本发明涉及商品需求预测领域，具体涉及一种社区团购网格需求预测方法。
背景技术：
1、在低盈利空间中尽快优化物流网络布局降低成本已经势在必行。一方面，各平台要面对实体店的冲击，随着菜市场、便利店等线下实体店恢复运营，社区居民对社区团购的依赖程度大幅下降，社区团购的平均日单量开始回落并逐步趋于稳定。另一方面，提高服务水平的同时，密集的仓网布局也造成企业较高的运营成本和管理成本，这体现了物流中的“效益背反”原理。
2、基于上述用户需求以及电商平台发展趋势的变化，对于自营零售电商平台而言，销量的预测及采购计划的制定具有重要意义。对于采购来说，最重要的是能够及时按照需求采购到合适品类及合适数量的商品，去满足后续销售需求。基于此，采购环节需要在销量预测上降低偏差，如果出现了较大的偏差意味着后续商品可能缺货并导致机会成本的损失，也可能导致库存的积压。当前社区团购平台仍然面临前期供应链投入成本居高不下的现状，以及用户购买行为选择不稳定从而导致用户需求量波动大的挑战。
技术实现思路
1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
2、本发明的目的在于解决上述问题，提供了一种社区团购网格需求预测方法，综合考虑社区居民用户购物行为选择的关键影响因素，根据社区团购已有的历史数据来分析用户行为，并构建一预测模型来预测社区团购网格需求。
3、本发明的技术方案为：
4、本发明提供一种社区团购网格需求预测方法，包括以下步骤：
5、步骤s1：获取实时的社区团购数据；
6、步骤s2：对获取到的社区团购数据进行预处理，得到用于社区团购网格需求预测的用户特征集合；
7、步骤s3：将获取到的待预测的用户特征集合集输入到训练好的社区团购网格需求预测模型进行社区团购网格需求预测，得到社区团购商品预测值；
8、步骤s4：根据获取到的社区团购商品预测值进行商品储备。
9、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法采用门控循环单元作为预测模型框架，通过对门控循环单元进行模型训练，从而得到用于进行社区团购网格需求预测的社区团购网格需求预测模型；其中，所述社区团购网格需求预测方法通过以下步骤来训练得到社区团购网格需求预测模型：
10、步骤c1:收集历史的社区团购数据，并对收集到的社区团购数据进行预处理，得到用于模型训练的用户特征集合；
11、步骤c2：将用户特征集合输入到待训练的门控循环单元进行模型训练，用以得到进行社区团购网格需求预测的社区团购网格需求预测模型；
12、步骤c3：判断当前状态下是否满足模型训练终止条件；若是，则结束模型训练，并输出训练好的社区团购网格需求预测模型；若否，则重复步骤c3，直到满足模型训练终止条件。
13、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购团购数据包括用户基本数据、用户行为数据、商品销量数据、商品点击次数以及商品加入购物车次数；其中，所述社区团购网格需求预测方法对社区团购数据进行预处理时，根据预设的用户特征标签对获取到的社区团购数据进行标签化处理，从而得到用户特征集合。
14、根据本发明的社区团购网格需求预测方法的一实施例，用户特征标签包括用户标签和拓展社区网格化标签，所述社区团购网格需求预测方法根据预设的用户标签和拓展社区网格化标签对获取到的社区团购数据进行判别、归类，从而得到对应的用户特征集合；其中，用户标签包括用户个人信息标签和用户行为信息标签，拓展社区网格化标签包括仓库可得性标签、用户流失度标签、商品质量标签、社区团购便捷性标签以及商品实时热度标签。
15、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法在对获取到的社区团购数据进行标签化处理时，针对预设的拓展社区网格化标签分别建立一对应的标签模型，通过对标签模型进行量化来得到作为模型输入的量化特征；其中，量化特征包括用户个人特征、用户行为特征、仓库可得性、用户流失度、商品质量、社区团购便捷性以及商品实时热度。
16、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法针对仓库可得性标签建立一对应的仓库可得性标签模型，采用社区团购从配送站到自提处的配送时间来对仓库可得性进行量化；其中，社区团购从配送站到自提处的配送时间t计算公式如下：
17、
18、其中，t表示社区团购从配送站到自提处的配送时间，
19、v0表示社区团购配送从网格仓到自提处的配送车行驶速度，
20、sij表示从网格仓到自提处的配送距离，
21、表示从社区团购配送从网格仓到自提处j的平均等待时间，
22、mj表示自提处j的商品订购量，
23、τ表示商品卸载平均需求时间。
24、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法针对用户流失度标签建立一对应的用户流失度标签模型，采用一数据分割时间窗口对用户行为数据进行分割，通过判断数据分割时间窗口内的用户行为数据来对用户流失度进行量化；其中，数据分割时间窗口表达式以及用户流失度表达式如下：
25、
26、
27、其中，δt表示用以对用户行为数据进行分割的数据分割时间窗口。
28、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法针对商品质量标签建立一对应的社区团购商品质量标签模型，采用生鲜产品新鲜度值来对社区团购商品质量进行量化；其中，对社区团购商品质量表达式如下：
29、
30、其中，qj代表自提处j的社区团购商品质量，
31、μ代表商品完好率参数，
32、代表商品完好率函数，
33、t表示社区团购从配送站到自提处的配送时间，
34、v0表示社区团购配送从网格仓到自提处时配送车的行驶速度，
35、sij表示从网格仓到自提处的配送距离，
36、表示社区团购配送从网格仓到自提处j时的平均等待时间，
37、mj表示自提处j的商品订购量，
38、τ表示货物卸载平均需求时间。
39、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法针对社区团购便捷性标签建立一对应的社区团购便捷性标签模型，采用用户步行至自提处所耗费的时间来对社区团购便捷性进行量化；其中，社区团购便捷性表达式如下：
40、
41、其中，s代表社区团购便捷性，
42、d代表用户到自提点的距离，
43、v代表用户自提速度。
44、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法针对商品实时热度标签建立一对应的商品实时热度模型，根据基础热度、损失率以及近三天热度情况来对商品实时热度进行量化；其中，商品实时热度值表达式如下：
45、hi＝(1-lmi)dmi+dm3
46、其中，h，代表社区团购商品i实时热度，
47、lmt代表社区团购商品i损失率，
48、dmi代表社区团购商品i基础热度，
49、dm3代表社区团购商品i近三天热度情况。
50、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法获取到作为模型输入的量化特征后，还根据社会设点和社会舆论来提取相应的舆论特征，然后将提取到的舆论特征和量化特征作为模型输入。
51、根据本发明的社区团购网格需求预测方法的一实施例，所述团购需求预测方法针对提取到的舆论特征，还引入一多重注意力层，通过多重注意力层来抽取舆论特征的深度特征，然后将抽取的深度特征和量化特征作为模型输入；其中，所述团购需求预测方法利用多重注意力层抽取舆论特征的深度特征时，将输入到多重注意力层的舆论特征序列划分为多个不同的部分，每一部分对应一重注意力，然后针对每一重注意力来分别计算对应的特征向量，最后将每一重注意力的特征向量进行拼接，从而得到完整的输出向量。
52、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法在计算每一重注意力的特征向量时，首先计算所划分的舆论特征序列中每一舆论特征值与舆论特征序列整体值之间的关键注意力权值，然后基于计算得到的关键注意力权值来计算得到融合关键注意力权值的特征向量，表达式如下：
53、ai＝softmax(score(xi，(xk，vy)))
54、
55、
56、其中，ai表示第i个舆论特征值的关键注意力权值，
57、xi表示第i个舆论特征值，
58、xk表示多头注意力机制中的输入向量，
59、vy表示对舆论特征输入进行求和平均操作，
60、k表示滑动窗口大小，
61、yi表示舆论特征值
62、hy表示融合关键注意力的特征向量。
63、根据本发明的社区团购网格需求预测方法的一实施例，步骤c2中，所述社区团购网格需求预测方法在对社区团购网格需求预测模型进行模型训练时，还采用鱼鹰优化算法对社区团购网格需求预测模型的模型参数进行优化，从而得到最优模型参数，包括以下步骤：
64、步骤d1：设置鱼鹰优化算法参数以及待寻优的模型参数，并初始化种群；其中，鱼鹰优化算法参数包括寻优维度d、种群规模n以及最大迭代次数t，待寻优的模型参数包括输入层神经元数量numfeatures、隐藏层神经元数量numhiddenunits以及学习率irate；
65、步骤d2：计算初始化种群中每一个体的适应度值，并根据每一个体的适应度值进行种群划分，包括鱼组种群和鱼鹰种群；
66、步骤d3：更新鱼组种群中每一个体的位置，并确定鱼鹰种群中每一鱼鹰所要捕获的鱼；
67、步骤d4：根据鱼鹰和被捕获的鱼的适应度值判断是否在鱼鹰完成捕获后更新鱼鹰位置；其中，若被捕获的鱼的适应度值大于鱼鹰的适应度值，则将鱼鹰位置更新为被捕获的鱼的位置；若被捕获的鱼的适应度值小于或者等于鱼鹰的适应度值，则不对鱼鹰位置进行更新；
68、步骤ds：针对每一完成捕获的鱼鹰随机生成一新的捕获位置，并判断是否将鱼鹰位置更新为新的捕获位置；其中，若新的捕获位置的适应度值大于鱼鹰的适应度值，则将鱼鹰位置更新为新的捕获位置；若新的捕获位置的适应度值小于或者等于鱼鹰的适应度值，则不对鱼鹰位置进行更新；
69、步骤d6：判断当前迭代次数t下，是否鱼鹰种群中每一鱼鹰均完成捕获和位置寻优更新；若是，则执行下一步骤d7；若否，则继续步骤d4～d5，直到鱼鹰种群中每一鱼鹰均完成捕获和位置寻优更新；
70、步骤d7：判断当前迭代次数t是否达到最大迭代次数t；若是，则结束鱼鹰优化算法，输出最优模型参数；若否，则重复步骤d3～d6，直到达到最大迭代次数t，得到最优模型参数。
71、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法采用鱼鹰优化算法优化社区团购网格需求预测模型的模型参数时，通过以下公式来初始化种群位置：
72、
73、
74、其中，表示第i只鱼鹰在第一阶段时，其第j维的新位置，
75、表示种群均值，
76、lbj代表寻优区域下边界，
77、ubj代表寻优区域上边界，
78、rand表示随机选择。
79、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法采用鱼鹰优化算法优化社区团购网格需求预测模型的模型参数时，还增加一动态位置移动控制参数α，通过动态位置移动控制参数来扩展鱼鹰的寻优区域，表达式如下：
80、
81、其中，j表示维度，
82、lbj代表寻优区域下边界，
83、ubj代表寻优区域上边界，
84、t表示当前迭代次数，
85、t表示最大迭代次数。
86、根据本发明的社区团购网格需求预测方法的一实施例，所述社区团购网格需求预测方法还预设一误差阈值，用于评估社区团购网格需求预测模型预测的准确性；其中，
87、若商品实际销售数据与社区团购商品预测值之间的误差值高于预设的误差阈值，则基于实际的商品销量数据对社区团购网格需求预测模型进行在线更新；
88、若商品实际销售数据与社区团购商品预测值之间的误差值小于预设的误差阈值，则证明当前社区团购网格需求预测模型准确，无需进行更新。
89、本发明还提供一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上所述的方法。
90、本发明还提供一种社区团购网格需求预测装置，包括：
91、存储器，用于存储可由处理器执行的指令；以及
92、处理器，用于执行所述指令以实现如上所述的方法。
93、本发明对比现有技术有如下的有益效果：本发明针对当下流行的社区团购模式，以用户行为为中心，根据社区团购已有的历史数据来分析用户行为数据，得到用户特征集合，然后结合舆论特征进行模型训练，得到一社区团购网格需求预测模型，通过训练好的来对社区团购网格需求进行预测。与现有技术相比，本发明可以根据社区团购商品预测值来对商品进行提前储备，不仅可以满足用户团购需求，同时有利于商品备货方案的优化，降低商品存储成本，进而大大减少了商品供应链的投入成本。
1.一种社区团购网格需求预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法采用门控循环单元作为预测模型框架，通过对门控循环单元进行模型训练，从而得到用于进行社区团购网格需求预测的社区团购网格需求预测模型；其中，所述社区团购网格需求预测方法通过以下步骤来训练得到社区团购网格需求预测模型：
3.根据权利要求1或2所述的任一社区团购网格需求预测方法，其特征在于，所述社区团购团购数据包括用户基本数据、用户行为数据、商品销量数据、商品点击次数以及商品加入购物车次数；其中，所述社区团购网格需求预测方法对社区团购数据进行预处理时，根据预设的用户特征标签对获取到的社区团购数据进行标签化处理，从而得到用户特征集合。
4.根据权利要求3所述的社区团购网格需求预测方法，其特征在于，用户特征标签包括用户标签和拓展社区网格化标签，所述社区团购网格需求预测方法根据预设的用户标签和拓展社区网格化标签对获取到的社区团购数据进行判别、归类，从而得到对应的用户特征集合；其中，用户标签包括用户个人信息标签和用户行为信息标签，拓展社区网格化标签包括仓库可得性标签、用户流失度标签、商品质量标签、社区团购便捷性标签以及商品实时热度标签。
5.根据权利要求4所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法在对获取到的社区团购数据进行标签化处理时，针对预设的拓展社区网格化标签分别建立一对应的标签模型，通过对标签模型进行量化来得到作为模型输入的量化特征；其中，量化特征包括用户个人特征、用户行为特征、仓库可得性、用户流失度、商品质量、社区团购便捷性以及商品实时热度。
6.根据权利要求5所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法针对仓库可得性标签建立一对应的仓库可得性标签模型，采用社区团购从配送站到自提处的配送时间来对仓库可得性进行量化；其中，社区团购从配送站到自提处的配送时间t计算公式如下：
7.根据权利要求5所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法针对用户流失度标签建立一对应的用户流失度标签模型，采用一数据分割时间窗口对用户行为数据进行分割，通过判断数据分割时间窗口内的用户行为数据来对用户流失度进行量化；其中，数据分割时间窗口表达式以及用户流失度表达式如下：
8.根据权利要求5所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法针对商品质量标签建立一对应的社区团购商品质量标签模型，采用生鲜产品新鲜度值来对社区团购商品质量进行量化；其中，对社区团购商品质量表达式如下：
9.根据权利要求5所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法针对社区团购便捷性标签建立一对应的社区团购便捷性标签模型，采用用户步行至自提处所耗费的时间来对社区团购便捷性进行量化；其中，社区团购便捷性表达式如下：
10.根据权利要求5所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法针对商品实时热度标签建立一对应的商品实时热度模型，根据基础热度、损失率以及近三天热度情况来对商品实时热度进行量化；其中，商品实时热度值表达式如下：
11.根据权利要求5所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法获取到作为模型输入的量化特征后，还根据社会设点和社会舆论来提取相应的舆论特征，然后将提取到的舆论特征和量化特征作为模型输入。
12.根据权利要求11所述的社区团购网格需求预测方法，其特征在于，所述团购需求预测方法针对提取到的舆论特征，还引入一多重注意力层，通过多重注意力层来抽取舆论特征的深度特征，然后将抽取的深度特征和量化特征作为模型输入；其中，所述团购需求预测方法利用多重注意力层抽取舆论特征的深度特征时，将输入到多重注意力层的舆论特征序列划分为多个不同的部分，每一部分对应一重注意力，然后针对每一重注意力来分别计算对应的特征向量，最后将每一重注意力的特征向量进行拼接，从而得到完整的输出向量。
13.根据权利要求12所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法在计算每一重注意力的特征向量时，首先计算所划分的舆论特征序列中每一舆论特征值与舆论特征序列整体值之间的关键注意力权值，然后基于计算得到的关键注意力权值来计算得到融合关键注意力权值的特征向量，表达式如下：
14.根据权利要求2所述的社区团购网格需求预测方法，其特征在于，步骤c2中，所述社区团购网格需求预测方法在对社区团购网格需求预测模型进行模型训练时，还采用鱼鹰优化算法对社区团购网格需求预测模型的模型参数进行优化，从而得到最优模型参数，包括以下步骤：
15.根据权利要求14所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法采用鱼鹰优化算法优化社区团购网格需求预测模型的模型参数时，通过以下公式来初始化种群位置：
16.根据权利要求14所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法采用鱼鹰优化算法优化社区团购网格需求预测模型的模型参数时，还增加一动态位置移动控制参数α，通过动态位置移动控制参数来扩展鱼鹰的寻优区域，表达式如下：
17.根据权利要求14所述的社区团购网格需求预测方法，其特征在于，所述社区团购网格需求预测方法还预设一误差阈值，用于评估社区团购网格需求预测模型预测的准确性；其中，
18.一种存储有计算机程序代码的计算机可读介质，其特征在于，所述计算机程序代码在由处理器执行时实现如权利要求1-17任一项所述的方法。
19.一种社区团购网格需求预测装置，其特征在于，包括：
