新品需求预测方法、装置、电子设备及存储介质

技术领域

本申请涉及数字供应技术领域，尤其涉及一种新品需求预测方法、装置、电子设备及存储介质。

背景技术

需求预测是指计划并预测产品未来在市场上的需求，帮助企业尽可能保持盈利的过程，是供应链计划的重要环节。目前，需求预测普遍使用销量预测模型来预测产品未来的销量。预测过程中销量预测模型需要参考产品一段时间以来的历史销售记录，通常至少3个月，一般1～2年。但是，对于还未上市或即将上市的新品而言，并不存在历史销售记录，因此，无法按照上述方法来预测未来销量。

针对新品没有历史销售记录难以进行需求预测的问题，现有的处理方式是人工维护新品与老品之间的关系，根据该关系找到一个或多个与新品相似的老品，对找到的老品进行需要预测，将老品的需要预测结果作为新品的需求预测结果。但是，上述新品需求预测的方法依赖于人工维护，不仅耗费较大的人力成本，而且，人工查找与新品相似的老品，具有较大的不确定性，进而影响新品需求预测的准确性。

发明内容

本申请实施例提供一种新品需求预测方法、装置、电子设备及存储介质，以提升新品需求预测的准确性以及降低成本。

在第一方面，本申请实施例提供了一种新品需求预测方法，包括：

根据产品的属性，计算新品与老品集合中各个老品之间的相似度；

按照相似度从高到低的顺序选出多个老品；

对选出的所述多个老品进行需求预测；

根据所述多个老品的需求预测结果，对所述新品进行需求预测。

在第二方面，本申请实施例提供了一种新品需求预测装置，包括：

计算模块，用于根据产品的属性，计算新品与老品集合中各个老品之间的相似度；

选择模块，用于按照相似度从高到低的顺序选出多个老品；

第一预测模块，用于对选出的所述多个老品进行需求预测；

第二预测模块，用于根据所述多个老品的需求预测结果，对所述新品进行需求预测。

在第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的方法。

在第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。

与现有技术相比，本申请具有如下优点：

根据产品的属性，计算新品与老品集合中各个老品之间的相似度，按照相似度从高到低的顺序选出多个老品，对选出的所述多个老品进行需求预测，根据所述多个老品的需求预测结果，对所述新品进行需求预测，实现了新品智能需求预测，提高了自动化程度，无需人工维护新品与老品之间的关系，降低了成本，基于相似度参考老品的需求预测结果对新品进行需求预测，提高了结果的准确性和稳定性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请的一些实施方式，而不应将其视为是对本申请范围的限制。

图1为本申请一实施例的新品需求预测方法流程图；

图2为本申请一实施例的新品需求预测方法流程图；

图3是本申请另一实施例的产品属性配置过程示意图；

图4是本申请另一实施例的百分比归一化示意图；

图5是本申请另一实施例的新品需求预测方法流程图；

图6是本申请一实施例的新品需求预测装置的结构框图；

图7为用来实现本申请实施例的电子设备的框图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本申请的构思或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的，而非限制性的。

为便于理解本申请实施例的技术方案，以下对本申请实施例的相关技术进行说明。以下相关技术作为可选方案与本申请实施例的技术方案可以进行任意结合，其均属于本申请实施例的保护范围。

首先对本申请所涉及的名词进行解释。

新品：还未上市发售或上市发售时间短于指定时长的产品。新品不存在历史销售记录或存在短于指定时长的历史销售记录，因此难以直接根据历史销售记录来预测未来销量。

老品：已经上市发售并存在超过指定时长的历史销售记录的产品。老品可以根据历史销售记录来预测未来销量。

需求预测：计划并预测产品未来在市场上的需求，是供应链计划的重要环节。需求预测可以影响商家或工厂的备货及生产计划，能够帮助企业尽可能保持盈利。如果没有需求预测能力，企业将面临供应过剩的风险，浪费大量的成本和资源，或因未能预测客户需求、偏好和购买意图而失去宝贵的商机。

