CN109978306B

CN109978306B - 数据处理方法及装置

Info

Publication number: CN109978306B
Application number: CN201711461218.7A
Authority: CN
Inventors: 葛波
Original assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Current assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Priority date: 2017-12-28
Filing date: 2017-12-28
Publication date: 2021-11-02
Anticipated expiration: 2037-12-28
Also published as: CN109978306A

Abstract

本申请公开一种数据处理方法及装置。涉及计算机信息处理领域，该方法包括：根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量；根据所述第一对象的预测销量构建目标函数；根据给定条件获得约束条件；以及根据所述目标函数和所述约束条件获得所述第一对象的生产额。进一步的，本公开还提供了一种数据处理装置、电子设备及计算机可读介质。本申请公开的数据处理方法及装置，能够自动获得对象的生产额。

Description

数据处理方法及装置

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种数据处理方法、数据处理装置、电子设备及计算机可读介质。

背景技术

每年年初，大量的厂商要制定生产计划，生产产品来供应市场。因此，每个产品生产多少这个问题一直困扰着商家，生产多了，会带来库存费用；生产少了，不能使利润最大化。因此，需要制定合理的生产计划，来安排每个产品的产量或者生产额。

现有的生产分配问题中，厂商往往采用目标函数为利润最大化的线性规划的方法。

现有技术为了得到目标函数，需要知道很多生产规划，如产量与销量之间的相关性、各个产品之间的销量关系，以及产品过剩带来的库存费用等。这些规则一般通过有经验的专家人为制定的，这具有很强的主观性和不确定性。另外，随着市场的变化，这些规则不能及时的更新，也会带来一些不利的因素。

因此，需要一种新的数据处理方法及装置。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种数据处理方法及装置、电子设备、计算机可读介质，能够自动获得对象的生产额，指导合理的生产计划。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提出一种数据处理方法，包括：根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量；根据所述第一对象的预测销量构建目标函数；根据给定条件获得约束条件；以及根据所述目标函数和所述约束条件获得所述第一对象的生产额。

在本公开的一种示例性实施例中，还包括：获取所述第一对象的所述历史特征数据和所述历史销量数据；对所述历史特征数据进行预处理。

在本公开的一种示例性实施例中，所述对所述历史特征数据进行预处理，包括：对所述历史特征数据中的不可量化数据，做一位有效编码处理；和/或对所述历史特征数据中的敏感数据进行分桶处理；和/或对所述历史特征数据中的空值，增加一列来表示对应的特征是否为空。

在本公开的一种示例性实施例中，所述根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量，包括：将所述第一对象的历史特征数据和历史销量数据划分为测试集和训练集；根据所述训练集训练模型，通过所述模型获得所述历史特征数据和所述历史销量数据之间的关系；通过训练好的模型获得所述第一对象的预测销量。

在本公开的一种示例性实施例中，所述根据所述训练集训练模型，包括：根据所述训练集采用两种或者两种以上的机器学习算法来训练，分别获得相应的模型。

在本公开的一种示例性实施例中，所述通过训练好的模型获得所述第一对象的预测销量，包括：将各个模型的预测销量进行融合获得所述第一对象的所述预测销量。

在本公开的一种示例性实施例中，还包括：分别根据所述测试集验证训练好的各个模型，获得各个模型的准确度。

在本公开的一种示例性实施例中，所述将各个模型的预测销量进行融合获得所述第一对象的所述预测销量，包括：根据各个模型的准确度对各个模型的预测销量进行加权融合，获得所述第一对象的所述预测销量；其中，各个模型的预测销量的权重正相关于相应模型的准确度。

在本公开的一种示例性实施例中，所述第一对象为指定品牌，所述指定品牌包括产品i和产品j，其中根据所述第一对象的预测销量构建的所述目标函数如以下公式所示：

其中，D是求方差；w_i是产品i的预测销量比例，x_i是产品i的预测销量；w_j是产品j的预测销量比例，x_j是产品j的预测销量；N是所述指定品牌的产品数；cov(x_i,x_j)是产品i和产品j的预测销量的协方差。

