CN112711615A - 信息处理装置、信息处理方法和计算机可读存储介质 - Google Patents

信息处理装置、信息处理方法和计算机可读存储介质 Download PDF

Info

Publication number
CN112711615A
CN112711615A CN201911018004.1A CN201911018004A CN112711615A CN 112711615 A CN112711615 A CN 112711615A CN 201911018004 A CN201911018004 A CN 201911018004A CN 112711615 A CN112711615 A CN 112711615A
Authority
CN
China
Prior art keywords
resource
parameter
user
vehicle
parts
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
Application number
CN201911018004.1A
Other languages
English (en)
Inventor
刘汝杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to CN201911018004.1A priority Critical patent/CN112711615A/zh
Priority to JP2020158414A priority patent/JP2021068431A/ja
Publication of CN112711615A publication Critical patent/CN112711615A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种信息处理装置、信息处理方法和存储有程序指令的计算机可读存储介质。该信息处理装置包括：历史数据获取单元，被配置成获取关于资源的历史数据；模型建立单元，被配置成根据历史数据针对每个用户类型建立至少一个参数预测模型；计算单元，被配置成计算针对属于各个用户类型的已经使用资源的次数少于M次的用户的、第M次使用资源时要使用的资源包括的部分中相应部分的估计数量；参数预测单元，被配置成利用历史数据和相应的参数预测模型预测用户随后一次或更多次使用资源时参数的值；以及预测单元，被配置成利用计算单元的计算结果和参数预测单元的预测结果，预测针对预定参数范围，资源的要被使用的部分中的相应部分的数量。

