CN110675176B - 用于生成属性预测模型的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成属性预测模型的方法和装置。该方法的一具体实施方式包括：对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在该子时间段内的客流量；基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型。该实施方式实现了利用生成的属性预测模型能够较好地模拟由于周围场所的客流量变化而引起的目标物品的目标属性信息的变化的情况，从而也能够较好地预测目标物品的目标属性信息。

Description

用于生成属性预测模型的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成属性预测模型的方法和装置。

背景技术

随着大数据和人工智能技术的发展，越来越多的实体店铺开始利用大数据和人工智能技术来对店铺的相关数据进行分析，管理人员可以根据数据分析结果对店铺进行一定优化。例如，通过数据分析对店铺的销量进行预测，进一步根据预测结果对店铺的工作人员、供货渠道、供货量等方面进行提前配置。

现有的店铺销量预测方法通常是根据店铺的历史销量来预测店铺的销量。这种方法由于只考虑了店铺的历史销量，因此这种方法预测出的销量很难模拟对于因一些不定因素造成店铺的销量数据波动较大的情况。

发明内容

本申请实施例提出了用于生成属性预测模型方法和装置。

第一方面，本申请实施例提供了一种用于生成属性预测模型方法，该方法包括：对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在该子时间段内的客流量；基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

在一些实施例中，基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，包括：利用所获取的目标属性信息和客流量，采用曲线拟合的方法得到拟合曲线作为属性预测模型。

在一些实施例中，基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，包括：获取初始属性预测模型；利用机器学习的方法，将历史时间段内的子时间段内的客流量作为初始属性预测模型的输入，将与输入的客流量对应的目标属性信息作为初始属性预测模型的期望输出，训练初始属性预测模型；将训练完成的初始属性预测模型确定为属性预测模型。

在一些实施例中，周围场所包括：与目标物品同类型的物品的放置场所和/或与所述目标物品的放置场所的距离不大于预设距离阈值的放置场所。

在一些实施例中，上述方法还包括：对于所述至少一个子时间段中的每个子时间段，获取该子时间段的天气信息和/或节假日信息；以及基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，包括：基于所获取的目标属性信息、客流量、天气信息和/或节假日信息，生成用于确定目标物品的目标属性信息的属性预测模型。

在一些实施例中，上述方法还包括：对于所述至少一个子时间段中的每个子时间段，获取所述目标物品的放置场所在该子时间段内的客流量；以及基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，包括：基于所获取的目标属性、目标物品的放置场所的周围场所在该子时间段内的客流量、以及目标物品的放置场所在该子时间段内的客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

在一些实施例中，天气信息和节假日信息使用向量表示，其中，天气信息包括以下至少一项：温度、天气类型、风力、空气指数，节假日的类型包括：周末、半天的假期、三天的假期、七天的假期。

第二方面，本申请实施例提供了一种用于生成属性预测模型的装置，该装置包括：获取单元，被配置成对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在该子时间段内的客流量；生成单元，被配置成基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

在一些实施例中，上述生成单元进一步被配置成：利用所获取的目标属性信息和客流量，采用曲线拟合的方法得到拟合曲线作为属性预测模型。

在一些实施例中，上述生成单元进一步被配置成：获取初始属性预测模型；利用机器学习的方法，将所述历史时间段内的子时间段内的客流量作为初始属性预测模型的输入，将与输入的客流量对应的目标属性信息作为初始属性预测模型的期望输出，训练初始属性预测模型；将训练完成的初始属性预测模型确定为属性预测模型。

在一些实施例中，周围场所包括：与目标物品同类型的物品的放置场所和/或与所述目标物品的放置场所的距离不大于预设距离阈值的放置场所。

在一些实施例中，上述获取单元进一步被配置成：对于所述至少一个子时间段中的每个子时间段，获取该子时间段的天气信息和/或节假日信息；以及上述生成单元进一步被配置成：基于所获取的目标属性信息、客流量、天气信息和/或节假日信息，生成用于确定目标物品的目标属性信息的属性预测模型。

在一些实施例中，上述获取单元进一步被配置成：对于所述至少一个子时间段中的每个子时间段，获取目标物品的放置场所在该子时间段内的客流量；以及上述生成单元进一步被配置成：基于所获取的目标属性、目标物品的放置场所的周围场所在该子时间段内的客流量、以及目标物品的放置场所在该子时间段内的客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

在一些实施例中，天气信息和节假日信息使用向量表示，其中，天气信息包括以下至少一项：温度、天气类型、风力、空气指数，节假日的类型包括：周末、半天的假期、三天的假期、七天的假期。

第三方面，本申请实施例提供了一种预测属性信息的方法，该方法包括：获取目标物品的放置场所的周围场所在预测时间段内的客流量；根据所获取的客流量，利用属性预测模型预测所述目标物品在预测时间段内的属性信息，其中，属性预测模型是利用如第一方面中部分实现方式描述的方法生成的。

在一些实施例中，上述目标物品的放置场所的周围场所在所述预测时间段内的客流量通过如下步骤得到：获取目标物品的放置场所的周围场所在预测时间段之前的目标时间段内的客流量；根据目标物品的放置场所的周围场所在预测时间段之前的目标时间段内的客流量，确定目标物品的放置场所的周围场所在预测时间段内的客流量。

第四方面，本申请实施例提供了一种预测属性信息的方法，该方法包括：获取目标物品的放置场所的周围场所在预测时间段内的客流量，以及预测时间段的天气信息和/或节假日信息；根据所获取的客流量、天气信息和/或节假日信息，利用属性预测模型预测目标物品在预测时间段内的属性信息，其中，属性预测模型是利用如第一方面中部分实现方式描述的方法生成的。

第五方面，本申请实施例提供了一种电子设备，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第一方面中任一实现方式描述的方法。

第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成属性预测模型的方法和装置，通过获取目标物品在历史时间段内的每个子时间段内的目标属性信息和目标物品的放置场所的周围场所在每个子时间段内的客流量，并根据获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，使得生成的属性预测模型能够较好地模拟由于周围场所的客流量变化而引起的目标物品的目标属性信息的变化的情况，从而也能够利用生成的属性预测模型较好地预测目标物品的目标属性信息。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是本申请的用于生成属性预测模型的方法的一个实施例的流程图；

图3是根据本申请的用于生成属性预测模型的方法的一个应用场景的示意图；

图4是根据本申请的用于生成属性预测模型的方法的又一个实施例的流程图；

图5是根据本申请的用于预测属性信息的方法的一个实施例的流程图；

图6是根据本申请的用于预测属性信息的方法的又一个实施例的流程图；

图7是根据本申请的用于生成属性预测模型的装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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，本申请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申请。

图1示出了可以应用本申请的用于生成属性预测模型的方法或用于生成属性预测模型的装置的实施例的示例性架构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。

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上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、天气类应用等。

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。其可以实现成多个软件或软件模块(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，例如为终端设备101、102、103发送的目标物品的历史目标属性信息进行分析处理的数据处理服务器。数据处理服务器可以对接收的终端设备发送的信息(如目标物品的历史目标属性信息)进行处理，并生成处理结果。

需要说明的是，上述目标物品的历史目标属性信息等也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的目标物品的历史目标属性信息并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本申请实施例所提供的用于生成属性预测模型的方法可以由服务器105执行，相应地，用于生成属性预测模型的装置一般设置于服务器105中。

还需要指出的是，用于生成属性预测模型的方法也可以由终端设备101、102、103执行，相应地，用于生成属性预测模型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。

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，可以实现成多个软件或软件模块(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。

继续参考图2，示出了根据本申请的用于生成属性预测模型的方法的一个实施例的流程200。该用于生成属性预测模型的方法包括以下步骤：

步骤201，对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在该子时间段内的客流量。

在本实施例中，用于生成属性预测模型的方法的执行主体(如图1所示的服务器105)可以通过有线或无线的方式从本地或其它存储设备(如图1中所示的终端设备101、102、103)中获取目标物品在历史时间段内的每个子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在历史时间段内的每个子时间段内的客流量。

其中，目标物品可以是预先指定的任意的物品，也可以是根据预设条件(例如上市时间不超过一个月)而确定的物品。需要说明的是，目标物品的数目可以为多个。例如，当预设条件为预设区域内的所有物品时，目标物品则可能是多个物品。

目标物品的属性信息可以指目标物品的属性的相关信息。其中，目标物品的属性包括但不限于如价格、重量、体积、保质期、销量等。不同的属性通常具有不同的属性信息。例如，对于价格属性来说，属性信息可以为具体的价格的数值。对于销量属性来说，属性信息可以为日销量、月销量等。目标物品的目标属性信息可以是预先指定的、目标物品的任意属性的属性信息。目标物品的目标属性信息也可以是根据通过预设的逻辑确定出的属性信息，例如，可以根据目标物品的种类而确定目标物品的目标属性信息。

需要说明的是，当目标物品的数目为多个时，可以根据实际的应用需求确定目标物品的目标属性信息。例如，目标物品的目标属性信息可以指各物品的目标属性信息的总和，也可以指各物品的目标属性信息的平均值。

历史时间段可以是当前时间之前的任意时间段。例如，历史时间段可以是当前时间之前的一年，也可以是当前时间之前的三个月等。子时间段可以是指将历史时间段进行划分而得到的时间段。划分历史时间段的方式可以有多种。例如，可以根据实际的应用需求对历史时间段进行划分。例如，可以将历史时间段按天进行划分为多个子时间段。又例如，将每个子时间段设置为三个小时，那么可以将历史时间段中的每三个小时划分为一个子时间段。

目标物品的放置场所可以是指能够放置目标物品的任意地方。例如，放置场所可以是商场、商店、图书馆、地铁站等。又例如，放置场所还可以是商场中的具体地某一置物货架、某一楼层等。

目标物品的放置场所的周围场所可以是根据具体的应用需求而确定的目标物品的放置场所附近的场所。可选地，目标物品的放置场所的周围场所可以是指在目标物品的放置场所附近预先指定的区域范围内的场所。

在本实施例的一些可选的实现方式中，周围场所还可以包括与目标物品同类型的物品的放置场所和/或与所述目标物品的放置场所的距离不大于预设距离阈值的放置场所。例如，与目标物品同类型的物品的放置场所可以是以目标物品的放置场所为中心，方圆三公里以内的同类型物品的放置场所。又例如，与目标物品同类型的物品的放置场所也可以是距离目标物品的放置场所最近的、预设数目个同类型物品的放置场所。又例如，与所述目标物品的放置场所的距离不大于预设距离阈值的放置场所可以是以目标物品的放置场所为中心，方圆两公里以内的其它场所。

客流量可以指在一定时间段内进入某场所的人数。周围场所在一个子时间段内的客流量可以指在该子时间段内进入周围场所的人数。

在本实施例的一些可选的实现方式中，对于历史时间段内的子时间段，还可以获取目标物品的放置场所在该子时间段内的客流量。

步骤202，基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

在本实施例的一些可选的实现方式中，可以利用所获取的目标属性信息和客流量，采用曲线拟合的方法得到拟合曲线作为属性预测模型。具体地，可以利用现有的各种能够进行曲线拟合的软件或曲线拟合算法生成拟合曲线。一般地，生成的拟合曲线可以表示时间与目标物品的目标属性信息之间的对应关系。

在本实施例的一些可选的实现方式中，还可以通过以下步骤生成属性预测模型：

第一步，获取初始属性预测模型。其中，初始属性预测模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。初始属性预测模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，初始属性预测模型可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合得到的模型。

可选地，可以获取反馈神经网络作为初始属性预测模型，例如感知器神经网络、反向传播网络等。可选地，也可以获取NARX(Nonlinear AutoRegressive network witheXogenous inputs model，非线性有源回归模型)模型作为初始属性预测模型。

第二步，利用机器学习的方法，将目标物品的放置场所的周围场所在历史时间段内的每个子时间段内的客流量分别作为上述初始属性预测模型的输入，将与输入的客流量对应的目标属性信息作为上述初始属性预测模型的期望输出，训练初始属性预测模型。

具体地，可以将初始属性预测模型的输出和与输入的客流量对应的目标属性信息进行比较，并根据比较结果不断调整初始属性预测模型的各层的参数。

第三步，将训练完成的初始属性预测模型作为上述属性预测模型。其中，训练完成条件可以是连续两次或多次初始属性预测模型的输出和与输入的客流量对应的目标属性信息的相似度大于预设的相似度阈值。此时，得到的属性预测模型能够表征目标物品的放置场所的周围场所在任一时间段内的客流量与目标物品在该时间段内的目标属性信息的对应关系。

在本实施例的一些可选的实现方式中，还可以进一步获取目标物品的放置场所在每个子时间段内的客流量。从而，也可以根据所获取的目标物品在各个子时间段内的目标属性信息、目标物品的放置场所的周围场所在各个子时间段内的客流量、以及目标物品的放置场所在各个子时间段内的客流量，利用上述曲线拟合或机器学习的方法生成用于确定目标物品的目标属性信息的属性预测模型。

继续参见图3，图3是根据本实施例的用于生成属性预测模型的方法的应用场景的一个示意图。在图3的应用场景中，执行主体可以为计算机301，计算机301可以从服务器302获取书店在去年一月份到十二个月份中的每天的销量，以及获取距离该书店附近两公里以内的其它店铺在去年一月份到十二个月份中的每天的客流量，具体的销量和客流量可以如图3中标号303所示。

其中，假设距离该书店附近两公里以内共有N家其它店铺，那么这N家店铺每天的客流量可以用一个N维向量来表示。向量中的每个分量表示其中一家店铺的客流量。之后，可以根据得到销量和客流量，利用现有的曲线拟合软件生成对应的拟合曲线304。其中，拟合曲线的一条坐标轴表示时间，另一个坐标轴表示书店的日销量。

本申请的上述实施例提供的方法通过获取目标物品在历史时间段内的每个子时间段内的目标属性信息和目标物品的放置场所的周围场所在每个子时间段内的客流量，并根据获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，使得生成的属性预测模型能够较好地模拟由于周围场所的客流量变化而引起的目标物品的目标属性信息的变化的情况，从而也能够利用生成的属性预测模型较好地预测目标物品的目标属性信息。

进一步参考图4，其示出了用于生成属性预测模型的方法的又一个实施例的流程400。该用于生成属性预测模型的方法的流程400，包括以下步骤：

步骤401，对于至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息、目标物品的放置场所的周围场所在该子时间段内的客流量，以及该子时间段的天气信息和/或节假日信息。

在本实施例中，可以获取目标物品在每个子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在每个子时间段内的客流量。具体的执行过程可参考图2对应实施例中的步骤201的相关说明，在此不再赘述。

在本实施例中，还可以获取历史时间段内每个子时间段的天气信息和/或节假日信息。其中，天气信息可以用来表示天气状况。节假日信息可以用来表示是否是节假日，或者具体是哪个节日等。

在本实施例的一些可选的实现方式中，天气信息和节假日信息可以使用向量表示。其中，天气信息包括以下至少一项：温度、天气类型、风力、空气指数。节假日的类型可以包括：周末、半天的假期、三天的假期、七天的假期。

具体地，节假日也可以由其它的划分方式。例如，可以将节假日简单的划分为节假日和非节假日两种类型。

举例来说，可以用一个四维的向量来表示某一天的天气信息。其中，四个分量分别表示温度、天气类型、风力、空气指数。假设历史时间段划分为N个子时间段，N可以为大于或等于一的自然数。那么，节假日信息可以用一个N维的向量来表示。例如，将节假日划分为节假日和非节假日两种类型，分别用数值1和2来表示。将历史时间段一周划分为七天，那么，每天的节假日信息都可以用一个七维的向量来表示。例如，对于第一天的节假日信息为(1,0,0,0,0,0,0)，则表明第一天是节假日。第三天的节假日信息为(0,0,2,0,0,0,0)，则表明第三天不是节假日。

可选地，可以从一些天气软件或日历软件中获取历史时间段内的每个子时间段的天气信息和/或节假日信息。

步骤402，基于所获取的目标属性信息、客流量、天气信息和/或节假日信息，生成用于确定目标物品的目标属性信息的属性预测模型。

在本实施例中，可以根据获取到的目标物品在历史时间段内的每个子时间段内的目标属性信息、目标物品的放置场所的周围场所在历史时间段内的每个子时间段内的客流量，以及历史时间段内的每个子时间段的天气和/或节假日信息，利用图2对应实施例的步骤202中说明的曲线拟合或机器学习的方法生成用于确定目标物品的目标属性信息的属性预测模型。

从图4中可以看出，与图2对应的实施例相比，本实施例中的信息推送方法的流程400突出了在获取历史时间段内的每个子时间段内的目标属性信息和目标物品的放置场所的周围场所在历史时间段内的每个子时间段内的客流量的同时，还获取了历史时间段内的每个子时间段的天气信息和/或节假日信息。在此基础上，根据所获取的目标属性信息、客流量，以及天气信息和/或节假日信息来生成属性预测模型。由于天气信息和节假日信息很多时候对于物品的属性信息也会有很大的影响，因此考虑了天气信息和节假日信息而生成的属性预测模型能够更好的表示物品的属性信息的变化情况，也能够较好的显示出由于天气和/或节假日信息而造成的物品的属性信息的变化。

进一步参考图5，其示出了用于预测属性信息的方法的一个实施例的流程500。该用于预测属性信息的方法的流程500，包括以下步骤：

步骤501，获取目标物品的放置场所的周围场所在预测时间段内的客流量。

在本实施例中，该用于预测属性信息的方法的执行主体可以是图1中所示的服务器105，也可以是图1中所示的终端设备101、102和103。执行主体可以获取目标物品的放置场所的周围场所在预测时间段内的客流量。其中，预测时间段可以是由管理人员预先指定的一个时间段。

可选地，可以利用现有的一些客流量统计方法(如人工统计、安装客流计数器等)来统计目标物品的放置场所的周围场所当前时间的客流量，并将当前时间的客流量作为上述周围场所在预测时间段内的客流量。

在本实施例的一些可选的实现方式中，目标物品的放置场所的周围场所在预测时间段内的客流量也可以通过如下步骤得到：先获取目标物品的放置场所的周围场所在预测时间段之前的目标时间段内的客流量；然后，根据目标物品的放置场所的周围场所在预测时间段之前的目标时间段内的客流量，确定目标物品的放置场所的周围场所在预测时间段内的客流量。

其中，目标时间段可以是预测时间段之前的任意的时间段。具体地，目标时间段的时长可以于预测时间段的时长相同。

在目标时间段的数量为一个时，可以将获取的该目标时间段内的客流量确定为预测时间段内的客流量。

在目标时间段的数量为两个或两个以上时，可以将获取的多个目标时间段对应的客流量的平均值作为预测时间段内的客流量，也可以根据多个目标时间段各自对应的客流量建立客流量随时间变化的变化关系，并根据变化关系确定预测时间段内的客流量。

步骤502，根据所获取的客流量，利用属性预测模型预测目标物品在预测时间段内的属性信息。

在本实施例中，可以根据上述步骤501中获取的目标物品的放置场所的周围场所在预测时间段内的客流量，利用属性预测模型预测目标物品在预测时间段内的属性信息。其中，属性预测模型是利用如图2对应的实施例说明的方法生成的。

利用曲线拟合生成的属性预测模型，可以直接根据预测时间段在拟合曲线上找到对应的预测的目标物品的属性信息，也可以将获取的客流量输入至生成拟合曲线的软件中，从而得到预测的目标物品在预测时间段内的属性信息。

利用机器学习的方法生成的属性预测模型，可以将获取的客流量输入至属性预测模型中，属性预测模型的输出即是预测的目标物品在预测时间段内的属性信息。

进一步参考图6，其示出了用于预测属性信息的方法的又一个实施例的流程600。该用于预测属性信息的方法的流程600，包括以下步骤：

步骤601，获取目标物品的放置场所的周围场所在预测时间段内的客流量，以及预测时间段的天气信息和/或节假日信息。

在本实施例中，该用于预测属性信息的方法的执行主体可以是图1中所示的服务器105，也可以是图1中所示的终端设备101、102和103。执行主体可以获取目标物品的放置场所的周围场所在预测时间段内的客流量。其中，预测时间段可以是由管理人员预先指定的一个时间段。

可选地，可以利用现有的一些客流量统计方法(如人工统计、安装客流计数器等)来统计目标物品的放置场所的周围场所当前时间的客流量，并将当前时间的客流量作为上述周围场所在预测时间段内的客流量。

在本实施例的一些可选的实现方式中，目标物品的放置场所的周围场所在预测时间段内的客流量也可以通过如下步骤得到：先获取目标物品的放置场所的周围场所在预测时间段之前的目标时间段内的客流量；然后，根据目标物品的放置场所的周围场所在预测时间段之前的目标时间段内的客流量，确定目标物品的放置场所的周围场所在预测时间段内的客流量。

其中，目标时间段可以是预测时间段之前的任意的时间段。具体地，目标时间段的时长可以于预测时间段的时长相同。

在目标时间段的数量为一个时，可以将获取的该目标时间段内的客流量确定为预测时间段内的客流量。

在目标时间段的数量为两个或两个以上时，可以将获取的多个目标时间段对应的客流量的平均值作为预测时间段内的客流量，也可以根据多个目标时间段各自对应的客流量建立客流量随时间变化的变化关系，并根据变化关系确定预测时间段内的客流量。

在本实施例中，还可以获取预测时间段的天气信息和/或节假日信息。具体地，可以通过一些天气软件和日历软件获取预测时间段的天气信息和/或节假日信息。

步骤602，根据所获取的客流量、天气信息和/或节假日信息，利用属性预测模型预测目标物品在预测时间段内的属性信息。

在本实施例中，可以根据上述步骤601中获取的目标物品的放置场所的周围场所在预测时间段内的客流量，利用属性预测模型预测目标物品在预测时间段内的属性信息。其中，属性预测模型是利用如图4对应的实施例说明的方法生成的。

利用曲线拟合生成的属性预测模型，可以直接根据预测时间段在拟合曲线上找到对应的预测的目标物品的属性信息，也可以将获取的客流量、天气信息和/或节假日信息输入至生成拟合曲线的软件中，从而得到预测的目标物品在预测时间段内的属性信息。

利用机器学习的方法生成的属性预测模型，可以将获取的客流量、天气信息和/或节假日信息输入至属性预测模型中，属性预测模型的输出即是预测的目标物品在预测时间段内的属性信息。

进一步参考图7，作为对上述图2所示方法的实现，本申请提供了用于生成属性预测模型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7所示，本实施例提供的用于生成属性预测模型的装置700包括获取单元701和生成单元702。其中，获取单元701被配置成对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在该子时间段内的客流量；生成单元702，被配置成基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

在本实施例中，用于生成属性预测模型的装置700中：获取单元701和生成单元702的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤20和步骤202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述生成单元702进一步被配置成利用所获取的目标属性信息和客流量，采用曲线拟合的方法得到拟合曲线作为属性预测模型。

在本实施例的一些可选的实现方式中，上述生成单元702进一步被配置成获取初始属性预测模型；利用机器学习的方法，将所述历史时间段内的子时间段内的客流量作为初始属性预测模型的输入，将与输入的客流量对应的目标属性信息作为初始属性预测模型的期望输出，训练初始属性预测模型；将训练完成的初始属性预测模型确定为属性预测模型。

在本实施例的一些可选的实现方式中，周围场所包括：与目标物品同类型的物品的放置场所和/或与所述目标物品的放置场所的距离不大于预设距离阈值的放置场所。

在本实施例的一些可选的实现方式中，上述获取单元701进一步被配置成对于至少一个子时间段中的每个子时间段，获取该子时间段的天气信息和/或节假日信息；以及上述生成单元702进一步被配置成基于所获取的目标属性信息、客流量、天气信息和/或节假日信息，生成用于确定目标物品的目标属性信息的属性预测模型。

在本实施例的一些可选的实现方式中，上述获取单元701进一步被配置成：对于至少一个子时间段中的每个子时间段，获取目标物品的放置场所在该子时间段内的客流量；以及上述生成单元702进一步被配置成：基于所获取的目标属性、目标物品的放置场所的周围场所在该子时间段内的客流量、以及目标物品的放置场所在该子时间段内的客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

在本实施例的一些可选的实现方式中，天气信息和节假日信息使用向量表示，其中，天气信息包括以下至少一项：温度、天气类型、风力、空气指数，节假日信息包括以下至少一项：周末、半天的假期、三天的假期、七天的假期。

本申请的上述实施例提供的装置，通过获取单元701获取目标物品在历史时间段内的每个子时间段内的目标属性信息和目标物品的放置场所的周围场所在每个子时间段内的客流量。然后，生成单元702根据获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，使得生成的属性预测模型能够较好地模拟由于周围场所的客流量变化而引起的目标物品的目标属性信息的变化的情况，从而也能够利用生成的属性预测模型较好地预测目标物品的目标属性信息。

下面参考图8，其示出了适于用来实现本申请实施例的电子设备服务器的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

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部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。

描述于本申请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，包括获取单元和生成单元。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“对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在该子时间段内的客流量的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息，以及目标物品的放置场所的周围场所在该子时间段内的客流量；基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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 (18)

1.一种用于生成属性预测模型的方法，包括：

对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息、所述目标物品的放置场所在该子时间段内的客流量，以及所述目标物品的放置场所的周围场所在该子时间段内的客流量，其中，所述目标属性信息包括销量，所述周围场所包括距离目标物品的放置场所最近的、预设数目个同类型物品的放置场所，所述目标物品的放置场所的周围场所在该子时间段内的客流量使用向量表示，且向量中的各分量分别对应不同周围场所在该子时间段内的客流量；

基于所获取的目标属性信息、所述目标物品的放置场所的周围场所在该子时间段内的客流量、以及所述目标物品的放置场所在该子时间段内的客流量，生成用于根据目标物品的放置场所的客流量和目标物品的放置场所的周围场所的客流量确定目标物品的目标属性信息的属性预测模型。

2.根据权利要求1所述的方法，其中，所述基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，包括：

利用所获取的目标属性信息和客流量，采用曲线拟合的方法得到拟合曲线作为所述属性预测模型。

3.根据权利要求1所述的方法，其中，所述基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，包括：

获取初始属性预测模型；

利用机器学习的方法，将所述历史时间段内的子时间段内的客流量作为初始属性预测模型的输入，将与输入的客流量对应的目标属性信息作为初始属性预测模型的期望输出，训练所述初始属性预测模型；

将训练完成的初始属性预测模型确定为所述属性预测模型。

4.根据权利要求1所述的方法，其中，所述周围场所包括与所述目标物品的放置场所的距离不大于预设距离阈值的放置场所。

5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：

对于所述至少一个子时间段中的每个子时间段，获取该子时间段的天气信息和/或节假日信息；以及

所述基于所获取的目标属性信息和客流量，生成用于确定目标物品的目标属性信息的属性预测模型，包括：

基于所获取的目标属性信息、客流量、天气信息和/或节假日信息，生成用于确定目标物品的目标属性信息的属性预测模型。

6.根据权利要求5所述的方法，其中，天气信息和节假日信息使用向量表示，其中，天气信息包括以下至少一项：温度、天气类型、风力、空气指数，节假日的类型包括：周末、半天的假期、三天的假期、七天的假期。

