CN116029754B - 一种基于知识图谱的产品数据分析方法及系统 - Google Patents
一种基于知识图谱的产品数据分析方法及系统 Download PDFInfo
- Publication number
- CN116029754B CN116029754B CN202310050881.7A CN202310050881A CN116029754B CN 116029754 B CN116029754 B CN 116029754B CN 202310050881 A CN202310050881 A CN 202310050881A CN 116029754 B CN116029754 B CN 116029754B
- Authority
- CN
- China
- Prior art keywords
- order quantity
- product
- order
- prediction result
- result
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于知识图谱的产品数据分析方法及系统,属于数据分析技术领域,所述方法包括:根据产品类型提取订单量变化曲线;进行预设时间的订单数预测,生成第一订单数量预测结果;根据产品时效性特征,生成第二订单数量预测结果;根据产品成品率,生成第三订单数量预测结果;根据产业链上游特征,生成第四订单数量预测结果;根据产品类型、订单量变化曲线、产品时效性特征、产业链上游特征、产品成品率和第四订单数量预测结果,构建订单数预测知识图谱,进行产品产量分析。本申请解决了现有技术中存在对产品数据挖掘不够深入,产品生产量分析结果可靠性低的技术问题,达到了对产品数据进行多维度多层次分析,提高分析效率的技术效果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于知识图谱的产品数据分析方法及系统。
背景技术
大多数企业的生产规划是由市场需求为源头牵引的,但是市场需求又具有随机波动性,因此,对产品数据进行深入分析,对于指导企业生产有着十分重要的意义。
目前,通过对市场信息进行挖掘分析,从而对产品生产量进行预先性的预测,从而对市场波动进行有效的提前应对。主要是通过企业里面的市场分析人员对产品市场信息进行搜集、汇总,形成分析报告指导生产,以及利用智能化模型对数据进行处理,进而根据处理结果得到产品生产量的分析结果。
然而,通过分析人员进行报告整理的方式,受限于人员自身能力以及信息时效性的影响,得到的分析结果可靠性不能保证,同时存在信息滞后性的问题。同时智能化模型进行处理时,不仅需要大量的实际标签数据,还需要根据实际应用企业的应用场景和信息进行适应化调整,存在落地周期过长和分析结果验证时间长的问题,无法广泛使用。现有技术中存在对产品数据挖掘不够深入,产品生产量分析结果可靠性低的技术问题。
发明内容
本申请的目的是提供一种基于知识图谱的产品数据分析方法及系统,用以解决现有技术中存在对产品数据挖掘不够深入,产品生产量分析结果可靠性低的技术问题。
鉴于上述问题,本申请提供了一种基于知识图谱的产品数据分析方法及系统。
第一方面,本申请提供了一种基于知识图谱的产品数据分析方法,其中,所述方法包括:根据产品类型,提取订单量变化曲线;根据所述订单量变化曲线对所述产品类型进行预设时间的订单数预测,生成第一订单数量预测结果;获取产品时效性特征,对所述第一订单数量预测结果进行调整,生成第二订单数量预测结果;获取产品成品率,对所述第二订单数量预测结果进行调整,生成第三订单数量预测结果;获取产业链上游特征,对所述第三订单数量预测结果进行调整,生成第四订单数量预测结果;根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱;基于所述订单数预测知识图谱进行产品产量分析。
另一方面,本申请还提供了一种基于知识图谱的产品数据分析系统,其中,所述系统包括:变化曲线提取模块,所述变化曲线提取模块用于根据产品类型,提取订单量变化曲线;第一订单预测模块,所述第一订单预测模块用于根据所述订单量变化曲线对所述产品类型进行预设时间的订单数预测,生成第一订单数量预测结果;第二订单预测模块,所述第二订单预测模块用于获取产品时效性特征,对所述第一订单数量预测结果进行调整,生成第二订单数量预测结果;第三订单预测模块,所述第三订单预测模块用于获取产品成品率,对所述第二订单数量预测结果进行调整,生成第三订单数量预测结果;第四订单预测模块,所述第四订单预测模块用于获取产业链上游特征,对所述第三订单数量预测结果进行调整,生成第四订单数量预测结果;知识图谱构建模块,所述知识图谱构建模块用于根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱;产品产量分析模块,所述产品产量分析模块用于基于所述订单数预测知识图谱进行产品产量分析。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过以产品类型为搜索依据,对订单量变化曲线进行提取,然后根据订单量变化曲线对产品类型进行预设时间的订单数预测,生成第一订单数量预测结果,然后在得到产品时效性特征后,根据特征调整订单数量预测结果,得到第二订单数量预测结果,进而对产品成品率进行采集,以此为依据对第二订单数量预测结果进行调整,生成第三订单数量预测结果,然后获取产业链上游特征,根据上游特征对第三订单数量预测结果进行调整,生成第四订单数量预测结果,根据产品类型、订单量变化曲线、产品时效性特征、产业链上游特征、产品成品率和第四订单数量预测结果,构建订单数预测知识图谱,根据基于订单数预测知识图谱对产品产量进行分析。达到了提高产品产量的分析自动化程度,对市场波动作出及时反应,提高分析结果的可靠程度的技术效果。
附图说明
为了更清楚地说明本申请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示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于知识图谱的产品数据分析方法的流程示意图;
图2为本申请实施例提供的一种基于知识图谱的产品数据分析方法中生成第一订单数量预测结果的流程示意图;
图3为本申请实施例提供的一种基于知识图谱的产品数据分析方法中生成多条订单量截取曲线筛选结果的流程示意图;
图4为本申请一种基于知识图谱的产品数据分析系统的结构示意图。
附图标记说明:变化曲线提取模块11,第一订单预测模块12,第二订单预测模块13,第三订单预测模块14,第四订单预测模块15,知识图谱构建模块16,产品产量分析模块17。
具体实施方式
本申请通过提供一种基于知识图谱的产品数据分析方法及系统,解决了现有技术中存在对产品数据挖掘不够深入,产品生产量分析结果可靠性低的技术问题。达到了对产品数据进行多维度多层次分析,提高分析效率的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种基于知识图谱的产品数据分析方法,其中,所述方法包括:
步骤S100:根据产品类型,提取订单量变化曲线;
具体而言,所述产品类型是要进行生产量分析的产品所属的种类,包括:玻璃制品、电池配件、手机后壳等。所述订单量变化曲线是反映产品在一定周期内的订单数量变化的曲线,优选的,以时间为横坐标,以订单量为纵坐标,构建所述订单量变化曲线。通过对产品订单量进行采集,可以对产品的需求情况进行把握,从而为根据市场需求确定订单量提供依据。达到了丰富产品产量分析数据,提高数据质量,从而提高分析结果准确性的技术效果。
步骤S200:根据所述订单量变化曲线对所述产品类型进行预设时间的订单数预测,生成第一订单数量预测结果;
进一步的,如图2所示,所述根据所述订单量变化曲线对所述产品类型进行预设时间的订单数预测,生成第一订单数量预测结果,本申请实施例步骤S200还包括:
步骤S210:获取多条历史订单量变化曲线;
步骤S220:根据所述订单量变化曲线对所述多条历史订单量变化曲线进行截取,获得多条订单量变化截取曲线;
步骤S230:根据产品客户群体特征对所述多条订单量变化截取曲线筛选,生成多条订单量截取曲线筛选结果;
步骤S240:对所述多条订单量截取曲线筛选结果进行频繁性挖掘,生成订单量预测变化曲线;
步骤S250:根据所述预设时间和所述订单量预测变化曲线,生成所述第一订单数量预测结果。
进一步的,如图3所示,所述根据产品客户群体特征对所述多条订单量变化截取曲线筛选,生成多条订单量截取曲线筛选结果,本申请实施例步骤S230还包括:
步骤S231:根据所述产品客户群体特征,获取客户数量属性、产品复购周期属性和客户购买力属性;
步骤S232:根据所述客户数量属性、所述客户复购周期属性和所述客户购买力属性对所述产品类型进行市场规模评估,生成市场规模评估结果;
步骤S233:根据所述市场规模评估结果对所述多条订单量变化截取曲线筛选,生成所述多条订单量截取曲线筛选结果。
进一步的,所述对所述多条订单量截取曲线筛选结果进行频繁性挖掘,生成订单量预测变化曲线,本申请实施例步骤S240还包括:
步骤S241:构建第一时间的一项频繁节点,其中,所述第一时间的一项频繁节点具有第一触发频率;
步骤S242:根据所述第一触发频率对所述多条订单量截取曲线筛选结果的第一时间节点进行非频繁项剪枝,生成第一时间节点频繁项;
步骤S243:构建第k时间的一项频繁节点,其中,所述第k时间的一项频繁节点具有第k触发频率;
步骤S244:根据所述第k触发频率对所述多条订单量截取曲线筛选结果的第k时间节点进行非频繁项剪枝,生成第k时间节点频繁项;
步骤S245:根据所述第一时间节点频繁项直到所述第k时间节点频繁项,构建所述订单量预测变化曲线。
具体而言,所述预设时间是指预先设置的进行产品产量分析的时间段,也就是需要进行产量预测的时间段,可选的,预设时间为1个月、3个月等。所述第一订单数量预测结果是根据市场需求对订单量进行估计得到预测订单数量。所述多条历史订单量变化曲线是对产品进行多个历史时间段的订单量数据进行搜集,汇总得到的变化曲线。基于订单量变化曲线对多条历史订单量变化曲线进行截取,从而根据订单量变化曲线中曲线的起止时间,对历史订单量变化曲线中相同的时间点进行确定,然后将晚于时间点的订单变化曲线进行截取,从而得到所述多条订单量变化截取曲线。其中,所述订单量变化截取曲线反映了历史时间上产品订单量在预设时间内的实际变化情况,可以为当下订单量在预设时间内的变化情况提供参考。
具体的,所述产品客户群体特征是对产品客户群体进行描述,可以反映群体特性的特征。根据所述产品客户群体特征进行属性提取,可以得到所述客户数量属性、产品复购周期属性和客户购买力属性。所述客户数量属性是对当前的产品客户群体数量进行描述的性质。所述产品复购周期属性是指当前的产品客户群体对该产品的再次购买时间段进行描述的性质。所述客户购买力属性是指通过根据年龄或者资产为划分依据,对产品客户群体的购买力进行等级评定后得到的。进而,根据所述客户数量属性、所述客户复购周期属性和所属客户购买力属性对所述产品客户群体进行数据提取,得到客户数量、客户复购周期、客户购买力。进而,根据所述客户数量、客户复购周期、客户购买力对产品类型进行市场规模评估,其中,评估方式按照预先设置的评估规则,可选的,评估规则为市场规模=数量*周期数*购买力。进而根据所述市场规模评估结果对所述多条订单量变化截取曲线进行筛选,筛选相同市场规模的订单量变化截取曲线,进而得到所述多条订单量截取曲线筛选结果。在进行筛选的过程中,只有相同市场规模的订单量变化才具有参考意义。从而,达到了根据历史订单变化情况对订单变化情况进行筛选的技术效果。
具体的,在获得所述多条订单量变化曲线筛选结果之后,通过对变化曲线进行频繁项挖掘,通过频繁性挖掘算法,从海量数据中挖掘出相同场景适应性频率的变化数据,在降低数据量的同时,可以得到参考性较强的代表数据集。可以对订单量变化曲线进行深入挖掘,对订单多次出现的变化项目进行采集,从而获得当前订单量变化可能性最高的项目,进而根据该项得到所述订单量预测变化曲线。
具体的,所述第一时间是指所述多条订单量截取曲线筛选结果中各曲线最开始时间点。所述一项频繁节点是多条订单量截取曲线中出现频率最高的频繁节点,所述第一时间的一项频繁节点对应具有第一触发频率。其中,所述第一触发频率是指局部范围内对应的时间段内频繁项出现的次数。以所述第一触发频率为筛选依据,对所述多条订单量截取曲线进行对应的时间点的筛选。将触发频率低于所述第一触发频率的订单量截取曲线确定为非频繁项,将其剪枝后,得到所述第一时间节点频繁项。所述第k时间是订单量变化曲线的任意一个时间节点。所述第k触发频率为所述第k时间的频繁节点出现的次数。进而,以所述第k触发频率对所述多条订单量截取曲线筛选结果进行非频繁项确定,即所述非频繁项为出发频率低于所述第k触发频率的项。所述第k时间节点频繁项是指第k时间节点出现频率最高的项目。进而,通过根据所述第一时间节点频繁项到所述第k时间节点频繁项,实现了对所述多条订单量截取曲线筛选结果进行逐层分析,层层挖掘的目标,达到了对订单量变化情况进行深入分析,选取每个时间节点频率最高的订单量,提高预测准确性和客观性的技术效果。
步骤S300:获取产品时效性特征,对所述第一订单数量预测结果进行调整,生成第二订单数量预测结果;
进一步的,所述获取产品时效性特征,对所述第一订单数量预测结果进行调整,生成第二订单数量预测结果,本申请实施例步骤S300还包括:
步骤S310:根据所述产品时效性特征,获取产品热销时区;
步骤S320:判断所述预设时间是否属于所述产品热销时区;
步骤S330:若属于,根据所述产品热销时区遍历所述多条订单量截取曲线筛选结果,计算订单平均增长率;
步骤S340:根据所述订单平均增长率对所述第一订单数量预测结果进行调整,生成所述第二订单数量预测结果。
具体而言,所述产品时效性特征是指产品受到季节、天气、政策、地区等因素的影响使产品销量产生时间性变化所表现出的特征。示例性的,在梅雨季节,烘干机的需求量和销量会有爆发式增长,但是在梅雨季节过后,由于天气转好,对烘干机的需求下降,会导致订单量下降,进而降低产品产量。又比如,受到骑电动车需要戴头盔的政策影响,头盔销量在短时间内突然增长,但是随着时间延长,销量增长量会呈现慢慢降低,直至出现负增长的趋势。如果厂家受到短时间内头盔需求量大涨的影响,生产许多头盔,容易造成供过于求的现象,从而造成巨大的经济损失。因此,对于产品时效性的分析是必要的,可以为产品预测提供更加准确的分析数据。所述产品热销时区是根据所述产品时效性特征,确定的产品受时效性影响,销量爆发式增长的时间段。通过判断所述预设时间是否属于所述产品热销时区,可以判断订单生产量是否受到产品时效的影响。进而,当所述预设时间属于产品热销时区时,表明此时根据频率确定的所述第一订单数量预测结果准确度受到影响,因为,其中的频繁项可能是受到时效影响,并不能代表普遍订单需求情况。进而,根据所述产品热销时区对应的时间段对所所述多条订单量截取曲线筛选结果进行遍历查找,得到多个订单量信息,对其进行均值处理,从而得到所述订单平均增长率。其中,所述订单平均增长率是指订单在所述产品热销时区对应的时间段内综合考虑多个历史时间的情况,得到的订单平均增长情况。根据所述订单平均增长率对所述第一订单数量预测结果进行调整,从而得到所述第二订单数量预测结果。由此,达到了对订单预测结果从产品时效性的角度进行调整,提高预测准确性的技术效果。
步骤S400:获取产品成品率,对所述第二订单数量预测结果进行调整,生成第三订单数量预测结果;
具体而言,所述产品成品率是指符合质量标准的产品占总产品数的比例。通过获取所述产品成品率对产品质量进行判断,从而根据成品比例对预测产量进行调整,得到所述第三订单数量预测结果,实现了从产品成品率的角度对订单数量预测结果进行修正的目标。
步骤S500:获取产业链上游特征,对所述第三订单数量预测结果进行调整,生成第四订单数量预测结果;
进一步的,所述获取产业链上游特征,对所述第三订单数量预测结果进行调整,生成第四订单数量预测结果,本申请实施例步骤S500还包括:
步骤S510:根据所述产业链上游特征,生成上游材料供应阈值;
步骤S520:判断所述第三订单数量预测结果是否满足所述上游材料供应阈值;
步骤S530:若满足,根据所述上游材料供应阈值对所述第三订单数量预测结果进行调整,生成所述第四订单数量预测结果。
具体而言,所述产业链上游特征是对生产产品原材料的供应情况进行描述的特征,包括材料产量,运输通道,运输条件等。所述上游供应阈值是所述预设时间内,材料能够供应的最大值。通过从所述第三订单数量预测结果中确定产品产量,进而判断产品产量是否满足所述上游材料供应阈值,当满足时,表明第三订单数量预测结果中对应的产品数量要超出上游材料可以供应的量,因此,此时对生产数量的预测结果是超出可生产范围的。进而,根据所述上游材料供应阈值对所述第三订单数量预测结果进行调整,得到所述第四订单数量预测结果。达到了从生产链上游供应情况对订单数量进行调整,提高预测准确度的技术效果。
步骤S600:根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱;
进一步的,所述根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱,本申请实施例步骤S600还包括:
步骤S610:根据所述产品类型,生成输入实体信息;
步骤S620:根据所述第四订单数量预测结果,生成输出实体信息;
步骤S630:将所述订单量变化曲线设为所述输入实体信息的第一属性;将所述产品时效性特征设为所述输入实体信息的第二属性;将所述产业链上游特征设为所述输入实体信息的第三属性;将所述产品成品率设为所述输入实体信息的第四属性;
步骤S640:根据所述输入实体信息、所述输出实体信息、所述第一属性、所述第二属性、所述第三属性和所述第四属性,构建所述订单数预测知识图谱。
具体而言,所述订单数预测知识图谱是对订单数量进行预测,构建订单数量与相关因素之间的关联关系的图谱。根据所述产品类型,获取产品的种类,由此得到所述输入实体信息。所述输入实体信息反映了知识图谱的进行关联的对象。进而,根据所述第四订单数量预测结果,得到所述输出实体信息。其中,所述输出实体信息是所述订单数预测知识图谱最终要得到的目标对象。所述第一属性是对所述输入实体信息的实时订单变化情况进行描述,所述第二属性是对所述输入实体信息的时效性进行描述的属性,所述第三属性是对输入实体信息的产业链上游情况进行描述的属性,所述第四属性是对所述输入实体信息的产品成品率情况进行描述的属性。进而,以所述输入实体信息为所述订单数预测知识图谱的节点,以所述第一属性、第二属性、第三属性和第四属性为所述订单数预测知识图谱中节点关系的描述,以及所述输出实体信息作为订单数预测知识图谱的输出对象,从而构建所述订单数预测知识图谱。达到了将分析结果以知识图谱的形式进行数据展示,从而为决策提供可靠数据,并且当知识图谱中的数据累计量达到一定程度后,可以作为构建智能化模型的基础,起到了大大提高产品数据分析的效率的技术效果。
步骤S700:基于所述订单数预测知识图谱进行产品产量分析。
具体而言,通过所述订单数预测知识图谱中的信息,可以得到产品产量的预测数据,进而用于指导产品生产。达到了综合多个维度进行预测,基于产业链上下游进行全面的数据分析,保障预测结果的准确性的技术效果。
综上所述,本申请所提供的一种基于知识图谱的产品数据分析方法具有如下技术效果:
