CN113744033A - 订单预估方法及装置 - Google Patents

Abstract

本申请提供一种订单预估方法及装置，能够实现在业务集群化部署场景下，神经网络仍具有良好的鲁棒性。比如，构建出的订单预估神经网络通过分析订单可以预估产品的价格走势，从而对订单价格的异常变化能够起到预警作用。方法包括：获取历史订单的多维度数据；获取第一基础矩阵和第二基础矩阵，其中，第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，第二基础矩阵是根据设备集群中每个设备的第二参考矩阵确定的，第一设备属于设备集群，第一参考矩阵和第二参考矩阵均是对应的设备预先训练好的矩阵；将第一基础矩阵和第二基础矩阵组合，构建订单预估神经网络；通过订单预估神经网络处理当前订单，预估订单价格走势。

Description

订单预估方法及装置

技术领域

本申请涉及神经网络技术领域，尤其涉及一种订单预估方法及装置。

背景技术

目前，神经网络已经在各个领域，诸如销售领域、安全领域等等，得到了广泛应用。其中，针对不同领域的业务，可以构建不同的神经网络结构，以及采用不同的训练方式训练该神经网络，最终实现针对该领域的业务，神经网络可以具有较好的鲁棒性。

但是，随着技术的发展，业务逐渐集群化部署。神经网络如何针对这种部署结构进行构建，目前尚无解决办法。

发明内容

本申请实施例提供一种订单预估方法及装置，能够针对业务集群化部署，构建出对应结构的神经网络，以实现在业务集群化部署场景下，神经网络仍具有良好的鲁棒性。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请实施例提供了一种订单预估方法，所述方法包括：第一设备获取历史订单的多维度数据；所述第一设备获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；所述第一设备通过所述订单预估神经网络处理当前订单，预估订单价格走势。

基于第一方面所述的方法可知，由于第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，第二基础矩阵是根据设备集群中每个设备的第二参考矩阵确定的，使得第一基础矩阵和第二基础矩阵的矩阵结构能够与整个设备集群的业务相关。如此，通过将第一基础矩阵和第二基础矩阵组合构建出的订单预估神经网络，在处理该设备集群的业务时，便可具有良好的鲁棒性。比如，构建出的订单预估神经网络通过分析订单可以预估产品的价格走势，从而对订单价格的异常变化能够起到预警作用。

一种可能的设计方案中，所述设备集群包括M个设备，每个所述设备对应一个所述第一参考矩阵和一个所述第二参考矩阵，共M个所述第一参考矩阵和M个所述第二参考矩阵，所述第一基础矩阵是根据M个所述第一参考矩阵加权确定的，所述第二基础矩阵是根据M个所述第二参考矩阵加权确定的，每个所述第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个所述第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。如此，可以避免因强相关而导致神经网络的结构与某个业务强耦合，从而影响神经网络处理整个集群业务的鲁棒性。

一种可能的设计方案中，所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网是指：将所述第一基础矩阵和所述第二基础矩阵的组合，以构建订单预估神经网络的特征层中的水平对置矩阵。可选地，若所述多维度数据的维度越高，则所述第一基础矩阵和所述第二基础矩阵的组合数量的越少，且所述水平对置矩阵的矩阵大小越小。

可以看出，由于订单的规律性往往与数据的维度成正比，即数据的维度越高，数据的类型越多，订单从整体上的反映则越规律。订单越规律，其处理难度也越小，因而模型的结构也可以设计的相对简单，也即订单的多维度数据的维度越高，则模型中第一基础矩阵和第二基础矩阵的组合数量的越少，从而可以有效提高模型的处理效率。

一种可能的设计方案中，第一基础矩阵位于水平对置矩阵的对角线上，第二基础矩阵位于水平对置矩阵中除对角线以外的位置；或者，第二基础矩阵位于水平对置矩阵的对角线上，第一基础矩阵位于水平对置矩阵中除对角线以外的位置，使得订单预估神经网络为水平对置模型。这样，无论多维数据以何种顺序输入模型，其数据的结果不会产生变化，从而极大地提高了模型的实用性。

一种可能的设计方案中，所述订单预估神经网络包括M个特征层，第i个特征层中的所述水平对置矩阵i包括所述第一基础矩阵i和所述第二基础矩阵i，第j个特征层中的所述水平对置矩阵j包括所述第一基础矩阵j和所述第二基础矩阵j，所述第一基础矩阵i与第一基础矩阵j不同，所述第二基础矩阵i与第二基础矩阵j不同，所述M为大于1的整数，i和j为取1-M的任意自然数，且i和j不同。如此，在一定程度上提高模型的差异化程度，从而有效提高模型的鲁棒性。

可选地，所述多维度数据的维度为M，所述第i个特征层与所述多维度数据中第i个维度的数据对应，所述第j个特征层与所述多维度数据中第j个维度的数据对应。其中，一个特征层与一维数据对应，即指该特征层对该维数据的处理效果最好。如此，每一维数据不仅可以经由其他特征层的处理，还经由其对应的特征层来重点处理，使得模型的准确度更高，鲁棒性更好。

可选地，如果所述当前订单中多维度数据的维度大于所述M个特征层的数量，则对所述当前订单中多维度数据进行降维处理，使得所述当前订单中多维度数据的维度与所述M个特征层的数量相同，从而可以避免数据溢出，即这部分溢出的数据未能对处理结果产生影响，进而提高准确度。

进一步地，所述降维处理是指将相似粒度的多维数量合为一维数据，以便这些溢出的数据也能够合理对处理结果产生影响。

可选地，如果所述当前订单中多维度数据的维度小于M个特征层的数量，则对所述当前订单中多维度数据进行升维处理，使得所述当前订单中多维度数据的维度与所述M个特征层的数量相同，以充分利用模型的效能，避免资源浪费。

进一步地，所述升维处理是指将一维数量分解为相似粒度的多维数据，以避免升维的数据也能够合理对处理结果产生影响。

第二方面，本申请实施例提供了一种订单预估装置，所述装置包括：收发模块，用于获取历史订单的多维度数据，以及获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；处理模块，用于将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；通过所述订单预估神经网络处理当前订单，预估订单价格走势。

一种可能的设计方案中，所述设备集群包括M个设备，每个所述设备对应一个所述第一参考矩阵和一个所述第二参考矩阵，共M个所述第一参考矩阵和M个所述第二参考矩阵，所述第一基础矩阵是根据M个所述第一参考矩阵加权确定的，所述第二基础矩阵是根据M个所述第二参考矩阵加权确定的，每个所述第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个所述第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。

一种可能的设计方案中，所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网是指：将所述第一基础矩阵和所述第二基础矩阵的组合，以构建订单预估神经网络的特征层中的水平对置矩阵。可选地，若所述多维度数据的维度越高，则所述第一基础矩阵和所述第二基础矩阵的组合数量的越少，且所述水平对置矩阵的矩阵大小越小。

一种可能的设计方案中，所述第一基础矩阵位于所述水平对置矩阵的对角线上，所述第二基础矩阵位于所述水平对置矩阵中除对角线以外的位置；或者，所述第二基础矩阵位于所述水平对置矩阵的对角线上，所述第一基础矩阵位于所述水平对置矩阵中除对角线以外的位置，使得订单预估神经网络为水平对置模型。

一种可能的设计方案中，所述订单预估神经网络包括M个特征层，第i个特征层中的所述水平对置矩阵i包括所述第一基础矩阵i和所述第二基础矩阵i，第j个特征层中的所述水平对置矩阵j包括所述第一基础矩阵j和所述第二基础矩阵j，所述第一基础矩阵i与第一基础矩阵j不同，所述第二基础矩阵i与第二基础矩阵j不同，所述M为大于1的整数，i和j为取1-M的任意自然数，且i和j不同。

可选地，所述多维度数据的维度为M，所述第i个特征层与所述多维度数据中第i个维度的数据对应，所述第j个特征层与所述多维度数据中第j个维度的数据对应。其中，一个特征层与一维数据对应，即指该特征层对该维数据的处理效果最好。

