CN111047354A - 一种分时定价的实现方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种分时定价的实现方法、装置、电子设备和存储介质。所述方法包括：将分时定价任务信息输入到下单量预测模型，获取所述下单量预测模型输出的与多个定价分别对应的预测下单量；所述分时定价任务信息包括时间、定价区间和商户特征；根据各定价及对应的预测下单量，计算各定价的预期反馈值；根据所述预期反馈值确定与所述时间对应的推荐定价。其有益效果在于，可以根据下单量预测模型得出预测下单量和预期反馈值，从而给用户推荐出满足利益最大化的定价方案，自动化程度较高，具有较高的预测准确率，节约了人力成本和管理成本，有利于优化商户的利益实现，对物流资源和网络资源的有效利用等方面都能够给出重要帮助。

Description

一种分时定价的实现方法、装置、电子设备和存储介质

技术领域

本申请涉及智能商务领域，具体涉及一种分时定价的实现方法、装置、电子设备和存储介质。

背景技术

用户在O2O(离线商务模式)平台进行酒店的房间预订、度假的门票预订等进行下单时，用户的下单量规律可能会在多种因素的影响下出现阶段性的变化，如下单量会随着所处的不同时间阶段而不同，如在淡旺季、节假日、周末等不同时段用户下单量会出现较为剧烈的波动变化，因此商户在制定和执行相应定价策略时管理者一般采用手动调控价格的方法，但是这种方法不但管理成本较高，而且也难以准确把握其中的规律，在某些行业领域低效和不合理的定价策略甚至会影响到行业发展的平稳健康。现有技术方案下，管理成本和人力成本较高、得出的定价策略也不可靠。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的一种分时定价的实现方法、装置、电子设备和存储介质。

依据本申请的一个方面，提供了一种分时定价的实现方法，包括：

将分时定价任务信息输入到下单量预测模型，获取所述下单量预测模型输出的与多个定价分别对应的预测下单量；所述分时定价任务信息包括时间、定价区间和商户特征；

根据各定价及对应的预测下单量，计算各定价的预期反馈值；

根据所述预期反馈值确定与所述时间对应的推荐定价。

可选地，所述下单量预测模型是通过如下方式训练得到的：

根据下单历史数据生成所述下单量预测模型的训练集；所述下单历史数据包括通用特征和行业特征，所述通用特征包括如下的至少一种：时间，定价，评价，地理位置；

根据所述训练集对所述下单量预测模型进行迭代训练，直至预设的损失函数收敛；其中，所述损失函数的值是基于训练数据的真实下单量和预测下单量确定的。

可选地，所述下单量预测模型包含多层神经网络，各层神经网络分别包含多个神经元；

所述下单量预测模型的多层神经网络的连接权重依据所述损失函数的值进行更新优化。

可选地，所述根据下单历史数据生成所述下单量预测模型的训练集包括对所述下单历史数据进行如下的任一种处理：

脏数据剔除，空数据补全，数据归一化，特征值量化。

可选地，所述下单量预测模型用于以预设的步长对所述定价区间进行离散处理，得到所述多个定价。

可选地，所述根据各定价及对应的预测下单量，计算各定价的预期反馈值包括：

将定价和对应的预测下单量输入反馈值计算模型，获取所述反馈值计算模型输出的预期反馈值。

可选地，所述根据所述预期反馈值确定与所述时间对应的推荐定价包括：

将各定价的预期反馈值排序后进行展示，响应于对指定定价的确认请求，将该指定定价作为与所述时间对应的推荐定价。

依据本申请的另一个方面，提供了一种分时定价的实现装置，包括：

模型单元，用于将分时定价任务信息输入到下单量预测模型，获取所述下单量预测模型输出的与多个定价分别对应的预测下单量；所述分时定价任务信息包括时间、定价区间和商户特征；

计算单元，用于根据各定价及对应的预测下单量，计算各定价的预期反馈值；

推荐单元，用于根据所述预期反馈值确定与所述时间对应的推荐定价。

可选地，所述模型单元，用于根据下单历史数据生成所述下单量预测模型的训练集；所述下单历史数据包括通用特征和行业特征，所述通用特征包括如下的至少一种：时间，定价，评价，地理位置；

