CN113781077A - 数据处理的方法、装置、设备及计算机可读存储介质 - Google Patents

数据处理的方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113781077A
CN113781077A CN202010642357.5A CN202010642357A CN113781077A CN 113781077 A CN113781077 A CN 113781077A CN 202010642357 A CN202010642357 A CN 202010642357A CN 113781077 A CN113781077 A CN 113781077A
Authority
CN
China
Prior art keywords
target
category
data
target area
training
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
CN202010642357.5A
Other languages
English (en)
Inventor
李婷
宋礼
张钧波
郑宇�
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.)
Jingdong City Beijing Digital Technology Co Ltd
Original Assignee
Jingdong City Beijing Digital 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 Jingdong City Beijing Digital Technology Co Ltd filed Critical Jingdong City Beijing Digital Technology Co Ltd
Priority to CN202010642357.5A priority Critical patent/CN113781077A/zh
Publication of CN113781077A publication Critical patent/CN113781077A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Child & Adolescent Psychology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种数据处理的方法、装置、设备及计算机可读存储介质，本发明实施例的方法，通过圈定多个目标区域，针对每个目标区域，获取所述目标区域内的订单数据；根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；利用每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，通过预测模型能够准确地预测该目标区域内该目标类目的物资的需求量，从而为商品推荐、调配、同一配送等提供了数据基础。

Description

数据处理的方法、装置、设备及计算机可读存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种数据处理的方法、装置、设备及计算机可读存储介质。
背景技术
在传染疾病的疫情期间，居民出门采购生活物资会增加交叉感染概率，居民采买需求无法得到及时满足。根据社区物资需求预测对社区进行统一采购配送的运营模式逐渐称为一种趋势。社区物资需求预测是指定预测社区居民急需的生活物资，为合理调配资源，满足居民生活需求提供数据基础。
在实现本发明过程中，发明人发现现有技术中的需求预测方法均是针对用户的需求预测，目前还无法准确地预测社区物资需求。
发明内容
本发明实施例提供一种数据处理的方法、装置、设备及计算机可读存储介质，用以训练得到能够准确预测目标区域内目标类目的物资需求量的预测模型。
第一方面，本发明实施例提供一种数据处理的方法，包括：
根据目标区域的区域范围，获取所述目标区域内的订单数据；
根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；
根据每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，所述预测模型用于预测所述目标区域内所述目标类目的物资的需求量。
第二方面，本发明实施例提供一种数据处理的方法，应用于包括数据采集器和处理器的服务平台，所述服务平台用于根据目标区域内的历史订单数据，训练得到所述目标区域内各目标类目对应的预测模型，所述方法包括：
根据目标区域的区域范围，获取所述目标区域内的订单数据；
根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；
根据每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，所述预测模型用于预测所述目标区域内所述目标类目的物资的需求量。
第三方面，本发明实施例提供一种数据处理装置，包括：
数据采集模块，用于根据目标区域的区域范围，获取所述目标区域内的订单数据；
数据处理模块，用于根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；
模型训练模块，用于根据每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，所述预测模型用于预测所述目标区域内所述目标类目的物资的需求量。
第四方面，本发明实施例提供一种数据处理设备，包括：
处理器，存储器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序；
其中，所述处理器运行所述计算机程序时实现上述第一方面所述的数据处理的方法。
第五方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的数据处理的方法。
本发明实施例提供的数据处理的方法、装置、设备及计算机可读存储介质，通过圈定多个目标区域，针对每个目标区域，获取所述目标区域内的订单数据；根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；利用每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，通过预测模型能够准确地预测该目标区域内该目标类目的物资的需求量，从而为商品推荐、调配、同一配送等提供了数据基础。
附图说明
图1为本发明实施例一提供的数据处理的方法流程图；
图2为本发明实施例二提供的数据处理的方法流程图；
图3为本发明实施例二提供的各类目物资对于季节性和周期性影响敏感程度的示意图；
图4为本发明实施例二提供的神经网络模型的框架图；
图5为本发明实施例二提供的自动超参数选择的伪代码实例；
图6为本发明实施例二提供的区域物资类目需求预测流程的示意图；
图7为本发明实施例二提供的需求预测结果示例图；
图8为本发明实施例三提供的数据处理的装置的结构示意图；
图9为本发明实施例四提供的数据处理的装置的结构示意图；
图10为本发明实施例五提供的数据处理设备的结构示意图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例所涉及的术语“第一”、“第二”等仅用于描述目的，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。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在传染疾病的疫情期间，居民出门采购生活物资会增加交叉感染概率，居民采买需求无法得到及时满足。根据社区物资需求预测对社区进行统一采购配送的运营模式逐渐称为一种趋势。其主要优势为：(1)从社区居民角度，精准的需求预测能够最大程度满足居民生活需求，提升对平台的信任感，从而提高平台使用率；(2)从运营商的角度，如何选品并进行推荐是困扰运营商的问题，经验的选品耗时耗力，精准的需求预测能够为选品提供重要的参靠，极大地降低运营成本，提升运营效率。社区物资需求预测是指定预测社区居民急需的生活物资，为合理调配资源，满足居民生活需求提供数据基础。在实现本发明过程中，发明人发现现有技术中的需求预测方法均是针对用户的需求预测，目前还无法准确地预测社区物资需求。
针对上述技术问题，本发明实施例提供一种数据处理的方法、装置、设备及计算机可读存储介质，能够根据一个区域内的历史订单数据，训练得到该区域内各常用物资类目对应的预测模型，通过该预测模型可以预测目标区域内目标类目的物资的需求量，从而为商品推荐、调配、统一配送等提供了数据基础。
本发明实施例提供的方法，应用于各电商、运营商、实体商店、实体仓库等的服务平台，该方法的执行主体可以是服务平台的服务器，在其他实施例中，该方法还可应用于其他设备，本实施例以服务器为例进行示意性说明。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图1为本发明实施例一提供的数据处理的方法流程图。如图1所示，该方法具体步骤如下：
步骤S101、根据目标区域的区域范围，获取目标区域内的订单数据。
其中，目标区域是指任意一个待预测用户物资需求量的区域，目标区域的区域范围是指目标区域的地理边界圈定的范围，可以根据实际应用场景的需要进行地理边界的圈定，本实施例此处不做具体限定。例如，目标区域可以是小区，社区，村庄等等。
示例性地，可以预先圈定待预测物资需求量的目标区域的地理边界，或者接受用户输入的预先圈定好的目标区域的区域范围。
在实际应用中，用户关注的目标区域可以有多个，针对每个目标区域进行的数据处理的过程是一致，本实施例以对一个目标区域的数据处理过程为例，进行示例性地说明。
本发明实施例中，可以获取预设历史时长内目标区域内的线上消费订单和/或线下消费订单，得到目标区域内的订单数据。其中预设历史时长可以根据实际应用场景进行设定和调整，本实施例此处不做具体限定。例如，预设历史时长可以为28天，一个月，几个月等等。
其中，订单数据包括收货地址，购买的物资及其对应的类目，下单时间等等。根据订单中的收货地址确定收货地址所在的目标区域，从而确定订单属于哪个目标区域。
步骤S102、根据目标区域内的订单数据，确定待预测的目标类目以及每个目标类目的训练数据。
其中，待预测的目标类目是指需要进行用户需求预测的物资类目。本发明实施例中，对于一个目标区域，针对每种目标类目训练一个预测模型，用于预测该目标区域内该目标类目的物资的需求量。
由于物资的类目有很多种，例如，某电商的类目系统中，细粒度的类目有1万多个，粗粒度的类目也有100多个。如果为每个类目训练一个预测模型，模型训练的效率会很低，需要的硬件成本也会很大。
本发明实施例中，获取到订单数据之后，可以根据订单数据，根据各物资类目的销量，确定销量满足一定条件的物资类目作为待预测的目标类目，从可以实现将关键且常用的物资类目作为目标类目，在满足需求的同时，可以提高效率，减少成本。
