用于亚马逊平台商品的销量预估方法、装置及处理器与流程

1.本技术涉及计算机
技术领域：
：，具体地涉及一种用于亚马逊平台商品的销量预估方法、装置、存储介质及处理器。
背景技术：
：：2.商品的销量变化，代表着需求的强弱变化。对亚马逊平台上的商品的月销量(最近30天的销量)进行估算，对于卖家在进行市场分析和选品非常重要。现有技术中，采用的销量计算方法大致有review估算法、feedback估算法、日库存差分析法等。3.然而，review和feedback的估算法存在着很大的误差，仅能作为参考，在精细化运营的时代，基本不具备太大的应用价值。而目前比较通用的日库存差的方法，除了前面提到的缺点之外，由于所建立的模型过于简单(模型都认为bsr排名只和每日的销量相关)，考察的因素太少，数据的颗粒度太粗(按日估算销量)等等，导致销量预测的偏差较大。技术实现要素：4.本技术实施例的目的是提供一种用于亚马逊平台商品的销量预估方法、装置、存储介质及处理器。5.为了实现上述目的，本技术第一方面提供一种用于亚马逊平台商品的销量预估方法，包括：6.针对亚马逊平台的每个商品，每隔预设时间获取商品当前的商品库存与销量排名；7.根据所述商品库存的变化量确定所述商品的销量；8.将多个商品的销量与对应的销量排名输入至回归预测模型中，确定回归预测模型中包括的多项式回归方程的参数值；9.获取待预测商品的销量排名；10.将待预测商品的销量排名输入至回归预测模型中，以根据多项式回归方程确定待预测商品的指数加权平均值；11.确定亚马逊平台的销量排名计算公式，销量排名计算公式的自变量包括商品在预设时间段内的销量、指数加权平均值、指数函数以及指数函数的加权系数，因变量为销量排名；12.对销量排名计算公式进行逆向工程处理，以根据待预测商品的指数加权平均值确定待预测商品在预设时间段内的销量。13.可选地，加权系数是将商品的销量与销量排名输入至线性模型中进行回归分析确定的。14.可选地，销量排名计算公式为：其中，y为指数加权平均值，xn表示在n个小时内商品每小时的销量，a为指数函数，t为指数函数的加权系数。15.可选地，多项式回归方程为：y＝a b*x2 c*x3 d*x4 e*x5；16.其中，y为指数加权平均值，x为商品的销量排名，a，b，c，d，e为多项式回归方程的参数。17.可选地，预设时间和预设时间段为每小时；每隔预设时间获取商品当前的商品库存与销量排名包括：每隔一小时获取商品当前的商品库存与商品的bsr排名。18.可选地，销量排名计算公式中，时间越近的销量数据，权重越大，且呈现指数型变化。19.本技术第二方面提供一种用于亚马逊平台商品的销量预估装置，包括：20.数据统计模块，用于针对亚马逊平台的每个商品，每隔预设时间获取商品当前的商品库存与销量排名，根据所述商品库存的变化量确定所述商品的销量；21.参数确定模块，用于将多个商品的销量与对应的销量排名输入至回归预测模型中，确定回归预测模型中包括的多项式回归方程的参数值；22.销量预测模块，用于获取待预测商品的销量排名；将待预测商品的销量排名输入至回归预测模型中，以根据多项式回归方程确定待预测商品的指数加权平均值；确定亚马逊平台的销量排名计算公式，销量排名计算公式的自变量包括商品在预设时间段内的销量、指数加权平均值、指数函数以及指数函数的加权系数，因变量为销量排名；对销量排名计算公式进行逆向工程处理，以根据待预测商品的指数加权平均值确定待预测商品在预设时间段内的销量。23.本技术第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于亚马逊平台商品的销量预估方法。24.本技术第四方面提供一种处理器，被配置成执行上述的用于亚马逊平台商品的销量预估方法。25.上述用于亚马逊平台商品的销量预估方法，采集的数据是每小时获取到的bsr和库存信息，因此所建立的模型和参数也会每小时更新一次。而现有技术中最多只能实现每日更新。因此，本技术中建立的模型更准确，迭代和优化的频率更快，则对于待预测商品的销量预测更加准确。此外，通过每小时更新的方式，不仅考虑了当前销量对bsr的影响，也对过去14天的销售速度(销量的变化率)对bsr的影响进行了相关性分析，而这部分影响在实际中是不能忽视的。并且，本技术中建立的销量预估模型，由于数据的完备性、更新频次都比现有的技术有了明显的提升，同时将asin销售速度的影响作为影响bsr排名的重要因素，高度还原了亚马逊bsr算法，因此所得到的估算销量更接近实际销量，预测准确率显著提高。26.本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明27.附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：28.图1示意性示出了根据本技术实施例的用于亚马逊平台商品的销量预估方法的流程示意图；29.图2示意性示出了根据本技术实施例的用于亚马逊平台商品的销量预估装置的结构框图；30.图3示意性示出了根据本技术实施例的计算机设备的内部结构图。具体实施方式31.以下结合附图对本技术实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。32.在现有技术中，针对亚马逊上的商品的bsr排名计算，有以下几种计算方法：33.1、review估算法34.一般美国的消费者在亚马逊平台的留评率是3％‑5％之间，因此由此推算销量。而亚马逊上的商品review的统计和展示是从该listing上架就开始的，三年前的数据对当下的运营来说并没有太多的可参考性，因此在统计review数据的时候，只以最近三个月或者半年为时间尺度来做销量的估算会更接近真实数据。例如，通过统计最近三个月(按90天计算)的留评数量，按照1∶300或者1∶500的比率来推断。如果最近三个月的留评数量是10个，那么按照1∶300的比率，那么最近90天的总销量大概是3000个，然后3000/90≈33个，即日销量为33个；如果是按照1∶500的比率，大致可以推算出这款商品日销量为55个。35.2、feedback估算法36.直接找到商品对应的店铺最近30天的feedback数量*5≈平均每天的销量。如果说有不少卖家因为运营的需要刷review的话，那么只有很少的卖家会做刷feedback。因为feedback数量的好坏与多少对运营的帮助都很小，甚至可以说丝毫不影响，所以，几乎没有什么卖家会去刷feedback，这就意味着feedback数量更接近于真实数据。根据经验来看，美国站上，如果一个店铺的销量基本稳定，那么其店铺中30天feedback数量的4‑5倍，相当于该店铺一天的订单数量。知道了该店铺总订单数量，再进入该店铺去查看，因为店铺里商品的默认是按照销量多少来排序的，查看自己正在评估的listing在店铺中的位置，再配合根据review数量的评估，就可以粗略的评估出该listing的销量了。37.3、日库存差分析法38.把商品添加到购物车，然后把订购数量设置为最大数量999，如果对方的库存数量少于999，亚马逊就会提示只有多少可售，这样就知道了该商品的当前库存量。第二天再重复上述动作，连续一周或两周，把记录下来的数据做平均，大概就可以估算该listing的日平均销量了。这个方法有几个缺点。首先，库存大于999的，或者卖家可能设置了最大订单数量(maxorderquantity)对商品进行限购，那么这种通过库存差来估算销量的方法就失效了。其次，这种方法的一个前提是listing的卖家只有1个，对有多人跟卖的listing不适用。第三，这种方法通常都是在每月月初找出亚马逊站内大类bsr排名50万以内的asin，然后基于各种模型来预估该asin上个自然月的月销量，而这样的收录原则，会带来很多问题，例如：39.1)对于服装、户外这两个sku很多的类目，很多asin没有被收录。40.2)月初bsr不在前50万的，后面飙升的新品，很可能没有收集到。41.3)对于那些不共享父类bsr的变体，销量可能很小，并且没有bsr，也收集不到。42.4)某些小类目，比如tabletstands(ipad支架，亚马逊站内搜索：ipadholder)，只有小类bsr，所以也没有收录。43.可以看出，上述的现有技术中存在着各种缺点。例如，review和feedback的估算法存在着很大的误差，仅能作为参考，在精细化运营的时代，基本不具备太大的应用价值。而目前比较通用的日库存差的方法，除了前面提到的缺点之外，由于所建立的模型过于简单(模型都认为bsr排名只和每日的销量相关)，考察的因素太少，数据的颗粒度太粗(按日估算销量)等等，导致销量预测的偏差较大。举例来说：44.1)因为bsr是基于订单量，而不是销量，一个包含10件商品的订单和包含1件商品的订单，对bsr的提升是一样的。所以当某类产品用户经常购买超过1件，销量预测偏差就较大。45.2)如果当日因为秒杀等促销引起bsr剧烈变化，比如从10万名突然提升到2000名，当日均值为2万左右(一天按四个时段计算均值)，就不太准了。46.3)如果商品缺货，bsr在稳步下降但有值，系统会预测当天有销量，实际销量为0。47.4)因为数据监控不及时，比如某些asin做不到一天监控一次或多次，导致当日没有bsr，只能用最近几天的bsr预测当日均值。48.5)某些小类目，比如tabletstands(ipad支架，亚马逊站内搜索：ipadholder)，基本上都没有大类bsr，就无法基于大类bsr预测。如果不小心收录并且预测了，销量可能会很离谱。49.6)某个类目销量整体大增，比如亚马逊primeday和黑五，导致同样bsr排名的asin，当日销量比上月整体飙升了，这个不太好预测。50.7)对于头部商品，特别是bsr在500以内的，预测误差会比较大。因为bsr是基于排名的，比如某类目头部前10的产品，排名基本上稳定了，但某asin的bsr排名从第8名升到第5名，因为有几天日销量从300飙升到1000，实际日销量从300升到500，bsr排名也是这样变化的。51.8)asin的类目突然变更了，从beauty&personalcare变更到health&household，销量就可能有几天就不准了。52.基于上述考虑，在本技术一实施例中，提供了一种用于亚马逊平台商品的销量预估方法，如图1所示，方法包括以下步骤：53.步骤101，针对亚马逊平台的每个商品，每隔预设时间获取商品当前的商品库存与销量排名。54.步骤102，根据商品库存的变化量确定商品的销量。55.步骤103，将多个商品的销量与对应的销量排名输入至回归预测模型中，确定回归预测模型中包括的多项式回归方程的参数值。56.步骤104，获取待预测商品的销量排名。57.步骤105，将待预测商品的销量排名输入至回归预测模型中，以根据多项式回归方程确定待预测商品的指数加权平均值。58.步骤106，确定亚马逊平台的销量排名计算公式，销量排名计算公式的自变量包括商品在预设时间段内的销量、指数加权平均值、指数函数以及指数函数的加权系数，因变量为销量排名。59.步骤107，对销量排名计算公式进行逆向工程处理，以根据待预测商品的指数加权平均值确定待预测商品在预设时间段内的销量。60.首先，针对亚马逊平台的每个商品，都可以每隔一段预设时间就获取到该商品的当前的商品库存与销量排名。具体地，预设时间可以是指每小时，销量排名指的是亚马逊的bsr排名。bsr排名是指亚马逊平台上商品的畅销排名，bsr排名会不断更新，通常是每小时更新一次。其中，商品的bsr排名的数字越低，表示排名越高。由于亚马逊平台上的商品繁多，且需要每小时获取一次数据，因此可以建立具备海量数据处理能力的爬虫服务器群，每小时爬取亚马逊各站点的商品基本信息，包括但不限于商品的库存和bsr排名。在获取到商品的库存后，可以根据商品库存的变化量计算出该商品的销量。例如，在19:00时间获取到商品a的库存量为2000件，在20:00时间再次获取商品a的库存，商品a的库存量为1000件，则可以确定在这一个小时内商品a的销量为1000件。然后，基于这些数据，可以建立一个回归预测模型，将过去一段时间内的各时段的销量和bsr排名分别作为自变量和因变量，如可以将过去14天内的各时段的销量和bsr排名分别作为自变量和因变量。61.具体地，亚马逊有二十多亿asin(亚马逊商品一个特殊的编码标识，每个商品的都不同)，通过大量爬虫服务器以实现每小时获取全部asin的库存和bsr排名，并可以计算出每个小时内，每个asin的销量和bsr排名。可以对获取到的asin进行抽样，抽样概率可以根据asin的历史销量或排名来确定。可以从所有asin中抽出代表高销量的样本asin和代表低销量的样本asin，销量越高抽样概率越高，最后可以得到样本asin。例如，产品a过在去一小时内卖出了8件产品，产品b过在去一小时内卖出了4件产品，产品c过在去一小时内卖出了1件产品。在抽样时，产品a被抽到的概率为20％，产品b被抽到的概率为10％，产品c被抽到的概率为2.5％。基于这样的抽样概率模型，可以得到样本asin库，爬虫每小时获取这些样本asin的库存和bsr。用这个小时的库存减去上一个小时的库存，得到库存的差，就是该asin在这个小时的销量。62.回归分析是一种预测建模技术的方法，研究因变量(目标)和自变量(预测器)之前的关系。这一技术被用在预测、时间序列模型和寻找变量之间因果关系。例如研究驾驶员鲁莽驾驶与交通事故发生频率之间的关系，就可以通过回归分析来解决。回归分析能估计两个或者多个变量之间的关系，是进行数据建模、分析的重要工具。使用回归模型有很多好处。它可以揭示了因变量和自变量之间的显著关系，有能够有效衡量多个自变量对单个因变量的影响程度，还允许我们比较在不同尺度上测量的变量的影响，例如价格变化的影响和促销活动的数量的影响，可以帮助市场研究者、数据分析家和数据科学家们评估选择最佳的变量集，用于建立预测模型。63.本技术中也可以使用回归分析来确定bsr每小时的排名与每小时销量之间的函数关系。在回归预测模型中，因变量是连续的，自变量可以是连续的也可以是离散的。回归的本质是线性的。线性回归通过使用最佳的拟合直线(又被称为回归线)，建立因变量(y)和一个或多个自变量(x)之间的关系。它的基本表达式为：y＝a b*x e，其中a为直线截距，b为直线斜率，e为误差项。如果给出了自变量x，就能通过这个线性回归表达式计算出预测值，即因变量y。一元线性回归和多元线性回归的区别在于，多元线性回归有大于1个自变量，而一元线性回归只有1个自变量。64.进一步地，可以将多个样本asin在多个时间段对应的销量和bsr排名输入至回归预测模型中，通过回归预测模型确定出bsr每小时的排名与每小时销量之间的函数关系。本实施例中使用的回归模型中，使用最小二乘法(leastsquaremethod)来获得最佳拟合直线。最小二乘法是一种拟合回归线的常用算法。它通过最小化每个数据点与预测直线的垂直误差的平方和来计算得到最佳拟合直线。因为上述计算的是误差平方和，所以，误差正负值之间没有相互抵消。具体地，本实施例中的回归预测模型采用的是多项式回归方程。可以使用多项式回归拟合bsr和指数加权平均y进行多项式回归(polynomialregression)。对应一个回归方程，如果自变量的指数大于1，则它就是多项式回归方程。65.在一个实施例中，多项式回归方程为：y＝a b*x2 c*x3 d*x4 e*x5；其中，y为指数加权平均值，x为商品的销量排名，a，b，c，d，e为多项式回归方程的参数。通过不断代入已知的销量排名x计算出多项式回归方程的参数值，即计算出a，b，c，d，e。66.进一步地，针对待预测商品，可以直接在亚马逊平台上获取到该待预测商品的销量排名(bsr排名)，然后将销量排名代入至上述的多项式回归方程，即可根据计算出来的参数和代入的销量排名，计算出指数加权平均值y。然后，根据对亚马逊平台商品的每小时的销量和bsr排名的分析可以看出，亚马逊bsr算法排名依据是n个小时的每小时销量x的指数加权平均y计算得到的，且时间t越小，权重越大，且呈指数式关系。因此可以确定出亚马逊平台的销量排名计算公式为：其中，y为指数加权平均值，xn表示在n个小时内商品每小时的销量，a为指数函数，t为指数函数的加权系数。可以看出，此销量排名计算公式的自变量包括商品在预设时间段内的销量、指数加权平均值、指数函数以及指数函数的加权系数，因变量为销量排名。其中，加权系数t是将商品的销量与销量排名输入至线性模型中进行回归分析确定的。67.通过大量的数据分析可以确定，每小时更新一次的亚马逊的bsr排名不仅反映了当前asin的销量，而且与销量的变化率或者说与销量的历史数据有关。一个asin在一个小时内有10个单位的销售量，但在下一个小时下降到只有一个单位的销售量，这并不意味着它会自动下降到每小时只销售一个产品的bsr。大量的实例表明，asin的销售速度，或者说销量的变化率是会影响它的bsr排名的。例如，商品a在亚马逊的patio，lawn&garden类别中排名第500位，它在过去一小时内卖出了8件产品。与此同时，商品b在同一类目中排名第1000位，在过去一小时内只售出了4件产品。在接下来的一小时内，a只卖出4件产品，b则卖出8件产品。如果不考虑销售速度的因素，似乎两者会互换bsr排名，即a会排名第1000，而b会排名第500。实际中我们发现，商品a的bsr变成了600左右，而商品b的bsr编程了900左右。这表明，尽管两种商品a和b的每小时销售量是″交换位置″了，但它们的亚马逊bsr却没有剧烈的波动，其内在原因就是亚马逊的bsr算法系统考虑到了asin的历史销量。68.在实际过程中，当亚马逊卖家通过促销或优惠券以折扣价进行推广时，即使销量很高，但asin的bsr也不会有很快的变化，可以认为这是亚马逊平台阻止卖家利用促销赠品等短期手段提升销售速度对bsr排名系统进行操纵。通过试验、错误和对大量数据的分析，可以确定：69.1)尽管bsr每小时都会重新计算，但更新时间与销售时间有2‑3小时的滞后；70.2)bsr的计算较多考虑最近的销售，但历史销量在计算中仍然占有相当大的比重；71.3)没有销量的新商品没有bsr；72.4)一些变体没有自己的bsr，销售额会算到父asin上，但另一些变体有自己的bsr；73.5)bsr取决于订单量，与销量无关。例如，一个有90个商品的订单与一个商品的订单有同样大的影响。74.基于此，可以确定亚马逊bsr算法排名依据是n个小时的每小时销量x的指数加权平均y计算得到的，且时间t越小，权重越大，且呈指数式关系。然后，可以对销量排名计算公式进行逆向工程处理。此时未知量y变成了已知量，而已知量x则变成了未知量，因此可以通过y来反向求取出x。故，可以将计算出的指数加权平均值代入至销量排名计算公式，即可反向求取出待预测商品在预设时间段内的销量，即根据待预测商品的bsr排名则可以确定出待预测商品在那一时间段内的销量。75.上述用于亚马逊平台商品的销量预估方法，采集的数据是每小时获取到的bsr和库存信息，因此所建立的模型和参数也会每小时更新一次。而现有技术中最多只能实现每日更新。因此，本技术中建立的模型更准确，迭代和优化的频率更快，则对于待预测商品的销量预测更加准确。此外，通过每小时更新的方式，不仅考虑了当前销量对bsr的影响，也对过去14天的销售速度(销量的变化率)对bsr的影响进行了相关性分析，而这部分影响在实际中是不能忽视的。并且，本技术中建立的销量预估模型，由于数据的完备性、更新频次都比现有的技术有了明显的提升，同时将asin销售速度的影响作为影响bsr排名的重要因素，高度还原了亚马逊bsr算法，因此所得到的估算销量更接近实际销量，预测准确率显著提高。76.在一个实施例中，如图2所示，提供了一种用于亚马逊平台商品的销量预估装置，包括：77.数据统计模块201，用于针对亚马逊平台的每个商品，每隔预设时间获取商品当前的商品销量与销量排名，根据所述商品库存的变化量确定所述商品的销量；78.参数确定模块202，用于将多个商品的销量与对应的销量排名输入至回归预测模型中，确定回归预测模型中包括的多项式回归方程的参数值；79.销量预测模块203，用于获取待预测商品的销量排名；将待预测商品的销量排名输入至回归预测模型中，以根据多项式回归方程确定待预测商品的指数加权平均值；确定亚马逊平台的销量排名计算公式，销量排名计算公式的自变量包括商品在预设时间段内的销量、指数加权平均值、指数函数以及指数函数的加权系数，因变量为销量排名；对销量排名计算公式进行逆向工程处理，以根据待预测商品的指数加权平均值确定待预测商品在预设时间段内的销量。80.在一个实施例中，加权系数是将商品的销量与销量排名输入至线性模型中进行回归分析确定的。81.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现上述的用于亚马逊平台商品的销量预估方法。82.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)，存储器包括至少一个存储芯片。83.本技术实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于亚马逊平台商品的销量预估方法。84.本技术实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述用于亚马逊平台商品的销量预估方法。85.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器a01、网络接口a02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器a01用于提供计算和控制能力。该计算机设备的存储器包括内存储器a03和非易失性存储介质a04。该非易失性存储介质a04存储有操作系统b01、计算机程序b02和数据库(图中未示出)。该内存储器a03为非易失性存储介质a04中的操作系统b01和计算机程序b02的运行提供环境。该计算机设备的数据库用于存储商品的商品库存与销量排名。该计算机设备的网络接口a02用于与外部的终端通过网络连接通信。该计算机程序b02被处理器a01执行时以实现一种用于亚马逊平台商品的销量预估方法。86.本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。87.本技术实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：针对亚马逊平台的每个商品，每隔预设时间获取商品当前的商品库存与销量排名；根据商品库存的变化量确定商品的销量；将多个商品的销量与对应的销量排名输入至回归预测模型中，确定回归预测模型中包括的多项式回归方程的参数值；获取待预测商品的销量排名；将待预测商品的销量排名输入至回归预测模型中，以根据多项式回归方程确定待预测商品的指数加权平均值；确定亚马逊平台的销量排名计算公式，销量排名计算公式的自变量包括商品在预设时间段内的销量、指数加权平均值、指数函数以及指数函数的加权系数，因变量为销量排名；对销量排名计算公式进行逆向工程处理，以根据待预测商品的指数加权平均值确定待预测商品在预设时间段内的销量。88.在一个实施例中，加权系数是将商品的销量与销量排名输入至线性模型中进行回归分析确定的。89.在一个实施例中，销量排名计算公式为：其中，y为指数加权平均值，xn表示在n个小时内商品每小时的销量，a为指数函数，t为指数函数的加权系数。90.在一个实施例中，多项式回归方程为：y＝a b*x2 c*x3 d*x4 e*x5；其中，y为指数加权平均值，x为商品的销量排名，a，b，c，d，e为多项式回归方程的参数。91.在一个实施例中，预设时间和预设时间段为每小时；每隔预设时间获取商品当前的商品库存与销量排名包括：每隔一小时获取商品当前的商品库存与商品的bsr排名。92.在一个实施例中，销量排名计算公式中，时间越近的销量数据，权重越大，且呈现指数型变化。93.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：针对亚马逊平台的每个商品，每隔预设时间获取商品当前的商品库存与销量排名；根据商品库存的变化量确定商品的销量；将多个商品的销量与对应的销量排名输入至回归预测模型中，确定回归预测模型中包括的多项式回归方程的参数值；获取待预测商品的销量排名；将待预测商品的销量排名输入至回归预测模型中，以根据多项式回归方程确定待预测商品的指数加权平均值；确定亚马逊平台的销量排名计算公式，销量排名计算公式的自变量包括商品在预设时间段内的销量、指数加权平均值、指数函数以及指数函数的加权系数，因变量为销量排名；对销量排名计算公式进行逆向工程处理，以根据待预测商品的指数加权平均值确定待预测商品在预设时间段内的销量。94.在一个实施例中，加权系数是将商品的销量与销量排名输入至线性模型中进行回归分析确定的。95.在一个实施例中，销量排名计算公式为：其中，y为指数加权平均值，xn表示在n个小时内商品每小时的销量，a为指数函数，t为指数函数的加权系数。96.在一个实施例中，多项式回归方程为：y＝a b*x2 c*x3 d*x4 e*x5；其中，y为指数加权平均值，x为商品的销量排名，a，b，c，d，e为多项式回归方程的参数。97.在一个实施例中，预设时间和预设时间段为每小时；每隔预设时间获取商品当前的商品库存与销量排名包括：每隔一小时获取商品当前的商品库存与商品的bsr排名。98.在一个实施例中，销量排名计算公式中，时间越近的销量数据，权重越大，且呈现指数型变化。99.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd‑rom、光学存储器等)上实施的计算机程序产品的形式。100.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。101.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。102.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。103.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。104.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。105.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd‑rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。106.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。107.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。当前第1页12当前第1页12