技术摘要：
本申请公开了一种线下门店商品销量预测方法、装置和设备，对获取的商品的第一历史销售数据进行目标特征提取和分层分类，得到若干个训练集；将各个训练集分别输入到若干个待训练模型进行训练，得到若干个预测模型；将基于目标商品的第二历史销售数据提取的第一特征分别  全部
背景技术：
现有的商品销量预测方法均是采用单一的模型进行预测，主要可以分为两类，一 类是基于时间序列的预测模型，通过对预测目标自身时间序列进行处理来进行预测，该模 型对非序列、非线性关系数据的学习能力较弱，使得预测准确度不高；另一类是基于机器学 习的预测模型，通过支持向量机、随机森林、卷积神经网络等模型对历史数据进行训练，当 待预测的数据与历史数据相差较大时，会使得预测准确率下降。而线下门店的商品销售数 据具有不同的地域、品类等属性，因此，得到的商品数据是多种类的，而采用单一的预测模 型对多种类商品数据进行预测，存在预测准确率低的技术问题。
技术实现要素：
本申请提供了一种线下门店商品销量预测方法、装置和设备，用于解决现有的销 量预测方法采用单一预测模型存在的预测准确率低的技术问题。 有鉴于此，本申请第一方面提供了一种线下门店商品销量预测方法，包括： 获取若干个线下门店的商品的第一历史销售数据； 对所述第一历史销售数据进行目标特征提取和分层分类，得到若干个训练集； 将每个所述训练集分别输入到若干个待训练模型进行训练，得到若干个预测模 型，所述预测模型的数量为所述训练集的数量与所述待训练模型的数量之积，所述待训练 模型至少包括机器学习模型和时间序列模型； 对获取的目标商品的第二历史销售数据进行目标特征提取得到第一特征，将所述 第一特征分别输入到各个所述预测模型，得到若干个预测销量，所述第二历史销售数据距 离当前时间的时间段小于所述第一历史销售数据距离当前时间的时间段； 计算所述目标商品的实际销量与每个所述预测销量的误差值，将最小的所述误差 值对应的所述预测模型作为最佳预测模型； 获取所述目标商品的第三历史销售数据，对所述第三历史销售数据进行目标特征 提取得到第二特征，将所述第二特征输入到所述最佳预测模型，输出所述目标商品在预置 时间段的销量，所述第三历史销售数据距离当前时间的时间段小于所述第二历史销售数据 距离当前时间的时间段。 可选的，所述对所述第一历史销售数据进行目标特征提取，之前还包括： 对所述第一历史销售数据进行预处理，所述预处理包括数据筛选、数据缺失值填 充或异常值修改。 可选的，所述目标特征至少包括季节性特征、节假日特征、天气特征或门店特征。 可选的，对所述第一历史销售数据进行分层分类，包括： 4 CN 111724211 A 说　明　书 2/7 页 基于商品属性对所述第一历史销售数据进行分层分类，所述商品属性至少包括地 域、商品品类、销量、波动性和销售频率。 可选的，所述误差值包括加权平均绝对百分比误差值、平均绝对百分比误差值、均 方误差值或平均绝对误差值。 本申请第二方面提供了一种线下门店商品销量预测装置，包括： 第一获取单元，用于获取若干个线下门店的商品的第一历史销售数据； 分类单元，用于对所述第一历史销售数据进行目标特征提取和分层分类，得到若 干个训练集； 训练单元，用于将每个所述训练集分别输入到若干个待训练模型进行训练，得到 若干个预测模型，所述预测模型的数量为所述训练集的数量与所述待训练模型的数量之 积，所述待训练模型至少包括机器学习模型和时间序列模型； 提取单元，用于对获取的目标商品的第二历史销售数据进行目标特征提取得到第 一特征，将所述第一特征分别输入到各个所述预测模型，得到若干个预测销量，所述第二历 史销售数据距离当前时间的时间段小于所述第一历史销售数据距离当前时间的时间段； 计算单元，用于计算所述目标商品的实际销量与每个所述预测销量的误差值，将 最小的所述误差值对应的所述预测模型作为最佳预测模型； 预测单元，用于获取所述目标商品的第三历史销售数据，对所述第三历史销售数 据进行目标特征提取得到第二特征，将所述第二特征输入到所述最佳预测模型，输出所述 目标商品在预置时间段的销量，所述第三历史销售数据距离当前时间的时间段小于所述第 二历史销售数据距离当前时间的时间段。 可选的，还包括： 预处理单元，用于对所述第一历史销售数据进行预处理，所述预处理包括数据筛 选、数据缺失值填充或异常值修改。 可选的，所述目标特征至少包括季节性特征、节假日特征、天气特征或门店特征。 可选的，所述误差值包括加权平均绝对百分比误差值、平均绝对百分比误差值、均 方误差值或平均绝对误差值。 本申请第三方面提供了一种线下门店商品销量预测设备，所述设备包括处理器以 及存储器； 所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器； 所述处理器用于根据所述程序代码中的指令执行单一方面任一种所述的线下门 店商品销量预测方法。 从以上技术方案可以看出，本申请具有以下优点： 本申请提供了一种线下门店商品销量预测方法，包括：获取若干个线下门店的商 品的第一历史销售数据；对第一历史销售数据进行目标特征提取和分层分类，得到若干个 训练集；将每个训练集分别输入到若干个待训练模型进行训练，得到若干个预测模型，预测 模型的数量为训练集的数量与待训练模型的数量之积，待训练模型至少包括机器学习模型 和时间序列模型；对获取的目标商品的第二历史销售数据进行目标特征提取得到第一特 征，将第一特征分别输入到各个预测模型，得到若干个预测销量，第二历史销售数据距离当 前时间的时间段小于第三历史销售数据距离当前时间的时间段；计算目标商品的实际销量 5 CN 111724211 A 说　明　书 3/7 页 与每个预测销量的误差值，将最小的误差值对应的预测模型作为最佳预测模型；获取目标 商品的第三历史销售数据，对第三历史销售数据进行目标特征提取得到第二特征，将第二 特征输入到最佳预测模型，输出目标商品在预置时间段的销量，第三历史销售数据距离当 前时间的时间段小于第二历史销售数据距离当前时间的时间段。 本申请中的线下门店商品销量预测方法，获取若干个线下门店的商品的第一历史 销售数据，并对第一历史销售数据进行目标特征提取和分层分类，得到若干个训练集，通过 分层分类，使得每个训练集的特征比较突出，每个训练集拥有更一致的特征，可以更好的训 练待训练模型；将每个数据集分别输入到若干个待训练模型进行训练，使用机器学习模型 和时间序列模型等多个待训练模型进行训练，避免单一模型预测准确度不高的问题；通过 对获取的目标商品的第二历史销售数据进行目标特征提取并输入到各个预测模型，得到多 个预测销量，通过计算预测销量和真实销量的误差值来回测，选择适合目标商品的最优预 测模型，将最优预测模型来预测目标商品预置时间段的销量，通过目标商品的第二历史销 售数据来进行回测，从而选择最适合目标商品的预测模型，提高了预测准确率，解决了现有 的销量预测方法采用单一预测模型存在的预测准确率低的技术问题。 附图说明 图1为本申请实施例提供的一种线下门店商品销量预测方法的一个流程示意图； 图2为本申请实施例提供的一种线下门店商品销量预测方法的另一个流程示意 图； 图3为本申请实施例提供的一种线下门店商品销量预测装置的一个结构示意图。