CN112801465B - 一种交互式建模预测产品指标的方法、装置和电子设备 - Google Patents
一种交互式建模预测产品指标的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112801465B CN112801465B CN202110022827.2A CN202110022827A CN112801465B CN 112801465 B CN112801465 B CN 112801465B CN 202110022827 A CN202110022827 A CN 202110022827A CN 112801465 B CN112801465 B CN 112801465B
- Authority
- CN
- China
- Prior art keywords
- product
- features
- characteristic
- dimension
- prediction model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 238000009430 construction management Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008676 import Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种交互式建模预测产品指标的方法，提供交互式模型构建管理系统，读取样本数据进行结构转换成预设同一数据结构存储，提高了数据兼容性，提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，减少了不相关特征的干涉提高了准确率，得到过滤后的输入特征属性，提供输出特征处理组件，对待构建模型的输出特征进行降维，手动降维灵活通过页面操作即可建模提升了便利性，得到降维后输出特征属性，按照过滤后的输入特征属性、降维后输出特征属性分别读取样本数据，构建产品预测模型并利用过滤后的输入特征、降维后输出特征训练产品预测模型，获取当前产品数据，利用模型按照降维后的特征属性预测产品的指标。
Description
技术领域
本申请涉及计算机领域，尤其涉及一种交互式建模预测产品指标的方法、装置和电子设备。
背景技术
目前，传统行业逐渐引入智能化的管理系统来辅助管理供应链，，它具有直观的用户界面，可以导入销售系统中的数据，也可以将订单信息导回ERP系统。还有些系统，借助机器学习技术实现从端到端的供应链管理，对产品的指标进行预测。
然而，目前的系统使用时较为复杂，需要了解建模算法，预测准确率也有待提高。
发明内容
本说明书实施例提供一种交互式建模预测产品指标的方法、装置和电子设备，用以简化建模过程，提高预测准确率。
本说明书实施例提供一种交互式建模预测产品指标的方法，包括：
提供交互式模型构建管理系统，利用嵌入于系统中的数据结构转换器读取样本数据并将所述样本数据进行结构转换成预设同一数据结构，并存储于的数据模板中；
在模型构建管理系统中提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，得到过滤后的输入特征属性；
在模型构建管理系统中提供输出特征处理组件，对待构建模型的输出特征进行降维，得到降维后输出特征属性；
按照所述过滤后的输入特征属性、降维后输出特征属性分别读取数据模板中的样本数据，转换得到过滤后的输入特征、降维后输出特征；
构建产品预测模型并利用所述过滤后的输入特征、降维后输出特征训练所述产品预测模型；
获取当前产品数据，利用所述产品预测模型按照降维后的特征属性预测所述产品的指标。
可选地，还包括：
利用基于时间的外样本跟步验证产品预测模型的有效性并进行修正。
可选地，所述产品预测模型包括基于全量产品的产品预测模型和基于定制产品的产品预测模型。
可选地，所述输入特征处理组件还用于对数据模板中的样本数据进行特征分群，计算群的中心参数，计算各特征到群中心的距离，并排序供用户进行选择。
可选地，所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
选取多个降维后输出特征作为预测目标，构建多目标的产品预测模型。
可选地，还包括：对样本数据进行分分类；
所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
基于各类样本数据分别单独构建产品预测模型。
可选地，所述输入特征处理组件还用于计算并显示特征的自相关系数、偏相关系数，供用户对输入特征进行选择。
可选地，所述过滤条件为多重过滤条件。
本说明书实施例还提供一种交互式建模预测产品指标的装置，包括：
系统搭建模块，提供交互式模型构建管理系统；
转换模块，利用嵌入于系统中的数据结构转换器读取样本数据并将所述样本数据进行结构转换成预设同一数据结构，并存储于的数据模板中；
特征处理模块，在模型构建管理系统中提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，得到过滤后的输入特征属性；
特征处理模块，还用于在模型构建管理系统中提供输出特征处理组件，对待构建模型的输出特征进行降维，得到降维后输出特征属性；
建模模块，按照所述过滤后的输入特征属性、降维后输出特征属性分别读取数据模板中的样本数据，转换得到过滤后的输入特征、降维后输出特征；
构建产品预测模型并利用所述过滤后的输入特征、降维后输出特征训练所述产品预测模型；