Description

信息处理装置、信息处理方法和计算机可读存储介质
技术领域
本公开涉及信息处理领域，具体涉及信息处理装置、信息处理方法和计算机可读存储介质。
背景技术
与资源的使用有关的预测使得例如资源提供者能够预先知道将来要使用的资源包括的部分中相应部分的数量，由此对资源包括的相应部分进行预备。
发明内容
在下文中给出了关于本公开的简要概述，以便提供关于本公开的某些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
鉴于以上问题，本公开的目的是提供能够解决现有技术中的一个或多个缺点的信息处理装置和信息处理方法。
根据本公开的一方面，提供了一种信息处理装置，包括：历史数据获取单元，被配置成获取关于资源的历史数据，其中，所述资源包括至少一个部分，并且所述历史数据包括针对每个用户的与对所述资源的使用有关的参数以及针对每个用户的每次所使用的所述资源包括的部分中相应部分的数量；模型建立单元，被配置成针对每个用户类型，利用根据所述历史数据所获得的、属于该用户类型的用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异，建立至少一个参数预测模型；计算单元，被配置成针对每个用户类型，使用所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，其中M为正整数；参数预测单元，被配置成针对每个用户，使用该用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用所述资源时所述参数的值；以及预测单元，被配置成使用通过所述参数预测单元所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、通过所述计算单元所计算出的随后一次或更多次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，来预测针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
根据本公开的另一方面，提供了一种信息处理方法，包括历史数据获取步骤，用于获取关于资源的历史数据，其中，所述资源包括至少一个部分，并且所述历史数据包括针对每个用户的与对所述资源的使用有关的参数以及针对每个用户的每次所使用的所述资源包括的部分中相应部分的数量；模型建立步骤，用于针对每个用户类型，利用根据所述历史数据所获得的、属于该用户类型的用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异，建立至少一个参数预测模型；计算步骤，用于针对每个用户类型，使用所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，其中M为正整数；参数预测步骤，用于针对每个用户，使用该用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用所述资源时所述参数的值；以及预测步骤，用于使用通过所述参数预测步骤所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、通过所述计算步骤所计算出的随后一次或更多次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，来预测针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
根据本公开的其它方面，还提供了用于实现上述根据本公开的方法的计算机程序代码和计算机程序产品，以及其上记录有该用于实现上述根据本公开的方法的计算机程序代码的计算机可读存储介质。
在下面的说明书部分中给出本公开实施例的其它方面，其中，详细说明用于充分地公开本公开实施例的优选实施例，而不对其施加限定。
附图说明
本公开可以通过参考下文中结合附图所给出的详细描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并形成说明书的一部分，用来进一步举例说明本公开的优选实施例和解释本公开的原理和优点。其中：
图1是示出根据本公开的实施例的信息处理装置的功能配置示例的框图；
图2是示出根据本公开的实施例的历史数据的示例的图；
图3是示出根据本公开的实施例的各个车辆类型的车辆第M次使用车辆部件时要使用的相应部件的估计数量的示例的图；
图4是示出根据本公开的实施例的参数预测结果的示例的图；
图5是示出根据本公开的实施例的信息处理方法的流程示例的流程图；以及
图6是示出作为本公开的实施例中可采用的个人计算机的示例结构的框图。
具体实施方式
在下文中将结合附图对本公开的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与根据本公开的方案密切相关的设备结构和/或处理步骤，而省略了与本公开关系不大的其它细节。
下面结合附图详细说明根据本公开的实施例。
首先，将参照图1描述根据本公开的实施例的信息处理装置的功能配置示例。图1是示出根据本公开的实施例的信息处理装置的功能配置示例的框图。如图1所示，根据本公开的实施例的信息处理装置100可以包括历史数据获取单元102、模型建立单元104、计算单元106、参数预测单元108以及预测单元110。
历史数据获取单元102可以被配置成获取关于资源的历史数据，其中，资源包括至少一个部分，并且历史数据包括针对每个用户的与对资源的使用有关的参数以及针对每个用户的每次所使用的资源包括的部分中相应部分的数量。
模型建立单元104可以被配置成针对每个用户类型，利用根据历史数据所获得的、属于该用户类型的用户过去两次或更多次使用资源时参数的值彼此之间的差异，建立至少一个参数预测模型。
计算单元106可以被配置成针对每个用户类型，使用历史数据中的、属于该用户类型的用户(部分用户或所有用户)第M次使用资源时所使用的资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用资源的次数少于M次的用户的、第M次使用资源时要使用的资源包括的部分中相应部分的估计数量，其中M为正整数。
参数预测单元108可以被配置成针对每个用户，使用该用户过去两次或更多次使用资源时参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用资源时参数的值。
预测单元110可以被配置成使用通过参数预测单元所预测的随后一次或更多次使用资源时参数的值在预定参数范围内的各个用户的、通过计算单元所计算出的随后一次或更多次使用资源时要使用的资源包括的部分中相应部分的估计数量，来预测针对预定参数范围，资源的要被使用的部分中的相应部分的数量。
作为示例，参数可以是与对资源的使用时间范围有关的参数，但不限于此。
例示而非限定，资源可以包括但不限于：各种服务，例如，诸如车辆、船舶、飞机等交通工具的定期维修服务；以及各种物品，例如，诸如车辆、船舶、飞机等交通工具所包括的部件；诸如智能电话、便携式计算机、台式计算机等电子设备所包括的部件等等。此外，例如，用户可以是使用资源的个人、企业、动物或者诸如交通工具或电子设备等的物品，但不限于此。
为了方便描述，在下文中将以资源是车辆部件并且用户是车辆的情况为示例进行描述。
在资源是车辆部件并且用户是车辆的示例性情况下，历史数据获取单元102可以被配置成获取关于车辆部件的历史数据，并且历史数据可以包括针对每个车辆的与对车辆部件的使用有关的参数以及针对每个车辆的每次所使用的车辆部件中相应部件的数量。
作为示例，与对车辆部件的使用有关的参数可以是与对车辆部件的使用时间范围有关的参数。例如，参数可以是使用车辆部件时的时间。此外，本领域技术人员可以采用与对车辆部件的使用有关的其他参数，这里将不再赘述。
图2是示出根据本公开的实施例的历史数据的示例的图。在图2所示的示例中，参数是使用车辆部件时的时间，其中，“时间”列示出车辆各次使用车辆部件时的时间，并且“部件”列示出车辆各次使用车辆部件时所使用的部件及其数量。如图2所示，例如，对于车辆标识号为“S_1”的车辆，第一次使用车辆部件的时间为2018年7月3日，使用的部件是部件P1和部件P3，其中，所使用的部件P1和部件P3的数量分别为2件和1件。要注意的是，虽然在图2中所示出的部件的数量的单位是“件”，但是本领域技术人员可以根据实际需要采用其他数量单位，这里将不再赘述。
模型建立单元104可以被配置成针对每个车辆类型，利用根据历史数据所获得的、属于该车辆类型的各个车辆过去两次或更多次使用车辆部件时参数的值彼此之间的差异，建立至少一个参数预测模型。
作为示例，参数预测模型可以是基于高斯混合模型的。例如，在参数是时间的情况下，对于车辆类型A，模型建立单元104可以根据历史数据，获得由车辆类型A的各个车辆相邻k+1(其中，k为不等于0的自然数)次使用车辆部件的时间彼此之间的差异组成的所有k维向量
Figure BDA0002246311840000051
Figure BDA0002246311840000052
(其中j用于区分不同的k维向量，并且j＝1,2,3...)，以及由各个车辆相邻k+2次使用车辆部件的时间彼此之间的差异组成的所有k+1维向量
Figure BDA0002246311840000061
(其中l用于区分不同的k+1维向量，并且l＝1,2,3…)。
例如，假设车辆类型A的某一车辆各次使用车辆部件的时间彼此之间的差异的序列为：5.6，4.9，5.1，6.2，5.8，5.3，4.7。在该示例中，序列的各个值的单位是月，然而序列的值的单位不限于此，例如还可以是周、天等。
在k＝2的情况下，针对车辆类型A的k维向量
Figure BDA0002246311840000062
包括如下向量：
(5.6,4.9)，(4.9,5.1)，(5.1,6.2),(6.2,5.8),(5.8,5.3),(5.3,4.7)
针对车辆类型A的k+1维向量
Figure BDA0002246311840000063
包括如下向量：
(5.6,4.9,5.1),(4.9,5.1,6.2),(5.1,6.2,5.8),(6.2,5.8,5.3),(5.8,5.3,4.7)
然后，基于针对车辆类型A的各个车辆所获得的所有k维向量
Figure BDA0002246311840000064
和k+1维向量
Figure BDA0002246311840000065
求解式(1)所示出的高斯混合模型P(x)的参量以得到高斯混合模型Pk(x)和Pk+1(x)。
Figure BDA0002246311840000066
其中，M表示高斯的个数，wi,μi,Σi表示第i个高斯的参量，D表示x的维度，并且M的值可以根据实际需要设定。
具体地，将针对车辆类型A的各个车辆所获得的所有k维向量
Figure BDA0002246311840000067
作为x代入式(1)，可以得到式(1)的一组参量wi,μi,Σi，并且将基于该组参量的高斯混合模型P(x)称为高斯混合模型Pk(x)。求解高斯混合模型P(x)的参量的具体方法可以参见例如《机器学习》(高志华，清华大学出版社，第206-211页)。在高斯混合模型Pk(x)中，x为k维向量，因而Pk(x)可以表示为Pk(x1,...,xk)。
类似地，将针对车辆类型A的各个车辆所获得的所有k+1维向量
Figure BDA0002246311840000068
作为x代入式(1)，可以得到式(1)的另一组参量wi,μi,Σi，并且将基于该组参量的高斯混合模型P(x)称为高斯混合模型Pk+1(x)。在高斯混合模型Pk+1(x)中，x为k+1为向量，因而Pk+1(x)可以表示为Pk+1(x1,...,xk+1)。
模型建立单元104可以建立基于下述式(2)的参数预测模型。
Pk(xk+1|x1,...,xk)＝Pk+1(x1,...,xk+1)/Pk(x1,...,xk) 式(2)
在输入已知变量x1,x2,…,xk(例如，x1,x2,…,xk为某一车辆相邻k+1次使用车辆部件的时间彼此之间的差异)的情况下，可以获得使式(2)所示的概率Pk(xk+1|x1,...,xk)最大的xk+1的值作为基于高斯混合模型的参数预测模型的输出。
作为另外的示例，参数预测模型可以是基于直方图的。例如，在参数是时间的情况下，对于车辆类型A，模型建立单元104可以根据历史数据获得由车辆类型A的各个车辆相邻k+2(其中，k为不等于0的自然数)次使用车辆部件的时间彼此之间的差异组成的k+1维向量
Figure BDA0002246311840000071
Figure BDA0002246311840000072
(其中l＝1,2,3…)。
例如，可以将时间参数量化为长度为0.5(在该示例中，单位是月，然而不限于此)的区间。在假设针对车辆类型A所获得的所有k+1维向量
Figure BDA0002246311840000073
的各个分量的值均在4.0-7.0之间的情况下，例如可以将4.0-4.5、4.5-5.0、5.0-5.5、5.5-6.0、6.0-6.5和6.5-7.0分别作为一个区间，于是可以得到6个区间[4.0,4.5]、[4.5,5.0]、[5.0,5.5]、[5.5,6.0]、[6.0,6.5]和[6.5,7.0]。
模型建立单元104可以针对车辆类型A建立基于直方图Hy1,y2…yk+1的参数预测模型，其中，y1,y2…yk+1的取值可以是区间[4.0,4.5]、[4.5,5.0]、[5.0,5.5]、[5.5,6.0]、[6.0,6.5]和[6.5,7.0]中的任何区间。直方图Hy1,y2,…,yk+1的所有bin处的初始计数数量可以均为0。
例如，假设车辆类型A的某一车辆各次使用车辆部件的时间彼此之间的差异的序列为：5.6，4.9，5.1，6.2，5.8，5.3，4.7。
在k＝2的情况下，直方图Hy1,y2,…,yk+1可以表示为Hy1,y2,y3，并且针对车辆类型A的k+1维向量
Figure BDA0002246311840000074
包括如下向量：
(5.6,4.9,5.1),(4.9,5.1,6.2),(5.1,6.2,5.8),(6.2,5.8,5.3),(5.8,5.3,4.7)
上述5个k+1维向量
Figure BDA0002246311840000075
可以被量化如下：
(5.6,4.9,5.1)被量化为([5.5,6.0],[4.5,5.0],[5.0,5.5])，因此，直方图Hy1,y2,y3中与这三个区间对应的相应的bin(即，H[5.5,6.0],[4.5,5.0],[5.0,5.5])处的计数数量加1；
(4.9,5.1,6.2)被量化为([4.5,5.0],[5.0,5.5],[6.0,6.5])，因此，直方图Hy1,y2,y3中与这三个区间对应的相应的bin(即，H[4.5,5.0],[5.0,5.5],[6.0,6.5])处的计数数量加1；
(5.1,6.2,5.8)被量化为([5.0,5.5],[6.0,6.5],[5.5,6.0])，因此，直方图Hy1,y2,y3中与这三个区间对应的相应的bin(即，H[5.0,5.5],[6.0,6.5],[5.5,6.0])处的计数数量加1；
(6.2,5.8,5.3)被量化为([6.0,6.5],[5.5,6.0],[5.0,5.5])，因此，直方图Hy1,y2,y3中与这三个区间对应的相应的bin(即，H[6.0,6.5],[5.5,6.0],[5.0,5.5])处的计数数量加1；
(5.8,5.3,4.7)被量化为([5.5,6.0],[5.0,5.5],[4.5,5.0])，因此，直方图Hy1,y2,y3中与这三个区间对应的相应的bin(即，H[5.5,6.0],[5.0,5.5],[4.5,5.0])处的计数数量加1。
按这种方式，对针对车辆类型A所获得的所有k+1(在该示例中，k＝2)维向量
Figure BDA0002246311840000081
进行量化，并且得到最终的直方图Hy1,y2,y3。
类似地，在k取除2之外的其它值的情况下，可以按照上述k＝2的示例中的方式类似的方式对针对车辆类型A所获得的所有k+1维向量
Figure BDA0002246311840000082
进行量化，并且得到最终的直方图Hy1,y2,…,yk+1。
在已知y1,y2,…,yk分别为区间z1,z2,…,zk的情况下，获取Hz1,z2,…,zk,yk+1(在该示例中，yk+1的取值可以是区间[4.0,4.5]、[4.5,5.0]、[5.0,5.5]、[5.5,6.0]、[6.0,6.5]和[6.5,7.0]中的任何区间)中计数数量最大的bin所对应的yk+1作为基于直方图Hy1,y2,…,yk+1的参数预测模型的输出。注意，基于直方图Hy1,y2,…,yk+1的参数预测模型的输出yk+1为一个区间，在实际应用中可以根据需要选取该区间中的任何值作为时间参数的预测值。例如，在yk+1为区间[6.0,6.5]的情况下，可以根据需要选取6.0-6.5之间(含6.0和6.5)的任何值作为时间参数的预测值。此外，在基于直方图Hy1,y2,…,yk+1的参数预测模型的输入y1,y2,…,yk(例如，y1,y2,…,yk为某一车辆相邻k+1次使用车辆部件的时间彼此之间的差异)是具体数值而不是区间的情况下，可以首先将具体数值量化为相应的区间z1,z2,…,zk，然后如上所描述的那样，获取Hz1,z2,…,zk,yk+1中计数数量最大的bin所对应的yk+1作为基于直方图Hy1,y2,…,yk+1的参数预测模型的输出。
注意，虽然在本实施例的上述示例中，模型建立单元104使用车辆类型A的各个车辆相邻k+2(和k+1)次使用车辆部件的时间彼此之间的差异(即，该差异构成的k+1维向量
Figure BDA0002246311840000083
(和k维向量
Figure BDA0002246311840000084
))来建立针对该车辆类型的参数预测模型，然而用于建立参数预测模型的对车辆部件的使用的时间不限于此，而是可以根据实际需要选择不相邻的k+2(和/或k+1)次使用车辆部件的时间彼此之间的差异来建立参数预测模型。例如，可以使用车辆类型A的各个车辆奇数次(例如，第1,3，5…次)或偶数次(例如，第2,4，6…次)使用车辆部件的时间彼此之间的差异来构建k+1维向量
Figure BDA0002246311840000085
(和k维向量
Figure BDA0002246311840000086
)，由此建立针对该车辆类型的参数预测模型。
此外，虽然在本实施例的上述示例中，针对车辆类型A，模型建立单元104使用根据历史数据获取的车辆类型A的所有k+1维向量
Figure BDA0002246311840000091
(和k维向量
Figure BDA0002246311840000094
)来建立针对车辆类型A的参数预测模型，然而，可以根据实际需要选择一部分k+1维向量
Figure BDA0002246311840000093
(和k维向量
Figure BDA0002246311840000092
)来建立针对车辆类型A的参数预测模型。
计算单元106可以被配置成针对每个车辆类型，使用历史数据中的、属于该车辆类型的车辆(部分车辆或所有车辆)第M次使用车辆部件时所使用的车辆部件中相应部件的数量，来计算针对属于该车辆类型的已经使用车辆部件的次数少于M次的车辆的、第M次使用车辆部件时要使用的相应部件的估计数量。
例如，对于车辆类型A，计算单元106可以使用历史数据中的、属于车辆类型A的各个车辆第1次使用车辆部件时所使用的车辆部件中相应部件的数量，来计算针对属于车辆类型A的尚未使用车辆部件的车辆、第1次使用车辆部件时要使用的相应部件的估计数量。另外，例如，对于车辆类型A，计算单元106可以使用历史数据中的、属于车辆类型A的各个车辆第2次使用车辆部件时所使用的车辆部件中相应部件的数量，来计算针对属于车辆类型A的已经使用车辆部件的次数少于2次的车辆的、第2次使用车辆部件时要使用的相应部件的估计数量。此外，例如，对于车辆类型A，计算单元106可以使用历史数据中的、属于车辆类型A的各个车辆第3次使用车辆部件时所使用的车辆部件中相应部件的数量，来计算针对属于车辆类型A的已经使用车辆部件的次数少于3次的车辆的、第3次使用车辆部件时要使用的相应部件的估计数量。
图3是示出根据本公开的实施例的各个车辆类型的车辆第M次使用车辆部件时要使用的相应部件的估计数量的示例的图。例如，如图3所示，对于车辆类型A，相应的车辆第一次使用车辆部件时要使用的部件包括部件P1、部件P2和部件P4等，其中，要使用的部件P1、部件P2和部件P4的数量分别为3.2件、2.1件和5件。注意，虽然在图3所示的示例中，部分部件的数量被示出为包含小数，然而在实际应用过程中，可以根据实际需要对包含小数的数量进行向上取整、向下取整或四舍五入。
作为示例，计算单元106可以进一步被配置成针对每个车辆类型，对历史数据中的、属于该车辆类型的车辆(部分车辆或所有车辆)第M次使用车辆部件所使用的相应部件的数量求平均，并且将所得到的结果作为针对属于该车辆类型的车辆中的已经使用车辆部件的次数少于M次的车辆的、第M次使用车辆部件时要使用的相应部件的估计数量。此外，本领域技术人员可以使用历史数据通过其他方法计算各个车辆类型的车辆中的已经使用车辆部件的次数少于M次的车辆的、第M次使用车辆部件时要使用的相应部件的估计数量，这里将不再赘述。
参数预测单元108可以被配置成针对每个车辆，使用该车辆过去两次或更多次使用车辆部件时参数的值彼此之间的差异、作为针对该车辆所属的车辆类型的相应的参数预测模型的输入，来预测该车辆随后一次或更多次使用车辆部件时参数的值。
作为示例，例如，参数预测单元108可以针对属于车辆类型A的车辆S_1，使用车辆“S_1”过去k+1次(例如，第n-1，n-2，…，n-k-1次)使用车辆部件的时间彼此之间的差异dtn-1,dtn-2,…,dtn-k(其中，dtn-1表示车辆S_1第n-1次和第n-2次使用车辆部件的时间之间的差异，dtn-2表示车辆“S_1”第n-2次和第n-3次使用车辆部件的时间之间的差异，…，dtn-k表示车辆“S_1”第n-k次和第n-k-1次使用车辆部件的时间之间的差异)作为上述基于高斯混合模型的参数预测模型的输入(例如，作为上述x1,x2,…,xk)，并且使用该参数预测模型的输出作为第n次和第n-1次使用车辆部件的时间之间的差异，由此得到车辆S_1第n次使用车辆部件的时间。
图4是示出根据本公开的实施例的参数预测结果的示例的图。
如图4所示，根据车辆S_1前3次使用车辆部件的时间分别为2018.7.3、2019.2.5和2019.8.10，由此可以得到车辆S_1前3次使用车辆部件的时间彼此之间的差异为7.06月和6.16月。将所得到的差异作为针对车辆S_1所属于的车辆类型A的相应的基于高斯混合模型的参数预测模型，可以预测出第四次使用车辆部件的时间与第3次使用车辆部件的时间之间的间隔为6.43月，由此可以得到第四次使用车辆部件的时间为2020.2.23。
作为另外的示例，例如，参数预测单元108可以针对属于车辆类型A的车辆S_1，使用车辆S_1过去k+1次(例如，第n-1，n-2，…，n-k-1次)使用车辆部件的时间彼此之间的差异dtn-1,dtn-2,…,dtn-k作为上述基于直方图的参数预测模型的输入(例如，作为上述y1,y2,…,yk)，并且从作为该参数预测模型的输出的区间选择适当的值作为第n次和第n-1次使用车辆部件的时间之间的差异，由此得到车辆S_1第n次使用车辆部件的时间。
注意，虽然在本实施例的上述示例中，使用紧接对车辆部件的第n次使用的、过去k次对车辆部件的使用的时间来预测对车辆部件的第n次使用的时间，但是用于预测对车辆部件的第n次使用的过去k次对车辆部件的使用的时间不限于此，而是可以根据实际需要选择不紧接对车辆部件的第n次使用的、过去k次对车辆部件的使用的时间，例如，第n-2，n-4，…，n-2k次使用车辆部件的时间，等等。
此外，例如，对于已经使用车辆部件的次数少于预定次数Z或者尚未使用车辆部件的车辆，可以预先设置该车辆第1次至第Z次要使用车辆部件的时间。例如，可以根据属于同一车辆类型的已经使用车辆部件预定次数Z以上的其他车辆各次使用车辆部件的时间，预先设置已经使用车辆部件的次数少于预定次数Z或者尚未使用车辆部件的车辆、第1次至第Z次要使用车辆部件的时间。
预测单元110可以被配置成使用通过参数预测单元108所预测的随后一次或更多次使用车辆部件时参数的值在预定参数范围内的各个车辆的、通过计算单元106所计算出的随后一次或更多次使用车辆部件时要使用的相应部件的估计数量，来预测针对预定参数范围，车辆部件的要被使用的相应部件的数量。作为示例，预测单元110可以进一步被配置成对通过参数预测单元108所预测的随后一次或更多次使用车辆部件时参数的值在预定参数范围内的各个车辆的、通过计算单元106所计算出的随后一次或更多次使用车辆部件时要使用的相应部件的估计数量进行求和，并且将所得到的结果作为针对预定参数范围，车辆部件的要被使用的相应部件的数量。例如，假设存在3个车辆类型A、B和C(附图中未示出)，每个车辆类型所包括的车辆的数量为100辆，通过参数预测单元108的参数预测得到车辆类型A的车辆S_52(附图中未示出)第10次使用车辆部件的参数落在预定参数范围内、车辆类型A的车辆S_80(附图中未示出)第14次和第15次使用车辆部件的参数落在该预定参数范围内、车辆类型B的车辆S_109(附图中未示出)第15次和第16次使用车辆部件的参数落在该预定参数范围内并且车辆类型C的车辆S_252(附图中未示出)第8次使用车辆部件的参数落在该预定参数范围内，则预测单元110可以将通过计算单元106所计算出的车辆S_52(附图中未示出)第10次使用车辆部件时要使用的相应部件的数量、车辆类型A的车辆S_80(附图中未示出)第14次和第15次使用车辆部件时要使用的相应部件的数量、车辆类型B的车辆S_109(附图中未示出)第15次和第16次使用车辆部件时要使用的相应部件的数量以及车辆类型C的车辆S_252(附图中未示出)第8次使用车辆部件时要使用的相应部件的数量进行求和，并且将得到的结果作为在该预定参数范围内车辆部件的要被使用的相应部件的数量。
此外，本领域技术人员可以使用参数预测单元108的预测结果和计算单元106的计算结果，通过其他方法预测针对预定参数范围(例如，预定时间范围)，车辆部件的要被使用的相应部件的数量，这里将不再赘述。
虽然在上述示例中，模型建立单元104被描述为利用相应的车辆类型的历史数据针对每个车辆类型建立参数预测模型，然而，在不存在预定车辆类型的历史数据或者预定车辆类型的历史数据不足以建立所需精度的参数预测模型的情况下，模型建立单元104可以被配置成基于与预定车辆类型类似的车辆类型的历史数据来建立该预定车辆类型的参数预测模型。类似地，在不存在预定车辆类型的历史数据或者预定车辆类型的历史数据不足以得到所需精度的属于该车辆类型的车辆第M次使用车辆部件时要使用的相应部件的估计数量的情况下，计算单元106可以被配置成基于与预定车辆类型类似的车辆类型的历史数据来计算相应的估计数量。
传统的预测方法通常利用过去使用的资源的平均值来预测将来要使用的资源包括的部分中相应部分的数量。然而，这种传统的预测方法准确性较差，容易导致资源预备过量或不充分。如上所述，根据本公开的该实施例的信息处理装置通过使用关于资源的历史数据来对各个用户将来使用资源时的相应参数和要使用的资源包括的部分中相应部分的数量进行预测，由此预测在预定参数范围内资源的要被使用的部分中的相应部分的数量，这使得能够更准确地对在预定参数范围内、资源的要被使用的部分中的相应部分的数量进行预测，从而能够例如避免资源预备不足或过量。
要注意的是，尽管上文中以资源是车辆部件的情况为示例对本公开的信息处理装置进行了详细描述，然而本公开的资源不限于车辆部件，本领域技术人员可以根据实际需要将本公开的信息处理装置应用于其他资源，包括但不限于各种服务和物品。
与上述信息处理装置实施例相对应的，本公开还提供了以下信息处理方法的实施例。
图5是示出根据本公开的实施例的信息处理方法500的流程实例的流程图。如图5所示，根据本公开的实施例的信息处理方法500可以包括历史数据获取步骤S502、模型建立步骤S504、计算步骤S506、参数预测步骤S508以及预测步骤S510。
在历史数据获取步骤S502中，可以获取关于资源的历史数据，其中，资源包括至少一个部分，并且历史数据包括针对每个用户的与对资源的使用有关的参数以及针对每个用户的每次所使用的资源包括的部分中相应部分的数量。
在模型建立步骤S504中，可以针对每个用户类型，利用根据历史数据所获得的、属于该用户类型的用户过去两次或更多次使用资源时参数的值彼此之间的差异，建立至少一个参数预测模型。
在计算步骤S506中，可以针对每个用户类型，使用历史数据中的、属于该用户类型的用户(部分用户或所有用户)第M次使用资源时所使用的资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用资源的次数少于M次的用户的、第M次使用资源时要使用的资源包括的部分中相应部分的估计数量，其中M为正整数。
在参数预测步骤S508中，可以针对每个用户，使用该用户过去两次或更多次使用资源时参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用资源时参数的值。
在预测步骤S510中，可以使用通过参数预测步骤S508所预测的随后一次或更多次使用资源时参数的值在预定参数范围内的各个用户的、通过计算步骤S506所计算出的随后一次或更多次使用资源时要使用的资源包括的部分中相应部分的估计数量，来预测针对预定参数范围，资源的要被使用的部分中的相应部分的数量。
作为示例，参数可以是与对资源的使用时间范围有关的参数，但不限于此。
例示而非限定，资源可以包括但不限于各种服务和物品，例如，诸如车辆、船舶、飞机等交通工具所包括的部件；诸如智能电话、便携式计算机、台式计算机、空调等电子设备所包括的部件等等。此外，例如，用户可以是使用资源的个人、企业、动物或者诸如交通工具或电子设备等的物品，但不限于此。
为了方便描述，在下文中将以资源是车辆部件并且用户是车辆的情况为示例进行描述。
在资源是车辆部件并且用户是车辆的示例性情况下，在历史数据获取步骤S502中，可以获取关于车辆部件的历史数据，并且历史数据可以包括针对每个车辆的与对车辆部件的使用有关的参数以及针对每个车辆的每次所使用的车辆部件中相应部件的数量。
作为示例，与对车辆部件的使用有关的参数可以是与对车辆部件的使用时间范围有关的参数。例如，参数可以是使用车辆部件时的时间。此外，本领域技术人员可以采用与对车辆部件的使用有关的其他参数，这里将不再赘述。
在模型建立步骤S504中，可以针对每个车辆类型，利用根据历史数据所获得的、属于该车辆类型的各个车辆过去两次或更多次使用车辆部件时参数的值彼此之间的差异，建立参数预测模型。
作为示例，参数预测模型可以是基于高斯混合模型的。例如，在模型建立步骤S504中，如上面针对模型建立单元104所描述的那样，可以根据历史数据，获得由车辆类型A的各个车辆k+1次使用车辆部件的时间彼此之间的差异组成的k维向量
Figure BDA0002246311840000141
(其中j＝1,2,3...)，以及由各个车辆k+2次使用车辆部件的时间彼此之间的差异组成的k+1维向量
Figure BDA0002246311840000142
(其中l＝1,2,3…)，并且基于所获取的k维向量
Figure BDA0002246311840000143
和k+1维向量
Figure BDA0002246311840000144
建立基于高斯混合模型的参数预测模型。
作为另外的示例，参数预测模型可以是基于直方图的。例如，在模型建立步骤S504中，如上面针对模型建立单元104所描述的那样，可以根据历史数据，获取由车辆类型A的各个车辆k+2次使用车辆部件的时间彼此之间的差异组成的k+1维向量
Figure BDA0002246311840000145
(其中l＝1,2,3…)，并且基于所获取的k+1维向量
Figure BDA0002246311840000146
建立基于直方图的参数预测模型。
在计算步骤S506中，可以针对每个车辆类型，使用历史数据中的、属于该车辆类型的各个车辆第M次使用车辆部件时所使用的车辆部件中相应部件的数量，来计算针对属于该车辆类型的已经使用车辆部件的次数少于M次的车辆的、第M次使用车辆部件时要使用的相应部件的估计数量。
例如，对于车辆类型A，在计算步骤S506中，可以使用历史数据中的、属于车辆类型A的各个车辆第1次使用车辆部件时所使用的车辆部件中相应部件的数量，来计算针对属于车辆类型A的尚未使用车辆部件的车辆、第1次使用车辆部件时要使用的相应部件的估计数量。此外，例如，对于车辆类型A，在计算步骤S506中，可以使用历史数据中的、属于车辆类型A的各个车辆第3次使用车辆部件时所使用的车辆部件中相应部件的数量，来计算针对属于车辆类型A的已经使用车辆部件的次数少于3次的车辆的、第3次使用车辆部件时要使用的相应部件的估计数量。
作为示例，在计算步骤S506中，可以针对每个车辆类型，对历史数据中的、属于该车辆类型的车辆(部分车辆或所有车辆)第M次使用车辆部件所使用的相应部件的数量求平均，并且将所得到的结果作为针对属于该车辆类型的车辆中的已经使用车辆部件的次数少于M次的车辆的、第M次使用车辆部件时要使用的相应部件的估计数量。此外，本领域技术人员可以使用历史数据通过其他方法计算各个车辆类型的车辆中的已经使用车辆部件的次数少于M次的车辆的、第M次使用车辆部件时要使用的相应部件的估计数量，这里将不再赘述。
在参数预测步骤S508中，可以针对每个车辆，使用该车辆过去两次或更多次使用车辆部件时参数的值彼此之间的差异、作为针对该车辆所属的车辆类型的相应的参数预测模型的输入，来预测该车辆随后一次或更多次使用车辆部件时参数的值。
作为示例，例如，在参数预测步骤S508中，可以针对属于车辆类型A的车辆S_1，如上面针对图1所示的参数预测单元108所描述的那样，使用车辆S_1过去k次使用车辆部件的时间彼此之间的差异作为上述基于高斯混合的参数预测模型的输入，并且使用该参数预测模型的输出作为第n次和第n-1次使用车辆部件的时间之间的差异，由此得到车辆S_1第n次使用车辆部件的时间。
作为另外的示例，例如，在参数预测步骤S508中，可以针对属于车辆类型A的车辆S_1，如上面针对图1所示的参数预测单元108所描述的那样，使用车辆S_1过去k次使用车辆部件的时间彼此之间的差异作为上述基于直方图的参数预测模型的输入，并且从作为该参数预测模型的输出的区间选择适当的值作为第n次和第n-1次使用车辆部件的时间之间的差异，由此得到车辆S_1第n次使用车辆部件的时间。
此外，例如，对于已经使用车辆部件的次数少于预定次数Z或者尚未使用车辆部件的车辆，可以预先设置该车辆第1次至第Z次要使用车辆部件的时间。例如，可以根据属于同一车辆类型的已经使用车辆部件预定次数Z以上的其他车辆各次使用车辆部件的时间，预先设置已经使用车辆部件的次数少于预定次数Z或者尚未使用车辆部件的车辆、第1次至第Z次要使用车辆部件的时间。
在预测步骤S510中，可以使用通过参数预测步骤S508所预测的随后一次或更多次使用车辆部件时参数的值在预定参数范围内的各个车辆的、通过计算步骤S506所计算出的随后一次或更多次使用车辆部件时要使用的相应部件的估计数量，来预测针对预定参数范围，车辆部件的要被使用的相应部件的数量。
作为示例，在预测步骤S510中，可以对通过参数预测步骤S508所预测的随后一次或更多次使用车辆部件时参数的值在预定参数范围内的各个车辆的、通过计算步骤S506所计算出的随后一次或更多次使用车辆部件时要使用的相应部件的估计数量进行求和，并且将所得到的结果作为针对预定参数范围，车辆部件的要被使用的相应部件的数量。
此外，本领域技术人员可以使用参数预测步骤S508的预测结果和计算步骤S506的计算结果，通过其他方法预测针对预定参数范围，车辆部件的要被使用的相应部件的数量，这里将不再赘述。
虽然在上述示例中，在模型建立步骤S504中，利用相应的车辆类型的历史数据针对每个车辆类型建立参数预测模型，然而，在不存在预定车辆类型的历史数据或者预定车辆类型的历史数据不足以建立所需精度的参数预测模型的情况下，在模型建立步骤S504中，可以基于与预定车辆类型类似的车辆类型的历史数据来建立该预定车辆类型的参数预测模型。类似地，在不存在预定车辆类型的历史数据或者预定车辆类型的历史数据不足以得到所需精度的属于该车辆类型的车辆第M次使用车辆部件时要使用的相应部件的估计数量的情况下，在计算步骤S506中，可以基于与预定车辆类型类似的车辆类型的历史数据来计算相应的估计数量。
注意，图5所描绘的信息处理方法的步骤的顺序是便于描述的顺序，该顺序并不是限制性的，并且适当地并行或按需要的顺序执行实际的步骤。
传统的预测方法通常利用过去使用的资源的平均值来预测将来要使用的资源包括的部分中相应部分的数量。然而，这种传统的预测方法准确性较差，容易导致资源预备过量或不充分。如上所述，根据本公开的该实施例的信息处理方法通过使用关于资源的历史数据来对各个用户将来使用资源时的相应参数和要使用的资源包括的部分中相应部分的数量进行预测，由此预测在预定参数范围内资源的要被使用的部分中的相应部分的数量，这使得能够更准确地对在预定参数范围内、资源的要被使用的部分中的相应部分的数量进行预测，从而能够例如避免资源预备不足或过量。
要注意的是，尽管上文中以资源是车辆部件的情况为示例对本公开的信息处理方法进行了详细描述，然而本公开的资源不限于车辆部件，本领域技术人员可以根据实际需要将本公开的信息处理方法应用于其他资源，包括但不限于各种服务和物品。
应指出，尽管以上描述了根据本公开的实施例的信息处理装置和信息处理方法的功能配置和操作，但是这仅是示例而非限制，并且本领域技术人员可根据本公开的原理对以上实施例进行修改，例如可对各个实施例中的功能模块和操作进行添加、删除或者组合等，并且这样的修改均落入本公开的范围内。
此外，还应指出，这里的方法实施例是与上述装置实施例相对应的，因此在方法实施例中未详细描述的内容可参见装置实施例中相应部分的描述，在此不再重复描述。
此外，本公开还提供了存储介质和程序产品。应理解，根据本公开的实施例的存储介质和程序产品中的机器可执行的指令还可以被配置成执行上述信息处理方法，因此在此未详细描述的内容可参考先前相应部分的描述，在此不再重复进行描述。
相应地，用于承载上述包括机器可执行的指令的程序产品的存储介质也包括在本发明的公开中。该存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
另外，还应该指出的是，上述系列处理和装置也可以通过软件和/或固件实现。在通过软件和/或固件实现的情况下，从存储介质或网络向具有专用硬件结构的计算机，例如图6所示的通用个人计算机600安装构成该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等等。
在图6中，中央处理单元(CPU)601根据只读存储器(ROM)602中存储的程序或从存储部分608加载到随机存取存储器(RAM)603的程序执行各种处理。在RAM 603中，也根据需要存储当CPU 601执行各种处理等时所需的数据。
CPU 601、ROM 602和RAM 603经由总线604彼此连接。输入/输出接口605也连接到总线604。
下述部件连接到输入/输出接口605：输入部分606，包括键盘、鼠标等；输出部分607，包括显示器，比如阴极射线管(CRT)、液晶显示器(LCD)等，和扬声器等；存储部分608，包括硬盘等；和通信部分609，包括网络接口卡比如LAN卡、调制解调器等。通信部分609经由网络比如因特网执行通信处理。
根据需要，驱动器610也连接到输入/输出接口605。可拆卸介质611比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器610上，使得从中读出的计算机程序根据需要被安装到存储部分608中。
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介质比如可拆卸介质611安装构成软件的程序。
本领域的技术人员应当理解，这种存储介质不局限于图6所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质611。可拆卸介质611的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者，存储介质可以是ROM 602、存储部分608中包含的硬盘等等，其中存有程序，并且与包含它们的设备一起被分发给用户。
以上参照附图描述了本公开的优选实施例，但是本公开当然不限于以上示例。本领域技术人员可在所附权利要求的范围内得到各种变更和修改，并且应理解这些变更和修改自然将落入本公开的技术范围内。
例如，在以上实施例中包括在一个单元中的多个功能可以由分开的装置来实现。替选地，在以上实施例中由多个单元实现的多个功能可分别由分开的装置来实现。另外，以上功能之一可由多个单元来实现。无需说，这样的配置包括在本公开的技术范围内。
在该说明书中，流程图中所描述的步骤不仅包括以所述顺序按时间序列执行的处理，而且包括并行地或单独地而不是必须按时间序列执行的处理。此外，甚至在按时间序列处理的步骤中，无需说，也可以适当地改变该顺序。
另外，根据本公开的技术还可以如下进行配置。
方案1.一种信息处理装置，包括：
历史数据获取单元，被配置成获取关于资源的历史数据，其中，所述资源包括至少一个部分，并且所述历史数据包括针对每个用户的与对所述资源的使用有关的参数以及针对每个用户的每次所使用的所述资源包括的部分中相应部分的数量；
模型建立单元，被配置成针对每个用户类型，利用根据所述历史数据所获得的、属于该用户类型的用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异，建立至少一个参数预测模型；
计算单元，被配置成针对每个用户类型，使用所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，其中M为正整数；
参数预测单元，被配置成针对每个用户，使用该用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用所述资源时所述参数的值；以及
预测单元，被配置成使用通过所述参数预测单元所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、通过所述计算单元所计算出的随后一次或更多次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，来预测针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
方案2.根据方案1所述的信息处理装置，其中，所述参数预测模型是基于高斯混合模型或多维直方图的。
方案3.根据方案1或2所述的信息处理装置，其中，所述计算单元进一步被配置成针对每个用户类型，对所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量求平均，并且将所得到的结果作为针对该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量。
方案4.根据方案1或2所述的信息处理装置，其中，所述预测单元进一步被配置成对通过所述参数预测单元所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、随后一次或更多次使用所述资源时要使用的所述资源的部分中的相应部分的估计数量进行求和，并且将所得到的结果作为针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
方案5.根据方案1或2所述的信息处理装置，其中，所述参数是与对所述资源的使用时间范围有关的参数。
方案6.根据方案3所述的信息处理装置，其中，预测单元进一步被配置成对通过所述参数预测单元所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、随后一次或更多次使用所述资源时要使用的所述资源的部分中的相应部分的估计数量进行求和，并且将所得到的结果作为针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
方案7.根据方案3所述的信息处理装置，其中，所述参数是与对所述资源的使用时间范围有关的参数。
方案8.根据方案4所述的信息处理装置，其中，所述参数是与对所述资源的使用时间范围有关的参数。
方案9.一种信息处理方法，包括：
历史数据获取步骤，用于获取关于资源的历史数据，其中，所述资源包括至少一个部分，并且所述历史数据包括针对每个用户的与对所述资源的使用有关的参数以及针对每个用户的每次所使用的所述资源包括的部分中相应部分的数量；
模型建立步骤，用于针对每个用户类型，利用根据所述历史数据所获得的、属于该用户类型的用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异，建立至少一个参数预测模型；
计算步骤，用于针对每个用户类型，使用所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，其中M为正整数；
参数预测步骤，用于针对每个用户，使用该用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用所述资源时所述参数的值；以及
预测步骤，用于使用通过所述参数预测步骤所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、通过所述计算步骤所计算出的随后一次或更多次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，来预测针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
方案10.根据方案9所述的信息处理方法，其中，所述参数预测模型是基于高斯混合模型或多维直方图的。
方案11.根据方案9或10所述的信息处理方法，其中，在所述计算步骤中，针对每个用户类型，对所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量求平均，并且将所得到的结果作为针对该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量。
方案12.根据方案9或10所述的信息处理方法，其中，在所述预测步骤中，对通过所述参数预测步骤所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、随后一次或更多次使用所述资源时要使用的所述资源的部分中的相应部分的估计数量进行求和，并且将所得到的结果作为针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
方案13.根据方案9或10所述的信息处理方法，其中，所述参数是与对所述资源的使用时间范围有关的参数。
方案14.根据方案11所述的信息处理方法，其中，在所述预测步骤中，对通过所述参数预测步骤所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、随后一次或更多次使用所述资源时要使用的所述资源的部分中的相应部分的估计数量进行求和，并且将所得到的结果作为针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
方案15.根据方案11所述的信息处理方法，其中，所述参数是与对所述资源的使用时间范围有关的参数。
方案16.根据方案12所述的信息处理方法，其中，所述参数是与对所述资源的使用时间范围有关的参数。
方案17.一种存储有程序指令的计算机可读存储介质，当所述程序指令被计算机执行时用于执行方案9至16中任一项所述的方法。

Claims (10)

1.一种信息处理装置，包括：
历史数据获取单元，被配置成获取关于资源的历史数据，其中，所述资源包括至少一个部分，并且所述历史数据包括针对每个用户的与对所述资源的使用有关的参数以及针对每个用户的每次所使用的所述资源包括的部分中相应部分的数量；
模型建立单元，被配置成针对每个用户类型，利用根据所述历史数据所获得的、属于该用户类型的用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异，建立至少一个参数预测模型；
计算单元，被配置成针对每个用户类型，使用所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，其中M为正整数；
参数预测单元，被配置成针对每个用户，使用该用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用所述资源时所述参数的值；以及
预测单元，被配置成使用通过所述参数预测单元所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、通过所述计算单元所计算出的随后一次或更多次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，来预测针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
2.根据权利要求1或2所述的信息处理装置，其中，所述参数预测模型是基于高斯混合模型或多维直方图的。
3.根据权利要求1或2所述的信息处理装置，其中，所述计算单元进一步被配置成针对每个用户类型，对所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量求平均，并且将所得到的结果作为针对该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量。
4.根据权利要求1或2所述的信息处理装置，其中，所述预测单元进一步被配置成对通过所述参数预测单元所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、随后一次或更多次使用所述资源时要使用的所述资源的部分中的相应部分的估计数量进行求和，并且将所得到的结果作为针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
5.根据权利要求1或2所述的信息处理装置，其中，所述参数是与对所述资源的使用时间范围有关的参数。
6.一种信息处理方法，包括：
历史数据获取步骤，用于获取关于资源的历史数据，其中，所述资源包括至少一个部分，并且所述历史数据包括针对每个用户的与对所述资源的使用有关的参数以及针对每个用户的每次所使用的所述资源包括的部分中相应部分的数量；
模型建立步骤，用于针对每个用户类型，利用根据所述历史数据所获得的、属于该用户类型的用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异，建立至少一个参数预测模型；
计算步骤，用于针对每个用户类型，使用所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量，来计算针对属于该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，其中M为正整数；
参数预测步骤，用于针对每个用户，使用该用户过去两次或更多次使用所述资源时所述参数的值彼此之间的差异、作为针对该用户所属的用户类型的相应的参数预测模型的输入，来预测该用户随后一次或更多次使用所述资源时所述参数的值；以及
预测步骤，用于使用通过所述参数预测步骤所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、通过所述计算步骤所计算出的随后一次或更多次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量，来预测针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
7.根据权利要求6所述的信息处理方法，其中，所述参数预测模型是基于高斯混合模型或多维直方图的。
8.根据权利要求6或7所述的信息处理方法，其中，在所述计算步骤中，针对每个用户类型，对所述历史数据中的、属于该用户类型的用户第M次使用所述资源时所使用的所述资源包括的部分中相应部分的数量求平均，并且将所得到的结果作为针对该用户类型的已经使用所述资源的次数少于M次的用户的、第M次使用所述资源时要使用的所述资源包括的部分中相应部分的估计数量。
9.根据权利要求6或7所述的信息处理方法，其中，在所述预测步骤中，对通过所述参数预测步骤所预测的随后一次或更多次使用所述资源时所述参数的值在预定参数范围内的各个用户的、随后一次或更多次使用所述资源时要使用的所述资源的部分中的相应部分的估计数量进行求和，并且将所得到的结果作为针对所述预定参数范围，所述资源的要被使用的部分中的相应部分的数量。
10.一种存储有程序指令的计算机可读存储介质，当所述程序指令被计算机执行时用于执行权利要求6至9中任一项所述的方法。
CN201911018004.1A 2019-10-24 2019-10-24 信息处理装置、信息处理方法和计算机可读存储介质 Pending CN112711615A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911018004.1A CN112711615A (zh) 2019-10-24 2019-10-24 信息处理装置、信息处理方法和计算机可读存储介质
JP2020158414A JP2021068431A (ja) 2019-10-24 2020-09-23 情報処理装置、情報処理方法及びコンピュータ読み取り可能な記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911018004.1A CN112711615A (zh) 2019-10-24 2019-10-24 信息处理装置、信息处理方法和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112711615A true CN112711615A (zh) 2021-04-27

Family

ID=75540191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911018004.1A Pending CN112711615A (zh) 2019-10-24 2019-10-24 信息处理装置、信息处理方法和计算机可读存储介质

Country Status (2)

Country Link
JP (1) JP2021068431A (zh)
CN (1) CN112711615A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360388A (zh) * 2011-10-20 2012-02-22 苏州大学 基于支持向量回归的时间序列预测方法及系统
CN104268572A (zh) * 2014-09-23 2015-01-07 南京大学 面向后台多源数据的特征提取和特征选择方法
CN104516784A (zh) * 2014-07-11 2015-04-15 中国科学院计算技术研究所 一种预测任务资源等待时间的方法及系统
CN104573876A (zh) * 2015-01-28 2015-04-29 华北电力大学（保定） 基于时序长记忆模型的风电场短期风速预测方法
CN106557552A (zh) * 2016-10-27 2017-04-05 国家计算机网络与信息安全管理中心 一种网络话题热度预测方法
CN108241533A (zh) * 2016-12-26 2018-07-03 摩根士丹利服务集团有限公司 一种基于预测和分层抽样的资源池未来负载生成方法
CN108427698A (zh) * 2017-08-29 2018-08-21 平安科技（深圳）有限公司 预测模型的更新装置、方法及计算机可读存储介质
CN109815980A (zh) * 2018-12-18 2019-05-28 北京三快在线科技有限公司 用户类型的预测方法、装置、电子设备及可读存储介质
CN110070371A (zh) * 2017-11-20 2019-07-30 腾讯科技（深圳）有限公司 一种数据预测模型建立方法及其设备、存储介质、服务器

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360388A (zh) * 2011-10-20 2012-02-22 苏州大学 基于支持向量回归的时间序列预测方法及系统
CN104516784A (zh) * 2014-07-11 2015-04-15 中国科学院计算技术研究所 一种预测任务资源等待时间的方法及系统
CN104268572A (zh) * 2014-09-23 2015-01-07 南京大学 面向后台多源数据的特征提取和特征选择方法
CN104573876A (zh) * 2015-01-28 2015-04-29 华北电力大学（保定） 基于时序长记忆模型的风电场短期风速预测方法
CN106557552A (zh) * 2016-10-27 2017-04-05 国家计算机网络与信息安全管理中心 一种网络话题热度预测方法
CN108241533A (zh) * 2016-12-26 2018-07-03 摩根士丹利服务集团有限公司 一种基于预测和分层抽样的资源池未来负载生成方法
CN108427698A (zh) * 2017-08-29 2018-08-21 平安科技（深圳）有限公司 预测模型的更新装置、方法及计算机可读存储介质
CN110070371A (zh) * 2017-11-20 2019-07-30 腾讯科技（深圳）有限公司 一种数据预测模型建立方法及其设备、存储介质、服务器
CN109815980A (zh) * 2018-12-18 2019-05-28 北京三快在线科技有限公司 用户类型的预测方法、装置、电子设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁宏飞;刘博;罗霞;李演洪;: "基于粒计算的交通流参数预测", 交通运输系统工程与信息, no. 06 *

Also Published As

Publication number Publication date
JP2021068431A (ja) 2021-04-30

Similar Documents

Publication Publication Date Title
US11379901B2 (en) Methods and apparatuses for deep learning-based recommendation, electronic devices, and media
CN111008858B (zh) 一种商品销量预测方法及系统
EP3416105A1 (en) Information processing method and information processing device
CN108090800B (zh) 一种基于玩家消费潜力的游戏道具推送方法和装置
Baek et al. Mixtures of common t-factor analyzers for clustering high-dimensional microarray data
Rong et al. Dynamic programming based algorithms for the discounted {0–1} knapsack problem
CN108280451B (zh) 语义分割及网络训练方法和装置、设备、介质
US11030246B2 (en) Fast and accurate graphlet estimation
CN108304354B (zh) 一种预测模型训练方法及装置、存储介质、电子设备
US20180157991A1 (en) Apparatus and method for evaluating complexity of classification task
CN110059288B (zh) 用于获得促进机器学习任务用的最佳母小波的系统和方法
CN114359563B (zh) 模型训练方法、装置、计算机设备和存储介质
JP2013003892A (ja) 画像処理装置および方法、プログラム、並びに記録媒体
CN111783873A (zh) 基于增量朴素贝叶斯模型的用户画像方法及装置
CN107220303A (zh) 一种应用的推荐方法、装置及计算机可读介质
CN112541635A (zh) 业务数据统计预测方法、装置、计算机设备及存储介质
CN110555749B (zh) 基于神经网络的信用行为预测方法以及装置
WO2022157973A1 (ja) 情報処理システム、情報処理方法、及びコンピュータプログラム
CN105808744A (zh) 信息预测的方法和装置
CN112711615A (zh) 信息处理装置、信息处理方法和计算机可读存储介质
CN110191363B (zh) 一种面向家庭组用户的推荐方法
CN110795638A (zh) 用于输出信息的方法和装置
CN111325614B (zh) 电子对象的推荐方法、装置和电子设备
CN113792952A (zh) 用于生成模型的方法和装置
CN112784635A (zh) 信息处理装置和方法以及利用模型分类的装置

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