可选地，如果所述当前订单中多维度数据的维度大于所述M个特征层的数量，则对所述当前订单中多维度数据进行降维处理。

进一步地，所述降维处理是指将相似粒度的多维数量合为一维数据。

可选地，如果所述当前订单中多维度数据的维度小于M个特征层的数量，则对所述当前订单中多维度数据进行升维处理。

进一步地，所述升维处理是指将一维数量分解为相似粒度的多维数据。

可选地，收发模块可以包括接收模块和发送模块。其中，接收模块用于实现第二方面所述的订单预估装置的接收功能。发送模块用于实现第二方面所述的订单预估装置的发送功能。

可选地，第二方面所述的订单预估装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该订单预估装置可以执行第四方面所述的通信方法。

需要说明的是，第二方面所述的订单预估装置可以是网络设备，也可以是可设置于网络设备中的芯片(系统)或其他部件或组件，还可以是包含网络设备的装置，本申请对此不做限定。

此外，第二方面所述的订单预估装置的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。

第三方面，提供了一种订单预估装置。该订单预估装置包括：处理器和存储器；该存储器用于存储计算机程序，当该处理器执行该计算机程序时，以使该装置执行第一方面所述的方法。

在一种可能的设计方案中，第三方面所述的装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第三方面所述的装置与其他装置通信。

在本申请中，第三方面所述的装置可以为网络设备，或者可设置于该网络设备中的芯片(系统)或其他部件或组件，或者包含该网络设备的装置。

此外，第第三方面所述的装置的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质上存储有程序代码，当所述程序代码被所述计算机运行时，执行如第一方面所述的方法。

附图说明

图1为本申请实施例提供的一种订单预估系统的架构示意图一；

图2为本申请实施例提供的一种订单预估方法的流程图；

图3为本申请实施例提供的一种订单预估装置的结构示意图一；

图4为本申请实施例提供的一种订单预估装置的结构示意图二。

具体实施方式

下面将结合附图，对本申请中的技术方案进行描述。

请参阅图1，本申请实施例提供了一种订单预估系统，该订单预估系统可以包括：网络设备，如第一设备、第二设备等等。该网络设备可以包括服务器、如数据服务器、网络服务器等，可以是单个服务器，或者也可以是服务器集群。

服务器可以从网上自动采集订单的数据，这些订单的数据通常是多维的，即订单的数据可以包含与订单相关的各类数据，例如，产品类型、产品型号、订单类型、订单价格、订单时间等等。由于这些订单是已签订的订单，那么这些订单也被称之为历史订单。服务器可以根据历史订单的数据来构建后续用于分析处理订单的模型，例如订单监控模型。具体的，服务器可以计算用于构建该模型预先训练好的模型参数，该模型参数也称为基础矩阵。比如，服务器可以从集群中的其他服务器获取其他服务器各自的参考矩阵，按照集群中的其他服务器各自的权重，将这些参考矩阵进行加权求和，从而获得基础矩阵。其中，其他服务器各自的权重与该其他服务器的业务相关，比如与业务量，业务优先级等呈负相关。然后，服务器可以根据历史订单中数据维度的多少，即数据类型的多少，计算出基础矩阵的数量，将该数量的基础矩阵组合，从而构建出订单监控模型。这样，服务器便可以利用该订单监控模型分析当前的订单，从而预估产品的价格走势。如果预估的价格走势显示订单价格的异常变化，则服务器可以提前预警。

可选地，上述订单预估系统也可以包括终端设备，该终端设备也可以称为用户装置、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端设备可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrialcontrol)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remotemedical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportationsafety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、车载终端、具有终端功能的RSU等。

下面将结合方法，对上述第一设备的流程进行详细说明。

请参阅图2，本申请实施例提供了一种集群式的神经网络确定方法。该方法可以适用于图1所示的通信系统中的终端设备，如第一终端设备和第二终端设备。该方法的流程包括：

S201，第一设备获取历史订单的多维度数据。

其中，第一设备获取订单的方式有多种，可以是网上爬取，也可以是人为输入等等，对此不限定。由于这些订单是已签订的订单，那么这些订单也被称之为历史订单。多维度数据是指订单中含有各类数据，例如产品类型、产品型号、订单类型、订单价格、订单时间等等。

S202，第一设备获取第一基础矩阵和第二基础矩阵。

其中，第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，第二基础矩阵是根据设备集群中每个设备的第二参考矩阵确定的，第一设备属于所述设备集群。第一参考矩阵和第二参考矩阵均是对应的设备预先训练好的矩阵。比如，设备集群包括M个设备，M为大于1的整数，在M个设备中，每个设备对应一个第一参考矩阵和一个第二参考矩阵，共M个第一参考矩阵和M个第二参考矩阵。第一基础矩阵是根据M个第一参考矩阵加权确定的，第二基础矩阵是根据M个第二参考矩阵加权确定的，每个第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。如此，可以避免因强相关而导致神经网络的结构与某个业务强耦合，从而影响神经网络处理整个集群业务的鲁棒性。

也就是说，第一设备可以从设备集群获取除自身以外每个设备的第一参考矩阵和第二参考矩阵，按照这些设备各自对应的权重，将这些第一参考矩阵和第二参考矩阵加权求和，从而获取到第一基础矩阵和第二基础矩阵。

S203，第一设备将第一基础矩阵和第二基础矩阵组合，构建订单预估神经网络。

其中，第一设备将第一基础矩阵和第二基础矩阵组合，构建订单预估神经网是指：将第一基础矩阵和第二基础矩阵的组合，以构建订单预估神经网络的特征层中的水平对置矩阵。

具体的，第一设备可以根据多维度数据的维度，确定第一基础矩阵和第二基础矩阵的组合数量，并按第一基础矩阵和第二基础矩阵的组合数量，构建订单预估神经网络。

其中，多维度数据的维度是指数据类型的多少，类型越多，维度越高，反之亦然。第一基础矩阵和第二基础矩阵包括结构化的参数，因此被称为矩阵。第一基础矩阵和所述第二基础矩阵的参数都是预先训练好的。其中，训练的方式可以是使用标注的订单样本中每个维度的数据集合，对对应的小模型进行训练，该小模型包括一个第一基础矩阵和一个第二基础矩阵，使得该小模型对该维度的数据处理有一定的准确度。比如，使用产品型号集训练小模型，使得小模型能够预估未来销量比较好的产品信号。又比如，使用订单类型集训练小模型，使得小模型能够预估未来最有可能的订单类型，等等。第一基础矩阵和所述第二基础矩阵的组合，用于构建订单预估神经网络的特征层中的水平对置矩阵。订单预估神经网络需要包括多个特征层，每个特征层都有其对应的第一基础矩阵和第二基础矩阵，换言之，构成订单预估神经网络即使用每个特征层对应的第一基础矩阵和第二基础矩阵构成该特征层中的水平对置矩阵。

以某一个特征层为例，若多维度数据的维度越高，则第一基础矩阵和第二基础矩阵的组合数量的越少，且水平对置矩阵的矩阵大小越小。其中，第一基础矩阵位于水平对置矩阵的对角线上，第二基础矩阵位于水平对置矩阵中除对角线以外的位置；或者，第二基础矩阵位于水平对置矩阵的对角线上，第一基础矩阵位于水平对置矩阵中除对角线以外的位置，使得订单预估神经网络为水平对置模型。这样，无论多维数据以何种顺序输入模型，其数据的结果不会产生变化，从而极大地提高了模型的实用性。

例如，数据的维度是8个，第一基础矩阵M和第二基础矩阵N可以构成3*3的水平对置矩阵P，如下所示：

又例如，数据的维度是4个，第一基础矩阵M和第二基础矩阵N可以构成6*6的水平对置矩阵P，如下所示：

又例如，数据的维度是2个，第一基础矩阵M和第二基础矩阵N可以构成8*8的水平对置矩阵P，如下所示：

其中，M或N的其中一个位于水平对置矩阵P的对角线上，另一个则需要位于其余的所有位置。当然，上述维度的数据与矩阵的大小之间的对应关系仅为一种示例，并不作为限定。

可选地，订单预估神经网络包括M个特征层，第i个特征层中的水平对置矩阵i包括第一基础矩阵i和第二基础矩阵i，第j个特征层中的水平对置矩阵j包括第一基础矩阵j和第二基础矩阵j，第一基础矩阵i与第一基础矩阵j不同，第二基础矩阵i与第二基础矩阵j不同，M为大于1的整数，i和j为取1-M的任意自然数，且i和j不同。如此，在一定程度上提高模型的差异化程度，从而有效提高模型的鲁棒性。

S204，第一设备通过订单预估神经网络处理当前订单，预估订单价格走势。

其中，多维度数据的维度为M，第i个特征层与多维度数据中第i个维度的数据对应，第j个特征层与多维度数据中第j个维度的数据对应。其中，根据前述对训练流程的介绍可知，一个特征层与一维数据对应，即指该特征层的第一基础矩阵和第二基础矩阵是使用该维数据的样本训练的，因此对该维数据的处理效果最好。如此，每一维数据不仅可以经由其他特征层的处理，还经由其对应的特征层来重点处理，使得模型的准确度更高，鲁棒性更好。

可选地，如果当前订单中多维度数据的维度大于M个特征层的数量，则对当前订单中多维度数据进行降维处理，使得当前订单中多维度数据的维度与M个特征层的数量相同，从而可以避免数据溢出，即这部分溢出的数据未能对处理结果产生影响，进而提高准确度。

进一步地，降维处理是指将相似粒度的多维数量合为一维数据，以便这些溢出的数据也能够合理对处理结果产生影响。比如，将产品类型和产品型号集合成一个维度，即一个数据即包括产品类型，又包括产品型号。但是，由于产品类型和订单时间差异较大，则不能合为一维数据。从具体原理上说，每一维数据可以被调制成实部数据和虚部数据，即一份数据被分成了两份，从而再将实部数据和虚部数据转换成0和1组成的字符串。因此，这些0和1组成的字符串中必然存在一份冗余数据，即要么认为实部数据是冗余数据，要么认为虚部数据是冗余数据。因此，相似粒度的多维数量合为一维数据可以是将一维数据的实部数据，与另一维数据的虚部数据融合，从而获得一维包含实虚部的数据。或者，也可以是将一维数据的虚部数据，与另一维数据的实部数据融合，从而也获得一维包含实虚部的数据。

可选地，如果当前订单中多维度数据的维度小于M个特征层的数量，则对当前订单中多维度数据进行升维处理，使得当前订单中多维度数据的维度与M个特征层的数量相同，以充分利用模型的效能，避免资源浪费。

进一步地，升维处理是指将一维数量分解为相似粒度的多维数据，以避免升维的数据也能够合理对处理结果产生影响。可以理解，与降维的原理相反，一维数量分解为相似粒度的多维数据可以是将包含实虚部的数据，分解为第一维实部数据，以及第二维虚部数据，从而获得两维数据。或者，也可以是将包含实虚部的数据，分解为第一维虚部数据，以及第二维实部数据，从而也获得两维数据。

综上，根据上述方法可知，由于第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，第二基础矩阵是根据设备集群中每个设备的第二参考矩阵确定的，使得第一基础矩阵和第二基础矩阵的矩阵结构能够与整个设备集群的业务相关。如此，通过将第一基础矩阵和第二基础矩阵组合构建出的订单预估神经网络，在处理该设备集群的业务时，便可具有良好的鲁棒性。比如，构建出的订单预估神经网络通过分析订单可以预估产品的价格走势，从而对订单价格的异常变化能够起到预警作用。

请参阅图3，本实施例中还提供了一种订单预估装置300，该订单预估装置300可以应用于上述第一终端设备，可以包括：

收发模块301，用于获取历史订单的多维度数据，以及获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；

处理模块302，用于将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；通过所述订单预估神经网络处理当前订单，预估订单价格走势。

一种可能的设计方案中，所述设备集群包括M个设备，每个所述设备对应一个所述第一参考矩阵和一个所述第二参考矩阵，共M个所述第一参考矩阵和M个所述第二参考矩阵，所述第一基础矩阵是根据M个所述第一参考矩阵加权确定的，所述第二基础矩阵是根据M个所述第二参考矩阵加权确定的，每个所述第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个所述第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。

一种可能的设计方案中，所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网是指：将所述第一基础矩阵和所述第二基础矩阵的组合，以构建订单预估神经网络的特征层中的水平对置矩阵。可选地，若所述多维度数据的维度越高，则所述第一基础矩阵和所述第二基础矩阵的组合数量的越少，且所述水平对置矩阵的矩阵大小越小。

一种可能的设计方案中，所述第一基础矩阵位于所述水平对置矩阵的对角线上，所述第二基础矩阵位于所述水平对置矩阵中除对角线以外的位置；或者，所述第二基础矩阵位于所述水平对置矩阵的对角线上，所述第一基础矩阵位于所述水平对置矩阵中除对角线以外的位置，使得订单预估神经网络为水平对置模型。

一种可能的设计方案中，所述订单预估神经网络包括M个特征层，第i个特征层中的所述水平对置矩阵i包括所述第一基础矩阵i和所述第二基础矩阵i，第j个特征层中的所述水平对置矩阵j包括所述第一基础矩阵j和所述第二基础矩阵j，所述第一基础矩阵i与第一基础矩阵j不同，所述第二基础矩阵i与第二基础矩阵j不同，所述M为大于1的整数，i和j为取1-M的任意自然数，且i和j不同。

可选地，所述多维度数据的维度为M，所述第i个特征层与所述多维度数据中第i个维度的数据对应，所述第j个特征层与所述多维度数据中第j个维度的数据对应。其中，一个特征层与一维数据对应，即指该特征层对该维数据的处理效果最好。

可选地，如果所述当前订单中多维度数据的维度大于所述M个特征层的数量，则对所述当前订单中多维度数据进行降维处理。

进一步地，所述降维处理是指将相似粒度的多维数量合为一维数据。

可选地，如果所述当前订单中多维度数据的维度小于M个特征层的数量，则对所述当前订单中多维度数据进行升维处理。

进一步地，所述升维处理是指将一维数量分解为相似粒度的多维数据。

可选地，收发模块可以包括接收模块和发送模块。其中，接收模块用于实现所述的订单预估装置的接收功能。发送模块用于实现所述的订单预估装置的发送功能。

可选地，所述的订单预估装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该订单预估装置可以执行所述的通信方法。

需要说明的是，所述的订单预估装置可以是网络设备，也可以是可设置于网络设备中的芯片(系统)或其他部件或组件，还可以是包含网络设备的装置，本申请对此不做限定。

此外，所述的订单预估装置的技术效果可以参考所述的通信方法的技术效果，此处不再赘述。

下面结合图4，对订单预估装置400的各个构成部件进行具体的介绍：

其中，处理器401是订单预估装置400的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器401是一个或多个中央处理器(central processingunit，CPU)，也可以是特定集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个数字信号处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(fieldprogrammable gate array，FPGA)。

可选地，处理器401可以通过运行或执行存储在存储器402内的软件程序，以及调用存储在存储器402内的数据，执行订单预估装置400的各种功能。

在具体的实现中，作为一种实施例，处理器401可以包括一个或多个CPU，例如图4中所示出的CPU0和CPU1。

在具体实现中，作为一种实施例，订单预估装置400也可以包括多个处理器，例如图4中所示的处理器401和处理器404。这些处理器中的每一个可以是一个单核处理器(Single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

其中，存储器402用于存储执行本申请方案的软件程序，并由处理器401来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。

可选地，存储器402可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器402可以和处理器401集成在一起，也可以独立存在，并通过订单预估装置400的接口电路(图4中未示出)与处理器401耦合，本申请实施例对此不作具体限定。

收发器403，用于与其他装置之间的通信。例如，订单预估装置400为网络设备，收发器403可以用于与终端设备通信，或者与另一个网络设备通信。

可选地，收发器403可以包括接收器和发送器(图4中未单独示出)。其中，接收器用于实现接收功能，发送器用于实现发送功能。

可选地，收发器403可以和处理器401集成在一起，也可以独立存在，并通过订单预估装置400的接口电路(图4中未示出)与处理器401耦合，本申请实施例对此不作具体限定。

需要说明的是，图4中示出的装置400的结构并不构成对该订单预估装置的限定，实际的订单预估装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

此外，装置400的技术效果可以参考上述方法实施例的方法的技术效果，此处不再赘述。

应理解，在本申请实施例中的处理器可以是中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储器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，许多形式的随机存取存储器(random accessmemory，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(DRAM)、同步动态随机存取存储器(synchronouM DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate MDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，SMDRAM)、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(direct rambus RAM，DR RAM)。

上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过红外、无线、微波等方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征字段可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种订单预估方法，其特征在于，所述方法包括：

第一设备获取历史订单的多维度数据；

所述第一设备获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；

所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；

所述第一设备通过所述订单预估神经网络处理当前订单，预估订单价格走势。

2.根据权利要求1所述的订单预估方法，其特征在于，所述设备集群包括M个设备，每个所述设备对应一个所述第一参考矩阵和一个所述第二参考矩阵，共M个所述第一参考矩阵和M个所述第二参考矩阵，所述第一基础矩阵是根据M个所述第一参考矩阵加权确定的，所述第二基础矩阵是根据M个所述第二参考矩阵加权确定的，每个所述第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个所述第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。

3.根据权利要求1或2所述的订单预估方法，其特征在于，所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网是指：将所述第一基础矩阵和所述第二基础矩阵的组合，以构建订单预估神经网络的特征层中的水平对置矩阵。

4.根据权利要求3所述的订单预估方法，其特征在于，所述第一基础矩阵位于所述水平对置矩阵的对角线上，所述第二基础矩阵位于所述水平对置矩阵中除对角线以外的位置；或者，所述第二基础矩阵位于所述水平对置矩阵的对角线上，所述第一基础矩阵位于所述水平对置矩阵中除对角线以外的位置。

5.根据权利要求1所述的订单预估方法，其特征在于，所述订单预估神经网络包括M个特征层，第i个特征层中的所述水平对置矩阵i包括所述第一基础矩阵i和所述第二基础矩阵i，第j个特征层中的所述水平对置矩阵j包括所述第一基础矩阵j和所述第二基础矩阵j，所述第一基础矩阵i与第一基础矩阵j不同，所述第二基础矩阵i与第二基础矩阵j不同，所述M为大于1的整数，i和j为取1-M的任意自然数，且i和j不同。

6.根据权利要求5所述的订单预估方法，其特征在于，所述多维度数据的维度为M，所述第i个特征层与所述多维度数据中第i个维度的数据对应，所述第j个特征层与所述多维度数据中第j个维度的数据对应。

7.根据权利要求6所述的订单预估方法，其特征在于，

如果所述当前订单中多维度数据的维度大于所述M个特征层的数量，则对所述当前订单中多维度数据进行降维处理，使得所述当前订单中多维度数据的维度与所述M个特征层的数量相同。

8.根据权利要求6所述的订单预估方法，其特征在于，

如果所述当前订单中多维度数据的维度小于M个特征层的数量，则对所述当前订单中多维度数据进行升维处理，使得所述当前订单中多维度数据的维度与所述M个特征层的数量相同。

9.一种订单预估装置，其特征在于，所述装置包括：

收发模块，用于获取历史订单的多维度数据，以及获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；

处理模块，用于将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；通过所述订单预估神经网络处理当前订单，预估订单价格走势。

10.一种计算机可读存储介质，所述存储介质上存储有程序代码，当所述程序代码被所述计算机运行时，执行如权利要求1-8任一项所述的方法。

Images