申请/专利权人：青岛中沃兴牧食品科技有限公司

申请日：2023-06-22

公开（公告）日：2024-04-02

公开（公告）号：CN116823327B

主分类号：G06Q30/0202

分类号：G06Q30/0202;G06Q30/0201;G06F18/10;G06F18/213;G06F18/27;G06N3/0442;G06N3/048;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.10.24#实质审查的生效;2023.09.29#公开

摘要：一种基于深度学习的猪肉专卖网点销售量的预测方法，涉及销售量预测领域，主要包括收集客流量数据，通过客流量装置收集网点客流量数据，将单位时段的客流量数据进行保存；收集时间节日、气候数据，将与客流量数据相对应的时间节日、气候数据进行收集；数据清洗和预处理；销售量预测模型训练和生成；通过客流量预测模型预测单位时间内的客流量数据；预测出单位时间内的猪肉销售量；其有益效果为本发明通过先训练出客流量预测模型，再根据客流量预测模型预测的客流量数据，可以精准的把握客流量在猪肉专卖网点出现的规律，避免了传统的直接采用线性回归或二次函数回归中没有加入时间、节日和气候特征因素的问题，客流量预测更为精准。

主权项：1.一种基于深度学习的猪肉专卖网点销售量的预测方法，其特征在地，具体的步骤如下：S11,收集客流量数据，通过客流量装置收集网点客流量数据，将网点的销售量数据和单位时间内的客流量数据进行保存；S12,收集时间节日和气候数据，将与客流量数据相对应的时间节日和气候数据进行收集；S13,数据清洗和预处理，对步骤S11步骤S12中收集的数据进行清洗，对异常值或缺失值采用删除法，所收集的数据中涉及到数值型数据则采用Z-score标准化法对其进行标准化处理，所收集的数据涉及到类型数据则采用嵌入层法进行数据预处理，通过嵌入层法将其转换为实数向量，从而使得模型能够更好地处理这些数据，将离散数据进行充分表达，通过离散数据之间的余弦值反应各离散数据之间的关联度；S14：销售量预测模型训练和生成，将步骤S13处理好的数据，输入到LSTM模型进行训练生成销售量预测模型，将单位时间内的客流量数据、时间节日特征数据和气候数据作为特征模型特征数据，以单位时间内的猪肉销售量作为目标数据，采用多层LSTM模型对进行训练，LSTM模型经过多次迭代后，当损失误差值趋于平稳时结束训练；将训练完成的销售量预测模型进行保存，用于单位时间内的猪肉销售量的预测；S15：通过客流量预测模型预测单位时间内的客流量数据；S16：将步骤S12中关于时间节日、气候数据和步骤S15预测得到的客流量数据，经过与步骤S13的数据清洗和预处理后，输入到步骤S14的销售量预测模型中，预测出单位时间内的猪肉销售量；所述的客流量数据通过客流量监控装置收集数据，所述的客流量监控装置主要包括支脚1、连接环2、连接杆3、客流量计4、伸缩杆5和反射板6，所述的客流量计4分为底部客流量计41和顶部客流量计42，所述的支脚1通过固定螺栓7与连接环2固定在一起，所述的连接杆3插入到连接环2内，所述连接杆3的顶端安装在底部客流量计41的底部上，所述的底部客流量计41的顶端连接有伸缩杆5，伸缩杆5由多节连杆组成，可以自由伸缩，所述的伸缩杆5的顶端设有用于衔接伸缩杆5与顶部客流量计42的连接头9，所述的连接头9的顶部固定有顶部客流量计42；所述的顶部客流量计42距地高度为120-130cm，所述的底部客流量计41的离地高度为80-100cm，所述的客流量数据获取的公式为： 其中K为实际客流量数据，采用Round函数对计算结果进行四舍五入取整，为顶部客流量计42的客流量读数，为底部客流量计41的客流量读数；所述的销售量预测模型的损失函数为均方误差损失函数,激活函数为ReLU函数，所述的销售量预测模型的层数为两层，第一层有64个隐含神经元，第二层有32个隐含神经元。

全文数据：

权利要求：

百度查询： 青岛中沃兴牧食品科技有限公司 一种基于深度学习的猪肉专卖网点销售量的预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD