CN116091110A - 资源需求量预测模型训练方法、预测方法及装置 - Google Patents
资源需求量预测模型训练方法、预测方法及装置 Download PDFInfo
- Publication number
- CN116091110A CN116091110A CN202211437706.5A CN202211437706A CN116091110A CN 116091110 A CN116091110 A CN 116091110A CN 202211437706 A CN202211437706 A CN 202211437706A CN 116091110 A CN116091110 A CN 116091110A
- Authority
- CN
- China
- Prior art keywords
- target
- subsequences
- resource demand
- subsequence
- model
- 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
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
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
Abstract
本公开提供了一种资源需求量预测模型训练方法,可以应用于计算机技术领域。该资源需求量预测模型训练方法,包括:从目标产品的第一历史资源需求量序列中采集得到多个第一子序列;从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列;以第一子序列为标签,以与第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型;利用映射模型分别处理多个第二子序列,得到多个第三子序列;以及利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型。本公开还提供了一种资源需求量预测方法、预测模型训练装置、预测装置、电子设备、存储介质和程序产品。
Description
技术领域
本公开涉及计算机技术领域,具体涉及资源需求量预测模型训练方法、资源需求量预测方法、资源需求量预测模型训练装置、资源需求量预测装置、电子设备、存储介质和程序产品。
背景技术
在零售行业,通常需要对产品(例如商品)的需求量(例如销量)进行预测,常用的方法是收集样本,利用收集的样本进行模型训练,通过训练得到的模型对产品进行需求量预测,而训练出一个准确的模型通常需要依赖大量且准确的样本数据。
在实施本公开的过程中发现,针对新上线的一些产品,例如新款的零食、新款的日用品等,积累的业务数据量较少,只能得到数量非常有限的样本数据,基于该样本数据训练出的模型,存在预测准确率低等问题。
发明内容
鉴于上述问题,本公开提供了一种资源需求量预测模型训练方法、资源需求量预测方法、资源需求量预测模型训练装置、资源需求量预测装置、电子设备、存储介质和程序产品。
本公开的一个方面提供了一种资源需求量预测模型训练方法,包括:
从目标产品的第一历史资源需求量序列中采集得到多个第一子序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;
从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列,其中,同类型产品与目标产品的类型相同;
以第一子序列为标签,以与第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型,其中,目标第二子序列与第一子序列具有相同的时间节点,目标第二子序列属于多个第二子序列;
利用映射模型分别处理多个第二子序列,得到多个第三子序列;以及
利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型。
根据本公开的实施例,其中,映射模型包括映射系数矩阵,映射系数矩阵包括多个映射系数向量;
其中,利用映射模型分别处理多个第二子序列,得到多个第三子序列,包括:
对于每个第二子序列,分别利用多个映射系数向量来处理第二子序列,得到多个第四子序列;
分别计算多个第四子序列和第一子序列之间的误差,得到多个第一误差数据;
从多个第一误差数据中确定第一目标误差数据,其中,第一目标误差数据表征多个第一误差数据中的最小值;以及
确定与第一目标误差数据对应的第四子序列为第三子序列。
根据本公开的实施例,其中,同类型产品包括多个,多个第三子序列中包括多个与第一子序列对应的第一目标第三子序列,其中,多个第一目标第三子序列与第一子序列具有相同的时间节点;
根据本公开的实施例,上述方法还包括:
分别利用多个第一子序列与第一子序列对应的多个第一目标第三子序列进行筛选,得到与第一子序列对应的至少一个第二目标第三子序列;
其中,利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型,包括:
利用多个第一子序列和与第一子序列对应的至少一个第二目标第三子序列,训练迁移学习模型,得到资源需求量预测模型。
根据本公开的实施例,其中,分别利用多个第一子序列与第一子序列对应的多个第一目标第三子序列进行筛选,得到与第一子序列对应的至少一个第二目标第三子序列,包括:
以第一子序列为标签,以与第一子序列对应的多个第一目标第三子序列为样本来训练初始回归模型,得到筛选模型;以及
利用筛选模型处理多个第一目标第三子序列,得到与第一子序列对应的至少一个第二目标第三子序列。
根据本公开的实施例,其中,分别利用多个第一子序列对与第一子序列对应的多个第一目标第三子序列进行筛选,得到与第一子序列对应的至少一个第二目标第三子序列,包括:
分别计算第一子序列和与第一子序列对应的多个第一目标第三子序列之间的误差,得到多个第二误差数据;
从多个第二误差数据中选择具有较小误差值的至少一个第二目标误差数据;以及
确定与第一子序列对应的至少一个第二目标第三子序列为与至少一个第二目标误差数据分别对应的第一目标第三子序列。
根据本公开的实施例,其中,迁移学习模型包括特征提取层、预测层和域分类层;
其中,利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型,包括:
基于预设策略分别对多个第一子序列进行切分,得到多个源域样本数据和与源域样本数据对应的源域样本标签;
基于预设策略分别对多个第三子序列进行切分,得到多个目标域样本数据和与目标域样本数据对应的目标域样本标签;
分别将多个源域样本数据输入特征提取层中,得到多个源域特征;
分别将多个目标域样本数据输入特征提取层中,得到多个目标域特征;
将多个目标域特征输入预测层,以基于预测层的输出结果和与目标域特征对应的目标域样本标签来确定第一损失值;
将多个源域特征和多个目标域特征输入域分类层,以基于域分类层的输出结果来确定第二损失值;以及
利用第一损失值和第二损失值来调整特征提取层、预测层和域分类层的模型参数,最终得到资源需求量预测模型。
本公开的另一方面提供了一种资源需求量预测方法,包括:
从数据库中获取目标产品的第一历史资源需求量序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;以及
将第一历史资源需求量序列输入资源需求量预测模型中,得到目标对象在预测时间节点的预测资源需求量;
其中,资源需求量预测模型由上述的资源需求量预测模型训练方法训练得到。
本公开的另一方面提供了一种资源需求量预测模型训练装置,包括:
第一采集模块,用于从目标产品的第一历史资源需求量序列中采集得到多个第一子序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;
第二采集模块,用于从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列,其中,同类型产品与所述目标产品的类型相同;
第一训练模块,用于以第一子序列为标签,以与第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型,其中,目标第二子序列与第一子序列具有相同的时间节点,目标第二子序列属于多个第二子序列;
处理模块,用于利用映射模型分别处理多个第二子序列,得到多个第三子序列;以及
第二训练模块,用于利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型。
本公开的另一方面提供了一种资源需求量预测装置,包括:
获取模块,用于从数据库中获取目标产品的第一历史资源需求量序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;以及
预测模块,用于将第一历史资源需求量序列输入资源需求量预测模型中,得到目标对象在预测时间节点的预测资源需求量;
其中,资源需求量预测模型由上述的资源需求量预测模型训练方法训练得到。
本公开的另一方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述资源需求量预测模型训练方法和资源需求量预测方法。
本公开的另一方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述资源需求量预测模型训练方法和资源需求量预测方法。
本公开的另一方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述资源需求量预测模型训练方法和资源需求量预测方法。
根据本公开的实施例,在资源需求量预测模型训练的预训练过程中,利用映射模型对第二子序列进行数据映射,得到的第三子序列与第一子序列更为匹配,表现为第三子序列和第一子序列之间的散度较小,重合度得到了明显的提升,从而降低了第三子序列和第一子序列之间的数据分布差异,进而在利用第三子序列和第三子序列对应的第一子序列训练迁移学习模型时,较小的数据分布差异可以有效减小误差点的权重,以降低误差点对训练效果的影响,有效提高了训练得到的资源需求量预测模型的准确率,同时,有效提高了知识迁移的效率,减少了训练轮数,节约了硬件资源。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的资源需求量预测模型训练方法、资源需求量预测方法、资源需求量预测模型训练装置、资源需求量预测装置、电子设备、存储介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的资源需求量预测模型训练方法的流程图;
图3示意性示出了根据本公开实施例的资源需求量预测模型训练方法示意图;
图4示意性示出了根据本公开另一实施例的资源需求量预测模型训练方法示意图;
图5示意性示出了根据本公开实施例的迁移学习模型的结构示意图;
图6(a)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(一);
图6(b)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(二);
图6(c)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(三);
图6(d)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(四);
图6(e)示意性示出了根据本公开实施例的训练不同次数对应的误差示意图;
图7示意性示出了根据本公开实施例的资源需求量预测模型训练装置的结构框图;
图8示意性示出了根据本公开实施例的资源需求量预测装置的结构框图;以及
图9示意性示出了根据本公开实施例的适于实现资源需求量预测模型训练方法和资源需求量预测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开实施例的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
