基于模型训练的产品销量分析方法、装置、设备及介质与流程

本发明涉及人工智能领域，尤其涉及一种基于模型训练的产品销量分析方法、装置、电子设备及可读存储介质。

背景技术：

1、金融产品的销量与众多因素相关，例如宏观经济变化、保险补贴政策变化、保险补贴政策区域性、银行促销等活动和政策影响，因此，当前各金融产品的销量难以进行准确分析，目前方式大多是以人工汇集信息完成下周期销量分析。该种分析方式的分析效果因人而异、因区域而异，分析效果不稳定，分析效果与实际偏差大，以及需要不停多次人工手动调整等缺点，除此之外，简单利用历史销量数据分析金融产品的未来销量，也是与实际偏差较大无法使用。

技术实现思路

1、本发明提供一种基于模型训练的产品销量分析方法、装置、电子设备及可读存储介质，其目的在于提高产品销量分析的准确率。

2、为实现上述目的，本发明提供的一种基于模型训练的产品销量分析方法，所述方法包括：

3、获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据；

4、对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；

5、逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；

6、获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。

7、可选地，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：

8、利用所述初始销量分析模型的输入层对所述目标训练数据进行特征提取，得到目标特征向量；

9、利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量；

10、利用所述初始销量分析模型种激活函数层的预设激活函数对所述第一目标线性特征向量进行非线性变换，得到目标激活特征向量；

11、利用所述初始销量分析模型的第二线性层对所述目标激活特征向量进行线性预测，得到产品销量分析数据；

12、计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述初始销量分析模型的参数进行调整，返回利用所述初始销量分析模型的第一线性层对所述目标特征向量进行线性变换，得到第一目标线性特征向量的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。

13、可选地，所述利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，包括：

14、构建预设数量的初始回归树；

15、根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构；

16、根据所述最优回归树结构，利用贪心算法计算所述初始回归树的分裂节点；

17、利用预设的打分函数对所述最优回归树的分裂节点进行打分，得到产品销量分析数据；

18、计算所述产品销量分析数据与所述历史产品销量数据的损失值，并根据所述损失值，对所述分裂节点进行调整，返回所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构的步骤，直至所述损失值不大于预设阈值，得到目标销量分析模型。

19、可选地，所述根据所述目标训练数据，利用预设的正则化函数计算所述初始回归树的最优回归树结构，包括：

20、构建不同深度的初始回归树，根据所述不同深度的初始回归树、所述目标训练数据，枚举不同的初始回归树结构；

21、利用预设的正则化函数计算所述初始回归树结构的复杂度，并选取复杂度最低的初始回归树结构作为最优回归树结构。

22、可选地，所述根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，包括：

23、根据所述产品种类，对所述历史产品销量数据进行分类，得到历史产品分类销量数据；

24、按照预设时间段分别对所述历史产品分类销量数据及所述历史销量因子数据进行分段，得到分段历史产品销量数据及分段历史销量因子数据；

25、根据所述分段历史产品销量数据及所述分段历史销量因子数据，构建函数关系式；

26、判断所述函数关系式的斜率是否大于预设阈值；

27、若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据不是关键销量因子数据；

28、若所述函数关系式的斜率不大于预设阈值，判定所述函数关系式对应的分段历史销量因子数据为关键销量因子数据。

29、可选地，所述对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据，包括：

30、对所述关键销量因子数据进行格式统一化处理，得到标准销量因子数据；

31、对所述历史产品销量数据进行分类，得到历史产品分类销量数据；

32、根据时间关系，将在同一时间段内的所述标准销量因子数据与所述历史产品分类销量数据进行融合，得到不同产品种类对应的目标训练数据。

33、可选地，所述根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果之后，还包括：

34、获取所述当前各类产品的实际销售数据；

35、将所述分析结果与所述实际销售数据进行比对；

36、当所述分析结果与所述实际销售数据相差超过预设销售数值时，根据所述实际销售数据，对所述目标销量分析模型进行参数调优。

37、为了解决上述问题，本发明还提供一种基于模型训练的产品销量分析装置，所述装置包括：

38、训练数据获取模块，用于获取历史产品销量数据、产品种类及历史销量因子数据，根据所述产品种类，对所述历史产品销量数据及所述历史销量因子数据进行结合分析，从所述历史销量因子数据中筛选得到关键销量因子数据，对所述关键销量因子数据进行特征融合，得到不同产品种类对应的目标训练数据；

39、模型训练模块，用于逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型；

40、当前产品销量分析模块，用于获取与所述关键销量因子数据对应的当前销量因子数据，并根据所述当前销量因子数据，利用所述目标销量分析模型对当前各类产品的销量进行分析，得到分析结果。

41、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

42、存储器，存储至少一个计算机程序；及

43、处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于模型训练的产品销量分析方法。

44、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于模型训练的产品销量分析方法。

45、本发明实施例通过对历史销量数据及历史销量因子数据进行结合分析，筛选出影响到产品销量的关键销量因子数据，从而减少了部分无效因素造成的分析误差，进一步地，逐一构建每一种所述产品种类的初始销量分析模型，并利用所述目标训练数据对对应产品种类的初始销量分析模型进行训练，得到目标销量分析模型，减少了人工对产品销量分析的参与度，从而提高了产品销量分析的准确率。因此，本发明提供的一种基于模型训练的产品销量分析方法、装置、设备及存储介质，能够提高产品销量分析的准确率。