根据所述训练集对所述下单量预测模型进行迭代训练，直至预设的损失函数收敛；其中，所述损失函数的值是基于训练数据的真实下单量和预测下单量确定的。

可选地，所述下单量预测模型包含多层神经网络，各层神经网络分别包含多个神经元；

所述下单量预测模型的多层神经网络的连接权重依据所述损失函数的值进行更新优化。

可选地，所述模型单元，用于对所述下单历史数据进行如下的任一种处理：

脏数据剔除，空数据补全，数据归一化，特征值量化。

可选地，所述模型单元，用于以预设的步长对所述定价区间进行离散处理，得到所述多个定价。

可选地，所述计算单元，用于将定价和对应的预测下单量输入反馈值计算模型，获取所述反馈值计算模型输出的预期反馈值。

可选地，所述推荐单元，用于将各定价的预期反馈值排序后进行展示，响应于对指定定价的确认请求，将该指定定价作为与所述时间对应的推荐定价。

依据本申请的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。

依据本申请的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的方法。

由上述可知，本申请的技术方案，将分时定价任务信息输入到下单量预测模型，获取所述下单量预测模型输出的与多个定价分别对应的预测下单量；所述分时定价任务信息包括时间、定价区间和商户特征；根据各定价及对应的预测下单量，计算各定价的预期反馈值；根据所述预期反馈值确定与所述时间对应的推荐定价。其有益效果在于，可以根据下单量预测模型得出预测下单量和预期反馈值，从而给用户推荐出满足利益最大化的定价方案，自动化程度较高，具有较高的预测准确率，节约了人力成本和管理成本，有利于优化商户的利益实现，对物流资源和网络资源的有效利用等方面都能够给出重要帮助。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请一个实施例的分时定价的实现方法的流程示意图；

图2示出了根据本申请一个实施例的分时定价的实现装置的结构示意图；

图3示出了根据本申请一个实施例的分时定价预测模型训练过程的示意图；

图4示出了根据本申请一个实施例的电子设备的结构示意图；

图5示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

图1示出了根据本申请一个实施例的分时定价的实现方法的流程示意图。如图1所示，所述方法包括：

步骤S110，将分时定价任务信息输入到下单量预测模型，获取下单量预测模型输出的与多个定价分别对应的预测下单量；分时定价任务信息包括时间、定价区间和商户特征。

下单量预测模型集成了对分时定价任务预测的处理逻辑。预期下单量会受到不同定价、不同时间等因素产生不同程度的影响。因此，为了可以分析不同时段用户消费的意愿，输出可靠的预测下单量作为参考，可以拉取如时间、定价区间和商户特征等下单量的影响因素作为分时定价任务信息输入到下单量预测模型，根据下单量预测模型获取与多个定价分别对应的预测下单量。这样，可以实现根据模型自动化的获取与多个定价分别对应的预测下单量。

步骤S120，根据各定价及对应的预测下单量，计算各定价的预期反馈值。

下单量预测模型输出与多个定价分别对应的预测下单量后，可以根据各定价及对应的预测下单量的关系，例如可以根据定价与对应预测下单量的乘积计算出预期的反馈值。这样，就实现了通过计算确定出各定价的预期反馈值。

这里的预期反馈值可以反映出定价为商户带来的正向或者负向影响，并具体以数值的方式体现，便于理解。具体来说，反馈值可以对应于商户的收益，例如，在定价为100元、下单量为1000单时的净利润是多少。但需要说明的是，反馈值与经济效益相关仅是具体应用中的一个示例，反馈值还可以与网络吞吐量(例如下单量过多可能导致网络阻塞)、物流效率(例如下单量过少可能导致物流资源不能充分利用)有关。

步骤S130，根据预期反馈值确定与时间对应的推荐定价。

得到的预期反馈值是与不同的定价对应的，最终提供给用户的可以是多个推荐定价，供用户选择，也可以仅提供一个推荐定价。

如图1所示的方法，可以根据下单量预测模型得出预测下单量和预期反馈值，从而给用户推荐出满足利益最大化的定价方案，自动化程度较高，具有较高的预测准确率，节约了人力成本和管理成本，有利于优化商户的利益实现，对物流资源和网络资源的有效利用等方面都能够给出重要帮助。

在本申请的一个实施例中，上述方法中，下单量预测模型是通过如下方式训练得到的：根据下单历史数据生成下单量预测模型的训练集；下单历史数据包括通用特征和行业特征，通用特征包括如下的至少一种：时间，定价，评价，地理位置；根据训练集对下单量预测模型进行迭代训练，直至预设的损失函数收敛；其中，损失函数的值是基于训练数据的真实下单量和预测下单量确定的。

