CN118095512A - 调整信息生成方法、装置、电子设备和计算机可读介质 - Google Patents

调整信息生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN118095512A
CN118095512A CN202211434870.0A CN202211434870A CN118095512A CN 118095512 A CN118095512 A CN 118095512A CN 202211434870 A CN202211434870 A CN 202211434870A CN 118095512 A CN118095512 A CN 118095512A
Authority
CN
China
Prior art keywords
sequence
predicted
information
characteristic information
service
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
Application number
CN202211434870.0A
Other languages
English (en)
Inventor
张伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Zhenshi Information Technology Co Ltd
Original Assignee
Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Zhenshi Information Technology Co Ltd filed Critical Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority to CN202211434870.0A priority Critical patent/CN118095512A/zh
Publication of CN118095512A publication Critical patent/CN118095512A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例公开了调整信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取针对目标业务的历史业务特征信息序列、待预测时间段和与待预测时间段相对应的至少一个历史同期业务特征信息序列；根据历史业务特征信息序列，生成针对待预测时间段的第一预测业务特征信息序列；生成至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列的序列系数，得到序列系数序列；生成针对待预测时间段的第二预测业务特征信息序列；根据第一预测业务特征信息序列和第二预测业务特征信息序列，生成调整信息。该实施方式与人工智能有关，可以生成更为精准的调整信息。

Description

调整信息生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及调整信息生成方法、装置、电子设备和计算机可读介质。
背景技术
在业务执行过程中，对业务的业务计划信息进行调整是各领域比较常见的技术手段。对于确定是否对业务计划信息进行调整，通常采用的方式为：首先，获取历史业务数据集。然后，将历史业务数据集输入至未来业务信息预测模型，得到未来业务信息。然后，通过未来业务信息和预先定制的未来业务计划信息之间的比对，生成确定是否要对当前的业务计划信息进行调整的调整信息。
然而，当采用上述方式来确定是否对业务计划信息进行调整，经常会存在如下技术问题：
随着业务的执行和业务环境的不断变化，未来业务计划信息可能存在不切合实际，与实际业务的发展存在较大偏差的问题，导致所生成的调整信息的准确性较低。
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调整信息生成方法、装置、电子设备和计算机可读介质，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调整信息生成方法，包括：获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列，其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段存在时间同期关系；根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列；生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列对应的序列系数，得到序列系数序列；根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列；根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息，其中，上述调整信息表征是否对上述目标业务的业务计划信息进行调整。
可选地，上述历史业务特征信息序列中的历史业务特征信息包括：多个历史业务特征子信息；以及上述根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列，包括：对于上述历史业务特征信息序列中的每个历史业务特征信息，执行向量生成步骤：将上述历史业务特征信息所包括的多个历史业务特征子信息进行去量纲处理，得到去量纲化后信息集；将上述去量纲化后信息集中的每个去量纲化后信息进行词嵌入处理，以生成词嵌入向量，得到词嵌入向量集；根据所得到词嵌入向量集序列，生成上述第一预测业务特征信息序列。
可选地，上述待预测时间段包括：待预测时间序列；以及上述根据所得到词嵌入向量集序列，生成上述第一预测业务特征信息序列，包括：对于待预测时间序列中的每个待预测时间，执行第一预测业务特征信息序列生成步骤：响应于上述待预测时间在待预测时间序列中的序列位置为初始位置，获取表征上述待预测时间是否为目标预设节日的时间信息；根据上述时间信息和上述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息；对第一预测业务特征信息所包括的多个预测业务特征子信息进行向量转换处理，得到业务特征信息向量集；将业务特征信息向量集作为词嵌入向量集，添加至上述词嵌入向量集序列，得到添加后词嵌入向量集序列；从待预测时间序列中去除对应的序列位置为上述初始位置的对应待预测时间，得到去除后的待预测时间序列；响应于确定去除后的待预测时间序列为空序列，根据所得到的至少一个第一预测业务特征信息和每个第一预测业务特征信息的生成顺序，生成上述第一预测业务特征信息序列；响应于确定去除后的待预测时间序列不是空序列，将上述去除后的待预测时间序列作为待预测时间序列，以及将上述添加后词嵌入向量集序列作为词嵌入向量集序列，继续执行上述第一预测业务特征信息序列生成步骤。
可选地，上述根据上述时间信息和上述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息，包括：响应于确定上述时间信息表征上述待预测时间不是上述目标预设节日，从上述词嵌入向量集序列中去除对应时间为上述目标预设节日的词嵌入向量集，得到去除后的词嵌入向量集序列；将去除后的词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
可选地，上述根据上述时间信息和上述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息，包括：响应于确定时间信息表征上述待预测时间为目标预设节日，将词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
可选地，上述根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列，包括：将上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息与上述序列系数序列中的序列系数进行对应相乘，得到相乘结果集序列；对上述相乘结果集序列中的每个相乘结果进行词嵌入处理，以生成历史同期向量，得到历史同期向量集序列；将上述相乘结果集序列中的每个相乘结果集所包括的相乘结果进行相加，以生成相加结果，得到相加结果序列，作为上述第二预测业务特征信息序列。
可选地，上述根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息，包括：根据上述第二预测业务特征信息序列，利用预先训练的回归模型，生成第三预测业务特征信息序列；对于上述第三预测业务特征信息序列中的每个第三预测业务特征信息，执行信息差生成步骤：确定第一目标预测业务特征信息，其中，上述第一目标预测业务特征信息是与上述第三预测业务特征信息对应时间相同的第一预测业务特征信息；将上述第三预测业务特征信息减去上述第一目标预测业务特征信息，得到相减信息，作为信息差；根据所得到的信息差序列，生成上述调整信息。
第二方面，本公开的一些实施例提供了一种调整信息生成装置，包括：获取单元，被配置成获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列，其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段存在时间同期关系；第一生成单元，被配置成根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列；第二生成单元，被配置成生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列对应的序列系数，得到序列系数序列；第三生成单元，被配置成根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列；第四生成单元，被配置成根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息，其中，上述调整信息表征是否对上述目标业务的业务计划信息进行调整。
可选地，上述历史业务特征信息序列中的历史业务特征信息包括：多个历史业务特征子信息；以及第一生成单元可以被配置成：对于上述历史业务特征信息序列中的每个历史业务特征信息，执行向量生成步骤：将上述历史业务特征信息所包括的多个历史业务特征子信息进行去量纲处理，得到去量纲化后信息集；将上述去量纲化后信息集中的每个去量纲化后信息进行词嵌入处理，以生成词嵌入向量，得到词嵌入向量集；根据所得到词嵌入向量集序列，生成上述第一预测业务特征信息序列。
可选地，上述待预测时间段包括：待预测时间序列；以及第一生成单元可以被配置成：对于待预测时间序列中的每个待预测时间，执行第一预测业务特征信息序列生成步骤：响应于上述待预测时间在待预测时间序列中的序列位置为初始位置，获取表征上述待预测时间是否为目标预设节日的时间信息；根据上述时间信息和上述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息；对第一预测业务特征信息所包括的多个预测业务特征子信息进行向量转换处理，得到业务特征信息向量集；将业务特征信息向量集作为词嵌入向量集，添加至上述词嵌入向量集序列，得到添加后词嵌入向量集序列；从待预测时间序列中去除对应的序列位置为上述初始位置的对应待预测时间，得到去除后的待预测时间序列；响应于确定去除后的待预测时间序列为空序列，根据所得到的至少一个第一预测业务特征信息和每个第一预测业务特征信息的生成顺序，生成上述第一预测业务特征信息序列；响应于确定去除后的待预测时间序列不是空序列，将上述去除后的待预测时间序列作为待预测时间序列，以及将上述添加后词嵌入向量集序列作为词嵌入向量集序列，继续执行上述第一预测业务特征信息序列生成步骤。
可选地，第一生成单元可以被配置成：响应于确定上述时间信息表征上述待预测时间不是上述目标预设节日，从上述词嵌入向量集序列中去除对应时间为上述目标预设节日的词嵌入向量集，得到去除后的词嵌入向量集序列；将去除后的词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
可选地，第一生成单元可以被配置成：响应于确定时间信息表征上述待预测时间为目标预设节日，将词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
可选地，第三生成单元可以被配置成：将上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息与上述序列系数序列中的序列系数进行对应相乘，得到相乘结果集序列；对上述相乘结果集序列中的每个相乘结果进行词嵌入处理，以生成历史同期向量，得到历史同期向量集序列；将上述相乘结果集序列中的每个相乘结果集所包括的相乘结果进行相加，以生成相加结果，得到相加结果序列，作为上述第二预测业务特征信息序列。
可选地，第四生成单元可以被配置成：确定上述第二预测业务特征信息序列对应的趋势系数序列；根据上述第二预测业务特征信息序列，利用预先训练的回归模型，生成第三预测业务特征信息序列；对于上述第三预测业务特征信息序列中的每个第三预测业务特征信息，执行信息差生成步骤：确定第一目标预测业务特征信息，其中，上述第一目标预测业务特征信息是与上述第三预测业务特征信息对应时间相同的第一预测业务特征信息；将上述第三预测业务特征信息减去上述第一目标预测业务特征信息，得到相减信息，作为信息差；根据所得到的信息差序列，生成上述调整信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
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调整信息生成方法可以生成更为精准的调整信息。具体来说，造成调整信息不够精准的原因在于：随着业务的执行和业务环境的不断变化，未来业务计划信息可能存在不切合实际，与实际业务的发展存在较大偏差的问题，导致所生成的调整信息的准确性较低。基于此，本公开的一些实施例的调整信息生成方法，首先，获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列。其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段存在时间同期关系。然后，根据上述历史业务特征信息序列，可以准确地生成针对上述待预测时间段的第一预测业务特征信息序列。接着，生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列的序列系数，得到序列系数序列。在这里，针对目标业务，序列系数可以作为历史同期业务特征信息的权重系数，以后续生成更能表征目标业务的业务特征信息变化的第二预测业务特征信息序列。进而，根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，可以准确地生成针对上述待预测时间段的第二预测业务特征信息序列。在这里，所得到第二预测业务特征信息序列可以更有效地表征目标业务的发展变换。最后，通过第一预测业务特征信息序列和第二预测业务特征信息序列之间的比对，可以生成更精准地调整信息。以此，针对该调整信息，可以实时、高效地对目标业务的执行策略进行调整。
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1-3是根据本公开的一些实施例的调整信息生成方法的一个应用场景的示意图；
图4是根据本公开的调整信息生成方法的一些实施例的流程图；
图5是根据本公开的调整信息生成方法的另一些实施例的流程图；
图6是根据本公开的调整信息生成装置的一些实施例的结构示意图；
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
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1-3是根据本公开一些实施例的调整信息生成方法的一个应用场景的示意图。
在图1-3的应用场景中，首先，电子设备101可以获取针对目标业务102的历史业务特征信息序列103、待预测时间段105和与上述待预测时间段105相对应的至少一个历史同期业务特征信息序列。其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段105存在时间同期关系。在本应用场景中，目标业务102可以是“物流配送业务”。历史业务特征信息序列103可以包括：历史业务特征信息1031和历史业务特征信息1032。上述历史业务特征信息1031可以包括：“价格：12元”，“成本：10元”和“业务资源消耗信息：101个”。上述历史业务特征信息1032可以包括：“价格：14元”，“成本：12元”和“业务资源消耗信息：121个”。待预测时间段105可以是“2011年11月01日-2011年11月02日”。至少一个历史同期业务特征信息序列包括：历史同期业务特征信息序列106和历史同期业务特征信息序列107。历史同期业务特征信息序列106包括：历史同期业务特征信息1061和历史同期业务特征信息1062。历史同期业务特征信息1061可以包括：“价格：11元”，“成本：9元”和“业务资源消耗信息：311个”。历史同期业务特征信息1062可以包括：“价格：24元”，“成本：22元”和“业务资源消耗信息：321个”。历史同期业务特征信息1071可以包括：“价格：10元”，“成本：9元”和“业务资源消耗信息：321个”。历史同期业务特征信息1072可以包括：“价格：14元”，“成本：12元”和“业务资源消耗信息：231个”。历史同期业务特征信息序列106对应的时间段为时间段108。时间段108可以是“2009年11月01日-2009年11月02日”。历史同期业务特征信息序列107对应的时间段为时间段109。时间段109可以是“2010年11月01日-2010年11月02日”。时间段108、时间段109和待预测时间段105之间可以是时间同期关系。然后，电子设备101可以根据上述历史业务特征信息103，生成针对上述待预测时间段105的第一预测业务特征信息序列104。在本应用场景中，第一预测业务特征信息序列104可以包括：第一预测业务特征信息1041和第一预测业务特征信息1042。上述第一预测业务特征信息1041可以包括：“价格：11元”，“成本：9元”和“业务资源消耗信息：101个”。上述第一预测业务特征信息1042可以包括：“价格：14元”，“成本：10元”和“业务资源消耗信息：124个”。接着，电子设备101可以生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列对应的序列系数，得到序列系数序列110。在本应用场景中，序列系数序列110可以包括：与历史同期业务特征信息序列106对应的序列系数1101，与历史同期业务特征信息序列107对应的序列系数1102。序列系数1101可以是“0.4”。序列系数1102可以是“0.6”。进而，电子设备101可以根据上述至少一个历史同期业务特征信息序列和上述序列系数序列110，生成针对上述待预测时间段105的第二预测业务特征信息序列111。在本应用场景中，第二预测业务特征信息序列111可以包括：第二预测业务特征信息1111和第二预测业务特征信息1112。第二预测业务特征信息1111可以包括：“价格：12元”，“成本：7元”和“业务资源消耗信息：121个”。第二预测业务特征信息1112可以包括：“价格：18元”，“成本：12元”和“业务资源消耗信息：221个”。最后，电子设备101可以根据上述第一预测业务特征信息序列104和上述第二预测业务特征信息序列111，生成调整信息112。其中，上述调整信息表征是否对上述目标业务的业务计划信息进行调整。在本应用场景中，上述调整信息112可以包括：“价格策略调整”，“成本策略调整”和“业务资源消耗信息策略不调整”。
需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的电子设备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电子设备。
继续参考图4，示出了根据本公开的调整信息生成方法的一些实施例的流程400。该调整信息生成方法，包括以下步骤：
步骤401，获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列。
在一些实施例中，上述调整信息生成方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列。其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段存在时间同期关系。其中，目标业务可以是待确定是否进行业务计划调整的业务。业务计划可以是目标业务在预定时间段内的业务规划信息。例如，目标业务可以是物品配送业务。上述历史业务特征信息序列可以是目标业务在历史时间段内的业务特征信息。上述业务特征信息可以是目标业务的特征信息。具体地，业务特征信息可以包括多个业务特征子信息。例如，业务特征子信息可以是但不限于以下至少一项：目标业务的价格，目标业务的业务资源消耗信息，目标业务的成本。上述业务资源消耗信息可以是目标业务执行过程中所使用的业务设备的数目。业务计划可以包括：未来一个月时间内，业务价格保持为“12元”。历史同期业务特征信息序列为对应时间段与待预测时间段为同期关系的历史特征信息。例如，待预测时间段为“2011年11月1日-2011年11月30日”。至少一个历史同期业务特征信息序列对应的各个同期时间段包括：“2010年11月1日-2010年11月30日”、“2009年11月1日-2009年11月30日”和“2008年11月1日-2008年11月30日”。
步骤402，根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列。
在一些实施例中，上述执行主体可以根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列。其中，第一预测业务特征信息序列为待预测时间段的业务特征预测信息。例如，待预测时间段为“2011年11月1日-2011年11月30日”。第一预测业务特征信息序列包括：“2011年11月1日”对应的业务特征预测信息，“2011年11月2日”对应的业务特征预测信息，…，“2011年11月30日”对应的业务特征预测信息。
作为示例，首先，上述执行主体可以对历史业务特征信息序列中的每个历史业务特征信息进行词嵌入处理，以生成历史业务特征向量，得到历史业务特征向量集。然后，将历史业务特征向量集输入至预先训练的第一业务特征信息预测模型，得到针对上述待预测时间段的第一预测业务特征信息序列。其中，上述第一业务特征信息预测模型可以是但不限于以下任意一项：长短期记忆网络(LSTM，Long Short-Term Memory)，循环神经网络(Recurrent Neural Network,RNN)。
在一些实施例的一些可选的实现方式中，上述历史业务特征信息序列中的历史业务特征信息包括：多个历史业务特征子信息。例如，历史业务特征子信息可以是但不限于以下至少一项：目标业务的价格，目标业务的业务资源消耗信息，目标业务的成本。上述根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列，可以包括以下步骤：
第一步，对于上述历史业务特征信息序列中的每个历史业务特征信息，执行向量生成步骤：
第一子步骤，上述执行主体可以将上述历史业务特征信息所包括的多个历史业务特征子信息进行去量纲处理，得到去量纲化后信息集。
作为示例，上述执行主体可以将上述历史业务特征信息所包括的多个历史业务特征子信息进行标准化处理，得到标准化处理后信息集，作为去量纲化后信息集。
第二子步骤，上述执行主体可以将上述去量纲化后信息集中的每个去量纲化后信息进行词嵌入处理，以生成词嵌入向量，得到词嵌入向量集。
作为示例，上述执行主体可以将上述去量纲化后信息集中的每个去量纲化后信息输入至词嵌入(Word2vec)模型，以生成词嵌入向量，得到词嵌入向量集。
第二步，上述执行主体可以根据所得到词嵌入向量集序列，生成上述第一预测业务特征信息序列。
作为示例，上述执行主体可以将词嵌入向量集序列输入至预先训练的第二业务特征信息预测模型，以生成上述第一预测业务特征信息序列。其中，第二业务特征信息预测模型与第一业务特征信息预测模型的模型结构可以一致，第二业务特征信息预测模型与第一业务特征信息预测模型的模型参数可以不同。上述第一业务特征信息预测模型可以是但不限于以下至少一项：长短期记忆网络，循环神经网络。
可选地，上述待预测时间段包括：待预测时间序列。例如，待预测时间段为“2011年11月1日-2011年11月30日”。则待预测时间序列为[“2011年11月1日”，“2011年11月2日”，2011年11月3日，…，“2011年11月30日”]。以及上述根据所得到词嵌入向量集序列，生成上述第一预测业务特征信息序列，可以包括以下步骤：
第一步，对于待预测时间序列中的每个待预测时间，执行第一预测业务特征信息序列生成步骤：
第一子步骤，响应于上述待预测时间在待预测时间序列中的序列位置为初始位置，上述执行主体可以获取表征上述待预测时间是否为目标预设节日的时间信息。其中，初始位置为待预测时间序列中目标待预测时间所处的序列位置。目标待预测时间可以是待预测时间序列中时间最早的待预测时间。例如，目标预设节日可以是“教师节”。针对待预测时间序列为[“2011年11月1日”，“2011年11月2日”，2011年11月3日，…，“2011年11月30日”]，目标待预测时间为“2011年11月1日”。
第二子步骤，上述执行主体可以根据上述时间信息和上述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息。
作为示例，首先上述执行主体可以将时间信息转换为时间向量。其中，时间信息与时间向量之间的向量转换可以是预先设置的。然后，将时间向量和词嵌入向量集序列输入至预先训练的第三业务特征信息预测模型，得到初始位置对应的第一预测业务特征信息。其中，第三业务特征信息预测模型可以是Transformer模型。
第三子步骤，上述执行主体可以对第一预测业务特征信息所包括的多个预测业务特征子信息进行向量转换处理，得到业务特征信息向量集。
作为示例，上述执行主体可以第一预测业务特征信息所包括的多个预测业务特征子信息输入至词嵌入模型，得到业务特征信息向量集。
第四子步骤，上述执行主体可以将业务特征信息向量集作为词嵌入向量集，添加至上述词嵌入向量集序列，得到添加后词嵌入向量集序列。
作为示例，上述执行主体可以将业务特征信息向量集作为词嵌入向量集，添加至上述词嵌入向量集序列的最后一个序列位置，得到添加后词嵌入向量集序列。
第五子步骤，上述执行主体可以从待预测时间序列中去除对应的序列位置为上述初始位置的对应待预测时间，得到去除后的待预测时间序列。
例如，待预测时间序列为[“2011年11月1日”，“2011年11月2日”，2011年11月3日，…，“2011年11月30日”]。初始位置的待预测时间为“2011年11月1日”。则去除后的待预测时间序列为[“2011年11月2日”，2011年11月3日，…，“2011年11月30日”]。
第六子步骤，响应于确定去除后的待预测时间序列为空序列，上述执行主体可以根据所得到的至少一个第一预测业务特征信息和每个第一预测业务特征信息的生成顺序，生成上述第一预测业务特征信息序列。
作为示例，响应于确定去除后的待预测时间序列为空序列，依据每个第一预测业务特征信息的生成顺序，上述执行主体可以依次将至少一个预测业务特征信息添加至预先建立的空序列，得到上述第一预测业务特征信息序列。
第二步，响应于确定去除后的待预测时间序列不是空序列，上述执行主体可以将上述去除后的待预测时间序列作为待预测时间序列，以及将上述添加后词嵌入向量集序列作为词嵌入向量集序列，继续执行上述第一预测业务特征信息序列生成步骤。
可选地，上述根据上述时间信息和上述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息，可以包括以下步骤：
第一步，响应于确定上述时间信息表征上述待预测时间不是上述目标预设节日，上述执行主体可以从上述词嵌入向量集序列中去除对应时间为上述目标预设节日的词嵌入向量集，得到去除后的词嵌入向量集序列。
第二步，上述执行主体可以将去除后的词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。其中，时序神经网络可以是以下之一：长短期记忆网络，循环神经网络。
可选地，响应于确定时间信息表征上述待预测时间为目标预设节日，上述执行主体可以将词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
步骤403，生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列对应的序列系数，得到序列系数序列。
在一些实施例中，上述执行主体可以生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列的序列系数，得到序列系数序列。其中，序列系数可以表征历史同期业务特征信息序列相对于待预测时间段内业务特征信息序列的重要程度。上述序列系数的取值范围可以是[0，1]。
作为示例，上述执行主体可以将至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列输入至预先训练的序列系数生成模型，以生成序列系数，得到序列系数序列。其中，序列系数生成模型可以是Transformer模型。
步骤404，根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列。
在一些实施例中，上述执行主体可以根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列。
作为示例，首先，上述执行主体可以将上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列与对应的系数进行相乘，以生成相乘后业务特征信息序列，得到至少一个相乘后业务特征信息序列。然后，上述执行主体可以将上述至少一个相乘后业务特征信息序列输入至预先训练的业务特征信息预测模型，以生成第二预测业务特征信息序列。其中，上述业务特征信息预测模型可以是长短期记忆网络(LSTM，Long Short-Term Memory)模型。
在一些实施例的一些可选的实现方式中，上述根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列，可以包括以下步骤：
第一步，上述执行主体可以将上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息与上述序列系数序列中的序列系数进行对应相乘，得到相乘结果集序列。
第二步，上述执行主体可以对上述相乘结果集序列中的每个相乘结果进行词嵌入处理，以生成历史同期向量，得到历史同期向量集序列。
作为示例，上述执行主体可以将上述相乘结果集序列中的每个相乘结果输入至词嵌入模型，以生成历史同期向量，得到历史同期向量集序列。
第三步，上述执行主体可以将上述相乘结果集序列中的每个相乘结果集所包括的相乘结果进行相加，以生成相加结果，得到相加结果序列，作为上述第二预测业务特征信息序列。
步骤405，根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息。
在一些实施例中，上述执行主体可以根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息。上述调整信息表征是否对上述目标业务的业务计划信息进行调整。其中，业务计划信息可以是针对目标业务的各个业务特征来规划的信息。即业务计划信息包括多个业务特征规划信息。例如，上述业务计划信息可以包括：业务价格规划信息，业务成本规划信息。则对应调整信息可以表征多个业务特征规划信息的调整。
作为示例，上述执行主体可以根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息，包括以下步骤：
第一步，对于多个业务特征子信息中的每个业务特征子信息，执行调整子信息生成步骤：
第一子步骤，上述执行主体可以通过信息筛选的方式，从第一预测业务特征信息序列筛选出针对上述业务特征子信息的第一业务特征子信息序列。
第二子步骤，上述执行主体可以通过信息筛选的方式，从第二预测业务特征信息序列筛选出针对上述业务特征子信息的第二业务特征子信息序列。
第三子步骤，上述执行主体可以确定上述第一业务特征子信息序列所包括的第一业务特征子信息的平均值，作为第一业务特征子信息平均值。
第四子步骤，上述执行主体可以确定上述第二业务特征子信息序列所包括的第二业务特征子信息的平均值，作为第二业务特征子信息平均值。
第五子步骤，上述执行主体可以让第一业务特征子信息平均值减去第二业务特征子信息平均值，得到相减信息。
第六子步骤，上述执行主体可以确定上述业务特征子信息对应的调整阈值。其中，上述业务特征子信息对应的调整阈值可以是预先设置的。
第七子步骤，响应于确定上述相减信息大于调整数值，上述执行主体可以生成调整子信息。其中，调整子信息可以表征是否对上述业务特征子信息对应业务特征规划信息进行调整的信息。
第二步，上述执行主体可以将所得到的、针对多个业务特征子信息的调整子信息集进行信息组合，得到调整信息。
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调整信息生成方法可以生成更为精准的调整信息。具体来说，造成调整信息不够精准的原因在于：随着业务的执行和业务环境的不断变化，未来业务计划信息可能存在不切合实际，与实际业务的发展存在较大偏差的问题，导致所生成的调整信息的准确性较低。基于此，本公开的一些实施例的调整信息生成方法，首先，获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列。其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段存在时间同期关系。然后，根据上述历史业务特征信息序列，可以准确地生成针对上述待预测时间段的第一预测业务特征信息序列。接着，生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列的序列系数，得到序列系数序列。在这里，针对目标业务，序列系数可以作为历史同期业务特征信息的权重系数，以后续生成更能表征目标业务的业务特征信息变化的第二预测业务特征信息序列。进而，根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，可以准确地生成针对上述待预测时间段的第二预测业务特征信息序列。在这里，所得到第二预测业务特征信息序列可以更有效地表征目标业务的发展变换。最后，通过第一预测业务特征信息序列和第二预测业务特征信息序列之间的比对，可以生成更精准地调整信息。以此，针对该调整信息，可以实时、高效地对目标业务的执行策略进行调整。
进一步参考图5，示出了根据本公开的调整信息生成方法的另一些实施例的流程500。该调整信息生成方法，包括以下步骤：
步骤501，获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列。
步骤502，根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列。
