CN113807886A - 一种自动预测电商销售额的装置及方法 - Google Patents
一种自动预测电商销售额的装置及方法 Download PDFInfo
- Publication number
- CN113807886A CN113807886A CN202111003226.3A CN202111003226A CN113807886A CN 113807886 A CN113807886 A CN 113807886A CN 202111003226 A CN202111003226 A CN 202111003226A CN 113807886 A CN113807886 A CN 113807886A
- Authority
- CN
- China
- Prior art keywords
- solution
- equation set
- iteration
- solving
- algorithm
- 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 35
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 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
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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]
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及科学计算、工程设计和数值分析领域,具体提供了一种自动预测电商销售额的装置,包括采集单元、预测单元、定时单元和显示单元,所述采集单元用于进行数据采集,根据采集的数据设定自变量和因变量,建立线性方程组,求解方程组解;然后,将方程组解作为系数传入到预测单元,得到预测销售额,所述定时单元进行预测更新频率,最后显示单元进行展示。与现有技术相比,本发明不仅对病态线性方程组具有快速高效求解的优势,对于普通大型线性方程组求解优势仍然明显,能有效帮助我们从海量电商交易数据中预测未来销售额,这将很大程度上节省人力和物力,实现高效准确预测电商销售业绩,对把控电商销售业绩和宏观调控具有重要意义。
Description
技术领域
本发明涉及科学计算、工程设计和数值分析领域,具体提供一种 自动预测电商销售额的装置及方法。
背景技术
近几年电子商务的发展迅猛,网上购物已经成为消费者获取商品 的主要途径之一。大量的商品交易产生海量的数据,如何根据这些海 量数据及时高效而又准确的预测未来销售业绩成了我们当下研究的 重点。由于平台众多,数据量巨大,为了根据已有值去预测未来值, 就需要联立方程,进而得到多元线性方程组。由实际问题得到的方程 组的系数矩阵或者常数向量的元素,本身会存在一定的误差,这些初 始数据的误差在计算过程中就会向前传播,从而影响到方程组的解, 若因系数的很小改变却导致解改变很大的方程组我们称之为病态方 程组。而快速求解多元线性方程组并在求解中有效避免方程组的病态 性则成了装置设计的难点。
发明内容
本发明是针对上述现有技术的不足,提供一种设计合理,安全适 用的自动预测电商销售额的装置。
本发明进一步的技术任务是提供一种实用性强的自动预测电商 销售额的方法。
本发明解决其技术问题所采用的技术方案是:
一种自动预测电商销售额的装置,包括采集单元、定时单元和显 示单元,所述采集单元用于进行数据采集,根据采集的数据设定自变 量和因变量,建立线性方程组,求解方程组解;然后,将方程组解作 为系数传入到预测单元,得到预测销售额,所述定时单元进行预测更 新频率,最后显示单元进行展示。
进一步的,方程组求解算法一部分如下:
松弛因子ω自动生成算法,考虑线性方程组Ax=b的解,其中,
松弛因子ω的计算公式如下:
进一步的,方程组求解另一部分为改进余量修正算法:
构造余量方程组Ay=r,通过线性方程组的直接法——LU分解 法求解余量方程组,并且在用计算机求解时换用比前面迭代求解多一 倍精度的变量存储数据;
进一步的,整体求解方程组算法为:
首先,设定迭代次数上限Cd、求解精度要求ε和算法迭代初始值 x(0);
根据公式r=b-Ax(k+1)计算近似解x(k+1)对应的余量r;
构造余量方程组Ay=r;
然后,采用双精度存储并用直接法LU分解法求解余量方程组的 解y;
进一步的,所述定时单元设置预测更新频率,为电商销售额装置 传送启动信号。
一种自动预测电商销售额的方法,具有以下步骤:
S1、设置采集单元,进行数据采集;
S2、根据采集的数据设定自变量和因变量,建立线性方程组;
S3、求解方程组解;
S4、将方程组解作为系数传入到预测单元,得到预测销售额;
S5、设置定时单元预测更新频率;
S6、采用显示单元进行展示。
进一步的,在步骤S3中,方程组求解算法如下:
松弛因子ω自动生成算法,考虑线性方程组Ax=b的解,其中,
松弛因子ω的计算公式如下:
进一步的,在步骤S3中,改进余量修正算法为:
构造余量方程组Ay=r,通过线性方程组的直接法——LU分解 法求解余量方程组,并且在用计算机求解时换用比前面迭代求解多一 倍精度的变量存储数据;
进一步的,在步骤S3中,整体求解方程组算法具体步骤如下:
S301、设定迭代次数上限Cd、求解精度要求ε和算法迭代初始值 x(0);
S305、根据公式r=b-Ax(k+1)计算近似解x(k+1)对应的余量r;
S306、构造余量方程组Ay=r;
S307、采用双精度存储并用直接法LU分解法求解余量方程组的 解y;
进一步的,在步骤S5中,通过定时单元设置预测更新频率,所 述定时单元为步骤S1到S4传送启动信号。
本发明的一种自动预测电商销售额的装置及方法和现有技术相 比,具有以下突出的有益效果:
本发明不仅对病态线性方程组具有快速高效求解的优势,对于普 通大型线性方程组求解优势仍然明显,能有效帮助我们从海量电商交 易数据中预测未来销售额,这将很大程度上节省人力和物力,实现高 效准确预测电商销售业绩,对把控电商销售业绩和宏观调控具有重要 意义。
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。
附图1是一种自动预测电商销售额方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明的方案,下面结合具 体的实施方式对本发明作进一步的详细说明。显然,所描述的实施例 仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的 实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的 所有其他实施例都属于本发明保护的范围。
下面给出一个最佳实施例:
本实施例中的一种自动预测电商销售额的装置,包括采集单元、 预测单元、定时单元和显示单元,所述采集单元用于进行数据采集, 根据采集的数据设定自变量和因变量,建立线性方程组,求解方程组 解;然后,将方程组解作为系数传入到预测单元,得到预测销售额, 所述定时单元进行预测更新频率,最后显示单元进行展示。
方程组求解算法如下:
(1)松弛因子ω自动生成算法,考虑线性方程组Ax=b的解, 其中,
松弛因子ω的计算公式如下:
(2)改进余量修正算法:
构造余量方程组Ay=r,通过线性方程组的直接法——LU分解 法求解余量方程组,并且在用计算机求解时换用比前面迭代求解多一 倍精度的变量存储数据;
整体求解方程组算法为:
首先,设定迭代次数上限Cd、求解精度要求ε和算法迭代初始值 x(0);
根据公式r=b-Ax(k+1)计算近似解x(k+1)对应的余量r;
构造余量方程组Ay=r;
然后,采用双精度存储并用直接法LU分解法求解余量方程组的 解y;
其中,定时单元设置预测更新频率,为预测电商销售额装置传送 启动信号。
如图1所示,一种自动预测电商销售额的方法,具有以下步骤:
S1、设置采集单元,进行数据采集:
采集单元获取电商平台公开数据进行数据采集。
S2、根据采集的数据设定自变量和因变量,建立线性方程组;
S3、求解方程组解:
(1)松弛因子ω自动生成算法,考虑线性方程组Ax=b的解,其 中,
松弛因子ω的计算公式如下:
(2)改进余量修正算法:
构造余量方程组Ay=r,通过线性方程组的直接法——LU分解 法求解余量方程组,并且在用计算机求解时换用比前面迭代求解多一 倍精度的变量存储数据;
整体求解方程组算法步骤如下:
S301、设定迭代次数上限Cd、求解精度要求ε和算法迭代初始值 x(0);
S305、根据公式r=b-Ax(k+1)计算近似解x(k+1)对应的余量r;
S306、构造余量方程组Ay=r;
S307、采用双精度存储并用直接法LU分解法求解余量方程组的 解y;
S4、将方程组解作为系数传入到预测单元,得到预测销售额;
S5、设置定时单元预测更新频率:
通过定时单元设置预测更新频率,所述定时单元为步骤S1到S4 传送启动信号。
S6、采用显示单元进行展示。
上述具体的实施方式仅是本发明具体的个案,本发明的专利保护 范围包括但不限于上述具体的实施方式,任何符合本发明的一种自动 预测电商销售额的装置及方法权利要求书的且任何所述技术领域普 通技术人员对其做出的适当变化或者替换,皆应落入本发明的专利保 护范围。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术 人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这 些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权 利要求及其等同物限定。
Claims (10)
1.一种自动预测电商销售额的装置,其特征在于,包括采集单元、预测单元、定时单元和显示单元,所述采集单元用于进行数据采集,根据采集的数据设定自变量和因变量,建立线性方程组,求解方程组解;然后,将方程组解作为系数传入到预测单元,得到预测销售额,所述定时单元进行预测更新频率,最后显示单元进行展示。
4.根据权利要求3所述的一种自动预测电商销售额的装置,其特征在于,整体求解方程组算法为:
首先,设定迭代次数上限Cd、求解精度要求ε和算法迭代初始值x(0);
根据公式r=b-Ax(k+1)计算近似解x(k+1)对应的余量r;
构造余量方程组Ay=r;
然后,采用双精度存储并用直接法LU分解法求解余量方程组的解y;
5.根据权利要求4所述的一种自动预测电商销售额的装置,其特征在于,所述定时单元设置预测更新频率,为预测电商销售额装置传送启动信号。
6.一种自动预测电商销售额的方法,其特征在于,具有以下步骤:
S1、设置采集单元,进行数据采集;
S2、根据采集的数据设定自变量和因变量,建立线性方程组;
S3、求解方程组解;
S4、将方程组解作为系数传入到预测单元,得到预测销售额;
S5、设置定时单元预测更新频率;
S6、采用显示单元进行展示。
9.根据权利要求8所述的一种自动预测电商销售额的方法,其特征在于,在步骤S3中,整体求解方程组算法具体步骤如下:
S301、设定迭代次数上限Cd、求解精度要求ε和算法迭代初始值x(0);
S305、根据公式r=b-Ax(k+1)计算近似解x(k+1)对应的余量r;
S306、构造余量方程组Ay=r;
S307、采用双精度存储并用直接法LU分解法求解余量方程组的解y;
10.根据权利要求8所述的一种自动预测电商销售额的方法,其特征在于,在步骤S5中,通过定时单元设置预测更新频率,所述定时单元为步骤S1到S4传送启动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003226.3A CN113807886A (zh) | 2021-08-30 | 2021-08-30 | 一种自动预测电商销售额的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003226.3A CN113807886A (zh) | 2021-08-30 | 2021-08-30 | 一种自动预测电商销售额的装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807886A true CN113807886A (zh) | 2021-12-17 |
Family
ID=78894330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111003226.3A Pending CN113807886A (zh) | 2021-08-30 | 2021-08-30 | 一种自动预测电商销售额的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807886A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108332722A (zh) * | 2017-12-28 | 2018-07-27 | 山东浪潮云服务信息科技有限公司 | 一种海水深度检测方法及装置 |
CN109615082A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法 |
CN110533486A (zh) * | 2019-09-06 | 2019-12-03 | 江苏物联网研究发展中心 | 一种基于电商平台的大数据分析方法 |
CN111950775A (zh) * | 2020-07-24 | 2020-11-17 | 王磊 | 一种基于大数据的经济运行监测方法 |
CN112116387A (zh) * | 2020-09-16 | 2020-12-22 | 北京秒算信息技术有限公司 | 一种基于因果关系的信息预测方法 |
-
2021
- 2021-08-30 CN CN202111003226.3A patent/CN113807886A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108332722A (zh) * | 2017-12-28 | 2018-07-27 | 山东浪潮云服务信息科技有限公司 | 一种海水深度检测方法及装置 |
CN109615082A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法 |
CN110533486A (zh) * | 2019-09-06 | 2019-12-03 | 江苏物联网研究发展中心 | 一种基于电商平台的大数据分析方法 |
CN111950775A (zh) * | 2020-07-24 | 2020-11-17 | 王磊 | 一种基于大数据的经济运行监测方法 |
CN112116387A (zh) * | 2020-09-16 | 2020-12-22 | 北京秒算信息技术有限公司 | 一种基于因果关系的信息预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3709223A1 (en) | Method and apparatus for generating neural network | |
EP3893169A2 (en) | Method, apparatus and device for generating model and storage medium | |
CN107133190A (zh) | 一种机器学习系统的训练方法和训练系统 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
Zhou et al. | A novel grey seasonal model based on cycle accumulation generation for forecasting energy consumption in China | |
US8661042B2 (en) | Collaborative filtering with hashing | |
CN110807490A (zh) | 一种基于单基塔的输电线路工程造价智能预测方法 | |
Colmenar et al. | Automatic generation of models for energy demand estimation using Grammatical Evolution | |
CN115062877A (zh) | 电力设备材料信息调整方法、装置、设备和计算机介质 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
Xu et al. | Automatic perturbation analysis on general computational graphs | |
Jiménez et al. | A closed-loop data-driven optimization framework for the unit commitment problem: A Q-learning approach under real-time operation | |
Winicour | Null infinity from a quasi‐Newtonian view | |
CN113807886A (zh) | 一种自动预测电商销售额的装置及方法 | |
CN117036006A (zh) | 用户画像的生成方法及装置、存储介质、电子设备 | |
Zhu et al. | Enhanced probabilistic spatiotemporal wind speed forecasting based on deep learning, quantile regression, and error correction | |
CN112381664A (zh) | 电网短期负荷预测方法、预测装置及存储介质 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
Maurya et al. | Efficient pricing of options in jump–diffusion models: Novel implicit–explicit methods for numerical valuation | |
CN113489068B (zh) | 一种电力系统机组组合方法及系统 | |
CN107909182A (zh) | 一种基于回归分析的经济指标预测方法和系统 | |
CN111768282B (zh) | 数据分析方法、装置、设备及存储介质 | |
Xue et al. | A novel ensemble of metamodels using improved stepwise metamodel selection and two-layer pointwise ensemble |
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: 20211217 |