在现代零售行业,针对商品货物的预测,使用机器学习的方法需要大量的数据。但是业务中可能涉及到的商品是数据很缺乏的,比如一些新品,具体例如新款的零食的销量预测和新出的日用品的销量预测,可能只有从发售开始几个月或几个星期,甚至几天的一个销量的数据。又或者是另一种情况,对接的公司订单管理不当,在一个长的时间周期中,只有一部分几个进出货记录。
在实施本公开的过程中发现,针对新品预测采取简单的最适配的商品数据来进行替换或者用对数据长度要求不多的模型来进行预测。这些方式依赖于单一产品,一方面,会浪费大数据量的数据储备;另一方面,这种依赖对商品的预测有时会带来一定的影响,比如参考的产品退市或者大型促销等都会影响预测准确率。
本公开的实施例提供了一种资源需求量预测模型训练方法,包括:从目标产品的第一历史资源需求量序列中采集得到多个第一子序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列,其中,同类型产品与目标产品的类型相同;以第一子序列为标签,以与第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型,其中,目标第二子序列与第一子序列具有相同的时间节点,目标第二子序列属于多个第二子序列;利用映射模型分别处理多个第二子序列,得到多个第三子序列;以及利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型。
图1示意性示出了根据本公开实施例的资源需求量预测模型训练方法、资源需求量预测方法、资源需求量预测模型训练装置、资源需求量预测装置、电子设备、存储介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的资源需求量预测模型训练方法和资源需求量预测方法一般可以由服务器105执行。相应地,本公开实施例所提供的资源需求量预测模型训练装置和资源需求量预测装置一般可以设置于服务器105中。本公开实施例所提供的资源需求量预测模型训练方法和资源需求量预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的资源需求量预测模型训练装置和资源需求量预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
本公开实施例所提供的资源需求量预测模型训练方法和资源需求量预测方法也可以由终端设备101、102、103执行。相应地,本公开实施例所提供的资源需求量预测模型训练装置和资源需求量预测装置一般也可以设置于终端设备101、102、103中。本公开实施例所提供的资源需求量预测模型训练方法和资源需求量预测方法也可以由不同于终端设备101、102、103的其他终端执行。相应地,本公开实施例所提供的资源需求量预测模型训练装置和资源需求量预测装置也可以设置于不同于终端设备101、102、103的其他终端中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图6对公开实施例的资源需求量预测模型训练方法进行详细描述。
图2示意性示出了根据本公开实施例的资源需求量预测模型训练方法的流程图。
如图2所示,该实施例的资源需求量预测模型训练方法200包括操作S201~操作S204。
在操作S201,从目标产品的第一历史资源需求量序列中采集得到多个第一子序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据。
根据本公开的实施例,目标产品可以根据实际业务中涉及的商品确定。目标产品可以包括但不限于新款零食、新款日用品等。需求量数据可以包括销量数据。第一子序列可以是从与多个时间节点分别对应的需求量数据中截取的与部分时间节点对应的需求量数据。
例如,目标产品可以是新款面包。该新款面包的第一历史资源需求量序列可以包括分别与时间节点1至时间节点100对应的需求量数据,则采集得到的第一子序列可以是与时间节点1至时间节点10分别对应的需求量数据、与时间节点2至时间节点11分别对应的需求量数据等。
在操作S202,从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列,其中,同类型产品与目标产品的类型相同。
根据本公开的实施例,第二历史资源需求量序列包括不同时间节点分别对应的需求量数据。
例如,目标产品为面包时,同类型产品可以是与面包属于同一零食类型的其他产品。
在操作S203,以第一子序列为标签,以与第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型,其中,目标第二子序列与第一子序列具有相同的时间节点,目标第二子序列属于多个第二子序列。
根据本公开实施例,可以根据第一子序列的时间节点从多个第二子序列中筛选与第一子序列的时间节点相同的序列,得到目标第二子序列。将目标第二子序列输入初始回归模型,输出与目标第二子序列对应的结果序列,通过计算与目标第二子序列对应的结果序列与第一子序列的损失值,进行调整矩阵参数,将最终训练好的回归模型作为映射模型。其中,初始回归模型可以包括逻辑回归模型。
在操作S204,利用映射模型分别处理多个第二子序列,得到多个第三子序列。
根据本公开实施例,可以将在操作S202得到的多个第二子序列分别输入映射模型进行处理,得到多个第三子序列。
在操作S205,利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型。
根据本公开实施例,与第三子序列对应的第一子序列可以理解为与第三子序列的时间节点相同的第一子序列。可以将多个第三子序列和与第三子序列对应的第一子序列输入迁移学习模型,通过迁移学习模型的特征提取,得到多个目标域特征和多个源域特征。其中,目标域特征可以根据第三子序列得到。源域特征可以根据与第三子序列对应的第一子序列得到。可以通过多个目标域特征和多个源域特征训练迁移学习模型,得到资源需求量预测模型。
