一种基于融合气象数据的商业零售预测方法及系统与流程

1.本发明涉及机器学习技术领域，尤其涉及一种基于融合气象数据的商业零售预测方法及系统。


背景技术：

2.随着时代的发展，气象对商业的影响越来越大。众所周知，商品销售与天气因素有着非常大的关联性，比如，下雨天雨具会热销，气温上升碳酸饮料类和啤酒类商品会热销，冬天黄酒类和白酒类商品热销，这些都是天气因素对于商品销售的影响。再比如，每当台风或阴雨天气，干电池的销售量便会激增；遇上晴朗天气，则越野车卖的较多；暖炉在初冬或寒流来时特别畅销；冬天，火锅销路畅旺时，连带着围裙、座椅、橙汁和豆腐的销量也会增加。另外，在不同的地区，天气对销量的影响也有着明显区别，在中国北方地区，四季变化很明显，换季时间间隔比较分明，因此人们能快速地根据气温变化进行反应，而在换季不分明的南方地区，经常会出现冬天穿夏装的情况，整体湿度也偏高，人们根据季节变化和气温变化的反应不明显。因此，通过气象的变化来预测商业零售尤其重要。
3.目前，商业零售的预测都是通过人工收集未来天气状况，对天气进行分析从而预测该时间段的商业零售量，制定相应的营销计划，该方法采集数据和分析数据的阶段花费时间较长，预测结果不准确，可参考性低。


技术实现要素：

4.有鉴于此，本技术提出了一种基于融合气象数据的商业零售预测方法及系统，用于解决现有技术中人工预测商业零售效率低且预测结果不准确的问题，能够通过机器学习智能预测未来气象变化所导致的商业零售情况，为制定营销策略提供了有效的参考数据。
5.本发明的技术方案是这样实现的：
6.本发明提出了一种基于融合气象数据的商业零售预测方法，所述方法包括：
7.s1，获取目标地区历史预设时间内的气象要素以及对应的商品历史销售数据；
8.s2，对所述气象要素进行预处理，得到气象要素的基本特征信息；
9.s3，基于气象要素的基本特征信息以及对应的商品历史销售数据构建训练集；
10.s4，建立多元线性回归模型，将所述训练集输入至多元线性回归模型中进行训练，得到预测模型；
11.s5，获取目标地区未来预设时间内的气象要素，作为待预测气象要素，输入至预测模型中，得到商业零售的预测结果。
12.在以上技术方案的基础上，优选的，步骤s1具体包括：
13.所述气象要素包括气温变化、天气变化以及季节变化；气温变化包括历史预设时间内每一天气温的平均值；天气变化包括晴天、阴天、雨天、下雪天、雾霾天以及霜冻天；季节变化包括春季、夏季、秋季、冬季以及二十四节气；
14.所述商品历史销售数据包括商品名称、商品类别、销售时间、销售规模、销售数量
以及销售价格。
15.在以上技术方案的基础上，优选的，步骤s2具体包括：
16.将目标地区历史预设时间内的气象要素按照时间段划分为若干组数据，对每组进行分词、词性标注以及过滤停用词处理，采用textrank算法计算每组数据中的特征信息，将各组数据得到的特征信息汇总作为气象要素的基本特征信息。
17.在以上技术方案的基础上，优选的，采用textrank算法计算每组数据中的特征信息具体包括：
18.textrank算法的计算公式为：
[0019][0020]
其中，ws(vi)表示窗口中节点vi的重要性，即该节点的词语的重要性，d表示阻尼系数，in(vi)表示指向该点的点集合，vk∈out(vj)表示点vi指向的点集合，ws(vj)表示点vj的重要性，vi、vj和vk均表示给定的点，w
ji
表示vi和vj之间边的权重，w
jk
表示vj和vk之间边的权重，k为窗口大小。
[0021]
在以上技术方案的基础上，优选的，步骤s3具体包括：
[0022]
设置若干个气象影响要素，并归一化处理，采用皮尔森相关系数对所述气象要素的基本特征信息进行分类，分别计算气象影响要素的基本特征信息与若干个气象影响要素的皮尔森相关系数，其计算公式为：
[0023][0024]
其中，x表示气象要素的基本特征信息，y表示气象影响要素，cov(x,y)表示两个变量x与y之间的协方差，σ
x
表示变量x自身的标准差，σy表示变量y自身的标准差；
[0025]
基于若干个气象影响要素以及对应的商品历史销售数据构建训练集。
[0026]
在以上技术方案的基础上，优选的，步骤s4中，建立多元线性回归模型具体包括：
[0027]
基于若干个气象影响要素以及对应的商品历史销售数据构建多元线性回归模型y，其表达式为：
[0028]
y＝β0 β1x1 β2x2
…
βnxn[0029]
其中，βi为回归系数，xi为气象影响要素，i＝1,2,
…
,n。
[0030]
在以上技术方案的基础上，优选的，步骤s4中，将所述训练集输入至多元线性回归模型中进行训练，得到预测模型具体包括：
[0031]
将训练集按照商品类别分为m组，将气象影响要求作为多元线性回归模型的输入值，选择一个商品，输出在该历史预设时间内的商品销售数据的预测值，将商品销售数据的预测值与商品历史销售数据进行对比，计算出误差平方和，设置误差阈值，当误差平方和小于误差阈值时，将当前的多元线性回归模型作为预测模型；否则，调整回归系数的参数，得到新的多元线性回归模型，将训练集输入至新的多元线性回归模型中进行训练。
[0032]
在以上技术方案的基础上，优选的，将商品销售数据的预测值与商品历史销售数据进行对比，计算出误差平方和的具体步骤包括：
[0033]
计算商品销售数据的预测值与商品历史销售数据的误差平方和rss，其计算公式为：
[0034][0035]
其中，yi表示第i组商品历史销售数据，表示第i组商品销售数据的预测值。
[0036]
在以上技术方案的基础上，优选的，步骤s5还包括：
[0037]
分别计算待预测气象要素对各商品的影响权重以及与总权重的比值，根据计算结果对该商品制定科学的营销策略。
[0038]
本发明还提出了一种基于融合气象数据的商业零售预测系统，所述系统包括：
[0039]
数据获取模块，获取目标地区历史预设时间内的气象要素以及对应的商品历史销售数据；
[0040]
数据处理模块，对所述气象要素进行预处理，得到气象要素的基本特征信息；
[0041]
训练集构建模块，基于气象要素的基本特征信息以及对应的商品历史销售数据构建训练集；
[0042]
模型建立模块，建立多元线性回归模型，将所述训练集输入至多元线性回归模型中进行训练，得到预测模型；
[0043]
预测模块，获取目标地区未来预设时间内的气象要素，作为待预测气象要素，输入至预测模型中，得到商业零售的预测结果。
[0044]
本发明的一种基于融合气象数据的商业零售预测方法及系统，相对于现有技术，具有以下有益效果：
[0045]
(1)本发明基于目标地区历史预设时间内的气象要素以及对应的商品历史销售数据建立多元线性回归模型，对商业零售的气象影响因素进行综合考虑，提高了预测的准确性和可靠性。
[0046]
(2)通过预测模型预测商业零售情况，分别计算各气象要素对各商品的影响权重以及与总权重的比值，根据计算结果对该商品制定科学的营销策略，分析各气象要素对各种类型的商品零售的影响程度，完成商业零售的智能预测，根据数据进行采购与销售，实现了精准化销售的目的。
附图说明
[0047]
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一些实施例，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，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明实施例一种基于融合气象数据的商业零售预测方法的流程示意图；
[0049]
图2为本发明实施例一种基于融合气象数据的商业零售预测系统的结构示意图。
具体实施方式
[0050]
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
[0051]
如图1所示，本实施例提供的一种基于融合气象数据的商业零售预测方法包括：
[0052]
s1，获取目标地区历史预设时间内的气象要素以及对应的商品历史销售数据。
[0053]
进一步，所述气象要素包括气温变化、天气变化以及季节变化；气温变化包括历史预设时间内每一天气温的平均值；天气变化包括晴天、阴天、雨天、下雪天、雾霾天以及霜冻天；季节变化包括春季、夏季、秋季、冬季以及二十四节气；所述商品历史销售数据包括商品名称、商品类别、销售时间、销售规模、销售数量以及销售价格。
[0054]
需要理解的是，天气变化还包括晴天、多云天、阴天、阵雨天、雷阵雨天、雷阵雨伴有冰天雹、雨夹雪天、小雨天、中雨天、大雨天、暴雨天、大暴雨天、特大暴雨天、阵雪天、小雪天、中雪天、大雪天、暴雪天、雾天、冻雨天、沙尘暴天、小到中雨天、中到大雨天、大到暴雨天、暴雨到大暴雨天、大暴雨到特大暴雨天、小到中雪天、中到大雪天、大到暴雪天、浮尘天、扬沙天、强沙尘暴天、雾霾天天、雨雪天、大风天、霜冻天等可以获取到的多种类型天气。
[0055]
s2，对所述气象要素进行预处理，得到气象要素的基本特征信息。
[0056]
进一步的，将目标地区历史预设时间内的气象要素按照时间段划分为若干组数据，对每组进行分词、词性标注以及过滤停用词处理，采用textrank算法计算每组数据中的特征信息，将各组数据得到的特征信息汇总作为气象要素的基本特征信息。
[0057]
进一步的，采用textrank算法计算每组数据中的特征信息具体包括：
[0058]
textrank算法的计算公式为：
[0059][0060]
其中，ws(vi)表示窗口中节点vi的重要性，即该节点的词语的重要性，d表示阻尼系数，in(vi)表示指向该点的点集合，vk∈out(vj)表示点vi指向的点集合，ws(vj)表示点vj的重要性，vi、vj和vk均表示给定的点，w
ji
表示vi和vj之间边的权重，w
jk
表示vj和vk之间边的权重，k为窗口大小。
[0061]
需要理解的是，本实施例在对气象要素进行预处理时，除了以每日的气象作为预测分析要点外，其他特殊特性也是在进行商业零售预测时需要考虑的要素，例如连续几日高于35℃高温、连续几日降雨、连续几日低于10℃、日夜温差超过20℃等特殊天气。
[0062]
s3，基于气象要素的基本特征信息以及对应的商品历史销售数据构建训练集。
[0063]
需要理解的是，设置若干个气象影响要素，并归一化处理，采用皮尔森相关系数对所述气象要素的基本特征信息进行分类，分别计算气象影响要素的基本特征信息与若干个气象影响要素的皮尔森相关系数，其计算公式为：
[0064][0065]
其中，x表示气象要素的基本特征信息，y表示气象影响要素，cov(x,y)表示两个变量x与y之间的协方差，σ
x
表示变量x自身的标准差，σy表示变量y自身的标准差；
[0066]
基于若干个气象影响要素以及对应的商品历史销售数据构建训练集。
[0067]
s4，建立多元线性回归模型，将所述训练集输入至多元线性回归模型中进行训练，得到预测模型。
[0068]
进一步的，建立多元线性回归模型具体包括：
[0069]
基于若干个气象影响要素以及对应的商品历史销售数据构建多元线性回归模型
y，其表达式为：
[0070]
y＝β0 β1x1 β2x2
…
βnxn[0071]
其中，βi为回归系数，xi为气象影响要素，i＝1,2,
…
,n。
[0072]
需要理解的是，在融合气象数据对商业零售进行预测的过程中，气象影响要素是影响因素之一，还有其他一些变量也会影响商品销售的结果，例如季节、性别、年龄、商品价格以及用户偏好等，因此，在构建多元线性回归模型时可以设置多个自变量x来预测因变量y的值。例如，对于酒精性饮料等商品销售来说，在有重大赛事时，如世界杯，酒精性饮料销量会显著上升，可以把影响到酒精性饮料销量的重大事件加入数据中；在法定假日时，售点和经销商一般会提前存货，公司的销量会增加，将该项也作为一个影响因素，假如当天是法定假日标记为1，否则标记为0，月末也会出现囤货的现象，与法定假期一样，我们将月末标记为1，否则标记为0。多元线性回归模型中的自变量因素根据实际情况进行设置，提高了预测的准确性和可靠性
[0073]
进一步的，将所述训练集输入至多元线性回归模型中进行训练，得到预测模型具体包括：
[0074]
将训练集按照商品类别分为m组，将气象影响要求作为多元线性回归模型的输入值，选择一个商品，输出在该历史预设时间内的商品销售数据的预测值，将商品销售数据的预测值与商品历史销售数据进行对比，计算出误差平方和，设置误差阈值，当误差平方和小于误差阈值时，将当前的多元线性回归模型作为预测模型；否则，调整回归系数的参数，得到新的多元线性回归模型，将训练集输入至新的多元线性回归模型中进行训练。
[0075]
将商品销售数据的预测值与商品历史销售数据进行对比，计算出误差平方和的具体步骤包括：
[0076]
计算商品销售数据的预测值与商品历史销售数据的误差平方和rss，其计算公式为：
[0077][0078]
其中，yi表示第i组商品历史销售数据，表示第i组商品销售数据的预测值。
[0079]
s5，获取目标地区未来预设时间内的气象要素，作为待预测气象要素，输入至预测模型中，得到商业零售的预测结果。
[0080]
进一步的，得到商业零售的预测结果后还需要分别计算待预测气象要素对各商品的影响权重以及与总权重的比值，根据计算结果对该商品制定科学的营销策略。
[0081]
需要理解的是，待预测气象要素中有若干气象影响要素，根据商业零售的预测结果中待预测气象要素中各气象影响要素对某一商品的影响程度为各气象要素分配权重，所有气象影响要素对该商品的影响权重的和即为总权重，由此可以分析出，影响该商品的主要气象影响要素，根据气象因果性以及企业的产销进行采购与销售，制定营销活动，合理地投放广告，调整推送受气象驱动的商品，实现了精准化销售。
[0082]
如图2所示，本实施例提出的一种基于融合气象数据的商业零售预测系统包括数据获取模块10、数据处理模块20、训练集构建模块30、模型建立模块40以及预测模块50。
[0083]
数据获取模块，获取目标地区历史预设时间内的气象要素以及对应的商品历史销售数据；
[0084]
数据处理模块，对所述气象要素进行预处理，得到气象要素的基本特征信息；
[0085]
训练集构建模块，基于气象要素的基本特征信息以及对应的商品历史销售数据构建训练集；
[0086]
模型建立模块，建立多元线性回归模型，将所述训练集输入至多元线性回归模型中进行训练，得到预测模型；
[0087]
预测模块，获取目标地区未来预设时间内的气象要素，作为待预测气象要素，输入至预测模型中，得到商业零售的预测结果。
[0088]
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。