根據(jù)該任一銷售日的所處銷售周期相對于相鄰銷售周期的銷量比例系數(shù)，將特定銷售日的單日銷量與銷量比例系數(shù)的乘積作為該任一銷售日的銷量數(shù)據(jù)；由于每個銷售周期內(nèi)的銷量數(shù)據(jù)具有一定的相似性，而每個銷售周期內(nèi)的同一相對位置的銷售日的銷量數(shù)據(jù)的相似度可能更大，因而可以盡可能地模擬出該任一銷售日的銷量數(shù)據(jù)，有助于提升訓(xùn)練得到的銷量預(yù)測模型的準確度。

在本實施例中，歷史銷量數(shù)據(jù)中可能存在離群數(shù)據(jù)，即由于特殊原因?qū)е碌匿N量數(shù)據(jù)異常(如過高或過低)，可以通過從歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)中剔除離群數(shù)據(jù)，從而提升訓(xùn)練得到的銷量預(yù)測模型的準確度。例如，可以將樣本數(shù)據(jù)進行時間序列分解，將得到的殘余項計算高斯分布均值和方差；當存在位于分布量的預(yù)設(shè)分布比例范圍(例如該預(yù)設(shè)分布比例范圍可以為95％)之外的數(shù)據(jù)時，將相應(yīng)的殘余項置為0(即剔除相應(yīng)數(shù)據(jù))，以更新樣本數(shù)據(jù)；而對于更新后的樣本數(shù)據(jù)，可以繼續(xù)執(zhí)行時間序列分解并計算殘余項的高斯分布均值與方差，直至樣本數(shù)據(jù)對應(yīng)的殘余項中不存在位于分布量的預(yù)設(shè)分布比例范圍之外的數(shù)據(jù)，則表明已完成對離群數(shù)據(jù)的剔除。

在步驟204中，調(diào)取由所述歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)訓(xùn)練得到的銷量預(yù)測模型，以對所述歷史銷量數(shù)據(jù)進行分析處理；其中，所述銷量預(yù)測模型包括：針對降價促銷期間的第一預(yù)測模型和針對常規(guī)銷售期間的第二預(yù)測模型。

在本實施例中，第一預(yù)測模型可以包括：指數(shù)分布概率密度函數(shù)模型。例如，可以創(chuàng)建該指數(shù)分布概率密度函數(shù)模型，然后利用樣本數(shù)據(jù)中屬于降價促銷期間的促銷樣本數(shù)據(jù)對該指數(shù)分布概率密度函數(shù)模型進行參數(shù)訓(xùn)練，從而得到第一預(yù)測模型。

在本實施例中，第二預(yù)測模型可以包括：將所述樣本數(shù)據(jù)中屬于常規(guī)銷售期間的常規(guī)樣本數(shù)據(jù)進行時間序列分解后，由得到的季節(jié)項、趨勢項和殘余項分別創(chuàng)建的季節(jié)項模型、趨勢項模型和殘余項模型。其中，常規(guī)樣本數(shù)據(jù)可以被采用以周為最小單位的季節(jié)性周期進行時間序列分解，以適應(yīng)于諸如電子設(shè)備等產(chǎn)品在電子商城的銷售規(guī)律；當然，針對其他銷售場景或待預(yù)測貨品，可以采用其他時長的季節(jié)性周期進行時間序列分解，本公開并不對此進行限制。

在本實施例中，殘余項模型可以包括基于節(jié)假日參數(shù)對殘余項進行加權(quán)回歸得到的回歸模型。通過對用戶的日常行為進行分析可知，節(jié)假日可以向用戶提供更多的空余時間，尤其是對于電子商城場景下，用戶具有更大可能在電子商城進行瀏覽和購買，因而通過對殘余項進行加權(quán)回歸，并且加入對節(jié)假日參數(shù)的考量，有助于配合于上述場景下的用戶行為，相對于直接刪除殘余項，能夠進一步地提升銷量預(yù)測模型的銷量預(yù)測的準確度。

在步驟206中，輸出所述銷量預(yù)測模型分析得到的所述待預(yù)測貨品的預(yù)測銷量數(shù)據(jù)。

在本實施例中，可以向銷量預(yù)測模型輸入第一時間段的歷史銷量數(shù)據(jù)，以得到第二時間段的預(yù)測銷量；然后，通過將上述的預(yù)測銷量與第二時間段對應(yīng)的歷史銷量數(shù)據(jù)進行比較，并根據(jù)比較結(jié)果對銷量預(yù)測模型進行參數(shù)修正，以減小上述的預(yù)測銷量與第二時間段對應(yīng)的歷史銷量數(shù)據(jù)之間的差值，從而提升銷量預(yù)測模型的銷量預(yù)測的準確度。

由上述實施例可知，本公開通過訓(xùn)練得到對應(yīng)于降價促銷期間的第一預(yù)測模型和對應(yīng)于常規(guī)銷售期間的第二預(yù)測模型，可以針對是否處于降價促銷期間而對銷量數(shù)據(jù)進行分類預(yù)測，從而適用于經(jīng)常存在降價促銷行為、價格波動較大的電子產(chǎn)品等貨品，有助于提升其預(yù)測的銷量數(shù)據(jù)的準確度。

為了便于理解，下面針對銷量預(yù)測方案的模型訓(xùn)練和銷量預(yù)測等階段，結(jié)合圖3對本公開的技術(shù)方案進行詳細描述。圖3是根據(jù)一示例性實施例示出的另一種貨品銷量的預(yù)測方法的流程圖，如圖3所示，該方法應(yīng)用于終端中，可以包括以下步驟：

在步驟302中，獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)，并對樣本數(shù)據(jù)中的異常數(shù)據(jù)進行處理。

在本實施例中，待預(yù)測貨品的歷史銷量數(shù)據(jù)往往會存在異常數(shù)據(jù)，這些異常數(shù)據(jù)對于銷量預(yù)測的穩(wěn)定性具有極大的消極影響，應(yīng)當盡可能地提前去除相關(guān)異常數(shù)據(jù)。

在本實施例中，樣本數(shù)據(jù)可以為全量歷史銷量數(shù)據(jù)，也可以為部分歷史銷量數(shù)據(jù)，比如4～6周的歷史銷量數(shù)據(jù)等。那么，可以僅對樣本數(shù)據(jù)進行異常數(shù)據(jù)處理，以降低數(shù)據(jù)處理量；或者，也可以對全量的歷史銷量數(shù)據(jù)整體進行異常數(shù)據(jù)處理，本公開并不對此進行限制。

在本實施例中，異常數(shù)據(jù)可以包括數(shù)據(jù)缺失、數(shù)據(jù)離群等，本公開并不對此進行限制；下面針對數(shù)據(jù)缺失和數(shù)據(jù)離群這兩種情況下的異常數(shù)據(jù)處理過程進行舉例說明：

(1)數(shù)據(jù)缺失

數(shù)據(jù)缺失，即缺失部分銷售日的銷量數(shù)據(jù)，而本公開可以通過對這部分缺失的歷史銷量數(shù)據(jù)進行補全，以實現(xiàn)對異常數(shù)據(jù)的處理，可以提升樣本數(shù)據(jù)的質(zhì)量、提升預(yù)測穩(wěn)定性。

在一實施例中，在對缺失數(shù)據(jù)進行補全時，需要下述兩個數(shù)據(jù)：

第一、當缺失數(shù)據(jù)包括任一銷售日的銷量數(shù)據(jù)時，確定該任一銷售日在所處銷售周期中的相對位置，并在相鄰銷售周期中確定對應(yīng)的特定銷售日及其單日銷量。例如，對于電子產(chǎn)品而言，銷售周期可以短至以“周”為單位，假定缺失的該任一銷售日為x周的周三，那么可以選取相鄰的x-1或x+1周的周三為上述的特定銷售日，并獲取該特定銷售日的單日銷量s0。

由于該任一銷售日與特定銷售日處于相鄰的銷售周期內(nèi)，且在相應(yīng)的銷售周期內(nèi)處于同樣的相對位置(都是周三)，因而可以認為該特定銷售日的單日銷量s0可以盡可能地貼近于該任一銷售日的銷量數(shù)據(jù)s。

當然，還可以選取相鄰周期的其他銷售日的單日銷量；例如，當該任一銷售日為周三時，并不一定選擇相鄰銷售周期的周三，比如可以選擇周一、周二等銷售日的單日銷量，或者相鄰銷售周期的平均單日銷量，同樣可以用于對該任一銷售日的銷量數(shù)據(jù)進行補全。

第二、該任一銷售日的所處銷售周期相對于相鄰銷售周期的銷量比例系數(shù)x。按照銷售周期對歷史銷量數(shù)據(jù)進行劃分和分析，可以獲得每個銷售周期之間的銷量關(guān)系，因而可以獲得上述的銷量比例系數(shù)x。

那么，通過計算特定銷售日的單日銷量s0與銷量比例系數(shù)x的乘積，即可作為該任一銷售日的銷量數(shù)據(jù)s，即s＝s0×x。

(2)數(shù)據(jù)離群

離群數(shù)據(jù)是指數(shù)值與其他數(shù)據(jù)相差過大的數(shù)據(jù)，例如銷量過高或過低，這些離群數(shù)據(jù)可能由于各種異常因素導(dǎo)致，并非可復(fù)制的正常銷量，應(yīng)當剔除離群數(shù)據(jù)以提升預(yù)測穩(wěn)定性。

在一實施例中，可以對樣本數(shù)據(jù)(假定對樣本數(shù)據(jù)中的離群數(shù)據(jù)進行剔除處理)進行STL分解(可參考圖1)，得到季節(jié)項、趨勢項和殘余項；然后，將得到的殘余項計算高斯分布均值和方差，并將位于分布量的預(yù)設(shè)分布比例范圍(例如分布量95％范圍)之外的數(shù)據(jù)(即離群數(shù)據(jù))對應(yīng)的殘余項置0，以平滑離群數(shù)據(jù)、更新樣本數(shù)據(jù)。可以對得到的更新后的樣本數(shù)據(jù)重復(fù)執(zhí)行n(n為正整數(shù))次上述處理，直至不存在位于分布量的預(yù)設(shè)分布比例范圍之外的數(shù)據(jù)(即離群數(shù)據(jù))為止。

在步驟304中，根據(jù)所處的銷售期間，對樣本數(shù)據(jù)進行分類，得到對應(yīng)于降價促銷期間的促銷樣本數(shù)據(jù)，以及對應(yīng)于常規(guī)銷售區(qū)間的常規(guī)樣本數(shù)據(jù)。

在本實施例中，降價促銷是常見的貨品銷售策略，必然對銷量產(chǎn)生影響。降價促銷期間可以包括降價前階段、降價階段和降價結(jié)束階段，降價前階段是發(fā)布降價促銷消息后到降價實施前的階段，該階段的貨品銷量會下降；降價階段是降價促銷的實施階段，該階段產(chǎn)品銷量會有明顯上升；降價結(jié)束階段是降價實施后的一個時間界限不明顯的階段，從降價階段到降價結(jié)束階段貨品銷量逐漸回歸正常銷量。由于電子商城(尤其是針對電子產(chǎn)品)的降價促銷活動頻繁，因而為了使得對銷量的預(yù)測結(jié)果能夠在該因素影響下做出迅速反應(yīng)，需要實施下述兩個措施：

(1)識別降價促銷期間

在對降價促銷期間進行識別時，可以從降價促銷消息的發(fā)布日開始，以單日銷量回歸上月平均單日銷量為結(jié)束，將該段時間作為降價促銷期間，可以實現(xiàn)對降價促銷期間的準確識別。

(2)訓(xùn)練出專門針對降價促銷期間的第一預(yù)測模型

在本實施例中，將識別出的針對降價促銷期間的樣本數(shù)據(jù)作為促銷樣本數(shù)據(jù)，并通過下述步驟306A-308A，訓(xùn)練得到針對降價促銷期間的第一預(yù)測模型：

在步驟306A中，建立指數(shù)分布概率密度函數(shù)模型。

在步驟308A中，通過促銷樣本數(shù)據(jù)，對建立的指數(shù)分布概率密度函數(shù)模型進行參數(shù)訓(xùn)練，得到第一預(yù)測模型。

在步驟310A中，利用第一預(yù)測模型進行銷量預(yù)測，得到第一銷量預(yù)測結(jié)果。

在本實施例中，第一預(yù)測模型專用于對降價促銷期間的銷量進行預(yù)測。通過將對應(yīng)于降價促銷期間的歷史銷量數(shù)據(jù)作為輸入數(shù)據(jù)，該第一預(yù)測模型可以對未來的降價促銷區(qū)間的銷量進行準確預(yù)測。

當然，雖然上述實施例中以指數(shù)分布概率密度函數(shù)模型為例進行說明，但本公開中只要能夠篩選出降價促銷期間區(qū)間對應(yīng)的促銷樣本數(shù)據(jù)，并專門訓(xùn)練得到針對降價促銷期間的第一預(yù)測模型，即可實現(xiàn)較之相關(guān)技術(shù)中單純的STL分解方式更為準確的銷量預(yù)測數(shù)據(jù)，因而本公開并不對第一預(yù)測模型的類型進行限制。

在步驟306B中，對常規(guī)樣本數(shù)據(jù)進行STL分解，得到季節(jié)項、趨勢項和殘余項。

在步驟308B1中，對季節(jié)項數(shù)據(jù)進行建模與預(yù)測。

在步驟308B2中，對趨勢項數(shù)據(jù)進行建模與預(yù)測。

在步驟308B3中，利用節(jié)假日參數(shù)，對殘余項數(shù)據(jù)進行建模與預(yù)測。

在步驟310B中，合并季節(jié)項模型、趨勢項模型、殘余項模型得到的預(yù)測結(jié)果進行合并，得到對應(yīng)于第二預(yù)測模型的第二銷量預(yù)測結(jié)果。

在本實施例中，針對常規(guī)銷售期間的樣本數(shù)據(jù)，即常規(guī)樣本數(shù)據(jù)，本公開通過對該常規(guī)樣本數(shù)據(jù)進行訓(xùn)練，可以得到專用于常規(guī)銷售期間的第二預(yù)測模型。

在本實施例中，由于電子商城的特殊性，尤其是針對電子產(chǎn)品等貨品類型，銷售周期呈現(xiàn)為以“周”為單位的短期變化規(guī)律，因而可以采用以周為最小單位的季節(jié)性周期(“周”即“7日”，季節(jié)性周期可以為“7”或“7a”，其中a為正整數(shù))進行時間序列分解(如STL分解)。

在本實施例中，涉及到針對季節(jié)項、趨勢項和殘余項的建模處理，下面分別進行詳細介紹：

(1)季節(jié)項模型

季節(jié)項可以反映出貨品銷售和購買的季節(jié)性特征，即貨品在每個上述的季節(jié)性周期內(nèi)的銷量變化特征。季節(jié)項實際上是獨立的季節(jié)項時間序列，在一實施例中，可以采用自回歸積分滑動平均模型(Autoregressive Integrated Moving Average Model，ARIMA)進行建模；其中，當存在多種預(yù)定義參數(shù)時，分別基于每一參數(shù)建立對應(yīng)的ARIMA模型，然后采用BIC(bayesian information criterion，貝葉斯信息量)模型復(fù)雜度指標在不同參數(shù)對應(yīng)的模型中選擇最優(yōu)模型，作為季節(jié)項時間序列的預(yù)測模型，即季節(jié)項模型。

(2)趨勢項模型

趨勢項可以反映出貨品銷量在貨品生命周期內(nèi)整體的變化趨勢。趨勢項實際上是獨立的趨勢項時間序列，在一實施例中，趨勢項序列可以采用指數(shù)平滑模型進行建模；其中，當存在多種預(yù)定義參數(shù)時，分別基于每一參數(shù)建立對應(yīng)的指數(shù)平滑模型，然后綜合每一指數(shù)平滑模型在模型訓(xùn)練數(shù)據(jù)集上的SSE(The sum of squares due to error，誤差平方和)和RMSE(Root mean squared error，標準差)統(tǒng)計指標，將表現(xiàn)最優(yōu)的模型作為趨勢項時間序列的預(yù)測模型，即趨勢項模型。

(3)殘余項模型

在本實施例中，殘余項序列是除去季節(jié)項和趨勢項后其他因素對貨品銷量影響的反映；由于步驟302中已經(jīng)對樣本數(shù)據(jù)中的離群數(shù)據(jù)進行剔除，因而殘余項實際上并非異常數(shù)據(jù)，只是在每一季節(jié)性周期中的較大波動的銷量數(shù)據(jù)。而結(jié)合電子商城的銷售特點可知：當以周為季節(jié)性周期的最小單位時，用戶往往在周末等節(jié)假日期間，擁有更多時間來瀏覽電子商城并購買貨品，因而可以將節(jié)假日參數(shù)作為輸入?yún)?shù)，對殘余項進行加權(quán)回歸得到回歸模型。而通過對節(jié)假日參數(shù)的考量，使得對每個季節(jié)性周期內(nèi)的銷量數(shù)據(jù)的訓(xùn)練更為精細化，有助于進一步提升最終的銷量預(yù)測的準確性。

那么，可以將上述的季節(jié)項模型、趨勢項模型和殘余項模型作為針對常規(guī)樣本數(shù)據(jù)的第二預(yù)測模型。實際上，上述的第一預(yù)測模型與第二預(yù)測模型共同構(gòu)成了本公開的銷量預(yù)測模型，該銷量預(yù)測模型通過對降價促銷期間與常規(guī)銷售期間進行區(qū)分預(yù)測，可以適應(yīng)于電子商城上的銷售周期短、降價促銷頻繁、用戶購買行為具有偶然性、歷史銷量的時間序列波動劇烈的貨品，從而使得銷量預(yù)測更為準確。

