CN113506138B - 业务对象的数据预估方法、装置、设备及存储介质 - Google Patents
业务对象的数据预估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113506138B CN113506138B CN202110805153.3A CN202110805153A CN113506138B CN 113506138 B CN113506138 B CN 113506138B CN 202110805153 A CN202110805153 A CN 202110805153A CN 113506138 B CN113506138 B CN 113506138B
- Authority
- CN
- China
- Prior art keywords
- target
- service object
- consumption
- vector
- business object
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 235000016213 coffee Nutrition 0.000 description 18
- 235000013353 coffee beverage Nutrition 0.000 description 18
- 239000002609 medium Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 235000015115 caffè latte Nutrition 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000009226 Corylus americana Species 0.000 description 1
- 235000001543 Corylus americana Nutrition 0.000 description 1
- 235000007466 Corylus avellana Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000020317 vanilla latte Nutrition 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种业务对象的数据预估方法、装置、设备及存储介质,该方法包括:获取目标业务对象和参考业务对象对应的历史消耗数据,并基于历史消耗数据构建多个目标用户分别对应的用户消耗特征序列;采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量;根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据相似度确定目标参考业务对象;根据目标参考业务对象对应的时长数据和目标参考业务对象对应的相似度对目标业务对象对应的时长数据进行预估。采用上述技术方案,可以达到对业务对象的时长数据进行预估的技术效果,可靠性较高。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及业务对象的数据预估方法、装置、设备及存储介质。
背景技术
目前,在各种行业领域中,一般存在各种各样的业务对象,如产品或服务等。在业务对象的存续期间,通常需要为其提供各种资源进行业务支持。针对各种业务对象,在实际的应用场景中,往往会存在基于历史数据对业务对象的生命周期或所处业务阶段的时长进行预估的需求,进而保障企业的各种资源能够得到合理的分配。
然而,目前针对业务对象的各种时长数据进行预估的方案仍不够完善,需要改进。
发明内容
本发明实施例提供了业务对象的数据预估方法、装置、设备及存储介质,可以优化现有的业务对象的数据预估方案。
第一方面,本发明实施例提供了一种业务对象的数据预估方法,包括:
获取目标业务对象和参考业务对象对应的历史消耗数据,并基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,其中,所述用户消耗特征序列中的元素包括业务对象标识,各元素按照目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序进行排列;
采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,其中,目标业务对象对应的业务对象向量记为目标业务对象向量,参考业务向量对应的业务对象向量记为参考业务对象向量;
根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据所述相似度确定目标参考业务对象;
根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估。
第二方面,本发明实施例提供了一种业务对象的数据预估装置,包括:
消耗特征序列构建模块,用于获取目标业务对象和参考业务对象对应的历史消耗数据,并基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,其中,所述用户消耗特征序列中的元素包括业务对象标识,各元素按照目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序进行排列;
向量映射模块,用于采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,其中,目标业务对象对应的业务对象向量记为目标业务对象向量,参考业务向量对应的业务对象向量记为参考业务对象向量;
相似度计算模块,用于根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据所述相似度确定目标参考业务对象;
时长数据预估模块,用于根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例提供的业务对象的数据预估方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例提供的业务对象的数据预估方法。
本发明实施例中提供的业务对象的数据预估方案,首先获取目标业务对象和参考业务对象对应的历史消耗数据,并基于历史消耗数据构建多个目标用户分别对应的用户消耗特征序列;然后采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量;再根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据相似度确定目标参考业务对象;最后根据目标参考业务对象对应的时长数据和目标参考业务对象对应的相似度对目标业务对象对应的时长数据进行预估。采用上述技术方案,所构建的用户消耗特征序列可以表征用户的针对各业务对象的消耗规律,利用用户消耗特征序列和无监督聚类模型可以得到各业务对象对应的业务对象向量,通过业务对象向量的相似度分析可以准确确定目标参考业务对象,并根据目标参考业务对象对应的时长数据预估目标业务对象的时长数据,可以达到对业务对象的生命周期或所处业务阶段的时长等时长数据进行预估的技术效果,相比于单纯依靠目标业务对象自身的历史数据进行预估,可靠性较高。
附图说明
图1为本发明实施例提供的一种业务对象的数据预估方法的流程示意图;
图2为本发明实施例提供的又一种业务对象的数据预估方法的流程示意图;
图3为本发明实施例提供的一种业务对象的数据预估装置的结构框图;
图4为本发明实施例提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
为了便于理解本发明实施例的技术方案,下面先对相关技术进行简单介绍。本发明实施例所涉及的业务对象可以根据具体的行业或应用场景来确定,如产品销售行业中的产品、互联网行业中提供的服务以及在线教育行业提供的课程等等。目前,在对某个业务对象的生命周期或所处业务阶段的时长等时长数据进行预估时,通常仅根据该业务对象的相关历史数据来进行估算。以零售业的某个产品为例,相关技术通常采用基于销量预估的方法,根据该产品上市后产生的历史销售数据,以最小化损失函数等方法预测出产品未来的销量数据,再结合销量变化趋势,估算出产品生命周期的长度。然而,相关技术中的这种预估方式的估算准确性强依赖于历史销量维度信息,历史销量的变化常常受到营销活动(如打折促销)或极端天气等难以量化的非正常销售因素影响,因此,其估算结果的可信度大打折扣,另外,该方法对历史数据积累有较高的要求,通常需要半年以上的数据积累,否则会进一步降低估算结果的准确度,因此,难以在产品销售初期或早期得到较准确的预估结果,不利于资源的管理和分配。
本发明实施例中,提出基于相似业务对象的时长数据预估方案,根据不同用户针对多个业务对象的历史消耗数据来分析不同业务对象的相似度,进而确定目标参考业务对象,根据目标参考业务对象的时长数据来预估目标业务对象的时长数据,可以避免单纯依靠目标业务对象自身的历史数据进行预估,降低其历史数据波动对预估结果准确度的影响。下面结合具体实施例进行进一步说明。
实施例一
图1为本发明实施例提供的一种业务对象的数据预估方法的流程示意图,该方法可以由业务对象的数据预估装置执行,其中该装置可由软件和/或硬件实现,一般可集成在服务器等计算机设备中。
本申请实施例以产品销售领域为例,业务对象可以表示相应的用于销售的实物产品或服务产品。例如:饮品类可以为咖啡、牛奶以及果汁等;服饰类可以为:衣服、鞋子以及帽子等,也可以为玩具、零食以及日用品等;家政服务类可以为:清洁服务、收纳服务和搬家服务等,在此不一一举例。
在对业务对象进行销售之前或销售过程中,销售商需要预估业务对象的生命周期或所处业务阶段的时长,以制定或调整相应销售计划。生产商及销售商可根据预估得到业务对象对应的时长数据,对业务对象的生产、运输以及存储等采取相对应的措施。因此,本申请提供一种业务对象的数据预估方法,如图1所示,该方法包括:
S101、获取目标业务对象和参考业务对象对应的历史消耗数据,并基于历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,其中,用户消耗特征序列中的元素包括业务对象标识,各元素按照目标用户对目标业务对象和参考业务对象进行消耗的时间顺序进行排列。
在本申请实施例中,目标业务对象可以为当前待预估时长数据的目标产品,参考业务对象可以是与目标业务对象类型相一致的产品。其中,时长数据可以包括生命周期长度,还可以包括目标业务阶段的持续时长等。生命周期长度可以表示业务对象从开始使用到停止使用之间的时长,以某款咖啡产品为例,生命周期长度可以是该款咖啡从开始售卖到停止售卖的时长。目标业务阶段可以根据实际情况选取,例如可以表示业务对象从开始使用到消耗量高峰所需的时长,仍以咖啡产品为例,可以是该款咖啡从开始售卖到产品热卖(如单周等单位时长内的销量达到最高值)所需的时长等等。为了便于说明,后文以生命周期长度为例进行说明。
历史消耗数据表示预设历史时段内用户对业务对象进行消耗所产生的相关数据,例如可以是预设历史时段内用户购买业务对象和参考业务对象所产生的数据,具体可以表示为目标业务对象与参考业务对象预设历史时段内的销售记录。其中,预设历史时段可以根据实际情况设置。为了提高预估的准确性,可以选取累计销售时长或生命周期长度大于预设累计时长(例如,6个月以上)的业务对象作为参考业务对象。
以业务对象为咖啡为例,目标业务对象可以为某一新口味咖啡,对该新口味咖啡的生命周期进行预估时,则对应参考业务对象可以为与该新口味咖啡同一系列的且已经销售半年以上的咖啡。例如:目标业务对象与参考业务对象均为拿铁系列的咖啡等,以使得预估结果较可靠。其中,所述参考业务对象可以为大于1个,即获取多个参考业务对象对应的历史消耗数据。
所述目标用户可以为预设历史时段内针对业务对象消费的用户,该预设历史时段可以为最近一周或半个月等,具体不作限制。进一步地,也可以将目标用户限制为,选取预设历史时段内有效消费次数高于一定数值的用户为目标用户。例如,一周内有效消费业务对象4次以上的用户,或者半个月内有效消费业务对象7次以上的用户等,在此不作限制。其中,有效消费表示成功购买业务对象的消费,例如,购买之后用户选择退款的则视为无效消费。
所述用户消耗序列特征可理解为用户对业务对象的消费特征,由于每个用户对业务对象的消费行为不同,则可基于历史消耗数据构建多个目标用户分别对应的用户消耗特征序列。该过程可以理解为以用户作为聚合维度,按销售时间由过去到现在进行聚合排序,构造为用户消费特征序列。
其中,所述业务对象标识可以为业务对象的名称标识,可以用于表示业务对象的唯一身份。需要说明的是,所述业务对象标识并不以名称标识为限制,还可以为业务对象对应的以数字或字母等字符或字符串进行表示的代码标识等。
示例性的,假设目标业务对象为A(例如该业务对象的业务对象标识为A),参考业务对象为B、C和D,目标用户包括用户1和用户2,假设用户1在预设历史时段内按照时间顺序依次消费了A、B和D,则用户1对应的用户消耗特征序列可以表示为A、B、D,假设用户2在预设历史时段内按照时间顺序依次消费了D、A、C、A、D和B,则用户2对应的用户消耗特征序列可以表示为D、A、C、A、D、B。
S102、采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,其中,目标业务对象对应的业务对象向量记为目标业务对象向量,参考业务向量对应的业务对象向量记为参考业务对象向量。
为统一用户消耗特征序列多种特征的衡量标准,降低特征维度,以及方便后续计算,采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量。
其中,预设维度为无监督聚类模型中待输入参数之一。示例性的,预设维度可以为20,即表示将用户消耗特征序列中的各业务对象标识映射为20维度向量空间中的业务对象向量。具体预设维度的取值可根据研究人员的研究需求或实际使用需求决定,在此不作限制。
采用无监督聚类模型的目的在于,无需参考业务对象进行训练,通过聚类算法将相似的业务对象聚在一起,使得便于选择参考业务对象。无监督聚类模型使用的聚类算法可以为词嵌入(Word embedding)、t分布随机邻域嵌入(t-Distributed StochasticNeighbor Embedding,简称t-SNE)或自动编码器(Auto Encoder)等。
其中,采用无监督聚类模型将目标业务对象对应的业务对象向量记为目标业务对象向量,将参考业务向量对应的业务对象向量记为参考业务对象向量。
S103、根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据相似度确定目标参考业务对象。
通过采用预设相似度计算方式对目标业务对象向量和参考业务对象向量进行计算,得到目标业务对象和参考业务对象的相似度,进一步通过相似度数值大小排序选取目标参考业务对象。
其中,计算目标业务对象分别与各参考业务对象之间的相似度的方式可以为:计算余弦相似度(cosine similarity)、计算欧几里得距离(Euclidean distance)或计算马氏(Mahalanobis)距离等方法表征目标业务对象与各参考业务对象之间的相似度,具体计算方法在此不做限制。
进一步地,为确保目标参考业务对象的样本数量,其选取规则可以为,相似度大于预设数值的参考业务对象确定为目标参考业务对象。相应地,也可根据相似度数值大小排序,选取相似度较高的预设个数的参考业务对象确定为目标参考业务对象等,在此不作限制。
S104、根据目标参考业务对象对应的时长数据和目标参考业务对象对应的相似度对目标业务对象对应的时长数据进行预估。
目标参考业务对象对应的时长数据可通过销售记录获知,目标参考业务对象对应的相似度根据步骤S103可以获知。
示例性的,当目标参考业务对象为1个时,可以将目标参考业务对象对应的时长数据和对应的相似度的乘积确定为目标业务对象对应的时长数据,例如,目标参考业务对象的生命周期长度为1年,相似度为0.9,则目标业务对象的生命周期长度也预估0.9年,又如,目标参考业务对象并未停止销售,目前已经存续1年,则目标业务对象的生命周期长度预估大于0.9年。当目标参考业务对象为至少2个时,可以将目标参考业务对象对应的时长数据的平均值与相似度的平均值的乘积确定为目标业务对象对应的时长数据,也可根据相似度对时长数据进行加权求和平均,得到目标业务对象对应的时长数据。
示例性的,还可进一步参考更多的信息来根据目标参考业务对象对应的时长数据综合确定目标业务对象对应的时长数据。例如,进一步分别计算每个目标参考业务对象与目标业务对象从开始使用时刻起各单位时间内的平均消耗量,例如,分别计算从上市第1周-第N周的周日均消耗量,相应地也可以计算日均销量等。从而分析目标参考业务对象与目标业务对象分别随着销售时间增长,消耗量的变化关系,并进一步得到消耗量与时间的关系。并通过为目标参考业务对象的时长数据,目标参考业务对象消耗量与销售时间的关系及目标业务对象消耗量与销售时长的关系分配不同的权重信息,从而达到更加准确地预估目标业务对象时长数据的目的。
本发明实施例中提供的业务对象的数据预估方法,首先获取目标业务对象和参考业务对象对应的历史消耗数据,并基于历史消耗数据构建多个目标用户分别对应的用户消耗特征序列;然后采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量;再根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据相似度确定目标参考业务对象;最后根据目标参考业务对象对应的时长数据和目标参考业务对象对应的相似度对目标业务对象对应的时长数据进行预估。采用上述技术方案,所构建的用户消耗特征序列可以表征用户的针对各业务对象的消耗规律,利用用户消耗特征序列和无监督聚类模型可以得到各业务对象对应的业务对象向量,通过业务对象向量的相似度分析可以准确确定目标参考业务对象,并根据目标参考业务对象对应的时长数据预估目标业务对象的时长数据,可以达到对业务对象的生命周期或所处业务阶段的时长等时长数据进行预估的技术效果,相比于单纯依靠目标业务对象自身的历史数据进行预估,可靠性较高。
实施例二
本发明实施例在上一实施例的基础上进行了优化,示例性的,优化了基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,包括:对于所述历史消耗数据中涉及的每个目标用户,按照当前目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序,依次在对应的预设序列中加入业务对象对应的业务对象标识;其中,若连续两次消耗同一业务对象对应的时间间隔小于预设时间间隔,则将所述连续两次消耗进行合并处理。这样设置的好处在于,通过设置预设时间间隔,对短时间内的重复消费进行合并处理,消除干扰信息,提高序列准确性。
进一步地,优化了采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,包括:依据序列长度对用户消耗特征序列进行筛选,得到目标用户消耗特征序列;采用无监督聚类模型将目标用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量。这样设置的好处在于,通过筛选得到一定数量的目标用户,滤除参考意义较小的用户,降低样本分析基数。
进一步地,还优化了所述根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估,包括:根据所述目标业务对象对应的第一历史消耗数据和所述目标参考业务对象对应的第二历史消耗数据,确定所述目标业务对象相对于所述目标参考业务对象的衰减因子;根据所述目标参考业务对象对应的时长数据、所述目标参考业务对象对应的相似度、以及所述衰减因子对所述目标业务对象对应的时长数据进行预估。这样设置的好处在于,通过引入衰减因子,结合目标参考业务对象对应的时长数据和目标参考业务对象对应的相似度对目标业务对象对应的时长数据进行预估,得到的预估结果准确度较高。
图2为本发明实施例提供的又一种业务对象的数据预估方法的流程示意图,该方法以产品销售的应用场景为例进行说明,具体的,该方法包括如下步骤:
S201、获取目标业务对象和参考业务对象对应的历史消耗数据。
S202、对于历史消耗数据中涉及的每个目标用户,按照当前目标用户对目标业务对象和参考业务对象进行消耗的时间顺序,依次在对应的预设序列中加入业务对象对应的业务对象标识。
选取预设历史时段内消耗次数达到预设次数以上的用户作为目标用户,并将每个目标用户消耗的业务对象按照消耗时间顺序进行排序。
需要说明得是,每个目标用户的历史消耗数据并不一定均包含有目标业务对象和参考业务对象,并且参考业务对象的类型数为大于1个。具体根据用户个人针对业务对象的喜好决定,以业务对象为咖啡为例,不排除客户只喝美式咖啡的情况。
可选地,为使得每个目标用户历史消耗数据具备多样性,本发明提供的方法还在筛选预设时间段内对业务对象的消耗次数达到预设数值以上后,进一步筛选历史消耗数据中所包含的目标业务对象和/或参考业务对象的类型大于预设种类的用户作为目标用户等,在此不作限制。
示例性的,以业务对象为咖啡,目标业务对象为厚乳拿铁咖啡,对应的参考业务对象可以为:榛果拿铁咖啡、拿铁咖啡或者香草拿铁咖啡等为例,则基于历史消耗数据筛选多个目标用户时,可筛选消耗类型大于等于预设种类(例如,消耗上述业务对象任意两种以上)的用户作为目标用户。
则进一步为每个目标用户的历史消耗数据以消耗时间顺序进行排序,并加入业务对象对应的业务对象标识。
其中,若连续两次消耗同一业务对象对应的时间间隔小于预设时间间隔,则将连续两次消耗进行合并处理。
所述预设时间间隔在此不作限制,可以为半小时、一小时或者两小时等。
示例性的,假设预设时间间隔为半小时,用户上午半小时内消耗了2次A业务对象,下午半小时内消耗了两次A业务对象(距离上午最后一次消耗A大于半小时),则其对应的消耗序列中只有先后出现的两个A,即A、A。若用户先后消耗了A、A(两次A消耗间隔时长小于半小时)、B、C、C(两次C的消耗间隔时长大于半小时)、D,则对应消耗序列为A、B、C、C、D。上述合并处理的好处在于,减少一些特殊情况对序列准确性的干扰。如上述举例,用户半小时内消耗2次A业务对象,可能是存在代买的情况,如自己买A咖啡的同时帮同事也买了A咖啡等,因此,第2次消耗A业务对象不适合用于表示当前用户自己的消费喜好。
S203、依据序列长度对用户消耗特征序列进行筛选,得到目标用户消耗特征序列。
为使得用户消耗特征序具备多样性,可获取特征消耗序列大于或等于第一长度的用户消耗特征序列作为目标用户消耗特征序列,如第一长度为7。进一步的,为防止用户特征过于复杂,也可获取特征消耗序列大于或等于第一长度,且小于或等于第二长度的用户消耗特征序列作为目标用户消耗特征序列。例如,目标用户消耗序列特征大于等于7,小于等于15等。
S204、采用无监督聚类模型将目标用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量。
S205、根据目标业务对象对应的第一历史消耗数据和目标参考业务对象对应的第二历史消耗数据,确定目标业务对象相对于目标参考业务对象的衰减因子。
示例性的,可获得与目标业务对象有关的第一历史消耗数据和与目标参考业务对象有关的第二历史消耗数据。由于消耗数据会随着时间发生线性或者非线性变化,为研究目标业务对象相与目标参考业务对象的变化关系,需确定目标业务对象相对于目标参考业务对象的衰减因子。需要说明的是,此处的第一历史消耗数据和第二历史消耗数据一般与上文所述的用于构建用户消耗特征序列对应的历史消耗数据不同。上文所述历史消耗数据对应的预设历史时段内,目标业务对象和参考业务对象均处于存续状态,例如,当前为2月1日,预设历史时段为1月1日至1月31日,用户在此期间可以根据自身喜好购买目标业务对象和参考业务对象。而第一历史消耗数据可以理解为目标业务对象在第一历史时段内的消耗数据,第二历史消耗数据可以理解为参考业务对象在第二历史时段内的消耗数据,参考业务对象开始使用的时间一般早于目标业务对象,因此,第二历史时段一般早于第一历史时段。如上述举例,第一历史时段可以是1月1日至1月31日,而第二历史时段可以是上一年的6月1日至7月1日等。可选的,第一历史时段的起点可以是目标业务对象开始使用的时刻,第一历史时段的起点可以是参考业务对象开始使用的时刻。第一历史时段的时长可以等于第二历史时段的时长。
一种优选实施例,根据目标业务对象对应的第一历史消耗数据和目标参考业务对象对应的第二历史消耗数据,确定目标业务对象相对于目标参考业务对象的衰减因子,包括:
a)根据目标业务对象对应的第一历史消耗数据计算目标业务对象从开始使用的时刻起,每个预设统计周期内的第一平均消耗量。
所述开始使用时刻,针对于产品销售而言,可以理解为开始销售时间。所述预设统计周期可以以时间为统计单位,统计目标业务对象从开始销售起每天、每周或每月的第一平均消耗量。
b)根据目标参考业务对象对应的第二历史消耗数据计算目标参考业务对象从开始使用的时刻起,每个预设统计周期内的第二平均消耗量。
相应地,第二平均消耗量的预设统计周期也应与第一平均消耗量相对应的统计周期,对应地,也可统计目标参考业务对象从开始销售起每天、每周或每月的第二平均消耗量。
c)以第一平均消耗量为自变量,以第二平均消耗量为因变量,采用一元线性回归模型对预设数量的预设统计周期的第一平均消耗量和第二平均消耗量进行拟合,得到拟合直线斜率。
以预设统计周期为一周时间为例,则分别计算目标参考业务对象与目标业务对象,从开始销售起第1周、第2周,…,第Y周的每周日均消耗量,以目标业务对象对应的第一平均消耗量为自变量,以目标参考业务对象对应的第二平均消耗量为因变量,采用一元线性回归模型对预设数量预设统计周期的消耗数据进行拟合,可得到目标业务对象的拟合直线斜率。
上述采用一元线性回归模型对预设数量预设统计周期的消耗数据进行拟合,得到目标业务对象拟合直线斜率的表达式可以为:
M=xN+d (1)
上式中,M表示目标参考业务对象对应的第二平均消耗量、N表示目标业务对象对应的第一平均消耗量、x表示拟合直线斜率、d表示常数。
假设A为目标业务对象,B为目标参考业务对象,则对应预设统计周期内每目标业务对象与目标参考业务对象的每周日均消耗率可得组合(n1,m1)、(n2,m2)、…、(nY,mY)。其中,m1为B第一周的日均消耗率,n1为A第一周的日均消耗率。
d)根据拟合直线斜率确定目标业务对象相对于目标参考业务对象的衰减因子。
所述目标参考业务对象的衰减因子为与拟合直线斜率相关的表达式。
可选地,根据拟合直线斜率确定目标业务对象相对于目标参考业务对象的衰减因子,包括:将拟合直线斜率输入至预设衰减因子模型中,得到目标业务对象相对于目标参考业务对象的衰减因子。
其中,预设衰减因子模型通过以下表达式表示:
f(x)=(a+bex)/cex (2)
上式中,f(x)表示衰减因子,x表示拟合直线斜率,a表示第一预设常数,b表示第二预设常数,c表示第三预设常数。
优选地,上述第一预设常数和第二预设常数的和大于第三预设常数,第二预设常数小于第三预设常数。
一种可选实施例,第一预设常数可以为4,第二预设常数可以为3,第三预设常数可以为6,则上述预设衰减因子模型的表达式可表示为:
f(x)=(4+3ex)/6ex
对预设衰减因子模型表达式中的常数设置为上述数值的意义为可以使得衰减因子数值保持在1附近,当衰减因子趋近于1时,模型预估越准确。
需要说明的是,对预设衰减因子模型的表达式的常数取值并不以上述取值方式为限制。
S206、根据目标参考业务对象对应的时长数据、目标参考业务对象对应的相似度、以及衰减因子对目标业务对象对应的时长数据进行预估。
一种可选实施例,可对每个目标参考业务对象对应的时长数据求平均值以及目标参考业务对象对应的相似度求平均值,通过目标参考业务对象对应的平均时长数据和对应的平均相似度、以及目标业务对象相对于目标参考业务对象的衰减因子综合计算得到目标业务对象对应的时长数据。
本发明实施例提供的业务对象的数据预估方法,基于用户的消费行为偏好,利用无监督聚类模型,首先将业务对象进行向量化表示,其次利用余弦距离计算目标业务对象向量与目标参考业务对象向量之间的距离,从而得到目标业务对象与目标参考业务对象之间的相似度,根据目标业务对象与目标参考业务对象的相似度、目标参考业务对象对应的时长数据,实现对目标业务对象时长数据的估算。
在上述实施例的基础上,本发明还提供一种优选方案,优化了根据目标参考业务对象对应的时长数据、目标参考业务对象对应的相似度、以及衰减因子对目标业务对象对应的时长数据进行预估,包括:以各目标参考业务对象对应的衰减因子和相似度的乘积为权重,对各目标参考业务对象对应的时长数据进行加权求和平均,得到目标业务对象对应的预估时长数据。
另一种可选实施例,根据目标参考业务对象对应的衰减因子和相似度的乘积为作为权重,与各目标参考业务对象对应的时长数据进行加权求和平均,得到目标业务对象对应的预估时长数据。
可选地,在上述实施例的基础上,本发明提供的业务对象的数据预估方法,时长数据包括生命周期长度和/或目标业务阶段的持续时长。
研究业务对象时长数据包括生命周期长度和/或目标业务阶段的持续时长的意义在于,可通过得到的目标参考业务对象以天、周或月为单位,预估目标业务对象每天的销售数据、每周的销售数据或者每月的销售数据,使得各分销售商明确每个阶段进货量,以及销售高峰期等。
经试验表明,采用本发明实施例提供的业务对象的数据预估方法对已上市的产品进行回归预测,按销量大小,分为1,2,3,4类产品,分别计算上市第一周,第二周,...,第N周的预估指标,结果表明,随着上市时间的增加,各类产品的预估准确性也逐步增高,第1,2类产品准确性在上市第6周左右趋于平稳,第3,4类产品准确性在第8周左右趋于平稳。使用该预估的时长数据进行采购备货,可以显著降低库存占用成本,提高销售端的现货率。另外,本发明实施例提供的方案简单有效,对历史数据的累积量要求不高,具有广泛的应用范围,在产品销售初期或早期可以得到较准确的预估结果,有利于资源的管理和分配。
实施例三
图3为本发明实施例提供的一种业务对象的数据预估装置的结构框图,该装置可由软件和/或硬件实现,一般可集成在服务器等计算机设备中,可通过执行业务对象的数据预估方法来进行业务对象的数据预估。如图3所示,该装置包括:特征序列构建模块31、向量映射模块32、相似度计算模块33和时长数据预估模块34。其中:
特征序列构建模块31,用于获取目标业务对象和参考业务对象对应的历史消耗数据,并基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,其中,所述用户消耗特征序列中的元素包括业务对象标识,各元素按照目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序进行排列;
向量映射模块32,用于采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,其中,目标业务对象对应的业务对象向量记为目标业务对象向量,参考业务向量对应的业务对象向量记为参考业务对象向量;
相似度计算模块33,用于根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据所述相似度确定目标参考业务对象;
时长数据预估模块34,用于根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估。
本发明实施例中提供的业务对象的数据预估装置,首先获取目标业务对象和参考业务对象对应的历史消耗数据,并基于历史消耗数据构建多个目标用户分别对应的用户消耗特征序列;然后采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量;再根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据相似度确定目标参考业务对象;最后根据目标参考业务对象对应的时长数据和目标参考业务对象对应的相似度对目标业务对象对应的时长数据进行预估。采用上述技术方案,所构建的用户消耗特征序列可以表征用户的针对各业务对象的消耗规律,利用用户消耗特征序列和无监督聚类模型可以得到各业务对象对应的业务对象向量,通过业务对象向量的相似度分析可以准确确定目标参考业务对象,并根据目标参考业务对象对应的时长数据预估目标业务对象的时长数据,可以达到对业务对象的生命周期或所处业务阶段的时长等时长数据进行预估的技术效果,相比于单纯依靠目标业务对象自身的历史数据进行预估,可靠性较高。
可选的,所述特征序列构建模块31,还用于对于所述历史消耗数据中涉及的每个目标用户,按照当前目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序,依次在对应的预设序列中加入业务对象对应的业务对象标识;其中,若连续两次消耗同一业务对象对应的时间间隔小于预设时间间隔,则将所述连续两次消耗进行合并处理。
所述向量映射模块32,还用于依据序列长度对用户消耗特征序列进行筛选,得到目标用户消耗特征序列;采用无监督聚类模型将目标用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量。
可选地,所述时长数据预估模块34包括:衰减因子确定子模块和时长数据预估子模块;
衰减因子确定子模块,用于根据所述目标业务对象对应的第一历史消耗数据和所述目标参考业务对象对应的第二历史消耗数据,确定所述目标业务对象相对于所述目标参考业务对象的衰减因子;
时长数据预估子模块,用于根据所述目标参考业务对象对应的时长数据、所述目标参考业务对象对应的相似度、以及所述衰减因子对所述目标业务对象对应的时长数据进行预估。
可选地,所述衰减因子确定子模块包括:第一平均消耗量计算单元、第二平均消耗量计算单元、直线斜率拟合单元和衰减因子确定单元。
第一平均消耗量计算单元,用于根据所述目标业务对象对应的第一历史消耗数据计算所述目标业务对象从开始使用的时刻起,每个预设统计周期内的第一平均消耗量;
第二平均消耗量计算单元,用于根据所述目标参考业务对象对应的第二历史消耗数据计算所述目标参考业务对象从开始使用的时刻起,每个预设统计周期内的第二平均消耗量;
直线斜率拟合单元,用于以所述第一平均消耗量为自变量,以所述第二平均消耗量为因变量,采用一元线性回归模型对预设数量的预设统计周期的所述第一平均消耗量和所述第二平均消耗量进行拟合,得到拟合直线斜率;
衰减因子确定单元,用于根据所述拟合直线斜率确定所述目标业务对象相对于所述目标参考业务对象的衰减因子。
可选地,所述衰减因子确定单元,还用于将所述拟合直线斜率输入至预设衰减因子模型中,得到所述目标业务对象相对于所述目标参考业务对象的衰减因子;
其中,所述预设衰减因子模型通过以下表达式表示:
f(x)=(a+bex)/cex
其中,f(x)表示衰减因子,x表示拟合直线斜率,a表示第一预设常数,b表示第二预设常数,c表示第三预设常数,所述第一预设常数和所述第二预设常数的和大于所述第三预设常数,所述第二预设常数小于所述第三预设常数。
可选地,所述时长数据预估子模块,还用于以各目标参考业务对象对应的衰减因子和相似度的乘积为权重,对各目标参考业务对象对应的时长数据进行加权求和平均,得到目标业务对象对应的预估时长数据。
可选地,所述时长数据包括生命周期长度和/或目标业务阶段的持续时长。
实施例四
本发明实施例提供了一种计算机设备,该计算机设备中可集成本发明实施例提供的业务对象的数据预估装置。图4为本发明实施例提供的一种计算机设备的结构框图。计算机设备40可以包括:存储器41,处理器42及存储在存储器41上并可在处理器运行的计算机程序,所述处理器42执行所述计算机程序时实现如本发明实施例所述的业务对象的数据预估方法。
本发明实施例提供的计算机设备,可执行本发明任意实施例所提供的业务对象的数据预估方法,具备执行该方法相应的功能模块和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行业务对象的数据预估方法,该方法包括:
获取目标业务对象和参考业务对象对应的历史消耗数据,并基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,其中,所述用户消耗特征序列中的元素包括业务对象标识,各元素按照目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序进行排列;
采用无监督聚类模型将用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,其中,目标业务对象对应的业务对象向量记为目标业务对象向量,参考业务向量对应的业务对象向量记为参考业务对象向量;
根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据所述相似度确定目标参考业务对象;
根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的业务对象的数据预估操作,还可以执行本发明任意实施例所提供的业务对象的数据预估方法中的相关操作。
上述实施例中提供的业务对象的数据预估装置、设备及存储介质可执行本发明任意实施例所提供的业务对象的数据预估方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的业务对象的数据预估方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种业务对象的数据预估方法,其特征在于,包括:
获取目标业务对象和参考业务对象对应的历史消耗数据,并基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,其中,所述用户消耗特征序列中的元素包括业务对象标识,各元素按照目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序进行排列;
依据序列长度对用户消耗特征序列进行筛选,得到目标用户消耗特征序列;采用无监督聚类模型将目标用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,其中,目标业务对象对应的业务对象向量记为目标业务对象向量,参考业务向量对应的业务对象向量记为参考业务对象向量;
根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据所述相似度确定目标参考业务对象;根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估。
2.根据权利要求1所述的方法,其特征在于,
所述基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,包括:
对于所述历史消耗数据中涉及的每个目标用户,按照当前目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序,依次在对应的预设序列中加入业务对象对应的业务对象标识;其中,若连续两次消耗同一业务对象对应的时间间隔小于预设时间间隔,则将所述连续两次消耗进行合并处理。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估,包括:
根据所述目标业务对象对应的第一历史消耗数据和所述目标参考业务对象对应的第二历史消耗数据,确定所述目标业务对象相对于所述目标参考业务对象的衰减因子;
根据所述目标参考业务对象对应的时长数据、所述目标参考业务对象对应的相似度、以及所述衰减因子对所述目标业务对象对应的时长数据进行预估。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标业务对象对应的第一历史消耗数据和所述目标参考业务对象对应的第二历史消耗数据,确定所述目标业务对象相对于所述目标参考业务对象的衰减因子,包括:
根据所述目标业务对象对应的第一历史消耗数据计算所述目标业务对象从开始使用的时刻起,每个预设统计周期内的第一平均消耗量;
根据所述目标参考业务对象对应的第二历史消耗数据计算所述目标参考业务对象从开始使用的时刻起,每个预设统计周期内的第二平均消耗量;
以所述第一平均消耗量为自变量,以所述第二平均消耗量为因变量,采用一元线性回归模型对预设数量的预设统计周期的所述第一平均消耗量和所述第二平均消耗量进行拟合,得到拟合直线斜率;
根据所述拟合直线斜率确定所述目标业务对象相对于所述目标参考业务对象的衰减因子。
5.根据权利要求4所述的方法,其特征在于,所述根据所述拟合直线斜率确定所述目标业务对象相对于所述目标参考业务对象的衰减因子,包括:
将所述拟合直线斜率输入至预设衰减因子模型中,得到所述目标业务对象相对于所述目标参考业务对象的衰减因子;
其中,所述预设衰减因子模型通过以下表达式表示:
f(x)=(a+bex)/cex
其中,f(x)表示衰减因子,x表示拟合直线斜率,a表示第一预设常数,b表示第二预设常数,c表示第三预设常数,所述第一预设常数和所述第二预设常数的和大于所述第三预设常数,所述第二预设常数小于所述第三预设常数。
6.根据权利要求2-5任一所述的方法,其特征在于,所述目标参考业务对象的数量为多个;所述根据所述目标参考业务对象对应的时长数据、所述目标参考业务对象对应的相似度、以及衰减因子对所述目标业务对象对应的时长数据进行预估,包括:
以各目标参考业务对象对应的衰减因子和相似度的乘积为权重,对各目标参考业务对象对应的时长数据进行加权求和平均,得到目标业务对象对应的预估时长数据。
7.根据权利要求1所述的方法,其特征在于,所述时长数据包括生命周期长度和/或目标业务阶段的持续时长。
8.一种业务对象的数据预估装置,其特征在于,包括:
特征序列构建模块,用于获取目标业务对象和参考业务对象对应的历史消耗数据,并基于所述历史消耗数据构建多个目标用户分别对应的用户消耗特征序列,其中,所述用户消耗特征序列中的元素包括业务对象标识,各元素按照目标用户对所述目标业务对象和所述参考业务对象进行消耗的时间顺序进行排列;
向量映射模块,用于依据序列长度对用户消耗特征序列进行筛选,得到目标用户消耗特征序列;采用无监督聚类模型将目标用户消耗特征序列中包含的各业务对象标识映射为预设维度向量空间中的业务对象向量,其中,目标业务对象对应的业务对象向量记为目标业务对象向量,参考业务向量对应的业务对象向量记为参考业务对象向量;
相似度计算模块,用于根据目标业务对象向量和参考业务对象向量计算目标业务对象分别与各参考业务对象之间的相似度,并根据所述相似度确定目标参考业务对象;
时长数据预估模块,用于根据所述目标参考业务对象对应的时长数据和所述目标参考业务对象对应的相似度对所述目标业务对象对应的时长数据进行预估。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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1-7任一项所述的方法。
10.一种计算机可读存储介质,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1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110805153.3A CN113506138B (zh) | 2021-07-16 | 2021-07-16 | 业务对象的数据预估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110805153.3A CN113506138B (zh) | 2021-07-16 | 2021-07-16 | 业务对象的数据预估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113506138A CN113506138A (zh) | 2021-10-15 |
CN113506138B true CN113506138B (zh) | 2024-06-07 |
Family
ID=78013532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110805153.3A Active CN113506138B (zh) | 2021-07-16 | 2021-07-16 | 业务对象的数据预估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506138B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308190B (zh) * | 2023-03-23 | 2023-08-25 | 国网浙江省电力有限公司 | 基于能源物联网服务系统的工单全生命周期监控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007220032A (ja) * | 2006-02-20 | 2007-08-30 | Kyushu Institute Of Technology | 時系列データ認識方法、時系列データ認識装置及びプログラム |
WO2017121285A1 (zh) * | 2016-01-14 | 2017-07-20 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
CN107578270A (zh) * | 2017-08-03 | 2018-01-12 | 中国银联股份有限公司 | 一种金融标签的构建方法、装置及计算设备 |
CN110019420A (zh) * | 2018-05-10 | 2019-07-16 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
CN110909176A (zh) * | 2019-11-20 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 数据推荐方法、装置、计算机设备以及存储介质 |
CN111210071A (zh) * | 2020-01-03 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 业务对象预测方法、装置、设备及可读存储介质 |
CN111768244A (zh) * | 2020-06-30 | 2020-10-13 | 深圳前海微众银行股份有限公司 | 一种广告投放的推荐方法及装置 |
WO2020211566A1 (zh) * | 2019-04-18 | 2020-10-22 | 腾讯科技(深圳)有限公司 | 一种用户推荐方法和装置以及计算设备和存储介质 |
-
2021
- 2021-07-16 CN CN202110805153.3A patent/CN113506138B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007220032A (ja) * | 2006-02-20 | 2007-08-30 | Kyushu Institute Of Technology | 時系列データ認識方法、時系列データ認識装置及びプログラム |
WO2017121285A1 (zh) * | 2016-01-14 | 2017-07-20 | 阿里巴巴集团控股有限公司 | 一种基于时间序列的数据预测方法和装置 |
CN107578270A (zh) * | 2017-08-03 | 2018-01-12 | 中国银联股份有限公司 | 一种金融标签的构建方法、装置及计算设备 |
CN110019420A (zh) * | 2018-05-10 | 2019-07-16 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
WO2020211566A1 (zh) * | 2019-04-18 | 2020-10-22 | 腾讯科技(深圳)有限公司 | 一种用户推荐方法和装置以及计算设备和存储介质 |
CN110909176A (zh) * | 2019-11-20 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 数据推荐方法、装置、计算机设备以及存储介质 |
CN111210071A (zh) * | 2020-01-03 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 业务对象预测方法、装置、设备及可读存储介质 |
CN111768244A (zh) * | 2020-06-30 | 2020-10-13 | 深圳前海微众银行股份有限公司 | 一种广告投放的推荐方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于相似时间序列的航空发动机剩余寿命预测;曹惠玲;梁佳旺;;中国民航大学学报;20200415(第02期);13-17 * |
基于轨迹相似度的移动目标轨迹预测算法;谢彬;张琨;张云纯;蔡颖;蒋彤彤;;计算机工程;20180915(第09期);177-183 * |
Also Published As
Publication number | Publication date |
---|---|
CN113506138A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210334845A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
JP6702092B2 (ja) | 住宅需要反応におけるクーポンの最適化及び配信 | |
Sun et al. | Contextual intent tracking for personal assistants | |
Ellison et al. | Costs of managerial attention and activity as a source of sticky prices: Structural estimates from an online market | |
US11568432B2 (en) | Auto clustering prediction models | |
US9990597B2 (en) | System and method for forecast driven replenishment of merchandise | |
US20020046128A1 (en) | Automatic pricing method and device | |
US20120303410A1 (en) | Demand modeling in retail categories using retail sales data sets with missing data elements | |
WO2011035156A2 (en) | Advertisee-history-based bid generation system and method for multi-channel advertising | |
US11227309B2 (en) | Method and system for optimizing user grouping for advertisement | |
CN103942236A (zh) | 用于供应电子内容的系统和方法 | |
Schlereth et al. | Measuring consumers' preferences for metered pricing of services | |
Tan et al. | A discrete-in-time deteriorating inventory model with time-varying demand, variable deterioration rate and waiting-time-dependent partial backlogging | |
CN113506138B (zh) | 业务对象的数据预估方法、装置、设备及存储介质 | |
US20170154349A1 (en) | System and method for blending promotion effects based on statistical relevance | |
US10467654B2 (en) | Forecasting customer channel choice using cross-channel loyalty | |
US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
US20200311749A1 (en) | System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior | |
Ferreira et al. | Demand learning and pricing for varying assortments | |
Jiang et al. | Intertemporal pricing via nonparametric estimation: Integrating reference effects and consumer heterogeneity | |
JP2023541104A (ja) | 短ライフサイクル販売曲線の推定 | |
US20140039983A1 (en) | Location evaluation | |
US20100287034A1 (en) | Computer-Implemented Systems and Methods for Determining Future Profitability | |
CN115018528A (zh) | 一种任务推送方法、装置及电子设备 | |
CN111506643B (zh) | 用于生成信息的方法、装置和系统 |
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 |