销量预测方法、装置、设备及可读存储介质与流程

1.本技术涉及信息管理技术领域，尤其涉及一种销量预测方法、装置、设备及可读存储介质。


背景技术：

2.目前，电商行为是社群运营中必不可少的，通过在社群中，对产品进行宣传和推广，引导社群中客户购买产品。由于，社群中客户性质不同，通常运营方根据个人经验的方式无法准确预测产品销量，进而无法根据预计销量制定准确的推广策略或方式，导致产品的销售效果不理想。


技术实现要素：

3.本技术的主要目的在于提供一种销量预测方法、装置、设备及可读存储介质，旨在解决社群中产品销量预测准确率低的技术问题。
4.为实现上述目的，本技术提供一种销量预测方法，所述销量预测方法包括步骤：
5.获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性；
6.获取所述目标产品对应的运营相关信息和目标预测模型；
7.根据所述特征关联性、所述运营相关信息和所述目标预测模型，得到所述目标产品的预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数据。
8.可选地，所述获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性的步骤，包括：
9.获取目标产品对应的产品相关信息，提取所述产品相关信息中的产品特征标签；
10.获取所述目标产品的至少一个社群画像，提取所述至少一个社群画像的社群特征标签；
11.确定所述产品特征标签和所述社群特征标签之间特征关联性。
12.可选地，所述获取所述目标产品的至少一个社群画像的步骤，包括：
13.获取至少一个社群的社群相关信息，提取所述社群相关信息中的信息特征；
14.根据所述信息特征，建立所述至少一个社群画像。
15.可选地，所述获取目标预测模型的步骤，包括：
16.获取基础预测模型；
17.获取往期产品对应的往期运营数据，建立模型数据库；
18.根据所述模型数据库，对所述基础预测模型进行模型训练，得到所述目标预测模型。
19.可选地，所述根据所述模型数据库，对所述基础预测模型进行模型训练，得到所述目标预测模型的步骤，包括：
20.基于交叉验证法对所述模型数据库进行数据划分处理，得到训练数据集和测试数
据集；
21.将所述训练数据集和所述测试数据集输入至所述基础预测模型中，基于所述基础预测模型对所述训练数据集和所述测试数据集进行预测处理，得到训练预测值；
22.将所述训练销量值与预设销量值进行比对，得到比对结果；
23.基于所述比对结果对所述基础预测模型进行参数调整，并确定是否满足预设训练完成条件，若不满足时，返回将所述训练数据集和所述测试数据集输入至所述基础预测模型中的步骤，直至达到预设训练完成条件，得到目标预测模型。
24.可选地，其特征在于，所述根据预设规则从至少一个预测销量数据中确定目标销量数据的步骤之后，所述方法包括：
25.获取所述目标产品的实际销量数据；
26.根据所述实际销量数据、所述特征关联性和所述运营相关信息，更新所述模型数据库。
27.可选地，所述根据预设规则从至少一个预测销量数据中确定目标销量数据的步骤之后，所述方法还包括：
28.响应预设更新操作，对所述目标预测模型进行训练优化。
29.为实现上述目的，本发明提供一种销量预测装置，所述装置包括：
30.第一获取模块，获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性；
31.第二获取模块，获取所述目标产品对应的运营相关信息和目标预测模型；
32.销量预测模块，根据所述特征关联性、所述运营相关信息和所述目标预测模型，得到所述目标产品的预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数据。
33.此外，为实现上述目的，本技术还提供一种销量预测设备，所述销量预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的销量预测程序，所述销量预测程序被所述处理器执行时实现如上所述的销量预测方法的步骤。
34.此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有销量预测程序，所述销量预测程序被处理器执行时实现如上所述的销量预测方法的步骤。
