CN107093096A - 一种业务量预测方法及装置 - Google Patents
一种业务量预测方法及装置 Download PDFInfo
- Publication number
- CN107093096A CN107093096A CN201611158664.6A CN201611158664A CN107093096A CN 107093096 A CN107093096 A CN 107093096A CN 201611158664 A CN201611158664 A CN 201611158664A CN 107093096 A CN107093096 A CN 107093096A
- Authority
- CN
- China
- Prior art keywords
- restaurant
- history
- payment
- prediction
- prediction time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003827 upregulation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种业务量预测方法及装置,包括:确定预测时刻以及与所述预测时刻对应的历史时刻,获得针对业务提供方的历史支付数据,根据所述历史支付数据,确定所述历史时刻针对所述业务提供方的历史支付次数,根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。通过本申请,相较于仅提供多时段的历史支付数据的现有技术而言,本申请能够根据历史支付数据和现实数据对未来数据进行预测,从而为用户的消费选择提供比较准确的参考。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种业务量预测方法及装置。
背景技术
业务量是反映商业状况的重要指标之一。例如,对于以提供现场服务为主的商家而言,例如以现场就餐为主要业务的餐馆、电影院、超市、休闲娱乐商家等等,业务量能够在很大程度上反映商家的商业状况。一般而言,业务量越高,说明商业活动越活跃,消费环境越热闹。用户常常希望了解商家的业务量情况,包括历史业务量和未来业务量,从而为自己的消费行为提供参考。
对于未来业务量,一些用户可能希望了解特定商家在什么时间或什么时段的业务量相对较大,因为用户可能希望体验热闹的消费环境和气氛。又如,另外一些用户可能希望了解特定商家在什么时间或什么时段的业务量相对较小,从而选择在这样的时间或时段动身前往,希望减少现场等待时间或者获得更好的现场服务。无论对于哪种情况,尽可能准确地向用户提供未来的预测信息,成为提高用户体验的重要因素。
然而,现有技术中向用户提供的只是历史数据,例如上星期每一天商家的业务量;或者前一天每时段(例如每小时)的业务量。因此,用户对于未来信息的需求并未得到满足。
因此,本领域需要一种业务量预测方法及装置,能够向用户提供尽可能准确的业务量预测数据。
发明内容
本申请实施例提供一种业务量预测方法及装置,用于向用户提供业务量预测数据。
本申请实施例采用如下技术方案:
一种业务量预测方法,包括:
确定预测时刻以及与所述预测时刻对应的历史时刻;
获得针对业务提供方的历史支付数据;
根据所述历史支付数据,确定所述历史时刻针对所述业务提供方的历史支付次数;
根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
一种业务量预测方法,包括:
确定预测时刻以及与所述预测时刻对应的历史时刻;
获得针对餐馆的历史支付数据;
根据所述历史支付数据,确定所述历史时刻针对所述餐馆的历史支付次数;
根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
一种业务量预测装置,包括:
时刻确定模块,确定预测时刻以及与所述预测时刻对应的历史时刻;
数据获取模块,获得针对业务提供方的历史支付数据;
次数确定模块,根据所述历史支付数据,确定所述历史时刻针对所述业务提供方的历史支付次数;
预测模块,根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
一种业务量预测装置,包括:
时刻确定模块,确定预测时刻以及与所述预测时刻对应的历史时刻;
支付数据模块,获得针对餐馆的历史支付数据;
次数确定模块,根据所述历史支付数据,确定所述历史时刻针对所述餐馆的历史支付次数;
预测模块,根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例根据业务量的历史数据对未来业务量进行预测,并且根据当前业务量数据对预测结果进行修正。相较于仅提供历史数据的现有技术而言,本申请能够根据历史数据和现实数据对未来数据进行预测,从而为用户的消费选择提供比较准确的参考。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为根据本申请实施例的业务量预测方法的流程示意图。
图2为根据本申请实施例的说明支付次数历史趋势的示意图。
图3为根据本申请实施例的对业务量预测数据进行修正的示意图。
图4为根据本申请实施例的在实际业务场景下的业务量预测方法的流程示意图。
图5为根据本申请实施例的业务量预测装置的结构示意图。
图6为根据本申请实施例的在实际业务场景下的业务量预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如前所述,用户对于特定商家的未来业务量信息存在需求,本申请实施例根据历史数据和现实数据对未来数据进行预测。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为根据本申请实施例的业务量预测方法的流程示意图,具体包括以下步骤。
S110:确定预测时刻以及与所述预测时刻对应的历史时刻。
具体而言,这里的预测时刻是根据用户的需求确定的,用户希望了解服务提供方(例如,餐馆)在预测时刻的业务量。根据本申请实施例,预测时刻是未来某时刻,该时刻的业务量是无法直接获得的,但又是用户希望了解的。例如,现在是下午2点,用户希望了解下午6点某餐馆的业务量,那么针对此例子而言,预测时刻就是当天下午6点。
