CN111242747B - 一种订单报价方法和装置 - Google Patents
一种订单报价方法和装置 Download PDFInfo
- Publication number
- CN111242747B CN111242747B CN202010073210.9A CN202010073210A CN111242747B CN 111242747 B CN111242747 B CN 111242747B CN 202010073210 A CN202010073210 A CN 202010073210A CN 111242747 B CN111242747 B CN 111242747B
- Authority
- CN
- China
- Prior art keywords
- attribute tags
- attribute
- lstm network
- order
- historical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000015654 memory Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Abstract
本发明公开一种订单报价方法和装置,该方法包括以下步骤:获取当前订单的需求信息,所述需求信息包括X个属性标签,所述X个属性标签包括采集人年龄、录制场地和录音设备;从所述X个属性标签中提取主成分特征,得到Xm个属性标签,其中,X和Xm均为正整数,X大于Xm;根据所述Xm个属性标签,使用根据历史订单数据预先训练得到的长短时记忆LSTM网络,对所述当前订单的报价进行预测。本发明根据当前订单的属性标签,使用根据历史订单数据预先训练得到的LSTM网络,对当前订单的报价进行预测,从而得到最合适的报价,能够提升订单报价的准确性和工作效率。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种订单报价方法和装置。
背景技术
随着项目需求的日渐增多,项目的报价系统需要更加完善。现有技术中,项目报价一般是由有经验的销售人员根据之前项目经验,给出预估价格。该报价方法存在以下问题:
1、有很大的人为因素,不同销售人员对项目的整体把握可能有差异;
2、当项目需求量很大的时候,会消耗销售人员大量的精力;
3、由于时间的推移,人力成本及其他成本上涨,导致原有的报价预测会普遍偏低。
发明内容
本发明提供了一种订单报价方法和装置,以解决现有技术中的报价方法准确性和工作效率较低的缺陷。
本发明提供了一种订单报价方法,包括以下步骤:
获取当前订单的需求信息,所述需求信息包括X个属性标签,所述X个属性标签包括采集人年龄、录制场地和录音设备;
从所述X个属性标签中提取主成分特征,得到Xm个属性标签,其中,X和Xm均为正整数,X大于Xm;
根据所述Xm个属性标签,使用根据历史订单数据预先训练得到的长短时记忆LSTM网络,对所述当前订单的报价进行预测。
可选地,所述的方法,还包括:
获取历史订单数据,所述历史订单数据包括多个历史订单的属性信息,所述属性信息包括X个属性标签和订单报价,所述X个属性标签包括采集人年龄、录制场地和录音设备;
从所述X个属性标签中提取主成分特征,得到Xm个属性标签;
根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络。
可选地,所述根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络之后,还包括:
根据新增的历史订单数据,更新所述LSTM网络。
可选地,所述根据新增的历史订单数据,更新所述LSTM网络,包括:
根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果,更新所述LSTM网络。
可选地,所述Xm个属性标签中的任意两个属性标签均线性无关。
本发明还提供了一种订单报价装置,包括:
第一获取模块,用于获取当前订单的需求信息,所述需求信息包括X个属性标签,所述X个属性标签包括采集人年龄、录制场地和录音设备;
第一提取模块,用于从所述X个属性标签中提取主成分特征,得到Xm个属性标签,其中,X和Xm均为正整数,X大于Xm;
预测模块,用于根据所述Xm个属性标签,使用根据历史订单数据预先训练得到的长短时记忆LSTM网络,对所述当前订单的报价进行预测。
可选地,所述的装置,还包括:
第二获取模块,用于获取历史订单数据,所述历史订单数据包括多个历史订单的属性信息,所述属性信息包括X个属性标签和订单报价,所述X个属性标签包括采集人年龄、录制场地和录音设备;
第二提取模块,用于从所述X个属性标签中提取主成分特征,得到Xm个属性标签;
训练模块,用于根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络。
可选地,所述的装置,还包括:
更新模块,用于根据新增的历史订单数据,更新所述LSTM网络。
可选地,所述更新模块,具体用于根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果,更新所述LSTM网络。
可选地,所述Xm个属性标签中的任意两个属性标签均线性无关。
本发明根据当前订单的属性标签,使用根据历史订单数据预先训练得到的LSTM网络,对当前订单的报价进行预测,从而得到最合适的报价,能够提升订单报价的准确性和工作效率。
附图说明
图1为本发明实施例中的一种订单报价方法流程图;
图2为本发明实施例中的一种LSTM网络的训练方法流程图;
图3为本发明实施例中的一种订单报价装置结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种订单报价方法,如图1所示,包括以下步骤:
步骤101,获取当前订单的需求信息,所述需求信息包括X个属性标签,所述X个属性标签包括采集人年龄、录制场地和录音设备。
例如,对于一个语音采集标注项目,客户会提出采集人年龄、录制场地和录音设备等X项属性标签。
步骤102,从所述X个属性标签中提取主成分特征,得到Xm个属性标签。
其中,X和Xm均为正整数,X大于Xm。Xm个属性标签中的任意两个属性标签均线性无关。
步骤103,根据所述Xm个属性标签,使用根据历史订单数据预先训练得到的LSTM网络,对所述当前订单的报价进行预测。
具体地,可以将当前订单的Xm个属性标签输入到LSTM(Long Short Term Memory,长短时记忆)网络,将输出的结果作为当前订单的报价。
需要说明的是,本实施例中的LSTM网络的训练方法,如图2所示,包括以下步骤:
步骤201,获取历史订单数据,所述历史订单数据包括多个历史订单的属性信息,所述属性信息包括X个属性标签和订单报价。
其中,X个属性标签包括采集人年龄、录制场地和录音设备。
具体地,可以对统一公司的历史订单数据进行整理和归档。例如,A公司近几年有上万个历史订单,每个订单具有X个属性标签,可以先组织人员对这批数据进行回填和校准,获得一个N*(X+1)的矩阵。其中,N为历史订单数,(X+1)维包括X个属性标签和1个订单报价。通过上述步骤将实际问题转化成由X个不同特征维度的数据预测最终报价的过程。
步骤202,从所述X个属性标签中提取主成分特征,得到Xm个属性标签。
其中,X和Xm均为正整数,X大于Xm。Xm个属性标签中的任意两个属性标签均线性无关。
具体地,可以对X个属性标签执行PCA(Principal Component Analysis,主成分分析)操作,将X维特征提取主成分特征到Xm维,通过线性变换将原始的X维属性数据变换为一组各维度线性无关的表示,用作提取数据的Xm维主要特征分量,即Xm个属性标签
本实施例中,应用场景数据为X个属性标签,其中有一些属性值会随着时间推移发生变化(例如,人力成本)。现有技术中的数据预测方法通常会使用线性拟合和神经网络做非线性拟合等方式,而本实施例结合实际场景,使用PCA降维,减少属性标签量,防止在预测时会出现因训练数据少而造成过拟合的现象。
步骤203,根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络。
本实施例中,X个属性标签中的某些属性标签会随着时间推移发生变化,故本实施例采用LSTM算法,训练得到LSTM网络。
步骤204,根据新增的历史订单数据,更新所述LSTM网络。
具体地,可以根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果,更新所述LSTM网络。
本实施例中,使用LSTM算法处理时间序列中间隔和延迟相对较长的重要事件。由于项目量较大,可以设置时间间隔为一季度(三个月)。
例如,先根据2016年第一季度的历史订单数据训练得到一个base模型,即第一季度的LSTM网络;然后,在根据2016年第二季度的历史订单数据训练LSTM网络时,参考使用第一季度的LSTM网络得到的预测结果。对于2019年第三季度,其预测报价L会受到之前的季度模型的影响,其中受到最近一季度(2019年第二季度)的影响最大。
本发明实施例根据当前订单的属性标签,使用根据历史订单数据预先训练得到的LSTM网络,对当前订单的报价进行预测,从而得到最合适的报价,能够提升订单报价的准确性和工作效率。
基于上述订单报价方法,本发明实施例还提供一种订单报价装置,如图3所示,包括:
第一获取模块310,用于获取当前订单的需求信息,所述需求信息包括X个属性标签,所述X个属性标签包括采集人年龄、录制场地和录音设备;
第一提取模块320,用于从所述X个属性标签中提取主成分特征,得到Xm个属性标签;
其中,X和Xm均为正整数,X大于Xm;Xm个属性标签中的任意两个属性标签均线性无关。
预测模块330,用于根据所述Xm个属性标签,使用根据历史订单数据预先训练得到的长短时记忆LSTM网络,对所述当前订单的报价进行预测。
进一步地,上述装置,还包括:
第二获取模块,用于获取历史订单数据,所述历史订单数据包括多个历史订单的属性信息,所述属性信息包括X个属性标签和订单报价,所述X个属性标签包括采集人年龄、录制场地和录音设备;
第二提取模块,用于从所述X个属性标签中提取主成分特征,得到Xm个属性标签;
训练模块,用于根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络。
进一步地,上述装置,还包括:
更新模块,用于根据新增的历史订单数据,更新所述LSTM网络。
具体地,更新模块,具体用于根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果,更新所述LSTM网络。
本发明实施例根据当前订单的属性标签,使用根据历史订单数据预先训练得到的LSTM网络,对当前订单的报价进行预测,从而得到最合适的报价,能够提升订单报价的准确性和工作效率。
结合本文中所公开的实施例描述的方法中的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种订单报价方法,其特征在于,包括以下步骤:
获取当前订单的需求信息,所述需求信息包括X个属性标签,所述X个属性标签包括采集人年龄、录制场地和录音设备;
从所述X个属性标签中提取主成分特征,得到Xm个属性标签,其中,X和Xm均为正整数,X大于Xm;
根据所述Xm个属性标签,使用根据历史订单数据预先训练得到的长短时记忆LSTM网络,对所述当前订单的报价进行预测;
所述的方法,还包括:
获取历史订单数据,所述历史订单数据包括多个历史订单的属性信息,所述属性信息包括X个属性标签和订单报价,所述X个属性标签包括采集人年龄、录制场地和录音设备;
从所述X个属性标签中提取主成分特征,得到Xm个属性标签;
根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络。
2.如权利要求1所述的方法,其特征在于,所述根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络之后,还包括:
根据新增的历史订单数据,更新所述LSTM网络。
3.如权利要求2所述的方法,其特征在于,所述根据新增的历史订单数据,更新所述LSTM网络,包括:
根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果,更新所述LSTM网络。
4.如权利要求1至3任一项所述的方法,其特征在于,所述Xm个属性标签中的任意两个属性标签均线性无关。
5.一种订单报价装置,其特征在于,包括:
第一获取模块,用于获取当前订单的需求信息,所述需求信息包括X个属性标签,所述X个属性标签包括采集人年龄、录制场地和录音设备;
第一提取模块,用于从所述X个属性标签中提取主成分特征,得到Xm个属性标签,其中,X和Xm均为正整数,X大于Xm;
预测模块,用于根据所述Xm个属性标签,使用根据历史订单数据预先训练得到的长短时记忆LSTM网络,对所述当前订单的报价进行预测;
第二获取模块,用于获取历史订单数据,所述历史订单数据包括多个历史订单的属性信息,所述属性信息包括X个属性标签和订单报价,所述X个属性标签包括采集人年龄、录制场地和录音设备;
第二提取模块,用于从所述X个属性标签中提取主成分特征,得到Xm个属性标签;
训练模块,用于根据所述多个历史订单的Xm个属性标签和订单报价,训练得到所述LSTM网络。
6.如权利要求5所述的装置,其特征在于,还包括:
更新模块,用于根据新增的历史订单数据,更新所述LSTM网络。
7.如权利要求6所述的装置,其特征在于,
所述更新模块,具体用于根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果,更新所述LSTM网络。
8.如权利要求5至7任一项所述的装置,其特征在于,所述Xm个属性标签中的任意两个属性标签均线性无关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010073210.9A CN111242747B (zh) | 2020-01-21 | 2020-01-21 | 一种订单报价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010073210.9A CN111242747B (zh) | 2020-01-21 | 2020-01-21 | 一种订单报价方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242747A CN111242747A (zh) | 2020-06-05 |
CN111242747B true CN111242747B (zh) | 2023-07-21 |
Family
ID=70874870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010073210.9A Active CN111242747B (zh) | 2020-01-21 | 2020-01-21 | 一种订单报价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242747B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084437A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7324966B2 (en) * | 2001-01-22 | 2008-01-29 | W.W. Grainger | Method for fulfilling an order in an integrated supply chain management system |
CN108230049A (zh) * | 2018-02-09 | 2018-06-29 | 新智数字科技有限公司 | 订单的预测方法及系统 |
CN110097320A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 订单预测方法和装置、物流系统及计算机可读介质 |
CN110458606A (zh) * | 2019-07-19 | 2019-11-15 | 西北工业大学 | 基于深度学习的非标刀具价格预测方法 |
CN110390433A (zh) * | 2019-07-22 | 2019-10-29 | 国网河北省电力有限公司邢台供电分公司 | 一种订单预测方法、订单预测装置及终端设备 |
-
2020
- 2020-01-21 CN CN202010073210.9A patent/CN111242747B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084437A (zh) * | 2019-05-09 | 2019-08-02 | 上汽安吉物流股份有限公司 | 订单的预测方法及装置、物流系统以及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111242747A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Godahewa et al. | Monash time series forecasting archive | |
CN107909274B (zh) | 企业投资风险评估方法、装置及存储介质 | |
Lu et al. | Electricity market price spike forecast with data mining techniques | |
Fan et al. | Short-term load forecasting based on a semi-parametric additive model | |
US8121875B2 (en) | Comparing taxonomies | |
CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
Pedregal et al. | Mid-term hourly electricity forecasting based on a multi-rate approach | |
Khan et al. | Efficient short-term electricity load forecasting for effective energy management | |
US20190236497A1 (en) | System and method for automated model selection for key performance indicator forecasting | |
CN111401777B (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
US7742940B1 (en) | Method and system for predicting revenue based on historical pattern indentification and modeling | |
CN112214508B (zh) | 数据处理方法及装置 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
JP2004028625A (ja) | 降水量の推定方法、システム、プログラムおよびプログラムを格納した記憶媒体 | |
CN110751317A (zh) | 一种电力负荷预测系统及预测方法 | |
CN111242747B (zh) | 一种订单报价方法和装置 | |
Kim et al. | Probability distribution of the project payback period using the equivalent cash flow decomposition | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
JP6552077B1 (ja) | 日射量正規化統計解析システム、日射量正規化統計解析法および日射量正規化統計解析プログラム | |
CN113553394A (zh) | 结合rpa和ai征信信息的处理方法和处理装置 | |
Galarneau-Vincent et al. | Foreseeing the worst: Forecasting electricity DART spikes | |
JP2021103444A (ja) | 需要予測システム | |
CN111752991A (zh) | 一种表计数据统计方法、装置和获取表计统计数据方法 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
CN114118630B (zh) | 一种基于气象事件的需求量预测方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 411, 4th floor, building 4, No.44, Middle North Third Ring Road, Haidian District, Beijing 100088 Patentee after: Beijing Qingshu Intelligent Technology Co.,Ltd. Address before: 100044 1415, 14th floor, building 1, yard 59, gaoliangqiaoxie street, Haidian District, Beijing Patentee before: BEIJING AISHU WISDOM TECHNOLOGY CO.,LTD. |