CN112288457A - 基于多模型计算融合的数据处理方法及装置、设备和介质 - Google Patents
基于多模型计算融合的数据处理方法及装置、设备和介质 Download PDFInfo
- Publication number
- CN112288457A CN112288457A CN202010580968.1A CN202010580968A CN112288457A CN 112288457 A CN112288457 A CN 112288457A CN 202010580968 A CN202010580968 A CN 202010580968A CN 112288457 A CN112288457 A CN 112288457A
- Authority
- CN
- China
- Prior art keywords
- model
- calculation
- fusion
- processed
- article
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 194
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000012821 model calculation Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 401
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012795 verification Methods 0.000 claims description 34
- 238000007499 fusion processing Methods 0.000 claims description 29
- 238000005094 computer simulation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 83
- 230000006978 adaptation Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007306 turnover Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种基于多模型计算融合的数据处理方法及装置、设备以及介质,涉及数据处理技术领域,可以应用于采用多个计算模型对某一物品进行计算预测的场景。该方法包括:获取包括至少一候选计算模型的模型配置表;确定待处理物品的待预测时段,根据待预测时段确定至少一目标计算模型;如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果;分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。本公开可以精细化地配置每种物品适配的算法模型和计算结果的融合类别。
Description
技术领域
本公开涉及数据处理技术领域,具体而言,涉及一种基于多模型计算融合的数据处理方法、基于多模型计算融合的数据处理装置、电子设备以及计算机可读存储介质。
背景技术
在零售供应链场景中,针对销售的物品,需要每天预测各个物品未来一段时间销售数量,进而根据预测的销售数量进行合理补货,降低库存周转。在一些大型零售场景中,所销售的物品几乎覆盖全品类物品,然而每个物品特性、营销策略、外部影响等导致不同时期的销售效果千差万别,没有一种算法模型能够适配所有物品以及每个物品在不同时期的差异。
在现有技术中,通常是采用一个或多个算法模型预测所有物品未来一段时间的销量,然后对多模型预测结果进行融合,以得到最终销量预测结果。
发明内容
本公开的目的在于提供一种基于多模型计算融合的数据处理方法、基于多模型计算融合的数据处理装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服在使用多个算法模型对待处理物品进行计算时,无法根据预测时段或其他物品信息精细化控制每个物品分别适配的算法模型而导致耗费计算资源且无法动态调整模型的融合类别的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本公开的第一方面,提供一种基于多模型计算融合的数据处理方法,包括:获取待处理物品的模型配置表;其中,模型配置表包括与待处理物品对应的至少一候选计算模型;确定待处理物品的待预测时段,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型;如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果;分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。
可选的,在获取待处理物品的模型配置表之前,上述方法还包括:获取待处理物品的物品信息;根据物品信息确定至少一候选计算模型,并确定至少一候选计算模型的模型信息;根据确定出的模型信息和物品信息生成待处理物品的模型配置表。
可选的,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型,包括:对候选计算模型逐一执行下述操作步骤:获取并判断候选计算模型的校验模式;如果校验模式为固定校验模式,则获取与待处理物品对应的预配置计算模型,并将预配置计算模型作为目标计算模型;如果校验模式为自动校验模式,则根据待预测时段和待处理物品的物品信息判断候选计算模型是否与待处理物品匹配;如果候选计算模型与待处理物品匹配,则将候选计算模型确定为目标计算模型。
可选的,根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果,包括:将待预测时段划分为多个单位计算日,确定各单位计算日分别对应的单位计算结果;根据各融合优先级和各融合类别对各单位计算结果进行融合处理,以得到单位预测结果;将待预测时段中所有的单位预测结果作为预测结果。
可选的,根据各融合优先级和各融合类别对各单位计算结果进行融合处理,以得到单位预测结果,包括:对各融合优先级进行排序处理,得到级别排序结果;从级别排序结果中确定最高优先级;其中,最高优先级为优先级数值最大的融合优先级;如果最高优先级的数量为一个,则将最高优先级的目标计算模型的单位计算结果作为单位预测结果。
可选的,根据各融合优先级和各融合类别对各单位计算结果进行融合处理,以得到单位预测结果,还包括:如果最高优先级的数量为多个,则将多个最高优先级分别对应的目标计算模型的单位计算结果作为待融合结果;根据融合类别对各待融合结果进行融合处理以得到单位预测结果。
可选的,根据融合类别对各待融合结果进行融合处理以得到单位预测结果,包括:如果融合类别为均值融合,则对多个待融合结果进行均值处理,以得到单位预测结果;如果融合类别为比例融合,则确定各待融合结果的计算权重,根据各计算权重和各待融合结果得到单位预测结果;其中;确定各待融合结果的计算权重,包括:确定各目标计算模型的计算误差,根据各计算误差确定各待融合结果的计算权重。
根据本公开的第二方面,提供一种基于多模型计算融合的数据处理装置,包括:信息获取模块,用于获取待处理物品的模型配置表;其中,模型配置表包括与待处理物品对应的至少一候选计算模型;模型确定模块,用于确定待处理物品的待预测时段,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型;计算模块,用于如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果;结果确定模块,用于分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。
可选的,基于多模型计算融合的数据处理装置还包括模型配置表生成模块,用于获取待处理物品的物品信息;根据物品信息确定至少一候选计算模型,并确定至少一候选计算模型的模型信息;根据确定出的模型信息和物品信息生成待处理物品的模型配置表。
可选的,模型确定模块包括模型确定单元,用于获取并判断候选计算模型的校验模式;如果校验模式为固定校验模式,则获取与待处理物品对应的预配置计算模型,并将预配置计算模型作为目标计算模型;如果校验模式为自动校验模式,则根据待预测时段和待处理物品的物品信息判断候选计算模型是否与待处理物品匹配;如果候选计算模型与待处理物品匹配,则将候选计算模型确定为目标计算模型。
可选的,结果确定模块包括结果确定单元,用于将待预测时段划分为多个单位计算日,确定各单位计算日分别对应的单位计算结果;根据各融合优先级和各融合类别对各单位计算结果进行融合处理,以得到单位预测结果;将待预测时段中所有的单位预测结果作为预测结果。
可选的,结果确定单元包括第一结果确定子单元,用于对各融合优先级进行排序处理,得到级别排序结果;从级别排序结果中确定最高优先级;其中,最高优先级为优先级数值最大的融合优先级;如果最高优先级的数量为一个,则将最高优先级的目标计算模型的单位计算结果作为单位预测结果。
可选的,结果确定单元还包括第二结果确定子单元,用于如果最高优先级的数量为多个,则将多个最高优先级分别对应的目标计算模型的单位计算结果作为待融合结果;根据融合类别对各待融合结果进行融合处理以得到单位预测结果。
可选的,结果确定单元包括结果确定子单元,用于如果融合类别为均值融合,则对多个待融合结果进行均值处理,以得到单位预测结果;如果融合类别为比例融合,则确定各待融合结果的计算权重,根据各计算权重和各待融合结果得到单位预测结果;其中;确定各待融合结果的计算权重,包括:确定各目标计算模型的计算误差,根据各计算误差确定各待融合结果的计算权重。
根据本公开的第三方面,提供一种电子设备,包括:处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的基于多模型计算融合的数据处理方法。
根据本公开的第四方面,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根据上述任意一项所述的基于多模型计算融合的数据处理方法。
本公开提供的技术方案可以包括以下有益效果:
本公开的示例性实施例中的基于多模型计算融合的数据处理方法,获取待处理物品的模型配置表;其中,模型配置表包括与待处理物品对应的至少一候选计算模型;确定待处理物品的待预测时段,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型;如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果;分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。通过本公开的基于多模型计算融合的数据处理方法,一方面,当使用至少一候选计算模型对待处理物品进行计算时,可以从至少一候选计算模型中确定出与待预测时段匹配的目标计算模型,通过确定出的目标计算模型对待处理物品进行计算处理,可以大大减少每个算法执行耗费的资源和时长。另一方面,在采用多个目标计算模型对待处理物品进行处理时,可以按照待预测时段等较细粒度的约束条件动态调整动态调整对应的计算模型,提高计算结果的准确性。又一方面,将物品个性化适配计算模型和融合类别从标准预测流程中解耦,可以方便地进行扩展和精细化控制。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1示意性示出了根据本公开的示例性实施方式的基于多模型计算融合的数据处理方法的流程图;
图2示意性示出了根据本公开的示例性实施方式的对待处理物品进行处理的整体结构图;
图3示意性示出了根据本公开的示例性实施方式的生成待处理物品的模型配置表的流程图;
图4示意性示出了根据本公开的示例性实施方式的确定与待处理物品对应的目标计算模型的流程图;
图5示意性示出了根据本公开的一些示例性实施方式的确定待处理物品的预测结果的流程图;
图6示意性示出了根据本公开的另一示例性实施方式的确定待处理物品的预测结果的流程图;
图7示意性示出了根据本公开的示例性实施方式的根据融合类别确定待处理物品的预测结果的流程图;
图8示意性示出了根据本公开的示例性实施方式的基于多模型计算融合的数据处理装置的方框图;
图9示意性示出了根据本公开一示例性实施例的电子设备的框图;
图10示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
现有技术中,通常采用一个或多个算法模型预测所有物品未来一段时间的销量,然后对多模型预测结果进行融合得到最终销量预测结果。然而,在使用多个算法模型对待处理物品进行计算时,无法精细化控制每个物品适配的算法,每个算法模型均需要对所有物品进行预测计算,导致每个算法模型执行耗费了大量资源,且执行时间较长。其次,对多模型预测结果进行融合时,只能按模型效果进行融合,无法根据物品特性,预测时间段等动态精细化控制模型融合策略。再次,当有新算法模型进行逐步切量时,无法非常方便的进行精细化动态控制切量范围。
基于此,在本示例实施例中,首先提供了一种基于多模型计算融合的数据处理方法,可以利用服务器来实现本公开的用基于多模型计算融合的数据处理方法,也可以利用终端设备来实现本公开所述的方法,其中,本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)等移动终端,以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的基于多模型计算融合的数据处理方法流程的示意图。参考图1,该基于多模型计算融合的数据处理方法可以包括以下步骤:
步骤S110,获取待处理物品的模型配置表;其中,模型配置表包括与待处理物品对应的至少一候选计算模型。
步骤S120,确定待处理物品的待预测时段,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型。
步骤S130,如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果。
步骤S140,分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。
根据本示例实施例中的基于多模型计算融合的数据处理方法,一方面,当使用至少一候选计算模型对待处理物品进行计算时,可以从至少一候选计算模型中确定出与待预测时段匹配的目标计算模型,通过确定出的目标计算模型对待处理物品进行计算处理,可以大大减少每个算法执行耗费的资源和时长。另一方面,在采用多个目标计算模型对待处理物品进行处理时,可以按照待预测时段等较细粒度的约束条件动态调整动态调整对应的计算模型,提高计算结果的准确性。又一方面,将物品个性化适配计算模型和融合类别从标准预测流程中解耦,可以方便地进行扩展和精细化控制。
下面,将对本示例实施例中的基于多模型计算融合的数据处理方法进行进一步的说明。
在步骤S110中,获取待处理物品的模型配置表;其中,模型配置表包括与待处理物品对应的至少一候选计算模型。
在本公开的一些示例性实施方式中,待处理物品可以是采用计算模型对该物品的相关特征数据进行预测计算的物品。举例而言,在售货场景中,待处理物品可以是在售物品。模型配置表可以是由与待处理物品对应的候选计算模型的相关信息组成的配置表,模型配置表可以包括可以用于处理待处理物品的候选计算模型,以及这些候选计算模型的相关模型信息。候选计算模型可以是能够用于处理待处理物品的计算模型,候选计算模型可以是根据待处理物品的相关信息确定的计算模型,候选计算模型可以用于对待处理物品进行预测计算等处理操作。
在对待处理物品进行处理时,可以先获取待处理物品对应的模型配置表,模型配置表可以包括能够处理待处理物品的所有候选计算模型。参考图2,图2示意性示出了根据本公开的示例性实施方式的对待处理物品进行处理的整体结构图。在获取待处理物品的模型配置表之前,可以通过配置模块210根据待处理物品的物品信息对模型配置表进行配置。
根据本公开的一些示例性实施例,获取待处理物品的物品信息;根据物品信息确定至少一候选计算模型,并确定至少一候选计算模型的模型信息;根据确定出的模型信息和物品信息生成待处理物品的模型配置表。物品信息可以是待处理物品的相关信息,物品信息可以包括物品属性、相关销售数据、配置需求等;具体的,物品属性可以是待处理物品自身相关的属性,例如,物品属性可以包括物品的名称、种属类别、物品编号等。相关销售数据可以是待处理物品在某一时间段内的历史销售数据、促销策略等数据。配置需求可以包括配置粒度,配置粒度可以是配置待处理物品的模型配置表时所采用的粒度,例如,配置粒度可以包括物品粒度,还可以包括待处理物品所对应的物品类型的类型粒度。物品类型,即物品品类,可以是待处理物品对应的种属类别。例如,如果待处理物品为“电脑”,则该待处理物品对应的物品类型为电子产品。模型信息可以是候选计算模型对应的模型属性信息,例如,模型信息可以包括候选计算模型的校验模式、融合优先级和融合类别等。具体的,校验模式可以表示能否根据待处理物品的待预测时段动态校验该候选计算模型是否与待处理物品匹配,校验模式可以包括自动校验模式和固定校验模式。融合优先级可以是当候选计算模型得到计算结果后,判断是否对计算结果进行融合处理时所采用的优先级。融合类别可以是候选计算模型计算出的计算结果的融合类别对应的类别。
参考图3,图3示意性示出了根据本公开的示例性实施方式的生成待处理物品的模型配置表的流程图。在步骤S310中,在生成待处理物品的模型配置表之前,可以先获取待处理物品的配置粒度。在步骤S320中,获取到待处理物品的配置粒度之后,可以根据配置粒度确定与待处理物品对应的至少一候选计算模型。举例而言,当待处理物品的配置类型是根据物品粒度进行配置,则可以根据待处理物品的物品信息,根据物品信息确定出与待处理物品对应的至少一候选计算模型;当待处理物品的配置类型是根据根据待处理物品所对应的物品类型的类型粒度进行配置,则可以获取待处理物品所对应的物品类型,则此物品类型下的多个物品所对应的至少一候选计算模型相同。例如,待处理物品为“抽纸”,“抽纸”对应的物品类别为“日用品”,则归属于“日用品”的所有物品均可以采用相同的至少一候选计算模型进行处理。在步骤S330中,当确定待处理物品对应的至少一候选计算模型后,可以根据待处理物品的配置类型、物品信息以及候选计算模型的模型信息生成待处理物品的模型配置表。
需要说明的是,在确定与待处理物品对应的候选算法模型时,可以根据候选算法模型对待处理物品处理的结论数据、业务需求等进行,本公开对此不作任何特殊限定。
通过上述模型配置表的配置过程,可以生成待处理物品的模型配置表。举例而言,参考表1,表1示例性示出了模型配置表中的各个字段。对于物品1,物品1对应的物品编号为“物品1”,待处理物品的物品编号是唯一的。物品1对应的配置类型可以是根据物品粒度配置模型配置表,根据物品1的物品信息可以确定出与物品1对应的至少一候选计算模型,包括算法A、算法B、算法C。算法A、算法B、算法C分别对应的校验模式可以是自动、自动、自动,即在对物品1进行处理时,可以动态判断算法A、算法B、算法C是否与待预测时段下的物品1匹配。算法A、算法B、算法C的融合优先级分别可以是1、10、10,则算法B和算法C的融合优先级相同,且高于算法A的融合优先级,算法A、算法B、算法C的融合类别均可以是均值融合。对于物品2,物品2对应的物品编号为“物品2”,物品2对应的配置类型可以是根据物品粒度配置模型配置表,根据物品2的物品信息可以确定出与物品2对应的候选计算模型,算法C,由于算法C针对物品2的校验模式为固定,因此,在对物品2进行处理时,将不对算法C进行动态校验,指定采用算法C对物品2进行处理。算法C的融合优先级可以是1,融合类别可以是比例融合。另外,对于归属于“一级分类1”的物品,物品编号为“一级分类1”的配置类型为按照“一级品类粒度”进行配置,可以确定归属于“一级分类1”的物品对应的候选算法模型为算法A,算法A针对“一级分类1”的物品的校验模式为自动,融合优先级可以是1,融合类别可以是比例融合。
表1
需要说明的是,上述配置模型配置表的过程还可以通过直接插入模型配置表,从系统提供的用户输入界面中获取以及根据其他数据源同步的方式进行,本公开对模型配置表的配置方式不作任何特殊限定。
在步骤S120中,确定待处理物品的待预测时段,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型。
