一种基于互联网的线上商品销量预测方法及设备

摘要

本发明的公开了一种基于互联网的线上商品销量预测方法，涉及数据处理技术领域；该方法包括以下的步骤：S1、获取预设时间段内的店铺商品销量历史数据作为建模数据；S2、对建模数据特征与之后预测销量的线性关系进行训练，得到线性关系的线性系数及常数；S3、根据模型训练后所得到的参数进行线性函数的引用，从而得到对应门店商品销售进行未来的预测；本发明的有益效果是：能够对门店中各个商品的销量进行预测，降低了互联网蛋糕行业原材料浪费的风险。

说明书

技术领域

本发明涉及数据处理技术领域，更具体的说，本发明涉及一种基于互联网的线上商品销量预测方法及设备。

背景技术

现有在互联网蛋糕电商行业，蛋糕面包的原材料备货流程大致行为如下：各个门店根据以往的销售经验，依据店长自身经验去向相应的供应商进行提前备货。这种“一拍即合”的做法并不能提供备货的准确性及合理性，在现实情况中，由于销量的不确定性，极容易导致原材料的浪费或因原材料不够导致销量降低。

发明内容

为了克服现有技术的不足，本发明提供一种基于互联网的线上商品销量预测方法，能够对门店中各个商品的销量进行预测，降低了互联网蛋糕行业原材料浪费的风险。

本发明解决其技术问题所采用的技术方案是：一种基于互联网的线上商品销量预测方法，其改进之处在于，该方法包括以下的步骤：

S1、获取预设时间段内的店铺商品销量历史数据作为建模数据；

S2、对建模数据特征与之后预测销量的线性关系进行训练，得到线性关系的线性系数及常数；

S3、根据模型训练后所得到的参数进行线性函数的引用，从而得到对应门店商品销售进行未来的预测。

进一步的，所述的步骤S1包括以下的步骤：

S11、获取商品销售预测日期，将商品销售预测日期之前的时间段作为预设时间段，获取预设时间段内每天各个店铺的商品销量、时间维度特征和商品画像特征，将时间维度特征和商品画像特征作为建模数据特征。

进一步的，所述的步骤S2包括以下的步骤：

S21、根据线性回归算法对线性关系进行训练，假设估计方程为：

Y＝b+wX

其中，Y为各个店铺中各个商品的销量，X为建模数据特征，w为线性系数，b为常数；

S22、构造均方误差MSE：

其中，

S23、通过梯度下降的模型优化算法，使均方误差MSE最小化，得到线性系数和常数的计算公式：

其中，w

进一步的，所述的步骤S2还包括以下的步骤：

S24、获取线性关系的判定系数，根据判定系数判断线性关系的拟合效果,均方误差MSE即为判定系数，误差越小，则说明拟合效果越好。

进一步的，所述的步骤S24中，获取线性关系的判定系数包括以下的步骤：

S241、计算历史销量数据的总平方和：

S242、计算回归平方和：

判定系数

进一步的，所述的步骤S11中，所述商品销售预测日期之前的时间段为。

进一步的，所述的步骤S11中，时间维度特征包括但不限于月份、季度以及是否为节假日。

进一步的，所述的步骤S11中，所述的商品画像特征包括但不限于重量、品类以及原料。

另一方面，本发明还提供了一种基于互联网的线上商品销量预测设备，其改进之处在于，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的基于互联网的线上商品销量预测方法。

本发明的有益效果是：本发明提出的一种基于互联网的线上商品销量预测方法，能够通过线性回归技术和建模技术预测未来一段时间内每天各门店中各个商品的销量，降低了互联网蛋糕行业原材料浪费的风险。

附图说明

图1为本发明的一种基于互联网的线上商品销量预测方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。

参照图1所示，本发明揭示了一种基于互联网的线上商品销量预测方法，通过该方法对线上商品的销量进行预测，从而避免出现原材料浪费的情况，在本实施例中，该方法包括以下的步骤：

S1、获取预设时间段内的店铺商品销量历史数据作为建模数据；本实施例中，所述的步骤S1包括以下的步骤：

S11、获取商品销售预测日期，将商品销售预测日期之前的时间段作为预设时间段，获取预设时间段内每天各个店铺的商品销量、时间维度特征和商品画像特征，将时间维度特征和商品画像特征作为建模数据特征。

所述的步骤S11中，时间维度特征包括但不限于月份、季度以及是否为节假日；所述的商品画像特征包括但不限于重量、品类以及原料。

S2、对建模数据特征与之后预测销量的线性关系进行训练，得到线性关系的线性系数及常数；

本实施例中，所述的步骤S2包括以下的步骤：

S21、根据线性回归算法对线性关系进行训练，假设估计方程为：

Y＝b+wX

其中，Y为各个店铺中各个商品的销量，X为建模数据特征，w为线性系数，b为常数；

S22、构造均方误差MSE：

其中，

S23、通过梯度下降的模型优化算法，使均方误差MSE最小化，得到线性系数和常数的计算公式：

其中，w

S24、获取线性关系的判定系数，根据判定系数判断线性关系的拟合效果,均方误差MSE即为判定系数，误差越小，则说明拟合效果越好。

在上述的实施例中，所述的步骤S24中，获取线性关系的判定系数包括以下的步骤：

S241、计算历史销量数据的总平方和：

S242、计算回归平方和：

判定系数

S3、根据模型训练后所得到的参数进行线性函数的引用，从而得到对应门店商品销售进行未来的预测。

本发明还提供了一种基于互联网的线上商品销量预测设备，所述设备包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行所述的基于互联网的线上商品销量预测方法。

本发明提出的一种基于互联网的线上商品销量预测方法，能够通过线性回归技术和建模技术预测未来一段时间内每天各门店中各个商品的销量，降低了互联网蛋糕行业原材料浪费的风险。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。