买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京淘幂科技有限公司申请的专利基于多源数据融合与深度学习的食品饮料网络销售趋势预测模型构建系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120655340B 。

龙图腾网通过国家知识产权局官网在2025-12-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511021641.X，技术领域涉及：G06Q30/0202；该发明授权基于多源数据融合与深度学习的食品饮料网络销售趋势预测模型构建系统及方法是由全文俊;许秀春;张爽设计研发完成，并于2025-07-24向国家知识产权局提交的专利申请。

本基于多源数据融合与深度学习的食品饮料网络销售趋势预测模型构建系统及方法在说明书摘要公布了：本发明涉及食品饮料技术领域，具体地说，涉及基于多源数据融合与深度学习的食品饮料网络销售趋势预测模型构建系统及方法。包括：数据采集单元；数据处理单元；模型构建单元，所述模型构建单元用于构建深度学习预测模型，采用改进的LSTM‑Transformer融合算法，通过集成时序特征建模与全局依赖关系分析技术，实现对食品饮料销售趋势的非线性映射建模；模型训练验证单元；预测输出单元。本发明通过集成网络销售平台数据、社交媒体情感文本、气象信息及行业资讯等多源数据，结合特征工程技术提取时间维度特征、文本情感特征及价格弹性‑天气影响等交叉关联特征，全面覆盖食品饮料销售的影响因素，解决了传统方案数据维度单一的问题。

本发明授权基于多源数据融合与深度学习的食品饮料网络销售趋势预测模型构建系统及方法在权利要求书中公布了：1.基于多源数据融合与深度学习的食品饮料网络销售趋势预测模型构建系统，其特征在于，包括： 数据采集单元100，所述数据采集单元100用于采集食品饮料网络销售相关的多源数据，基于网络爬虫技术和API接口调用技术，从网络销售平台、社交媒体平台、行业资讯网站、气象信息数据库获取数据；所述数据采集单元100包括网络销售平台数据采集模块110、社交媒体数据采集模块120、行业资讯数据采集模块130和气象信息数据采集模块140，其中： 所述网络销售平台数据采集模块110通过RESTfulAPI接口从电商平台数据库获取销售订单信息、用户购买行为数据及产品价格变动日志； 所述社交媒体数据采集模块120采用Scrapy框架构建网络爬虫，从多电商平台的公开API接口采集用户对食品饮料的评价文本、话题标签及互动数据； 所述行业资讯数据采集模块130通过定时任务访问行业报告网站，解析HTML页面获取政策文件、新品发布公告及市场分析白皮书； 所述气象信息数据采集模块140基于OpenWeatherMapAPI接口，按地区编码批量获取实时气温、降水概率及湿度数据； 数据处理单元200，所述数据处理单元200用于对数据采集单元100采集的多源数据进行预处理和特征提取，通过数据清洗算法去除重复与错误数据，采用中值滤波算法去噪，结合最小-最大归一化方法和随机森林算法完成数据归一化及缺失值填补，并运用特征工程技术提取多维度预测特征，所述多维度预测特征至少包括基于销售时间戳的时间维度特征、基于用户评价文本的文本情感特征、基于多源数据关联分析的价格弹性特征及天气影响特征； 模型构建单元300，所述模型构建单元300用于构建深度学习预测模型，采用改进的LSTM-Transformer融合算法，通过集成时序特征建模与全局依赖关系分析技术，实现对食品饮料销售趋势的非线性映射建模；所述模型构建单元300采用改进的LSTM-Transformer融合算法实现对食品饮料销售趋势的非线性映射建模，包括如下步骤： S300.1、时序特征双向编码： 采用双向长短期记忆网络对数据处理单元200提取的时间维度特征进行编码，具体包括： 输入处理：将时间特征按时间步排列为；其中，为时序特征数据的整体表示，为批量大小，为历史时间步长，为时间特征维度，为实数集； 网络配置：单方向LSTM隐藏单元数设为256，双向输出拼接后特征维度为512，计算公式为： ； ； ； 其中，表示时刻前向隐藏状态；表示前向LSTM计算函数；表示时刻的时序输入特征；表示时刻前向LSTM的隐藏状态；表示时刻后向LSTM的隐藏状态；表示后向LSTM计算函数；表示时刻后向LSTM的隐藏状态；表示双向LSTM最终输出的时序编码特征；表示拼接操作；表示特征维度描述； S300.2、全局特征多头注意力建模： 对数据处理单元200提取的文本情感特征、价格弹性特征及天气影响特征组成的全局特征进行跨特征关联分析，具体包括： 维度对齐：通过线性变换将全局特征映射为512维，形成；其中，为全局特征数量；为全局特征输入； 多头Query、Key、Value生成：对执行多头投影，生成查询向量Query、键向量Key、值向量Value； 第个头的投影公式为： ； ； ； 其中，表示第个头的查询向量；表示第个头的Query投影矩阵；表示第个头的键向量；表示第个头的Key投影矩阵；表示第个头的值向量；表示第个头的Value投影矩阵； 自注意力权重计算与特征聚合：计算第个头的自注意力权重，并聚合值向量； ； ； 其中，表示第个头中，第个特征与第个特征的关联权重；表示归一化函数；表示第个头的Query向量中，第个样本的特征向量；表示第个头的Key向量中，第个样本的特征向量的转置；表示缩放因子；表示第个头聚合后的特征；表示第个头的注意力权重矩阵；表示第个头的Value向量； 多头结果拼接与层归一化：将8头的注意力结果拼接并通过线性变换与层归一化，输出全局关联特征： ； 其中，表示层归一化操作；表示拼接8个注意力头的输出，用于融合多维度关联信息；表示输出投影矩阵，用于将拼接后的特征映射到指定维度； S300.3、双维度特征融合与预测： 将时序编码特征与全局关联特征融合并映射至预测空间： 特征融合：通过通道拼接生成1024维融合特征，对齐时间步后维度为；其中，表示最终生成的融合特征；表示拼接操作的函数；表示通过双向LSTM编码得到的时序特征；表示通过Transformer编码得到的全局关联特征；表示批量大小；表示时间步长；表示全局特征数量；表示取和里的较大值，用来对齐时间步；表示融合后特征的通道维度； 预测输出：经全连接层映射至销售趋势预测维度，计算公式为： ； 其中，表示深度学习预测模型输出的预测值；表示全连接层；表示融合特征；表示全连接层的权重矩阵；表示全连接层的偏置项；表示预测值的维度形态，是批量大小，是预测步长； 模型训练验证单元400，所述模型训练验证单元400用于对深度学习预测模型进行训练和验证，基于历史数据集对深度学习预测模型进行训练，通过Adam优化算法调整模型参数，并设置学习率、迭代次数、批量大小超参数进行深度学习预测模型优化，采用独立于训练数据的验证数据集计算准确率、均方误差、平均绝对误差评估深度学习预测模型预测性能； 预测输出单元500，所述预测输出单元500用于输出食品饮料网络销售趋势预测结果，接收经数据处理单元200处理后的实时数据，输入训练好的深度学习预测模型进行预测，通过Echarts可视化技术以多维度图表形式展示预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京淘幂科技有限公司，其通讯地址为：100102 北京市朝阳区阜通东大街1号院3号楼17层1单元112005；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。