具体而言,历史时刻是历史时段中与预测时刻对应的时刻。依上例,预测时刻是当天下午6点,那么,历史时刻可以是前一天下午6点。
历史时刻也可以是多个历史时段中与预测时刻对应的多个历史时刻。例如,预测时刻是当天下午6点,历史时刻可以是前一天下午6点、前两天下午6点、前三天下午6点,等等。对于多个历史时刻的情形,可以按照设定算法对历史支付数据中多个历史时刻的多个历史支付次数进行计算,将计算结果作为历史时刻的支付次数,下文具体说明。
S120:获得针对业务提供方的历史支付数据。
具体而言,在实际应用中,用户获得了服务提供方所提供的商品或服务后,通常需要向服务提供方支付相应的资源代价(如:向服务提供方支付相应数额的款项)。因此,与用户历史上所支付的相应资源代价的数据便构成了上述历史支付数据。其中,所述业务提供方包括但不限于:网站、银行、电信运营商等,所述的历史支付数据包括但不限于:包括支付日期、支付时间、支付金额、支付次数等与业务量相关的具体信息,这里不做具体限定。
作为实际应用中的一种可能方式,历史支付数据的获得,可以由相应的业务提供方的服务器所实现。
S130:根据所述历史支付数据,确定所述历史时刻针对所述业务提供方的历史支付次数。
如前所述,历史支付数据中可包含支付的时间、次数等信息,那么,也就可以确定出某一历史时刻的历史支付次数。
举例而言,如果确定历史时刻为前一天下午6点,则根据历史支付数据中包含的支付时间和支付次数的信息,能够确定前一天下午6点的支付次数。
S140:根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
举例而言,如果预测时刻为下午6点,历史时刻为前一天下午6点,则可以基于前一天下午6点的支付次数预测当天下午6点的业务量。
通过上述步骤,如果用户需要获知业务提供方在未来某一时刻(即,预测时刻)的业务量,则可以基于预测时刻,确定出对应的历史时刻,以历史时刻对业务提供方的支付次数来预测该业务提供方在未来某一时刻可能业务量。
相较于仅提供多时段的历史支付数据的现有技术而言,本申请能够根据历史支付数据和现实数据对未来数据进行预测,从而为用户的消费选择提供比较准确的参考。
应该理解的是,本发明并不限于上文中举例说明的具体情况。根据实际应用的需要,历史时段可以是各种长度不同的时间段。例如,历史时段可以是历史的一天、一周、一个月、一年等时间段。另外,历史时段也可以是一天、一周、一个月、一年等时间段中的一部分,例如一天中的工作时段(8点至20点)、一周中的工作日(星期一至星期五)等等。历史时段还可以是跨越常规时间单位的时间段,如第一天的早上8点至第二天的中午12点。本领域技术人员应该理解,这里历史时段的例子并不构成对本发明的限制,也能够采用其他可以用于业务量统计的时段单位。
因此,确定与所述预测时刻对应的历史时刻,包括:在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻。
其中,本申请实施例中所述的时刻也应该基于时段的具体情况进行广义理解。例如,如果历史时段是一天,那么历史时刻可以是该一天时间中的一个小时;如果历史时段是一周,那么历史时刻可以是该一周时间中的一天。
根据本申请实施例,某时刻的业务量(如支付次数)可以是该时刻前、后或附近的业务量累计值。例如,对于一天的时段,其中某时刻的业务量可以是某整点时刻前、后或附近业务量的累计值,只要各时刻的业务量覆盖整个时段;对于一周的时段,其中某时刻的业务量可以是某天业务量的累计值。这里不做具体限定。
因此,在实际应用中,历史支付数据中包括的信息可以是历史上一天内业务量与时间(如按整点时刻标记)的关系,也可以是历史上一周内业务量与时间(如按天标记)的关系。另外,历史支付数据中包括的信息也可以是业务量在一天中的部分时段或一周中的部分时段的变化关系。下文不作具体区分,也不构成对本发明的限制。
如上文所述,历史时刻可以是历史时段中与当前时刻对应的一个时刻,也可以是多个历史时段中与预测时刻对应的多个历史时刻。
对于一个历史时刻的情况,例如历史支付数据中只包括某餐馆过去一天的支付次数信息,则可以直接获得该历史时刻的支付次数。
对于多个历史时刻的情况,则需要按照设定算法对历史支付数据中多个历史时刻的多个历史支付次数进行计算,将计算结果作为历史时刻的支付次数。具体而言,根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量,包括:按照设定算法对各历史时刻针对所述业务提供方的各历史支付次数进行计算,根据计算结果预测所述业务提供方在所述预测时刻的业务量。
以下面的表1为例,提供了某商家历史上三周的支付次数数据。根据表1中的数据,可以生成图2中的示意图。
表1商家历史支付次数数据
图2为根据本申请实施例的说明支付次数历史趋势的示意图,其中横坐标表示一周中的各天,纵坐标表示当天的支付次数,从图中可以看出每一周商家业务量的大致趋势。
可以根据实际需要采用各种设定算法来针对多个历史支付次数生成一个总的历史时刻支付次数。例如,根据本申请实施例,可以针对每一天的支付次数对三周的支付次数取算术平均数。以周一为例,三周的平均支付次数为(200+150+175)/3=175。类似的,可以得到每一天的平均支付次数。根据本申请实施例,确定与预测时刻对应的多个历史时刻之后,将多个历史支付次数的平均数作为历史时刻的支付次数。
本领域技术人员应该理解,也可以采用其他方式获得历史时刻的支付次数,例如加权平均方式(对近期的历史时刻支付次数采用较高的权重,对远期的历史时刻支付次数采用较低的权重)、几何平均方式、计算中数方式等等,这里不做具体限定。
根据本申请实施例,在获得历史时刻的支付次数之后,可以基于历史时刻的支付次数预测预测时刻的业务量。
例如,根据周一的历史平均支付次数为175,能够直接预测未来的下一周的周一的支付次数为175。
这里的示例只是一种情况,并不构成对本发明的限制。本领域技术人员可以采用其他方式根据历史时刻的支付次数对未来业务量进行预测。
例如,可以考虑营销因素对未来业务量进行预测。假设本周商家参与了营销活动,根据历史支付数据或经验数据,这种营销对于业务量的贡献为20%。那么可以将历史趋势上调20%作为未来业务量的预测。参考上面的例子,可以预测未来的下一周的周一的业务量为175*(1+20%)=210。
再如,可以考虑天气因素对未来业务量进行预测。假设本周的平均气温比上周的平均气温下降5摄氏度,根据历史支付数据或经验数据,这种温度下降对于业务量的贡献为-12%(即,会导致未来业务量下降),那么可以将历史趋势下调12%作为未来业务量的预测。参考上面的例子,可以预测未来的下一周的周一的业务量为175*(1-12%)=154。
本领域技术人员也可以考虑其他因素或者考虑各种因素的组合,根据业务量历史趋势对未来业务量进行预测。
另外,根据本申请实施例,可以考虑当前时刻的支付次数,对预测进行修正。也即,根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量,具体包括:获得当前时刻针对所述业务提供方的支付数据,根据当前时刻针对所述业务提供方的支付数据,确定当前时刻针对所述业务提供方的当前支付次数,在历史时段中确定与当前时刻对应的参考时刻,根据针对所述业务提供方的历史支付数据,确定所述参考时刻针对所述业务提供方的参考支付次数,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述业务提供方在所述预测时刻的业务量。
更为具体地,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述业务提供方在所述预测时刻的业务量,包括:确定所述当前支付次数与所述参考支付次数的差值,根据预设的差值与权重的对应关系,确定所述差值对应的权重,根据所述权重,基于所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
以下参考图3进行说明。图3为根据本申请实施例的对业务量预测数据进行修正的示意图。其中横坐标表示一天中的时刻,纵坐标表示该时刻的支付次数,下方的数据曲线表示历史支付数据,上方的数据点表示当前数据和预测数据。
具体而言,例如,当前时刻为14点(即,下午2点),通过业务提供方的服务器的数据库可以获得当前时刻的支付次数,假设为150。另外,在历史时段中确定与当前时刻对应的参考时刻,可以是历史时段中的14点。根据历史支付数据,确定参考时刻的支付次数是120。那么,确定当前时刻的支付次数与参考时刻的支付次数的差值为150-120=30。根据预设的差值与权重的对应关系,确定差值对应的权重,例如按照差值与参考时刻支付次数的百分比关系,确定差值对应的权重为30/120=0.25。最后,根据权重0.25,可以基于历史时刻(例如,历史时段中的18点)的支付次数预测预测时刻(例如,18点)的支付次数,在假设历史时刻的支付次数为300,则预测预测时刻的支付次数为300×(1+0.25)=375。
通过类似的方式,可以预测更多的预测时刻的支付次数,如图3中虚线所示,从而形成一种未来趋势,为用户提供参考。当然,上述示例仅是为了说明对业务量预测的一种修正方式,并不应作为对本申请的限定。
另外,根据本申请实施例,本发明的业务量预测方法可以是一种基于用户地理位置的预测方法。具体而言,获得针对业务提供方的历史支付数据,包括:确定用户的地理位置,根据所述用户的地理位置以及预先保存的各业务提供方的地理位置,确定与所述用户的地理位置距离在预定范围内的业务提供方,获得针对确定出的业务提供方的历史支付数据。
一般而言,用户更加希望获得当前位置周边的商家的业务量预测。通过确定用户的地理位置,并针对该地理位置附近的商家业务量进行预测,可以为用户提供更加有针对性的预测结果。
上述示例仅是为了说明本申请实施例中所述的业务量预测方法,并不应理解为对本申请的限定。
除了上述的场景,目前,餐馆推荐类的应用(后续简称为:推荐应用)广泛被用户使用,通过推荐应用,用户可获知各类餐馆的基本信息以及就餐情况,因此,本申请实施例中所提供的业务量的预测方法还适用于对餐馆未来某时刻的就餐情况进行预测的场景。
在该场景下的业务量的预测方法如图4所示,具体包括以下步骤:
S410:确定预测时刻以及与所述预测时刻对应的历史时刻。
S420:获得针对餐馆的历史支付数据。
S430:根据所述历史支付数据,确定所述历史时刻针对所述餐馆的历史支付次数。
S440:根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
在本场景下,确定与所述预测时刻对应的历史时刻,包括:在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻。根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量,包括:按照设定算法对各历史时刻针对所述餐馆的各历史支付次数进行计算,根据计算结果预测所述餐馆在所述预测时刻的业务量。
根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量,具体包括:获得当前时刻针对所述餐馆的支付数据,根据当前时刻针对所述餐馆的支付数据,确定当前时刻针对所述餐馆的当前支付次数,在历史时段中确定与当前时刻对应的参考时刻,根据针对所述餐馆的历史支付数据,确定所述参考时刻针对所述餐馆的参考支付次数,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述餐馆在所述预测时刻的业务量。
根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述餐馆在所述预测时刻的业务量,具体包括:确定所述当前支付次数与所述参考支付次数的差值,根据预设的差值与权重的对应关系,确定所述差值对应的权重,根据所述权重,基于所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
获得针对餐馆的历史支付数据,包括:确定用户的地理位置,根据所述用户的地理位置以及预先保存的各餐馆的地理位置,确定与所述用户的地理位置距离在预定范围内的餐馆,获得针对确定出的餐馆的历史支付数据。
例如,用户使用推荐应用中的定位功能,通过该定位功能,可确定出用户当前所在的位置,假设在用户当前的位置的设定范围内,有一家餐馆,同时根据用户根据自身需求,确定预测时刻为当天下午6点该餐馆可能的就餐情况。从而,历史时刻可以是前一天下午6点。获得特定餐馆的包括支付情况的历史支付数据,根据历史支付数据,确定前一天下午6点餐馆的支付次数比如是300(次),基于前一天下午6点餐馆的支付次数300来预测餐馆在当天下午6点的业务量。假设当前时刻为下午2点,当前时刻的支付次数为150(次);在历史时段中确定参考时刻为前一天下午2点,根据历史支付数据确定参考时刻的支付次数为120(次)。确定当前时刻的支付次数与参考时刻的支付次数的差值为150-120=30。例如按照差值与参考时刻支付次数的百分比关系,确定差值对应的权重为30/120=0.25。最后,根据权重0.25,可以基于历史时刻的支付次数预测预测时刻的支付次数,即,根据历史时刻的支付次数300预测预测时刻的支付次数为300×(1+0.25)=375。
在针对餐馆的实际应用场景下,可以根据预测出的餐馆在预测时刻的业务量以及预设的规则,确定餐馆在预测时刻的人气值;并且展示所述人气值。人气值还可以采用星级的方式进行展示,如:业务量超过预设值,则展示五星的人气值,以上方式并不构成对本申请实施例的限定。
以上为本申请实施例提供的业务量的预测方法,基于同样的思路,本申请还提供了相应的业务量的预测装置,如图5所示。
图5为根据本申请实施例的业务量预测装置的结构示意图。业务量预测装置具体包括:
时刻确定模块501,确定预测时刻以及与所述预测时刻对应的历史时刻;
数据获取模块502,获得针对业务提供方的历史支付数据;
次数确定模块503,根据所述历史支付数据,确定所述历史时刻针对所述业务提供方的历史支付次数;
预测模块504,根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
所述时刻确定模块501,在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻;
所述预测模块504,按照设定算法对各历史时刻针对所述业务提供方的各历史支付次数进行计算,根据计算结果预测所述业务提供方在所述预测时刻的业务量。
所述预测模块504,获得当前时刻针对所述业务提供方的支付数据,根据当前时刻针对所述业务提供方的支付数据,确定当前时刻针对所述业务提供方的当前支付次数,在历史时段中确定与当前时刻对应的参考时刻,根据针对所述业务提供方的历史支付数据,确定所述参考时刻针对所述业务提供方的参考支付次数,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述业务提供方在所述预测时刻的业务量。
所述预测模块504,确定所述当前支付次数与所述参考支付次数的差值,根据预设的差值与权重的对应关系,确定所述差值对应的权重,根据所述权重,基于所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
所述数据获取模块502,确定用户的地理位置,根据所述用户的地理位置以及预先保存的各业务提供方的地理位置,确定与所述用户的地理位置距离在预定范围内的业务提供方,获得针对确定出的业务提供方的历史支付数据。
对于提供现场就餐服务的餐馆的应用场景,本申请提供的一种业务量预测装置,如图6所示,包括:
时刻确定模块601,确定预测时刻以及与所述预测时刻对应的历史时刻;
支付数据模块602,获得针对餐馆的历史支付数据;
次数确定模块603,根据所述历史支付数据,确定所述历史时刻针对所述餐馆的历史支付次数;
预测模块604,根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
进一步而言,所述时刻确定模块601,在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻;
所述预测模块604,按照设定算法对各历史时刻针对所述餐馆的各历史支付次数进行计算,根据计算结果预测所述餐馆在所述预测时刻的业务量。
所述预测模块604,获得当前时刻针对所述餐馆的支付数据,根据当前时刻针对所述餐馆的支付数据,确定当前时刻针对所述餐馆的当前支付次数,在历史时段中确定与当前时刻对应的参考时刻,根据针对所述餐馆的历史支付数据,确定所述参考时刻针对所述餐馆的参考支付次数,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述餐馆在所述预测时刻的业务量。
所述预测模块604,确定所述当前支付次数与所述参考支付次数的差值,根据预设的差值与权重的对应关系,确定所述差值对应的权重,根据所述权重,基于所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
所述支付数据模块602,确定用户的地理位置,根据所述用户的地理位置以及预先保存的各餐馆的地理位置,确定与所述用户的地理位置距离在预定范围内的餐馆,获得针对确定出的餐馆的历史支付数据。
所述装置还包括:展示处理模块605,用于根据预测出的所述餐馆在所述预测时刻的业务量,以及预设的规则,确定所述餐馆在所述预测时刻的人气值,并展示所述人气值。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (22)
1.一种业务量预测方法,其特征在于,所述方法包括:
确定预测时刻以及与所述预测时刻对应的历史时刻;
获得针对业务提供方的历史支付数据;
根据所述历史支付数据,确定所述历史时刻针对所述业务提供方的历史支付次数;
根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
2.根据权利要求1所述的方法,其特征在于,确定与所述预测时刻对应的历史时刻,包括:
在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻;
根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量,包括:
按照设定算法对各历史时刻针对所述业务提供方的各历史支付次数进行计算,根据计算结果预测所述业务提供方在所述预测时刻的业务量。
3.根据权利要求1所述的方法,其特征在于,根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量,具体包括:
获得当前时刻针对所述业务提供方的支付数据;
根据当前时刻针对所述业务提供方的支付数据,确定当前时刻针对所述业务提供方的当前支付次数;
在历史时段中确定与当前时刻对应的参考时刻;
根据针对所述业务提供方的历史支付数据,确定所述参考时刻针对所述业务提供方的参考支付次数;
根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述业务提供方在所述预测时刻的业务量。
4.根据权利要求3所述的方法,其特征在于,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述业务提供方在所述预测时刻的业务量,具体包括:
确定所述当前支付次数与所述参考支付次数的差值;
根据预设的差值与权重的对应关系,确定所述差值对应的权重;
根据所述权重,基于所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
5.根据权利要求1所述的方法,其特征在于,获得针对业务提供方的历史支付数据,包括:
确定用户的地理位置;
根据所述用户的地理位置以及预先保存的各业务提供方的地理位置,确定与所述用户的地理位置距离在预定范围内的业务提供方;
获得针对确定出的业务提供方的历史支付数据。
6.一种业务量预测方法,其特征在于,所述方法包括:
确定预测时刻以及与所述预测时刻对应的历史时刻;
获得针对餐馆的历史支付数据;
根据所述历史支付数据,确定所述历史时刻针对所述餐馆的历史支付次数;
根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
7.根据权利要求6所述的方法,其特征在于,确定与所述预测时刻对应的历史时刻,包括:
在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻;
根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量,包括:
按照设定算法对各历史时刻针对所述餐馆的各历史支付次数进行计算,根据计算结果预测所述餐馆在所述预测时刻的业务量。
8.根据权利要求6所述的方法,其特征在于,根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量,具体包括:
获得当前时刻针对所述餐馆的支付数据;
根据当前时刻针对所述餐馆的支付数据,确定当前时刻针对所述餐馆的当前支付次数;
在历史时段中确定与当前时刻对应的参考时刻;
根据针对所述餐馆的历史支付数据,确定所述参考时刻针对所述餐馆的参考支付次数;
根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述餐馆在所述预测时刻的业务量。
9.根据权利要求8所述的方法,其特征在于,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述餐馆在所述预测时刻的业务量,具体包括:
确定所述当前支付次数与所述参考支付次数的差值;
根据预设的差值与权重的对应关系,确定所述差值对应的权重;
根据所述权重,基于所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
10.根据权利要求6所述的方法,其特征在于,获得针对餐馆的历史支付数据,包括:
确定用户的地理位置;
根据所述用户的地理位置以及预先保存的各餐馆的地理位置,确定与所述用户的地理位置距离在预定范围内的餐馆;
获得针对确定出的餐馆的历史支付数据。
11.根据权利要求5-8任一项所述的方法,其特征在于,所述业务量预测方法还包括:
根据预测出的所述餐馆在所述预测时刻的业务量,以及预设的规则,预测所述餐馆在所述预测时刻的人气值;
展示所述人气值。
12.一种业务量预测装置,其特征在于,所述装置包括:
时刻确定模块,确定预测时刻以及与所述预测时刻对应的历史时刻;
数据获取模块,获得针对业务提供方的历史支付数据;
次数确定模块,根据所述历史支付数据,确定所述历史时刻针对所述业务提供方的历史支付次数;
预测模块,根据所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
13.根据权利要求12所述的装置,其特征在于,所述时刻确定模块,在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻;
所述预测模块,按照设定算法对各历史时刻针对所述业务提供方的各历史支付次数进行计算,根据计算结果预测所述业务提供方在所述预测时刻的业务量。
14.根据权利要求12所述的装置,其特征在于,所述预测模块,获得当前时刻针对所述业务提供方的支付数据,根据当前时刻针对所述业务提供方的支付数据,确定当前时刻针对所述业务提供方的当前支付次数,在历史时段中确定与当前时刻对应的参考时刻,根据针对所述业务提供方的历史支付数据,确定所述参考时刻针对所述业务提供方的参考支付次数,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述业务提供方在所述预测时刻的业务量。
15.根据权利要求14所述的装置,其特征在于,所述预测模块,确定所述当前支付次数与所述参考支付次数的差值,根据预设的差值与权重的对应关系,确定所述差值对应的权重,根据所述权重,基于所述历史支付次数预测所述业务提供方在所述预测时刻的业务量。
16.根据权利要求12所述的装置,其特征在于,所述数据获取模块,确定用户的地理位置,根据所述用户的地理位置以及预先保存的各业务提供方的地理位置,确定与所述用户的地理位置距离在预定范围内的业务提供方,获得针对确定出的业务提供方的历史支付数据。
17.一种业务量预测装置,其特征在于,包括:
时刻确定模块,确定预测时刻以及与所述预测时刻对应的历史时刻;
支付数据模块,获得针对餐馆的历史支付数据;
次数确定模块,根据所述历史支付数据,确定所述历史时刻针对所述餐馆的历史支付次数;
预测模块,根据所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
18.根据权利要求17所述的装置,其特征在于,所述时刻确定模块,在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻;
所述预测模块,按照设定算法对各历史时刻针对所述餐馆的各历史支付次数进行计算,根据计算结果预测所述餐馆在所述预测时刻的业务量。
19.根据权利要求17所述的装置,其特征在于,所述预测模块,获得当前时刻针对所述餐馆的支付数据,根据当前时刻针对所述餐馆的支付数据,确定当前时刻针对所述餐馆的当前支付次数,在历史时段中确定与当前时刻对应的参考时刻,根据针对所述餐馆的历史支付数据,确定所述参考时刻针对所述餐馆的参考支付次数,根据所述当前支付次数、所述参考支付次数和所述历史支付次数,预测所述餐馆在所述预测时刻的业务量。
20.根据权利要求19所述的装置,其特征在于,所述预测模块,确定所述当前支付次数与所述参考支付次数的差值,根据预设的差值与权重的对应关系,确定所述差值对应的权重,根据所述权重,基于所述历史支付次数预测所述餐馆在所述预测时刻的业务量。
21.根据权利要求17所述的装置,其特征在于,所述支付数据模块,确定用户的地理位置,根据所述用户的地理位置以及预先保存的各餐馆的地理位置,确定与所述用户的地理位置距离在预定范围内的餐馆,获得针对确定出的餐馆的历史支付数据。
22.根据权利要求17-21中任一所述的装置,其特征在于,所述装置还包括:
展示处理模块,用于根据预测出的所述餐馆在所述预测时刻的业务量,以及预设的规则,确定所述餐馆在所述预测时刻的人气值,并展示所述人气值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158664.6A CN107093096B (zh) | 2016-12-15 | 2016-12-15 | 一种业务量预测方法及装置 |
US16/469,894 US20190318369A1 (en) | 2016-12-15 | 2017-12-13 | Method and device for predicting business volume |
PCT/CN2017/115767 WO2018108086A1 (zh) | 2016-12-15 | 2017-12-13 | 业务量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158664.6A CN107093096B (zh) | 2016-12-15 | 2016-12-15 | 一种业务量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107093096A true CN107093096A (zh) | 2017-08-25 |
CN107093096B CN107093096B (zh) | 2022-03-25 |
Family
ID=59646113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611158664.6A Active CN107093096B (zh) | 2016-12-15 | 2016-12-15 | 一种业务量预测方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20190318369A1 (zh) |
CN (1) | CN107093096B (zh) |
WO (1) | WO2018108086A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018108086A1 (zh) * | 2016-12-15 | 2018-06-21 | 口碑控股有限公司 | 业务量预测方法及装置 |
CN109146128A (zh) * | 2018-06-29 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置及服务器 |
WO2019174410A1 (zh) * | 2018-03-16 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种业务发生量的预测方法、装置及设备 |
CN110858346A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和机器可读介质 |
CN111242602A (zh) * | 2020-01-19 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 支付设备的控制方法、装置、计算机可读存储介质和设备 |
CN112258172A (zh) * | 2020-10-16 | 2021-01-22 | 多点(深圳)数字科技有限公司 | 一种基于机器学习的支付自动降级的方法 |
CN113703974A (zh) * | 2021-08-27 | 2021-11-26 | 深圳前海微众银行股份有限公司 | 一种预测服务器容量的方法及装置 |
CN114051057A (zh) * | 2021-11-01 | 2022-02-15 | 北京百度网讯科技有限公司 | 云设备排队时长的确定方法、装置、电子设备和介质 |
CN115423521A (zh) * | 2022-09-05 | 2022-12-02 | 深圳市一页科技有限公司 | 大批量并发付款优化系统及其方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202042836A (zh) | 2019-02-18 | 2020-12-01 | 日商肽夢想股份有限公司 | 血球凝集素結合肽 |
CN110855484B (zh) * | 2019-11-06 | 2022-06-07 | 携程旅游信息技术(上海)有限公司 | 自动检测业务量变化的方法、系统、电子设备和存储介质 |
CN111144990B (zh) * | 2019-12-27 | 2022-08-05 | 蚂蚁胜信(上海)信息技术有限公司 | 推荐方法以及系统 |
CN113538026B (zh) * | 2020-04-15 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
EP4171547A4 (en) | 2020-05-27 | 2024-07-17 | Axial Therapeutics Inc | TLR2 MODULATING COMPOUNDS, PHARMACEUTICAL COMPOSITIONS AND THEIR USES |
CN111861006A (zh) * | 2020-07-23 | 2020-10-30 | 上海中通吉网络技术有限公司 | 基于三次回归曲线的快递业务量预测方法、装置及设备 |
CN113344282B (zh) * | 2021-06-23 | 2023-01-17 | 中国光大银行股份有限公司 | 容量数据处理、调配的方法、系统和计算机可读介质 |
CN113633992A (zh) * | 2021-08-09 | 2021-11-12 | 网易(杭州)网络有限公司 | 游戏运营数据预测方法、装置、电子设备和存储介质 |
CN113988485B (zh) * | 2021-12-24 | 2022-06-07 | 北京京东振世信息技术有限公司 | 站点到货量预测方法、装置、电子设备和计算机可读介质 |
CN115081729A (zh) * | 2022-07-08 | 2022-09-20 | 浪潮卓数大数据产业发展有限公司 | 一种银行网点人员配备预测方法及装置 |
CN115660728B (zh) * | 2022-10-11 | 2023-10-20 | 南京意博软件科技有限公司 | 一种机票销售订单预测方法、装置、电子设备和存储介质 |
CN116823251B (zh) * | 2023-05-15 | 2024-04-05 | 浪潮智慧科技有限公司 | 一种基于聚合支付的服务商可信支付方法、设备及介质 |
CN116402316B (zh) * | 2023-06-01 | 2023-11-07 | 国网浙江宁波市鄞州区供电有限公司 | 一种基于人工智能的业务均衡分配方法及远程服务设施 |
CN117170821B (zh) * | 2023-11-01 | 2024-02-09 | 建信金融科技有限责任公司 | 一种业务处理方法、装置、电子设备及计算机可读介质 |
CN117332994B (zh) * | 2023-12-01 | 2024-02-20 | 青岛小帅智能科技股份有限公司 | 酒店多媒体资源分配方法、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103490956A (zh) * | 2013-09-22 | 2014-01-01 | 杭州华为数字技术有限公司 | 基于业务量预测的自适应节能控制方法及设备、系统 |
CN104766144A (zh) * | 2015-04-22 | 2015-07-08 | 携程计算机技术(上海)有限公司 | 订单预测方法及系统 |
CN106203682A (zh) * | 2016-06-29 | 2016-12-07 | 东南大学 | 酒店一次性用品需求预测方法及订单系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424294A (zh) * | 2013-09-02 | 2015-03-18 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN103984993B (zh) * | 2014-05-13 | 2017-01-25 | 东南大学 | 一种轨道交通客流od分布实时推测方法 |
CN105205769A (zh) * | 2015-09-28 | 2015-12-30 | 廖健伟 | 一种基于智能食堂配餐系统的数据挖掘方法 |
CN107093096B (zh) * | 2016-12-15 | 2022-03-25 | 口碑(上海)信息技术有限公司 | 一种业务量预测方法及装置 |
-
2016
- 2016-12-15 CN CN201611158664.6A patent/CN107093096B/zh active Active
-
2017
- 2017-12-13 WO PCT/CN2017/115767 patent/WO2018108086A1/zh active Application Filing
- 2017-12-13 US US16/469,894 patent/US20190318369A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103490956A (zh) * | 2013-09-22 | 2014-01-01 | 杭州华为数字技术有限公司 | 基于业务量预测的自适应节能控制方法及设备、系统 |
CN104766144A (zh) * | 2015-04-22 | 2015-07-08 | 携程计算机技术(上海)有限公司 | 订单预测方法及系统 |
CN106203682A (zh) * | 2016-06-29 | 2016-12-07 | 东南大学 | 酒店一次性用品需求预测方法及订单系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018108086A1 (zh) * | 2016-12-15 | 2018-06-21 | 口碑控股有限公司 | 业务量预测方法及装置 |
WO2019174410A1 (zh) * | 2018-03-16 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种业务发生量的预测方法、装置及设备 |
CN109146128A (zh) * | 2018-06-29 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置及服务器 |
CN109146128B (zh) * | 2018-06-29 | 2022-02-18 | 创新先进技术有限公司 | 业务数据处理方法、装置及服务器 |
CN110858346B (zh) * | 2018-08-22 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和机器可读介质 |
CN110858346A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和机器可读介质 |