步骤503，生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列的序列系数，得到序列系数序列。
在一些实施例中，步骤501-503的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤401-403，在此不再赘述。
步骤504，根据上述第二预测业务特征信息序列，利用预先训练的回归模型，生成第三预测业务特征信息序列。
在一些实施例中，执行主体(例如图1所示的电子设备101)可以根据上述第二预测业务特征信息序列，利用预先训练的回归模型，生成第三预测业务特征信息序列。其中，第二预测业务特征信息序列中的第二预测业务特征信息和趋势系数序列中的趋势系数是一一对应的。上述回归模型可以是用于确定未来时间下预测业务特征信息的模型。例如，回归模型可以是线性回归模型。
作为示例，上述执行主体可以将第二预测业务特征信息序列输入至线性回归模型，以依次生成第三预测业务特征信息，得到第三预测业务特征信息序列。
步骤505，对于上述第三预测业务特征信息序列中的每个第三预测业务特征信息，执行信息差生成步骤：
步骤5051，确定第一目标预测业务特征信息。
在一些实施例中，上述执行主体可以确定第一目标预测业务特征信息。其中，上述第一目标预测业务特征信息是与上述第三预测业务特征信息对应时间相同的第一预测业务特征信息。
步骤5052，将上述第三预测业务特征信息减去上述第一目标预测业务特征信息，得到相减信息，作为信息差。
在一些实施例中，上述执行主体可以将上述第三预测业务特征信息减去上述第一目标预测业务特征信息，得到相减信息，作为信息差。其中，相减信息可以包括多个业务特征子信息的相减特征信息。上述信息差可以表征第三预测业务特征信息中多个业务特征子信息与第一预测业务特征信息中多个业务特征子信息的各个差别。例如，第三预测业务特征信息可以为“价格：12元”，“成本：11元”和“业务资源消耗信息：351个”。第一目标预测业务特征信息可以为“价格：8元”，“成本：7元”和“业务资源消耗信息：451个”。则信息差可以为“价格：4”，“成本：3”和“业务资源消耗信息：-100”。
作为示例，首先，上述执行主体可以依据对应业务特征子信息，将多个第三预测业务特征子信息对应减去多个第三预测业务特征子信息，得到多个业务特征子信息对应的相减信息集。其中，多个第三预测业务特征子信息为第三预测业务特征信息中的、与多个业务特征子信息相对应的特征信息。多个第一预测业务特征子信息为第一预测业务特征信息中的、与多个业务特征子信息相对应的特征信息。然后，上述执行主体可以将相减信息集进行组合，得到组合信息，作为信息差。
步骤506，根据所得到的信息差序列，生成上述调整信息。
在一些实施例中，上述执行主体可以根据所得到的信息差序列，生成上述调整信息。
作为示例，首先，上述执行主体可以从信息差序列中筛选出与目标业务特征子信息相对应的业务特征子信息序列。例如，信息差序列为{“价格：2”，“成本：1”和“业务资源消耗信息：-130”，“价格：5”，“成本：1”和“业务资源消耗信息：130”，“价格：4”，“成本：3”和“业务资源消耗信息：-100”}。针对目标业务特征子信息为“价格”，则业务特征子信息差序列为[2，5，4]。针对目标业务特征子信息为“成本”，则业务特征子信息差序列为[1，1，3]。针对目标业务特征子信息为“业务资源消耗信息”，则业务特征子信息差序列为[-130，130，-100]。然后，响应于确定业务特征子信息序列中的最大值大于词相对应的调整阈值，上述执行主体可以对目标业务特征子信息对应的业务特征规划信息进行调整，得到针对目标业务特征子信息的调整子信息。例如，针对目标业务特征子信息为“价格”，业务特征子信息序列中的最大值为5，且“价格”对应的调整阈值为“4”，则生成对“价格”对应的业务特征规划信息进行调整的调整子信息。
从图5中可以看出，与图4对应的一些实施例的描述相比，图5对应的一些实施例中的调整信息生成方法的流程500更加突出了生成调整信息的具体步骤。由此，这些实施例描述的方案通过生成第三预测业务特征信息序列，以及通过第三预测业务特征信息序列与第一预测业务特征信息序列，可以生成更为精准地调整信息。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种调整信息生成装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一种调整信息生成装置600包括：获取单元601、第一生成单元602、第二生成单元603、第三生成单元604和第四生成单元605。其中，获取单元601，被配置成获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列，其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段存在时间同期关系；第一生成单元602，被配置成根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列；第二生成单元603，被配置成生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列对应的序列系数，得到序列系数序列；第三生成单元604，被配置成根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列；第四生成单元605，被配置成根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息，其中，上述调整信息表征是否对上述目标业务的业务计划信息进行调整。
在一些实施例的一些可选的实现方式中，上述历史业务特征信息序列中的历史业务特征信息包括：多个历史业务特征子信息；以及上述第一生成单元602可以进一步被配置成：对于上述历史业务特征信息序列中的每个历史业务特征信息，执行向量生成步骤：将上述历史业务特征信息所包括的多个历史业务特征子信息进行去量纲处理，得到去量纲化后信息集；将上述去量纲化后信息集中的每个去量纲化后信息进行词嵌入处理，以生成词嵌入向量，得到词嵌入向量集；根据所得到词嵌入向量集序列，生成上述第一预测业务特征信息序列。
在一些实施例的一些可选的实现方式中，上述待预测时间段包括：待预测时间序列；以及上述第一生成单元602可以进一步被配置成：对于待预测时间序列中的每个待预测时间，执行第一预测业务特征信息序列生成步骤：响应于上述待预测时间在待预测时间序列中的序列位置为初始位置，获取表征上述待预测时间是否为目标预设节日的时间信息；根据上述时间信息和上述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息；对第一预测业务特征信息所包括的多个预测业务特征子信息进行向量转换处理，得到业务特征信息向量集；将业务特征信息向量集作为词嵌入向量集，添加至上述词嵌入向量集序列，得到添加后词嵌入向量集序列；从待预测时间序列中去除对应的序列位置为上述初始位置的对应待预测时间，得到去除后的待预测时间序列；响应于确定去除后的待预测时间序列为空序列，根据所得到的至少一个第一预测业务特征信息和每个第一预测业务特征信息的生成顺序，生成上述第一预测业务特征信息序列；响应于确定去除后的待预测时间序列不是空序列，将上述去除后的待预测时间序列作为待预测时间序列，以及将上述添加后词嵌入向量集序列作为词嵌入向量集序列，继续执行上述第一预测业务特征信息序列生成步骤。
在一些实施例的一些可选的实现方式中，上述第一生成单元602可以进一步被配置成：响应于确定上述时间信息表征上述待预测时间不是上述目标预设节日，从上述词嵌入向量集序列中去除对应时间为上述目标预设节日的词嵌入向量集，得到去除后的词嵌入向量集序列；将去除后的词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
在一些实施例的一些可选的实现方式中，上述第一生成单元602可以进一步被配置成：响应于确定时间信息表征上述待预测时间为目标预设节日，将词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
在一些实施例的一些可选的实现方式中，上述第三生成单元604可以进一步被配置成：将上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息与上述序列系数序列中的序列系数进行对应相乘，得到相乘结果集序列；对上述相乘结果集序列中的每个相乘结果进行词嵌入处理，以生成历史同期向量，得到历史同期向量集序列；将上述相乘结果集序列中的每个相乘结果集所包括的相乘结果进行相加，以生成相加结果，得到相加结果序列，作为上述第二预测业务特征信息序列。
在一些实施例的一些可选的实现方式中，上述第四生成单元605可以进一步被配置成：根据上述第二预测业务特征信息序列，利用预先训练的回归模型，生成第三预测业务特征信息序列；对于上述第三预测业务特征信息序列中的每个第三预测业务特征信息，执行信息差生成步骤：确定第一目标预测业务特征信息，其中，上述第一目标预测业务特征信息是与上述第三预测业务特征信息对应时间相同的第一预测业务特征信息；将上述第三预测业务特征信息减去上述第一目标预测业务特征信息，得到相减信息，作为信息差；根据所得到的信息差序列，生成上述调整信息。
可以理解的是，该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备101)700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口605也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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该电子设备执行时，使得该电子设备：获取针对目标业务的历史业务特征信息序列、待预测时间段和与上述待预测时间段相对应的至少一个历史同期业务特征信息序列，其中，历史同期业务特征信息序列对应的历史时间段与上述待预测时间段存在时间同期关系；根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列；生成上述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列的序列系数，得到序列系数序列；根据上述至少一个历史同期业务特征信息序列和上述序列系数序列，生成针对上述待预测时间段的第二预测业务特征信息序列；根据上述第一预测业务特征信息序列和上述第二预测业务特征信息序列，生成调整信息，其中，上述调整信息表征是否对上述目标业务的业务计划信息进行调整。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、第二生成单元、第三生成单元和第四生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一生成单元还可以被描述为“根据上述历史业务特征信息序列，生成针对上述待预测时间段的第一预测业务特征信息序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种调整信息生成方法，包括：
获取针对目标业务的历史业务特征信息序列、待预测时间段和与所述待预测时间段相对应的至少一个历史同期业务特征信息序列，其中，历史同期业务特征信息序列对应的历史时间段与所述待预测时间段存在时间同期关系；
根据所述历史业务特征信息序列，生成针对所述待预测时间段的第一预测业务特征信息序列；
生成所述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列对应的序列系数，得到序列系数序列；
根据所述至少一个历史同期业务特征信息序列和所述序列系数序列，生成针对所述待预测时间段的第二预测业务特征信息序列；
根据所述第一预测业务特征信息序列和所述第二预测业务特征信息序列，生成调整信息，其中，所述调整信息表征是否对所述目标业务的业务计划信息进行调整。
2.根据权利要求1所述的方法，其中，所述历史业务特征信息序列中的历史业务特征信息包括：多个历史业务特征子信息；以及
所述根据所述历史业务特征信息序列，生成针对所述待预测时间段的第一预测业务特征信息序列，包括：
对于所述历史业务特征信息序列中的每个历史业务特征信息，执行向量生成步骤：
将所述历史业务特征信息所包括的多个历史业务特征子信息进行去量纲处理，得到去量纲化后信息集；
将所述去量纲化后信息集中的每个去量纲化后信息进行词嵌入处理，以生成词嵌入向量，得到词嵌入向量集；
根据所得到词嵌入向量集序列，生成所述第一预测业务特征信息序列。
3.根据权利要求2所述的方法，其中，所述待预测时间段包括：待预测时间序列；以及
所述根据所得到词嵌入向量集序列，生成所述第一预测业务特征信息序列，包括：
对于待预测时间序列中的每个待预测时间，执行第一预测业务特征信息序列生成步骤：
响应于所述待预测时间在待预测时间序列中的序列位置为初始位置，获取表征所述待预测时间是否为目标预设节日的时间信息；
根据所述时间信息和所述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息；
对第一预测业务特征信息所包括的多个预测业务特征子信息进行向量转换处理，得到业务特征信息向量集；
将业务特征信息向量集作为词嵌入向量集，添加至所述词嵌入向量集序列，得到添加后词嵌入向量集序列；
从待预测时间序列中去除对应的序列位置为所述初始位置的对应待预测时间，得到去除后的待预测时间序列；
响应于确定去除后的待预测时间序列为空序列，根据所得到的至少一个第一预测业务特征信息和每个第一预测业务特征信息的生成顺序，生成所述第一预测业务特征信息序列；
响应于确定去除后的待预测时间序列不是空序列，将所述去除后的待预测时间序列作为待预测时间序列，以及将所述添加后词嵌入向量集序列作为词嵌入向量集序列，继续执行所述第一预测业务特征信息序列生成步骤。
4.根据权利要求3所述的方法，其中，所述根据所述时间信息和所述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息，包括：
响应于确定所述时间信息表征所述待预测时间不是所述目标预设节日，从所述词嵌入向量集序列中去除对应时间为所述目标预设节日的词嵌入向量集，得到去除后的词嵌入向量集序列；
将去除后的词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
5.根据权利要求3所述的方法，其中，所述根据所述时间信息和所述词嵌入向量集序列，生成初始位置对应的第一预测业务特征信息，包括：
响应于确定时间信息表征所述待预测时间为目标预设节日，将词嵌入向量集序列输入至预先训练的时序神经网络，得到初始位置对应的第一预测业务特征信息。
6.根据权利要求1所述的方法，其中，所述根据所述至少一个历史同期业务特征信息序列和所述序列系数序列，生成针对所述待预测时间段的第二预测业务特征信息序列，包括：
将所述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息与所述序列系数序列中的序列系数进行对应相乘，得到相乘结果集序列；
对所述相乘结果集序列中的每个相乘结果进行词嵌入处理，以生成历史同期向量，得到历史同期向量集序列；
将所述相乘结果集序列中的每个相乘结果集所包括的相乘结果进行相加，以生成相加结果，得到相加结果序列，作为所述第二预测业务特征信息序列。
7.根据权利要求1所述的方法，其中，所述根据所述第一预测业务特征信息序列和所述第二预测业务特征信息序列，生成调整信息，包括：
根据所述第二预测业务特征信息序列，利用预先训练的回归模型，生成第三预测业务特征信息序列；
对于所述第三预测业务特征信息序列中的每个第三预测业务特征信息，执行信息差生成步骤：
确定第一目标预测业务特征信息，其中，所述第一目标预测业务特征信息是与所述第三预测业务特征信息对应时间相同的第一预测业务特征信息；
将所述第三预测业务特征信息减去所述第一目标预测业务特征信息，得到相减信息，作为信息差；
根据所得到的信息差序列，生成所述调整信息。
8.一种调整信息生成装置，包括：
获取单元，被配置成获取针对目标业务的历史业务特征信息序列、待预测时间段和与所述待预测时间段相对应的至少一个历史同期业务特征信息序列，其中，历史同期业务特征信息序列对应的历史时间段与所述待预测时间段存在时间同期关系；
第一生成单元，被配置成根据所述历史业务特征信息序列，生成针对所述待预测时间段的第一预测业务特征信息序列；
第二生成单元，被配置成生成所述至少一个历史同期业务特征信息序列中的每个历史同期业务特征信息序列对应的序列系数，得到序列系数序列；
第三生成单元，被配置成根据所述至少一个历史同期业务特征信息序列和所述序列系数序列，生成针对所述待预测时间段的第二预测业务特征信息序列；
第四生成单元，被配置成根据所述第一预测业务特征信息序列和所述第二预测业务特征信息序列，生成调整信息，其中，所述调整信息表征是否对所述目标业务的业务计划信息进行调整。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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。
10.一种计算机可读介质，其上存储有计算机程序，其中，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。
CN202211434870.0A 2022-11-16 2022-11-16 调整信息生成方法、装置、电子设备和计算机可读介质 Pending CN118095512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211434870.0A CN118095512A (zh) 2022-11-16 2022-11-16 调整信息生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211434870.0A CN118095512A (zh) 2022-11-16 2022-11-16 调整信息生成方法、装置、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN118095512A true CN118095512A (zh) 2024-05-28

Family

ID=91148065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211434870.0A Pending CN118095512A (zh) 2022-11-16 2022-11-16 调整信息生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN118095512A (zh)

Similar Documents

Publication Publication Date Title
CN113408797B (zh) 流转量预测多时序模型生成方法、信息发送方法和装置
CN109598344B (zh) 模型生成方法和装置
CN110503181B (zh) 用于生成多层神经网络的方法和装置
CN117236653A (zh) 基于业务量预测的车辆调度方法、装置、电子设备
CN117035842A (zh) 模型训练方法、业务量预测方法、装置、设备和介质
CN117454935A (zh) 模型训练方法、信息生成方法、装置、设备和介质
CN116843991A (zh) 模型训练方法、信息生成方法、装置、设备和介质
CN116028818A (zh) 模型训练方法、数据调整方法、装置、设备和介质
CN114697206B (zh) 物联网节点管理方法、装置、设备和计算机可读介质
CN118095512A (zh) 调整信息生成方法、装置、电子设备和计算机可读介质
CN111310896B (zh) 用于训练神经网络的方法和装置
CN117876091B (zh) 信息发送方法、装置、电子设备和计算机可读介质
CN118350610B (zh) 生产资源调度方法、装置、电子设备与可读介质
CN111709784A (zh) 用于生成用户留存时间的方法、装置、设备和介质
CN114792258B (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN111897903A (zh) 船舶位置预测方法、装置、电子设备和计算机可读介质
CN110633707A (zh) 预测速度的方法和装置
CN112073202B (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN117077982B (zh) 项目物资调度方法、装置、电子设备和可读介质
CN111709787B (zh) 用于生成用户留存时间的方法、装置、电子设备和介质
CN110633596A (zh) 预测车辆方向角的方法和装置
WO2023155425A1 (zh) 调货方法、装置、电子设备和计算机可读介质
CN118052580A (zh) 模型生成方法、订单量生成方法、装置、设备和介质
CN109670577B (zh) 模型生成方法和装置
CN118052509A (zh) 库存信息生成方法、装置、电子设备和计算机可读介质

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