CN110689170A - 对象参量的确定方法、装置、电子设备及存储介质 - Google Patents
对象参量的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110689170A CN110689170A CN201910834169.XA CN201910834169A CN110689170A CN 110689170 A CN110689170 A CN 110689170A CN 201910834169 A CN201910834169 A CN 201910834169A CN 110689170 A CN110689170 A CN 110689170A
- Authority
- CN
- China
- Prior art keywords
- parameter
- determining
- features
- preset number
- objects
- 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 42
- 238000013136 deep learning model Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002860 competitive effect Effects 0.000 description 68
- 230000004083 survival effect Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06Q30/0283—Price estimation or determination
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种对象参量的确定方法、装置、电子设备及存储介质,该方法包括:根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,其中,所述至少一个第二对象位于所述第一对象的设定地理位置范围内;根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量;根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子;根据基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量。本申请实施例提高了基准参量的合理性,提高了第一影响因子预测的准确性,从而提高了对象参量确定的准确性。
Description
技术领域
本申请涉及确定价格参量技术领域,特别是涉及一种对象参量的确定方法、装置、电子设备及存储介质。
背景技术
现有的确定对象参量的方式,依据自身已有的历史参量来确定,可能也会采取统计学的方式来确定,没有考虑其他对象的影响,考虑的影响因素较少,导致确定的对象参量的偏差较大,造成对象参量确定的不准确,而且确定的对象参量是固定不变的,会保持很长时间不改变,不能根据影响因素的发展变化趋势进行动态调整。
发明内容
本申请实施例提供一种对象参量的确定方法、装置、电子设备及存储介质,有助于提高参量确定的准确性,并实现对象参量的动态确定。
为了解决上述问题,第一方面,本申请实施例提供了一种对象参量的确定方法,包括:
根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,其中,所述至少一个第二对象位于所述第一对象的设定地理位置范围内;
根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量;
根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子;
根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量。
第二方面,本申请实施例提供了一种对象参量的确定装置,包括:
第二对象确定模块,用于根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,其中,所述至少一个第二对象位于所述第一对象的设定地理位置范围内;
基准参量确定模块,用于根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量;
第一影响因子预测模块,用于根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子;
对象参量确定模块,用于根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例所述的对象参量的确定方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的对象参量的确定方法的步骤。
本申请实施例公开的对象参量的确定方法、装置、电子设备及存储介质,通过根据第一对象对应的属性信息,确定与第一对象相关联的至少一个第二对象,根据至少一个第二对象的对象参量和第一对象的历史对象参量,确定第一对象的基准参量,根据第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子,根据所述基准参量和第一影响因子,确定第一对象在指定未来日期的对象参量,由于在确定基准参量时结合了至少一个第二对象和第一对象的历史对象参量进行确定,从而确定的基准参量更加合理准确,并且预测了未来的第一影响因子,从而根据基准参量和第一影响因子确定的对象参量更加准确,提高了对象参量确定的准确性,并且实现了对象参量的动态确定。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一的对象参量的确定方法的流程图;
图2是本申请实施例二的对象参量的确定方法的流程图;
图3是本申请实施例中DeepFM+seq2seq模型的结构示意图;
图4是本申请实施例三的对象参量的确定装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
本实施例公开的一种对象参量的确定方法,如图1所示,该方法包括:步骤110至步骤160。
步骤110,根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,其中,所述至少一个第二对象位于所述第一对象的设定地理位置范围内。
其中,第一对象为待确定对象参量的对象。所述属性信息包括地理位置以及所述第一对象的其他属性信息。所述多个第二对象与所述第一对象的属性相同,例如第一对象为目标酒店时,第二对象为位于所述第一酒店的设定地理位置范围内的其他酒店。
在本申请的一个实施例中,所述根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,包括:根据所述第一对象对应的属性信息,确定位于所述第一对象的设定地理位置范围内的多个第二对象;根据所述多个第二对象的属性信息,确定所述多个第二对象对应的排序分数;根据所述排序分数对所述多个第二对象进行排序,并基于所述排序,选取第一预设数量的第二对象;分别统计所述第一预设数量的第二对象在过去第一预设天数内的影响参量值;根据所述影响参量值,从所述第一预设数量的第二对象中选取至少一个第二对象。
首先可以根据第一对象的属性信息,确定位于第一对象的设定地理位置范围内且与第一对象具有相同属性的多个第二对象,根据多个第二对象的排序分数,对多个第二对象进行一次筛选,得到第一预设数量的第二对象,再根据第一预设数量的第二对象在过去第一预设天数内的影响参量值,对第一预设数量的第二对象进行二次筛选,得到至少一个第二对象。通过多次筛选,确定了较少的第二对象,从而可以加快后续数据的处理速度。
其中,所述第一对象为目标酒店的平均价格或目标房型,所述影响参量值为平均入住率;所述根据所述影响参量值,从所述第一预设数量的第二对象中选取至少一个第二对象,包括:若所述第一预设数量的第二对象的平均入住率均小于预设入住率阈值,则从所述第一预设数量的第二对象中选取第二预设数量的第二对象,作为所述至少一个第二对象,所述第二预设数量的第三对象的平均入住率大于未被选取到的第二对象的平均入住率;否则,从所述第一预设数量的第二对象中选取平均入住率大于或等于所述预设入住率阈值的第二对象,作为所述至少一个第二对象。
在确定酒店价格时,第一对象为目标酒店的平均价格或者目标房型,即确定目标酒店的平均价格或者确定目标酒店中目标房型的价格。第一影响因子为平均入住率,根据每个第二对象在过去一段时间内的平均入住率来选取至少一个第二对象。
步骤120,根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量。
其中,基准参量作为对象参量确定的一个基准。
结合至少一个第二对象的对象参量和第一对象的历史对象参量,确定第一对象的基准参量。
在本申请的一个实施例中,根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量,包括:根据所述至少一个第二对象的对象参量,确定所述第一对象的第一基准参量;根据所述第二对象的历史对象参量,确定所述第二对象的第二基准参量;根据所述第一基准参量、第二基准参量和第二影响因子,确定所述第一对象的基准参量,所述第二影响因子为当年预设时间段访客数均值与前一年预设时间段访客数均值之比。
其中,预设时间段可以为一年中预设的一段特定时间,可以是预设的月份或预设的一周等,例如10月份,或者国庆节期间等。
可以将至少一个第二对象的对象参量的平均值,作为第一基准参量。或者,还可以根据第一对象与至少一个第二对象的排序分数,对第一对象和至少一个第二对象进行排序,确定排在第一对象的前一名和后一名,将前一名和后一名的对象参量平均值作为第一基准参量;若所述第一对象排在第一名或者最后一名,可以将第一对象在过去第一段时期内的平均对象参量作为第一基准参量。其中,第一段时期例如可以是一个月。
可以将第一对象在前一年的平均对象参量,作为第一对象的第二基准参量;或者,还可以根据第一对象在过去第二段时期内的平均对象参量,作为第一对象的第二基准参量。其中,第二段时期例如可以是过去一周。
可以根据第二影响因子,确定第一基准参量的权重和第二基准参量的权重,并根据第一基准参量的权重和第二基准参量的权重对第一基准参量和第二基准参量进行加权求和,将加权求和的结果作为所述第一对象的基准参量。
在本申请的一个实施例中,所述根据所述第一基准参量、第二基准参量和第二影响因子,确定所述第一对象的基准参量,包括:若所述第二影响因子大于或等于预设因子阈值,则将所述第一基准参量和所述第二基准参量中的最大值作为所述第一对象的基准参量;若所述第二影响因子小于所述预设因子阈值,则将所述第一基准参量和所述第二基准参量中的最小值作为所述第一对象的基准参量。如果第二影响因子大于或等于预设因子阈值,说明当前访客数较多,可以将第一基准参量和第二基准参量中的最大值作为第一对象的基准参量;如果第二影响因子小于预设因子阈值,说明当前访客数与历史相比较少,可以将第一基准参量和第二基准参量中的最小值作为第一对象的基准参量。
步骤130,根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子。
可以利用机器学习模型,根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子。其中,历史数据可以包括历史销量信息和预订信息。
在本申请的一个实施例中,所述从所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子,包括:从所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一中提取过去第二预设天数内每天对应的第一特征和第二特征;对所述第一特征进行变换得到第三特征,并通过因子分解机对所述第三特征进行处理,得到第四特征;将过去第二预设天数内每天对应的第二特征、第三特征和第四特征分别进行拼接,作为序列到序列的网络的输入特征;将所述输入特征输入所述序列到序列的网络,并获取所述序列到序列的网络输出的未来第三预设天数内每天的第一影响因子,所述未来第三预设天数内包括所述指定未来日期。
其中,序列到序列的网络是将输入序列转换为输出序列的网络,简称为seq2seq网络,可以通过两个循环神经网络实现,输入序列与输出序列长度不同。所述变换可以是嵌入(embedding)变换,可以将稀疏的特征转换为稠密的特征。稀疏的特征表示在一个矩阵或向量中只有少量的元素非零,其他元素均是零。稠密的特征表示在一个矩阵或向量中多数的元素非零。第一特征为稀疏的特征,第二特征为稠密的特征。
将第一特征变换为稠密的第三特征,通过因子分解机提取第三特征之间的交叉特征,作为第四特征。对过去第二预设天数内每天对应的第二特征、第三特征和第四特征分别进行拼接,作为序列到序列的网络中的输入特征,并按照第二预设天数的时间先后顺序,确定输入特征的输入位置。通过序列到序列的网络对未来第三预设天数内每天的第一影响因子进行预测,得到未来第三预设天数内每天的第一影响因子,并提取出未来指定日期对应的第一影响因子。
