CN113706214A - 一种数据处理方法、装置和电子设备 - Google Patents

一种数据处理方法、装置和电子设备 Download PDF

Info

Publication number
CN113706214A
CN113706214A CN202111025644.2A CN202111025644A CN113706214A CN 113706214 A CN113706214 A CN 113706214A CN 202111025644 A CN202111025644 A CN 202111025644A CN 113706214 A CN113706214 A CN 113706214A
Authority
CN
China
Prior art keywords
consumer goods
resource information
current period
period
predicted value
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
CN202111025644.2A
Other languages
English (en)
Inventor
陈程
王贺
石奕
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.)
Wuhan Zhuoer Digital Media Technology Co ltd
Original Assignee
Wuhan Zhuoer Digital Media Technology Co 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 Wuhan Zhuoer Digital Media Technology Co ltd filed Critical Wuhan Zhuoer Digital Media Technology Co ltd
Priority to CN202111025644.2A priority Critical patent/CN113706214A/zh
Publication of CN113706214A publication Critical patent/CN113706214A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的数据处理方法、装置和电子设备，获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数；根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测，从而利用预测相关参数对当前周期内所述消费品的资源信息进行预测，可以提高得到资源信息的准确度。

Description

一种数据处理方法、装置和电子设备
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种数据处理方法、装置和电子设备。
背景技术
目前，电商平台已经成为人们购物的首选，女性用户都是通过使用的移动终端登录电商网站，打开美妆消费品和母婴消费品的页面进行浏览并进行选购。
发明内容
为解决上述问题，本发明实施例的目的在于提供一种数据处理方法、装置和电子设备。
第一方面，本发明实施例提供了一种数据处理方法，包括：
获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；
基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数；
根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测。
第二方面，本发明实施例还提供了一种数据处理装置，包括：
获取模块，用于获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；
计算模块，用于基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数；
预测模块，用于根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种电子设备，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行第一方面所述的方法的步骤。
本发明实施例上述第一方面至第四方面提供的方案中，在获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数后，利用预测相关参数对当前周期内所述消费品的资源信息进行预测，从而利用预测相关参数对当前周期内所述消费品的资源信息进行预测，可以提高得到资源信息的准确度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例1所提供的一种数据处理方法的流程图；
图2示出了本发明实施例2所提供的一种数据处理装置的结构示意图；
图3示出了本发明实施例3所提供的一种电子设备的结构示意图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
目前，电商平台已经成为人们购物的首选，女性用户都是通过使用的移动终端登录电商网站，打开美妆消费品和母婴消费品的页面进行浏览并进行选购。
基于此，本实施例提出一种数据处理方法、装置和电子设备，在获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数后，利用预测相关参数对当前周期内所述消费品的资源信息进行预测，从而利用预测相关参数对当前周期内所述消费品的资源信息进行预测，可以提高得到资源信息的准确度。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请做进一步详细的说明。
实施例1
本实施例提出的数据处理方法的执行主体是电商平台的后台服务器。
参见图1所示的一种数据处理方法，本实施例提出一种数据处理方法，包括以下具体步骤：
步骤100、获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息。
在上述步骤100中，当前周期的上一周期内所述消费品的成交信息，包括但不限于：当前周期的上一周期内所述消费品的成交资源信息、当前周期的上一周期内所述消费品的成交量、当前周期的上一周期内所述消费品的成交资源信息总和、以及消费品的品牌店铺等级、以及购买消费品的用户所在的地域以及当前时间。
所述消费品，包括但不限于：美妆消费品和母婴消费品。
本实施例提出的数据处理方法除了对美妆消费品和母婴消费品的可以进行资源信息的预测之外，还可以对其他的任何消费品进行资源信息预测，这里不再一一赘述。
预测资源信息的周期，可以设置为1到4个月的任意时间长度。
在一个实施方式中，美妆消费品和母婴消费品中不同的消费品存在季节需求差异。即美妆消费品和母婴消费品中的一些消费品在有些季节的需求量大，在另一些季节的需求量小。
因此，优选地，以大致季节所经历的月份为周期，对美妆消费品和母婴消费品的资源信息进行预测。
其中，春季是一年中的3月至5月；夏季是一年中的6月至8月；秋季是一年中的9月至11月；冬季是一年中的12月至次年2月。
那么，在一个季节开始的日期，即3月1日、6月1日、9月1日以及12月1日，执行本实施例提出的数据处理方法，以对当前周期内消费品的资源信息进行预测。
步骤102、基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数。
在上述步骤102中，所述预测相关参数，包括但不限于：当前周期的上一周期内所述消费品的成交量、当前周期的上一周期内所述消费品的成交资源信息总和、以及消费品的品牌店铺等级、当前周期的上一周期内所述消费品的成交资源信息的第一平均值、当前周期的上一周期内所述消费品的成交资源信息的方差、当前周期的所述上一周期内所述消费品的成交资源信息的最值、购买消费品的用户所在地域的地域标识、所述当前所处季节的季节标识、所述第一时段内的成交资源信息的第二平均值以及所述第二时段内的成交资源信息的第三平均值。
在上述步骤102中，为了基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数，可以执行以下步骤(1)至步骤(7)：
(1)查询出购买消费品的用户所在地域的地域标识，基于所述当前时间，确定当前所处季节，并查询出所述当前所处季节的季节标识；
(2)根据当前周期的上一周期内所述消费品的成交资源信息，计算得到当前周期的上一周期内所述消费品的成交资源信息的第一平均值以及当前周期的上一周期内所述消费品的成交资源信息的方差；
(3)根据当前周期的上一周期内所述消费品的成交资源信息，确定出当前周期的所述上一周期内所述消费品的成交资源信息的最值；
(4)根据当前周期的上一周期内所述消费品的成交资源信息，统计出当前周期的上一周期内所述消费品的成交资源信息总和大于第一成交资源信息总和阈值的第一时段，并获取所述第一时段内的成交资源信息；
(5)计算所述第一时段内的成交资源信息的第二平均值；
(6)根据当前周期的上一周期内所述消费品的成交资源信息，统计出当前周期的上一周期内所述消费品的成交资源信息总和小于第二成交资源信息总和阈值的第二时段，并获取所述第二时段内的成交资源信息；
(7)计算所述第二时段内的成交资源信息的第三平均值。
在上述步骤(1)中，所述后台服务器中存储有地域与地域标识的对应关系，所以，利用确定出的地域在上述地域与地域标识的对应关系中进行遍历，就可以查询出购买消费品的用户所在地域的地域标识。
所述后台服务器中存储有季节与季节标识的对应关系，所以，利用确定出的季节在季节与季节标识的对应关系中进行遍历，就可以查询出季节的季节标识。
在上述步骤(2)中，根据当前周期的上一周期内所述消费品的成交资源信息，计算得到当前周期的上一周期内所述消费品的成交资源信息的第一平均值以及当前周期的上一周期内所述消费品的成交资源信息的方差的具体过程是现有技术，这里不再赘述。
在上述步骤(3)中，当前周期的所述上一周期内所述消费品的成交资源信息的最值，包括：当前周期的所述上一周期内所述消费品的成交资源信息的最大值和当前周期的所述上一周期内所述消费品的成交资源信息的最小值。
在上述步骤(4)中，所述第一成交资源信息总和阈值，为预设值，缓存在所述后台服务器中。
所述第一时段，是电商举办店庆活动或者举办购物节的时间段。
在上述步骤(6)中，所述第二成交资源信息总和阈值，为预设值，缓存在所述后台服务器中。所述第二成交资源信息总和阈值的大小远远小于所述第一成交资源信息总和阈值的大小。
所述第二时段，是需求淡季的时间段。
步骤104、根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测。
在上述步骤104中，为了根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测，包括以下步骤(1)至(3)：
(1)对预测相关参数进行处理，得到当前周期内所述消费品的资源信息的第一预测值；
(2)得到当前周期内所述消费品的资源信息的第二预测值和第三预测值；
(3)利用所述第一预测值、所述第二预测值、所述第三预测值对当前周期内所述消费品的资源信息进行预测。
在上述步骤(1)中，可以执行以下具体过程：
利用XGBoost算法，对当前周期的上一周期内所述消费品的成交量、当前周期的上一周期内所述消费品的成交资源信息总和、以及消费品的品牌店铺等级、当前周期的上一周期内所述消费品的成交资源信息的第一平均值、当前周期的上一周期内所述消费品的成交资源信息的方差、当前周期的所述上一周期内所述消费品的成交资源信息的最值、购买消费品的用户所在地域的地域标识、所述当前所处季节的季节标识、所述第一时段内的成交资源信息的第二平均值以及所述第二时段内的成交资源信息的第三平均值进行处理，得到当前周期内所述消费品的资源信息的第一预测值。
在上述步骤(2)中，为了得到当前周期内所述消费品的资源信息的第二预测值和第三预测值，可以执行以下步骤(21)至步骤(23)：
(21)根据所述消费品名称，分别查询出所述消费品的竞争消费品和相似消费品；
(22)根据所述消费品、所述竞争消费品和所述相似消费品，得到当前周期内所述消费品的资源信息的第二预测值；
(23)获取当前周期的上一周期内的用户行为，并对所述用户行为进行处理，得到当前周期内所述消费品的资源信息的第三预测值。
在上述步骤(21)中，所述后台服务器中，缓存有消费品的消费品名称、竞争消费品的名称和相似消费品的名称的对应关系。
所以，根据消费品名称进行遍历，就可以查询出所述消费品的竞争消费品和相似消费品。
所述消费品的竞争消费品，是指其他品牌中与待预测资源信息的消费品定位相似的消费品。
所述消费品的相似消费品，是指所述消费品所属商品品牌中该待预测资源信息的消费品的上一代消费品或者下一代消费品。
在上述步骤(22)中，为了得到当前周期内所述消费品的资源信息的第二预测值，可以执行以下步骤(221)至步骤(222)：
(221)获取当前周期的上一周期内所述消费品的第一搜索量、当前周期的上一周期内所述竞争消费品的第二搜索量、以及当前周期的上一周期内所述相似消费品的第三搜索量；
(222)将第一搜索量、第二搜索量、以及第三搜索量输入到支持向量机算法模型中，利用所述支持向量机算法模型对第一搜索量、第二搜索量、以及第三搜索量进行处理，得到当前周期内所述消费品的资源信息的第二预测值。
在上述步骤(221)中，所述后台服务器，存储有统计的用户行为，所述用户行为，包括：用户每天对消费品的搜索量、每天对消费品的点击量、以及每天对消费品的下单量。那么所述后台服务器可以根据用户行为中记载的消费品每天的搜索量，就可以统计并得到当前周期的上一周期内所述消费品的第一搜索量、当前周期的上一周期内所述竞争消费品的第二搜索量、以及当前周期的上一周期内所述相似消费品的第三搜索量。
在上述步骤(222)中，利用所述支持向量机算法模型对第一搜索量、第二搜索量、以及第三搜索量进行处理，得到当前周期内所述消费品的资源信息的第二预测值的具体过程是现有技术，这里不再赘述。
在上述步骤(23)中，为了得到当前周期内所述消费品的资源信息的第三预测值，可以执行以下步骤(231)至步骤(232)：
(231)获取当前周期的上一周期内的用户行为，所述当前周期的上一周期内的用户行为包括：当前周期的上一周期内用户对所述消费品的第一搜索量、当前周期的上一周期内用户对所述消费品所在页面的第一点击量以及当前周期的上一周期内用户对所述消费品的第一下单量；
(232)将所述第一搜索量、所述第一点击量、以及所述第一下单量输入到逻辑回归算法模型中，利用所述逻辑回归算法模型对所述第一搜索量、所述第一点击量、以及所述第一下单量进行处理，得到当前周期内所述消费品的资源信息的第三预测值。
在上述步骤(231)中，所述后台服务器可以根据用户行为中记载的消费品每天的搜索量、每天对消费品的点击量、以及每天对消费品的下单量，统计得到当前周期的上一周期内用户对所述消费品的第一搜索量、当前周期的上一周期内用户对所述消费品所在页面的第一点击量以及当前周期的上一周期内用户对所述消费品的第一下单量。
在上述步骤(232)中，所述逻辑回归算法模型，公式为：
z＝wTx
y＝sigmoid(z)
Figure BDA0003243256680000091
利用所述逻辑回归算法模型对所述第一搜索量、所述第一点击量、以及所述第一下单量进行处理，得到当前周期内所述消费品的资源信息的第三预测值的具体过程是现有技术，这里不再赘述。
在上述步骤(3)中，利用所述第一预测值、所述第二预测值、所述第三预测值对当前周期内所述消费品的资源信息进行预测，包括：
通过以下公式对当前周期内所述消费品的资源信息进行预测：
W(x)＝w1f1(x)+w2f2(x)+w3f3(x)
其中，W(x)表示当前周期内所述消费品的资源信息；f1(x)表示第一预测值；f2(x)表示第二预测值；f3(x)表示第三预测值；w1、w2、以及w3为预设值。
在设置w1、w2、以及w3时，需满足如下条件：
w1、w2、以及w3的和为1；w2和w3的设定值应大于w1的设定值。
通过以上的内容，可以确定，分别采用XGBoost算法、支持向量机算法模型以及逻辑回归算法模型三个模型线性组合的方式进行消费品资源信息的预测，使得对资源信息的预测准确度更高、进一步提高了效果。
在得到预测的当前周期内消费品的资源信息后，可以继续执行以下步骤(1)至步骤(8)：
(1)将预测得到的当前周期内所述消费品的资源信息展示出来；
(2)当展示预测得到的当前周期内所述消费品的资源信息的时间长度达到预设时长时，统计预设时长内用户对所述消费品的第二搜索量、预设时长内用户对所述消费品所在页面的第二点击量以及预设时长内用户对所述消费品的第二下单量；
(3)当所述第二搜索量小于搜索量阈值、所述第二点击量小于点击量阈值且所述第二下单量小于下单量阈值时，获取当前周期的上一周期内所述消费品的成交资源信息；
(4)利用Bagging算法将当前周期的上一周期内所述消费品的成交资源信息划分成第一数据集和第二数据集；其中，所述第一数据集和所述第二数据集分别包括：至少两个成交资源信息；
(5)分别计算所述第一数据集中至少两个成交资源信息中的各成交资源信息与所述第二数据集中至少两个成交资源信息中各成交资源信息的欧氏距离；
(6)按照欧氏距离从小到大的顺序，对所述第一数据集中的成交资源信息进行排序，得到排序后的成交资源信息；
(7)从排序后的成交资源信息中选择出前k个成交资源信息作为候选资源信息，并从所述候选资源信息中选择出现频率最高的候选资源信息作为当前周期内所述消费品的资源信息的更新资源信息；
(8)利用所述更新资源信息对当前周期内所述消费品的资源信息进行更新，并将更新后的当前周期内所述消费品的资源信息展示出来。
在上述步骤(1)中，后台服务器将预测得到的当前周期内所述消费品的资源信息在电商平台上展示出来。
在上述步骤(2)中，所述预设时长，是7天到14天的任意时间长度。
统计预设时长内用户对所述消费品的第二搜索量、预设时长内用户对所述消费品所在页面的第二点击量以及预设时长内用户对所述消费品的第二下单量的时间段是：展示预测得到的当前周期内所述消费品的资源信息的开始时间点起的预设时长内的时间段。
在上述步骤(3)中，搜索量阈值、点击量阈值、以及下单量阈值缓存在后台服务器中。
搜索量阈值是通过统计消费品日常的用户行为中用户每天对消费品的搜索量得到的；点击量阈值是通过统计消费品日常的用户行为中用户每天对消费品的点击量得到的；下单量阈值是通过统计消费品日常的用户行为中用户每天对消费品的下单量得到的。
在上述步骤(4)中，利用Bagging算法将当前周期的上一周期内所述消费品的成交资源信息划分成第一数据集和第二数据集的具体过程是现有技术，这里不再赘述。
在上述步骤(5)中，欧氏距离计算的具体过程是：计算所述第一数据集中至少两个成交资源信息中的各成交资源信息与所述第二数据集中至少两个成交资源信息中各成交资源信息差值平方和的平方根。
具体公式如下：
Figure BDA0003243256680000111
其中，x表示第一数据集；xi表示第二数据集；j表示第一数据集和第二数据集的属性。
当然，所述第一数据集中至少两个成交资源信息中的各成交资源信息与所述第二数据集中至少两个成交资源信息中各成交资源信息的欧氏距离也可以采用现有技术得到，这里不再赘述。
通过以上步骤(1)至步骤(8)描述的过程可知，根据用户行为判断是否需要对预测得到的消费品的资源信息进行调整，在需要对预测得到的消费品的资源信息进行调整时，可以根据当前周期的上一周期内的成交资源信息进行欧氏距离计算，从而从当前周期的上一周期内的成交资源信息中确定出多个候选资源信息，并从多个候选资源信息中选择出现频率最高的候选资源信息作为当前周期内所述消费品的资源信息的更新资源信息并进行展示，更进一步地提高了所述消费品的资源信息的准确度。
综上所述，本实施例提出一种数据处理方法，在获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数后，利用预测相关参数对当前周期内所述消费品的资源信息进行预测，从而利用预测相关参数对当前周期内所述消费品的资源信息进行预测，可以提高得到资源信息的准确度。
实施例2
本实施例提出一种数据处理装置，用于执行上述实施例1提出的数据处理方法。
参见图2所示的一种数据处理装置的结构示意图，本实施例提出一种数据处理装置，包括：
获取模块200，用于获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；
计算模块202，用于基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数；
预测模块204，用于根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测。
所述预测模块204，具体用于：
对预测相关参数进行处理，得到当前周期内所述消费品的资源信息的第一预测值；
得到当前周期内所述消费品的资源信息的第二预测值和第三预测值；
利用所述第一预测值、所述第二预测值、所述第三预测值对当前周期内所述消费品的资源信息进行预测。
所述预测模块204，用于得到当前周期内所述消费品的资源信息的第二预测值和第三预测值，包括：
根据所述消费品名称，分别查询出所述消费品的竞争消费品和相似消费品；
根据所述消费品、所述竞争消费品和所述相似消费品，得到当前周期内所述消费品的资源信息的第二预测值；
获取当前周期的上一周期内的用户行为，并对所述用户行为进行处理，得到当前周期内所述消费品的资源信息的第三预测值。
综上所述，本实施例提出一种数据处理装置，在获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数后，利用预测相关参数对当前周期内所述消费品的资源信息进行预测，从而利用预测相关参数对当前周期内所述消费品的资源信息进行预测，可以提高得到资源信息的准确度。
实施例3
本实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例1描述的数据处理方法的步骤。具体实现可参见方法实施例1，在此不再赘述。
此外，参见图3所示的一种电子设备的结构示意图，本实施例还提出一种电子设备，上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中，上述电子设备还包括：存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序，经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤(1)至步骤(3)：
(1)获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；
(2)基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数；
(3)根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测。
收发机53，用于在处理器52的控制下接收和发送数据。
其中，总线架构(用总线51来代表)，总线51可以包括任意数量的互联的总线和桥，总线51将包括由处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质，还可以提供用户接口56，例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理，如前述上述运行通用操作系统。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的，处理器52可以是但不限于：中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解，本发明实施例中的存储器55可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器55存储了如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集：操作系统551和应用程序552。
其中，操作系统551，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序552，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序552中。
综上所述，本实施例提出一种计算机可读存储介质和电子设备，在获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数后，利用预测相关参数对当前周期内所述消费品的资源信息进行预测，从而利用预测相关参数对当前周期内所述消费品的资源信息进行预测，可以提高得到资源信息的准确度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种数据处理方法，其特征在于，包括：
获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；
基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数；
根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测。
2.根据权利要求1所述的方法，其特征在于，根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测，包括：
对预测相关参数进行处理，得到当前周期内所述消费品的资源信息的第一预测值；
得到当前周期内所述消费品的资源信息的第二预测值和第三预测值；
利用所述第一预测值、所述第二预测值、所述第三预测值对当前周期内所述消费品的资源信息进行预测。
3.根据权利要求2所述的方法，其特征在于，得到当前周期内所述消费品的资源信息的第二预测值和第三预测值，包括：
根据所述消费品名称，分别查询出所述消费品的竞争消费品和相似消费品；
根据所述消费品、所述竞争消费品和所述相似消费品，得到当前周期内所述消费品的资源信息的第二预测值；
获取当前周期的上一周期内的用户行为，并对所述用户行为进行处理，得到当前周期内所述消费品的资源信息的第三预测值。
4.一种数据处理装置，其特征在于，包括：
获取模块，用于获取当前周期内待预测资源信息的消费品的消费品名称和当前周期的上一周期内所述消费品的成交信息；
计算模块，用于基于所述成交信息，计算得到当前周期内所述消费品的资源信息的预测相关参数；
预测模块，用于根据计算得到的预测相关参数，对当前周期内所述消费品的资源信息进行预测。
5.根据权利要求4所述的装置，其特征在于，所述预测模块，具体用于：
对预测相关参数进行处理，得到当前周期内所述消费品的资源信息的第一预测值；
得到当前周期内所述消费品的资源信息的第二预测值和第三预测值；
利用所述第一预测值、所述第二预测值、所述第三预测值对当前周期内所述消费品的资源信息进行预测。
6.根据权利要求5所述的装置，其特征在于，所述预测模块，用于得到当前周期内所述消费品的资源信息的第二预测值和第三预测值，包括：
根据所述消费品名称，分别查询出所述消费品的竞争消费品和相似消费品；
根据所述消费品、所述竞争消费品和所述相似消费品，得到当前周期内所述消费品的资源信息的第二预测值；
获取当前周期的上一周期内的用户行为，并对所述用户行为进行处理，得到当前周期内所述消费品的资源信息的第三预测值。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-3任一项所述的方法的步骤。
8.一种电子设备，其特征在于，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行权利要求1-3任一项所述的方法的步骤。
CN202111025644.2A 2021-09-02 2021-09-02 一种数据处理方法、装置和电子设备 Pending CN113706214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111025644.2A CN113706214A (zh) 2021-09-02 2021-09-02 一种数据处理方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111025644.2A CN113706214A (zh) 2021-09-02 2021-09-02 一种数据处理方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN113706214A true CN113706214A (zh) 2021-11-26

Family

ID=78658929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111025644.2A Pending CN113706214A (zh) 2021-09-02 2021-09-02 一种数据处理方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113706214A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897795A (zh) * 2017-02-17 2017-06-27 联想(北京)有限公司 一种库存预测方法及装置
CN107146015A (zh) * 2017-05-02 2017-09-08 联想(北京)有限公司 多变量时间序列预测方法和系统
CN110135876A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 销量预测的方法及装置
CN110782266A (zh) * 2018-07-31 2020-02-11 阿里巴巴集团控股有限公司 商品销量预测及模型训练方法、装置以及设备
CN111768243A (zh) * 2020-06-30 2020-10-13 创新奇智(上海)科技有限公司 销量预测方法、预测模型构建方法、装置、设备及介质
CN112330358A (zh) * 2020-10-22 2021-02-05 北京明略昭辉科技有限公司 产品销量预测的方法和装置、存储介质和电子设备
CN112348571A (zh) * 2020-10-21 2021-02-09 四川长虹电器股份有限公司 基于销售预测系统的组合模型销售预测方法
CN113065882A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种商品处理方法、装置及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897795A (zh) * 2017-02-17 2017-06-27 联想(北京)有限公司 一种库存预测方法及装置
CN107146015A (zh) * 2017-05-02 2017-09-08 联想(北京)有限公司 多变量时间序列预测方法和系统
CN110135876A (zh) * 2018-02-09 2019-08-16 北京京东尚科信息技术有限公司 销量预测的方法及装置
CN110782266A (zh) * 2018-07-31 2020-02-11 阿里巴巴集团控股有限公司 商品销量预测及模型训练方法、装置以及设备
CN113065882A (zh) * 2020-01-02 2021-07-02 阿里巴巴集团控股有限公司 一种商品处理方法、装置及电子设备
CN111768243A (zh) * 2020-06-30 2020-10-13 创新奇智(上海)科技有限公司 销量预测方法、预测模型构建方法、装置、设备及介质
CN112348571A (zh) * 2020-10-21 2021-02-09 四川长虹电器股份有限公司 基于销售预测系统的组合模型销售预测方法
CN112330358A (zh) * 2020-10-22 2021-02-05 北京明略昭辉科技有限公司 产品销量预测的方法和装置、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN111882370B (zh) 一种广告推荐方法、装置和电子设备
CN109300003B (zh) 企业推荐方法、装置、计算机设备和存储介质
CN111080398A (zh) 商品推荐方法、装置、计算机设备和存储介质
CN105469263A (zh) 一种商品推荐方法及装置
CN107871276A (zh) 贷款产品的查询装置、方法及计算机可读存储介质
CN110851699A (zh) 基于深度强化学习的信息流推荐方法、装置、设备及介质
CN108205775A (zh) 一种业务对象的推荐方法、装置和客户端
Ifada et al. Tensor-based item recommendation using probabilistic ranking in social tagging systems
US20210073930A1 (en) Commercial real estate evaluation, valuation, and recommendation
CN112231533A (zh) 数据处理方法、装置、设备及存储介质
CN111178949A (zh) 服务资源匹配参考数据确定方法、装置、设备和存储介质
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
CN112487283A (zh) 训练模型的方法、装置、电子设备及可读存储介质
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
Zhang et al. Updating Wilkie’s economic scenario generator for US applications
CN109034941A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN115631014A (zh) 一种商品智能推荐方法及系统
US11763151B2 (en) System and method for increasing efficiency of gradient descent while training machine-learning models
US20170193539A1 (en) Time-value estimation method and system for sharing environment
CN111161009B (zh) 信息推送方法、装置、计算机设备和存储介质
CN111489196B (zh) 基于深度学习网络的预测方法、装置、电子设备及介质
CN110858346A (zh) 数据处理方法、装置和机器可读介质
US20230260060A1 (en) Real estate bubble prediction based on big data
CN113706214A (zh) 一种数据处理方法、装置和电子设备
CN114757630A (zh) 仓储管理模型确定方法、装置及计算机设备

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