本申请实施例提供的新品需求预测方法，可以应用于任何电子设备中，包括但不限于：计算机、移动终端、平板电脑、笔记本电脑或服务器等。具体的应用场景可以有多种，包括但不限于电子商务网站上对即将上市的新品进行需求预测。

图1为本申请一实施例的新品需求预测方法流程图，如图1所示，该方法可以包括如下步骤。

S101：根据产品的属性，计算新品与老品集合中各个老品之间的相似度。

本申请实施例中的产品包括实物产品和虚拟产品，可以是任何类目的产品，包括但不限于家用电器、服装、美妆、食品、母婴、图书、家具、运动、户外等。

其中，老品集合可以包括一个或多个老品，通常包括多个老品，在计算相似度时具体计算新品与老品集合中每一个老品的相似度。例如，老品集合包括100个老品，则计算新品与其中每一个老品的相似度后，可以得到100个相似度。

S102：按照相似度从高到低的顺序选出多个老品。

在一种实施方式下，上述步骤S102可以包括：

对计算出的所有相似度按照从高到低的顺序进行排序，确定排序靠前的多个相似度，得到多个相似度对应的多个老品。

其中，选出老品的个数可以预先指定，如选出50个老品，如果计算得到100个相似度，则对该100个相似度从高到低进行排序，然后选出排序靠前的50个相似度，从而可以得到该50个相似度所对应的老品。

S103：对选出的多个老品进行需求预测。

本申请实施例中，对老品进行需求预测可以采用需求预测模型来完成，该需求预测模型通常参考老品的历史销售记录来进行需求预测。其中，历史销售记录对应的时长可以根据需要确定，如获取近3个月的历史销售记录或近1年的销售记录等。

S104：根据多个老品的需求预测结果，对新品进行需求预测。

在一种实施方式下，上述步骤S104可以具体包括：

对多个老品的预测销量取平均得到新品的预测销量；或对多个老品的预测销量各自加权后取平均得到新品的预测销量；其中，多个老品的预测销量参考的各自历史销售记录均对应相同的历史时期。

本申请实施例中，可以采用多种算法来实现根据老品的需求预测结果进行新品的需求预测，上述取平均或加权取平均仅为示例，当然可以采用其他算法，此处不做具体限定。其中，对每个老品的预测销量加权所使用的权重也可以根据需要设置，具体数值不限定。

本实施例提供的上述方法，根据产品的属性，计算新品与老品集合中各个老品之间的相似度，按照相似度从高到低的顺序选出多个老品，对选出的所述多个老品进行需求预测，根据所述多个老品的需求预测结果，对所述新品进行需求预测，实现了新品智能需求预测，提高了自动化程度，无需人工维护新品与老品之间的关系，降低了成本，基于相似度参考老品的需求预测结果对新品进行需求预测，提高了结果的准确性和稳定性。

图2为本申请一实施例的新品需求预测方法流程图，如图2所示，该方法可以包括如下步骤。

S201：预先为产品生成配置信息，配置信息包括产品的属性和值。

本申请实施例中，为产品配置的属性(Attribute)是指需要参与产品相似度计算的属性，可以预先根据需要来配置。具体地，在业务逻辑上如果属性相近的产品具有较高的相似度或替代能力，则可以在配置信息中配置这些属性。相反地，如果属性对相似度或替代关系影响不大，则无需配置在配置信息中。下面以手机类目为例，举例说明对需求预测有较大影响的属性。

表1

如上述表1所示，当产品为手机时，可以具体在配置信息中配置如下属性：价格、品牌、前置摄像头、后置摄像头、通讯技术、屏幕大小、存储容量、核心数、屏幕类型、运行内存和电池容量。对于不同的手机，当上述属性相近时，产品之间具有可替代性，因此，这些属性可以参与相似度的计算，从而将其配置在配置信息中。

本申请实施例中，属性的值(Value)可以根据需要设置，包括两种类型：数值类型和枚举类型。数值类型表征该属性的值可以直接进行数值比较，进而可以根据比较结果来计算相似度。而枚举类型表征该属性的值无法直接进行数值比较，因此需要配置其他信息来进行比较。

对于数值类型的值，具体数值根据需要预先设置，具体不限定。例如，属性为价格，则可以配置值为1000或2000等。另外，一个属性可以配置一个值，也可以配置多个值，具体不限定。例如，属性价格配置3个值分别为1000、2000和3000。

S202：若属性的值为数值类型，则在配置信息中还配置值的差值的各个取值区间及对应的百分比；若属性的值为枚举类型，则在配置信息中还配置属性的组标识，并配置各个组标识差值及对应的百分比。

本申请实施例中，为了对枚举类型的值进行比较以计算相似度，为该枚举类型的值配置所属的组(Group)，并配置组标识。其中，组标识相同但值不同的产品用于表征在当前属性维度上产品之间具有可替换性。下面仍以手机类目为例，举例说明组标识的配置。

表2

如表2所示，产品为手机，当前属性为品牌，对应的值分别为：AAA、BBB、CCC、DDD、EEE、FFF、GGG、HHH、III、JJJ、KKK和LLL。其中，AAA、BBB和CCC的组标识均为1。DDD、EEE和FFF的组标识均为2。GGG、HHH和III的组标识均为3。JJJ、KKK和LLL的组标识均为4。

上述配置信息对应的业务含义为：AAA、BBB和CCC是第一梯队品牌，具有相同的品牌效应，在品牌维度上产品之间具有可替换性。DDD、EEE和FFF是第二梯队品牌，具有相同的品牌效应，在品牌维度上产品之间具有可替换性，即不参考其他属性的情况下，在品牌维度上相似度差距在允许误差范围内，可以忽略不计。GGG、HHH和III是第三梯队品牌，具有相同的品牌效应，在品牌维度上产品之间具有可替换性，即不参考其他属性的情况下，在品牌维度上相似度差距在允许误差范围内，可以忽略不计。JJJ、KKK和LLL是第四梯队品牌，具有相同的品牌效应，在品牌维度上产品之间具有可替换性，即不参考其他属性的情况下，在品牌维度上相似度差距在允许误差范围内，可以忽略不计。

本申请实施例中，数值类型的值的差值可以配置一个或多个取值区间，并且为每个取值区间均配置有对应的百分比。组标识的差值也可以配置一个或多个取值区间，并且为每个取值区间均配置有对应的百分比。本申请实施例中，无论是值的差值的取值区间对应的百分比，还是组标识的差值的取值区间对应的百分比，均为负数，即负数百分比，用于表征不同产品在当前属性维度上相似程度的差距。下面具体举例说明百分比的配置。

表3

如表3所示，属性包括价格、品牌、电池容量和内存。其中，价格的值为数值类型，为值的差值配置有4个取值区间，分别为(0,100]，(100,300]，(300,700]和(700,∞]，这4个取值区间分别对应的百分比为-1％、-4％、-8％和-20％。上述配置表明，价格差值在100元以内的产品，百分比为-1％，即相似程度差距为1％，因此，相似度为100％-1％＝99％。价格差值大于100元且在300元以内的产品，百分比为-4％，即相似程度差距为4％，因此，相似度为100％-4％＝96％。价格差值大于300元且在700元以内的产品，百分比为-8％，即相似程度差距为8％，因此，相似度为100％-8％＝92％。价格差值大于700元的产品，百分比为-20％，即相似程度差距为20％，因此，相似度为100％-20％＝80％。由此可以看出，价格差值越大，产品相似度越低。

其中，品牌、电池容量和内存的值均为枚举类型，因此配置有组标识以及组标识差值的取值区间。品牌组标识差值的取值区间有2个。品牌组标识差值为1对应的百分比为-3％，品牌组标识差值为2对应的百分比为-9％。即品牌组标识差值为1时，产品在品牌维度上的相似度为100％-3％＝97％，品牌组标识差值为2时，产品在品牌维度上的相似度为100％-9％＝91％。电池容量组标识差值的取值区间有2个。电池容量组标识差值为4对应的百分比为-6％，电池容量组标识差值为2对应的百分比为-3％。即电池容量组标识差值为4时，产品在电池容量维度上的相似度为100％-6％＝94％，电池容量组标识差值为2时，产品在电池容量维度上的相似度为100％-3％＝97％。内存组标识差值的取值区间有2个。内存组标识差值为3对应的百分比为-4.5％，内存组标识差值为1对应的百分比为-1.5％。即内存组标识差值为3时，产品在内存维度上的相似度为100％-4.5％＝95.5％，内存组标识差值为1时，产品在内存维度上的相似度为100％-1.5％＝98.5％。

本申请实施例中，上述产品的属性可以包括价格和品牌，价格的值为数值类型，品牌的值为枚举类型。在一种实施方式下，品牌的组标识差值分别对应第一百分比和第二百分比；其中，第一百分比为参考价格的百分比，第二百分比为不参考价格的百分比。

图3为本申请一实施例的产品属性配置过程示意图。如图3所示，为产品配置两种属性：价格和品牌。价格的值为数值类型，品牌的值为枚举类型。其中，品牌的值为ABC，对应的组标识为1，品牌的值为DEF，对应的组标识为2。价格的差值有2个取值区间，第一个取值区间最小值为0，最大值为5，边界取值为左开放右封闭，即取值区间不包括最小值本身，但是包括最大值本身，该取值区间可以表示为(0,5]，对应的百分比有两个。一个是参考价格的百分比-5％，另一个是不参考价格的百分比0％。价格的差值第二个取值区间最小值为5，最大值为40，边界取值为左开放右封闭，即取值区间不包括最小值本身，但是包括最大值本身，该取值区间可以表示为(5,40]，对应的百分比有两个。一个是参考价格的百分比-10％，另一个是不参考价格的百分比0％。品牌的组标识差值有2个，分别为0和1。组标识差值为0对应2个百分比，包括参考价格的百分比0％和不参考价格的百分比0％。组标识差值为1对应2个百分比，包括参考价格的百分比-10％和不参考价格的百分比-11％。

S203：在产品的属性为多个的情况下，在每个属性对应的所有百分比中获取最小百分比，对获取的各个属性的最小百分比求和再取绝对值得到参考总值。

其中，每个属性对应的百分比是指值的差值的取值区间对应的百分比，或者组标识差值的取值区间对应的百分比。由于每个属性对应的取值区间可能有多个，因此对应的百分比也可能有多个。例如，属性价格的值的差值的取值区间有4个，则价格对应的百分比也有4个，如为-3％，-5％，-10％和-20％，则可以在这4个百分比中获取最小百分比-20％以用于计算参考总值。属性品牌的组标识的差值的取值区间有3个，则品牌对应的百分比也有3个，如为-1％，-15％和-60％，则可以在这3个百分比中获取最小百分比-60％以用于计算参考总值。最后对每个属性对应的最小百分比求和再取绝对值得到参考总值＝|-20％-60％|＝80％。

S204：若参考总值大于百分之百，则分别将每个属性对应的每个百分比作为当前百分比，计算当前百分比对参考总值的占比得到归一化后的百分比，在配置信息中将当前百分比更新为归一化后的百分比。

图4是本申请另一实施例的百分比归一化示意图。如图4所示，属性价格对应的差值取值区间包括两个。第一个取值区间(0,5]分别对应参考价格的百分比-5％和不参考价格的百分比0％。第二个取值区间(5,40]分别对应参考价格的百分比-80％和不参考价格的百分比0％。品牌的组标识差值有两个。组标识差值0对应参考价格的百分比0％和不参考价格的百分比0％。组标识差值为1对应参考价格的百分比-70％和不参考价格的百分比-70％。

在价格的所有百分比中取最小百分比为-80％，在品牌的所有百分比中取最小百分比为-70％，则计算参考总值＝|-80％-70％|＝150％。可见参考总值大于100％，因此需要进行归一化处理。为每个百分比求对参考总值的占比得到归一化后的百分比。-5％/150％＝-3.3％，-80％/150％＝-53.3％，0％/150％＝0％，-70％150％＝-46.7％。从而可以用归一化后的各个百分比替换配置信息中的各个百分比。

本实施例通过上述归一化处理，可以保证根据归一化后的百分比计算出来的相似度，不会出现负数，从而保证了相似度计算的准确性和可靠性。

S205：根据产品的属性和上述配置信息，计算新品与老品集合中各个老品之间的相似度。

在一种实施方式下，上述步骤S205可以具体包括：

根据产品的属性，对已知的N个产品计算两两之间的相似度，得到N×N的相似度矩阵，N个产品包括新品和老品集合中的所有老品，在相似度矩阵中找到新品和老品集合中各个老品之间的相似度。

其中，N×N的相似度矩阵可以如下所示：

该相似度矩阵共有N行和N列。第一行为产品1和其余每个产品之间的相似度，包括产品1和产品2之间的相似度Sim(P1,P2)，以及产品1和产品3之间的相似度Sim(P1,P3)等。第二行为产品2和其余每个产成品之间的相似度，包括产品2和产品1之间的相似度Sim(P2,P1)，以及产品2和产品3之间的相似度Sim(P2,P3)等。第三行为产品3和其余每个产品之间的相似度，包括产品3和产品1之间的相似度Sim(P3,P1)，以及产品3和产品2之间的相似度Sim(P3,P2)等，以此类推。值得一提的是，Sim(P1,P2)与Sim(P2,P1)相同，二者并不进行区分。

由于本实施例只关注新品与每个老品之间的相似度，因此，可以根据上述矩阵获取需要的相似度即可。示例性地，新品为产品3，其余N-1个产品均为老品，则在第三行产品3与其余每个老品的相似度中获取指定个数的相似度即可。

S206：按照相似度从高到低的顺序选出多个老品。

本申请实施例中，可以按照相似度从高到低的顺序进行排序，选出排序靠前的M个相似度，从而得到对应的M个老品。其中，M为预先指定的个数，根据根据需要设置，具体数值不限定。如设置M＝100或50或20等等。

S207：对选出的多个老品进行需求预测。

本申请实施例中，对选出的每个老品进行需求预测可以采用需求预测模型来完成，该需求预测模型通常参考对应老品的历史销售记录来进行需求预测。其中，历史销售记录对应的时长可以根据需要确定，如获取近3个月的历史销售记录或近1年的销售记录等。

在一种实施方式下，选出的多个老品的预测销量参考的各自历史销售记录均对应相同的历史时期，如均对应半年或1年等。

由于选出的多个老品均为与新品相似度符合指定要求的老品，即认为是高度相似的老品，因此，使用相似老品的需求预测结果具有较高的参考价值，能够提高新品需求预测的准确性。

S208：根据多个老品的需求预测结果，对新品进行需求预测。

本申请实施例中，根据老品的需求预测结果对新品进行需求预测，可以采用多种算法来实现，包括但不限于：

对多个老品的预测销量取平均得到新品的预测销量；或对多个老品的预测销量各自加权后取平均得到新品的预测销量；其中，多个老品的预测销量参考的各自历史销售记录均对应相同的历史时期。上述加权所使用的权重可以预先设置，具体数值不限定。

例如，相似老品为3个，预测销量分别为X，Y和Z，对应权重分别为20％，30％和50％，则可以通过(20％*X+30％*Y+50％*Z)/3来计算得到新品的预测销量。

本实施例提供的上述方法，根据产品的属性，计算新品与老品集合中各个老品之间的相似度，按照相似度从高到低的顺序选出多个老品，对选出的所述多个老品进行需求预测，根据所述多个老品的需求预测结果，对所述新品进行需求预测，实现了新品智能需求预测，提高了自动化程度，无需人工维护新品与老品之间的关系，降低了成本，基于相似度参考老品的需求预测结果对新品进行需求预测，提高了结果的准确性和稳定性。

图5为本申请另一实施例的新品需求预测方法流程图，如图5所示，该方法可以包括如下步骤。

S501：分别将老品集合中的每个老品作为当前老品，分别将新品和当前老品的每个属性作为当前属性，判断当前属性的值的类型是数值类型还是枚举类型，如果是数值类型，则执行S502，如果是枚举类型，则执行S503。

