本发明涉及一种基于深度学习的智能定价方法、装置、设备、系统及介质。
背景技术
一直以来，为商品制定合理且灵活的商品价格为零售商们所困扰，商品的零售价，主要是通过成本+预期利润二项来确定的。零售商通常经营数量众多的商品，如果想对商品进行频繁的改价，调价成本会很高，因此，零售价格往往会在一个相对较长的时间周期保持不变。随着销售时间的推移，必然会有一部分商品销售缓慢甚至滞销，随之而来的就是对零售商资金占用、资源浪费等等问题；另一方面，一些热销商品由于运维制度使然，某些商品临近脱销却来不及补货，导致零售商亏损许多利润。
目前，在理论界，无论是商品零售的定价问题、还是生鲜食品的定价问题，早已获得密切关注。可是在定价问题的研究方法和具体方向却是缺少了更加深入与广泛的挖掘，注意力还滞留在固定价格的定价方案上。尤其是在生鲜领域，存在着早、中、晚可能存在的三种不同价格情况，多数零售商选择通过顾客的忠诚度、支付意愿来定性地制定价格。也就是说，在所有有关于动态定价的零售业，尤其是各个大中小型超市内的生鲜食品领域，还欠缺大量的应用研究与方法研究。
技术实现要素：
本发明的目的在于解决前述问题，提供一种智能变价策略，使商家能够及时并灵活的调整商品价格。
本发明的第一方面提供了一种基于深度学习的智能定价方法，包括：
从预置的数据库中提取多个历史交易日的标记数据，并与预交易日的标记数据比对；
将与预交易日具有相同标记数据的历史交易日作为参考交易日，并提取参考交易日的销售数据；
将参考交易日的运营时间划分为相同的多个时段；
针对每个时段：
提取该时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量；
构建lstm模型，利用输入向量训练lstm模型，得到预交易日的该时段的销售
数据预测值；
若该时段是第一个时段或第二个时段，将该时段的销售数据预测值作为移动均线
值；否则，利用该时段的销售数据预测值与该时段之前的两个时段的移动均线值来计
算该时段的移动均线值；以及
比较该时段的移动均线值和下一时段的移动均线值，并根据比较结果调整下一时
段的售价。
本发明基于深度学习算法，提供了一种智能变价策略，以利用具有相似特点的历史交易日的售价来调整各时段的售价，提高商家收益。
进一步地，标记数据包括环境数据和/或日历数据中的至少一个，其中，环境数据包括天气信息，日历数据包括工作日、周末、法定节日和/或购物节中的至少一项；标记数据与销售数据对应。
进一步地，在利用输入向量训练lstm模型，得到预交易日的该时段的销售数据预测时，将该时段的上一时段的销售数据的预测值纳入输入向量中。
进一步地，在利用输入向量训练lstm模型前，对输入向量中的元素进行归一化处理。
本发明的第二方面提供了一种基于深度学习的智能定价装置，包括：
提取单元，被配置为从预置的数据库中提取多个历史交易日的标记数据，并与预交易日的标记数据比较；筛选单元，被配置为将与预交易日具有相同标记数据的历史交易日作为参考交易日，并提取参考交易日的销售数据；时段划分单元，被配置为将参考交易日的运营时间划分为相同的多个时段；输入向量构造单元，被配置为：针对每个时段，提取该时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量；预测单元，被配置为：构建lstm模型，针对每个时段，利用输入向量训练lstm模型，得到预交易日的该时段的销售数据预测值；移动均线计算单元，被配置为：针对每个时段，若该时段是第一个时段或第二个时段，将该时段的销售数据预测值作为移动均线值，否则，利用该时段的销售数据预测值与该时段之前的两个时段的移动均线值来计算该时段的移动均线值；和调价单元，被配置为：针对每个时段，比较该时段的移动均线值和下一时段的移动均线值，并根据比较结果调整下一时段的售价。
进一步地，标记数据包括环境数据和/或日历数据中的至少一个，其中，环境数据包括天气信息，日历数据包括工作日、周末、法定节日和/或购物节中的至少一项；标记数据与销售数据对应。
进一步地，在预测单元中，将所预测时段的上一时段的销售数据的预测值纳入输入向量中。
进一步地，在利用输入向量训练lstm模型前，对输入向量中的元素进行归一化处理。
本发明的第三方面提供了一种设备，该设备包括处理器、存储器，处理器与存储器建立通信连接；
处理器，用于读取存储器中的程序，以执行前述第一方面或第一方面的任一实现方式提供的方法。
本发明的第四方面提供了一种非易失性存储介质，该非易失性存储介质中存储了程序，该程序被计算设备运行时，计算设备执行前述第一方面或第一方面的任一实现方式提供的方法。
本发明第五方面提供了一种基于深度学习的智能定价系统，包括：销售数据库、标记数据库和计算设备，其中计算设备包括前述第二方面或第二方面的任一实现方式提供的装置。
本发明利用具有相似特点的历史交易日的售价来分时段调整预交易日的商品售价，利用深度学习方法，基于大样本来预测销售数据并及时调整售价，使管理者能够在恰当时间制定合理营销价格，实现对商品价格的精细化管理，从而保证零售商的利润最大化。
附图说明
图1是根据本发明的实施例的基于深度学习的智能定价系统的示意图。
图2是根据本发明的实施例的基于深度学习的智能定价方法的流程图。
图3是根据本发明的实施例的移动均线ma3与预测销售数据的示意图。
具体实施方式
下面结合具体实施例和附图对本发明做进一步说明。可以理解的是，此处描述的具体实施例仅仅是为了解释本发明，而非对本发明的限定。此外，为了便于描述，附图中仅示出了与本发明相关的部分而非全部的结构或过程。
根据本发明的一个实施例，提供一种基于深度学习的智能定价系统，如图1所示，该系统可以包括：计算设备10、销售数据库20和标记数据库30，销售数据库20和标记数据库30可以分开设置，也可以合为一体。
销售数据库20内可以存储针对每类商品的历史销售数据，该历史销售数据可以包括：例如，商品进货量信息、商品进价信息、商品卖出量信息和商品卖出价格信息等中的任意一项或多项。其中，商品进货量信息可以包括；例如进货数量信息、与进货数量信息对应的进货时间信息等；商品卖出价格信息可以包括：例如卖出数量信息、与卖出数量信息对应的卖出时间信息等。在各种实施例中，根据不同的商品类型和售卖需求，可以将销售数据库20设置为包括不同信息。
标记数据库30中存储有标记数据，该标记数据与销售数据库20中存储的销售数据对应，标记数据库30可以包括环境数据子库和/或日历数据子库中的至少一个，如图1所示。
环境数据子库可以存储外部环境数据，例如，环境数据子库内可以存储有：针对每类商品，各个交易日的外部环境数据ξ2。该环境数据子库还可以进一步存储对应于商品所处地理位置在预交易日及未来几天的天气信息，这些信息可以按照不同方式被量化。例如，若对应该销售日期在当日及未来一段时间(如3天)有极端天气，则ξ2取为1，否则为0，其中极端天气可以包括高温、大风、低温、雨雪冰冻等影响居民出行和需求的天气。该环境数据子库中的环境数据可以与销售数据库中的历史销售数据相匹配。
日历数据子库存储中可以存储各交易日的日历特征ξ1以及商品的季节性特征ξ3。日历特征ξ1可以通过获取历史交易数据的交易日期进行按工作日历进行量化处理得到，例如：可以将周末量化为1，非周末则量化为0；五一、国庆、春节等节日可以量化为1，不是这些节日则量化为0；对于“双11”、“628”等特殊日期，也可以标记为1。上述类别中若有重叠情况，只标记为1。对于商品的季节性特征ξ3，举例来说，可以进行如下处理：对于四季特征差异性比较大的商品，把成交量按从大到小排列，分别取1,0.6,0.3,0，而对于四季特征不明显的商品则一律设为0。
上述标记的量化仅仅是示例，量化方式并不唯一，在不同实施例中，可以结合实际使用过程中各标记数据对商品销售的影响程度来进行设置。
销售数据库20和标记数据库30可以提前预置，并由智能定价系统中的计算设备10维护更新，或者由除了计算设备10之外的其他计算设备进行维护和更新。同时，在一些实施例中，销售数据库20和标记数据库30也可以由计算设备10创建。
例如图1所示，计算设备10可以获取店面地理位置信息，利用爬虫等技术方式从气象网站获取商品销售地历史天气信息，同时从商家的管理系统等各种途径获取历史销售数据，并统一整理，把得到的数据进行数据清洗，剔除异常值等，随后转换数据并分别存入销售数据库20、环境数据子库以及日历数据子库。
除此之外，如图1所示，根据本发明的一个实施例，计算设备10还可以包括基于深度学习的智能定价装置，该装置可以包括：提取单元101、筛选单元102、时段划分单元103、输入向量构建单元104、预测单元105、移动均线计算单元106和调价单元107。