在本公开的一种示例性实施例中，其中产品i和产品j的预测销量的协方差cov(x_i,x_j)通过以下方式获得：通过第二对象的预测销量模拟获得所述第一对象的协方差cov(x_i,x_j)。

在本公开的一种示例性实施例中，所述第二对象包括K个其他品牌，其中通过以下两个公式获得协方差cov(x_i,x_j)：

其中，x_ik和x_jk分别表示所述K个其他品牌中的第k个品牌在产品i的特征数据和产品j的特征数据下的预测销量。

在本公开的一种示例性实施例中，所述根据给定条件获得约束条件，包括：在给定所述第一对象的销售额Q和销售量Z的情况下，获得的约束条件如下两公式所示：

其中，p_i为所述第一对象中的产品i制定的销售价格。

在本公开的一种示例性实施例中，所述根据给定条件获得约束条件，还包括：在给定所述第一对象的产品i的分配资金F_i和成本C_i的情况下，获得的约束条件还包括如下两公式：

在本公开的一种示例性实施例中，所述根据所述目标函数和所述约束条件获得所述第一对象的生产额，包括：根据所述目标函数和所述约束条件获得所述第一对象的产品i的预测销量比例w_i；根据产品i的预测销量比例w_i和产品i的预测销量x_i获得产品i的生产额。

在本公开的一种示例性实施例中，还包括：统计所述第一对象的各个产品的生产额获得所述第一对象的总生产额。

根据本发明的一方面，提出一种数据处理装置，包括：预测销量模块，用于根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量；目标函数构建模块，用于根据所述第一对象的预测销量构建目标函数；约束条件获取模块，用于根据给定条件获得约束条件；以及生产额确定模块，用于根据所述目标函数和所述约束条件获得所述第一对象的生产额。

根据本发明的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本发明的一方面，提出一种计算机可读介质，其上存储有计算机程序，其特征在于，程序被处理器执行时实现如上文中的方法。

根据本发明的数据处理方法及装置，通过对象的历史特征数据和历史销量数据获得该对象的预测销量，并根据该预测销量构建目标函数，从而能够根据该目标函数以及给定条件下的约束条件获得该对象的生产额，用于指导厂家或者卖家进行合理的生产计划。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种数据处理方法的系统架构。

图2是根据一示例性实施例示出的一种数据处理方法的流程图。

图3是根据一示例性实施例示出的另一种数据处理方法的流程图。

图4是根据一示例性实施例示出的一种数据处理装置的框图。

图5是根据一示例性实施例示出的一种电子设备的框图。

图6是根据一示例性实施例示出的一种计算机可读介质示意图。

具体实施例

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。

下面结合附图对本公开示例实施方式进行详细说明。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台服务器。后台服务器可以对接收到的请求等数据进行分析等处理，并将处理结果(例如生产额)反馈给终端设备。

需要说明的是，本申请实施例所提供的数据处理一般由服务器105执行。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

如图2所示，在步骤S110中，根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量。

在示例性实施例中，所述方法还可以包括：获取所述第一对象的所述历史特征数据和所述历史销量数据；对所述历史特征数据进行预处理。

在示例性实施例中，所述对所述历史特征数据进行预处理，可以包括：对所述历史特征数据中的不可量化数据，做一位有效编码处理；和/或对所述历史特征数据中的敏感数据进行分桶处理；和/或对所述历史特征数据中的空值，增加一列来表示对应的特征是否为空。

在示例性实施例中，所述根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量，可以包括：将所述第一对象的历史特征数据和历史销量数据划分为测试集和训练集；根据所述训练集训练模型，通过所述模型获得所述历史特征数据和所述历史销量数据之间的关系；通过训练好的模型获得所述第一对象的预测销量。

在示例性实施例中，所述根据所述训练集训练模型，可以包括：根据所述训练集采用两种或者两种以上的机器学习算法来训练，分别获得相应的模型。

在示例性实施例中，所述通过训练好的模型获得所述第一对象的预测销量，可以包括：将各个模型的预测销量进行融合获得所述第一对象的所述预测销量。

在示例性实施例中，所述方法还可以包括：分别根据所述测试集验证训练好的各个模型，获得各个模型的准确度。

在示例性实施例中，所述将各个模型的预测销量进行融合获得所述第一对象的所述预测销量，可以包括：根据各个模型的准确度对各个模型的预测销量进行加权融合，获得所述第一对象的所述预测销量；其中，各个模型的预测销量的权重正相关于相应模型的准确度。

