具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种信息预测方法的流程图，本实施例可适用于对物品在任意预测日期内的需求量信息进行预测的情况。该方法可以由信息预测装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于电子设备中。如图1所示，该方法具体包括以下步骤：

S110、获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值，其中，当前预测日期的初始值为当前日期。

其中，目标物品可以是指待预测需求量的SKU(Stock Keeping Unit，库存量单位)粒度的物品。当前预测日期可以是指当前需要预测需求量的日期。当前预测日期是动态更新的，也就是说，每次循环都会对当前预测日期进行更新一次，以便预测不同日期内目标物品的需求量。历史时间段可以是指以当前预测日期为时间节点的历史日期。历史时间段可以是指历史一周、历史一个月、历史两个月、历史同期一个月或者历史同期两个月等。例如，若当前日期为21年10月13日，则历史一周可以是指21年10月6日到21年10月12日，历史同期一个月可以是指20年10月6日到20年10月12日。目标物品的历史需求量可以是指目标物品在历史时间段内的每天销量。目标物品的历史价值属性值可以是指目标物品在历史时间段内的每天价格。

具体地，可以将当前日期作为当前预测日期的初始值进行首次循环，以便首次预测出目标物品在当前日期内的预测需求量。

S120、根据历史需求量和历史价值属性值，确定目标物品对应的第一特征信息。

具体地，可以分别对获得的历史需求量和历史价值属性值进行统计处理，获得需求量统计特征和价值属性值统计特征。例如，可以分别对历史一周、历史一个月、历史两个月、历史同期一个月以及历史同期两个月内的每天历史需求量进行统计，确定出历史需求量均值、历史需求量最大值、历史需求量最小值、历史需求量方差、历史需求量中位数和回归系数。其中，回归系数可以是指对各个历史需求量进行线性回归所获得的回归系数。还可以将历史一周中的每天历史需求量与历史1个月对应的历史需求量中位数之间的比值也作为一种需求量统计特征，以衡量历史需求量变化情况。

需要注意的是，在确定需求量统计特征时可以对历史需求量进行缺货填充和平滑操作，以便保证统计特征的准确性。

示例性地，第一特征信息除了包括需求量统计特征和价值属性值统计特征，还可以包括需求量与价值属性值之间的交叉特征，以便衡量需求量与价值属性值之间的变化关系。例如，S120可以包括：根据历史需求量确定第一方差，以及根据历史价值属性值确定第二方差；根据历史需求量和历史价值属性值，确定需求量与价值属性值之间的协方差；根据第一方差、第二方差和协方差，确定需求量与价值属性值之间的交叉特征。具体地，可以针对上述每个历史时间段而言，基于各个历史需求量确定出需求量对应的第一方差Var(X)，基于各个历史价值属性值确定出价值属性值对应的第二方差Var(Y)，以及基于各个历史需求量和各个历史价值属性值确定出需求量与价值属性值之间的协方差cov(X,Y)，并可以通过公式确定出需求量与价值属性值之间的交叉特征corr。通过确定需求量与价值属性值之间的交叉特征，进一步提高信息预测的准确性。

示例性地，第一特征信息还可以包括目标物品基础信息，以进一步提高信息预测的准确性。例如，目标物品基础信息可以是但不限于目标物品的名称和类别。类别可以是指目标物品的品牌和/或品类。

S130、将第一特征信息输入至预设回归树模型中进行需求量信息预测，并根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量。

其中，预设回归树模型可以是指用于回归预测的决策树模型。本实施例中的预设回归树模型可以是预先基于样本特征信息和实际需求量进行训练获得的。

具体地，本实施例可以将第一特征信息中的目标物品基础信息b₁、需求量统计特征s₁、价值属性值统计特征p₁以及需求量与价值属性值之间的交叉特征sp₁转换为模型可接收的特征向量inputData_predic＝X₁＝[b₁s₁p₁sp₁]输入至训练后的预设回归树模型中进行需求量信息预测。预设回归树模型可以将预测出的需求量进行输出，即P＝f_{inputDatatrain}(inputData_predic)，从而获得当前预测日期内目标物品的预测需求量P。本实施例通过将引起需求量变化根源的价值属性值信息输入至预设回归树模型中，使得预设回归树模型可以同时基于历史需求量和历史价值属性值进行需求量信息预测，从而可以提高需求量信息预测的准确性。

示例性地，可以将每个待预测的物品对应的第一特征信息进行拼接处理，获得特征矩阵，比如并将特征矩阵输入至预设回归树模型中，使得预设回归树模型可以同时对多个物品进行需求量信息预测，从而提高了预测效率。

S140、检测当前预测日期是否为目标预测日期，若否，则执行步骤S150，若是，则执行步骤S160。

其中，目标预测日期可以是指最终要预测的日期，或者预测时间段中的最后日期。例如，若预测2021年11月11日的需求量，则可以将2021年11月11日作为目标预测日期。或者，若预测2021年11月1日到2021年11月11日的需求量，则可以将2021年11月11日作为目标预测日期。

具体地，由于当前预测日期是随着循环操作进行动态更新的，从而需要检测当前预测日期是否为目标预测日期，以确定是否完成预测操作。

S150、根据历史需求量和历史价值属性值，确定当前预测日期内目标物品的预估价值属性值，并将当前预测日期的下一日期作为当前预测日期，返回执行S110的操作。

其中，预估价值属性值可以是指估计出的目标物品在当前预测日期内的价值属性值。预估价值属性值可以是指目标物品的预估价格。需要说明的是，由于未来日期的物品价格属于保密信息，无法提前获知，从而需要对未来日期的物品价格进行预估。

具体地，在当前预测日期不是目标预测日期时，表明还未到达目标预测日期，预测操作还未结束，此时可以基于历史需求量和历史价值属性值，估计出当前预测日期内目标物品的预估价值属性值，以便可以基于当前预测日期对应的预测需求量和预估价值属性值进行后续预测日期的需求量信息预测。通过将当前预测日期的下一日期作为当前预测日期，并返回执行S110的操作，从而可以通过下次循环确定出下一预测日期对应的预测需求量。在预测下一预测日期对应的预测需求量时，当前预测日期对应的预测需求量和预估价值属性值可以作为当前预测日期对应的历史需求量和历史价值属性值进行信息预测，从而每次循环都可以基于近期历史时间段对应的历史需求量和历史价值属性值进行需求量信息预测，保证需求量信息预测的准确性。

例如，若当前日期为21年10月13日，想要预测2021年11月11日的需求量，则可以将21年10月13日作为当前预测日期进行首次循环，确定出21年10月13日对应的预测需求量，然后估计出21年10月13日对应的预估价值属性值，并将21年10月14日作为当前预测日期进行第二次循环，从而基于21年10月14日之前的历史需求量和历史价值属性值(包括21年10月13日对应的预测需求量和预估价值属性值)进行信息预测，获得21年10月14日对应的预测需求量，依次进行逐天预测，直到预测出2021年11月11日对应的预测需求量时停止。通过循环迭代的方式可以更加准确地获得目标预测日期内目标物品的预测需求量，提高了需求量信息预测的准确性。

S160、停止预测操作。

本实施例的技术方案，通过将当前日期作为当前预测日期的初始值，并获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值，根据历史需求量和历史价值属性值，确定目标物品对应的第一特征信息，并将第一特征信息输入至预设回归树模型中进行需求量信息预测，根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量，从而使得预设回归树模型可以同时基于历史需求量和历史价值属性值进行需求量信息预测，提高需求量信息预测的准确性。并且在当前预测日期未达到目标预测日期时，根据历史需求量和历史价值属性值，确定当前预测日期内目标物品的预估价值属性值，并将当前预测日期的下一日期作为当前预测日期返回执行上述操作，使得预估价值属性值可以作为当前预测日期的历史价值属性值确定出下一预测日期内目标物品的预测需求量，从而通过循环迭代的方式可以准确地获得目标预测日期内目标物品的预测需求量，提高了需求量信息预测的准确性。

在上述技术方案的基础上，在使用预设回归树模型之前，还可以包括：基于梯度下降方式，根据样本特征信息和实际需求量对预设回归树模型进行训练。

其中，样本特征信息可以是指历史的预测日期对应的特征信息。实际需求量可以是指历史的预测日期所对应的真实需求量。样本特征信息可以基于上述描述的第一特征信息获取方式进行确定。

具体地，图2给出了一种预设回归树模型中的单颗树训练过程的示例。如图2所示，可以在输入的样本特征信息{X_i}中随机选取M个特征进行最佳切割点的寻找，图2给出的是离散特征0和1的切割方式(即是否的切割方式)。连续性变量如[1,100]需在训练过程中寻找此区间内最佳切割点，以使损失函数最小，也就是在[1,100]之间找到一个使损失函数最小的值，即最佳切割点。本实施例中的损失函数可以采用混合均方误差MSE(Mean SquareError)函数。例如，第t颗树对应的损失函数如下：

其中，为真实需求量；为第t-1颗树的模型参数，为第t-1颗树的输入特征信息，为第t-1颗树的预测结果。梯度下降树模型中的每一个树学习的是之前所有树的结果和的残差。通过对上式进行泰勒二阶展开，即则上述损失函数可以转换为：其中，g_i为一阶导系数，h_i为二阶导系数。随着预设回归树模型的训练，即树的增加，预测需求量会逐渐接近实际需求量。同时可以利用测试数据集监督模型拟合情况，模型在不断迭代过程中不断接近真实值且测试数据集上预测效果也没有变差，则可以继续训练，直到测试数据集的预测效果不再变好时停止训练，此时预设回归树模型训练完成。

在上述各技术方案的基础上，在S160之后还包括：获取当前日期后预设备货天数中的每天对应的目标预测需求量；根据各个目标预测需求量、预设现货率水平在正态分布下对应的数值和预设标准差，确定目标物品对应的目标库存量；根据目标库存量和当前库存量，确定目标补货量。

其中，预设备货天数可以是预先设置的需要备货的天数。预设现货率水平可以是预先设置的物品的服务水平数值。现货率水平符合正态分布。例如，预设现货率水平为90％，则可以通过查表方式获得90％现货率水平在正态分布下对应的数值。预设标准差可以是预先确定的历史的预测需求量与实际需求量之间的差值的标准差。历史的预测需求量可以是针对历史日期预测出的需求量。实际需求量可以是指历史日期的真实需求量。当前库存量可以是指在配送中心的目标物品的现有库存量。

具体地，可以将每个预测日期对应的预测需求量存储至hive(数据仓库工具)数据表中，以使补货装置可以通过hive接口从hive数据表中获取预测需求量。可以基于每个预测日期对应的预测需求量，获取当前日期后预设备货天数中的每天对应的目标预测需求量。例如，若当前日期为21年10月13日，预设备货天数为20天，则可以获得从21年10月13日开始的后20天内每天的目标预测需求量。可以将获得的各个目标预测需求量进行相加，获得目标预测需求总量，并将预设现货率水平在正态分布下对应的数值和预设标准差进行相乘，获得误差量，将标预测需求总量和误差量进行相加，获得目标物品对应的目标库存量，并将目标库存量与当前库存量的差值作为目标补货量，从而可以获得更加准确的目标物品所在配送中心的补货量。本实施例可以将上述获得的目标补货量进行存储，以供下游的采购单创建装置进行调用，使得采购单创建装置可以基于获得的目标补货量创建采购单进行采购备货。

需要说明的是，本实施例中获得的预测需求量的量级可以满足促销阶段的实际需求，从而在备货阶段无需人工额外修改补货装置中的备货参数，免去了用户调整备货天数进行备货的工作，进而可以获得更加准确的备货量，最终可以更加高效地送达至消费者。

实施例二

图3为本发明实施例二提供的一种信息预测方法的流程图，本实施例在上述实施例的基础上，对步骤“根据历史需求量和历史价值属性值，确定当前预测日期内目标物品的预估价值属性值”进行了进一步优化，其中与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图3，本实施例提供的信息预测方法具体包括以下步骤：

S310、获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值，其中，当前预测日期的初始值为当前日期。

S320、根据历史需求量和历史价值属性值，确定目标物品对应的第一特征信息。

S330、将第一特征信息输入至预设回归树模型中进行需求量信息预测，并根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量。

S340、检测当前预测日期是否为目标预测日期，若否，则执行步骤S350，若是，则执行步骤S392。

S350、根据属于目标类别的各个物品对应的历史需求量，确定当前预测日期对应的需求量爆发系数，其中，目标类别为目标物品所属的类别。

其中，目标类别可以是指目标物品所属于的品牌和/或品类。

具体地，可以获取属于目标类别的各个物品在历史时间段内的历史需求量，比如可以获取近三年的历史需求量，并按照当前预测日期分为促销前月需求量和促销中月需求量。其中，促销前月需求量可以是指当前预测日期所在的目标月份的前一个月的需求量。促销中月需求量可以是指当前预测日期所在月份的需求量。例如，若当前预测日期为21年11月11日，则可以将21年10月内的每个物品的历史需求量进行相加，获得21年10月对应的月需求总量作为促销前月需求量，同理，可以获得20年10月对应的月需求总量也作为促销前月需求量。将各个促销前月需求量进行取平均值，获得促销前月需求量均值。将20年11月内的每个物品的历史需求量进行相加，获得20年11月对应的月需求总量作为促销中月需求量，同理，获得19年11月对应的月需求总量作为促销中月需求量，并对各个促销中月需求量进行取平均值，获得促销中月需求量均值。通过将促销中月需求量均值与促销前月需求量均值之间的比值确定为当前预测日期对应的需求量爆发系数。

S360、获取目标物品对应的月粒度回归系数；

其中，月粒度回归系数可以是预先确定出的以月为单位，对月粒度折扣比例和月粒度物品获取总代价进行线性回归获得的回归系数。

示例性地，S360可以包括：根据属于目标类别的各个物品对应的历史需求量、历史价值属性值和历史物品获取代价，确定目标物品对应的月粒度折扣比例；根据属于目标类别的各个物品对应的历史需求量和历史物品获取代价，确定目标物品对应的月粒度物品获取总代价；对月粒度折扣比例和月粒度物品获取总代价进行线性回归，确定目标物品对应的月粒度回归系数。

其中，历史价值属性值可以是指物品的成交价格。历史物品获取代价可以是指物品的进货价格。月粒度物品获取总代价可以是指月粒度GMV(Gross Merchandise Volume，物品成交总额)。

具体地，针对每个月而言，可以获得属于目标类别的每个物品在当前月的历史需求量、历史价值属性值和历史物品获取代价。将每个物品在当前月的历史需求量和历史价值属性值进行相乘，获得每个物品对应的第一月粒度代价，并将各个物品对应的第一月粒度代价进行相加，获得第一月粒度总代价。同理，将每个物品在当前月的历史需求量和历史物品获取代价进行相乘，获得每个物品对应的第二月粒度代价，并将各个物品对应的第二月粒度代价进行相加，获得第二月粒度总代价。将第一月粒度总代价除以第二月粒度总代价的比值作为目标物品在当前月的月粒度折扣比例。同理，可以确定出目标物品在每个月的月粒度折扣比例。针对每个月而言，将每个物品在当前月的历史需求量和历史物品获取代价进行相乘，获得每个物品对应的月粒度物品获取代价，并将各个物品对应的月粒度物品获取代价进行相加，获得目标物品在当前月的月粒度物品获取总代价。同理，可以确定出目标物品在每个月的月粒度物品获取总代价。基于每个月对应的月粒度折扣比例和月粒度物品获取总代价进行线性回归，即月粒度物品获取总代价＝a×月粒度折扣比例+b，通过利用最小二乘法可以确定出目标物品对应的月粒度回归系数a(自变量系数)和b(截距项)。

S370、基于预先确定的目标物品对应的月粒度折扣比例，确定当前预测日期所在的目标月份的前一月份对应的目标折扣比例。

具体地，通过上述描述方式可以预先确定出目标物品在每个月的月粒度折扣比例。本实施例可以将处于同一年份的目标物品在当前预测日期所在的目标月份的前一月份的月粒度折扣比例作为目标折扣比例，也可以对不同年份的前一月份的月粒度折扣比例进行平均处理，将获得的月粒度折扣比例均值作为目标折扣比例。例如，若当前预测日期为21年11月11日，则可以将21年10月份对应的月粒度折扣比例作为目标折扣比例，也可以对历史每年的10月份对应的月粒度折扣比例进行平均处理，获得的均值作为目标折扣比例。

S380、根据需求量爆发系数、月粒度回归系数和目标折扣比例，确定目标月份与前一月份之间的价值属性值折扣比例。

具体地，可以通过如下公式确定出目标月份与前一月份之间的价值属性值折扣比例：

其中，K₁是目标月份与前一月份之间的价值属性值折扣比例；K₂是需求量爆发系数；K₃是目标折扣比例；a和b是月粒度回归系数。

S390、根据价值属性值折扣比例和前一月份内目标物品的第一价值属性值，确定当前预测日期内目标物品的预估价值属性值。

其中，第一价值属性值可以是指最近年份中的前一月份对应的价值属性值，也可以是指历史各年份中的前一月份对应的价值属性值的均值。例如，若当前预测日期为21年11月11日，当前预测日期所在的目标月份的前一月份为10月，则可以将21年10月的月价格(每天价格的平均值)直接作为第一价值属性值，也可以对19年10月的月价格、20年10月的月价格和21年10月的月价格进行取平均值，获得的均值作为第一价值属性值。

具体地，可以将价值属性值折扣比例第一价值属性值进行相乘，获得的相乘结果为目标物品在目标月份的预估价值属性值，此时可以将该预估价值属性值直接作为当前预测日期内目标物品的预估价值属性值。

示例性地，S390可以包括：根据价值属性值折扣比例、在前一月份内目标物品的第一价值属性值和在历史时间段中目标月份内目标物品的第二价值属性值，确定目标月份对应的价值属性值预估系数；根据价值属性值预估系数和在历史时间段内与当前预测日期处于同期的历史日期所对应的第三价值属性值，确定当前预测日期内目标物品的预估价值属性值。

其中，第二价值属性值可以是指去年中的目标月份对应的价值属性值，也可以是指历史各年份中的目标月份对应的价值属性值的均值。例如，若当前预测日期为21年11月11日，当前预测日期所在的目标月份为11月，则可以将20年11月的月价格(每天价格的平均值)作为第二价值属性值，也可以对18年11月的月价格、19年11月的月价格和20年11月的月价格进行取平均值，获得的均值作为第二价值属性值。第三价值属性值可以是指去年中与当前预测日期处于同一日期的价值属性值，也可以是指历史各年份中的与当前预测日期处于同一日期的价值属性值的均值。例如，若当前预测日期为21年11月11日，当前预测日期所在的目标月份为11月，则可以将20年11月11日对应的日价格作为第三价值属性值，也可以对18年11月11日的日价格、19年11月11日的日价格和20年11月11日的日价格进行取平均值，获得的均值作为第三价值属性值。

具体地，可以将价值属性值折扣比例乘以第一价值属性值获得的乘积再除以第二价值属性值，获得的相除结果作为目标月份对应的价值属性值预估系数，即目标月份预估价格系数。将目标月份对应的价值属性值预估系数与第三价值属性值的乘积作为当前预测日期内目标物品的预估价值属性值，从而可以以天粒度的方式，更加准确地预估出当前预测日期对应的预估价值属性值。

S391、将当前预测日期的下一日期作为当前预测日期，返回执行S310的操作。

S392、停止预测操作。

本实施例的技术方案，通过根据当前预测日期对应的需求量爆发系数、目标物品对应的月粒度回归系数和当前预测日期所在的目标月份的前一月份对应的目标折扣比例，可以确定目标月份与前一月份之间的价值属性值折扣比例，并根据价值属性值折扣比例和前一月份内目标物品的第一价值属性值，确定出当前预测日期内目标物品的预估价值属性值，从而可以准确地预估出未来日期的价值属性值，进一步提高信息预测的准确性。

实施例三

图4为本发明实施例三提供的一种信息预测方法的流程图，本实施例在上述实施例的基础上，增加了步骤“获取当前预测日期之前的历史时间段内目标物品的历史浏览量，并根据历史浏览量，确定目标物品对应的第二特征信息”，并在此基础上，基于历史需求量、历史价值属性值和历史浏览量进行信息预测。其中与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图4，本实施例提供的信息预测方法具体包括以下步骤：

S410、获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值，其中，当前预测日期的初始值为当前日期。

S420、根据历史需求量和历史价值属性值，确定目标物品对应的第一特征信息。

S430、获取当前预测日期之前的历史时间段内目标物品的历史浏览量，并根据历史浏览量，确定目标物品对应的第二特征信息。

其中，浏览量可以是指浏览物品信息的用户数量。例如，浏览量可以是指流量。目标物品的历史浏览量可以是指目标物品在历史时间段内的每天流量。

示例性地，第二特征信息可以包括浏览量统计特征。例如，S430可以包括：根据历史浏览量，确定浏览量统计特征。具体地，可以对获得的历史浏览量进行统计处理，确定浏览量统计特征。例如，可以分别对历史一周、历史一个月、历史两个月、历史同期一个月以及历史同期两个月内的每天历史浏览量进行统计，确定出历史浏览量均值、历史浏览量最大值、历史浏览量最小值、历史浏览量方差、历史浏览量中位数和回归系数。还可以将历史一周中的每天历史浏览量与历史1个月对应的历史浏览量中位数之间的比值也作为一种浏览量统计特征，以衡量历史浏览量变化情况。

示例性地，第二特征信息除了包括浏览量统计特征，还可以包括需求量与浏览量之间的交叉特征，以便衡量需求量与浏览量之间的变化关系。例如，S430还可以包括：根据历史浏览量和历史需求量，确定需求量与浏览量之间的交叉特征。具体地，根据历史需求量确定第一方差，以及根据历史浏览量确定第三方差；根据历史需求量和历史浏览量，确定需求量与浏览量之间的协方差；根据第一方差、第三方差和需求量与浏览量之间的协方差，确定需求量与浏览量之间的交叉特征。例如，可以针对上述每个历史时间段而言，基于各个历史需求量确定出需求量对应的第一方差Var(X)，基于各个历史浏览量确定出浏览量对应的第三方差Var(Z)，以及基于各个历史需求量和各个历史浏览量确定出需求量与浏览量之间的协方差cov(X,Z)，并可以通过公式确定出需求量与浏览量之间的交叉特征corr。通过确定需求量与浏览量之间的交叉特征，可以进一步提高信息预测的准确性。

需要说明的是，此处不限定步骤S430执行时的执行顺序。比如步骤S430可以在步骤S420之后顺序执行，也可以在步骤S420之前执行，还可以与步骤S420同时执行。

S440、将第一特征信息和第二特征信息输入至预设回归树模型中进行需求量信息预测，并根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量。

具体地，本实施例可以将第一特征信息中的目标物品基础信息b₁、需求量统计特征s₁、价值属性值统计特征p₁、需求量与价值属性值之间的交叉特征sp₁以及第二特征信息中的浏览量统计特征l₁和需求量与浏览量之间的交叉特征sl₁转换为模型可接收的特征向量inputData_predic＝X₁＝[b₁s₁p₁l₁sp₁sl₁]输入至训练后的预设回归树模型中进行需求量信息预测，从而可以将引起需求量变化根源的价值属性值信息和浏览量信息输入至预设回归树模型中，使得预设回归树模型可以同时基于历史需求量、历史价值属性值和历史浏览量进行需求量信息预测，从而可以进一步提高需求量信息预测的准确性。

示例性地，可以将每个待预测的物品对应的由第一特征信息和第二特征信息组成的特征信息进行拼接处理，获得特征矩阵，比如 并将特征矩阵输入至预设回归树模型中，使得预设回归树模型可以同时对多个物品进行需求量信息预测，从而提高了预测效率。

S450、检测当前预测日期是否为目标预测日期，若否，则执行步骤S460，若是，则执行步骤S490。

S460、根据历史需求量和历史价值属性值，确定当前预测日期内目标物品的预估价值属性值。

S470、根据历史需求量和历史浏览量，确定当前预测日期内目标物品的预估浏览量。

具体地，通过基于历史需求量和历史浏览量，确定当前预测日期内目标物品的预估浏览量，从而可以基于当前预测日期对应的预测需求量和预估价值属性值进行后续预测日期的需求量信息预测。在预测下一预测日期对应的预测需求量时，当前预测日期对应的预估浏览量可以作为当前预测日期对应的历史浏览量进行信息预测，从而每次循环都可以基于近期历史时间段对应的历史需求量、历史价值属性值和历史浏览量进行需求量信息预测，进一步提高需求量信息预测的准确性。

需要说明的是，此处不限定步骤S470执行时的执行顺序。比如步骤S470可以在步骤S460之后顺序执行，也可以在步骤S460之前执行，还可以与步骤S460同时执行。

示例性地，S470可以包括：根据历史需求量，确定在当前预测日期所在的目标年份的第一历史需求总量和目标年份的前一年份的相同时间段内的第二历史需求总量；根据第一历史需求总量和第二历史需求总量，确定需求量增长比例；根据需求量增长比例和历史时间段内与当前预测日期处于同期的历史日期所对应的历史浏览量，确定当前预测日期内目标物品的预估浏览量。

其中，历史时间段内与当前预测日期处于同期的历史日期可以是指目标年份的前一年份中的与当前预测日期处于同一天的历史日期。例如，当前预测日期为2021年11月11日，则历史时间段内与当前预测日期处于同期的历史日期可以是指2020年11月11日。

具体地，可以将当前预测日期所在的目标年份内当前日期之前的每天对应的历史需求量进行相加，获得第一历史需求总量。将目标年份的前一年份中处于相同时间段内的每天对应的历史需求量进行相加，获得第二历史需求总量。例如，当前日期为2021年10月13日，则可以将2021年1月1日到2021年10月13日之间的每天对应的日需求量进行相加，获得第一历史需求总量。将将2020年1月1日到2020年10月13日之间的每天对应的日需求量进行相加，获得第二历史需求总量。将第一历史需求总量处以第二历史需求总量的比值作为需求量增长比例。将需求量增长比例和与当前预测日期处于同期的历史日期所对应的历史浏览量进行相乘，获得的相乘结果作为当前预测日期内目标物品的预估浏览量，从而可以准确地预估出未来日期的流量。

S480、将当前预测日期的下一日期作为当前预测日期，返回执行S410的操作。

S490、停止预测操作。

本实施例的技术方案，通过将第一特征信息和第二特征信息输入至预设回归树模型中进行需求量信息预测，使得预设回归树模型可以同时基于历史需求量、历史价值属性值和历史浏览量进行需求量信息预测，进一步提高需求量信息预测的准确性。

以下是本发明实施例提供的信息预测装置的实施例，该装置与上述各实施例的信息预测方法属于同一个发明构思，在信息预测装置的实施例中未详尽描述的细节内容，可以参考上述信息预测方法的实施例。

实施例四

图5为本发明实施例四提供的一种信息预测装置的结构示意图，本实施例可适用于对物品在任意预测日期内的需求量信息进行预测的情况。如图5所示，该装置具体包括：历史数据获取模块510、第一特征信息确定模块520、信息预测模块530和预估价值属性值确定模块540。

其中，历史数据获取模块510，用于获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值，其中，当前预测日期的初始值为当前日期；第一特征信息确定模块520，用于根据历史需求量和历史价值属性值，确定目标物品对应的第一特征信息；信息预测模块530，用于将第一特征信息输入至预设回归树模型中进行需求量信息预测，并根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量；预估价值属性值确定模块540，用于根据历史需求量和历史价值属性值，确定当前预测日期内目标物品的预估价值属性值，并将当前预测日期的下一日期作为当前预测日期，返回执行获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值的操作，直到当前预测日期为目标预测日期为止。

可选地，预估价值属性值确定模块540，包括：

需求量爆发系数确定单元，用于根据属于目标类别的各个物品对应的历史需求量，确定当前预测日期对应的需求量爆发系数，其中，目标类别为目标物品所属的类别；

月粒度回归系数获取单元，用于获取目标物品对应的月粒度回归系数；

目标折扣比例确定单元，用于基于预先确定的目标物品对应的月粒度折扣比例，确定当前预测日期所在的目标月份的前一月份对应的目标折扣比例；

价值属性值折扣比例确定单元，用于根据需求量爆发系数、月粒度回归系数和目标折扣比例，确定目标月份与前一月份之间的价值属性值折扣比例；

预估价值属性值确定单元，用于根据价值属性值折扣比例和前一月份内目标物品的第一价值属性值，确定当前预测日期内目标物品的预估价值属性值。

可选地，月粒度回归系数获取单元，具体用于：根据属于目标类别的各个物品对应的历史需求量、历史价值属性值和历史物品获取代价，确定目标物品对应的月粒度折扣比例；根据属于目标类别的各个物品对应的历史需求量和历史物品获取代价，确定目标物品对应的月粒度物品获取总代价；对月粒度折扣比例和月粒度物品获取总代价进行线性回归，确定目标物品对应的月粒度回归系数。

可选地，预估价值属性值确定单元，具体用于：根据价值属性值折扣比例、在前一月份内目标物品的第一价值属性值和在历史时间段中目标月份内目标物品的第二价值属性值，确定目标月份对应的价值属性值预估系数；根据价值属性值预估系数和在历史时间段内与当前预测日期处于同期的历史日期所对应的第三价值属性值，确定当前预测日期内目标物品的预估价值属性值。

可选地，第一特征信息包括：需求量统计特征、价值属性值统计特征以及需求量与价值属性值之间的交叉特征。

可选地，第一特征信息确定模块520，具体用于：根据历史需求量确定第一方差，以及根据历史价值属性值确定第二方差；根据历史需求量和历史价值属性值，确定需求量与价值属性值之间的协方差；根据第一方差、第二方差和协方差，确定需求量与价值属性值之间的交叉特征。

可选地，该装置还包括：

预设回归树模型训练模块，用于在使用预设回归树模型之前，基于梯度下降方式，根据样本特征信息和实际需求量对预设回归树模型进行训练。

可选地，该装置还包括：

第二特征信息确定模块，用于获取当前预测日期之前的历史时间段内目标物品的历史浏览量，并根据历史浏览量，确定目标物品对应的第二特征信息；

信息预测模块530，具体用于：将第一特征信息和第二特征信息输入至预设回归树模型中进行需求量信息预测，并根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量；

该装置还包括：预估浏览量确定模块，用于在确定当前预测日期内目标物品的预估价值属性值之后，根据历史需求量和历史浏览量，确定当前预测日期内目标物品的预估浏览量。

可选地，第二特征信息包括：浏览量统计特征以及需求量与浏览量之间的交叉特征；

第二特征信息确定模块，具体用于：根据历史浏览量，确定浏览量统计特征；根据历史浏览量和历史需求量，确定需求量与浏览量之间的交叉特征。

可选地，预估浏览量确定模块，具体用于：根据历史需求量，确定在当前预测日期所在的目标年份的第一历史需求总量和目标年份的前一年份的相同时间段内的第二历史需求总量；根据第一历史需求总量和第二历史需求总量，确定需求量增长比例；根据需求量增长比例和历史时间段内与当前预测日期处于同期的历史日期所对应的历史浏览量，确定当前预测日期内目标物品的预估浏览量。

可选地，该装置还包括：目标补货量确定模块，用于在确定目标预测日期内目标物品的预测需求量之后，获取当前日期后预设备货天数中的每天对应的目标预测需求量；根据各个目标预测需求量、预设现货率水平在正态分布下对应的数值和预设标准差，确定目标物品对应的目标库存量；根据目标库存量和当前库存量，确定目标补货量。

本发明实施例所提供的信息预测装置可执行本发明任意实施例所提供的信息预测方法，具备执行信息预测方法相应的功能模块和有益效果。

值得注意的是，上述信息预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例五

图6为本发明实施例五提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的一种信息预测方法步骤，该方法包括：

获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值，其中，当前预测日期的初始值为当前日期；

根据历史需求量和历史价值属性值，确定目标物品对应的第一特征信息；

将第一特征信息输入至预设回归树模型中进行需求量信息预测，并根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量；

根据历史需求量和历史价值属性值，确定当前预测日期内目标物品的预估价值属性值，并将当前预测日期的下一日期作为当前预测日期，返回执行获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值的操作，直到当前预测日期为目标预测日期为止。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的信息预测方法的技术方案。

实施例六

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的信息预测方法步骤，该方法包括：

获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值，其中，当前预测日期的初始值为当前日期；

根据历史需求量和历史价值属性值，确定目标物品对应的第一特征信息；

将第一特征信息输入至预设回归树模型中进行需求量信息预测，并根据预设回归树模型的输出，确定当前预测日期内目标物品的预测需求量；

根据历史需求量和历史价值属性值，确定当前预测日期内目标物品的预估价值属性值，并将当前预测日期的下一日期作为当前预测日期，返回执行获取当前预测日期之前的历史时间段内目标物品的历史需求量和历史价值属性值的操作，直到当前预测日期为目标预测日期为止。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。