销量预测方法、装置、存储介质及电子设备与流程

1.本公开涉及时间序列预测技术领域，具体地，涉及一种销量预测方法、装置、存储介质及电子设备。


背景技术：

2.时间序列预测是机器学习的重要领域，用于通过历史发生过的序列或特征预测未来的序列。在应用于对商品未来销量的预测时，现有技术通常采用的方法包括回归模型，时序预测算法和统计量方法等，通过构建和挖掘序列中的预测规律性来取得好的预测效果。然而，在销量预测中存在着的大量的长尾商品部分(占大约70％)，这部分数据自身的弱规律性和弱可预测性，导致现有方法预测性能较差。


技术实现要素：

3.本公开的目的是提供一种销量预测方法、装置、存储介质及电子设备，以部分地解决相关技术中存在的上述问题
4.为了实现上述目的，本公开提供一种销量预测方法，所述方法包括：
5.获取预测请求，所述预测请求中包括待预测商品的属性信息；
6.若确定所述待预测商品属于长尾商品，获取所述待预测商品在第一窗口中的历史日销售量和在第二窗口中的历史日销售量，所述第一窗口对应的天数大于所述第二窗口对应的天数，且所述第二窗口中的起始日比所述第一窗口中的起始日更接近于预测日期；
7.根据所述第二窗口中每天对应的历史日销售量分别在所述第一窗口中每天对应的历史日销售量中所占的第一比例，将所述第一比例确定为所述第二窗口中每天对应的历史日销售量分别对应的第一权重；
8.根据所述第二窗口中每天对应的历史日销售量和所述第一权重确定所述待预测商品在所述预测日期中的预测销量。
9.可选地，所述方法还包括：
10.判断所述预测日期为工作日或周末；
11.在判定所述预测日期为所述工作日的情况下，所述第一窗口为距离所述预测日期最接近的、且为工作日的第一预设天数，所述第二窗口为距离所述预测日期最接近的、且为工作日的第二预设天数，其中，所述第一预设天数大于所述第二预设天数；
12.所述根据所述第二窗口中每天对应的历史日销售量和所述第一权重确定所述待预测商品在所述预测日期中的预测销量包括：
13.将所述第二窗口中每天对应的历史日销售量和所述第一权重的加权和作为所述待预测商品在所述预测日期中的预测销量。
14.可选地，在判定所述预测日期为所述周末的情况下，所述第一窗口为距离所述预测日期最接近的第一预设天数，所述第二窗口为距离所述预测日期最接近的第二预设天数。
15.可选地，在判定所述预测日期为所述周末的情况下，所述方法还包括：
16.获取所述待预测商品在第三窗口中的历史日销售量和在第四窗口中的历史日销售量，所述第三窗口对应的天数大于所述第四窗口对应的天数，所述第四窗口中的起始日比所述第三窗口中的起始日更接近于所述预测日期，且所述第四窗口中的起始日与所述第二窗口中的起始日不为同一天，所述第三窗口中的起始日与所述第一窗口中的起始日不为同一天；
17.根据所述第四窗口中每天对应的历史日销售量分别在所述第三窗口中每天对应的历史日销售量中所占的第二比例，将所述第二比例确定为所述第四窗口中每天对应的历史日销售量分别对应的第二权重；
18.根据所述第二窗口中每天对应的历史日销售量和所述第一权重，以及所述第四窗口中每天对应的历史日销售量和所述第二权重确定所述待预测商品在所述预测日期中的预测销量。
19.可选地，所述第三窗口为距离所述预测日期最接近的、且为周末的第一预设天数，所述第四窗口为距离所述预测日期最接近的、且为周末的第二预设天数。
20.可选地，所述根据所述第二窗口中每天对应的历史日销售量和所述第一权重，以及所述第四窗口中每天对应的历史日销售量和所述第二权重确定所述待预测商品在所述预测日期中的预测销量包括：
21.将所述第二窗口中每天对应的历史日销售量和所述第一权重的加权和作为第一预测销量，将所述第四窗口中每天对应的历史日销售量和所述第二权重的加权和作为第二预测销量；
22.获取所述第一预测销量对应的第三权重和所述第二预测销量对应的第四权重，所述第三权重和所述第四权重之和为1；
23.根据所述第三权重和所述第四权重计算所述第一预测销量和所述第二预测销量的加权和作为所述待预测商品在所述预测日期中的预测销量。
24.可选地，所述第三权重大于所述第四权重。
25.本公开还提供一种销量预测装置，所述装置包括：
26.第一获取模块，用于获取预测请求，所述预测请求中包括待预测商品的属性信息；
27.第二获取模块，用于若确定所述待预测商品属于长尾商品，获取所述待预测商品在第一窗口中的历史日销售量和在第二窗口中的历史日销售量，所述第一窗口对应的天数大于所述第二窗口对应的天数，且所述第二窗口中的起始日比所述第一窗口中的起始日更接近于预测日期；
28.第一处理模块，用于根据所述第二窗口中每天对应的历史日销售量分别在所述第一窗口中每天对应的历史日销售量中所占的第一比例，将所述第一比例确定为所述第二窗口中每天对应的历史日销售量分别对应的第一权重；
29.第二处理模块，用于根据所述第二窗口中每天对应的历史日销售量和所述第一权重确定所述待预测商品在所述预测日期中的预测销量。
30.本公开还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上所述方法的步骤。
31.本公开还提供一种电子设备，包括：
32.存储器，其上存储有计算机程序；
33.处理器，用于执行所述存储器中的所述计算机程序，以实现以上所述方法的步骤。
34.通过上述技术方案，在根据历史数据加权预测销量时，能够根据历史数据动态调整局部数据对应的权重，也即根据第二窗口的历史数据在第一窗口中的历史数据中所占的比例实时确定第二窗口的历史数据对应的权重。这样不仅考虑到了预测上的局部性原理，同时融入了历史序列的全局性信息和先验知识，对异常值能有效的抑制，使得预测更加鲁棒，提高了对长尾商品的预测性能。
35.本公开的其他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
36.附图是用来提供对本公开的进一步理解，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公开，但并不构成对本公开的限制。在附图中：
37.图1是根据本公开一示例性实施例示出的一种销量预测方法的流程图。
38.图2是根据本公开又一示例性实施例示出的一种销量预测方法的流程图。
39.图3是根据本公开又一示例性实施例示出的一种销量预测方法的流程图。
40.图4是根据本公开又一示例性实施例示出的一种销量预测方法的流程图。
41.图5是根据本公开一示例性实施例示出的一种销量预测装置的结构框图。
42.图6是根据本公开又一示例性实施例示出的一种销量预测装置的结构框图。
43.图7是根据本公开又一示例性实施例示出的一种销量预测装置的结构框图。
44.图8是根据一示例性实施例示出的一种电子设备的框图。
45.图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
46.以下结合附图对本公开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公开，并不用于限制本公开。
47.图1是根据本公开一示例性实施例示出的一种销量预测方法的流程图。如图1所示，所述方法包括步骤101至步骤104。
48.在步骤101中，获取预测请求，所述预测请求中包括待预测商品的属性信息。该属性信息可以为例如该商品的id信息或者该商品所属的商家id信息等，用于表征该待预测商品的身份。
49.在步骤102中，若确定所述待预测商品属于长尾商品，获取所述待预测商品在第一窗口中的历史日销售量和在第二窗口中的历史日销售量，所述第一窗口对应的天数大于所述第二窗口对应的天数，且所述第二窗口中的起始日比所述第一窗口中的起始日更接近于预测日期。
50.判断该待预测商品是否属于长尾商品的方法，可以是根据该待预测商品的属性信息，在预设的长尾商品集合中进行查找，若该待预测商品的属性信息不存在与该长尾商品集合中，则判断该待预测商品为非长尾商品。该长尾商品集合的确定方法在本公开中不进行限定。
51.该第一窗口可以为例如距离该预测日期一个月的历史日期，该第二窗口可以为距
离该预测日期一个星期的历史日期。或者，该第一窗口还可以为例如距离该预测日期一个月至距离该预测日期一个星期之间的历史日期，该第二窗口还可以为例如距离该预测日期两个星期至距离该预测日期三天之间的历史日期等等。
52.在该第一窗口大于该第二窗口，且该第二窗口的起始日比第一窗口的起始日更接近于该预测日期的情况下，该第一窗口中所包括的历史日期相比与第二窗口中所包括的历史日期，是距离该预测日期更远、且包括的历史日期更多的，因此该第一窗口中的历史日期对应的历史销量数据相比于第二窗口中的历史日期对应的历史销量数据更具有全局性和规律性，而第二窗口中的历史日期对应的历史销量数据则更接近预测日期，更具有预测上的局部性。
53.该历史日销量数据也即该第一窗口和第二窗口中所包括的历史日期中，每一个日期分别对应的日销售量。
54.在步骤103中，根据所述第二窗口中每天对应的历史日销售量分别在所述第一窗口中每天对应的历史日销售量中所占的第一比例，将所述第一比例确定为所述第二窗口中每天对应的历史日销售量分别对应的第一权重。
55.例如，若该第一窗口为例如距离该预测日期一个月的历史日期，该第二窗口为距离该预测日期一个星期的历史日期的情况下，该第一窗口中的历史日期对应的历史销量数据和该第二窗口中的历史日期对应的历史销量数据可以分别如表1和表2中所示。
56.表1
[0057][0058][0059]
表2
[0060]
第1天0第4天3第7天36第2天1第5天3
ꢀꢀ
第3天5第6天23
ꢀꢀ
[0061]
在第二窗口中包括的历史日期中对应的历史日销售量分别为0,1,5,3,3,23,36，其中，在该第一窗口中包括的历史日期中对应的历史日销售量中，日销售量0出现的次数为
5次，因此该为0的历史日销售量在该第一窗口中每天对应的历史日销售量中所占的该第一比例为由此类推可得第二窗口中每天对应的历史日销售量分别在所述第一窗口中每天对应的历史日销售量中所占的该第一比例分别为：也即，该第二窗口中每天对应的历史日销售量分别对应的权重为该第二窗口中每天对应的历史日销售量分别对应的权重为
[0062]
其中，在该第二窗口中每天对应的历史日销售量中，有任何历史日销售量在该第一窗口中每天对应的历史日销售量中没有出现过时，其对应的该第一比例还可以为0。
[0063]
在步骤104中，根据所述第二窗口中每天对应的历史日销售量和所述第一权重确定所述待预测商品在所述预测日期中的预测销量。
[0064]
在确定了该第二窗口中每天对应的历史日销售量，也确定了其分别对应的权重的情况下，即可直接计算得到该待预测商品在该预测日期中的预测销量。具体的计算方式在本公开中不进行限制。
[0065]
通过上述技术方案，在根据历史数据加权预测销量时，能够根据历史数据动态调整局部数据对应的权重，也即根据第二窗口的历史数据在第一窗口中的历史数据中所占的比例实时确定第二窗口的历史数据对应的权重。这样不仅考虑到了预测上的局部性原理，同时融入了历史序列的全局性信息和先验知识，对异常值能有效的抑制，使得预测更加鲁棒，提高了对长尾商品的预测性能。
[0066]
图2是根据本公开又一示例性实施例示出的一种销量预测方法的流程图。如图2所述，所述方法还包括步骤201至步骤203。
[0067]
在步骤201中，确定该待预测商品是否属于长尾商品，若是，则转至步骤202，若否，则转至步骤101中继续对该待预测商品进行判断。或者，也可以在判断该待预测商品不属于长尾商品的情况下，通过预设的非长尾商品对应的预测方法对该待预测商品进行销量预测。
[0068]
在步骤202中，判断所述预测日期为工作日或周末。
[0069]
在步骤203中，在判定所述预测日期为所述工作日的情况下，所述第一窗口为距离所述预测日期最接近的、且为工作日的第一预设天数，所述第二窗口为距离所述预测日期最接近的、且为工作日的第二预设天数，其中，所述第一预设天数大于所述第二预设天数。
[0070]
工作日也即周一至周五共五天，周末即周六和周日共两天。
[0071]
在该预测日期落入工作日，例如周一，且该第一预测天数为30天，该第二预设天数为7天时，该第一窗口可以为该预测日期之前6周中属于工作日的共30天，该第二窗口可以为该预测日期之前一周中属于工作日的5天，以及再之前一周中距离该预测日期较近的周四和周五2天，共7天。
[0072]
在步骤204中，也即在所述预测日期为所述工作日的情况下，将所述第二窗口中每天对应的历史日销售量和所述第一权重的加权和作为所述待预测商品在所述预测日期中的预测销量。
[0073]
上述图1中给出的示例中，待预测商品在该预测日期中的预测销量按照步骤202中所示的计算方法，即可以为：
[0074][0075]
通过上述技术方案，在该预测日期为工作日的情况下，可以仅根据历史数据中同样数据工作日的历史日销售量来对该预测日期中的销量进行预测，这样历史日销售量所体现出来的销售规律更符合工作日的销售规律，从而能够使得预测结构更加准确。
[0076]
图3是根据本公开又一示例性实施例示出的一种销量预测方法的流程图。如图3所示，所述方法还包括步骤301至步骤304。
[0077]
在步骤301中，所在判定所述预测日期为所述周末的情况下，所述第一窗口为距离所述预测日期最接近的第一预设天数，所述第二窗口为距离所述预测日期最接近的第二预设天数。
[0078]
也即，在该预测日期为周末的情况下，不会直接全部根据历史数据中属于周末的历史日销售量来对该预测日期的销量进行预测，而是会根据距离该预测日期最接近的该第一预设天数以及距离该预测日期最接近的第二预设天数中的历史日销售量来进行，这样能够解决周末日期分布稀疏所导致的弱规律性的问题，保证对周末日期的销量预测更加准确。
[0079]
在步骤302中，获取所述待预测商品在第三窗口中的历史日销售量和在第四窗口中的历史日销售量，所述第三窗口对应的天数大于所述第四窗口对应的天数，所述第四窗口中的起始日比所述第三窗口中的起始日更接近于所述预测日期，且所述第四窗口中的起始日与所述第二窗口中的起始日不为同一天，所述第三窗口中的起始日与所述第一窗口中的起始日不为同一天。
[0080]
在步骤303中，根据所述第四窗口中每天对应的历史日销售量分别在所述第三窗口中每天对应的历史日销售量中所占的第二比例，将所述第二比例确定为所述第四窗口中每天对应的历史日销售量分别对应的第二权重。
[0081]
在步骤304中，根据所述第二窗口中每天对应的历史日销售量和所述第一权重，以及所述第四窗口中每天对应的历史日销售量和所述第二权重确定所述待预测商品在所述预测日期中的预测销量。
[0082]
由于所述第四窗口中的起始日与所述第二窗口中的起始日不为同一天，且所述第三窗口中的起始日与所述第一窗口中的起始日不为同一天，因此可以认为该第三窗口和该第四窗口中所包括的历史日期与该第一窗口和该第二窗口中所包括的历史日期是不完全重合的。通过上述第三窗口和第四窗口的设置，可以对该预测日期之前更多的历史数据进行该待预测商品的销售规律的提取，从而根据该待预测商品的更多历史日销售量来对该待预测商品的销量进行预测，保证预测鲁棒性。
[0083]
在一种可能的实施方式中，所述第三窗口为距离所述预测日期最接近的、且为周末的第一预设天数，所述第四窗口为距离所述预测日期最接近的、且为周末的第二预设天数。
[0084]
也即，在通过多组窗口对来获取该预测日期之前的历史日销售量时，不同组窗口中获取到的该历史日销售量还可以为不同类型的历史日期中的历史日销售量。例如，在该
预测日期为周末，并且，该第一窗口为距离所述预测日期最接近的第一预设天数，所述第二窗口为距离所述预测日期最接近的第二预设天数，该第三窗口为距离所述预测日期最接近的、且为周末的第一预设天数，所述第四窗口为距离所述预测日期最接近的、且为周末的第二预设天数。在避免由于周末日期分布稀疏所导致的弱规律性的问题的前提下，又能够单独针对周末日期中的销售规律进行获取，从而进行综合预测，使得对周末日期中的销量预测更加准确。
[0085]
图4是根据本公开又一示例性实施例示出的一种销量预测方法的流程图。如图4所示，所述方法还包括步骤401至步骤403。
[0086]
在步骤401中，将所述第二窗口中每天对应的历史日销售量和所述第一权重的加权和作为第一预测销量，将所述第四窗口中每天对应的历史日销售量和所述第二权重的加权和作为第二预测销量。
[0087]
在步骤402中，获取所述第一预测销量对应的第三权重和所述第二预测销量对应的第四权重，所述第三权重和所述第四权重之和为1。
[0088]
在步骤403中，根据所述第三权重和所述第四权重计算所述第一预测销量和所述第二预测销量的加权和作为所述待预测商品在所述预测日期中的预测销量。
[0089]
该第一预测销量和该第二预测销量分别为通过不同窗口组所获取到的历史日期对应的历史日销售量预测得到的该预测日期的销量，可以根据不同窗口组中所包括的历史日期，来确定该第一预测销量和该第二预测销量分别在最终的预测销量中所占的第三权重和该第四权重。该第三权重和该第四权重可以是根据该第一窗口、第二窗口以及第三窗口和第四窗口的设置所预先设置好的。
[0090]
在一种可能的实施方式中，所述第三权重大于所述第四权重。优选的，该第三权重可以为0.9，该第四权重可以为0.1。将该第三权重设置为大于该第四权重，也即更多地通过周末和工作日的历史日销售量来对该属于周末的预测日期的销量进行预测，从而更进一步地避免由于周末分布稀疏所导致的周末历史日销售量规律较弱，进而导致的预测不准的问题。
[0091]
图5是根据本公开一示例性实施例示出的一种销量预测装置的结构框图。如图5所示，所述装置包括：第一获取模块10，用于获取预测请求，所述预测请求中包括待预测商品的属性信息；第二获取模块20，用于若确定所述待预测商品属于长尾商品，获取所述待预测商品在第一窗口中的历史日销售量和在第二窗口中的历史日销售量，所述第一窗口对应的天数大于所述第二窗口对应的天数，且所述第二窗口中的起始日比所述第一窗口中的起始日更接近于预测日期；第一处理模块30，用于根据所述第二窗口中每天对应的历史日销售量分别在所述第一窗口中每天对应的历史日销售量中所占的第一比例，将所述第一比例确定为所述第二窗口中每天对应的历史日销售量分别对应的第一权重；第二处理模块40，用于根据所述第二窗口中每天对应的历史日销售量和所述第一权重确定所述待预测商品在所述预测日期中的预测销量。
[0092]
通过上述技术方案，在根据历史数据加权预测销量时，能够根据历史数据动态调整局部数据对应的权重，也即根据第二窗口的历史数据在第一窗口中的历史数据中所占的比例实时确定第二窗口的历史数据对应的权重。这样不仅考虑到了预测上的局部性原理，同时融入了历史序列的全局性信息和先验知识，对异常值能有效的抑制，使得预测更加鲁
棒，提高了对长尾商品的预测性能。
[0093]
图6是根据本公开又一示例性实施例示出的一种销量预测装置的结构框图。如图6所示，所述装置还包括：判断模块50，用于判断所述预测日期为工作日或周末；在判定所述预测日期为所述工作日的情况下，所述第一窗口为距离所述预测日期最接近的、且为工作日的第一预设天数，所述第二窗口为距离所述预测日期最接近的、且为工作日的第二预设天数，其中，所述第一预设天数大于所述第二预设天数；所述第二处理模块40还用于：将所述第二窗口中每天对应的历史日销售量和所述第一权重的加权和作为所述待预测商品在所述预测日期中的预测销量。
[0094]
在一种可能的实施方式中，在判定所述预测日期为所述周末的情况下，所述第一窗口为距离所述预测日期最接近的第一预设天数，所述第二窗口为距离所述预测日期最接近的第二预设天数。
[0095]
图7是根据本公开又一示例性实施例示出的一种销量预测装置的结构框图。如图7所示，在判定所述预测日期为所述周末的情况下，所述装置还包括：第三获取模块60，用于获取所述待预测商品在第三窗口中的历史日销售量和在第四窗口中的历史日销售量，所述第三窗口对应的天数大于所述第四窗口对应的天数，所述第四窗口中的起始日比所述第三窗口中的起始日更接近于所述预测日期，且所述第四窗口中的起始日与所述第二窗口中的起始日不为同一天，所述第三窗口中的起始日与所述第一窗口中的起始日不为同一天；第三处理模块70，用于根据所述第四窗口中每天对应的历史日销售量分别在所述第三窗口中每天对应的历史日销售量中所占的第二比例，将所述第二比例确定为所述第四窗口中每天对应的历史日销售量分别对应的第二权重；第四处理模块80，根据所述第二窗口中每天对应的历史日销售量和所述第一权重，以及所述第四窗口中每天对应的历史日销售量和所述第二权重确定所述待预测商品在所述预测日期中的预测销量。
[0096]
在一种可能的实施方式中，所述第三窗口为距离所述预测日期最接近的、且为周末的第一预设天数，所述第四窗口为距离所述预测日期最接近的、且为周末的第二预设天数。
[0097]
在一种可能的实施方式中，所述第四处理模块80还用于：将所述第二窗口中每天对应的历史日销售量和所述第一权重的加权和作为第一预测销量，将所述第四窗口中每天对应的历史日销售量和所述第二权重的加权和作为第二预测销量；获取所述第一预测销量对应的第三权重和所述第二预测销量对应的第四权重，所述第三权重和所述第四权重之和为1；根据所述第三权重和所述第四权重计算所述第一预测销量和所述第二预测销量的加权和作为所述待预测商品在所述预测日期中的预测销量。
[0098]
在一种可能的实施方式中，所述第三权重大于所述第四权重。
[0099]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0100]
图8是根据一示例性实施例示出的一种电子设备800的框图。如图8所示，该电子设备800可以包括：处理器801，存储器802。该电子设备800还可以包括多媒体组件803，输入/输出(i/o)接口804，以及通信组件805中的一者或多者。
[0101]
其中，处理器801用于控制该电子设备800的整体操作，以完成上述的销量预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该电子设备800的操
作，这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom)，可编程只读存储器(programmable read
‑
only memory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信，例如wi
‑
fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g、4g、nb
‑
iot、emtc、或其他5g等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件805可以包括：wi
‑
fi模块，蓝牙模块，nfc模块等等。
[0102]
在一示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的销量预测方法。
[0103]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的销量预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由电子设备800的处理器801执行以完成上述的销量预测方法。
[0104]
图9是根据一示例性实施例示出的一种电子设备900的框图。例如，电子设备900可以被提供为一服务器。参照图9，电子设备900包括处理器922，其数量可以为一个或多个，以及存储器932，用于存储可由处理器922执行的计算机程序。存储器932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器922可以被配置为执行该计算机程序，以执行上述的销量预测方法。
[0105]
另外，电子设备900还可以包括电源组件926和通信组件950，该电源组件926可以被配置为执行电子设备900的电源管理，该通信组件950可以被配置为实现电子设备900的通信，例如，有线或无线通信。此外，该电子设备900还可以包括输入/输出(i/o)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
等等。
[0106]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的销量预测方法的步骤。例如，该非临时性计算机可读
存储介质可以为上述包括程序指令的存储器932，上述程序指令可由电子设备900的处理器922执行以完成上述的销量预测方法。
[0107]
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的销量预测方法的代码部分。
[0108]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0109]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0110]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。