销量预测模型的构建方法及销量预测方法

技术领域

本申请涉及数据处理技术领域，特别是涉及一种销量预测模型的构建方法及销量预测方法。

背景技术

在市场竞争日益激烈的商业环境中，企业需要准确预测其产品或品牌的销售量，以便合理安排生产计划、制定营销策略、控制库存等。

传统的销量预测方法存在着精度不高、依赖人工经验等问题，故而目前急需一种销量预测方法与系统，以提高销量预测的准确性和效率。

发明内容

基于此，有必要针对上述技术问题，提供一种能够准确且高效预测销量数据的销量预测模型的构建方法及销量预测方法。且本申请还提供一种销量预测模型的构建方法、销量预测方法、装置及设备，具体如下。

一种销量预测模型的构建方法，所述方法包括：

确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子；

确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；

基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

在一些实施例中，所述基于相关因子确定目标因子，包括：

对所述相关因子进行相关性分析得到相关性数值，将相关性数值小于预设阈值的相关因子确定为目标因子。

在一些实施例中，所述确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型，包括：

当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列预测模型；

当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型；

当所述因子类型对应为无法预测因子时，删除所述目标因子。

在一些实施例中，所述当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列模型，包括：

判断所述目标因子是否为有趋势变化以及是否为有周期性的序列；

若判定所述目标因子为没有趋势且没有周期性的序列，基于一阶指数平滑构建目标因子对应的目标因子模型；

若所述目标因子为有趋势但没有周期性的序列，基于二阶指数平滑构建目标因子对应的目标因子模型；

若所述目标因子为有趋势也有周期性的序列，基于三阶指数平滑构建目标因子对应的目标因子模型。

在一些实施例中，基于一阶指数平滑、二阶指数平滑以及三阶指数平滑构建的目标因子模型的过程中，基于误差最小原则对模型系数进行调整，直至基于调整后的模型系数的误差最小时，将该模型系数作为目标模型系数；

基于所述目标模型系数确定目标因子模型。

在一些实施例中，所述当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型，包括：

所述当所述因子类型对应为无趋势变化因子时，获取所述目标因子对应的语言序列；

对所述语言序列进行语义理解得到所述语言序列对应的正负指数；

基于所述正负指数确定所述目标因子的赋值数据；

将所述赋值数据确定为所述目标因子对应的目标因子模型。

在一些实施例中，所述当所述因子类型中包括无法预测因子时，所述方法还包括：

基于各所述无法预测因子确定调整因子；

基于所述调整因子对所述销量预测模型进行调整，以根据调整后的所述销量预测模型预测产品的销量。

在一些实施例中，所述调整因子的确定方式包括：

基于未删除无法预测因子的数据训练机器学习模型得到第一模型；

基于已删除无法预测因子的数据训练机器学习模型得到第二模型；

基于第一模型及第二模型确定各无法预测因子的调整因子。

在一些实施例中，所述基于各所述目标因子之间的关联关系构建销量预设模型，包括：

基于最小二乘法确定关于各所述目标因子的回归模型，基于误差最小原则对回归模型的模型系数进行调整，直至基于调整后的模型系数对应的误差最小时，将该模型系数作为回归模型系数。

本申请还提供一种销量预测方法，包括：

确定待预测销量产品的产品类型，获取所述产品类型对应的产品调整因子，其中所述产品调整因子与产品类型相关，且所述产品调整因子基于对应的产品的销量数据训练得到；

基于所述产品调整因子对销量预设模型进行调整得到与产品类型对应的目标销量预测模型，其中所述销量预设模型是基于上述任意一个实施例中提供的销量预测模型的构建方法构建的销量预测模型。

在一些实施例中，所述产品调整因子的确定方法包括：

产品调整因子基于机器学习模型确定。

本申请还提供一种销量预测方法，包括：确定待预测销量产品的产品类型及产品所在地域，获取所述产品类型对应的产品调整因子及所在地域对应的地域调整因子，其中所述产品调整因子与产品类型相关，所述地域调整因子与所述产品所在地域相关，且所述产品调整因子及所述地域调整因子基于对应的产品的销量数据得到，所述产品调整因子及所述地域调整因子基于机器学习模型或者经验确定；