在S120中，根据所述第一对象的预测销量构建目标函数。

在示例性实施例中，所述第一对象可以为指定品牌，所述指定品牌可以包括产品i和产品j，其中根据所述第一对象的预测销量构建的所述目标函数可以如以下公式所示：

在示例性实施例中，其中产品i和产品j的预测销量的协方差cov(x_i,x_j)可以通过以下方式获得：通过第二对象的预测销量模拟获得所述第一对象的协方差cov(x_i,x_j)。

在示例性实施例中，所述第二对象包括K个其他品牌，其中可以通过以下两个公式获得协方差cov(x_i,x_j)：

在S130中，根据给定条件获得约束条件。

在示例性实施例中，所述根据给定条件获得约束条件，可以包括：在给定所述第一对象的销售额Q和销售量Z的情况下，获得的约束条件如下两公式所示：

其中，p_i为所述第一对象中的产品i制定的销售价格。

在示例性实施例中，所述根据给定条件获得约束条件，还可以包括：在给定所述第一对象的产品i的分配资金F_i和成本C_i的情况下，获得的约束条件还包括如下两公式：

在S140中，根据所述目标函数和所述约束条件获得所述第一对象的生产额。

在示例性实施例中，所述根据所述目标函数和所述约束条件获得所述第一对象的生产额，可以包括：根据所述目标函数和所述约束条件获得所述第一对象的产品i的预测销量比例w_i；根据产品i的预测销量比例w_i和产品i的预测销量x_i获得产品i的生产额。

在示例性实施例中，所述方法还可以包括：统计所述第一对象的各个产品的生产额获得所述第一对象的总生产额。

根据本发明实施方式提供的数据处理方法，通过对象的历史特征数据和历史销量数据获得该对象的预测销量，并根据该预测销量构建目标函数，从而能够根据该目标函数以及给定条件下的约束条件获得该对象的生产额，用于指导厂家或者卖家进行合理的生产计划。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。

通过以下图3的实施例对上述数据处理方法进行举例说明，但并不用于限定本公开的保护范围。

如图3所示，在步骤S201中，获取指定品牌各个产品过去一段时间内的历史特征数据和历史销量数据。

首先，进入数据准备阶段。获取厂商或者卖家各个产品的特征数据及过去一段时间的销售量(即历史销量数据)。

例如，以长虹电视为例，可以从电商平台上获取长虹每款电视的特征数据(如价格、分辨率、屏幕尺寸、电视类型、品牌类型、观看距离、能效等级等特征，还可以包括维度、品牌价值等特征)以及销售量。

需要说明的是，本发明实施例中的特征数据可以根据所选择的厂商的产品的不同而不同，并不限于上述例举的特征数据。

在步骤S202中，对所述历史特征数据进行预处理。

接着，进入数据预处理阶段。对提取到的特征数据和销量数据进行预处理，例如做log变换，从而可以使得模型效果更好。

具体的，对于上述特征数据和销量数据中的不可量化的数据，做One-HotEncoding(一位有效编码)处理。

其中，One-Hot编码主要是采用位状态寄存器来对个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

在实际的机器学习的应用任务中，特征有时候并不总是连续值，有可能是一些分类值，如性别可分为“male”和“female”。在机器学习任务中，对于这样的特征，需要对其进行特征数字化，如下面的例子：

有如下三个特征属性：

性别：["male"，"female"]

地区：["Europe"，"US"，"Asia"]

浏览器：["Firefox"，"Chrome"，"Safari"，"Internet Explorer"]

对于某一个样本，如["male"，"US"，"Internet Explorer"]，将这个分类值的特征数字化，最直接的方法，可以采用序列化的方式：[0,1,3]。但是这样的特征处理并不能直接放入机器学习算法中。

