(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210862555.1 (22)申请日 2022.07.21 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路2号 (72)发明人 尹键溶　秦拯　张吉昕　 (74)专利代理 机构 长沙瀚顿知识产权代理事务 所(普通合伙) 43223 专利代理师 吴亮　朱敏 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种商品销量预测方法 (57)摘要 本发明涉及一种商品销量预测方法。 其发 明 内容主要包括： (1)基于多商品销量特征的滚动 回归模型与深度学习模型的构建； (2)多种回归 预测模型集成的销量精准预测方法。 通过已被提 出的商品历史销量和其它影 响因素等特征， 构建 出滚动预测的回归模型， 深度学习模 型以及剔除 异常值的深度学习模型。 再将构建的多种模型进 行回归集 成， 构建出最后的多模 型集成回归预测 学习器， 从而 对商品未来销量进行精准预测。 权利要求书2页 说明书6页 附图1页 CN 115115416 A 2022.09.27 CN 115115416 A 1.一种商品销量预测方法， 其特 征在于： 商品销量预测模型包括： 第一基础预测模型， 第二基础预测模型， 第三基础预测模型， 集成预测模型。 所述方法包括： 步骤10： 根据商品销售的历史数据， 构建训练数据集； 其中， 所述训练数据集中包含多种商品的数据， 对于任一种商品， 对应一数据集D＝ {(X0， y0)，…， (Xn， yn)}， i＝0， 1， …， n， yi为第i日的销量， Xi＝(xi‑s， xi‑s+1，…， xi‑1)为第i日以 前s日的销售特征数据集合， k＝i ‑s， i‑s+1，…， i‑1， xk为第k日的销售特征数据， 所述销售 特征数据包括销量统计特 征， 促销优惠特 征， 假期周末特 征； 步骤20： 根据所述训练数据集构建所述第一基础预测模型； 其中， 所述第一基础预测模型为滚动预测的线性回归模型 所述步骤20包 括 ： 先 赋 给 w ， b 初 始 值 ，用链 式 方 法 求 出 梯 度 且 然后沿着梯度的反方向不断更新参数， 其中w的更新公式为 b的更新公式为 使损失函数不断减小至收敛。 损失 函数使用均方误差， 即 步骤30： 根据所述训练数据集构建所述第二基础预测模型； 其中， 所述第二基础预测模型为LSTM长短时记忆神经网络预测模型， 所述第二基础预 测模型由输入层、 包含128个神经元的两个隐藏层和输出层组成； 所述步骤30包括： 首先判 断在所述第二基础预测模型中的细胞是否需要丢弃信息， 在其隐藏层中对于输入的Xi， LSTM将会根据， fi＝σ(Wf·[hi‑1， Xi]+bf)， 得到一个在0到 1之间的数值给每个细胞状态中的 值fi， 结果为1表 示完全保留， 0表 示完全舍弃， 其中Wf是遗忘门的权重矩阵， bf是遗忘门的偏 置项， hi‑1为第i日上一日LSTM模型的输出值， 再使用tanh层创建一个新的候选值向量Ci＝ tanh(Wc·[hi‑1， Xi]+bc)， 对fi进行更新， 其中Wc是tanh层的权重矩阵， bc是tanh层的偏置项， 最后通过sigmoid层得到oi＝σ(Wo·[hi‑1， Xi]+bo)， 其中Wo是输出门的权重矩阵， bo是输出门 的偏置项， 把细胞状态经过tanh层行处理后的值和所述sigmoid层的输出相乘得到第i日 LSTM模型的输出hi＝oi·tanh(ci)； 步骤40： 根据所述训练数据集构建所述第三基础预测模型； 其中， 所述第三基础预测模型为基于线性 回归剔除异常的LSTM长短时记忆神经网络回 归模型； 所述步骤40包括： 对每一个商品， 根据所述第一基础预测模 型进行预测得到商品的 每日销量预测值ypredict＝{ypredict0， ypredict1，…， ypredictn}， 根据商品的每日销量实际值yreal ＝{yreal0， yreal1，…， yrealn}可以得到商品第i天的实际值和预测值的误差absi＝yreali‑ ypredicti， 再根据商品的平均销量AVE＝SUM/n， 对商品的历史数据进行判断， 若第i天的absi ＞AVE， 那么判断该商品在当日 的销量数据出现了较大的误差， 将其从所述训练数据集中剔 除得到经过剔除异常的训练数据集， 根据所述经过剔除异常的训练数据集构建LSTM长 短时 记忆神经网络预测模型 得到所述第三基础预测模型； 步骤50： 根据所述第一基础预测模型、 所述第二基础预测模型、 所述第 三基础预测模型 构建集成预测模型， 包括以下步骤： 步骤51： 对于每一种商品， 根据待预测日期之前的历史数据得到待预测日期之前的每权　利　要　求　书 1/2 页 2 CN 115115416 A 2日商品销量预测值Ypredict＝{YLR， YLSTM， YLSTM_LR}， 其中， YLR为所述第一基础预测模型的结果， YLSTM为所述第二基础预测模型的结果， YLSTM_LR为所述第三预测模型的结果； 步骤52： 根据待预测日期之前的每日商品销量 真实值yreal， 计算出一段时间内的预测平 均误差， 选取平均误差 最小的模型为商品历史最优模型Mbest， 其中Mbest的取值为所述第一基 础预测模型、 所述第二基础预测模型、 所述第三基础预测模型对应的标签值； 步骤53： 将Ypredict作为输入特征， 将对应的Mbest作为输出特征， 进行所述集成预测模型 的子分类 器模型训练， 得到所述 集成预测模型用以确定三种基础预测模型的权 重。 步骤60： 根据所述第一基础预测模型、 所述第二基础预测模型、 所述第 三基础预测模型 得到待预测日期的任一商品销量基础预测值， 再根据集成预测模型确定的基础预测模型的 权重， 确定该商品的销量预测值。 2.根据权利要求1所述的商品销量预测方法， 其特征在于， 所述销量统计特征包括： 过 去预设数日的总销量， 过去预设数周的总销量， 该日是否为会员日， 优惠券使用数量， 是否 为节假日， 是否为周末。 3.根据权利要求1所述的商品销量预测方法， 其特 征在于， 所述 步骤53包括： 步骤a： 对样本Ypredict中三个模型赋以样本基本权重Dk， 其中k为训练步骤a ‑e执行的轮 次， 第一轮训练时， 三个模型样本基本 权重相等且总和为1； 步骤b： 使用第k个 基弱线性分类 器训练数据， 得到第k个 基弱线性分类 器的错误率； 步骤c： 根据第 k个基弱线性分类器的错误率， 计算第 k个基弱线性分类器的加权误差率 其中I表示括号内条件成立时为1， 否则为0， 其中， Gk(Ypredict_i)是基弱线 性分类器的预测结果， Wki为第k轮第i个样本Ypredict_i的权重， m为样本 总数； 步骤d： 根据分类 器的加权误差率， 求出 该轮基弱线性分类 器的权重 步骤e： 对下一轮样 本基本权重进 行设置， Dk+1＝{Wk+1， 1， Wk+1， 2...Wk+1， m}， 其中， Wk+1， i为第 k+1轮里第i个样本的权重， i＝1， 2，…， m， 规范 化因子 步骤f ： 重复步骤a ‑e训练 ， 直到训练完成所有K个分类器 ， 构建线性组合 对于待预测日期即第m+1日， 先通过所述第一基础预测模型、 所述第 二基础预测模型、 所述第三基础预测模型得到Ypredict_m+1， 在根据所述线性组合得出的商品 预测数为f(Ypredict_m+1)。 4.一种计算机设备， 其特 征在于， 包括： 存储器， 用于存 储指令； 以及 处理器， 用于调用所述存储器存储的指令执行如权利要求1 ‑3中任一项所述的商品销 量预测方法。 5.一种计算机可读存储介质， 其特征在于， 存储有指令， 所述指令被处理器执行时， 执 行如权利要求1 ‑3所述的商品销量预测方法。权　利　要　求　书 2/2 页 3 CN 115115416 A 3