[发明专利]基于KNN的时序迁移学习在销量预测中的应用

说明书

本发明提供了一种基于KNN的时序迁移学习的销量预测方法，其特征在于：以Lookalike作为KNN的轮廓范围识别基准，计算获得具有相似时序特征指数的对象集作为可识别对象群，将包含可识别对象群的所有指标集作为迁移样本，通过使用随机森林Random Forest Tree模型，进行迁移学习建模以获得销量预测模型。本发明采取基于KNN的时序切割思想，结合基于模型的迁移学习方法，达到了提升销量预测模型的建模效果。

技术领域

本发明涉及一种效量预测方法，具体地，涉及一种基于KNN的时序迁移学习的销量预测方法。

背景技术

根据过去的订单数据对快消品进行科学的销量预测分析，不仅对企业合理地制定生产计划、采购计划、库存计划和营销计划，提供了更贴合实际的数据参考；也在快消品供应链上的各节点企业的紧密配合，提供了辅助支持。如：及时调整店铺进货量，减少商品断货、或滞销现象——提升利润，降低销售风险；根据预测结果，采购适量的原材料进入生产规划——尽量减少资源浪费及库存浪费而带来的成本消耗。因此，销售预测具有广泛的应用前景，对其预测准确率的提升也有着重要的意义。

由于不同店铺开店时间不同、营销模式不同、受外界影响不同、而导致销量特征各有差异。故而，现有的方案中未能提供一种通用的高效的预测方法。

发明内容

对于在售卖的快消品，如果能提前预知到用户的销量需求，对后面的精细化运营乃至在快消品供应链各节点的紧密配合均有很大的帮助。故而，本发明旨在克服上述缺陷提供一种基于KNN的时序切割思想，结合基于模型的迁移学习方法，达到了提升销量预测模型的建模效果。

本发明提供了一种基于KNN的时序迁移学习的销量预测方法，其特征在于：以Lookalike作为KNN的轮廓范围识别基准，计算获得具有相似时序特征指数的对象集作为可识别对象群，将包含可识别对象群的所有指标集作为迁移样本，通过使用随机森林RandomForest Tree模型，进行迁移学习建模以获得销量预测模型。

进一步地，本发明提供的一种基于KNN的时序迁移学习的销量预测方法，其特征在于，具体步骤如下所示:

S1：以指定粒度计算出衍生指标群，得到样本集Smp；此处，衍生指标群为建模数据指标,也是可理解的时序指标如：去年同比、环比、同比增速、趋势值、区域人均GDP、区域居住人口数量等，这些指标根据所需建模对象、所属行业特点、所能获取到的基准数据内容有关，其计算法则可根据该行业的额定/规定的规则进行；

S2：以区域+SKU计算时序特征指数；此处时序特征指数即为传统的季节指数，在本发明中将该指数的结果作为模型中的输入维度之一，其计算规则为传统规则，如：采用EXCEL、SPSS、R、PYTHON等分析工具也可进行计算；

S3：计算每个区域+SKU的时序特征指数与其他区域+SKU的时序特征指数的相似度；

S4：计算产生供迁移学习的拓展迁移样本；

S5：设原指标集为原始源域样本Data_S，ExtObjList_SmpTr为拓展迁移样本，合成的迁移源域样本为：Smp_Tr＝Data_S∪ExtObjList_SmpT_I；

Smp＝Smp_Tr；

S6：将S3-S5中每个样本集Smp叠加，形成KNN叠加样本；

S7：在样本集中，以指定指标Dim作为因变量、Train_Y为预测目标，使用随机森林训练建模，得到Train_Y＝F(Dim)。此处，Dim代表每条记录中的维度信息，例如：输入的数据列中的建模用数据指标，该指标可以根据建模的需要进行选择和指定；

Train_Y即为目标预测的那个月份的效量，一般为下个月销量。