CN111639961A - 信息预测方法、装置、电子设备和计算机可读介质 - Google Patents
信息预测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111639961A CN111639961A CN202010296931.6A CN202010296931A CN111639961A CN 111639961 A CN111639961 A CN 111639961A CN 202010296931 A CN202010296931 A CN 202010296931A CN 111639961 A CN111639961 A CN 111639961A
- Authority
- CN
- China
- Prior art keywords
- information
- entities
- entity
- historical
- supply
- 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 70
- 239000011159 matrix material Substances 0.000 claims abstract description 157
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000013508 migration Methods 0.000 claims description 11
- 230000005012 migration Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06N3/08—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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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:基于实体间的关联关系,构建邻接矩阵;基于邻接矩阵,构建包含图卷积神经网络的初始模型;获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型;获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。该实施方式提高了对供应信息预测的准确性。
Description
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,各类服务平台应运而生。例如,住宿预订平台可以为用户可提供酒店预订服务,订餐平台可以为用户提供餐品服务等。随着服务平台业务量的增加,通常需要对入驻服务平台中的实体(如住宿酒店、餐饮店、零售店等)的供应信息进行预测,以便于辅助实体进行库存管理。
现有技术中,通常通过实体所供应的产品的特征以及历史供应信息,构建用于预测供应信息的模型,并利用该模型预测各实体对待测产品的供应信息。然而,这种方式在预测过程中仅考虑了产品的特征,未考虑实体与实体之间的关联关系。例如,某两酒店相距较近,则其中一个酒店通常对另一酒店的供应信息存在影响。若两酒店距离较远,则相互之间通常不存在影响。由于现有方式未考虑实体与实体之间的关联关系,因而预测过程中的信息利用率较低,从而造成供应信息预测的准确性较低。
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,以解决现有技术中对供应信息预测的准确性较低的技术问题。
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:基于实体间的关联关系,构建邻接矩阵;基于邻接矩阵,构建包含图卷积神经网络的初始模型;获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型;获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
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:第一构建单元,被配置成基于实体间的关联关系,构建邻接矩阵;第二构建单元,被配置成基于邻接矩阵,构建包含图卷积神经网络的初始模型;训练单元,被配置成获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型;预测单元,被配置成获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
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如第一方面中所描述的方法。
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所描述的方法。
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,通过基于实体间的关联关系所构建的邻接矩阵,创建包含图卷积神经网络的初始模型,并基于各实体的所供应的样本产品的历史特征信息和历史供应信息,对该初始模型进行训练,得到用于预测供应信息的目标模型,从而可在获取各实体所供应的待测产品的特征信息后,将各特征信息输入至目标模型,预测得到各实体对待测产品的供应信息。由于邻接矩阵能够表征实体间的关联关系,因而基于邻接矩阵所构建的图卷积神经网络不仅能够学习到实体的特征,也能够学习到实体间的关联关系,由此提高了供应信息预测过程的信息利用率,从而提高了对各实体的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方法的又一个实施例的流程图;
图4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5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6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7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。信息预测方法的执行主体可以是服务器、平板电脑、膝上型便携计算机、台式计算机等电子设备。该信息预测方法,包括以下步骤:
步骤101,基于实体间的关联关系,构建邻接矩阵。
在本实施例中,信息预测方法的执行主体可以基于实体间的关联关系,构建邻接矩阵。此处,实体可以是供应产品的经营单位,如住宿酒店、餐饮店、零售店等。上述产品既可以包括实物产品,如餐品、食品等,也可以包括虚拟产品,如电子书、酒店预订服务等。
在本实施例中,实体间的关联关系可以采用多种方式确定。例如,若两个实体间存在业务往来,则可以认为两个实体间存在关联关系。若实体间同处于一个地理区域(如商圈),则可以认为两个实体间存在关联关系。若用户浏览或者光顾了A实体后,接着对B实体进行了浏览和光顾,则可认为A实体和B实体所供应的产品可能存在某种联系,此时也可认为这两个实体间存在关联关系。
可以理解的是,不同实体间的关联关系可进行量化。作为示例,若实体间距离较近,则可以认为具有较强的关联关系;反之,若实体间距离较远,则可以认为具有较弱的关联关系。作为又一示例,若A实体与B实体存在多次(如10次)业务往来,A实体与C实体存在少量业务往来(如1次),则A实体与B实体之间的关联关系相比于A实体与C实体之间的关联关系更为紧密。此时,假定两个实体之间的关联关系的强弱程度(或疏密程度)可用[0,1]表示,则可用一个较大的数(如1)表示A实体与B实体的关联关系,并可用一个较小的数(如0.1)表示A实体与C实体的关联关系。
需要说明的是,对实体间的关联关系的量化方式可根据需要进行其他设定。另外,对实体间的关联关系的量化规则可根据需要进行预先设定,本实施例对此不作限定。
在本实施例中,基于量化后的实体间的关联关系,可以构建邻接矩阵。邻接矩阵(Adjacency Matrix)也可称为图矩阵,是用于表示节点之间的关系的矩阵。此处,可以以实体作为节点,通过对实体间的关联关系进行量化后所得到的数值,构建邻接矩阵。
作为示例,实体的个数为n,n为正整数,则可以将节点依次表示为n1、n2、n3、...、nn。此时,邻接矩阵(可用G表示)可以是n×n的矩阵。当节点n1与节点n2有关联时,则可将G的第一行第二列的元素(即G12)设置为一个大于0小于等于1的数字,如果n1与n3节点没有关联,则可将G的第一行第三列的元素(即G13)设置为0。G13处标记为0。需要说明的是,此时的邻接矩阵可以是对称矩阵,即,Gij=Gji。其中,i和j均为大于或等于1且小于或等于n的整数。需要说明的是,邻接矩阵的大小还可以进行其他设定,不限于n×n。
需要说明的是,邻接矩阵还可以基于其他关联关系构建。例如,可基于指定时间范围中每两个时段的关联关系构建。作为示例,今天是2019年9月13日,周五。今天的实体的供应量跟上一周周五、下一周周五都会很接近,与上一年即2018年的9月13日也会接近,以及2018年9月13日最相近的周五(也即2018年9月14日)的供应量接近。再考虑到9月13日是中秋节,那么其还与2018年9月24日中秋节也会一定联系。由此,可以基于一年内的每两个日期的关联关系,构建邻接矩阵。即,若一年内的日期总数为T,则可构造出T×T的邻接矩阵。对日期间有临近、周次、月次、年份、节假日、活动日(价格优惠、店庆等)联系的,在邻接矩阵中设置为1或者大于0且小于1的数字,日期间没有联系的可设为0。
步骤102,基于邻接矩阵,构建包含图卷积神经网络的初始模型。
在本实施例中,上述执行主体可以基于邻接矩阵,构建包含图卷积神经网络(Graph Convolutional Network,GCN)的初始模型。实践中,图卷积神经网络是一种用于对图结构的数据进行处理的神经网络。此处的图(graph)是一种数据格式,可用于表示社交网络、通信网络等。图中的节点表示网络中的个体。两节点的边表示个体之间的关联关系。
在本实施例中,可将实体以及实体之间的关联关系视为一个实体网络,实体即为网络中的个体,同时为图中的节点。实体间的关联关系即为图中节点的边,可用邻接矩阵表示。图卷积神经网络的每一层均需要使用邻接矩阵对从上一层输入至该层的特征进行处理,从而输出新的特征。图卷积神经网络的最后一层输出的特征即为融合了实体间的关联关系信息的特征。
此处的初始模型中,除包含图卷积神经网络外,还可以在图卷积神经网络之后连接一些其他的网络结构,如池化层、全连接层等,从而便于基于图卷积神经网络输出的特征,进行供应信息的预测。此处的供应信息可以指供应量等信息。实践中,供应量可以指销量等。
步骤103,获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型。
在本实施例中,在构建出包含图卷积神经网络的初始模型后,上述执行主体可以按照如下步骤训练初始模型,得到目标模型:
第一步,获取各实体的所供应的样本产品的历史特征信息和历史供应信息。历史供应信息可以指历史供应量等信息。历史供应信息可作为历史特征信息的标注,即监督信号。此处的样本产品可以具有一种或多种,且可以包含待测产品。各实体的所供应的样本产品可以是各实体的所供应的历史产品中的部分产品。
第二步,基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型。此处,可以将每个样本产品的历史特征信息和历史供应信息最为一个训练样本,并使用机器学习方法,对初始模型进行训练,得到用于预测供应信息的目标模型。
在本实施例的一些可选的实现方式中,可以将上述历史特征信息作为上述初始模型的输入,将上述历史供应信息作为上述初始模型的输出,利用机器学习方法对上述初始模型进行训练,得到目标模型。
具体地,在训练过程中,可以将各实体供应的某一样本产品的历史特征信息作为初始模型的输入,并结合初始模型输出的信息与所输入的各历史特征信息所对应的标注,确定出初始模型的损失值。损失值可以用于表征当前模型所输出的信息与实际的标注的差异,即,可用于表征模型输出的准确程度。损失值越大,则差异越大,准确程度越小。上述损失值可通过各种常用的损失函数计算得到。基于损失值,可采用反向传播算法和梯度下降算法,更新当前的模型的参数,从而进行模型的一次训练。由此,每输入一次历史特征信息,即可对模型的参数进行一次更新。
实践中,可以通过多种方式确定是否训练完成。作为示例,当模型输出的预测结果与相应的标注的相似度达到预设值时(例如95%)时,可以确定训练完成。作为又一示例,若模型的训练次数等于预设次数时,可以确定训练完成。此处,当确定训练完成,即可将训练后的模型确定为用于预测供应信息的目标模型。
步骤104,获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
在本实施例中,上述执行主体可以利用目标模型,预测各实体对待测产品的供应信息。此处的待测产品可以指某一品类的产品(如酒店房间、食品、饮品等),也可以是实体所供应的全部的产品,还可以指某一特定产品(如牛奶、矿泉水)等,本实施例对此不作限定。此处的供应信息可以包括供应量等信息。
实践中,上述执行主体可以获取各实体所供应的待测产品的特征信息,从而将特征信息输入至目标模型,得到各实体对待测产品的供应信息。此处的特征信息可以包括但不限于供应量特征、预定量特征、价格特征、日期特征等。
需要说明的是,每一个实体所供应的待测产品的特征信息均可以用一个相同维数的特征向量来表示。由此,各实体所供应的待测产品的特征信息可汇总为一个特征矩阵。在获取各实体所供应的待测产品的特征信息后,可以将特征矩阵输入至目标模型,得到未来时段内各实体对待测产品的供应信息(如供应量等)。
本申请的上述实施例提供的方法,通过基于实体间的关联关系所构建的邻接矩阵,创建包含图卷积神经网络的初始模型,并基于各实体的所供应的样本产品的历史特征信息和历史供应信息,对该初始模型进行训练,得到用于预测供应信息的目标模型,从而可在获取各实体所供应的待测产品的特征信息后,将各特征信息输入至目标模型,预测得到各实体对待测产品的供应信息。由于邻接矩阵能够表征实体间的关联关系,因而基于邻接矩阵所构建的图卷积神经网络不仅能够学习到实体的特征,也能够学习到实体间的关联关系,由此提高了供应信息预测过程的信息利用率,从而提高了对各实体的供应信息预测的准确性。
进一步参考图2,其示出了信息预测方法的又一个实施例的流程。该信息预测方法的流程,包括以下步骤:
步骤201,获取各实体所在地理区域的相关信息,并获取每两个实体间的距离。
在本实施例中,信息预测方法的执行主体可以获取各实体所在地理区域的相关信息,并获取每两个实体间的距离。上述地理区域可以预先划分,例如,可基于商场等建筑将空间划分为多个商圈,并将每一个商圈作为一个地理区域。
此处的相关信息可以包括但不限于地理区域的热度、地理区域内的实体数量、地理区域的面积、标识、名称等。为提高计算效率,此处的面积可以指面积的估值或近似值。
步骤202,基于相关信息,对每两个实体间的距离进行修正。
可以理解的是,对于相同距离的两组实体,若其中一组实体处于同一个商圈,则这两个实体共享该商圈的资源,因而该组实体中的两个实体,相较于不属于同一商圈的另一组实体中的两个实体,关联性更强。由此,可以基于地理区域的相关信息,对每两个实体间的距离进行修正。
在本实施例的一些可选的实现方式中,可以按照如下步骤对每两个实体间的距离进行修正:
第一步,获取每两个实体的合作信息,并分别基于每两个实体的合作信息,确定每两个实体的距离调节值(可记为P)。
作为示例,合作信息可以包括合作类别。不同类别可对应不同的预设的距离调节值。作为又一示例,合作信息可包括合作次数。不同次数可对应预设的不同的距离调节值。
第二步,依次将每两个实体作为一组,对于每一个组,基于该组中的两实体的距离调节值(P)、该组中的各实体所在地理区域的热度(可记为h)和面积(可记为m)、以及该组中的各实体所在地理区域内的实体数量(可记为n),确定该组中的两实体的距离修正系数,并将该组中的两实体间的距离(可记为d)与距离修正系数相乘,得到该组中的两实体间的修正后的距离。
作为示例,可按照如下公式对两实体间的距离进行修正,得到修正后的距离d’:
d’=d×h×log(n/m)×P
其中,h×log(n/m)×P即为距离修正系数。
需要说明的是,若同一组中的两个实体不处于同一地理区域,则可以不对这组实体的距离进行修正。
步骤203,将修正后的每两个实体间的距离转换为预设数值区间中的数值。
在本实施例中,上述执行主体可以将修正后的每两个实体间的距离转换为预设数值区间(如[0,1])中的数值,从而便于数据计算。具体地,可以采用各种预设的转换规则对修正后的距离进行转换,距离越近,越接近1,距离大于一定阈值时置为0。
例如,转换方法样例公式可参见如下:
k=e^(-1×d’×d’),
其中,若k为转换后的数值。需要说明的是,对于k<0.5的情况,则可直接将k调整为0。
步骤204,基于每两个实体对应的数值,构建邻接矩阵。
在本实施例中,上述执行主体可以将每两个实体对应的数值作为这两个实体的关联关系的量化结果,将组实体的关联关系的量化结果汇总为邻接矩阵。例如,实体的个数为n,n为正整数,则可以得到n×n的邻接矩阵。该邻接矩阵可以是对称矩阵。
步骤205,基于邻接矩阵,构建包含图卷积神经网络的初始模型。
步骤206,获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型。
步骤207,获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
本实施例的步骤205至步骤207可参见图1对应的实施例的步骤102至步骤104,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,本实施例中的信息预测方法的流程涉及了基于实体间的距离以及所处地理区域的相关信息进行邻接矩阵构建的步骤。由此,基于邻接矩阵所构建的图卷积神经网络不仅能够学习到实体的特征,也能够学习到实体间的关联关系,从而提高了供应信息预测过程的信息利用率,提高了对各实体的供应信息预测的准确性。
进一步参考图3,其示出了信息预测方法的又一个实施例的流程。该信息预测方法的流程,包括以下步骤:
步骤301,分别基于各实体对待测产品的历史供应量随时间的变化情况,生成各实体的历史供应量序列。
在本实施例中,信息预测方法的执行主体可以分别基于各实体对待测产品的历史供应量随时间的变化情况,生成各实体的历史供应量序列。对于每一个实体,该实体的历史供应量序列中,包括每一历史单位时段内该实体对待测产品的历史供应量。历史供应量序列即为各历史单位时段的历史供应量按照时间顺序排列而成的序列。
步骤302,采用动态时间规划算法,分别基于每两个实体的历史供应量序列,确定每两个实体的供应量走势的相似度。
在本实施例中,上述执行主体可以采用动态时间规划算法,分别基于每两个实体的历史供应量序列,确定每两个实体的供应量走势的相似度。实践中,动态时间规划算法(Dynamic Time Warping,DTW)是一种采用了动态规划DP(dynamic programming)的方法来进行时间规整的计算的算法,通常可以用来计算两个时间序列的相似度。由此,可以通过该算法确定每两个实体的供应量走势的相似度。
在本实施例的一些可选的实现方式中,还可以按照如下步骤确定每两个实体的供应量走势的相似度:
第一步,基于样本产品的属性信息和在不同的历史资源转移设定量时的历史供应量,训练供应量预测模型。
此处,可以将产品的属性信息和历史资源转移设定量作为特征信息,并将该特征信息作为模型输入,将采用历史资源转移设定量时的历史单位时段的历史供应量作为模型输出,利用机器学习方法训练得到供应量预测模型。实践中,资源转移设定量可以指价格。
第二步,基于待测产品的属性信息,利用供应量预测模型预测待测产品在目标资源转移设定量时的目标供应量。
此处,可以将待测产品的属性信息以及目标资源转移设定量输入至训练后的供应量预测模型,得到待测产品在目标资源转移设定量时的目标供应量。此时的目标供应量,即为一个历史单位时段的供应量。
第三步,基于上述目标供应量调整各实体的历史供应量序列。
对于每一个实体,可将该实体所供应的待测产品在每一历史单位时段的历史供应量记为S1,将该实体所供应的待测产品在目标资源转移设定量时的目标供应量(可记为S2),并基于上述目标供应量,调整该实体的历史供应量序列。例如,以S1+S2作为该历史单位时段的历史供应量的走势,来进行两两的序列的相似度计算。
第四步,采用动态时间规划算法,分别基于每两个实体的调整后的历史供应量序列,确定每两个实体的供应量走势的相似度。
步骤303,基于每两个实体的供应量走势的相似度,构建邻接矩阵。
在本实施例中,上述执行主体可以将基于每两个实体的供应量走势的相似度作为这两个实体的关联关系的量化结果,将组实体的关联关系的量化结果汇总为邻接矩阵。例如,实体的个数为n,n为正整数,则可以得到n×n的邻接矩阵。该邻接矩阵可以是对称矩阵。
步骤304,基于邻接矩阵,构建包含图卷积神经网络的初始模型。
步骤305,获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型。
步骤306,获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
本实施例的步骤304至步骤306可参见图1对应的实施例的步骤102至步骤104,此处不再赘述。
从图3中可以看出,与图1对应的实施例相比,本实施例中的信息预测方法的流程涉及了基于每两个实体的供应量走势的相似度,构建邻接矩阵的步骤。由此,基于邻接矩阵所构建的图卷积神经网络不仅能够学习到实体的特征,也能够学习到实体间的关联关系,从而提高了供应信息预测过程的信息利用率,提高了对各实体的供应信息预测的准确性。
进一步参考图4,其示出了信息预测方法的又一个实施例的流程。该信息预测方法的流程,包括以下步骤:
步骤401,基于每两个实体在第一时段内的关联关系,构建第一矩阵,并基于每两个实体在第二时段内的关联关系,构建第二矩阵。
在本实施例中,信息预测方法的执行主体可以设定两个历史时段,并分别作为第一时段(可记为G1)和第二时段(可记为G4)。而后,可以基于每两个实体在第一时段内的关联关系,构建第一矩阵,并基于每两个实体在第二时段内的关联关系,构建第二矩阵。
此处的第一矩阵即为基于第一时段内的实体间的关联关系构建的邻接矩阵。此处的第二矩阵即为基于第二时段内的实体间的关联关系构建的邻接矩阵。例如,实体数量为n,则第一矩阵和第二矩阵均为n×n的矩阵。
需要说明的是,构建第一矩阵和第二矩阵的具体方式,可参考图1对应实施例的步骤101,也可参考图2或图3中的创建邻接矩阵的操作步骤,本实施例对此不再赘述。
步骤402,获取用户光顾的实体的迁移信息。
在本实施例中,上述执行主体可以获取用户光顾的实体的迁移信息,上述迁移信息可以包括用户在上述第一时段内光顾的实体和用户在第二时段内光顾的实体。
步骤403,基于迁移关系,确定第一时段内的各实体与第二时段内的各实体的关联关系。
在本实施例中,上述执行主体可以基于上述迁移关系,确定上述第一时段内的各实体与上述第二时段内的各实体的关联关系。例如,某一用户在第一时段(可记为t)在A实体处购买了产品,在第二时段(可记为t+1)在B实体处购买了产品,则可认为第一时段的A实体与第二时段的B实体存在关联关系。
步骤404,基于第一时段内的各实体与第二时段内的各实体的关联关系,构建第三矩阵,并对第三矩阵进行复制,得到第四矩阵。
在本实施例中,上述执行主体可以基于上述第一时段内的各实体与上述第二时段内的各实体的关联关系,构建第三矩阵(可记为G2)。此处,若实体数量为n,则第三矩阵为n×n的矩阵。
具体地,若第一时段中的A实体与第二时段中的B实体具有关联关系,则可以将这两个的关联关系量化为数字,如1,或者大于0且小于1的数,并将该数作为第三矩阵中的相应元素。若第一时段中的A实体与第二时段中的B实体不具有关联关系,则可以将这两个的关联关系量化为数字0,并将该数作为第三矩阵中的相应元素。
在本实施例中,由于第一时段内的各实体与第二时段内的各实体的关联关系,等同于第二时段内的各实体与第一时段内的各实体的关联关系,因而,可以将第三矩阵进行复制,得到第四矩阵(可记为G3)。此处,若实体数量为n,则第四矩阵也为n×n的矩阵。
步骤405,将第一矩阵、第二矩阵、第三矩阵和第四矩阵进行拼接,构建邻接矩阵。
在本实施例中,可首先将各矩阵统计至如下表所示的表中。
t内的n个实体 | t+1内的n个实体 | |
t内的n个实体 | G1 | G2 |
t+1内的n个实体 | G3 | G4 |
而后,按照表中G1、G2、G3和G4的相对位置,对G1、G2、G3和G4进行拼接,得到2n×2n的邻接矩阵。由此所构建的邻接矩阵,不仅具有实体间的关联信息,还具有实体在时间上的关联信息,从而进一步提高了信息的利用率,有助于进一步提高对供应信息预测的准确性。
步骤406,基于邻接矩阵,构建包含图卷积神经网络的初始模型.
步骤407,获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型。
步骤408,获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
本实施例的步骤406至步骤408可参见图1对应的实施例的步骤102至步骤104,此处不再赘述。
从图4中可以看出,与图1对应的实施例相比,本实施例中的信息预测方法的流程涉及了基于第一时段中的各实体与第二时段中的各实体的关联关系,构建邻接矩阵的步骤。由此所构建的邻接矩阵,不仅具有实体间的关联信息,还具有实体在时间上的关联信息,从而进一步提高了信息的利用率,有助于进一步提高对供应信息预测的准确性。
进一步参考图5,其示出了信息预测方法的又一个实施例的流程。该信息预测方法的流程,包括以下步骤:
步骤501,获取各实体在历史时段所供应的待测产品的历史特征信息和各实体在历史时段对待测产品的历史供应信息。
步骤502,计算每两个历史特征信息的相似度。
在本实施例中,信息预测方法的执行主体可以采用各种相似度计算方式计算每两个实体在历史时段所供应的待测产品的历史特征信息的相似度。例如,可以采用余弦定理、欧氏距离等相似度计算方式。
步骤503,基于各相似度,构建初始邻接矩阵。
在本实施例中,对于每两个实体,可以将这两个实体在历史时段所供应的待测产品的历史特征信息的相似度,作为这两个实体的关联关系的量化结果,构建初始邻接矩阵。例如,实体数量为n,则第一矩阵和第二矩阵均为n×n的矩阵。
步骤504,将所获取的历史特征信息作为初始历史特征信息,训练步骤。
在本实施例中,上述执行主体可以将所获取的历史特征信息作为初始历史特征信息,执行如下的训练步骤:
第一步,将各初始历史特征信息输入至使用初始邻接矩阵的图卷积神经网络,得到图卷积神经网络输出的各实体所供应的待测产品的目标特征信息。
第二步,基于每两个目标特征信息的相似度,生成新的邻接矩阵。此处的相似度计算方式可参见步骤502,这里不再赘述。
第三步,基于各目标特征信息和所获取的历史供应信息,对图卷积神经网络进行训练。实践中,此处的图卷积神经网络可连接一些其他的网络结构,如池化层、全连接层等。图卷积神经网络输出的各实体所供应的待测产品的目标特征信息可输入至后续网络,从而便于基于图卷积神经网络输出的特征,进行供应信息的预测。此处预测出的供应信息可以指供应量等信息。通过预测出的供应信息以及所获取的历史供应信息,可得到损失值。
第四步,确定是否训练结束。此处,可基于损失值大小、训练次数等判断训练是否结束。
第五步,若训练结束,则将新的邻接矩阵作为最终的邻接矩阵。
需要说明的是,若训练未结束,则可以将新的邻接矩阵作为初始邻接矩阵,继续执行训练步骤。由此,可使邻接矩阵随着模型训练而更新。此时,不需要提前构建好最终的邻接矩阵,在训练过程中依据特征信息自动计算出,从而降低了邻接矩阵的计算的耗时。
步骤505,基于邻接矩阵,构建包含图卷积神经网络的初始模型.
步骤506,获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型。
步骤507,获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
本实施例的步骤506至步骤507可参见图1对应的实施例的步骤102至步骤104,此处不再赘述。
从图5中可以看出,与图1对应的实施例相比,本实施例中的信息预测方法的流程涉及了随着模型训练而自动更新邻接矩阵的步骤。由此,本实施例描述的方案的邻接矩阵可在模型训练过程中自动生成,从而降低了邻接矩阵的计算的耗时。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种信息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6所示,本实施例所述的信息预测装置包括:第一构建单元601,被配置成基于实体间的关联关系,构建邻接矩阵;第二构建单元602,被配置成基于上述邻接矩阵,构建包含图卷积神经网络的初始模型;训练单元603,被配置成获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于上述历史特征信息和上述历史供应信息对上述初始模型进行训练,得到用于预测供应信息的目标模型;预测单元604,被配置成获取各实体所供应的待测产品的特征信息,并将上述特征信息输入至上述目标模型,预测出各实体对上述待测产品的供应信息。
在本实施例的一些可选的实现方式中,上述第二构建单元602,进一步被配置成:将上述历史特征信息作为上述初始模型的输入,将上述历史供应信息作为上述初始模型的输出,利用机器学习方法对上述初始模型进行训练,得到目标模型。
在本实施例的一些可选的实现方式中,上述第一构建单元601,进一步被配置成:获取各实体所在地理区域的相关信息,并获取每两个实体间的距离;基于上述相关信息,对每两个实体间的距离进行修正;将修正后的每两个实体间的距离转换为预设数值区间中的数值;基于每两个实体对应的数值,构建邻接矩阵。
在本实施例的一些可选的实现方式中,上述相关信息包括地理区域的热度、地理区域内的实体数量和地理区域的面积;以及,上述第一构建单元601,进一步被配置成:获取每两个实体的合作信息,并分别基于每两个实体的合作信息,确定每两个实体的距离调节值;依次将每两个实体作为一组,对于每一个组,基于该组中的两实体的距离调节值、该组中的各实体所在地理区域的热度和面积、以及该组中的各实体所在地理区域内的实体数量,确定该组中的两实体的距离修正系数,将该组中的两实体间的距离与上述距离修正系数相乘,得到该组中的两实体间的修正后的距离。
在本实施例的一些可选的实现方式中,上述第一构建单元601,进一步被配置成:分别基于各实体对上述待测产品的历史供应量随时间的变化情况,生成各实体的历史供应量序列;采用动态时间规划算法,分别基于每两个实体的历史供应量序列,确定每两个实体的供应量走势的相似度;基于每两个实体的供应量走势的相似度,构建邻接矩阵。
在本实施例的一些可选的实现方式中,上述第一构建单元601,进一步被配置成:基于样本产品的属性信息和在不同的历史资源转移设定量时的历史供应量,训练供应量预测模型;基于上述待测产品的属性信息,利用上述供应量预测模型预测上述待测产品在目标资源转移设定量时的目标供应量;基于上述目标供应量调整各实体的历史供应量序列;采用动态时间规划算法,分别基于每两个实体的调整后的历史供应量序列,确定每两个实体的供应量走势的相似度。
在本实施例的一些可选的实现方式中,上述第一构建单元601,进一步被配置成:基于每两个实体在第一时段内的关联关系,构建第一矩阵,并基于每两个实体在第二时段内的关联关系,构建第二矩阵;获取用户光顾的实体的迁移信息,上述迁移信息包括用户在上述第一时段内光顾的实体和用户在第二时段内光顾的实体;基于上述迁移关系,确定上述第一时段内的各实体与上述第二时段内的各实体的关联关系;基于上述第一时段内的各实体与上述第二时段内的各实体的关联关系,构建第三矩阵,并对上述第三矩阵进行复制,得到第四矩阵;将上述第一矩阵、第二矩阵、第三矩阵和第四矩阵进行拼接,构建邻接矩阵。
在本实施例的一些可选的实现方式中,上述第一构建单元601,进一步被配置成:获取各实体在历史时段所供应的待测产品的历史特征信息和各实体在上述历史时段对上述待测产品的历史供应信息;计算每两个历史特征信息的相似度;基于各相似度,构建初始邻接矩阵;将所获取的历史特征信息作为初始历史特征信息,执行如下训练步骤:将各初始历史特征信息输入至使用上述初始邻接矩阵的图卷积神经网络,得到上述图卷积神经网络输出的各实体所供应的待测产品的目标特征信息;基于每两个目标特征信息的相似度,生成新的邻接矩阵;基于各目标特征信息和所获取的历史供应信息,对上述图卷积神经网络进行训练;确定是否训练结束;若训练结束,则将上述新的邻接矩阵作为最终的邻接矩阵;若训练未结束,则将新的邻接矩阵作为初始邻接矩阵,继续执行上述训练步骤。
本申请的上述实施例提供的装置,通过基于实体间的关联关系所构建的邻接矩阵,创建包含图卷积神经网络的初始模型,并基于各实体的所供应的样本产品的历史特征信息和历史供应信息,对该初始模型进行训练,得到用于预测供应信息的目标模型,从而可在获取各实体所供应的待测产品的特征信息后,将各特征信息输入至目标模型,预测得到各实体对待测产品的供应信息。由于邻接矩阵能够表征实体间的关联关系,因而基于邻接矩阵所构建的图卷积神经网络不仅能够学习到实体的特征,也能够学习到实体间的关联关系,由此提高了供应信息预测过程的信息利用率,从而提高了对各实体的供应信息预测的准确性。
下面参考图7,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的结构示意图。图7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7所示,计算机系统包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统操作所需的各种程序和数据。CPU701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710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708。
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709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701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:基于实体间的关联关系,构建邻接矩阵;基于邻接矩阵,构建包含图卷积神经网络的初始模型;获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于历史特征信息和历史供应信息对初始模型进行训练,得到用于预测供应信息的目标模型;获取各实体所供应的待测产品的特征信息,并将特征信息输入至目标模型,预测出各实体对待测产品的供应信息。
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)
1.一种供应信息预测方法,其特征在于,所述方法包括:
基于实体间的关联关系,构建邻接矩阵;
基于所述邻接矩阵,构建包含图卷积神经网络的初始模型;
获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于所述历史特征信息和所述历史供应信息对所述初始模型进行训练,得到用于预测供应信息的目标模型;
获取各实体所供应的待测产品的特征信息,并将所述特征信息输入至所述目标模型,预测出各实体对所述待测产品的供应信息。
2.根据权利要求1所述的供应信息预测方法,其特征在于,所述基于所述历史特征信息和所述历史供应信息对所述初始模型进行训练,得到用于预测供应信息的目标模型,包括:
将所述历史特征信息作为所述初始模型的输入,将所述历史供应信息作为所述初始模型的输出,利用机器学习方法对所述初始模型进行训练,得到目标模型。
3.根据权利要求1所述的供应信息预测方法,其特征在于,所述基于实体间的关联关系,构建邻接矩阵,包括:
获取各实体所在地理区域的相关信息,并获取每两个实体间的距离;
基于所述相关信息,对每两个实体间的距离进行修正;
将修正后的每两个实体间的距离转换为预设数值区间中的数值;
基于每两个实体对应的数值,构建邻接矩阵。
4.根据权利要求3所述的供应信息预测方法,其特征在于,所述相关信息包括地理区域的热度、地理区域内的实体数量和地理区域的面积;以及
所述基于所述相关信息,对每两个实体间的距离进行修正,包括:
获取每两个实体的合作信息,并分别基于每两个实体的合作信息,确定每两个实体的距离调节值;
依次将每两个实体作为一组,对于每一个组,基于该组中的两实体的距离调节值、该组中的各实体所在地理区域的热度和面积、以及该组中的各实体所在地理区域内的实体数量,确定该组中的两实体的距离修正系数,将该组中的两实体间的距离与所述距离修正系数相乘,得到该组中的两实体间的修正后的距离。
5.根据权利要求1所述的供应信息预测方法,其特征在于,所述基于实体间的关联关系,构建邻接矩阵,包括:
分别基于各实体对所述待测产品的历史供应量随时间的变化情况,生成各实体的历史供应量序列;
采用动态时间规划算法,分别基于每两个实体的历史供应量序列,确定每两个实体的供应量走势的相似度;
基于每两个实体的供应量走势的相似度,构建邻接矩阵。
6.根据权利要求5所述的供应信息预测方法,其特征在于,所述采用动态时间规划算法,分别基于每两个实体的历史供应量序列,确定每两个实体的供应量走势的相似度,包括:
基于样本产品的属性信息和在不同的历史资源转移设定量时的历史供应量,训练供应量预测模型;
基于所述待测产品的属性信息,利用所述供应量预测模型预测所述待测产品在目标资源转移设定量时的目标供应量;
基于所述目标供应量调整各实体的历史供应量序列;
采用动态时间规划算法,分别基于每两个实体的调整后的历史供应量序列,确定每两个实体的供应量走势的相似度。
7.根据权利要求1所述的供应信息预测方法,其特征在所述基于实体间的关联关系,构建邻接矩阵,包括:
基于每两个实体在第一时段内的关联关系,构建第一矩阵,并基于每两个实体在第二时段内的关联关系,构建第二矩阵;
获取用户光顾的实体的迁移信息,所述迁移信息包括用户在所述第一时段内光顾的实体和用户在第二时段内光顾的实体;
基于所述迁移关系,确定所述第一时段内的各实体与所述第二时段内的各实体的关联关系;
基于所述第一时段内的各实体与所述第二时段内的各实体的关联关系,构建第三矩阵,并对所述第三矩阵进行复制,得到第四矩阵;
将所述第一矩阵、第二矩阵、第三矩阵和第四矩阵进行拼接,构建邻接矩阵。
8.根据权利要求1所述的供应信息预测方法,其特征在于,所述基于实体间的关联关系,构建邻接矩阵,包括:
获取各实体在历史时段所供应的待测产品的历史特征信息和各实体在所述历史时段对所述待测产品的历史供应信息;
计算每两个历史特征信息的相似度;
基于各相似度,构建初始邻接矩阵;
将所获取的历史特征信息作为初始历史特征信息,执行如下训练步骤:将各初始历史特征信息输入至使用所述初始邻接矩阵的图卷积神经网络,得到所述图卷积神经网络输出的各实体所供应的待测产品的目标特征信息;基于每两个目标特征信息的相似度,生成新的邻接矩阵;基于各目标特征信息和所获取的历史供应信息,对所述图卷积神经网络进行训练;确定是否训练结束;若训练结束,则将所述新的邻接矩阵作为最终的邻接矩阵;
若训练未结束,则将新的邻接矩阵作为初始邻接矩阵,继续执行所述训练步骤。
9.一种信息预测装置,其特征在于,所述装置包括:
第一构建单元,被配置成基于实体间的关联关系,构建邻接矩阵;
第二构建单元,被配置成基于所述邻接矩阵,构建包含图卷积神经网络的初始模型;
训练单元,被配置成获取各实体的所供应的样本产品的历史特征信息和历史供应信息,并基于所述历史特征信息和所述历史供应信息对所述初始模型进行训练,得到用于预测供应信息的目标模型;
预测单元,被配置成获取各实体所供应的待测产品的特征信息,并将所述特征信息输入至所述目标模型,预测出各实体对所述待测产品的供应信息。
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中任一所述的供应信息预测方法。
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中任一所述的供应信息预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296931.6A CN111639961A (zh) | 2020-04-15 | 2020-04-15 | 信息预测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010296931.6A CN111639961A (zh) | 2020-04-15 | 2020-04-15 | 信息预测方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639961A true CN111639961A (zh) | 2020-09-08 |
Family
ID=72331322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010296931.6A Pending CN111639961A (zh) | 2020-04-15 | 2020-04-15 | 信息预测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639961A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255769A (zh) * | 2021-05-26 | 2021-08-13 | 北京百度网讯科技有限公司 | 化合物属性预测模型训练方法和化合物属性预测方法 |
CN113657934A (zh) * | 2021-08-16 | 2021-11-16 | 京东城市(北京)数字科技有限公司 | 客流量预测模型的训练方法和客流量的预测方法和装置 |
CN114501518A (zh) * | 2022-04-01 | 2022-05-13 | 香港中文大学(深圳) | 流量预测方法、装置、设备、介质和程序产品 |
-
2020
- 2020-04-15 CN CN202010296931.6A patent/CN111639961A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255769A (zh) * | 2021-05-26 | 2021-08-13 | 北京百度网讯科技有限公司 | 化合物属性预测模型训练方法和化合物属性预测方法 |
CN113255769B (zh) * | 2021-05-26 | 2024-03-29 | 北京百度网讯科技有限公司 | 化合物属性预测模型训练方法和化合物属性预测方法 |
CN113657934A (zh) * | 2021-08-16 | 2021-11-16 | 京东城市(北京)数字科技有限公司 | 客流量预测模型的训练方法和客流量的预测方法和装置 |
CN114501518A (zh) * | 2022-04-01 | 2022-05-13 | 香港中文大学(深圳) | 流量预测方法、装置、设备、介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
US20150012335A1 (en) | Automated rental amount modeling and prediction | |
CN111639961A (zh) | 信息预测方法、装置、电子设备和计算机可读介质 | |
US11551290B2 (en) | Systems and methods for machine-based matching of lodging inventory from disparate reservation provider systems | |
WO2019226192A1 (en) | Demand forecast | |
CN109544076B (zh) | 用于生成信息的方法和装置 | |
TW200306482A (en) | Calculating price elasticity | |
CN111566684B (zh) | 用于优化广告的用户分组的方法和系统 | |
Huang et al. | Optimal inventory control with sequential online auction in agriculture supply chain: An agent-based simulation optimisation approach | |
CN110689402A (zh) | 推荐商家的方法、装置、电子设备及可读存储介质 | |
US20200311749A1 (en) | System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior | |
CN113204712A (zh) | 基于社区服务的信息推送方法、装置、介质及程序产品 | |
US20170178221A1 (en) | Method and system for inventory availability prediction | |
CN113743969A (zh) | 用于销量数据预测的方法、装置、设备及存储介质 | |
CN114663015A (zh) | 补货方法和装置 | |
CN113947439A (zh) | 需求预测模型训练方法和装置、需求预测方法和装置 | |
JP6193817B2 (ja) | 需要予測装置およびプログラム | |
US20210304243A1 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
JP6276655B2 (ja) | 需要予測装置およびプログラム | |
CN111464337B (zh) | 资源配置方法、装置、电子设备 | |
US20230053859A1 (en) | Method and apparatus for outputting information | |
CN113240192A (zh) | 模型训练及预测方法、装置、计算机设备及存储介质 | |
CN111506643B (zh) | 用于生成信息的方法、装置和系统 | |
CN110009380B (zh) | 交易数据预测方法、装置、电子设备及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200908 |