CN112396466A - 电商平台流量预测方法、系统、存储介质及电子设备 - Google Patents
电商平台流量预测方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112396466A CN112396466A CN202011370584.3A CN202011370584A CN112396466A CN 112396466 A CN112396466 A CN 112396466A CN 202011370584 A CN202011370584 A CN 202011370584A CN 112396466 A CN112396466 A CN 112396466A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- model
- flow
- commerce platform
- 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 38
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000000694 effects Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000001737 promoting effect Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电商平台流量预测方法、系统、存储介质及电子设备，电商平台流量预测方法，包括：数据获取步骤：获取电商平台的现有流量数据；预测模型获取步骤：构建初始模型，根据所述现有流量数据对所述初始模型进行训练和验证后获得预测模型；预测步骤：根据所述预测模型进行预测获得预测流量数据。本发明能够充分利用近期数据以及去年同期数据，通过多模型组合的方式有效提高电商平台流量预测的精准度。
Description
技术领域
本发明涉及一种流量预测方法、系统、存储介质及电子设备，具体地说，尤其涉及一种电商平台流量预测方法、系统、存储介质及电子设备。
背景技术
电商平台在预测未来若干天的销售额、流量等指标时通常采用自回归模型 (单变量)或者向量自回归模型(多变量)。但是这种预测方案采用的模型较为单一，预测精度容易受到近期异常的销量、流量等数据影响。因此采用一种多模型结合的方法对于提高预测精度至关重要，有利于企业根据预测销量对未来活动作出合理安排。
但是在实际使用中发现，无论是才用单变量的自回归模型或者是多变量的向量自回归模型，这些方案的模型结构简单且模型较为单一，预测精度容易受到近期销量、流量等数据影响。
因此急需开发一种克服上述缺陷的电商平台流量预测方法、系统、存储介质及电子设备。
发明内容
针对上述问题，本发明提供一种电商平台流量预测方法，其中，包括：
数据获取步骤：获取电商平台的现有流量数据；
预测模型获取步骤：构建初始模型，根据所述现有流量数据对所述初始模型进行训练和验证后获得预测模型；
预测步骤：根据所述预测模型进行预测获得预测流量数据。
上述的电商平台流量预测方法，其中，所述现有流量数据包括：历史销量、同期流量数据，促销活动等级及4A人群数据。
上述的电商平台流量预测方法，其中，所述预测模型获取步骤包括：
预处理步骤：对所述现有流量数据进行预处理后，将预处理后的所述现有流量数据划分为训练集及测试集；
训练步骤：构建所述初始模型，并根据所述训练集中的所述4A人群数据、所述同期流量数据及所述促销活动等级对所述初始模型进行训练获得所述预测模型；
验证步骤：根据所述测试集对所述预测模型进行验证。
上述的电商平台流量预测方法，其中，所述预测步骤包括：
第一预测步骤：根据所述4A人群数据通过时间序列模型获得当天4A人群数据；
第二预测步骤：根据所述当天4A人群数据、当天促销活动等级及所述同期流量数据获得所述预测流量数据。
本发明还提供一种电商平台流量预测系统，其中，包括：
数据获取单元，获取电商平台的现有流量数据；
预测模型获取单元，构建初始模型，根据所述现有流量数据对所述初始模型进行训练和验证后获得预测模型；
预测单元，根据所述预测模型进行预测获得预测流量数据。
上述的电商平台流量预测系统，其中，所述现有流量数据包括：历史销量、同期流量数据，促销活动等级及4A人群数据。
上述的电商平台流量预测系统，其中，所述预测模型获取单元包括：
预处理模块，对所述现有流量数据进行预处理后，将预处理后的所述现有流量数据划分为训练集及测试集；
训练模块，构建所述初始模型，并根据所述训练集中的所述4A人群数据、所述同期流量数据及所述促销活动等级对所述初始模型进行训练获得所述预测模型；
验证模块，根据所述测试集对所述预测模型进行验证。
上述的电商平台流量预测系统，其中，所述预测单元包括：
第一预测模块，根据所述4A人群数据通过时间序列模型获得当天4A人群数据；
第二预测模块，根据所述当天4A人群数据、当天促销活动等级及所述同期流量数据获得所述预测流量数据。
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述中任一项所述的电商平台流量预测方法。
本发明还提供一种存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述中任一项所述的电商平台流量预测方法。
综上所述，本发明相对于现有技术其功效在于：本发明针对现有的电商平台在预测流量、销量时模型结构较为单一的问题，提出了一种多模型结合的流量预测方案，能够充分利用近期数据以及去年同期数据，通过多模型组合的方式有效提高电商平台流量预测的精准度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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为本发明的电商平台流量预测方法的流程图；
图2为图1中步骤S2的分步骤流程图；
图3为图1中步骤S3的分步骤流程图；
图4为本发明的电商平台流量预测方法的应用流程图；
图5为本发明的电商平台流量预测系统的结构示意图；
图6为本发明的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，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。
本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。另外，在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。
关于本文中所使用的“第一”、“第二”、“S1”、“S2”、…等，并非特别指称次序或顺位的意思，也非用以限定本发明，其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的方向用语，例如：上、下、左、右、前或后等，仅是参考附图的方向。因此，使用的方向用语是用来说明并非用来限制本创作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
关于本文中所使用的“及/或”，包括所述事物的任一或全部组合。
关于本文中的“多个”包括“两个”及“两个以上”；关于本文中的“多组”包括“两组”及“两组以上”。
关于本文中所使用的用语“大致”、“约”等，用以修饰任何可以微变化的数量或误差，但这些微变化或误差并不会改变其本质。一般而言，此类用语所修饰的微变化或误差的范围在部分实施例中可为20％，在部分实施例中可为 10％，在部分实施例中可为5％或是其他数值。本领域技术人员应当了解，前述提及的数值可依实际需求而调整，并不以此为限。
某些用以描述本申请的用词将于下或在此说明书的别处讨论，以提供本领域技术人员在有关本申请的描述上额外的引导。
一、LightGBM模型
1.LightGBM模型比Xgboost更强大、速度更快的模型，性能上有很大的提升，与传统算法相比具有的优点：
*更快的训练效率；
*低内存使用；
*更高的准确率；
*支持并行化学习；
*可处理大规模数据；
*原生支持类别特征，不需要对类别特征再进行0-1编码这类的。
2.LightGBM一大的特点是在传统的GBDT基础上引入了两个新技术和一个改进：
(1)Gradient-based One-Side Sampling(GOSS)技术是去掉了很大一部分梯度很小的数据，只使用剩下的去估计信息增益，避免低梯度长尾部分的影响。由于梯度大的数据在计算信息增益的时候更重要，所以GOSS在小很多的数据上仍然可以取得相当准确的估计值。
(2)Exclusive Feature Bundling(EFB)技术是指捆绑互斥的特征(i.e.，他们经常同时取值为0)，以减少特征的数量。但对互斥特征寻找最佳的捆绑方式是一个NP难问题，当时贪婪算法可以取得相当好的近似率(因此可以在不显著影响分裂点选择的准确性的情况下，显著地减少特征数量)。
(3)在传统GBDT算法中，最耗时的步骤是找到最优划分点，传统方法是 Pre-Sorted方式，其会在排好序的特征值上枚举所有可能的特征点，而 LightGBM中会使用histogram算法替换了传统的Pre-Sorted。基本思想是先把连续的浮点特征值离散化成k个整数，同时构造出一个宽度为k的直方图。最开始时将离散化后的值作为索引在直方图中累积统计量，当遍历完一次数据后，直方图累积了离散化需要的统计量，之后进行节点分裂时，可以根据直方图上的离散值，从这k个桶中找到最佳的划分点，从而能更快的找到最优的分割点，而且因为直方图算法无需像Pre-Sorted那样存储预排序的结果，而只是保存特征离散过得数值，所以使用直方图的方式可以减少对内存的消耗。
二、随机森林模型
随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而"RandomForests"是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests) 而来的。这个方法则是结合Breimans的"Bootstrapaggregating"想法和 Ho的"random subspace method"以建造决策树的集合。
三、梯度提升决策树模型
GBDT(Gradient Boosting Decision Tree)又叫MART(Multiple AdditiveRegression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力较强的算法。GBDT中的树是回归树(不是分类树)，GBDT用来做回归预测，调整后也可以用于分类。GBDT主要由三个概念组成：Regression Decistion Tree(即DT)，Gradient Boosting(即GB)，Shrinkage(算法的一个重要演进分枝，目前大部分源码都按该版本实现)。
请参照图1-图3，图1为本发明的电商平台流量预测方法的流程图；图2 为图1中步骤S2的分步骤流程图；图3为图1中步骤S3的分步骤流程图。如图1所示，本发明的电商平台流量预测方法，包括：
数据获取步骤S1：获取电商平台的现有流量数据。
其中，现有流量数据包括：历史销量、同期流量数据，促销活动等级及4A 人群数据，4A人群数据：品牌的人群资产量化数据，4A人群数据即为处于认知 Aware、吸引Appeal、行动Act、拥护Advocate四个阶段的人数。
预测模型获取步骤S2：构建初始模型，根据所述现有流量数据对所述初始模型进行训练和验证后获得预测模型。
其中，所述初始模型为LightGBM模型、随机森林模型及梯度提升决策树模型中的一者。
预测步骤S3：根据所述预测模型进行预测获得预测流量数据。
进一步地，所述预测模型获取步骤S2包括：
预处理步骤S21：对所述现有流量数据进行预处理后，将预处理后的所述现有流量数据划分为训练集及测试集；
训练步骤S22：构建所述初始模型，并根据所述训练集中的所述4A人群数据、所述同期流量数据及所述促销活动等级对所述初始模型进行训练获得所述预测模型；
验证步骤S23：根据所述测试集对所述预测模型进行验证。
更进一步地，所述预测步骤S3包括：
第一预测步骤S31：根据所述4A人群数据通过时间序列模型获得当天4A 人群数据；
第二预测步骤S32：根据所述当天4A人群数据、当天促销活动等级及所述同期流量数据获得所述预测流量数据。
请参照图4，图4为本发明的电商平台流量预测方法的应用流程图。如图4 所示，以下结合图4通过一具体实施例对本发明的电商平台流量预测方法进行具体说明。
本发明提出一种采用多模型结合的电商平台流量预测方法，具体包含以下步骤：
1.获取电商平台流量预测需要的数据，包含历史每天的销量、流量数据，每天的促销活动等级，每天的4A人群数据；
2.采用时间序列模型预测未来若干天的4A人群数据。
3.对数据集进行数据预处理，然后按照比例划分为训练集与测试集。
4.训练LightGBM模型：对于训练集中某一天的流量数据，根据当天的促销活动等级、当天的4A人群数据、上一年同期7天的流量统计数据，构建LightGBM 模型预测当天的流量数据，得到训练完成的模型。
5.模型测试：采用训练得到的LightGBM模型对测试集流量数据进行预测，验证模型效果。
6.应用模型：对于未来某一天，根据当天的促销活动等级、时间序列模型预测得到的当天4A人群数据、上一年同期7天的流量统计数据，通过训练好的 LightGBM模型预测得到这一天的流量数据。
需要说明的是，在本实施例中，采用的是LightGBM模型结合时间序列模型的方法，在其他实施例中，将LightGBM模型替换为其他树模型比如随机森林模型、梯度提升决策树模型也能够实现本发明的电商平台流量预测方法。
请参照图5，图5为本发明的电商平台流量预测系统的结构示意图。如图5 所示，本发明的电商平台流量预测系统包括：
数据获取单元11，获取电商平台的现有流量数据；
预测模型获取单元12，构建初始模型，根据所述现有流量数据对所述初始模型进行训练和验证后获得预测模型；
预测单元13，根据所述预测模型进行预测获得预测流量数据。
其中，所述现有流量数据包括：历史销量、同期流量数据，促销活动等级及4A人群数据。
进一步地，所述预测模型获取单元12包括：
预处理模块121，对所述现有流量数据进行预处理后，将预处理后的所述现有流量数据划分为训练集及测试集；
训练模块122，构建所述初始模型，并根据所述训练集中的所述4A人群数据、所述同期流量数据及所述促销活动等级对所述初始模型进行训练获得所述预测模型；
验证模块123，根据所述测试集对所述预测模型进行验证。
更进一步地，所述预测单元13包括：
第一预测模块131，根据所述4A人群数据通过时间序列模型获得当天4A 人群数据；
第二预测模块132，根据所述当天4A人群数据、当天促销活动等级及所述同期流量数据获得所述预测流量数据。
请参照图6，图6为本发明的电子设备的结构示意图。如图6所示，本实施例揭示了一种电子设备的一种具体实施方式。电子设备可以包括处理器81 以及存储有计算机程序指令的存储器82。
具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM) 和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意一种电商平台流量预测方法。
在其中一些实施例中，电子设备还可包括通信接口83和总线80。其中，如图6所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线 80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数 (Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中处理方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种电商平台流量预测方法。
综上所述，本发明采用一种多模型结合的方法预测电商平台的流量数据，解决了现有的电商平台在预测流量、销量时模型结构较为单一的问题，能够充分利用LightGBM以及时间序列模型的优点，通过多模型组合的方式有效提高电商平台流量预测的精准度，有利于企业根据预测销量对未来活动作出合理安排。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电商平台流量预测方法，其特征在于，包括：
数据获取步骤：获取电商平台的现有流量数据；
预测模型获取步骤：构建初始模型，根据所述现有流量数据对所述初始模型进行训练和验证后获得预测模型；
预测步骤：根据所述预测模型进行预测获得预测流量数据。
2.如权利要求1所述的电商平台流量预测方法，其特征在于，所述现有流量数据包括：历史销量、同期流量数据，促销活动等级及4A人群数据。
3.如权利要求2所述的电商平台流量预测方法，其特征在于，所述预测模型获取步骤包括：
预处理步骤：对所述现有流量数据进行预处理后，将预处理后的所述现有流量数据划分为训练集及测试集；
训练步骤：构建所述初始模型，并根据所述训练集中的所述4A人群数据、所述同期流量数据及所述促销活动等级对所述初始模型进行训练获得所述预测模型；
验证步骤：根据所述测试集对所述预测模型进行验证。
4.如权利要求2所述的电商平台流量预测方法，其特征在于，所述预测步骤包括：
第一预测步骤：根据所述4A人群数据通过时间序列模型获得当天4A人群数据；
第二预测步骤：根据所述当天4A人群数据、当天促销活动等级及所述同期流量数据获得所述预测流量数据。
5.一种电商平台流量预测系统，其特征在于，包括：
数据获取单元，获取电商平台的现有流量数据；
预测模型获取单元，构建初始模型，根据所述现有流量数据对所述初始模型进行训练和验证后获得预测模型；
预测单元，根据所述预测模型进行预测获得预测流量数据。
6.如权利要求5所述的电商平台流量预测系统，其特征在于，所述现有流量数据包括：历史销量、同期流量数据，促销活动等级及4A人群数据。
7.如权利要求6所述的电商平台流量预测系统，其特征在于，所述预测模型获取单元包括：
预处理模块，对所述现有流量数据进行预处理后，将预处理后的所述现有流量数据划分为训练集及测试集；
训练模块，构建所述初始模型，并根据所述训练集中的所述4A人群数据、所述同期流量数据及所述促销活动等级对所述初始模型进行训练获得所述预测模型；
验证模块，根据所述测试集对所述预测模型进行验证。
8.如权利要求6所述的电商平台流量预测系统，其特征在于，所述预测单元包括：
第一预测模块，根据所述4A人群数据通过时间序列模型获得当天4A人群数据；
第二预测模块，根据所述当天4A人群数据、当天促销活动等级及所述同期流量数据获得所述预测流量数据。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的电商平台流量预测方法。
10.一种存储介质，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至4中任一项所述的电商平台流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370584.3A CN112396466A (zh) | 2020-11-30 | 2020-11-30 | 电商平台流量预测方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370584.3A CN112396466A (zh) | 2020-11-30 | 2020-11-30 | 电商平台流量预测方法、系统、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112396466A true CN112396466A (zh) | 2021-02-23 |
Family
ID=74604767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011370584.3A Pending CN112396466A (zh) | 2020-11-30 | 2020-11-30 | 电商平台流量预测方法、系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396466A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113259158A (zh) * | 2021-05-11 | 2021-08-13 | 北京沃东天骏信息技术有限公司 | 网络流量预测方法和设备、模型构建及训练方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685583A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据的供应链需求预测方法 |
| CN111127104A (zh) * | 2019-12-25 | 2020-05-08 | 创新奇智(广州)科技有限公司 | 一种商品销量预测方法及系统 |
| CN111639978A (zh) * | 2020-06-08 | 2020-09-08 | 武汉理工大学 | 基于Prophet-随机森林的电商事件驱动型需求量预测方法 |
| CN111652657A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 商品销量预测方法、装置、电子设备及可读存储介质 |
| KR20200131549A (ko) * | 2019-05-14 | 2020-11-24 | 카페24 주식회사 | 인공지능 모델을 이용한 상품 판매량 예측 방법, 장치 및 시스템 |
-
2020
- 2020-11-30 CN CN202011370584.3A patent/CN112396466A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685583A (zh) * | 2019-01-10 | 2019-04-26 | 博拉网络股份有限公司 | 一种基于大数据的供应链需求预测方法 |
| KR20200131549A (ko) * | 2019-05-14 | 2020-11-24 | 카페24 주식회사 | 인공지능 모델을 이용한 상품 판매량 예측 방법, 장치 및 시스템 |
| CN111127104A (zh) * | 2019-12-25 | 2020-05-08 | 创新奇智(广州)科技有限公司 | 一种商品销量预测方法及系统 |
| CN111639978A (zh) * | 2020-06-08 | 2020-09-08 | 武汉理工大学 | 基于Prophet-随机森林的电商事件驱动型需求量预测方法 |
| CN111652657A (zh) * | 2020-06-10 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 商品销量预测方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张雷东等: "多种算法融合的产品销售预测模型应用", 《计算机系统应用》, vol. 29, no. 09 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113259158A (zh) * | 2021-05-11 | 2021-08-13 | 北京沃东天骏信息技术有限公司 | 网络流量预测方法和设备、模型构建及训练方法和装置 |
| CN113259158B (zh) * | 2021-05-11 | 2022-12-27 | 北京沃东天骏信息技术有限公司 | 网络流量预测方法和设备、模型构建及训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10565442B2 (en) | Picture recognition method and apparatus, computer device and computer- readable medium | |
| US20190279088A1 (en) | Training method, apparatus, chip, and system for neural network model | |
| CN105389349A (zh) | 词典更新方法及装置 | |
| CN110765615B (zh) | 物流仿真方法、装置及设备 | |
| CN105373800A (zh) | 分类方法及装置 | |
| CN111242358A (zh) | 一种双层结构的企业情报流失预测方法 | |
| CN111368887B (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
| US20200042434A1 (en) | Analysis of verification parameters for training reduction | |
| CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
| CN110706015A (zh) | 一种面向广告点击率预测的特征选取方法 | |
| US9324026B2 (en) | Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium | |
| CN111475736A (zh) | 社区挖掘的方法、装置和服务器 | |
| CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
| CN112396466A (zh) | 电商平台流量预测方法、系统、存储介质及电子设备 | |
| WO2022110978A1 (en) | Method and apparatus for driving data search | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| US11836651B2 (en) | Automatic adjustment of replica exchange | |
| US11625617B2 (en) | Reduction of edges in a knowledge graph for entity linking | |
| CN112561569A (zh) | 基于双模型的到店预测方法、系统、电子设备及存储介质 | |
| CN110046632B (zh) | 模型训练方法和装置 | |
| CN112070530A (zh) | 广告预估模型的上线评估方法及相关装置 | |
| CN114861781B (zh) | 自动调参优化方法、装置、电子设备 | |
| US10169418B2 (en) | Deriving a multi-pass matching algorithm for data de-duplication | |
| CN115905293A (zh) | 作业执行引擎的切换方法及装置 | |
| CN110532071B (zh) | 一种基于gpu的多应用调度系统和方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220118 Address after: 200030 unit 5b06, floor 5, building 2, No. 277, Longlan Road, Xuhui District, Shanghai Applicant after: Shanghai Mingsheng Pinzhi Artificial Intelligence Technology Co.,Ltd. Address before: Floor 29, 30, 31, 32, No. 701, Yunjin Road, Xuhui District, Shanghai, 200030 Applicant before: Shanghai minglue artificial intelligence (Group) Co.,Ltd. |
|
| TA01 | Transfer of patent application right |