35.与现有技术中，社群中产品销量无法预测相比，本技术通过获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性；获取所述目标产品对应的运营相关信息和目标预测模型；获取目标预测模型；根据所述特征关联性、所述运营相关信息和所述目标预测模型，得到所述目标产品的预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数据；通过上述方式，获取目标产品与社群之间的特征关联性，以及目标产品对应的运营相关信息，通过目标预测模型，预测目标产品在社群推广或销售时的销量数据，提高了销量预测的准确性。
附图说明
36.图1是本技术销量预测方法第一实施例的流程示意图；
37.图2是本技术销量预测装置较佳实施例的功能模块示意图；
38.图3是本技术实施例方案涉及的硬件运行环境的结构示意图。
39.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
40.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
41.第一实施例
42.本技术提供一种销量预测方法，参照图1，图1为本技术销量预测方法第一实施例的流程示意图。可选地，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
43.本技术实施例提供了销量预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。销量预测方法可应用于应用服务器的用于销量预测的程序模块中。为了便于描述，以下省略执行主体描述销量预测方法的各个步骤。销量预测方法包括：
44.步骤s10，获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性；
45.步骤s20，获取所述目标产品对应的运营相关信息和目标预测模型；
46.步骤s30，根据所述特征关联性、所述运营相关信息和所述目标预测模型，得到所述目标产品的预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数据。
47.具体步骤如下：
48.步骤s10，获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性；
49.在本实施例中，需要说明的是，销量预测方法可以应用于销量预测装置，该销量预测装置属于销量预测系统，该销量预测系统从属于销量预测设备。
50.在本实施例中，具体的应用场景可以是：在社群中，对产品进行宣传和推广，引导社群中客户购买产品。但由于，社群中客户性质不同(如客户基本信息、客户偏好、客户行为信息等)，无法预测产品销量，进而无法根据预计销量制定准确的推广策略或方式，导致产品的销售效果不理想。
51.在本实施例中，需要说明的是，社群是指在某些边界线、地区或领域内具有一定社交关系链的群体，社群中成员有稳定的群体结果和较一致的群体意识，成员有一致的行为规范、持续的互动关系。因此，社群可以是线下的群体/组织，也可以是社交平台上的群体/组织。目标产品是指在各社群中待推广和销售的产品，目标产品对应的产品相关信息是指目标产品的产品特性，根据目标产品的产品特性能够定位目标产品的销售人群、销售区域、销售效果等，由此，通过产品特征预测目标产品的销量。至少一个社群画像是指各社群对应的社群画像，根据社群画像提取社群特征，将目标产品的产品特性和社群的社群特征进行匹配，得到特征关联性。根据特征关联性能够初步评价目标产品是否与该社群匹配，也即，目标产品是否适合在该社群推广和销售，目标产品和社群之间的特征关联性越高，越利于目标产品的销售，从而提高目标产品的销量。
52.进一步地，获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一
个社群画像之间的特征关联性，包括以下步骤s11-s13：
53.步骤s11，获取目标产品对应的产品相关信息，提取所述产品相关信息中的产品特征标签；
54.在本实施例中，目标产品对应的产品相关信息包括产品分类、产品特性、产品品牌、产品价格、产品数量等，获取产品相关信息的文本信息，通过文本信息的关键字/词分析，提取文本信息中的产品特征，对产品特征设定对应子标签，根据子标签生成目标产品的产品特征标签，其中，产品分类可以根据目标产品的用途、原材料、生产方法、化学成分、使用状态等分类。可以理解，若目标产品为润肤水，其产品分类为美妆类，对应子标签为美妆；产品特性为保湿、润肤、适用所有人群，对应子标签为护肤；产品品牌为a品牌，对应子标签为药妆品牌；产品价格为200元，对应子标签为中等消费；产品数量为10000件，对应子标签为少量存货等，根据上述子标签生成产品特征标签，其产品特征标签可以是数量较少、适用于所有人群的药妆产品。
55.需要说明的是，子标签可以由运营方设定，也可以根据预设的标签对照表设定，其中，预设的标签对照表可以是《类似商品和服务区分表》。
56.进一步地，获取目标产品对应的产品相关信息，通过产品相关信息的关键字/词分析，提取所述产品相关信息中的产品特征标签的步骤，具体可以是，获取产品相关信息的文本信息，提取文本信息和/或文本信息中的产品特征，生成目标产品的产品特征标签。
57.步骤s12，获取所述目标产品的至少一个社群画像，提取所述至少一个社群画像的社群特征标签；
58.在本实施例中，目标产品对应的可推广或销售的社群较多，获取每一个社群的社群画像，通过社群画像提取社群特征标签，根据社群特征标签可以获取该社群的特性。因此，根据目标产品的产品特征标签和社群特征标签的匹配度，可以初步评价目标产品在该社群内推广或销售时的销售效果。可以理解，若产品特征标签和社群特征标签之间的匹配度越高，则达到最优销售效果的概率越高。
59.其中，获取所述目标产品的至少一个社群画像，提取所述至少一个社群画像的社群特征标签，包括以下步骤s121-s122：
60.步骤s121，获取至少一个社群的社群相关信息，提取所述社群相关信息中的信息特征；
61.步骤s122，根据所述信息特征，建立所述至少一个社群画像。
62.在本实施例中，社群相关信息包括用户相关信息和推广相关信息。其中，用户相关信息是指社群中人员的人口属性、社会属性、行为习惯、兴趣偏好、心理属性等信息，其中，人口属性是指社群中人员的基本信息，基本信息如年龄、性别、地域、学历、收入和教育等；社会属性是指社会职务、婚姻状况、住房车辆情况、社交关系等；行为习惯是指运动、休闲旅游、饮食起居等偏好；兴趣偏好如购物、游戏、体育、文化等信息；心理属性是指生活方式、个性、需求动机、价值观、人生态度等。通过获取社群中各人员的上述用户相关信息后，对用户相关信息进行关键字/词分析，提取用户相关信息中的信息特征为用户信息特征。
63.推广相关信息是指社群中往期推广和运营的信息，包括推广软文、产品等，对推广相关信息进行关键字/词分析，提取推广相关信息中的信息特征为的推广信息特征。对社群中用户信息特征和推广信息特征进行统计和整理后，建立社群画像，多个社群时，每一个社
群建立各自对应的社群画像。
64.需要说明的是，社群相关信息获取的越多，建立的社群画像越完善，后续对目标销量数据的预测越准确。社群相关信息的获取方式，可以是与社群人员的交流和沟通的方式、观察社群的通信内容的方式、关注社群中人员的方式、问卷调查的方式和填写表单的方式等。
65.步骤s13，确定所述产品特征标签和所述社群特征标签之间特征关联性。
66.在本实施例中，根据产品特征标签和社群特征标签，确定产品特征标签和社群特征标签之间的特征关联性。具体地，各标签中包含有标签语义词距，根据标签语义词距之间的词距数值的差值，得到产品特征标签和社群特征标签之间的特征关联性。需要说明的是，产品特征标签和社群特征标签之间的特征关联性越高，目标产品在社群中的销售效果好的概率越大。可以理解，若目标产品的产品特征标签为适用于中青年的彩妆，一社群的社群特征标签为中青年、时尚等，二社群的社群特征标签为中老年、养生、锻炼等，则目标产品与一社群的特征关联性大于目标产品与二社群的特征关联性，因此，目标产品在一社群销售时，实现的销售效果会优于在二社群的销售。
67.步骤s20，获取所述目标产品对应的运营相关信息和目标预测模型；
68.在本实施例中，运营相关信息是指目标产品进行推广或运营时的运营策略，运营相关信息包括产品投放时间、产品价格区间、产品存货量、预计浏览量区间等维度。由于，产品投放时间的单位为年/月/日/时/分/秒等，产品价格区间的单位为人民币/欧元/英镑等，产品投放时间和产品价格区间之间无法进行比较和合理计算，因此，需要将运营相关信息中的各维度信息对应的数据进行归一化处理，将各维度数据映射到固定的实数范围中，如[-1-1]的实数空间中。
[0069]
在本实施例中，目标预测模型是指用于根据目标产品对应的特征关联性、运营相关信息，预测目标产品的销量数据。
[0070]
其中，获取目标预测模型，包括以下步骤s21-s23：
[0071]
步骤s21，获取基础预测模型；
[0072]
步骤s22，获取往期产品对应的往期运营数据，建立模型数据库；
[0073]
步骤s23，根据所述模型数据库，对所述基础预测模型进行模型训练，得到所述目标预测模型。
[0074]
在本实施例中，基础预测模型是指模型参数未确定的目标预测模型的基础模型，基础预测模型可以是线性模型，如下述公式(1)：
[0075][0076]
其中，xi为往期产品对应的往期运营数据和往期特征关联性(往期产品和往期社群之间的特征关联性)，αi为xi的数据参数，为模型参数。
[0077]
往期运营数据包括往期销量数据和往期运营策略，其中，往期运营策略包括往期产品投放时间、往期产品价格区间、往期产品存货量、往期预计浏览量区间等维度，将各往期运营数据用xi表示，αi为各往期运营数据对应的数据参数，将往期运营数据标准化处理，建立模型数据库。根据模型数据库中的数据对上述公式(1)进行模型训练，得到参数αi和的数值，由此，等到完整的目标预测模型。
[0078]
其中，根据所述模型数据库，对所述基础预测模型进行模型训练，得到所述目标预测模型，包括以下步骤s231-s234：
[0079]
步骤s231，基于交叉验证法对所述模型数据库进行数据划分处理，得到训练数据集和测试数据集；
[0080]
步骤s232，将所述训练数据集和所述测试数据集输入至所述基础预测模型中，基于所述基础预测模型对所述训练数据集和所述测试数据集进行预测处理，得到训练预测值；
[0081]
步骤s233，将所述训练销量值与预设销量值进行比对，得到比对结果；
[0082]
步骤s234，基于所述比对结果对所述基础预测模型进行参数调整，并确定是否满足预设训练完成条件，若不满足时，返回将所述训练数据集和所述测试数据集输入至所述基础预测模型中的步骤，直至达到预设训练完成条件，得到目标预测模型。
[0083]
在本实施例中，将模型数据库进行数据划分处理，得到训练数据集和测试数据集，其中，不同的数据集中包含多个数据样本，一个数据样本包括一个往期产品的一组往期销量数据和往期运营策略对应的数据。需要说明的是，对模型数据库进行数据划分时，可以根据一定的规则划分，其中，一定的规则可以是运营者根据每个数据样本的发生时间划分、根据网络模型中数据划分方式或根据数据集中数据样本的比例划分，优选的，使用交叉验证法将模型数据库划分为训练数据集和测试数据集。
[0084]
将训练数据集和测试数据集输入至基础预测模型中，基于基础预测模型对训练数据集和测试数据集进行预测处理，得到训练预测值。基础预测模型训练过程中会有一定的损失，使得通过基础预测模型得到的训练销量值和预设销量值不同，其中，预设销量值是一组数据样本中，往期产品销售得到的往期销量数据。训练销量值和预设销量值之间存在的误差值，可以评价不同的基础预测模型的预测准确性，根据误差值对基础预测模型进行参数调整，以提高其预测的准确性。具体地，将训练数据建库中的训练数据集输入基础预测模型中，得到αi和更新公式(1)，将测试数据集中的往期产品的往期运营策略和往期产品与往期社群之间的特征关联性数值输入至更新后的公式(1)中，得到训练销量值。
[0085]
比对训练销量值和预设销量值，得到比对结果，基于比对结果对基础预测模型进行参数调整。并确定是否满足预设训练完成条件，其中，预设训练完成条件由用户设定，可以是训练的极限次数，当训练的次数达到极限次数时，满足预设训练完成条件，结束训练；可以是比对结果是否满足允许误差范围，允许误差范围是指训练销量值和预设销量值之间允许的差值，也即，在允许误差范围内的比对结果属于正常范围，当比对结果在允许误差范围内时，则满足预设训练完成条件，结束训练；还可以是训练时长、训练步长等。若不满足预设训练完成条件时，则返回将所述训练数据集和所述测试数据集输入至所述基础预测模型中的步骤，继续对基础预测模型进行训练，直至满足预设训练完成条件，得到上述公式(1)中的准确的参数αi和的值，由此获得到目标预测模型。需要说明的是，也可以在模型训练过程中，绘制roc曲线(receiver operator characteristic curve，受试者工作特征曲线)，根据roc曲线选择理想模型，也即目标预测模型。
[0086]
需要说明的是，在根据往期销量数据和往期运营策略对应的数据组成的数据集对基础预测模型进行模型训练时，可以将往期销量数据和往期运营策略对应的数据根据一定的规则划分为区间值，如往期运营策略中往期产品投放时间，8-14点为时间1，14-20点为时
间2，20-次日8点为时间3，其他往期运营策略对应的数据也根据一定的规则划分区间值，在此不再赘述。由此，在通过目标预测模型对目标产品进行销量预测时，将目标产品对应的运营相关信息也按照对应的规则划分为区间值，需要说明的是，同一种属性的信息划分规则相同，如运营相关信息中的目标产品投放时间也应根据往期运营策略中往期产品投放时间的规则划分，具体划分为8-14点为时间1，14-20点为时间2，20-次日8点为时间3。因此，将目标产品的运营相关信息输入至目标预测模型中相应的xi中，得到的预测销量数据也是一个区间值，扩大了目标预测模型的适应范围，提高预测准确性。
[0087]
步骤s30，根据所述特征关联性、所述运营相关信息和所述目标预测模型，得到所述目标产品的预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数据。
[0088]
在本实施例中，将特征关联性对应的数值和运营相关信息对应的数值输入至目标预测模型的xi中，通过目标预测模型运算，得到目标产品对应的预测销量数据。由于目标产品可推广的社群至少有一个，则目标产品与每个社群之间均有特征关联性，因此，经过目标预测模型的多次运算，得到至少一个预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数剧。其中，目标销量数据是指销量最优、销售效果最优的数据，目标销量数据对应的社群即为最优社群/最适于推广目标产品的社群。预设规则可以由运营者设定，根据运营者的运营目标需求选择，如最优销量原则、销量与产品库存匹配原则等；也可以是由系统设定，根据往期数据，选择一个特定值，在预测销量数据达到特定值要求时，则预测销量数据对应的数据即为目标销量数据。
[0089]
本技术销量预测方法，包括以下步骤：获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性；获取所述目标产品对应的运营相关信息和目标预测模型；获取目标预测模型；根据所述特征关联性、所述运营相关信息和所述目标预测模型，得到所述目标产品的预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数据；通过上述方式，获取目标产品与社群之间的特征关联性，以及目标产品对应的运营相关信息，通过目标预测模型，预测目标产品在社群推广或销售时的销量数据，运营者根据预测的销量数据，能够及时调整运营策略，达到理想销售效果；同时，基于目标产品与社群之间的特征关联性对目标产品的预测，提高了与目标产品相类似产品的销量预测的准确性。
[0090]
第二实施例
[0091]
基于上述第一实施例，提出本技术销量预测方法的第二实施例。在本实施例中，所述销量预测方法还包括：
[0092]
步骤s40，获取所述目标产品的实际销量数据；
[0093]
步骤s50，根据所述实际销量数据、所述特征关联性和所述运营相关信息，更新所述模型数据库。
[0094]
在本实施例中，在社群中目标产品推广或销售结束后，统计和记录目标产品的实际销量数据，将实际销量数据、本次目标产品和社群画像之间的特征关联性、本次目标产品的运营相关信息组成一组数据样本，将数据样本扩充至模型数据库，由此更新模型数据库。由于模型数据库中数据样本的充实，加大了对目标预测模型的训练和优化，能够得到较为贴近实际活动的目标预测模型，提高了目标预测模型的预测准确性。
[0095]
需要说明的是，再获取目标产品的实际销量数据后，对实际销量数据与目标销量数据进行计算，得到预测的准确率数值。根据预测准确率评价目标预测模型是否符合标准或是否需要调整，具体地，若设定最低准确率为m，根据实际销量数据与目标销量数据进行计算，得到预测的准确率为n，设定条件若n小于m时，则表示预测准确率偏低，需要对目标预测模型进行优化，输出模型优化信息；若n大于或等于m，则表示预测准确率满足需求，可以继续使用。因此，根据每一次活动后，目标产品的实际销量数据与目标销量数据的准确率计算，能够持续保持目标预测模型的预测准确性。
[0096]
第三实时例
[0097]
基于上述第一实施例和第二实施例，提出本技术销量预测方法的第三实施例。在本实施例中，所述销量预测方法还包括：
[0098]
步骤s60，响应预设更新操作，对所述目标预测模型进行训练优化。
[0099]
在本实施例中，预设更新操作是预先设定的更新操作，在监测到需要更新目标预测模型时，系统自动激发预设更新操作，对目标预测模型进行训练和更新。具体地，监测到需要更新目标预测模型可以是监测到更新信号，如设定固定单位时间更新目标预测模型，则当系统时间处于固定单位时间时，触发更新信号；或者是当目标产品的实际销量数据与目标销量数据的之间的准确率低于预设的最低准确率时，触发更新信号；再或者是监测到模型数据库更新后，触发更新信号。其中，监测到模型数据库更新后，触发更新信号，获取模型数据库中数据样本，对预测没模型进行训练和更新。
[0100]
第四实施例
[0101]
本技术还提供一种销量预测装置，参照图2，所述销量预测装置包括：
[0102]
第一获取模块10，获取目标产品对应的产品相关信息，计算所述产品相关信息和至少一个社群画像之间的特征关联性；
[0103]
第二获取模块20，获取所述目标产品对应的运营相关信息和目标预测模型；
[0104]
销量预测模块30，根据所述特征关联性、所述运营相关信息和所述目标预测模型，得到所述目标产品的预测销量数据，根据预设规则从至少一个预测销量数据中确定目标销量数据。
[0105]
可选地，所述第一获取模块10包括：
[0106]
第一获取子模块，获取目标产品对应的产品相关信息，提取所述产品相关信息中的产品特征标签；
[0107]
第二获取子模块，获取所述目标产品的至少一个社群画像，提取所述至少一个社群画像的社群特征标签；
[0108]
确定子模块，确定所述产品特征标签和所述社群特征标签之间特征关联性。
[0109]
可选地，所述第二获取子模块包括：
[0110]
获取子单元，获取至少一个社群的社群相关信息，提取所述社群相关信息中的信息特征；
[0111]
创建子单元，根据所述信息特征，建立所述至少一个社群画像。
[0112]
可选地，所述第二获取模块20包括：
[0113]
第三获取子模块，获取基础预测模型；
[0114]
第四获取子模块，获取往期产品对应的往期运营数据，建立模型数据库；
[0115]
模型训练子模块，根据所述模型数据库，对所述基础预测模型进行模型训练，得到所述目标预测模型。
[0116]
可选地，所述模型训练子模块包括：
[0117]
数据处理子单元，基于交叉验证法对所述模型数据库进行数据划分处理，得到训练数据集和测试数据集；
[0118]
数据计算子单元，将所述训练数据集和所述测试数据集输入至所述基础预测模型中，基于所述基础预测模型对所述训练数据集和所述测试数据集进行预测处理，得到训练预测值；
[0119]
比对子单元，将所述训练销量值与预设销量值进行比对，得到比对结果；
[0120]
模型训练子单元，基于所述比对结果对所述基础预测模型进行参数调整，并确定是否满足预设训练完成条件，若不满足时，返回将所述训练数据集和所述测试数据集输入至所述基础预测模型中的步骤，直至达到预设训练完成条件，得到目标预测模型。
[0121]
可选地，所述销量预测装置还包括：
[0122]
第三获取模块，获取所述目标产品的实际销量数据；
[0123]
更新模块，根据所述实际销量数据、所述特征关联性和所述运营相关信息，更新所述模型数据库。
[0124]
可选地，所述销量预测装置还包括：
[0125]
响应模块，响应预设更新操作，对所述目标预测模型进行训练优化。
[0126]
此外，本技术还提供一种销量预测设备。如图3所示，图3是本技术实施例方案涉及的硬件运行环境的结构示意图。
[0127]
需要说明的是，图3即可为销量预测设备的硬件运行环境的结构示意图。
[0128]
如图3所示，该销量预测设备可以包括：处理器1001，例如cpu，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0129]
可选地，销量预测设备还可以包括rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。
[0130]
本领域技术人员可以理解，图3中示出的销量预测设备结构并不构成对销量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0131]
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及销量预测程序。其中，操作系统是管理和控制销量预测设备硬件和软件资源的程序，支持销量预测程序以及其它软件或程序的运行。
[0132]
在图3所示的销量预测设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的用户信令数据；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的销量预测程序，并执行如上
所述的销量预测方法的步骤。
[0133]
本技术销量预测设备具体实施方式与上述销量预测方法各实施例基本相同，在此不再赘述。
[0134]
此外，本技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有销量预测程序，所述销量预测程序被处理器执行时实现如上所述的销量预测方法的步骤。
[0135]
本技术计算机可读存储介质具体实施方式与上述销量预测方法各实施例基本相同，在此不再赘述。
[0136]
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0137]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0138]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本技术各个实施例所述的方法。
[0139]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。