本申请涉及信息处理的技术领域,具体涉及一种商品销量预测方法、存储介质和计算机设备。
背景技术:
销售预测是指根据以往的销售情况以及使用系统内部内置或用户自定义的销售预测模型获得的对未来销售情况的预测。销售预测可以直接生成同类型的销售计划。销售计划的中心任务之一就是销售预测,无论企业的规模大小、销售人员的多少,销售预测影响到包括计划、预算和销售额确定在内的销售管理的各方面工作。
对于实际商业使用中的售货机来说,整个取值周期冗长且不适用于商品变动频繁的情况,会使得预测结果不准确,造成经济损失。
技术实现要素:
鉴于上述的不足之处,本申请的目的在于提供一种商品销量预测方法、存储介质和计算机设备,正确的预测预测日期的商品的销售数据,减少经济损失。
为了实现上述目的,本申请提供的技术方案为:一种商品销量预测方法,包括步骤:
获取预测日期和参照日的天气数据;
获取参照日的销售数据;
对销售数据进行修正或补充;
将天气数据和修正或补充后的销售数据通过预测算法计算得出预测商品的预测销量。
进一步地,所述对数据进行修正包括步骤:
计算参照日的销售数据的标准差;
判断预测日期的销售数据的趋势并分类。
进一步地,所述对数据进行修正之前包括步骤:
将日期划分为工作日、周末和节日;
判断预测日期所处日期。
进一步地,当预测日期为工作日,所述对数据进行修正包括步骤:
获取前三周工作日的销售数据;
若有销售数据有缺失,取前后两天的平均值进行补齐;
若有销售数据高于平均值的二倍或低于平均值的二倍,当天的销售数据取最大值的四分之三,小数点后一位向上取整。
进一步地,当预测日期为节日,所述对数据进行修正包括步骤:
获取前三年同节日的销售数据;
若销售数据全为空,补0;
若有销售数据缺失,取最大值的四分之三,小数点后一位向上取整,进行补齐。
进一步地,当预测日期为周末,所述对数据进行修正包括步骤:
获取前三周周末的销售数据;
若销售数据缺失大于等于3个,取前三周周五的销售数据的1.25倍,小数点后一位向上取整,进行补齐;
若销售数据缺失小于3个,判断缺失的销售数据处于递增区间还是递减区间;
如果销售数据处于递增区间,取最大值的0.75倍,小数点后一位向上取整,进行补齐;
如果销售数据处于递减区间,取平均值的0.75倍,小数点后一位向上取整,进行补齐;
如果销售数据处于持平区间,取平均值补齐。
进一步地,所述判断缺失的销售数据处于递增区间、递减区间或是持平区间包括步骤:
获取预测日期前三天的销售数据;
如果b[0]<b[1]<b[2],则销售数据处于递增区间;
如果b[0]>b[1]>b[2],则销售数据处于递减区间;
如果b[0]=b[1]=b[2],则销售数据处于持平区间;
其中b[0]为大前天的销售数据,b[1]为前天的销售数据,b[2]为昨天的销售数据。
进一步地,所述获取预测日期和参照日的天气数据包括:
获取预测日期和参照日的最高温度、最低温度、平均温度、平均相对湿度和平均风速;
计算预测日期和参照日的相对湿球温度;
计算预测日期和参照日的天气舒适度;
计算预测日期和参照日的天气舒适度的归一化值。
进一步地,所述相对湿球温度的计算公式为:
其中,tw为湿球温度,tm为最高温度,h为归一化相对湿度。
进一步地,所述天气舒适度的计算公式为:
cft=0.72*(ta+tw)-7.2*wa+4.8
其中,cft为舒适度,tw为湿球温度,ta为最高温度,wa为平均风速。
进一步地,所述舒适度差的归一化值的计算公式为:
其中,δcft为舒适度差,δd为舒适度差的归一化值。
本申请还提供的技术方案为:一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述商品销量预测方法的步骤。
本申请还提供的技术方案为:一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述商品销量预测方法的步骤。
有益效果:
本申请通过对所获取的参照日的销售数据的异常或缺失进行修正或补充,获得更为准确的参照日的销售数据,结合上通过天气情况判处人们出行的概率,从而计算出更为精准的预测日期的销售量,合理的安排运维工作,减少经济损失。
附图说明
所包括的附图用来提供对本申请实施例的进一步的理解,其构成了说明书的一部分,用于例示本申请的实施方式,并与文字描述一起来阐释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请的一实施例的一种商品销量预测的流程图;
图2是本申请的一实施例的数据修正其中步骤的流程图;
图3是本申请的一实施例的预测日期划分的流程图;
图4是本申请的一实施例的预测日期为工作日的销售数据修正的流程图;
图5是本申请的一实施例的预测日期为节日的销售数据修正的流程图;
图6是本申请的一实施例的预测日期为周末的销售数据修正的流程图;
图7是本申请的一实施例的判断销售数据所处区间的流程图;
图8是本申请的一实施例的获取预测日期的天气数据的流程图。
具体实施方式
需要理解的是,这里所使用的术语、公开的具体结构和功能细节,仅仅是为了描述具体实施例,是代表性的,但是本申请可以通过许多替换形式来具体实现,不应被解释成仅受限于这里所阐述的实施例。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示相对重要性,或者隐含指明所指示的技术特征的数量。由此,除非另有说明,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;“多个”的含义是两个或两个以上。术语“包括”及其任何变形,意为不排他的包含,可能存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
另外,“中心”、“横向”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系的术语,是基于附图所示的方位或相对位置关系描述的,仅是为了便于描述本申请的简化描述,而不是指示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,或是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
售货机通常放在各车站、商场、写字楼等人流密集的地方。每台售货机通过网络与主服务器连接,传输数据。在售货机硬件故障、软件通讯故障、无出货反馈、代码出错、主服务器故障或断网等都会造成数据缺失。
下面参考附图和可选的实施例对本申请作进一步说明。
如图1所示,本申请实施例公开了一种商品销量预测方法,包括步骤:
s1、获取预测日期和参照日的天气数据;;
s2、获取参照日的销售数据;
s3、判断获取的销售数据是否异常;
s4、若销售数据异常,对数据进行修正;
s5、将天气数据和修正后的销售数据通过预测算法计算得出商品的预测销量。
其中,如图2所示,所述对数据进行修正包括步骤:
s41、计算参照日的销售数据的标准差;
s42、判断预测日期的销售数据的趋势并分类。
本申请通过对所获取的参照日的销售数据的异常或缺失进行修正或补充,获得更为准确的参照日的销售数据,结合上通过天气情况判处人们出行的概率,从而计算出更为精准的预测日期的销售量,合理的安排运维工作,减少经济损失。
如图3所示,具体的,在对数据进行修正之前包括步骤:
s31、将日期划分为工作日、周末和节日;
s32、判断预测日期所处日期。
其中,工作日为周一到周五,周末为周六和周日,节日为法定节假日,包括:元旦、春节、清明、五一、端午、中秋、国庆等日子。
在不同的日期,人们外出和购物的概率就不会不同,按照生活的规律,将日期划分为以上三种,在每种日期中人们每天的活动规律基本相同,因此,以相同类型的日期作为参照来预测某日的销售量,将会更具有参考性和更加精准,从而合理的安排运维工作,减少经济损失。
在将日期划分之后,分别对不同日期的销售数据的异常或缺失有不同的修正方法。
如图4所示,当预测日期为工作日时,所述对数据进行修正包括步骤:
s3211、获取前三周工作日的销售数据;
s3212、若有销售数据有缺失,取前后两天的平均值进行补齐;
s3213、若有销售数据高于平均值的二倍或低于平均值的二倍,当天的销售数据取最大值的四分之三,小数点后一位向上取整。
在工作日中,人们的活动比较规律,在正常情况下前后几天的数据都会比较相近,在数据有缺失的时候,取前后两天的数据的平均值补齐即可,在数据有异常时,取当天销售数据最大值的四分之三,将异常数据修正,使得该天数据趋近于正确值,使得最后计算得出的预测值更接近实际值,预测更加准确,更加合理的安排运维工作,减少经济损失。
如图5所示,当预测日期为节日时,所述对数据进行修正包括步骤:
s3221、获取前三年同节日的销售数据;
s3222、若销售数据全为空,补0;
s3223、若有销售数据缺失,取最大值的四分之三,小数点后一位向上取整,进行补齐。
若销售数据为空的,说明这个商品在上几个节日的时候并没有卖出,因此不需要再补充,若只是有缺失,根据以往经验综合取值进行补充,从而使预测的计算更加准确,更加合理的安排运维工作,减少经济损失。
如图6所示,当预测日期为周末,所述对数据进行修正包括步骤:
s3231、获取前三周周末的销售数据;
s3232、若销售数据缺失大于等于3个,取前三周周五的销售数据的1.25倍,小数点后一位向上取整,进行补齐;
s3233、若销售数据缺失小于3个,判断缺失的销售数据处于递增区间还是递减区间;
s3234、如果销售数据处于递增区间,取最大值的0.75倍,小数点后一位向上取整,进行补齐;
s3235、如果销售数据处于递减区间,取平均值的0.75倍,小数点后一位向上取整,进行补齐;
s3236、如果销售数据处于持平区间,取平均值补齐。
以缺失数据个数的一半为界,即前三周一共六天,就有六个数据,以三天为界,进行不同的修正处理,如果缺失数据的个数大于等于三个,就是缺失了一半以上,由于数据缺失比较严重,就不能根据剩下的数据来补充,这样会不准确,因此取临近周末的周五,周五下班之后人们的出行和购物的活跃度与周末比较相似,因此将周五的销售数据进行一些扩大之后用以填补,能使得预测结果更加准确;如果缺失数据较少小于一半的,看预测日期是处于递增、递减还是持平的区间,按照趋势来取较大或较小的值来填补,能使得预测结果更加准确。
其中,如图7所示,所述判断缺失的销售数据处于递增区间、递减区间或是持平区间的方法为:
获取预测日期前三天的销售数据;
如果b[0]<b[1]<b[2],则销售数据处于递增区间;
如果b[0]>b[1]>b[2],则销售数据处于递减区间;
如果b[0]=b[1]=b[2],则销售数据处于持平区间;
其中,b[0]为大前天的销售数据,b[1]为前天的销售数据,b[2]为昨天的销售数据。
在短期的时间内正常情况下趋势是不会发生突变的,因此,取前三天的销售数据来判断预测日期的趋势,更加具有参考的价值,更加准确。
进一步地,如图8所示,所述获取预测日期和参照日的天气数据包括:
s11、获取预测日期和参照日的最高温度、最低温度、平均温度、平均相对湿度和平均风速;
s12、计算预测日期和参照日的相对湿球温度;
s13、计算预测日期和参照日的天气舒适度;
s14、计算预测日期和参照日的天气舒适度的归一化值。
获取人们出门最能感受到的天气数据,计算后判断出人们出门的意愿,从而使得计算出的预测销量具有更高的可信度,从而可以更加合理的安排运维工作,减少经济损失。
具体的,相对湿球温度的计算公式为:
其中,tw为湿球温度,tm为最高温度,h为归一化相对湿度。
天气舒适度的计算公式为:
cft=0.72*(ta+tw)-7.2*wa+4.8
其中,cft为舒适度,tw为湿球温度,ta为最高温度,wa为平均风速。
舒适度差的归一化值的计算公式为:
其中,δcft为舒适度差,δd为舒适度差的归一化值。
更具体的,将预测日期的对应的销售数据作为一个集合,记为b,对集合b做趋势判断并分类,分类的类别记为tnd,tnd的判断方式为:
如果b[0]>b[1]andb[1]>b[2],判断为增;
如果b[0]<b[1]andb[1]<b[2],判断为减;
如果b[0]==b[1]andb[1]==b[2],判断为平;
如果(b[0]<b[1]andb[1]>b[2])or(b[0]==b[1]andb[1]<b[2])or(b[0]>b[1]andb[1]==b[2]),判断为峰;
如果(b[0]>b[1]andb[1]<b[2])or(b[0]==b[1]andb[1]>b[2])or(b[0]<b[1]andb[1]==b[2]),判断为谷。
其中,b[0]为大前天的销售数据,b[1]为前天的销售数据,b[2]为昨天的销售数据。
根据以上计算结果,将数值套入下表1的预测算法中,得出预测销量p。
表1、预测算法
其中,md_mnt为预测日期前三周的集合b的标准差,v_mnt为集合b的中位数,bfmd_mnt为预测日期最近三天的集合b的标准差,mx_mnt为集合b的最大值。
本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述商品销量预测方法的步骤。
本申请还提供的技术方案为:一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述商品销量预测方法的步骤。
需要说明的是,本方案中涉及到的各步骤的限定,在不影响具体方案实施的前提下,并不认定为对步骤先后顺序做出限定,写在前面的步骤可以是在先执行的,也可以是在后执行的,甚至也可以是同时执行的,只要能实施本方案,都应当视为属于本申请的保护范围。
以上内容是结合具体的可选的实施方式对本申请所作的进一步详细说明,不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本申请的保护范围。