• • 项目目标
  • 部署形式
• 算法代码目标：
• 结构
• 最终结果表：
• • 预测结果表

某消费品集团销量预测代码

项目目标

通过某消费品集团提供的在京东商城上的自营或POP商家的消费品类销量订单，针对SKU和SKU对应的数据特征，如价格等进行多元时间序列预测。
该方案是通过用该深度模型对原始数据进行特征提取和特征表征，再将其用于预测场景。

部署形式

本地化部署
数据量：2200个SKU，约56W行销量数据。
其中包含15列，如价格、价格变动趋势等。

算法代码目标：

提供每个SKU的常规预测；
目前阶段商家提供的数据数据量并不大，提供一个方便的一次性读取运算的程序输出展示预测效果。

针对上述目标，提出解决方案：
基于DAE模型对常规品特征进行特征表征，再进行销量预测

• reference
  《Stacked Denoising Autoencoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion》

自编码器（AutoEncoder）是一种无监督学习方法，通过神经网络的投影和非线性变换，可以对数值特征进行更好的特征表征。
表征即对于某个问题，特征反应其本质的能力和决断能力。表征越好，特征反应问题的能力就越好。
而深度学习对问题的抽象方法是，例如在预测的场景下，寻找一个分布去拟合历史数据的分布，同时使用一个损失函数来计算拟合的分布中的每个点的预测值与真实值的差异。
对于该损失函数，尝试找到使其最小的一组参数，该参数即是神经网络中每个神经元所对应的线性变换的参数。
而DAE本身作为一种对比学习的实现，其目的是通过抽取更高层次的抽象特征，例如销量数据中的数据波动对销量的影响、价格变动对销量的影响等特征。
DAE可以更好的表征数据本身，同时更好的特征表征可以更好的提升预测精度。

结构

最终结果表：

预测结果表

dev.dev_al_pred