(19)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 202210648298.1 (22)申请日 2022.06.09 (71)申请人 荣耀终端 有限公司 地址 518040 广东省深圳市福田区香蜜湖 街道东海社区红荔西路8089号深业中 城6号楼A单元3401 (72)发明人 李雨潼　 (74)专利代理 机构 北京中博世 达专利商标代理 有限公司 1 1274 专利代理师 申健 (51)Int.Cl. G06Q 30/02(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01) G06V 10/762(2022.01) (54)发明名称 一种电子设备的销量预测方法和装置 (57)摘要 本申请实施例提供一种电子设备的销量预 测方法和装置， 涉及IT领域， 其方法为： 根据多种 电子设备的销售数据构建第一样 本集， 对第一样 本集中各种电子设备的销售数据 （包括待预测电 子设备的n个销售周期 的销量） 进行小波分析和 聚类得到相似电子设备 （第一相似电子设备和第 二相似电子设备） ， 再根据待预测电子设备和相 似电子设备的销量数据得到预测模 型， 从而得到 待预测电子设备未来的销量 （例如， 第n+1个销售 周期的销量） 。 本申请将小波分析应用于聚类相 似电子设备的过程中， 使 得聚类得到的相似电子 设备 （第一相似电子设备/第二相似电子设备） 更 为准确， 使得后续预测模型的销量预测更为准确 （即更有利于后续预测模型的销量预测） 。 权利要求书3页 说明书15页 附图7页 CN 114757722 A 2022.07.15 CN 114757722 A 1.一种电子设备的销量预测方法， 其特 征在于， 包括： 获取多种电子设备的销售数据， 所述多种电子设备包括待预测电子设备， 所述销售数 据包括销售周期和销量； 根据所述多种电子设备的销售数据构建第 一样本集， 所述第 一样本集中的每种电子设 备的价格区间与所述待预测电子设备的价格区间相同， 且所述第一样本集中的每种电子设 备的销售周期大于或等于所述待 预测电子 设备的第一销售周期， 所述待 预测电子设备的第 一销售周期包括 n个销售周期， n大于或等于1； 对所述第一样本集中各种电子设备的销售数据进行小波分析得到各种电子设备分别 对应的第一近似分量与第一细节分量； 对所述第一近似分量进行聚类得到第 一相似电子设备， 对所述第 一细节分量进行聚类 得到第二相似电子设备； 根据所述待预测电子设备和所述第一相似电子设备的销量数据进行模型训练得到第 一预测模型， 根据所述待 预测电子 设备和所述第二相似电子设备的销量数据进行模型训练 得到第二预测模型； 根据所述第一预测模型预测所述待预测电子设备在第n+1个销售周期的销量， 根据所 述第二预测模型 预测所述待预测电子设备在第n+1个销售周期的销量； 合并所述第 一预测模型的预测值和所述第 二预测模型的预测值， 得到所述待预测电子 设备在第n+1个销售周期的销量。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 对所述第一预测模型进行性 能评估， 所述第 一预测模型输出的预测值的鲁棒性和准确 性满足预设标准； 对所述第二预测模型进行性 能评估， 所述第 二预测模型输出的预测值的鲁棒性和准确 性满足预设标准。 3.根据权利要求1或2所述的方法， 其特 征在于， 所述方法还 包括： 根据所述多种电子设备的销售数据构建第 二样本集， 所述第 二样本集中的每种电子设 备的价格区间与所述待预测电子设备的价格区间相同， 且所述第二样本集中的每种电子设 备的销售周期大于或等于所述待 预测电子 设备的第二销售周期， 所述第二销售周期包括n+ 1个销售周期； 对所述第二样本集中各种电子设备的销售数据进行小波分析得到各种电子设备分别 对应的第二近似分量与第二细节分量； 对所述第二近似分量进行聚类得到所述待预测电子设备的第 三相似电子设备， 对所述 第二细节分量进行聚类得到第四相似电子设备； 根据所述待预测电子设备和所述第三相似电子设备的销量数据进行模型训练得到第 三预测模型， 根据所述待 预测电子 设备和所述第四相似电子设备的销量数据进行模型训练 得到第四预测模型； 根据所述第三预测模型预测所述待预测电子设备在第n+2个销售周期的销量， 根据所 述第四预测模型 预测所述待预测电子设备在第n+2个销售周期的销量； 合并所述第 三预测模型的预测值和所述第四预测模型的预测值， 得到所述待预测电子 设备在第n+2个销售周期的销量。权　利　要　求　书 1/3 页 2 CN 114757722 A 24.根据权利要求1或2所述的方法， 其特征在于， 所述对所述第一样本集中各种电子设 备的销售数据进行小波分析得到各种电子设备分别对应的第一近似分量与第一细节分量 包括： 对所述第一样本集中各种电子设备的销量数据进行归一 化处理； 将归一化处理后的销量数据进行正态性 转换； 基于小波分析算法将正态性转换后的销量数据分解为所述第一近似分量序列和所述 第一细节分量序列。 5.根据权利要求1或2所述的方法， 其特征在于， 所述对所述第一近似分量进行聚类得 到第一相似电子设备包括: 基于层次聚类算法将所述第一样本集中的各种电子设备分别对应的第一近似分量聚 类为k簇， 确定与所述待 预测电子 设备处于同一簇中的p个电子 设备； 其中， k为大于或等于2 的整数， p为大于或等于 0的整数； 根据欧式距离计算公式确定与所述待预测电子设备距离最近的m个电子设备； 其中， m 为大于或等于 0的整数； 将所述p个电子设备和所述m个电子设备 取并集， 得到所述第一相似电子设备； 所述对所述第一细节分量进行聚类得到第二相似电子设备包括: 基于层次聚类算法将所述第一样本集中的各种电子设备分别对应的第一细节分量聚 类为k簇， 确定与所述待 预测电子 设备处于同一簇中的q个电子 设备； 其中， q为大于或等于0 的整数； 根据欧式距离计算公式确定与所述待预测电子设备距离最近的s个电子设备； 其中， s 为大于或等于 0的整数； 将所述q个电子设备和所述s个电子设备 取并集， 得到所述第二相似电子设备。 6.根据权利要求1或2所述的方法， 其特征在于， 所述根据所述待预测电子设备和所述 第一相似电子设备的销量数据进行模型训练得到第一预测模型包括： 构建第一训练集， 所述第 一训练集的输入特征X为所述第 一相似电子设备前n个销售周 期的销量数据， 所述第一训练集的预测目标Y为所述待 预测电子 设备的前n个销售周期的销 量数据； 根据线性回归、 随机森林、 极端梯度提升法XGBoost中的至少一种学习算法对所述第一 训练集进行串行训练得到所述第一预测模型； 所述根据所述待预测电子设备和所述第二相似电子设备的销量数据进行模型训练得 到第二预测模型包括： 构建第二训练集， 所述第 二训练集的输入特征X为所述第 二相似电子设备前n个销售周 期的销量数据， 所述第二训练集的预测目标Y为所述待 预测电子 设备的前n个销售周期的销 量数据； 根据线性回归、 随机森林、 极端梯度提升法XGBoost中的至少一种学习算法对所述第二 训练集进行串行训练得到所述第二预测模型。 7.根据权利要求1或2所述的方法， 其特 征在于， 所述多种电子设备的类型包括手机、 手表、 平板电脑、 笔记本电脑中的至少一种。 8.一种芯片系统， 其特征在于， 所述芯片系统包括一个或多个接口电路和一个或多个权　利　要　求　书 2/3 页 3 CN 114757722 A 3