基于自贩机的销售峰值预测方法、装置、设备及存储介质与流程
本发明涉及计算机技术领域，尤其涉及一种基于自贩机的销售峰值预测方法、装置、设备及计算机可读存储介质。
背景技术：
自贩机指的是一种由顾客自助取货、自助付款的机器，在各大商场及大型的公共场所均能见到自助售货机，自助售货机给人们的出行带来了很多方便。自贩机货道是指陈放寄售商品的物理轨道，一台自贩机有几十甚至上百个货道。自贩机工控系统通过硬件驱动程序，下发出货指令，驱动货道中的电机，推动商品从轨道中推出或掉落。
传统技术中，自助售货机的补货与维修通常是由运营人员依靠自身直觉和经验判断什么时候需要对设备维修与补货，运维成本高，而且这种维修和补货方法可能与实际合理时间存在较大差异，补货与维修时间不合理。
技术实现要素：
基于此，本发明实施例提供了一种基于自贩机的销售峰值预测方法、装置、设备及计算机可读存储介质，其能准确预测自贩机的销量趋势，从而实现自贩机的错峰补货与维修，提高自贩机补货与维修的合理性，降低运维成本。
第一方面，本发明实施例提供了一种基于自贩机的销售峰值预测方法，包括以下步骤：
按照预设的时间间隔获取当前自贩机内各物品的销量数据；
获取当前自贩机的历史状态数据；
对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；
对所述销量特征集进行机器学习训练，建立销量趋势预测模型；
获取当前自贩机在设定日期内对应的预设状态数据；
根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。
优选地，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。
优选地，所述预测状态数据包括：预设场景数据、预设营销数据；所述预设场景数据包括预设场所属性、所述设定日期对应的日期属性、预测天气数据以及预设节日活动属性；所述预设营销数据包括所述设定日期内各物品的预设价格折扣属性。
优选地，所述对各物品对应的交易次数与销量数据、所述历史状态数据进行数据抽取，获得销量特征集，具体包括：
通过sqoop工具将获取的各物品对应的交易次数与销量数据、所述历史状态数据进行数据抽取与清洗，获得销量特征集；
根据预设的数据仓库模型，将所述销量特征集加载到数据仓库。
优选地，所述对所述销量特征集进行机器学习训练，建立销量趋势预测模型，具体包括：
在spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型。
优选地，所述在spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型，具体包括：
根据所述销量特征集，通过三次指数平滑算法获取多组观测时间序列；
分别将各组观测时间序列作为输入值，采用baum-welch算法对预设的隐马尔可夫模型进行迭代训练，获得各组观测时间序列对应的模型参数；
计算各组观测时间序列对应的模型参数的平均值模型参数；
根据所述平均模型参数、预设的跌倒概率阈值以及预设的隐马尔可夫模型，建立销量趋势预测模型。
第二方面，本发明实施例提供了一种基于自贩机的销售峰值预测装置，包括：
销售数据获取模块，用于按照预设的时间间隔获取当前自贩机内各物品的销量数据；
历史状态数据获取模块，用于获取当前自贩机的历史状态数据；
数据抽取模块，用于对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；
模型建立模块，用于对所述销量特征集进行机器学习训练，建立销量趋势预测模型；
预设状态数据获取模块，用于获取当前自贩机在设定日期内对应的预设状态数据；
销量趋势预测模块，用于根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。
优选地，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。
第三方面，本发明实施例提供了一种基于自贩机的销售峰值预测设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的基于自贩机的销售峰值预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的基于自贩机的销售峰值预测方法。
相对于现有技术，以上实施例具有如下有益效果：
所述基于自贩机的销售峰值预测方法，包括：按照预设的时间间隔获取当前自贩机内各物品的销量数据；获取当前自贩机的历史状态数据；对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；对所述销量特征集进行机器学习训练，建立销量趋势预测模型；获取当前自贩机在设定日期内对应的预设状态数据；根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。相对于传统技术中由运营人员根据经验及直觉进行判断，通过对自贩机的物品销量、状态数据进行大数据挖掘与分析，通过每次数据分析迭代，建立销量趋势预测模型，采用该销量趋势预测模型能够准确预测自贩机的设定日期内的销量趋势，为后续自贩机的错峰维护和补货提供数据支持，从而提高自贩机维护、补货的合理性，降低运维成本。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的基于自贩机的销售峰值预测方法的流程示意图；
图2是本发明第二实施例提供的基于自贩机的销售峰值预测装置的结构示意图；
图3是本发明第三实施例提供的基于自贩机的销售峰值预测设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。
大数据技术(hadoop)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要用特有的大数据技术来处理，才能得到具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
下面对自贩机的应用场景进行说明：
各自贩机设有物联网通信组件，所述物联网通信组件包括安装有数据采集应用程序(app)的采集客户端以及数据传输应用程序(app)的传输客户端，通过物联网通信组件，将自贩机的自身数据上报到大数据分析组件。同时大数据分析组件还通过一采集平台采集自贩机对应的状态数据，例如场所属性、天气数据、节日活动属性等。所述大数据分析组件设有数据存储服务和机器学习服务。
请参照图1，本发明第一实施例提供了一种基于自贩机的销售峰值预测方法，其可由基于自贩机的销售峰值预测设备来执行，并包括以下步骤：
在本发明实施例中，所述基于自贩机的销售峰值预测设备可为电脑、手机、平板电脑、笔记本电脑或者服务器等计算设备，所述基于自贩机的销售峰值预测方法可作为其中一个功能模块集成与所述基于自贩机的销售峰值预测设备上，由所述基于自贩机的销售峰值预测设备来执行。
s11：按照预设的时间间隔获取当前自贩机内各物品的销量数据；
进一步地，按照预设的时间间隔获取当前自贩机内各物品的交易次数与交易记录，根据所述交易次数与所述交易记录计算各物品的销量数据。
自贩机在每售出一件物品并完成结算后，会生成一交易记录，该交易记录包括交易的时间、物品类型、数量、金额等；按照设定的时间间隔自动获取当前时间段内的交易记录，通过对交易记录进行统计分析可以得到当前自贩机内各物品的销量数据。例如：某一物品的销量数据
s12：获取当前自贩机的历史状态数据；
每台自贩机都储存了各自的场景数据、营销数据、各物品的历史交易记录、各物品在当前自贩机上占用的货道总量和物品总量。所述场景数据包括当前自贩机所在场所属性(如商场)、日期属性(例如周末、工作日)、天气数据(例如晴天、雨天、阴天)以及节日活动属性(例如情人节)；所述营销数据包括当前自贩机内各物品的价格折扣属性(例如5折优惠)。
s13：对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；
s14：对所述销量特征集进行机器学习训练，建立销量趋势预测模型；
s15：获取当前自贩机在设定日期内对应的预设状态数据；
s16：根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。
通过对自贩机的物品销量、状态数据进行大数据挖掘与分析，通过每次数据分析迭代，建立销量趋势预测模型，采用该销量趋势预测模型能够准确预测自贩机的设定日期内的销量趋势，为后续自贩机的错峰维护和补货提供数据支持，从而提高自贩机维护、补货的合理性，降低运维成本。
结合物联网技术，对接入物联网的自贩机群，采用上述方法能够对大量的自贩机预测设定日期内的销量趋势，能够极大地降低人工成本和管理成本，从而提高经营收入；由于不需要专业的运营人员，可以降低运营自贩机的门槛。
在一种可选的实施例中，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。
在一种可选的实施例中，所述预测状态数据包括：预设场景数据、预设营销数据；所述预设场景数据包括预设场所属性、所述设定日期对应的日期属性、预测天气数据以及预设节日活动属性；所述预设营销数据包括所述设定日期内各物品的预设价格折扣属性。
例如，通过获取未来7天对应的预设场所属性、预测天气数据、日期属性、预设节日活动属性以及预设价格折扣属性，通过上述销量趋势预测模型，可以获得未来7天的销量趋势。
在一种可选的实施例中，所述对各物品对应的交易次数与销量数据、所述历史状态数据进行数据抽取，获得销量特征集，具体包括：
通过sqoop工具将获取的各物品对应的交易次数与销量数据、所述历史状态数据进行数据抽取与清洗，获得销量特征集；
sqoop是传统数据库与hadoop之间数据同步的工具，解决的是传统数据库和hadoop之间数据的迁移问题。主要包括一下两个方面：1、将关系型数据库的数据导入到hadoop及其相关的系统中，如hive和hbase。2、将数据从hadoop系统里抽取并导出到关系型数据库。sqoop可以高效、可控地利用资源，通过调整任务数来控制任务的并发度。另外它还可以配置数据库的访问时间等等；可以自动的完成数据类型映射与转换；支持多种数据库，比如，mysql、oracle和postgresql等等数据库。
数据抽取与清洗，即etl处理主要包括以下几个步骤：
1、数值化处理；将不同格式的所述各物品对应的交易次数与销量数据、所述历史状态数据转化为预设标准格式。由于所述各物品对应的交易次数与销量数据、所述历史状态数据的数据形式不同，例如字符型、数值型；而后续需要预设标准格式为数值型，则对其进行标准化操作。例如对字符串取值，按照ansi码值求和得到字符串的值，得到数值型的数据。
2、标准化处理(min-max标准化)；将数值化处理后的所述各物品对应的交易次数与销量数据、所述历史状态数据进行归一化处理，获得相同维度下的各物品对应的交易次数与销量数据、所述历史状态数据。由于所述各物品对应的交易次数与销量数据、所述历史状态数据各个维度之间的数值往往相差很大，比如一个维度的最小值是0.01，另一个维度最小值却是1000，那么在数据分析的时候，后者会掩盖了前者的作用。通过对所述各物品对应的交易次数与销量数据、所述历史状态数据进行归一化工作，将所述各物品对应的交易次数与销量数据、所述历史状态数据都映射到一个指定的数值区间，避免数据维度的不同对后续的数据分析产生的影响。
3、降维处理；例如通过主成分分析法对标准化处理后的所述各物品对应的交易次数与销量数据、所述历史状态数据进行各物品对应的交易次数与销量数据、所述历史状态数据中提取有效数据。
根据预设的数据仓库模型，将所述销量特征集加载到数据仓库。
预设的数据仓库模型主要包括预先定义的概念模型、预先定义的逻辑模型、预先定义的物理模型；所述概念模型，用于对所述销量特征进行主题划分；所述逻辑模型，用于建立各销量特征之间的关联关系；所述物理模型，用于在数据库，用于对各销量特征建立数据库表与索引。
在一种可选的实施例中，所述对所述销量特征集进行机器学习训练，建立销量趋势预测模型，具体包括：
在spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型。
spark是ucberkeleyamplab开源的通用并行计算框架。它具有低延迟、支持dag和分布式内存计算等优势。spark整合了机器学习(mlib)、图算法(graphx)、流式计算(sparkstreaming)和数据仓库(sparksql)，通过计算引擎spark，弹性分布式数据集(rdd)，架构出一个大数据应用平台。
spark以hdfs、s3、techyon为底层存储引擎，以yarn、mesos和standlone作为资源调度引擎；使用spark，可以实现mapreduce应用；基于spark，sparksql可以实现即席查询，sparkstreaming可以处理实时应用，mlib可以实现机器学习算法，graphx可以实现图计算，sparkr可以实现复杂数学计算。通过spark能够对数据仓库中存的海量销量特征进行数据挖掘分析，处理效率更加高效。
在整合了机器学习算法、图算法、流式计算的spark集群框架下对所述数据仓库中存储的销量特征集进行分布式并行计算，在销量特征集的训练下，充分挖掘各个数据特征之间的关联关系，并最终建立销量趋势预测模型。所述机器学习算法包括：决策树算法、随机森林算法、逻辑回归算法、svm(supportvectormachine，支持向量机)、朴素贝叶斯算法、k最近邻算法、k均值算法、adaboost算法(adaptiveboosting，自适应增强)、神经网络、马尔可夫算法、三次指数平滑算法等。
由于销量特征是按照时间顺序获取，通过三次指数平滑(triple/threeorderexponentialsmoothing,holt-winters)算法，可以当前时间序列已有的销量特征来预测当前时间序列之后的走势。
在一种可选的实施例中，所述在spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型，具体包括：
根据所述销量特征集，通过三次指数平滑算法获取多组观测时间序列；
分别将各组观测时间序列作为输入值，采用baum-welch算法对预设的隐马尔可夫模型进行迭代训练，获得各组观测时间序列对应的模型参数；
计算各组观测时间序列对应的模型参数的平均值模型参数；
根据所述平均模型参数、预设的跌倒概率阈值以及预设的隐马尔可夫模型，建立销量趋势预测模型。
隐马尔科夫(hiddenmarkovmodel)模型是一类基于概率统计的模型，是一种结构最简单的动态贝叶斯网的有向图模型。baum-welch算法是一种对隐马尔科夫(hiddenmarkovmodel)模型做参数估计的方法，是em(最大期望)算法的一个特例。
本实施在模型训练前，预先设定初始模型参数和跌倒概率阈值(例如85％)，通过三次指数平滑法将所述销量特征集输入到预设的隐马尔可夫模型进行迭代训练，拟合出多种模型参数并求出平均模型参数，用所述平均模型模型参数更新隐马尔可夫模型中的初始模型参数，即可得到所述销量趋势预测模型。
进一步地，采用三次指数平滑算法将所述设定日期对应的预设状态数据，输入所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。
进一步地，所述方法还包括：根据所述设定日期对应的销量趋势预测结果，生成销量趋势通知信息，并将销量趋势通知信息发送至智能终端，以使得所述智能终端将所述销量趋势通知信息推送给运维人员进行维修或补货。
相对于现有技术，以上实施例具有如下有益效果：
所述基于自贩机的销售峰值预测方法，包括：按照预设的时间间隔获取当前自贩机内各物品的销量数据；获取当前自贩机的历史状态数据；对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；对所述销量特征集进行机器学习训练，建立销量趋势预测模型；获取当前自贩机在设定日期内对应的预设状态数据；根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。相对于传统技术中由运营人员根据经验及直觉进行判断，通过对自贩机的物品销量、状态数据进行大数据挖掘与分析，通过每次数据分析迭代，建立销量趋势预测模型，采用该销量趋势预测模型能够准确预测自贩机的设定日期内的销量趋势，为后续自贩机的错峰维护和补货提供数据支持，从而提高自贩机维护、补货的合理性，降低运维成本。
请参阅图2，本发明第二实施例提供了一种基于自贩机的销售峰值预测装置，包括：
销售数据获取模块1，用于按照预设的时间间隔获取当前自贩机内各物品的销量数据；
历史状态数据获取模块2，用于获取当前自贩机的历史状态数据；
数据抽取模块3，用于对各物品的销量数据、所述历史状态数据进行数据抽取，获得销量特征集；
模型建立模块4，用于对所述销量特征集进行机器学习训练，建立销量趋势预测模型；
预设状态数据获取模块5，用于获取当前自贩机在设定日期内对应的预设状态数据；
销量趋势预测模块6，用于根据所述设定日期对应的预设状态数据，通过所述销量趋势预测模型，获取所述设定日期对应的销量趋势预测结果。
在一种可选的实施例中，所述历史状态数据包括：当前自贩机的历史场景数据、历史营销数据；所述历史场景数据包括当前自贩机的历史场所属性、历史日期属性、历史天气数据以及历史节日活动属性；所述历史营销数据包括当前自贩机内各物品的历史价格折扣属性。
在一种可选的实施例中，所述预测状态数据包括：预设场景数据、预设营销数据；所述预设场景数据包括预设场所属性、所述设定日期对应的日期属性、预测天气数据以及预设节日活动属性；所述预设营销数据包括所述设定日期内各物品的预设价格折扣属性。
在一种可选的实施例中，所述数据抽取模块3包括：
数据清洗单元，用于通过sqoop工具将获取的各物品的销量数据、所述历史状态数据进行数据抽取与清洗，获得销量特征集；
数据加载单元，用于根据预设的数据仓库模型，将所述销量特征集加载到数据仓库。
在一种可选的实施例中，所述模型建立模块4，用于在spark框架下采用三次指数平滑算法对所述数据仓库中存储的销量特征集进行机器学习训练，建立销量趋势预测模型。
在一种可选的实施例中，所述模型建立模块4包括：
序列获取单元，用于根据所述销量特征集，通过三次指数平滑算法获取多组观测时间序列；
模型训练单元，用于分别将各组观测时间序列作为输入值，采用baum-welch算法对预设的隐马尔可夫模型进行迭代训练，获得各组观测时间序列对应的模型参数；
模型参数计算单元，用于计算各组观测时间序列对应的模型参数的平均值模型参数；
销量趋势预测模型建立单元，用于根据所述平均模型参数、预设的跌倒概率阈值以及预设的隐马尔可夫模型，建立销量趋势预测模型。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
参见图3，是本发明第三实施例提供的基于自贩机的销售峰值预测设备的示意图。如图3所示，该基于自贩机的销售峰值预测设备包括：至少一个处理器11，例如cpu，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括usb接口以及其他标准接口、有线接口。网络接口14可选的可以包括wi-fi接口以及其他无线接口。存储器15可能包含高速ram存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。
在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；
程序152。
具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的基于自贩机的销售峰值预测方法，例如图1所示的步骤s11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如销售数据获取模块。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于自贩机的销售峰值预测设备中的执行过程。
所述基于自贩机的销售峰值预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于自贩机的销售峰值预测设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于自贩机的销售峰值预测设备的示例，并不构成对基于自贩机的销售峰值预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
所称处理器11可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器11是所述基于自贩机的销售峰值预测设备的控制中心，利用各种接口和线路连接整个基于自贩机的销售峰值预测设备的各个部分。
所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于自贩机的销售峰值预测设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器15可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于自贩机的销售峰值预测设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例中任意一项所述的基于自贩机的销售峰值预测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！