CN111882039A - 物理机销售数据预测方法、装置、计算机设备及存储介质 - Google Patents
物理机销售数据预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111882039A CN111882039A CN202010738679.XA CN202010738679A CN111882039A CN 111882039 A CN111882039 A CN 111882039A CN 202010738679 A CN202010738679 A CN 202010738679A CN 111882039 A CN111882039 A CN 111882039A
- Authority
- CN
- China
- Prior art keywords
- data
- sales
- user behavior
- time interval
- vector sequence
- 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 45
- 239000013598 vector Substances 0.000 claims abstract description 186
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 202
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物理机销售数据预测方法、装置、计算机设备及存储介质,涉及人工智能技术领域,该方法包括:获取预设时段内的用户行为数据以及销售数据;对预设时段的用户行为数据以及销售数据进行预处理;获取各时间区间的用户行为数据向量序列以及销售数据向量序列;对预构建的编码解码模型进行训练;若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。本发明通过历史的用户行为数据以及销售数据对预构建的编码解码模型进行训练,然后通过训练好的编码解码模型对待测时间区间的销售数据进行预测,从而能够准确预测物理机的销售情况,使得商家能够提前准确地准备物理机资源池。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种物理机销售数据方法、装置、计算机设备及存储介质。
背景技术
物理机是一种可以直接租赁的专用物理服务器,其能提供卓越的计算性能。物理机能够提供给虚拟机以硬件环境,有时也称为"寄主"或"宿主"。
随着云计算技术的快速发展,物理机的销售(租赁)变得越来越流行。现有技术中,通常根据销售人员的经验来预测物理机在后一段时间内的销售情况,人为预测的结果通常局限性较大,准确性低。使得商家无法提前准备物理机的资源池,极易出现备货不足或者过剩的现象。
发明内容
本发明实施例提供了一种物理机销售数据预测方法、装置、计算机设备及存储介质,旨在解决提高对物理机销售数据预测的准确性。
第一方面,本发明实施例提供了一种物理机销售数据预测方法,其包括:
获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间;
对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;
根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;
根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器;
若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
第二方面,本发明实施例还提供了一种物理机销售数据预测装置,其包括:
第一获取单元,用于获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间;
预处理单元,对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;
第二获取单元,用于根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;
训练单元,根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器;
第一预测单元,用于若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
第三方面,本发明实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种物理机销售数据预测方法、装置、计算机设备及存储介质。其中,所述方法包括:获取物理机销售平台在预设时段内的用户行为数据以及销售数据;对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练;若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。通过历史的用户行为数据以及销售数据对预构建的编码解码模型进行训练,然后通过训练好的编码解码模型对待测时间区间的销售情况进行预测,从而能够准确预测物理机的销售情况,使得商家能够提前准确地准备物理机资源池。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种物理机销售数据预测方法的流程示意图;
图2为本发明实施例提供的一种物理机销售数据预测方法的子流程示意图;
