本发明涉及计算机,尤其涉及一种产品销量预测方法、装置、电子设备及存储介质。
背景技术:
1、销量预测可视为一个时间序列预测问题,即通过之前一段时间的销量来预测后一段时间的销量。目前,对于销量预测的主流方法,通常是基于深度学习模型的方法。
2、基于深度学习模型的方法是利用通过外部影响因素以及产品的销量训练得到的销量预测模型,进行销量预测。这种方法虽然能够提升销量预测效率,但是由于销量时间序列既包含了线性趋势,又含有非线性规律,而销量预测模型无法同时准确地进行线性趋势预测以及非线性规律预测,进而无法保证预测精度。
3、因此,现急需提供一种产品销量预测方法。
技术实现思路
1、本发明提供一种产品销量预测方法、装置、电子设备及存储介质,用以解决现有技术中存在的缺陷。
2、本发明提供一种产品销量预测方法,包括:
3、获取产品的历史销量数据以及预测时间段的外部影响数据;
4、基于线性预测模型,应用所述历史销量数据,确定所述预测时间段的线性预测值以及非线性残差;
5、基于非线性预测模型,应用所述外部影响数据与所述非线性残差,确定所述预测时间段的非线性预测值;
6、基于所述线性预测值以及所述非线性预测值,确定所述产品在所述预测时间段的销量预测值;
7、其中,所述线性预测模型以及所述非线性预测模型基于所述产品的样本销量数据及其样本外部影响数据进行联合训练得到。
8、根据本发明提供的一种产品销量预测方法,所述线性预测模型以及所述非线性预测模型的训练步骤包括:
9、基于初始线性预测模型,应用所述样本销量数据中第一时间段的数据,确定第二时间段的线性样本预测值以及非线性样本残差;所述第一时间段先于所述第二时间段;
10、基于初始非线性预测模型,应用所述样本外部影响数据与所述非线性样本残差,确定所述第二时间段的非线性样本预测值;
11、基于所述线性样本预测值以及所述非线性样本预测值,确定所述第二时间段的样本销量预测值;
12、基于所述线性样本预测值以及所述样本销量数据中所述第二时间段的数据,计算第一损失,并基于所述样本销量预测值以及所述非线性样本残差,计算第二损失;
13、基于所述第一损失和所述第二损失,计算总损失,并基于所述总损失,对所述初始线性预测模型和所述初始非线性预测模型的结构参数进行迭代优化,得到所述线性预测模型和所述非线性预测模型。
14、根据本发明提供的一种产品销量预测方法,基于所述线性样本预测值以及所述样本销量数据中所述第二时间段的数据,计算第一损失,并基于所述样本销量预测值以及所述非线性样本残差,计算第二损失,包括:
15、计算所述线性样本预测值与所述第二时间段的数据的第一均方根误差,并将所述第一均方根误差作为所述第一损失;
16、计算所述样本销量预测值与所述非线性样本残差的第二均方根误差,并将所述第二均方根误差作为所述第二损失。
17、根据本发明提供的一种产品销量预测方法,基于初始线性预测模型,应用所述样本销量数据中第一时间段的数据,确定第二时间段的线性样本预测值以及非线性样本残差,包括:
18、基于箱线图,去除所述样本销量数据中的异常值,得到备选数据;
19、将所述备选数据进行对数变换或差分处理,并基于所述初始线性预测模型,应用处理所得结果中所述第一时间段的数据,确定所述线性样本预测值以及所述非线性样本残差。
20、根据本发明提供的一种产品销量预测方法,基于非线性预测模型,应用所述外部影响数据与所述非线性残差,确定所述预测时间段的非线性预测值,包括:
21、判断所述非线性残差是否为白噪声序列;
22、若所述非线性残差为白噪声序列,则基于所述非线性预测模型,应用所述外部影响数据与所述非线性残差,确定所述非线性预测值。
23、根据本发明提供的一种产品销量预测方法,基于非线性预测模型,应用所述外部影响数据与所述非线性残差,确定所述预测时间段的非线性预测值,包括:
24、将所述外部影响数据与所述非线性残差输入至所述非线性预测模型,由所述非线性预测模型基于注意力机制,确定所述非线性预测值。
25、根据本发明提供的一种产品销量预测方法,将所述外部影响数据与所述非线性残差输入至所述非线性预测模型,由所述非线性预测模型基于注意力机制,确定所述非线性预测值,包括:
26、将所述外部影响数据与所述非线性残差按时间进行对齐;
27、基于特征工程,对所述外部影响数据以及所述非线性残差进行预处理,并将预处理结果输入至所述非线性预测模型,由所述非线性预测模型基于注意力机制,确定所述非线性预测值。
28、本发明还提供一种产品销量预测装置,包括:
29、数据获取模块,用于获取产品的历史销量数据以及预测时间段的外部影响数据;
30、线性预测模块,用于基于线性预测模型,应用所述历史销量数据,确定所述预测时间段的线性预测值以及非线性残差;
31、非线性预测模块,用于基于非线性预测模型,应用所述外部影响数据与所述非线性残差,确定所述预测时间段的非线性预测值;
32、销量预测模块,用于基于所述线性预测值以及所述非线性预测值,确定所述产品在所述预测时间段的销量预测值;
33、其中,所述线性预测模型以及所述非线性预测模型基于所述产品的样本销量数据及其样本外部影响数据进行联合训练得到。
34、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述的产品销量预测方法。
35、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的产品销量预测方法。
36、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的产品销量预测方法。
37、本发明提供的产品销量预测方法、装置、电子设备及存储介质,该方法首先获取产品的历史销量数据以及预测时间段的外部影响数据;然后基于线性预测模型,应用历史销量数据,确定预测时间段的线性预测值以及非线性残差;此后基于非线性预测模型,应用外部影响数据与非线性残差,确定预测时间段的非线性预测值;最后基于线性预测值以及非线性预测值,确定产品在所述预测时间段的销量预测值。该方法结合线性预测模型以及非线性预测模型,得到预测时间段的线性预测值和非线性预测值,进而得到销量预测值,同时考虑了销量的线性和非线性趋势,使得到的销量预测值更加准确。而且,该方法中线性预测模型和非线性预测模型联合训练得到,可以进一步提升模型的性能。
1.一种产品销量预测方法,其特征在于,包括:
2.根据权利要求1所述的产品销量预测方法,其特征在于,所述线性预测模型以及所述非线性预测模型的训练步骤包括:
3.根据权利要求2所述的产品销量预测方法,其特征在于,基于所述线性样本预测值以及所述样本销量数据中所述第二时间段的数据,计算第一损失,并基于所述样本销量预测值以及所述非线性样本残差,计算第二损失,包括:
4.根据权利要求2所述的产品销量预测方法,其特征在于,基于初始线性预测模型,应用所述样本销量数据中第一时间段的数据,确定第二时间段的线性样本预测值以及非线性样本残差,包括:
5.根据权利要求1-4中任一项所述的产品销量预测方法,其特征在于,基于非线性预测模型,应用所述外部影响数据与所述非线性残差,确定所述预测时间段的非线性预测值,包括:
6.根据权利要求1-4中任一项所述的产品销量预测方法,其特征在于,基于非线性预测模型,应用所述外部影响数据与所述非线性残差,确定所述预测时间段的非线性预测值,包括:
7.根据权利要求1-4中任一项所述的产品销量预测方法,其特征在于,将所述外部影响数据与所述非线性残差输入至所述非线性预测模型,由所述非线性预测模型基于注意力机制,确定所述非线性预测值,包括:
8.一种产品销量预测装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的产品销量预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的产品销量预测方法。