图3示例性地给出了一种下单量预测模型的神经网络结构，在具体实施时可以根据需求选择不同的神经网络结构，本申请对此不做限制。为了提升下单量预测模型预测的准确性和可靠性，可以对模型进行预先训练。作为训练的训练集可以根据下单历史数据生成下单量预测模型的训练集。为了全面反映不同行业的特征，在选取训练集时可以包含如时间，定价、评价、地理位置等的通用特征，可以包含如足疗行业、理发行业等依赖特定服务人员而产生下单量差异的行业所体现出的行业特征信息。其中，地理位置特征可以包括具体的经纬度坐标、楼层、是否位于热门商圈、地段分别对应忙闲时段的客流量等等。

根据大量训练集对下单量预测模型进行大量训练和迭代训练，然后用训练数据的真实下单量和预测下单量进行比较，当二者趋同时可以认为确定的预设的损失函数趋于收敛。例如，可以预设一个阈值，损失函数用于将真实下单量和预测下单量做差值，将所得差值与预设阈值进行比较，当满足小于预设阈值时，可以认为损失函数趋于收敛，当然，实际使用的损失函数可以比上述示例更为复杂。这样，就完成了下单量预测模型的训练过程。

在本申请的一个实施例中，上述方法中，下单量预测模型包含多层神经网络，各层神经网络分别包含多个神经元；下单量预测模型的多层神经网络的连接权重依据损失函数的值进行更新优化。

如图3所示，下单量预测模型采用人工智能深度学习的方法对大量数据进行处理和计算。多层神经网络具有更深入的表示特征，以及更强的函数模拟能力的优点，因此，下单量预测模型可以包含多层神经网络，各层神经网络分别包含多个神经元。神经网络是高度互连的，其中权重是实现这种互连的重要的因素，可以影响节点之间的连接强度，是将节点彼此连接起来的一种工具，也是训练神经网络减少错误的一个重要因素。为了得到精度更高的下单量预测模型可以通过不断优化连接权重，可以依据损失函数的值对下单量预测模型的多层神经网络的连接权重进行持续更新优化。图3中将训练集的训练数据作为输入值输入下单量预测模型，使用函数h1、h2和h3最终得到预测下单量y，与实际下单量y’计算损失函数，根据损失函数的值更新连接权重，实现迭代训练。

在本申请的一个实施例中，上述方法中，根据下单历史数据生成下单量预测模型的训练集包括对下单历史数据进行如下的任一种处理：脏数据剔除，空数据补全，数据归一化，特征值量化。

为了提高数据的质量，可以对下单历史数据进行一系列数据处理工作。例如，可以通过脏数据剔除处理缺失值、异常值等脏数据，脏数据是指不在给定的范围内、对于实际业务毫无意义、数据格式非法，编码不规范、业务逻辑含糊等特征的数据。可以通过空数据补全对一些日期、地理位置等缺失的数据进行数据补充。可以通过数据归一化去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权，将数据统一映射到[0,1]区间上。数据特征不利于直接进行运算，可以通过对数据特征处理进行特征值量化。上述处理方式可以择一使用，也可以根据需求组合使用。这样，通过这些处理就可以实现对数据质量的提升，提升模型的收敛速度。

在本申请的一个实施例中，上述方法中，下单量预测模型用于以预设的步长对定价区间进行离散处理，得到多个定价。

商户录入的价格代表了商户可以接受的定价范围，因此通常是一个或多个定价区间。而下单量预测模型的训练过程则是针对特定的价格训练得到的，为了克服这种不一致的问题，可以根据预设的步长对定价区间进行离散处理，然后将得到的多个定价作为模型输入值。例如，对于价格区间120-200，以10为步长，则可以得到120、130、140……200等九个离散价格。这样，就可以实现对定价区间数据的离散处理，从而利于下单量预测模型进行下单量的预测。

在本申请的一个实施例中，上述方法中，根据各定价及对应的预测下单量，计算各定价的预期反馈值包括：将定价和对应的预测下单量输入反馈值计算模型，获取反馈值计算模型输出的预期反馈值。

定价与下单量具有对应关系，将定价和对应的预测下单量输入反馈值计算模型，反馈值计算模型可以输出对应的预期反馈值。如前所述，一种较为简单的方式可以采用定价与下单量的乘积直接输出的预期反馈值，但下单量可能还与机器损耗、人工成本、管理成本、网络吞吐、物流效率等因素相关，此时可以反馈值计算模型进行综合计算输出对应的预期反馈值。这样，就实现了根据反馈值计算模型自动化的获取预期反馈值。

在本申请的一个实施例中，上述方法中，根据预期反馈值确定与时间对应的推荐定价包括：将各定价的预期反馈值排序后进行展示，响应于对指定定价的确认请求，将该指定定价作为与时间对应的推荐定价。

例如，在获取到各定价的预期反馈值后，对这些预期反馈值由高到低进行排序，然后进行展示。当用户对推荐的定价进行确认后，就可以响应确认请求，将该指定定价作为与时间对应的推荐定价。可以展示各定价时可以展示相应的下单量，用户可以综合权衡后选择推荐定价，例如出于人力成本和管理成本的考虑，在预期反馈值相差不多时，优先选择定价略高，下单量较少的推荐定价，而不是下单量较高，定价较低的推荐定价。用户可以采用自动生效的策略选择并自动发布推荐的价格。这样，用户就可以完成推荐定价的调整和选定。

图2示出了根据本申请一个实施例的分时定价的实现装置的结构示意图。如图2所示，该分时定价的实现装置200包括：

模型单元210，用于将分时定价任务信息输入到下单量预测模型，获取下单量预测模型输出的与多个定价分别对应的预测下单量；分时定价任务信息包括时间、定价区间和商户特征。

下单量预测模型集成了对分时定价任务预测的处理逻辑。预期下单量会受到不同定价、不同时间等因素产生不同程度的影响。因此，为了可以分析不同时段用户消费的意愿，输出可靠的预测下单量作为参考，可以拉取如时间、定价区间和商户特征等下单量的影响因素作为分时定价任务信息输入到下单量预测模型，根据下单量预测模型获取与多个定价分别对应的预测下单量。这样，可以实现根据模型自动化的获取与多个定价分别对应的预测下单量。

计算单元220，用于根据各定价及对应的预测下单量，计算各定价的预期反馈值。

下单量预测模型输出与多个定价分别对应的预测下单量后，可以根据各定价及对应的预测下单量的关系，例如可以根据定价与对应预测下单量的乘积计算出预期的反馈值。这样，就实现了通过计算确定出各定价的预期反馈值。

这里的预期反馈值可以反映出定价为商户带来的正向或者负向影响，并具体以数值的方式体现，便于理解。具体来说，反馈值可以对应于商户的收益，例如，在定价为100元、下单量为1000单时的净利润是多少。但需要说明的是，反馈值与经济效益相关仅是具体应用中的一个示例，反馈值还可以与网络吞吐量(例如下单量过多可能导致网络阻塞)、物流效率(例如下单量过少可能导致物流资源不能充分利用)有关。

推荐单元230，用于根据预期反馈值确定与时间对应的推荐定价。

得到的预期反馈值是与不同的定价对应的，最终提供给用户的可以是一个多个推荐定价，供用户选择，也可以仅提供一个推荐定价。

如图2所示的装置，可以根据下单量预测模型得出预测下单量和预期反馈值，从而给用户推荐出满足利益最大化的定价方案，自动化程度较高，具有较高的预测准确率，节约了人力成本和管理成本，有利于优化商户的利益实现，对物流资源和网络资源的有效利用等方面都能够给出重要帮助。

在本申请的一个实施例中，上述装置中，模型单元210，用于根据下单历史数据生成下单量预测模型的训练集；下单历史数据包括通用特征和行业特征，通用特征包括如下的至少一种：时间，定价，评价，地理位置；根据训练集对下单量预测模型进行迭代训练，直至预设的损失函数收敛；其中，损失函数的值是基于训练数据的真实下单量和预测下单量确定的。

在本申请的一个实施例中，上述装置中，下单量预测模型包含多层神经网络，各层神经网络分别包含多个神经元；下单量预测模型的多层神经网络的连接权重依据损失函数的值进行更新优化。

在本申请的一个实施例中，上述装置中，根据模型单元210，用于对下单历史数据进行如下的任一种处理：脏数据剔除，空数据补全，数据归一化，特征值量化。

在本申请的一个实施例中，上述装置中，模型单元210，用于以预设的步长对定价区间进行离散处理，得到多个定价。

在本申请的一个实施例中，上述装置中，计算单元220，用于将定价和对应的预测下单量输入反馈值计算模型，获取反馈值计算模型输出的预期反馈值。

在本申请的一个实施例中，上述装置中，推荐单元230，用于将各定价的预期反馈值排序后进行展示，响应于对指定定价的确认请求，将该指定定价作为与时间对应的推荐定价。

需要说明的是，上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。

综上所述，本申请的技术方案，将分时定价任务信息输入到下单量预测模型，获取所述下单量预测模型输出的与多个定价分别对应的预测下单量；所述分时定价任务信息包括时间、定价区间和商户特征；根据各定价及对应的预测下单量，计算各定价的预期反馈值；根据所述预期反馈值确定与所述时间对应的推荐定价。其有益效果在于，可以根据下单量预测模型得出预测下单量和预期反馈值，从而给用户推荐出满足利益最大化的定价方案，自动化程度较高，具有较高的预测准确率，节约了人力成本和管理成本，有利于优化商户的利益实现，对物流资源和网络资源的有效利用等方面都能够给出重要帮助。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的分时定价的实现装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图4示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备400包括处理器410和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器420。存储器420可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器420具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码431的存储空间430。例如，用于存储计算机可读程序代码的存储空间430可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码431。计算机可读程序代码431可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图5所述的计算机可读存储介质。图5示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质500存储有用于执行根据本申请的方法步骤的计算机可读程序代码431，可以被电子设备400的处理器410读取，当计算机可读程序代码431由电子设备400运行时，导致该电子设备400执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码431可以执行上述任一实施例中示出的方法。计算机可读程序代码431可以以适当形式进行压缩。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种分时定价的实现方法，包括：

将分时定价任务信息输入到下单量预测模型，获取所述下单量预测模型输出的与多个定价分别对应的预测下单量；所述分时定价任务信息包括时间、定价区间和商户特征；

根据各定价及对应的预测下单量，计算各定价的预期反馈值；

根据所述预期反馈值确定与所述时间对应的推荐定价。

2.如权利要求1所述的方法，其特征在于，所述下单量预测模型是通过如下方式训练得到的：

根据下单历史数据生成所述下单量预测模型的训练集；所述下单历史数据包括通用特征和行业特征，所述通用特征包括如下的至少一种：时间，定价，评价，地理位置；

根据所述训练集对所述下单量预测模型进行迭代训练，直至预设的损失函数收敛；其中，所述损失函数的值是基于训练数据的真实下单量和预测下单量确定的。

3.如权利要求2所述的方法，其特征在于，所述下单量预测模型包含多层神经网络，各层神经网络分别包含多个神经元；

所述下单量预测模型的多层神经网络的连接权重依据所述损失函数的值进行更新优化。

4.如权利要求2所述的方法，其特征在于，所述根据下单历史数据生成所述下单量预测模型的训练集包括对所述下单历史数据进行如下的任一种处理：

脏数据剔除，空数据补全，数据归一化，特征值量化。

5.如权利要求1所述的方法，其特征在于，

所述下单量预测模型用于以预设的步长对所述定价区间进行离散处理，得到所述多个定价。

6.如权利要求1所述的方法，其特征在于，所述根据各定价及对应的预测下单量，计算各定价的预期反馈值包括：

将定价和对应的预测下单量输入反馈值计算模型，获取所述反馈值计算模型输出的预期反馈值。

7.如权利要求1所述的方法，其特征在于，所述根据所述预期反馈值确定与所述时间对应的推荐定价包括：

将各定价的预期反馈值排序后进行展示，响应于对指定定价的确认请求，将该指定定价作为与所述时间对应的推荐定价。

8.一种分时定价的实现装置，包括：

模型单元，用于将分时定价任务信息输入到下单量预测模型，获取所述下单量预测模型输出的与多个定价分别对应的预测下单量；所述分时定价任务信息包括时间、定价区间和商户特征；

计算单元，用于根据各定价及对应的预测下单量，计算各定价的预期反馈值；

推荐单元，用于根据所述预期反馈值确定与所述时间对应的推荐定价。

9.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-7中任一项所述的方法。

Images