在本公开的一些示例性实施方式中,待预测时段可以是对待处理物品进行预测处理的时间区间,例如,待预测时段可以是2020年3月1日~2020年3月5日。目标计算模型可以是在待预测时段内能够对待处理物品进行预测处理的计算模型。
确定出待处理物品后,可以进一步确定待处理物品的待预测时段,根据待预测时段和待处理物品的物品信息从至少一候选计算模型中确定出至少一目标计算模型,以通过目标计算模型对待处理物品进行预测处理。
本领域技术人员容易理解的是,根据具体的业务需求,还可以根据其他方式确定与待处理物品对应的目标计算模型,例如,可以采用“物品+仓库”确定,例如,仓库A中的物品B对应的目标计算模型,本公开对确定与待处理物品的目标计算模型的匹配条件不作任何特殊限定。
根据本公开的一些示例性实施例,对候选计算模型逐一执行下述操作步骤:获取并判断候选计算模型的校验模式;如果校验模式为固定校验模式,则获取与待处理物品对应的预配置计算模型,并将预配置计算模型作为目标计算模型;如果校验模式为自动校验模式,则根据待预测时段和待处理物品的物品信息判断候选计算模型是否与待处理物品匹配;如果候选计算模型与待处理物品匹配,则将候选计算模型确定为目标计算模型。
参考图4,图4示意性示出了根据本公开的示例性实施方式的确定与待处理物品对应的目标计算模型的流程图。在步骤S410中,从待处理物品的模型配置表中确定出与待处理物品对应的候选计算模型后,可以获取候选计算模型的校验模式,并判断校验模式的具体模式。在步骤S420中,如果校验模式为固定动校验模式,则获取与待处理物品对应的预配置计算模型,并将该计算模型作为目标计算模型。例如,参考表1,物品2对应的校验模式为固定模式,与物品2对应的预配置计算模型为算法C,因此,可以将算法C作为物品2的目标计算模型。在步骤S430中,如果校验模式为自动校验模式,即可以动态校验候选计算模型是否与待处理物品匹配,则根据待预测时段和待处理物品的物品信息判断候选计算模型是否与待处理物品匹配。参考图2,将待处理物品的相关历史数据221以及待处理物品的待预测时段、物品信息等物品基础数据222输入至动态校验模块220中,由动态校验模块220判断候选计算模型是否在待预测时段与待处理物品匹配;具体的,动态校验模块220可以根据待处理物品的历史销售数量、历史售价、促销规则、外部影响因素等信息对候选计算模型进行校验。举例而言,对于物品3,物品3可以采用大促算法模型进行预测计算,而在物品3的待预测时段中并无大促销售策略,因此,动态校验模块220将过滤掉大促算法模型,则大促算法模型将不能成为待处理物品在待预测时段对应的目标计算模型。在步骤S440中,如果候选计算模型在待预测时段与待处理物品匹配,则将候选计算模型确定为目标计算模型。
需要说明的是,在本公开中配置有基线算法模型,当待处理物品在待预测时段内与除基线算法模型之外的其它计算模型均不匹配时,将采用基线算法模型对待处理物品进行预测处理,即基线算法模型可以作为一种兜底的目标计算模型。
在步骤S130中,如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果。
在本公开的一些示例性实施方式中,计算结果可以是将待处理物品的物品信息等数据输入至目标计算模型后,由目标计算模型输出的计算结果。参考图2,如果确定出目标计算模型的数量为多个,则由分发模块230将待处理物品的物品信息、待预测时段等执行数据241分别输入至各目标计算模型中,由预测模块240中的各个目标计算模型对待处理物品的物品信息进行预测计算,并输出对应的计算结果。举例而言,可以根据待处理物品匹配的计算模型的算法模型名称,以及算法模型名称与算法模型库之间的映射关系,将待处理物品的执行数据分别输入至对应的目标算法模型中,由各目标算法模型根据执行数据对待处理物品进行处理。
当根据待预测时段确定出与待处理物品对应的多个目标计算模型后,可以根据多个目标计算模型的计算结果得到待处理物品在待预测时段中的预测结果,例如,待处理物品在未来某一时间段的预测销量。由于不同的计算模型具有各自的模型特点,不同的目标计算模型得到的预测结果的长度可能不一致。举例而言,当预测待处理物品A在2020年5月20日至2020年7月20日之间每天的销量时,与待处理物品A匹配的算法模型可以包括大促算法模型、短期计算模型等;其中,大促算法模型适用于特殊场景下的销量预测计算;而短期计算模型可以用于计算某一物品未来7天的销量计算。例如,大促算法模型可以得到的计算结果仅包括2020年6月1日至2020年6月18日之间的值,采用一次短期计算模型得到的计算结果可以包括2020年5月20日至2020年5月26日之间的值。另外,根据计算需求,可以多次运用短期计算模型对待处理物品进行计算,例如,由短期计算模型输出待处理物品A在2020年5月20日至2020年7月20日之间每天的销量。
在步骤S140中,分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。
在本公开的一些示例性实施方式中,融合处理可以是对多个计算结果进行加权计算或均值计算的处理过程。预测结果可以是采用目标计算模型对待处理物品进行处理后得到的计算结果。当根据待预测时段确定目标计算模型的数量为多个时,在得到各个目标计算模型的计算结果后,可以分别确定各目标计算模型的融合优先级和融合类型,根据融合优先级和融合类型对得到的多个计算结果进行融合处理,得到待处理物品的预测结果。参考图2,在预测模块240输出多个目标计算模型的计算结果后,可以将多个计算结果输入至预测结果融合模块250中,由预测结果融合模块250对多个计算结果进行融合处理,得到待处理物品的预测结果。
本领域技术人员容易理解的是,当目标计算模型的数量为一个,则该目标计算模型输出的计算结果即为待处理物品的预测结果。
根据本公开的一些示例性实施例,将待预测时段划分为多个单位计算日,确定各单位计算日分别对应的单位计算结果;根据各融合优先级和各融合类别对各单位计算结果进行融合处理,以得到单位预测结果;将待预测时段中所有的单位预测结果作为预测结果。单位计算日可以是根据待处理物品的计算需求划分的最小计算周期,例如,单位计算日可以设定为一天、两天等。单位计算结果可以是由目标计算模型根据单位计算日计算出的待处理物品的计算结果。单位预测结果可以是根据单位计算结果进行融合处理后得到的结果。
在对多个计算结果进行融合处理之前,可以先将待预测时段划分为多个单位计算日,并分别获取各目标计算模型在各单位计算日对应的单位计算结果。举例而言,可以将单位计算日确定为一天,则将各个目标计算模型的计算结果按照日期顺序进行排列,可以获取各目标计算模型每一天对应的计算结果。在获取到各目标计算模型的单位计算结果后,可以根据各个目标计算模型的融合优先级和融合类别对各单位计算结果进行融合处理,得到待处理物品的预测结果。例如,可以对不同目标计算模型的同一天的预测值进行融合处理,可以得到待处理物品在这一天对应的预测结果。
表2
参考表2,表2示意性示出了采用本公开的基于多模型计算融合的数据处理方法对物品A和物品B进行处理时的相关计算数据。表2中示出了待预测时段可以是2020年3月1日至2020年3月5日,在该待预测时段内,与物品A匹配的目标计算模型包括算法A、算法B、算法C,与物品B匹配的目标计算模型包括算法A、算法C。
根据本公开的一些示例性实施例,对各融合优先级进行排序处理,得到级别排序结果;从级别排序结果中确定最高优先级;其中,最高优先级为优先级数值最大的融合优先级;如果最高优先级的数量为一个,则将最高优先级的目标计算模型的单位计算结果作为单位预测结果。级别排序结果可以是对不同目标计算模型的融合优先级进行排序后得到的优先级的排序结果。最高优先级可以是在多个融合优先级中优先级数值最大的融合优先级。
参考图5,图5示意性示出了根据本公开的一些示例性实施方式的确定待处理物品的预测结果的流程图。在步骤S510中,对多个目标计算模型的融合优先级进行排序处理,得到融合优先级的级别排序结果。例如,参考表2,对于物品B,可以对物品B对应的目标计算模型算法A、算法C的融合优先级进行排序处理,得到级别排序结果为算法C、算法A。在步骤S520中,可以从级别排序结果中确定出最高优先级,最高优先级包括1个,为算法C对应的融合优先级(即10)。在步骤S530中,由于最高优先级的数量为一个,因此,可以将最高优先级对应的目标计算模型的单位计算结果作为单位预测结果。
根据本公开的另一示例性实施例,如果最高优先级的数量为多个,则将多个最高优先级分别对应的目标计算模型的单位计算结果作为待融合结果;根据融合类别对各待融合结果进行融合处理以得到单位预测结果。待融合结果可以是当最高优先级的数量有多个时,多个最高优先级分别对应的目标计算模型输出的计算结果。
参考图6,图6示意性示出了根据本公开的另一示例性实施方式的确定待处理物品的预测结果的流程图。在步骤S610中,当最高优先级的数量为多个时,可以分别确定多个最高优先级分别对应的目标计算模型的单位计算结果,并将多个单位计算结果作为待融合结果。参考表2,对于物品A,可以对物品A对应的目标计算模型算法A、算法B、算法C的融合优先级进行排序处理,得到级别排序结果为算法B、算法C、算法A。在步骤S620中,可以从级别排序结果中确定出最高优先级,最高优先级包括2个,分别为算法B、算法C对应的融合优先级。获取目标算法模型的融合类别,根据获取到的融合类别对单位计算结果进行融合处理,以得到单位预测结果。
根据本公开的一些示例性实施例,如果融合类别为均值融合,则对多个待融合结果进行均值处理,以得到单位预测结果;如果融合类别为比例融合,则确定各待融合结果的计算权重,根据各计算权重和各待融合结果得到单位预测结果;其中;确定各待融合结果的计算权重,包括:确定各目标计算模型的计算误差,根据各计算误差确定各待融合结果的计算权重。均值融合可以是对多个单位计算结果进行求平均值的融合处理方式。均值处理可以是计算多个单位计算结果的平均值的处理过程。比例融合可以是根据多个单位计算结果的计算权重进行加权计算的融合处理方式。计算权重可以是各待融合结果在进行预测结果时所对应的权重。计算误差可以是各目标计算模型在进行基于多模型计算融合的数据处理时所产生的误差。
参考图7,图7示意性示出了根据本公开的示例性实施方式的根据融合类别确定待处理物品的预测结果的流程图。在步骤S710中,如果目标计算模型的融合类别为均值融合,则获取最高优先级对应的目标计算模型输出的待融合结果,对多个待融合结果进行均值处理,得到待处理物品的单位预测结果,例如,单位预测结果可以为其中,xi为各目标计算模型的单位计算结果值,N为目标计算模型的数量。在步骤S720中,如果目标计算模型的融合类别为比例融合,则获取多个待融合结果,并确定多个待融合结果在进行比例融合处理时的计算权重,根据计算权重对多个待融合结果进行加权计算,得到单位预测结果。具体的,单位预测结果可以根据各目标计算模型的计算误差来确定,例如,单位预测结果可以为其中,ri为各目标计算模型的计算误差率,xi为各目标计算模型的单位计算结果值,N为目标计算模型的数量。
举例而言,如表3所示,表3中示意性示出了根据本公开的基于多模型计算融合的数据处理方法得到的待处理物品的预测结果。以物品A在2020年3月1日的预测结果为例,由于算法B和算法C的融合类别为均值融合,因此,物品A在2020年3月1日的预测结果为(算法B预测值+算法C预测值)/2。物品A的预测结果可以包括2020年3月1日至2020年3月5日之间的所有单位预测结果。
表3
综上所述,本公开的基于多模型计算融合的数据处理方法,获取待处理物品的模型配置表;其中,模型配置表包括与待处理物品对应的至少一候选计算模型;确定待处理物品的待预测时段,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型;如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果;分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。通过本公开的基于多模型计算融合的数据处理方法,一方面,从候选计算模型中确定出与待预测时段匹配的目标计算模型,通过确定出的目标计算模型对待处理物品进行计算处理,可以大大减少每个算法执行耗费的资源和时长。另一方面,在采用多个目标计算模型对待处理物品进行处理时,可以按照待预测时段等较细粒度的约束条件动态调整动态调整对应的计算模型,提高计算结果的准确性。又一方面,将物品个性化适配计算模型和融合类别从标准预测流程中解耦,可以方便地进行扩展和精细化控制。再一方面,当有新的算法模型进行逐步切量时,可以通过配置模块灵活地控制切量范围。
需要说明的是,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,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步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种基于多模型计算融合的数据处理装置。参考图8,该基于多模型计算融合的数据处理装置800可以包括:信息获取模块810、模型确定模块820、计算模块830以及结果确定模块840。
具体的,信息获取模块810可以用于获取待处理物品的模型配置表;其中,模型配置表包括与待处理物品对应的至少一候选计算模型;模型确定模块820可以用于确定待处理物品的待预测时段,根据待预测时段从至少一候选计算模型中确定与待处理物品匹配的至少一目标计算模型;计算模块830可以用于如果目标计算模型的数量为多个,则将待处理物品的执行数据分别输入至各目标计算模型,由各目标计算模型输出待处理物品的计算结果;结果确定模块840可以用于分别确定各目标计算模型的融合优先级和融合类别,以根据各融合优先级和各融合类别对多个计算结果进行融合处理,得到待处理物品的预测结果。
基于多模型计算融合的数据处理装置800可以从候选计算模型中确定出与待预测时段匹配的目标计算模型,通过确定出的目标计算模型对待处理物品进行计算处理,可以大大减少每个算法执行耗费的资源和时长;按照物品信息和待预测时段以较细粒度动态调整融合类别,可以增加计算结果确定方式的灵活性;将待处理物品个性化适配计算模型和融合类别从标准预测流程中解耦,可以方便地进行扩展和精细化控制,是一种行之有效的基于多模型计算融合的数据处理装置。
在本公开的一种示例性实施方案中,基于多模型计算融合的数据处理装置还包括模型配置表生成模块,用于获取待处理物品的物品信息;根据物品信息确定至少一候选计算模型,并确定至少一候选计算模型的模型信息;根据确定出的模型信息和物品信息生成待处理物品的模型配置表。
在本公开的一种示例性实施方案中,模型确定模块包括模型确定单元,用于获取并判断候选计算模型的校验模式;如果校验模式为固定校验模式,则获取与待处理物品对应的预配置计算模型,并将预配置计算模型作为目标计算模型;如果校验模式为自动校验模式,则根据待预测时段和待处理物品的物品信息判断候选计算模型是否与待处理物品匹配;如果候选计算模型与待处理物品匹配,则将候选计算模型确定为目标计算模型。
在本公开的一种示例性实施方案中,结果确定模块包括结果确定单元,用于将待预测时段划分为多个单位计算日,确定各单位计算日分别对应的单位计算结果;根据各融合优先级和各融合类别对各单位计算结果进行融合处理,以得到单位预测结果;将待预测时段中所有的单位预测结果作为预测结果。
在本公开的一种示例性实施方案中,结果确定模块包括第一结果确定单元,用于对各融合优先级进行排序处理,得到级别排序结果;从级别排序结果中确定最高优先级;其中,最高优先级为优先级数值最大的融合优先级;如果最高优先级的数量为一个,则将最高优先级的目标计算模型的单位计算结果作为单位预测结果。
在本公开的一种示例性实施方案中,结果确定单元还包括第二结果确定子单元,用于如果最高优先级的数量为多个,则将多个最高优先级分别对应的目标计算模型的单位计算结果作为待融合结果;根据融合类别对各待融合结果进行融合处理以得到单位预测结果。
在本公开的一种示例性实施方案中,结果确定单元包括结果确定子单元,用于如果融合类别为均值融合,则对多个待融合结果进行均值处理,以得到单位预测结果;如果融合类别为比例融合,则确定各待融合结果的计算权重,根据各计算权重和各待融合结果得到单位预测结果;其中;确定各待融合结果的计算权重,包括:确定各目标计算模型的计算误差,根据各计算误差确定各待融合结果的计算权重。
上述中各基于多模型计算融合的数据处理装置的虚拟模块的具体细节已经在对应的基于多模型计算融合的数据处理方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了基于多模型计算融合的数据处理装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参考图9来描述根据本发明的这种实施例的电子设备900。图9显示的电子设备900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9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910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例的步骤。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)921和/或高速缓存存储单元922,还可以进一步包括只读存储单元(ROM)923。
存储单元920可以包括具有一组(至少一个)程序模块925的程序/实用工具924,这样的程序模块925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930可以表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备970(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),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960通过总线930与电子设备900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900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。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图10所示,描述了根据本发明的实施例的用于实现上述方法的程序产品1000,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,并可以在终端设备,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。
所述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、RF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,所述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、部分地在用户设备上执行、作为一个独立的软件包执行、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(LAN)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)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种基于多模型计算融合的数据处理方法,其特征在于,包括:
获取待处理物品的模型配置表;其中,所述模型配置表包括与所述待处理物品对应的至少一候选计算模型;
确定所述待处理物品的待预测时段,根据所述待预测时段从所述至少一候选计算模型中确定与所述待处理物品匹配的至少一目标计算模型;
如果所述目标计算模型的数量为多个,则将所述待处理物品的执行数据分别输入至各所述目标计算模型,由各所述目标计算模型输出所述待处理物品的计算结果;
分别确定各所述目标计算模型的融合优先级和融合类别,以根据各所述融合优先级和各所述融合类别对多个所述计算结果进行融合处理,得到所述待处理物品的预测结果。
2.根据权利要求1所述的基于多模型计算融合的数据处理方法,其特征在于,在所述获取待处理物品的模型配置表之前,所述方法还包括:
获取所述待处理物品的物品信息;
根据所述物品信息确定所述至少一候选计算模型,并确定所述至少一候选计算模型的模型信息;
根据确定出的模型信息和所述物品信息生成所述待处理物品的模型配置表。
3.根据权利要求1所述的基于多模型计算融合的数据处理方法,其特征在于,所述根据所述待预测时段从所述至少一候选计算模型中确定与所述待处理物品匹配的至少一目标计算模型,包括:
对所述候选计算模型逐一执行下述操作步骤:
获取并判断所述候选计算模型的校验模式;
如果所述校验模式为固定校验模式,则获取与所述待处理物品对应的预配置计算模型,并将所述预配置计算模型作为所述目标计算模型;
如果所述校验模式为自动校验模式,则根据所述待预测时段和所述待处理物品的物品信息判断所述候选计算模型是否与所述待处理物品匹配;
如果所述候选计算模型与所述待处理物品匹配,则将所述候选计算模型确定为所述目标计算模型。
4.根据权利要求1所述的基于多模型计算融合的数据处理方法,其特征在于,所述根据各所述融合优先级和各所述融合类别对多个所述计算结果进行融合处理,得到所述待处理物品的预测结果,包括:
将所述待预测时段划分为多个单位计算日,确定各所述单位计算日分别对应的单位计算结果;
根据各所述融合优先级和各所述融合类别对各所述单位计算结果进行融合处理,以得到单位预测结果;
将所述待预测时段中所有的单位预测结果作为所述预测结果。
5.根据权利要求4所述的基于多模型计算融合的数据处理方法,其特征在于,所述根据各所述融合优先级和各所述融合类别对各所述单位计算结果进行融合处理,以得到单位预测结果,包括:
对各所述融合优先级进行排序处理,得到级别排序结果;
从所述级别排序结果中确定最高优先级;其中,所述最高优先级为优先级数值最大的所述融合优先级;
如果所述最高优先级的数量为一个,则将最高优先级的目标计算模型的单位计算结果作为所述单位预测结果。
6.根据权利要求5所述的基于多模型计算融合的数据处理方法,其特征在于,所述根据各所述融合优先级和各所述融合类别对各所述单位计算结果进行融合处理,以得到单位预测结果,还包括:
如果所述最高优先级的数量为多个,则将多个所述最高优先级分别对应的目标计算模型的单位计算结果作为待融合结果;
根据所述融合类别对各所述待融合结果进行融合处理以得到所述单位预测结果。
7.根据权利要求6所述的基于多模型计算融合的数据处理方法,其特征在于,所述根据所述融合类别对各所述待融合结果进行融合处理以得到所述单位预测结果,包括:
如果所述融合类别为均值融合,则对多个所述待融合结果进行均值处理,以得到所述单位预测结果;
如果所述融合类别为比例融合,则确定各所述待融合结果的计算权重,根据各所述计算权重和各所述待融合结果得到所述单位预测结果;
其中;所述确定各所述待融合结果的计算权重,包括:
确定各所述目标计算模型的计算误差,根据各所述计算误差确定各所述待融合结果的计算权重。
8.一种基于多模型计算融合的数据处理装置,其特征在于,包括:
信息获取模块,用于获取待处理物品的模型配置表;其中,所述模型配置表包括与所述待处理物品对应的至少一候选计算模型;
模型确定模块,用于确定所述待处理物品的待预测时段,根据所述待预测时段从所述至少一候选计算模型中确定与所述待处理物品匹配的至少一目标计算模型;
计算模块,用于如果所述目标计算模型的数量为多个,则将所述待处理物品的执行数据分别输入至各所述目标计算模型,由各所述目标计算模型输出所述待处理物品的计算结果;
结果确定模块,用于分别确定各所述目标计算模型的融合优先级和融合类别,以根据各所述融合优先级和各所述融合类别对多个所述计算结果进行融合处理,得到所述待处理物品的预测结果。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的基于多模型计算融合的数据处理方法。
10.一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根据权利要求1至7中任一项所述的基于多模型计算融合的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580968.1A CN112288457A (zh) | 2020-06-23 | 2020-06-23 | 基于多模型计算融合的数据处理方法及装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010580968.1A CN112288457A (zh) | 2020-06-23 | 2020-06-23 | 基于多模型计算融合的数据处理方法及装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288457A true CN112288457A (zh) | 2021-01-29 |
Family
ID=74421125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010580968.1A Pending CN112288457A (zh) | 2020-06-23 | 2020-06-23 | 基于多模型计算融合的数据处理方法及装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837492A (zh) * | 2021-10-26 | 2021-12-24 | 北京沃东天骏信息技术有限公司 | 物品供应量的预测方法、设备、存储介质及程序产品 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732299A (zh) * | 2015-04-03 | 2015-06-24 | 中国农业科学院农业信息研究所 | 一种玉米产量组合预测系统和方法 |
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 |
CN106600347A (zh) * | 2017-01-17 | 2017-04-26 | 中国科学院自动化研究所 | 一种基于多视角数据和循环网络构建序列预测模型的方法 |
CN107146015A (zh) * | 2017-05-02 | 2017-09-08 | 联想(北京)有限公司 | 多变量时间序列预测方法和系统 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN109034905A (zh) * | 2018-08-03 | 2018-12-18 | 四川长虹电器股份有限公司 | 提升销量预测结果稳健性的方法 |
CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
WO2019114423A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 对模型预测值进行融合的方法、装置和设备 |
WO2019200810A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 用户数据真实性分析方法及装置、存储介质、电子设备 |
CN111295681A (zh) * | 2017-10-31 | 2020-06-16 | 甲骨文国际公司 | 使用加权混合机器学习模型进行需求预测 |
-
2020
- 2020-06-23 CN CN202010580968.1A patent/CN112288457A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732299A (zh) * | 2015-04-03 | 2015-06-24 | 中国农业科学院农业信息研究所 | 一种玉米产量组合预测系统和方法 |
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 |
CN106600347A (zh) * | 2017-01-17 | 2017-04-26 | 中国科学院自动化研究所 | 一种基于多视角数据和循环网络构建序列预测模型的方法 |
CN107146015A (zh) * | 2017-05-02 | 2017-09-08 | 联想(北京)有限公司 | 多变量时间序列预测方法和系统 |
CN111295681A (zh) * | 2017-10-31 | 2020-06-16 | 甲骨文国际公司 | 使用加权混合机器学习模型进行需求预测 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
WO2019114423A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 对模型预测值进行融合的方法、装置和设备 |
WO2019200810A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 用户数据真实性分析方法及装置、存储介质、电子设备 |
CN109034905A (zh) * | 2018-08-03 | 2018-12-18 | 四川长虹电器股份有限公司 | 提升销量预测结果稳健性的方法 |
CN109214601A (zh) * | 2018-10-31 | 2019-01-15 | 四川长虹电器股份有限公司 | 家电行业大数据销量预测方法 |
Non-Patent Citations (1)
Title |
---|
丁晨芳: "组合模型分析方法在我国粮食产量预测中的应用", 农业现代化研究, vol. 1, no. 28, pages 101 - 103 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837492A (zh) * | 2021-10-26 | 2021-12-24 | 北京沃东天骏信息技术有限公司 | 物品供应量的预测方法、设备、存储介质及程序产品 |
CN113837492B (zh) * | 2021-10-26 | 2024-05-21 | 北京沃东天骏信息技术有限公司 | 物品供应量的预测方法、设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10832194B2 (en) | System and method for setting inventory thresholds for offering and fulfillment across retail supply networks | |
US20170206481A1 (en) | Order sourcing with asynchronous communication and using optimization for large sourcing networks | |
US11403131B2 (en) | Data analysis for predictive scaling of container(s) based on prior user transaction(s) | |
US10896237B2 (en) | Reducing database stress using cognitive data caching | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
US11010829B2 (en) | Liquidity management system | |
US20220391783A1 (en) | Stochastic demand model ensemble | |
CN112070545B (zh) | 用于优化信息触达的方法、装置、介质和电子设备 | |
CN113065882A (zh) | 一种商品处理方法、装置及电子设备 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
CN113791882B (zh) | 多任务的部署方法、装置、电子设备及存储介质 | |
CN112288457A (zh) | 基于多模型计算融合的数据处理方法及装置、设备和介质 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
KR101819365B1 (ko) | 제품생산계획별 탄소 배출량에 따른 수익성 시뮬레이션 지원시스템 및 방법 | |
CN113760521A (zh) | 一种虚拟资源的分配方法和装置 | |
CN113778979A (zh) | 一种直播点击率的确定方法和装置 | |
CN112115370A (zh) | 推荐方法、装置、计算机可读存储介质及电子设备 | |
US20160275535A1 (en) | Centralized system for progressive price management | |
CN113793088B (zh) | 信息处理方法及装置、存储介质、电子设备 | |
US11645595B2 (en) | Predictive capacity optimizer | |
CN110659919A (zh) | 数据匹配方法、装置、介质及电子设备 | |
US20180285911A1 (en) | Optimizing profitability in fulfilling website-based order | |
CN112016791B (zh) | 资源分配方法、装置及电子设备 | |
CN113792039A (zh) | 数据处理方法及装置、电子设备、存储介质 |
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 |