例如,通过多个目标域特征和多个源域特征训练迁移学习模型,得到资源需求量预测模型,可以包括:通过计算目标域特征与目标域特征对应的目标域样本标签确定第一损失值。利用源域特征和目标域特征得到域分类结果,根据域分类结果确定第二损失值。可以通过最小化第一损失值和最大化第二损失值训练迁移学习模型,得到资源需求量预测模型。根据本公开实施例,在资源需求量预测模型训练的预训练过程中,利用映射模型对第二子序列进行数据映射,得到的第三子序列与第一子序列更为匹配,表现为第三子序列和第一子序列之间的散度较小,重合度得到了明显的提升,从而降低了第三子序列和第一子序列之间的数据分布差异,进而在利用第三子序列和第三子序列对应的第一子序列训练迁移学习模型得到资源需求量预测模型时,提高了资源需求量预测模型的准确率,同时,有效提高了知识迁移的效率,减少了训练轮数,节约了硬件资源。
图3示意性示出了根据本公开实施例的资源需求量预测模型训练方法示意图。
如图3所示,该实施例的资源需求量预测模型训练方法可以从多个同类型产品的第二历史资源需求量序列中采集到多个第二子序列,然后将第二子序列通过映射模型处理后和第一子序列共同输入迁移学习模型,训练得到资源需求量预测模型。
例如,第二历史资源需求量序列可以为6个,将如图3所示的6个第二历史资源需求量序列中,采集得到多个第二子序列,多个第二子序列通过映射模型处理后,得到的第三子序列与第一子序列更为匹配,第三子序列和第一子序列之间的散度较小,重合度得到了明显的提升,从而降低了第三子序列和第一子序列之间的数据分布差异。依此训练得到的资源需求量预测模型的准确率高。
根据本公开的另一实施例,映射模型可以包括映射系数矩阵,映射系数矩阵可以包括多个映射系数向量。
其中,利用映射模型分别处理多个第二子序列,得到多个第三子序列,可以包括:对于每个第二子序列,分别利用多个映射系数向量来处理第二子序列,得到多个第四子序列;分别计算多个第四子序列和第一子序列之间的误差,得到多个第一误差数据;从多个第一误差数据中确定第一目标误差数据,其中,第一目标误差数据表征多个第一误差数据中的最小值;以及确定与第一目标误差数据对应的第四子序列为第三子序列。
根据本公开实施例,第一误差数据可以表征第二子序列映射后得到的第四子序列与第一子序列间的相似度。
图4示意性示出了根据本公开另一实施例的资源需求量预测模型训练方法示意图。
如图4所示,该实施例的资源需求量预测模型训练方法可以从多个同类型产品的第二历史资源需求量序列中采集到多个第二子序列,然后将多个第二子序列通过映射模型处理后得到多个第四子序列,通过计算第四子序列与第一子序列之间的误差,从中选取最小误差值对应的第四子序列作为第三子序列。将第三子序列和第一子序列共同输入迁移学习模型,训练得到资源需求量预测模型。
根据本公开实施例,多个映射系数向量处理第二子序列后得到第四子序列,通过计算第四子序列与第一子序列之间的误差,从中选取最小误差值对应的第四子序列作为第三子序列,这样可以对第二子序列进行放缩,得到的第三子序列与第一子序列更为匹配,重合度更高,降低了第三子序列和第一子序列之间的数据分布差异,而且避免了数据过大对迁移学习模型误差大的影响。
需要说明的是,在对映射模型进行训练时,可以通过反向传播训练一层矩阵,速度快,而且可以设置自动根据最小误差值来选取合适的向量。
根据本公开的实施例,同类型产品可以包括多个,多个第三子序列中可以包括多个与第一子序列对应的第一目标第三子序列,其中,多个第一目标第三子序列与第一子序列具有相同的时间节点。
其中,资源需求量预测模型训练方法还可以包括:分别利用多个第一子序列与第一子序列对应的多个第一目标第三子序列进行筛选,得到与第一子序列对应的至少一个第二目标第三子序列。
利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型,可以包括:利用多个第一子序列和与第一子序列对应的至少一个第二目标第三子序列,训练迁移学习模型,得到资源需求量预测模型。
根据本公开的实施例,可以通过从多个与第一子序列对应的第一目标第三子序列中筛选第二目标第三子序列,多个第一子序列和与第一子序列对应的至少一个第二目标第三子序列,训练迁移学习模型,得到资源需求量预测模型,该资源需求量预测模型的预测误差较小,而且训练过程中可以减少训练轮数,节约硬件资源。
根据本公开的实施例,分别利用多个第一子序列对与第一子序列对应的多个第一目标第三子序列进行筛选,得到与第一子序列对应的至少一个第二目标第三子序列,可以包括:以第一子序列为标签,以与第一子序列对应的多个第一目标第三子序列为样本来训练初始回归模型,得到筛选模型;以及利用筛选模型处理多个第一目标第三子序列,得到与第一子序列对应的至少一个第二目标第三子序列。
根据本公开的实施例,第一目标第三子序列可以通过对第二子序列进行放缩得到。可以通过利用放缩后得到的第一目标第三子序列以及第一子序列标签进行训练初始回归模型,使模型的损失值达到最小后得到筛选模型。利用筛选模型从第一目标第三子序列中筛选与第一子序列对应的至少一个第二目标第三子序列。通过这种选择策略,明显减少了数据的散度,一定程度上克服了在迁移学习模型中数据过大而导致的模型误差较大的问题。
根据本公开的另一实施例,分别利用多个第一子序列与第一子序列对应的多个第一目标第三子序列进行筛选,得到与第一子序列应的至少一个第二目标第三子序列,还可以包括:分别计算第一子序列和与第一子序列对应的多个第一目标第三子序列之间的误差,得到多个第二误差数据;从多个第二误差数据中选择具有较小误差值的至少一个第二目标误差数据;以及确定与第一子序列对应的至少一个第二目标第三子序列为与至少一个第二目标误差数据分别对应的第一目标第三子序列。
例如,第三子序列可以作为第一目标第三子序列,通过计算第一子序列和与第一子序列对应的6个第一目标第三子序列之间的误差,得到6个第二误差数据;从6个第二误差数据中选择具有较小误差值的3个第二目标误差数据得到三个第一目标第三子序列。
根据本公开的实施例,通过计算序列间的误差值,从中选取具有较小误差值的数据对应的序列作为第一目标第三子序列,作为另一种选择策略,减少了无效的数据量,进而一定程度上提高了在迁移学习模型中模型的准确率。
需要说明的是,基数据集(也即输入迁移学习模型的数据集)的数据量很大的时候会造成数据迁移的权重偏移,具体体现在有误差的数据会积累一定量的权重,影响迁移的效果和准确率。
图5示意性示出了根据本公开实施例的迁移学习模型的结构示意图。
如图5所示,迁移学习模型包括特征提取层、预测层和域分类层。
根据本公开的实施例,特征提取层、预测层和域分类层均可以由多个中间层构成,构成特征提取层、预测层和域分类层的中间层可以具有相同的网络结构,例如,该中间层可以包括Tahn激活的神经元以及Dropout和正则化的处理策略。
根据本公开的实施例,特征提取层和域分类层之间还可以包括梯度翻转层。通过梯度翻转层,在训练的反向传播过程中,域分类层的域分类损失的梯度反向传播到特征提取层之前会自动取反。需要说明的是,现有迁移学习使用DANN(Domain Adaptive NeuralNetwork)是一种深度网络进行迁移的神经网络结构,由两层神经元组成:特征层和分类器层。本公开实施例在特征层后加入了一项MMD适配层,用来计算源域和目标域的距离,并将其加入网络的损失中进行训练。
其中,利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型,可以包括:
基于预设策略分别对多个第一子序列进行切分,得到多个源域样本数据和与源域样本数据对应的源域样本标签;基于预设策略分别对多个第三子序列进行切分,得到多个目标域样本数据和与目标域样本数据对应的目标域样本标签;分别将多个源域样本数据输入特征提取层中,得到多个源域特征;分别将多个目标域样本数据输入特征提取层中,得到多个目标域特征;将多个目标域特征输入预测层,以基于预测层的输出结果和与目标域特征对应的目标域样本标签来确定第一损失值;将多个源域特征和多个目标域特征输入域分类层,以基于域分类层的输出结果来确定第二损失值;以及利用第一损失值和第二损失值来调整特征提取层、预测层和域分类层的模型参数,最终得到资源需求量预测模型。
根据本公开的实施例,预设策略可以根据实际训练迁移学习模型时预先确定。通过计算第一损失值,并不断迭代使第一损失值较小化,以及计算第二损失值,并不断迭代使第二损失值较大化,在此迭代过程中不断调整特征提取层、预测层和域分类层的模型参数,在达到模型收敛或者预设的迭代次数后结束训练,保存此时特征提取层、预测层和域分类层的模型参数,得到资源需求量预测模型。
例如,图6(a)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(一);图6(b)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(二);图6(c)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(三);图6(d)示意性示出了根据本公开实施例的利用迁移学习模型迭代训练的实验效果曲线示意图(四);图6(e)示意性示出了根据本公开实施例的训练不同次数对应的误差示意图。
需要说明的是,上述图6(a)~图6(d)中y hat可以表示迁移学习模型输出的预测结果;y可以表示真实结果。
在利用第一子序列和第二子序列输入迁移学习模型进行迭代训练50次后,得到如图6(a)所示的实验效果曲线示意图。在利用第一子序列和第二子序列输入迁移学习模型进行迭代训练500次后,得到如图6(b)所示的实验效果曲线示意图。在利用第一子序列和对第二子序列进行处理后得到的第三子序列输入迁移学习模型进行迭代训练500次后,得到如图6(c)所示的实验效果曲线示意图。在利用第一子序列和对得到的第三子序列进行不同选择策略处理后输入迁移学习模型进行迭代训练500次后,得到如图6(d)所示的实验效果曲线示意图。
实验结果表明,经过本公开实施例提供的迁移学习模型来进行迁移学习可以使用更贴近训练目标的数据来做迁移学习,预测效果会更加准确。通过采用本公开实施例提供的对第二子序列进行处理后得到的第三子序列,甚至通过对第三子序列进行再次筛选的方法可以大幅提高接近预测日期的短期的预测效果,提高了迁移学习模型的迁移学习效果。而且从如图6(e)中可以得到,在进行迁移学习模型的训练时,迭代次数大概到200次的时候,迁移学习模型的精确度已经达标,可以依此得到资源需求量预测模型,用于对资源需求量的精确预测。
根据本公开实施例,上述资源需求量预测模型的训练方法可以由包含处理器的电子设备来执行,通过采用本公开的实施例来训练得到资源需求量预测模型,可以在迭代次数较少的情况下,使得对资源需求量的预测精度满足期望条件,从而节省了硬件资源,提高了处理效率。
基于上述资源需求量预测模型训练方法得到的资源需求量预测模型,本公开的另一个方面提供了一种资源需求量预测方法,可以包括:
从数据库中获取目标产品的第一历史资源需求量序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;以及将第一历史资源需求量序列输入资源需求量预测模型中,得到目标对象在预测时间节点的预测资源需求量。
根据本公开的实施例,目标产品可以根据实际业务中涉及的商品确定。目标产品可以包括但不限于新款零食、新款日用品等。需求量数据可以包括销量数据。
根据本公开的实施例,可以将第一历史资源需求量序列数据输入资源需求量预测模型中,分别通过特征提取层和预测层后输出目标对象在预测时间节点的预测资源需求量序列数据。根据目标对象在预测时间节点的预测资源需求量序列数据可以得到目标对象在预测时间节点的预测资源需求量。
需要说明的是,资源需求量预测模型可以通过上述资源需求量预测模型训练方法得到。
根据本公开的实施例,通过提供的资源需求量预测方法可以用于销售预测数据,销售的内容主要是利用已有的数据对商品未知的时间段进行预测或者填补空缺值,起到方便合理规划整个供应链仓储、采购、补调等环节的作用。对于降低销量预测的误差,不仅降低了消耗成本,还提升了整体的工作效率。
需要说明的是,针对不同行业,大数据的样本情况参差不齐,一般的零售行业就各有不同,比如日用品行业,每一周都会有相当量的订单数目,这样的样本数据量级大到足够支撑现在的大数据方法和预测模型,回报出一个准确率很高的模型。但是,相对来说,一个新上市的食品或者日用品,其订单数据的量级屈指可数,可能连续的十几天都不会有一单订单,这个情景下模型针对小样本量的模型,其准确率难以保证,为了避免整个供应链的成本因为牛鞭效应提高,所以本公开提出资源需求量预测模型训练方法来进行训练得到资源需求量预测模型。
此外,针对新品的预测对于商家的库存周转率或者促销活动回报率都有很大的影响,在已知的业务场景中也有对新品爆品进行专门的定制化仓储服务和定制化的促销效果。根据本公开提出资源需求量预测模型训练方法来进行训练得到资源需求量预测模型,有望对上述问题提供有利的帮助。
基于上述资源需求量预测模型训练方法,本公开还提供了一种资源需求量预测模型训练装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的资源需求量预测模型训练装置的结构框图。
如图7所示,该实施例的资源需求量预测模型训练装置700包括第一采集模块710、第二采集模块720、第一训练模块730、处理模块740和第二训练模块750。
第一采集模块710用于从目标产品的第一历史资源需求量序列中采集得到多个第一子序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据。
第二采集模块720用于从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列,其中,同类型产品与所述目标产品的类型相同。
第一训练模块730用于以第一子序列为标签,以与第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型,其中,目标第二子序列与第一子序列具有相同的时间节点,目标第二子序列属于多个第二子序列。
处理模块740用于利用映射模型分别处理多个第二子序列,得到多个第三子序列。
第二训练模块750用于利用多个第三子序列和与第三子序列对应的第一子序列,训练迁移学习模型,得到资源需求量预测模型。
根据本公开的实施例,第一采集模块710、第二采集模块720、第一训练模块730、处理模块740和第二训练模块750中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一采集模块710、第二采集模块720、第一训练模块730、处理模块740和第二训练模块750中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一采集模块710、第二采集模块720、第一训练模块730、处理模块740和第二训练模块750中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
基于上述资源需求量预测方法,本公开还提供了一种资源需求量预测装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的资源需求量预测装置的结构框图。
如图8所示,该实施例的资源需求量预测装置800包括获取模块810和预测模块820。
获取模块810用于从数据库中获取目标产品的第一历史资源需求量序列,其中,第一历史资源需求量序列包括不同时间节点分别对应的需求量数据。
预测模块820用于将第一历史资源需求量序列输入资源需求量预测模型中,得到目标对象在预测时间节点的预测资源需求量。其中,资源需求量预测模型由上述的资源需求量预测模型训练方法训练得到。
根据本公开的实施例,获取模块810和预测模块820中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块810和预测模块820中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块810和预测模块820中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现资源需求量预测模型训练方法和资源需求量预测方法的电子设备的方框图。
如图9所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种资源需求量预测模型训练方法,包括:
从目标产品的第一历史资源需求量序列中采集得到多个第一子序列,其中,所述第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;
从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列,其中,所述同类型产品与所述目标产品的类型相同;
以所述第一子序列为标签,以与所述第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型,其中,所述目标第二子序列与所述第一子序列具有相同的时间节点,所述目标第二子序列属于所述多个第二子序列;
利用所述映射模型分别处理多个所述第二子序列,得到多个第三子序列;以及
利用多个所述第三子序列和与所述第三子序列对应的所述第一子序列,训练迁移学习模型,得到资源需求量预测模型。
2.根据权利要求1所述的方法,其中,所述映射模型包括映射系数矩阵,所述映射系数矩阵包括多个映射系数向量;
其中,所述利用所述映射模型分别处理多个所述第二子序列,得到多个第三子序列,包括:
对于每个所述第二子序列,分别利用多个所述映射系数向量来处理所述第二子序列,得到多个第四子序列;
分别计算多个所述第四子序列和所述第一子序列之间的误差,得到多个第一误差数据;
从多个所述第一误差数据中确定第一目标误差数据,其中,所述第一目标误差数据表征多个所述第一误差数据中的最小值;以及
确定与所述第一目标误差数据对应的所述第四子序列为所述第三子序列。
3.根据权利要求1所述的方法,其中,所述同类型产品包括多个,多个所述第三子序列中包括多个与所述第一子序列对应的第一目标第三子序列,其中,多个所述第一目标第三子序列与所述第一子序列具有相同的时间节点;
所述方法还包括:
分别利用多个所述第一子序列与所述第一子序列对应的多个所述第一目标第三子序列进行筛选,得到与所述第一子序列对应的至少一个第二目标第三子序列;
其中,所述利用多个所述第三子序列和与所述第三子序列对应的所述第一子序列,训练迁移学习模型,得到资源需求量预测模型,包括:
利用多个所述第一子序列和与所述第一子序列对应的至少一个所述第二目标第三子序列,训练所述迁移学习模型,得到所述资源需求量预测模型。
4.根据权利要求3所述的方法,其中,所述分别利用多个所述第一子序列与所述第一子序列对应的多个所述第一目标第三子序列进行筛选,得到与所述第一子序列对应的至少一个第二目标第三子序列,包括:
以所述第一子序列为标签,以与所述第一子序列对应的多个所述第一目标第三子序列为样本来训练所述初始回归模型,得到筛选模型;以及
利用所述筛选模型处理多个所述第一目标第三子序列,得到与所述第一子序列对应的至少一个所述第二目标第三子序列。
5.根据权利要求3所述的方法,其中,所述分别利用多个所述第一子序列对与所述第一子序列对应的多个所述第一目标第三子序列进行筛选,得到与所述第一子序列对应的至少一个第二目标第三子序列,包括:
分别计算所述第一子序列和与所述第一子序列对应的多个所述第一目标第三子序列之间的误差,得到多个第二误差数据;
从多个所述第二误差数据中选择具有较小误差值的至少一个第二目标误差数据;以及
确定与所述第一子序列对应的至少一个第二目标第三子序列为与至少一个所述第二目标误差数据分别对应的所述第一目标第三子序列。
6.根据权利要求1所述的方法,其中,所述迁移学习模型包括特征提取层、预测层和域分类层;
其中,所述利用多个所述第三子序列和与所述第三子序列对应的所述第一子序列,训练迁移学习模型,得到资源需求量预测模型,包括:
基于预设策略分别对多个所述第一子序列进行切分,得到多个源域样本数据和与所述源域样本数据对应的源域样本标签;
基于所述预设策略分别对多个所述第三子序列进行切分,得到多个目标域样本数据和与所述目标域样本数据对应的目标域样本标签;
分别将多个所述源域样本数据输入所述特征提取层中,得到多个源域特征;
分别将多个所述目标域样本数据输入所述特征提取层中,得到多个目标域特征;
将多个所述目标域特征输入所述预测层,以基于所述预测层的输出结果和与所述目标域特征对应的目标域样本标签来确定第一损失值;
将多个所述源域特征和多个所述目标域特征输入所述域分类层,以基于所述域分类层的输出结果来确定第二损失值;以及
利用所述第一损失值和所述第二损失值来调整所述特征提取层、所述预测层和所述域分类层的模型参数,最终得到所述资源需求量预测模型。
7.一种资源需求量预测方法,包括:
从数据库中获取目标产品的第一历史资源需求量序列,其中,所述第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;以及
将所述第一历史资源需求量序列输入资源需求量预测模型中,得到所述目标对象在预测时间节点的预测资源需求量;
其中,所述资源需求量预测模型由权利要求1~6中任一项所述的资源需求量预测模型训练方法训练得到。
8.一种资源需求量预测模型训练装置,包括:
第一采集模块,用于从目标产品的第一历史资源需求量序列中采集得到多个第一子序列,其中,所述第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;
第二采集模块,用于从同类型产品的第二历史资源需求量序列中,采集得到多个第二子序列,其中,所述同类型产品与所述目标产品的类型相同;
第一训练模块,用于以所述第一子序列为标签,以与所述第一子序列对应的目标第二子序列为样本来训练初始回归模型,得到映射模型,其中,所述目标第二子序列与所述第一子序列具有相同的时间节点,所述目标第二子序列属于所述多个第二子序列;
处理模块,用于利用所述映射模型分别处理多个所述第二子序列,得到多个第三子序列;以及
第二训练模块,用于利用多个所述第三子序列和与所述第三子序列对应的所述第一子序列,训练迁移学习模型,得到资源需求量预测模型。
9.一种资源需求量预测装置,包括:
获取模块,用于从数据库中获取目标产品的第一历史资源需求量序列,其中,所述第一历史资源需求量序列包括不同时间节点分别对应的需求量数据;以及
预测模块,用于将所述第一历史资源需求量序列输入资源需求量预测模型中,得到所述目标对象在预测时间节点的预测资源需求量;
其中,所述资源需求量预测模型由权利要求1~6中任一项所述的资源需求量预测模型训练方法训练得到。
10.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,所述可执行指令被处理器执行时使处理器实现权利要求1至7中任一项所述的方法。
12.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述计算机可执行指令在被执行时用于实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437706.5A CN116091110A (zh) | 2022-11-16 | 2022-11-16 | 资源需求量预测模型训练方法、预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437706.5A CN116091110A (zh) | 2022-11-16 | 2022-11-16 | 资源需求量预测模型训练方法、预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091110A true CN116091110A (zh) | 2023-05-09 |
Family
ID=86207056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437706.5A Pending CN116091110A (zh) | 2022-11-16 | 2022-11-16 | 资源需求量预测模型训练方法、预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091110A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422182A (zh) * | 2023-12-18 | 2024-01-19 | 保大坊科技有限公司 | 数据预测方法、装置及存储介质 |
CN117495434A (zh) * | 2023-12-25 | 2024-02-02 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
-
2022
- 2022-11-16 CN CN202211437706.5A patent/CN116091110A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422182A (zh) * | 2023-12-18 | 2024-01-19 | 保大坊科技有限公司 | 数据预测方法、装置及存储介质 |
CN117495434A (zh) * | 2023-12-25 | 2024-02-02 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
CN117495434B (zh) * | 2023-12-25 | 2024-04-05 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11631029B2 (en) | Generating combined feature embedding for minority class upsampling in training machine learning models with imbalanced samples | |
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
US11109083B2 (en) | Utilizing a deep generative model with task embedding for personalized targeting of digital content through multiple channels across client devices | |
WO2019072091A1 (zh) | 用于确定用户兴趣标签的方法及装置 | |
CN116091110A (zh) | 资源需求量预测模型训练方法、预测方法及装置 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
US20180276691A1 (en) | Metric Forecasting Employing a Similarity Determination in a Digital Medium Environment | |
CN109961328B (zh) | 确定订单冷静期的方法和装置 | |
US20180240037A1 (en) | Training and estimation of selection behavior of target | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
CN114663015A (zh) | 补货方法和装置 | |
CN115018552A (zh) | 产品点击率确定方法 | |
US10678800B2 (en) | Recommendation prediction based on preference elicitation | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
US20190244131A1 (en) | Method and system for applying machine learning approach to routing webpage traffic based on visitor attributes | |
CN111222663B (zh) | 数据处理方法及其系统、计算机系统及计算机可读介质 | |
CN113360816A (zh) | 点击率预测的方法和装置 | |
CN114757700A (zh) | 物品销量预测模型训练方法、物品销量预测方法及装置 | |
CN115983759A (zh) | 物品需求量预测方法及装置、电子设备和存储介质 | |
US20210216907A1 (en) | Selecting optimum primary and secondary parameters to calibrate and generate an unbiased forecasting model | |
CN113159877A (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN114710397B (zh) | 服务链路的故障根因定位方法、装置、电子设备及介质 | |
US11966405B1 (en) | Inferring brand similarities using graph neural networks and selection prediction |
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 |