S502：计算新品的当前属性的值和当前老品的当前属性的值之间的差值，在配置信息中确定差值所在的取值区间，获取取值区间对应的百分比，然后执行S504。

S503：计算新品的当前属性的组标识和当前老品的当前属性的组标识之间的差值，在配置信息中获取差值对应的百分比，然后执行S504。

S504：在得到每个属性对应的百分比之后，对百分之百与每个属性的百分比进行求和得到新品和当前老品的相似度。

示例性地，以图3为例，产品的属性包括品牌和价格。产品1的品牌的值为ABC，价格的值为2000，产品2的品牌的值为DEF，价格为2006。如果产品1为新品，产品2为老品，则计算产品1和产品2之间的相似度。首先，针对价格属性，计算二者价格差值2006-2000＝6。再在已生成的配置信息中找到该差值所属的取值区间(5,40]，进而确定出对应的百分为参考价格的百分比-10％和不参考价格的百分比0％。其次，针对品牌属性，根据配置信息可知品牌ABC的组标识为1，品牌DEF的组标识为2，计算二者组标识差值＝2-1＝1。根据组标识差值1，确定出对应的百分比为参考价格的百分比-10％和不参考价格的百分比-11％。最后，根据得到的百分比计算相似度：1)参考价格的相似度＝100％-10％-10％＝80％；2)不参考价格的相似度＝100％-0％-11％＝89％，即最终得到新品和老品两种相似度。

S505：对计算出的所有相似度按照从高到低的顺序进行排序，确定排序靠前的多个相似度，得到多个相似度对应的多个老品。

S506：对选出的多个老品进行需求预测。

S507：对多个老品的预测销量取平均得到新品的预测销量，或对多个老品的预测销量各自加权后取平均得到新品的预测销量。

其中，多个老品的预测销量参考的各自历史销售记录均对应相同的历史时期。

本实施例提供的上述方法，自动基于产品属性计算新品和老品的相似度，实现了新品的自动需求预测，无需人工维护新品与老品之间的关系，降低了运营成本，提高了自动化程度以及预测的稳定性。使用与新品相似度较高的老品预测新品的销量，不仅提高了新品需求预测的准确性，也有助于商家或工厂根据新品的需求预测进行备货并制定合适的生产计划，提升供应链处理能力。

与本申请实施例提供的方法的应用场景以及方法相对应地，本申请实施例还提供一种新品需求预测装置。如图6所示为本申请一实施例的新品需求预测装置的结构框图，该装置可以包括：

计算模块601，用于根据产品的属性，计算新品与老品集合中各个老品之间的相似度。

选择模块602，用于按照相似度从高到低的顺序选出多个老品。

第一预测模块603，用于对选出的所述多个老品进行需求预测。

第二预测模块604，用于根据所述多个老品的需求预测结果，对所述新品进行需求预测。

在一种实施方式下，上述装置还包括：

配置模块，用于预先为产品生成配置信息，配置信息包括产品的属性和值，若值为数值类型，则在配置信息中还配置值的差值的各个取值区间及对应的百分比，若值为枚举类型，则在配置信息中还配置属性的组标识，并配置各个组标识差值及对应的百分比；其中，百分比为负数且用于表征不同产品在当前属性维度上相似程度的差距；组标识相同但值不同的产品用于表征在当前属性维度上产品之间具有可替换性。

在一种实施方式下，上述配置模块还用于：

在产品的属性为多个的情况下，在每个属性对应的所有百分比中获取最小百分比；

对获取的各个属性的最小百分比求和再取绝对值得到参考总值；

若参考总值大于百分之百，则分别将每个属性对应的每个百分比作为当前百分比，计算当前百分比对参考总值的占比得到归一化后的百分比，在配置信息中将当前百分比更新为归一化后的百分比。

在一种实施方式下，产品的属性包括价格和品牌，价格的值为数值类型，品牌的值为枚举类型，品牌的组标识差值分别对应第一百分比和第二百分比；其中，第一百分比为参考价格的百分比，第二百分比为不参考价格的百分比。

在一种实施方式下，上述计算模块601用于：

分别将老品集合中的每个老品作为当前老品，分别将新品和当前老品的每个属性作为当前属性，确定当前属性的值的类型；

若当前属性的值为数值类型，则计算新品的当前属性的值和当前老品的当前属性的值之间的差值，在配置信息中确定差值所在的取值区间，获取取值区间对应的百分比；

若当前属性的值为枚举类型，则计算新品的当前属性的组标识和当前老品的当前属性的组标识之间的差值，在配置信息中获取差值对应的百分比；

在得到每个属性对应的百分比之后，对百分之百与每个属性的百分比进行求和得到新品和当前老品的相似度。

在一种实施方式下，上述选择模块602用于：

对计算出的所有相似度按照从高到低的顺序进行排序，确定排序靠前的多个相似度，得到多个相似度对应的多个老品。

在一种实施方式下，上述第二预测模块604用于：

对多个老品的预测销量取平均得到新品的预测销量；或，

对多个老品的预测销量各自加权后取平均得到新品的预测销量；

其中，多个老品的预测销量参考的各自历史销售记录均对应相同的历史时期。

在一种实施方式下，上述计算模块601用于：

根据产品的属性，对已知的N个产品计算两两之间的相似度，得到N×N的相似度矩阵，N个产品包括新品和老品集合中的所有老品；

在相似度矩阵中找到新品和老品集合中各个老品之间的相似度。

本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，并具备相应的有益效果，在此不再赘述。

本实施例提供的上述装置，根据产品的属性，计算新品与老品集合中各个老品之间的相似度，按照相似度从高到低的顺序选出多个老品，对选出的所述多个老品进行需求预测，根据所述多个老品的需求预测结果，对所述新品进行需求预测，实现了新品智能需求预测，提高了自动化程度，无需人工维护新品与老品之间的关系，降低了成本，基于相似度参考老品的需求预测结果对新品进行需求预测，提高了结果的准确性和稳定性。

图7为用来实现本申请实施例的电子设备的框图。如图7所示，该电子设备包括：存储器710和处理器720，存储器710内存储有可在处理器720上运行的计算机程序。处理器720执行该计算机程序时实现上述实施例中的方法。存储器710和处理器720的数量可以为一个或多个。

该电子设备还包括：通信接口730，用于与外界设备进行通信，进行数据交互传输。

如果存储器710、处理器720和通信接口730独立实现，则存储器710、处理器720和通信接口730可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器710、处理器720及通信接口730集成在一块芯片上，则存储器710、处理器720及通信接口730可以通过内部接口完成相互间的通信。

本申请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，该程序被处理器执行时实现本申请实施例中提供的方法。

本申请实施例还提供了一种芯片，该芯片包括处理器，用于从存储器中调用并运行存储器中存储的指令，使得安装有芯片的通信设备执行本申请实施例提供的方法。

本申请实施例还提供了一种芯片，包括：输入接口、输出接口、处理器和存储器，输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连，处理器用于执行存储器中的代码，当代码被执行时，处理器用于执行申请实施例提供的方法。

应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(Advanced RISC Machines，ARM)架构的处理器。

进一步地，可选的，上述存储器可以包括只读存储器和随机访问存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机访问存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM均可用。例如，静态随机访问存储器(Static RAM，SRAM)、动态随机访问存储器(Dynamic Random Access Memory，DRAM)、同步动态随机访问存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机访问存储器(Double Data RateSDRAM，DDR SDRAM)、增强型同步动态随机访问存储器(Enhanced SDRAM，ESDRAM)、同步链接动态随机访问存储器(Sync link DRAM，SLDRAM)和直接内存总线随机访问存储器(DirectRambus RAM，DR RAM)。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生依照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中描述的或在此以其他方式描述的任何过程或方法可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。

在流程图中描述的或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。

应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。

需要说明的是，本申请实施例中可能会涉及到对用户数据的使用，在实际应用中，可以在符合所在国的适用法律法规要求的情况下(例如，用户明确同意，对用户切实通知，等)，在适用法律法规允许的范围内在本文描述的方案中使用用户特定的个人数据。

以上所述，仅为本申请的示例性实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请记载的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。