对于上述的问题，性别的属性是二维的，同理，地区是三维的，浏览器则是四维的，这样，可以采用One-Hot编码的方式对上述的样本“["male"，"US"，"Internet Explorer"]”编码，“male”则对应着[1，0]，同理“US”对应着[0，1，0]，“Internet Explorer”对应着[0,0,0,1]。则完整的特征数字化的结果为：[1,0,0,1,0,0,0,0,1]。这样导致的一个结果就是数据会变得非常的稀疏。

再例如，对于价格这种敏感数据，可以采用分桶处理。因为价格波动比较大，前几天是一个价格，后几天可能又是另一个价格，通过分桶处理进行数据的零散化，增加泛化能力。

还例如，当某个特征中为空值时，引入一列来表示是否为空。

这是因为，产品有些特征可能为空，没有这个特征，此时可以采用其他产品的平均值等来代替，但是为了表明这个数据是异常的，而不是从数据库查找到的，增加一列在相应位置设置为1，表明这个数据是通过其他商品的求值代替的。

接下来，进入模型预测阶段，通过采用机器学习中的方法，来学习数据中隐藏的规律。

在步骤S203中，将所述历史特征数据和历史销量数据划分为测试集和训练集。

在步骤S204中，根据所述训练集采用多种机器学习算法训练模块，获得多个模型。

本发明实施例中，可以采用xgboost、random forest、ridge regression等一些机器学习算法来训练模型。

其中xgboost是一种算法模型，可以用来处理回归、分类问题。

random forest是一种利用多棵树对样本进行训练并预测的一种分类器。

ride regression是一种加正则项最小二乘法回归模型。

需要说明的是，本公开实施例所述的方法并不限于采用上述例举的三种机器学习算法来训练模型，其可以采用两种或者两种以上任意合适的机器学习算法。

首先进入模型训练步骤。将上一步准备的数据分为测试集和训练集，训练集用来训练模型，测试集用来验证模型。其中产品的特征数据(如价格、分辨率、屏幕尺寸、电视类型、品牌类型、观看距离、能效等级等特征)假设为X，历史销量为Y。通过模型学习X与Y之间的关系。

训练结束后，每个机器学习算法都会得到对应的模型，因此会得到多个模型。

在步骤S205中，将各个模型获得的该指定品牌各个产品的预测销量进行加权融合，获得各个产品最终的预测销量。

训练好的模型可以用来预测在给定一组特征x的情况下的产品的销量y。

本发明实施例中，为了更准确的预测销量，可以将各个模型的预测结果进行加权融合，这里各个预测结果的权重可以根据各个模型在测试集上的准确度来确定，准确度越高则对应模型的预测结果的权重越大，相反准确度越低则对应模型的预测结果的权重越低。

下面，进入产品生产分配阶段。

本发明实施例中，可以采用线性规划的方法来求出各产品的生产分配。其中，采用了产品销量组合方差最小作为目标函数，同时针对不同的情况，给出了两种约束条件。

线性规划(Linear programming，简称LP)是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，它是辅助人们进行科学管理的一种数学方法。研究线性约束条件下线性目标函数的极值问题的数学理论和方法。它是运筹学的一个重要分支，广泛应用于军事作战、经济分析、经营管理和工程技术等方面。为合理地利用有限的人力、物力、财力等资源作出的最优决策，提供科学的依据。

在步骤S206中，采用产品销量组合方差最小构建目标函数。

首先介绍目标函数如下式：

其中，上式中D是方差，其中w_i是产品i的预测销量比例，x_i是产品i的预测销量，N是同一厂商的产品数。由于x_i是通过模型预测出来的，该值没有考虑到产品之间的相关性，而在实际生产中各个产品销量是相关的。因此，本发明实施例中引入了产品组合方差最小化的目标函数，之所以选择方差最小化，是因为方差越小，数据的波动就会越小，从而总销量就会相对稳定，那么得到的总销量就越靠谱。

在目标函数中w_i是需要的求的产品i的预测销量比例，而cov(x_i,x_j)是产品i的预测销量x_i和产品j的预测销量x_j的协方差。

关于协方差的求解，可以采用如下方法：

考虑到长虹电视下的产品不多的情况下，利用其他品牌同一定位下的产品来模拟计算协方差，效果更好。而当长虹电视下的产品多的情况下，可以直接采用长虹电视产品i的预测销量x_i和产品j的预测销量x_j计算协方差。

这里还是拿长虹电视举例，其中x_i，x_j分别是长虹电视第i款和第j款产品的预测销量。为了得到这两款电视之间的协方差，可以采用其他品牌的同款电视的预测销量来模拟长虹电视第i款和第j款电视之间的协方差。

例如，假设有K个品牌，对每个品牌都按照前面的几个步骤训练得到模型，然后用模型预测每个品牌与长虹电视第i款和第j款同型号(同型号即特征一样)的预测销量，用x_ik和x_jk表示品牌k在产品i的一组特征特征和产品j的一组特征下的预测销量。这样可以通过下面两个公式来计算每对产品之间的协方差：

在步骤S207中，满足预设条件的约束条件下，获得该指定品牌各个品牌的预测销量比例。

有了上面的目标函数，再加上一些约束条件，就可以求出指定品牌下的各个产品的预测销量比例向量W。

这里介绍两种约束条件。

满足给定销售额Q和销售量Z情况下，求出产品的预测销量比例(可以将其作为用来指导实际生产的生产比例)。下面两个式子就是约束条件，其中p_i为每个产品制定的销售价格：

当除了给定要满足的销售额Q和销售量Z外，还给定了每个产品的分配资金Fi和成本Ci，在这种情况下，制定了如下两种约束条件：

在步骤S208中，根据各个产品的预测销量比例以及相应的最终的预测销量获得各个产品的生产额。

在步骤S209中，统计各个产品的生产额获得该指定品牌的总生产额。

根据步骤S207求出各个产品的预测销量比例即各个产品实际生产时的分配比例w_i，最后产品i的生产额应为w_i*x_i，总生产额为

根据本发明实施方式提供的数据处理方法，通过采用方差最小化的目标函数，其中该目标函数中的预测销量可以通过机器学习方法来预测，从而可以实现自动获得产品的生产额的目的，可以用于合理指导厂商生产，避免产品生产过剩带来的库存费用。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

图4是根据一示例性实施例示出的一种数据处理装置的框图。

数据处理装置100可以包括：预测销量模块110、目标函数构建模块120、约束条件获取模块130以及生产额确定模块140。

其中，预测销量模块110可以用于根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量。

目标函数构建模块120可以用于根据所述第一对象的预测销量构建目标函数。

约束条件获取模块130可以用于根据给定条件获得约束条件。

生产额确定模块140可以用于根据所述目标函数和所述约束条件获得所述第一对象的生产额。

在示例性实施例中，该装置100还可以包括数据采集模块，其中，所述数据采集模块可以用于获取所述第一对象的所述历史特征数据和所述历史销量数据。

在示例性实施例中，该装置100还可以包括数据预处理模块，其中，所述数据预处理模块可以用于对所述历史特征数据进行预处理。

在示例性实施例中，所述数据预处理模块可以进一步包括：一位编码单元和/或分桶处理单元和/或空值处理单元。

其中，所述一位编码单元可以用于对所述历史特征数据中的不可量化数据，做一位有效编码处理。

所述分桶处理单元可以用于对所述历史特征数据中的敏感数据进行分桶处理。

所述空值处理单元可以用于对所述历史特征数据中的空值，增加一列来表示对应的特征是否为空。

在示例性实施例中，预测销量模块110可以进一步包括数据划分子模块、模型训练子模块和预测销量子模块。

其中，所述数据划分子模块可以用于将所述第一对象的历史特征数据和历史销量数据划分为测试集和训练集。

所述模型训练子模块可以用于根据所述训练集训练模型，通过所述模型获得所述历史特征数据和所述历史销量数据之间的关系。

所述预测销量子模块可以用于通过训练好的模型获得所述第一对象的预测销量。

在示例性实施例中，所述模型训练子模块可以进一步包括模型训练单元，其中所述模型训练单元可以用于根据所述训练集采用两种或者两种以上的机器学习算法来训练，分别获得相应的模型。

在示例性实施例中，所述预测销量子模块可以进一步包括预测销量单元，其中所述预测销量单元可以用于将各个模型的预测销量进行融合获得所述第一对象的所述预测销量。

在示例性实施例中，该装置100还可以包括测试模块，所述测试模块用于分别根据所述测试集验证训练好的各个模型，获得各个模型的准确度。

在示例性实施例中，所述预测销量单元可以进一步包括加权融合子单元，其中所述加权融合子单元可以用于根据各个模型的准确度对各个模型的预测销量进行加权融合，获得所述第一对象的所述预测销量。其中，各个模型的预测销量的权重正相关于相应模型的准确度。

在示例性实施例中，所述第一对象为指定品牌，所述指定品牌包括产品i和产品j。

在示例性实施例中，目标函数构建模块120构建的目标函数如以下公式所示：

在示例性实施例中，目标函数构建模块120进一步包括协方差计算子模块，其中产品i和产品j的预测销量的协方差cov(x_i,x_j)通过以下方式获得：通过第二对象的预测销量模拟获得所述第一对象的协方差cov(x_i,x_j)。

在示例性实施例中，所述第二对象包括K个其他品牌，其中通过以下两个公式获得协方差cov(x_i,x_j)：

在示例性实施例中，约束条件获取模块130可以包括第一约束条件获取单元。其中，所述第一约束条件获取单元可以用于在给定所述第一对象的销售额Q和销售量Z的情况下，获得的约束条件如下两公式所示：

其中，p_i为所述第一对象中的产品i制定的销售价格。

在示例性实施例中，约束条件获取模块130还可以包括第二约束条件获取单元。其中，所述第二约束条件获取单元可以用于在给定所述第一对象的产品i的分配资金F_i和成本C_i的情况下，获得的约束条件还包括如下两公式：

在示例性实施例中，生产额确定模块140可以包括比例计算单元和生产额计算单元。

其中，所述比例计算单元可以用于根据所述目标函数和所述约束条件获得所述第一对象的产品i的预测销量比例w_i。所述生产额计算单元可以用于根据产品i的预测销量比例w_i和产品i的预测销量x_i获得产品i的生产额。

在示例性实施例中，该装置100还可以包括总生产额计算模块，其中所述总生产额计算模块可以用于统计所述第一对象的各个产品的生产额获得所述第一对象的总生产额。

根据本发明的数据处理装置，通过对象的历史特征数据和历史销量数据获得该对象的预测销量，并根据该预测销量构建目标函数，从而能够根据该目标函数以及给定条件下的约束条件获得该对象的生产额，用于指导厂家或者卖家进行合理的生产计划。

图5是根据一示例性实施例示出的一种电子设备的框图。

下面参照图5来描述根据本发明的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图2中所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述数据处理方法。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量；根据所述第一对象的预测销量构建目标函数；根据给定条件获得约束条件；以及根据所述目标函数和所述约束条件获得所述第一对象的生产额。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。

通过以上的详细描述，本领域的技术人员易于理解，根据本发明实施例的数据处理方法及装置具有以下优点中的一个或多个。

根据一些实施例，本发明的数据处理方法，通过对象的历史特征数据和历史销量数据获得该对象的预测销量，并根据该预测销量构建目标函数，从而能够根据该目标函数以及给定条件下的约束条件获得该对象的生产额，用于指导厂家或者卖家进行合理的生产计划，合理指导厂商生产，避免产品生产过剩带来的库存费用。

根据另一些实施例，本发明的数据处理方法，采用方差最小化的目标函数而不再采用利润最大化的目标函数，可以避免制定生产规则。

以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本发明可实施的范畴。

Claims

1.一种数据处理方法，其特征在于，包括：

获取第一对象的历史特征数据和历史销量数据；

对所述历史特征数据进行预处理，其包括：对所述历史特征数据中的不可量化数据，做一位有效编码处理；对所述历史特征数据中的敏感数据进行分桶处理；对所述历史特征数据中的空值，增加一列来表示对应的特征是否为空；

根据所述第一对象的预处理后的历史特征数据和所述历史销量数据获得所述第一对象的预测销量；

根据所述第一对象的预测销量构建目标函数；

根据给定条件获得约束条件；以及

根据所述目标函数和所述约束条件获得所述第一对象的生产额；

其中，所述根据第一对象的历史特征数据和历史销量数据获得所述第一对象的预测销量，包括：

将所述第一对象的历史特征数据和历史销量数据划分为测试集和训练集；

根据所述训练集训练模型，通过所述模型获得所述历史特征数据和所述历史销量数据之间的关系；其中，所述根据所述训练集训练模型，包括：根据所述训练集采用两种或者两种以上的机器学习算法来训练，分别获得相应的模型；

分别根据所述测试集验证训练好的各个模型，获得各个模型的准确度；

通过训练好的模型获得所述第一对象的预测销量；其中，所述通过训练好的模型获得所述第一对象的预测销量，包括：根据各个模型的准确度对各个模型的预测销量进行加权融合，获得所述第一对象的所述预测销量；其中，各个模型的预测销量的权重正相关于相应模型的准确度。

2.如权利要求1所述的方法，其特征在于，所述第一对象为指定品牌，所述指定品牌包括产品i和产品j，其中根据所述第一对象的预测销量构建的所述目标函数如以下公式所示：

3.如权利要求2所述的方法，其特征在于，其中产品i和产品j的预测销量的协方差cov(x_i,x_j)通过以下方式获得：

通过第二对象的预测销量模拟获得所述第一对象的协方差cov(x_i,x_j)。

4.如权利要求3所述的方法，其特征在于，所述第二对象包括K个其他品牌，其中通过以下两个公式获得协方差cov(x_i,x_j)：

5.如权利要求2所述的方法，其特征在于，所述根据给定条件获得约束条件，包括：

在给定所述第一对象的销售额Q和销售量Z的情况下，获得的约束条件如下两公式所示：

其中，p_i为所述第一对象中的产品i制定的销售价格。

6.如权利要求5所述的方法，其特征在于，所述根据给定条件获得约束条件，还包括：

在给定所述第一对象的产品i的分配资金F_i和成本C_i的情况下，获得的约束条件还包括如下两公式：

7.如权利要求6所述的方法，其特征在于，所述根据所述目标函数和所述约束条件获得所述第一对象的生产额，包括：

根据所述目标函数和所述约束条件获得所述第一对象的产品i的预测销量比例w_i；

根据产品i的预测销量比例w_i和产品i的预测销量x_i获得产品i的生产额。

8.如权利要求7所述的方法，其特征在于，还包括：

统计所述第一对象的各个产品的生产额获得所述第一对象的总生产额。

9.一种数据处理装置，其特征在于，包括：

数据采集模块，用于获取第一对象的历史特征数据和历史销量数据；

数据预处理模块，用于对所述历史特征数据进行预处理，其包括：对所述历史特征数据中的不可量化数据，做一位有效编码处理；对所述历史特征数据中的敏感数据进行分桶处理；对所述历史特征数据中的空值，增加一列来表示对应的特征是否为空；

预测销量模块，用于根据所述第一对象的预处理后的历史特征数据和所述历史销量数据获得所述第一对象的预测销量；

目标函数构建模块，用于根据所述第一对象的预测销量构建目标函数；

约束条件获取模块，用于根据给定条件获得约束条件；以及

生产额确定模块，用于根据所述目标函数和所述约束条件获得所述第一对象的生产额；

其中，所述预测销量模块包括：

数据划分子模块，用于将所述第一对象的历史特征数据和历史销量数据划分为测试集和训练集；

模型训练子模块，用于根据所述训练集训练模型，通过所述模型获得所述历史特征数据和所述历史销量数据之间的关系；

预测销量子模块，用于通过训练好的模型获得所述第一对象的预测销量；

其中，所述模型训练子模块包括：

模型训练单元，用于根据所述训练集采用两种或者两种以上的机器学习算法来训练，分别获得相应的模型；

其中，所述预测销量子模块包括：

预测销量单元，用于将各个模型的预测销量进行融合获得所述第一对象的所述预测销量；

其中，所述装置还包括测试模块，用于分别根据所述测试集验证训练好的各个模型，获得各个模型的准确度；

其中，所述预测销量单元包括加权融合子单元，用于根据各个模型的准确度对各个模型的预测销量进行加权融合，获得所述第一对象的所述预测销量，其中，各个模型的预测销量的权重正相关于相应模型的准确度。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。