CN111242602A (zh) * | 2020-01-19 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 支付设备的控制方法、装置、计算机可读存储介质和设备 |
CN111242602B (zh) * | 2020-01-19 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 支付设备的控制方法、装置、计算机可读存储介质和设备 |
CN112258172A (zh) * | 2020-10-16 | 2021-01-22 | 多点(深圳)数字科技有限公司 | 一种基于机器学习的支付自动降级的方法 |
CN113703974A (zh) * | 2021-08-27 | 2021-11-26 | 深圳前海微众银行股份有限公司 | 一种预测服务器容量的方法及装置 |
CN114051057B (zh) * | 2021-11-01 | 2023-11-03 | 北京百度网讯科技有限公司 | 云设备排队时长的确定方法、装置、电子设备和介质 |
CN114051057A (zh) * | 2021-11-01 | 2022-02-15 | 北京百度网讯科技有限公司 | 云设备排队时长的确定方法、装置、电子设备和介质 |
CN115423521A (zh) * | 2022-09-05 | 2022-12-02 | 深圳市一页科技有限公司 | 大批量并发付款优化系统及其方法 |
CN115423521B (zh) * | 2022-09-05 | 2023-08-04 | 深圳市一页科技有限公司 | 大批量并发付款优化系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018108086A1 (zh) | 2018-06-21 |
US20190318369A1 (en) | 2019-10-17 |
CN107093096B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107093096A (zh) | 一种业务量预测方法及装置 | |
TWI698795B (zh) | 資訊展示方法及裝置 | |
CN107092973B (zh) | 一种业务量的预测方法及装置 | |
Chen et al. | On information coverage for location category based point-of-interest recommendation | |
CN108492124A (zh) | 店铺信息推荐方法、装置及客户端 | |
CN108140253B (zh) | 提供地图表示的方法、客户端设备与可读存储介质 | |
US20200294141A1 (en) | Credit guarantee-based service processing | |
CN107066478A (zh) | 一种虚假地址信息识别的方法及装置 | |
CN108537568A (zh) | 一种信息推荐方法和装置 | |
CN110414731A (zh) | 订单分配的方法、装置、计算机可读存储介质及电子设备 | |
US11200587B2 (en) | Facilitating use of select hyper-local data sets for improved modeling | |
US11774917B2 (en) | Apparatus with API for use in indicating time interval durations of particular events | |
CN110073382A (zh) | 用于显示商家位置处的库存数据的图形用户界面 | |
US20230298099A1 (en) | System and methods for managing financial products related to a future event or condition | |
CN109242519A (zh) | 一种异常行为识别方法、装置和设备 | |
CN107025137A (zh) | 一种资源查询方法及装置 | |
CN109886737A (zh) | 需求预测方法、装置、电子设备及可读存储介质 | |
CN107066518A (zh) | 数据处理方法及系统 | |
CN105335389A (zh) | 一种业务可视化方法及系统 | |
CN107038559A (zh) | 一种虚拟资源投递方法及系统、客户端及服务器 | |
CN110046788A (zh) | 车辆需求量预测方法及装置、车辆供给量预测方法及装置 | |
US20170178221A1 (en) | Method and system for inventory availability prediction | |
CN108985817B (zh) | 关联业务处理方法及装置、店铺推荐方法及装置 | |
Gajdošík et al. | Smart technologies for smart tourism development | |
CN107038127A (zh) | 应用系统及其缓存控制方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180424 Address after: Room 203-10, No. 14, No. 1502, Luo Shan Road, Shanghai free trade test area Applicant after: Word-of-mouth (Shanghai) Information Technology Co., Ltd. Address before: Cayman Islands Grand Cayman capital building a four storey No. 847 mailbox Applicant before: ALIBABA GROUP HOLDING LIMITED |
|
GR01 | Patent grant | ||
GR01 | Patent grant |