7.一种用于生成属性预测模型的装置，包括：

获取单元，被配置成对于历史时间段内的至少一个子时间段中的每个子时间段，获取目标物品在该子时间段内的目标属性信息、所述目标物品的放置场所在该子时间段内的客流量，以及所述目标物品的放置场所的周围场所在该子时间段内的客流量，其中，所述目标属性信息包括销量，所述周围场所包括距离目标物品的放置场所最近的、预设数目个同类型物品的放置场所，所述目标物品的放置场所的周围场所在该子时间段内的客流量使用向量表示，且向量中的各分量分别对应不同周围场所在该子时间段内的客流量；

生成单元，被配置成基于所获取的目标属性信息、所述目标物品的放置场所的周围场所在该子时间段内的客流量、以及所述目标物品的放置场所在该子时间段内的客流量，生成用于根据目标物品的放置场所的客流量和目标物品的放置场所的周围场所的客流量确定目标物品的目标属性信息的属性预测模型。

8.根据权利要求7所述的装置，其中，所述生成单元进一步被配置成：利用所获取的目标属性信息和客流量，采用曲线拟合的方法得到拟合曲线作为所述属性预测模型。

9.根据权利要求7所述的装置，其中，所述生成单元进一步被配置成：

获取初始属性预测模型；

利用机器学习的方法，将所述历史时间段内的子时间段内的客流量作为初始属性预测模型的输入，将与输入的客流量对应的目标属性信息作为初始属性预测模型的期望输出，训练所述初始属性预测模型；

将训练完成的初始属性预测模型确定为所述属性预测模型。

10.根据权利要求7所述的装置，其中，所述周围场所包括：与所述目标物品的放置场所的距离不大于预设距离阈值的放置场所。

11.根据权利要求7-10之一所述的装置，其中，所述获取单元进一步被配置成：对于所述至少一个子时间段中的每个子时间段，获取该子时间段的天气信息和/或节假日信息；以及

所述生成单元进一步被配置成：基于所获取的目标属性信息、客流量、天气信息和/或节假日信息，生成用于确定目标物品的目标属性信息的属性预测模型。

12.根据权利要求11所述的装置，其中，天气信息和节假日信息使用向量表示，其中，天气信息包括以下至少一项：温度、天气类型、风力、空气指数，节假日的类型包括：周末、半天的假期、三天的假期、七天的假期。

13.一种用于预测属性信息的方法，包括：

获取目标物品的放置场所的周围场所在所述预测时间段内的客流量；

根据所获取的客流量，利用属性预测模型预测所述目标物品在所述预测时间段内的属性信息，其中，所述属性预测模型是利用如上述权利要求1-4之一所述的方法生成的。

14.根据权利要求13所述的方法，其中，所述目标物品的放置场所的周围场所在所述预测时间段内的客流量通过如下步骤得到：

获取所述目标物品的放置场所的周围场所在所述预测时间段之前的目标时间段内的客流量；

根据所述目标物品的放置场所的周围场所在所述预测时间段之前的目标时间段内的客流量，确定所述目标物品的放置场所的周围场所在所述预测时间段内的客流量。

15.一种用于预测属性信息的方法，包括：

获取目标物品的放置场所的周围场所在所述预测时间段内的客流量，以及所述预测时间段的天气信息和/或节假日信息；

根据所获取的客流量、天气信息和/或节假日信息，利用属性预测模型预测所述目标物品在所述预测时间段内的属性信息，其中，所述属性预测模型是利用如上述权利要求5或6所述的方法生成的。

16.根据权利要求15所述的方法，其中，所述目标物品的放置场所的周围场所在所述预测时间段内的客流量通过如下步骤得到：

获取所述目标物品的放置场所的周围场所在所述预测时间段之前的目标时间段内的客流量；

根据所述目标物品的放置场所的周围场所在所述预测时间段之前的目标时间段内的客流量，确定所述目标物品的放置场所的周围场所在所述预测时间段内的客流量。

17.一种电子设备，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、13-16中任一所述的方法。

18.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6、13-16中任一所述的方法。

Images