量价关系模型的训练方法、确定物品销量的方法以及装置与流程

摘要: 本发明涉及大数据处理与挖掘,尤其涉及一种量价关系模型的训练方法、确定物品销量的方法、装置、电子设备和计算机可读介质。背景技术:1、在量价关系学习领域,现有技术主...
量价关系模型的训练方法、确定物品销量的方法以及装置与流程

本发明涉及大数据处理与挖掘,尤其涉及一种量价关系模型的训练方法、确定物品销量的方法、装置、电子设备和计算机可读介质。

背景技术:

1、在量价关系学习领域,现有技术主要集中在利用机器学习算法进行动态定价和销售预测。这些技术能够根据历史数据学习价格变动对销量的影响,从而为零售商提供价格调整的建议,但是目前仍然存在以下技术问题:1)如果中央服务器或店铺与中央的网络连接出现暂时性中断,店铺端则无法更新模型参数;2)中央服务器承担较大的计算压力,存在单点故障风险,而且参数更新效率较低。

技术实现思路

1、有鉴于此,本发明实施例提供一种量价关系模型的训练方法、确定物品销量的方法以及装置,以解决中央服务器存在单点故障风险而且参数更新效率较低的技术问题。

2、为实现上述目的,根据本发明实施例的一个方面,提供了一种量价关系模型的训练方法,包括:

3、根据各个物品在各个时间段内的销量数据,计算各个品类在各个时间段内的销量加权系数;

4、根据各个物品的各个价格属性及其对应的有效时间区间以及各个品类在各个时间段内的销量加权系数,计算各个物品的各个价格属性在各个时间段内对应的平均销量数据;

5、采用各个物品的各个价格属性在各个时间段内对应的平均销量数据、销量预测模型输出的销量数据和价格预测模型输出的价格属性训练机器学习模型,从而得到量价关系模型。

6、可选地,根据各个物品在各个时间段内的销量数据,计算各个品类在各个时间段内的销量加权系数,包括:

7、获取各个物品在各个时间段内的销量数据并对各个物品的销量数据进行标准化处理,得到各个物品在各个时间段内的标准化销量数据;

8、对于每个品类,将该品类下的各个物品在各个时间段内的标准化销量数据进行累加,得到该品类在各个时间段内的总销量数据;

9、对于每个品类,根据该品类在各个时间段内的总销量数据,计算该品类在各个时间段内的销量加权系数。

10、可选地,根据该品类在各个时间段内的总销量数据,计算该品类在各个时间段内的销量加权系数,包括:

11、对于每个时间段,将该时间段的总销量数据除以所有时间段的总销量数据之和再乘以时间段的总数量,得到该时间段的销量加权系数。

12、可选地,根据各个物品的各个价格属性及其对应的有效时间区间以及各个品类在各个时间段内的销量加权系数,计算各个物品的各个价格属性在各个时间段内对应的平均销量数据,包括:

13、根据各个物品的各个价格属性及其对应的有效时间区间,确定各个物品的各个价格属性对应的各个时间段;

14、根据各个物品的各个价格属性对应的各个时间段,确定各个物品的各个价格属性在各个时间段内对应的销量数据;

15、根据各个品类在各个时间段内的销量加权系数以及各个物品的各个价格属性在各个时间段内对应的销量数据,计算各个物品的各个价格属性在各个时间段内对应的平均销量数据。

16、可选地,根据各个品类在各个时间段内的销量加权系数以及各个物品的各个价格属性在各个时间段内对应的销量数据,计算各个物品的各个价格属性在各个时间段内对应的平均销量数据,包括:

17、对于每个物品的每个价格属性,将该价格属性在各个时间段内对应的销量数据分别除以该物品对应的品类在各个时间段内的销量加权系数,分别得到该物品的该价格属性在各个时间段内对应的平均销量数据。

18、可选地,采用各个物品的各个价格属性在各个时间段内对应的平均销量数据、销量预测模型输出的销量数据和价格预测模型输出的价格属性训练机器学习模型,从而得到量价关系模型,包括:

19、采用各个物品的各个价格属性在各个时间段内对应的平均销量数据、销量预测模型输出的销量数据和价格预测模型输出的价格属性训练机器学习模型,并且采用贝叶斯更新方式对参数进行更新,从而得到量价关系模型。

20、另外,根据本发明实施例的另一个方面,提供了一种采用上述训练方法训练得到的量价关系模型确定物品销量的方法,包括:

21、将目标物品的特征属性输入销量预测模型,以输出目标物品的预测销量数据;

22、将目标物品的特征属性输入价格预测模型,以输出目标物品的预测价格属性;

23、将目标物品的目标价格属性、预测销量数据以及预测价格属性输入量价关系模型,以输出目标物品的目标平均销量数据。

24、另外,根据本发明实施例的另一个方面,提供了一种量价关系模型的训练装置,包括:

25、系数计算模块,用于根据各个物品在各个时间段内的销量数据,计算各个品类在各个时间段内的销量加权系数;

26、销量计算模块,用于根据各个物品的各个价格属性及其对应的有效时间区间以及各个品类在各个时间段内的销量加权系数,计算各个物品的各个价格属性在各个时间段内对应的平均销量数据;

27、训练模块,用于采用各个物品的各个价格属性在各个时间段内对应的平均销量数据、销量预测模型输出的销量数据和价格预测模型输出的价格属性训练机器学习模型,从而得到量价关系模型。

28、另外,根据本发明实施例的另一个方面,提供了一种采用上述训练方法训练得到的量价关系模型确定物品销量的装置,包括:

29、第一销量预测模块,用于将目标物品的特征属性输入销量预测模型,以输出目标物品的预测销量数据;

30、价格预测模块,用于将目标物品的特征属性输入价格预测模型,以输出目标物品的预测价格属性;

31、第二销量预测模块,用于将目标物品的目标价格属性、预测销量数据以及预测价格属性输入量价关系模型,以输出目标物品的目标平均销量数据。

32、根据本发明实施例的另一个方面,还提供了一种电子设备,包括:

33、一个或多个处理器;

34、存储装置,用于存储一个或多个程序,

35、当该一个或多个程序被该一个或多个处理器执行时,该一个或多个处理器实现上述任一实施例的方法。

36、根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例的方法。

37、根据本发明实施例的另一个方面,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一实施例的方法。

38、上述发明中的一个实施例具有如下优点或有益效果:计算压力分散到各个店铺,避免了中央服务器成为性能瓶颈或单点故障源;如果中央服务器或店铺与中央的网络连接出现暂时性中断,店铺端只要拥有必要的模型和当前的参数状态,就可以继续基于本地新产生的数据进行参数更新;中央服务器可以采用并行的方式来大幅提升参数更新的效率。

39、上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

1.一种量价关系模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,根据各个物品在各个时间段内的销量数据,计算各个品类在所述各个时间段内的销量加权系数,包括:

3.根据权利要求2所述的方法,其特征在于,根据所述品类在所述各个时间段内的总销量数据,计算所述品类在所述各个时间段内的销量加权系数,包括:

4.根据权利要求1所述的方法,其特征在于,根据所述各个物品的各个价格属性及其对应的有效时间区间以及所述各个品类在所述各个时间段内的销量加权系数,计算所述各个物品的各个价格属性在所述各个时间段内对应的平均销量数据,包括:

5.根据权利要求4所述的方法,其特征在于,根据所述各个品类在所述各个时间段内的销量加权系数以及所述各个物品的各个价格属性在所述各个时间段内对应的销量数据,计算所述各个物品的各个价格属性在所述各个时间段内对应的平均销量数据,包括:

6.根据权利要求1所述的方法,其特征在于,采用所述各个物品的各个价格属性在所述各个时间段内对应的平均销量数据、销量预测模型输出的销量数据和价格预测模型输出的价格属性训练机器学习模型,从而得到量价关系模型,包括:

7.一种采用如权利要求1-6中任一项所述的训练方法训练得到的量价关系模型确定物品销量的方法,其特征在于,包括:

8.一种量价关系模型的训练装置,其特征在于,包括:

9.一种采用如权利要求1-6中任一项所述的训练方法训练得到的量价关系模型确定物品销量的装置,其特征在于,包括:

10.一种电子设备,其特征在于,包括:

11.一种计算机可读介质,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时实现如权利要求1-7中任一所述的方法。

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时实现如权利要求1-7中任一项所述的方法。