CN118057420A - 一种数据分析策略的训练方法、数据分析方法和装置 - Google Patents
一种数据分析策略的训练方法、数据分析方法和装置 Download PDFInfo
- Publication number
- CN118057420A CN118057420A CN202211454683.9A CN202211454683A CN118057420A CN 118057420 A CN118057420 A CN 118057420A CN 202211454683 A CN202211454683 A CN 202211454683A CN 118057420 A CN118057420 A CN 118057420A
- Authority
- CN
- China
- Prior art keywords
- service
- sub
- result
- index
- determining
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据分析策略的训练方法、数据分析方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:针对多个分业务,根据每个分业务的历史指标数据和第一预测策略,确定预设时间段内分业务的第一指标结果;根据各个分业务的历史指标数据和第二预测策略,确定预设时间段内每个分业务的第二指标结果;根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个分业务的第三指标结果;根据第一指标结果、第二指标结果、第三指标结果以及真实结果,确定各预测策略的置信占比,以根据置信占比确定数据分析策略。该实施方式能够减小预测结果的误差,提高预测结果的准确率,在业务调整时实现精细化预测结果调控。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据分析策略的训练方法、数据分析方法和装置。
背景技术
通过预测某个分业务或整体业务在未来一段时间的指标数据,如分业务或整体业务的流量数据,可用于对指标进行分析并制定相应的业务管理及规划策略。
现有技术中,预测分业务和整体业务的指标数据的方法包括:自顶向下和自底向上的预测方法;其中,自顶向下是先预测整体业务指标数据,然后再分割成为每个细分业务的指标数据,自底向上是根据每个细分业务的指标数据分别做预测,然后将结果合并得到整体业务的指标数据;但是,单独采用上述两种预测方法的预测准确率较低,误差较大;且上述两种预测方法均是基于历史指标数据进行预测,未考虑指标数据产生的源头即用户行为,导致误差较大。
发明内容
有鉴于此,本发明实施例提供一种数据分析策略的训练方法、数据分析方法和装置,能够减小预测结果的误差,提高预测结果的准确率,能够在业务调整时实现精细化预测结果调控。
为实现上述目的,根据本发明实施例的一个方面,提供了一种数据分析策略的训练方法的方法,包括:
针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一指标结果;
根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二指标结果;
根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三指标结果;
根据预设时间段内各个分业务的所述第一指标结果、第二指标结果、第三指标结果以及真实结果,确定所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,以根据所述置信占比确定数据分析策略。
可选地,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二指标结果,包括:
根据所述总业务的历史指标数据和第一预测模型确定预设时间段内所述总业务的指标预测结果;
根据所述百分比和第二预测模型确定预设时间段内各个分业务的百分比预测结果;
根据所述总业务的指标预测结果和各个分业务的百分比预测结果确定预设时间段内每个所述分业务的第二指标结果。
可选地,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三指标结果,包括:
根据所述用户行为数据、所述用户标签数据以及第三预测模型,确定每个用户对每个分业务的处理时间,根据各个用户对所述分业务的处理时间确定预设时间段内所述分业务的第三指标结果。
可选地,根据各个用户对所述分业务的处理时间确定预设时间段内所述分业务的第三指标结果,包括:
获取多个历史周期内与所述预设时间段内对应的各个历史时间段的预测值;
针对每个所述预测值,根据所述预测值以及与所述预测值对应的真实值确定所述预测值占所述真实值的百分比;
根据各个百分比确定平均百分比;
根据各个用户对所述分业务的处理时间和所述平均百分比确定预设时间段内对应分业务的第三指标结果。
可选地,确定所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,包括:
预设多个占比参数组合;
针对每个所述占比参数组合,根据所述第一指标结果、第二指标结果、第三指标结果以及所述占比参数组合,确定第四指标结果;根据所述第四指标结果和所述真实结果确定误差率;根据各个分业务的误差率确定总误差率均值,以获得各个总误差率均值;
根据各个总误差率均值从所述多个占比参数组合中筛选出目标占比参数组合,将所述目标占比参数组合作为所述置信占比。
可选地,根据所述第一指标结果、第二指标结果、第三指标结果以及所述占比参数组合,确定第四指标结果,包括:
将所述第一指标结果、第二指标结果和第三指标结果进行加权求和,确定所述第四指标结果,其中,加权的权重为所述占比参数组合中的各个占比参数。