進一步地，還可以通過下述步驟312-314對獲得的銷量預(yù)測模型進行效果檢驗，從而根據(jù)檢驗結(jié)果對銷量預(yù)測模型進行修正。

在步驟312中，當樣本數(shù)據(jù)為第一時間段的歷史銷量數(shù)據(jù)，且銷量預(yù)測模型預(yù)測得到第二時間段的銷量預(yù)測結(jié)果時，通過將銷量預(yù)測結(jié)果與第二時間段的歷史銷量數(shù)據(jù)進行比較，以檢驗銷量預(yù)測模型的預(yù)測準確度。

在步驟314，根據(jù)檢驗結(jié)果，對銷量預(yù)測模型進行修正。

在本實施例中，每次對銷量預(yù)測模型進行修正后，可以重新輸入上述第一時間段的歷史銷量數(shù)據(jù)，以重新預(yù)測第二時間段的銷量，并確定該重新預(yù)測的銷量與第二時間段的歷史銷量數(shù)據(jù)之間的差值；那么，通過反復(fù)執(zhí)行數(shù)次上述過程后，即可使得銷量預(yù)測模型盡可能地貼近于實際的歷史銷量數(shù)據(jù)，可以有效提升該銷量預(yù)測模型的預(yù)測準確度。

與前述的貨品銷量的預(yù)測方法的實施例相對應(yīng)，本公開還提供了貨品銷量的預(yù)測裝置的實施例。

圖4是根據(jù)一示例性實施例示出的一種貨品銷量的預(yù)測裝置框圖。參照圖4，該裝置包括獲取單元41、調(diào)取單元42和輸出單元43。

獲取單元41，被配置為獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)；

調(diào)取單元42，被配置為調(diào)取由所述歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)訓(xùn)練得到的銷量預(yù)測模型，以對所述歷史銷量數(shù)據(jù)進行分析處理；其中，所述銷量預(yù)測模型包括：針對降價促銷期間的第一預(yù)測模型和針對常規(guī)銷售期間的第二預(yù)測模型；

輸出單元43，被配置為輸出所述銷量預(yù)測模型分析得到的所述待預(yù)測貨品的預(yù)測銷量數(shù)據(jù)。

可選的，所述第一預(yù)測模型包括：指數(shù)分布概率密度函數(shù)模型。

可選的，所述第一預(yù)測模型由所述樣本數(shù)據(jù)中屬于降價促銷期間的促銷樣本數(shù)據(jù)對所述指數(shù)分布概率密度函數(shù)模型進行參數(shù)訓(xùn)練得到。

可選的，所述第二預(yù)測模型包括：將所述樣本數(shù)據(jù)中屬于常規(guī)銷售期間的常規(guī)樣本數(shù)據(jù)進行時間序列分解后，由得到的季節(jié)項、趨勢項和殘余項分別創(chuàng)建的季節(jié)項模型、趨勢項模型和殘余項模型。

可選的，所述常規(guī)樣本數(shù)據(jù)被采用以周為最小單位的季節(jié)性周期進行所述時間序列分解。

可選的，所述殘余項模型包括基于節(jié)假日參數(shù)對所述殘余項進行加權(quán)回歸得到的回歸模型。

可選的，所述樣本數(shù)據(jù)中的缺失數(shù)據(jù)被補全后，被用于訓(xùn)練得到所述銷量預(yù)測模型。

可選的，當所述缺失數(shù)據(jù)包括任一銷售日的銷量數(shù)據(jù)時，所述任一銷售日的銷量數(shù)據(jù)被按照下述方式補全：根據(jù)所述任一銷售日在所處銷售周期中的相對位置，在相鄰銷售周期中確定對應(yīng)的特定銷售日及其單日銷量，并根據(jù)所述任一銷售日的所處銷售周期相對于所述相鄰銷售周期的銷量比例系數(shù)，將所述特定銷售日的單日銷量與所述銷量比例系數(shù)的乘積作為所述任一銷售日的銷量數(shù)據(jù)。

