(19)中华 人民共和国 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 202111278216.0 (22)申请日 2021.10.3 0 (71)申请人 重庆长安汽车股份有限公司 地址 400023 重庆市江北区建新 东路260号 (72)发明人 侯坤　董蕴博　王在清　姚建丰　 刘民娜　 (74)专利代理 机构 重庆华科专利事务所 5 0123 代理人 徐先禄 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于prophet模型及大数据的销量预测方法 和系统 (57)摘要 本发明涉及大数据挖掘技术领域， 针对现有 的汽车行业的销量预测方法预测准确率低的问 题， 提出一种基于Prophet算法的行业大数据销 量预测方法， 包括： 基于facebook的prophet算 法， 对历史销量数据进行节假日、 事件等分析确 定影响参数， 采用历史销量数据对proohet模型 进行训练测试得到最优模型并对销量进行预测 得到预测值一； 对影响 因子进行移动平均、 变形、 降维、 滞后等处理， 采用 历史销量数据和所有影 响因子数据进行机器学习模型(神经网络、 xgboost等)训练测试得到最优机器学习模型， 利 用最优机器学习模型和因子预测值对销量进行 预测得到预测值二； 根据销量预测值一、 销量预 测值二得到最终的销量预测值。 本发 明适用于汽 车产品销量的预测。 权利要求书2页 说明书7页 附图1页 CN 113962745 A 2022.01.21 CN 113962745 A 1.一种基于可分解模型prophet及大数据挖掘的销量预测方法， 其特征在于， 包括步 骤： 采集历史销量数据， 确 定节假日和事件影响周期和强度， 设置参数集并建立prophet模 型， 利用历史销量数据及影 响周期和强度对pr ophet模型进行训练和测试得到最优pr ophet 模型， 利用该最优pr ophet模型对指 定时间内销量进行预测得到销量预测值一； 根据历史销 量数据的相关性及回归效率计算影响因子， 对影响因子和历史销量数据经过移动平均、 变 形、 滞后处理， 输入机器学习模 型训练和测试得到最优机器学习模型， 利用最优机器学习模 型和影响因子预测得到销量预测值二； 对销量预测值一和销量预测值二的总和取平均值得 到最终的销量预测值。 2.根据权利要求1所述的销量预测方法， 其特征在于， 销量均值持续偏离高于 阈值的时 间段为影响周期， 销量均值变化量为 强度， 分析节假日和事件发生前后时间段内销量变化， 根据上述方法确定不同级别事 件的影响周期和强度。 3.根据权利要求1或2所述的销量预测方法， 其特征在于， 将历史销量数据按照 时间顺 序按预定比例分为训练集和测试集， 利用训练集对设置好参数集的pr ophet模型进行训练， 并用测试集对训练后的模 型进行测试， 调整参数集， 得到误差最小的pr ophet模型为销量的 最优prophet模型。 4.根据权利要求1或2所述的销量预测方法， 其特征在于， 将所有历史数据按照比例随 机分为训练集和测试集， 设置模型参数的取值范围、 每组参数的取值组合， 通过训练集训练 机器学习模型， 将测试集输入训练好的模型进行测试， 选择测试集中误差最小时对应的参 数作为最优参数， 利用最优参数构建最优机器学习模型。 5.根据权利要求1所述的销量预测方法， 其特征在于， 采用影响因子各自对应的历史数 据对时间序列进 行训练得到各自相应的最优时间序列模型， 根据最优时间序列模型确定相 应影响因子 。 6.根据权利要求1或5所述的销量预测方法， 其特征在于， 若影响因子的历史数据存在 的缺失量未超过预定值， 则根据缺失量两侧数据的均值进行填充， 如超过预定值则删除影 响因子对应的历史数据； 若影响因子的历史数据变化剧烈， 则进 行移动平均处理； 若影响因 子的历史数据差异超过量级阈值， 则对影响因子取对数 处理； 若多个影响因子存在强相关， 则进行加权聚合构建一个复合影响因子； 若影响因子的历史数据与销量相关性绝对值低于 预设值， 则 删除该影响因子 。 7.根据权利要求3所述的销量预测方法， 其特征在于， 根据趋势分析非周期变化g(t)、 用于拟合时间序列中的分段线性增长或逻辑增长的季节性周期变化s(t)、 节假日效应h (t)， Proph et预测模型使用时间为回归元， 根据公式： y(t)＝g(t)+s(t)+h(t)+et优化参数， 拟合线性和非线性的时间函数y(t)， 其中， et为 误差项。 8.根据权利要求1 ‑7其中之一所述的销量预测方法， 其特征在于， 基于傅里叶级数建立 季节效应模型计算销量季节性周期随时间t变化s(t)拟合并预测季节的销量， 其中， P为预测周期， N为傅里叶阶 数， an和bn 为傅里叶系数。 9.一种基于可分解模型prophet及大数据挖掘的销量预测系统， 其特征在于， 采集模块权　利　要　求　书 1/2 页 2 CN 113962745 A 2采集历史销量数据并分析节假日和事件影响， 确定影响周期和强度， 设置参数集并建立 prophet模型， 训练模块利用历史销量数据及影响周期和强度对pr ophet模型进行训练和测 试得到销量最优pr ophet模型， 预测模块利用该最优pr ophet模型对销量进 行预测得到销量 预测值一， 数据 处理模块根据历史销量数据的相关性及回归效率预测影响因子， 对影响因 子和历史销量数据经过处理， 输入机器学习模型训练和测试得到最优机器学习模型， 预测 模块利用最优机器学习模型和影响因子预测得到销量预测值二， 对销量预测值一和销量预 测值二的总和取平均值得到最终的销量预测值。 10.根据权利要求9所述的销量预测系统， 其特征在于， 将历史销量数据按照时间顺序 按预定比例分为训练集和测试集， 利用训练集对设置好参数集的pr ophet模型进行训练， 用 测试集对训练后的模 型进行测试， 调整参数集得到误差最小的pr ophet模型为最优pr ophet 模型。 11.根据权利要求9所述的销量预测系统， 其特征在于， 将所有历史数据按照比例随机 分为训练集和测试集， 设置模型参数、 参数的取值组合， 通过训练集训练机器学习模型， 测 试集输入训练好的模型进行测试， 选择误差最小时对应的参数作为最优参数， 利用最优参 数构建最优机器学习模型。 12.根据权利要求9所述的销量预测系统， 其特征在于， 采用影响因子各自对应的历史 数据对时间序列进行训练得到各自的最优时间序列模型， 根据最优时间序列模型预测影响 因子。 13.根据权利要求9或10所述的销量预测方法， 其特征在于， 根据趋势分析非周期变化g (t)、 用于拟合时间序列中的分段线性增长或逻辑增长的季节 性周期变化s(t)、 节 假日效应 h(t)， Prophet预测模型使用时间为回归元， 根据公式： y(t)＝g(t)+s(t)+h(t)+et优化参 数， 拟合线性和非线性的时间函数y(t)， 其中， et为 误差项。 14.根据权利要求9 ‑12其中之一所述的销量预测系统， 其特征在于， 基于傅里叶级数建 立 季 节效 应 模 型 计 算 销量 季 节 性 周期 变 化 s (t) 拟 合并 预 测季 节的 销量 ， 其中， P为预测周期， N为傅里叶阶数， an 和bn为傅里叶系数。权　利　要　求　书 2/2 页 3 CN 113962745 A 3