CN117078361A - 基于用户行为的车辆维修产品组合信息推送方法、设备 - Google Patents
基于用户行为的车辆维修产品组合信息推送方法、设备 Download PDFInfo
- Publication number
- CN117078361A CN117078361A CN202311337412.XA CN202311337412A CN117078361A CN 117078361 A CN117078361 A CN 117078361A CN 202311337412 A CN202311337412 A CN 202311337412A CN 117078361 A CN117078361 A CN 117078361A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle maintenance
- sequence
- information
- maintenance
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 402
- 230000006399 behavior Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000008439 repair process Effects 0.000 claims description 81
- 238000012545 processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 39
- 238000012795 verification Methods 0.000 description 14
- 230000004044 response Effects 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了基于用户行为的车辆维修产品组合信息推送方法、设备。该方法的一具体实施方式包括:通过车辆维修量序列,对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到第一车辆维修量预测模型;对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到第二车辆维修量预测模型;将车辆维修量序列输入至第一车辆维修量预测模型中,得到第一车辆维修预测量序列;将车辆维修量序列输入至第二车辆维修量预测模型中,得到第二车辆维修预测量序列;根据第一车辆维修预测量序列和第二车辆维修预测量序列,生成目标车辆维修预测量序列。该实施方式提高了用户维修量,缩短用户维修时间,减少了用户流失。
Description
技术领域
本公开的实施例涉及车辆信息处理领域,具体涉及基于用户行为的车辆维修产品组合信息推送方法、设备。
背景技术
目前,随着汽车行业的发展,在线咨询维修车辆信息的需求也迸发式增长。因此,需要提前对车辆维修量进行预测,以避免维修需求量较大时,客服数量不足以及推送的车辆信息不准确。在对车辆维修量进行预测以及推送车辆信息时,通常会通过专家成员组的专家综合各个历史指标分析得出,以及通过分析得出的车辆维修量,按照比例生成车辆维修量。然而,通过专家分析的车辆维修量的准确率较低,容易导致所安排的客服数量不足,影响用户的维修时间,减少了用户流量;此外,按照比例生成车辆维修量,导致生成的车辆维修预测量不准确,从而造成推送的车辆维修信息不符合用户需求,浪费了信息推送资源。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了基于用户行为的车辆维修产品组合信息推送方法、计算机设备和计算机可读存储介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种基于用户行为的车辆维修产品组合信息推送方法,该方法包括:获取预设历史时间段内的用户历史车辆维修行为信息组序列,其中,上述用户历史车辆维修行为信息组序列中的用户历史车辆维修行为信息包括:车辆维修类型,车辆维修类型表征某一车辆维修项目的类型,车辆维修类型为以下中的一项:第一车辆维修类型、第二车辆维修类型、第三车辆维修类型、第四车辆维修类型,第一车辆维修类型表示未咨询且未在目标车辆维修端维修车辆,第二车辆维修类型表示咨询且未在上述目标车辆维修端维修车辆、第三车辆维修类型表示咨询且在上述目标车辆维修端维修车辆,第四车辆维修类型表示未咨询且在上述目标车辆维修端维修车辆;根据上述用户历史车辆维修行为信息组序列,生成车辆维修量序列集,其中,一个车辆维修量序列对应一个车辆维修类型;对于上述车辆维修量序列集中的每个车辆维修量序列,执行以下步骤:通过上述车辆维修量序列,对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到预设未来时间段内对应目标车辆维修类型的第一车辆维修量预测模型,其中,上述目标车辆维修类型为上述车辆维修量序列对应的车辆维修类型;通过上述车辆维修量序列,对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到上述预设未来时间段内对应上述目标车辆维修类型的第二车辆维修量预测模型;将上述车辆维修量序列输入至上述第一车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第一车辆维修预测量序列;将上述车辆维修量序列输入至上述第二车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第二车辆维修预测量序列;根据上述第一车辆维修预测量序列和上述第二车辆维修预测量序列,生成上述预设未来时间段和上述目标车辆维修类型对应的目标车辆维修预测量序列;根据所生成的各个目标车辆维修预测量序列,生成车辆维修产品组合信息序列。
第二方面,本公开还提供一种计算机设备,上述计算机设备包括处理器、存储器、以及存储在上述存储器上并可被上述处理器执行的计算机程序,其中上述计算机程序被上述处理器执行时,实现如上述第一方面任一实现方式所描述的方法。
第三方面,本公开还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有计算机程序,其中上述计算机程序被处理器执行时,实现如上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于用户行为的车辆维修产品组合信息推送方法,减少了用户维修时间的浪费,减少了用户的流失。首先,获取预设历史时间段内的用户历史车辆维修行为信息组序列。其中,上述用户历史车辆维修行为信息组序列中的用户历史车辆维修行为信息包括:车辆维修类型,车辆维修类型表征某一车辆维修项目的类型。由此,便于不同车辆维修类型的车辆维修量。其次,根据上述用户历史车辆维修行为信息组序列,生成车辆维修量序列集。其中,一个车辆维修量序列对应一个车辆维修类型。由此,便于根据历史的车辆维修量序列集,推断出未来时间段的车辆维修量。接着,对于上述车辆维修量序列集中的每个车辆维修量序列,执行以下步骤:首先,通过上述车辆维修量序列,对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到预设未来时间段内对应目标车辆维修类型的第一车辆维修量预测模型。其中,上述目标车辆维修类型为上述车辆维修量序列对应的车辆维修类型。由此,为初步确定未来时间段的量,提供了模型支持。其次,通过上述车辆维修量序列,对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到上述预设未来时间段内对应上述目标车辆维修类型的第二车辆维修量预测模型。由此,为进一步确定未来时间段的量,提供了模型支持。接着,将上述车辆维修量序列输入至上述第一车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第一车辆维修预测量序列。然后,将上述车辆维修量序列输入至上述第二车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第二车辆维修预测量序列。再然后,根据上述第一车辆维修预测量序列和上述第二车辆维修预测量序列,生成上述预设未来时间段和上述目标车辆维修类型对应的目标车辆维修预测量序列。由此,可以根据车辆维修量序列,对未来时间段内每个车辆维修类型的车辆维修量的时间序列进行预测。本申请还对不同车辆维修类型的车辆维修量进行的分类预测,提高了车辆维修量预测的准确率。最后,根据所生成的各个目标车辆维修预测量序列,生成车辆维修产品组合信息序列。从而,可以根据预测的车辆维修量,合理安排客服与车辆维修产品组合信息。提高了用户维修量,缩短用户维修时间,减少了用户流失。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的基于用户行为的车辆维修产品组合信息推送方法的一些实施例的流程图;
图2是本公开实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的基于用户行为的车辆维修产品组合信息推送方法的一些实施例的流程图。示出了根据本公开的基于用户行为的车辆维修产品组合信息推送方法的一些实施例的流程100。该基于用户行为的车辆维修产品组合信息推送方法,包括以下步骤:
步骤101,获取预设历史时间段内的用户历史车辆维修行为信息组序列。
在一些实施例中,基于用户行为的车辆维修产品组合信息推送的执行主体(例如计算设备)可以从车辆信息终端中获取预设历史时间段内的用户历史车辆维修行为信息组序列。其中,上述用户历史车辆维修行为信息组序列中的用户历史车辆维修行为信息包括:车辆维修类型,车辆维修类型表征某一车辆维修项目(例如,车辆划痕维修、发动机异响维修、车辆保养、轮毂维修)的类型。预设历史时间段可以是设定的历史时间段。例如,预设历史时间段可以是2023年5月1日-2023年5月10日。一个用户历史车辆维修行为信息组对应一天。即,用户历史车辆维修行为信息组可以是指一天内各个用户维修车辆的行为信息。即,用户历史车辆维修行为信息可以表示某一用户所询问的某一维修类型车辆的信息。车辆维修类型可以表示维修车辆的类型(例如,车辆划痕维修类型、发动机异响维修类型、车辆保养类型、轮毂维修类型)。车辆信息终端可以是指维修各个车辆的客服终端。车辆维修类型为以下中的一项:第一车辆维修类型、第二车辆维修类型、第三车辆维修类型、第四车辆维修类型,第一车辆维修类型表示未咨询且未在目标车辆维修端维修车辆,第二车辆维修类型表示咨询且未在上述目标车辆维修端维修车辆、第三车辆维修类型表示咨询且在上述目标车辆维修端维修车辆,第四车辆维修类型表示未咨询且在上述目标车辆维修端维修车辆。目标车辆维修端可以是指定的维修车辆的终端。
步骤102,根据上述用户历史车辆维修行为信息组序列,生成车辆维修量序列集。
在一些实施例中,上述执行主体可以根据上述用户历史车辆维修行为信息组序列,生成车辆维修量序列集。其中,一个车辆维修量序列对应一个车辆维修类型。
在实际的应用场景中,可以通过以下步骤生成车辆维修量序列集:
第一,对于上述用户历史车辆维修行为信息组序列中的每个用户历史车辆维修行为信息组,执行如下处理步骤:
首先,根据上述用户历史车辆维修行为信息组包括的各个车辆维修类型,对上述用户历史车辆维修行为信息组进行分类处理,以生成用户历史车辆维修行为信息子集组。即,可以将用户历史车辆维修行为信息组中包括的车辆维修类型相同的用户历史车辆维修行为信息分为一类,得到用户历史车辆维修行为信息子集。
然后,对于上述用户历史车辆维修行为信息子集组中的每个用户历史车辆维修行为信息子集,将上述用户历史车辆维修行为信息子集包括的各个用户历史车辆维修行为信息的数量确定为车辆维修量。
第二,对于每个车辆维修类型,将上述车辆维修类型对应的各个车辆维修量确定为车辆维修量序列。即,可以按照时间的先后顺序对同一车辆维修类型的各个车辆维修量进行排序,得到车辆维修量序列。
步骤103,对于上述车辆维修量序列集中的每个车辆维修量序列,执行以下步骤:
步骤1031,通过上述车辆维修量序列,对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到预设未来时间段内对应目标车辆维修类型的第一车辆维修量预测模型。
在一些实施例中,上述执行主体可以通过上述车辆维修量序列,对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到预设未来时间段内对应目标车辆维修类型的第一车辆维修量预测模型。其中,上述目标车辆维修类型为上述车辆维修量序列对应的车辆维修类型。第一初始车辆维修量预测模型可以是时间序列模型。例如,第一初始车辆维修量预测模型可以是ARIMA模型或Prophet模型。
在实际的应用场景中,可以通过以下步骤对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到预设未来时间段内对应目标车辆维修类型的第一车辆维修量预测模型:
第一,通过上述车辆维修量序列和上述第一初始车辆维修量预测模型,生成对应第一模型参数区间的验证参数信息组。其中,每个验证参数信息包括:准确率和量分布信息,上述第一模型参数区间对应上述第一初始车辆维修量预测模型的各个初始模型参数。第一模型参数区间可以为初始化第一初始车辆维修量预测模型的各个模型参数的取值范围。在进行参数优化时,第一模型参数区间可以为设定的调整的各个初始模型参数的取值范围。第一初始车辆维修量预测模型的各个初始模型参数可以是预先设定好的。各个初始模型参数可以包括:灵活性调节参数参数、季节性模型的调节强度参数、假期组件模型的调节强度参数。量分布信息可以表征预测的车辆量的分布概率。例如,量分布信息可以是高斯分布的方差。可以通过高斯过程回归函数,生成在第一模型参数区间内的各个验证参数信息作为验证参数信息组。一个参数验证信息对应一组初始模型参数。
第二,利用上述验证参数信息组,确定对应上述各个初始模型参数的各个模型调整参数。可以通过验证参数信息组、验证参数信息组对应的各组初始模型参数以及采集函数,求解出最优的一组初始模型参数作为各个模型调整参数。采集函数可以为UCB (Upperconfidence bound)函数或PI(Probability of Improvement)函数。可以通过求解器求解出最优的一组初始模型参数。
第三,利用各个模型调整参数,对上述第一初始车辆维修量预测模型进行更新处理,得到更新第一初始车辆维修量预测模型。可以将第一初始车辆维修量预测模型的各个初始模型参数替换为各个模型调整参数。
第四,利用上述更新第一初始车辆维修量预测模型和上述车辆维修量序列,生成模型校验信息。可以利用上述车辆维修量序列对应的对比车辆维修量组,对更新第一初始车辆维修量预测模型进行模型验证,得到模型验证信息。模型验证信息可以表示更新第一初始车辆维修量预测模型的准确率。对比车辆维修量组可以是从车辆维修量序列中选取出的数目个车辆维修量。
第五,响应于确定上述模型校验信息满足预设条件,将上述更新第一初始车辆维修量预测模型确定为第一车辆维修量预测模型。预设条件可以是指模型校验信息对应的准确率大于等于预设准确率。
步骤1032,通过上述车辆维修量序列,对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到上述预设未来时间段内对应上述目标车辆维修类型的第二车辆维修量预测模型。
在一些实施例中,上述执行主体可以通过上述车辆维修量序列,对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到上述预设未来时间段内对应上述目标车辆维修类型的第二车辆维修量预测模型。例如,第二初始车辆维修量预测模型可以是ARIMA模型或Prophet模型。
在实际的应用场景中,可以通过以下步骤对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到上述预设未来时间段内对应上述目标车辆维修类型的第二车辆维修量预测模型:
第一,通过对应上述第二初始车辆维修量预测模型的各个初始模型参数的第二模型参数区间,构建对应上述第二初始车辆维修量预测模型的第二模型参数组集。第二初始车辆维修量预测模型的各个初始模型参数可以包括:季节性自回归参数、季节性差分参数、季节性移动平均参数、非季节性自回归参数、非季节性差分参数。例如,可以在上述第二模型参数区间,可以为第二初始车辆维修量预测模型设定不同的第二模型参数组,得到第二模型参数组集。
第二,根据上述第二模型参数组集,构建对应上述第二初始车辆维修量预测模型的备选车辆维修量预测模型集。可以将一个第二模型参数组设定在第二初始车辆维修量预测模型中,得到备选车辆维修量预测模型。从而,得到备选车辆维修量预测模型集。即,一个备选车辆维修量预测模型对应一个第二模型参数组。
第三,对于上述备选车辆维修量预测模型集中的每个备选车辆维修量预测模型,根据上述车辆维修量序列,生成对应上述备选车辆维修量预测模型的指标信息。可以利用上述车辆维修量序列对应的对比车辆维修量组对每个备选车辆维修量预测模型进行指标验证,得到指标信息。指标信息可以是指贝叶斯信息量准则指标值。
第四,从上述备选车辆维修量预测模型集中选择出对应的指标信息满足预设指标条件的备选车辆维修量预测模型作为第二车辆维修量预测模型。预设指标条件可以是“贝叶斯信息量准则指标值最小”。
步骤1033,将上述车辆维修量序列输入至上述第一车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第一车辆维修预测量序列。
在一些实施例中,上述执行主体可以将上述车辆维修量序列输入至第一车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第一车辆维修预测量序列。即,一个车辆维修量对应一个第一车辆维修预测量。
步骤1034,将上述车辆维修量序列输入至上述第二车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第二车辆维修预测量序列。
在一些实施例中,上述执行主体将上述车辆维修量序列输入至上述第二车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第二车辆维修预测量序列。一个车辆维修量对应一个第二车辆维修预测量。
步骤1035,根据上述第一车辆维修预测量序列和上述第二车辆维修预测量序列,生成上述预设未来时间段和上述目标车辆维修类型对应的目标车辆维修预测量序列。
在一些实施例中,上述执行主体可以根据上述第一车辆维修预测量序列和上述第二车辆维修预测量序列,生成上述预设未来时间段和上述目标车辆维修类型对应的目标车辆维修预测量序列。例如,可以将每个第一车辆维修预测量与对应的第二车辆维修预测量的平均值确定为目标车辆维修预测量,得到目标车辆维修预测量序列。
步骤104,根据所生成的各个目标车辆维修预测量序列,生成车辆维修产品组合信息序列。
在一些实施例中,上述执行主体可以根据所生成的各个目标车辆维修预测量序列,生成车辆维修产品组合信息序列。车辆维修产品组合信息可以表示各个车辆维修产品组合的信息。例如,车辆维修产品组合信息可以是:车辆贴膜+车辆划痕维修。车辆维修产品组合信息还可以是:更换机油+维修发动机+车内清洁。
在实际的应用场景中,上述执行主体可以通过以下步骤生成车辆维修产品组合信息序列:
第一,对于上述各个目标车辆维修预测量序列中的每个目标车辆维修预测量序列,执行如下处理步骤:
第一处理步骤,将上述目标车辆维修预测量序列对应的车辆维修类型确定为目标车辆维修类型。
第二处理步骤,获取上述目标车辆维修类型在预设历史时间段内对应的车辆历史维修量序列。可以从车辆信息终端中获取上述目标车辆维修类型在预设历史时间段内对应的车辆历史维修量序列。车辆历史维修量序列可以是对应上述目标车辆维修类型的维修车辆的各个维修量。车辆历史维修量可以是上述目标车辆维修类型对应的车辆在一天内的维修量。
第三处理步骤,将上述车辆历史维修量序列与上述目标车辆维修预测量序列组合为模型输入数据。其中,一个车辆历史维修量对应一个目标车辆维修预测量。
第四处理步骤,对预先训练好的车辆维修量信息预测模型进行模型解析,以确定上述车辆维修量信息预测模型中各个算子对应的参数信息和各个算子之间的连接关系,分别作为算子参数信息集和算子连接关系信息。其中,上述算子参数信息集中的算子参数信息可以是算子对应函数的参数信息。对应函数是动态链接库中的函数(例如,损失函数)。上述算子连接关系信息可以是上述模型文件对应模型中各个算子之间的前后关联关系信息。例如,车辆维修量信息预测模型对应的算子信息集包括;算子信息1,算子信息2,算子信息3,算子信息4,算子信息5,算子信息6,算子信息7。其中,算子信息1可以是算子信息2的前层算子信息,算子信息2可以是算子信息1的后层算子信息。算子信息V1可以是起始算子位置的信息。算子信息7可以是结尾算子位置的信息。算子信息1对应的至少一个后层算子信息为算子信息2和算子信息3。算子信息4、算子信息5和算子信息6对应的至少一个后层算子信息为算子信息7。算子信息7对应的至少一个前层算子信息为算子信息4、算子信息5和算子信息6。例如,上述算子信息为算子信息3,至少一个前层算子信息为算子信息1。至少一个后层算子为算子信息6和算子信息5。
第五处理步骤,将上述模型输入数据作为输入,根据上述算子连接关系信息、上述算子参数信息集和对应上述车辆维修量信息预测模型的动态链接库,执行基于算子推理数据预测操作,以生成车辆维修量预测信息。其中,上述车辆维修量预测信息可以是针对上述模型输入数据对应的预测结果。例如,车辆维修量预测信息可以是预测的目标车辆维修类型对应的车辆在预设未来时间段内的总维修量。
其中,上述第五处理步骤可以包括:
1、基于每条目标算子信息链对应的算子顺序,依次将至少一条目标算子信息链对应的各个算子信息添加至算子处理队列,得到添加算子处理队列。其中,每条目标算子信息链中的第一位置的算子信息对应的前层算子信息集为空。上述第一位置可以是目标算子信息链中第一个算子信息的位置。上述目标算子信息链对应的算子顺序可以是上述目标算子信息链中包括的至少一个算子信息之间的顺序。算子处理队列可以是包括各个待执行的算子对应的算子信息。根据算子处理队列中各个算子信息的顺序,依次执行对应各个算子对应的算子逻辑。目标算子信息链可以是第一位置的算子信息对应的前层算子信息集为空的算子信息链。上述目标算子信息链可以是出度和入度为目标数值的链。前层算子信息集可以是算子信息表的形式。即每个算子信息在初始时都存在对应的前向算子信息表和后向算子信息表。前向算子信息表中的各个前向算子信息可以是执行顺序位于算子信息之前的、且后向算子为算子信息的算子信息。随着前向算子信息集中的前向算子信息变少,表征算子信息之前的前向算子执行依次执行完成。同样地,后向算子信息集中的各个后向算子信息为与算子信息相连接的、后续待执行的算子的信息。
2、对于至少一条目标算子信息链中的每条目标算子信息链, 根据上述算子参数信息集和上述动态链接库,依次执行添加算子处理队列中的、与目标算子信息链相关联的各个算子信息,得到算子执行结果。
在实际处理的过程中,上述执行主体可以通过以下子步骤依次执行添加算子处理队列中的、与目标算子信息链相关联的各个算子信息:
子步骤一,对于添加算子处理队列中的与上述目标算子信息链相关联的算子信息,执行以下结果生成步骤:
第一结果生成步骤,利用上述算子参数信息集和上述动态链接库,确定算子信息对应的调用函数。首先,可以确定上述动态链接库包括的函数信息对应的函数集中与算子信息对应的函数,作为待调用函数。然后,可以利用上述算子参数信息集中与算子信息对应的算子参数信息,确定上述待调用函数的参数,以更改上述待调用函数的参数,得到算子信息对应的调用函数。函数集中的函数可以是各个损失函数。例如,合页损失函数、均方误差损失函数。
第二结果生成步骤,响应于确定算子信息存在对应的至少一个历史前层算子信息,将算子信息对应至少一个前层预测结果输入至上述调用函数,得到当前预测结果。其中,至少一个前层预测结果是算子信息对应至少一个前层算子信息对应的至少一个当前预测结果。至少一个历史前层算子信息可以是与算子信息的输入相关的、历史已执行完的至少一个前层算子的算子信息。
第三结果生成步骤,响应于确定算子信息不存在对应的至少一个历史前层算子信息,将上述模型输入数据输入至上述调用函数,得到当前预测结果。
第四结果生成步骤,从对应的目标算子处理队列中去除算子信息,得到去除算子处理队列。其中,上述目标算子处理队列不包括上述目标算子信息链中的、在算子信息之前的至少一个算子信息。目标算子处理队列不包括链中位置位于算子信息之前的算子信息。
第五结果生成步骤,响应于确定算子信息为相关联的目标算子信息链中的、第二位置的算子信息,将当前预测结果确定为算子执行结果。上述第二位置可以是链中最后一个算子信息对应的位置。
子步骤二,响应于确定去除算子处理队列不为空,将上述目标算子信息链中的上述算子信息对应的下一算子信息确定为算子信息,再次执行结果生成步骤。
3、根据所得到的至少一个算子执行结果,生成车辆维修量预测信息。可以响应于确定至少一个目标算子信息中每个目标算子信息对应的后层算子信息集为空,将至少一个目标算子信息对应的至少一个算子执行结果合并为车辆维修量预测信息。其中,上述至少一个目标算子信息中的目标算子信息是至少一条目标算子信息链中目标算子信息链中的、第二位置的算子信息。
第二,根据所生成的各个车辆维修量预测信息,生成车辆维修产品组合信息序列。诸如,对于每个车辆维修类型对应的车辆维修量预测信息,随机设定对应上述车辆维修量预测信息的车辆维修产品组合信息。例如,当车辆维修量预测信息表征的维修量大于预设阈值时,可以将该车辆维修类型对应的车辆维修项目(例如,维修发动机)与车辆贴膜产品、更换机油产品组合为车辆维修产品组合信息。再例如,当车辆维修量预测信息表征的维修量小于预设阈值时,可以将该车辆维修类型对应的车辆维修项目(例如,维修发动机)与更换机油产品组合为车辆维修产品组合信息。
进一步地,动态链接库可以是通过以下步骤生成的:
第一步,对上述车辆维修量信息预测模型进行解析,以确定上述车辆维修量信息预测模型中各个算子的算子类型,得到算子类型集。上述算子类型可以是表征算子的类别。实践中,算子类型集可以是车辆维修量信息预测模型使用的所有算子的算子类别集。针对模型使用多个相同的算子,这里算子类型集包括的各个算子类型间可以存在重复的算子类型。例如,算子类型可以是卷积算子类型,还可以是傅里叶变换算子类型。上述算子类型集中的算子类型可以是算子的类型。上述算子类型集中的算子类型可以是算子的算子类别类型。例如,上述算子类型集中的算子类型可以是卷积算子类型。
第二步,根据算子类型集,生成动态链接库。其中,上述动态链接库可以是支持对函数进行调用的库。例如,上述动态链接库支持调用的函数可以包括:针对车辆销量预测的函数。首先,可以确定上述算子类型集中各个算子类型对应的调用函数,得到调用函数集(可以包含各个损失函数)。然后,可以将上述调用函数集中各个调用函数对应的定义函数信息和源文件进行打包,以生成动态链接库。其中,上述定义函数信息可以是对调用函数定义的信息。上述源文件可以是使用调用函数的源文件。例如,上述定义函数信息可以是对调用函数定义数量的信息。
对于背景技术提及的“按照比例生成车辆预测量,导致生成的车辆预测量不准确,从而造成推送的车辆信息不符合用户需求,浪费了信息推送资源。”。可以通过以下步骤解决:对于上述各个目标车辆维修预测量序列中的每个目标车辆维修预测量序列,执行如下处理步骤:首先,将上述目标车辆维修预测量序列对应的车辆维修类型确定为目标车辆维修类型。其次,获取上述目标车辆维修类型在预设历史时间段内对应的车辆历史维修量序列。由此,可以根据该车辆维修类型对应的车辆历史维修量,为预测未来时间段的销量提供了参考依据。接着,将上述车辆历史维修量序列与上述目标车辆维修预测量序列组合为模型输入数据。其中,一个车辆历史维修量对应一个目标车辆维修预测量。然后,对预先训练好的车辆维修量信息预测模型进行模型解析,以确定上述车辆维修量信息预测模型中各个算子对应的参数信息和各个算子之间的连接关系,分别作为算子参数信息集和算子连接关系信息。由此,便于根据解算出的各个算子之间的连接关系,对模型输入数据进行预测。再然后,将上述模型输入数据作为输入,根据上述算子连接关系信息、上述算子参数信息集和对应上述车辆维修量信息预测模型的动态链接库,执行基于算子推理数据预测操作,以生成车辆维修量预测信息。由此,可以根据车辆历史维修量序列与目标车辆维修预测量序列,预测出未来时间段的车辆维修量。从而,提升了车辆预测量的准确性。最后,根据所生成的各个车辆维修量预测信息,生成车辆维修产品组合信息序列。从而,可以提升车辆维修产品组合信息序列的准确性,使得所推送的车辆维修产品组合信息符合用户需求,减少了信息推送资源的浪费。
进一步地,将上述车辆维修产品组合信息序列发送至目标车辆经营终端。
在一些实施例中,上述执行主体可以将上述车辆维修产品组合信息序列发送至目标车辆经营终端。目标车辆经营终端可以是指售卖车辆的终端。
进一步地,对于每个目标车辆维修预测量序列,执行以下处理步骤:
第一,获取对应上述目标车辆维修预测量序列的车辆维修类型的客服信息组。一个客服信息可以表示一个客服的信息。客服信息可以包括:客服名称、车辆维修类型、单位处理车辆咨询信息的数量(例如,每天处理车辆咨询信息的最大值)。车辆咨询信息可以是指用户咨询车辆维修类型对应的车辆的信息。
第二,根据上述客服信息组,生成单位车辆维修处理量。可以将上述客服信息组包括的各个单位处理车辆咨询信息的数量的总和作为单位车辆维修处理量。
第三,对于上述目标车辆维修预测量序列中的每个目标车辆维修预测量,生成对应上述目标车辆维修预测量的客服调度信息。当单位车辆维修处理量大于上述目标车辆维修预测量时,从上述客服信息组中选择出满足目标条件的各个客服信息组合为客服调度信息。目标条件可以是指“各个客服信息对应的单位处理车辆咨询信息的数量的总和等于目标车辆维修预测量”。
第四,根据所生成的各个客服调度信息,生成对应上述目标车辆维修预测量序列的客服调度表。诸如,可以将各个客服调度信息按照时间的先后顺序进行排序,得到客服调度表。
图2为本公开实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。
如图2所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于用户行为的车辆维修产品组合信息推送方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于用户行为的车辆维修产品组合信息推送方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图2中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元 (Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,上述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:获取预设历史时间段内的用户历史车辆维修行为信息组序列,其中,上述用户历史车辆维修行为信息组序列中的用户历史车辆维修行为信息包括:车辆维修类型,车辆维修类型表征某一车辆维修项目的类型;根据上述用户历史车辆维修行为信息组序列,生成车辆维修量序列集,其中,一个车辆维修量序列对应一个车辆维修类型;对于上述车辆维修量序列集中的每个车辆维修量序列,执行以下步骤:通过上述车辆维修量序列,对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到预设未来时间段内对应目标车辆维修类型的第一车辆维修量预测模型,其中,上述目标车辆维修类型为上述车辆维修量序列对应的车辆维修类型;通过上述车辆维修量序列,对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到上述预设未来时间段内对应上述目标车辆维修类型的第二车辆维修量预测模型;将上述车辆维修量序列输入至上述第一车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第一车辆维修预测量序列;将上述车辆维修量序列输入至上述第二车辆维修量预测模型中,得到上述预设未来时间段和上述目标车辆维修类型对应的第二车辆维修预测量序列;根据上述第一车辆维修预测量序列和上述第二车辆维修预测量序列,生成上述预设未来时间段和上述目标车辆维修类型对应的目标车辆维修预测量序列;根据所生成的各个目标车辆维修预测量序列,生成推荐车辆信息序列。
本公开实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有计算机程序,上述计算机程序中包括程序指令,上述程序指令被执行时所实现的方法可参照本公开基于用户行为的车辆维修产品组合信息推送方法的各个实施例。
其中,上述计算机可读存储介质可以是前述实施例上述的计算机设备的内部存储单元,例如上述计算机设备的硬盘或内存。上述计算机可读存储介质也可以是上述计算机设备的外部存储设备,例如上述计算机设备上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于用户行为的车辆维修产品组合信息推送方法,其特征在于,所述方法包括:
获取预设历史时间段内的用户历史车辆维修行为信息组序列,其中,所述用户历史车辆维修行为信息组序列中的用户历史车辆维修行为信息包括:车辆维修类型,车辆维修类型表征某一车辆维修项目的类型,车辆维修类型为以下中的一项:第一车辆维修类型、第二车辆维修类型、第三车辆维修类型、第四车辆维修类型,第一车辆维修类型表示未咨询且未在目标车辆维修端维修车辆,第二车辆维修类型表示咨询且未在所述目标车辆维修端维修车辆、第三车辆维修类型表示咨询且在所述目标车辆维修端维修车辆,第四车辆维修类型表示未咨询且在所述目标车辆维修端维修车辆;
根据所述用户历史车辆维修行为信息组序列,生成车辆维修量序列集,其中,一个车辆维修量序列对应一个车辆维修类型;
对于所述车辆维修量序列集中的每个车辆维修量序列,执行以下步骤:
通过所述车辆维修量序列,对第一初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到预设未来时间段内对应目标车辆维修类型的第一车辆维修量预测模型,其中,所述目标车辆维修类型为所述车辆维修量序列对应的车辆维修类型;
通过所述车辆维修量序列,对第二初始车辆维修量预测模型的各个初始模型参数进行调整训练,得到所述预设未来时间段内对应所述目标车辆维修类型的第二车辆维修量预测模型;
将所述车辆维修量序列输入至所述第一车辆维修量预测模型中,得到所述预设未来时间段和所述目标车辆维修类型对应的第一车辆维修预测量序列;
将所述车辆维修量序列输入至所述第二车辆维修量预测模型中,得到所述预设未来时间段和所述目标车辆维修类型对应的第二车辆维修预测量序列;
根据所述第一车辆维修预测量序列和所述第二车辆维修预测量序列,生成所述预设未来时间段和所述目标车辆维修类型对应的目标车辆维修预测量序列;
根据所生成的各个目标车辆维修预测量序列,生成车辆维修产品组合信息序列。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述车辆维修产品组合信息序列发送至目标车辆经营终端。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对于每个目标车辆维修预测量序列,执行以下处理步骤:
获取对应所述目标车辆维修预测量序列的车辆维修类型的客服信息组;
根据所述客服信息组,生成单位车辆维修处理量;
对于所述目标车辆维修预测量序列中的每个目标车辆维修预测量,生成对应所述目标车辆维修预测量的客服调度信息;
根据所生成的各个客服调度信息,生成对应所述目标车辆维修预测量序列的客服调度表。
4.根据权利要求1所述的方法,其特征在于,所述根据所述用户历史车辆维修行为信息组序列,生成车辆维修量序列集,包括:
对于所述用户历史车辆维修行为信息组序列中的每个用户历史车辆维修行为信息组,执行如下处理步骤:
根据所述用户历史车辆维修行为信息组包括的各个车辆维修类型,对所述用户历史车辆维修行为信息组进行分类处理,以生成用户历史车辆维修行为信息子集组;
对于所述用户历史车辆维修行为信息子集组中的每个用户历史车辆维修行为信息子集,将所述用户历史车辆维修行为信息子集包括的各个用户历史车辆维修行为信息的数量确定为车辆维修量;
对于每个车辆维修类型,将所述车辆维修类型对应的各个车辆维修量确定为车辆维修量序列。
5.一种计算机设备,其中,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1-4中任一所述的方法的步骤。
6.一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1-4中任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337412.XA CN117078361B (zh) | 2023-10-17 | 2023-10-17 | 基于用户行为的车辆维修产品组合信息推送方法、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337412.XA CN117078361B (zh) | 2023-10-17 | 2023-10-17 | 基于用户行为的车辆维修产品组合信息推送方法、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078361A true CN117078361A (zh) | 2023-11-17 |
CN117078361B CN117078361B (zh) | 2023-12-26 |
Family
ID=88719863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311337412.XA Active CN117078361B (zh) | 2023-10-17 | 2023-10-17 | 基于用户行为的车辆维修产品组合信息推送方法、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078361B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120104462A (ko) * | 2011-03-13 | 2012-09-21 | 김준규 | 휴대단말장치를 이용한 차량 정비자 지정 쌍방향 정비관리 방법 및 그 시스템 |
CN105404940A (zh) * | 2015-12-07 | 2016-03-16 | 中国船舶工业系统工程研究院 | 一种面向船舶使用阶段的维修资源预测方法 |
CN110738523A (zh) * | 2019-10-15 | 2020-01-31 | 北京经纬恒润科技有限公司 | 一种维修订单量预测方法及装置 |
CN114970985A (zh) * | 2022-05-10 | 2022-08-30 | 中国人民解放军32181部队 | 维修器材需求预测方法、装置及终端 |
CN116029698A (zh) * | 2023-01-19 | 2023-04-28 | 华东交通大学 | 城轨车辆的维修管理方法、系统、存储介质及计算机设备 |
CN116579460A (zh) * | 2023-04-07 | 2023-08-11 | 中国工商银行股份有限公司 | 信息预测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-10-17 CN CN202311337412.XA patent/CN117078361B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120104462A (ko) * | 2011-03-13 | 2012-09-21 | 김준규 | 휴대단말장치를 이용한 차량 정비자 지정 쌍방향 정비관리 방법 및 그 시스템 |
CN105404940A (zh) * | 2015-12-07 | 2016-03-16 | 中国船舶工业系统工程研究院 | 一种面向船舶使用阶段的维修资源预测方法 |
CN110738523A (zh) * | 2019-10-15 | 2020-01-31 | 北京经纬恒润科技有限公司 | 一种维修订单量预测方法及装置 |
CN114970985A (zh) * | 2022-05-10 | 2022-08-30 | 中国人民解放军32181部队 | 维修器材需求预测方法、装置及终端 |
CN116029698A (zh) * | 2023-01-19 | 2023-04-28 | 华东交通大学 | 城轨车辆的维修管理方法、系统、存储介质及计算机设备 |
CN116579460A (zh) * | 2023-04-07 | 2023-08-11 | 中国工商银行股份有限公司 | 信息预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117078361B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gkiotsalitis et al. | Robust timetable optimization for bus lines subject to resource and regulatory constraints | |
US10089590B2 (en) | Cross-domain multi-attribute hashed and weighted dynamic process prioritization | |
CN111131424B (zh) | 一种基于emd和多变量lstm相结合的服务质量预测方法 | |
CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
CN111680382A (zh) | 等级预测模型训练方法、等级预测方法、装置及电子设备 | |
US20150081392A1 (en) | Competitor prediction tool | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN109146128B (zh) | 业务数据处理方法、装置及服务器 | |
WO2018182442A1 (en) | Machine learning system and method for generating a decision stream and automonously operating device using the decision stream | |
US11816097B2 (en) | Geographical location determination system | |
US11671535B1 (en) | High fidelity call center simulator | |
CN117078361B (zh) | 基于用户行为的车辆维修产品组合信息推送方法、设备 | |
US20210004722A1 (en) | Prediction task assistance apparatus and prediction task assistance method | |
CN112163154A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111753386B (zh) | 一种数据处理方法及装置 | |
US20070033161A1 (en) | Apparatus and method for automatic refinement of business processes | |
US11803464B2 (en) | System for automatic identification and selection of optimization metrics and accompanying models in experimentation platforms | |
CN116503092A (zh) | 用户留资意向识别方法、装置、电子设备及存储介质 | |
US11822562B2 (en) | Unstructured text processing for geographical location determination system | |
CN110472827B (zh) | 系统策略预警方法、装置、服务器及可读存储介质 | |
CN117035847A (zh) | 基于汽车数据模型的信息处理方法、计算机设备 | |
CN116993396B (zh) | 基于车辆用户标签的风险预警方法、计算机设备 | |
CN117035623B (zh) | 基于流转量预测的车辆库存控制预警方法、计算机设备 | |
CN113487344B (zh) | 通信业务预测方法、集中服务器、边缘业务终端和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |