CN111178622A - 信息预测方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本申请实施例公开了信息预测方法、装置、电子设备和计算机可读介质。该方法的实施例包括：对目标实体在目标时段的基础供应信息进行预测，基础供应信息为在目标时段不发生目标事件时的供应量；获取目标事件的特征信息；基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量；基于基础供应信息和增量，确定目标实体在目标时段的目标供应信息，目标供应信息为在目标时段发生目标事件时的供应量。该实施方式提高了在发生影响供应量的事件的场景下的信息预测的准确性。

Description

信息预测方法、装置、电子设备和计算机可读介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及信息预测方法、装置、电子设备和计算机可读介质。

背景技术

随着计算机技术的发展，电子商务平台应运而生。随着业务量的增加，通常需要对入驻电子商务平台中的实体(如住宿酒店、餐饮店、零售店等)的供应信息进行预测，以便于实体管理产品库存。

现有的方式，通常是基于实体及其产品的特征以及历史供应信息，建立信息预测模型，从而使用该信息预测模型对未来某一时段中某一实体的信息进行预测。然而，这种方式通常适用于仅对随时间波动的相对平稳的供应信息的预测，当某一实体附近有影响供应量的事件(如演唱会、考试等)发生时，这种方式的预测结果不够准确。

发明内容

本申请实施例提出了信息预测方法、装置、电子设备和计算机可读介质，以提高在发生影响供应量的事件的场景下的信息预测的准确性。

第一方面，本申请实施例提供了一种信息预测方法，该方法包括：对目标实体在目标时段的基础供应信息进行预测，基础供应信息为在目标时段不发生目标事件时的供应量；获取目标事件的特征信息；基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量；基于基础供应信息和增量，确定目标实体在目标时段的目标供应信息，目标供应信息为在目标时段发生目标事件时的供应量。

第二方面，本申请实施例提供了一种信息预测装置，该装置包括：预测单元，被配置成对目标实体在目标时段的基础供应信息进行预测，基础供应信息为在目标时段不发生目标事件时的供应量；获取单元，被配置成获取目标事件的特征信息；第一确定单元，被配置成基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量；第二确定单元，被配置成基于基础供应信息和增量，确定目标实体在目标时段的目标供应信息，目标供应信息为在目标时段发生目标事件时的供应量。

第三方面，本申请实施例提供了一种电子设备，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第一方面中的方法。

第四方面，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，该程序被处理器执行时实现如第一方面中的方法。

本申请实施例提供的信息预测方法、装置、电子设备和计算机可读介质，通过对目标实体在目标时段的基础供应信息进行预测，从而得到在目标时段不发生目标事件时的供应量。而后获取目标事件的特征信息，并基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量。由于增量可以指示目标实体的供应量受目标事件影响而增加的供应量，因而可以基于基础供应信息和增量，确定在目标时段发生目标事件时，目标实体在目标时段的目标供应信息。由此，在对目标时段的供应量进行预测时，考虑了目标事件的影响，在发生影响供应信息的事件的场景下，提高了供应信息预测的准确性。

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是根据本申请的信息预测方法的一个实施例的流程图；

图2是根据本申请的信息预测方法的又一个实施例的流程图；

图3是根据本申请的信息预测装置的一个实施例的结构示意图；

图4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。

请参考图1，其示出了根据本申请的信息预测方法的一个实施例的流程100。该信息预测方法，包括以下步骤：

步骤101，对目标实体在目标时段的基础供应信息进行预测。

在本实施例中，信息预测方法的执行主体(如服务器等电子设备)可以对目标实体在目标时段的基础供应信息进行预测。其中，基础供应信息为在目标时段不发生目标事件时的供应量，如销量等。

此处，目标实体可以是待预测其供应量的任一经营实体。实践中，实体可以是出售产品的经营单位，如住宿酒店、餐饮店、零售店等。上述产品可以包括但不限于实物类产品、电子类产品、服务类产品等。

此处，目标事件可以是影响供应量的事件，如演唱会、考试等。作为示例，若目标实体为住宿酒店，当目标实体旁有演唱会事件发生，则该住宿酒店在演唱会事件发生期间，客房的供应量通常会比往常有所增加。

此处，目标时段可以是待发生目标事件的时段。其中，时段可以根据需要预先划分。例如，每一个时段可以是一个自然日，因而目标时段可以是待发生目标事件的自然日。

需要说明的是，本申请实施例所涉及的各类供应量，可以指某一目标产品的供应量，也可以是指一类产品的供应量，还可以指实体的总供应量，此处不作限定。

在本实施例中，上述执行主体可以将采用各种常规的供应量预测方法，预测目标实体在目标时段的基础供应信息。作为示例，可以首先提取目标实体的特征、其所出售的产品的特征、目标时段的特征等；而后，将所提取的各类特征输入至预先训练的供应量预测模型，得到目标时段的供应量；最后，将该供应量作为基础供应信息。其中，上述供应量预测模型可以是以各类特征(如实体的特征、所出售的产品的特征和时段的特征等)作为输入，将某时段的历史供应量作为输出，利用机器学习方法训练得到的。

步骤102，获取目标事件的特征信息。

在本实施例中，上述执行主体可以获取目标事件的特征信息。其中，上述特征信息可以是用于表征目标事件的特征的信息。例如，可以包括但不限于：目标时间所发生的城市、事件的主题、参与人数、重要人员增量、事件场馆、广告效应、优惠力度，还要考虑天气情况、节假日等。

步骤103，基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量。

在本实施例中，上述执行主体可以基于该特征信息和预先训练的增量预测模型，确定目标实体的供应量受上述目标事件影响而产生的增量。其中，上述增量指目标实体的供应量受目标事件影响而增加的供应量。上述增量预测模型可以是对受事件影响所产生的增量进行预测的模型。上述增量预测模型可以是基于大量训练样本并利用机器学习方法训练得到。

在本实施例的一些可选的实现方式中，上述增量预测模型可以直接对各实体的供应量受目标事件的影响而产生的增量进行预测，通过输入某一事件的特征信息，即可得到各实体的供应量受该事件所影响而产生的增量。此时，可以将目标事件的特征信息输入至该增量预测模型，从而得到目标实体的供应量受上述目标事件影响而产生的增量。

在本实施例的一些可选的实现方式中，上述增量预测模型可以对受某事件影响而产生的总增量进行预测。其中，上述总增量用于指示目标区域内各实体的供应量受上述某事件影响而增加的供应量总和。此处，上述目标区域可以是基于目标事件发生地所预先确定的、供应量受到目标事件所影响的地理区域。作为示例，目标区域可以是以目标事件发生地为中心、以某一指定距离为半径的圆形地理区域。作为又一示例，目标区域可以是以目标事件发生地为中心、以某一指定距离为边长的矩形地理区域。作为再一示例，目标区域可以是包含目标事件发生地的不规则地理区域。

在这种情况下，执行主体可以首先将目标事件的特征信息输入至预先训练的增量预测模型，得到目标事件的总增量。而后，可以基于总增量，确定目标实体的供应量受目标事件影响而产生的增量。实践中，可以首先确定目标区域内各实体在同一历史时段的总供应量；而后确定目标实体在该历史时段的供应量与总供应量的比例；最后将该比例作为目标事件对目标实体的增量占总增量的比例，从而确定出目标实体的供应量受目标事件影响而产生的增量。例如，目标区域内有p、q两个店，某一天对矿泉水的供应量的分别是100瓶与200瓶。预测出的总增量，即受到目标事件影响而增加的供应量总和是60瓶，那么按其比例100:200拆分，得到p受到目标事件影响而增加的供应量为20瓶，q受到目标事件影响而增加的供应量为40瓶。

可选的，基于上述总增量，可以按照如下步骤目标实体的供应量受目标事件影响而产生的增量：

第一步，对目标区域内其余各实体在上述目标时段的基础供应信息进行预测。需要说明的是，预测其余各实体在目标时段的基础供应信息的方式与步骤101中预测目标实体在目标时段的基础供应信息的方式基本相同，此处不再赘述。

第二步，确定上述目标区域内各实体的基础供应信息的总和。

第三步，基于上述目标实体的基础供应信息、上述总和与上述总增量，确定上述目标实体的供应量受目标事件影响而产生的增量。

具体地，可以首先确定目标实体的基础供应信息与上述基础供应信息的总和的比值。而后，将该比值与总增量相乘，从而得到目标实体的供应量受目标事件影响而产生的增量。

由此，可以将目标实体的基础供应信息占目标区域内各实体的基础供应信息的总和的比例，作为目标实体的供应量受目标事件影响而产生的增量占总增量的比例。由于基础供应信息为预测的在上述目标时段不发生目标事件时的供应量，是目标时段的供应量，因而相对于基于历史供应量确定增量的方式，可以考虑到目标时段的特征。由此所得到的目标实体的供应量受目标事件影响而产生的增量更为准确。

步骤104，基于基础供应信息和增量，确定目标实体在目标时段的目标供应信息。

在本实施例中，上述执行主体可以基于目标实体在目标时段的基础供应信息和目标实体的供应量受目标事件影响而产生的增量，确定上述目标实体在上述目标时段的目标供应信息。其中，上述目标供应信息为在上述目标时段发生上述目标事件时的供应量。

具体地，可以将目标实体在目标时段的基础供应信息和目标实体的供应量受目标事件影响而产生的增量的总和，作为目标实体在目标时段的目标供应信息。

需要说明的是，在确定目标供应信息的过程中可以考虑库存上限等因素。例如，目标区域内有p、q两个店，在目标时段内对矿泉水的基础供应信息的分别是100瓶与200瓶。预测出的总增量，即受到目标事件影响而增加的供应量总和是60瓶，p受到目标事件影响而增加的供应量为20瓶，q受到目标事件影响而增加的供应量为40瓶。此时，p的目标供应信息应为120瓶，q的目标供应信息应为240瓶。但由于此时p的库存上限为110瓶，因而在考虑库存上限因素后，可以将p的目标供应信息设定为110瓶，将q的目标供应信息设置为250瓶。

本申请的上述实施例提供的方法，通过对目标实体在目标时段的基础供应信息进行预测，从而得到在目标时段不发生目标事件时的供应量。而后获取目标事件的特征信息，并基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量。由于增量可以指示目标实体的供应量受目标事件影响而增加的供应量，因而可以基于基础供应信息和增量，确定在目标时段发生目标事件时，目标实体在目标时段的目标供应信息。由此，在对目标时段的供应量进行预测时，考虑了目标事件的影响，在发生影响供应信息的事件的场景下，提高了供应信息预测的准确性。

进一步参考图2，其示出了供应量预测方法的又一个实施例的流程200。该供应量预测方法的流程200，包括以下步骤：

步骤201，对目标实体在目标时段的基础供应信息进行预测。

步骤202，获取目标事件的特征信息。

本实施例的步骤201-202可参见图1对应实施例的步骤101-102，此处不再赘述。

步骤203，将特征信息输入至预先训练的增量预测模型，得到受目标事件影响而产生的总增量。

在本实施例中，上述执行主体中可以存储有预先训练的增量预测模型。上述增量预测模型可以对受某事件影响而产生的总增量进行预测。总增量用于指示目标区域内各实体的供应量受某事件影响而增加的供应量总和。执行主体可以将目标事件的特征信息输入至预先训练的增量预测模型，得到受目标事件影响而产生的总增量。

此处，上述目标区域可以是基于目标事件发生地所预先确定的、供应量受到目标事件所影响的地理区域。作为一个示例，目标区域可以是以目标事件发生地为中心、以某一指定距离为半径的圆形地理区域。作为又一示例，目标区域可以是以目标事件发生地为中心、以某一指定距离为边长的矩形地理区域。作为再一示例，目标区域可以是包含目标事件发生地的不规则地理区域。

在本实施例的一些可选的实现方式中，上述增量预测模型可以通过如下步骤训练得到：首先，获取样本集。其中，上述样本集中的样本包括历史热点事件的特征信息和历史热点事件的总增量。而后，将上述样本集中历史热点事件的特征信息作为输入，将所输入的特征信息对应的历史热点事件的总增量作为输出，利用机器学习方法训练得到增量预测模型。需要说明的是，训练增量预测模型所使用的模型结构可以是长短期记忆网络(Long-Short Term Memory，LSTM)等模型结构。

在本实施例的一些可选的实现方式中，上述历史热点事件的总增量可以按照如下子步骤生成：

子步骤S11，将发生历史热点事件的时段作为目标历史时段，获取历史目标区域内各实体在上述目标历史时段的实际供应信息。

此处，历史热点事件可以是对供应量产生影响的事件，如演唱会、考试等。上述历史目标区域可以是基于目标事件发生地所确定的、供应量受到历史热点事件所影响的地理区域。上述实际供应信息为实际供应量。

子步骤S12，确定各实体在上述目标历史时段的理论供应信息。

此处，理论供应信息为在上述目标历史时段不发生历史热点事件时的供应量。实践中，该供应量可以通过常规的供应量预测方式得到，也可以对常规的供应量预测结果进行修正后得到。

可选的，可以通过如下步骤确定各实体在上述目标历史时段的理论供应信息：

第一步，将上述历史热点事件发生前后的各时段分别作为基准时段，对各实体在各基准时段和上述目标历史时段的历史基础供应信息进行预测。

此处，上述历史基础供应信息为在上述目标历史时段不发生上述历史热点事件时的供应量。对历史基础供应信息的预测方式可参见步骤101中对基础供应信息的预测方式，此处不再赘述。

需要说明的是，时段的划分方式可以预先设定。例如，每个时段可以是一个自然日。此时，上述目标历史时段可以是历史热点事件所发生的自然日。上述基准时段可以是历史热点事件前后的若干自然日(不包含历史热点事件发生的前一天、当前和后一天)中的每一个自然日。

第二步，获取各实体在各基准时段的实际供应信息。

第三步，对于每一个实体，确定该实体在各基准时段的平均历史基础供应信息(可记为mean(A))和在各基准时段的平均实际供应信息(可记为mean(B))，并确定上述平均历史基础供应信息与上述平均实际供应信息的差值(可记为p，即p＝mean(A)-mean(B))，将该实体在上述目标历史时段的历史基础供应信息(可记为a)与上述差值的差，确定为该实体在上述目标历史时段的理论供应信息(即a-p)。

由此，可以通过历史热点事件发生前后各基准时段的平均历史基础供应信息与平均实际供应信息，对各实体在目标历史时段的历史基础供应信息进行修正，得到理论供应信息(即若目标历史时段不发生历史热点事件时，各实体在目标历史时段的供应量)。由于平均历史基础供应信息与平均实际供应信息考虑历史热点事件发生近期的平均数据，因而对目标历史时段的历史基础供应信息进行修正后所得到的理论供应信息更具有针对性。

可选的，还可以通过如下步骤确定各实体在上述目标历史时段的理论供应信息：

第一步，从上述历史热点事件发生前后的时段中选取满足预设条件的一个或多个基准时段，获取各实体在各基准时段的实际供应信息。

需要说明的是，时段的划分方式可以预先设定。例如，每个时段可以是一个自然日。此时，上述目标历史时段可以是历史热点事件所发生的自然日。上述基准时段可以是历史热点事件前后的若干自然日(不包含历史热点事件发生的前一天、当前和后一天)中的每一个自然日。

上述预设条件可以是与目标历史时段同期(如同为星期一、或同为星期二等)的自然日。作为示例，目标历史时段为某个星期一，则基准时段可以包括目标历史时段所在周的上一周的星期一、再上一周的星期一、目标历史时段所在周的下一周的星期、再下一周的星期一等。

第二步，对于每一个实体，确定该实体在各基准时段的平均实际供应信息，并将上述平均实际供应信息确定为该实体在上述目标历史时段的理论供应信息。

由此，将发生历史热点事件发生前后的同期的平均实际供应信息作为理论供应信息(即若目标历史时段不发生历史热点事件时，各实体在目标历史时段的供应量)，可以减少理论供应信息的计算量，提高计算速度。

子步骤S13，分别将每一个实体的实际供应信息与该实体的理论供应信息的差值确定为上述历史热点事件对该实体的增量。

子步骤S14，基于各实体的供应量受上述历史热点事件影响而产生的增量，确定受上述历史热点事件影响而产生的总增量。

作为示例，可以将各实体的供应量受上述历史热点事件影响而产生的增量之和作为受上述历史热点事件影响而产生的总增量。

可选的，还可以各实体的供应量受上述历史热点事件影响而产生的增量，按照如下步骤计算总增量：

第一步，对各实体在预设的连续时段(例如若干天)中的各时段的历史基础供应信息进行预测，上述连续时段中包括上述目标历史时段。

第二步，获取各实体在上述连续时段中的各时段的实际供应信息。

第三步，对于每一个实体，将该实体在上述连续时段中的各时段的历史基础供应信息汇总为第一集合，并将该实体在上述连续时段中的各时段的实际供应信息汇总为第二集合。

第四步，将上述历史目标区域划分为多个子区域，将每个子区域中的实体作为一个群组，分别将各群组对应的第一集合进行加权求和，得到各群组对应的第一加权求和结果，并分别将各群组对应的第二集合进行加权求和，得到各群组对应的第二加权求和结果。

具体地，每一个群组中可以包含一个或多个实体。对于每一个群组，可以按照该群组内各实体的权重，对该群组内各个实体对应的第一集合进行加权。此处，对第一集合加权即为对第一集合中的各个元素加权。而后，可以计算该群组对应的各加权后的第一集合中的元素进行求和，得到第一加权求和结果。

同理，对于每一个群组，可以按照该群组内各实体的权重，对该群组内各个实体对应的第二集合进行加权。此处，对第二集合加权即为对第二集合中的各个元素加权。而后，可以计算该群组对应的各加权后的第二集合中的元素进行求和，得到第二加权求和结果。

需要说明的是，各实体的权重是可以基于实体的等级而预先划分。例如，高星酒店比低星酒店有更高的权重，供应量少的商品比供应量多的商品有更高的权重等。

第五步，对于每一个群组，基于该群组的第一加权求和结果和第二加权求和结果的比较，确定该群组是否为受到上述历史热点事件影响的目标群组。

作为示例，可以计算第一加权求和结果与第二加权求和结果的差值。若差值大于第一预设阈值，则可以确定该群组为受到上述历史热点事件影响的目标群组。反之，则可以确定该群组不为受到上述历史热点事件影响的目标群组。

作为又一示例，可以计算第一加权求和结果与第二加权求和结果的比值。若差值大于第二预设阈值，则可以确定该群组为受到上述历史热点事件影响的目标群组。反之，则可以确定该群组不为受到上述历史热点事件影响的目标群组。

需要说明的是，上述第一预设阈值、第二预设阈值可以根据需要预先设定，此处对其具体取值不作限定。

第六步，将各目标群组对应的子区域作为上述历史热点事件的热点区域，实体的供应量受上述历史热点事件影响而产生的增量之和，确定为受上述历史热点事件影响而产生的总增量。

步骤204，基于总增量，确定目标实体的供应量受目标事件影响而产生的增量。

在本实施例中，上述执行主体可以按照如下步骤确定目标实体的供应量受目标事件影响而产生的增量：

第一步，对目标区域内其余各实体在上述目标时段的基础供应信息进行预测。需要说明的是，预测其余各实体在目标时段的基础供应信息的方式与步骤101中预测目标实体在目标时段的基础供应信息的方式基本相同，此处不再赘述。

第二步，确定上述目标区域内各实体的基础供应信息的总和。

第三步，基于上述目标实体的基础供应信息、上述总和与上述总增量，确定目标实体的供应量受目标事件影响而产生的增量。

具体地，可以首先确定目标实体的基础供应信息与上述基础供应信息的总和的比值。而后，将该比值与总增量相乘，从而得到目标事件对上述目标实体的增量。

例如，目标区域内有p、q两个店，在目标时段内对矿泉水的基础供应信息的分别是100瓶与200瓶。预测出的总增量，即受到目标事件影响而增加的供应量总和是60瓶，则p受到目标事件影响而增加的供应量为20瓶，q受到目标事件影响而增加的供应量为40瓶。

由此，可以将目标实体的基础供应信息占目标区域内各实体的基础供应信息的总和的比例，作为目标事件对目标实体的增量占总增量的比例。由于基础供应信息为预测的在上述目标时段不发生目标事件时的供应量，因而相对于基于历史供应量确定增量的方式，可以考虑到目标时段的特征。由此所得到的目标事件对上述目标实体的增量更为准确。

步骤205，基于基础供应信息和增量，确定目标实体在目标时段的目标供应信息。

本实施例的步骤205可参见图1对应实施例的步骤103，此处不再赘述。

从图2中可以看出，与图1对应的实施例相比，本实施例中的供应量预测方法的流程200涉及了基于增量预测模型确定目标事件的总增量，而后基于总增量确定目标事件对目标实体的增量的步骤。由于受到目标事件影响，不同的实体的增量可能不同，因而通过将总增量分解到各实体，避免了目标事件对各实体的增量相同的情况，提高了所确定的目标事件对目标实体的增量的准确性。

进一步参考图3，作为对上述各图所示方法的实现，本申请提供了一种供应量预测装置的一个实施例，该装置实施例与图1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3所示，本实施例所述的供应量预测装置300包括：预测单元301，被配置成对目标实体在目标时段的基础供应信息进行预测，上述基础供应信息为在上述目标时段不发生目标事件时的供应量；获取单元302，被配置成获取上述目标事件的特征信息；第一确定单元303，被配置成基于上述特征信息和预先训练的增量预测模型，确定上述目标实体的供应量受上述目标事件影响而产生的增量；第二确定单元304，被配置成基于上述基础供应信息和上述增量，确定上述目标实体在上述目标时段的目标供应信息，上述目标供应信息为在上述目标时段发生上述目标事件时的供应量。

在本实施例的一些可选的实现方式中，上述第一确定单元303，进一步被配置成：将上述特征信息输入至预先训练的增量预测模型，得到受上述目标事件影响而产生的总增量；基于上述总增量，确定上述目标实体的供应量受上述目标事件影响而产生的增量。

在本实施例的一些可选的实现方式中，上述第一确定单元303，进一步被配置成：对上述目标区域内其余各实体在上述目标时段的基础供应信息进行预测；确定上述目标区域内各实体的基础供应信息的总和；基于上述目标实体在上述目标时段的基础供应信息、上述总和与上述总增量，确定上述目标实体的供应量受上述目标事件影响而产生的增量。

在本实施例的一些可选的实现方式中，上述增量预测模型通过如下步骤训练得到：获取样本集，上述样本集中的样本包括历史热点事件的特征信息和受上述历史热点事件影响而产生的总增量；将上述样本集中历史热点事件的特征信息作为输入，将所输入的特征信息对应的总增量作为输出，利用机器学习方法训练得到增量预测模型。

在本实施例的一些可选的实现方式中，上述受上述历史热点事件影响而产生的总增量通过如下步骤生成：将发生历史热点事件的时段作为目标历史时段，获取历史目标区域内各实体在上述目标历史时段的实际供应信息，上述实际供应信息为实际供应量；确定各实体在上述目标历史时段的理论供应信息，上述理论供应信息为在上述目标历史时段不发生历史热点事件时的供应量；分别将每一个实体的实际供应信息与该实体的理论供应信息的差值确定为该实体的供应量受上述历史热点事件影响而产生的增量；基于各实体的供应量受上述历史热点事件影响而产生的增量，确定受上述历史热点事件影响而产生的总增量。

在本实施例的一些可选的实现方式中，上述确定各实体在上述目标历史时段的理论供应信息，包括：将上述历史热点事件发生前后的各时段分别作为基准时段，对各实体在各基准时段和上述目标历史时段的历史基础供应信息进行预测，上述历史基础供应信息为在上述目标历史时段不发生上述历史热点事件时供应量；获取各实体在各基准时段的实际供应信息；对于每一个实体，确定该实体在各基准时段的平均历史基础供应信息和在各基准时段的平均实际供应信息，并确定上述平均历史基础供应信息与上述平均实际供应信息的差值，将该实体在上述目标历史时段的历史基础供应信息与上述差值的差，确定为该实体在上述目标历史时段的理论供应信息。

在本实施例的一些可选的实现方式中，上述确定各实体在上述目标历史时段的理论供应信息，包括：从上述历史热点事件发生前后的时段中选取满足预设条件的一个或多个基准时段，获取各实体在各基准时段的实际供应信息；对于每一个实体，确定该实体在各基准时段的平均实际供应信息，并将上述平均实际供应信息确定为该实体在上述目标历史时段的理论供应信息。

在本实施例的一些可选的实现方式中，上述基于上述历史热点事件对各实体的增量，确定上述历史热点事件的总增量，包括：对各实体在预设的连续时段中的各时段的历史基础供应信息进行预测，上述连续时段中包括上述目标历史时段；获取各实体在上述连续时段中的各时段的实际供应信息；对于每一个实体，将该实体在上述连续时段中的各时段的历史基础供应信息汇总为第一集合，并将该实体在上述连续时段中的各时段的实际供应信息汇总为第二集合；将上述历史目标区域划分为多个子区域，将每个子区域中的实体作为一个群组，分别将各群组对应的第一集合进行加权求和，得到各群组对应的第一加权求和结果，并分别将各群组对应的第二集合进行加权求和，得到各群组对应的第二加权求和结果；对于每一个群组，基于该群组的第一加权求和结果和第二加权求和结果的比较，确定该群组是否为受到上述历史热点事件影响的目标群组；将各目标群组对应的子区域作为上述历史热点事件的热点区域，将各热点区域中的实体的供应量受上述历史热点事件影响而产生的增量之和，确定为受上述历史热点事件影响而产生的总增量。

本申请的上述实施例提供的装置，通过对目标实体在目标时段的基础供应信息进行预测，从而得到在目标时段不发生目标事件时的供应量。而后获取目标事件的特征信息，并基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量。由于增量可以指示目标实体的供应量受目标事件影响而增加的供应量，因而可以基于基础供应信息和增量，确定在目标时段发生目标事件时，目标实体在目标时段的目标供应信息。由此，在对目标时段的供应量进行预测时，考虑了目标事件的影响，在发生影响供应信息的事件的场景下，提高了供应信息预测的准确性。

下面参考图4，其示出了适于用来实现本申请实施例的电子设备的计算机系统400的结构示意图。图4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4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；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409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，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410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408。

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409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401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，本申请所述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，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。

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：对目标实体在目标时段的基础供应信息进行预测，基础供应信息为在目标时段不发生目标事件时的供应量；获取目标事件的特征信息；基于特征信息和预先训练的增量预测模型，确定目标实体的供应量受目标事件影响而产生的增量；基于基础供应信息和增量，确定目标实体在目标时段的目标供应信息，目标供应信息为在目标时段发生目标事件时的供应量。

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 (11)

1.一种信息预测方法，其特征在于，所述方法包括：

对目标实体在目标时段的基础供应信息进行预测，所述基础供应信息为在所述目标时段不发生目标事件时的供应量；

获取所述目标事件的特征信息；

基于所述特征信息和预先训练的增量预测模型，确定所述目标实体的供应量受所述目标事件影响而产生的增量；

基于所述基础供应信息和所述增量，确定所述目标实体在所述目标时段的目标供应信息，所述目标供应信息为在所述目标时段发生所述目标事件时的供应量。

2.根据权利要求1所述的方法，其特征在于，所述基于所述特征信息和预先训练的增量预测模型，确定所述目标实体的供应量受所述目标事件影响而产生的增量，包括：

将所述特征信息输入至预先训练的增量预测模型，得到受所述目标事件影响而产生的总增量；

基于所述总增量，确定所述目标实体的供应量受所述目标事件影响而产生的增量。

3.根据权利要求2所述的方法，其特征在于，所述基于所述总增量，确定所述目标实体的供应量受所述目标事件影响而产生的增量，包括：

对所述目标区域内其余各实体在所述目标时段的基础供应信息进行预测；

确定所述目标区域内各实体的基础供应信息的总和；

基于所述目标实体在所述目标时段的基础供应信息、所述总和与所述总增量，确定所述目标实体的供应量受所述目标事件影响而产生的增量。

4.根据权利要求2所述的方法，其特征在于，所述增量预测模型通过如下步骤训练得到：

获取样本集，所述样本集中的样本包括历史热点事件的特征信息和受所述历史热点事件影响而产生的总增量；

将所述样本集中历史热点事件的特征信息作为输入，将所输入的特征信息对应的总增量作为输出，利用机器学习方法训练得到增量预测模型。

5.根据权利要求4所述的方法，其特征在于，所述受所述历史热点事件影响而产生的总增量通过如下步骤生成：

将发生历史热点事件的时段作为目标历史时段，获取历史目标区域内各实体在所述目标历史时段的实际供应信息，所述实际供应信息为实际供应量；

确定各实体在所述目标历史时段的理论供应信息，所述理论供应信息为在所述目标历史时段不发生历史热点事件时的供应量；

分别将每一个实体的实际供应信息与该实体的理论供应信息的差值确定为该实体的供应量受所述历史热点事件影响而产生的增量；

基于各实体的供应量受所述历史热点事件影响而产生的增量，确定受所述历史热点事件影响而产生的总增量。

6.根据权利要求5所述的方法，其特征在于，所述确定各实体在所述目标历史时段的理论供应信息，包括：

将所述历史热点事件发生前后的各时段分别作为基准时段，对各实体在各基准时段和所述目标历史时段的历史基础供应信息进行预测，所述历史基础供应信息为在所述目标历史时段不发生所述历史热点事件时供应量；

获取各实体在各基准时段的实际供应信息；

对于每一个实体，确定该实体在各基准时段的平均历史基础供应信息和在各基准时段的平均实际供应信息，并确定所述平均历史基础供应信息与所述平均实际供应信息的差值，将该实体在所述目标历史时段的历史基础供应信息与所述差值的差，确定为该实体在所述目标历史时段的理论供应信息。

7.根据权利要求5所述的方法，其特征在于，所述确定各实体在所述目标历史时段的理论供应信息，包括：

从所述历史热点事件发生前后的时段中选取满足预设条件的一个或多个基准时段，获取各实体在各基准时段的实际供应信息；

对于每一个实体，确定该实体在各基准时段的平均实际供应信息，并将所述平均实际供应信息确定为该实体在所述目标历史时段的理论供应信息。

8.根据权利要求5所述的方法，其特征在于，所述基于各实体的供应量受所述历史热点事件影响而产生的增量，确定受所述历史热点事件影响而产生的总增量，包括：

对各实体在预设的连续时段中的各时段的历史基础供应信息进行预测，所述连续时段中包括所述目标历史时段；

获取各实体在所述连续时段中的各时段的实际供应信息；

对于每一个实体，将该实体在所述连续时段中的各时段的历史基础供应信息汇总为第一集合，并将该实体在所述连续时段中的各时段的实际供应信息汇总为第二集合；

将所述历史目标区域划分为多个子区域，将每个子区域中的实体作为一个群组，分别将各群组对应的第一集合进行加权求和，得到各群组对应的第一加权求和结果，并分别将各群组对应的第二集合进行加权求和，得到各群组对应的第二加权求和结果；

对于每一个群组，基于该群组的第一加权求和结果和第二加权求和结果的比较，确定该群组是否为受到所述历史热点事件影响的目标群组；

将各目标群组对应的子区域作为所述历史热点事件的热点区域，将各热点区域中的实体的供应量受所述历史热点事件影响而产生的增量之和，确定为受所述历史热点事件影响而产生的总增量。

9.一种信息预测装置，其特征在于，所述装置包括：

预测单元，被配置成对目标实体在目标时段的基础供应信息进行预测，所述基础供应信息为在所述目标时段不发生目标事件时的供应量；

获取单元，被配置成获取所述目标事件的特征信息；

第一确定单元，被配置成基于所述特征信息和预先训练的增量预测模型，确定所述目标实体的供应量受所述目标事件影响而产生的增量；

第二确定单元，被配置成基于所述基础供应信息和所述增量，确定所述目标实体在所述目标时段的目标供应信息，所述目标供应信息为在所述目标时段发生所述目标事件时的供应量。

10.一种电子设备，其特征在于，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1-8中任一所述的方法。

11.一种计算机可读介质，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如权利要求1-8中任一所述的方法。

Images