基于所述产品调整因子及所述地域调整因子对销量预设模型进行调整得到与产品类型及所在地域对应的目标销量预测模型，其中所述销量预设模型是基于上述任意一个实施例中提供的销量预测模型的构建方法构建的销量预测模型。

在一些实施例中，本申请还提供一种销量预测模型的构建装置，所述装置包括：

因子确定模块，用于确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子；

因子类型确定模块，用于确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；

模型构建模块，基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

在一些实施例中，本申请还提供一种销量预测装置，该装置包括：

产品类型确定模块，用于确定待预测销量产品的产品类型，获取所述产品类型对应的产品调整因子，其中所述产品调整因子与产品类型相关，且所述产品调整因子基于对应的产品的销量数据训练得到；

目标模型确定模块，用于基于所述产品调整因子对销量预设模型进行调整得到与产品类型对应的目标销量预测模型，其中所述销量预设模型是基于上述任意实施例中提供的销量预测模型的构建方法构建的销量预测模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子；

确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；

基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

确定待预测销量产品的产品类型，获取所述产品类型对应的产品调整因子，其中所述产品调整因子与产品类型相关，且所述产品调整因子基于对应的产品的销量数据训练得到；

基于所述产品调整因子对销量预设模型进行调整得到与产品类型对应的目标销量预测模型，其中所述销量预设模型是基于上述任意实施例中提供的销量预测模型的构建方法构建的销量预测模型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子；

确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；

基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

确定待预测销量产品的产品类型，获取所述产品类型对应的产品调整因子，其中所述产品调整因子与产品类型相关，且所述产品调整因子基于对应的产品的销量数据训练得到；

基于所述产品调整因子对销量预设模型进行调整得到与产品类型对应的目标销量预测模型，其中所述销量预设模型是基于上述任意实施例中提供的销量预测模型的构建方法构建的销量预测模型。

一种计算机程序产品，其上存储有程序或指令，所述程序或指令被处理器执行时实现以下步骤：

确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子；

确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；

基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

一种计算机程序产品，其上存储有程序或指令，所述程序或指令被处理器执行时实现以下步骤：

确定待预测销量产品的产品类型，获取所述产品类型对应的产品调整因子，其中所述产品调整因子与产品类型相关，且所述产品调整因子基于对应的产品的销量数据训练得到；

基于所述产品调整因子对销量预设模型进行调整得到与产品类型对应的目标销量预测模型，其中所述销量预设模型是基于上述任意实施例中提供的销量预测模型的构建方法构建的销量预测模型。

上述销量预测模型的构建方法、销量预测方法、装置、设备、介质及程序产品，实现了基于各目标因子对应的模型构建销量预测模型。具体地，基于有趋势变化因子的时间序列预测模型、无趋势变化因子的赋值数据(或者赋值函数)、无法预测因子的调整因子三者中的一个或者多个共同构建回归预测模型，模型中的未知数可以基于最小二乘法确定。通过该方法构建的销量预测模型考虑到了各目标因子之间的关联性，保证了目标因子之间的不冗余，保证模型的运行效率；且对各目标因子进一步进行类型的划分，使得构建的销量预测模型更加精准；并且对无变化趋势以及无法预测的目标因子还进行了赋值数据以及调整因子的确定，这样进一步保证得到的销量预测模型更加精准；并且由于赋值数据以及调整因子可以是预先存储的，故而在模型运行的过程中也不会增加模型的运行开销。

附图说明

图1为一个实施例中销量预测模型构建方法的流程示意图；

图2为一个实施例中有趋势变化因子的目标因子模型确定的流程示意图；

图3为一个实施例中的销量预测方法的流程示意图；

图4为一个实施例中销量预测模型的构建装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种销量预测模型的构建方法，以该方法应用于服务器例进行说明，包括以下步骤：

步骤101，确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子。

销量数据受到多种因素的影响，例如影响汽车销量的因素可以称为相关因子，相关因子具体可以是当地的经济人口数据、当地的政策数据以及当地的汽车商圈、汽车门店数量等。

在一些实施例中，相关因子可以从社交平台获取、专业论坛获取，或者从专业网站中获取等。

在一些实施例中，相关因子还可以基于不同的汽车品牌，不同的汽车产品以及不同的地域确定。也就是说，基于不同的情形，相关因子可以是变化的，基于不同的情形自适应调整变化。在一些实施例中，可以基于对应的地域、对应的产品获取影响销量数据的相关因子。

在一些实施例中，所述基于相关因子确定目标因子，包括：对所述相关因子进行相关性分析得到相关性数值，将相关性数值小于预设阈值的相关因子确定为目标因子。

影响汽车销量数据的相关因子较多，但是有些相关因子之间的相关度较高，存在对汽车销量数据的影响是重合的。当相关因子之间的相关性较高时，可以对相关因子进行去重处理，这样可以缩减相关因子的数量，去除无效相关因子，这样基于较少的相关因子构建的销量预测模型更加精简，可以减少模型的参数数量，进而提高模型的运行效率。

目标因子是从相关因子中提取出来的，目标因子之间的相关性较弱，每一个目标因子对销量数据的影响是独立的。在一些实施例中，目标因子的数量小于或者等于相关因子的数量，且目标因子之间的相关性较低。

在一些实施例中，可以基于相关性分析算法对各相关因子之间的相关性进行分析得到各相关因子之间的相关性指标。基于得到的相关性指标判断各相关因子之间的相关性大小，将相关性较大的相关因子进行去重处理以得到目标因子，以减少构建销量预测模型的目标因子之间的冗余性，使得最终构建的销量预测模型更加精简，模型的运行效率更高。

在一些实施例中，通过相关性分析确定目标因子，将目标因子作为构建销量预测模型的自变量。具体地，可以通过相关性分析确定各相关因子之间的皮尔逊相关系数(r值)。

在一些实施例中，基于目标因子构建的销量预测模型参见公式(1)。

Y＝a+b

公式(1)中，Y表示预测得到的销量数据，a是常数项，b

在一些实施例中，所述基于各所述目标因子之间的关联关系构建销量预设模型，包括：基于最小二乘法确定关于各所述目标因子的回归模型，基于误差最小原则对回归模型的模型系数进行调整，直至基于调整后的模型系数对应的误差最小时，将该模型系数作为回归模型系数。

在一些实施例中，可以基于最小二乘法确定公式(1)中的参数数值(a、b、c)。具体而言，可以获取历史销量数据，基于历史销量数据以及最小二乘法确定参数值(a、b、c)。

在一些实施例中，基于最小二乘法确定回归方程包括：基于最小二乘法构造误差平方和，对a、b

步骤1，获取历史销量数据，获得多个误差值，构造误差平方和，具体如下公式(2)-(6)：

C

C

C

C

C

步骤2，对a、b

步骤3，将a、b

在一些实施例中，影响汽车销量数据的因素可以包括经济人口数据、网点数据、汽车商圈、政策数据等大类别。更具体地，经济人口数据中可以包括多种相关因子，例如可以包括区域行政划分、GDP、社会消费总额、人口年龄、人均收入、保有量等。汽车商圈中可以包括多种相关因子，例如可以包括汽车商圈的品牌、网点数量、网点位置、销量、覆盖、发展与规划等。目标因子可以包括GDP、社会消费总额、网点数量、网点位置(如汽车商圈)等。

步骤102，确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型。

目标因子是用于构建销量预测模型。在一些实施例中，构建预测模型之前还需要确定各目标因子的因子类型，基于不同的因子类型确定各目标因子的目标因子模型，基于各目标因子模型构建销量预测模型。

