一种基于人工智能的销售数据预测方法及系统与流程

本发明涉及计算机，具体而言，涉及一种基于人工智能的销售数据预测方法及系统。

背景技术：

1、由于销售数据大，而销售数据在时间和地区等情况上具有规律性，所以能够通过人工智能的方法对销售数据进行预测。但是，由于目前对销售数据特征的提取通常采用的时神经网络进行提取，没有具体到地理位置，也没有考虑时间关系，季节关系和产品关系。所以导致预测不够准确。

技术实现思路

1、本发明的目的在于提供了一种基于人工智能的销售数据预测方法及系统，用以解决现有技术中存在的上述问题。

2、第一方面，本发明实施例提供了一种基于人工智能的销售数据预测方法，包括：

3、获得五份销售背景数据；所述销售背景数据包括季节、销售地理数据和产品背景数据；所述销售地理数据包括销售日期、销售区域、销售地点、经销商、渠道分类；所述产品背景数据包括产品系列编号、产品类别、产品价格；

4、根据销售地理数据，得到销售图；五份销售背景数据对应获得五张销售图，销售背景数据与销售图一一对应；所述销售图为标记了销售背景数据的二维图像；

5、根据所述产品系列编号，通过产品销售关系，得到产品系数；

6、根据所述季节，通过季节销售关系，得到季节系数；

7、根据所述产品系数、五张销售图和季节系数，通过销售关系网络，得到多个销售量；一个产品类别对应一个销售量；

8、所述销售关系网络包括二维卷积网络、三维卷积网络和融合网络；所述融合网络包括第一融合网络、第二融合网络和第三融合网络。

9、可选的，所述销售关系网络的训练方法，包括：

10、获得训练集；所述训练集包括多个训练图像和多个标注数据；所述训练图像为标记了历史的销售背景数据的二值地图；所述标注数据表示标注产品类别和标注销售量；所述标注产品类别表示一个时间点卖出的多个产品的类别；所述标注销售量表示标注产品类别对应的产品卖出的数量；

11、基于所述训练集，得到季节销售关系；所述季节销售关系包括春季销售关系、夏季销售关系、秋季销售关系和冬季销售关系；

12、基于所述训练集，得到产品销售关系；所述产品销售关系包括多个产品类型与销售的关系；

13、将多张训练图像按时间顺序以步数为5进行分割，得到5张训练图像；

14、将所述5张训练图像输入二维卷积网络，判断图像数据，得到第一输出集合；所述第一输出集合包括多个第一输出值；

15、将所述5张训练图像输入三维卷积网络，判断时间关系，得到第二输出值；

16、基于所述第一输出集合、第二输出值、季节销售关系和产品销售关系，通过融合神经网络，得到预测历史销售量；

17、将预测历史销售量与标注销售量计算损失值后进行后向传播训练销售关系网络的参数。

18、可选的，基于所述训练集，得到季节销售关系，包括：

19、将所述训练集按照季节进行分类，得到四个训练图像集合；所述四个训练图像集合包括春季销训练图像集合、夏季训练图像集合、秋季训练图像集合和冬季训练图像集合；所述训练图像集合表示根据季节进行分割的训练图像；

20、根据所述四个训练图像集合，分别获取集合内历史的销售背景数据出现次数大于其他数据的数据，得到四个重复训练图像集合；

21、根据所述四个重复训练图像集合，进行重复训练图像集合中图像的相似判断，得到四个相似时间集合；所述相似时间集合中的值为重复训练图像集合中高相似图像对应的销售时间；所述高相似图像表示相似的数量大于其他图像的图像；

22、将所述相似时间集合对应的销售额进行相加，得到总季节销售额；四个总季节销售额对应四个相似时间集合；

23、将所述四个总季节销售额分别除以四个总季节销售额相加之和，得到四个季节系数；一个季节系数对应一个总季节销售额对应一个季节；

24、将季节系数与季节构建关联关系，得到季节销售关系。

25、可选的，所述将所述5张训练图像输入二维卷积网络，判断图像数据，得到第一输出集合，包括：

26、根据所述5张训练图像，判断两两训练图像之间的相似性，得到多个相似二维图像集合；所述相似二维图像集合中的训练图像相似；

27、在相似二维图像集合中随机获取相似二维图像；多个相似二维图像集合对应多个相似二维图像；

28、将多个相似二维图像分别输入二维卷积网络，检测图像中不同像素与其分布情况，得到多个第一输出值。

29、可选的，所述将所述5张训练图像输入三维卷积网络，判断时间关系，得到第二输出值，包括：

30、将5张训练图像按照时间顺序进行叠加，得到训练三维图像；

31、将训练三维图像输入三维卷积网络，得到第二训练数据；

32、所述三维卷积网络的三维卷积核的第一维的个数小于训练图像的长；所述三维卷积网络的卷积核的第二维的个数小于训练图像的宽；所述三维卷积网络的卷积核的第三维的个数为5；

33、所述三维卷积网络的三维卷积核的步数为1。

34、可选的，所述基于所述第一输出集合、第二输出值、季节销售关系和产品销售关系，通过融合神经网络，得到预测销售数据，包括：

35、获得第一产品系数；所述第一产品系数为第一输出值在所述产品销售关系中对应的产品系数；

36、将所述第一输出集合中的多个第一输出值和所述第一产品系数输入第一融合网络，得到第一融合值；

37、根据第二输出值在所述季节销售关系中对应的季节系数作为第一季节系数；

38、将所述第二输出值和所述第一季节系数输入第二融合网络，得到第二融合值；

39、将所述第一融合值和第二融合值输入第三融合网络，得到预测历史销售数据。

40、可选的，所述根据销售地理数据，得到销售图，包括：

41、获得二值地图；所述二值地图为标注了城市划分的二值图像；

42、将二值地图中销售地理数据的销售区域用黑色进行标记；

43、将二值地图中销售地理数据的销售地点用红色的点进行标记；

44、将二值地图中销售地理数据的经销商用绿色的点进行标记；

45、将二值地图中所述经销商所在的点和销售地点所在的点通过不同颜色的曲线连接，作为销售渠道；

46、将标记结束的二值地图与销售地理数据的销售日期进行一一映射，得到销售图。

47、可选的，所述基于所述训练集，得到产品销售关系，包括：

48、将所述多个标注产品类别对应的标注销售量相加，得到总销售量；

49、将标注产品类别对应的标注销售量除以总销售量，得到产品系数；所述标注产品类别对应多个产品系数；

50、将产品系数与标注产品类别构建关联关系，得到产品销售关系。

51、可选的，所述根据所述产品系数、五张销售图和季节系数，通过销售关系网络，得到多个销售量，包括：

52、所述二维卷积网络的输入为销售图；所述三维卷积网络的输入为销售图；所述第一融合网络的输入为季节系数和二维卷积网络的输出；所述第二融合网络的输入为产品系数和三维卷积网络的输出；所述第三融合网络的输入为第一融合网络的输出和第二融合网络的输出；

53、将所述季节系数、产品系数和销售图按照与训练销售关系网络相同的方法进行预测，得到预测销量数据。

54、第二方面，本发明实施例提供了一种基于人工智能的销售数据预测系统，包括：

55、获取模块：获得五份销售背景数据；所述销售背景数据包括季节、销售地理数据和产品背景数据；所述销售地理数据包括销售日期、销售区域、销售地点、经销商、渠道分类；所述产品背景数据包括产品系列编号、产品类别、产品价格；

56、构图模块：根据销售地理数据，得到销售图；五份销售背景数据对应获得五张销售图，销售背景数据与销售图一一对应；所述销售图为标记了销售背景数据的二维图像；

57、产品系数模块：根据所述产品系列编号，通过产品销售关系，得到产品系数；

58、季节系数模块：根据所述季节，通过季节销售关系，得到季节系数；

59、预测模块：根据所述产品系数、五张销售图和季节系数，通过销售关系网络，得到多个销售量；一个产品类别对应一个销售量；

60、所述销售关系网络包括二维卷积网络、三维卷积网络和融合网络；所述融合网络包括第一融合网络、第二融合网络和第三融合网络。

61、相较于现有技术，本发明实施例达到了以下有益效果：

62、本发明实施例还提供了一种基于人工智能的销售数据预测方法和系统，所述方法包括：获得五份销售背景数据；所述销售背景数据包括季节、销售地理数据和产品背景数据；所述销售地理数据包括销售日期、销售区域、销售地点、经销商、渠道分类；所述产品背景数据包括产品系列编号、产品类别、产品价格； 根据销售地理数据，得到销售图；五份销售背景数据对应获得五张销售图，销售背景数据与销售图一一对应；所述销售图为标记了销售背景数据的二维图像；根据所述产品系列编号，通过产品销售关系，得到产品系数；根据所述季节，通过季节销售关系，得到季节系数； 根据所述产品系数、五张销售图和季节系数，通过销售关系网络，得到多个销售量；一个产品类别对应一个销售量；所述销售关系网络包括二维卷积网络、三维卷积网络和融合网络；所述融合网络包括第一融合网络、第二融合网络和第三融合网络。

63、采用连续五份销售背景数据考虑时间关系，根据时间的变化情况来预测销售数据。根据将销售背景数据转化为销售图的形式，能够更加准确的考虑销售数据分布在地理位置上的地理特征，根据季节系数和产品系数，能够在神经网络进行预测时，给时间特征增加季节特征，给地理特征增加产品特征，从而使得更加准确的对销售量进行预测。