本实施例中，针对目标区域的每个目标类目，确定一组训练数据，用于训练该目标区域内该目标类目对应的预测模型。
步骤S103、根据每个目标类目的训练数据，对神经网络模型进行训练，得到目标区域和目标类目对应的预测模型，预测模型用于预测目标区域内目标类目的物资的需求量。
利用目标区域的每个目标类目的训练数据，对神经网络模型进行训练，得到目标区域和目标类目对应的预测模型。通过该预测模型可以预测目标区域和目标类目在未来时段内的需求量，也即实现目标区域和目标类目在未来时段内的销量的预测。
本发明实施例通过圈定多个目标区域，针对每个目标区域，获取目标区域内的订单数据；根据目标区域内的订单数据，确定待预测的目标类目以及每个目标类目的训练数据；利用每个目标类目的训练数据，对神经网络模型进行训练，得到目标区域和目标类目对应的预测模型，通过预测模型能够准确地预测该目标区域内该目标类目的物资的需求量，从而为商品推荐、调配、同一配送等提供了数据基础。
图2为本发明实施例二提供的数据处理的方法流程图。在上述实施例一的基础上，本实施例中，目标类目的训练数据包括目标类目在多个历史时段内的样本数据，目标类目在每个历史时段内样本数据包括离散特征和时序特征，其中离散特征至少包括历史时段对应的星期和月份，时序特征至少包括目标类目在历史时段内的销量和用户数量。如图2所示，该方法具体步骤如下：
步骤S201、根据目标区域的区域范围，获取目标区域内的订单数据。
其中，目标区域是指任意一个待预测用户物资需求量的区域，目标区域的区域范围是指目标区域的地理边界圈定的范围，可以根据实际应用场景的需要进行地理边界的圈定，本实施例此处不做具体限定。例如，目标区域可以是小区，社区，村庄等等。
示例性地，可以预先圈定待预测物资需求量的目标区域的地理边界，或者接受用户输入的预先圈定好的目标区域的区域范围。
在实际应用中，用户关注的目标区域可以有多个，针对每个目标区域进行的数据处理的过程是一致，本实施例以对一个目标区域的数据处理过程为例，进行示例性地说明。
本发明实施例中，可以获取预设历史时长内目标区域内的线上消费订单和/或线下消费订单，得到目标区域内的订单数据。其中预设历史时长可以根据实际应用场景进行设定和调整，本实施例此处不做具体限定。
其中，订单数据包括收货地址，购买的物资及其对应的类目，下单时间等等。根据订单中的收货地址确定收货地址所在的目标区域，从而确定订单属于哪个目标区域。
步骤S202、根据物资与物资类目的映射关系，对订单数据中物资的类目信息进行更新处理。
其中，待预测的目标类目是指需要进行用户需求预测的物资类目。本发明实施例中，对于一个目标区域，针对每种目标类目训练一个预测模型，用于预测该目标区域内该目标类目的物资的需求量。
示例性地，在实际应用中，订单信息中物资对应类目缺失较为严重，对订单数据中物资的类目信息进行更新处理，至少包括：填补订单数据中缺失的物资类目，提高订单数据的可靠性，从而可以提高基于该订单数据训练得到的预测模型的预测准确性。
示例性地，由于物资的类目是可以随着时间发生变化的，不同时刻，同一物资对应的物资类目可能不同，对订单数据中物资的类目信息进行更新处理，还可以包括将订单数据中的物资的类目进行校正，使得同一物资对应的类目相同，提高订单数据的可靠性，从而可以提高基于该订单数据训练得到的预测模型的预测准确性。
步骤S203、根据更新处理后的订单数据，确定每个物资类目在各历史时段内的销量和用户数量。
本实施例中，确定每个物资类目在各历史时段内的销量，与确定每个物资类目在各历史时段内的用户数量，这两个过程可以为两个相对独立的数据处理过程，这两个过程的执行顺序此处不做限定。
另外，为了提高数据处理的效率，确定每个物资类目在各历史时段内的销量，与确定每个物资类目在各历史时段内的用户数量，这两个过程可以一起进行，通过扫描一次订单数据，同时进行销量和用户数量的统计。
其中，各历史时段决定了预测模型预测需求量的时间粒度，预测模型用于预测至少一个未来时段内的需求量，其中未来时段的长度与历史时段的长度一致。
另外，历史时段的划分方式可以根据实际应用场景进行设定和调整，本实施例此处不做具体限定。例如，一个历史时段可以对应一个自然日。
步骤S204、根据每个物资类目在各历史时段内的销量，确定至少一个目标类目。
其中，待预测的目标类目是指需要进行用户需求预测的物资类目。本发明实施例中，对于一个目标区域，针对每种目标类目训练一个预测模型，用于预测该目标区域内该目标类目的物资的需求量。
在实际应用中，由于物资的类目有很多种，例如，某电商的类目系统中，细粒度的类目有1万多个，粗粒度的类目也有100多个。如果为每个类目训练一个预测模型，模型训练的效率会很低，需要的硬件成本也会很大。
本发明实施例中，获取到订单数据之后，可以根据订单数据，根据各物资类目的销量，确定销量满足一定条件的物资类目作为待预测的目标类目，从在满足需求的同时，可以根据各物资类目的销量，过滤掉销量很少的类目，保留关键且常用的商品类目，可以提高效率，减少成本。
示例性地，根据每个物资类目在各历史时段内的销量，确定至少一个目标类目，可以采用如下任意一种方式实现：
将在各历史时段内的销量总和大于第一阈值的物资类目确定为目标类目；或者，将在各历史时段内的销量的平均值大于第二阈值的物资类目确定为目标类目；或者，将在至少一个历史时段内的销量大于第三阈值的物资类目确定为目标类目。
其中，第一阈值，第二阈值和第三阈值均可以根据实际应用场景进行设定和调整，本实施例此处不做具体限定。
另外，还可以根据每个物资类目在各历史时段内的销量，采用其他方式对物资类目进行筛选，确定至少一个目标类目，本实施例此处不做限定。
步骤S205、根据每个目标类目在每个历史时段内的销量和用户数量，生成一条样本数据，每个目标类目在各历史时段内的样本数据构成目标类目的训练数据。
其中，样本数据包括：目标类目在历史时段内的销量和用户数量，历史时段对应的星期和月份。
本实施例中，目标类目的训练数据包括目标类目在多个历史时段内的样本数据，目标类目在每个历史时段内样本数据包括离散特征和时序特征。其中，离散特征至少包括历史时段对应的星期和月份，时序特征至少包括目标类目在历史时段内的销量和用户数量。
示例性地，历史时段对应的星期和月份采用独热编码的形式。
在实际应用中，由于目标区域(例如社区)的范围较小，个别用户的极端行为对整个目标区域的需求预测影响较大。例如，对于有健身房的社区，在某个星期该健身房突然采购了大批运动内衣，导致整个社区的运动内衣销量猛增，但是这并不代表整个社区的居民在未来时间内会大量采购运动内衣。因此，个别用户的极端行为会影响预测模型稳定性。例如，一个人突然买了很多装饰字画，并不代表整个社区在未来一段时间需要大量的装饰字画。
另外，各个类目的物资对于季节性和周期性的影响敏感程度不同。例如，如图3所示，数码类产品的趋势相对平稳，生鲜类产品的上升趋势明显，周期性波动大。
本申请实施例中，至少融合以下两类数据：第一类是时序数据，包括目标类目在各个历史时段内的销量及购买此类目的物资的用户数量；第二类是影响模型的因素，例如节假日，星期，月份等。预测模型针对两种形态的数据，分别进行表征和特征融合，最后进行时序预测，输出模型的预测误差和未来时段的需求量预测。通过加入类目的购买用户数量，可以防止个别极端行为的影响，基于多源数据融合，能够提高预测模型的稳定性和准确性。
步骤S206、根据每个目标类目的训练数据，对神经网络模型进行训练，得到目标区域和目标类目对应的预测模型。
其中，预测模型用于预测目标区域内目标类目的物资的需求量。
示例性地，如图4所示，神经网络模型包括：表征层和时序预测层，时序预测层包括两层长短期记忆(Long Short-Term Memory，缩写为LSTM)神经网络。
其中，表征层用于将输入的每条样本数据中的离散特征降维后与时序特征进行融合，得到的特征数据作为时序预测层的输入。
时序预测层用于根据输入的特征数据，预测目标区域内目标类目的物资的需求量。
具体地，如图4所示，神经网络模型的输入包括四个方面的特征数据，其中时序特征包括目标类目在历史时段内的用户数量(可以用xu表示)，目标类目在历史时段内的销量(可以用xs表示)。离散特征包括历史时段对应的星期(可以用xd表示，在0-6中取值)；和月份(可以用xm表示，在0-11中取值)，离散特征都可以是one-hot表征的形式。
如图4所示，预测模型主要分为以下两个部分：(1)表征层，主要是对输入数据进行表征学习；(2)时序预测层，主要是根据历史的数据，预测未来时间各类目的需求，下面将对两部分进行详细说明：
表征层首先对离散特征(xd和xm)进行降维，然后与时序特征(xu和xs)进行融合。
具体地，首先各用一层表征网用来学习星期和月份的表征，计算公式如下：
ed＝xd*wd，em＝xm*wm，
其中，
Figure BDA0002571957590000101
其中d0和d1是可调节的参数，分别表示星期的表征维度和月份的表征维度，wd和wm分别表示星期数据表征网和月份数据表征网的权重。然后，将四类表征进行融合，得到融合表征，作为时序预测层的输入，融合表征的计算公式如下：
e＝[xu，xs，ed，em]。
示例性地，对离散特征进行降维时，可以将离散特征降维到预设维度。其中，预设维度可以结合实际应用场景根据经验值进行设定，例如可以是2或3；或者可以作为超参数同模型训练确定，本实施例此处不做具体限定。
时序预测层是堆叠的两层LSTM，分为两个结构，左侧表示对历史状态的学习，右侧表示推测将来多步状态。其中时序预测层的输入是{e1，...，ei，...，et}，ei表示i时刻的输入数据表征，t表示窗口的大小，是可以调整的超参数。
Figure BDA0002571957590000102
分别表示第一层LSTM的隐藏层状态和第二层LSTM的隐藏层状态。
Figure BDA0002571957590000103
表示将来第i时间段的需求预测结果，k表示预测未来时间的步长。
示例性地，可以设置数据窗口大小为28，未来预测的步长为7，表示根据近28天(4周)的训练数据，估计未来7天(一周)内每天目标类目的需求量。
在实际应用中，由于各个物资类目对于时间的敏感程度不同，所以销量的变化趋势也不同。因此，对于所有的类目，使用统一的模型参数是不能满足业务需求的，会造成部分物资类目预测准确，而其它类目预测则会误差很大。
本发明实施例中，在对神经网络模型进行训练时，可以通过自动超参数选择模块实现自动超参数选择，根据预先定义的超参数的搜索空间，根据预设搜索策略自动选择超参数组合进行模型训练。
具体地，自动超参选择模块可以针对每个物资类目，选择最适合的参数，以提高模型整体的预测精度。超参选择模块的流程包括：根据预先定义的超参数搜索空间，每次搜索时从搜索空间中抽取一组超参数，进行模型的训练，然后根据模型返回的评价指标差异，去除掉不合适的参数，缩小搜索空间的范围，直至达到停止条件为止。
例如，自动超参数选择可以采用如图5所示的伪代码实现。
具体地，如图5所示，自动超参数选择模块的输入是可以是预先定义的超参数的搜索空间，主要包括学习率的集合lrs和网络隐藏层维度的集合dims。学习超参数的过程中，先初始化外层指标mo和内层指标mi为无穷大值，然后遍历搜索空间中每一组超参数组合，训练模型并获取模型的评估指标m，如果当前参数的模型误差最小，则更新模型的参数；如果当前参数的模型误差不是最小的，则跳出当前搜索，判断当前的超参数组合，缩小搜索空间；依次类推，直至遍历完所有可能的超参数组合。
另外，自动超参数选择还可以采用现有技术中类似的方法实现，本实施例此处不再赘述。
进一步地，在进行模型训练的过程中，模型的优化策略为根据平方差损失优化网络的参数，平方差损失(MSE)的计算公式如下：
Figure BDA0002571957590000111
示例性地，可以采用平均绝对百分比误差(Mean Absolute Percentage Error，缩写为MAPE)值来度量未来时段的预测误差，其计算公式如下：
Figure BDA0002571957590000112
其中yi是真实需求值，
Figure BDA0002571957590000113
是预测的需求值。
可选地，还可以根据实际应用场景，采用其他误差计算方法来度量未来时段的预测误差，例如，均方根误差，平均绝对误差等，本实施例此处不做具体限定。
通过对每个目标区域进行上述步骤S201-S206的处理过程，可以确定每个目标区域内每个目标类目对应的预测模型。
图6提供了区域物资类目需求预测流程的示意图，如图6所示，首先根据圈定的区域范围确定目标区域；抽取目标区域的订单数据，并进行数据预处理填充缺失值；根据订单数据对物资类目进行过滤，保留关键且常用的目标类目；通过自动超参数选择模块进行模型训练，得到每个目标区域内每个目标类目对应的预测模型；根据预测模型进行目标类目的需求量预测。其中，自动超参数选择模块根据预先设定的选择策略，从预先定义的搜索空间中选择参数组合，确定以当前参数组合作为模型参数的预测模型的评估指标，根据反馈策略去除掉不合适的参数，缩小搜索空间的范围，直至达到停止条件为止。
示例性地，通过基于某一电商平台2016-2019年的订单数据进行训练，2020年的数据进行测试，时间粒度是1天，窗口大小是28，预测步长是7。以青岛即墨区-御墅临枫小区为例，有58％的类目的预测误差在0.2以下，70％的类目的预测误差在0.3以下。
例如，图7给出了三个目标区域(社区或小区)的多个物资类目的需求预测结果，从图7所示的预测结果可以看出，不同社区调味品和休闲零食的需求比较多，且牛奶乳制品等保质期端的品类预测误差在可接受范围。
步骤S207、根据预测模型，预测目标区域内目标类目的物资的需求量。
在得到目标区域内目标类目对应的预测模型后，根据预测模型中数据窗口的大小，可以获取目标区域内最近一段时间(与数据窗口大小一致)内的历史订单数据，对历史订单数据进行上步骤S201-S203，以及步骤S205的处理，得到多条输入数据，每条输入数据包括：目标类目在对应历史时段内的销量和用户数量，该历史时段对应的星期和月份。
将输入数据输入预测模型，可以准确地预测出目标区域内目标类目的物资在未来时段内的需求量。
步骤S208、根据目标区域内目标类目的物资的需求量，为目标区域分配物资。
在预测出目标区域内目标类目的物资在未来时段内的需求量之后，可以根据目标区域内目标类目的物资在未来时段内的需求量，为目标区域分配物资。
例如，根据目标区域内目标类目的物资在未来时段内的需求量，为目标区域分配待推荐的商品，并将待推荐的商品的信息推送给对应用户，精准的需求预测极大地降低了选品的成本，提高了商品推荐的准确度，能够提高。
例如，根据目标区域内目标类目的物资在未来时段内的需求量，为目标区域分配待配送的物资，以将待配送的物资统一配送到目标区域内的站点。
本发明实施例中，训练数据至少融合了以下两类数据：第一类是时序数据，包括目标类目在各个历史时段内的销量及购买此类目的物资的用户数量；第二类是影响模型的因素。预测模型针对两种形态的训练数据，分别进行表征和特征融合，最后进行时序预测，输出模型的预测误差和未来时段的需求量预测，基于多源数据融合，可以防止个别极端行为的影响，能够提高预测模型的稳定性和准确性。
图8为本发明实施例三提供的数据处理的装置的结构示意图。本发明实施例提供的数据处理的装置可以执行数据处理的方法实施例提供的处理流程。如图8所示，该数据处理的装置30包括：数据采集模块301，数据处理模块302和模型训练模块303。
具体地，数据采集模块301用于根据目标区域的区域范围，获取目标区域内的订单数据。
数据处理模块302用于根据目标区域内的订单数据，确定待预测的目标类目以及每个目标类目的训练数据。
模型训练模块303用于根据每个目标类目的训练数据，对神经网络模型进行训练，得到目标区域和目标类目对应的预测模型，预测模型用于预测目标区域内目标类目的物资的需求量。
本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过圈定多个目标区域，针对每个目标区域，获取目标区域内的订单数据；根据目标区域内的订单数据，确定待预测的目标类目以及每个目标类目的训练数据；利用每个目标类目的训练数据，对神经网络模型进行训练，得到目标区域和目标类目对应的预测模型，通过预测模型能够准确地预测该目标区域内该目标类目的物资的需求量，从而为商品推荐、调配、同一配送等提供了数据基础。
图9为本发明实施例四提供的数据处理的装置的结构示意图。在上述实施例三的基础上，本实施例中，目标类目的训练数据包括目标类目在多个历史时段内的样本数据，目标类目在每个历史时段内样本数据包括离散特征和时序特征，其中离散特征至少包括历史时段对应的星期和月份，时序特征至少包括目标类目在历史时段内的销量和用户数量。
在一种可能的实施方式中，数据处理模块还用于：
根据物资与物资类目的映射关系，对订单数据中物资的类目信息进行更新处理；根据更新处理后的订单数据，确定每个物资类目在各历史时段内的销量；根据每个物资类目在各历史时段内的销量，确定至少一个目标类目。
在一种可能的实施方式中，数据处理模块还用于：
填补订单数据中缺失的物资类目。
在一种可能的实施方式中，数据处理模块还用于：
将在各历史时段内的销量总和大于第一阈值的物资类目确定为目标类目；或者，将在各历史时段内的销量的平均值大于第二阈值的物资类目确定为目标类目；或者，将在至少一个历史时段内的销量大于第三阈值的物资类目确定为目标类目。
在一种可能的实施方式中，数据处理模块还用于：
根据更新处理后的订单数据，确定每个物资类目在各历史时段内的用户数量；根据每个目标类目在每个历史时段内的销量和用户数量，生成一条样本数据，样本数据包括：目标类目在历史时段内的销量和用户数量，历史时段对应的星期和月份；每个目标类目在各历史时段内的样本数据构成目标类目的训练数据。
在一种可能的实施方式中，样本数据中，历史时段对应的星期和月份采用独热编码的形式。
在一种可能的实施方式中，如图9所示，数据处理的装置30还包括：预测模块304。
预测模块304用于：根据预测模型，预测目标区域内目标类目的物资的需求量；根据目标区域内目标类目的物资的需求量，为目标区域分配物资。
在一种可能的实施方式中，神经网络模型包括：表征层和时序预测层，时序预测层包括两层长短期记忆神经网络。
在一种可能的实施方式中，表征层用于将输入的每条样本数据中的离散特征降维后与时序特征进行融合，得到的特征数据作为时序预测层的输入。
在一种可能的实施方式中，时序预测层用于根据输入的特征数据，预测目标区域内目标类目的物资的需求量。
在一种可能的实施方式中，模型训练模块还用于：
在对神经网络模型进行训练时，根据预先定义的超参数的搜索空间，根据预设搜索策略自动选择超参数组合进行模型训练。
本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例，具体功能此处不再赘述。
本发明实施例中，训练数据至少融合了以下两类数据：第一类是时序数据，包括目标类目在各个历史时段内的销量及购买此类目的物资的用户数量；第二类是影响模型的因素。预测模型针对两种形态的训练数据，分别进行表征和特征融合，最后进行时序预测，输出模型的预测误差和未来时段的需求量预测，基于多源数据融合，可以防止个别极端行为的影响，能够提高预测模型的稳定性和准确性。
图10为本发明实施例五提供的数据处理设备的结构示意图。如图10所示，该设备100包括：处理器1001，存储器1002，以及存储在存储器1002上并可在处理器1001上运行的计算机程序。
其中，处理器1001运行计算机程序时实现上述任一方法实施例提供的数据处理的方法。
本发明实施例通过圈定多个目标区域，针对每个目标区域，获取目标区域内的订单数据；根据目标区域内的订单数据，确定待预测的目标类目以及每个目标类目的训练数据；利用每个目标类目的训练数据，对神经网络模型进行训练，得到目标区域和目标类目对应的预测模型，通过预测模型能够准确地预测该目标区域内该目标类目的物资的需求量，从而为商品推荐、调配、同一配送等提供了数据基础。
另外，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现上述任一方法实施例提供的数据处理的方法。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

Claims (16)

1.一种数据处理的方法，其特征在于，包括：
根据目标区域的区域范围，获取所述目标区域内的订单数据；
根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；
根据每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，所述预测模型用于预测所述目标区域内所述目标类目的物资的需求量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据，包括：
根据物资与物资类目的映射关系，对所述订单数据中物资的类目信息进行更新处理；
根据更新处理后的订单数据，确定每个物资类目在各历史时段内的销量；
根据每个物资类目在各历史时段内的销量，确定至少一个目标类目。
3.根据权利要求2所述的方法，其特征在于，所述根据物资与物资类目的映射关系，对所述订单数据中物资的类目信息进行更新处理，包括：
填补所述订单数据中缺失的物资类目。
4.根据权利要求2所述的方法，其特征在于，所述根据每个物资类目在各历史时段内的销量，确定至少一个目标类目，包括：
将在各历史时段内的销量总和大于第一阈值的物资类目确定为目标类目；
或者，
将在各历史时段内的销量的平均值大于第二阈值的物资类目确定为目标类目；
或者，
将在至少一个所述历史时段内的销量大于第三阈值的物资类目确定为目标类目。
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据，还包括：
根据更新处理后的订单数据，确定每个物资类目在所述各历史时段内的用户数量；
根据每个所述目标类目在每个所述历史时段内的销量和用户数量，生成一条样本数据，所述样本数据包括：所述目标类目在所述历史时段内的销量和用户数量，所述历史时段对应的星期和月份；
每个所述目标类目在各所述历史时段内的样本数据构成所述目标类目的训练数据。
6.根据权利要求5所述的方法，其特征在于，所述样本数据中，所述历史时段对应的星期和月份采用独热编码的形式。
7.根据权利要求1所述的方法，其特征在于，所述根据每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型之后，还包括：
根据所述预测模型，预测所述目标区域内所述目标类目的物资的需求量；
根据所述目标区域内所述目标类目的物资的需求量，为所述目标区域分配物资。
8.根据权利要求1-7中任一项所述的方法，其特征在于：
所述目标类目的训练数据包括所述目标类目在多个历史时段内的样本数据，所述目标类目在每个历史时段内样本数据包括离散特征和时序特征，其中所述离散特征至少包括所述历史时段对应的星期和月份，所述时序特征至少包括所述目标类目在所述历史时段内的销量和用户数量。
9.根据权利要求8所述的方法，其特征在于：
所述神经网络模型包括：表征层和时序预测层，所述时序预测层包括两层长短期记忆神经网络。
10.根据权利要求9所述的方法，其特征在于：
所述表征层用于将输入的每条样本数据中的离散特征降维后与时序特征进行融合，得到的特征数据作为所述时序预测层的输入。
11.根据权利要求10所述的方法，其特征在于：
所述时序预测层用于根据输入的特征数据，预测所述目标区域内所述目标类目的物资的需求量。
12.根据权利要求1-7中任一项所述的方法，其特征在于：
在对神经网络模型进行训练时，根据预先定义的超参数的搜索空间，根据预设搜索策略自动选择超参数组合进行模型训练。
13.一种数据处理的方法，其特征在于，应用于包括数据采集器和处理器的服务平台，所述服务平台用于根据目标区域内的历史订单数据，训练得到所述目标区域内各目标类目对应的预测模型，所述方法包括：
根据目标区域的区域范围，获取所述目标区域内的订单数据；
根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；
根据每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，所述预测模型用于预测所述目标区域内所述目标类目的物资的需求量。
14.一种数据处理的装置，其特征在于，包括：
数据采集模块，用于根据目标区域的区域范围，获取所述目标区域内的订单数据；
数据处理模块，用于根据所述目标区域内的订单数据，确定待预测的目标类目以及每个所述目标类目的训练数据；
模型训练模块，用于根据每个所述目标类目的训练数据，对神经网络模型进行训练，得到所述目标区域和所述目标类目对应的预测模型，所述预测模型用于预测所述目标区域内所述目标类目的物资的需求量。
15.一种数据处理设备，其特征在于，包括：
处理器，存储器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序；
其中，所述处理器运行所述计算机程序时实现如权利要求1至12中任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的方法。
CN202010642357.5A 2020-07-06 2020-07-06 数据处理的方法、装置、设备及计算机可读存储介质 Pending CN113781077A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010642357.5A CN113781077A (zh) 2020-07-06 2020-07-06 数据处理的方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010642357.5A CN113781077A (zh) 2020-07-06 2020-07-06 数据处理的方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113781077A true CN113781077A (zh) 2021-12-10

Family

ID=78835122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010642357.5A Pending CN113781077A (zh) 2020-07-06 2020-07-06 数据处理的方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113781077A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127329A (zh) * 2016-06-16 2016-11-16 北京航空航天大学 订单预测方法与装置
CN108960431A (zh) * 2017-05-25 2018-12-07 北京嘀嘀无限科技发展有限公司 指标的预测、模型的训练方法及装置
CN109426885A (zh) * 2017-08-28 2019-03-05 北京小度信息科技有限公司 订单分配方法和装置
WO2019041000A1 (en) * 2017-09-01 2019-03-07 Go People Pty Ltd INTELLIGENT SATISFACTION, SORTING AND SHIPPING SYSTEM FOR ELECTRONIC COMMERCE CONTROLS WITH PREDICT PREDICTIVE PREDICTIVE DEMAND FOR OPTIMIZING SHIPPING ROUTING
CN110400024A (zh) * 2019-07-31 2019-11-01 京东城市(北京)数字科技有限公司 订单预测的方法、装置、设备和计算机可读存储介质
CN111127154A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 订单处理方法、装置、服务器和非易失性存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127329A (zh) * 2016-06-16 2016-11-16 北京航空航天大学 订单预测方法与装置
CN108960431A (zh) * 2017-05-25 2018-12-07 北京嘀嘀无限科技发展有限公司 指标的预测、模型的训练方法及装置
CN109426885A (zh) * 2017-08-28 2019-03-05 北京小度信息科技有限公司 订单分配方法和装置
WO2019041000A1 (en) * 2017-09-01 2019-03-07 Go People Pty Ltd INTELLIGENT SATISFACTION, SORTING AND SHIPPING SYSTEM FOR ELECTRONIC COMMERCE CONTROLS WITH PREDICT PREDICTIVE PREDICTIVE DEMAND FOR OPTIMIZING SHIPPING ROUTING
CN110400024A (zh) * 2019-07-31 2019-11-01 京东城市(北京)数字科技有限公司 订单预测的方法、装置、设备和计算机可读存储介质
CN111127154A (zh) * 2019-12-24 2020-05-08 拉扎斯网络科技（上海）有限公司 订单处理方法、装置、服务器和非易失性存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
兰洪杰 等: "2008北京奥运食品冷链物流需求预测分析", 《中国流通经济》, 31 December 2008 (2008-12-31), pages 19 - 22 *

Similar Documents

Publication Publication Date Title
CN108364085B (zh) 一种外卖配送时间预测方法和装置
US11361342B2 (en) Methods and apparatus to incorporate saturation effects into marketing mix models
Wu et al. A hybrid model for day-ahead price forecasting
Wong et al. Bayesian models for tourism demand forecasting
Kaur Selection of vendor based on intuitionistic fuzzy analytical hierarchy process
CN110610382B (zh) 车辆销售量预测方法、装置、计算机设备和存储介质
US9147206B2 (en) Model optimization system using variable scoring
CN111340244B (zh) 预测方法、训练方法、装置、服务器及介质
El-Kholy Predicting cost overrun in construction projects
CN102004768A (zh) 自适应分析多维处理系统
JP2006085716A (ja) 自動化された評価モデルについて予測標準偏差を組み立てるための方法および装置
CN109741177A (zh) 用户信用的评估方法、装置及智能终端
CN111932044A (zh) 一种基于机器学习的钢铁产品价格预测系统和方法
CN107194721A (zh) 基于声誉记录分析的服务推荐者发现方法
CN112613637A (zh) 充电负荷的处理方法和装置
US11631102B2 (en) Optimization of markdown schedules for clearance items at physical retail stores
Díaz et al. Valuation of wind power distributed generation by using Longstaff–Schwartz option pricing method
US20120059685A1 (en) System for Generating a Housing Price Index
CN108256693A (zh) 一种光伏发电功率预测方法、装置及系统
Ells et al. Uncertainty and forest land use allocation in British Columbia: vague priorities and imprecise coefficients
KR102217886B1 (ko) 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법
CN108171530A (zh) 一种用于客单价和复购率的提升方法及装置
CN113781077A (zh) 数据处理的方法、装置、设备及计算机可读存储介质
CN116245559A (zh) 一种充电服务平台定价预测方法、装置、设备和存储介质
CN113888244A (zh) 数据商品的定价方法与装置、电子设备及计算机可读存储介质

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