步骤140,根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量。
可以使用深度学习模型,根据所述基准参量和所述第一影响因子确定所述第一对象在所述指定未来日期的对象参量。
在本申请的一个实施例中,所述根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量,包括:获取所述第一对象在所述指定未来日期的情境因素;将所述情境因素中的离散特征进行嵌入编码,得到编码特征,并将所述基准参量、所述第一影响因子和所述情境因素中的连续特征进行归一化处理,得到归一化特征;将所述编码特征和所述归一化特征拼接后输入深度学习模型,并获取所述深度学习模型输出的所述第一对象在所述指定未来日期的对象参量。
其中,情境因素是基准因子和第一影响因子之外的其他可以影响对象参量的因素。例如,在确定酒店的价格时,情境因素可以包括:ADR(Average Daily Rate,平均日费率)、指定未来日期、预订信息、节假日信息等。
情境因素包括离散特征和连续特征,对离散特征进行嵌入编码得到编码特征,对基准参量、第一影响因子和所述连续特征进行归一化处理,得到归一化特征,将编码特征和归一化特征拼接作为深度学习模型的输入特征,并输入深度学习模型,深度学习模型的输出为第一对象在指定未来日期的对象参量。
本申请实施例公开的对象参量的确定方法,通过根据第一对象对应的属性信息,确定与第一对象相关联的至少一个第二对象,根据至少一个第二对象的对象参量和第一对象的历史对象参量,确定第一对象的基准参量,根据第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子,根据所述基准参量和第一影响因子,确定第一对象在指定未来日期的对象参量,由于在确定基准参量时结合了至少一个第二对象和第一对象的历史对象参量进行确定,从而确定的基准参量更加合理准确,并且预测了未来的第一影响因子,从而根据基准参量和第一影响因子确定的对象参量更加准确,提高了对象参量确定的准确性,并且实现了对象参量的动态确定。
实施例二
本实施例公开的一种对象参量的确定方法,在上述实施例的基础上,具体以确定酒店的价格为例进行说明,所述对象参量的确定方法适用于对酒店的平均价格进行确定,还适用于对酒店的设定房型的价格进行确定,在本实施例中,待定价目标对应实施例一中的第一对象,有效竞对对应实施例一中的第二对象。如图2所示,该方法包括:步骤210至步骤260。
步骤210,根据目标酒店的待定价目标对应的属性信息,确定与所述待定价目标相关联的至少一个有效竞对。
其中,所述待定价目标包括平均价格或者目标房型,所述平均价格是指目标酒店中各个房间的平均价格。所述目标酒店的待定价目标对应的属性信息包括:所述目标酒店的所在商圈、地址、待定价目标销量、评分和星级等。
根据目标酒店的待定价目标对应的属性信息,通过竞对挖掘技术挖掘出所述待定价目标对应的至少一个有效竞对。所述至少一个有效竞对的所在商圈和所述目标酒店的所在商圈相同,即在所述目标酒店的设定地理位置范围内。
在本申请的一个实施例中,所述根据目标酒店的待定价目标对应的属性信息,确定与所述待定价目标相关联的至少一个有效竞对,包括:根据所述目标酒店的待定价目标对应的属性信息,挖掘出与所述待定价目标对应的多个竞对;根据所述多个竞对的属性信息,确定所述多个竞对对应的竞对分数;按照所述竞对分数从高到低的顺序,对所述多个竞对进行排序,并选取排序靠前的第一预设数量的竞对,作为待评估竞对;分别计算所述待评估竞对在过去第一预设天数内的平均入住率;根据所述平均入住率,从所述待评估竞对中选取至少一个待评估竞对,作为有效竞对。
其中,所述竞对的属性信息包括:流量转移、与目标酒店的距离、销量、评分、星级等。流量转移是用户点击的酒店与最后预定的酒店不同,如用户点击了酒店A,最后预定了酒店B。第一预设天数是预先设定的用于计算平均入住率的天数,例如可以是7。入住率是间夜量与物理房量之比。酒店的间夜量也叫间夜数,是酒店在某个时间段内,房间出租率的计算单位,在本申请实施例中,间夜量是指一天的间夜量,即一天的入住房间数。
首先根据目标酒店的待定价目标对应的属性信息,通过竞对挖掘技术挖掘出与所述待定价目标对应的多个竞对,针对每个竞对,根据该竞对的属性信息,通过回归模型对该竞对进行打分,得到该竞对对应的竞对分数,得到所述多个竞对的竞对分数后,选取竞对分数最高的第一预设数量的竞对,作为待评估竞对,基于待评估竞对在过去第一预设天数内的平均入住率,从待评估竞对中选取至少一个待评估竞对,作为有效竞对。
例如,在得到待评估竞对后,针对每个待评估竞对,可以分别计算待评估竞对在前七天中每天的入住率,并取前七天中每天入住率的平均值,作为待评估竞对的平均入住率。
在本申请的一个实施例中的,所述根据所述平均入住率,从所述待评估竞对中选取至少一个待评估竞对,作为有效竞对,包括:若所述第一预设数量的待评估竞对的平均入住率均小于预设入住率阈值,则从所述第一预设数量的待评估竞对中选取第二预设数量的待评估竞对,作为所述至少一个有效竞对,所述第二预设数量的待评估竞对的平均入住率大于未被选取到的待评估竞对的平均入住率;否则,从所述第一预设数量的待评估竞对中选取平均入住率大于或等于所述预设入住率阈值的待评估竞对,作为所述至少一个有效竞对。
对第一预设数量的待评估竞对进行判断,若一个待评估竞对的平均入住率大于预设入住率阈值,则确定该待评估竞对是有效竞对,予以保留,否则确定是无效竞对,不予保留;如果所有待评估竞对的平均入住率均小于预设入住率阈值,则选取平均入住率最大且数量为第二预设数量的待评估竞对为有效竞对。
本申请实施例通过竞对挖掘技术,依据目标酒店的所在商圈、地址、评分、自身定位等因素,挖掘出目标酒店的待定价目标对应的其他酒店作为竞对,而不是采用第三方网站数据,其数据更具有参考性和合理性,挖掘出的竞对数据较为准确。
步骤220,根据所述至少一个有效竞对的价格和所述待定价目标的历史价格,确定所述待定价目标的基准价格。
以多个有效竞对的价格和待定价目标的历史价格作为参考,来确定待定价目标的基准价格。
在本申请的一个实施例中,根据所述多个有效竞对的价格和所述待定价目标的历史价格,确定所述待定价目标的基准价格,包括:根据所述多个有效竞对的价格,确定所述待定价目标的第一基准价格;根据所述待定价目标的历史价格,确定所述待定价目标的第二基准价格;根据所述第一基础价格、第二基础价格和第二影响因子,确定所述待定价目标的基准价格,所述第二影响因子为当年预设时间段访客数均值与前一年预设时间段访客数均值之比。
在本申请的一个实施例中,所述根据所述多个有效竞对的价格,确定所述待定价目标的第一基准价格,包括:计算所述至少一个有效竞对的价格的平均值,作为所述待定价目标的第一基准价格;或者,根据所述待定价目标与所述多个有效竞对的排序,确定排在所述待定价目标的前一名竞对和后一名竞对,并将所述前一名竞对和后一名竞对的价格的平均值作为所述待定价目标的第一基准价格;若所述待定价目标排在第一名或者最后一名,则将所述待定价目标在过去第一段时期内的平均价格作为所述待定价目标的第一基准价格。基于多个有效竞对的价格确定第一基准价格,可以将多个有效竞对的价格的平均值作为所述待定价目标的第一基准价格,还可以确定待定价目标的竞对分数,并对待定价目标与多个有效竞对按照竞对分数进行排序,确定排在所述待定价目标的前一名竞对和排在所述待定价目标的后一名竞对,计算所述前一名竞对和后一名竞对的平均值,作为所述待定价目标的第一基准价格。例如,在排序后,待定价目标排在第三位,则将排在第二位和第四位的两个竞对的价格的平均值作为第一基准价格。如果出现待定价目标排在第一名或者最后一名的特殊情况,则使用待定价目标的历史价格来确定第一基准价格,即将待定价目标在过去第一段时期内的平均价格作为待定价目标的第一基础价格,如将待定价目标在过去30天内的平均价格作为第一基础价格。
确定待定价目标的竞对分数时,根据待定价目标的属性信息,通过回归模型对待定价目标进行打分,得到待定价目标的竞对分数。对待定价目标与多个有效竞对按照竞对分数进行排序时,可以按照竞对分数从高到低的顺序对待定价目标与多个有效竞对进行排序,也可以按照竞对分数从低到高的顺序对待定价目标与多个有效竞对进行排序。
在本申请的一个实施例中,所述根据所述待定价目标的历史价格,确定所述待定价目标的第二基准价格,包括:根据所述待定价目标的历史价格,确定前一年的历史均价,作为所述待定价目标的第二基准价格;或者,根据所述待定价目标在过去第二段时期内的历史价格,确定所述第二段时期内的历史均价,作为所述待定价目标的第二基准价格。主要依据待定价目标的历史均价确定第二基准价格,具体可以根据待定价目标在去年的历史价格,确定待定价目标在去年的均价,将该均价作为第二基准价格;还可以将待定价目标在当前时间之前的第二段时期内的历史均价,作为第二基准价格。其中,第二段时期例如可以是七天或者一个月等,所述第二段时期的时间长度小于所述第一段时期的时间长度。
在本申请的一个实施例中,所述根据所述第一基础价格、第二基础价格和第二影响因子,确定所述待定价目标的基础价格,包括:若所述第二影响因子大于或等于预设因子阈值,则将所述第一基准价格和所述第二基准价格中的最大值作为所述待定价目标的基准价格;若所述第二影响因子小于所述预设因子阈值,则将所述第一基准价格和所述第二基准价格中的最小值作为所述待定价目标的基准价格。
其中,所述预设时间段是一年中的特定时间段,例如可以是十一之前的一个月,在当年预设时间段是当年十一之前的一个月,前一年预设时间段则是前一年十一之前的一个月。当年预设时间段访客数均值是当年预设时间段对所述目标酒店所在商圈的每天访客量的累加和除以预设时间段中的天数,前一年预设时间段访客数均值是前一年预设时间段对所述商圈的每天访客量的累加和除以预设时间段中的天数。
基于目标酒店所在商圈的第二影响因子从第一基准价格和第二基准价格中选取更为合理的一个价格作为基准价格,从而确定的基准价格较为合理准确。
步骤230,从所述待定价目标的历史数据、属性信息、日期信息和统计特征中提取稀疏特征和稠密特征。
其中,所述历史数据包括历史销售信息和预订信息。历史销售信息包括历史价格和销量等。预订信息是当前对所述待定价目标在指定未来日期的预定量。属性信息包括:所述目标酒店的所在商圈、地址、待定价目标销量、评分和星级等。日期信息包括历史上的日期、周几和对应的节假日信息,还包括指定未来日期和对应的节假日信息等。统计特征是对销量的统计记录,包括平均入住率和/或方差等。所述历史销售信息和属性信息可以认为是基础特征,基础特征例如包括目标房型标识、日期信息、历史销售数据等。所述稀疏特征对应离散特征,包括目标酒店标识、日期、周几、节假日信息等。所述稠密特征对应连续特征,如每一天的入住率等。
确定所述属性信息和日期信息为稀疏特征,确定所述历史销售信息、预定信息和统计特征为稠密特征。所述稀疏特征对应实施例一中的第一特征,所述稠密特征对应实施例一中的第二特征。
步骤240,对所述稀疏特征进行变换得到一阶特征,将所述一阶特征经过因子分解机处理为包含交叉特征的二阶特征。
对所述稀疏特征进行密集嵌入(Dense Embedding)变换,得到包括特征线性关联性的一阶特征,对于得到的一阶特征再经过因子分解机(Factorization Machine,FM)来学习一阶特征之间的关联性,将所述一阶特征进行两两组合计算内积,得到包含交叉特征的二阶特征。通过对稀疏特征进行密集嵌入变换得到的一阶特征为稠密特征,便于后续使用进行间夜量的预测,而且通过因子分解机对一阶特征处理,得到的二阶特征体现了各个一阶特征之间的关联性,能够提高后续间夜量预测的准确性。所述一阶特征对应实施例一中的第三特征,所述二阶特征对应实施例一中的第四特征。
步骤250,根据所述一阶特征、二阶特征和稠密特征,预测指定未来日期的第一影响因子。
其中,所述第一影响因子为间夜量,即一天的入住房间数。
可以利用机器学习模型来预测指定未来日期的间夜量,将最近一定天数内每天对应的销售信息、一阶特征、二阶特征和稠密特征作为机器学习模型的输入,来预测指定未来日期的间夜量。
在本申请的一个实施例中,所述从所述待定价目标的历史数据、属性信息、日期信息和统计特征中提取稀疏特征和稠密特征,包括:从所述待定价目标的历史数据、属性信息、日期信息和统计特征中提取过去第二预设天数内每天对应的稀疏特征和稠密特征;
所述根据所述一阶特征、二阶特征和稠密特征,预测指定未来日期的第一影响因子,包括:将过去第二预设天数内每天对应的一阶特征、二阶特征和稠密特征分别进行拼接,作为seq2seq网络的输入特征;将所述输入特征输入所述seq2seq网络,并获取所述seq2seq网络输出的未来第三预设天数内每天的间夜量,所述未来第五预设天数内包括所述指定未来日期。
其中,第二预设天数大于第三预设天数。
酒店中待定价目标的间夜量预测是一个时序预测问题,本申请实施例使用了seq2seq(Sequence to Sequence,序列到序列)模型适配待定价目标间夜量预测,并在seq2seq的基础上做了算法改进,称之为DeepFM+seq2seq模型,即对每天的历史数据中的稀疏特征提取一阶特征,利用FM提取一阶特征的二阶特征,之后将一阶特征、二阶特征和稠密特征作为seq2seq网络的输入。DeepFM+seq2seq模型的输入为历史M天的数据,输出未来N天的预测间夜量,其中,M为第二预设天数,N为第三预设天数。其中日期信息包括历史M天的日期信息和未来N天的日期信息。
图3是本申请实施例中DeepFM+seq2seq模型的结构示意图。如图2所示,DeepFM+seq2seq模型包括输入层、密集嵌入层、FM层、拼接层和seq2seq网络,针对每一天均需要DeepFM网络进行处理,DeepFM网络包括输入层、密集嵌入层、FM层和拼接层,并将输出作为历史上该天的输入,DeepFM网络用于提取该天对应的一阶特征、二阶特征和稠密特征。在DeepFM网络中,对于属性信息和日期信息等稀疏特征,首先通过密集嵌入层进行密集嵌入变换,得到包含特征线性关联性的一阶特征,将一阶特征复制为两份,对其中的一份一阶特征通过FM层提取包括交叉特征的二阶特征,将另一份一阶特征与二阶特征和稠密特征通过拼接层进行拼接,得到FM提取特征。图3中以第二预设天数为M天,第三预设天数为N天为例,seq2seq网络通过最近M天的数据预测未来N天的间夜量,即针对历史上的每一天,将FM提取特征作为seq2seq网络中该天对应的输入,seq2seq网络的输出为未来N天每天对应的间夜量。图3中T表示当前时间。
本申请实施例将DeepFM+seq2seq模型与常用时序模型(seq2seq,Xgboost,prophet等)在间夜量预测方面的MAPE(Mean Absolute Percentage Error,平均绝对百分误差)值进行了对比,如表1所示,本申请实施例中的DeepFM+seq2seq模型的MAPE值最低,即间夜量预测效果最佳。其中,DatasetA的测试数据为2018年12月1日-7日的测试数据,DatasetB的测试数据为2018年10月1日-7日的测试数据。
表1 DeepFM+seq2seq模型与常用时序模型的MAPE对比
本申请实施例引入了间夜量预测值作为调价因素,更为合理可靠;本申请实施例能够适配酒店房型进行间夜量预测,预测的效果也优于常用时序模型,从而使得酒店定价更为合理。
步骤260,根据所述基准价格和所述第一影响因子,确定所述待定价目标在所述指定未来日期的建议价格。
可以将基准价格、预测到的指定未来日期的间夜量以及待定价目标的其他特征作为深度学习模型的输入特征,通过深度学习模型确定待定价目标在指定未来日期的建议价格。
在本申请的一个实施例中,所述根据所述基础价格和所述第一影响因子,确定所述待定价目标在所述指定未来日期的建议价格,包括:获取所述待定价目标在所述指定未来日期的情境因素;将所述情境因素中的离散特征进行嵌入编码,得到编码特征,并将所述基准价格、所述间夜量和所述情境因素中的连续特征进行归一化处理,得到归一化特征;将所述编码特征和所述归一化特征拼接后输入深度学习模型,并获取所述深度学习模型输出的所述待定价目标在所述指定未来日期的建议价格。
其中,所述情境因素包括:ADR(Average Daily Rate,平均日费率)、指定未来日期、预订信息、节假日信息等,在待定价目标是目标酒店的平均价格时,所述情境因素还包括目标酒店标识,在待定价目标是目标房型时,所述情境因素还包括目标房型标识。所述深度学习模型例如可以是DNN(Deep Neural Networks,深度神经网络)模型。
情境因素中的目标酒店标识或目标房型标识、节假日信息、指定未来日期为离散特征,将离散特征进行嵌入编码得到编码特征。情境因素中的ADR、预定信息为连续特征,将基础价格、指定未来日期的间夜量和情境因素中的连续特征进行归一化处理,得到归一化特征。将编码特征和归一化特征拼接后得到的特征作为深度学习模型的输入特征,通过深度学习模型得到待定价目标在指定未来日期的建议价格。其中,深度学习模型是通过训练数据进行训练得到的,训练数据是历史上定价表现比较好的数据。
本申请实施例的动态定价是为酒店房型动态定价设计的基于数据驱动的模型算法。目前线上的酒店房型的动态定价一般是基于人工规则的,而实验证明本提案的动态定价系统的许多线下指标都要优于人工规则,如表2和表3所示。表2是基于人工规则的动态定价系统的指标,表3是基于本申请实施例中的基于深度学习模型的动态定价的指标。
表1人工规则定价的指标
表2基于深度学习模型的动态定价的指标
其中,PDR(Price Decrease Recall,降价召回)是在所有不满足入住率的样本中,低于实际价格的建议百分比。降价精度(Price Decrease Precision,PDP)是在建议价格低于实际价格的情况下,低于入住率的样本百分比。PIR(Price Increase Recall,涨价召回)是在所有满足入住率的样本中,高于实际价格的建议百分比。PIP(Price IncreasePrecision,涨价精度)是在建议价格高于实际价格的情况下,高于入住率的样本百分比。预订遗憾(BR)衡量建议价格与所选样本的实际价格的接近程度,其中实际价格应表明价格在市场上设置成功且具有竞争力。其中,DatasetA的测试数据为2018年12月1日-7日的数据,DatasetB的测试数据为2018年10月1日-7日的数据。
本申请实施例公开的对象参量的确定方法,通过根据目标酒店的待定价目标对应的属性信息,确定与待定价目标相关联的至少一个有效竞对,根据至少一个有效竞对的价格和待定价目标的历史价格确定待定价目标的基准价格,从待定价目标的历史数据、属性信息、日期信息和统计特征中提取稀疏特征和稠密特征,对稀疏特征进行变换得到一阶特征,将一阶特征经过因子分解机处理为包含交叉特征的二阶特征,根据一阶特征、二阶特征和稠密特征预测指定未来日期的第一影响因子,根据基准价格和第一影响因子确定待定价目标在指定未来日期的建议价格。由于通过挖掘得到的有效竞对比较合理,从而提高了确定的基准价格的合理性,并且通过一阶特征、二阶特征和稠密特征预测了比较合理的未来指定日期的第一影响因子,从而根据基础价格和第一影响因子确定的建议价格较为合理,提高了酒店价格确定的准确性,并实现了对酒店价格的动态确定。
实施例三
本实施例公开的一种对象参量的确定装置,如图4所示,所述对象参量的确定装置400包括:
第二对象确定模块410,用于根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,其中,所述至少一个第二对象位于所述第一对象的设定地理位置范围内;
基准参量确定模块420,用于根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量;
第一影响因子预测模块430,用于根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子;
对象参量确定模块440,用于根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量。
可选的,所述第二对象确定模块包括:
第二对象挖掘单元,用于根据所述第一对象对应的属性信息,确定位于所述第一对象的设定地理位置范围内的多个第二对象;
排序分数确定单元,用于根据所述多个第二对象的属性信息,确定所述多个第二对象对应的排序分数;
第一筛选单元,用于根据所述排序分数对所述多个第二对象进行排序,并基于所述排序,选取第一预设数量的第二对象;
参量值统计单元,用于分别统计所述第一预设数量的第二对象在过去第一预设天数内的影响参量值;
第二筛选单元,用于根据所述影响参量值,从所述第一预设数量的第二对象中选取至少一个第二对象。
可选的,所述第一对象为目标酒店的平均价格或目标房型,所述影响参量值为平均入住率;
所述第二筛选单元具体用于:
若所述第一预设数量的第二对象的平均入住率均小于预设入住率阈值,则从所述第一预设数量的第二对象中选取第二预设数量的第二对象,作为所述至少一个第二对象,所述第二预设数量的第二对象的平均入住率大于未被选取到的第二对象的平均入住率;
否则,从所述第一预设数量的第二对象中选取平均入住率大于或等于所述预设入住率阈值的第二对象,作为所述至少一个第二对象。
可选的,所述基准参量确定模块包括:
第一参量确定单元,用于根据所述至少一个第二对象的对象参量,确定所述第一对象的第一基准参量;
第二参量确定单元,用于根据所述第二对象的历史对象参量,确定所述第二对象的第二基准参量;
基准参量确定单元,用于根据所述第一基准参量、第二基准参量和第二影响因子,确定所述第一对象的基准参量,所述第二影响因子为当年预设时间段访客数均值与前一年预设时间段访客数均值之比。
可选的,所述基准参量确定单元具体用于:
若所述第二影响因子大于或等于预设因子阈值,则将所述第一基准参量和所述第二基准参量中的最大值作为所述第一对象的基准参量;
若所述第二影响因子小于所述预设因子阈值,则将所述第一基准参量和所述第二基准参量中的最小值作为所述第一对象的基准参量。
可选的,所述第一影响因子预测模块包括:
特征提取单元,用于从所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一中提取过去第二预设天数内每天对应的第一特征和第二特征;
特征变换单元,用于对所述第一特征进行变换得到第三特征,并通过因子分解机对所述第三特征进行处理,得到第四特征;
特征拼接单元,用于将过去第二预设天数内每天对应的第二特征、第三特征和第四特征分别进行拼接,作为序列到序列的网络的输入特征;
第一影响因子预测单元,用于将所述输入特征输入所述序列到序列的网络,并获取所述序列到序列的网络输出的未来第三预设天数内每天的第一影响因子,所述未来第三预设天数内包括所述指定未来日期。
可选的,所述对象参量确定模块包括:
情境因素获取单元,用于获取所述第一对象在所述指定未来日期的情境因素;
特征处理单元,用于将所述情境因素中的离散特征进行嵌入编码,得到编码特征,并将所述基准参量、所述第一影响因子和所述情境因素中的连续特征进行归一化处理,得到归一化特征;
对象参量确定单元,用于将所述编码特征和所述归一化特征拼接后输入深度学习模型,并获取所述深度学习模型输出的所述第一对象在所述指定未来日期的对象参量。
本申请实施例提供的对象参量的确定装置,用于实现本申请实施例一中所述的对象参量的确定方法的各步骤,装置的各模块的具体实施方式参见相应步骤,此处不再赘述。
本申请实施例公开的对象参量的确定装置,通过第二对象确定模块根据第一对象对应的属性信息,确定与第一对象相关联的至少一个第二对象,基准参量确定模块根据至少一个第二对象的对象参量和第一对象的历史对象参量,确定第一对象的基准参量,第一影响因子预测模块根据第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子,对象参量确定模块根据所述基准参量和第一影响因子,确定第一对象在指定未来日期的对象参量,由于在确定基准参量时结合了至少一个第二对象和第一对象的历史对象参量进行确定,从而确定的基准参量更加合理准确,并且预测了未来的第一影响因子,从而根据基准参量和第一影响因子确定的对象参量更加准确,提高了对象参量确定的准确性,并且实现了对象参量的动态确定。
相应的,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例所述的对象参量的确定的方法。所述电子设备可以为服务器、PC机、移动终端、个人数字助理、平板电脑等。
本申请实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例所述的对象参量的确定方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请实施例提供的一种对象参量的确定方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
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各实施方式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实现。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (10)
1.一种对象参量的确定方法,其特征在于,包括:
根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,其中,所述至少一个第二对象位于所述第一对象的设定地理位置范围内;
根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量;
根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子;
根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量。
2.根据权利要求1所述的方法,其特征在于,所述根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,包括:
根据所述第一对象对应的属性信息,确定位于所述第一对象的设定地理位置范围内的多个第二对象;
根据所述多个第二对象的属性信息,确定所述多个第二对象对应的排序分数;
根据所述排序分数对所述多个第二对象进行排序,并基于所述排序,选取第一预设数量的第二对象;
分别统计所述第一预设数量的第二对象在过去第一预设天数内的影响参量值;
根据所述影响参量值,从所述第一预设数量的第二对象中选取至少一个第二对象。
3.根据权利要求2所述的方法,其特征在于,所述第一对象为目标酒店的平均价格或目标房型,所述影响参量值为平均入住率;
所述根据所述影响参量值,从所述第一预设数量的第二对象中选取所述至少一个第二对象,包括:
