销量预测方法及其模型的获取方法、装置和电子设备与流程

1.本技术涉及信息处理技术领域，尤其涉及一种销量预测方法及其模型的获取方法、装置和电子设备。


背景技术：

2.随着社会不断发展，市场竞争越来越激烈，企业要想赢拓展市场，必须在最短时间内以最低成本向用户提供更多的产品，这就需要企业对产品销售量进行及时且准确的预测，辅助完成市场拓展目标。现有技术中，一般是通过人工基于以往销售数据进行销售预测，无法获取比较准确的销售预测结果，导致存在销售预测结果与实际销售结果之间误差很大的问题。


技术实现要素：

3.为了解决上述技术问题，本技术实施例提供了一种销量预测方法及其模型的获取方法、装置和电子设备。
4.第一方面，本技术实施例提供了一种销量预测模型的获取方法，所述方法包括：
5.获取影响销量的多个强相关因子，获取各强相关因子的初始数据；
6.将各所述强相关因子的初始数据及历史销售数据输入初始线性回归模型，计算所述初始线性回归模型的拟合参数的预测拟合数值；
7.将所述预测拟合数值代入所述初始线性回归模型的拟合参数，得到销售预测模型。
8.第二方面，本技术实施例提供了一种销量预测方法，该方法应用于配置有销量预测模型的电子设备，所述销售预测模型为根据第一方面所提供的销量预测模型的获取方法获得；所述方法包括：
9.获取影响销量的多个当期强相关因子，确定各当期强相关因子对应的计划数据；
10.将多个所述当期强相关因子的计划数据输入所述销售预测模型，计算得到当期销售预测信息。
11.第三方面，本技术实施例提供了一种销量预测模型的获取装置，所述装置包括：
12.第一获取模块，用于获取影响销量的多个强相关因子，获取各强相关因子的初始数据；
13.第一计算模块，用于将各所述强相关因子的初始数据及历史销售数据输入初始线性回归模型，计算所述初始线性回归模型的拟合参数的预测拟合数值；
14.处理模块，用于将所述预测拟合数值代入所述初始线性回归模型的拟合参数，得到销售预测模型。
15.第四方面，本技术实施例提供了一种销量预测装置，所述装置设置于配置有销量预测模型的电子设备，所述销售预测模型为根据第一方面所提供的销量预测模型的获取方法获得；所述装置包括：
16.第二获取模块，用于获取影响销量的多个当期强相关因子，确定各当期强相关因子对应的计划数据；
17.第二计算模块，用于将多个所述当期强相关因子的计划数据输入所述销售预测模型，计算得到当期销售预测信息。
18.第五方面，本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的销量预测模型的获取方法，和/或，执行第二方面提供的销量预测方法。
19.第六方面，本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的销量预测模型的获取方法，和/或，执行第二方面提供的销量预测方法。
20.上述本技术提供的销量预测方法及其模型的获取方法、装置和电子设备，获取影响销量的多个强相关因子，获取各强相关因子的初始数据；将各所述强相关因子的初始数据及历史销售数据输入初始线性回归模型，计算所述初始线性回归模型的拟合参数的预测拟合数值；将所述预测拟合数值代入所述初始线性回归模型的拟合参数，得到销售预测模型。这样，可以训练得到比较准确的销售预测模型，提高销售量预测结果。
附图说明
21.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对本技术保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
22.图1示出了本技术实施例提供的销量预测模型的获取方法的一流程示意图；
23.图2示出了本技术实施例提供的销量预测方法的一流程示意图；
24.图3示出了本技术实施例提供的销量预测模型的获取装置的一结构示意图；
25.图4示出了本技术实施例提供的销量预测装置的一结构示意图。
具体实施方式
26.下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。
27.通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
28.在下文中，可在本技术的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
29.此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
30.除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本技术的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本技术的各种实施例中被清楚地限定。
31.实施例1
32.本公开实施例提供了一种销量预测模型的获取方法。
33.具体的，参见图1，销量预测模型的获取方法包括：
34.步骤s101，获取影响销量的多个强相关因子，获取各强相关因子的初始数据。
35.在本实施例中，为获取准确的效率预测模型，需要预先确定影响销量的多个强相关因子，强相关因子可以为公司每月的投入广告预算金额，客户每月的合同任务金额，客户每月的可开单余额，在此不做限制。其中，强相关因子的初始数据可为历史记录的数据。
36.具体来说，步骤s101中的所述获取影响销量的多个强相关因子，包括以下步骤：
37.确定影响销量的多个预设相关因子，确定各预设相关因子的初始数据；
38.分别计算各预设相关因子的初始数据与历史销售数据的各第一协方差；
39.分别计算各预设相关因子的初始数据的第一方差，计算所述历史销售数据的第二方差；
40.将各所述第一方差分别与所述第二方差的乘积进行开平方计算，得到各第一开平方结果值；
41.根据各所述第一协方差、各所述第一开平方结果值得到各预设相关因子与所述历史销售数据的相关系数；
42.将各所述预设相关因子中对应相关系数处于预设正数取值范围的预设相关因子作为所述强相关因子。
43.在本实施例中，可以根据以下公式1确定各预设相关因子与历史销售数据的相关系数，公式1：其中，x表示各预设相关因子的初始数据，y表示历史销售数据，cov(x，y)表示各预设相关因子的初始数据与历史销售数据之间的第一协方差，var[x]表示各预设相关因子的初始数据的第一方差、var[y]表示历史销售数据的第二方差，表示第一开平方结果值。
[0044]
在本实施例中，相关系数的范围属于[-1，1]之间，当两个变量之间的相关系数小于0时，认为两个变量之间为线性负相关，当两个变量之间的相关系数大于0时，认为两个变量之间为线性正相关。在本实施例中，所述预设正数取值范围可以依据可以在0至1之间进行选取，例如，可以选择0至1之间的正数取值范围，也可以选择0.5至1之间的正数取值范围，在此不做限制。
[0045]
步骤s102，将各所述强相关因子的初始数据及历史销售数据输入初始线性回归模型，计算所述初始线性回归模型的拟合参数的预测拟合数值。
[0046]
在本实施例中，所述初始线性回归模型包括公式2：其中，
yi表示历史销量数据，β0及βi表示拟合参数，xi表示强相关因子对应的权重数据，εi表示修正数据。其中，i表示正整数。εi为修正数据，可以为默认设置值，也可以为用户自定义值，或者经过校正得到。
[0047]
具体来说，若强相关因子包括月度广告预算金额x
11
、x
12
、x
13
、客户月度合同任务金额x
21
、x
22
、x
23
、月度可开单余额x
31
，x
32
，x
33
，历史销售数据包括4个月的月度历史销售数据y1、y2、y3、y4，将相应数据代入公式1，得到以下等式：
[0048]
等式1：y1＝β0+β1x
11
+β2x
12
+β3x
13
+ε1；
[0049]
等式2：y2＝β0+β1x
21
+β2x
22
+β3x
23
+ε2；
[0050]
等式3：y3＝β0+β1x
31
+β2x
32
+β3x
33
+ε3；
[0051]
等式4：y4＝β0+β1x
41
+β2x
42
+β3x
43
+ε4；
[0052]
其中εi表示修正数据，可以为默认设置数值，结合等式1至等式4可以计算出β0、β1、β2、β3拟合参数对应的预测拟合数值。
[0053]
步骤s103，将所述预测拟合数值代入所述初始线性回归模型的拟合参数，得到销售预测模型。
[0054]
举例来说，若在步骤s102中计算β0、β1、β2、β3拟合参数对应的预测拟合数值分别为a、b、c、d，将公式1中的β0、β1、β2、β3分别用a、b、c、d代替，则可以得到对应的销售预测模型。
[0055]
在本实施例中，所述销量预测模型的获取方法还包括：
[0056]
根据所述预测拟合数值、多个所述强相关因子的初始数据及所述历史销售数据计算所述销售预测模型的回归系数；
[0057]
在所述回归系数不处于预设正数取值范围时，调整所述预测拟合数值，直至根据调整后的预测拟合数值、多个所述强相关因子及所述历史销售数据计算的回归系数处于所述预设正数取值范围，将对应的调整后的预测拟合数值作为修正拟合数值；
[0058]
将所述修正拟合数值代入所述初始线性回归模型的拟合参数，得到修正销售预测模型。
[0059]
在本实施例中，回归系数可以根据以下公式3、公式4及公式5进行计算：
[0060]
公式3：
[0061]
公式4：
[0062]
公式5：
[0063]
其中，r2表示回归系数，sse表示残差平方和，sst表示离差平方和，yi表示各期的历史销售数据，表示根据本实施例的销售预测模型计算的预测销售数据，表示各期历史销售数据之和，y表示各期历史销售数据组成的观测向量，y
t
表示观测向量的转置矩阵，表示本实施例提供的初始线性回归模型的拟合参数的最小二乘估计的转置矩阵，x
t
表示强相关因子的转置矩阵，表示各期历史销售数据的均值。
[0064]
需要补充说明的是，残差平方和(sse)越大，表示历史销售数据与预测销售数据之
间的偏差就越大。由步骤s103得到的销售预测模型计算未来各期的预测销售数据的具体过程可以参见实施例2中的相关描述，为避免重复，在此不做限制。
[0065]
在本实施例中，r2介于[0，1]之间，数值越大说明销售预测模型的准确性越高，预设正数取值范围可以取[0，1]之间的值，例如，可以选择[0.5，1]，若回归系数较小，则通过调整所述预测拟合数值，直至根据调整后的预测拟合数值、多个所述强相关因子及所述历史销售数据计算的回归系数处于所述预设正数取值范围，将对应的调整后的预测拟合数值作为修正拟合数值，基于修正拟合数值得到更准确的修正销售预测模型，提高销售数据的预测结果。
[0066]
本实施例提供的销量预测模型的获取方法，获取影响销量的多个强相关因子，获取各强相关因子的初始数据；将各所述强相关因子的初始数据及历史销售数据输入初始线性回归模型，计算所述初始线性回归模型的拟合参数的预测拟合数值；将所述预测拟合数值代入所述初始线性回归模型的拟合参数，得到销售预测模型。这样，可以训练得到比较准确的销售预测模型，提高销售量预测结果。
[0067]
实施例2
[0068]
本公开实施例提供了一种销量预测方法。该方法应用于配置有销量预测模型的电子设备，所述销售预测模型为根据实施例1提供的销量预测模型的获取方法获得。
[0069]
具体的，请参阅图2，销量预测方法包括：
[0070]
步骤s201，获取影响销量的多个当期强相关因子，确定各当期强相关因子对应的计划数据。
[0071]
在本实施例中，为获取准确的销售预测结果，需要预先确定影响销量的多个当期强相关因子，当前强相关因子可以为公司当月投入广告预算金额，客户当月合同任务金额，客户当月可开单余额，在此不做限制。其中，当期强相关因子的初始数据可为计划数据。
[0072]
在本实施例中，步骤s201中获取影响销量的多个当期强相关因子，包括：
[0073]
确定影响销量的多个当期相关因子，确定各当期相关因子的计划数据；
[0074]
分别计算各当期相关因子的计划数据与历史同期销售数据的各第二协方差；
[0075]
分别计算各当期相关因子的计划数据的第三方差，计算所述历史同期销售数据的第四方差；
[0076]
将各所述第三方差分别与所述第四方差的乘积进行开平方计算，得到各第二开平方结果值；
[0077]
根据各所述第二协方差、各所述第二开平方结果值得到各当期相关因子与所述历史同期销售数据的相关系数；
[0078]
将各所述当期相关因子中相关系数处于预设正数取值范围的当期相关因子作为所述当期强相关因子。
[0079]
在本实施例中，可以根据实施例1中的公式1确定各当期相关因子与所述历史同期销售数据的相关系数，需要对公式1中的字母含义进行对应调整，公式1：其中，x表示各当期相关因子的计划数据，y表示历史同期销售数据，cov(x，y)表示各当期相关因的计划数据与历史同期销售数据之间的第二协方差，var[x]表示各当期相关因的计划数据的第三方差、var[y]表示历史同期销售数据的第四方
差，表示第二开平方结果值。相关计算过程可以参阅实施1相关说明内容，在此不做赘述。
[0080]
步骤s202，将多个所述当期强相关因子输入所述销售预测模型，计算得到当期销售预测信息。
[0081]
在本实施例中，由于在实施例1中已经确定了销售预测模型，当前强相关因子，例如当月投入广告预算金额，客户当月合同任务金额，客户当月可开单余额等数据对应输入销售预测模型即可以获取销售预测结果。
[0082]
本实施例提供的销量预测方法，获取影响销量的多个当期强相关因子，确定各当期强相关因子对应的计划数据；将多个所述当期强相关因子的计划数据输入所述销售预测模型，计算得到当期销售预测信息。这样，可以通过准度高的销售预测模型计算得到比较准确的销售预测信息，销售预测准确性更高，有利于辅助决策分析。
[0083]
实施例3
[0084]
此外，本公开实施例提供了一种销量预测模型的获取装置。
[0085]
具体的，如图3所示，销量预测模型的获取装置300包括：
[0086]
第一获取模块301，用于获取影响销量的多个强相关因子，获取各强相关因子的初始数据；
[0087]
第一计算模块302，用于将各所述强相关因子的初始数据及历史销售数据输入初始线性回归模型，计算所述初始线性回归模型的拟合参数的预测拟合数值；
[0088]
处理模块303，用于将所述预测拟合数值代入所述初始线性回归模型的拟合参数，得到销售预测模型。
[0089]
在本实施例中，第一获取模块301，还用于确定影响销量的多个预设相关因子，确定各预设相关因子的初始数据；
[0090]
分别计算各预设相关因子的初始数据与历史销售数据的各第一协方差；
[0091]
分别计算各预设相关因子的初始数据的第一方差，计算所述历史销售数据的第二方差；
[0092]
将各所述第一方差分别与所述第二方差的乘积进行开平方计算，得到各第一开平方结果值；
[0093]
根据各所述第一协方差、各所述第一开平方结果值得到各预设相关因子与所述历史销售数据的相关系数；
[0094]
将各所述预设相关因子中对应相关系数处于预设正数取值范围的预设相关因子作为所述强相关因子。
[0095]
在本实施例中，销量预测模型的获取装置300还包括：
[0096]
修正模块，用于根据所述预测拟合数值、多个所述强相关因子的初始数据及所述历史销售数据计算所述销售预测模型的回归系数；
[0097]
在所述回归系数不处于预设正数取值范围时，调整所述预测拟合数值，直至根据调整后的预测拟合数值、多个所述强相关因子及所述历史销售数据计算的回归系数处于所述预设正数取值范围，将对应的调整后的预测拟合数值作为修正拟合数值；
[0098]
将所述修正拟合数值代入所述初始线性回归模型的拟合参数，得到修正销售预测
模型。
[0099]
在本实施例中，所述初始线性回归模型包括公式：其中，yi表示历史销量数据，β0及βi表示拟合参数，xi表示强相关因子对应的权重数据，εi表示修正数据。
[0100]
本实施例提供销量预测模型的获取装置300可以实现实施例1所提供的销量预测模型的获取方法，为避免重复，在此不再赘述。
[0101]
本实施例提供的销量预测模型的获取装置，获取影响销量的多个强相关因子，获取各强相关因子的初始数据；将各所述强相关因子的初始数据及历史销售数据输入初始线性回归模型，计算所述初始线性回归模型的拟合参数的预测拟合数值；将所述预测拟合数值代入所述初始线性回归模型的拟合参数，得到销售预测模型。这样，可以训练得到比较准确的销售预测模型，提高销售量预测结果。
[0102]
实施例4
[0103]
本公开实施例提供了一种销量预测装置。所述装置设置于配置有销量预测模型的电子设备，所述销售预测模型为根据实施例1所提供的销量预测模型的获取方法获得；
[0104]
具体的，请参阅图4，销量预测装置400包括：
[0105]
第二获取模块401，用于获取影响销量的多个当期强相关因子，确定各当期强相关因子对应的计划数据；
[0106]
第二计算模块402，用于将多个所述当期强相关因子的计划数据输入所述销售预测模型，计算得到当期销售预测信息。
[0107]
在本实施例中，第二获取模块401，还用于确定影响销量的多个当期相关因子，确定各当期相关因子的计划数据；
[0108]
分别计算各当期相关因子的计划数据与历史同期销售数据的各第二协方差；
[0109]
分别计算各当期相关因子的计划数据的第三方差，计算所述历史同期销售数据的第四方差；
[0110]
将各所述第三方差分别与所述第四方差的乘积进行开平方计算，得到各第二开平方结果值；
[0111]
根据各所述第二协方差、各所述第二开平方结果值得到各当期相关因子与所述历史同期销售数据的相关系数；
[0112]
将各所述当期相关因子中相关系数处于预设正数取值范围的当期相关因子作为所述当期强相关因子。
[0113]
本实施例提供销量预测装置400可以实现实施例2所提供的销量预测模型的获取方法，为避免重复，在此不再赘述。
[0114]
本实施例提供的销量预测装置，获取影响销量的多个当期强相关因子，确定各当期强相关因子对应的计划数据；将多个所述当期强相关因子的计划数据输入所述销售预测模型，计算得到当期销售预测信息。这样，可以通过准度高的销售预测模型计算得到比较准确的销售预测信息，销售预测准确性更高，有利于辅助决策分析。
[0115]
实施例5
[0116]
此外，本公开实施例提供了一种电子设备，包括存储器以及处理器，所述存储器存
储有计算机程序，所述计算机程序在所述处理器上运行时执行上述方法实施例1所提供的销量预测模型的获取方法，和/或，执行实施例2所提供的销量预测方法。
[0117]
本实施例提供的电子设备可以实现实施例1所提供的销量预测模型的获取方法，和/或，执行实施例2所提供的销量预测方法。为避免重复，在此不再赘述。
[0118]
实施例4
[0119]
本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如下步骤：
[0120]
在本实施例中，计算机可读存储介质可以为只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0121]
本实施例提计算机可读存储介质可以实现实施例1所提供的销量预测模型的获取方法，和/或，执行实施例2所提供的销量预测方法。为避免重复，在此不再赘述。
[0122]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
[0123]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0124]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。