根据本发明实施例的另一方面,提供了一种数据分析方法,包括:
针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一目标结果;
根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二目标结果;
根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三目标结果;
根据预设时间段内各个分业务的所述第一目标结果、第二目标结果、第三目标结果以及所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,确定预设时间段内每个所述分业务的目标结果,根据预设时间段内各个所述分业务的目标结果获得预设时间段内所述总业务的目标结果。
根据本发明实施例的再一方面,提供了一种数据分析策略的训练装置,包括:
第一确定模块,针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内所述分业务的第一指标结果;
第二确定模块,根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二指标结果;
第三确定模块,根据各个用户的用户行为数据和用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三指标结果;
第四确定模块,根据预设时间段内各个分业务的所述第一指标结果、第二指标结果、第三指标结果以及真实结果,确定所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,以根据所述置信占比确定数据分析策略。
根据本发明实施例的还一方面,提供了一种数据分析装置,包括:
第一结果确定模块,针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一目标结果;
第二结果确定模块,根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二目标结果;
第三结果确定模块,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三目标结果;
第四结果确定模块,根据预设时间段内各个分业务的所述第一目标结果、第二目标结果、第三目标结果以及所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,确定预设时间段内每个所述分业务的目标结果,根据预设时间段内各个所述分业务的目标结果获得预设时间段内所述总业务的目标结果。
根据本发明实施例的还一个方面,提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明提供的数据分析策略的训练方法或数据分析方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的本发明提供的数据分析策略的训练方法或数据分析方法。
上述发明中的一个实施例具有如下优点或有益效果:通过获取每个分业务的历史指标数据,根据第一预测策略和第二预测策略分别获得预设时间段内每个分业务的第一指标结果和第二指标结果;根据用户行为数据和用户标签数据,通过第三预测策略,得到预设时间段内每个分业务的第三指标结果;通过融合用户行为数据,能够更加精准的挖掘分业务的变动,实现精细化预测结果调控;根据第一指标结果、第二指标结果和第三指标结果以及真实结果,对三种预测策略的置信占比进行调整,融合三种预测策略得到稳定可靠的数据分析策略,减小预测结果的误差,提高预测结果的准确率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种数据分析策略的训练方法的主要流程的示意图;
图2是根据本发明实施例的另一种数据分析策略的训练方法的主要流程的示意图;
图3是根据本发明实施例的再一种数据分析策略的训练方法的主要流程的示意图;
图4是根据本发明实施例的还一种数据分析策略的训练方法的主要流程的示意图;
图5是根据本发明实施例的一种数据分析方法的主要流程的示意图;
图6是根据本发明实施例的数据分析策略的训练装置的主要模块的示意图;
图7是根据本发明实施例的数据分析装置的主要模块的示意图;
图8是本发明实施例可以应用于其中的示例性系统架构图;
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本发明实施例所涉及的个人信息等的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
目前,对于整体业务和分业务的精细化预测,即流量下钻任务,主要有自顶向下和自底向上两种预测方式。
基于自顶向下的预测方式,需要先预测整体业务的指标数据,然后分析统计各个业务分量在整体中的占比,以得到细分条线的预测指标数据。该方法的优势在于,通常由于整体业务的量级大,规律性明显,其整体预测的准确度会较高。同时,当业务拆分方式发生临时调整时,如售后业务被拆分成为手机售后和电脑售后,可以快速调整占比结构;其缺点在于,由于最终的预测结果是两个模型结果的组合,误差会存在一定的累积效应,尤其是那些快速变动的业务,占比值可能不会太准确。
而自下而上的预测方式,即直接根据细分业务的历史指标数据进行预测,然后合并获得总指标数据。该方法的优点是每个细分业务有自己独立的模型,不会相互干扰,模型误差不会累计。缺点是由于细分业务的数据量级小,误差会较大,合并后的总指标数据也会受到影响;此外,由于细分业务的变动性较快,新增、删减、修改业务逻辑,都需要重新训练新模型,而细分业务的历史数据可能不够丰富,导致无法训练模型。
并且,上述预测方式均是基于历史的指标结果数据进行特征挖掘与训练,未考虑用户行为数据,且在特定场景下误差较大。
针对上述问题,本发明实施例提供一种数据分析策略的训练方法,能够提高预测的准确率,实现精细化预测结果调控,使得预测结果更加稳定可靠。
图1是根据本发明实施例的一种数据分析策略的训练方法的主要流程的示意图,如图1所示,该方法包括以下步骤:
步骤S101:针对多个分业务,根据每个分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一指标结果;
步骤S102:根据各个分业务的历史指标数据确定总业务的历史指标数据和每个分业务的历史指标数据占总业务的历史指标数据的百分比,根据总业务的历史指标数据、百分比以及第二预测策略,确定预设时间段内每个分业务的第二指标结果;
步骤S103:根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个分业务的第三指标结果;
步骤S104:根据预设时间段内各个分业务的第一指标结果、第二指标结果、第三指标结果以及真实结果,确定第一预测策略、第二预测策略和第三预测策略的置信占比,以根据置信占比确定数据分析策略。
本发明实施例的方法可用于电商客户业务规划、财经资金预测、销量预测等多个领域,能够对指标数据进行预测,帮助企业进行业务的管理设计和规则。
在本发明实施例中,历史指标数据为预设时间段内的指标数据,指标数据可以为流量数据,流量数据可以为电商领域中的针对某个业务的咨询量数据。整体业务即总业务包括多个分业务,即多个分业务构成总业务,如各个分业务的流量数据之和为总业务的流量数据。对于每个分业务,获取每个分业务的历史指标数据,然后为每个分业务建立时间序列,即构造与每个分业务对应的历史指标数据序列,历史指标数据序列包括时间段和与每个时间段对应的历史指标数据。例如,历史指标数据序列可以为上一周每天的流量数据。其中,预设时间段内可以为与历史指标数据的时间段对应的未来的时间段,也可以为未来的时间段。如历史指标数据为上上一周每天的流量数据,预设时间段内可以为上周第一天,也可以为上周的每天。
在本发明实施例中,第一预测策略为自底向上算法模型,具体可以为GBRT、线性回归模型等中的一种或几种。在获得每个分业务的历史指标数据序列之后,将每个分业务的历史指标数据序列输入到自底向上算法模型中,分别得到每个分业务在预设时间段内的第一指标结果,其中,第一指标结果为自底向上算法模型对指标的预测结果,第一指标结果可以为预设时间段内的指标值,也可以为预设时间段的多个指标值构成的指标值序列。其中,在训练数据分析策略时,预设时间段内对应的每个分业务的真实结果是已知的。
在本发明实施例中,获得每个分业务的历史指标数据之后,更快将每个分业务的历史指标数据进行合并,可以得到总业务的历史指标数据。即,将每个分业务相同时间段的历史指标数据进行加和,可以获得该时间段的总业务的历史指标数据。根据每个分业务的历史指标数据和总业务的历史指标数据,可以获得各个时间段每个分业务的历史指标数据占总业务的历史指标数据的百分比。
在本发明实施例中,如图2所示,根据总业务的历史指标数据、百分比以及第二预测策略,确定预设时间段内每个分业务的第二指标结果,包括:
步骤S201:根据总业务的历史指标数据和第一预测模型确定预设时间段内总业务的指标预测结果;
步骤S202:根据各个百分比和第二预测模型确定预设时间段内各个分业务的百分比预测结果;
步骤S203:根据总业务的指标预测结果和各个分业务的百分比预测结果确定预设时间段内每个分业务的第二指标结果。
在本发明实施例中,第一预测模型可以为GBRT(Gradient BoostRegressionTree,渐进梯度回归树)、线性回归模型等中的一种或几种。根据总业务的历史指标数据可以获得预设时间段内总业务的历史指标数据序列,将总业务的历史指标数据序列输入到GBRT或线性回归模型中,可以获得预设时间段内总业务的指标预测结果。
在本发明实施例中,获得各个时间段每个分业务的百分比之后,将每个分业务各个时间段的百分比建立一个与该分业务对应的占比序列,该占比序列包括时间段和与该时间段对应的百分比。其中,在相同时间段,各分业务的百分比之和为1。在获得每个分业务的占比序列之后,将各个占比序列输入到第二预测模型中,第二预测模型会考虑各占比序列之间的相关性,然后输出预设时间段内每个分业务的百分比预测结果。其中,第二预测模型为多输入多输出的神经网络模型,如seq2seq(Sequence to Sequence,序列对序列)模型。
根据总业务的指标预测结果分别与各个分业务的百分比预测结果相乘,即可获得预设时间段内各个分业务的第二指标结果。
在本发明实施例中,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个分业务的第三指标结果,包括:根据用户行为数据、用户标签数据以及第三预测模型,确定每个用户对每个分业务的处理时间,根据各个用户对分业务的处理时间确定预设时间段内分业务的第三指标结果。
在本发明实施例中,用户行为数据为预设时间段内用户的行为轨迹产生的数据,例如,在电商领域中,用户行为数据可以为用户的浏览记录、点击记录、登录查看信息等行为。用户标签数据可以为用户统计学画像标签,如用户为高频咨询用户或低频咨询用户等。
在本发明实施例中,第三预测模型可以为神经网络模型,例如为双层双向LSTM(Long Short-Term Memory,长短期记忆网络)神经网络模型。利用多个用户的用户行为数据、用户画像数据作为输入,以用户的处理时间(如咨询时间)和以及该处理时间对应的分业务(如售后、退货等)作为输出,训练第三预测模型。该第三预测模型可以通过定时调度任务,在固定时间间隔获取用户行为数据以及用户画像数据,对用户对分业务的处理时间的概率进行预测,以确定用户对分业务的处理时间。
利用训练好的第三预测模型对每个用户对每个分业务的处理时间进行预测,将每个用户的用户行为数据和用户标签数据输入到第三预测模型中,第三预测模型输出用户对分业务的多个处理时间的概率,将概率最大的处理时间确定为用户对分业务的处理时间。例如,第三预测模型预测出将发生咨询的时间是1天后是0.9,2天后是0.05,3天及以后是0.05,则确定咨询时间是1天后。
在本发明实施例中,获得各个用户对分业务的处理时间之后,将各个分业务、各个处理时间进行合并,可以获得预设时间段每个分业务的指标预测结果,作为第三指标结果。
在本发明实施例中,如图3所示,根据各个用户对分业务的处理时间确定预设时间段内分业务的第三指标结果,包括:
步骤S301:获取多个历史周期内与预设时间段内对应的各个历史时间段的预测值;
步骤S302:针对每个预测值,根据预测值以及与预测值对应的真实值确定预测值占真实值的百分比;
步骤S303:根据各个百分比确定平均百分比;
步骤S304:根据各个用户对分业务的处理时间和平均百分比确定预设时间段内对应分业务的第三指标结果。
在本发明实施例中,由于部分用户的行为可能为表现出对分业务的处理意向,如部分用户会选择当天查看或购买,当天咨询,此时在查看用户前几天的用户行为轨迹时,可能查询不到有效的用户行为数据,因此,通过用户行为数据预测到的预设时间段内的咨询量是预设时间段内真实咨询量的一部分。因此,在确定第三指标结果时还需要考虑多个历史周期内该预设时间段内对应的分业务的预测值。
首先获取多个历史周期内与该预设时间段内对应的各个历史时间段的预测值,针对每个预测值,根据预测值以及与预测值对应的真实值确定预测值占真实值的百分比。例如,预设时间段内为周日,即预测周日的咨询量,需要根据历史多个星期中每个星期的周日的预测咨询量,然后对于每个周日的预测咨询量,计算每个周日的预测咨询量占真实咨询量的百分比,即确定多个百分比,计算该多个百分比的平均值,即平均百分比,作为当前周日的预测咨询量占真实咨询量的百分比。然后根据各个用户对分业务的处理时间和平均百分比确定预设时间段内对应分业务的第三指标结果,即将预测出的预设时间段内每个分业务的指标预测结果除以平均百分比,则得到第三时间指标结果。
在本发明实施例中,多个历史周期内与预设时间段内对应的各个历史时间段的预测值,可以根据每个历史时间段的之前预设时间对该历史时间的预测值确定。例如,历史多个星期中每个星期的周日的预测咨询量,可以根据每个周日的前几天的用户行为数据确定出周日的咨询量,例如,将在周三、周四、周五、周六时根据用户行为数据分别得到的周日的咨询量进行加和,作为周日的咨询量。
在本发明实施例中,如图4所示,确定第一预测策略、第二预测策略和第三预测策略的置信占比,包括:
步骤S401:预设多个占比参数组合;
步骤S402:针对每个占比参数组合,根据第一指标结果、第二指标结果、第三指标结果以及占比参数组合,确定第四指标结果;根据第四指标结果和真实结果确定误差率;根据各个分业务的误差率确定总误差率均值,以获得各个总误差率均值;
步骤S403:根据各个总误差率均值从多个占比参数组合中筛选出目标占比参数组合,将目标占比参数组合作为置信占比。
在本发明实施例中,确定第一预测策略、第二预测策略和第三预测策略对应的第一指标结果、第二指标结果和第三指标结果之后,为获得预测准确率较高的数据分析策略,需要调整各个指标结果占最终指标结果的权重,即确定各个预测策略的置信占比。
首先预设多个占比参数组合,每个占比参数组合中包括各个预测策略的占比参数即预设权重,在本发明实施例中,根据第一指标结果、第二指标结果、第三指标结果以及占比参数组合,确定第四指标结果,包括:将第一指标结果、第二指标结果和第三指标结果进行加权求和,确定第四指标结果,其中,加权的权重为占比参数组合中的各个占比参数。例如,第一预测策略、第二预测策略、第三预测策略的占比参数分别为0.2、0.3和0.5,分业务1的第一指标结果、第二指标结果和第三指标结果分别为50,70和90,分业务2的第一指标结果、第二指标结果和第三指标结果分别为220,240和280,分业务1的真实结果为100,分业务2的真实结果为200,则根据该占比参数组合得到:
分业务1的第四指标结果为0.2*50+0.3*70+0.5*90=76;分业务2的第四指标结果为0.2*220+0.3*240+0.5*280=256。
然后根据第四指标结果与真实结果确定误差率,即确定出第四指标结果与真实结果的差值,计算得到的该差值与真实结果的比值,即为误差率。例如,上述分业务1的误差率为(76-100)/100=0.24,分业务2的误差率为(256-200)/200=0.28。根据误差率计算得到总误差率均值,即(0.24+0.28)/2=0.26。从而得到各个占比参数下的总误差率均值,然后根据总误差率均值对各个占比参数组合进行筛选,可以将总误差率均值最小的一个占比参数组合作为目标占比参数组合,从而确定出各个预测策略的置信占比。
在本发明实施例中,多个占比参数组合可以是通过多参数网络化搜索获得的,也可以是自定义设置的。
在本发明实施例中,根据第一指标结果、第二指标结果、第三指标结果以及占比参数组合,确定第四指标结果,也可以包括:根据第一指标结果、第二指标结果、第三指标结果和真实值,确定第一误差率、第二误差率和第三误差率,将第一误差率、第二误差率和第三误差率进行加权求和,确定第四指标结果,以第四指标结果作为误差率,其中,加权的权重为占比参数组合中的各个占比参数。
在本发明实施例中,确定出第一预测策略、第二预测策略和第三预测策略的各自的置信占比之后,则得到数据分析策略,即该数据分析策略是由各个预测策略和每个预测策略对应的置信占比组成,从而可以利用该数据分析策略对未来时间段的指标数据进行预测。
根据本发明实施例的另一方面,如图5所示,提供了一种数据分析方法,包括:
步骤S501:针对多个分业务,根据每个分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一目标结果;
步骤S502:根据各个分业务的历史指标数据确定总业务的历史指标数据和每个分业务的历史指标数据占总业务的历史指标数据的百分比,根据总业务的历史指标数据、百分比以及第二预测策略,确定预设时间段内每个分业务的第二目标结果;
步骤S503:根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个分业务的第三目标结果;
步骤S504:根据预设时间段内各个分业务的第一目标结果、第二目标结果、第三目标结果以及第一预测策略、第二预测策略和第三预测策略的置信占比,确定预设时间段内每个分业务的目标结果,根据预设时间段内各个分业务的目标结果获得预设时间段内总业务的目标结果。
在本发明实施例中,在确定第一预测策略、第二预测策略和第三预测策略分别对应的置信占比之后,确定数据分析策略,利用该数据分析策略可以对每个分业务在未来的预设时间段内的指标结果进行预测,得到预设时间段内每个分业务的目标结果,并根据预设时间段内每个分业务的目标结果,通过合并,得到预设时间段内总业务的目标结果。
在本发明实施例中,在获得预设时间段内每个分业务的目标结果之前,获取多个分业务中每个分业务的历史指标数据,根据历史指标数据和第一预测策略得到预设时间段内分业务的第一目标结果,第一目标结果为第一预测策略针对指标的预测结果。
根据每个分业务的历史指标数据确定总业务的历史指标数据和每个分业务的历史指标数据占总业务的历史指标数据的百分比,根据总业务的历史指标数据和第一预测模型得到预设时间段内总业务的目标预测结果,根据各个百分比和第二预测模型确定预设时间段内各个分业务的百分比预测结果,根据总业务的目标预测结果和各个分业务的百分比预测结果确定预设时间段内每个分业务的第二目标结果,第二目标结果是根据第二预测策略针对指标的预测结果。
根据用户行为数据、用户标签数据以及第三预测模型,确定每个用户对每个分业务的处理时间,根据各个用户对分业务的处理时间确定预设时间段内分业务的第三目标结果,第三目标结果为第三预测策略对指标的预测结果。
根据各个用户对分业务的处理时间确定预设时间段内分业务的第三目标结果,包括:获取多个历史周期内与预设时间段内对应的各个历史时间段的预测值;针对每个预测值,根据预测值以及与预测值对应的真实值确定预测值占真实值的百分比;根据各个百分比确定平均百分比;根据各个用户对分业务的处理时间和平均百分比确定预设时间段内对应分业务的第三目标结果。
然后根据各预测策略的置信占比,以置信占比作为权重,将第一目标结果、第二目标结果和第三目标结果进行加权求和,得到预设时间段内分业务的目标结果,然后将各个分业务的目标结果进行加和,得到预设时间段内总业务的目标结果。
本发明实施例的数据分析策略的训练方法和数据分析方法,通过获取多个分业务中每个分业务的历史指标数据,根据第一预测策略和第二预测策略分别获得预设时间段内每个分业务的第一指标结果和第二指标结果;根据用户行为数据和用户标签数据,通过第三预测策略,得到预设时间段内每个分业务的第三指标结果;在基于第一预测策略和第二预测策略的基础上,融合用户行为数据进行预测,能够从用户行为出法更加精准的挖掘分业务的变动,实现精细化预测结果调控,摆脱对历史指标数据的严重依赖;根据第一指标结果、第二指标结果和第三指标结果以及真实结果,针对三种预测策略存在的局限性,对三种预测策略的置信占比进行调整,融合三种预测策略的优势,并弥补各自的缺陷,调整得到各预测策略的置信占比,以适应不同时期的模型稳定性变化,得到稳定可靠的数据分析策略,减小了预测结果的误差,提高了预测结果的准确率。
根据本发明实施例的再一方面,如图6所示,提供了一种数据分析策略的训练装置600,包括:
第一确定模块601,针对多个分业务,根据每个分业务的历史指标数据和第一预测策略,确定预设时间段内分业务的第一指标结果;
第二确定模块602,根据各个分业务的历史指标数据确定总业务的历史指标数据和每个分业务的历史指标数据占总业务的历史指标数据的百分比,根据总业务的历史指标数据、百分比以及第二预测策略,确定预设时间段内每个分业务的第二指标结果;
第三确定模块603,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个分业务的第三指标结果;
第四确定模块604,根据预设时间段内各个分业务的第一指标结果、第二指标结果、第三指标结果以及真实结果,确定第一预测策略、第二预测策略和第三预测策略的置信占比,以根据置信占比确定数据分析策略。
在本发明实施例中,第二确定模块602,进一步用于:根据总业务的历史指标数据和第一预测模型确定预设时间段内总业务的指标预测结果;根据各个百分比和第二预测模型确定预设时间段内各个分业务的百分比预测结果;根据总业务的指标预测结果和各个分业务的百分比预测结果确定预设时间段内每个分业务的第二指标结果。
在本发明实施例中,第三确定模块603,进一步用于:根据用户行为数据、用户标签数据以及第三预测模型,确定每个用户对每个分业务的处理时间,根据各个用户对分业务的处理时间确定预设时间段内分业务的第三指标结果。
在本发明实施例中,第三确定模块603,更进一步用于:获取多个历史周期内与预设时间段内对应的各个历史时间段的预测值;针对每个预测值,根据预测值以及与预测值对应的真实值确定预测值占真实值的百分比;根据各个百分比确定平均百分比;根据各个用户对分业务的处理时间和平均百分比确定预设时间段内对应分业务的第三指标结果。
在本发明实施例中,第四确定模块604,进一步用于:预设多个占比参数组合;针对每个占比参数组合,根据第一指标结果、第二指标结果、第三指标结果以及占比参数组合,确定第四指标结果;根据第四指标结果和真实结果确定误差率;根据各个分业务的误差率确定总误差率均值,以获得各个总误差率均值;根据各个总误差率均值从多个占比参数组合中筛选出目标占比参数组合,将目标占比参数组合作为置信占比。
在本发明实施例中,第四确定模块604,更进一步用于:根据第一指标结果、第二指标结果、第三指标结果以及占比参数组合,确定第四指标结果,包括:将第一指标结果、第二指标结果和第三指标结果进行加权求和,确定第四指标结果,其中,加权的权重为占比参数组合中的各个占比参数。
根据本发明实施例的还一方面,如图7所示,提供了一种数据分析装置700,包括:
第一结果确定模块701,针对多个分业务,根据每个分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一目标结果;
第二结果确定模块702,根据各个分业务的历史指标数据确定总业务的历史指标数据和每个分业务的历史指标数据占总业务的历史指标数据的百分比,根据总业务的历史指标数据、百分比以及第二预测策略,确定预设时间段内每个分业务的第二目标结果;
第三结果确定模块703,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个分业务的第三目标结果;
第四结果确定模块704,根据预设时间段内各个分业务的第一目标结果、第二目标结果、第三目标结果以及第一预测策略、第二预测策略和第三预测策略的置信占比,确定预设时间段内每个分业务的目标结果,根据预设时间段内各个分业务的目标结果获得预设时间段内总业务的目标结果。
根据本发明实施例的还一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明提供的数据分析策略的训练方法或数据分析方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现本发明提供的本发明提供的数据分析策略的训练方法或数据分析方法。
图8示出了可以应用本发明实施例的数据分析策略的训练方法或数据分析策略的训练装置以及数据分析方法或数据分析装置的示例性系统架构800。
如图8所示,系统架构800可以包括终端设备801、802、803,网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804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801、802、803通过网络804与服务器805交互,以接收或发送消息等。终端设备801、802、803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801、802、803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805可以是提供各种服务的服务器,例如对用户利用终端设备801、802、803所浏览的购物类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产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的数据分析策略的训练方法或数据分析方法一般由服务器805执行,相应地,数据分析策略的训练装置或数据分析装置一般设置于服务器805中。
应该理解,图8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。
下面参考图9,其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(CPU)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。在RAM 903中,还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905: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。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,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。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。在该计算机程序被中央处理单元(CPU)901执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、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)、光纤、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。在本发明中,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。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定模块、第二确定模块、第三确定模块和第四确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一确定模块还可以被描述为“针对多个分业务,根据每个分业务的历史指标数据和第一预测策略确定预设时间段内分业务的第一指标结果的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读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一个该设备执行时,使得该设备包括:针对多个分业务,根据每个分业务的历史指标数据和第一预测策略确定预设时间段内对应分业务的第一指标结果;根据各个分业务的历史指标数据确定总业务的历史指标数据和每个分业务的历史指标数据占总业务的历史指标数据的百分比,根据总业务的历史指标数据、百分比以及第二预测策略,确定预设时间段内每个分业务的第二指标结果;根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个分业务的第三指标结果;根据预设时间段内各个分业务的第一指标结果、第二指标结果、第三指标结果以及真实结果,确定第一预测策略、第二预测策略和第三预测策略的置信占比,以根据置信占比确定数据分析策略。
根据本发明实施例的技术方案,本发明实施例的数据分析策略的训练方法和数据分析方法,通过获取多个分业务中每个分业务的历史指标数据,根据第一预测策略和第二预测策略分别获得预设时间段内每个分业务的第一指标结果和第二指标结果;根据用户行为数据和用户标签数据,通过第三预测策略,得到预设时间段内每个分业务的第三指标结果;在基于第一预测策略和第二预测策略的基础上,融合用户行为数据进行预测,能够从用户行为出法更加精准的挖掘分业务的变动,实现精细化预测结果调控,摆脱对历史指标数据的严重依赖;根据第一指标结果、第二指标结果、第三指标结果以及真实结果,针对三种预测策略存在的局限性,对三种预测策略的置信占比进行调整,融合三种预测策略的优势,并弥补各自的缺陷,调整得到各预测策略的置信占比,以适应不同时期的模型稳定性变化,得到稳定可靠的数据分析策略,减小了预测结果的误差,提高了预测结果的准确率。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种数据分析策略的训练方法,其特征在于,包括:
针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一指标结果;
根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二指标结果;
根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三指标结果;
根据预设时间段内各个分业务的所述第一指标结果、第二指标结果、第三指标结果以及真实结果,确定所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,以根据所述置信占比确定数据分析策略。
2.根据权利要求1所述的方法,其特征在于,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二指标结果,包括:
根据所述总业务的历史指标数据和第一预测模型确定预设时间段内所述总业务的指标预测结果;
根据所述百分比和第二预测模型确定预设时间段内各个分业务的百分比预测结果;
根据所述总业务的指标预测结果和各个分业务的百分比预测结果确定预设时间段内每个所述分业务的第二指标结果。
3.根据权利要求1所述的方法,其特征在于,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三指标结果,包括:
根据所述用户行为数据、所述用户标签数据以及第三预测模型,确定每个用户对每个分业务的处理时间,根据各个用户对所述分业务的处理时间确定预设时间段内所述分业务的第三指标结果。
4.根据权利要求3所述的方法,其特征在于,根据各个用户对所述分业务的处理时间确定预设时间段内所述分业务的第三指标结果,包括:
获取多个历史周期内与所述预设时间段内对应的各个历史时间段的预测值;
针对每个所述预测值,根据所述预测值以及与所述预测值对应的真实值确定所述预测值占所述真实值的百分比;
根据各个百分比确定平均百分比;
根据各个用户对所述分业务的处理时间和所述平均百分比确定预设时间段内对应分业务的第三指标结果。
5.根据权利要求1所述的方法,其特征在于,确定所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,包括:
预设多个占比参数组合;
针对每个所述占比参数组合,根据所述第一指标结果、第二指标结果、第三指标结果以及所述占比参数组合,确定第四指标结果;根据所述第四指标结果和所述真实结果确定误差率;根据各个分业务的误差率确定总误差率均值,以获得各个总误差率均值;
根据各个总误差率均值从所述多个占比参数组合中筛选出目标占比参数组合,将所述目标占比参数组合作为所述置信占比。
6.根据权利要求5所述的方法,其特征在于,根据所述第一指标结果、第二指标结果、第三指标结果以及所述占比参数组合,确定第四指标结果,包括:
将所述第一指标结果、第二指标结果和第三指标结果进行加权求和,确定所述第四指标结果,其中,加权的权重为所述占比参数组合中的各个占比参数。
7.一种数据分析方法,其特征在于,包括:
针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一目标结果;
根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二目标结果;
根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三目标结果;
根据预设时间段内各个分业务的所述第一目标结果、第二目标结果、第三目标结果以及所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,确定预设时间段内每个所述分业务的目标结果,根据预设时间段内各个所述分业务的目标结果获得预设时间段内所述总业务的目标结果。
8.一种数据分析策略的训练装置,其特征在于,包括:
第一确定模块,针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内所述分业务的第一指标结果;
第二确定模块,根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二指标结果;
第三确定模块,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三指标结果;
第四确定模块,根据预设时间段内各个分业务的所述第一指标结果、第二指标结果、第三指标结果以及真实结果,确定所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,以根据所述置信占比确定数据分析策略。
9.一种数据分析装置,其特征在于,包括:
第一结果确定模块,针对多个分业务,根据每个所述分业务的历史指标数据和第一预测策略,确定预设时间段内对应分业务的第一目标结果;
第二结果确定模块,根据各个分业务的历史指标数据确定总业务的历史指标数据和每个所述分业务的历史指标数据占所述总业务的历史指标数据的百分比,根据所述总业务的历史指标数据、所述百分比以及第二预测策略,确定预设时间段内每个所述分业务的第二目标结果;
第三结果确定模块,根据用户的用户行为数据、用户标签数据以及第三预测策略,确定预设时间段内每个所述分业务的第三目标结果;
第四结果确定模块,根据预设时间段内各个分业务的所述第一目标结果、第二目标结果、第三目标结果以及所述第一预测策略、所述第二预测策略和所述第三预测策略的置信占比,确定预设时间段内每个所述分业务的目标结果,根据预设时间段内各个所述分业务的目标结果获得预设时间段内所述总业务的目标结果。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454683.9A CN118057420A (zh) | 2022-11-21 | 2022-11-21 | 一种数据分析策略的训练方法、数据分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211454683.9A CN118057420A (zh) | 2022-11-21 | 2022-11-21 | 一种数据分析策略的训练方法、数据分析方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118057420A true CN118057420A (zh) | 2024-05-21 |
Family
ID=91069093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211454683.9A Pending CN118057420A (zh) | 2022-11-21 | 2022-11-21 | 一种数据分析策略的训练方法、数据分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118057420A (zh) |
-
2022
- 2022-11-21 CN CN202211454683.9A patent/CN118057420A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836654B2 (en) | On-demand resource scheduling | |
US9949149B2 (en) | Online and distributed optimization framework for wireless analytics | |
CN108810047B (zh) | 用于确定信息推送准确率的方法、装置及服务器 | |
US11989784B1 (en) | Monitored alerts | |
US20160055505A1 (en) | Price elasticity testing | |
CN103636280B (zh) | 基于日历数据的上行带宽和下行带宽的动态优化 | |
CN112561167A (zh) | 出行推荐方法、装置、电子设备及存储介质 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN111044062B (zh) | 路径规划、推荐方法和装置 | |
JP2015167279A (ja) | 必要要員数算出装置、必要要員数算出方法及びプログラム | |
CN112116397A (zh) | 用户行为特征实时处理方法、装置、存储介质及电子设备 | |
CN116388112A (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
CN110826949A (zh) | 产能控制实现方法和装置 | |
CN118057420A (zh) | 一种数据分析策略的训练方法、数据分析方法和装置 | |
CN113780703B (zh) | 一种指标调整方法和装置 | |
US20190166521A1 (en) | Managing bandwidth in mobile telecommunications networks | |
US20220309338A1 (en) | Discrete optimization of configuration attributes | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
CN113626175B (zh) | 数据处理的方法和装置 | |
CN113761343A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN112884497A (zh) | 确定用户类型的方法、装置、电子设备和存储介质 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 | |
US20220253781A1 (en) | Method, device and computer readable storage medium for data processing | |
CN112348587B (zh) | 信息推送方法、装置和电子设备 | |
CN113077072B (zh) | 货量预测的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |