一种商品静态属性与时序数据的库存数据预测方法及系统与流程

本申请涉及机器学习，特别涉及一种商品静态属性与时序数据的库存数据预测方法及系统。

背景技术：

1、随着商品交易市场规模持续扩大，商品从挂牌上架到实际成交的周期受品牌属性、市场供需、地区差异及季节波动等多重因素影响，差异显著。商户在采购决策和库存调价时普遍依赖经验判断，缺乏客观、量化的周期预测手段，导致库存积压或周转效率低下。

2、现有技术主要包括基于规则或统计模型的方法以及基于梯度提升树的机器学习方法。前者如线性回归、决策树、随机森林等，依赖人工构造特征，无法有效捕捉市场的时序变化与淡旺季周期；后者如lightgbm、xgboost等，虽在静态特征建模方面表现较好，但在处理时间序列特征时通常需将历史数据压缩为统计量，导致时间依赖信息损失，难以精确反映季节性变化与市场热度波动。

3、然而，现有技术普遍存在以下问题：高度依赖人工构造特征的有效性，无法有效利用市场时间序列特征；对淡旺季、节假日等周期性特征捕捉能力不足；静态特征与时序特征的交叉建模能力有限，预测精度不高。

技术实现思路

1、基于此，本申请实施例提供了一种商品静态属性与时序数据的库存数据预测方法及系统，融合自注意力机制的端到端的商品库存周期预测方法，以解决传统模型对时间依赖关系捕捉不准确、预测误差大等问题，实现更高精度、更强稳定性和更广泛适应性的预测效果。

2、第一方面，提供了一种商品静态属性与时序数据的库存数据预测方法，该方法包括：

3、s1数据采集与预处理：采集目标对象的静态特征数据及其对应时间序列市场特征数据，对类别变量进行编码，对数值变量进行标准化，构建时间序列特征矩阵与静态特征向量；

4、s2构建模型：将所述静态特征向量输入多层感知机子网络提取静态特征表示，将所述时间序列特征矩阵经线性嵌入与位置编码后输入堆叠多层transformer编码器提取时序特征表示，将所述静态特征表示与所述时序特征表示拼接后经融合网络进行非线性交互得到融合特征，基于所述融合特征经回归网络输出预测值；

5、s3训练模型：在训练过程中，输入历史样本及对应真实标签，使用自适应优化算法进行训练，训练集与验证集通过滚动时间验证划分；

6、s4模型推理输出：加载训练得到的模型权重至预测模型并置于评估模式，对输入的静态特征与时间序列特征进行与训练阶段一致的预处理，将待预测样本输入模型，经静态特征编码、时序特征注意力编码、特征融合及回归预测后输出目标预测值。

7、可选地，将所述静态特征向量输入多层感知机子网络提取静态特征表示，包括：

8、将所述静态特征向量依次经输出维度为128的全连接层并采用relu激活函数、dropout层、以及输出维度为64的全连接层并采用relu激活函数，得到64维静态特征向量。

9、可选地，将所述时间序列特征矩阵经线性嵌入与位置编码后输入堆叠多层transformer编码器提取时序特征表示，包括：

10、将所述时间序列特征矩阵经线性嵌入层映射至指定维度，叠加位置编码保留时间顺序信息，输入堆叠l层transformer编码器，每层包括多头自注意力层、前馈网络层、残差连接与层归一化操作，经平均池化或注意力加权池化获得时间特征表示向量。

11、可选地，将所述静态特征表示与所述时序特征表示拼接后经融合网络进行非线性交互得到融合特征，包括：

12、将所述静态特征表示与所述时序特征表示拼接后依次经输出128维的全连接层并采用relu激活函数、batchnorm层、dropout层、以及输出64维的全连接层并采用relu激活函数，得到融合特征向量。

13、可选地，基于所述融合特征经回归网络输出预测值，包括：

14、将所述融合特征依次经输出32维的全连接层并采用relu激活函数、以及输出维度为1的全连接层并采用线性激活函数，输出预测值。

15、可选地，输入历史样本及对应真实标签进行训练，包括：

16、采用huberloss或mae作为损失函数，使用adam自适应优化算法进行参数更新，通过滚动时间验证划分训练集与验证集，基于验证集性能进行早停或学习率调整。

17、可选地，加载训练得到的模型权重至预测模型并输出目标预测值，包括：

18、将模型置于评估模式以关闭批归一化和随机失活，对输入特征进行归一化、类别编码及时间对齐，将待预测样本按批次输入模型，对不一致的时间序列长度进行序列填充并构造时间掩码屏蔽无效时间步，输出预测值后进行截断、分箱或区间化后处理。

19、第二方面，提供了一种商品静态属性与时序数据的库存数据预测系统，该系统包括：

20、数据采集与预处理模块，用于采集目标对象的静态特征数据及其对应时间序列市场特征数据，对类别变量进行编码，对数值变量进行标准化，构建时间序列特征矩阵与静态特征向量；

21、构建模型模块，用于将所述静态特征向量输入多层感知机子网络提取静态特征表示，将所述时间序列特征矩阵经线性嵌入与位置编码后输入堆叠多层transformer编码器提取时序特征表示，将所述静态特征表示与所述时序特征表示拼接后经融合网络进行非线性交互得到融合特征，基于所述融合特征经回归网络输出预测值；

22、训练模型模块，用于在训练过程中，输入历史样本及对应真实标签，使用自适应优化算法进行训练，训练集与验证集通过滚动时间验证划分；

23、模型推理输出模块，用于加载训练得到的模型权重至预测模型并置于评估模式，对输入的静态特征与时间序列特征进行与训练阶段一致的预处理，将待预测样本输入模型，经静态特征编码、时序特征注意力编码、特征融合及回归预测后输出目标预测值。

24、第三方面，提供了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面任一所述的方法。

25、第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一所述的方法。

26、本申请实施例提供的技术方案带来的有益效果至少包括：

27、（1）通过多头自注意力机制并行捕获时间序列中任意时间步之间的全局依赖关系，结合位置编码与注意力加权聚合，能够精准感知淡旺季波动、节假日效应等长期时序特征，显著提升对季节性变化与短期趋势的建模能力。

28、（2）采用静态特征与时序特征的分层独立编码及多层非线性融合机制，实现商品固有属性与市场动态趋势的联合建模，相较于传统方法预测误差显著降低。

29、（3）基于transformer的非递归并行结构替代传统循环神经网络，支持时间序列数据的并行计算，大幅提升了模型训练与推理效率。

1.一种商品静态属性与时序数据的库存数据预测方法，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，将所述静态特征向量输入多层感知机子网络提取静态特征表示，包括：

3.根据权利要求1所述的方法，其特征在于，将所述时间序列特征矩阵经线性嵌入与位置编码后输入堆叠多层transformer编码器提取时序特征表示，包括：

4.根据权利要求1所述的方法，其特征在于，将所述静态特征表示与所述时序特征表示拼接后经融合网络进行非线性交互得到融合特征，包括：

5.根据权利要求1所述的方法，其特征在于，基于所述融合特征经回归网络输出预测值，包括：

6.根据权利要求1所述的方法，其特征在于，输入历史样本及对应真实标签进行训练，包括：

7.根据权利要求1所述的方法，其特征在于，加载训练得到的模型权重至预测模型并输出目标预测值，包括：

8.一种商品静态属性与时序数据的库存数据预测系统，其特征在于，所述系统包括：

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。