基于替代和关联作用的多品类联合需求预测方法及装置

1.本发明涉及数据技术领域，具体的涉及基于替代和关联作用的多品类联合需求预测方法及装置。


背景技术：

2.商品需求预测包含对已有商品的预测以及新商品的预测。新商品的销售表现预测对商品的成功推出有关键影响，能够帮助公司开拓市场，提高新品需求预测的准确度和实时性一是可以支持新品引入决策；二是对解决在新零售背景下快速迭代的商品组合为品类管理等带来的挑战也有重要帮助，得到的包含新品和已有商品在内的各属性组合商品实际需求比例将作为品类数量配置的参考。
3.对于前者，关于新品销量预测，结合样本迁移学习的思路使用机器学习算法是常用的方法，但面临的问题是新品可供提取的特征数目较少，会影响模型训练效果进而影响预测准确程度；对于后者，关于品类管理问题，由于商品间存在关联性和替代性，当前门店中一些商品的销售份额并不能代表消费者的真实需求，所以无法直接作为数量配置的参考，而在运筹规划领域，通常采用的商品实际需求预测模型中仅仅考虑了替代作用的衡量，很少考虑关联性为商品需求带来的促进作用。
4.有鉴于此，特提出本发明专利。


技术实现要素：

5.为了解决上述技术问题，本发明提供了基于替代和关联作用的多品类联合需求预测方法及装置，基于机器学习的数据分析能力和运筹技术的规划能力建立需求预测模型并得到商品的实际需求预测结果，辅助商家的引入新品以及商品数量配置决策，赋能品类管理问题。
6.具体地，采用如下技术方案：
7.基于替代和关联作用的多品类联合需求预测方法，包括：
8.基于当前在售商品的销售信息，确定商品的核心属性，将sku级别商品转化为属性级别商品；
9.定义消费者购买行为中各属性组合商品间的替代和关联作用；
10.将衡量替代和关联作用的参数纳入基于极大似然思路建立的运筹规划模型中，使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求量及需求比例。
11.作为本发的可选实施方式，本发明的基于替代和关联作用的多品类联合需求预测方法中，所述基于当前在售商品的销售信息，确定商品的核心属性，将sku级别商品转化为属性级别商品包括：
12.提取当前在售商品的属性特征，包括商品规格类别、和/或价格类别、和/或品牌等级类别、和/或品牌产地类别、和/或功能类别；
13.以当前在售商品对应周期销量为标签，训练随机森林回归模型，基于可解释性shap模型，通过特征的边际贡献度排序确定商品的核心属性，将sku级别商品转化为属性级别商品。
14.作为本发的可选实施方式，本发明的基于替代和关联作用的多品类联合需求预测方法中，所述定义消费者购买行为中各属性组合商品间的替代作用包括：
15.基于当前在售商品的不同属性组合衡量同品类商品间的替代作用，借鉴联合分析的思路，确定对应属性组合商品间的替代概率为各个属性之间替代概率的乘积。
16.作为本发的可选实施方式，本发明的基于替代和关联作用的多品类联合需求预测方法中，所述替代概率的计算过程包括：
17.某一品类对应的商品集合为s，用户最喜欢的商品是i，当i不在品类集合s中时，用户可能会用存在于
品
类集合s中的i的相似商
品
j进行替代，替代概率为πij；那么在a个属性上级别分别为j1，j2，...，ja的j商品替代在a个属性上级别分别为i1，i2，...，ia的l商品的概率为
18.作为本发的可选实施方式，本发明的基于替代和关联作用的多品类联合需求预测方法中，所述定义消费者购买行为中各属性组合商品间的关联作用包括：
19.基于a
p
r i or i算法得到的关联规则确定关联品类和关联概率，将关联概率假设为关联规则挖掘对应的置信度结果；
20.假设关联规则挖掘确定的第一品类对应m种属性组合的商品，第二品类对应n种属性组合的商品，根据用户购买小票记录得到mn个关联概率的估计值，在关联规则挖掘时将小票数据中的商品名称改为属性级别名称，得到跨品类各个属性组合商品间对应的关联概率。
21.作为本发的可选实施方式，本发明的基于替代和关联作用的多品类联合需求预测方法，包括：
22.一对关联品类的属性组合商品集合分别是s和z，在集合z中各属性组合的商品p对在集合s中各属性组合的商品j有关联作用，关联概率为w
jp
，
不
在集合z中各属性组合的商品q对在集合s中各属性组合的商品j的关联概率为w
jp
π
qp
。
23.作为本发的可选实施方式，本发明的基于替代和关联作用的多品类联合需求预测方法中，所述将衡量替代和关联作用的参数纳入基于极大似然思路建立的运筹规划模型中，使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求量及需求比例包括：
24.将商品核心属性参数、关联概率、替代概率、最喜欢某属性组合商品的概率纳入基于极大似然思路建立的运筹规划模型中：
25.一对关联品类的属性组合商品集合分别是s和z，购买集合s中属性组合商品j的概率fj(s)为购买集合z中属性组合商品p的概率f
p
(z)同理，极大似然估计的目标函数即为其中fj指最喜欢商品j的概率，y
p
、xj分别为商品p、j的门店销售量；
26.使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求
量。
27.作为本发的可选实施方式，本发明的基于替代和关联作用的多品类联合需求预测方法，包括：
28.基于apriori算法挖掘关联规则得到的置信度结果确定关联品类之间的关联概率，建立多个品类之间的联系，从而建立多品类联合需求预测模型，目标函数为各品类购买概率的次方的乘积，次方项分别为各个品类对应属性组合商品的门店销售量。
29.本发明同时提供一种基于替代和关联作用的多品类联合需求预测装置，包括：
30.商品属性模块，基于当前在售商品的销售信息，确定商品的核心属性，将sku级别商品转化为属性级别商品；
31.替代和关联模块，定义消费者购买行为中各属性组合商品间的替代和关联作用；
32.和商品需求预测模块，将衡量替代和关联作用的参数纳入基于极大似然思路建立的运筹规划模型中，使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求量及需求比例。
33.本发明同时还提供一种计算机存储介质，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现所述的基于替代和关联作用的多品类联合需求预测方法。
34.与现有技术相比，本发明的有益效果：
35.本发明的基于替代和关联作用的多品类联合需求预测方法适用于零售商门店已有商品的实际需求(不受替代和关联作用影响)预测和新品需求预测，所述基于替代和关联作用的多品类联合需求预测方法考虑了消费者购买行为中的替代和关联作用，分别是：当前的品类集合中没有用户最喜欢的商品时选择替代；对于同时存在于当前商店品类集合中的关联商品，用户有一定概率选择关联；对于不同时存在于当前商店品类集合中的关联商品，不在集合中的一方对另一方初始需求的促进效应体现为替代概率和关联概率的乘积，即关联促进作用转移到其替代商品上的部分。因此，本发明基于替代和关联作用的多品类联合需求预测方法通过在模型中更完整地定义消费者购买行为，会获得更准确的商品实际需求预测结果。
36.本发明提供了一种基于替代和关联作用的多品类联合需求预测方法，需求预测模型被扩展到适用于两/多个关联品类的情形，通过关联规则挖掘得到的关联概率估计值建立起全部关联品类之间的联系，对关联性考虑得更完备，提高了商品实际需求预测的准确率。
37.因此，本发明的一种基于替代和关联作用的多品类联合需求预测方法，使用零售门店各个品类不同属性组合商品的历史销售数据，通过定义包含替代和关联作用在内的消费者购买行为、建立适用于多个关联品类的需求预测模型实现多品类联合实际需求预测。同时，根据已有商品和新品的实际需求量确定的需求比例可用于不同规模零售门店的品类规划指导。
附图说明：
38.图1是本发明实施例公开的基于替代和关联作用的多品类联合需求预测方法的流程图；
39.图2是本发明实施例公开的基于替代和关联作用的多品类联合需求预测模型建立的流程图。
具体实施方式
40.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
41.因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。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。
42.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。
43.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
44.在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，这类术语仅是为了便于描述本发明和简化描述，而不是指示或暗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发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
45.参见图1所示，本实施例的基于替代和关联作用的多品类联合需求预测方法，包括：
46.筛选和确定商品的核心属性：基于当前在售商品的销售信息，确定商品的核心属性，将sku级别商品转化为属性级别商品；
47.定义消费者购买行为中各属性组合商品间的替代和关联作用；
48.将衡量替代和关联作用的参数纳入基于极大似然思路建立的运筹规划模型中，使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求量及需求比例。
49.本实施例的基于替代和关联作用的多品类联合需求预测方法，适用于零售商门店已有商品的实际需求(不受替代和关联作用影响)预测和新品需求预测，使用零售门店各个品类不同属性组合商品的历史销售数据，通过定义包含替代和关联作用在内的消费者购买行为、建立适用于多个关联品类的需求预测模型实现多品类联合实际需求预测。同时，根据已有商品和新品的实际需求量确定的需求比例可用于不同规模零售门店的品类规划指导。
50.本实施例的基于替代和关联作用的多品类联合需求预测方法，确定商品核心属性时使用shap模型对随机森林回归模型进行可解释性分析，定义跨品类商品间的关联作用时使用apriori算法，模型求解时使用差分进化算法。
51.随机森林回归模型由多棵回归树构成，且森林中的每一棵决策树之间没有关联，模型的最终输出由森林中的每一棵决策树共同决定。由于模型在决策树的训练过程引入了随机性，因此具备优良的抗过拟合以及抗噪能力。
52.shap模型是可解释性机器学习模型，可以解释任何机器学习模型的输出，其名称来源于shapley additive explanation，在合作博弈论的启发下shap构建一个加性的解释模型，所有的特征都视为“贡献者”，对于每个预测样本，模型都产生一个预测值，shap value就是该样本中每个特征所分配到的数值，能反映出每一个样本中的特征的影响力。
53.apriori算法是一种关联规则挖掘算法，将关联规则挖掘任务分解为两个主要的子任务：子任务1为产生频繁项集，子任务2为产生强关联规则。分别采用支持度和置信度来量化频繁项集和关联规则，本实施例关联作用的定义上使用apriori算法在强关联规则中挖掘相互之间置信度均比较高的关联品类。
54.差分进化算法是一种基于群体的启发式搜索算法，其进化流程包括变异、杂交和选择操作，差分进化算法变异向量是由父代差分向量生成，并与父代个体向量交叉生成新个体向量，直接与其父代个体进行选择，因此其变异操作相比于遗传算法的随机性变异操作能以更大概率避免陷入局部最优解的风险，即通过缩放，确保新的解离原来的几个解都有一定的距离，保证了探索能力，使用差分进化算法求解需求预测模型有助于得到更好的预测结果。
55.参见图2所示，本实施例的基于替代和关联作用的多品类联合需求预测方法中，所述基于当前在售商品的销售信息，确定商品的核心属性，将sku级别商品转化为属性级别商品包括：
56.提取当前在售商品的属性特征，包括商品规格类别(大、中、小)、和/或价格类别(高、中、低)、和/或品牌等级类别(品牌网在榜/非在榜)、和/或品牌产地类别(是/否是本地商品)、和/或功能类别；
57.以当前在售商品对应周期销量为标签，训练随机森林回归模型，基于可解释性shap模型，通过特征的边际贡献度排序确定商品的核心属性，将sku(库存量单位)级别商品转化为属性级别商品。例如选择核心属性为品牌等级属性、规格类别和价格类别，那么根据饼干类商品的规格和价格分布情况，“每g单位价格为0.12元的小猪佩奇蘸酱杯巧克力味25g”可以被命名为“非在榜小中”。
58.本实施例将sku级别商品转化为属性级别商品，以属性级别商品为基础，确定同品类各属性组合商品间的替代概率和跨品类各属性组合商品间的关联概率。
59.进一步地，本实施例的基于替代和关联作用的多品类联合需求预测方法中，所述定义消费者购买行为中各属性组合商品间的替代作用包括：
60.基于当前在售商品的不同属性组合衡量同品类商品间的替代作用，借鉴联合分析的思路，确定对应属性组合商品间的替代概率为各个属性之间替代概率的乘积。
61.具体地，本实施例的基于替代和关联作用的多品类联合需求预测方法中，所述替代概率的计算过程包括：
62.某一品类对应的商品集合为s，用户最喜欢的商品是i，当i不在品类集合s中时，用户可能会用存在于品类集合s中的i的相似商品j进行替代，替代概率为π
ij
；那么在a个属性上级别分别为j1，日2，...，ja的j商品替代在a个属性上级别分别为i1，i2，...，ia的i商品的概率为
63.作为本实施例的可选实施方式，本实施例的基于替代和关联作用的多品类联合需求预测方法中，所述定义消费者购买行为中各属性组合商品间的关联作用包括：
64.基于apriori算法得到的关联规则确定关联品类和关联概率，将关联概率假设为关联规则挖掘对应的置信度结果；
65.假设关联规则挖掘确定的第一品类对应m种属性组合的商品，第二品类对应n种属性组合的商品，根据用户购买小票记录得到mn个关联概率的估计值，在关联规则挖掘时将小票数据中的商品名称改为属性级别名称，得到跨品类各个属性组合商品间对应的关联概率。
66.具体地，本实施例的基于替代和关联作用的多品类联合需求预测方法中，关联概率的计算方法包括：
67.一对关联品类的属性组合商品集合分别是s和z，在集合z中各属性组合的商品p对在集合s中各属性组合的商品j有关联作用，关联概率为w
jp
，不在集合z中各属性组合的商品q对在集合s中各属性组合的商品j的关联概率为w
jp
π
qp
。
68.本实施例的基于替代和关联作用的多品类联合需求预测方法，所述将衡量替代和关联作用的参数纳入基于极大似然思路建立的运筹规划模型中，使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求量及需求比例包括：
69.将商品核心属性参数、关联概率、替代概率、最喜欢某属性组合商品的概率纳入基于极大似然思路建立的运筹规划模型中。假设过去的销售情况已经包含对替代和关联作用的考虑，即用户在当前品类集合中对任一商品的购买概率可以被划分成三部分：因替代增加的购买概率、因关联促进的购买概率、不受替代和关联作用影响的购买概率，因此认为以一定时间范围为周期抽取的数据样本以最大可能性反映了总体情况(max问题)。
70.一对关联品类的属性组合商品集合分别是s和z，购买集合s中属性组合商品j的概率fj(s)为购买集合z中属性组合商品p的概率f
p
(z)同理，极大似然估计的目标函数即为其中fj指最喜欢商品j的概率，y
p
、xj分别为商品p、j的门店销售量。
71.使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求量。
72.优选地，使用差分进化算法求解包含已有商品和新品在内的各属性组合商品的实际需求量；
73.可选地，需要搜索的算法参数为种群规模(np)、缩放因子(f)、交叉概率(cr)。
74.本实施例所述的基于替代和关联作用的多品类联合需求预测方法，包括：
75.基于apriori算法挖掘关联规则得到的置信度结果确定关联品类之间的关联概率，建立多个品类之间的联系，从而建立多品类联合需求预测模型，目标函数为各品类购买概率的次方的乘积，次方项分别为各个品类对应属性组合商品的门店销售量。
76.本实施例基于替代和关联作用的多品类联合需求预测方法的预测结果处理：根据新品和已有商品的实际需求预测量确定各自的需求比例，用以指导零售门店的品类规划问题。
77.本实施例提供了一种基于替代和关联作用的多品类联合需求方法，充分考虑了消费者购买行为，方法通过在模型中更完整地定义消费者购买行为，会获得更准确的商品实
际需求预测结果，且需求预测模型被扩展到适用于两/多个关联品类的情形，通过关联规则挖掘得到的关联概率估计值建立起全部关联品类之间的联系，对关联性考虑得更完备，进一步提高了商品实际需求预测的准确率。
78.本实施例的一种基于替代和关联作用的多品类联合需求预测方法，使用零售门店的历史销售数据，通过参数定义、模型建立和求解实现需求预测。通过可解释性机器学习模型，识别对商品销量有关键影响的属性；通过在模型中更完整地识别消费者购买行为——定义替代和关联作用，实现模型参数定义，并建立起不同品类之间的联系，参数定义的过程提高了采取该方法进行需求预测的准确率。采用极大似然估计原理建立模型，并基于差分进化算法求解出包含新品和已有商品在内的各属性组合商品的实际需求量，根据已有商品和新品的实际需求量确定的需求比例可用于不同规模零售门店的品类规划指导。
79.本实施例同时提供一种基于替代和关联作用的多品类联合需求预测装置，包括：
80.商品属性模块，基于当前在售商品的销售信息，确定商品的核心属性，将sku级别商品转化为属性级别商品；
81.替代和关联模块，定义消费者购买行为中各属性组合商品间的替代和关联作用；
82.和商品需求预测模块，将衡量替代和关联作用的参数纳入基于极大似然思路建立的运筹规划模型中，使用元启发式算法求解包含已有商品和新品在内的各属性组合商品的实际需求量及需求比例。
83.本实施例同时提供一种计算机存储介质，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如所述基于替代和关联作用的多品类联合需求预测方法。
84.本实施例所述计算机存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读存储介质还可以是可读存储介质以外的任何可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
85.本实施例还提供了一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行所述基于替代和关联作用的多品类联合需求预测方法。
86.电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
87.所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
88.所述存储器包括易失性存储器，例如随机存取存储单元(ram)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(rom)。
89.应当理解，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如
按钮、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
90.通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等。本发明也可以由执行本发明的方法的计算机软件来实现，例如由微处理器、电子控制单元，客户端、服务器端等执行的控制软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现。对于计算机软件，软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。
91.以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。