CN110610382A - 车辆销售量预测方法、装置、计算机设备和存储介质 - Google Patents
车辆销售量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110610382A CN110610382A CN201910851915.6A CN201910851915A CN110610382A CN 110610382 A CN110610382 A CN 110610382A CN 201910851915 A CN201910851915 A CN 201910851915A CN 110610382 A CN110610382 A CN 110610382A
- Authority
- CN
- China
- Prior art keywords
- sales
- predicted
- vehicle
- vehicle type
- similar
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车辆销售量预测方法、装置、计算机设备和存储介质。该方法包括:接收终端发送的车辆销售量预测请求,车辆销售量预测请求携带有预测时间、预测车型及预测地区;将预测时间、预测车型及预测地区输入至预先训练的车辆销售量预测模型中,以通过车辆销售量预测模型获取与预测地区和预测车型对应的历史预测车型销售数据,并基于历史预测车型销售数据得到与预测时间对应的初始预测销售量;将预测车型输入至相似模型中,以通过相似模型得到与预测车型对应的相似车型;根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标;通过控制指标对初始预测销售量进行调整得到车辆预测销售量。采用本方法能够提高预测效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种车辆销售量预测方法、装置、计算机设备和存储介质。
背景技术
随着人们生活水平的而提高,汽车工业已经成为拉动国民经济的重要力量之一,甚至为加快城市进程等都做出了巨大贡献。在品牌众多的汽车行业,市场竞争激烈,对于车辆生产厂家和销售商家来说,预测未来一段时间的车辆销售情况,对于市场营销策略、企业资源分配以及战略规划有重要意义。
然而,目前在获取到车辆的历史销售数据后,利用计算机对历史销售数据进行统计,来得到未来的车辆销售量数据,例如,计算机在每次需要预测未来销售量数据时,则均需要消费大量的计算机资源来对历史销售量数据进行统计,进而得到未来的车辆销售量数据,导致预测效率慢,且占用了大量的计算机资源。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测效率的车辆销售量预测方法、装置、计算机设备和存储介质。
一种车辆销售量预测方法,所述方法包括:
接收终端发送的车辆销售量预测请求,所述车辆销售量预测请求携带有预测时间、预测车型以及预测地区;
将所述预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过所述车辆销售量预测模型获取与所述预测地区和预测车型对应的历史预测车型销售数据,并基于所述历史预测车型销售数据得到与预测时间对应的初始预测销售量;
将所述预测车型输入至相似模型中,以通过所述相似模型得到与所述预测车型对应的相似车型;
根据所述相似车型对应的历史相似车型销售数据得到所述预测车型的初始预测销售量控制指标;
通过所述控制指标对所述初始预测销售量进行调整得到车辆预测销售量。
上述车辆销售量预测方法,在接收到终端发送的车辆销售量预测请求之后,首先通过车辆销售量预测模型进行预测得到初始预测销售量,然后基于相似模型提取到相似车型,并根据相似车型的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,通过该指标来对初始预测销售量进行调整,整个过程不需要消费大量的计算机资源来对历史销售量数据进行统计,即可以得到准确的车辆预测销售量,提高了预测效率,减少了资源占用率。
在其中一个实施例中,所述根据所述相似车型对应的历史相似车型销售数据得到所述预测车型的初始预测销售量控制指标,包括:
从所述相似车型对应的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据;
根据各个所述相似车型的所述初始销售数据计算得到相似车型的销售量浮动值;
计算所述销售量浮动值的统计值作为所述预测车型的初始预测销售量控制指标。
上述实施例中,通过相似车型的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据计算得到,在预设销售峰值时间时相似车型的销售量浮动值,并可以根据各个相似车型的销售量浮动值的统计量,例如均值或中位数来作为初始预测销售量控制指标,从而提高了该指标的准确性,进而保证了车辆预测销售量的准确性。
在其中一个实施例中,所述通过所述控制指标对所述初始预测销售量进行调整得到车辆预测销售量,包括:
从所述预测时间中提取所述预设销售峰值时间,并根据所述初始预测销售量控制指标对于所述预设销售峰值时间对应的初始预测销售量进行调整;
将调整的初始预测销售量和未调整的初始预测销售量进行组合得到车辆预测销售量。
上述实施例中,通过初始预测销售量控制指标对预设销售峰值,例如节假日或者是促销时期的初始预测销售量进行调整,保证了整个车辆预测销售量的准确性。
在其中一个实施例中,所述车辆销售量预测模型的训练方式包括:
从数据库中提取历史销售数据,并将所述历史销售数据转化为二维向量;
通过矩阵变换函数将所述二维向量转换为预设长短期记忆网络对应的三维输入向量;
从转换得到的三维输入向量提取第一比例的训练集;
通过所述预设长短期记忆网络对所述训练集进行学习得到车辆销售量预测模型。
上述实施例中,通过对历史销售数据的学习得到的车辆销售量预测模型,从而可以对历史销售数据进行总结,进而根据车辆销售量预测模型对车辆销售量进行预测,提高了准确性,且后续不需要再次对该些历史销售数据进行学习,可以提高预测效率。
在其中一个实施例中,所述通过所述预设长短期记忆网络对所述训练集进行学习得到车辆销售量预测模型之后,包括:
从转换得到的三维输入向量提取第二比例的测试集;
利用所述测试集中的三维输入向量验证训练好的车辆销售量预测模型得到车辆销售量预测准确率;
若准确率大于或者等于预设阈值,则训练结束;若准确率小于预设阈值,则从所述测试集中提取预设数量的三维输入向量至所述训练集,并继续通过所述预设长短期记忆网络对所述训练集进行学习得到车辆销售量预测模型。
上述实施例中,还通过测试集对训练好的车辆销售量预测模型进行测试,以确定训练好的车辆销售量预测模型的预测准确性,且在训练好的车辆销售量预测模型预测不准确时,则增加训练集的样本数量,再次进行学习,以保证得到准确率高的车辆销售量预测模型。
在其中一个实施例中,所述将所述历史销售数据转化为二维向量之后,还包括:
对所述二维向量中的类别型特征进行一位有效编码处理,对所述二维向量中的连续值型特征进行标准化处理。
上述实施例中,在从数据库中提取了历史销售数据后,由于其中包括了类别型特征和连续值型特征,这些特征在模型训练的时候无法进行识别,因此首先通过标准化处理将该些特征转化为数值特征,保证了后续模型处理的准确性。
在其中一个实施例中,所述相似模型的训练方式包括:
从数据库中提取各个车型的车辆属性;
分别各个车型的车辆属性的相似度,并将所述相似度大于预设阀值的各个所述车型划分为一个集合;
根据所得到的多个所述集合生成相似模型。
上述实施例中,预先对车辆属性计算相似度,且将相似度大于预设阀值的各个车型划分为一个集合,这样当在进行车辆销售量预测的时候,可以将预测车型与各个集合中的车型进行匹配,若匹配成功,则将该集合中的车型作为相似车型,并根据相似车型的历史销售数据来对预设销售峰值时间的初始预测销售量进行调整,保证了车辆预测销售量的准确性。
一种车辆销售量预测装置,所述装置包括:
接收模块,用于接收终端发送的车辆销售量预测请求,所述车辆销售量预测请求携带有预测时间、预测车型以及预测地区;
预测模块,用于将所述预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过所述车辆销售量预测模型获取与所述预测地区和预测车型对应的历史预测车型销售数据,并基于所述历史预测车型销售数据得到与预测时间对应的初始预测销售量;
相似车型获取模块,用于将所述预测车型输入至相似模型中,以通过所述相似模型得到与所述预测车型对应的相似车型;
控制指标获取模块,用于根据所述相似车型对应的历史相似车型销售数据得到所述预测车型的初始预测销售量控制指标;
调整模块,用于通过所述控制指标对所述初始预测销售量进行调整得到车辆预测销售量。
上述车辆销售量预测装置,在接收到终端发送的车辆销售量预测请求之后,首先通过车辆销售量预测模型进行预测得到初始预测销售量,然后基于相似模型提取到相似车型,并根据相似车型的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,通过该指标来对初始预测销售量进行调整,整个过程不需要消费大量的计算机资源来对历史销售量数据进行统计,即可以得到准确的车辆预测销售量,提高了预测效率,减少了资源占用率。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
上述计算机设备,在接收到终端发送的车辆销售量预测请求之后,首先通过车辆销售量预测模型进行预测得到初始预测销售量,然后基于相似模型提取到相似车型,并根据相似车型的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,通过该指标来对初始预测销售量进行调整,整个过程不需要消费大量的计算机资源来对历史销售量数据进行统计,即可以得到准确的车辆预测销售量,提高了预测效率,减少了资源占用率。
一种计算机可读存储介质,其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上述任一项所述的方法的步骤。
上述计算机可读存储介质,在接收到终端发送的车辆销售量预测请求之后,首先通过车辆销售量预测模型进行预测得到初始预测销售量,然后基于相似模型提取到相似车型,并根据相似车型的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,通过该指标来对初始预测销售量进行调整,整个过程不需要消费大量的计算机资源来对历史销售量数据进行统计,即可以得到准确的车辆预测销售量,提高了预测效率,减少了资源占用率。
附图说明
图1为一个实施例中车辆销售量预测方法的应用环境图;
图2为一个实施例中车辆销售量预测方法的流程示意图;
图3为一个实施例中两层LSTM模型的框图;
图4为一个实施例中车辆销售量预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的车辆销售量预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102向服务器104发送车辆销售预测请求,服务器104接收车辆销售量预测请求后,将车辆销售量预测请求所携带的预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过车辆销售量预测模型获取与所述预测地区和预测车型对应的历史预测车型销售数据,并基于历史预测车型销售数据得到与预测时间对应的初始预测销售量,且在得到初始预测销售量后,将预测车型输入至相似模型中,以通过相似模型得到相似车型,然后根据相似车型的历史相似车型销售数据得到预测销售量控制指标,通过该控制指标来对初始预测销售量进行调整得到车辆预测销售量,整个过程不需要消费大量的计算机资源来对历史销售量数据进行统计,即可以得到准确的车辆预测销售量,提高了预测效率,减少了资源占用率。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种车辆销售量预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:接收终端发送的车辆销售量预测请求,车辆销售量预测请求携带有预测时间、预测车型以及预测地区。
具体地,车辆销售量预测请求是终端生成的,例如销售在终端输入预测时间、预测车型以及预测地区,终端根据预测时间、预测车型以及预测地区生成车辆销售量预测请求。其中的预测时间是指未来的某一段时间,例如一周、一个月或者一年等,预测车型是指车辆的信号,预测地区是指地理位置或者是城市划分等。终端将所生成的车辆销售量预测请求发送给服务器。
S204:将预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过车辆销售量预测模型获取与预测地区和预测车型对应的历史预测车型销售数据,并基于历史预测车型销售数据得到与预测时间对应的初始预测销售量。
具体地,预先训练得到的车辆销售量预测模型是指预先根据历史销售量数据训练得到的LSTM长短期记忆网络模型,其是一种时间循环神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,该预先训练得到的车辆销售量预测模型的具体训练放在会在下文详细描述。
服务器将预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型,该车辆销售模型可以根据预测时间选取与预测地区和预测车型对应的历史预测车型销售数据,例如预测时间为2019年6月份的销售量数据,则可以选取2018年6月份的销售量数据,或者是2019年5月份的销售量数据,然后基于该历史预测车型销售量数据进行预测得到与预测时间对应的初始预测销售量。
具体地,上述的车辆销售量预测模型可以是两层LSTM模型,服务器将2018年6月份的销售量数据输入至该两层LSTM模型中可以进行预测得到下一个时间间隔的销售量数据,例如若模型的时间间隔为1天,则可以根据2018年6月份每一天的数据去预测2019年6月份每一天的数据,最后2019年6月份每一天的数据相加即可以得到2019年6月份的初始预测销售量。
S206:将预测车型输入至相似模型中,以通过相似模型得到与预测车型对应的相似车型。
具体地,相似模型是预先训练得到的用于筛选出与预测车型相似的相似车型,例如可以将预测车型与相似模型中每一个集合中的标准车型进行匹配,若匹配成功,则该集合中的标准车型则为预测车型的相似车型。
S208:根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标。
具体地,服务器在得到相似车型后,则从数据库中查询相似车型的历史相似车型销售数据,并根据该销售数据得到初始预测销售量控制指标,例如通过比较上一时间间隔和前一时间间隔的销售数据得到增长值,该时间间隔可以是年、月、日等。可选地,该初始预测销售量控制指标每次计算完成可以存储到数据库中,这样下次需要计算的时候则直接调用,而不需要花费计算机资源再次进行计算,提高了预测的效率。
S210:通过控制指标对初始预测销售量进行调整得到车辆预测销售量。
具体地,本步骤的目的是用多个相似车型的销售量以策略的方式控制预测车型的销售量在一个范围内,使车辆预测销售量不至于太大和太小(策略只用在节假日促销活动等销量波动较大的时间段)。例如,服务器在得到初始预测销售量控制指标后,可以通过控制指标对初始预测销售量进行控制,例如,通过控制指标调整初始预测销售量中的峰值,包括最大值和最小值,从而保证根据初始预测销售量调整得到的车辆预测销售量的准确性,
上述车辆销售量预测方法,在接收到终端发送的车辆销售量预测请求之后,首先通过车辆销售量预测模型进行预测得到初始预测销售量,然后基于相似模型提取到相似车型,并根据相似车型的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,通过该指标来对初始预测销售量进行调整,整个过程不需要消费大量的计算机资源来对历史销售量数据进行统计,即可以得到准确的车辆预测销售量,提高了预测效率,减少了资源占用率。
在其中一个实施例中,根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,包括:从相似车型对应的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据;根据各个相似车型的初始销售数据计算得到相似车型的销售量浮动值;计算销售量浮动值的统计值作为预测车型的初始预测销售量控制指标。
上述实施例中,通过相似车型的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据计算得到,在预设销售峰值时间时相似车型的销售量浮动值,并可以根据各个相似车型的销售量浮动值的统计量,例如均值或中位数来作为初始预测销售量控制指标,从而提高了该指标的准确性,进而保证了车辆预测销售量的准确性。
在其中一个实施例中,通过控制指标对初始预测销售量进行调整得到车辆预测销售量,包括:从预测时间中提取预设销售峰值时间,并根据初始预测销售量控制指标对于预设销售峰值时间对应的初始预测销售量进行调整;将调整的初始预测销售量和未调整的初始预测销售量进行组合得到车辆预测销售量。
上述实施例中,通过初始预测销售量控制指标对预设销售峰值,例如节假日或者是促销时期的初始预测销售量进行调整,保证了整个车辆预测销售量的准确性。
具体地,预设销售峰值时间可以为节假日或者是促销时间。销售量浮动值可以是指每个年度中的综合浮动比例,统计值可以是所有相似车型的浮动值的均值或中位数等。
具体地,在实际应用中,服务器可以从相似车型对应的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据,例如提取节假日对应的初始销售数据,且可选地,服务器还可以判断相似车型在预设销售峰值时间内的数据量,若数据量大于预设值,则才会用来计算销售量浮动值,这样是为了避免特殊情况导致的计算误差。
如大众朗逸、和丰田卡罗拉在相似度模型中得出他们是相似车型,且大众朗逸的历史销售数据的数据量较大,例如在2017年618的销量是500辆在2018年618销量是400辆可以看出两年间的浮动2018年比2017年下降了五分之一,此处的五分之一即为相似车型的销售量浮动值,若存在多个相似车型,则可以计算多个相似车型的浮动值的平均值作为初始预测销售量控制指标。
服务器在调整的时候,首先对初始预测销售量中的各个预测值的时间做出排序,然后提取出预设销售峰值时间对应的预测时间,对所提取出的预测时间对应的初始预测销售量进行调整,例如若初始预测销售量相较于上一时间间隔的增量大于控制指标,则将初始预测销售量调整为上一时间间隔的销售量*(1+控制指标),如上述例子中可以控制丰田卡罗拉2019年的车辆预测销售量基于2018年上浮五分之一。
最后服务器根据调整的初始预测销售量和未调整的初始预测销售量进行组合得到车辆预测销售量,例如若是预测时间仅是预设销售峰值时间,例如618,则直接输出调整后的车辆预测销售量;若预测时间包含了预设销售峰值时间,例如包括6.15-6.20,则可以根据每一天的车辆预测销售量计算得到该预测时间对应的车辆预测销售量,即6.15的销售量+6.16的销售量+6.17的销售量+6.18的销售量+6.19的销售量+6.20的销售量得到预测时间对应的车辆预测销售量。
上述实施例中,通过初始预测销售量控制指标对预设销售峰值,例如节假日或者是促销时期的初始预测销售量进行调整,保证了整个车辆预测销售量的准确性。
在其中一个实施例中,车辆销售量预测模型的训练方式包括:从数据库中提取历史销售数据,并将历史销售数据转化为二维向量;通过矩阵变换函数将二维向量转换为预设长短期记忆网络对应的三维输入向量;从转换得到的三维输入向量提取第一比例的训练集;通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
上述实施例中,通过对历史销售数据的学习得到的车辆销售量预测模型,从而可以对历史销售数据进行总结,进而根据车辆销售量预测模型对车辆销售量进行预测,提高了准确性,且后续不需要再次对该些历史销售数据进行学习,可以提高预测效率。
在其中一个实施例中,通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型之后,包括:从转换得到的三维输入向量提取第二比例的测试集;利用测试集中的三维输入向量验证训练好的车辆销售量预测模型得到车辆销售量预测准确率;若准确率大于或者等于预设阈值,则训练结束;若准确率小于预设阈值,则从测试集中提取预设数量的三维输入向量至训练集,并继续通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
上述实施例中,还通过测试集对训练好的车辆销售量预测模型进行测试,以确定训练好的车辆销售量预测模型的预测准确性,且在训练好的车辆销售量预测模型预测不准确时,则增加训练集的样本数量,再次进行学习,以保证得到准确率高的车辆销售量预测模型。
在其中一个实施例中,将历史销售数据转化为二维向量之后,还包括:对二维向量中的类别型特征进行一位有效编码处理,对二维向量中的连续值型特征进行标准化处理。
上述实施例中,在从数据库中提取了历史销售数据后,由于其中包括了类别型特征和连续值型特征,这些特征在模型训练的时候无法进行识别,因此首先通过标准化处理将该些特征转化为数值特征,保证了后续模型处理的准确性。
具体地,历史销售数据为每一天某个地区的某个车型的销售量数据,预测的目标是某个地区某个车型在下个时间,例如一周、一个月的销售量,且历史销售数据的的每一条不光涉及到销售量数据,还包括订单涉及的车辆信息、订单信息、客户信息、某个订单车型的百度指数信息等,具体包括:4s店的分布的数量、区域、售卖车型(这些特征会影响我们预测的某个地区某款车型的销量),cpi(爬虫获取)作为宏观因素也会影响车辆的销量,油价(爬虫获取),检测油价的涨幅,车辆指标数据(平台内部数据)包括车型、车系、内饰配置、年款、车型、排量/座位数等。品牌,价格区间,国产/合资/进口,款式,换代,上市时间,质量口碑,召回,投诉量颜色等,不同的指标会对销量有直接影响,订单数据中的历史销售情况,销售日期,销售车辆信息、首付时间、下单时间、提车时间等信息:可以提取信息作为训练数据的入参,和输出目标,金融方案:金融方案的首付比例、分期情况等信息都会影响用户下单,百度搜索指数信息(爬虫),关键次的百度指数(如:北京+丰田卡罗拉+大搜车+弹个车)的百度搜索量,搜索量上涨自然和销量有相关性,在一定程度上说明了关注的热度,客户信息(公司内部数据):客户的工作类型、年龄、购买能力、在某些平台上的评价:都可以影响用户是否下单,促销活动信息(公司内部数据):促销时间、促销形式、规模等都影响用户的购买意愿,市场(外部获取、爬虫):价格走势,销量趋势,折扣、政策、CPI,油价、百度指数。考虑市场因素对汽车销量的影响。
具体地,服务器在训练车辆销售量预测模型的时候,将历史销售数据划分为第一比例的训练集和第二比例的测试集,训练集和测试集共同组成了历史销售数据。首先服务器将历史销售数据进行特征提取生成二维的特征向量,此处即将数据存储成为一个二维的表格,表格中的每一条数据表示了每天某一地区的某个车型的以上数据,对二维向量中的类别型特征进行一位有效编码处理,对二维向量中的连续值型特征进行标准化处理,具体地,服务器将每一条数据中的特征划分为类别型特征和连续值型特征,其中类别型特征进行一位有效编码处理,即One-HotEncoding处理,对连续值型特征进行标准化处理,例如剔除异常值等。例如“2015款阳光1.5XE CVT舒适版”这样的非数值型的字段转换成数值型。在对二维向量处理完成后,服务器将通过矩阵变换函数将二维向量转换为预设长短期记忆网络对应的三维输入向量,其中最后一维是特征的输入维度,然后服务器构建预测模型,例如使用两层LSTM模型进行建模,具体框架可以参见图3所示,其中图3中的各个参数的含义为:x为模型的输入数据,即上述的三维输入向量,W:是权重参数,b:是偏移参数,h:是隐藏状态,f:是遗忘门,i:输入门,O:输出门,候选记忆细胞,Ct:记忆细胞,H:隐藏状态。其中通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型过程包括:LSTM计算-->dropout优化-->LSTM计算-->dropout优化-->全链接层-->输出处理。指定每个LSTM的输入层的维度,输出层的维度进行指定,选择dropout的参数进行参数+全链接层。随机失活(dropout)是对具有深度结构的人工神经网络进行优化的方法,在学习过程中通过将隐含层的部分权重或输出随机归零,降低节点间的相互依赖性(co-dependence)从而实现神经网络的正则化(regularization),降低其结构风险(structural risk)。
服务器在训练得到车辆销售量预测模型后,还需要对训练得到的模型进行测试,即利用上述测试集输入至车辆销售量预测模型得到车辆销售量预测准确率,包括服务器将测试集输入至车辆销售量预测模型得到测试预测结果,将测试预测结果与测试集中的标准结果进行比对得到车辆销售量预测准确率,并通过该预测准确率来判断车辆销售量预测模型是否可以进行使用,例如若准确率小于预设阈值,则从测试集中提取预设数量的三维输入向量至训练集,并继续通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。其中阀值的设置可以是根据需要进行的,例如可以设置为90%以上等。
上述实施例中,通过对历史销售数据的学习得到的车辆销售量预测模型,从而可以对历史销售数据进行总结,进而根据车辆销售量预测模型对车辆销售量进行预测,提高了准确性,且后续不需要再次对该些历史销售数据进行学习,可以提高预测效率。
在其中一个实施例中,相似模型的训练方式包括:从数据库中提取各个车型的车辆属性;分别各个车型的车辆属性的相似度,并将相似度大于预设阀值的各个车型划分为一个集合;根据所得到的多个集合生成相似模型。
具体地,相似模型主要是为了将相似车型划分为一个集合,服务器在生成相似模型的时候,可以从数据库中提取各个车型的车辆属性,然后开始遍历所有的车型,计算车辆属性的相似度,将相似度大于预设阀值的各个车型划分为一个集合。例如假设存在四个车型ABCD,服务器可以顺序进行遍历,首先获取到AB间的第一相似度,如果大于第一预设值,则继续获取AC和BC之间的第一相似度,如果也大于第一预设值,则可以将C也加入到A和B组成的产品图像集中,然后再继续判断AD、BD、CD之间的第一相似度是否大于第一预设值,如果当不大于,则不将D添加到上述集合中。服务器将所生成的集合进行保存作为相似模型,这样当在进行车辆销售量预测的时候,可以将预测车型与各个集合中的车型进行匹配,若匹配成功,则将该集合中的车型作为相似车型。
上述实施例中,预先对车辆属性计算相似度,且将相似度大于预设阀值的各个车型划分为一个集合,这样当在进行车辆销售量预测的时候,可以将预测车型与各个集合中的车型进行匹配,若匹配成功,则将该集合中的车型作为相似车型,并根据相似车型的历史销售数据来对预设销售峰值时间的初始预测销售量进行调整,保证了车辆预测销售量的准确性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种车辆销售量预测装置,包括:接收模块100、预测模块200、相似车型获取模块300、控制指标获取模块400和调整模块500,其中:
接收模块100,用于接收终端发送的车辆销售量预测请求,车辆销售量预测请求携带有预测时间、预测车型以及预测地区。
预测模块200,用于将预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过车辆销售量预测模型获取与预测地区和预测车型对应的历史预测车型销售数据,并基于历史预测车型销售数据得到与预测时间对应的初始预测销售量。
相似车型获取模块300,用于将预测车型输入至相似模型中,以通过相似模型得到与预测车型对应的相似车型。
控制指标获取模块400,用于根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标。
调整模块500,用于通过控制指标对初始预测销售量进行调整得到车辆预测销售量。
在其中一个实施例中,控制指标获取模块400,包括:
提取单元,用于从相似车型对应的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据。
销售量浮动值计算单元,用于根据各个相似车型的初始销售数据计算得到相似车型的销售量浮动值。
指标获取单元,用于计算销售量浮动值的统计值作为预测车型的初始预测销售量控制指标。
在其中一个实施例中,调整模块500,包括:
调整单元,用于从预测时间中提取预设销售峰值时间,并根据初始预测销售量控制指标对于预设销售峰值时间对应的初始预测销售量进行调整。
组合单元,用于将调整的初始预测销售量和未调整的初始预测销售量进行组合得到车辆预测销售量。
在其中一个实施例中,装置还包括:
数据提取模块,用于从数据库中提取历史销售数据,并将历史销售数据转化为二维向量。
转换模块,用于通过矩阵变换函数将二维向量转换为预设长短期记忆网络对应的三维输入向量。
训练集提取模块,用于从转换得到的三维输入向量提取第一比例的训练集。
训练模块,用于通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
在其中一个实施例中,装置还包括:
测试集提取模块,用于从转换得到的三维输入向量提取第二比例的测试集。
测试模块,用于利用测试集中的三维输入向量验证训练好的车辆销售量预测模型得到车辆销售量预测准确率。
修正模块,用于若准确率大于或者等于预设阈值,则训练结束;若准确率小于预设阈值,则从测试集中提取预设数量的三维输入向量至训练集,并继续通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
在其中一个实施例中,装置还包括:
标准化处理模块,用于对二维向量中的类别型特征进行一位有效编码处理,对二维向量中的连续值型特征进行标准化处理。
在其中一个实施例中,装置还包括:
车辆属性提取模块,用于从数据库中提取各个车型的车辆属性。
集合划分模块,用于分别各个车型的车辆属性的相似度,并将相似度大于预设阀值的各个车型划分为一个集合。
模型生成模块,用于根据所得到的多个集合生成相似模型。
关于车辆销售量预测装置的具体限定可以参见上文中对于车辆销售量预测方法的限定,在此不再赘述。上述车辆销售量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆销售数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆销售量预测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收终端发送的车辆销售量预测请求,车辆销售量预测请求携带有预测时间、预测车型以及预测地区;将预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过车辆销售量预测模型获取与预测地区和预测车型对应的历史预测车型销售数据,并基于历史预测车型销售数据得到与预测时间对应的初始预测销售量;将预测车型输入至相似模型中,以通过相似模型得到与预测车型对应的相似车型;根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标;通过控制指标对初始预测销售量进行调整得到车辆预测销售量。
在一个实施例中,处理器执行计算机程序时所实现的根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,包括:从相似车型对应的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据;根据各个相似车型的初始销售数据计算得到相似车型的销售量浮动值;计算销售量浮动值的统计值作为预测车型的初始预测销售量控制指标。
在一个实施例中,处理器执行计算机程序时所实现的通过控制指标对初始预测销售量进行调整得到车辆预测销售量,包括:从预测时间中提取预设销售峰值时间,并根据初始预测销售量控制指标对于预设销售峰值时间对应的初始预测销售量进行调整;将调整的初始预测销售量和未调整的初始预测销售量进行组合得到车辆预测销售量。
在一个实施例中,处理器执行计算机程序时所涉及的车辆销售量预测模型的训练方式包括:从数据库中提取历史销售数据,并将历史销售数据转化为二维向量;通过矩阵变换函数将二维向量转换为预设长短期记忆网络对应的三维输入向量;从转换得到的三维输入向量提取第一比例的训练集;通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
在一个实施例中,处理器执行计算机程序时所实现的通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型之后,包括:从转换得到的三维输入向量提取第二比例的测试集;利用测试集中的三维输入向量验证训练好的车辆销售量预测模型得到车辆销售量预测准确率;若准确率大于或者等于预设阈值,则训练结束;若准确率小于预设阈值,则从测试集中提取预设数量的三维输入向量至训练集,并继续通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
在一个实施例中,处理器执行计算机程序时所实现的将历史销售数据转化为二维向量之后,还包括:对二维向量中的类别型特征进行一位有效编码处理,对二维向量中的连续值型特征进行标准化处理。
在一个实施例中,处理器执行计算机程序时所涉及的相似模型的训练方式包括:从数据库中提取各个车型的车辆属性;分别各个车型的车辆属性的相似度,并将相似度大于预设阀值的各个车型划分为一个集合;根据所得到的多个集合生成相似模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:接收终端发送的车辆销售量预测请求,车辆销售量预测请求携带有预测时间、预测车型以及预测地区;将预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过车辆销售量预测模型获取与预测地区和预测车型对应的历史预测车型销售数据,并基于历史预测车型销售数据得到与预测时间对应的初始预测销售量;将预测车型输入至相似模型中,以通过相似模型得到与预测车型对应的相似车型;根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标;通过控制指标对初始预测销售量进行调整得到车辆预测销售量。
在一个实施例中,计算机程序被处理器执行时所实现的根据相似车型对应的历史相似车型销售数据得到预测车型的初始预测销售量控制指标,包括:从相似车型对应的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据;根据各个相似车型的初始销售数据计算得到相似车型的销售量浮动值;计算销售量浮动值的统计值作为预测车型的初始预测销售量控制指标。
在一个实施例中,计算机程序被处理器执行时所实现的通过控制指标对初始预测销售量进行调整得到车辆预测销售量,包括:从预测时间中提取预设销售峰值时间,并根据初始预测销售量控制指标对于预设销售峰值时间对应的初始预测销售量进行调整;将调整的初始预测销售量和未调整的初始预测销售量进行组合得到车辆预测销售量。
在一个实施例中,计算机程序被处理器执行时所涉及的车辆销售量预测模型的训练方式包括:从数据库中提取历史销售数据,并将历史销售数据转化为二维向量;通过矩阵变换函数将二维向量转换为预设长短期记忆网络对应的三维输入向量;从转换得到的三维输入向量提取第一比例的训练集;通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型之后,包括:从转换得到的三维输入向量提取第二比例的测试集;利用测试集中的三维输入向量验证训练好的车辆销售量预测模型得到车辆销售量预测准确率;若准确率大于或者等于预设阈值,则训练结束;若准确率小于预设阈值,则从测试集中提取预设数量的三维输入向量至训练集,并继续通过预设长短期记忆网络对训练集进行学习得到车辆销售量预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的将历史销售数据转化为二维向量之后,还包括:对二维向量中的类别型特征进行一位有效编码处理,对二维向量中的连续值型特征进行标准化处理。
在一个实施例中,计算机程序被处理器执行时所涉及的相似模型的训练方式包括:从数据库中提取各个车型的车辆属性;分别各个车型的车辆属性的相似度,并将相似度大于预设阀值的各个车型划分为一个集合;根据所得到的多个集合生成相似模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆销售量预测方法,所述方法包括:
接收终端发送的车辆销售量预测请求,所述车辆销售量预测请求携带有预测时间、预测车型以及预测地区;
将所述预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过所述车辆销售量预测模型获取与所述预测地区和预测车型对应的历史预测车型销售数据,并基于所述历史预测车型销售数据得到与预测时间对应的初始预测销售量;
将所述预测车型输入至相似模型中,以通过所述相似模型得到与所述预测车型对应的相似车型;
根据所述相似车型对应的历史相似车型销售数据得到所述预测车型的初始预测销售量控制指标;
通过所述控制指标对所述初始预测销售量进行调整得到车辆预测销售量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述相似车型对应的历史相似车型销售数据得到所述预测车型的初始预测销售量控制指标,包括:
从所述相似车型对应的历史相似车型销售数据中提取预设销售峰值时间对应的初始销售数据;
根据各个所述相似车型的所述初始销售数据计算得到相似车型的销售量浮动值;
计算所述销售量浮动值的统计值作为所述预测车型的初始预测销售量控制指标。
3.根据权利要求2所述的方法,其特征在于,所述通过所述控制指标对所述初始预测销售量进行调整得到车辆预测销售量,包括:
从所述预测时间中提取所述预设销售峰值时间,并根据所述初始预测销售量控制指标对于所述预设销售峰值时间对应的初始预测销售量进行调整;
将调整的初始预测销售量和未调整的初始预测销售量进行组合得到车辆预测销售量。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述车辆销售量预测模型的训练方式包括:
从数据库中提取历史销售数据,并将所述历史销售数据转化为二维向量;
通过矩阵变换函数将所述二维向量转换为预设长短期记忆网络对应的三维输入向量;
从转换得到的三维输入向量提取第一比例的训练集;
通过所述预设长短期记忆网络对所述训练集进行学习得到车辆销售量预测模型。
5.根据权利要求4所述的方法,其特征在于,所述通过所述预设长短期记忆网络对所述训练集进行学习得到车辆销售量预测模型之后,包括:
从转换得到的三维输入向量提取第二比例的测试集;
利用所述测试集中的三维输入向量验证训练好的车辆销售量预测模型得到车辆销售量预测准确率;
若准确率大于或者等于预设阈值,则训练结束;若准确率小于预设阈值,则从所述测试集中提取预设数量的三维输入向量至所述训练集,并继续通过所述预设长短期记忆网络对所述训练集进行学习得到车辆销售量预测模型。
6.根据权利要求4所述的方法,其特征在于,所述将所述历史销售数据转化为二维向量之后,还包括:
对所述二维向量中的类别型特征进行一位有效编码处理,对所述二维向量中的连续值型特征进行标准化处理。
7.根据权利要求1至3任意一项所述的方法,其特征在于,所述相似模型的训练方式包括:
从数据库中提取各个车型的车辆属性;
分别各个车型的车辆属性的相似度,并将所述相似度大于预设阀值的各个所述车型划分为一个集合;
根据所得到的多个所述集合生成相似模型。
8.一种车辆销售量预测装置,其特征在于,所述装置包括:
接收模块,用于接收终端发送的车辆销售量预测请求,所述车辆销售量预测请求携带有预测时间、预测车型以及预测地区;
预测模块,用于将所述预测时间、预测车型以及预测地区输入至预先训练得到的车辆销售量预测模型中,以通过所述车辆销售量预测模型获取与所述预测地区和预测车型对应的历史预测车型销售数据,并基于所述历史预测车型销售数据得到与预测时间对应的初始预测销售量;
相似车型获取模块,用于将所述预测车型输入至相似模型中,以通过所述相似模型得到与所述预测车型对应的相似车型;
控制指标获取模块,用于根据所述相似车型对应的历史相似车型销售数据得到所述预测车型的初始预测销售量控制指标;
调整模块,用于通过所述控制指标对所述初始预测销售量进行调整得到车辆预测销售量。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910851915.6A CN110610382B (zh) | 2019-09-10 | 2019-09-10 | 车辆销售量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910851915.6A CN110610382B (zh) | 2019-09-10 | 2019-09-10 | 车辆销售量预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610382A true CN110610382A (zh) | 2019-12-24 |
CN110610382B CN110610382B (zh) | 2022-08-09 |
Family
ID=68892557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910851915.6A Active CN110610382B (zh) | 2019-09-10 | 2019-09-10 | 车辆销售量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610382B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461435A (zh) * | 2020-04-01 | 2020-07-28 | 中国农业科学院农业信息研究所 | 一种农作物产量的预测方法和系统 |
CN112053213A (zh) * | 2020-09-30 | 2020-12-08 | 杭州拼便宜网络科技有限公司 | 一种商品推荐方法、系统及相关装置 |
CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
CN113421039A (zh) * | 2021-05-21 | 2021-09-21 | 浙江大搜车融资租赁有限公司 | 一种车辆管理方法、装置及设备 |
CN113538038A (zh) * | 2021-06-17 | 2021-10-22 | 宁波权智科技有限公司 | 一种基于人工智能的销售反馈方法及装置 |
CN113674040A (zh) * | 2020-05-15 | 2021-11-19 | 浙江大搜车软件技术有限公司 | 车辆的报价方法、计算机设备和计算机可读存储介质 |
CN113962750A (zh) * | 2021-11-16 | 2022-01-21 | 重庆邮电大学 | 一种基于attention机制的多尺度信息汽车销量大数据预测方法 |
CN117370272A (zh) * | 2023-10-25 | 2024-01-09 | 浙江星汉信息技术股份有限公司 | 基于档案热度的档案管理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600044A (zh) * | 2016-12-06 | 2017-04-26 | 北京中交兴路信息科技有限公司 | 一种车辆销售量预测模型确定的方法及装置 |
CN109559163A (zh) * | 2018-11-16 | 2019-04-02 | 广州麦优网络科技有限公司 | 一种基于机器学习的模型构建方法及销售预测方法 |
CN109615449A (zh) * | 2018-10-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种预测方法及装置、一种计算设备及存储介质 |
CN109697522A (zh) * | 2017-10-20 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 一种数据预测的方法和装置 |
-
2019
- 2019-09-10 CN CN201910851915.6A patent/CN110610382B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600044A (zh) * | 2016-12-06 | 2017-04-26 | 北京中交兴路信息科技有限公司 | 一种车辆销售量预测模型确定的方法及装置 |
CN109697522A (zh) * | 2017-10-20 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 一种数据预测的方法和装置 |
CN109615449A (zh) * | 2018-10-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种预测方法及装置、一种计算设备及存储介质 |
CN109559163A (zh) * | 2018-11-16 | 2019-04-02 | 广州麦优网络科技有限公司 | 一种基于机器学习的模型构建方法及销售预测方法 |
Non-Patent Citations (1)
Title |
---|
葛娜: "Prophet-LSTM 组合模型的销售量预测研究", 《计算机科学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461435A (zh) * | 2020-04-01 | 2020-07-28 | 中国农业科学院农业信息研究所 | 一种农作物产量的预测方法和系统 |
CN113674040A (zh) * | 2020-05-15 | 2021-11-19 | 浙江大搜车软件技术有限公司 | 车辆的报价方法、计算机设备和计算机可读存储介质 |
CN113674040B (zh) * | 2020-05-15 | 2023-11-21 | 浙江大搜车软件技术有限公司 | 车辆的报价方法、计算机设备和计算机可读存储介质 |
CN112053213A (zh) * | 2020-09-30 | 2020-12-08 | 杭州拼便宜网络科技有限公司 | 一种商品推荐方法、系统及相关装置 |
CN113095893A (zh) * | 2021-05-10 | 2021-07-09 | 北京京东振世信息技术有限公司 | 确定物品销量的方法和装置 |
CN113421039A (zh) * | 2021-05-21 | 2021-09-21 | 浙江大搜车融资租赁有限公司 | 一种车辆管理方法、装置及设备 |
CN113538038A (zh) * | 2021-06-17 | 2021-10-22 | 宁波权智科技有限公司 | 一种基于人工智能的销售反馈方法及装置 |
CN113962750A (zh) * | 2021-11-16 | 2022-01-21 | 重庆邮电大学 | 一种基于attention机制的多尺度信息汽车销量大数据预测方法 |
CN113962750B (zh) * | 2021-11-16 | 2023-09-19 | 深圳市南方众悦科技有限公司 | 一种基于attention机制的多尺度信息汽车销量大数据预测方法 |
CN117370272A (zh) * | 2023-10-25 | 2024-01-09 | 浙江星汉信息技术股份有限公司 | 基于档案热度的档案管理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110610382B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610382B (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
Cheng et al. | Probabilistic residential load forecasting based on micrometeorological data and customer consumption pattern | |
CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN111160983A (zh) | 广告投放效果的评估方法、装置、计算机设备及存储介质 | |
CN109272142A (zh) | 基于事件的数据预测方法、装置、计算机设备和存储介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN113656691A (zh) | 数据预测方法、装置及存储介质 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN114692859A (zh) | 数据处理方法及装置、计算设备及试验精简设备 | |
CN114757630B (zh) | 仓储管理模型确定方法、装置及计算机设备 | |
Amrouk et al. | Forecasting international sugar prices: A Bayesian model average analysis | |
CN115829624A (zh) | 基于门店周期性回本的价格预测方法、装置及相关介质 | |
CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
CN115511562A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
CN112633771B (zh) | 电力资源数值计算方法、装置、计算机设备和存储介质 | |
CN114169914A (zh) | 用于物品销量预测的特征构建方法、装置和存储介质 | |
CN113837467A (zh) | 点对点能源项目评估方法、装置、计算机设备和存储介质 | |
CN113888244A (zh) | 数据商品的定价方法与装置、电子设备及计算机可读存储介质 | |
CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
JP2020115276A (ja) | 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法 | |
Pourdaryaei et al. | An efficient framework for short-term electricity price forecasting in deregulated power market | |
CN112749821B (zh) | 快递派件量预测方法、装置、计算机设备和存储介质 | |
Tirenni | Allocation of marketing resources to optimize customer equity | |
Poh et al. | A Machine Learning approach to Risk Minimisation in Electricity Markets with Coregionalized Sparse Gaussian Processes |
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 |