CN111260142A - 商品指标数据预测方法、装置、存储介质及电子设备 - Google Patents

商品指标数据预测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN111260142A
CN111260142A CN202010062546.5A CN202010062546A CN111260142A CN 111260142 A CN111260142 A CN 111260142A CN 202010062546 A CN202010062546 A CN 202010062546A CN 111260142 A CN111260142 A CN 111260142A
Authority
CN
China
Prior art keywords
index data
probability
probability distribution
commodity
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.)
Granted
Application number
CN202010062546.5A
Other languages
English (en)
Other versions
CN111260142B (zh
Inventor
肖伟集
王迪
邱显
杨杰
罗晓华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Netease Zaigu Technology Co Ltd
Original Assignee
Hangzhou Netease Zaigu Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Netease Zaigu Technology Co Ltd filed Critical Hangzhou Netease Zaigu Technology Co Ltd
Priority to CN202010062546.5A priority Critical patent/CN111260142B/zh
Publication of CN111260142A publication Critical patent/CN111260142A/zh
Application granted granted Critical
Publication of CN111260142B publication Critical patent/CN111260142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施方式涉及一种商品指标数据预测方法、装置、存储介质与电子设备，涉及数据处理技术领域。该方法包括：获取待预测商品的历史指标数据，其包括在至少一个历史周期中的各单位时间内，统计关于待预测商品的用户行为所得到的指标数据；根据历史指标数据构建多层概率模型，并基于多层概率模型进行采样，得到用户行为发生在各单位时间内的概率分布样本；利用概率分布样本，确定在一个周期中，用户行为发生在各单位时间内的后验概率；基于后验概率，预测在未来至少一个单位时间内，待预测商品的指标数据。本发明适用于历史数据不完整的情况，且通过概率分布的方式对商品指标数据的变化规律进行表征，能够实现准确的预测。

Description

商品指标数据预测方法、装置、存储介质及电子设备
技术领域
本发明的实施方式涉及数据处理技术领域，更具体地，本发明的实施方式涉及一种商品指标数据预测方法、商品指标数据预测装置、计算机可读存储介质及电子设备。
背景技术
本部分旨在为权利要求中陈述的本发明的实施方式提供背景或上下文，此处的描述不因为包括在本部分中就承认是现有技术。
企业在开展业务时，需要对商品未来的指标数据作出预测，例如预测电商商品的销量，以对采购、库存管理和营销活动策划等相关业务环节形成指导，预测视频网站中视频的播放量，以对后台的服务器与数据库等资源进行优化配置。
现有技术中，商品指标数据预测大多采用时间序列分析法，如典型的ARIMA(Autoregressive Integrated Moving Average Model，差分整合移动平均自回归模型)、Holt-Winters(霍尔特-温特，一种指数平滑法)等。时间序列分析法通过对商品指标数据中连续变化的规律进行分析，预测数据未来发展的趋势，从而得到未来某一时间的数据。
发明内容
然而，现有的时间序列分析法存在以下问题：
需要对商品指标数据中连续变化的规律进行分析，因此对历史数据的完整性要求很高，如果历史数据中缺失一段，导致历史数据不连续，则对于分析结果影响很大；而实际应用中，由于缺货断货、商品日龄短、促销活动干扰等因素，历史数据的完整性往往难以满足要求；
商品指标数据中一般存在不可预测的影响因素，导致数据变化具有一定的偶然性，这样在采用时间序列分析法时，难以对数据变化的规律进行拟合，导致分析结果不准确；
由于不同商品的指标数据变化规律一般不同，因此需要对每种商品单独采用时间序列分析法进行建模分析，导致人力、时间与计算成本升高，应用时需要选择对应的模型，也较为不便，且单一商品上历史数据缺失的问题更加严重。
为此，非常需要一种改进的商品指标数据预测方法，可以改善现有技术中的上述问题。
在本上下文中，本发明的实施方式期望提供一种商品指标数据预测方法、商品指标数据预测装置、计算机可读存储介质及电子设备。
根据本发明实施方式的第一方面，提供一种商品指标数据预测方法，包括：获取待预测商品的历史指标数据，所述历史指标数据包括：在至少一个历史周期中的各单位时间内，统计关于所述待预测商品的用户行为所得到的指标数据；根据所述历史指标数据构建多层概率模型，并基于所述多层概率模型进行采样，得到所述用户行为发生在各单位时间内的概率分布样本；利用所述概率分布样本，确定在一个周期中，所述用户行为发生在各单位时间内的后验概率；基于所述后验概率，预测在未来至少一个单位时间内，所述待预测商品的指标数据。
在一种可选的实施方式中，所述根据所述历史指标数据构建多层概率模型，并基于所述多层概率模型进行采样，得到所述用户行为发生在各单位时间内的概率分布样本，包括：获取预设的所述用户行为的概率分布函数，并以所述概率分布函数的参数为底层参数，获取多层概率分布参数；根据所述多层概率分布参数中顶层参数的预设样本以及所述历史指标数据构建所述多层概率模型，并采样得到所述多层概率分布参数中每一层参数的样本；将所述底层参数的样本代入到所述概率分布函数中，采样得到所述概率分布样本。
在一种可选的实施方式中，所述多层概率模型包括多层贝叶斯模型；所述多层概率分布参数包括三层概率分布参数，分别为所述底层参数、中间层参数和所述顶层参数；所述根据所述多层概率分布参数中顶层参数的预设样本以及所述历史指标数据构建所述多层概率模型，采样得到所述多层概率分布参数中每一层参数的样本，包括：获取多层贝叶斯模型的预设框架，所述预设框架基于所述概率分布函数和所述多层概率分布参数而预先建立；利用所述预设框架对所述顶层参数的预设样本以及所述历史指标数据进行处理，以构建所述多层贝叶斯模型，并通过马尔科夫链蒙特卡洛采样得到所述中间层参数的样本和所述底层参数的样本。
在一种可选的实施方式中，所述多层贝叶斯模型包括：
Xi～VonMises(μi,κi)；
μi～Normal(μμ,σμ)；
κi～HalfNormal(σκ)；
Figure BDA0002374949480000031
Figure BDA0002374949480000032
Figure BDA0002374949480000033
其中，Xi表示关于待预测商品i的所述用户行为的概率分布函数；Xi的似然是参数为μi和κi的循环正态分布，μi和κi为所述底层参数；μi的先验分布是参数为μμ和σμ的正态分布，κi的先验分布是参数为σκ的半正态分布，μμ、σμ和σκ为所述中间层参数；μμ的先验分布是参数为
Figure BDA0002374949480000034
和
Figure BDA0002374949480000035
的正态分布，σμ的先验分布是参数为
Figure BDA0002374949480000036
的半正态分布，σκ的先验分布是参数为
Figure BDA0002374949480000037
的半正态分布，
Figure BDA0002374949480000038
和
Figure BDA0002374949480000039
为所述顶层参数。
在一种可选的实施方式中，所述根据所述历史指标数据构建多层概率模型，包括：根据所述历史周期中的各单位时间内的指标数据与所述历史周期的指标数据总量之比，得到所述用户行为的历史概率分布；根据所述历史概率分布构建所述多层概率模型。
在一种可选的实施方式中，所述利用所述概率分布样本，确定在一个周期中，所述用户行为发生在各单位时间内的后验概率，包括：统计所述概率分布样本在各单位时间内的数值分布，以确定在一个周期中，所述用户行为发生在各单位时间内的后验概率。
在一种可选的实施方式中，所述基于所述后验概率，预测在未来至少一个单位时间内，所述待预测商品的指标数据，包括：获取所述待预测商品在未来周期的指标总量预测值；基于所述后验概率和所述指标总量预测值，计算在所述未来周期中的各单位时间内，所述待预测商品的指标数据预测值。
在一种可选的实施方式中，其特征在于，所述待预测商品包括以下任意一种或多种：电商商品、电子书、音乐、视频、网络游戏。
在一种可选的实施方式中，所述指标数据包括以下任意一种或多种：销量、点击量、浏览量、收藏量、播放量。
在一种可选的实施方式中，所述周期为年，所述单位时间为一年中的每一天；或者所述周期为天，所述单位时间为一天中的每一小时。
根据本发明实施方式的第二方面，提供一种商品指标数据预测装置，包括：获取模块，用于获取待预测商品的历史指标数据，所述历史指标数据包括：在至少一个历史周期中的各单位时间内，统计关于所述待预测商品的用户行为所得到的指标数据；采样模块，用于根据所述历史指标数据构建多层概率模型，并基于所述多层概率模型进行采样，得到所述用户行为发生在各单位时间内的概率分布样本；后验模块，用于利用所述概率分布样本，确定在一个周期中，所述用户行为发生在各单位时间内的后验概率；预测模块，用于基于所述后验概率，预测在未来至少一个单位时间内，所述待预测商品的指标数据。
在一种可选的实施方式中，所述采样模块，被配置为通过执行以下方法，以得到所述概率分布样本：获取预设的所述用户行为的概率分布函数，并以所述概率分布函数的参数为底层参数，获取多层概率分布参数；根据所述多层概率分布参数中顶层参数的预设样本以及所述历史指标数据构建所述多层概率模型，并采样得到所述多层概率分布参数中每一层参数的样本；将所述底层参数的样本代入到所述概率分布函数中，采样得到所述概率分布样本。
在一种可选的实施方式中，所述多层概率模型包括多层贝叶斯模型；所述多层概率分布参数包括三层概率分布参数，分别为所述底层参数、中间层参数和所述顶层参数；所述采样模块，被配置为通过执行以下方法，以得到所述每一层参数的样本：获取多层贝叶斯模型的预设框架，所述预设框架基于所述概率分布函数和所述多层概率分布参数而预先建立；利用所述预设框架对所述顶层参数的预设样本以及所述历史指标数据进行处理，以构建所述多层贝叶斯模型，并通过马尔科夫链蒙特卡洛采样得到所述中间层参数的样本和所述底层参数的样本。
在一种可选的实施方式中，所述多层贝叶斯模型包括：
Xi～VonMises(μi,κi)；
μi～Normal(μμ,σμ)；
κi～HalfNormal(σκ)；
Figure BDA0002374949480000051
Figure BDA0002374949480000052
Figure BDA0002374949480000053
其中，Xi表示关于待预测商品i的所述用户行为的概率分布函数；Xi的似然是参数为μi和κi的循环正态分布，μi和κi为所述底层参数；μi的先验分布是参数为μμ和σμ的正态分布，κi的先验分布是参数为σκ的半正态分布，μμ、σμ和σκ为所述中间层参数；μμ的先验分布是参数为
Figure BDA0002374949480000054
和
Figure BDA0002374949480000055
的正态分布，σμ的先验分布是参数为
Figure BDA0002374949480000056
的半正态分布，σκ的先验分布是参数为
Figure BDA0002374949480000057
的半正态分布，
Figure BDA0002374949480000058
和
Figure BDA0002374949480000059
为所述顶层参数。
在一种可选的实施方式中，所述采样模块，被配置为通过执行以下方法，以得到所述多层概率模型：根据所述历史周期中的各单位时间内的指标数据与所述历史周期的指标数据总量之比，得到所述用户行为的历史概率分布；根据所述历史概率分布构建所述多层概率模型。
在一种可选的实施方式中，所述后验模块，被配置为通过执行以下方法，以得到所述后验概率：统计所述概率分布样本在各单位时间内的数值分布，以确定在一个周期中，所述用户行为发生在各单位时间内的后验概率。
在一种可选的实施方式中，所述预测模块，被配置为通过执行以下方法，以预测所述待预测商品的指标数据：获取所述待预测商品在未来周期的指标总量预测值；基于所述后验概率和所述指标总量预测值，计算在所述未来周期中的各单位时间内，所述待预测商品的指标数据预测值。
在一种可选的实施方式中，所述待预测商品包括以下任意一种或多种：电商商品、电子书、音乐、视频、网络游戏。
在一种可选的实施方式中，所述指标数据包括以下任意一种或多种：销量、点击量、浏览量、收藏量、播放量。
在一种可选的实施方式中，所述周期为年，所述单位时间为一年中的每一天；或者所述周期为天，所述单位时间为一天中的每一小时。
根据本发明实施方式的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种商品指标数据预测方法。
根据本发明实施方式的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种商品指标数据预测方法。
根据本发明实施方式的商品指标数据预测方法、商品指标数据预测装置、计算机可读存储介质及电子设备，根据待预测商品的历史指标数据构建多层概率模型，并采样得到用户行为发生在各单位时间内的概率分布样本；再利用概率分布样本，确定在一个周期中用户行为发生在各单位时间内的后验概率；最后基于后验概率，预测在未来至少一个单位时间内，待预测商品的指标数据。一方面，本发明适用于历史指标数据不完整的情况，通过构建多层概率模型并采样得到概率分布样本，能够充分利用有限的历史指标数据，得到有效的后验概率，因此方案的实现不依赖于历史数据的数量与质量，鲁棒性较高。另一方面，通过概率分布的方式对商品指标数据的变化规律进行表征，能够克服数据变化不连续的问题，体现出不可预测的因素、偶然性变化等带来的影响，以更加接近于真实情况，从而实现准确的指标数据预测。
在本发明的一些实施方式中，建立统一的预设框架，在使用时将待预测商品的相关数据直接代入，即可实现建模、采样等过程，从而无需对每种商品单独建模，使用非常方便，同时降低了人力、时间与计算成本。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示出了根据本发明实施方式的商品指标数据预测方法的流程图；
图2示出了根据本发明实施方式的得到概率分布样本的流程图；
图3示出了根据本发明实施方式的得到商品指标预测值的流程图；
图4示出了根据本发明实施方式的商品指标数据预测装置的结构框图；
图5示出了根据本发明实施方式的存储介质的示意图；以及
图6示出了根据本发明实施方式的电子设备的结构框图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本发明可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提供一种商品指标数据预测方法、商品指标数据预测装置、计算机可读存储介质及电子设备。
在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐述本发明的原理和精神。
发明概述
本发明人发现，在现有技术中，通过时间序列分析法进行商品指标数据预测，存在以下问题：
需要对商品指标数据中连续变化的规律进行分析，因此对历史数据的完整性要求很高，如果历史数据中缺失一段，导致历史数据不连续，则对于分析结果影响很大；而实际应用中，由于缺货断货、商品日龄短、促销活动干扰等因素，历史数据的完整性往往难以满足要求；
商品指标数据中一般存在不可预测的影响因素，导致数据变化具有一定的偶然性，这样在采用时间序列分析法时，难以对数据变化的规律进行拟合，导致分析结果不准确；
由于不同商品的指标数据变化规律一般不同，因此需要对每种商品单独采用时间序列分析法进行建模分析，导致人力、时间与计算成本升高，应用时需要选择对应的模型，也较为不便，且单一商品上历史数据缺失的问题更加严重。
鉴于上述内容，本发明的基本思想在于：提供一种商品指标数据预测方法、商品指标数据预测装置、计算机可读存储介质及电子设备，根据待预测商品的历史指标数据构建多层概率模型，并采样得到用户行为发生在各单位时间内的概率分布样本；再利用概率分布样本，确定在一个周期中用户行为发生在各单位时间内的后验概率；最后基于后验概率，预测在未来至少一个单位时间内，待预测商品的指标数据。一方面，本发明适用于历史指标数据不完整的情况，通过构建多层概率模型并采样得到概率分布样本，能够充分利用有限的历史指标数据，得到有效的后验概率，因此方案的实现不依赖于历史数据的数量与质量，鲁棒性较高。另一方面，通过概率分布的方式对商品指标数据的变化规律进行表征，能够克服数据变化不连续的问题，体现出不可预测的因素、偶然性变化等带来的影响，以更加接近于真实情况，从而实现准确的指标数据预测。
在本发明的一些实施方式中，建立统一的预设框架，在使用时将待预测商品的相关数据直接代入，即可实现建模、采样等过程，从而无需对每种商品单独建模，使用非常方便，同时降低了人力、时间与计算成本。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
应用场景总览
需要注意的是，下述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。
本发明可以应用于需要预测指标数据的所有场景，例如：电商商家预测下一年中每一天的商品销量，以制定合理的采购、库存与物流计划；视频服务商预测第二天中每一小时的视频播放量，以根据视频播放量的变化合理配置后台的服务器与数据库等资源。
示例性方法
本发明的示例性实施方式首先提供一种商品指标数据预测方法，如图1所示，该方法可以包括以下步骤S110至S140：
步骤S110，获取待预测商品的历史指标数据。
其中，待预测商品可以是实体商品(包括服务)，也可以是基于互联网服务的虚拟商品，例如可以包括以下任意一种或多种：电商平台售卖的各种商品，保险，电子出版商或阅读平台提供的电子书，音乐平台提供的音乐，视频平台提供的视频，游戏厂商提供的网络游戏。指标数据是指基于预设的指标，统计关于商品的用户行为所得到的数据，用户行为可以是购买、点击、浏览、收藏、收听或观看等，则对应的指标数据可以是销量、点击量、浏览量、收藏量、播放量等。
本示例性实施方式中，设置周期与单位时间两个时间粒度，以统计与预测指标数据。一般的，商品的指标数据呈现周期性的涨落变化，可以根据经验或历史统计结果确定相应的周期，例如服装的销量为季节性变化，通常以年为周期，音乐或视频的播放量呈现早中晚时间段的差异，通常以天为周期。进一步的，根据实际需求，将一个周期拆分为多个单位时间，按照不同的单位时间来预测商品指标数据。例如周期为年时，可以以一年中的每一天为单位时间，预测未来每一天的商品销量，以安排采购与库存计划；周期为天时，可以以一天中的每一小时为单位时间，预测未来每一小时的视频播放量，以调度服务器资源。
待预测商品的历史指标数据包括：在至少一个历史周期中的各单位时间内，统计关于待预测商品的用户行为所得到的指标数据。例如统计过去一年的每一天中，关于商品i的购买行为数据，得到商品i在每一天的销量，即历史指标数据。
步骤S120，根据历史指标数据构建多层概率模型，并基于多层概率模型进行采样，得到用户行为发生在各单位时间内的概率分布样本。
历史指标数据反映了在历史周期的各单位时间内指标数据的分布情况，可以将其作为一种概率进行处理，例如转换为用户行为发生的概率，从而将历史指标数据作为概率样本。然而，历史指标数据一般较为稀疏，难以拟合出准确的概率模型。因此可以进行重采样，以期望得到稠密的概率分布样本。本示例性实施方式中，将用户行为在各单位时间内的分布作为一种概率分布，假设该概率分布中包含若干参数，为了避免参数过拟合的问题，可以将参数分层，对应构建多层概率模型，然后基于多层概率模型进行分层采样，在采样中，可以设置样本数量，最后得到用户行为发生在各单位时间内的概率分布样本，满足对样本稠密度的需求。
在一种可选的实施方式中，可以根据历史周期中的各单位时间内的指标数据与历史周期的指标数据总量之比，得到用户行为的历史概率分布；然后根据该历史概率分布构建多层概率模型。例如，统计商品i在过去一年中每一天的销量，Salesi(t)＝99表示第t天的销量为99件，t＝1～365(忽略闰年的影响)；将用户购买商品A的行为发生在第t天的概率表示为：
Figure BDA0002374949480000101
上述公式(1)实际上对历史指标数据进行了归一化处理，将其转换为了概率数据。如果历史指标数据包括商品i在过去两年(2017年和2018年)中的销量，这两年的总销量可能存在较大差异，反映到每一天的销量上也存在明显差异，例如2017年9月22日和2018年9月22日的销量一般存在明显差异。然而，通过公式(1)转换为概率数据后，差别不会很大，例如2017年9月22日和2018年9月22日的概率一般相近。将2017年的概率分布和2018年的概率分布进行对比的话，总体的概率分布趋势应当也是相近的。由此可以根据转换得到的历史概率分布，构建多层概率模型。
此外，还可以将多种具有相似概率分布的商品进行合并，例如羽绒服、棉衣、棉鞋虽然销量差别较大，但总体的概率分布呈现相似的季节性变化，因此可以将这几种商品合并处理，增加历史指标数据的数量，后续进行统一的指标数据预测，也能够提高效率。
在一种可选的实施方式中，参考图2所示，步骤S120可以具体包括以下步骤S201至S203：
步骤S201，获取预设的用户行为的概率分布函数，并以概率分布函数的参数为底层参数，获取多层概率分布参数；
步骤S202，根据多层概率分布参数中顶层参数的预设样本以及历史指标数据构建多层概率模型，并采样得到多层概率分布参数中每一层参数的样本；
步骤S203，将底层参数的样本代入到概率分布函数中，采样得到概率分布样本。
其中，用户行为的概率分布函数可以根据经验和知识设定，可以将概率分布函数看作是先验概率；也可以对历史指标数据进行简单拟合，得到概率分布函数。对于概率分布函数中的参数，将其作为底层参数，可以通过另一层概率分布描述底层参数的先验概率；将这一层概率分布中的参数作为底层参数的上一层参数，可以通过构建再一层概率分布描述这一层参数的先验概率……以此类推，可以根据实际需要确定层数，构建多层概率分布参数。
一般的，可以根据经验或历史数据设定多层概率分布参数中顶层参数的一组或多组样本，即上述预设样本；同时，将历史指标数据看作是用户行为的初始概率分布样本，这样就获得了两个边界的样本，结合多层概率分布参数，可以构建多层概率模型。多层概率模型描述多层概率分布参数中每一层参数的概率分布，通过从上层到下层依次采样，可以得到每一层参数的样本；严格地说，顶层参数的样本是通过预设而不是采样得到的，因此步骤S202中的每一层参数并不包括顶层参数。
对于多层概率分布参数的采样过程，举例说明如下：假设共有N层概率分布参数，其中底层参数为第一层，顶层参数为第N层；在构建多层概率模型后，可以提取其中的顶层概率分布(即第N层概率分布)，并进行采样，得到第N-1层概率分布参数的样本；然后将第N-1层概率分布参数的样本代入第N-1层概率分布，并进行采样，得到第N-2层概率分布参数的样本……依次对每一层采样，最后得到底层参数的样本。
在得到底层参数的样本后，将其代入到用户行为的概率分布函数中，再进行采样，得到用户行为的概率分布样本。
需要说明的是，在对每一层概率分布进行采样或者对概率分布函数进行采样时，采用哪种采样方式，如随机采样、分段采样等，可以视概率分布的具体形式而定。一般的，由于底层参数的样本较为稠密，对于概率分布函数，可以采用随机采样。
进一步的，多层概率模型可以是多层贝叶斯模型。并且设置三层概率分布参数，分别为底层参数、中间层参数和顶层参数，可以防止参数过拟合，同时避免层数过多导致的计算量增加。步骤S202可以具体通过以下方式实现：
获取多层贝叶斯模型的预设框架，预设框架基于概率分布函数和多层概率分布参数而预先建立；
利用预设框架对顶层参数的预设样本以及历史指标数据进行处理，以构建多层贝叶斯模型，并通过马尔科夫链蒙特卡洛采样得到中间层参数的样本和底层参数的样本。
其中，预设框架是预先搭建的模型框架，可以包括模型的公式、函数声明、参数类别以及相关的算法代码。一般的，在预设概率分布函数后，对其进行声明，然后指定多层概率分布参数之间的关联关系，可以建立该预设框架。对于每一层参数的先验概率符合怎样的分布，可以预设多个常用分布，在应用时进行具体选择或拟合。将顶层参数的预设样本以及历史指标数据代入预设框架中，可以构建多层贝叶斯模型。
示例性的，多层贝叶斯模型可以包括以下公式：
Xi～VonMises(μi,κi)； (2)
μi～Normal(μμ,σμ)； (3)
κi～HalfNormal(σκ)； (4)
Figure BDA0002374949480000131
Figure BDA0002374949480000132
Figure BDA0002374949480000133
其中，Xi表示关于待预测商品i的用户行为的概率分布函数；基于公式(1)中的概率函数Di(t)，可以将其转换到一定的时域范围内，例如为了便于正态分布的相关计算，可以转换到2π时域范围内，令y＝2π·y/365，相当于将一年中的365个单位时间重新划分为2π个时间段，则Xi(y)表示第y时间段的用户行为发生概率。
Xi的似然是参数为μi和κi的循环正态分布(VonMises)，μi和κi为底层参数。μi的先验分布是参数为μμ和σμ的正态分布(Normal)，κi的先验分布是参数为σκ的半正态分布(HalfNormal)，μμ、σμ和σκ为中间层参数。μu的先验分布是参数为
Figure BDA0002374949480000134
和
Figure BDA0002374949480000135
的正态分布，σμ的先验分布是参数为
Figure BDA0002374949480000136
的半正态分布，σκ的先验分布是参数为
Figure BDA0002374949480000137
的半正态分布，
Figure BDA0002374949480000138
和
Figure BDA0002374949480000139
为顶层参数。
采样的过程实际是多层贝叶斯模型的求解过程。具体来说，可以预先设定中间层参数(μμ,σμ,σκ)的样本数量、底层参数(μi,κi)的样本数量以及用户行为的概率分布样本数量；在得到多层贝叶斯模型后，基于顶层参数的预设样本以及历史指标数据，实施马尔科夫链蒙特卡洛采样，其可以构造一条马尔科夫链，以平稳分布中间层参数和底层参数的后验分布，并基于马尔科夫链达到平稳分布时的样本进行蒙特卡洛积分，再通过吉布斯采样等方法进行采样，得到中间层参数和底层参数的样本；需要说明的是，马尔科夫链蒙特卡洛采样可以得到(μμ,σμ,σκ)和(μi,κi)的样本，但是最终还是为了得到(μi,κi)的样本；将底(μi,κi)的样本代入循环正态分布(2)，可以利用随机采样获得Xi的样本；然后取[0,2π)的时域区间，等分为365个桶，将Xi的样本根据取值放入相应的桶，从而得到Di的样本，即概率分布样本。
步骤S130，利用概率分布样本，确定在一个周期中，用户行为发生在各单位时间内的后验概率。
在获得概率分布样本的情况下，可以结合先验概率，通过贝叶斯公式计算相应的后验概率。或者，可以统计上述概率分布样本在各单位时间内的数值分布，以确定在一个周期中，用户行为发生在各单位时间内的后验概率。例如，可以统计每一天的概率分布样本数值，计算平均值，然后对一年中365天的平均值进行归一化(如可以参考公式(1))，得到每一天的后验概率。
步骤S140，基于上述后验概率，预测在未来至少一个单位时间内，待预测商品的指标数据。
后验概率是基于单位时间粒度的概率分布，因此可以实现精确到单位时间的指标数据预测。
在一种可选的实施方式中，参考图3所示，步骤S140可以具体包括以下步骤S301和S302：
步骤S301，获取待预测商品在未来周期的指标总量预测值；
步骤S302，基于上述后验概率和指标总量预测值，计算在未来周期中的各单位时间内，待预测商品的指标数据预测值。
举例来说，需要预测商品i在下一年中每一天的销量，首先获取下一年的总销量预测值，该预测值可以通过对历史每年的总销量进行时间序列分析，或者通过机器学习模型进行处理，或者结合经验等统计得到。然后将总销量预测值与每一天的后验概率相乘，即可得到每一天的销量预测值。通过类似的方法，还可以预测音乐、视频在第二天中每一个小时的播放量，等等。
示例性装置
在介绍了本发明示例性实施方式的商品指标数据预测方法之后，接下来，参考图4对本发明示例性实施方式的商品指标数据预测装置进行说明。
如图4所示，商品指标数据预测装置400可以包括：
获取模块410，用于获取待预测商品的历史指标数据，历史指标数据包括：在至少一个历史周期中的各单位时间内，统计关于待预测商品的用户行为所得到的指标数据；
采样模块420，用于根据历史指标数据构建多层概率模型，并基于多层概率模型进行采样，得到用户行为发生在各单位时间内的概率分布样本；
后验模块430，用于利用概率分布样本，确定在一个周期中，用户行为发生在各单位时间内的后验概率；
预测模块440，用于基于上述后验概率，预测在未来至少一个单位时间内，待预测商品的指标数据。
在一种可选的实施方式中，采样模块420，被配置为通过执行以下方法，以得到概率分布样本：
获取预设的用户行为的概率分布函数，并以概率分布函数的参数为底层参数，获取多层概率分布参数；
根据多层概率分布参数中顶层参数的预设样本以及历史指标数据构建多层概率模型，并采样得到多层概率分布参数中每一层参数的样本；
将底层参数的样本代入到概率分布函数中，采样得到概率分布样本。
在一种可选的实施方式中，多层概率模型包括多层贝叶斯模型；多层概率分布参数包括三层概率分布参数，分别为底层参数、中间层参数和顶层参数。采样模块420，被配置为通过执行以下方法，以得到每一层参数的样本：
获取多层贝叶斯模型的预设框架，预设框架基于概率分布函数和多层概率分布参数而预先建立；
利用预设框架对顶层参数的预设样本以及历史指标数据进行处理，以构建多层贝叶斯模型，并通过马尔科夫链蒙特卡洛采样得到中间层参数的样本和底层参数的样本。
在一种可选的实施方式中，多层贝叶斯模型可以包括：
Xi～VonMises(μi,κi)；
μi～Normal(μμ,σμ)；
κi～HalfNormal(σκ)；
Figure BDA0002374949480000151
Figure BDA0002374949480000152
Figure BDA0002374949480000161
其中，Xi表示关于待预测商品i的用户行为的概率分布函数；
Xi的似然是参数为μi和κi的循环正态分布，μi和κi为底层参数；
μi的先验分布是参数为μμ和σμ的正态分布，κi的先验分布是参数为σκ的半正态分布，μμ、σμ和σκ为中间层参数；
μμ的先验分布是参数为
Figure BDA0002374949480000162
和
Figure BDA0002374949480000163
的正态分布，σμ的先验分布是参数为
Figure BDA0002374949480000164
的半正态分布，σκ的先验分布是参数为
Figure BDA0002374949480000165
的半正态分布，
Figure BDA0002374949480000166
和
Figure BDA0002374949480000167
为顶层参数。
在一种可选的实施方式中，采样模块420，被配置为通过执行以下方法，以得到多层概率模型：
根据历史周期中的各单位时间内的指标数据与历史周期的指标数据总量之比，得到用户行为的历史概率分布；
根据历史概率分布构建多层概率模型。
在一种可选的实施方式中，后验模块430，被配置为通过执行以下方法，以得到后验概率：
统计概率分布样本在各单位时间内的数值分布，以确定在一个周期中，用户行为发生在各单位时间内的后验概率。
在一种可选的实施方式中，预测模块440，被配置为通过执行以下方法，以预测待预测商品的指标数据：
获取待预测商品在未来周期的指标总量预测值；
基于后验概率和指标总量预测值，计算在未来周期中的各单位时间内，待预测商品的指标数据预测值。
在一种可选的实施方式中，上述待预测商品可以包括以下任意一种或多种：电商商品、电子书、音乐、视频、网络游戏。
在一种可选的实施方式中，上述指标数据可以包括以下任意一种或多种：销量、点击量、浏览量、收藏量、播放量。
在一种可选的实施方式中，周期可以是年，单位时间可以是一年中的每一天；或者周期可以是天，单位时间可以是一天中的每一小时。
此外，本发明实施方式的其他具体细节在上述方法的发明实施方式中已经详细说明，在此不再赘述。
示例性存储介质
参考图5对本发明示例性实施方式的存储介质进行说明。
如图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
该程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、光缆、RE等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(FAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
示例性电子设备
参考图6对本发明示例性实施方式的电子设备进行说明。
图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中，存储单元620存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述"示例性方法"部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1、图2或图3所示的方法步骤等。
存储单元620可以包括易失性存储单元，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以包括数据总线、地址总线和控制总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口650进行。电子设备600还包括显示单元640，其连接到输入/输出(I/O)接口650，用于进行显示。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(FAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了装置的若干模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外，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。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。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (10)

1.一种商品指标数据预测方法，其特征在于，包括：
获取待预测商品的历史指标数据，所述历史指标数据包括：在至少一个历史周期中的各单位时间内，统计关于所述待预测商品的用户行为所得到的指标数据；
根据所述历史指标数据构建多层概率模型，并基于所述多层概率模型进行采样，得到所述用户行为发生在各单位时间内的概率分布样本；
利用所述概率分布样本，确定在一个周期中，所述用户行为发生在各单位时间内的后验概率；
基于所述后验概率，预测在未来至少一个单位时间内，所述待预测商品的指标数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史指标数据构建多层概率模型，并基于所述多层概率模型进行采样，得到所述用户行为发生在各单位时间内的概率分布样本，包括：
获取预设的所述用户行为的概率分布函数，并以所述概率分布函数的参数为底层参数，获取多层概率分布参数；
根据所述多层概率分布参数中顶层参数的预设样本以及所述历史指标数据构建所述多层概率模型，并采样得到所述多层概率分布参数中每一层参数的样本；
将所述底层参数的样本代入到所述概率分布函数中，采样得到所述概率分布样本。
3.根据权利要求2所述的方法，其特征在于，所述多层概率模型包括多层贝叶斯模型；所述多层概率分布参数包括三层概率分布参数，分别为所述底层参数、中间层参数和所述顶层参数；
所述根据所述多层概率分布参数中顶层参数的预设样本以及所述历史指标数据构建所述多层概率模型，采样得到所述多层概率分布参数中每一层参数的样本，包括：
获取多层贝叶斯模型的预设框架，所述预设框架基于所述概率分布函数和所述多层概率分布参数而预先建立；
利用所述预设框架对所述顶层参数的预设样本以及所述历史指标数据进行处理，以构建所述多层贝叶斯模型，并通过马尔科夫链蒙特卡洛采样得到所述中间层参数的样本和所述底层参数的样本。
4.根据权利要求3所述的方法，其特征在于，所述多层贝叶斯模型包括：
Xi～VonMises(μi,κi)；
μi～Normal(μμ,σμ)；
κi～HalfNormal(σκ)；
Figure FDA0002374949470000021
Figure FDA0002374949470000022
Figure FDA0002374949470000023
其中，Xi表示关于待预测商品i的所述用户行为的概率分布函数；
Xi的似然是参数为μi和κi的循环正态分布，μi和κi为所述底层参数；
μi的先验分布是参数为μμ和σμ的正态分布，κi的先验分布是参数为σκ的半正态分布，μμ、σμ和σκ为所述中间层参数；
μμ的先验分布是参数为
Figure FDA0002374949470000024
和
Figure FDA0002374949470000025
的正态分布，σμ的先验分布是参数为
Figure FDA0002374949470000026
的半正态分布，σκ的先验分布是参数为
Figure FDA0002374949470000027
的半正态分布，
Figure FDA0002374949470000028
和
Figure FDA0002374949470000029
为所述顶层参数。
5.根据权利要求1所述的方法，其特征在于，所述根据所述历史指标数据构建多层概率模型，包括：
根据所述历史周期中的各单位时间内的指标数据与所述历史周期的指标数据总量之比，得到所述用户行为的历史概率分布；
根据所述历史概率分布构建所述多层概率模型。
6.根据权利要求1所述的方法，其特征在于，所述利用所述概率分布样本，确定在一个周期中，所述用户行为发生在各单位时间内的后验概率，包括：
统计所述概率分布样本在各单位时间内的数值分布，以确定在一个周期中，所述用户行为发生在各单位时间内的后验概率。
7.根据权利要求1所述的方法，其特征在于，所述基于所述后验概率，预测在未来至少一个单位时间内，所述待预测商品的指标数据，包括：
获取所述待预测商品在未来周期的指标总量预测值；
基于所述后验概率和所述指标总量预测值，计算在所述未来周期中的各单位时间内，所述待预测商品的指标数据预测值。
8.一种商品指标数据预测装置，其特征在于，包括：
获取模块，用于获取待预测商品的历史指标数据，所述历史指标数据包括：在至少一个历史周期中的各单位时间内，统计关于所述待预测商品的用户行为所得到的指标数据；
采样模块，用于根据所述历史指标数据构建多层概率模型，并基于所述多层概率模型进行采样，得到所述用户行为发生在各单位时间内的概率分布样本；
后验模块，用于利用所述概率分布样本，确定在一个周期中，所述用户行为发生在各单位时间内的后验概率；
预测模块，用于基于所述后验概率，预测在未来至少一个单位时间内，所述待预测商品的指标数据。
9.一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，所述计算机程序被处理器执行时实现权利要求1～7任一项所述的方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7任一项所述的方法。
CN202010062546.5A 2020-01-19 2020-01-19 商品指标数据预测方法、装置、存储介质及电子设备 Active CN111260142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010062546.5A CN111260142B (zh) 2020-01-19 2020-01-19 商品指标数据预测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010062546.5A CN111260142B (zh) 2020-01-19 2020-01-19 商品指标数据预测方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN111260142A true CN111260142A (zh) 2020-06-09
CN111260142B CN111260142B (zh) 2023-06-09

Family

ID=70950917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010062546.5A Active CN111260142B (zh) 2020-01-19 2020-01-19 商品指标数据预测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN111260142B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801465A (zh) * 2021-01-08 2021-05-14 上海画龙信息科技有限公司 一种交互式建模预测产品指标的方法、装置和电子设备
CN113283677A (zh) * 2021-06-29 2021-08-20 中国平安人寿保险股份有限公司 指标数据处理方法、装置、设备及存储介质
CN114297419A (zh) * 2021-12-31 2022-04-08 北京卓越乐享网络科技有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品
CN114297419B (zh) * 2021-12-31 2024-10-25 北京达佳互联信息技术有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100250335A1 (en) * 2009-03-31 2010-09-30 Yahoo! Inc System and method using text features for click prediction of sponsored search advertisements
WO2012148387A1 (en) * 2011-04-26 2012-11-01 Hewlett-Packard Development Company, L.P. Method and system for hierarchical forecasting
CN106408341A (zh) * 2016-09-21 2017-02-15 北京小米移动软件有限公司 货品销量的预测方法及装置、电子设备
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN108764646A (zh) * 2018-04-27 2018-11-06 车智互联（北京）科技有限公司 一种销量预测方法及计算设备
CN110135876A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 销量预测的方法及装置
CN110135878A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 用于确定销售价格的方法及装置
CN110135907A (zh) * 2019-05-14 2019-08-16 网易无尾熊（杭州）科技有限公司 销量预测模型的建立方法、介质、装置和计算设备
CN110363454A (zh) * 2018-04-09 2019-10-22 杉数科技(北京)有限公司 用于确定商品补货量的方法及装置
CN110378434A (zh) * 2019-07-24 2019-10-25 腾讯科技（深圳）有限公司 点击率预测模型的训练方法、推荐方法、装置及电子设备
CN110610259A (zh) * 2019-08-20 2019-12-24 卓尔智联(武汉)研究院有限公司 一种数据处理方法、装置和存储介质
CN110689070A (zh) * 2019-09-25 2020-01-14 第四范式（北京）技术有限公司 一种业务预测模型的训练方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100250335A1 (en) * 2009-03-31 2010-09-30 Yahoo! Inc System and method using text features for click prediction of sponsored search advertisements
WO2012148387A1 (en) * 2011-04-26 2012-11-01 Hewlett-Packard Development Company, L.P. Method and system for hierarchical forecasting
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
CN106408341A (zh) * 2016-09-21 2017-02-15 北京小米移动软件有限公司 货品销量的预测方法及装置、电子设备
CN110135876A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 销量预测的方法及装置
CN110135878A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 用于确定销售价格的方法及装置
CN110363454A (zh) * 2018-04-09 2019-10-22 杉数科技(北京)有限公司 用于确定商品补货量的方法及装置
CN108764646A (zh) * 2018-04-27 2018-11-06 车智互联（北京）科技有限公司 一种销量预测方法及计算设备
CN110135907A (zh) * 2019-05-14 2019-08-16 网易无尾熊（杭州）科技有限公司 销量预测模型的建立方法、介质、装置和计算设备
CN110378434A (zh) * 2019-07-24 2019-10-25 腾讯科技（深圳）有限公司 点击率预测模型的训练方法、推荐方法、装置及电子设备
CN110610259A (zh) * 2019-08-20 2019-12-24 卓尔智联(武汉)研究院有限公司 一种数据处理方法、装置和存储介质
CN110689070A (zh) * 2019-09-25 2020-01-14 第四范式（北京）技术有限公司 一种业务预测模型的训练方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801465A (zh) * 2021-01-08 2021-05-14 上海画龙信息科技有限公司 一种交互式建模预测产品指标的方法、装置和电子设备
CN112801465B (zh) * 2021-01-08 2024-03-01 上海画龙信息科技有限公司 一种交互式建模预测产品指标的方法、装置和电子设备
CN113283677A (zh) * 2021-06-29 2021-08-20 中国平安人寿保险股份有限公司 指标数据处理方法、装置、设备及存储介质
CN113283677B (zh) * 2021-06-29 2022-08-26 中国平安人寿保险股份有限公司 指标数据处理方法、装置、设备及存储介质
CN114297419A (zh) * 2021-12-31 2022-04-08 北京卓越乐享网络科技有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品
CN114297419B (zh) * 2021-12-31 2024-10-25 北京达佳互联信息技术有限公司 多媒体对象的预测方法、装置、设备、介质和程序产品

Also Published As

Publication number Publication date
CN111260142B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
US8010324B1 (en) Computer-implemented system and method for storing data analysis models
CN110866628A (zh) 利用动态时间上下文学习进行多界限时间序列预测的系统和方法
US20150371244A1 (en) Forecasting information technology workload demand
US20130238399A1 (en) Computer-Implemented Systems and Methods for Scenario Analysis
CN107016571A (zh) 数据预测方法及其系统
US11568343B2 (en) Data analytics model selection through champion challenger mechanism
CN112508723B (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
US20200311749A1 (en) System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior
CN117235586B (zh) 酒店客户画像构建方法、系统、电子设备及存储介质
CN111260142B (zh) 商品指标数据预测方法、装置、存储介质及电子设备
US20230011954A1 (en) Device, method, and system for business plan management
Pinçe et al. The role of contract expirations in service parts management
CN110544118B (zh) 销量预测方法、装置、介质和计算设备
Ferencek et al. Data quality assessment in product failure prediction models
Stødle et al. Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation
Brown et al. Reliability evaluation of repairable systems considering component heterogeneity using frailty model
CN112686705B (zh) 一种预测销售效果数据的方法、装置和电子设备
WO2023090292A1 (ja) 情報処理装置、情報処理方法およびコンピュータプログラム
US20140297373A1 (en) Pruning of value driver trees
CN112328899B (zh) 信息处理方法、信息处理装置、存储介质与电子设备
US20230136972A1 (en) Egocentric network entity robustness prediction
CN112418534B (zh) 揽件量预测方法及装置、电子设备、计算机可读存储介质
KR102259945B1 (ko) 인공지능 기반의 예측을 활용하는 a/b 테스팅 시스템 및 방법
US20220383218A1 (en) Systems and methods for product oversight
Sun An influence diagram based cloud service selection approach in dynamic cloud marketplaces

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