上述实施例中，由于目标因子的数量及类型多种多样，故而通过对目标因子的类型进行分析得到各目标因子的类型，并根据目标因子的类型构建各自对应的目标因子模型，再根据各目标因子模型构建得到销量预测模型。这样，得到的销量预测模型考虑了多种类型的目标因子，使得得到的销量预测模型更加精准。

在一些实施例中，影响汽车销量数据的目标因子有多种，目标因子的类型也会有多种。例如，基于各目标因子是否有变化趋势，可以将目标因子类型分为有变化趋势的目标因子以及无变化趋势的目标因子，以及其他目标因子，其他目标因子可以是无法确定该目标因子是否有变化趋势。

在一些实施例中，还可以基于各目标因子对应的因子类型确定各目标因子对应的目标因子模型。例如，所述确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型，包括：当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列预测模型；当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型；当所述因子类型对应为无法预测因子时，删除所述目标因子。

在一些实施例中，有趋势变化的因子可以是新车价格、人口年龄、GDP、人均消费支出、房价等。

对于有趋势因子，可以构建时间序列预测模型。例如，构建的时间序列模型参见公式(7)。

X

公式(7)中，X

参见图2，在一些实施例中，所述当所述因子类型对应为有趋势变化因子时，所述目标因子对应的目标因子模型为时间序列模型，包括：进一步判断所述目标因子是否为有趋势变化以及是否为有周期性的序列。

步骤201，在一些实施例中，若判定所述目标因子为没有趋势且没有周期性的序列，基于一阶指数平滑构建目标因子对应的目标因子模型。

步骤202，在一些实施例中，若所述目标因子为有趋势但没有周期性的序列，基于二阶指数平滑构建目标因子对应的目标因子模型。

步骤203，在一些实施例中，若所述目标因子为有趋势也有周期性的序列，基于三阶指数平滑构建目标因子对应的目标因子模型。

需要说明的是，任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。

在一些实施例中，可以采用指数平滑法构建时间序列模型。指数平滑方法有三种，针对没有趋势和季节性的序列使用一阶指数平滑，针对有趋势但没有季节性的序列使用二阶指数平滑，针对有趋势也有季节性的序列使用三阶指数平滑。

以三阶指数平滑为例说明，具体步骤如下：

步骤1：在公式(7)中，对a赋值，计算误差RMSE(平方、平均、开方)。

步骤2：对不同赋值的a的误差RMSE结果比较。

步骤三：误差最小时，确定a值。

通过程序，对a赋值(0-1之间)。X代表真实值，X’代表赋值后的结果。当a取不同值时，X’的结果不同。不同赋值的a对应的误差RMSE结果比较，误差RMSE最小时，确定a。

在一些实施例中，基于一阶指数平滑、二阶指数平滑以及三阶指数平滑构建的目标因子模型的过程中，基于误差最小原则对模型系数进行调整，直至基于调整后的模型系数的误差最小时，将该模型系数作为目标模型系数；基于所述目标模型系数确定目标因子模型。

在一些实施例中，无趋势变化因子具体可以是产品类型、购置税政策、公共消费政策、限购政策等。

对于无趋势因子，可以确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型。例如对于购置税政策，根据政策有效期赋值。

上述实施例中，通过分析目标因子的类型，并对不同类型的目标因子构建各自对应的函数模型，可以更加精准的表达每一个目标因子对销量数据的影响方式，这样构建的销量数据预测模型更加精准。且对于有趋势变化的目标因子，又进一步基于变化趋势确定不同的指数平滑函数，以保证得到的模型更加精准。

在一些实施例中，所述当所述因子类型对应为无趋势变化因子时，确定所述目标因子对应的赋值数据，基于所述赋值数据确定所述因子类型对应的目标因子模型，包括：所述当所述因子类型对应为无趋势变化因子时，获取所述目标因子对应的语言序列；对所述语言序列进行语义理解得到所述语言序列对应的正负指数；基于所述正负指数确定所述目标因子的赋值数据；将所述赋值数据确定为所述目标因子对应的目标因子模型。

上述实施例中，对于无趋势变化的目标因子不容易找到表达其变化规律的函数模型，故而可以通过赋值的方式确定该目标因子对销量预测模型的影响程度。

在一些实施例中，该赋值数据可以基于经验值确定的。例如，可以通过分析该目标因子对应的语言序列，通过对该语言序列的语言理解结果得到该目标因子对应的赋值数据。例如，当无趋势变化因子对应为产品类型时，可以对该产品类型进行语言理解分析，基于分析得到的整理竞争力(外观/配置等)确定该产品类型因子对应的赋值数据。例如，若判断该无趋势变化因子对应为无提升时，可以赋值0，若判断该无趋势变化因子对应为有提升时，可以赋值+1，若判断该无趋势变化因子对应为降低时，可以赋值-1。

需要说明的是，在语言理解的过程中涉及到语义理解，语义理解的结果要与期望的目标结果匹配，这样才能基于匹配的目标结果获取对应的赋值数据。其中，期望的目标结果是预先设置的，具有对应的赋值数据的结果。故而，为了保证语义结果与期望的目标结果匹配或者尽量匹配，该方法还包括预先构建匹配库，引导语义理解的结果与匹配库中的数据尽量匹配，匹配库中有对应语义理解结果以及各语义理解结果对应的赋值数据。具体可以通过概率数据进行匹配。

在一些实施例中，语义理解结果可以是简单的正向值的或者负向值，一般而言，对正向值的结果可以赋值为1，对负向值的结果可以赋值-1，对于无明显正向或者负向值的结果赋值为0。

在一些实施例中，该赋值数据的范围可以是[-1,1]的范围区间，具体可以根据语义理解过程的正负程度进行确定，例如正向的程度更高时，此时赋值数据越接近1，负向程度越高时，此时赋值数据越接近-1。

在一些实施例中，考虑到有些目标因子的语义理解结果不是正负结果，此时还可以结合对多种目标因子的语义理解得到该目标因子的语义理解结果。考虑到影响销量数据的目标因子之间具有一定的关联性，通过综合考虑与该目标因子关联的其他的多种目标因子之间的关联关系，得到该目标因子的语义理解结果，进而可以保证该目标因子的语义理解结果更加精准更加符合预期，以得到对应的赋值数据。例如，与该目标因子关联的其他目标因子对应的赋值数据是正向数据，那么也可以判断该目标因子对应的赋值数据也是正向数据。其中，因子之间的关联关系可以基于经验得到，或者基于对历史销量数据的分析得到。

上述实施例中，用自然语言处理(NLP)技术和语义模型对解析后的文本(例如该目标因子对应的语言序列)进行分析。使用情感分析技术，例如情感词典、机器学习模型等，对文本中的情感进行分类，这可以帮助确定文本的情感极性，即正向或负向。并且根据情感分析的结果和上下文理解，确定是正向还是负向的赋值数据。

在一些实施例中，该赋值数据可以基于机器学习模型进行模型学习确定的(具体可以是深度学习模型)。例如，对于无趋势变化的目标因子无法得到表征该趋势变化的函数关系式，此时可以借助机器学习模型得到对应目标因子的赋值数据，其中赋值数据可以是一个数字也可以是赋值函数。具体的可以利用包括该无变化趋势的目标因子进行机器学习模型的训练得到一个训练好的模型，然后再基于不包括该无变化趋势的目标因子进行机器学习模型的训练得到一个训练好的机器学习模型，最后基于这两个训练好的机器学习模型确定该无变化趋势的目标因子对应的赋值数据。

在一些实施例中，由于目标因子的数量很大，还可以基于机器学习模型预先测试得到多种目标因子的赋值数据，然后对各目标因子的赋值数据进行关联性分析或者聚类分析，以得到多种无趋势变化目标因子的赋值数据集。后续再对新的无趋势变化目标因子的赋值数据的获取时，可以直接将该目标因子与已经有赋值数据的目标因子进行类型匹配，进而可以直接从预先构建的赋值数据集中获取对应的赋值数据，而不再需要重新构建机器学习模型进行赋值数据的获取。

在一些实施例中，无法预测因子具体可以是用车成本、市政规划(如拆迁)、贷款政策等。

对于无法预测因子，可以删除所述目标因子。

在一些实施例中，考虑到无法预测的因子也是影响汽车销量数据的因子，若直接将其删除可能会影响汽车销量数据的准确预测，故而在一些实施例中，还包括对删除后因子的模型再次进行模型的调整，以使得到的销量预测模型更加精准。

在一些实施例中，所述当所述因子类型中包括无法预测因子时，所述方法还包括：基于各所述无法预测因子确定调整因子；基于所述调整因子对所述销量预测模型进行调整，以根据调整后的所述销量预测模型预测产品的销量。

在一些实施例中，可以预先存储每一个或者每一种类型的无法预测因子对应的调整因子。这样，在销量预测模型中删除该因子时，可以及时获取到对应的或者对应类型的调整因子，保证销量预测模型对销量数据的精准预测。

在一些实施例中，可以结合机器学习模型确定无法预测因子对应的调整因子。在一些实施例中，所述调整因子的确定方式包括：基于未删除无法预测因子的数据训练机器学习模型得到第一模型；基于已删除无法预测因子的数据训练机器学习模型得到第二模型；基于第一模型及第二模型确定各无法预测因子的调整因子。对于基于机器学习模型确定无法预测因子的调整因子的技术方案参见上文中基于机器学习模型确定无变化趋势目标因子的赋值数据的实施例。

在一些实施例中，该方法还包括，对各无法预测因子进行分类处理，确定各类别的无法预测因子对应的调整因子。对于无法预测因子进行分类处理以确定调整因子的技术方案参见上文中对无变化趋势目标因子的赋值数据进行分类后确定赋值数据的实施例。

在一些实施例中，本申请中的调整因子可以是一个具体的数值，或者还可以是一个或者多个函数。本申请中的机器学习模型可以是深度学习模型。

步骤103，基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

在一些实施例中，基于各目标因子对应的模型构建销量预测模型。具体是基于有趋势变化因子的时间序列预测模型、无趋势变化因子的赋值数据(或者赋值函数)、无法预测因子的调整因子三者中的一个或者多个共同构建回归预测模型，模型中的未知数可以基于最小二乘法确定。通过该方法构建的销量预测模型考虑到了各目标因子之间的关联性，保证了目标因子之间的不冗余，保证模型的运行效率；且对各目标因子进一步进行类型的划分，使得构建的销量预测模型更加精准；并且对无变化趋势以及无法预测的目标因子还进行了赋值数据以及调整因子的确定，这样进一步保证得到的销量预测模型更加精准；并且由于赋值数据以及调整因子可以是预先存储的，故而在模型运行的过程中也不会增加模型的运行开销。

在一些实施例中，参见图3，本申请还提供一种销量预测方法，包括：

步骤301，确定待预测销量产品的产品类型，获取所述产品类型对应的产品调整因子，其中所述产品调整因子与产品类型相关，且所述产品调整因子基于对应的产品的销量数据训练得到。

步骤302，基于所述产品调整因子对销量预设模型进行调整得到与产品类型对应的目标销量预测模型，其中所述销量预设模型是基于上述任意一个实施例中提供的销量预测模型的确定方法构建的销量预测模型。

在一些实施例中，不同类型产品的销量数据可能会受到不同目标因子的影响，故而对于不同类型的产品而言，其对应的产品销量预测模型的模型参数可能是存在区别的。故而，在一些实施例中，在预测产品的销量数据时，需要先确定产品的类型，基于产品类型确定对应的销量预测模型。

在一些实施例中，同一种类型的产品的销量数据还可能会受到所在地域的影响，故而，对于同一个类型的产品而言，在确定该类型产品对应的销量数据时，还需要确认该产品所在的销售地域，基于地域确定该产品对应的产品销量预测模型，进而进行产品销量的预测。

在一些实施例中，可以预先确定待预测产品销量数据的产品类型或者产品所在地域信息，基于对应的产品类型或者产品所在的地域信息确定对应的销量预测模型，以对产品销量数据进行预测。

在一些实施例中，可以预先构建一个销量预测基础模型，该基础模型是基于基本因子训练得到，基本因子可以是影响销量数据的常规因子，会对所有或者基本所有产品的销量数据造成影响的因子，或者会对任何地域的产品都会造成影响的因子。

在一些实施例中，对于不同产品类型或者不同地域预先确定好产品调整因子或者地域调整因子。这样，当需要进行产品销量数据预测时，只需要基于产品调整因子或者地域影响因子对基础模型(上述实施例中构建的销量预测模型)进行调整即可。

在一些实施例中，考虑到不同地域的政策或者市场是不断变化的，一旦发生变化，那么基于历史的目标因子构建的历史销量预测模型将不再适应于当前场景下的销量数据预测。故而，在一些实施例中，该方法还包括预测未来可能变化的市场或者政策，基于可能变化的市场或者政策及时对销量预测模型参数进行调整。

在一些实施例中，所述产品调整因子的确定方法包括：产品调整因子基于机器学习模型确定或者基于经验确定。

在一些实施例中，所述地域调整因子的确定方法包括：地域调整因子基于机器学习模型确定或者基于经验确定。

在一些实施例中，本申请提供的销量预测模型的构建方法及销量预测方法，可以包括以下步骤：

数据收集：收集相关数据，包括产品价格和各种产品特征(例如尺寸、颜色、材质等)或地域因素(例如地理位置、人口密度等)，以及相应的销售数据。

数据预处理：对数据进行预处理，包括数据清洗、处理数据缺失值和数据异常值等。

特征选择：根据领域知识和数据分析，选择与产品价格相关的特征或地域因素。需要说明的是，这些特征应该有理论基础或经验证明与销售相关。

模型建立：使用回归模型来建立产品价格与特征或地域因素之间的关系。选择适合的模型，如模型可以是多元线性回归、岭回归、Lasso回归、GBDT回归等。其中销量被视为因变量，而特征或地域因素被视为自变量。

模型训练与评估：使用收集到的数据拟合回归模型，并进行模型评估。评估指标可以包括拟合优度(如R平方)、均方误差(MSE)或平均绝对误差(MAE)等。

特征贡献度分析：通过分析回归模型的系数或变量重要性，确定不同特征或地域因素对销量的贡献度。

调整因子确定：基于回归模型的分析结果，可以确定不同产品特征或地域因素的调整因子。

需要说明的是，建立回归模型和确定调整因子是一个迭代的过程。需要根据模型的性能和业务需求进行多次调整和优化。

应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种销量预测模型的构建装置400，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：

因子确定模块401，用于确定影响销量数据的相关因子，基于所述相关因子确定目标因子，其中，所述相关因子的数量大于或者等于所述目标因子的数量，所述目标因子是用于构建销量预测模型的因子；

因子类型确定模块402，用于确定各所述目标因子对应的因子类型，及基于所述因子类型确定各所述目标因子对应的目标因子模型；

模型构建模块403，基于所述目标因子模型及各所述目标因子之间的关联关系构建销量预设模型，所述销量预测模型用于预测产品的销量。

关于销量预测模型的构建装置的具体限定可以参见上文中对于销量预测模型的构建方法的限定，在此不再赘述。上述销量预测模型的构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储销量数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种销量预测模型的构建方法或者销量预测方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

一种计算机程序产品，其上存储有程序或指令，所述程序或指令被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。