一种基于深度学习的商品采购量预测方法及装置与流程

本发明涉及神经网络技术领域，特别是涉及一种基于深度学习的商品采购量预测方法及装置。

背景技术

目前，随着互联网电子商务技术与业务的快速发展，用户在网上购买物品的种类与数量越来越多。在大数据环境下，电商平台更加方便地积累与存储顾客的购物信息数据，如何从这些数据中挖掘出有价值的数据，来提高电商平台的运行效率，已经成为当前热点研究。

技术实现要素：

针对于上述问题，本发明提供一种基于深度学习的商品采购量预测方法及装置，基于对未来商品销售情况的预测，实现了减少商品积压，提高电商平台的运行效率的目的。

为了实现上述目的，本发明提供了如下技术方案：

一种基于深度学习的商品采购量的预测方法，包括：

获取目标商品的历史销售数据；

根据所述历史销售数据，进行训练生成神经网络模型；

利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；

利用所述预测结果，计算得到所述目标商品的采购量。

可选地，所述获取目标商品的历史销售数据，包括：

获取所述目标商品在目标周期内的初始销售数据；

对所述初始销售数据进行数据清洗，获得历史销售数据。

可选地，所述根据所述历史销售数据，进行训练生成神经网络模型，包括：

将所述历史销售数据进行划分，得到训练集和测试集；

创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；

通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；

依据所述训练测试结果确定所述神经网络模型。

可选地，所述依据所述训练测试结果确定所述神经网络模型，包括：

若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。

可选地，所述利用所述预测结果，计算得到所述目标商品的采购量，包括：

根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；

根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。

一种基于深度学习的商品采购量预测装置，包括：

获取单元，用于获取目标商品的历史销售数据；

生成单元，用于根据所述历史销售数据，进行训练生成神经网络模型；

预测单元，用于利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；

计算单元，用于利用所述预测结果，计算得到所述目标商品的采购量。

可选地，所述获取单元包括：

获取子单元，用于所述目标商品在目标周期内的初始销售数据

数据清洗子单元，用于对所述初始销售数据进行数据清洗，获得历史销售数据。

可选地，所述生成单元包括：

划分子单元，用于将所述历史销售数据进行划分，得到训练集和测试集；

训练子单元，用于创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；

测试子单元，用于通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；

确定子单元，用于依据所述训练测试结果确定所述神经网络。

可选地，所述确定子单元还包括：

优化子单元，用于若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。

可选地，所述计算单元包括：

系数生成子单元，用于根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；

计算子单元，用于根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。

相较于现有技术，本发明提供了基于深度学习的商品采购量预测方法及装置，根据目标商品的历史销售数据生成神经网络模型，在该神经网络模型中对目标商品在未来预设时间段内的商品销售趋势进行预测，最终根据预测结果确定目标商品的采购数量，实现了对历史销售数据的利用，并根据神经网络模型较为准确的预测，可以为采购量提供参考，实现减少货物积压，进而提高电商平台的运行效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种基于深度学习的商品采购量预测方法的流程示意图；

图2为本发明实施例提供的一种生成神经网络模型方法的流程示意图；

图3为本发明实施例提供的一种基于深度学习的商品采购量预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在本发明实施例中提供了一种基于深度学习的商品采购量预测方法，参见图1，包括：

s11、获取目标商品的历史销售数据；

该目标商品可以指单独的一件商品，也可以为符合某个聚类原则的一类商品。该历史销售数据是要在某个统计周期内才具有统计意义，因此，可以得到目标商品在统计周期内的销售情况数据即历史销售数据，该统计周期可以是以天为单位，以周为单位也可以月为单位，为了提高未来该目标商品的预测准确程度，该统计周期不宜设置过长。

可选地，在本发明另一实施例中，步骤s11的一种实施方式，包括：

获取目标周期内的所述目标商品的初始销售数据；

对所述初始销售数据进行数据清洗，获得历史销售数据。

其中，对目标周期内获得的目标商品的初始销售数据进行数据清洗，也就是滤除掉初始销售数据中干扰数据，该干扰数据主要是指影响数据统计结果的某些数据，例如：未真正销售成功的商品数据或者恶意刷单的数据等等。

具体的，在对恶意刷单数据进行筛选时，可以根据各个时间点对目标商品的销售数据进行统计，若发明某个时间点的销售量明显高于其他时间点的销售量，同时该商品在该时间点对应的时间段内并没有相应的促销活动，则可以该销售量数据进行重新评估，若体现为某个用户经常购买或者反复购买则可以将这部分数据认定为恶意刷单数据。

s12、根据所述历史销售数据，进行训练生成神经网络模型；

在本发明实施例是基于对历史销售数据的深度学习生成神经网络模型的。基于深度学习的关键技术特征是，基于聚类的协同过滤推荐算法通过用户对评分的相似性对项目进行聚类。并生成对应的聚类中心，在此基础上计算目标项与聚类中心的相似性，选择与目标项相似性最高的若干个聚类作为查询空间，在这些聚类中搜索目标项的最近邻居。然后通过神经网络算法的训练算法得到系统对新用进行产品的推荐模型。

在本发明中的神经网络模型优选lstm循环神经网络模型，其中，长短时递归神经网络(long-shorttermmemory，以下简称lstm)模型是一种时间递归神经网络模型，适合于处理和预测具有时间序列，且时间序列间隔和延迟相对较长的重要事件。lstm模型具有时间记忆功能，因而用来处理携带时序状态的训练业务数据。lstm模型是具有长时记忆能力的神经网络模型中的一种，具有输入层、隐藏层和输出层这三层网络结构。其中，输入层是lstm模型的第一层，用于接收外界信号，即负责接收训练集中的携带时序状态的训练业务数据。输出层是lstm模型的最后一层，用于向外界输出信号，即负责输出lstm模型的计算结果。隐藏层是lstm模型中除输入层和输出层之外的各层，用于对训练集中的训练业务数据进行处理，获取lstm模型的计算结果。其中，原始预测模型是采用lstm模型对训练集中携带时序状态的训练业务数据进行多次迭代并验证所得到的模型。可以理解地，采用lstm模型进行模型训练增加了训练业务数据的时序性，从而提高了预测模型的准确率。

可选地，在本发明实施例中还提供了一种生成神经网络模型的方法，参见图2，包括：

s121、将所述历史销售数据进行划分，得到训练集和测试集；

将历史销售数据划分为训练集和测试集，训练集用来训练lstm循环神经网络模型，测试集用来对训练好的模型进行检测。

可选地，可以根据预设比例对训练集和测试集进行划分。预设比例是预先设定好的，用于对训练业务数据进行分类的比例。该预设比例可以是根据历史经验获取的比例。其中，训练集(trainingset)是学习样本数据集，是通过匹配一些参数来建立分类器，即采用训练集中的训练业务数据训练机器学习模型，以确定机器学习模型的参数。测试集(testset)是用于测试训练好的机器学习模型的分辨能力，如识别率。本实施例中，可按照8:2的比例对训练业务数据进行分类。需要说明的是，该比例是针对同类型的数据比例，例如，针对每一件商品的历史销售数据按照上述比例划分，例如，80％的历史销售数据为训练集，20％的历史销售数据为测试集。若预测某一类的商品时，而该类商品又包括a、b和c三件商品，则最终的训练集为a商品历史销售数据的80％+b商品历史销售数据的80％+c商品历史销售数据的80％。

s122、创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；

训练集是对初始神经网络进行训练，也就是让该神经网络进行机器学习的过程，当该神经网络对训练集中的内容进行学习后实现了对神经网络模型的训练。

s123、通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；

而测试集是对已经进行学习后的神经网络进行测试，以验证其学习过程是否准确，因此该测试结果反应了训练后的神经网络模型的准确性。

s124、依据所述训练测试结果确定所述神经网络模型。

需要说明的是，利用测试集对lstm循环神经网络模型进行测是，如果达不到理想的精度，即无法满足预设条件，该预设条件可以设置为预测趋势偏离实际趋势的偏离值小于阈值，或者预设趋势中某个点的预测值最接近实际值。例如判断预测结果准确的概率是否大于预设概率，若预测结果准确的概率大于预设概率，则认定该原始预测模型较准确，以将该原始预测模型作为目标神经网络模型。在对神经网络模型进行优化的时候可以重复前面的步骤重新生成神经网络，也可以从该神经网络中的常数或者相关参数进行参数优化来达到优化的网络结构的。

s13、利用所述目标神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果。

因为该神经网络优选的是lstm神经网络模型，基本的lstm模型具有三种门结构：输入门，遗忘门，输出门。

输入门：输入门的作用就是决定有多少新记忆将和老记忆进行合并。输入门由当前时刻的输入x、前一时刻的输出h、前一时刻的记忆c共同决定的。

遗忘门：遗忘门用于忘记旧的历史信息对未来的影响。遗忘门和输入门的决定因素相同。

输出门：输出门决定着lstm单元对外界的响应。输出门的决定因素和输入门、遗忘门的决定因素相同。

lstm对时间的利用主要受三个门单元控制，具体来说，lstm的输出是由当前时刻合并后的新记忆通过激活函数激活后与输出门进行相乘而得到的。当前时刻的输出是提供给外界的输出以及影响下一时刻提供新的记忆信息。time-lstm模型本身是神经网络的一层，需要与其他不同的结构结合使用。通常，用于lstm训练的神经网络模型至少还需要包括softmax(柔性最大激活函数)分类层。分类层的作用在于衡量用户对任一商品感兴趣的程度，给出相应的分数。以softmax层为例，以根据用户时序数据发生的时间，创建有时间间隔属性的时序数据，将得到的数据作为输入数据最终输入该目标神经网络模型中，该模型最终输出为用户对目标商品的感兴趣程度的评估分数。分数越高则代表用户对该商品感兴趣的程度越大。用户对商品的感兴趣程度决定这该目标商品的未来销售趋势。因此可以得到预测结果。

s14、利用所述预测结果，计算得到所述目标商品的采购量。

在本申请实施例中可以通过将预测结果发送至采购部门，合理地制定目标商品的采购计划进而确定目标商品的采购数量。

当然也可以将预测结果发送至电商平台的其他部门，指导相应部门对目标商品的特性做出反应。例如，将预测结果发送至广告部门，可以指导广告部门根据目标商品销售趋势的预测结果制定该目标商品的广告策略，便于对目标商品的营销和管理。

可选地，在本发明实施例中的计算目标商品的采购量的方法，包括：

根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；

举例说明，预测得到的目标商品的采购量通常是一个定值，例如，预测得到商品a在未来一周内的商品采购量为100件，但是为了更大限度地提高电商平台的运行效率，需要根据实际情况设置一个采购系数，例如未来一周该商品a会在该电商平台中进行促销活动，而结合实际促销产品带来的增长幅度，为了避免在促销时间内该商品会出现断货或者因为物流的无法及时配送，又或者为了节省物流费用，则会提高该目标商品的采购量，此时采购系数可以设置为2，即采购预设结果中的采购数量的两倍作为该商品a的实际采购量。

根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。

具体的，根据实际的应用场景若将该预测结果应用在目标商品的采购上，需要根据目标商品的库存和实际销售信息以及对应的采购计划确定该目标商品的采购系数。然后进行计算得到采购量。即将预测结果反馈给采购部门，根据预测结果来合理制定采购计划。在计算目标商品的采购量的时候，为了便于计算和调整，通常会将采购系数与预测结果中的数量进行相乘进而得到目标采购量，若目标采购量小于预测结果会将采购系数设置为小于1的数值，对应的，若目标采购量大于预测结果会将采购系数设置为大于1的数值。具体例如，将采购计划限定在预测结果的合理的倍数，具体可以设置为1.1倍等，则目标采购量为预测结果的1.1倍。从而可以使得电商企业能够更加合理的利用现金流，物流等资源，减少货物积压，提高电商平台的运行效率。

对应的，在本发明实施例中还提供了一种基于深度学习的商品采购量预测装置，参见图3，包括：

获取单元10，用于获取目标商品的历史销售数据；

生成单元20，用于根据所述历史销售数据，进行训练生成神经网络模型；

预测单元30，用于利用训练好的神经网络模型对目标商品在未来预设时间段内的商品销售趋势进行预测，得到预测结果；

计算单元40，用于利用所述预测结果，计算得到所述目标商品的采购量。

可选地，所述获取单元10包括：

获取子单元，用于所述目标商品在目标周期内的初始销售数据

数据清洗子单元，用于对所述初始销售数据进行数据清洗，获得历史销售数据。

可选地，所述生成单元20包括：

划分子单元，用于将所述历史销售数据进行划分，得到训练集和测试集；

训练子单元，用于创建初始神经网络模型，并通过所述训练集对所述初始神经网络模型进行训练，得到训练后的神经网络模型；

测试子单元，用于通过所述测试集对所述训练后的神经网络模型进行测试，得到训练测试结果；

确定子单元，用于依据所述训练测试结果确定所述神经网络。

可选地，所述确定子单元还包括：

优化子单元，用于若所述测试结果不满足预设条件，则对所述训练后的神经网络模型的网络结构进行优化，得到所述神经网络模型。

可选地，所述计算单元40包括：

系数生成子单元，用于根据所述目标商品的库存数量和实际销售信息，生成所述目标商品的采购系数；

计算子单元，用于根据所述采购系数和所述预测结果，计算得到所述目标商品的采购量。

相较于现有技术，本发明提供了基于深度学习的商品采购量预测装置，根据获取单元中获取的目标商品的历史销售数据，在生成单元中生成神经网络模型，在预测单元中利用该神经网络模型中对目标商品在未来预设时间段内的商品销售趋势进行预测，最终根据预测结果确定目标商品的采购数量，实现了对历史销售数据的利用，并根据神经网络模型较为准确的预测，可以为采购量提供参考，实现减少货物积压，进而提高电商平台的运行效率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。