CN110400024A - 订单预测的方法、装置、设备和计算机可读存储介质 - Google Patents

订单预测的方法、装置、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN110400024A
CN110400024A CN201910703844.5A CN201910703844A CN110400024A CN 110400024 A CN110400024 A CN 110400024A CN 201910703844 A CN201910703844 A CN 201910703844A CN 110400024 A CN110400024 A CN 110400024A
Authority
CN
China
Prior art keywords
area
order
target area
information
total amount
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
Application number
CN201910703844.5A
Other languages
English (en)
Other versions
CN110400024B (zh
Inventor
张钧波
宋礼
郑宇�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong City Beijing Digital Technology Co Ltd
Original Assignee
Jingdong City Beijing Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingdong City Beijing Digital Technology Co Ltd filed Critical Jingdong City Beijing Digital Technology Co Ltd
Priority to CN201910703844.5A priority Critical patent/CN110400024B/zh
Publication of CN110400024A publication Critical patent/CN110400024A/zh
Application granted granted Critical
Publication of CN110400024B publication Critical patent/CN110400024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例公开了订单预测的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取用于指示待预测的目标区域的区域信息；基于目标区域在第一历史时间段内的订单数据信息、至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息，其中，相邻区域与目标区域之间的空间距离小于预设阈值。该实施方式在对目标区域进行订单预测同时考虑了历史时间段内的订单数据信息和相邻区域的区域信息，从而实现了从时间因素和空间因素两个方面对订单进行预测，提高了订单预测的准确性。

Description

订单预测的方法、装置、设备和计算机可读存储介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及订单预测的方法和装置。
背景技术
随着电子商务的快速发展，现阶段对计算机的数据分析处理的能力要求越来越高，尤其是在订单预测方面。
对于整个区域来说，订单的产生量可以反应出该区域的人们的生活状况和经济发展水平。因此，订单预测可以用于分析区域的发展状况，对区域的发展具有指导意义。相关技术中，往往仅通过历史订单数据信息对未来的订单总量进行预测，这种预测一般很少考虑其他因素的影响，从而使预测结果产生偏差。
发明内容
本公开的实施例提出了订单预测的方法和装置，进而至少在一定程度上克服现有的预测结果存在偏差的问题。
第一方面，本公开的实施例提供了一种订单预测的方法，该方法包括：获取用于指示待预测的目标区域的区域信息；基于目标区域在第一历史时间段内的订单数据信息、目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息，其中，相邻区域与目标区域之间的空间距离小于预设阈值。
在一些实施例中，基于目标区域在第一历史时间段内的订单数据信息、目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息，包括：将待预测日期输入预先训练的目标区域的订单预测模型，得到目标区域在待预测日期的订单总量信息；其中，目标区域的订单预测模型通过如下步骤训练得到：将第一历史时间段划分为多个子时间段，确定子时间段为样本预测日期；以样本预测日期作为输入，以样本预测日期的订单总量信息作为目标输出，对以预先设置的时间函数模型和空间位置模型为变量的初始订单预测模型进行曲线拟合，得到训练后的订单预测模型，其中，空间位置模型与目标区域在第二历史时间段内的订单总量和相邻区域在第二历史时间段内的订单总量正相关，空间位置模型与目标区域和相邻区域的区域信息所指示的空间距离负相关。
在一些实施例中，空间位置模型包括与相邻区域对应的空间位置子模型；空间位置模型通过如下步骤确定：针对至少一个相邻区域的相邻区域，为与该相邻区域对应的空间位置子模型设置初始权重系数；基于交叉验证算法，调整所设置的初始权重系数，确定各空间位置子模型的权重系数，得到空间位置模型。
在一些实施例中，时间函数模型包括以下至少一项：周期函数子模型、趋势函数子模型、节假日函数子模型；其中，周期函数子模型用于表征时间的周期性变化对目标区域的订单总量的影响程度；趋势函数子模型用于表征随着时间的增长目标区域的订单总量的变化趋势；节假日函数子模型用于表征节假日对目标区域的订单总量的影响程度。
在一些实施例中，周期函数子模型根据傅里叶级数得到。
在一些实施例中，趋势函数子模型根据逻辑回归函数得到。
在一些实施例中，节假日函数子模型根据线性回归算法得到。
在一些实施例中，相邻区域通过如下步骤确定：获取目标区域的经纬度信息和至少一个非目标区域的经纬度信息；针对至少一个非目标区域中的非目标区域，基于目标区域的经纬度信息和该非目标区域的经纬度信息，确定目标区域和该非目标区域之间的空间距离；响应于确定出目标区域与该非目标区域之间的空间距离小于预设阈值，将该非目标区域确定为相邻区域。
第二方面，本公开的实施例提供了一种订单预测的装置，装置包括：获取单元，被配置成获取用于指示待预测的目标区域的区域信息；确定单元，被配置成基于目标区域在第一历史时间段内的订单数据信息、目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息，其中，相邻区域与目标区域之间的空间距离小于预设阈值。
在一些实施例中，确定单元进一步被配置成：将待预测日期输入预先训练的目标区域的订单预测模型，得到目标区域在待预测日期的订单总量信息；其中，目标区域的订单预测模型通过如下步骤训练得到：将第一历史时间段划分为多个子时间段，确定子时间段为样本预测日期；以样本预测日期作为输入，以样本预测日期的订单总量信息作为目标输出，对以预先设置的时间函数模型和空间位置模型为变量的初始订单预测模型进行曲线拟合，得到训练后的订单预测模型，其中，空间位置模型与目标区域在第二历史时间段内的订单总量和相邻区域在第二历史时间段内的订单总量正相关，空间位置模型与目标区域和相邻区域的区域信息所指示的空间距离负相关。
在一些实施例中，空间位置模型包括与相邻区域对应的空间位置子模型；空间位置模型通过如下步骤确定：针对至少一个相邻区域的相邻区域，为与该相邻区域对应的空间位置子模型设置初始权重系数；基于交叉验证算法，调整所设置的初始权重系数，确定各空间位置子模型的权重系数，得到空间位置模型。
在一些实施例中，时间函数模型包括以下至少一项：周期函数子模型、趋势函数子模型、节假日函数子模型；其中，周期函数子模型用于表征时间的周期性变化对目标区域的订单总量的影响程度；趋势函数子模型用于表征随着时间的增长目标区域的订单总量的变化趋势；节假日函数子模型用于表征节假日对目标区域的订单总量的影响程度。
在一些实施例中，周期函数子模型根据傅里叶级数得到。
在一些实施例中，趋势函数子模型根据逻辑回归函数得到。
在一些实施例中，节假日函数子模型根据线性回归算法得到。
在一些实施例中，相邻区域通过如下步骤确定：获取目标区域的经纬度信息和至少一个非目标区域的经纬度信息；针对至少一个非目标区域中的非目标区域，基于目标区域的经纬度信息和该非目标区域的经纬度信息，确定目标区域和该非目标区域之间的空间距离；响应于确定出目标区域与该非目标区域之间的空间距离小于预设阈值，将该非目标区域确定为相邻区域。
本公开的实施例提供的订单预测的方法和装置，获取用于指示待预测的目标区域的区域信息，而后基于目标区域在第一历史时间段内的订单数据信息、至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息可以确定目标区域在待预测日期的订单总量信息，可见本公开在对目标区域进行订单预测时，同时考虑了历史时间段内的订单数据信息和相邻区域的区域信息，从而实现了从时间因素和空间因素两个方面对订单进行预测，提高了订单预测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一些实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的订单预测的方法的一个实施例的流程图；
图3是根据本公开的实施例的订单预测的方法的一个应用场景的示意图；
图4是根据本公开的订单预测的方法的又一个实施例的流程图；
图5是根据本公开的订单预测的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的订单预测的方法或订单预测的装置的示例性系统架构100。
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、地图类应用、网页浏览器应用、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可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网上购物、文本浏览等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103输入的待预测的目标区域的订单预测提供支持的后台服务器。后台服务器可以对目标区域的区域信息、相邻区域的区域信息和历史订单数据信息等进行分析等处理，并将处理结果(例如目标区域在待预测日期的订单总量信息)反馈给终端设备。
需要说明的是，本申请实施例所提供的订单预测的方法一般由服务器105执行，相应地，订单预测的装置一般设置于服务器105中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
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。
需要指出的是，服务器105的本地也可以直接存储目标区域在第一预设历史时间段内的订单数据信息、至少一个相邻区域第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，服务器105可以直接得到目标区域在待预测日期的订单总量信息，此时示例性系统架构100可以不存在终端设备101、102、103和网络104。
还需要指出的是，终端设备101、102、103中也可以直接存储目标区域在第一预设历史时间段内的订单数据信息、至少一个相邻区域第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，终端设备101、102、103可以直接得到目标区域在待预测日期的订单总量信息。此时，订单预测的方法也可以由终端设备101、102、103执行，相应地，订单预测的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。
继续参考图2，示出了根据本公开的订单预测的方法的一个实施例的流程200。该订单预测的方法，包括以下步骤：
步骤201，获取用于指示待预测的目标区域的区域信息。
在本实施例中，订单预测的方法的执行主体(例如图1所示的服务器)可以通过有线或无线的方式从用户所在的终端设备获取目标区域的区域信息。这里，目标区域可以为待预测订单总量信息的区域。其中，目标区域的区域信息可以包括用于表征该目标区域所在空间位置的经纬度信息、以及该目标区域的名称信息等。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，基于目标区域在第一历史时间段内的订单数据信息、目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息。
在本实施例中，对于目标区域，可以从大数据平台等获取该目标区域在第一历史时间段内的订单数据信息，而后确定与目标区域相邻的至少一个相邻区域和各相邻区域的区域信息。对于相邻区域，也可以从大数据平台等获取各相邻区域在第二历史时间段内的订单数据信息。其中，订单数据信息可以包括订单的消费金额信息、指示订单生成时间的时间戳信息等，相邻区域和目标区域之间的空间距离可以小于预设阈值。而后，获取各相邻区域在第二历史时间段的订单数据信息。上述执行主体(例如图1所示的服务器)可以采用各种手段利用目标区域的在第一历史时间段内的订单数据、各相邻区域在第二历史时间段内的订单信息、目标区域的区域信息和各相邻区域的区域信息，确定出目标区域在待预测日期的订单总量信息。
可以理解的是，获取上述目标区域的订单数据信息、相邻区域的订单数据信息、相邻区域的区域信息的主体可以为上述执行主体。作为示例，上述执行主体可以通过将目标区域的订单总量和相邻区域的订单总量加权求平均等方式预测目标区域在待预测日期的订单总量，并且可以根据目标区域与相邻区域之间距离的远近程度设置各相邻区域的订单总量的权重值；或者，上述执行主体还可以对所获取目标区域的订单数据信息、相邻区域的订单数据信息、相邻区域的区域信息进行训练得到用于订单预测的订单预测模型。当然，获取上述目标区域的订单信息、相邻区域的订单信息、相邻区域的区域信息的主体与上述执行主体可以不同。作为示例，获取目标区域的订单数据信息、相邻区域的订单数据信息的主体可以对所获取信息进行训练得到用于订单预测的订单预测模型，而后上述执行主体可以直接利用已经训练完成的订单预测模型对目标区域在待预测日期的订单总量进行预测。
通常，对于某一区域，若该区域不出现较大规模的人口迁移或经济市场严重动荡等情况，该区域居民所产生的订单量不会发生急剧变化。因此，得到的目标区域在待预测日期的订单总量信息可以评估该目标区域的社会和经济市场的发展状态。若得到的目标区域在待预测日期的订单总量在合理范围内，则可以认为目标区域在进行良性发展；若得到的目标区域在待预测日期的订单总量不在合理范围内，则可以认为目标区域的发展不稳定，需要及时地排查解决问题。可见，上述执行主体在得到目标区域在待预测日期的订单总量信息后，还可以判断订单总量信息是否符合预设条件。若订单总量信息不符合预设条件，上述执行主体可以终端设备推送报警信息。作为示例，预设条件可以为预测得到的订单总量在预设范围内，若预测到的订单总量不在预设范围内，则可以认为目标区域的发展不稳定，此时可以推送报警信息，以便于判断该目标区域是否出现较大规模的人口迁移或市场严重动荡等情况，并及时地解决问题。
在本实施例的一些可选的实现方式中，上述目标区域的相邻区域可以通过如下步骤确定：获取目标区域的经纬度信息和至少一个非目标区域的经纬度信息；针对至少一个非目标区域中的非目标区域，基于目标区域的经纬度信息和该非目标区域的经纬度信息，确定目标区域和该非目标区域之间的空间距离；响应于确定出目标区域与该非目标区域之间的空间距离小于预设阈值，将该非目标区域确定为相邻区域。可选的，上述目标区域的相邻区域还可以通过如下步骤确定：获取目标区域的经纬度信息和至少一个非目标区域的经纬度信息；针对至少一个非目标区域中的非目标区域，基于目标区域的经纬度信息和该非目标区域的经纬度信息，确定目标区域和非目标区域之间的空间距离；按照空间距离从小到大的顺序对各非目标区域进行排序，得到非目标区域序列；将非目标序列中前N个非目标区域确定为目标区域的相邻区域。其中，N可以根据实际的需求进行设定，且N为正整数。
上述目标区域和非目标区域之间的距离可以利用这两个区域的经纬度坐标得到。具体地，对于目标区域和非目标区域之间的距离可以通过如下的半正矢(Haversine)公式计算得到：
其中，hs(θ)＝sin2(θ)，因此上述公式中的hs(|lon2-lon1|)＝sin2(|lon2-lon1|)，以及lat1和lon1分别为目标区域的纬度坐标和经度坐标，lat2和lon2分别为非目标区域的纬度坐标和经度坐标，R为地球半径(通常，R＝6371千米)，d为目标区域和非目标区域之间的空间距离。因此，当计算得到的目标区域和非目标区域之间的空间距离d小于预设阈值，可以将该非目标区域确定为目标区域的相邻区域。
通常，对于区域而言，该区域在空间中的位置分布对该区域的发展具有较大的影响，例如，区域的地理位置往往可以影响区域的消费种类和消费水平。进一步地，与该区域相邻的区域的消费水平也会影响该区域的订单量的产生。因此，本实施例在对订单进行预测时不仅需要考虑历史产生的订单数据信息，还需要将相邻区域的区域信息作为空间因素融合到订单的预测中，从而使得本实施例公开的订单预测的方法预测出的订单总量信息更加准确。
继续参考图3，图3是根据本实施例的订单预测的方法的应用场景的一个示意图。在图3的应用场景中，用户可以通过终端设备在区域框301中输入待预测的目标区域“济南”，在时间框302中输入待预测日期“2019年8月”，并在确定出对目标区域“济南”在待预测日期“2019年8月”进行预测后，后台服务器可以获取用于指示待预测的目标区域的区域信息；而后，后台服务器可以基于目标区域“济南”在第一历史时间段内的订单数据信息、至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域“济南”的区域信息和相邻区域的区域信息，从而可以确定目标区域“济南”在待预测日期“2019年8月”的订单总量信息。并可以将确定的订单总量信息显示在结果显示框303中，如图3所示。
本公开的上述实施例提供的方法，通过获取目标区域的区域信息，而后基于目标区域在第一历史时间段内的订单数据信息、相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息，即在对目标区域进行订单预测时，同时考虑了历史时间段内的订单数据信息和相邻区域的区域信息，从而实现了从时间因素和空间因素两个方面对订单进行预测，提高了订单预测的准确性，以便于利用目标区域的订单预测结果对该区域进行生活状况和经济发展水平的评估。
进一步参考图4，其示出了订单预测的方法的又一个实施例的流程400。该订单预测的方法的流程400，包括以下步骤：
步骤401，获取用于指示待预测的目标区域的区域信息。
在本实施例中，订单预测的方法的执行主体(例如图1所示的服务器)可以通过有线或无线的方式从用户所在的终端设备获取目标区域的区域信息。这里，目标区域可以为待预测订单总量信息的区域。其中，目标区域的区域信息可以包括用于表征该目标区域所在空间位置的经纬度信息、以及该目标区域的名称信息等。
步骤402，将待预测日期输入预先训练的目标区域的订单预测模型，得到目标区域在待预测日期的订单总量。
在本实施例中，基于步骤401获取的目标区域的区域信息，上述执行主体(例如图1所示的服务器)可以确定该目标区域预先训练的订单预测模型。而后上述执行主体可以将待预测日期输入目标区域的订单预测模型中，得到该目标区域在待预测日期的订单总量信息。可选的，订单总量信息可以包括产生订单的总数量、订单的总消费量等。
在本实施例中，上述目标区域的订单预测模型可以通过如下步骤训练得到：
将第一历史时间段划分为多个子时间段，确定各子时间段为样本预测日期；
预先设置以时间函数模型和空间位置模型为变量的初始订单预测模型，而后以样本预测日期作为输入，以样本预测日期的订单总量信息作为目标输出，对以预先设置的初始订单预测模型进行曲线拟合，得到训练后的订单预测模型。上述初始订单预测模型可以如下所示：H(t)＝f(t)+M，其中，f(t)为上述时间函数模型，M为上述空间位置模型。在对该初始订单预测模型拟合的过程中，可以采用贝叶斯优化等方法训练得到时间函数模型f(t)和空间位置模型M中的参数。
上述空间位置模型可以用于表征目标区域所在的空间位置对该目标区域的订单总量总量的影响。具体地，空间位置模型与目标区域在第二历史时间段内的订单总量和相邻区域在第二历史时间段内的订单总量正相关，空间位置模型与目标区域和相邻区域的区域信息所指示的空间距离负相关。上述时间函数模型可以用于表征目标区域在时间维度上已经产生的订单的订单数据信息对该目标区域的订单总量信息的影响，因此随着时间输入的不同上述时间函数模型输出的结果也不相同。
在本实施例的一些可选的实现方式中，可以从大数据平台等获取目标区域在第一历史时间段内产生的订单的订单数据信息和相邻区域在第二历史时间段内产生的订单的订单数据信息。通常，可以根据订单的地址层数据获取目标区域和相邻区域的订单数据，或者还可以将订单所包含的经纬度信息与目标区域和相邻区域进行匹配得到各区域的订单数据。当然，目标区域在第一历史时间段内产生的订单的订单数据信息和相邻区域在第二历史时间段内产生的订单的订单数据信息还可以是通过其他途径得到的。
在本实施例的一些可选的实现方式中，上述目标区域的区域信息可以包括区域名称信息、经纬度信息等，因此目标区域和相邻区域之间的空间距离可以采用上述半正矢(Haversine)公式得到。或者，上述目标区域和相邻区域之间的空间距离还可以通过实际测量的方式得到，这里没有具体地的限定。
在本实施例的一些可选的实现方式中，目标区域可以包括两个或两个以上的相邻区域，并且各相邻区域对目标区域的影响程度不相同。因此，上述空间位置模型可以包括与各相邻区域对应的空间位置子模型。上述空间位置模型可以通过如下步骤确定：针对各相邻区域中的任一相邻区域，为该相邻区域对应的空间位置子模型设置初始权重系数；而后基于交叉验证算法可以调整各空间位置子模型的初始权重系数，确定各空间位置子模型的权重系数，从而得到上述初始订单预测模型中的空间位置模型。
对于与相邻区域j对应的空间位置子模型，该空间位置子模型可以如下所示：其中，Mi,j表征相邻区域j在空间因素方面对目标区域i的订单总量的影响程度，K为待训练的比例系数，Pi为目标区域i在第二历史时间段产生的订单总量，Pj为相邻区域j在第二历史时间段产生的订单总量。其中，为了提高订单预测的准确性，这里的第二历史时间段可以选取与当前时间邻近的历史时间段。
在本实施例的一些可选的实现方式中，上述时间函数模型可以包括以下至少一项：周期函数子模型、趋势函数子模型和节假日函数子模型。其中，周期函数子模型可以用于表征时间的周期性变化对目标区域的订单总量的影响程度，可见该周期函数子模型考虑了目标区域的每段时间(例如，每年、每月或每日等)的订单产生的周期性。趋势函数子模型可以用于表征随着时间的增长目标区域的订单总量的变化趋势，可见该趋势函数子模型考虑了随着时间的变化目标区域消费水平的变化。通常，对于区域而言随着时间的变化发展越来越好，区域的消费水平也越来越高。节假日函数子模型可以用于表征节假日对目标区域的订单总量的影响程度，可见该节假日函数子模型考虑了节假日(例如，春节、双十一等)等特殊日期对订单产生量的影响。因此，在订单预测模型中添加周期函数子模型、趋势函数子模型和节假日函数子模型等可以提高订单预测的准确性。
可以理解的是，上述时间函数模型还可以通过神经网络算法训练得到。具体地，可以获取目标区域在第一历史时间段内的订单数据信息，从而可以得到各订单对应的时间序列；之后按照时间序列提取订单的订单特征序列；而后利用神经网络算法构建时间函数模型，利用机器学习的方法，将所得到的时间序列作为输入，将订单特征序列作为输出，训练所构建的时间函数模型。这里，时间函数模型可以用于表征时间序列与订单特征序列之间的对应关系。当然，上述时间函数模型还可以由其它方式训练得到，这里不再一一列举。
在本实施例的一些可选的实现方式中，订单总量(例如，订单的总消费量)的增长可以类似于生态系统中种族数量的增长，在经历非线性增长后可以达到饱和值。因此，可以根据逻辑回归函数构建上述趋势函数子模型。具体地，上述趋势函数子模型g(t)可以如下所示：其中，C为目标区域订单总量的饱和值，k为待训练的增长速率，m为待训练的时间参照值，t为日期。可以理解的是，C可以根据历史经验进行设置，并且C的具体取值可以随着时间发生变化，因此在对初始订单预测模型进行训练时可以在第一历史时间段中设置多个时间转变点，在这些转变点中的C的取值可以不同。一般情况下，对于t可以在时间序列中采用离散化的方式进行取值，例如，对于时间序列2014年1月～2015年1月，可以分别离散化为1、2、3、…、13，当需要对2015年2月进行预测时，输入的待预测日期是被离散化的时间t＝14。
在本实施例的一些可选的实现方式中，人们的生活活动通常具有多个不同时间长度的周期，例如5天的工作日会在每周的订单量上产生影响，每年的订单数据也会呈现一定的周期性。为了拟合并预测周期性在订单预测中的作用，可以确定出上述周期函数子模型。这里，周期函数子模型可以根据傅里叶级数得到。具体地，周期函数子模型s(t)可以如下所示：
其中，P为预设的时间序列的规则周期长度(例如，以天为单位的时间序列，可以对年数据设置P＝365.25，周数据设置P＝7)，t为日期。
在本实施例的一些可选的实现方式中，节假日对订单的产生量具有显著的影响，例如双十一购物活动等。这些特定的节假日在时间上对订单量的影响每年都是类似的，因此，在订单预测时考虑节假日的影响可以提高订单预测的准确性。这里，上述节假日函数子模型可以根据线性回归算法得到。该节假日子模型d(t)如下所示：d(t)＝w×t×δ(t)+b，其中，w和b为待训练参数，t为日期，δ(t)为指示函数，该指示函数可以用于指示日期t是否为节假日。通常，节假日的日期前后的一段时间的订单产生量均会受到影响，因此可以采用时间窗口的形式设置节假日日期，并将时间窗口内的日期均确定为节假日。
综上所述，本公开的上述实施例中的订单预测模型可以包括时间维度上时间函数模型和空间维度上的空间位置模型，从而实现了从时间因素和空间因素两个方面预测目标区域的订单总量信息。进一步地，时间函数模型可以分别从周期性、趋势性和节假日影响等方面分别考虑时间因素对目标区域的订单量的预测，使得上述训练得到的订单预测模型便于理解和解释。
与图2相比，本公开的上述实施例提供的方法400，通过预先训练的目标区域的订单预测模型可以直接得到该目标区域在待预测时间的订单总量信息，订单预测的方法更加的简单。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种订单预测的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的订单预测的装置500包括：获取单元501、确定单元502。其中，获取单元501被配置成获取用于指示待预测的目标区域的区域信息；确定单元502被配置成基于目标区域在第一历史时间段内的订单数据信息、目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息，其中，相邻区域与目标区域之间的空间距离小于预设阈值。
在本实施例的一些可选的实现方式中，确定单元502进一步被配置成：将待预测日期输入预先训练的目标区域的订单预测模型，得到目标区域在待预测日期的订单总量信息；其中，目标区域的订单预测模型通过如下步骤训练得到：将第一历史时间段划分为多个子时间段，确定子时间段为样本预测日期；以样本预测日期作为输入，以样本预测日期的订单总量信息作为目标输出，对以预先设置的时间函数模型和空间位置模型为变量的初始订单预测模型进行曲线拟合，得到训练后的订单预测模型，其中，空间位置模型与目标区域在第二历史时间段内的订单总量和相邻区域在第二历史时间段内的订单总量正相关，空间位置模型与目标区域和相邻区域的区域信息所指示的空间距离负相关。
在本实施例的一些可选的实现方式中，空间位置模型包括与相邻区域对应的空间位置子模型；空间位置模型通过如下步骤确定：针对至少一个相邻区域的相邻区域，为与该相邻区域对应的空间位置子模型设置初始权重系数；基于交叉验证算法，调整所设置的初始权重系数，确定各空间位置子模型的权重系数，得到空间位置模型。
在本实施例的一些可选的实现方式中，时间函数模型包括以下至少一项：周期函数子模型、趋势函数子模型、节假日函数子模型；其中，周期函数子模型用于表征时间的周期性变化对目标区域的订单总量的影响程度；趋势函数子模型用于表征随着时间的增长目标区域的订单总量的变化趋势；节假日函数子模型用于表征节假日对目标区域的订单总量的影响程度。
在本实施例的一些可选的实现方式中，周期函数子模型根据傅里叶级数得到。
在本实施例的一些可选的实现方式中，趋势函数子模型根据逻辑回归函数得到。
在本实施例的一些可选的实现方式中，节假日函数子模型根据线性回归算法得到。
在本实施例的一些可选的实现方式中，相邻区域通过如下步骤确定：获取目标区域的经纬度信息和至少一个非目标区域的经纬度信息；针对至少一个非目标区域中的非目标区域，基于目标区域的经纬度信息和该非目标区域的经纬度信息，确定目标区域和该非目标区域之间的空间距离；响应于确定出目标区域与该非目标区域之间的空间距离小于预设阈值，将该非目标区域确定为相邻区域。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机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。而在本公开的实施例中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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该电子设备执行时，使得该电子设备：获取用于指示待预测的目标区域的区域信息；基于目标区域在第一历史时间段内的订单数据信息、目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、目标区域的区域信息和相邻区域的区域信息，确定目标区域在待预测日期的订单总量信息，其中，相邻区域与目标区域之间的空间距离小于预设阈值。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取用于指示待预测的目标区域的区域信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种订单预测的方法，包括：
获取用于指示待预测的目标区域的区域信息；
基于所述目标区域在第一历史时间段内的订单数据信息、所述目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、所述目标区域的区域信息和所述相邻区域的区域信息，确定所述目标区域在待预测日期的订单总量信息，其中，所述相邻区域与所述目标区域之间的空间距离小于预设阈值。
2.根据权利要求1所述的方法，其中，所述基于所述目标区域在第一历史时间段内的订单数据信息、所述目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、所述目标区域的区域信息和所述相邻区域的区域信息，确定所述目标区域在待预测日期的订单总量信息，包括：
将所述待预测日期输入预先训练的目标区域的订单预测模型，得到所述目标区域在所述待预测日期的订单总量信息；
其中，所述目标区域的订单预测模型通过如下步骤训练得到：
将所述第一历史时间段划分为多个子时间段，确定所述子时间段为样本预测日期；以样本预测日期作为输入，以样本预测日期的订单总量信息作为目标输出，对以预先设置的时间函数模型和空间位置模型为变量的初始订单预测模型进行曲线拟合，得到训练后的所述订单预测模型，其中，所述空间位置模型与所述目标区域在第二历史时间段内的订单总量和所述相邻区域在第二历史时间段内的订单总量正相关，所述空间位置模型与所述目标区域和相邻区域的区域信息所指示的空间距离负相关。
3.根据权利要求2所述的方法，其中，所述空间位置模型包括与所述相邻区域对应的空间位置子模型；
所述空间位置模型通过如下步骤确定：
针对所述至少一个相邻区域的相邻区域，为与该相邻区域对应的空间位置子模型设置初始权重系数；
基于交叉验证算法，调整所设置的初始权重系数，确定各所述空间位置子模型的权重系数，得到所述空间位置模型。
4.根据权利要求2所述的方法，其中，所述时间函数模型包括以下至少一项：周期函数子模型、趋势函数子模型、节假日函数子模型；
其中，所述周期函数子模型用于表征时间的周期性变化对所述目标区域的订单总量的影响程度；
所述趋势函数子模型用于表征随着时间的增长所述目标区域的订单总量的变化趋势；
所述节假日函数子模型用于表征节假日对所述目标区域的订单总量的影响程度。
5.根据权利要求4所述的方法，其中，所述周期函数子模型根据傅里叶级数得到；
所述趋势函数子模型根据逻辑回归函数得到；
所述节假日函数子模型根据线性回归算法得到。
6.根据权利要求1所述的方法，其中，所述相邻区域通过如下步骤确定：
获取所述目标区域的经纬度信息和至少一个非目标区域的经纬度信息；
针对所述至少一个非目标区域中的非目标区域，基于所述目标区域的经纬度信息和该非目标区域的经纬度信息，确定所述目标区域和该非目标区域之间的空间距离；
响应于确定出所述目标区域与该非目标区域之间的空间距离小于预设阈值，将该非目标区域确定为所述相邻区域。
7.一种订单预测的装置，包括：
获取单元，被配置成获取用于指示待预测的目标区域的区域信息；
确定单元，被配置成基于所述目标区域在第一历史时间段内的订单数据信息、所述目标区域的至少一个相邻区域在第二历史时间段内的订单数据信息、所述目标区域的区域信息和所述相邻区域的区域信息，确定所述目标区域在待预测日期的订单总量信息，其中，所述相邻区域与所述目标区域之间的空间距离小于预设阈值。
8.根据权利要求7所述的装置，其中，所述确定单元进一步被配置成：
将所述待预测日期输入预先训练的目标区域的订单预测模型，得到所述目标区域在所述待预测日期的订单总量信息；
其中，所述目标区域的订单预测模型通过如下步骤训练得到：
将所述第一历史时间段划分为多个子时间段，确定所述子时间段为样本预测日期；以样本预测日期作为输入，以样本预测日期的订单总量信息作为目标输出，对以预先设置的时间函数模型和空间位置模型为变量的初始订单预测模型进行曲线拟合，得到训练后的所述订单预测模型，其中，所述空间位置模型与所述目标区域在第二历史时间段内的订单总量和所述相邻区域在第二历史时间段内的订单总量正相关，所述空间位置模型与所述目标区域和相邻区域的区域信息所指示的空间距离负相关。
9.一种电子设备/终端/服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201910703844.5A 2019-07-31 2019-07-31 订单预测的方法、装置、设备和计算机可读存储介质 Active CN110400024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910703844.5A CN110400024B (zh) 2019-07-31 2019-07-31 订单预测的方法、装置、设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910703844.5A CN110400024B (zh) 2019-07-31 2019-07-31 订单预测的方法、装置、设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110400024A true CN110400024A (zh) 2019-11-01
CN110400024B CN110400024B (zh) 2021-03-30

Family

ID=68327039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910703844.5A Active CN110400024B (zh) 2019-07-31 2019-07-31 订单预测的方法、装置、设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110400024B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960537A (zh) * 2018-08-17 2018-12-07 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
CN111178622A (zh) * 2019-12-25 2020-05-19 北京三快在线科技有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN111275096A (zh) * 2020-01-17 2020-06-12 青梧桐有限责任公司 基于图像识别的同名小区辨别方法及系统
CN111429185A (zh) * 2020-03-27 2020-07-17 京东城市(北京)数字科技有限公司 人群画像预测方法、装置、设备及存储介质
CN111695679A (zh) * 2020-06-09 2020-09-22 北京百度网讯科技有限公司 出入量的预测方法、装置、电子设备及存储介质
CN111754053A (zh) * 2020-08-12 2020-10-09 腾讯科技（深圳）有限公司 热力信息反馈方法、装置、计算机设备和存储介质
CN112819239A (zh) * 2021-02-19 2021-05-18 北京骑胜科技有限公司 产品数量预测方法、装置、电子设备和可读存储介质
CN113344652A (zh) * 2020-03-02 2021-09-03 多点(深圳)数字科技有限公司 信息呈现方法、装置、电子设备和介质
CN113781077A (zh) * 2020-07-06 2021-12-10 京东城市(北京)数字科技有限公司 数据处理的方法、装置、设备及计算机可读存储介质
CN113866387A (zh) * 2021-09-24 2021-12-31 中国农业科学院农业资源与农业区划研究所 一种区域尺度土壤碳排放预测方法及系统
CN115660565A (zh) * 2022-12-27 2023-01-31 北京京东乾石科技有限公司 出库数量确定方法、装置、电子设备和计算机可读介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127329A (zh) * 2016-06-16 2016-11-16 北京航空航天大学 订单预测方法与装置
CN107247786A (zh) * 2017-06-15 2017-10-13 北京小度信息科技有限公司 用于确定相似用户的方法、装置和服务器
CN107832866A (zh) * 2017-09-26 2018-03-23 晶赞广告（上海）有限公司 一种流量预测方法及装置、存储介质、终端
CN109495327A (zh) * 2018-12-28 2019-03-19 西安交通大学 一种基于大数据分析的用户活动异常检测和流量预测方法
CN109768869A (zh) * 2017-11-06 2019-05-17 中国移动通信有限公司研究院 一种业务预测方法、系统和计算机存储介质
CN109961165A (zh) * 2017-12-25 2019-07-02 顺丰科技有限公司 件量预测方法、装置、设备及其存储介质
US20190204109A1 (en) * 2016-05-25 2019-07-04 Ford Global Technologies, Llc Predicting a point-of-interest wait time for an estimated time-of-arrval

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190204109A1 (en) * 2016-05-25 2019-07-04 Ford Global Technologies, Llc Predicting a point-of-interest wait time for an estimated time-of-arrval
CN106127329A (zh) * 2016-06-16 2016-11-16 北京航空航天大学 订单预测方法与装置
CN107247786A (zh) * 2017-06-15 2017-10-13 北京小度信息科技有限公司 用于确定相似用户的方法、装置和服务器
CN107832866A (zh) * 2017-09-26 2018-03-23 晶赞广告（上海）有限公司 一种流量预测方法及装置、存储介质、终端
CN109768869A (zh) * 2017-11-06 2019-05-17 中国移动通信有限公司研究院 一种业务预测方法、系统和计算机存储介质
CN109961165A (zh) * 2017-12-25 2019-07-02 顺丰科技有限公司 件量预测方法、装置、设备及其存储介质
CN109495327A (zh) * 2018-12-28 2019-03-19 西安交通大学 一种基于大数据分析的用户活动异常检测和流量预测方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960537B (zh) * 2018-08-17 2020-10-13 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
CN108960537A (zh) * 2018-08-17 2018-12-07 安吉汽车物流股份有限公司 物流订单的预测方法及装置、可读介质
CN111178622A (zh) * 2019-12-25 2020-05-19 北京三快在线科技有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN111275096A (zh) * 2020-01-17 2020-06-12 青梧桐有限责任公司 基于图像识别的同名小区辨别方法及系统
CN113344652B (zh) * 2020-03-02 2024-05-24 多点(深圳)数字科技有限公司 信息呈现方法、装置、电子设备和介质
CN113344652A (zh) * 2020-03-02 2021-09-03 多点(深圳)数字科技有限公司 信息呈现方法、装置、电子设备和介质
CN111429185B (zh) * 2020-03-27 2023-06-02 京东城市(北京)数字科技有限公司 人群画像预测方法、装置、设备及存储介质
CN111429185A (zh) * 2020-03-27 2020-07-17 京东城市(北京)数字科技有限公司 人群画像预测方法、装置、设备及存储介质
CN111695679A (zh) * 2020-06-09 2020-09-22 北京百度网讯科技有限公司 出入量的预测方法、装置、电子设备及存储介质
CN111695679B (zh) * 2020-06-09 2023-12-29 北京百度网讯科技有限公司 出入量的预测方法、装置、电子设备及存储介质
CN113781077A (zh) * 2020-07-06 2021-12-10 京东城市(北京)数字科技有限公司 数据处理的方法、装置、设备及计算机可读存储介质
CN111754053A (zh) * 2020-08-12 2020-10-09 腾讯科技（深圳）有限公司 热力信息反馈方法、装置、计算机设备和存储介质
CN111754053B (zh) * 2020-08-12 2024-06-07 腾讯科技（深圳）有限公司 热力信息反馈方法、装置、计算机设备和存储介质
CN112819239A (zh) * 2021-02-19 2021-05-18 北京骑胜科技有限公司 产品数量预测方法、装置、电子设备和可读存储介质
CN112819239B (zh) * 2021-02-19 2024-05-14 北京骑胜科技有限公司 产品数量预测方法、装置、电子设备和可读存储介质
CN113866387A (zh) * 2021-09-24 2021-12-31 中国农业科学院农业资源与农业区划研究所 一种区域尺度土壤碳排放预测方法及系统
CN113866387B (zh) * 2021-09-24 2024-04-26 中国农业科学院农业资源与农业区划研究所 一种区域尺度土壤碳排放预测方法及系统
CN115660565A (zh) * 2022-12-27 2023-01-31 北京京东乾石科技有限公司 出库数量确定方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN110400024B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN110400024A (zh) 订单预测的方法、装置、设备和计算机可读存储介质
CN109003028A (zh) 用于划分物流区域的方法和装置
CN109460513A (zh) 用于生成点击率预测模型的方法和装置
CN109697522A (zh) 一种数据预测的方法和装置
CN107908740A (zh) 信息输出方法和装置
CN109214584A (zh) 用于预测客流量的方法和装置
Paegelow et al. Land change modelling: moving beyond projections
CN105320724A (zh) 用于优化用于学习排序的非凸函数的新探索
CN105117491B (zh) 页面推送方法和装置
CN108805594A (zh) 信息推送方法和装置
CN107315824A (zh) 用于生成热力图的方法和装置
CN109447635A (zh) 用于区块链的信息存储方法和装置
CN110149238A (zh) 用于预测流量的方法和装置
WO2018232331A1 (en) Systems and methods for optimizing and simulating webpage ranking and traffic
CN103636280B (zh) 基于日历数据的上行带宽和下行带宽的动态优化
CN110008414A (zh) 地理信息点的确定方法和装置
CN113743971A (zh) 一种数据处理方法和装置
CN110019367A (zh) 一种统计数据特征的方法和装置
CN110020112A (zh) 对象推送方法及其系统
CN110414613B (zh) 区域聚类的方法、装置、设备和计算机可读存储介质
US20130325616A1 (en) Location-based and context-aware advertising platform
CN109978594B (zh) 订单处理方法、装置及介质
CN109117448A (zh) 热力图生成方法和装置
CN110084298A (zh) 用于检测图像相似度的方法及装置
CN109948773A (zh) 生成信息的方法和装置

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
GR01 Patent grant
GR01 Patent grant