可選的，所述樣本數(shù)據(jù)中的離群數(shù)據(jù)被剔除后，被用于訓(xùn)練得到所述銷量預(yù)測模型。

可選的，所述離群數(shù)據(jù)被按照下述方式剔除：將所述樣本數(shù)據(jù)進行時間序列分解，將得到的殘余項計算高斯分布均值和方差；當存在位于分布量的預(yù)設(shè)分布比例范圍之外的數(shù)據(jù)時，將相應(yīng)的殘余項置為0，以更新所述樣本數(shù)據(jù)。

如圖5所示，圖5是根據(jù)一示例性實施例示出的另一種貨品銷量的預(yù)測裝置的框圖，該實施例在前述圖4所示實施例的基礎(chǔ)上，該裝置還可以包括：輸入單元44、比較單元45和修正單元46。其中：

輸入單元44，被配置為向所述銷量預(yù)測模型輸入第一時間段的歷史銷量數(shù)據(jù)，以得到第二時間段的預(yù)測銷量；

比較單元45，被配置為將所述預(yù)測銷量與所述第二時間段對應(yīng)的歷史銷量數(shù)據(jù)進行比較；

修正單元46，被配置為根據(jù)比較結(jié)果，對所述銷量預(yù)測模型進行參數(shù)修正，以減小所述預(yù)測銷量與所述第二時間段對應(yīng)的歷史銷量數(shù)據(jù)之間的差值。

關(guān)于上述實施例中的裝置，其中各個模塊執(zhí)行操作的具體方式已經(jīng)在有關(guān)該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。

對于裝置實施例而言，由于其基本對應(yīng)于方法實施例，所以相關(guān)之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本公開方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

相應(yīng)的，本公開還提供一種貨品銷量的預(yù)測裝置，包括：處理器；用于存儲處理器可執(zhí)行指令的存儲器；其中，所述處理器被配置為：獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)；調(diào)取由所述歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)訓(xùn)練得到的銷量預(yù)測模型，以對所述歷史銷量數(shù)據(jù)進行分析處理；其中，所述銷量預(yù)測模型包括：針對降價促銷期間的第一預(yù)測模型和針對常規(guī)銷售期間的第二預(yù)測模型；輸出所述銷量預(yù)測模型分析得到的所述待預(yù)測貨品的預(yù)測銷量數(shù)據(jù)。

相應(yīng)的，本公開還提供一種服務(wù)器，所述服務(wù)器包括有存儲器，以及一個或者一個以上的程序，其中一個或者一個以上程序存儲于存儲器中，且經(jīng)配置以由一個或者一個以上處理器執(zhí)行所述一個或者一個以上程序包含用于進行以下操作的指令：獲取待預(yù)測貨品的歷史銷量數(shù)據(jù)；調(diào)取由所述歷史銷量數(shù)據(jù)中的樣本數(shù)據(jù)訓(xùn)練得到的銷量預(yù)測模型，以對所述歷史銷量數(shù)據(jù)進行分析處理；其中，所述銷量預(yù)測模型包括：針對降價促銷期間的第一預(yù)測模型和針對常規(guī)銷售期間的第二預(yù)測模型；輸出所述銷量預(yù)測模型分析得到的所述待預(yù)測貨品的預(yù)測銷量數(shù)據(jù)。

圖6是根據(jù)一示例性實施例示出的一種用于貨品銷量的預(yù)測裝置600的框圖。例如，裝置600可以被提供為一服務(wù)器。參照圖6，裝置600包括處理組件622，其進一步包括一個或多個處理器，以及由存儲器632所代表的存儲器資源，用于存儲可由處理部件622的執(zhí)行的指令，例如應(yīng)用程序。存儲器632中存儲的應(yīng)用程序可以包括一個或一個以上的每一個對應(yīng)于一組指令的模塊。

裝置600還可以包括一個電源組件626被配置為執(zhí)行裝置600的電源管理，一個有線或無線網(wǎng)絡(luò)接口650被配置為將裝置600連接到網(wǎng)絡(luò)，和一個輸入輸出(I/O)接口658。裝置600可以操作基于存儲在存儲器632的操作系統(tǒng)，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，F(xiàn)reeBSDTM或類似。

本領(lǐng)域技術(shù)人員在考慮說明書及實踐這里公開的公開后，將容易想到本公開的其它實施方案。本申請旨在涵蓋本公開的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本公開的一般性原理并包括本公開未公開的本技術(shù)領(lǐng)域中的公知常識或慣用技術(shù)手段。說明書和實施例僅被視為示例性的，本公開的真正范圍和精神由下面的權(quán)利要求指出。

應(yīng)當理解的是，本公開并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進行各種修改和改變。本公開的范圍僅由所附的權(quán)利要求來限制。