图3为本发明实施例提供的一种物理机销售数据预测方法的子流程示意图;
图4为本发明实施例提供的一种物理机销售数据预测方法的子流程示意图;
图5为本发明实施例提供的一种物理机销售数据预测方法的子流程示意图;
图6为本发明实施例提供的一种物理机销售数据预测方法的子流程示意图;
图7为本发明实施例提供的一种物理机销售数据预测装置的示意性框图;
图8为本发明实施例提供的一种物理机销售数据预测装置的第一获取单元的示意性框图;
图9为本发明实施例提供的一种物理机销售数据预测装置的预处理单元的示意性框图;
图10为本发明实施例提供的一种物理机销售数据预测装置的第二获取单元的示意性框图;
图11为本发明实施例提供的一种物理机销售数据预测装置的第一预测单元的示意性框图;
图12为本发明实施例提供的一种物理机销售数据预测装置的第一预测单元的第九获取单元的示意性框图;
图13为本发明实施例提供的一种计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
图1是本发明实施例提供的物理机销售数据预测方法的流程示意图。本发明可应用于智慧政务/智慧城管/智慧社区/智慧安防/智慧物流/智慧医疗/智慧教育/智慧环保/智慧交通场景中,从而推动智慧城市的建设。如图所示,该方法可应用于终端中,该方法包括以下步骤S1-S5。
S1,获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间。
具体实施中,获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间。
需要说明的是,物理机销售平台是指销售物理机的平台,可具体为销售网站平台。
预设时段是指用户设定的时段,例如,在一实施例中,预设时段为最近两年。
时间步长可由用户设定,例如,在一实施例中,时间步长设定为一周。
用户行为数据是指用户在物理机销售平台上留下的行为数据,用户行为数据可具体包括用户的点击量、咨询量以及转发量等数据。
销售数据是指物理机销售平台对物理机的销售(租赁)数量、物理机型号等数据。
参见图2,在一实施例中,以上步骤S1具体包括如下步骤S11-S12。
S11,向预设的销售历史资料服务器发送数据调取请求,所述数据调取请求包括所述预设时段。
具体实施中,物理机销售平台采集并储存用户行为数据以及销售数据到销售历史资料服务器中。销售历史资料服务器是指用来储存历史资料的服务器。
终端向销售历史资料服务器发送数据调取请求,所述数据调取请求包括所述预设时段。
相应地,销售历史资料服务器在接收到数据调取请求时,调取预设时段内的用户行为数据以及销售数据,并发送给终端。
S12,接收所述销售历史资料服务器返回的应答消息,所述应答消息包含所述预设时段内的用户行为数据以及销售数据。
具体实施中,终端接收所述销售历史资料服务器返回的应答消息,所述应答消息包含所述预设时段内的用户行为数据以及销售数据。
S2,对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据。
具体实施中,对所述预设时段的用户行为数据进行预处理以得到所述预设时段的用户行为样本数据。
进一步地,对所述预设时段的销售数据进行预处理以得到所述预设时段的销售本数据。
预处理的目的在于把用户行为数据以及销售数据规范化,便于进一步进行数据挖掘。
可以理解地,本发明中,对用户行为数据以及销售数据进行预处理没有先后顺序,或者,二者可并行执行。
参见图3,在一实施例中,以上步骤S2具体包括如下步骤S21-S22。
S21,对所述预设时段的用户行为数据以及销售数据进行数据清洗处理。
具体实施中,对所述预设时段的用户行为数据以及销售数据进行数据清洗处理。
数据清洗处理包括填补缺失值以及修正异常值等处理。
具体可,通过均值插补、同类均值插补、建模预测、高维映射、多重插补以及极大似然估计等方式来填补缺失值以及修正异常值。
S22,对数据清洗处理后的所述预设时段的用户行为数据以及销售数据进行归一化处理。
具体实施中,对数据清洗处理后的所述预设时段的用户行为数据以及销售数据进行归一化处理。
归一化处理,就是要把需要处理的数据经过处理后(归一化算法)限制在设定的一定范围内。
归一化处理一方面可使得后续数据处理的方便,其次是保证模型运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。
S3,根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列。
具体实施中,首先获取各个时间区间的用户行为样本数据以及销售样本数据;然后根据各个时间区间的用户行为样本数据以及销售样本数据获取各个时间区间的用户行为数据向量以及销售数据向量;最后分别对各个时间区间的用户行为数据向量以及销售数据向量进行拼接以得到各个时间区间的用户行为数据向量序列以及销售数据向量序列。
步骤S3的目的在于获取预构建的编码解码模型的训练数据。
参见图4,在一实施例中,以上步骤S3具体包括如下步骤S31-S36。
S31,获取各所述时间区间的用户行为样本数据。
具体实施中,获取各所述时间区间的用户行为样本数据。
具体地,从预设时段的用户行为样本数据中分别截取各时间区间的用户行为样本数据。
S32,分别根据各所述时间区间的用户行为样本数据获取各所述时间区间的用户行为数据向量。
具体实施中,分别根据各所述时间区间的用户行为样本数据获取各所述时间区间的用户行为数据向量。
具体地,从所述时间区间的用户行为样本数据中提取关键数字因子,并根据提取到的关键数字因子构建所述时间区间的用户行为数据向量。
例如,在一实施例中,时间区间的用户行为样本数据为:点击量为100、咨询量为10以及转发量为10。
则可从点击量中提取到的关键数字因子为100;
可从咨询量中提取到的关键数字因子为10;
可从转发量中提取到的关键数字因子为10;
因此,构建得到的用户行为数据向量为(100,10,10)。
S33,获取各所述时间区间的用户行为数据向量序列,其中,所述时间区间的用户行为数据向量序列由所述时间区间的前n个时间区间的用户行为数据向量拼接得到,n为预设值。
具体实施中,获取各所述时间区间的用户行为数据向量序列,其中,所述时间区间的用户行为数据向量序列由所述时间区间的前n个时间区间的用户行为数据向量拼接得到,n为预设值。例如,在一实施例中,n设定为10。
例如,在一实施例中,时间区间的前n个时间区间的用户行为数据向量分别为X1、X2……Xn。
按顺序对X1、X2……Xn进行拼接得到X1X2……Xn即为该时间区间的用户行为数据向量序列。
需要说明的是,如果某时间区间前面的时间区间的数量不足n个,则将该时间区间舍弃。
例如,在一实施例中,时间区间总共有1万个,n设定为10。则将前10个时间区间舍弃。
S34,获取各所述时间区间的销售样本数据。
具体实施中,获取各所述时间区间的销售样本数据。
具体地,从预设时段的销售样本数据中分别截取各时间区间的销售样本数据。
S35,分别根据各所述时间区间的销售样本数据获取各所述时间区间的销售数据向量。
具体实施中,分别根据各所述时间区间的销售样本数据获取各所述时间区间的销售数据向量。
具体地,从所述时间区间的销售样本数据中提取关键数字因子,并根据提取到的关键数字因子构建所述时间区间的销售数据向量。
例如,在一实施例中,时间区间的销售样本数据为:型号a销售量为10、型号b销售了5以及型号c销售了5。
则可从型号a销售量中提取到的关键数字因子为10;
可从型号b销售量中提取到的关键数字因子为5;
可从型号c销售量中提取到的关键数字因子为5;
因此,构建得到的销售数据向量为(10,5,5)。
S36,获取各所述时间区间的销售数据向量序列,其中,所述时间区间的销售数据向量序列由所述时间区间的销售数据向量与所述时间区间的前n-1个时间区间的销售数据向量拼接得到。
具体实施中,获取各所述时间区间的销售数据向量序列,其中,所述时间区间的销售数据向量序列由所述时间区间的销售数据向量与所述时间区间的前n-1个时间区间的销售数据向量拼接得到。n为预设值。例如,在一实施例中,n设定为10。
例如,在一实施例中,时间区间的销售数据向量为Yn,时间区间的前n-1个时间区间的销售数据向量为Y1、Y2……Yn-1。
按顺序对Y1、Y2……Yn进行拼接得到Y1Y2……Yn即为该时间区间的销售数据向量序列。
需要说明的是,如果某时间区间前面的时间区间的数量不足n-1个,则将该时间区间舍弃。
例如,在一实施例中,时间区间总共有1万个,n设定为10。则将前9个时间区间舍弃。
需要说明的是,以上步骤S31-S33与步骤S34-S36没有先后执行顺序。或者,步骤S31-S33与步骤S34-S36可并行执行。
S4,根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器。
具体实施中,根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器。
在本发明实施例中,构建一个端到端的模型结构,具体为编码解码模型(Encoder-Decoder)。具体的,所述编码解码模型包括LSTM编码器以及引入了注意力机制(Attention)的LSTM解码器。
LSTM(Long Short-Term Memory,长短期记忆网络),是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
意力机制(Attention),用于为LSTM编码器在观察窗口中的各数据节点输出的特征,分别标注对应于LSTM解码器在表现窗口中的各数据节点输出的预测结果的权重值;其中,该权重值表征LSTM编码器在观察窗口中的各数据节点输出的特征,对应于LSTM解码器在表现窗口中的各数据节点输出的预测结果的贡献度(也称之为影响度)。
需要说明的是在该编码解码模型中,用户行为数据向量序列是输入序列,销售数据向量序列是输出序列,通过将用户行为数据向量序列输入到编码器中编码得到一个中间特征向量,然后通过解码器对该中间特征向量进行解码得到销售数据向量序列。具体如下:
X={x1、x2…xm}
Y={y1、y2…ym}
C=F(x1、x2…xm)
yi=g(C,y1、y2…yi-1)
其中,X为输入序列,Y为输出序列,C为中间特征向量,编码器通过对输入序列X进行编码,将其转化为中间特征向量C,然后解码器根据编码器生成的中间特征向量C进行解码生成yi。
具体操作中,以时间区间的用户行为数据向量序列作为编码解码模型的输入,以时间区间的销售数据向量序列作为编码解码模型的输出,来对编码解码模型进行训练。对编码解码模型进行训练的训练过程就是调整编码解码模型的参数的过程。
S5,若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
具体实施中,若接收到待测时间区间,则将待测时间区间的户行为数据向量序列输入到训练后的所述编码解码模型中,以由训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
待测时间区间是指未到来的时间区间,例如,未来10天。本发明的目的在于预测未来的某一段时间内(例如,未来10天)的物理机的销售数据。
参见图5,在一实施例中,以上步骤S5具体包括如下步骤S51-S53。
S51,获取所述待测时间区间的用户行为数据向量序列。
具体实施中,获取所述待测时间区间的用户行为数据向量序列。
具体地,获取所述待测时间区间的前n个时间区间的用户行为数据向量序列,并对获取到的n个时间区间的用户行为数据向量序列进行拼接得到所述待测时间区间的用户行为数据向量序列。
需要说明的是,n为预设值,例如,在一实施例中,n为10。
参见图6,在一实施例中,以上步骤S51具体包括如下步骤S511-S512。
S511,获取所述待测时间区间的前n个时间区间的用户行为数据向量。
具体实施中,获取所述待测时间区间的前n个时间区间的用户行为数据向量。
具体地,首先获取所述待测时间区间的前n个时间区间的用户行为数据向量,例如为R1、R2……Rn。
S512,对所述待测时间区间的前n个时间区间的用户行为数据向量进行拼接以得到所述待测时间区间的用户行为数据向量序列。
具体实施中,对所述待测时间区间的前n个时间区间的用户行为数据向量进行拼接以得到所述待测时间区间的用户行为数据向量序列。
例如,在一实施例中,所述待测时间区间的前n个时间区间的用户行为数据向量为R1、R2……Rn。
按顺序对R1、R2……Rn进行拼接得到R1R2……Rn即为该时间区间的用户行为数据向量序列。
S52,将所述待测时间区间的用户行为数据向量序列输入到训练后的所述编码解码模型的LSTM编码器中以得到中间特征向量。
具体实施中,将所述待测时间区间的用户行为数据向量序列输入到训练后的所述编码解码模型的LSTM编码器中,由LSTM编码器对所述待测时间区间的用户行为数据向量序列进行编码得到中间特征向量。
S53,将所述中间特征向量输入到训练后的所述编码解码模型的LSTM解码器中以得到对所述待测时间区间的销售数据的预测结果。
具体实施中,将所述中间特征向量输入到训练后的所述编码解码模型的LSTM解码器中,以由训练后的所述编码解码模型的LSTM解码器对所述中间特征向量进行解码以得到对所述待测时间区间的销售数据的预测结果。
本发明实施例的技术方案,获取物理机销售平台在预设时段内的用户行为数据以及销售数据;对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练;若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。通过历史的用户行为数据以及销售数据对预构建的编码解码模型进行训练,然后通过训练好的编码解码模型对待测时间区间的销售情况进行预测,从而能够准确预测物理机的销售情况,使得商家能够提前准确地准备物理机资源池。
图7是本发明实施例提供的一种物理机销售数据预测装置70的示意性框图。如图7所示,对应于以上物理机销售数据预测方法,本发明还提供一种物理机销售数据预测装置70。该物理机销售数据预测装置70包括用于执行上述物理机销售数据预测方法的单元,该物理机销售数据预测装置70可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地,请参阅图7,该物理机销售数据预测装置70包括第一获取单元71、预处理单元72、第二获取单元73、训练单元74以及第一预测单元75。
第一获取单元71,用于获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间;
预处理单元72,对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;
第二获取单元73,用于根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;
训练单元74,根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器;
第一预测单元75,用于若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
在一实施例中,如图8所示,所述第一获取单元71包括发送单元711以及接收单元712。
发送单元711,用于向预设的销售历史资料服务器发送数据调取请求,所述数据调取请求包括所述预设时段;
接收单元712,用于接收所述销售历史资料服务器返回的应答消息,所述应答消息包含所述预设时段内的用户行为数据以及销售数据。
在一实施例中,如图9所示,所述预处理单元72包括数据清洗单元721以及归一化单元722。
数据清洗单元721,用于对所述预设时段的用户行为数据以及销售数据进行数据清洗处理;
归一化单元722,用于对数据清洗处理后的所述预设时段的用户行为数据以及销售数据进行归一化处理。
在一实施例中,如图10所示,所述第二获取单元73包括第三获取单元731、第四获取单元732、第五获取单元733、第六获取单元734、第七获取单元735、第八获取单元736。
第三获取单元731,用于获取各所述时间区间的用户行为样本数据;
第四获取单元732,用于分别根据各所述时间区间的用户行为样本数据获取各所述时间区间的用户行为数据向量;
第五获取单元733,用于获取各所述时间区间的用户行为数据向量序列,其中,所述时间区间的用户行为数据向量序列由所述时间区间的前n个时间区间的用户行为数据向量拼接得到,n为预设值;
第六获取单元734,用于获取各所述时间区间的销售样本数据;
第七获取单元735,用于分别根据各所述时间区间的销售样本数据获取各所述时间区间的销售数据向量;
第八获取单元736,用于获取各所述时间区间的销售数据向量序列,其中,所述时间区间的销售数据向量序列由所述时间区间的销售数据向量与所述时间区间的前n-1个时间区间的销售数据向量拼接得到。
在一实施例中,如图11所示,所述第一预测单元75包括第九获取单元751、输入单元752以及第二预测单元753。
第九获取单元751,用于获取所述待测时间区间的用户行为数据向量序列;
输入单元752,用于将所述待测时间区间的用户行为数据向量序列输入到训练后的所述编码解码模型的LSTM编码器中以得到中间特征向量;
第二预测单元753,用于将所述中间特征向量输入到训练后的所述编码解码模型的LSTM解码器中以得到对所述待测时间区间的销售数据的预测结果。
在一实施例中,如图12所示,所述第九获取单元751包括第十获取单元7511以及拼接单元7512。
第十获取单元7511,用于获取所述待测时间区间的前n个时间区间的用户行为数据向量;
拼接单元7512,用于对所述待测时间区间的前n个时间区间的用户行为数据向量进行拼接以得到所述待测时间区间的用户行为数据向量序列。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述物理机销售数据预测装置70和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述物理机销售数据预测装置可以实现为一种计算机程序的形式,该计算机程序可以在如图13所示的计算机设备上运行。
请参阅图13,图13是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图13,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种物理机销售数据预测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种物理机销售数据预测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间;
对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;
根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;
根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器;
若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
在一实施例中,处理器502在实现所述获取物理机销售平台在预设时段内的用户行为数据以及销售数据步骤时,具体实现如下步骤:
向预设的销售历史资料服务器发送数据调取请求,所述数据调取请求包括所述预设时段;
接收所述销售历史资料服务器返回的应答消息,所述应答消息包含所述预设时段内的用户行为数据以及销售数据。
在一实施例中,处理器502在实现所述对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据步骤时,具体实现如下步骤:
对所述预设时段的用户行为数据以及销售数据进行数据清洗处理;
对数据清洗处理后的所述预设时段的用户行为数据以及销售数据进行归一化处理。
在一实施例中,处理器502在实现所述根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列步骤时,具体实现如下步骤:
获取各所述时间区间的用户行为样本数据;
分别根据各所述时间区间的用户行为样本数据获取各所述时间区间的用户行为数据向量;
获取各所述时间区间的用户行为数据向量序列,其中,所述时间区间的用户行为数据向量序列由所述时间区间的前n个时间区间的用户行为数据向量拼接得到,n为预设值;
获取各所述时间区间的销售样本数据;
分别根据各所述时间区间的销售样本数据获取各所述时间区间的销售数据向量;
获取各所述时间区间的销售数据向量序列,其中,所述时间区间的销售数据向量序列由所述时间区间的销售数据向量与所述时间区间的前n-1个时间区间的销售数据向量拼接得到。
在一实施例中,处理器502在实现所述若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果步骤时,具体实现如下步骤:
获取所述待测时间区间的用户行为数据向量序列;
将所述待测时间区间的用户行为数据向量序列输入到训练后的所述编码解码模型的LSTM编码器中以得到中间特征向量;
将所述中间特征向量输入到训练后的所述编码解码模型的LSTM解码器中以得到对所述待测时间区间的销售数据的预测结果。
在一实施例中,处理器502在实现所述获取所述待测时间区间的用户行为数据向量序列步骤时,具体实现如下步骤:
获取所述待测时间区间的前n个时间区间的用户行为数据向量;
对所述待测时间区间的前n个时间区间的用户行为数据向量进行拼接以得到所述待测时间区间的用户行为数据向量序列。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤:
获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间;
对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;
根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;
根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器;
若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述获取物理机销售平台在预设时段内的用户行为数据以及销售数据步骤时,具体实现如下步骤:
向预设的销售历史资料服务器发送数据调取请求,所述数据调取请求包括所述预设时段;
接收所述销售历史资料服务器返回的应答消息,所述应答消息包含所述预设时段内的用户行为数据以及销售数据。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据步骤时,具体实现如下步骤:
对所述预设时段的用户行为数据以及销售数据进行数据清洗处理;
对数据清洗处理后的所述预设时段的用户行为数据以及销售数据进行归一化处理。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列步骤时,具体实现如下步骤:
获取各所述时间区间的用户行为样本数据;
分别根据各所述时间区间的用户行为样本数据获取各所述时间区间的用户行为数据向量;
获取各所述时间区间的用户行为数据向量序列,其中,所述时间区间的用户行为数据向量序列由所述时间区间的前n个时间区间的用户行为数据向量拼接得到,n为预设值;
获取各所述时间区间的销售样本数据;
分别根据各所述时间区间的销售样本数据获取各所述时间区间的销售数据向量;
获取各所述时间区间的销售数据向量序列,其中,所述时间区间的销售数据向量序列由所述时间区间的销售数据向量与所述时间区间的前n-1个时间区间的销售数据向量拼接得到。
在一实施例中,所述处理器在执行所述计算机程序而实现所述若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果步骤时,具体实现如下步骤:
获取所述待测时间区间的用户行为数据向量序列;
将所述待测时间区间的用户行为数据向量序列输入到训练后的所述编码解码模型的LSTM编码器中以得到中间特征向量;
将所述中间特征向量输入到训练后的所述编码解码模型的LSTM解码器中以得到对所述待测时间区间的销售数据的预测结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述获取所述待测时间区间的用户行为数据向量序列步骤时,具体实现如下步骤:
获取所述待测时间区间的前n个时间区间的用户行为数据向量;
对所述待测时间区间的前n个时间区间的用户行为数据向量进行拼接以得到所述待测时间区间的用户行为数据向量序列。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
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,可轻易想到各种等效的修改或替换,这些修改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以权利要求的保护范围为准。
Claims (10)
1.一种物理机销售数据预测方法,其特征在于,包括:
获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间;
对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;
根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;
根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器;
若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
2.根据权利要求1所述的物理机销售数据预测方法,其特征在于,所述获取物理机销售平台在预设时段内的用户行为数据以及销售数据,包括:
向预设的销售历史资料服务器发送数据调取请求,所述数据调取请求包括所述预设时段;
接收所述销售历史资料服务器返回的应答消息,所述应答消息包含所述预设时段内的用户行为数据以及销售数据。
3.根据权利要求1所述的物理机销售数据预测方法,其特征在于,所述对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据,包括:
对所述预设时段的用户行为数据以及销售数据进行数据清洗处理;
对数据清洗处理后的所述预设时段的用户行为数据以及销售数据进行归一化处理。
4.根据权利要求1所述的物理机销售数据预测方法,其特征在于,所述根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列,包括:
获取各所述时间区间的用户行为样本数据;
分别根据各所述时间区间的用户行为样本数据获取各所述时间区间的用户行为数据向量;
获取各所述时间区间的用户行为数据向量序列,其中,所述时间区间的用户行为数据向量序列由所述时间区间的前n个时间区间的用户行为数据向量拼接得到,n为预设值。
5.根据权利要求4所述的物理机销售数据预测方法,其特征在于,所述根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列,还包括:
获取各所述时间区间的销售样本数据;
分别根据各所述时间区间的销售样本数据获取各所述时间区间的销售数据向量;
获取各所述时间区间的销售数据向量序列,其中,所述时间区间的销售数据向量序列由所述时间区间的销售数据向量与所述时间区间的前n-1个时间区间的销售数据向量拼接得到。
6.根据权利要求5所述的物理机销售数据预测方法,其特征在于,所述若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果,包括:
获取所述待测时间区间的用户行为数据向量序列;
将所述待测时间区间的用户行为数据向量序列输入到训练后的所述编码解码模型的LSTM编码器中以得到中间特征向量;
将所述中间特征向量输入到训练后的所述编码解码模型的LSTM解码器中以得到对所述待测时间区间的销售数据的预测结果。
7.根据权利要求6所述的物理机销售数据预测方法,其特征在于,所述获取所述待测时间区间的用户行为数据向量序列,包括:
获取所述待测时间区间的前n个时间区间的用户行为数据向量;
对所述待测时间区间的前n个时间区间的用户行为数据向量进行拼接以得到所述待测时间区间的用户行为数据向量序列。
8.一种物理机销售数据预测装置,其特征在于,包括:
第一获取单元,用于获取物理机销售平台在预设时段内的用户行为数据以及销售数据,所述预设时段包括多个时间步长相同的时间区间;
预处理单元,对所述预设时段的用户行为数据以及销售数据进行预处理以得到所述预设时段的用户行为样本数据以及销售样本数据;
第二获取单元,用于根据所述预设时段的用户行为样本数据以及销售样本数据获取各所述时间区间的用户行为数据向量序列以及销售数据向量序列;
训练单元,根据各所述时间区间的用户行为数据向量序列以及销售数据向量序列对预构建的编码解码模型进行训练,所述编码解码模型包括LSTM编码器以及引入了注意力机制的LSTM解码器;
第一预测单元,用于若接收到待测时间区间,根据训练后的所述编码解码模型对所述待测时间区间的物理机的销售数据进行预测并输出预测结果。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738679.XA CN111882039A (zh) | 2020-07-28 | 2020-07-28 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
PCT/CN2020/124661 WO2021139335A1 (zh) | 2020-07-28 | 2020-10-29 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738679.XA CN111882039A (zh) | 2020-07-28 | 2020-07-28 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111882039A true CN111882039A (zh) | 2020-11-03 |
Family
ID=73200959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738679.XA Pending CN111882039A (zh) | 2020-07-28 | 2020-07-28 | 物理机销售数据预测方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111882039A (zh) |
WO (1) | WO2021139335A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256007A (zh) * | 2021-05-28 | 2021-08-13 | 浙江大学 | 一种面向多模态的新产品销量预测方法及装置 |
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
CN115829629A (zh) * | 2022-12-16 | 2023-03-21 | 广州飞狮数字科技有限公司 | 一种畅滞销状态的确定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
CN108734338A (zh) * | 2018-04-24 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 基于lstm模型的信用风险预测方法及装置 |
CN109345048A (zh) * | 2018-07-27 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 预测方法、装置、电子设备及计算机可读存储介质 |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
US20200074274A1 (en) * | 2018-08-28 | 2020-03-05 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for multi-horizon time series forecasting with dynamic temporal context learning |
CN111091410A (zh) * | 2019-11-04 | 2020-05-01 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
CN111242679A (zh) * | 2020-01-08 | 2020-06-05 | 北京工业大学 | 一种基于产品评论观点挖掘的销量预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017131696A1 (en) * | 2016-01-28 | 2017-08-03 | Entit Software Llc | Database server to predict sales |
CN109903064A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 销量预测方法、装置和计算机可读存储介质 |
-
2020
- 2020-07-28 CN CN202010738679.XA patent/CN111882039A/zh active Pending
- 2020-10-29 WO PCT/CN2020/124661 patent/WO2021139335A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
CN108734338A (zh) * | 2018-04-24 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 基于lstm模型的信用风险预测方法及装置 |
CN109345048A (zh) * | 2018-07-27 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 预测方法、装置、电子设备及计算机可读存储介质 |
US20200074274A1 (en) * | 2018-08-28 | 2020-03-05 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for multi-horizon time series forecasting with dynamic temporal context learning |
CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易(杭州)网络有限公司 | 销量预测方法、介质、装置和计算设备 |
CN111091410A (zh) * | 2019-11-04 | 2020-05-01 | 南京光普信息技术有限公司 | 一种结合节点嵌入和用户行为特征的网点销量预测方法 |
CN111242679A (zh) * | 2020-01-08 | 2020-06-05 | 北京工业大学 | 一种基于产品评论观点挖掘的销量预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
CN113256007A (zh) * | 2021-05-28 | 2021-08-13 | 浙江大学 | 一种面向多模态的新产品销量预测方法及装置 |
CN113256007B (zh) * | 2021-05-28 | 2022-02-25 | 浙江大学 | 一种面向多模态的新产品销量预测方法及装置 |
CN115829629A (zh) * | 2022-12-16 | 2023-03-21 | 广州飞狮数字科技有限公司 | 一种畅滞销状态的确定方法及装置 |
CN115829629B (zh) * | 2022-12-16 | 2023-12-08 | 广州飞狮数字科技有限公司 | 一种畅滞销状态的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021139335A1 (zh) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882039A (zh) | 物理机销售数据预测方法、装置、计算机设备及存储介质 | |
CN113807440B (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
CN111914516B (zh) | 一种网络数据预测序列生成方法、装置、设备及存储介质 | |
CN111192576A (zh) | 解码方法、语音识别设备和系统 | |
KR20220132414A (ko) | 음성 인식 모델의 트레이닝 방법, 장치, 기기 및 기록 매체 | |
CN111125529A (zh) | 产品匹配方法、装置、计算机设备及存储介质 | |
CN115512763A (zh) | 多肽序列的生成方法、多肽生成模型的训练方法和装置 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
WO2021039797A1 (ja) | クリック率予測モデル構築装置 | |
CN111340574B (zh) | 风险用户的识别方法、装置和电子设备 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN116205819B (zh) | 字符图像生成方法、深度学习模型的训练方法和装置 | |
CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN111008119A (zh) | 一种硬盘预测模型的更新方法、装置、设备及介质 | |
CN115270719A (zh) | 基于多模态信息的文本摘要生成方法、训练方法及其装置 | |
CN115345669A (zh) | 文案生成方法、装置、存储介质及计算机设备 | |
CN113961962A (zh) | 一种基于隐私保护的模型训练方法、系统及计算机设备 | |
CN113989569A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN110147881B (zh) | 语言处理方法、装置、设备及存储介质 | |
CN113361719A (zh) | 基于图像处理模型的增量学习方法和图像处理方法 | |
CN113553501A (zh) | 一种基于人工智能的用户画像预测的方法及装置 | |
CN110929033A (zh) | 长文本分类方法、装置、计算机设备及存储介质 | |
CN113836939B (zh) | 基于文本的数据分析方法和装置 |
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: 20201103 |
|
RJ01 | Rejection of invention patent application after publication |