本發(fā)明涉及計算機(jī)科學(xué)，特別是一種銷售數(shù)據(jù)的可視化處理方法及系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的飛速發(fā)展，大數(shù)據(jù)分析技術(shù)已經(jīng)成為企業(yè)決策的重要依據(jù)，特別是在零售行業(yè)，通過對銷售數(shù)據(jù)的有效分析，可以提高運營效率、優(yōu)化庫存管理、增強顧客體驗并促進(jìn)銷售額的增長，傳統(tǒng)的銷售數(shù)據(jù)分析主要依靠人工報表和簡單的統(tǒng)計軟件，這種方法耗時且效率低下，難以應(yīng)對海量數(shù)據(jù)的挑戰(zhàn)，近年來，隨著云計算、大數(shù)據(jù)處理框架以及高級數(shù)據(jù)分析工具的出現(xiàn)，企業(yè)能夠更高效地處理和分析大量銷售數(shù)據(jù)，此外，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的進(jìn)步使得自動化和智能化的數(shù)據(jù)分析成為可能，這不僅極大地提高了數(shù)據(jù)處理的速度和精度，還能夠揭示隱藏在數(shù)據(jù)背后的復(fù)雜模式和趨勢。

2、盡管現(xiàn)有技術(shù)在銷售數(shù)據(jù)分析領(lǐng)域取得了顯著進(jìn)步，但仍存在一些不足之處，首先，傳統(tǒng)的數(shù)據(jù)聚合方法通常是靜態(tài)的，即聚合級別和粒度固定不變，這限制了數(shù)據(jù)靈活性和用戶定制化的可能性，例如，在分析不同時間段的銷售趨勢時，用戶可能希望查看不同粒度的數(shù)據(jù)，但現(xiàn)有的系統(tǒng)往往不能很好地滿足這種需求，其次，大多數(shù)系統(tǒng)在預(yù)測未來銷售趨勢時僅依賴于單一模型，如時間序列分析或簡單的回歸模型，而這些模型往往無法捕捉到復(fù)雜的非線性關(guān)系和長期依賴性，導(dǎo)致預(yù)測準(zhǔn)確度不高，此外，現(xiàn)有系統(tǒng)在展示預(yù)測結(jié)果時往往缺乏靈活性和交互性，難以根據(jù)用戶的個性化需求進(jìn)行自適應(yīng)調(diào)整。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種銷售數(shù)據(jù)的可視化處理方法及系統(tǒng)解決現(xiàn)有技術(shù)中數(shù)據(jù)聚合不靈活、預(yù)測模型單一以及用戶界面調(diào)整不自適應(yīng)的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明提供了一種銷售數(shù)據(jù)的可視化處理方法，其包括，從pos系統(tǒng)、在線商店、crm系統(tǒng)的數(shù)據(jù)源中收集原始銷售數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，集存儲到銷售數(shù)據(jù)庫中；基于銷售數(shù)據(jù)庫中的數(shù)據(jù)，利用數(shù)據(jù)聚合和機(jī)器學(xué)習(xí)，構(gòu)建自適應(yīng)動態(tài)數(shù)據(jù)聚合算法；通過自適應(yīng)動態(tài)數(shù)據(jù)聚合算法，自動識別數(shù)據(jù)中的模式，同時根據(jù)用戶的使用習(xí)慣和查詢條件動態(tài)調(diào)整數(shù)據(jù)的聚合級別和粒度，生成聚合后的數(shù)據(jù)；結(jié)合長短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建融合預(yù)測模型并基于歷史銷售數(shù)據(jù)預(yù)測未來的銷售趨勢；利用聚合后的數(shù)據(jù)對融合預(yù)測模型進(jìn)行訓(xùn)練，優(yōu)化融合預(yù)測模型捕捉數(shù)據(jù)特征類型的能力；將未來的銷售趨勢結(jié)果進(jìn)行自適應(yīng)布局與動態(tài)調(diào)整，并以圖表的形式直觀地展示給用戶。

5、作為本發(fā)明所述銷售數(shù)據(jù)的可視化處理方法的一種優(yōu)選方案，其中：所述從pos系統(tǒng)、在線商店、crm系統(tǒng)的數(shù)據(jù)源中收集原始銷售數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，集存儲到銷售數(shù)據(jù)庫中，具體步驟為：

