(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123901.0 (22)申请日 2022.09.15 (71)申请人 中国平安财产保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心12、 13、 38、 39、 40 层 (72)发明人 刘兴廷　 (74)专利代理 机构 深圳国新 南方知识产权代理 有限公司 4 4374 专利代理师 周纯 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于神经网络的销售预测方法、 装置、 设备 及介质 (57)摘要 本申请实施例提供的基于神经网络的销售 预测方法、 装置、 设备及介质， 包括： 获取待预测 的目标商品的时序样本数据； 将目标商品的行为 向量和类别向量输入至第一神经网络中， 输出目 标商品的行为权重； 将目标商品的环境向量、 类 别向量以及销售向量输入至第二神经网络中， 输 出目标商品的环境权重； 根据行为权重和环境权 重进行融合处理； 将目标商品的融合样本数据输 入LSTM模型中， 输 出在预设的目标时间的销售预 测值； 通过上述方式， 引入目标商品不同类型的 商品属性因子进行预测， 有利于提高销售预测的 准确性； 通过神经网络学习不同类型的向量与目 标商品的类别之间的关系， 使得各商品属性因子 的时序样 本数据更好的融合， 有利于提高销售预 测的准确性。 权利要求书3页 说明书10页 附图2页 CN 115471260 A 2022.12.13 CN 115471260 A 1.一种基于神经网络的销售预测方法， 其特 征在于， 包括： 获取待预测的目标商品的多个商品属性因子的第一历史时间段的时序样本数据， 其 中， 所述多个商品属性因子按照预设类型被划分， 所述预设类型包括环境类型、 行为类型和 销售类型； 获取所述目标商 品的行为向量和类别向量， 将所述目标商 品的行为向量和类别向量输 入至预先训练好的第一神经网络中， 输出所述目标商品的行为权重， 其中， 所述行为权重用 于表征用户的对应行为对属于对应类别的所述目标商品的影响程度， 所述行为向量是根据 所述行为类型的至少一个商品属性因子的第一历史时间段的时序样本数据获取的； 获取所述目标商 品的环境向量、 类别向量和销售向量， 将所述目标商品的环境向量、 类 别向量和销售向量输入至预先训练好的第二神经网络中， 输出所述 目标商品的环境权重， 其中， 所述环境权重用于表征对应环境指标对属于对应类别的所述目标商品的销售的影响 程度， 所述环境向量是根据所述环境类型的至少一个商品属性因子的第一历史时间段的时 序样本数据获取的， 所述销售向量是根据所述销售类型的至少一个商品属性因子的第一历 史时间段的时序样本数据获取的； 根据所述行为权重和所述环境权重将所述目标商品的多个商品属性因子的第一历史 时间段的时序样本数据进 行融合处理， 得到所述目标商品的第一历史时间段的融合样本数 据； 将所述目标商品的第 一历史时间段的融合样本数据输入至预先训练好的LSTM模型中， 输出所述目标商品在预设的目标时间的销售预测值， 其中， 所述LSTM模型是根据各商品在 第二历史时段的融合样本数据以及各商品在目标历史时间的真实销售值训练得到的。 2.根据权利要求1所述的基于神经网络的销售预测方法， 其特征在于， 所述获取待预测 的目标商品的多个商品属性因子的第一历史时间段的时序样本数据之后， 还 包括： 针对同一预设类型的多个商品属性因子， 获取每两个所述商 品属性因子的第 一历史时 间段的时序样本数据的相似度； 根据所述相似度对 对应所述预设类型的所述商品属性因子进行筛 选。 3.根据权利要求1所述的基于神经网络的销售预测方法， 其特征在于， 所述获取所述目 标商品的行为向量和类别向量， 将所述目标商品的行为向量和类别向量输入至预先训练好 的第一神经网络中， 输出 所述目标商品的行为权 重， 包括： 根据所述行为类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据 获取所述目标商品在所述第一历史时间段的行为数据， 根据所述行为数据获取所述行为向 量； 根据所述目标商品的类别数据获取 所述类别向量； 将所述目标商品的行为向量和类别向量输入至所述第一神经网络的至少一个特征提 取层， 对所述行为向量和所述类别向量进行交叉 特征提取， 得到行为及类别交叉 特征； 将所述行为及类别交叉特征在所述第一神经网络的输出层中经过Sigmoid函数进行非 线性映射， 输出 所述行为权 重。 4.根据权利要求3所述的基于神经网络的销售预测方法， 其特征在于， 所述获取所述目 标商品的环境向量和类别向量， 将所述目标商品的环境向量和类别向量输入至预先训练好 的第二神经网络中， 输出 所述目标商品的环境权 重， 包括：权　利　要　求　书 1/3 页 2 CN 115471260 A 2根据所述环境类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据 获取所述目标商品在所述第一历史时间段的环境数据， 根据所述环境数据获取所述环境向 量； 根据所述销售类型的至少一个所述商品属性因子的第一历史时间段的时序样本数据 获取所述目标商品在所述第一历史时间段的销售数据， 根据所述销售数据获取所述销售向 量； 根据所述目标商品的类别数据获取 所述类别向量； 将所述目标商品的环境向量、 类别向量和销售向量输入至所述第 二神经网络的至少一 个特征提取层， 对所述环境向量、 类别向量和所述销售向量进 行交叉特征提取， 得到环境及 销售交叉 特征； 将所述环境及销售交叉特征在所述第二神经网络的输出层中经过Sigmoid函数进行非 线性映射， 输出 所述环境权 重。 5.根据权利要求4所述的基于神经网络的销售预测方法， 其特征在于， 所述根据 所述行 为权重和所述环境权重将所述目标商品的多个商品属 性因子的第一历史时间段 的时序样 本数据进行融合处 理， 得到所述目标商品的第一历史时间段的融合样本数据， 包括： 对所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据分别进行归 一化处理， 得到所述目标商品的多个商品属性因子的第一历史时间段的标准时序样本数 据； 获取所述行为权重与所述环境权重的权重和， 根据数值1与所述权重和的差值计算销 售权重； 将所述行为权重作为所述行为类型的商 品属性因子的权重， 将所述环境权重作为所述 环境类型的商品属性因子的权重， 将所述销售权重作为所述销售 类型的商品属性因子的权 重， 将所述目标商品的多个商品属性因子的第一历史时间段的时序样本数据进行融合处 理， 得到所述融合样本数据。 6.根据权利要求4所述的基于神经网络的销售预测方法， 其特征在于， 所述根据 所述行 为类型的至少一个所述商品属 性因子的第一历史时间段 的时序样本数据获取所述目标商 品在所述第一历史时间段的行为数据， 根据所述行为数据获取 所述行为向量， 包括： 根据所述行为类型的所述商品属性因子的第 一历史时间段的多个时序样本数据之和， 获取所述商品属性因子在所述第一历史时间段的行为数据； 将每个所述商品属性因子的行为数据分别进行o ne‑hot编码， 得到第一行为编码数据； 将所述第一行为编码数据输入至Embedding层， 输出Embedding表示的第二行为编码数 据， 将所述第二行为编码数据的集 合作为所述行为向量。 7.根据权利要求4所述的基于神经网络的销售预测方法， 其特征在于， 所述根据 所述环 境类型的至少一个所述商品属 性因子的第一历史时间段 的时序样本数据获取所述目标商 品在所述第一历史时间段的环境数据， 根据所述环境数据获取 所述环境向量， 包括： 根据所述环境类型的所述商品属性因子的第一历史时间段的多个时序样本数据的平 均值， 获取 所述商品属性因子在所述第一历史时间段的环境数据； 将每个所述商品属性因子的环境数据分别进行o ne‑hot编码， 得到第一环境编码数据； 将所述第一环境编码数据输入至Embedding层， 输出Embedding表示的第二环境编码数权　利　要　求　书 2/3 页 3 CN 115471260 A 3