基于SOP数据优化的销量预测模型进行销量预测的方法与流程

本公开涉及数据应用模型，尤其涉及一种基于sop数据优化的销量预测模型进行销量预测的方法、系统和电子设备。

背景技术：

1、使用树模型对未来销量进行预测的时候，模型通常采用的是已经发生的历史销量数据，通过构建历史销量特征，来让模型尽可能多的学习到历史销量的走势，来预测出未来的销量走势。所以在构建模型特征的时候，算法人员会尽可能去挖掘出对应的数据相关的规律，比如对应sku的销量是否存在周期性，如果存在周期性的话，会构建对应周期性特征，如果存在明显的季节性，比如护手霜冬天卖的比较好，夏天卖的比较差，就会去构建相应的季节标识特征等等。

2、在实际业务运作当中，销售量通常会被人为干预，比如sku存在促销活动、年末控销量，不能买太多、销售节奏控制，一个月销量大，一个月销量小等。这种强人为干预的行为，会导致整体销量呈现大幅度的上涨或者下跌的情况，甚至部分的sku销量已经不满足历史的销量规律了。因此这些因素叠加在一起，仅仅依靠数据本身的特性，已经无法满足预测精度要求，最终会导致预测精度的下降。

3、为了解决人为因素干预导致的模型预测不准，本专利引入了基于sop数据优化的销量预测模型，旨在利用销量预测模型，提高模型对未来销量的预测精度，从而更好的将模型预测数据应用在实际的生产业务中。

技术实现思路

1、为了解决上述问题，本技术提出一种基于sop数据优化的销量预测模型进行销量预测的方法、系统和电子设备。

2、本技术一方面，提出一种基于sop数据优化的销量预测模型进行销量预测的方法，包括如下步骤：

3、构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α；

4、导入历史数据至所述销量预测模型，开始预测，并输出相应的模型预测值：predict；

5、判断所述模型预测值：predict与预设的sop数据之间的差值是否小于5％：

6、若是，则输出所述模型预测值：predict；

7、若否，则调节所述分位数α，当满足差值小于5％，输出此时的所述模型预测值：predict。

8、作为本技术的一可选实施方案，可选地，构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α，包括：

9、获取历史销量数据；

10、对所述历史销量数据进行预处理：数据清理、删除或者修复错误数据；

11、根据所述历史销量数据，构建模型特征，并基于树模型学习所述模型特征，进行模型训练，生成树模型；

12、引入sop数据，将所述sop数据融入所述树模型，包括：

13、根据所述sop数据，计算得到相应的所述销量预测值：

14、计算真实销量和所述sop数据之间的销量：

15、

16、设置所述树模型的惩罚项损失函数quantile loss：

17、

18、其中，α表示分位数，取值范围在(0,1)之间，yi表示真实销量，表示根据所述sop数据计算得到的销量预测值，表示error误差；

19、初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α：

20、α＝0.5。

21、作为本技术的一可选实施方案，可选地，根据所述历史销量数据，构建模型特征，并基于树模型学习所述模型特征，进行模型训练，生成树模型，包括：

22、提取所述历史销量数据的数据特征，并按照预设比列，将所述数据特征划分为预测数据(a)、训练数据(b)和验证数据(c)，其中：

23、(a)：(b)：(c)＝3:6:1；

24、以所述训练数据(b)作为所述树模型的输入，进行模型训练，生成相应的所述树模型；

25、将所述验证数据(c)，导入所述树模型，由所述树模型输出相应的模型验证值；

26、将所述预测数据(a)与所述模型验证值进行比对，并基于比对结果对所述比列进行调节，再次对所述树模型进行迭代优化训练；

27、当满足预设条件，停止训练，生成所述树模型。

28、作为本技术的一可选实施方案，可选地，判断所述模型预测值：predict与预设的sop数据之间的差值是否小于5％，包括：

29、计算predict和sop数据的差比：

30、sum(predict)/sop，

31、其中，sop为根据所述sop数据确定的sop总量；

32、判断比值：sum(predict)/sop是否满足：

33、0.95＜sum(predict)/sop＜1.05。

34、作为本技术的一可选实施方案，可选地，若否，则调节所述分位数α，其中α初始值为0.5，包括：

35、若sum(predict)/sop满足：

36、sum(predict)/sop≥1.05，

37、则预测偏大，需要偏小预测，按照0.1为步长调小α，控制：

38、0.5＞α＞0；

39、若sum(predict)/sop满足：

40、sum(predict)/sop≤0.95，

41、则预测偏小，需要偏大预测，按照0.1为步长调大α，控制：

42、0.5＜α＜1。

43、作为本技术的一可选实施方案，可选地，当调节所述分位数α之后，还包括：

44、根据所调节的所述分位数α，重新配置所述销量预测模型的惩罚项损失函数quantile loss；

45、将设置好的惩罚项损失函数quantile loss，配置到所述销量预测模型；

46、重新导入所述历史数据至所述销量预测模型，开始预测，并输出相应的模型预测值：predict；

47、判断所述模型预测值：predict与预设的所述sop数据之间的差值是否小于5％：

48、若是，则输出所述模型预测值：predict；

49、若否，则调节所述分位数α，当满足差值小于5％，输出此时的所述模型预测值：predict，直到所述predict达到预设的所述sop数据。

50、本技术另一方面，提出一种实现所述基于sop数据优化的销量预测模型进行销量预测的方法的系统，包括：

51、模型构建模块，用于构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α；

52、模型导入模块，用于导入历史数据至所述销量预测模型，开始预测，并输出相应的模型预测值：predict；

53、模型预测模块，用于判断所述模型预测值：predict与预设的sop数据之间的差值是否小于5％：

54、若是，则输出所述模型预测值：predict；

55、若否，则调节所述分位数α，当满足差值小于5％，输出此时的所述模型预测值：predict。

56、本技术另一方面，还提出一种电子设备，包括：

57、处理器；

58、用于存储处理器可执行指令的存储器；

59、其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于sop数据优化的销量预测模型进行销量预测的方法。

60、本发明的技术效果：

61、本技术通过构建基于sop数据优化的销量预测模型，并初始化所述销量预测模型的惩罚项损失函数quantile loss的分位数α；导入历史数据至所述销量预测模型，开始预测，并输出相应的模型预测值：predict；判断所述模型预测值：predict与预设的sop数据之间的差值是否小于5％：若是，则输出所述模型预测值：predict；若否，则调节所述分位数α，当满足差值小于5％，输出此时的所述模型预测值：predict。以此通过sop的计划数据来引入人为因素计划信息到模型中，进而让模型能够学习到人为的计划信息，比如未来的需要冲业绩，搞活动等。最终让模型预测出来的数据更加贴合实际业务，从而达到业务的生产的要求。实际使用中，通过调整α，让模型输出的结果更接近sop月总量，来确定是否采用本次输出的预测值。通过于sop数据来提高树模型对销量预测精度，提高模型对未来销量的预测精度，从而更好的将模型预测数据应用在实际的生产业务中，进而解决人为因素干预导致的模型预测不准的问题，从而让预测结果更加的贴近真实情况。

62、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。