6、pos系統(tǒng)中收集的數(shù)據(jù)，包括銷售交易記錄、庫存信息、退貨記錄和員工操作記錄；

7、在線商店中收集的數(shù)據(jù)，包括訂單數(shù)據(jù)、用戶行為數(shù)據(jù)、評價與反饋和促銷活動數(shù)據(jù)；

8、crm系統(tǒng)中收集的數(shù)據(jù)，包括客戶基本信息、購買歷史、服務(wù)交互記錄和營銷活動響應(yīng)；

9、對pos系統(tǒng)、在線商店、crm系統(tǒng)的數(shù)據(jù)源中收集到的數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)集成、數(shù)據(jù)歸約和數(shù)據(jù)質(zhì)量檢查處理；

10、根據(jù)預(yù)處理后的數(shù)據(jù)定義數(shù)據(jù)庫字段名、數(shù)據(jù)類型的表結(jié)構(gòu)，并為每個表結(jié)構(gòu)設(shè)置訂單id主鍵字段和表之間的外鍵約束關(guān)系；

11、將設(shè)定好的數(shù)據(jù)表導(dǎo)入數(shù)據(jù)庫中，并對經(jīng)常作為查詢條件的字段創(chuàng)建索引。

12、作為本發(fā)明所述銷售數(shù)據(jù)的可視化處理方法的一種優(yōu)選方案，其中：所述基于銷售數(shù)據(jù)庫中的數(shù)據(jù)，利用數(shù)據(jù)聚合和機(jī)器學(xué)習(xí)，構(gòu)建自適應(yīng)動態(tài)數(shù)據(jù)聚合算法，具體步驟為：

13、引入動態(tài)調(diào)整因子α和動態(tài)權(quán)重函數(shù)w（t），對銷售數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行動態(tài)權(quán)重和聚合程度的調(diào)整；

14、定義動態(tài)權(quán)重函數(shù)w（t）表達(dá)式為：

15、；

16、其中，σ′t是在時間點t上銷售數(shù)據(jù)的標(biāo)準(zhǔn)差，β為控制著函數(shù)的陡峭程度的參數(shù)，γ為決定了函數(shù)曲線中心位置的參數(shù)；

17、定義動態(tài)調(diào)整因子α表達(dá)式為：

18、；

19、其中，di是第i個數(shù)據(jù)點的重要性度量，n是數(shù)據(jù)點的數(shù)量，δ為數(shù)據(jù)點重要性度量di的敏感度系數(shù)，j和i為遍歷所有數(shù)據(jù)點的索引；

20、結(jié)合動態(tài)權(quán)重函數(shù)w（t）和動態(tài)調(diào)整因子α，構(gòu)建聚數(shù)函數(shù)p（x）表達(dá)式為：

21、；

22、；

23、其中，x為時間序列數(shù)據(jù)，t為時間序列的長度；

24、引入深度神經(jīng)網(wǎng)絡(luò)優(yōu)化參數(shù)β，γ，和δ，并通過反向傳播算法來最小化預(yù)測的聚合值與實際聚合值之間的差異；

25、在不斷迭代優(yōu)化β，γ，和δ的值的過程中，直到達(dá)到預(yù)定的收斂標(biāo)準(zhǔn)的性能指標(biāo)，完成對自適應(yīng)動態(tài)數(shù)據(jù)聚合算法的構(gòu)建。

26、作為本發(fā)明所述銷售數(shù)據(jù)的可視化處理方法的一種優(yōu)選方案，其中：所述通過自適應(yīng)動態(tài)數(shù)據(jù)聚合算法，自動識別數(shù)據(jù)中的模式，同時根據(jù)用戶的使用習(xí)慣和查詢條件動態(tài)調(diào)整數(shù)據(jù)的聚合級別和粒度，生成聚合后的數(shù)據(jù)，具體步驟為：

27、記錄用戶查詢的頻率、查詢的時間段、查詢的具體內(nèi)容，并使用k-means聚類算法對用戶查詢進(jìn)行分組；

28、基于上述分組，使用apriori關(guān)聯(lián)規(guī)則學(xué)習(xí)來發(fā)現(xiàn)用戶查詢之間的關(guān)聯(lián)性；

29、若用戶頻繁查詢某一特定級別的數(shù)據(jù)，則增加級別的權(quán)重；

30、若用戶經(jīng)常查看某一特定粒度的數(shù)據(jù)，則減少其他粒度的數(shù)據(jù)計算；

31、引入一個用戶偏好函數(shù)u（p），衡量用戶對不同聚合級別p的偏好程度，表達(dá)式為：

32、；

33、其中，m為用戶查詢模式的總數(shù)，fi（p）為第i個查詢模式對聚合級別p的偏好程度

34、基于用戶偏好函數(shù)對聚數(shù)函數(shù)p（x）進(jìn)行更新，表達(dá)式為：

35、；

36、其中，p′（x）表示更新后的聚數(shù)函數(shù)，輸出聚合后的數(shù)據(jù)；

37、融合用戶偏好函數(shù)u（p），構(gòu)建復(fù)合損失函數(shù)l′訓(xùn)練更新后的聚數(shù)函數(shù)p′（xt）過程中最小化預(yù)測值與實際之間的差異，表達(dá)式為：

38、；

39、其中，yt為實際聚合值在時間點t上的值，λ為正則化系數(shù)；

40、使用adam梯度下降法來更新β，γ，δ的值；

41、設(shè)置一個均方誤差性能指標(biāo)作為收斂標(biāo)準(zhǔn)，當(dāng)連續(xù)若干次迭代后性能指標(biāo)的變化小于閾值時，則認(rèn)為模型已收斂。

42、作為本發(fā)明所述銷售數(shù)據(jù)的可視化處理方法的一種優(yōu)選方案，其中：所述結(jié)合長短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建融合預(yù)測模型并基于歷史銷售數(shù)據(jù)預(yù)測未來的銷售趨勢，具體步驟為：

43、從銷售數(shù)據(jù)庫中提取歷史銷售數(shù)據(jù)，將整理成時間序列格式；

44、將cnn層中的卷積核將應(yīng)用于輸入時間序列的滑動窗口上，進(jìn)行多尺度局部特征的捕捉，表達(dá)式為：

45、；

46、其中，表示在時間點t處第j個卷積核的輸出，表示第j個卷積核的第i個權(quán)重，σ表示非線性激活函數(shù)，b是偏差項，k表示卷積核的寬度，s表示卷積步長；

47、使用lstm層來處理cnn層的輸出，捕捉長期依賴關(guān)系；

48、通過全連接層來融合cnn和lstm層的輸出，生成預(yù)測未來的銷售趨勢表達(dá)式為：

49、；

50、其中，gt表示在時間點t的銷售趨勢預(yù)測值，w′g表示融合層的權(quán)重矩陣，bg表示融合層的偏差項；

51、采用均方誤差作為損失函數(shù)，同時融入時間點t的銷售趨勢預(yù)測值，定義均方誤差損失函數(shù)l′′表達(dá)式為：

52、；

53、使用adam優(yōu)化器來最小化損失函數(shù)l，并更新模型參數(shù)；

54、將預(yù)測結(jié)果以折線圖的形式展示給用戶。

55、作為本發(fā)明所述銷售數(shù)據(jù)的可視化處理方法的一種優(yōu)選方案，其中：所述利用聚合后的數(shù)據(jù)對融合預(yù)測模型進(jìn)行訓(xùn)練，優(yōu)化融合預(yù)測模型捕捉數(shù)據(jù)特征類型的能力，具體步驟為：

56、從經(jīng)過聚合的數(shù)據(jù)集中抽取訓(xùn)練樣本；

57、將抽取到的訓(xùn)練樣本為訓(xùn)練集、驗證集和測試集；

58、初始化cnn-lstm模型及卷積核、lstm單元狀態(tài)、全連接層權(quán)重和偏置項的參數(shù)；

59、對于每個訓(xùn)練周期，遍歷訓(xùn)練集中的所有批次；

60、將聚合后將每批次的數(shù)據(jù)送入cnn層以捕捉局部特征，并將cnn輸出送入lstm層以捕捉長期依賴關(guān)系；

61、通過全連接層融合cnn和lstm層的輸出，計算損失函數(shù)并使用adam優(yōu)化器反向傳播以更新模型參數(shù)；

62、在每個訓(xùn)練周期結(jié)束時，使用驗證集評估模型性能，監(jiān)控驗證集上的損失函數(shù)和性能指標(biāo)，并應(yīng)用早停策略以防止過擬合；

63、使用網(wǎng)格搜索方法調(diào)整模型學(xué)習(xí)率、批量大小的超參數(shù)，并基于驗證集的表現(xiàn)選擇最佳的超參數(shù)組合；

64、當(dāng)訓(xùn)練集上的損失不再降低時，且驗證集上的性能不再改善時，模型則已收斂。

65、作為本發(fā)明所述銷售數(shù)據(jù)的可視化處理方法的一種優(yōu)選方案，其中：所述將未來的銷售趨勢結(jié)果進(jìn)行自適應(yīng)布局與動態(tài)調(diào)整，并以圖表的形式直觀地展示給用戶，具體步驟為：

66、引入屏幕尺寸因子s和用戶偏好因子u定義用戶界面布局；

67、屏幕尺寸因子s表達(dá)式為：

68、；

69、其中，w和h分別代表屏幕寬度和高度；

70、結(jié)合屏幕尺寸因子s和用戶偏好因子u，構(gòu)建自適應(yīng)布局函數(shù)a（l）來計算布局元素的位置和大小，表達(dá)式為：

71、；

72、其中，β′為控制屏幕尺寸因子s影響強度的參數(shù)，γ′為屏幕尺寸因子s的閾值，q為布局參數(shù)列表，（1?u）+u為用戶偏好因子u的線性插值；

73、引入數(shù)據(jù)量因子v和用戶關(guān)注因子f，定義動態(tài)調(diào)整參數(shù)d（f）進(jìn)行展示數(shù)據(jù)粒度和級別的調(diào)整，表達(dá)式為：

74、；

75、其中，δ′為控制數(shù)據(jù)量因子v影響強度的參數(shù)，η為數(shù)據(jù)量因子v的閾值，dv為積分變量v的微小變化量，（1?f）+f為用戶關(guān)注因子f的線性插值；

76、結(jié)合自適應(yīng)布局函數(shù)a（l）和動態(tài)調(diào)整函數(shù)d（f），生成最終的圖表展示，表達(dá)式為：

77、；

78、其中，n′為布局元素的數(shù)量，hi和fi分別代表第i個布局元素的布局參數(shù)列表和用戶關(guān)注因子，a（hi）和d（fi）分別為第i個布局元素的自適應(yīng)布局函數(shù)和動態(tài)調(diào)整函數(shù)。

79、第二方面，本發(fā)明提供了一種銷售數(shù)據(jù)的可視化處理系統(tǒng)，包括數(shù)據(jù)存儲模塊、自適應(yīng)動態(tài)數(shù)據(jù)聚合模塊、智能數(shù)據(jù)聚合模塊、預(yù)測模型構(gòu)建模塊，模型訓(xùn)練與優(yōu)化模塊和數(shù)據(jù)可視化模塊；所述數(shù)據(jù)存儲模塊用于從pos系統(tǒng)、在線商店、crm系統(tǒng)的數(shù)據(jù)源中收集原始銷售數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，集存儲到銷售數(shù)據(jù)庫中；所述自適應(yīng)動態(tài)數(shù)據(jù)聚合模塊用于基于銷售數(shù)據(jù)庫中的數(shù)據(jù)，利用數(shù)據(jù)聚合和機(jī)器學(xué)習(xí)，構(gòu)建自適應(yīng)動態(tài)數(shù)據(jù)聚合算法；所述智能數(shù)據(jù)聚合模塊用于通過自適應(yīng)動態(tài)數(shù)據(jù)聚合算法，自動識別數(shù)據(jù)中的模式，同時根據(jù)用戶的使用習(xí)慣和查詢條件動態(tài)調(diào)整數(shù)據(jù)的聚合級別和粒度，生成聚合后的數(shù)據(jù)；所述預(yù)測模型構(gòu)建模塊用于結(jié)合長短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建融合預(yù)測模型并基于歷史銷售數(shù)據(jù)預(yù)測未來的銷售趨勢；所述模型訓(xùn)練與優(yōu)化模塊用于利用聚合后的數(shù)據(jù)對融合預(yù)測模型進(jìn)行訓(xùn)練，優(yōu)化融合預(yù)測模型捕捉數(shù)據(jù)特征類型的能力；所述數(shù)據(jù)可視化模塊用于將未來的銷售趨勢結(jié)果進(jìn)行自適應(yīng)布局與動態(tài)調(diào)整，并以圖表的形式直觀地展示給用戶。

80、第三方面，本發(fā)明提供了一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，其中：所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的銷售數(shù)據(jù)的可視化處理方法的任一步驟。

81、第四方面，本發(fā)明提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其中：所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的銷售數(shù)據(jù)的可視化處理方法的任一步驟。

82、本發(fā)明有益效果為：本發(fā)明通過采用自適應(yīng)動態(tài)數(shù)據(jù)聚合算法、融合預(yù)測模型以及自適應(yīng)布局與動態(tài)調(diào)整機(jī)制等創(chuàng)新技術(shù)手段，有效地解決了現(xiàn)有技術(shù)中存在的聚合方法僵化、預(yù)測模型單一以及用戶界面不靈活等問題；顯著提升銷售數(shù)據(jù)處理的靈活性和預(yù)測準(zhǔn)確性，同時增強了用戶界面的友好性和個性化體驗，使得企業(yè)能夠在快速變化的市場環(huán)境中做出更加精準(zhǔn)的決策，進(jìn)而獲得競爭優(yōu)勢；此外，通過優(yōu)化數(shù)據(jù)聚合級別與粒度，以及利用長短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的融合預(yù)測模型，進(jìn)一步提高了銷售趨勢預(yù)測的精度和可靠性，為企業(yè)的戰(zhàn)略規(guī)劃提供了強有力的支持。