[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

说明书

本申请实施例属于人工智能领域，涉及一种基于时空图卷积网络的连锁零售门店销售预测方法，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。采用本方法提高了数据预测准确率。

技术领域

本申请涉及人工智能领域，特别是涉及一种基于时空图卷积网络的连锁零售商销售预测方法、装置、计算机设备和存储介质。

背景技术

随着零售行业的发展和消费渠道的拓展，越来越多的零售商开始在供应链中引入自动补货系统的库存管理方案。通过自动补货系统，零售商可以进行更有效的才有计划、更快速地反应市场变化和用户需求。对门店单品的销量进行预测，可以保障自动补货系统的有效运行，提高商品运转率，增加资源的配置效率。由于销量收到的影响因素比较复杂，选择先进的模型进行预测至关重要。

现阶段零售主要采取的预测方法为多元线性回归、时间序列预测、通过业务规则预测等。由于销售的因素较多，不同门店之间销售情况存在相互关联的关系，使用传统算法效果往往不够令人满意。

目前使用深度学习来进行销售预测成为研究的热度，使用RNN和LSTM对时间序列预测，可以保存历史数据的记忆，但是对长时间的序列记忆效果较差。除此之外，不同门店之间销售情况存在替代关系，也都使得预测精度不高。

发明内容

基于此，针对上述技术问题，本申请提供一种基于时空图卷积网络的连锁零售门店销售预测方法、装置、计算机设备及存储介质，以解决现有技术中门店销售预测不准确的技术问题。

一种基于时空图卷积网络的连锁零售门店销售预测方法，

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。

一种基于时空图卷积网络的连锁零售门店销售预测装置，

应用于包括多个零售门店节点的门店销售预测系统中，所述装置包括：

数据获取模块，用于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；

销售预测模块，用于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。

一种计算机设备，包括存储器和处理器，以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述基于时空图卷积网络的连锁零售门店销售预测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述基于时空图卷积网络的连锁零售门店销售预测方法的步骤。