预测模块，获取当前产品数据，利用所述产品预测模型按照降维后的特征属性预测所述产品的指标。
可选地，所述建模模块，还用于：
利用基于时间的外样本跟步验证产品预测模型的有效性并进行修正。
可选地，所述产品预测模型包括基于全量产品的产品预测模型和基于定制产品的产品预测模型。
可选地，所述输入特征处理组件还用于对数据模板中的样本数据进行特征分群，计算群的中心参数，计算各特征到群中心的距离，并排序供用户进行选择。
可选地，所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
选取多个降维后输出特征作为预测目标，构建多目标的产品预测模型。
可选地，还包括：对样本数据进行分分类；
所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
基于各类样本数据分别单独构建产品预测模型。
可选地，所述输入特征处理组件还用于计算并显示特征的自相关系数、偏相关系数，供用户对输入特征进行选择。
可选地，所述过滤条件为多重过滤条件。
本说明书实施例还提供一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
本说明书实施例提供的各种技术方案通过提供交互式模型构建管理系统，读取样本数据进行结构转换成预设同一数据结构存储，提高了数据兼容性，提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，减少了不相关特征的干涉提高了准确率，得到过滤后的输入特征属性，提供输出特征处理组件，对待构建模型的输出特征进行降维，手动降维灵活通过页面操作即可建模提升了便利性，得到降维后输出特征属性，按照过滤后的输入特征属性、降维后输出特征属性分别读取样本数据，构建产品预测模型并利用过滤后的输入特征、降维后输出特征训练产品预测模型，获取当前产品数据，利用模型按照降维后的特征属性预测产品的指标。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种交互式建模预测产品指标的方法的原理示意图；
图2为本说明书实施例提供的一种交互式建模预测产品指标的装置的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图；
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明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元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
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，或在一个或多个硬件模块或集成电路中实现这些功能实体，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。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种交互式建模预测产品指标的方法的原理示意图，该方法可以包括：
S101：提供交互式模型构建管理系统，利用嵌入于系统中的数据结构转换器读取样本数据并将所述样本数据进行结构转换成预设同一数据结构，并存储于的数据模板中。
在本说明书系统中，我们可以提供，交互式模型构建管理系统，在该系统中，我们可以提供通用数据模板，扩大应用场景范围。
还可以配置数据结构转换器，用来对数据结构进行转换，使不同数据结构的交易样本数据都可以被存储到数据模板中，实现无缝嵌入。
数据模板中可以包括特征名对照，数据特征类型，属性描述，表名，分类特征取值等。
同时，由于进行了数据结构的转换，因而可以获取第三方系统的数据，扩大了样本数据来源。
在应用时，上述系统可以用于对产品指标的预测，而非仅是对供应链的原材料的预测。
其中，产品指标可以是需求量，也可以是价格等指标，在此不作具体阐述和限制。
其中，产品可以是实物产品，也可以是虚拟产品，比如卡券，在此不做限制。
为了使用户能够灵活的对建模数据进行调整，从而构建出满足具体需求的模型，我们可以提供一些交互组件，以交互的形式基于用户操作进行特征处理。S102：在模型构建管理系统中提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，得到过滤后的输入特征属性。
可选地，所述过滤条件可以是多重过滤条件。
在本说明书实施例中，为了更直观地观察、浏览数据，我们可以提供对不同产品各特征的时间序列浏览图，帮助用户理解特征之间的相关性，从而选择模型输入特征、模型输出特征。
在本说明书实施例中，我们可以将特征进行多及分类，以树状列表控件展示数据特征。
这样，便于用户选择用于建模的特征。
用户也可以展开、折叠各层特征，通过折叠进行降维，通过展开，对特征进行分解。
在本说明书实施例中，为了更好的识别出到哪些特征更具有代表性，我们可以对特征进行分群，计算群中心，那么，越靠近群中心的特征，其代表性就越强。
在本说明书实施例中，所述输入特征处理组件还用于对数据模板中的样本数据进行特征分群，计算群的中心参数，计算各特征到群中心的距离，并排序供用户进行选择。
当然，为了将不同属性的特征在一起进行计算，我们可以对其进行归一化。
通过这种分群的方式，也能达到降维的效果。
在本说明书实施例中，所述输入特征处理组件还可以用于计算并显示特征的自相关系数、偏相关系数，供用户对输入特征进行选择。
具体的，输入的特征可以是产品的属性特征，如重量，厚度，材料属性等；渠道特征，如运输方式，销售方式，竞价方式等；地理特征，如销售地点或类别，地区等；竞争对手或产品特征，如竞争对手价格，折扣或促销；折扣，赠送权益点数等；特殊日期特征；如节假日，季节特征等。
具体的，输入的特征也可以是需要系统生成的特征，系统会自动根据时间维度行为维度如销售，支付，赔偿，退货等生成行为特征，比如，系统会生成过去三个月内的月平均销售量，过去六个月内的频率等特征。系统也会自动根据时间维度汇总生成时间距离特征，比如某产品的最近销售时间天数，某产品的最远销售时间天数等。
S103：在模型构建管理系统中提供输出特征处理组件，对待构建模型的输出特征进行降维，得到降维后输出特征属性。
输出特征是待预测指标，也可以称作是目标。
S104：按照以所述过滤后的输入特征属性、降维后输出特征属性分别读取数据模板中的样本数据，转换得到过滤后的输入特征、降维后输出特征。
其中，这里的转换可以是根据特征值之间的指标换算规则进行转换，转换后的到的特征值，反映的就是综合多个指标的整体状况。
S105：构建产品预测模型并利用所述过滤后的输入特征、降维后输出特征训练所述产品预测模型。
用户可灵活地对建模数据进行灵活分类，条件选取，以及根据精度，产品重要性以及样本分布等需要定制各种混合模型。
在本说明书实施例中，还包括：
利用基于时间的外样本跟步验证产品预测模型的有效性并进行修正。
这种方式具有高度的精确性和实时性。
在本说明书实施例中，所述产品预测模型包括基于全量产品的产品预测模型和基于定制产品的产品预测模型。
在本说明书实施例中，所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
选取多个降维后输出特征作为预测目标，构建多目标的产品预测模型。
在本说明书实施例中，还包括：对样本数据进行分分类；
所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
基于各类样本数据分别单独构建产品预测模型。
S106：获取当前产品数据，利用所述产品预测模型按照降维后的特征属性预测所述产品的指标。
该方法通过提供交互式模型构建管理系统，读取样本数据进行结构转换成预设同一数据结构存储，提高了数据兼容性，提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，减少了不相关特征的干涉提高了准确率，得到过滤后的输入特征属性，提供输出特征处理组件，对待构建模型的输出特征进行降维，手动降维灵活通过页面操作即可建模提升了便利性，得到降维后输出特征属性，按照过滤后的输入特征属性、降维后输出特征属性分别读取样本数据，构建产品预测模型并利用过滤后的输入特征、降维后输出特征训练产品预测模型，获取当前产品数据，利用模型按照降维后的特征属性预测产品的指标。
其中，产品预测模型可以是通过监督学习的方式构建的模型，这样，产品预测模型可以利用过去时间段的历史数据预测未来时间段的产品指标，达到预测时间外样本的效果。
当然，用户选择好建模数据后，可以对数据起名称并且保存到永久文件中。这是因为，选择的建模数据可能由多个对应未来多个模型。所以，必须保存到数据文件中便于管理。同时用户也可维护这些数据状态，这些信息或行为也会被以日志的形式记录下来便于查阅或追踪或管理。
在本说明书实施例中，我们该可以计算特征之间的分离程度，来确定预测准确率。
其中，用户在跟步验证时，可以调整不同的参数选项，观察结果(比如错误率指标)，直到选定最优的参数。同时用户也可采取网格搜索的方式调整参数达到最优参数的选取。
其中，跟步验证可以是利用预测产生的数据结合实时收集的产品指标实时对模型进行修正，在数据流上形成循环。
图2为本说明书实施例提供的一种交互式建模预测产品指标的装置的结构示意图，该装置可以包括：
系统搭建模块201，提供交互式模型构建管理系统；
转换模块202，利用嵌入于系统中的数据结构转换器读取样本数据并将所述样本数据进行结构转换成预设同一数据结构，并存储于的数据模板中；
特征处理模块203，在模型构建管理系统中提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，得到过滤后的输入特征属性；
特征处理模块203，还用于在模型构建管理系统中提供输出特征处理组件，对待构建模型的输出特征进行降维，得到降维后输出特征属性；
建模模块204，按照所述过滤后的输入特征属性、降维后输出特征属性分别读取数据模板中的样本数据，转换得到过滤后的输入特征、降维后输出特征；
构建产品预测模型并利用所述过滤后的输入特征、降维后输出特征训练所述产品预测模型；
预测模块205，获取当前产品数据，利用所述产品预测模型按照降维后的特征属性预测所述产品的指标。
可选地，所述建模模块，还用于：
利用基于时间的外样本跟步验证产品预测模型的有效性并进行修正。
可选地，所述产品预测模型包括基于全量产品的产品预测模型和基于定制产品的产品预测模型。
其中，全量产品是指业务所提供的全部产品，是相对于单个产品而言的。
可选地，所述输入特征处理组件还用于对数据模板中的样本数据进行特征分群，计算群的中心参数，计算各特征到群中心的距离，并排序供用户进行选择。
其中，可以利用聚类的方式进行分群，在此不作具体阐述。
可选地，所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
选取多个降维后输出特征作为预测目标，构建多目标的产品预测模型。
可选地，还包括：对样本数据进行分分类；
所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
基于各类样本数据分别单独构建产品预测模型。
可选地，所述输入特征处理组件还用于计算并显示特征的自相关系数、偏相关系数，供用户对输入特征进行选择。
可选地，所述过滤条件为多重过滤条件。
该装置提供交互式模型构建管理系统，读取样本数据进行结构转换成预设同一数据结构存储，提高了数据兼容性，提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，减少了不相关特征的干涉提高了准确率，得到过滤后的输入特征属性，提供输出特征处理组件，对待构建模型的输出特征进行降维，手动降维灵活通过页面操作即可建模提升了便利性，得到降维后输出特征属性，按照过滤后的输入特征属性、降维后输出特征属性分别读取样本数据，构建产品预测模型并利用过滤后的输入特征、降维后输出特征训练产品预测模型，获取当前产品数据，利用模型按照降维后的特征属性预测产品的指标。
基于同一发明构思，本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300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3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
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310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
所述存储单元320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)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205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330可以为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300也可以与一个或多个外部设备400(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300交互的设备通信，和/或与使得该电子设备300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350进行。并且，电子设备300还可以通过网络适配器360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。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300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。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性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，根据本发明实施方式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计算机可读的存储介质(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、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机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。
所述计算机可读存储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。可读存储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。可读存储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)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种交互式建模预测产品指标的方法，其特征在于，包括：
提供交互式模型构建管理系统，利用嵌入于系统中的数据结构转换器读取样本数据并将所述样本数据进行结构转换成预设同一数据结构，并存储于数据模板中；
在模型构建管理系统中提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，得到过滤后的输入特征属性；
在模型构建管理系统中提供输出特征处理组件，对待构建模型的输出特征进行降维，得到降维后输出特征属性，其中，将特征进行多级分类，通过折叠各层特征进行降维；
按照所述过滤后的输入特征属性、降维后输出特征属性分别读取数据模板中的样本数据，转换得到过滤后的输入特征、降维后输出特征，所述输入特征包括产品的属性特征、渠道特征、地理特征、竞争对手或产品特征、特殊日期特征、行为特征和时间距离特征；
构建产品预测模型，所述产品预测模型用于利用过去时间段的历史数据预测未来时间段的产品指标；
利用所述过滤后的输入特征、降维后输出特征训练所述产品预测模型；
获取当前产品数据，利用所述产品预测模型按照降维后的特征属性预测未来时间段的所述产品的指标，所述产品的指标包括需求量、价格。
2.根据权利要求1所述的方法，其特征在于，还包括：
利用基于时间的外样本跟步验证产品预测模型的有效性并进行修正。
3.根据权利要求1-2中任一项所述的方法，其特征在于，所述产品预测模型包括基于全量产品的产品预测模型和基于定制产品的产品预测模型。
4.根据权利要求1所述的方法，其特征在于，所述输入特征处理组件还用于对数据模板中的样本数据进行特征分群，计算群的中心参数，计算各特征到群中心的距离，并排序供用户进行选择。
5.根据权利要求4所述的方法，其特征在于，所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
选取多个降维后输出特征作为预测目标，构建多目标的产品预测模型。
6.根据权利要求1所述的方法，其特征在于，还包括：对样本数据进行分类；
所述构建产品预测模型并利用所述分类后的输入特征、降维后输出特征训练所述产品预测模型，包括：
基于各类样本数据分别单独构建产品预测模型。
7.根据权利要求1所述的方法，其特征在于，所述输入特征处理组件还用于计算并显示特征的自相关系数、偏相关系数，供用户对输入特征进行选择。
8.一种交互式建模预测产品指标的装置，其特征在于，包括：
系统搭建模块，提供交互式模型构建管理系统；
转换模块，利用嵌入于系统中的数据结构转换器读取样本数据并将所述样本数据进行结构转换成预设同一数据结构，并存储于数据模板中；
特征处理模块，在模型构建管理系统中提供输入特征处理组件，按照用户选择的过滤条件对各属性的特征进行过滤，得到过滤后的输入特征属性；
特征处理模块，还用于在模型构建管理系统中提供输出特征处理组件，对待构建模型的输出特征进行降维，得到降维后输出特征属性，其中，将特征进行多级分类，通过折叠各层特征进行降维；
建模模块，按照所述过滤后的输入特征属性、降维后输出特征属性分别读取数据模板中的样本数据，转换得到过滤后的输入特征、降维后输出特征，所述输入特征包括产品的属性特征、渠道特征、地理特征、竞争对手或产品特征、特殊日期特征、行为特征和时间距离特征；
构建产品预测模型，所述输入特征包括产品的属性特征、渠道特征、地理特征、竞争对手或产品特征、特殊日期特征、行为特征和时间距离特征；
构建产品预测模型，所述产品预测模型用于利用过去时间段的历史数据预测未来时间段的产品指标；
利用所述过滤后的输入特征、降维后输出特征训练所述产品预测模型；
预测模块，获取当前产品数据，利用所述产品预测模型按照降维后的特征属性预测未来时间段的所述产品的指标，所述产品的指标包括需求量、价格。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110022827.2A CN112801465B (zh) | 2021-01-08 | 2021-01-08 | 一种交互式建模预测产品指标的方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110022827.2A CN112801465B (zh) | 2021-01-08 | 2021-01-08 | 一种交互式建模预测产品指标的方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112801465A CN112801465A (zh) | 2021-05-14 |
| CN112801465B true CN112801465B (zh) | 2024-03-01 |
Family
ID=75809190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110022827.2A Active CN112801465B (zh) | 2021-01-08 | 2021-01-08 | 一种交互式建模预测产品指标的方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801465B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
| CN109711534A (zh) * | 2018-12-20 | 2019-05-03 | 树根互联技术有限公司 | 降维模型训练方法、装置及电子设备 |
| CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
| CN111161789A (zh) * | 2019-12-11 | 2020-05-15 | 深圳先进技术研究院 | 一种模型预测的关键区域的分析方法及装置 |
| CN111260142A (zh) * | 2020-01-19 | 2020-06-09 | 杭州网易再顾科技有限公司 | 商品指标数据预测方法、装置、存储介质及电子设备 |
| WO2020143409A1 (zh) * | 2019-01-07 | 2020-07-16 | 阿里巴巴集团控股有限公司 | 预测业务指标的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
-
2021
- 2021-01-08 CN CN202110022827.2A patent/CN112801465B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
| CN109711534A (zh) * | 2018-12-20 | 2019-05-03 | 树根互联技术有限公司 | 降维模型训练方法、装置及电子设备 |
| WO2020143409A1 (zh) * | 2019-01-07 | 2020-07-16 | 阿里巴巴集团控股有限公司 | 预测业务指标的方法及装置 |
| CN109919684A (zh) * | 2019-03-18 | 2019-06-21 | 上海盛付通电子支付服务有限公司 | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 |
| CN111161789A (zh) * | 2019-12-11 | 2020-05-15 | 深圳先进技术研究院 | 一种模型预测的关键区域的分析方法及装置 |
| CN111260142A (zh) * | 2020-01-19 | 2020-06-09 | 杭州网易再顾科技有限公司 | 商品指标数据预测方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112801465A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11954112B2 (en) | Systems and methods for data processing and enterprise AI applications | |
| CN110795509B (zh) | 一种数据仓库的指标血缘关系图的构建方法、装置和电子设备 | |
| CN110782129B (zh) | 一种业务进度监控方法、装置、系统及计算机可读存储介质 | |
| Choi et al. | Identification of time-evolving product opportunities via social media mining | |
| CN111192108A (zh) | 一种用于产品推荐的排序方法、装置和电子设备 | |
| CN107895286A (zh) | 理赔金额确定方法及装置、存储介质和电子设备 | |
| Kondo et al. | Green procurement decisions with carbon leakage by global suppliers and order quantities under different carbon tax | |
| CN110766289A (zh) | 一种风控规则动态调整方法、装置和电子设备 | |
| CN110807016B (zh) | 一种应用于金融业务的数据仓库构建方法、装置和电子设备 | |
| US10497059B1 (en) | Method and system for providing real time access to relevant energy policy and regulatory data | |
| CN105447038A (zh) | 用于获取用户特征的方法和系统 | |
| CN110795478A (zh) | 一种应用于金融业务的数据仓库更新方法、装置和电子设备 | |
| Chiacchio et al. | Modelling and resolution of dynamic reliability problems by the coupling of simulink and the stochastic hybrid fault tree object oriented (SHyFTOO) library | |
| CN111191894A (zh) | 基于用户分类进行资源需求处理的方法、装置和电子设备 | |
| CN110363583B (zh) | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 | |
| CN110544118B (zh) | 销量预测方法、装置、介质和计算设备 | |
| CN110335070B (zh) | 一种基于wifi的用户群扩展的方法、装置和电子设备 | |
| Hinkelmann et al. | ArchiMEO: A Standardized Enterprise Ontology based on the ArchiMate Conceptual Model. | |
| CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
| Yörük et al. | Strategic electricity production planning of Turkey via mixed integer programming based on time series forecasting | |
| CN112801465B (zh) | 一种交互式建模预测产品指标的方法、装置和电子设备 | |
| CN110717101A (zh) | 基于应用行为的用户分类方法、装置和电子设备 | |
| CN110795424B (zh) | 特征工程变量数据请求处理方法、装置及电子设备 | |
| CN113988914A (zh) | 一种用户价值预测方法、装置和电子设备 | |
| CN113570204A (zh) | 用户行为预测方法、系统和计算机设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |