CN116934438A - 一种基于chatGPT模型和算力的AI竞拍决策方法及系统 - Google Patents
一种基于chatGPT模型和算力的AI竞拍决策方法及系统 Download PDFInfo
- Publication number
- CN116934438A CN116934438A CN202310399691.6A CN202310399691A CN116934438A CN 116934438 A CN116934438 A CN 116934438A CN 202310399691 A CN202310399691 A CN 202310399691A CN 116934438 A CN116934438 A CN 116934438A
- Authority
- CN
- China
- Prior art keywords
- auction
- data
- model
- prediction model
- classification prediction
- 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 42
- 238000004364 calculation method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000007943 implant Substances 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims 8
- 230000007704 transition Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 4
- 208000025174 PANDAS Diseases 0.000 description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 3
- 240000004718 Panda Species 0.000 description 3
- 235000016496 Panda oleosa Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241001146702 Candidatus Entotheonella factor Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005058 diapause Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及竞拍技术领域,尤其是涉及一种基于chatGPT模型和算力的AI竞拍决策方法及系统。所述方法,包括获取API接口文档,利用API接口文档将小程序与AI引擎对接;获取竞拍数据,并对竞拍数据进行预处理;将预处理后的竞拍数据划分为训练集和测试集;将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;将优化后的分类预测模型植入小程序中;利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。本发明通过将微信小程序与AI算力对接,企业可以实现更高效的市场分析、智能推荐和个性化服务。这将有助于提高市场竞争力、优化运营决策,并为客户提供更加贴心的购买体验。
Description
技术领域
本发明涉及竞拍技术领域,尤其是涉及一种基于chatGPT模型和算力的AI竞拍决策方法及系统。
背景技术
随着大宗化工品市场竞争的加剧,企业需要不断创新销售策略、优化供应链管理,以提高市场竞争力和客户满意度。
然而现有的竞拍决策中,没有将chatGPT模型和AI算力相结合,若在“明泉竞拍”中实现微信小程序与AI算力对接,则能够实现更高效的市场分析、智能推荐以及个性化服务。
发明内容
为了解决上述提到的问题,本发明提供一种基于chatGPT模型和算力的AI竞拍决策方法及系统。
第一方面,本发明提供的一种基于chatGPT模型和算力的AI竞拍决策方法,采用如下的技术方案:
一种基于chatGPT模型和算力的AI竞拍决策方法,包括:
获取API接口文档,利用API接口文档将小程序与AI引擎对接;
获取竞拍数据,并对竞拍数据进行预处理;
将预处理后的竞拍数据划分为训练集和测试集;
将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;
将优化后的分类预测模型植入小程序中;
利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。
进一步地,所述获取API接口文档,利用API将小程序与AI引擎对接,包括选择适合的AI服务提供商,并获取其提供的API接口文档,根据API接口文档进行接口调用和数据传递。
进一步地,所述获取竞拍数据,包括收集与大宗化工品销售相关的数据,包括产品价格、成交量、库存和客户信息。
进一步地,所述对竞拍数据进行预处理,包括对竞拍数据进行清洗转换。
进一步地,所述对竞拍数据进行清洗转换,包括将竞拍数据进行去重、缺失值处理和数据类型转换。
进一步地,所述分类预测模型包括线性回归模型,其中,线性回归模型表示为:
y=β0+β1x1+β2x2+...+βnxn+ε;
其中,y为目标变量,x1,x2,...,xn为自变量,即影响目标变量的因素,β0为截距项,β1,β2,...,βn为系数,即自变量对目标变量的影响程度,ε为误差项,表示模型未能解释的部分。
进一步地,所述对分类预测模型进行训练优化,还包括对优化后的分类预测模型进行验证。
第二方面,一种基于chatGPT模型和算力的AI竞拍决策系统,包括:
数据获取模块,被配置为,获取API接口文档,利用API接口文档将小程序与AI引擎对接;
数据处理模块,被配置为,获取竞拍数据,并对竞拍数据进行预处理,将预处理后的竞拍数据划分为训练集和测试集;
模型优化模块,被配置为,将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;
分类模块,被配置为,将优化后的分类预测模型植入小程序中;
预测模块,被配置为,利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。
第三方面,本发明提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
第四方面,本发明提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
综上所述,本发明具有如下的有益技术效果:
本发明通过将微信小程序与AI算力对接,企业可以实现更高效的市场分析、智能推荐和个性化服务。这将有助于提高市场竞争力、优化运营决策,并为客户提供更加贴心的购买体验。
附图说明
图1是本发明实施例1的一种基于chatGPT模型和算力的AI竞拍决策方法的示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1,本实施例的一种基于chatGPT模型和算力的AI竞拍决策方法,包括:
获取API接口文档,利用API接口文档将小程序与AI引擎对接;获取竞拍数据,并对竞拍数据进行预处理;将预处理后的竞拍数据划分为训练集和测试集;将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;将优化后的分类预测模型植入小程序中;利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。所述获取API接口文档,利用API将小程序与AI引擎对接,包括选择适合的AI服务提供商,并获取其提供的API接口文档,根据API接口文档进行接口调用和数据传递。所述获取竞拍数据,包括收集与大宗化工品销售相关的数据,包括产品价格、成交量、库存和客户信息。所述对竞拍数据进行预处理,包括对竞拍数据进行清洗转换。所述对竞拍数据进行清洗转换,包括将竞拍数据进行去重、缺失值处理和数据类型转换。所述分类预测模型包括线性回归模型,所述对分类预测模型进行训练优化,还包括对优化后的分类预测模型进行验证。
具体的,包括以下步骤:
S1.获取API接口文档,利用API接口文档将小程序与AI引擎对接;
进行需求分析和技术选型,明确对接AI算力的目标和要求。选择合适的AI服务提供商,获取API接口文档,并与相关团队进行沟通协作。具体的,选择合适的AI服务提供商,并获取其提供的API接口文档。在小程序后端开发过程中,根据API接口文档进行接口调用和数据传递。利用API(应用程序编程接口)将“明泉竞拍”小程序与AI引擎进行连接。API允许两者之间进行数据交换和通信,从而实现功能扩展。对接成功后,确保数据传输正常且功能实现符合预期。
S2.获取竞拍数据,并对竞拍数据进行预处理;
具体的,从企业内部系统获取历史交易数据和库存信息;通过第三方数据提供商收集市场行情、竞争对手情况等外部数据。对数据进行去重、缺失值处理、数据类型转换等预处理操作。
其中,
(1)去重,去重是指删除数据集中的重复记录。这可以通过以下步骤实现:
a.首先,确定数据集中哪些列(属性)具有唯一性,可以作为判断记录是否重复的依据。例如,订单ID、客户ID等。
b.使用编程语言或数据处理工具(如Python、R、Excel等)进行去重操作。具体可以通过使用Python的pandas库进行去重操作完成。
(2)缺失值处理,缺失值处理是指处理数据集中的缺失数据。常用的处理方法有以下几种:
a.删除:直接删除包含缺失值的记录。这种方法适用于缺失数据较少且不影响整体分析的情况。
b.填充:用某个值填充缺失数据。可以使用固定值、平均值、中位数、众数等。
c.插值:利用已有数据对缺失值进行估计。可以使用线性插值、多项式插值等方法。具体可以使用Python的pandas库进行删除操作实现。
(3)数据类型转换:
数据类型转换是指将数据集中的某列数据从一种数据类型转换为另一种数据类型。具体可利用使用Python的pandas库进行数据类型转换操作,如将数据类型转换为整数、将数据类型转换为浮点数、将数据类型转换为字符串、将数据类型转换为日期时间等。
以上是去重、缺失值处理和数据类型转换的详细步骤和操作方法。在实际项目中,还需根据具体情况对数据进行处理。如:
1、对数据的处理应始终谨慎,确保处理过程不会引入误差或丢失重要信息。
2、在处理缺失值时,选择合适的处理方法。例如,当缺失数据较少且与其他数据无明显关联时,可以考虑直接删除;当缺失数据较多且与其他数据存在关联时,可以考虑使用填充或插值方法。
3、在进行数据类型转换时,确保转换后的数据类型与数据的实际含义一致。例如,将日期时间数据转换为日期时间类型,以便进行时间序列分析。
4、除了以上提到的预处理方法外,还可以进行其他数据清洗操作,如异常值处理、数据标准化、特征选择等。这些操作可以帮助提高数据质量,从而提升分析和建模的准确性。
S3.将预处理后的竞拍数据划分为训练集和测试集;
具体的,划分数据集
其中,将数据集划分为训练集、验证集和测试集。训练集用于训练模型,验证集用于调优模型,测试集用于评估模型的泛化能力。
S4.将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;
具体的,利用收集到的数据训练机器学习模型,如预测模型、分类模型等。根据实际需求,对模型进行优化和调整,以提高预测准确性和分类效果。
其中,以线性回归模型为例,
线性回归是一种简单的机器学习算法,用于预测一个连续变量(目标变量,如产品价格)与一个或多个自变量(如原材料价格、销售量等)之间的关系。线性回归模型可以表示为如下公式:
y=β0+β1x1+β2x2+...+βnxn+ε;
其中,y为目标变量,如产品价格;x1,x2,...,xn为自变量,即影响目标变量的因素,如原材料价格、销售量等;β0为截距项,β1,β2,...,βn为系数,即自变量对目标变量的影响程度,ε为误差项,表示模型未能解释的部分。
线性回归的目标是找到一组系数(β1,β2,...,βn),使得预测值与实际值之间的误差平方和最小(最小二乘法)。
具体可采用以下步骤:
1、读取数据;
2、定义特征变量(自变量)和目标变量;
3、划分训练集和测试集;
4、创建并训练线性回归模型;
5、对测试集进行预测;
6、计算均方误差(MSE);
7、获取模型系数和截距。
作为进一步地实施方式,
关于调优模型
模型调优通常涉及到调整模型的超参数,以达到更好的性能。这可以通过以下方法实现:
a.网格搜索:尝试所有可能的超参数组合,找到最佳组合。即按照定义超参数网格、创建随机森林模型、创建网格搜索对象、在训练集和验证集上执行网格搜索、获取最佳超参数组合的步骤即可。
b.随机搜索:从超参数的可能取值范围中随机抽取一定数量的组合,找到最佳组合。即按照定义超参数分布、创建随机森林模型、创建随机搜索对象、在训练集和验证集上执行随机搜索、获取最佳超参数组合的步骤即可。
作为进一步地实施方式,
评估模型:
使用最佳超参数组合重新训练模型,并在测试集上评估模型性能。评估指标可以是均方误差、R2分数等,具体取决于问题的类型。按照使用最佳超参数训练模型、预测测试集、计算评估指标的步骤即可。
具体的,
1、选择合适的评估指标
根据您的任务类型(回归、分类、聚类等),选择一个或多个合适的评估指标。例如:回归任务:均方误差(Mean Squared Error,MSE)、平均绝对误差(Mean Absolute Error,MAE)、R2分数等。
分类任务:准确率(Accuracy)、精确度(Precision)、召回率(Recall)、F1分数、AUC-ROC曲线等。
2.使用测试数据集进行预测
使用已经训练好的模型,在测试数据集(之前未参与训练和验证的数据)上进行预测。这将帮助您了解模型在实际应用中可能面临的数据分布的泛化能力。
3.计算评估指标
根据模型在测试数据集上的预测结果,计算选定的评估指标。通过使用Python的scikit-learn库计算回归任务和分类任务评估指标即可。
4.分析评估结果
根据评估指标的结果,分析模型的性能。如果模型满足预期的准确率和泛化能力,您可以将其部署到实际应用中。如果模型性能不尽如人意,您可能需要回到数据预处理、特征选择、模型选择和调优等步骤,对模型进行进一步优化。
5.可视化分析(可选)
为了更好地理解模型性能,您可以使用可视化方法绘制预测结果与实际结果的对比图、误差分布图、混淆矩阵等。这有助于发现模型的不足之处,从而进行针对性的改进。
通过以上步骤,您可以评估模型在测试数据集上的性能,确保其满足预期的准确率和泛化能力。在实际项目中,您可能需要多次迭代和优化模型,以达到最佳性能。
这些步骤提供了一个关于如何训练、调优和评估模型的概述。在实际项目中,您可能需要尝试不同的预处理方法、特征选择、模型结构等,以达到最佳性能。同时,您也可以尝试使用集成学习方法(如随机森林、梯度提升机等)以提高模型的预测能力。
S5.将优化后的分类预测模型植入小程序中;
S6.利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。
通过上述技术方案,能够实现如下效果:
1、提高市场竞争力
2、通过对接AI算力,小程序将能更有效地分析市场趋势和客户需求,为企业提供有针对性的建议,从而提高市场竞争力。例如,基于价格预测模型,企业可以制定更加合理的定价策略,以吸引更多潜在客户。
3、提升客户体验
通过智能推荐和个性化服务,为客户提供更加贴心的购买体验。提高客户满意度,增加客户忠诚度和购买转化率。例如,针对不同客户的需求,推送定制化的优惠信息和产品组合,使他们感受到更高程度的关注和关心。
4、优化运营决策
通过深入分析数据和趋势,企业可以更好地制定销售策略、调整库存、优化供应链管理等,从而提高企业运营效率和盈利能力。例如,根据库存水平和预测需求,企业可以及时调整生产计划和采购策略,降低库存成本和滞销风险。
实施例2
本实施例提供一种基于chatGPT模型和算力的AI竞拍决策系统,包括:
数据获取模块,被配置为,获取API接口文档,利用API接口文档将小程序与AI引擎对接;
数据处理模块,被配置为,获取竞拍数据,并对竞拍数据进行预处理,将预处理后的竞拍数据划分为训练集和测试集;
模型优化模块,被配置为,将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;
分类模块,被配置为,将优化后的分类预测模型植入小程序中;
预测模块,被配置为,利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种基于chatGPT模型和算力的AI竞拍决策方法,其特征在于,包括:
获取API接口文档,利用API接口文档将小程序与AI引擎对接;
获取竞拍数据,并对竞拍数据进行预处理;
将预处理后的竞拍数据划分为训练集和测试集;
将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;
将优化后的分类预测模型植入小程序中;
利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。
2.根据权利要求1所述的一种基于chatGPT模型和算力的AI竞拍决策方法,其特征在于,所述获取API接口文档,利用API将小程序与AI引擎对接,包括选择适合的AI服务提供商,并获取其提供的API接口文档,根据API接口文档进行接口调用和数据传递。
3.根据权利要求2所述的一种基于chatGPT模型和算力的AI竞拍决策方法,其特征在于,所述获取竞拍数据,包括收集与大宗化工品销售相关的数据,包括产品价格、成交量、库存和客户信息。
4.根据权利要求3所述的一种基于chatGPT模型和算力的AI竞拍决策方法,其特征在于,所述对竞拍数据进行预处理,包括对竞拍数据进行清洗转换。
5.根据权利要求4所述的一种基于chatGPT模型和算力的AI竞拍决策方法,其特征在于,所述对竞拍数据进行清洗转换,包括将竞拍数据进行去重、缺失值处理和数据类型转换。
6.根据权利要求5所述的一种基于chatGPT模型和算力的AI竞拍决策方法,其特征在于,所述分类预测模型包括线性回归模型,其中,线性回归模型表示为:
y=β0+β1x1+β2x2+...+βnxn+ε;
其中,y为目标变量,x1,x2,...,xn为自变量,即影响目标变量的因素,β0为截距项,β1,β2,...,βn为系数,即自变量对目标变量的影响程度,ε为误差项,表示模型未能解释的部分。
7.根据权利要求6所述的一种基于chatGPT模型和算力的AI竞拍决策方法,其特征在于,所述对分类预测模型进行训练优化,还包括对优化后的分类预测模型进行验证。
8.一种基于chatGPT模型和算力的AI竞拍决策系统,其特征在于,包括:
数据获取模块,被配置为,获取API接口文档,利用API接口文档将小程序与AI引擎对接;
数据处理模块,被配置为,获取竞拍数据,并对竞拍数据进行预处理,将预处理后的竞拍数据划分为训练集和测试集;
模型优化模块,被配置为,将竞拍数据的训练集送入分类预测模型中,对分类预测模型进行训练优化;
分类模块,被配置为,将优化后的分类预测模型植入小程序中;
预测模块,被配置为,利用搭载分类预测模型的小程序对用户数据进行预测,并输出预测结果。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399691.6A CN116934438A (zh) | 2023-04-14 | 2023-04-14 | 一种基于chatGPT模型和算力的AI竞拍决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399691.6A CN116934438A (zh) | 2023-04-14 | 2023-04-14 | 一种基于chatGPT模型和算力的AI竞拍决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934438A true CN116934438A (zh) | 2023-10-24 |
Family
ID=88379517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310399691.6A Pending CN116934438A (zh) | 2023-04-14 | 2023-04-14 | 一种基于chatGPT模型和算力的AI竞拍决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934438A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657088A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 接口文档解析方法、装置、电子设备以及存储介质 |
US20220036153A1 (en) * | 2020-07-29 | 2022-02-03 | Thayermahan, Inc. | Ultra large language models as ai agent controllers for improved ai agent performance in an environment |
US20220067738A1 (en) * | 2020-08-28 | 2022-03-03 | Anchain.ai Inc. | System and Method for Blockchain Automatic Tracing of Money Flow Using Artificial Intelligence |
US20220084095A1 (en) * | 2020-09-11 | 2022-03-17 | Beijing Wodong Tianjun Information Technology Co., Ltd. | System and method for quality assessment of product description |
CN114549142A (zh) * | 2022-03-17 | 2022-05-27 | 太平洋国际拍卖有限公司 | 一种线上竞价拍卖信息处理方法及系统 |
CN115099934A (zh) * | 2022-06-25 | 2022-09-23 | 平安银行股份有限公司 | 一种高潜客户识别方法、电子设备和存储介质 |
US20220383206A1 (en) * | 2021-05-28 | 2022-12-01 | Google Llc | Task Augmentation and Self-Training for Improved Few-Shot Learning |
JP2022180282A (ja) * | 2021-05-24 | 2022-12-06 | ネイバー コーポレーション | ペルソナチャットボット制御方法及びシステム |
CN115599388A (zh) * | 2022-10-17 | 2023-01-13 | 中航信移动科技有限公司(Cn) | 一种api接口文档生成方法、存储介质及电子设备 |
JP2023043129A (ja) * | 2021-09-15 | 2023-03-28 | ネイバー コーポレーション | ターゲット情報生成方法及びシステム |
CN115936757A (zh) * | 2022-12-27 | 2023-04-07 | 广东开放大学(广东理工职业学院) | 竞拍者心理价格分布预测方法及装置 |
-
2023
- 2023-04-14 CN CN202310399691.6A patent/CN116934438A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220036153A1 (en) * | 2020-07-29 | 2022-02-03 | Thayermahan, Inc. | Ultra large language models as ai agent controllers for improved ai agent performance in an environment |
US20220067738A1 (en) * | 2020-08-28 | 2022-03-03 | Anchain.ai Inc. | System and Method for Blockchain Automatic Tracing of Money Flow Using Artificial Intelligence |
US20220084095A1 (en) * | 2020-09-11 | 2022-03-17 | Beijing Wodong Tianjun Information Technology Co., Ltd. | System and method for quality assessment of product description |
JP2022180282A (ja) * | 2021-05-24 | 2022-12-06 | ネイバー コーポレーション | ペルソナチャットボット制御方法及びシステム |
US20220383206A1 (en) * | 2021-05-28 | 2022-12-01 | Google Llc | Task Augmentation and Self-Training for Improved Few-Shot Learning |
CN113657088A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 接口文档解析方法、装置、电子设备以及存储介质 |
JP2023043129A (ja) * | 2021-09-15 | 2023-03-28 | ネイバー コーポレーション | ターゲット情報生成方法及びシステム |
CN114549142A (zh) * | 2022-03-17 | 2022-05-27 | 太平洋国际拍卖有限公司 | 一种线上竞价拍卖信息处理方法及系统 |
CN115099934A (zh) * | 2022-06-25 | 2022-09-23 | 平安银行股份有限公司 | 一种高潜客户识别方法、电子设备和存储介质 |
CN115599388A (zh) * | 2022-10-17 | 2023-01-13 | 中航信移动科技有限公司(Cn) | 一种api接口文档生成方法、存储介质及电子设备 |
CN115936757A (zh) * | 2022-12-27 | 2023-04-07 | 广东开放大学(广东理工职业学院) | 竞拍者心理价格分布预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288602B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
US7519553B2 (en) | Method and system for debt collection optimization | |
CN109858740A (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
WO2019236997A1 (en) | Systems and methods for decomposition of non-differentiable and differentiable models | |
US11599740B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
US6061662A (en) | Simulation method and system for the valuation of derivative financial instruments | |
US20110270646A1 (en) | Computer implemented decision support method & system | |
US20050240539A1 (en) | Method and system for forecasting commodity prices using capacity utilization data | |
US11615348B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
JP2023537879A (ja) | 動的属性モデル化による次のバスケット推薦のためのシステムと方法 | |
CN113283671B (zh) | 一种预测补货量的方法、装置、计算机设备及存储介质 | |
Pendharkar | A data envelopment analysis-based approach for data preprocessing | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN111178986A (zh) | 用户-商品偏好的预测方法及系统 | |
Cui et al. | Bayesian variable selection for binary response models and direct marketing forecasting | |
CN113283582A (zh) | 纺织行业金融损失预测方法、装置、存储介质及处理器 | |
EP3871157A1 (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
Ludkovski | Statistical machine learning for quantitative finance | |
Becher et al. | Automating exploratory data analysis for efficient data mining | |
CN116934438A (zh) | 一种基于chatGPT模型和算力的AI竞拍决策方法及系统 | |
CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
Ardakani | Capturing information in extreme events | |
US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress | |
Alves et al. | A new exact method for linear bilevel problems with multiple objective functions at the lower level | |
Haley et al. | Disparity, shortfall, and twice-endogenous hara utility |
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 |