若所述第一预设数量的第二对象的平均入住率均小于预设入住率阈值,则从所述第一预设数量的第二对象中选取第二预设数量的第二对象,作为所述至少一个第二对象,所述第二预设数量的第二对象的平均入住率大于未被选取到的第二对象的平均入住率;
否则,从所述第一预设数量的第二对象中选取平均入住率大于或等于所述预设入住率阈值的第二对象,作为所述至少一个第二对象。
4.根据权利要求1所述的方法,其特征在于,根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量,包括:
根据所述至少一个第二对象的对象参量,确定所述第一对象的第一基准参量;
根据所述第二对象的历史对象参量,确定所述第二对象的第二基准参量;
根据所述第一基准参量、第二基准参量和第二影响因子,确定所述第一对象的基准参量,所述第二影响因子为当年预设时间段访客数均值与前一年预设时间段访客数均值之比。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一基准参量、第二基准参量和第二影响因子,确定所述第一对象的基准参量,包括:
若所述第二影响因子大于或等于预设因子阈值,则将所述第一基准参量和所述第二基准参量中的最大值作为所述第一对象的基准参量;
若所述第二影响因子小于所述预设因子阈值,则将所述第一基准参量和所述第二基准参量中的最小值作为所述第一对象的基准参量。
6.根据权利要求1所述的方法,其特征在于,所述从所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子,包括:
从所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一中提取过去第二预设天数内每天对应的第一特征和第二特征;
对所述第一特征进行变换得到第三特征,并通过因子分解机对所述第三特征进行处理,得到第四特征;
将过去第二预设天数内每天对应的第二特征、第三特征和第四特征分别进行拼接,作为序列到序列的网络的输入特征;
将所述输入特征输入所述序列到序列的网络,并获取所述序列到序列的网络输出的未来第三预设天数内每天的第一影响因子,所述未来第三预设天数内包括所述指定未来日期。
7.根据权利要求1所述的方法,其特征在于,所述根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量,包括:
获取所述第一对象在所述指定未来日期的情境因素;
将所述情境因素中的离散特征进行嵌入编码,得到编码特征,并将所述基准参量、所述第一影响因子和所述情境因素中的连续特征进行归一化处理,得到归一化特征;
将所述编码特征和所述归一化特征拼接后输入深度学习模型,并获取所述深度学习模型输出的所述第一对象在所述指定未来日期的对象参量。
8.一种对象参量的确定装置,其特征在于,包括:
第二对象确定模块,用于根据第一对象对应的属性信息,确定与所述第一对象相关联的至少一个第二对象,其中,所述至少一个第二对象位于所述第一对象的设定地理位置范围内;
基准参量确定模块,用于根据所述至少一个第二对象的对象参量和所述第一对象的历史对象参量,确定所述第一对象的基准参量;
第一影响因子预测模块,用于根据所述第一对象的历史数据、属性信息、日期信息和统计特征至少之一,预测所述第一对象在指定未来日期的第一影响因子;
对象参量确定模块,用于根据所述基准参量和所述第一影响因子,确定所述第一对象在所述指定未来日期的对象参量。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,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任意一项所述的对象参量的确定方法。
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,该程序被处理器执行时实现权利要求1至7任意一项所述的对象参量的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834169.XA CN110689170A (zh) | 2019-09-04 | 2019-09-04 | 对象参量的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834169.XA CN110689170A (zh) | 2019-09-04 | 2019-09-04 | 对象参量的确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689170A true CN110689170A (zh) | 2020-01-14 |
Family
ID=69107818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910834169.XA Pending CN110689170A (zh) | 2019-09-04 | 2019-09-04 | 对象参量的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689170A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288488A (zh) * | 2020-11-02 | 2021-01-29 | 上海字符飞舞科技有限公司 | 一种短租民宿智能定价系统和方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170116653A1 (en) * | 2015-10-21 | 2017-04-27 | Revionics Inc. | Systems and methods for analytics based pricing optimization with competitive influence effects |
CN106971348A (zh) * | 2016-01-14 | 2017-07-21 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
CN107705155A (zh) * | 2017-10-11 | 2018-02-16 | 北京三快在线科技有限公司 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
CN108335137A (zh) * | 2018-01-31 | 2018-07-27 | 北京三快在线科技有限公司 | 排序方法及装置、电子设备、计算机可读介质 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN109615413A (zh) * | 2018-10-31 | 2019-04-12 | 平安直通咨询有限公司 | 房产均价预估方法、电子装置及存储介质 |
CN109886737A (zh) * | 2019-01-28 | 2019-06-14 | 北京三快在线科技有限公司 | 需求预测方法、装置、电子设备及可读存储介质 |
CN109919653A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 房源价格评估方法、装置、设备和存储介质 |
-
2019
- 2019-09-04 CN CN201910834169.XA patent/CN110689170A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170116653A1 (en) * | 2015-10-21 | 2017-04-27 | Revionics Inc. | Systems and methods for analytics based pricing optimization with competitive influence effects |
CN106971348A (zh) * | 2016-01-14 | 2017-07-21 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
CN107705155A (zh) * | 2017-10-11 | 2018-02-16 | 北京三快在线科技有限公司 | 一种消费能力预测方法、装置、电子设备及可读存储介质 |
CN108335137A (zh) * | 2018-01-31 | 2018-07-27 | 北京三快在线科技有限公司 | 排序方法及装置、电子设备、计算机可读介质 |
CN108550090A (zh) * | 2018-06-06 | 2018-09-18 | 链家网(北京)科技有限公司 | 一种确定房源价格信息的处理方法及系统 |
CN109615413A (zh) * | 2018-10-31 | 2019-04-12 | 平安直通咨询有限公司 | 房产均价预估方法、电子装置及存储介质 |
CN109919653A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 房源价格评估方法、装置、设备和存储介质 |
CN109886737A (zh) * | 2019-01-28 | 2019-06-14 | 北京三快在线科技有限公司 | 需求预测方法、装置、电子设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288488A (zh) * | 2020-11-02 | 2021-01-29 | 上海字符飞舞科技有限公司 | 一种短租民宿智能定价系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10713596B2 (en) | Transforming property data into sufficiently sized, relatively homogeneous data segments for configuring automated modeling systems | |
US11449958B1 (en) | Automatically determining a current value for a home | |
US20150012335A1 (en) | Automated rental amount modeling and prediction | |
CN110390408B (zh) | 交易对象预测方法和装置 | |
CN108446944B (zh) | 一种常驻城市的确定方法、装置及电子设备 | |
CN108415960B (zh) | 一种地理位置服务的实现方法及装置,电子设备 | |
US20180308152A1 (en) | Data Processing Method and Apparatus | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
CN108648058B (zh) | 产品排序方法及装置,电子设备、存储介质 | |
KR101849544B1 (ko) | 빅데이터를 이용한 부동산 예측 방법 및 이를 수행하기 위한 장치 | |
CN111061945A (zh) | 推荐方法、装置、电子设备,存储介质 | |
CN110532351A (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
CN104239335B (zh) | 特定用户信息获取方法及装置 | |
CN112966189A (zh) | 一种基金产品推荐系统 | |
CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
Harkushenko et al. | Analysis of economic and mathematical models of information and communication technology (ICT) effect on the production output: Does the solow paradox exist? | |
CN106776757A (zh) | 用户完成网银操作的指示方法及装置 | |
CN110689170A (zh) | 对象参量的确定方法、装置、电子设备及存储介质 | |
CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
KR102018838B1 (ko) | 전자입찰참여를 위한 빅데이터 가중이동평균법 기반 입찰정보 분석 서비스 제공 방법 | |
CN116226537A (zh) | 页面中页面模块的布局、展示方法、装置、设备及介质 | |
CN115618079A (zh) | 会话推荐方法、装置、电子设备及存储介质 | |
CN109636437A (zh) | 小区均价预估方法、电子装置及存储介质 | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |