CN113537899A - 询价数据的监控方法及设备 - Google Patents
询价数据的监控方法及设备 Download PDFInfo
- Publication number
- CN113537899A CN113537899A CN202110846070.9A CN202110846070A CN113537899A CN 113537899 A CN113537899 A CN 113537899A CN 202110846070 A CN202110846070 A CN 202110846070A CN 113537899 A CN113537899 A CN 113537899A
- Authority
- CN
- China
- Prior art keywords
- inquiry
- data
- inquiry data
- abnormal
- early warning
- 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 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 181
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 35
- 238000012423 maintenance Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 8
- 239000000470 constituent Substances 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0834—Choice of carriers
- G06Q10/08345—Pricing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种询价数据的监控方法及设备，包括：获取询价数据以及与所述询价数据对应的询价因子；使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据，所述标记数据与所述询价数据及所述询价因子相关联；使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。采用所述方法，解决了询价数据的正确性监控的准确度较低的问题。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及一种询价数据的监控方法、装置及设备。
背景技术
随着配送行业的发展，对配送任务的定价准确度提出了更高的要求。目前一般采用询价系统根据影响定价的因素输出询价数据，使用询价数据对配送任务进行定价。由于影响定价的因素经常发生变化，因此针对配送任务的询价数据会发生波动。如何对询价数据的正确性进行监控以保障询价结果的准确度显得更加重要。
现有的询价数据的监控方式一般是通过监控价格曲线，设置异常阈值和/或波动比例以发现异常价格，进行指标监控预警。存在如下缺陷：由于影响定价的因素较多且会发生变化，例如运营价格调整、配送压力平衡调控、节价日价格浮动、超出预设重量和/或体积的超常规物品配送的价格调节、超长配送距离的价格调节等因素，因而可能导致将价格曲线的正常波动误判为异常价格而误预警，对询价数据的正确性监控的准确度较低。
因此，如何提高询价数据的正确性监控的准确度是需要解决的问题。
发明内容
本申请实施例提供的询价数据的监控方法，解决了询价数据的正确性监控的准确度较低的问题。
本申请实施例提供一种询价数据的监控方法，包括：获取询价数据以及与所述询价数据对应的询价因子；使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；所述询价预警模型为用于判断询价数据是否为需要进行预警的异常询价数据的模型；判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据，所述标记数据与所述询价数据及所述询价因子相关联；使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。
可选的，还包括：获取全量历史配送订单数据；从所述全量历史配送订单数据提取历史询价数据、所述历史询价数据对应的询价因子、用于表征所述历史询价数据是否为真异常询价数据的标记数据；使用上述数据作为训练样本，训练原始询价预警模型，得到初步训练好的询价预警模型；所述使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据，包括：使用所述初步训练好的询价预警模型，对在线获取的询价数据及其对应的询价因子进行学习，确定所述询价数据是否为异常询价数据。
可选的，还包括：对全量历史询价数据进行数据清洗，将处于第一区间的询价数据及其对应的询价因子标记为正确样本，将处于第二区间的询价数据及其对应的询价因子标记为错误样本；所述第一区间为不小于第一阈值并且不大于第二阈值的数值区间；所述第二区间为小于第一阈值或大于第二阈值的数值区间；使用所述正确样本和所述错误样本训练所述原始询价预警模型，得到所述初步训练好的询价预警模型。
可选的，还包括：获取预设时间段内异常询价数据的数量；如果所述异常询价数据的数量超出第一预警阈值，或单位时间内的异常询价数据的数量超出第二预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务；所述询价数据定期拉取任务用于定时拉取询价数据及其对应的询价因子，使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据是否为异常询价数据；如果确定所述询价数据为异常询价数据，则向询价维护资源发送异常询价数据提示信息。
可选的，还包括：获取用于执行所述方法的装置的性能数据；如果所述性能数据大于性能预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务。
可选的，所述判断所述异常询价数据是否为真异常询价数据，包括：获取所述询价数据对应的定价时间和/或配送时间，查询所述定价时间和/或所述配送时间内的询价调整信息，根据所述询价调整信息确定所述异常询价数据是否为真异常询价数据；或，根据所述异常询价数据向询价维护资源发送异常询价数据提示信息，接收所述定价维护资源对所述异常询价数据提示信息发送的确认信息，根据所述确认信息判断所述异常询价数据是否为真异常询价数据。
可选的，所述询价数据包含配送总价和/或配送总价的各组成单元信息；每个询价因子表征用于形成所述配送总价和/或所述组成单元信息包含的单元价的一种价格浮动因素。
可选的，所述询价因子包括下述因子至少之一：配送基础定价因子、配送距离因子、配送步长因子、配送步长重量因子、配送时段因子、配送对象品类因子、配送路径障碍物因子、订单来源因子、订单对应的用户属性因子、天气因子、临时附加因子。
本申请实施例还提供一种询价数据的监控装置，包括：询价数据获取单元，用于获取询价数据以及与所述询价数据对应的询价因子；预警单元，用于使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；所述询价预警模型为用于判断询价数据是否为需要进行预警的异常询价数据的模型；预警正确性判断单元，用于判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据，所述标记数据与所述询价数据及所述询价因子相关联；增量训练单元，用于使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。本申请实施例还提供一种电子设备，包括：存储器，以及处理器；所述存储器用于存储计算机程序，所述计算机程序被所述处理器运行后，执行本申请实施例提供的所述方法。
本申请实施例还提供一种存储设备，存储有计算机程序，所述计算机程序被处理器运行后，执行本申请实施例提供的所述方法。
与现有技术相比，本申请具有以下优点：
本申请实施例提供的一种询价数据的监控方法、装置及设备，通过获取询价数据以及与所述询价数据对应的询价因子；使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据；使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。使用持续产生的询价数据及对应的询价因子对询价预警模型进行持续不断的训练，不断增长的训练样本使得模型的准确度更高，从而提高询价数据的正确性监控的准确度，避免产生异常询价误预警，降低询价功能的维护成本。
附图说明
图1本申请实施例提供的系统环境示意图；
图2是本申请第一实施例提供的一种询价数据的监控方法的流程图；
图3是本申请第一实施例提供的询价数据的正确性监控的交互示意图；
图4是本申请第二实施例提供的询价数据的监控装置示意图；
图5是本申请提供的电子设备示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
本申请实施例提供一种询价数据的监控方法、装置、电子设备及存储设备。在下面的实施例中逐一进行说明。
为便于理解，首先给出本申请实施例提供的方法应用的一种系统环境。请参考图1，图中所示的系统环境包括：订单系统101、询价系统102、询价数据监控系统103。用户通过服务平台下单，订单系统根据该订单对应的基础配送信息向询价系统发送询价请求。基础配送信息包括但不限于配送对象信息、提取位置、配送位置、配送区域、配送时间段等信息。询价系统根据基础配送信息以及获取到的其他诸如配送区域的天气因素、节假日因素、配送时间段对于的配送区域的交通因素、配送区域的运力因素等价格浮动信息自动计算询价数据，将询价数据作为询价请求的响应反馈给订单系统。询价数据监控系统获得询价数据及与其对应的询价因子，判断该询价数据是否异常询价数据，如果是，则触发异常询价预警。判断该异常询价预警的正确性，询价数据监控系统根据异常询价预警的正确性标记训练用于判断询价数据是否异常询价的模型，提高模型的准确度。需要说明的是，该系统环境仅为一个应用场景的实施例，并非用于限定本申请的询价数据的监控方法。
本申请实施例提供的方法，使用询价预警模型根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；标记所述异常询价数据是否为真异常询价数据；使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。通过持续产生的询价数据及对应的询价因子对询价预警模型进行持续不断的训练，得到更准确的模型，从而提高询价数据的正确性监控的准确度，避免产生异常询价误预警。
以下结合图2至图3对本申请第一实施例提供的询价数据的监控方法进行说明。图2所示的询价数据的监控方法，包括：步骤S201至步骤S204。
步骤S201，获取询价数据以及与所述询价数据对应的询价因子。
所谓询价，是指向询价系统输入询价因子，获取询价结果数据的过程。本申请实施例的一个主要场景是监控配送任务的询价结果数据的正确性以便提供准确度较高的异常询价预警。配送任务的询价结果数据是指配送任务询价系统接收到询价请求，使用询价因子计算得到对应于该询价请求的询价结果数据。为阐述方便，询价结果数据称为询价数据。
所谓询价因子，是指计算询价结果数据所需要的因子。既可以为与配送任务的配送基础信息对应的基础因子，例如与提取位置、配送位置、配送距离、配送时间段、配送区域、配送对象重量级体积等信息相关的各因子；也可以包括与该配送任务相关的附加信息对应的附加因子，如：与天气特征、配送时间特征、配送环境特征等相关的因子。
本实施例中，优选的，所述询价数据包含配送总价和/或配送总价的各组成单元信息；每个询价因子表征用于形成所述配送总价和/或所述组成单元信息包含的单元价的一种价格浮动因素。其中，每个组成单元信息为构成配送总价的一个部分。例如，某询价计算中，配送总价包括两部分：固定的配送起步价格，及，按照配送步长单价及配送距离计算的配送距离调节价格，其中，配送步长单价为一个询价因子。具体的，所述询价因子包括但不限于下述因子至少之一：配送基础定价因子、配送距离因子、配送步长因子、配送步长重量因子、配送时段因子、配送对象品类因子、配送路径障碍物因子、订单来源因子、订单对应的用户属性因子、天气因子、临时附加因子。例如，配送基础定价因子用于确定配送起步价格；配送距离因子用于确定配送距离调节价格；配送步长因子用于按照步长单价计算配送距离调节价格；临时附加因子为根据临时配送环境如配送运力负荷、配送时间段内配送区域的交通情况等计算临时调节价格；配送路径障碍物因子用于计算配送途中需要支付的路桥等交通费用。配送时段因子用于根据配送时段对应的节假日特征和/或忙时闲时特征计算的调节价格。
步骤S202，使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；所述询价预警模型为用于判断询价数据是否为需要进行预警的异常询价数据的模型。
本实施例中，基于机器学习构建询价预警模型模型，将各种动态变化的训价因子与询价数据的关系训练模型。实际上，询价数据是否正确为二分类问题，使用询价预警模型将询价数据根据其正确性分为两类：异常询价数据及正常询价数据，对于异常询价数据需要执行预警逻辑进行异常询价预警。实施时可对询价数据进行清洗，使用清洗后的数据进行机器学习，得到的询价预警模型能根据询价因子及询价数据对询价数据进行分类。
优选的，使用全量数据训练所述询价预警模型。具体包括：获取全量历史配送订单数据；从所述全量历史配送订单数据提取历史询价数据、所述历史询价数据对应的询价因子、用于表征所述历史询价数据是否为真异常询价数据的标记数据；使用上述数据作为训练样本，训练原始询价预警模型，得到初步训练好的询价预警模型；使用所述初步训练好的询价预警模型，对在线获取的询价数据及其对应的询价因子进行学习，确定所述询价数据是否为异常询价数据。进一步，还包括：对全量历史询价数据进行数据清洗，将处于第一区间的询价数据及其对应的询价因子标记为正确样本，将处于第二区间的询价数据及其对应的询价因子标记为错误样本；所述第一区间为不小于第一阈值并且不大于第二阈值的数值区间；所述第二区间为小于第一阈值或大于第二阈值的数值区间；使用所述正确样本和所述错误样本训练所述原始询价预警模型，得到所述初步训练好的询价预警模型。通过上述处理可以将询价数据中明显异常高或者明显异常低的配送定价标记为错误样本，对其他询价数据标记为正确样本。
实施时，如果询价量较大，则询价因子及询价数据的数据量也会较大，可能逼近或超出使用询价预警模型对询价数据分类的处理能力。为保障正常处理，所述方法还提供用于启动或关闭异常询价预警功能的开关。当需处理的数据量满足预设条件则关闭异常询价预警功能，转换为：主动拉取一定时间段内的询价数据，进行异常询价判断并预警。例如，拉取最近1分钟内的数据进行预警计算，既保证预警实时性，同时又能降低数据处理压力。一个实施方式中，具体包括：获取预设时间段内异常询价数据的数量；如果所述异常询价数据的数量超出第一预警阈值，或单位时间内的异常询价数据的数量超出第二预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务；所述询价数据定期拉取任务用于定时拉取询价数据及其对应的询价因子，使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据是否为异常询价数据；如果确定所述询价数据为异常询价数据，则向询价维护资源发送异常询价数据提示信息。即，根据异常询价数据的数据量和/或产生频率确定是否关闭异常询价预警功能。一个实施方式中，具体包括：获取用于执行所述方法的装置的性能数据；如果所述性能数据大于性能预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务。即，根据数据处理压力确定是否关闭异常询价预警功能。当然，上述两种方式可以结合实施。
请参考图3，图中示出的询价数据的正确性监控的交互流程中，加入了人工监督模块，处理询价数据预警的正确性，包括：1、询价模块根据配送距离、配送重量、天气、节假日特征、运力压力特征等询价因子计算询价数据，计算结束后将询价因子及询价结果数据上报给预警模块。将询价数据结果以及对应的询价因子存储于询价结果数据库。2、机器学习模块使用询价结果数据库中的全量数据对询价预警模型进行训练，生成训练后的询价预警模型。3、机器学习模块启动定时增量学习，例如，使用单日产生的询价数据及各条数据对应的询价因子继续训练已训练过的询价预警模型，对其进行修正，提高异常询价数据预警的正确性。4、人工监督模块获取异常询价数据及其对应的询价因子，响应于维护资源的输入信息，标记每条异常询价数据的判断是否正确。并使用标记信息刷新询价结果数据库。5、预警模块使用不断修正的询价数据预警模型对实时获得的询价结果判断是否为异常询价。6、对异常询价数据进行预警，可以将预警信息发送给人工监督模块。实际上，图中的询价模块、机器学习模块、人工监督模块、预警模块也可以各自作为一个系统实现。
步骤S203，判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据，所述标记数据与所述询价数据及所述询价因子相关联。
本步骤中是标记异常询价的正确性。既可以自动判断正确性也可以加入人工监督。具体的，所述判断所述异常询价数据是否为真异常询价数据，包括但不限于：方式一，获取所述询价数据对应的定价时间和/或配送时间，查询所述定价时间和/或所述配送时间内的询价调整信息，根据所述询价调整信息确定所述异常询价数据是否为真异常询价数据；或，方式二，根据所述异常询价数据向询价维护资源发送异常询价数据提示信息，接收所述定价维护资源对所述异常询价数据提示信息发送的确认信息，根据所述确认信息判断所述异常询价数据是否为真异常询价数据。当然方式一和方式二可以结合实时。如果判断异常询价为真异常询价数据，则执行预警逻辑进行异常询价预警。
本实施例中，还包括：将所述标记数据和与之相关联的询价数据及询价因子关联存储，比如，询价因子及询价数据记录在询价数据库中，使用所述标记数据刷新与其对应的数据库记录。被标记为真异常询价数据，则说明该异常询价数据对应的询价为正确的异常询价，需要进行异常询价预警，该真异常询价数据对应的询价因子、询价数据作为正确样本。被标记为非真异常询价数据，则说明该异常询价数据对应的询价为错误的异常询价，并不需要进行异常询价预警，该非真异常询价数据对应的询价因子、询价数据作为错误样本。正确样本及错误样本均可用于对询价预警模型进行训练。
步骤S204，使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。
本步骤为通过增量学习不断修正模型，使得模型在用于对后续新产生的询价数据进行分类时能更准确的学习新产生的询价数据是否为异常询价数据。
实施时，每天会产生新的询价数据、针对询价数据是否为异常询价数据的判断、以及针对异常询价数据是否为真异常询价数据的标记数据。可在闲时启动定时任务，使用增量产生的上述数据学习得到修正后的询价预警模型。持续不断的数据训练生成一个更加准确的预警模型。不断增长的学习样本，进一步可结合人工对学习过程监督，使得询价预警模型的输出信息的准确度更高。所谓结合人工对学习过程监督，是指可接收人工监督信息并进行处理的模块，具体的：接收询价预警模型的输出信息，即模型预测为异常询价的异常询价数据；响应于维护资源的输入信息得到维护资源针对所述模型预测为异常询价的异常询价数据的判断结果，所述判断结果用于表征所述异常数据是否为真询价异常数据；将标记结果与对应的询价因子、询价数据相关联存储。
本实施例提供的询价数据的监控方案，可学习到各种动态变化的影响询价因子的因素如天气因素、节假日因素等对于询价数据的浮动影响，天气状况变化导致配送费用调节情形下由于全量学习及增量学习而能准确的确定询价异常数据，也能学习到节假日运营策略对节假日询价数据的浮动影响，更加灵活，不需要人工调整阈值，降低了运营成本。而采用固定价格阈值监控询价数据，当由于天气状况恶劣配送费用会被调高时，会导致价格曲线出现异常上升，如果不调整配置的固定价格上限阈值，则易于出现误预警的情况。当节假日来临时运营根据策略调整节假日价格，会导致价格曲线波动，采用固定价格阈值监控询价数据，如果不调整报警配置，则易于出现误预警的情况。
需要说明的是，在不冲突的情况下，在本实施例和本申请的其他实施例中给出的特征可以相互组合，并且步骤S201和S202或类似用语不限定步骤必须先后执行。
至此，对本实施例提供的方法进行了说明，所述方法获取询价数据以及与所述询价数据对应的询价因子；使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据；使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。使用持续产生的询价数据及对应的询价因子对询价预警模型进行持续不断的训练，不断增长的训练样本使得模型的准确度更高，从而提高询价数据的正确性监控的准确度。
与第一实施例对应，本申请第二实施例提供一种询价数据的监控装置。以下结合图4对所述装置进行说明。图4所示的询价数据的监控装置，包括：
询价数据获取单元401，用于获取询价数据以及与所述询价数据对应的询价因子；
预警单元402，用于使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；所述询价预警模型为用于判断询价数据是否为需要进行预警的异常询价数据的模型；
预警正确性判断单元403，用于判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据，所述标记数据与所述询价数据及所述询价因子相关联；
增量训练单元404，用于使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。
可选的，所述询价数据获取单元401具体用于：获取全量历史配送订单数据；从所述全量历史配送订单数据提取历史询价数据、所述历史询价数据对应的询价因子、用于表征所述历史询价数据是否为真异常询价数据的标记数据；使用上述数据作为训练样本，训练原始询价预警模型，得到初步训练好的询价预警模型；所述预警单元402具体用于：使用所述初步训练好的询价预警模型，对在线获取的询价数据及其对应的询价因子进行学习，确定所述询价数据是否为异常询价数据。
可选的，所述预警单元402具体用于：对全量历史询价数据进行数据清洗，将处于第一区间的询价数据及其对应的询价因子标记为正确样本，将处于第二区间的询价数据及其对应的询价因子标记为错误样本；所述第一区间为不小于第一阈值并且不大于第二阈值的数值区间；所述第二区间为小于第一阈值或大于第二阈值的数值区间；使用所述正确样本和所述错误样本训练所述原始询价预警模型，得到所述初步训练好的询价预警模型。
可选的，所述预警单元402具体用于：获取预设时间段内异常询价数据的数量；如果所述异常询价数据的数量超出第一预警阈值，或单位时间内的异常询价数据的数量超出第二预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务；所述询价数据定期拉取任务用于定时拉取询价数据及其对应的询价因子，使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据是否为异常询价数据；如果确定所述询价数据为异常询价数据，则向询价维护资源发送异常询价数据提示信息。
可选的，所述预警单元402具体用于：获取用于执行所述方法的装置的性能数据；如果所述性能数据大于性能预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务。
可选的，所述预警正确性判断单元403具体用于：获取所述询价数据对应的定价时间和/或配送时间，查询所述定价时间和/或所述配送时间内的询价调整信息，根据所述询价调整信息确定所述异常询价数据是否为真异常询价数据；或，根据所述异常询价数据向询价维护资源发送异常询价数据提示信息，接收所述定价维护资源对所述异常询价数据提示信息发送的确认信息，根据所述确认信息判断所述异常询价数据是否为真异常询价数据。
可选的，所述询价数据包含配送总价和/或配送总价的各组成单元信息；每个询价因子表征用于形成所述配送总价和/或所述组成单元信息包含的单元价的一种价格浮动因素。
可选的，所述询价因子包括下述因子至少之一：配送基础定价因子、配送距离因子、配送步长因子、配送步长重量因子、配送时段因子、配送对象品类因子、配送路径障碍物因子、订单来源因子、订单对应的用户属性因子、天气因子、临时附加因子。
以上述实施例为基础，本申请第三实施例提供一种电子设备，相关的部分请参见上述实施例的对应说明即可。请参考图5，图5所示的电子设备包括存储器501和处理器502。所述存储器存储有计算机程序，所述计算机程序被处理器运行后，执行本申请实施例提供的所述方法。
以上述实施例为基础，本申请第四实施例提供一种存储设备，相关的部分请参见上述实施例的对应说明即可。所述存储设备的示意图类似图5。所述存储设备存储有计算机程序，所述计算机程序被处理器运行后，执行本申请实施例提供的所述方法。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种询价数据的监控方法，其特征在于，包括：
获取询价数据以及与所述询价数据对应的询价因子；
使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；所述询价预警模型为用于判断询价数据是否为需要进行预警的异常询价数据的模型；
判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据，所述标记数据与所述询价数据及所述询价因子相关联；
使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取全量历史配送订单数据；
从所述全量历史配送订单数据提取历史询价数据、所述历史询价数据对应的询价因子、用于表征所述历史询价数据是否为真异常询价数据的标记数据；
使用上述数据作为训练样本，训练原始询价预警模型，得到初步训练好的询价预警模型；
所述使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据，包括：
使用所述初步训练好的询价预警模型，对在线获取的询价数据及其对应的询价因子进行学习，确定所述询价数据是否为异常询价数据。
3.根据权利要求2所述的方法，其特征在于，还包括：
对全量历史询价数据进行数据清洗，将处于第一区间的询价数据及其对应的询价因子标记为正确样本，将处于第二区间的询价数据及其对应的询价因子标记为错误样本；所述第一区间为不小于第一阈值并且不大于第二阈值的数值区间；所述第二区间为小于第一阈值或大于第二阈值的数值区间；
使用所述正确样本和所述错误样本训练所述原始询价预警模型，得到所述初步训练好的询价预警模型。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取预设时间段内异常询价数据的数量；
如果所述异常询价数据的数量超出第一预警阈值，或单位时间内的异常询价数据的数量超出第二预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务；所述询价数据定期拉取任务用于定时拉取询价数据及其对应的询价因子，使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据是否为异常询价数据；
如果确定所述询价数据为异常询价数据，则向询价维护资源发送异常询价数据提示信息。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取用于执行所述方法的装置的性能数据；
如果所述性能数据大于性能预警阈值，则将预警开关设置为关闭，并启动询价数据定期拉取任务。
6.根据权利要求1所述的方法，其特征在于，所述判断所述异常询价数据是否为真异常询价数据，包括：
获取所述询价数据对应的定价时间和/或配送时间，查询所述定价时间和/或所述配送时间内的询价调整信息，根据所述询价调整信息确定所述异常询价数据是否为真异常询价数据；或，
根据所述异常询价数据向询价维护资源发送异常询价数据提示信息，接收所述定价维护资源对所述异常询价数据提示信息发送的确认信息，根据所述确认信息判断所述异常询价数据是否为真异常询价数据。
7.根据权利要求1所述的方法，其特征在于，所述询价数据包含配送总价和/或配送总价的各组成单元信息；
每个询价因子表征用于形成所述配送总价和/或所述组成单元信息包含的单元价的一种价格浮动因素。
8.根据权利要求7所述的方法，其特征在于，所述询价因子包括下述因子至少之一：
配送基础定价因子、配送距离因子、配送步长因子、配送步长重量因子、配送时段因子、配送对象品类因子、配送路径障碍物因子、订单来源因子、订单对应的用户属性因子、天气因子、临时附加因子。
9.一种询价数据的监控装置，其特征在于，包括：
询价数据获取单元，用于获取询价数据以及与所述询价数据对应的询价因子；
预警单元，用于使用询价预警模型，根据所述询价因子以及所述询价数据确定所述询价数据为异常询价数据；所述询价预警模型为用于判断询价数据是否为需要进行预警的异常询价数据的模型；
预警正确性判断单元，用于判断所述异常询价数据是否为真异常询价数据，根据判断结果标记所述异常询价数据，得到所述异常询价数据的标记数据，所述标记数据与所述询价数据及所述询价因子相关联；
增量训练单元，用于使用所述标记数据及其关联的询价数据、询价因子对所述询价预警模型进行训练，得到训练后的询价预警模型；使用训练后的询价预警模型判断新产生的询价数据是否为异常询价数据。
10.一种电子设备，其特征在于，包括：
存储器，以及处理器；所述存储器用于存储计算机程序，所述计算机程序被所述处理器运行后，执行权利要求1-8任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110846070.9A CN113537899A (zh) | 2021-07-26 | 2021-07-26 | 询价数据的监控方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110846070.9A CN113537899A (zh) | 2021-07-26 | 2021-07-26 | 询价数据的监控方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537899A true CN113537899A (zh) | 2021-10-22 |
Family
ID=78120874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110846070.9A Pending CN113537899A (zh) | 2021-07-26 | 2021-07-26 | 询价数据的监控方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537899A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6809833B1 (en) * | 1999-03-01 | 2004-10-26 | Adobe Systems Incorporated | Late binding of device settings in a host raster image processor |
| CN108230120A (zh) * | 2018-02-07 | 2018-06-29 | 上海携程商务有限公司 | 订单价格异常监控的方法、系统、设备及存储介质 |
| CN110390077A (zh) * | 2018-11-30 | 2019-10-29 | 上海德拓信息技术股份有限公司 | 一种用于识别商品价格异常风险的方法 |
| CN111581078A (zh) * | 2020-04-09 | 2020-08-25 | 苏宁云计算有限公司 | 一种业务异常定位方法、装置、计算机设备及存储介质 |
| CN112800037A (zh) * | 2021-01-06 | 2021-05-14 | 银源工程咨询有限公司 | 工程造价数据处理的优化方法及装置 |
| CN112884405A (zh) * | 2021-02-10 | 2021-06-01 | 北京京东振世信息技术有限公司 | 一种询价系统及其调度方法 |
-
2021
- 2021-07-26 CN CN202110846070.9A patent/CN113537899A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6809833B1 (en) * | 1999-03-01 | 2004-10-26 | Adobe Systems Incorporated | Late binding of device settings in a host raster image processor |
| CN108230120A (zh) * | 2018-02-07 | 2018-06-29 | 上海携程商务有限公司 | 订单价格异常监控的方法、系统、设备及存储介质 |
| CN110390077A (zh) * | 2018-11-30 | 2019-10-29 | 上海德拓信息技术股份有限公司 | 一种用于识别商品价格异常风险的方法 |
| CN111581078A (zh) * | 2020-04-09 | 2020-08-25 | 苏宁云计算有限公司 | 一种业务异常定位方法、装置、计算机设备及存储介质 |
| CN112800037A (zh) * | 2021-01-06 | 2021-05-14 | 银源工程咨询有限公司 | 工程造价数据处理的优化方法及装置 |
| CN112884405A (zh) * | 2021-02-10 | 2021-06-01 | 北京京东振世信息技术有限公司 | 一种询价系统及其调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210209467A1 (en) | Method and device for predicting thermal load of electrical system | |
| US10860949B2 (en) | Feature transformation of event logs in machine learning | |
| US20210166181A1 (en) | Equipment management method, device, system and storage medium | |
| CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
| CN116431923B (zh) | 一种针对城市道路的交通出行预测方法、设备及介质 | |
| CN111143070A (zh) | 一种资源调度方法和装置 | |
| CN114842648B (zh) | 一种基于交通流的隧道运行状态预警方法、设备及介质 | |
| CN114493726A (zh) | 一种订单的监控方法和监控平台 | |
| CN111353626A (zh) | 数据的审核方法、装置及设备 | |
| CN111881058A (zh) | 一种软件工程质量预测方法 | |
| CN116957761A (zh) | 数据处理方法及装置、电子设备、计算机可读存储介质 | |
| CN115205052A (zh) | 理财产品的推荐方法及装置、电子设备、存储介质 | |
| CN117196322B (zh) | 智能风控方法、装置、计算机设备及存储介质 | |
| CN113553234A (zh) | 数据异常检测方法 | |
| CN113537899A (zh) | 询价数据的监控方法及设备 | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CN110069379B (zh) | 监控指标的筛选方法及筛选装置 | |
| US20090240643A1 (en) | System and method for detecting human judgment drift and variation control | |
| CN112685390B (zh) | 数据库实例管理方法及装置、计算设备 | |
| CN110457367B (zh) | 发现数据异动的方法和系统 | |
| US11393047B2 (en) | Methods, systems, articles of manufacture and apparatus to monitor auditing devices | |
| CN112530505A (zh) | 硬盘延迟检测方法、装置及计算机可读存储介质 | |
| US11687840B2 (en) | Forecasting with state transitions and confidence factors | |
| CN114328472B (zh) | 一种基于ai的数据迁移方法及系统 | |
| CN114550453B (zh) | 模型训练方法、确定方法、电子设备及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211022 |