[发明专利]销量数据预测方法、装置以及相关设备

权利要求书

1.一种销量数据预测方法，其特征在于，包括：

电子设备获取样本数据；所述样本数据包括门店销量数据和与门店对应的特征数据；所述特征数据包括基于移动位置服务特征数据、兴趣点特征数据、天气特征数据、日期特征数据中的至少一项；

所述电子设备对所述与门店对应的特征数据和所述门店销量数据进行特征提取得到与门店对应的特征样本；

所述电子设备将所述门店销量数据作为第一训练样本的因变量，所述与门店对应的特征样本作为所述第一训练样本的自变量构成所述第一训练样本；

所述电子设备基于所述第一训练样本对聚类模型进行训练，得到N个聚类簇样本；

所述电子设备基于所述N个聚类簇样本对回归模型进行训练，得到与所述N个聚类簇样本对应的N个回归模型；

其中，训练后的所述聚类模型和所述回归模型用于对待预测门店的销售数据进行预测。

2.根据权利要求1所述的方法，其特征在于，所述电子设备获取样本数据包括：

所述电子设备接收样本数据的待预测数据；

所述电子设备对所述样本数据的待预测数据进行预处理，得到所述样本数据。

3.根据权利要求1所述的方法，所述电子设备基于所述第一训练样本对聚类模型进行训练，得到N个聚类簇样本包括：

所述电子设备将所述第一训练样本输入到待训练的聚类模型中，采用K-means算法对所述聚类模型进行训练；

所述电子设备调整所述聚类模型的参数，当所述聚类模型的评价指标达到预设阈值后，得到N个聚类簇样本。

4.根据权利要求1所述的方法，其特征在于，所述电子设备基于所述N个聚类簇样本对回归模型进行训练，得到与所述N个聚类簇样本对应的N个回归模型包括：

所述电子设备针对N个聚类簇样本，从中随机抽取第二训练样本和评估样本；

所述电子设备分别将所述第二训练样本输入到回归模型中采用XGBoost算法对所述回归模型进行训练，得到训练后的回归模型；

所述电子设备分别将所述评估样本输入到所述训练后的回归模型中；当所述训练后的回归模型的评价指标达到某预设阈值后，得到与N个聚类簇样本对应的N个回归模型。

5.一种销量数据预测方法，其特征在于，包括：

电子设备获取待预测门店对应的特征数据；所述特征数据包括基于移动位置服务数据、兴趣点数据、天气数据、日期数据中的至少一项；

所述电子设备对所述特征数据进行特征提取得到待预测门店的特征样本；

所述电子设备将所述待预测门店的特征样本输入训练完成的聚类模型中，通过所述训练完成的聚类模型确认所述待预测门店的特征样本的聚类；所述聚类模型包括如权利要求1-4任一项所述的方法中训练后的聚类模型；

所述电子设备根据所述待预测门店的特征样本的聚类，确认对应的训练完成的回归模型；所述回归模型包括如权利要求1-4任一项所述的方法中训练后的回归模型；

所述电子设备将所述待预测门店的特征样本输入到所述对应的训练完成的回归模型中，得到所述待预测门店的销售数据。

6.根据权利要求5所述的方法，其特征在于，所述电子设备获取待预测门店对应的特征数据包括：

所述电子设备接收待预测门店的待预测数据；所述待预测数据包括基于移动位置服务数据、兴趣点数据、天气数据、日期数据中的至少一项；

所述电子设备对所述待预测数据进行预处理，得到所述待预测门店的特征数据。

7.根据权利要求5所述的方法，其特征在于，所述电子设备对所述特征数据进行特征提取得到待预测门店的特征样本包括：所述电子设备对所述待预测门店的特征数据进行特征提取并对提取后的特征进行归一化处理得到预测目标的特征样本。