一种基于人工智能的销量预测系统及方法

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的销量预测系统及方法。

背景技术

销量预测是指对商品在未来一段时间内的累积销售数量进行估计，随着互联网的普及和互联网技术的发展，电商在目前物品交易的市场份额中占比越来越大，因而，对物品的销量进行准确预测，对于电商平台的营销规划、市场分析、物流规划等具有重要的意义。但是，现有销量预测方法在有的场景下不适配，导致预测准确率较低。

发明内容

本发明正是基于上述问题，提出了一种基于人工智能的销量预测系统及方法，通过本发明实施例的方案，能从海量的单品信息中准确地预测出哪些单品能稳定出单并进一步预测出出单量、利润等数据，为商家的经营决策提供有效地支持。

有鉴于此，本发明的一方面提出了一种基于人工智能的销量预测系统，包括：获取模块、模型生成模块、处理模块；其中，

所述获取模块被配置为：获取预设周期内的历史销售数据，所述历史销售数据包括产品的订单数据、订单数、购买用户数、销售利润率和出单最近日期；

所述模型生成模块被配置为：根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型；

所述处理模块被配置为：

根据所述第一预测模型得到从D0日开始第一预设时期内的第一预期销量数据，所述第一预期销量数据至少包括每个单品的第一出单概率、每个单品的第一利润和每个单品对总利润的第一贡献率；

利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据；

对所述第二预期销量数据进行处理，得到产品分类模型。

可选地，在所述利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据中，所述处理模块具体被配置为：

将所述第一预期销量数据输入所述第二预测模型；

对所述第一预期销量数据分别以所述第一出单概率、所述第一利润和所述第一贡献率从大到小进行排序；

从所述第一出单概率中选择在第一预设范围内和/或从所述第一利润中选择在第一利润范围内和/或从所述第一贡献率中选择在第一贡献率范围内的预期销量数据，得到所述第二预期销量数据。

可选地，在所述对所述第二预期销量数据进行处理，得到产品分类模型中，所述处理模块具体被配置为：

按预设的区间划分规则对所述第二预期销量数据进行区间划分；

利用信用评分卡模型，结合区间区分度对产品进行分类以形成产品分类模型。

可选地，所述处理模块还被配置为：

获取从DO日开始第二预设时期内的实际销售数据；

判断所述实际销售数据是否在预设销量偏差范围内与所述第二预期销量数据中所述第二预设时期对应的预期销量数据相符；

若否，则启动异常检测流程；

根据异常检测结果，对所述第一预测模型和所述第二预测模型进行修正与优化。

可选地，在所述根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型中，所述模型生成模块具体被配置为：

对所述历史销售数据中的空值、异常值进行识别并处理后，并对处理后的数据进行数据转换和数据标准化，形成样本数据集；

将所述样本数据集分成训练集和测试集；

将所述训练集输入所述第一神经网络，对所述第一神经网络进行进一步训练以得到第一训练模型；

将所述测试集输入所述第一训练模型进行性能测试，得到测试结果；

根据所述测试结果对所述第一训练模型进行修正与优化得到所述第一预测模型。

本发明的另一方面提供一种基于人工智能的销量预测方法，所述方法包括：

获取预设周期内的历史销售数据，所述历史销售数据包括产品的订单数据、订单数、购买用户数、销售利润率和出单最近日期；

根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型；

根据所述第一预测模型得到从D0日开始第一预设时期内的第一预期销量数据，所述第一预期销量数据至少包括每个单品的第一出单概率、每个单品的第一利润和每个单品对总利润的第一贡献率；

利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据；

对所述第二预期销量数据进行处理，得到产品分类模型。

可选地，所述利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据的步骤，包括：

将所述第一预期销量数据输入所述第二预测模型；

对所述第一预期销量数据分别以所述第一出单概率、所述第一利润和所述第一贡献率从大到小进行排序；

从所述第一出单概率中选择在第一预设范围内和/或从所述第一利润中选择在第一利润范围内和/或从所述第一贡献率中选择在第一贡献率范围内的预期销量数据，得到所述第二预期销量数据。

可选地，所述对所述第二预期销量数据进行处理，得到产品分类模型的步骤，包括：

按预设的区间划分规则对所述第二预期销量数据进行区间划分；

利用信用评分卡模型，结合区间区分度对产品进行分类以形成产品分类模型。

可选地，所述方法还包括：

获取从DO日开始第二预设时期内的实际销售数据；

判断所述实际销售数据是否在预设销量偏差范围内与所述第二预期销量数据中所述第二预设时期对应的预期销量数据相符；

若否，则启动异常检测流程；

根据异常检测结果，对所述第一预测模型和所述第二预测模型进行修正与优化。

可选地，所述根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型的步骤，包括：

对所述历史销售数据中的空值、异常值进行识别并处理后，并对处理后的数据进行数据转换和数据标准化，形成样本数据集；

将所述样本数据集分成训练集和测试集；

将所述训练集输入所述第一神经网络，对所述第一神经网络进行进一步训练以得到第一训练模型；

将所述测试集输入所述第一训练模型进行性能测试，得到测试结果；

根据所述测试结果对所述第一训练模型进行修正与优化得到所述第一预测模型。

采用本发明的技术方案，首先获取预设周期内的历史销售数据，所述历史销售数据包括产品的订单数据、订单数、购买用户数、销售利润率和出单最近日期；根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型；再根据所述第一预测模型得到从D0日开始第一预设时期内的第一预期销量数据，所述第一预期销量数据至少包括每个单品的第一出单概率、每个单品的第一利润和每个单品对总利润的第一贡献率；然后利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据；对所述第二预期销量数据进行处理，得到产品分类模型。通过本发明实施例的方案，能从海量的单品信息中准确地预测出哪些单品能稳定出单并进一步预测出出单量、利润等数据，为商家的经营决策提供有效地支持。

附图说明

图1是本发明一个实施例提供的基于人工智能的销量预测系统的示意框图；

图2是本发明一个实施例提供的基于人工智能的销量预测方法流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于人工智能的销量预测系统及方法。

如图1所示，本发明一个实施例提供一种基于人工智能的销量预测系统，包括：获取模块、模型生成模块、处理模块；其中，

所述获取模块被配置为：获取预设周期内的历史销售数据，所述历史销售数据包括产品的订单数据、订单数、购买用户数、销售利润率和出单最近日期；

所述模型生成模块被配置为：根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型；

所述处理模块被配置为：

根据所述第一预测模型得到从D0日开始第一预设时期内的第一预期销量数据，所述第一预期销量数据至少包括每个单品的第一出单概率、每个单品的第一利润和每个单品对总利润的第一贡献率；

利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据；

对所述第二预期销量数据进行处理，得到产品分类模型。

可以理解的是，在本发明的实施例中，通过利用历史销售数据，结合训练好的第一神经网络生成主要用于预测在第一预设时期内是否稳定出单的第一预测模型，并输出第一预期销量数据。所述预置的第二预测模型主要用于对第一预期销量数据，得到包含但不限于出单量(销量)、利润数据等的第二预期销量数据，对所述第二预期销量数据进行处理，得到产品分类模型，例如定义S、A、B、C类产品。

采用本实施例的技术方案，首先，获取预设周期内的历史销售数据，所述历史销售数据包括产品的订单数据、订单数、购买用户数、销售利润率和出单最近日期；根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型；再根据所述第一预测模型得到从D0日开始第一预设时期内的第一预期销量数据，所述第一预期销量数据至少包括每个单品的第一出单概率、每个单品的第一利润和每个单品对总利润的第一贡献率；然后利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据；对所述第二预期销量数据进行处理，得到产品分类模型。通过本发明实施例的方案，能从海量的单品信息中准确地预测出哪些单品能稳定出单并进一步预测出出单量、利润等数据，为商家的经营决策提供有效地支持。

应当知道的是，图1所示的基于人工智能的销量预测系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。

在本发明一些可能的实施方式中，在所述利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据中，所述处理模块具体被配置为：

将所述第一预期销量数据输入所述第二预测模型；

对所述第一预期销量数据分别以所述第一出单概率、所述第一利润和所述第一贡献率从大到小进行排序；

从所述第一出单概率中选择在第一预设范围内和/或从所述第一利润中选择在第一利润范围内和/或从所述第一贡献率中选择在第一贡献率范围内的预期销量数据，得到所述第二预期销量数据。

可以理解的是，在本实施例中，将所述第一预期销量数据输入所述第二预测模型；对所述第一预期销量数据分别以所述第一出单概率、所述第一利润和所述第一贡献率从大到小进行排序；从所述第一出单概率中选择在第一预设范围内和/或从所述第一利润中选择在第一利润范围内和/或从所述第一贡献率中选择在第一贡献率范围内的预期销量数据，得到所述第二预期销量数据。本方案通过对第一预期销量数据中的重点特征/指标进行分析，能提供灵敏的数据统计模型，为商品的选择提供了多个维度。

在本发明一些可能的实施方式中，在所述对所述第二预期销量数据进行处理，得到产品分类模型中，所述处理模块具体被配置为：

按预设的区间划分规则对所述第二预期销量数据进行区间划分；

利用信用评分卡模型，结合区间区分度对产品进行分类以形成产品分类模型。

可以理解的是，为了使得产品分类区分度明显，在本实施例中，根据数据统计分析方法，按预设的区间划分规则对所述第二预期销量数据进行区间划分；利用信用评分卡模型，结合区间区分度对产品进行分类以形成产品分类模型。

在本发明一些可能的实施方式中，所述处理模块还被配置为：

获取从DO日开始第二预设时期内的实际销售数据；

判断所述实际销售数据是否在预设销量偏差范围内与所述第二预期销量数据中所述第二预设时期对应的预期销量数据相符；

若否，则启动异常检测流程；

根据异常检测结果，对所述第一预测模型和所述第二预测模型进行修正与优化。

可以理解的是，在实际中，预测模型的预测结果与实际销量数据很大可能存在着差异，为了使得预测模型更准确，在本发明实施例中，获取从DO日开始第二预设时期内的实际销售数据；判断所述实际销售数据是否在预设销量偏差范围内与所述第二预期销量数据中所述第二预设时期对应的预期销量数据相符；若否，则启动异常检测流程；根据异常检测结果，对所述第一预测模型和所述第二预测模型进行修正与优化。

在本发明一些可能的实施方式中，在所述根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型中，所述模型生成模块具体被配置为：

对所述历史销售数据中的空值、异常值进行识别并处理后，并对处理后的数据进行数据转换和数据标准化，形成样本数据集；

将所述样本数据集分成训练集和测试集；

将所述训练集输入所述第一神经网络，对所述第一神经网络进行进一步训练以得到第一训练模型；

将所述测试集输入所述第一训练模型进行性能测试，得到测试结果；

根据所述测试结果对所述第一训练模型进行修正与优化得到所述第一预测模型。

可以理解的是，为了使得预测模型更准确，在本发明的实施例中，利用神经网络生成预测模型，具体是：对所述历史销售数据中的空值、异常值进行识别并处理，并对处理后的数据进行数据转换和数据标准化，形成样本数据集；将所述样本数据集分成训练集和测试集；将所述训练集输入所述第一神经网络，对所述第一神经网络进行进一步训练以得到第一训练模型；将所述测试集输入所述第一训练模型进行性能测试，得到测试结果；根据所述测试结果对所述第一训练模型进行修正与优化得到所述第一预测模型。

请参见图2，本发明的另一实施例提供一种基于人工智能的销量预测方法，所述方法包括：

获取预设周期内的历史销售数据，所述历史销售数据包括产品的订单数据、订单数、购买用户数、销售利润率和出单最近日期；

根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型；

根据所述第一预测模型得到从D0日开始第一预设时期内的第一预期销量数据，所述第一预期销量数据至少包括每个单品的第一出单概率、每个单品的第一利润和每个单品对总利润的第一贡献率；

利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据；

对所述第二预期销量数据进行处理，得到产品分类模型。

可以理解的是，在本发明的实施例中，通过利用历史销售数据，结合训练好的第一神经网络生成主要用于预测在第一预设时期内是否稳定出单的第一预测模型，并输出第一预期销量数据。所述预置的第二预测模型主要用于对第一预期销量数据，得到包含但不限于出单量(销量)、利润数据等的第二预期销量数据，对所述第二预期销量数据进行处理，得到产品分类模型，例如定义S、A、B、C类产品。

采用本实施例的技术方案，首先，获取预设周期内的历史销售数据，所述历史销售数据包括产品的订单数据、订单数、购买用户数、销售利润率和出单最近日期；根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型；再根据所述第一预测模型得到从D0日开始第一预设时期内的第一预期销量数据，所述第一预期销量数据至少包括每个单品的第一出单概率、每个单品的第一利润和每个单品对总利润的第一贡献率；然后利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据；对所述第二预期销量数据进行处理，得到产品分类模型。通过本发明实施例的方案，能从海量的单品信息中准确地预测出哪些单品能稳定出单并进一步预测出出单量、利润等数据，为商家的经营决策提供有效地支持。

在本发明一些可能的实施方式中，所述利用预置的第二预测模型对所述第一预期销量数据进行处理，得到第二预期销量数据的步骤，包括：

将所述第一预期销量数据输入所述第二预测模型；

对所述第一预期销量数据分别以所述第一出单概率、所述第一利润和所述第一贡献率从大到小进行排序；

从所述第一出单概率中选择在第一预设范围内和/或从所述第一利润中选择在第一利润范围内和/或从所述第一贡献率中选择在第一贡献率范围内的预期销量数据，得到所述第二预期销量数据。

可以理解的是，在本实施例中，将所述第一预期销量数据输入所述第二预测模型；对所述第一预期销量数据分别以所述第一出单概率、所述第一利润和所述第一贡献率从大到小进行排序；从所述第一出单概率中选择在第一预设范围内和/或从所述第一利润中选择在第一利润范围内和/或从所述第一贡献率中选择在第一贡献率范围内的预期销量数据，得到所述第二预期销量数据。本方案通过对第一预期销量数据中的重点特征/指标进行分析，能提供灵敏的数据统计模型，为商品的选择提供了多个维度。

在本发明一些可能的实施方式中，所述对所述第二预期销量数据进行处理，得到产品分类模型的步骤，包括：

按预设的区间划分规则对所述第二预期销量数据进行区间划分；

利用信用评分卡模型，结合区间区分度对产品进行分类以形成产品分类模型。

可以理解的是，为了使得产品分类区分度明显，在本实施例中，根据数据统计分析方法，按预设的区间划分规则对所述第二预期销量数据进行区间划分；利用信用评分卡模型，结合区间区分度对产品进行分类以形成产品分类模型。

在本发明一些可能的实施方式中，所述方法还包括：

获取从DO日开始第二预设时期内的实际销售数据；

判断所述实际销售数据是否在预设销量偏差范围内与所述第二预期销量数据中所述第二预设时期对应的预期销量数据相符；

若否，则启动异常检测流程；

根据异常检测结果，对所述第一预测模型和所述第二预测模型进行修正与优化。

可以理解的是，在实际中，预测模型的预测结果与实际销量数据很大可能存在着差异，为了使得预测模型更准确，在本发明实施例中，获取从DO日开始第二预设时期内的实际销售数据；判断所述实际销售数据是否在预设销量偏差范围内与所述第二预期销量数据中所述第二预设时期对应的预期销量数据相符；若否，则启动异常检测流程；根据异常检测结果，对所述第一预测模型和所述第二预测模型进行修正与优化。

在本发明一些可能的实施方式中，所述根据所述历史销售数据，利用训练好的第一神经网络生成第一预测模型的步骤，包括：

对所述历史销售数据中的空值、异常值进行识别并处理后，并对处理后的数据进行数据转换和数据标准化，形成样本数据集；

将所述样本数据集分成训练集和测试集；

将所述训练集输入所述第一神经网络，对所述第一神经网络进行进一步训练以得到第一训练模型；

将所述测试集输入所述第一训练模型进行性能测试，得到测试结果；

根据所述测试结果对所述第一训练模型进行修正与优化得到所述第一预测模型。

可以理解的是，为了使得预测模型更准确，在本发明的实施例中，利用神经网络生成预测模型，具体是：对所述历史销售数据中的空值、异常值进行识别并处理，并对处理后的数据进行数据转换和数据标准化，形成样本数据集；将所述样本数据集分成训练集和测试集；将所述训练集输入所述第一神经网络，对所述第一神经网络进行进一步训练以得到第一训练模型；将所述测试集输入所述第一训练模型进行性能测试，得到测试结果；根据所述测试结果对所述第一训练模型进行修正与优化得到所述第一预测模型。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。