[发明专利]基于时空图卷积网络的连锁零售门店销售预测方法

权利要求书

1.一种基于时空图卷积网络的连锁零售门店销售预测方法，其特征在于，应用于包括多个零售门店节点的门店销售预测系统中，所述方法包括：

获取各零售门店的阶段销售数据和门店特征数据，其中，所述门店特征数据包括时序特征变量和时空特征变量；

将所述阶段销售数据和所述门店特征数据输入到训练好的销售预测模型中，其中，所述销售预测模型包括历史数据处理层、时序变量处理层、时空图学习层以及全连接层；所述历史数据处理层用于对所述阶段销售数据进行特征提取，得到历史信息特征；所述时序变量处理层用于对所述时序特征变量进行特征提取，得到门店时序特征；所述时空图学习层用于对所述时空特征变量进行特征提取，得到门店时空特征；所述全连接层用于融合所述历史信息特征、所述门店时序特征以及所述门店时空特征，输出得到各所述零售门店的阶段销售预测结果。

2.根据权利要求1所述的方法，其特征在于，在所述获取各零售门店的阶段销售数据和门店特征数据之前，还包括：

获取各所述零售门店的时序数据和属性数据，其中，所述时序数据是包括销售数据和外部数据，所述属性数据包括固定数据和变化数据；

对所述时序数据和所述属性数据进行预处理，得到所述阶段销售数据和所述门店特征数据。

3.根据权利要求1所述的方法，其特征在于，所述阶段销售数据为各零售门店的历史的周销售数据，所述历史数据处理层用于对所述阶段销售数据进行特征提取，得到历史信息特征，包括：

将所述周销售数据输入到时间序列分解网络，得到残差分量、趋势分量以及季节分量；

采用长短记忆神经网络提取所述残差分量中的历史残差信息；

采用循环神经网络提取所述趋势分量中的历史趋势信息；并

将所述历史残差信息、所述历史趋势信息以及所述季节分量进行拼接后得到所述历史信息特征。

4.根据权利要求1所述的方法，其特征在于，所述时序变量处理层用于对所述时序特征变量进行特征提取，得到门店时序特征，包括：

将所述时序特征向量通过LSTM自编码器，以通过所述LSTM自编码器中的基于注意力机制的编码层提取所述时序特征变量中的时间序列特征；

将所述时间序列特征重复输入到所述编码层中后，再通过所述LSTM自编码器的双向LSTM解码层，得到所述门店时序特征。

5.根据权利要求1所述的方法，其特征在于，所述时空图学习层包括构造图结构和学习图结构，所述时空图学习层用于对所述时空特征变量进行特征提取，得到门店时空特征，包括：

基于所述时空特征变量建立零售门店的空间网络向量，其中，所述空间网络向量包括各零售门店之间的交通距离、交通工具类型以及单品覆盖比率；

根据所述交通距离、交通工具类型以及单品覆盖比率计算各所述零售门店之间的门店相似特征；

基于所述门店相似特征，采用所述学习图结构中的空间注意力机制获取各零售门店之间的空间动态依赖关系；并

将所述空间动态依赖关系通过所述学习图结构中的时间注意力机制，得到各零售门店的历史时间段特征；

将所述时空特征输入到深度提取特征层中提取时空特征之间的依赖关系；

通过全连接层统一所述空间动态依赖关系、所述历史时间段特征以及所述依赖关系，得到所述门店时空特征。

6.根据权利要求5所述的方法，其特征在于，所述所述时空图学习层用于对所述时空特征变量进行特征提取，得到门店时空特征，还包括：

通过所述学习图结构从各零售门店的月频数据提取得到长期特征；

融合所述长期特征和所述门店时空特征，得到新的门店时空特征。