CN110599256A - 汽车销量的预测方法、装置、终端设备及存储介质 - Google Patents
汽车销量的预测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110599256A CN110599256A CN201910885589.0A CN201910885589A CN110599256A CN 110599256 A CN110599256 A CN 110599256A CN 201910885589 A CN201910885589 A CN 201910885589A CN 110599256 A CN110599256 A CN 110599256A
- Authority
- CN
- China
- Prior art keywords
- automobile
- sales
- inventory
- remote sensing
- preset 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012417 linear regression Methods 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 238000013499 data model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种汽车销量的预测方法、装置、终端设备及可计算机读存储介质，汽车销量的预测方法包括：检测所述汽车第一库存量与第一销量之间已有的线性关系；根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。本发明避免了传统的仅基于特定机构定期发布汽车销量数据得知汽车销量的滞后性问题，实现了可提前对汽车销量进行预测知晓，从而能够更加有效地对汽车市场经济进行掌控和分析，提升了汽车销量预测的价值性。
Description
技术领域
本发明涉及Fintech(金融科技)技术领域，尤其涉及一种汽车销量的预测方法、装置、终端设备及计算机可读存储介质。
背景技术
伴随着汽车行业的迅速发展，汽车生产销售所产生的经济推动力已经对经济持续快速增长产生了巨大的支撑和拉动作用。而无论是在宏观上对汽车市场经济的发育与成长态势进行整体掌控，还是从微观上结合市场行情对汽车营销策略进行研究，都无法脱离于对汽车销量进行准确的预测。
汽车销量数据都是基于特定的机构(例如汽车协会等机构组织)定期进行统计和公布，如此，往往使汽车销量数据的公开存在一定的滞后性(汽车协会通常是在当月才对上一个月汽车的销量数据进行统计和公布)，从而基于传统的汽车销量数据的公开方式，难以提前知晓汽车销量也就无法对汽车市场经济进行更有效的掌控和研究分析。
发明内容
本发明的主要目的在于提供一种汽车销量的预测方法、装置、终端设备及计算机可读存储介质，旨在解决因无法提前知晓汽车销量，从而难以对汽车市场经济进行更为有效的掌控和研究分析的技术问题。
为实现上述目的，本发明提供一种汽车销量的预测方法，所述汽车销量的预测方法包括：
检测所述汽车第一库存量与第一销量之间已有的线性关系；
根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；
结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。
进一步地，所述根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量的步骤，包括：
获取预设时长内，所述汽车的各遥感图像；
识别统计各所述遥感图像中的所述汽车，从而得到所述预设时长内所述汽车的第二库存量。
进一步地，在所述识别统计各所述遥感图像中的所述汽车，从而得到所述预设时长内所述汽车的第二库存量的步骤之前，还包括：
对获取到的各所述遥感图像进行截选处理；
在经过截选处理的各所述遥感图像上截取含有所述汽车的图像区域。
进一步地，所述识别统计各所述遥感图像中的所述汽车的步骤，包括：
在各所述遥感图像中对所述汽车进行框选标定，以将各所述遥感图像转化为待检测图像；
将所述待检测图像输入预设车辆检测模型，以检测并统计出所述汽车的所述第二库存量。
进一步地，所述检测所述汽车第一库存量与第一销量之间已有的线性关系的步骤，包括：
获取预定时间周期内所述汽车的第一库存量和第一销量，并将所述第一库存量和所述第一销量作为训练样本；
使用机器学习对所述训练样本进行训练计算，以得出所述第一库存量与所述第一销量之间的线性关系。
进一步地，所述获取预定时间周期内所述汽车的第一库存量和第一销量的步骤，包括：
获取所述汽车预设时间周期内的遥感图像，并根据所述预设时间周期内的遥感图像，检测所述汽车的第一库存量；
检测预定机构定时公布的所述汽车的销量数据，从所述销量数据中获取所述汽车在预设时间周期内的第一销量。
进一步地，所述结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量的步骤，包括：
根据所述线性关系建立所述汽车的库存量与销量之间的线性回归模型；
将所述第二库存量输入所述线性回归模型，从而预测所述汽车在所述预设时长内的第二销量。
此外，为实现上述目的，本发明还提供一种汽车销量的预测装置，所述汽车销量的预测装置包括：
检测模块，用于检测所述汽车第一库存量与第一销量之间已有的线性关系；
获取模块，用于根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；
预测模块，用于结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。
本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车销量的预测程序，所述汽车销量的预测程序被所述处理器执行时实现如上述中的汽车销量的预测方法的步骤。
本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的汽车销量的预测方法的步骤。
本发明实施例提出的汽车销量的预测方法，通过检测所述汽车第一库存量与第一销量之间已有的线性关系；根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。基于获取遥感卫星所实时产生的遥感图像，从遥感图像中识别统计汽车的库存量，根据结合汽车以往库存量与销量之间的线性关系和实时获取到的汽车的库存量，准确的对汽车销量进行提前预测，从而避免了传统的仅基于特定机构定期发布汽车销量数据得知汽车销量的滞后性问题，实现了，可提前对汽车销量进行预测知晓，从而能够更加有效地对汽车市场经济进行掌控和分析，提升了汽车销量预测的价值性。
附图说明
图1是本发明实施例方案涉及的硬件运行的结构示意图；
图2是本发明一种汽车销量的预测方法第一实施例的流程示意图；
图3是本发明一种汽车销量的预测方法一实施例中步骤S200的细化流程示意图；
图4是本发明一种汽车销量的预测装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为终端设备的硬件运行环境的结构示意图。本发明实施例终端设备可以是PC，便携计算机等终端设备。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及分布式任务的处理程序。其中，操作系统是管理和控制样本终端设备硬件和软件资源的程序，支持分布式任务的处理程序以及其它软件或程序的运行。
在图1所示的终端设备中，用户接口1003主要用于与各个终端进行数据通信；网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；而处理器1001可以用于调用存储器1005中存储的汽车销量的预测程序，并执行以下操作：
检测所述汽车第一库存量与第一销量之间已有的线性关系；
根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；
结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。
进一步地，处理器1001可以调用存储器1005中存储的汽车销量的预测程序，还执行以下操作：
获取预设时长内，所述汽车的各遥感图像；
识别统计各所述遥感图像中的所述汽车，从而得到所述预设时长内所述汽车的第二库存量。
进一步地，处理器1001可以调用存储器1005中存储的汽车销量的预测程序，在执行获取预设时长内，所述汽车的全部遥感图像之后，还执行以下操作：
对获取到的各所述遥感图像进行截选处理；
在经过截选处理的各所述遥感图像上截取含有所述汽车的图像区域。
进一步地，处理器1001可以调用存储器1005中存储的汽车销量的预测程序，还执行以下操作：
在各所述遥感图像中对所述汽车进行框选标定，以将各所述遥感图像转化为待检测图像；
将所述待检测图像输入预设车辆检测模型，以检测并统计出所述汽车的所述第二库存量。
进一步地，处理器1001可以调用存储器1005中存储的汽车销量的预测程序，还执行以下操作：
获取预定时间周期内所述汽车的第一库存量和第一销量，并将所述第一库存量和所述第一销量作为训练样本；
使用机器学习对所述训练样本进行训练计算，以得出所述第一库存量与所述第一销量之间的线性关系。
进一步地，处理器1001可以调用存储器1005中存储的汽车销量的预测程序，还执行以下操作：
获取所述汽车预设时间周期内的遥感图像，并根据所述预设时间周期内的遥感图像，检测所述汽车的第一库存量；
检测预定机构定时公布的所述汽车的销量数据，从所述销量数据中获取所述汽车在预设时间周期内的第一销量。
进一步地，处理器1001可以调用存储器1005中存储的汽车销量的预测程序，还执行以下操作：
根据所述线性关系建立所述汽车的库存量与销量之间的线性回归模型；
将所述第二库存量输入所述线性回归模型，从而预测所述汽车在所述预设时长内的第二销量。
基于上述的结构，提出本发明汽车销量的预测方法的各个实施例。
请参照图2，图2为本发明汽车销量的预测方法第一实施例的流程示意图。
本发明实施例提供了汽车销量的预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例汽车销量的预测方法应用于上述终端设备，本发明实施例终端设备可以是PC，便携计算机等终端设备，在此不做具体限制。
本实施例汽车销量的预测方法包括：
步骤S100，检测所述汽车第一库存量与第一销量之间已有的线性关系。
在本实施例中，通过获取已经过去的一段时间内汽车的第一库存量与第一销量，并结合机器学习的方法(例如机器学习算法中的线性回归模型)计算出在该过去的一段时间中，汽车的第一库存量与第一销量之间已经存在的线性关系。
具体地，例如，通过获取过去1月份至6月份每月的汽车库存量与销量，以每个月汽车的库存量和销量作为一个训练子集以得出6个训练子集，然后调用机器学习算法中的任一线性回归的数据模型逐一对该6个训练子集进行训练计算，从而计算得出汽车在过去1月份至6月份中，每个月实际已有的库存量与销量之间的线性关系，如，每月的销量以N表示，每月的库存量以n1+n2+n3......+n28表示(其中n表示每月每天的库存量，每月取28天进行计算)，则通过利用线性回归的数据模型计算得出的每个月实际已有的库存量与销量之间的线性关系可以使用以下公式表示：
N＝f(n1，n2，n3，……n27，n28)＝k1n1+k2n2+k3n3+……+k27n27+k28n28+b。
需要说明的是，在本实施例中，通过获取过去1月份至6月份每月的销量(如N1、N2、N3......N6等)和识别出的对应1至6月每天的遥感图像的汽车数量之和(n1，n2，n3，……n27，n28)，将多个月对应的数据通过机器学习的方法进行训练，可以计算得出数学模型的参数(k1，k2，k3，……k27，k28，b)，进而获得准确的N＝f(n1，n2，n3，……n27，n28)＝k1n1+k2n2+k3n3+……+k27n27+k28n28+b数学模型关系。
需要说明的是，在本实施例中，在获取过去时间内汽车的库存量和销量作为训练子集以计算实际已有的库存量与销量之间的线性关系时，还可以不一每个月为单位，例如，以10天为一个单位，则获取过去1月份至6月份中，每10天的库存量与销量，从而通过利用线性回归的数据模型计算得出的每10天，汽车实际已有的库存量与销量之间的线性关系可以使用以下公式表示：
N＝f(n1，n2，n3，……n9，n10)＝k1n1+k2n2+k3n3+……+k9n9+k10n10+b。应当理解的是，本发明汽车销量的预测方法，并不对获取汽车库存量和销量以计算汽车实际已有的库存量与销量之间的线性关系时的时间单位进行限定。
步骤S200，根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量。
获取所要预测汽车销量的预设时长内，汽车的全部遥感图像，然后通过图像识别以及目标检测算法，分别计算出每一张遥感图像上汽车的数量，从而统计得出该预设时长内，汽车的第二库存量。
进一步地，请参照图3，图3为上述步骤S200的细化流程示意图，步骤S200，根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量，包括：
步骤S201，获取预设时长内，所述汽车的各遥感图像。
以每一天为时间单位，获取需要预测汽车销量的预设时长内，汽车的全部遥感图像。
具体地，例如，当前需要对本月(假如是7月)汽车的销量进行提前预测(通常本月汽车的销量需要在下月有特定的机构进行统计核算之后才能公布，具有较严重的滞后性)，则以每一天为一个时间单位获取所需预测范围(例如深圳市)内包含有汽车生产厂商停车区域28天(每月以最低28天进行计算统计)以及汽车4S店停车区域的28天，全部总计56张(每天汽车生产厂商停车区域和汽车4S店停车区域各一张)的卫星遥感图像。
步骤S202，识别统计各所述遥感图像中的所述汽车，从而得到所述预设时长内所述汽车的第二库存量。
通过调用任一图像识别和目标检测算法，逐一对最终获取到的每一张遥感图像进行识别检测，从而统计得出该全部遥感图像所标记的当前需要预测汽车销量的预设时长内，汽车的第二库存量。
进一步地，在另一个实施例中，在步骤S202之前，本发明汽车销量的预测方法，还包括：
步骤A，对获取到的各所述遥感图像进行截选处理。
步骤B，在经过截选处理的各所述遥感图像上截取含有所述汽车的图像区域。
在获取到需要预测汽车销量的预设时长内，汽车的全部遥感图像之后，逐一对每一张遥感图像进行筛选截取处理，从而提取出每张遥感图像中汽车生产厂商和汽车4S店停车区域所在的部分图像区域，以便后期识别检测该图像中所含有的汽车的数量。
具体地，例如，在当前需要对深圳市范围内7月份汽车的销量进行预测时，从而获取到深圳市内7月1号至7月28号，汽车生产厂商停车区域的28张卫星遥感图像，以及汽车4S店停车区域的28张卫星遥感图像之后，逐一对该全部56张卫星遥感图像进行筛选截取，将其他无用部分的图像区域进行裁剪，从而形成每一张仅保留有汽车生产厂商停车区域和汽车4S店停车区域所在部分图像区域的卫星遥感图像。
本实施例中，通过在获取到需要预测汽车销量的预设时长内，汽车的全部遥感图像之后，逐一对每一张遥感图像进行筛选截取处理，从而提取出每张遥感图像中汽车生产厂商和汽车4S店停车区域所在的部分图像区域，实现了仅保留含有需要识别统计汽车库存量的部分遥感图像，节约了图像识别的时间以及工作量，提升了汽车库存量的识别及统计效率。
进一步地，步骤S202，包括：
步骤S2021，在各所述遥感图像中对所述汽车进行框选标定，以将全部所述遥感图像转化为待检测图像。
步骤S2022，将所述待检测图像输入预设车辆检测模型，以检测并统计出所述汽车的所述第二库存量。
需要说明的是，本实施例中，预设车辆检测模型可以选择网络模型ResNet101(一种神经网络模型)，上述目标检测算法可以采用Faster RCNN(一种目标检测算法)算法。
具体地，例如，依次在该获取到的56张卫星遥感图像中，逐一获取图像中汽车的坐标信息，并按照VOC(VOC文件:Creative公司波形音频文件格式)标准将每一张卫星遥感图像保存为xml(eXtensible Markup Language：可扩展标记语言)格式，以便于基于批量读取各xml文件获取各汽车的坐标信息，通过RPN(Region Proposal Network，RegionProposal：区域选取)网络，对待检测图像中的汽车进行框选标定以得到候选框，然后并对每一张卫星遥感图像做裁剪，并对裁剪后图像尺寸进行归一化和去均值处理，最后将每一张卫星遥感图像转为tfrecord格式(一种数据格式，便于图像的进一步处理)的待检测图像，将待检测图像送入到训练好的网络模型ResNet101中，以开始做汽车目标检测并识别出每一张遥感图像中汽车的数量等信息，将每一张识别出的汽车数量进行统计，从而得到当前需要对深圳市范围内7月份汽车的销量进行预测时，深圳市内7月1号至7月28号汽车生产厂商以及汽车4S店汽车的全部库存量(n1+n2+n3......+n28)。
进一步地，在另一个实施例中，在获取到深圳市内7月1号至7月28号，汽车生产厂商停车区域的28张卫星遥感图像，以及汽车4S店停车区域的28张卫星遥感图像，并逐一对该全部56张卫星遥感图像进行筛选截取，从而形成每一张仅保留有汽车生产厂商停车区域和汽车4S店停车区域所在部分图像区域的卫星遥感图像之后，将该全部56张仅保留有汽车生产厂商停车区域和汽车4S店停车区域所在部分图像区域的卫星遥感图像输入至机器学习训练的车辆检测模型中，由机器学习的车辆检测模型直接对当前56张仅保留有汽车生产厂商停车区域和汽车4S店停车区域所在部分图像区域的卫星遥感图像进行检测框选、识别汽车以及统计汽车全部库存量的操作。
需要说明的是，在本实施例中，在将待检测图像输入到网络模型进行模型训练之前，对网络模型进行初始化训练的过程中，可以采用ImageNet预训练模型做权重初始化，从而通过对网络模型进行微调的方式，将初始化模型学习的特征迁移到最终的车辆检测模型即网络模型ResNet101中。
需要说明的是，在本实施例中，由于在卫星遥感图像中显示的汽车图像尺寸很小，并且图像方向不统一，因此在采用R2CNN_Faster_RCNN(Faster RCNN的一种算法类型)对汽车做目标检测的过程中，需要将锚点尺度改小为(4,8,16,32)，以方便对图像尺寸较小的汽车目标进行提取。
需要说明的是，在本实施例中，为了获取更丰富图像信息，以便与识别检测汽车，可以将池化大小修改为(7x7，11x3，3x11)三个尺寸，然后将经过上述各种处理之后得到的特征图像(即待检测图像)做连接以预测目标框位置。
需要说明的是，在本实施例中，由于目标检测中经常出现一个目标被多个矩形框标定的情况，因此可以采用NMS(Non-Maximum Suppression：非极大值抑制)对待检测图像进行最后处理。
步骤S300，结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。
进一步地，上述第一实施例的步骤S300，包括：
步骤S301，根据所述线性关系建立所述汽车的库存量与销量之间的线性回归模型。
步骤S302，将所述第二库存量输入所述线性回归模型，从而预测所述汽车在所述预设时长内的第二销量。
在识别统计出所要预测汽车销量的预设时长内，汽车的第二库存量之后，将该第二库存量输入通过获取已经过去的一段时间内汽车的第一库存量与第一销量，并结合机器学习的方法计算出汽车的第一库存量与第一销量之间已经存在的线性关系构建的线性回归模型中进行模型训练，从而计算得出所要预设时长内汽车的销量。
具体地，例如，在通过利用线性回归的数据模型计算得出的每个月实际已有的库存量与销量之间的线性关系即N＝f(n1，n2，n3，……n27，n28)＝k1n1+k2n2+k3n3+……+k27n27+k28n28+b之后，根据该线性关系构建线性回归模型，然后将基于图像识别和目标检测算法识别统计得到的当前需要对深圳市范围内7月份汽车的销量进行预测时，深圳市内7月1号至7月28号汽车生产厂商以及汽车4S店汽车的全部库存量：n1+n2+n3......+n28，输入至当前构建的线性回归模型中进行模型训练，从而计算得出深圳市内7月1号至7月28号汽车的销量：N。
在本实施例中，通过获取已经过去的一段时间内汽车的第一库存量与第一销量，并结合机器学习的方法计算出在该过去的一段时间中，汽车的第一库存量与第一销量之间已经存在的线性关系，并获取所要预测汽车销量的预设时长内，汽车的全部遥感图像，然后通过图像识别以及目标检测算法，分别计算出每一张遥感图像上汽车的数量，从而统计得出该预设时长内，汽车的第二库存量，最后在识别统计出所要预测汽车销量的预设时长内，汽车的第二库存量之后，将该第二库存量输入通过获取已经过去的一段时间内汽车的第一库存量与第一销量，并结合机器学习的方法计算出汽车的第一库存量与第一销量之间已经存在的线性关系构建的线性回归模型中进行模型训练，从而计算得出所要预设时长内汽车的销量。
实现了，根据获取遥感卫星所实时产生的遥感图像，从遥感图像中识别统计汽车的库存量，根据结合汽车以往库存量与销量之间的线性关系和实时获取到的汽车的库存量，准确的对汽车销量进行提前预测，从而避免了传统的仅基于特定机构定期发布汽车销量数据得知汽车销量的滞后性问题，基于提前对汽车销量进行预测知晓，从而能够更加有效地对汽车市场经济进行掌控和分析，提升了汽车销量预测的价值性。
进一步地，提出本发明汽车销量的预测方法的第二实施例。
基于上述汽车销量的预测方法第一实施例，在本发明汽车销量的预测方法的第二实施例中，上述步骤S100中，根据识别到的所述指令类型对所述分布式任务进行处理，还包括：
步骤S101，获取预定时间周期内所述汽车的第一库存量和第一销量，并将所述第一库存量和所述第一销量作为训练样本。
按照预定时间周期获取已经过去的一段时间内，汽车的第一库存量与第一销量，并将获取到的每一个预定时间周期的第一库存量与第一销量作为一个线性回归数学模型的训练样本。
具体地，例如，以一个月为一个时间周期，依次获取过去的1月份至6月份，每月汽车的库存量与销量，然后以每个月汽车的库存量和销量作为一个线性回归数学模型的训练子集，从而得出6个训练子集。
需要说明的是，本实施例中，也可以以10天、20天等做为预设时间周期，该预设时间周期与需要对汽车销量进行预测的预设时长一一对应，即若需要预测一个月内汽车的销量，即将预定时间周期设定为一个月，或者需要对10天内汽车的销量进行预测，在将将预定时间周期设定为10天即可，应当理解的是，本发明汽车销量的预测方法，并不对预设时间周期的具体时长进行限定。
进一步地，步骤S101中，获取预定时间周期内所述汽车的第一库存量和第一销量的步骤，包括：
步骤S1011，获取所述汽车预设时间周期内的遥感图像，并根据所述预设时间周期内的遥感图像，检测所述汽车的第一库存量。
具体地，例如，在以一个月为一个时间周期，依次获取过去的1月份至6月份每月汽车的库存量时，同样通过以每一天为一个时间单位获取每个月所需预测范围内，包含有汽车生产厂商停车区域28天以及汽车4S店停车区域的28天，全部总计56张的卫星遥感图像，然后基于上述第一实施例中调用图像识别和目标检测算法对每个月汽车的库存量进行识别统计，从而基于卫星遥感图像中所记录汽车数量的客观性，保证了获取到的汽车库存量的准确。
步骤S1012，检测预定机构定时公布的所述汽车的销量数据，从所述销量数据中获取所述汽车在预设时间周期内的第一销量。
具体地，例如，在以一个月为一个时间周期，依次获取过去的1月份至6月份每月汽车的销量时，通过收集类似汽车协会等机构组织定期统计公布的每月汽车销量数据，然后基于对得到的各销量数据进行比对等处理来确定每个月汽车的销量，从而确保了获取到的汽车销量的准确。
步骤S102，使用机器学习对所述训练样本进行训练计算，以得出所述第一库存量与所述第一销量之间的线性关系。
结合机器学习的方法，将获取到的每一个预定时间周期汽车第一库存量与第一销量的训练样本输入至线性回归数学模型进行模型训练，从而计算出在当前已经过去的一段时间中，汽车的第一库存量与第一销量之间已经存在的线性关系。
具体地，例如，调用机器学习算法中的线性回归的数据模型逐一对6个训练子集(即过去的1月份至6月份，每月汽车的库存量与销量)，进行模型训练计算，从而计算得出汽车在过去1月份至6月份中，每个月实际已有的库存量与销量之间的线性关系，即：
N＝f(n1，n2，n3，……n27，n28)＝k1n1+k2n2+k3n3+……+k27n27+k28n28+b。
在本实施例中，按照预定时间周期获取已经过去的一段时间内，汽车的第一库存量与第一销量，并将获取到的每一个预定时间周期的第一库存量与第一销量作为一个线性回归数学模型的训练样本，然后结合机器学习的方法，将获取到的每一个预定时间周期汽车第一库存量与第一销量的训练样本输入至线性回归数学模型进行模型训练，从而计算出在当前已经过去的一段时间中，汽车的第一库存量与第一销量之间已经存在的线性关系。
实现了，同样基于获取遥感图对已经过去的预定时间周期的汽车库存量进行识别统计，并通过从专门的统计机构处所公布销量数据中对比提取预定时间周期的汽车销量，确保了得到的汽车库存量和销量的客观准确性，从而使得依据已经过去的预定时间周期的汽车库存量和销量计算得出的线性关系具有更高的可参考价值，也就保证了基于该线性关系提前对汽车销量进行预测的客观准确程度，进一步提升了汽车销量预测的价值性。
此外，请参照图4，本发明实施例还提出一种汽车销量的预测装置，本发明汽车销量的预测装置，包括：
检测模块，用于检测所述汽车第一库存量与第一销量之间已有的线性关系；
获取模块，用于根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；
预测模块，用于结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。
优选地，获取模块，包括：
第一获取单元，用以获取预设时长内，所述汽车的各遥感图像；
识别统计单元，用于识别统计各所述遥感图像中的所述汽车，从而得到所述预设时长内所述汽车的第二库存量。
优选地，获取模块，还包括：
筛选单元，用于对获取到的各所述遥感图像进行截选处理；
截取单元，用于在经过截选处理的各所述遥感图像上截取含有所述汽车的图像区域。
优选地，识别统计单元，包括：
标定子单元，用于在各所述遥感图像中对所述汽车进行框选标定，以将各所述遥感图像转化为待检测图像；
检测子单元，用于将所述待检测图像输入预设车辆检测模型，以检测并统计出所述汽车的所述第二库存量。
优选地，检测模块，包括：
第二获取单元，用于获取预定时间周期内所述汽车的第一库存量和第一销量，并将所述第一库存量和所述第一销量作为训练样本；
训练计算单元，用于使用机器学习对所述训练样本进行训练计算，以得出所述第一库存量与所述第一销量之间的线性关系。
优选地，获取模块，包括：
第三获取单元，用于获取所述汽车预设时间周期内的遥感图像，并根据所述预设时间周期内的遥感图像，检测所述汽车的第一库存量；
检测单元，用于检测预定机构定时公布的所述汽车的销量数据，从所述销量数据中获取所述汽车在预设时间周期内的第一销量。
优选地，预测模块，包括：
建立单元，用于根据所述线性关系建立所述汽车的库存量与销量之间的线性回归模型；
模型训练单元，用于将所述第二库存量输入所述线性回归模型，从而预测所述汽车在所述预设时长内的第二销量。
本实施例提出的汽车销量的预测装置各个模块运行时实现如上所述的汽车销量的预测方法的步骤，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，应用于计算机，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质上存储有汽车销量的预测程序，所述汽车销量的预测程序被处理器执行时实现如上所述的汽车销量的预测方法的步骤。
其中，在所述处理器上运行的汽车销量的预测程序被执行时所实现的步骤可参照本发明汽车销量的预测方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种汽车销量的预测方法，其特征在于，所述汽车销量的预测方法包括：
检测所述汽车第一库存量与第一销量之间已有的线性关系；
根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；
结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。
2.如权利要求1所述的汽车销量的预测方法，其特征在于，所述根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量的步骤，包括：
获取预设时长内，所述汽车的各遥感图像；
识别统计各所述遥感图像中的所述汽车，从而得到所述预设时长内所述汽车的第二库存量。
3.如权利要求2所述的汽车销量的预测方法，其特征在于，在所述识别统计各所述遥感图像中的所述汽车，从而得到所述预设时长内所述汽车的第二库存量的步骤之前，还包括：
对获取到的各所述遥感图像进行截选处理；
在经过截选处理的各所述遥感图像上截取含有所述汽车的图像区域。
4.如权利要求2所述的汽车销量的预测方法，其特征在于，所述识别统计全部所述遥感图像中的所述汽车的步骤，包括：
在各所述遥感图像中对所述汽车进行框选标定，以将各所述遥感图像转化为待检测图像；
将所述待检测图像输入预设车辆检测模型，以检测并统计出所述汽车的所述第二库存量。
5.如权利要求1所述的汽车销量的预测方法，其特征在于，所述检测所述汽车第一库存量与第一销量之间已有的线性关系的步骤，包括：
获取预定时间周期内所述汽车的第一库存量和第一销量，并将所述第一库存量和所述第一销量作为训练样本；
使用机器学习对所述训练样本进行训练计算，以得出所述第一库存量与所述第一销量之间的线性关系。
6.如权利要求5所述的汽车销量的预测方法，其特征在于，所述获取预定时间周期内所述汽车的第一库存量和第一销量的步骤，包括：
获取所述汽车预设时间周期内的遥感图像，并根据所述预设时间周期内的遥感图像，检测所述汽车的第一库存量；
检测预定机构定时公布的所述汽车的销量数据，从所述销量数据中获取所述汽车在预设时间周期内的第一销量。
7.如权利要求1所述的汽车销量的预测方法，其特征在于，所述结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量的步骤，包括：
根据所述线性关系建立所述汽车的库存量与销量之间的线性回归模型；
将所述第二库存量输入所述线性回归模型，从而预测所述汽车在所述预设时长内的第二销量。
8.一种汽车销量的预测装置，其特征在于，所述汽车销量的预测装置包括：
检测模块，用于检测所述汽车第一库存量与第一销量之间已有的线性关系；
获取模块，用于根据预设时长内所述汽车的遥感图像，获取所述汽车的第二库存量；
预测模块，用于结合所述线性关系和所述第二库存量，预测所述预设时长内所述汽车的第二销量。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的汽车销量的预测程序，所述汽车销量的预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的汽车销量的预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的汽车销量的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910885589.0A CN110599256A (zh) | 2019-09-18 | 2019-09-18 | 汽车销量的预测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910885589.0A CN110599256A (zh) | 2019-09-18 | 2019-09-18 | 汽车销量的预测方法、装置、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110599256A true CN110599256A (zh) | 2019-12-20 |
Family
ID=68860978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910885589.0A Pending CN110599256A (zh) | 2019-09-18 | 2019-09-18 | 汽车销量的预测方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110599256A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703250A (zh) * | 2023-08-07 | 2023-09-05 | 北京卓思天成数据咨询股份有限公司 | 二手车业务监督预测系统 |
| CN118365372A (zh) * | 2024-06-19 | 2024-07-19 | 广州大事件网络科技有限公司 | 一种电商平台产品图像管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140122178A1 (en) * | 2012-10-30 | 2014-05-01 | Barnaby St. John Knight | Method for optimizing new vehicle inventory for a car dealership |
| US8781882B1 (en) * | 2008-08-07 | 2014-07-15 | Accenture Global Services Limited | Automotive industry high performance capability assessment |
| US20150104070A1 (en) * | 2013-10-14 | 2015-04-16 | Digitalglobe, Inc. | Detecting and identifying parking lots in remotely-sensed images |
| CN107274231A (zh) * | 2017-06-29 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 数据预测方法及装置 |
| CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
| CN109190451A (zh) * | 2018-07-12 | 2019-01-11 | 广西大学 | 基于lfp特征的遥感图像车辆检测方法 |
| CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
| CN110084186A (zh) * | 2019-04-25 | 2019-08-02 | 中信梧桐港供应链管理有限公司 | 一种仓库远程监管方法及装置 |
-
2019
- 2019-09-18 CN CN201910885589.0A patent/CN110599256A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781882B1 (en) * | 2008-08-07 | 2014-07-15 | Accenture Global Services Limited | Automotive industry high performance capability assessment |
| US20140122178A1 (en) * | 2012-10-30 | 2014-05-01 | Barnaby St. John Knight | Method for optimizing new vehicle inventory for a car dealership |
| US20150104070A1 (en) * | 2013-10-14 | 2015-04-16 | Digitalglobe, Inc. | Detecting and identifying parking lots in remotely-sensed images |
| CN107274231A (zh) * | 2017-06-29 | 2017-10-20 | 北京京东尚科信息技术有限公司 | 数据预测方法及装置 |
| CN107346502A (zh) * | 2017-08-24 | 2017-11-14 | 四川长虹电器股份有限公司 | 一种基于大数据的迭代产品销售预测方法 |
| CN109190451A (zh) * | 2018-07-12 | 2019-01-11 | 广西大学 | 基于lfp特征的遥感图像车辆检测方法 |
| CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
| CN110084186A (zh) * | 2019-04-25 | 2019-08-02 | 中信梧桐港供应链管理有限公司 | 一种仓库远程监管方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 袁清;姚贤涛;蔡志云;: "基于多元线性回归分析的我国轻卡销售量的预测模型", 时代汽车, no. 12, 5 December 2015 (2015-12-05) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703250A (zh) * | 2023-08-07 | 2023-09-05 | 北京卓思天成数据咨询股份有限公司 | 二手车业务监督预测系统 |
| CN116703250B (zh) * | 2023-08-07 | 2023-10-13 | 北京卓思天成数据咨询股份有限公司 | 二手车业务监督预测系统 |
| CN118365372A (zh) * | 2024-06-19 | 2024-07-19 | 广州大事件网络科技有限公司 | 一种电商平台产品图像管理方法及系统 |
| CN118365372B (zh) * | 2024-06-19 | 2024-10-18 | 广州大事件网络科技有限公司 | 一种电商平台产品图像管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11507580B2 (en) | Methods and apparatus to partition data | |
| Lavrenz et al. | Time series modeling in traffic safety research | |
| US20140180727A1 (en) | System and Method for Classifying and Identifying a Driver Using Driving Performance Data | |
| CN110400024B (zh) | 订单预测的方法、装置、设备和计算机可读存储介质 | |
| US20070141976A1 (en) | Analyzing system, analyzing method using the same, and system for collecting survey results for use in anlysis | |
| CN110599256A (zh) | 汽车销量的预测方法、装置、终端设备及存储介质 | |
| CN112529679A (zh) | 企业授信模型的构建方法、装置、设备及可读存储介质 | |
| CN115145801B (zh) | A/b测试流量分配方法、装置、设备及存储介质 | |
| CN109102324B (zh) | 模型训练方法、基于模型的红包物料铺设预测方法及装置 | |
| KR20130038889A (ko) | 오브젝트 커스터마이제이션 및 관리 시스템 | |
| KR101266173B1 (ko) | 유비쿼터스 온라인 작업 마켓플레이스 시스템 및 작업 중계 방법 | |
| CN114266601A (zh) | 营销策略确定方法、装置、终端设备及存储介质 | |
| CN114463656A (zh) | 检测模型训练方法、装置、设备及存储介质 | |
| CN111626789A (zh) | 房屋价格预测方法、装置、设备及存储介质 | |
| CN117370162A (zh) | 测试工具管理方法、装置、设备及存储介质 | |
| CN110363245B (zh) | 在线课堂的精彩图片筛选方法、装置及系统 | |
| CN111783956A (zh) | 特征维度重要性分析方法、装置、设备及可读存储介质 | |
| CN117422905A (zh) | 目标识别方法、装置、设备及存储介质 | |
| US11960499B2 (en) | Sales data processing apparatus, method, and medium storing program for sales prediction | |
| US20150169515A1 (en) | Data driven synthesizer | |
| CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
| KR20160141508A (ko) | 공사 유형에 따른 소요 자원 예측 방법 및 시스템 | |
| CN110956761B (zh) | 对象处理方法及其系统、计算机系统及计算机可读介质 | |
| CN115130366A (zh) | 机器学习模型的优化、预测方法、设备及存储介质 | |
| CN110737693A (zh) | 数据挖掘处理方法、装置、设备及计算机可读存储介质 |
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 |