其中，提取单元101被配置为从预置的或创建的标记数据库30中提取多个历史交易日的标记数据，并与预交易日的标记数据比较；与预交易日具有相同标记数据的历史交易日可由筛选单元102筛选出来，作为参考交易日，并将参考交易日的销售数据提取出来；时段划分单元103，被配置为将参考交易日的运营时间划分为相同的多个时段；输入向量构造单元104被配置为提取每个时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量；通过预测单元105构建lstm模型，并针对每个时段利用输入向量构造单元104构造的输入向量训练该lstm模型，得到预交易日的每个时段的销售数据预测值；移动均线计算单元106用来计算移动均线值，具体而言，针对每个时段，若该时段是第一个时段或第二个时段，将该时段的销售数据预测值作为移动均线值，否则，利用该时段的销售数据预测值与该时段之前的两个时段的移动均线值的平均来计算该时段的移动均线值；通过调价单元107来针对每个时段，比较该时段的移动均线值和下一时段的移动均线值，并根据比较结果调整下一时段的售价。例如，假设下一时段的移动均线值均线值为ma3'，当前时段的移动均线值为ma3，若ma3'<ma3，则向下调价；若ma3'>ma3，则向上调价。在其他示例中，调价方式也可以相反，即若ma3'<ma3，则向上调价；若ma3'>ma3，则向下调价。利用该系统的各个单元进行智能定价的详细工作过程将在后文描述。
在本实施例中，计算设备10可以是用于处理数据的各种装置、设备和机器，例如可编程处理器、计算机、工作站或服务器等。其中包含的各个单元模块可以是硬件或者专用逻辑电路，例如fpga或asic等，也可以是用于实现相应功能的代码、软件、逻辑或例程等。
下面结合图2介绍利用前述智能定价系统对零售商品进行智能定价的具体方法的实例。
如图2所示，根据本发明的一个实施例，提供一种基于深度学习的智能定价方法。
首先，步骤s101，从标记数据库30中提取多个历史交易日的标记数据，并与预交易日的标记数据比对。例如，设预交易日为t，提取t之前的n个交易日的标记数据ξ1、ξ2和ξ3；并将其与预交易日t的标记数据进行比对。
标记数据库30可预置或由设备10创建，例如，可选地，在步骤s101前，还可以包括创建数据库的步骤，创建的数据库包括销售数据库20和标记数据库30等；标记数据库30中存储各个交易日的标记数据ξ1、ξ2、ξ3，销售数据库20中存储各个交易日的销售数据，且两数据库中的标记数据和销售数据按照交易日期对应。同样，如前文中所描述的，销售数据库20和标记数据库30也可以提前预置，并由基于深度学习的智能定价系统中的计算设备10维护更新，或者由除了计算设备10之外的其他计算设备进行维护和更新，此时，该步骤可以省略。
随后，步骤s102，将从n个历史交易日中筛选出的与预交易日t具有相同标记数据的历史交易日(例如nday个)作为参考交易日，并提取该(例如nday个)参考交易日的销售数据。
随后，步骤s103，将上述参考交易日的运营时间划分为多个时段。
随后，步骤s104，提取每个时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量，为了更为精准的预测并调价，可以将所预测时段的上一时段的销售数据的预测值纳入输入向量中。
例如，将每个交易日的运营时间t(开始时间to到打烊时间tc)等分成n段，得到时间序列{m1，m2，m3，…，mn}，n的选取原则要保证每段时长超过硬件系统变价的最低时间花销tcost，即满足：
将步骤s102中获得的nday的整个商品交易流水按日期分割成nday个交易流水，以每一个交易流水为一个处理单元，按时间序列mi逐个统计购买该商品的销售数据(例如顾客数或下单数)，将该nday个交易日的历史数据处理完后，得到销售数据矩阵bτ,i(τ＝1,2,3,..,nday,i＝1,2,3,…,n)，其中τ＝1,2,..,nday表示日期索引，i＝1,2,3,…,n表示交易日每一个时段索引。
从矩阵b中选取第i列，即，nday个参考交易日的第i时段的销售数据，按下面
方式构造该第i时段的输入向量：[b1,i,b2,i,…,bnday,i,bnday+1,i-1,ξ1,ξ2,ξ3,
time_weight]，其中bnday+1,i-1为该预测时段的上一个时段(即第i-1时段)的销售数据，
time_weight为每段时间序列的权重值，
可选择地，向量中所有b项可以全部进行归一化出处理：
随后，步骤s105，构建lstm模型，利用前述输入向量训练lstm模型，得到预交易日的该时段的销售数据预测。在训练lstm模型时，可以利用长期(如3个月)的历史销售数据分别按照前述方式构造输入向量来训练lstm模型，通过该模型，联合实时的销售数据及近期同时间段的销售数据可以预测下一时段的销售数据，例如购买该商品的顾客数量等。
随后，步骤s106，计算移动均线值。具体而言，针对每个时段，若该时段是第一个时段或第二个时段，将该时段的销售数据预测值作为移动均线值，否则，利用该时段的销售数据预测值与该时段之前的两个时段的移动均线值的平均来计算该时段的移动均线值。
例如，可以这样计算门店开门营业到当前时段的移动均线ma3：如图3所示，假设门店当天营业共计100分钟，每20分钟为一时段，各个时段利用前述lstm模型得到的销售数据的预测值b分别如图中的黑色圆点所示。前两时段的移动均线可以是销售数据的预测值，即第一时段的ma3＝b＝1.5，第二时段为ma3＝b＝1.8。第三时段之后的ma3则通过该时段之前的两个时段的移动均线值与该时段的预测值的平均得到，即第三时段的ma3＝(1.5+1.8+2.5)/3＝1.9，同理，第四时段的ma3＝(1.8+1.9+2)/3＝1.9，第五时段的ma3＝(1.9+1.9+2.7)/3＝2.17，如图3中的灰色方块所示。
随后，步骤s107，针对每个时段，比较当前时段的移动均线值和下一时段的移动均线值，并根据比较结果调整下一时段的售价。例如，比较下时段预测均线值ma3'和当前时段ma3，若ma3'<ma3，则向下调价；若ma3'>ma3，则向上调价；或者，以如前的相反的方式调价。
例如，可以设定调价系数σ，如果下时段预测ma3'比当前时段ma3小，则进行向下调价σ＝-1，若下时段的ma3'比当前时段ma3大，则进行向上调价σ＝+1，调价公式可以为：
其中，p1是第一阶段的销售价，tnow是商品从开门到现在按分钟计的销售时长，tc和to为转换为分钟后的商场开门及打烊时间，c为商品进价，price为调价后的价格。
借助深度学习方法，本发明基于大样本来预测销售数据并及时调整售价，利用具有相似特点的历史交易日的售价来分时段调整预交易日的商品售价，使管理者能够在恰当时间制定合理营销价格，实现对商品价格的精细化管理，从而保证零售商的利润最大化。
根据本发明的另一个实施例，还提供了一种基于深度学习的智能定价装置，包括：提取单元，被配置为从预置的数据库中提取多个历史交易日的标记数据，并与预交易日的标记数据比较；筛选单元，被配置为将与预交易日具有相同标记数据的历史交易日作为参考交易日，并提取参考交易日的销售数据；时段划分单元，被配置为将参考交易日的运营时间划分为相同的多个时段；输入向量构造单元，被配置为：针对每个时段，提取该时段的各个参考交易日的销售数据以及对应的标记数据作为输入向量；预测单元，被配置为：构建lstm模型，针对每个时段，利用输入向量训练lstm模型，得到预交易日的该时段的销售数据预测值；移动均线计算单元，被配置为：针对每个时段，若该时段是第一个时段或第二个时段，将该时段的销售数据预测值作为移动均线值，否则，利用该时段的销售数据预测值与该时段之前的两个时段的移动均线值来计算该时段的移动均线值；调价单元，被配置为：针对每个时段，比较该时段的移动均线值和下一时段的移动均线值，并根据比较结果调整下一时段的售价。该装置能够执行图2中所示的定价方法。
根据本发明的另一个实施例，还提供了一种计算设备，包括处理器和存储器，处理器和存储器建立通信连接，处理器，用于读取存储器中的程序，以执行图2中的基于深度学习的智能定价方法。
根据本发明的另一个实施例，还提供了一种非易失性存储介质，非易失性存储介质中存储了程序，该程序被计算设备运行时，计算设备执行图2中的基于深度学习的智能定价方法。
上面结合附图对本发明的实施例做了详细说明，但本发明技术方案的使用不仅仅局限于本专利实施例中提及的各种应用，各种结构和变型都可以参考本发明技术方案轻易地实施，以达到本文中提及的各种有益效果。在本领域普通技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下做出的各种变化，均应归属于本发明专利涵盖范围。