本申请通过依据产品类型对产品的订单量信息进行提取,得到订单量变化曲线,进而根据订单量变化曲线对产品类型进行预设时间的订单数预测,生成第一订单数量预测结果,实现了对产品订单数量进行预测的目标,通过根据产品时效性特征,对第一订单数量预测结果进行调整,得到从产品时效的角度调整的第二订单数量预测结果,进而根据产品成品率,对第二订单数量预测结果进行调整,得到第三订单数量预测结果,进而从产业链上下游的角度,对第三订单数量预测结果进行调整,生成第四订单数量预测结果,进而根据产品类型、订单量变化曲线、产品时效性特征、产业链上游特征、产品成品率和第四订单数量预测结果,构建订单数预测知识图谱,由此进行产品产量分析。达到了提高产品产量分析的自动化程度,提高分析的全面性和效率的技术效果。
实施例二
基于与前述实施例中一种基于知识图谱的产品数据分析方法同样的发明构思,如图4所示,本申请还提供了一种基于知识图谱的产品数据分析系统,其中,所述系统包括:
变化曲线提取模块11,所述变化曲线提取模块11用于根据产品类型,提取订单量变化曲线;
第一订单预测模块12,所述第一订单预测模块12用于根据所述订单量变化曲线对所述产品类型进行预设时间的订单数预测,生成第一订单数量预测结果;
第二订单预测模块13,所述第二订单预测模块13用于获取产品时效性特征,对所述第一订单数量预测结果进行调整,生成第二订单数量预测结果;
第三订单预测模块14,所述第三订单预测模块14用于获取产品成品率,对所述第二订单数量预测结果进行调整,生成第三订单数量预测结果;
第四订单预测模块15,所述第四订单预测模块15用于获取产业链上游特征,对所述第三订单数量预测结果进行调整,生成第四订单数量预测结果;
知识图谱构建模块16,所述知识图谱构建模块16用于根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱;
产品产量分析模块17,所述产品产量分析模块17用于基于所述订单数预测知识图谱进行产品产量分析。
进一步的,所述系统还包括:
订单量变化曲线获取单元,所述订单量变化曲线获取单元用于获取多条历史订单量变化曲线;
截取曲线获取单元,所述截取曲线获取单元用于根据所述订单量变化曲线对所述多条历史订单量变化曲线进行截取,获得多条订单量变化截取曲线;
曲线筛选结果生产单元,所述曲线筛选结果生产单元用于根据产品客户群体特征对所述多条订单量变化截取曲线筛选,生成多条订单量截取曲线筛选结果;
预测变化曲线生成单元,所述预测变化曲线生成单元用于对所述多条订单量截取曲线筛选结果进行频繁性挖掘,生成订单量预测变化曲线;
第一预测结果生成单元,所述第一预测结果生成单元用于根据所述预设时间和所述订单量预测变化曲线,生成所述第一订单数量预测结果。
进一步的,所述系统还包括:
客户属性获取单元,所述客户属性获取单元用于根据所述产品客户群体特征,获取客户数量属性、产品复购周期属性和客户购买力属性;
规模评估结果生成单元,所述规模评估结果生成单元用于根据所述客户数量属性、所述客户复购周期属性和所述客户购买力属性对所述产品类型进行市场规模评估,生成市场规模评估结果;
筛选结果生成单元,所述筛选结果生成单元用于根据所述市场规模评估结果对所述多条订单量变化截取曲线筛选,生成所述多条订单量截取曲线筛选结果。
进一步的,所述系统还包括:
频繁节点构建单元,所述频繁节点构建单元用于构建第一时间的一项频繁节点,其中,所述第一时间的一项频繁节点具有第一触发频率;
第一时频繁项生成单元,所述第一时频繁项生成单元用于根据所述第一触发频率对所述多条订单量截取曲线筛选结果的第一时间节点进行非频繁项剪枝,生成第一时间节点频繁项;
一项频繁节点构建单元,所述一项频繁节点构建单元用于构建第k时间的一项频繁节点,其中,所述第k时间的一项频繁节点具有第k触发频率;
第k频繁项生成单元,所述第k频繁项生成单元用于根据所述第k触发频率对所述多条订单量截取曲线筛选结果的第k时间节点进行非频繁项剪枝,生成第k时间节点频繁项;
订单量变化曲线构建单元,所述订单量变化曲线构建单元用于根据所述第一时间节点频繁项直到所述第k时间节点频繁项,构建所述订单量预测变化曲线。
进一步的,所述系统还包括:
热销时区获取单元,所述热销时区获取单元用于根据所述产品时效性特征,获取产品热销时区;
预设时间判断单元,所述预设时间判断单元用于判断所述预设时间是否属于所述产品热销时区;
平均增长率计算单元,所述平均增长率计算单元用于若属于,根据所述产品热销时区遍历所述多条订单量截取曲线筛选结果,计算订单平均增长率;
预测结果调整单元,所述预测结果调整单元用于根据所述订单平均增长率对所述第一订单数量预测结果进行调整,生成所述第二订单数量预测结果。
进一步的,所述系统还包括:
供应阈值生成单元,所述供应阈值生成单元用于根据所述产业链上游特征,生成上游材料供应阈值;
材料供应判断单元,所述材料供应判断单元用于判断所述第三订单数量预测结果是否满足所述上游材料供应阈值;
第三预测结果调整单元,所述第三预测结果调整单元用于若满足,根据所述上游材料供应阈值对所述第三订单数量预测结果进行调整,生成所述第四订单数量预测结果。
进一步的,所述系统还包括:
实体信息输入单元,所述实体信息输入单元用于根据所述产品类型,生成输入实体信息;
输出实体信息生成单元,所述输出实体信息生成单元用于根据所述第四订单数量预测结果,生成输出实体信息;
属性设定单元,所述属性设定单元用于将所述订单量变化曲线设为所述输入实体信息的第一属性;将所述产品时效性特征设为所述输入实体信息的第二属性;将所述产业链上游特征设为所述输入实体信息的第三属性;将所述产品成品率设为所述输入实体信息的第四属性;
预测知识图谱构建单元,所述预测知识图谱构建单元用于根据所述输入实体信息、所述输出实体信息、所述第一属性、所述第二属性、所述第三属性和所述第四属性,构建所述订单数预测知识图谱。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种基于知识图谱的产品数据分析方法和具体实例同样适用于本实施例的一种基于知识图谱的产品数据分析系统,通过前述对一种基于知识图谱的产品数据分析方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于知识图谱的产品数据分析系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于知识图谱的产品数据分析方法,其特征在于,包括:
根据产品类型,提取订单量变化曲线;
根据所述订单量变化曲线对所述产品类型进行预设时间的订单数预测,生成第一订单数量预测结果,其中包括:获取多条历史订单量变化曲线;根据所述订单量变化曲线对所述多条历史订单量变化曲线进行截取,获得多条订单量变化截取曲线;根据产品客户群体特征对所述多条订单量变化截取曲线筛选,生成多条订单量截取曲线筛选结果;对所述多条订单量截取曲线筛选结果进行频繁性挖掘,生成订单量预测变化曲线;根据所述预设时间和所述订单量预测变化曲线,生成所述第一订单数量预测结果;
获取产品时效性特征,对所述第一订单数量预测结果进行调整,生成第二订单数量预测结果,其中包括:根据所述产品时效性特征,获取产品热销时区;判断所述预设时间是否属于所述产品热销时区;若属于,根据所述产品热销时区遍历所述多条订单量截取曲线筛选结果,计算订单平均增长率;根据所述订单平均增长率对所述第一订单数量预测结果进行调整,生成所述第二订单数量预测结果;
获取产品成品率,对所述第二订单数量预测结果进行调整,生成第三订单数量预测结果;
获取产业链上游特征,对所述第三订单数量预测结果进行调整,生成第四订单数量预测结果,其中包括:根据所述产业链上游特征,生成上游材料供应阈值;判断所述第三订单数量预测结果是否满足所述上游材料供应阈值;若满足,根据所述上游材料供应阈值对所述第三订单数量预测结果进行调整,生成所述第四订单数量预测结果;
根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱;
基于所述订单数预测知识图谱进行产品产量分析。
2.如权利要求1所述的方法,其特征在于,所述根据产品客户群体特征对所述多条订单量变化截取曲线筛选,生成多条订单量截取曲线筛选结果,包括:
根据所述产品客户群体特征,获取客户数量属性、产品复购周期属性和客户购买力属性;
根据所述客户数量属性、所述产品复购周期属性和所述客户购买力属性对所述产品类型进行市场规模评估,生成市场规模评估结果;
根据所述市场规模评估结果对所述多条订单量变化截取曲线筛选,生成所述多条订单量截取曲线筛选结果。
3.如权利要求1所述的方法,其特征在于,所述对所述多条订单量截取曲线筛选结果进行频繁性挖掘,生成订单量预测变化曲线,包括:
构建第一时间的一项频繁节点,其中,所述第一时间的一项频繁节点具有第一触发频率;
根据所述第一触发频率对所述多条订单量截取曲线筛选结果的第一时间节点进行非频繁项剪枝,生成第一时间节点频繁项;
构建第k时间的一项频繁节点,其中,所述第k时间的一项频繁节点具有第k触发频率;
根据所述第k触发频率对所述多条订单量截取曲线筛选结果的第k时间节点进行非频繁项剪枝,生成第k时间节点频繁项;
根据所述第一时间节点频繁项直到所述第k时间节点频繁项,构建所述订单量预测变化曲线。
4.如权利要求1所述的方法,其特征在于,所述根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱,包括:
根据所述产品类型,生成输入实体信息;
根据所述第四订单数量预测结果,生成输出实体信息;
将所述订单量变化曲线设为所述输入实体信息的第一属性;将所述产品时效性特征设为所述输入实体信息的第二属性;将所述产业链上游特征设为所述输入实体信息的第三属性;将所述产品成品率设为所述输入实体信息的第四属性;
根据所述输入实体信息、所述输出实体信息、所述第一属性、所述第二属性、所述第三属性和所述第四属性,构建所述订单数预测知识图谱。
5.一种基于知识图谱的产品数据分析系统,其特征在于,所述系统包括:
变化曲线提取模块,所述变化曲线提取模块用于根据产品类型,提取订单量变化曲线;
第一订单预测模块,所述第一订单预测模块用于根据所述订单量变化曲线对所述产品类型进行预设时间的订单数预测,生成第一订单数量预测结果;
订单量变化曲线获取单元,所述订单量变化曲线获取单元用于获取多条历史订单量变化曲线;
截取曲线获取单元,所述截取曲线获取单元用于根据所述订单量变化曲线对所述多条历史订单量变化曲线进行截取,获得多条订单量变化截取曲线;
曲线筛选结果生产单元,所述曲线筛选结果生产单元用于根据产品客户群体特征对所述多条订单量变化截取曲线筛选,生成多条订单量截取曲线筛选结果;
预测变化曲线生成单元,所述预测变化曲线生成单元用于对所述多条订单量截取曲线筛选结果进行频繁性挖掘,生成订单量预测变化曲线;
第一预测结果生成单元,所述第一预测结果生成单元用于根据所述预设时间和所述订单量预测变化曲线,生成所述第一订单数量预测结果;
第二订单预测模块,所述第二订单预测模块用于获取产品时效性特征,对所述第一订单数量预测结果进行调整,生成第二订单数量预测结果;
热销时区获取单元,所述热销时区获取单元用于根据所述产品时效性特征,获取产品热销时区;
预设时间判断单元,所述预设时间判断单元用于判断所述预设时间是否属于所述产品热销时区;
平均增长率计算单元,所述平均增长率计算单元用于若属于,根据所述产品热销时区遍历所述多条订单量截取曲线筛选结果,计算订单平均增长率;
预测结果调整单元,所述预测结果调整单元用于根据所述订单平均增长率对所述第一订单数量预测结果进行调整,生成所述第二订单数量预测结果;
第三订单预测模块,所述第三订单预测模块用于获取产品成品率,对所述第二订单数量预测结果进行调整,生成第三订单数量预测结果;
第四订单预测模块,所述第四订单预测模块用于获取产业链上游特征,对所述第三订单数量预测结果进行调整,生成第四订单数量预测结果;
供应阈值生成单元,所述供应阈值生成单元用于根据所述产业链上游特征,生成上游材料供应阈值;
材料供应判断单元,所述材料供应判断单元用于判断所述第三订单数量预测结果是否满足所述上游材料供应阈值;
第三预测结果调整单元,所述第三预测结果调整单元用于若满足,根据所述上游材料供应阈值对所述第三订单数量预测结果进行调整,生成所述第四订单数量预测结果;
知识图谱构建模块,所述知识图谱构建模块用于根据所述产品类型、所述订单量变化曲线、所述产品时效性特征、所述产业链上游特征、所述产品成品率和所述第四订单数量预测结果,构建订单数预测知识图谱;
产品产量分析模块,所述产品产量分析模块用于基于所述订单数预测知识图谱进行产品产量分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050881.7A CN116029754B (zh) | 2023-02-02 | 2023-02-02 | 一种基于知识图谱的产品数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310050881.7A CN116029754B (zh) | 2023-02-02 | 2023-02-02 | 一种基于知识图谱的产品数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116029754A CN116029754A (zh) | 2023-04-28 |
CN116029754B true CN116029754B (zh) | 2023-08-22 |
Family
ID=86080955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310050881.7A Active CN116029754B (zh) | 2023-02-02 | 2023-02-02 | 一种基于知识图谱的产品数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029754B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110932A (zh) * | 2019-05-09 | 2019-08-09 | 上汽安吉物流股份有限公司 | 订单预测方法和装置、物流系统及计算机可读介质 |
CN113642775A (zh) * | 2021-07-12 | 2021-11-12 | 广东顶固集创家居股份有限公司 | 一种成品仓发货管理方法、装置及计算机设备 |
-
2023
- 2023-02-02 CN CN202310050881.7A patent/CN116029754B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110932A (zh) * | 2019-05-09 | 2019-08-09 | 上汽安吉物流股份有限公司 | 订单预测方法和装置、物流系统及计算机可读介质 |
CN113642775A (zh) * | 2021-07-12 | 2021-11-12 | 广东顶固集创家居股份有限公司 | 一种成品仓发货管理方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116029754A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rostami‐Tabar et al. | Demand forecasting by temporal aggregation | |
US11876374B2 (en) | System and method for optimal control of energy storage system | |
You et al. | A decision-making framework for precision marketing | |
US11263566B2 (en) | Seasonality validation and determination of patterns | |
US8374903B2 (en) | Information criterion-based systems and methods for constructing combining weights for multimodel forecasting and prediction | |
US20140058572A1 (en) | Systems and methods for energy consumption and energy demand management | |
CN105512768A (zh) | 大数据环境下用户用电关联因素辨识及用电量预测方法 | |
Kim | Modeling special-day effects for forecasting intraday electricity demand | |
CN102567807A (zh) | 加油卡客户流失预测方法 | |
CN109767032A (zh) | 一种基于数据分析的企业财务运营数字化管理优化系统 | |
Sari et al. | Statistical metrics for assessing the quality of wind power scenarios for stochastic unit commitment | |
CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
CN111178957B (zh) | 一种用电客户电量突增预警的方法 | |
CN115358522A (zh) | 一种企业在线监测系统和方法 | |
US20240060605A1 (en) | Method, internet of things (iot) system, and storage medium for smart gas abnormal data analysis | |
CN116029754B (zh) | 一种基于知识图谱的产品数据分析方法及系统 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
Ni et al. | Logistics demand forecast of fresh food e-commerce based on Bi-LSTM model | |
CN104268804A (zh) | 基于层次化数据包络分析的电力优质客户数据挖掘方法 | |
JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
Henzel et al. | Impact of time series clustering on fuel sales prediction results. | |
Liu et al. | Inventory Management of Automobile After-sales Parts Based on Data Mining | |
Chen et al. | Research on Audit Simulation of Accounting Computerization Based on Internet Complex Discrete Dynamic Modeling Technology | |
CN117436718B (zh) | 一种基于多维引擎的智能数据管理平台 | |
Richard et al. | A spatial-temporal comparison of ev charging station clusters leveraging multiple validity indices |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |