技术新讯 > 计算推算,计数设备的制造及其应用技术 > 销量预估方法、装置、电子设备、存储介质及程序产品与流程  >  正文

销量预估方法、装置、电子设备、存储介质及程序产品与流程

  • 国知局
  • 2024-07-31 23:10:00

本申请涉及计算机,具体涉及一种销量预估方法、装置、电子设备、存储介质及程序产品。

背景技术:

1、在餐饮行业,各品牌为了保持竞争力,会频繁推出新菜品以吸引消费者,新菜品的销量预估对于品牌在研发阶段做出合理决策至关重要。

2、新菜品区别于一般的商品销量预估,由于其缺乏历史数据的支持,销量预估难度大,通常依赖长期的市场调研和经验丰富的分析,然而这种方式不仅耗时长而且准确性也不高。

技术实现思路

1、本申请的目的是针对上述现有技术的不足提出的一种销量预估方法、装置、电子设备、存储介质及程序产品,该目的是通过以下技术方案实现的。

2、本申请的第一方面提出了一种销量预估方法,所述方法包括:

3、提取用于描述新品属性的多模态数据;

4、确定与所述新品关联的多维度时序数据,所述多维度时序数据反映与所述新品属于相同类目的目标商品的市场销售趋势;

5、采用预估模型基于所述多模态数据和所述多维度时序数据对所述新品的销量进行预测分析;其中,所述预估模型用于学习所述多模态数据的非序列化特征,以及学习所述多维度时序数据的序列化特征,并根据所述非序列化特征和所述序列化特征进行销量预测。

6、在本申请一些实施例中,所述确定与所述新品关联的多维度时序数据,包括:

7、确定与所述新品属于同一类目的候选商品;从所述候选商品中选取符合预设条件的至少一个目标商品,所述预设条件包括以下至少之一:商品售价在预设价格范围内、销售区域位于预设区域、所属品牌为预设品牌;根据所述至少一个目标商品在当前时间之前的历史销售数据生成与所述新品关联的多维度时序数据。

8、在本申请一些实施例中,所述根据所述至少一个目标商品在当前时间之前的历史销售数据生成与所述新品关联的多维度时序数据,包括:

9、针对各个目标商品,利用所述目标商品的历史销售数据生成在所述当前时间之前的多维度历史时序数据;采用预设的时序预测模型基于所述多维度历史时序数据获得从所述当前时间到新品上市时间的多维度预测时序数据;将所述多维度历史时序数据与所述多维度预测时序数据拼接,以生成与所述新品关联的多维度时序数据。

10、在本申请一些实施例中,所述时序预设模型包括大语言模型;所述采用预设的时序预测模型基于所述多维度历史时序数据获得从所述当前时间到新品上市时间的多维度预测时序数据,包括:

11、将所述多维度历史时序数据中的数值转换为固定位数;采用所述大语言模型对转换后的多维度历史时序数据进行多轮预测;其中,所述多轮预测中的各轮预测分别得到一组从所述当前时间到新品上市时间的多维度预测值;将各组多维度预测值的均值或中位数作为所述多维度预测时序数据。

12、在本申请一些实施例中,所述预估模型包括编码网络、多层感知网络和解码网络;所述采用预估模型基于所述多模态数据和所述多维度时序数据对所述新品的销量进行预测分析,包括:

13、调用所述编码网络对所述多维度时序数据进行时间依赖关系处理,得到序列化特征;调用所述多层感知网络对所述多模态数据进行特征融合处理,得到非序列化特征;调用所述解码网络基于所述序列化特征和所述非序列化特征预测所述新品的销量。

14、在本申请一些实施例中,所述多层感知网络包括多种第一特征提取模块、拼接层和特征融合模块,其中,各种第一特征提取模块分别用于处理一种数据类型的输入数据;所述调用所述多层感知网络对所述多模态数据进行特征融合处理,得到非序列化特征,包括:

15、根据所述多模态数据中任一模态数据的数据类型,调用与所述数据类型对应的第一特征提取模块提取所述任一模态数据的模态特征;调用所述拼接层将所述多模态数据的各个模态特征拼接为多模态特征;调用所述特征融合模块对所述多模态特征进行融合处理,得到非序列化特征。

16、在本申请一些实施例中,所述编码网络包括第二特征提取模块和编码器;所述调用所述编码网络对所述多维度时序数据进行时间依赖关系处理,得到序列化特征,包括:

17、调用所述第二特征提取模块提取所述多维度时序数据的多维度时序特征,并将预设的位置特征嵌入到所述多维度时序特征中;所述位置特征用于使得所述多维时序特征的顺序关系更为明显;调用所述编码器对嵌入位置特征后的多维度时序特征进行时序编码,得到序列化特征。

18、在本申请一些实施例中,在采用预估模型基于所述多模态数据和所述多维度时序数据对所述新品的销量进行预测分析之前,所述方法还包括:

19、收集样本数据集,所述样本数据集包括多个历史上新的商品样本,各个商品样本包括多模态数据、多维度时序数据和上市后的实际销量;利用所述样本数据集对预训练模型进行训练,得到所述预估模型;其中,在训练过程中,根据各个商品样本的实际销量与所述预训练模型的预测销量计算得到的损失值调整所述预训练模型的模型参数。

20、本申请的第二方面提出了一种销量预估装置,所述装置包括:

21、属性提取单元,用于提取用于描述新品属性的多模态数据;

22、趋势确定单元,用于确定与所述新品关联的多维度时序数据,所述多维度时序数据反映与所述新品属于相同类目的目标商品的市场销售趋势;

23、预测单元,用于采用预估模型基于所述多模态数据和所述多维度时序数据对所述新品的销量进行预测分析;其中,所述预估模型用于学习所述多模态数据的非序列化特征,以及学习所述多维度时序数据的序列化特征,并根据所述非序列化特征和所述序列化特征进行销量预测。

24、本申请的第三方面提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序以实现如上述第一方面所述的方法。

25、本申请的第四方面提出了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行以实现如上述第一方面所述的方法。

26、本申请第五方面的实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行以实现上述第一方面所述的方法。

27、基于上述第一方面所述的销量预估方法,本申请至少具有如下有益效果或优点:

28、通过提取描述新品属性的多模态数据,并收集与新品属于同一类目的商品在市场销售方面的各种维度时序数据,以为新品提供丰富的关联特征,进而通过预估模型基于多模态数据和多种维度时序数据,全面分析新品与市场的潜在关系,获得准确并可靠的销量预估结果,可以为市场营销推广和供应链管理提供强有力的数据支撑,解决了传统方法在处理新品销量预估问题时缺乏参考数据的问题。

29、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。

技术特征:

1.一种销量预估方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述确定与所述新品关联的多维度时序数据,包括:

3.根据权利要求2所述的方法,其特征在于,所述根据所述至少一个目标商品在当前时间之前的历史销售数据生成与所述新品关联的多维度时序数据,包括:

4.根据权利要求3所述的方法,其特征在于,所述时序预设模型包括大语言模型;

5.根据权利要求1所述的方法,其特征在于,所述预估模型包括编码网络、多层感知网络和解码网络;

6.根据权利要求5所述的方法,其特征在于,所述多层感知网络包括多种第一特征提取模块、拼接层和特征融合模块,其中,各种第一特征提取模块分别用于处理一种数据类型的输入数据;

7.根据权利要求5所述的方法,其特征在于,所述编码网络包括第二特征提取模块和编码器;

8.根据权利要求1或5所述的方法,其特征在于,在采用预估模型基于所述多模态数据和所述多维度时序数据对所述新品的销量进行预测分析之前,所述方法还包括:

9.一种销量预估装置,其特征在于,所述装置包括:

10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序以实现如权利要求1-8任一项所述的方法。

11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行以实现如权利要求1-8任一项所述的方法。

12.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行以实现权利要求1-8任一项所述的方法。

技术总结本申请公开了一种销量预估方法、装置、电子设备、存储介质及程序产品,方法包括:提取用于描述新品属性的多模态数据;确定与新品关联的多维度时序数据;采用预估模型基于所述多模态数据和所述多维度时序数据对所述新品的销量进行预测分析。通过提取描述新品属性的多模态数据,并收集与新品属于同一类目的商品在市场销售方面的各种维度时序数据,以为新品提供丰富的关联特征,进而通过预估模型基于多模态数据和多种维度时序数据,全面分析新品与市场的潜在关系,获得准确并可靠的销量预估结果,可以为市场营销推广和供应链管理提供强有力的数据支撑,解决了传统方法在处理新品销量预估问题时缺乏参考数据的问题。技术研发人员:王开来,贺永明,李哲受保护的技术使用者:浙江口碑网络技术有限公司技术研发日:技术公布日:2024/7/29

本文地址:https://www.jishuxx.com/zhuanli/20240730/196187.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。