[发明专利]一种销量特征预测方法

说明书

本发明公开了一种销量特征预测方法，包括以下步骤：选定外部特征数据；获取外部特征数据；数据由多列构成，第一列为时间序列，列名为timestamp，其余是相应的特征数据；特征数据预处理；利用网格搜索法对特征数据进行预测。本发明通过使用相关算法预测特征的未来值来解决无法获取特征真实值的问题。与传统单一预测方法相比，本专利采取网格搜索法自动调参，解决了繁琐的调参问题，提高了预测的准确率。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于时间序列分析与网格搜索的销量特征预测方法。

背景技术

产品的销售预测是指根据以往的销售情况以及使用系统内部内置或用户自定义的销售预测模型获得的对未来销售情况的预测。销售预测影响到包括销售计划、预算和销售额确定在内的销售管理的各方面工作，因此准确地预测产品在未来一段时间的销量就显得十分重要。目前对产品的销量预测，主要是基于机器学习或者深度学习类等人工智能算法。而发明人在攻克相关技术难题的过程中，发现存在如下技术问题：

用机器学习或者深度学习算法进行销量预测的时候，首先需要构建特征工程，之后才能进行训练和预测。在训练阶段，特征工程中的外部特征值(比如竞品数据、宏观经济数据、气温数据等)都是真实产生的，可以通过爬虫等手段获取到；而在预测阶段所需的上述外部特征值，由于并未真实产生，所以无法获取到相应的值。现有专利的预测也并未给出相应的解决方案或者采用单一的算法对特征的未来值进行预测。

发明内容

为了解决上述技术问题，本发明提供了一种销量特征预测方法，该方法使用时间序列分析类算法与网格搜索法对外部特征的未来值进行预测，以解决无法获取到特征未来值的问题。

为了达到上述技术效果，本发明提供了如下技术方案：

本发明提供一种销量特征预测方法，包括以下步骤：

(1)选定外部特征数据；

(2)获取外部特征数据；数据由多列构成，第一列为时间序列，列名为timestamp，其余是相应的特征数据；

(3)特征数据预处理；

(4)利用网格搜索法对特征数据进行预测。

进一步的技术方案为，所述步骤(1)具体为选定竞品数据、宏观经济数据、气温数据作为外部特征数据，外加一列时间序列，作为最终的外部特征数据。

进一步的技术方案为，所述步骤(2)中外部特征数据包括竞品数据、宏观经济数据、气温数据；所述竞品数据由专业公司提供，包括各品牌空调的历史销售数据；所述宏观经济数据及气温数据由爬虫爬取。

进一步的技术方案为，所述宏观经济数据包含居民消费价格指数、房地产施工面积，所述气温数据包括月度平均气温、月度最高气温、月度最低气温。

进一步的技术方案为，所述步骤(3)具体为对数据值较少的特征进行填充，对数据值缺失较多的特征，直接剔除；对数据值异常的特征，先剔除、再填充；对于方差近零的特征，直接剔除。

进一步的技术方案为，所述步骤(4)具体为选择步骤(2)中的timestamp及分别用网格搜索法对STL、ETS、ARIMA、SARIMA算法进行自动调参，记录每个特征所对应的时间序列算法的最优参数及对应训练误差，按照误差从小到大的顺序进行排序，选择前K个误差最小的算法作为该特征最终预测所需的算法，并使用对应的K个最优参数对该特征的未来值进行预测，得到K个预测结果，求取K个预测结果的平均值作为最终预测结果；不断的重复上述步骤，每次选取一个待预测的特征进行预测，直到所有特征都预测完毕。