CN111242341A - 一种线路定价方法、装置、设备和存储介质 - Google Patents
一种线路定价方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111242341A CN111242341A CN201811444738.1A CN201811444738A CN111242341A CN 111242341 A CN111242341 A CN 111242341A CN 201811444738 A CN201811444738 A CN 201811444738A CN 111242341 A CN111242341 A CN 111242341A
- Authority
- CN
- China
- Prior art keywords
- line
- data
- data information
- pricing
- predicted
- 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 36
- 238000012549 training Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 238000002759 z-score normalization 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
Abstract
本申请公开了一种线路定价方法、装置、设备和存储介质。该方法包括:确定待预测线路的数据信息;所述数据信息包括成本数据、历史交易价格和条件数据,所述条件数据包括下述之一或组合:车辆供应数据、线路属性数据和时间维度数据;将所述待预测线路的数据信息输入用于预测线路定价的预测模型中,得到所述待预测线路的预测定价;其中,所述预测模型是基于xgboost模型训练而成。根据本申请实施例的技术方案,可以自动对线路的定价进行预测,解决了线路定价的制定问题,一方面能够提高效率,减少大量的人力成本和时间成本,另一方面通过线上定价,在一定程度上可以减少线下协商操作,增加整个招标/竞价环节的可控性。
Description
技术领域
本公开一般涉及物流技术领域,尤其涉及一种线路定价方法、装置、设备和存储介质。
背景技术
针对物流行业中的各物流线路,一般采取线上招标/竞价和线下指派的方式来确定承运商。
目前对于各物流线路的定价,通常是通过人工方式进行制定,这种方式的人为因素较大,缺乏定价的有效依据,准确性差,而且,人工定价的方式工作量大,操作繁杂,效率低,中间过程不可控,可追溯性差,难以满足市场需求。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种能够实现自动定价的方案,不仅能够提高效率,还能减少大量人力成本和时间成本。
第一方面,本申请实施例提供了一种线路定价方法,包括:
确定待预测线路的数据信息;所述数据信息包括成本数据、历史交易价格和影响所述待预测线路定价的条件数据,所述条件数据包括下述之一或组合:车辆供应数据、线路属性数据和时间维度数据;
将所述待预测线路的数据信息输入用于预测线路定价的预测模型中,得到所述待预测线路的预测定价;其中,所述预测模型是基于xgboost模型训练而成。
可选的,所述成本数据按照如下方式确定:
根据所述待预测线路的起点和终点的位置,确定线路成本;
根据车辆供应数据和所述车辆在所述待预测线路的运行情况,确定车辆成本;
根据所述待预测线路中的人员数据,确定人力成本;
根据所述线路成本、所述车辆成本和所述人力成本中的一个或多个,确定所述待预测线路的成本数据。
可选的,所述预测模型按照如下方式生成:
周期性的接收各线路的数据信息;
对所述各线路的数据信息进行预处理;
利用预处理后的各线路的数据信息对所述xgboost模型进行训练,生成所述预测模型。
可选的,对所述各线路的数据信息进行预处理,包括:
将所述数据信息中的离散型特征的数据通过独热编码方式进行处理,将具有连续性特征的数据通过归一化方式进行处理。
可选的,利用预处理后的各线路的数据信息对所述xgboost模型进行训练,生成所述预测模型,包括:
根据所述预处理后的各线路的数据信息确定训练集;
将所述训练集输入所述xgboost模型,利用最小化损失函数迭代更新所述xgboost模型,得到所述预测模型。
可选的,根据所述预处理后的各线路的数据信息确定训练集,包括:
从所述各线路的数据信息中随机抽取指定比例的训练集和测试集;
所述方法还包括:
利用所述测试集对所述预测模型进行评估,得到评估结果;
当所述评估结果表征所述预测模型不满足预设要求时,获取新的各线路的数据信息,继续对所述预测模型进行优化。
第二方面,本申请实施例还提供了一种线路定价装置,包括:
数据信息确定单元,用于确定待预测线路的数据信息;所述数据信息包括成本数据、历史交易价格和影响所述待预测线路定价的条件数据,所述条件数据包括下述之一或组合:车辆供应数据、线路属性数据和时间维度数据;
预测单元,用于将所述待预测线路的数据信息输入用于预测线路定价的预测模型中,得到所述待预测线路的预测定价;其中,所述预测模型是基于xgboost模型训练而成。
可选的,所述装置还包括预测模型训练单元;
所述预测模型训练单元,包括:
接收模块,用于周期性的接收各线路的数据信息;
预处理模块,用于对所述各线路的数据信息进行预处理;
训练模块,用于利用预处理后的各线路的数据信息对所述xgboost模型进行训练,生成所述预测模型。
第三方面,本申请实施例还提供了一种设备,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如上所述的线路定价方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序指令,当所述计算机程序指令被处理器执行时实现如上所述的线路定价方法。
本申请实施例提供的线路定价方案,通过确定待预测线路的数据信息,数据信息包括成本数据、历史交易价格和条件数据,将待预测线路的数据信息输入用于预测线路定价的预测模型中,从而得到待预测线路的预测定价。本技术方案可以自动对线路的定价进行预测,解决了线路定价的制定问题,一方面能够提高效率,减少大量的人力成本和时间成本,另一方面通过线上定价,在一定程度上可以减少线下协商操作,增加整个招标/竞价环节的可控性。
进一步的,通过周期性的接收各线路的数据信息来生成预测模型,使得预测模型可以根据各线路的数据信息的改变而不断更新和改进,从而得到一个越来越完善的预测模型,使得到的预测定价越来越合理。
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示出了本申请实施例提供的一种线路定价方法的示例性流程图;
图2示出了本申请实施例提供的建立预测模型的方法的示例性流程图;
图3示出了本申请实施例提供的一种线路定价装置的示例性结构框图;
图4示出了适于用来实现本申请实施例的服务器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。
如图1所示,其示出了本申请实施例提供的一种线路定价方法的示例性流程图。
参考图1,该方法包括:
步骤110,确定待预测线路的数据信息;该数据信息包括成本数据、历史交易价格和条件数据。
本申请实施例中,影响线路定价的因素可以包括两类:
一类是直接影响线路定价的因素:成本数据和历史交易价格,其中,成本数据包括比如线路成本、人力成本和车辆成本等;历史交易价格是指待预测线路之前通过人工方式制定的价格。
另一类是间接影响线路定价的因素:条件数据,比如车辆供应数据、线路属性数据和时间维度数据等。
其中,车辆供应数据可以包括:车辆型号,车辆吨位,是否需要装车服务等。
线路属性数据可以包括:线路管理代码等。
时间维度数据可以包括:每周运行时间,合同周期,合同周期所在月份,任务紧急程度等。
上述条件数据大部分都是经常在变动的,所以可以通过互联网进行实时查询获得。只有在准确确定上述条件数据之后,才能对线路定价的定制更加精确,从而得到一个合理的价格。
成本数据作为直接影响线路定价的因素,可以按照如下方式计算确定:
根据待预测线路的起点和终点的位置,确定线路成本;
根据车辆供应数据和车辆在待预测线路的运行情况,确定车辆成本;
根据待预测线路中的人员数据,确定人力成本;
根据线路成本、车辆成本和人力成本,确定待预测线路的成本数据。
其中,车辆的运行情况可以但不限于包括:
车辆在待预测线路中的靠车和停车时间;车辆的固定成本,比如车辆的折旧费和保险费等;车辆的变动成本,比如油费和路桥费等。
人员数据可以但不限于包括:
人员的固定成本,比如司机的薪资等;人员的变动成本,比如司机的绩效奖金等。
在实际应用中,可以通过线路成本模型计算待预测线路的成本数据;其中,线路成本模型可以通过线路成本、人力成本和车辆成本训练得到。
步骤120,将待预测线路的数据信息输入用于预测线路定价的预测模型中,得到待预测线路的预测定价;其中,该预测模型是基于xgboost模型训练而成。
本申请实施例中,预测模型是基于xgboost模型训练得到的。其中,xgboost是极端梯度上升(Extreme Gradient Boosting)的简称,它类似于梯度上升框架,但是更加高效。它兼具线性模型求解器和树学习算法。因此,基于xgboost模型训练得到的预测模型,能够快速得到准确率较高的预测结果。
本申请实施例提供的线路定价方案,通过确定待预测线路的数据信息,数据信息包括成本数据、历史交易价格和影响待预测线路定价的条件数据,将待预测线路的数据信息输入用于预测线路定价的预测模型中,从而得到待预测线路的预测定价。本技术方案可以自动对线路的定价进行预测,解决了线路定价的制定问题,一方面能够提高效率,减少大量的人力成本和时间成本,另一方面通过线上定价,在一定程度上可以减少线下协商操作,增加整个招标/竞价环节的可控性。
本申请实施例还提供了一种训练xgboost模型得到预测模型的方法。如图2所示,其示出了本申请实施例提供的建立预测模型的方法的示例性流程图。
参考图2,该方法包括:
步骤210,周期性的接收各线路的数据信息。
本申请实施例中,各线路的数据信息所包含的内容与上述待预测线路的数据信息相同,均包括成本数据、历史交易价格和影响其线路定价的条件数据,在此不再赘述。
由于各线路的数据信息中的大部分数据是经常变动的,因此需要周期性的进行接收,进而使得预测模型可以根据各线路的数据信息的改变而不断更新和改进,从而得到一个越来越完善的预测模型,使得到的预测定价越来越合理。
步骤220,对各线路的数据信息进行预处理。
本申请实施例中,可以将各线路的数据信息的离散型数据通过独热编码方式进行处理,将各线路的数据信息中的连续型数据通过归一化方式进行处理。
比如,针对线路属性数据,以线路管理代码为例,其具有离散型特征,因此可以对线路管理代码进行独热编码,也就是将线路管理代码映射为相应的维度,并且以0和1进行编码。
针对时间维度数据,以合同周期和合同周期所在月份为例,其具有离散型特征,因此可以对其进行独热编码,也就是对其进行12维的映射并以0和1进行编码,包含的月份编码为1,不包含的月份编码为0。
针对车辆供应数据,可以将所有包含三个或者三个以上类别的特征值归类为离散型数据,对其进行独热编码,其它数据归类为连续型数据,对其进行归一化处理。
成本数据均具有连续型特征,因此可以对其进行归一化处理,具体的可以通过z-score标准化进行归一化处理。
步骤230,利用预处理后的各线路的数据信息对xgboost模型进行训练,生成预测模型。
本申请实施例中,首先根据预处理后的各线路的数据信息确定训练集,其中,一条线路的数据信息就是一个定价训练样本,包含m个定价训练样本的训练集可以标识成以下形式:
然后将训练集输入xgboost模型,利用最小化损失函数迭代更新xgboost模型,得到预测模型。
具体的,将训练集输入xgboost模型中,通过调整xgboost模型中的超参数,使xgboost模型的损失函数中的损失目标达到最优值,进而得到预测模型。
进一步的,本申请实施例还可以从各线路的数据信息中随机抽取指定比例的训练集和测试集,比如90%的数据信息确定为训练集,10%的数据信息确定为测试集。
利用训练集得到预测模型之后,再利用测试集对得到的预测模型进行评估,得到评估结果,如果评估结果表征该预测模型不满足预设要求时,获取新的各线路的数据信息,继续对预测模型进行优化。
本申请实施例中,通过周期性的接收各线路的数据信息来生成预测模型,使得预测模型可以根据各线路的数据信息的改变而不断更新和改进,从而得到一个越来越完善的预测模型,使得到的预测定价越来越合理。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
进一步参考图3,其示出了本申请实施例提供的一种线路定价装置的示例性结构框图。
该线路定价装置包括:
数据信息确定单元31,用于确定待预测线路的数据信息;所述数据信息包括成本数据、历史交易价格和条件数据;所述条件数据包括下述之一或组合:车辆供应数据、线路属性数据和时间维度数据;
预测单元32,用于将所述待预测线路的数据信息输入用于预测线路定价的预测模型中,得到所述待预测线路的预测定价;其中,所述预测模型是基于xgboost模型训练而成。
可选的,成本数据可以按照如下方式确定:
根据所述待预测线路的起点和终点的位置,确定线路成本;
根据车辆供应数据和所述车辆在所述待预测线路的运行情况,确定车辆成本;
根据所述待预测线路中的人员数据,确定人力成本;
根据所述线路成本、所述车辆成本和所述人力成本,确定所述待预测线路的成本数据。
可选的,该线路定价装置还可以包括预测模型生成单元33。
该预测模型生成单元33可以包括:
接收模块331,用于周期性的接收各线路的数据信息;
预处理模块332,用于对所述各线路的数据信息进行预处理;
训练模块333,用于利用预处理后的各线路的数据信息对所述xgboost模型进行训练,生成所述预测模型。
可选的,预处理模块332,用于:
将所述数据信息中的离散型特征的数据通过独热编码方式进行处理,将具有连续性特征的数据通过归一化方式进行处理。
可选的,训练模块333,用于:
根据所述预处理后的各线路的数据信息确定训练集;
将所述训练集输入所述xgboost模型,利用最小化损失函数迭代更新所述xgboost模型,得到所述预测模型。
可选的,训练模块333执行根据所述预处理后的各线路的数据信息确定训练集时,具体用于:
从所述各线路的数据信息中随机抽取指定比例的训练集和测试集。
该线路定价装置还可以包括:
评估单元34,用于利用所述测试集对所述预测模型进行评估,得到评估结果;当所述评估结果表征所述预测模型不满足预设要求时,获取新的各线路的数据信息,继续对所述预测模型进行优化。
应当理解,上述装置中记载的诸子系统或单元与参考图1-图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于上述装置及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本申请实施例的服务器的计算机系统400的结构示意图。
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;包括诸如阴极射线管(CRT)、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,上文参考图1-图2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,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行图1-图2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。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,所述模块、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或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。
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所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 (10)
1.一种线路定价方法,其特征在于,所述方法包括:
确定待预测线路的数据信息;所述数据信息包括成本数据、历史交易价格和条件数据,所述条件数据包括下述之一或组合:车辆供应数据、线路属性数据和时间维度数据;
将所述待预测线路的数据信息输入用于预测线路定价的预测模型中,得到所述待预测线路的预测定价;其中,所述预测模型是基于xgboost模型训练而成。
2.根据权利要求1所述的线路定价方法,其特征在于,所述成本数据按照如下方式确定:
根据所述待预测线路的起点和终点的位置,确定线路成本;
根据车辆供应数据和所述车辆在所述待预测线路的运行情况,确定车辆成本;
根据所述待预测线路中的人员数据,确定人力成本;
根据所述线路成本、所述车辆成本和所述人力成本中的一个或多个,确定所述待预测线路的成本数据。
3.根据权利要求1或2所述的线路定价方法,其特征在于,所述预测模型按照如下方式生成:
周期性的接收各线路的数据信息;
对所述各线路的数据信息进行预处理;
利用预处理后的各线路的数据信息对所述xgboost模型进行训练,生成所述预测模型。
4.根据权利要求3所述的线路定价方法,其特征在于,对所述各线路的数据信息进行预处理,包括:
将所述数据信息中的离散型特征的数据通过独热编码方式进行处理,将具有连续性特征的数据通过归一化方式进行处理。
5.根据权利要求3所述的线路定价方法,其特征在于,利用预处理后的各线路的数据信息对所述xgboost模型进行训练,生成所述预测模型,包括:
根据所述预处理后的各线路的数据信息确定训练集;
将所述训练集输入所述xgboost模型,利用最小化损失函数迭代更新所述xgboost模型,得到所述预测模型。
6.根据权利要求5所述的线路定价方法,其特征在于,根据所述预处理后的各线路的数据信息确定训练集,包括:
从所述各线路的数据信息中随机抽取指定比例的训练集和测试集;
所述方法还包括:
利用所述测试集对所述预测模型进行评估,得到评估结果;
当所述评估结果表征所述预测模型不满足预设要求时,获取新的各线路的数据信息,继续对所述预测模型进行优化。
7.一种线路定价预测装置,其特征在于,所述装置包括:
数据信息确定单元,用于确定待预测线路的数据信息;所述数据信息包括成本数据、历史交易价格和条件数据,所述条件数据包括下述之一或组合:车辆供应数据、线路属性数据和时间维度数据;
预测单元,用于将所述待预测线路的数据信息输入用于预测线路定价的预测模型中,得到所述待预测线路的预测定价;其中,所述预测模型是基于xgboost模型训练而成。
8.根据权利要求7所述的线路定价预测装置,其特征在于,所述装置还包括预测模型训练单元;
所述预测模型训练单元,包括:
接收模块,用于周期性的接收各线路的数据信息;
预处理模块,用于对所述各线路的数据信息进行预处理;
训练模块,用于利用预处理后的各线路的数据信息对所述xgboost模型进行训练,生成所述预测模型。
9.一种设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811444738.1A CN111242341A (zh) | 2018-11-29 | 2018-11-29 | 一种线路定价方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811444738.1A CN111242341A (zh) | 2018-11-29 | 2018-11-29 | 一种线路定价方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111242341A true CN111242341A (zh) | 2020-06-05 |
Family
ID=70874358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811444738.1A Pending CN111242341A (zh) | 2018-11-29 | 2018-11-29 | 一种线路定价方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242341A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819239A (zh) * | 2021-02-19 | 2021-05-18 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN113283653A (zh) * | 2021-05-27 | 2021-08-20 | 大连海事大学 | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
CN112819239B (zh) * | 2021-02-19 | 2024-05-14 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
-
2018
- 2018-11-29 CN CN201811444738.1A patent/CN111242341A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819239A (zh) * | 2021-02-19 | 2021-05-18 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN112819239B (zh) * | 2021-02-19 | 2024-05-14 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN113283653A (zh) * | 2021-05-27 | 2021-08-20 | 大连海事大学 | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
CN113283653B (zh) * | 2021-05-27 | 2024-03-26 | 大连海事大学 | 一种基于机器学习和ais数据的船舶轨迹预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN110648026A (zh) | 预测模型构建方法、预测方法、装置、设备及介质 | |
CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
US20050256760A1 (en) | System, method, and software for short term forecasting using predictive indicators | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
CN112508723A (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
US20090276290A1 (en) | System and method of optimizing commercial real estate transactions | |
CN111626543A (zh) | 电力相关数据的处理方法及装置 | |
CN111242341A (zh) | 一种线路定价方法、装置、设备和存储介质 | |
CN115062876B (zh) | 基于ocr的流程快速建模方法、系统、设备及存储介质 | |
CN116757650A (zh) | 一种基于机器学习的项目管理及资源调度的方法 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN110910241A (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN115587830A (zh) | 工作任务激励方法、装置、计算机设备及存储介质 | |
CN115907898A (zh) | 对再保客户进行金融产品推荐的方法及其相关设备 | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
CN112596457B (zh) | 一种餐厨处置收运智能控制方法及系统 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN113947439A (zh) | 需求预测模型训练方法和装置、需求预测方法和装置 | |
CN113139842A (zh) | 一种表单处理方法、装置和系统 | |
CN111047354A (zh) | 一种分时定价的实现方法、装置、电子设备和存储介质 | |
CN112257978A (zh) | 智能化调度农产品资源的方法和装置 | |
CN115004182A (zh) | 基于确定值及估计值的数据量化方法 | |
CN116862561B (zh) | 基于卷积神经网络的产品热度分析方法和系统 |
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 |
Application publication date: 20200605 |
|
RJ01 | Rejection of invention patent application after publication |