[发明专利]物品销量预测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种物品销量预测方法、装置、计算机设备和存储介质。所述方法包括：获取影响物品销量预测的多个影响因子中各影响因子的数据；获取物品的历史销量数据；将历史销量数据和各影响因子的数据输入到已训练的时序预测模型，获得时序预测模型输出的物品的预测销量数据；其中，时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。采用本方法能够提高物品销量预测的准确性。

技术领域

本申请涉及物品销量处理技术领域，特别是涉及一种物品销量预测方法、装置、计算机设备和存储介质。

背景技术

对于大规模的物品管理系统，需要对各个物品的品类数据、销售数据、折扣数据以及库存数据等进行管理。同时，在物品管理系统中，还需要对各个物品的销量进行预测。

传统地，预测物品销量的方法包括时序预测方法和机器学习算法。传统的时序预测方法，以ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)、指数平滑算法等单序列预测算法，以及VAR9(向量自回归算法)等多序列预测算法为代表。此类时序预测方法本质上是基于每个时间点近期历史数据搭建简单的线性模型，采用此类时序预测方法对物品的销量进行预测时，预测准确率很难得到保障。

传统的机器学习算法，以XGBoost(XGBoost是一种提升树模型，其将许多树模型集成在一起形成一个很强的分类器)集成树模型等为代表。这类机器学习算法是将每个数据序列的每个时间点作为样本，每个样本一般借鉴上述时序预测方法类算法，将滞后信息加工成特征，同时也可以将物品属性信息等进行结合，从而学习到类别属性对物品销量的影响。然而，这类算法主要是将时间序列预测问题转化为常见的机器学习问题，当输入的数据序列非常多且数据量非常大时，此类机器学习算法将不能很好拟合，导致物品销量预测结果不准确。此外，此类机器学习算法由于样本输入的限制，容易丢失了原始数据序列，也将导致最终物品销量预测结果不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种物品销量预测方法、装置、计算机设备和存储介质，能够提高物品销量预测的准确性。

一种物品销量预测方法，包括：获取影响物品销量预测的多个影响因子中各影响因子的数据；获取物品的历史销量数据；将历史销量数据和各影响因子的数据输入到已训练的时序预测模型，获得时序预测模型输出的物品的预测销量数据；其中，时序预测模型用于确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。

在其中一个实施例中，时序预测模型为transformer模型，transformer模型包括编码层和解码层，transformer模型用于通过编码层和解码层确定各影响因子的数据之间的时序相关性并基于时序相关性、各影响因子的数据和历史销量数据输出预测销量数据。

在其中一个实施例中，将历史销量数据和各影响因子的数据输入到已训练的时序预测模型，包括：若多个影响因子中第一目标影响因子的数据包含未来时间点的数据，则将第一目标影响因子的数据分别输入到transformer模型的编码层和解码层；若多个影响因子中第二目标影响因子的数据不包含未来时间点的数据，则将第二目标影响因子的数据和历史销量数据输入到transformer模型的编码层；若多个影响因子中第三目标影响因子的数据为固定值，则将第三目标影响因子的数据输入到transformer模型的解码层。

在其中一个实施例中，多个影响因子包括第一影响因子、第二影响因子以及第三影响因子，第一影响因子的数据随时间变化且包含未来时间点的数据，第二影响因子的数据随时间变化且不包含未来时间点的数据，第三影响因子的数据为固定值；将历史销量数据和各影响因子的数据输入到已训练的时序预测模型，包括：将第一影响因子的数据分别输入到transformer模型的编码层和解码层；将第二影响因子的数据和历史销量数据输入到transformer模型的编码层；将第三影响因子的数据输入到transformer模型的解码层。