TWI780471B - 模型建立及預測系統及方法,及相關電腦程式產品 - Google Patents
模型建立及預測系統及方法,及相關電腦程式產品 Download PDFInfo
- Publication number
- TWI780471B TWI780471B TW109128419A TW109128419A TWI780471B TW I780471 B TWI780471 B TW I780471B TW 109128419 A TW109128419 A TW 109128419A TW 109128419 A TW109128419 A TW 109128419A TW I780471 B TWI780471 B TW I780471B
- Authority
- TW
- Taiwan
- Prior art keywords
- item
- target
- result
- application
- model
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Stored Programmes (AREA)
- Devices For Executing Special Programs (AREA)
Abstract
一種模型建立及預測系統及方法,首先,使用一分類演算法依據相應至少一標的之至少一標的資料、相應每一項目中至少一條件資料、及該至少一標的在每一該項目下之一應用結果建立一預測模型。之後,依據相應該至少一標的之該至少一標的資料、相應每一該項目之該至少一條件資料、及該至少一標的在每一該項目下之該應用結果訓練該預測模型。其中,當接收到一特定項目時,將相應該特定項目之至少一特定條件資料輸入該預測模型,以取得相應之一特定應用結果。
Description
本發明係有關於一種模型建立與預測系統及方法,且特別有關於一種可以利用深度學習來建構二分類模型並進行預測之系統及方法。
近年來,由於電腦科技的普及,商品銷售或貨品運輸等領域也普遍採用的數位化與資訊化的管理。舉例來說,商品銷售與庫存都可以利用電腦進行管理。許多企業也將庫存管理系統、客戶管理系統與終端銷售系統結合,以取得更多商品管理與銷售的大量數據。然而,在大部分的企業或實際情況中,這些大量蒐集的數據往往是各自獨立,且並未妥善地進行分析與運用。
一般來說,商品銷售或店家經營大部分都取決於銷售人員或店家個人的記憶力,換言之,都是靠人工來記憶並維繫顧客關係。這種傳統模式容易受到不同的銷售人員而有所改變。隨著大數據時代的來臨,商品銷售或商品管理也進階到了自動化、個人化的智慧銷售領域。舉例來說,如何透過科技自動判斷使用者的需求,針對使用者設計並提供需要的商品或服務變成為了企業或店家領先業界並取得消費者滿意度的急迫需求。
有鑑於此,本發明提供模型建立及預測系統及方法。
本發明實施例之一種模型建立及預測系統,包括一儲存單元與一處理單元。儲存單元包括一標的資料庫、一條件資料庫與一應用資料庫,其中該標的資料庫紀錄相應至少一標的之至少一標的資料,該條件資料庫紀錄相應至少一項目之至少一條件資料,該應用資料庫紀錄該至少一標的在每一該項目下之一應用結果,該應用結果為包含一第一結果與一第二結果之一分類結果。處理單元電性耦接至該儲存單元,用以使用一分類演算法依據相應該至少一標的之該至少一標的資料、相應每一該項目之該至少一條件資料、及該至少一標的與每一該項目組合或結合後之該應用結果建立一預測模型,依據相應該至少一標的之該至少一標的資料、相應每一該項目之該至少一條件資料、及該至少一標的與每一該項目組合或結合之該應用結果訓練該預測模型。其中,當接收到一特定項目時,將相應該特定項目之至少一特定條件資料輸入該預測模型,以取得相應之一特定應用結果。
本發明實施例之一種模型建立及預測方法,首先,使用一分類演算法依據相應至少一標的之至少一標的資料、相應至少一項目中之至少一條件資料、及至少一標的與該項目組合或結合後之一應用結果建立一預測模型。之後,依據相應至少一標的之至少一標的資料、相應該項目之至少一條件資料、及至少一標的與該項目組合或結合後之應用結果訓練預測模型。其中,當接收到一特定項目時,將相應特定項目之至少一特定條件資料輸入預測模型,以取得相應之一特定應用結果。
在一些實施例中,將相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果數字化,並依據數字化之結果進行一排除程序。
在一些實施例中,可以利用一神經網路訓練該預測模型,且
該預測模型係一二分類預測模型。首先,係將神經網路之權重初始化,從而得到一既定範圍之權重,並將相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果輸入該預測模型以計算一加權總和,依據該加權總和計算一損失函數值,利用一梯度下降法依據該損失函數值更新該預測模型之一權重數值,以完成相應該預測模型之訓練。在一些實施例中,當該應用資料庫中的資料大於一既定筆數時,該處理單元進行相應該預測模型之訓練。
在一些實施例中,其中該至少一標的資料包括一商品在一場域的位置、價錢、重量、體積、材質、或廠牌,該項目之該至少一條件資料包括相應一消費者之身高、性別、衣服顏色、髮型、配件、服飾、或光顧時間,且該第一結果係購買、該第二結果係未購買。
在一些實施例中,透過設置於該場域之一攝影機擷取該項目之該至少一條件資料,並透過一結帳系統以得到該至少一標的與該項目組合或結合後之該應用結果。
在一些實施例中,該至少一標的資料包括一運送標的之價錢、用途、易碎程度、體積、形狀、或重量,該項目之該至少一條件資料包括相應每一貨運司機的資料,如身高、性別、衣服顏色、髮型、配件、服飾、排班時間、信用或評價分數,及該司機所使用的運送裝置大小、承載限重、有無冷藏設備、或有無緩衝裝置,且該第一結果係可運送、該第二結果係不可運送。
在一些實施例中,可以將該特定應用結果傳送至一提示終端,以對於該特定項目提示該至少一標的。
在一些實施例中,模型建立及預測系統可以包括一第一影像擷取裝置、一第二影像擷取裝置與一記憶體。第一影像擷取裝置設置於該
場域,用以擷取該項目之至少該標的,以生成至少一該標的資料。第二影像擷取裝置設置於該場域,用以擷取該項目之至少該標的,以生成至少一該條件資料。記憶體儲存紀錄該應用結果之該儲存單元與該該處理單元,其中該處理單元電性耦接至該儲存單元。
本發明上述方法可以透過程式碼方式存在。當程式碼被機器載入且執行時,機器變成用以實行本發明之裝置。
為使本發明之上述目的、特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖示,詳細說明如下。
1000:模型建立及預測系統
1100:電子裝置
1110:儲存單元
1112:標的資料庫
1114:條件資料庫
1116:應用資料庫
1120:處理單元
1200:攝影機
1300:結帳系統
S3100、S3200、S3300:步驟
S4100、S4200:步驟
S5100、S5200、S5300:步驟
S6100、S6200、S6300、S6400:步驟
S7100、S7200、S7300、S7400:步驟
8000:數據分布圖
S9100、S9200、S9300、S9400、S9500:步驟
11000、12000:分群圖示
11100、11200、12100、12200、12300:群組
第1圖為一示意圖係顯示依據本發明實施例之模型建立及預測系統。
第2圖為一示意圖係顯示依據本發明另一實施例之模型建立及預測系統。
第3圖為一流程圖係顯示依據本發明實施例之模型建立及預測方法。
第4圖為一流程圖係顯示依據本發明另一實施例之模型建立及預測方法。
第5圖為一流程圖係顯示依據本發明實施例之訓練預測模型之方法。
第6圖為一流程圖係顯示依據本發明另一實施例之訓練預測模型之方法。
第7圖為一流程圖係顯示依據本發明另一實施例之模型建立及預測方法。
第8圖顯示一數據分布圖例子。
第9圖為一流程圖係顯示依據本發明實施例之對於條件資料進行分群的方法。
第10A圖與第10B圖分別顯示對於條件資料進行分群的例子。
第1圖顯示依據本發明實施例之模型建立及預測系統。如第1圖所示,依據本發明實施例之模型建立及預測系統1000可以適用於一電子裝置1100。電子裝置1100至少包括一儲存單元1110與電性耦接至儲存單元1110之一處理單元1120。儲存單元1110包括一標的資料庫1112、一條件資料庫1114、與一應用資料庫1116。其中,標的資料庫1112紀錄相應至少一標的之至少一標的資料。條件資料庫1114紀錄相應至少一項目之至少一條件資料。應用資料庫1116紀錄至少一標的與該項目組合或結合後之一應用結果,其中,應用結果可以係包含一第一結果與一第二結果之一分類結果。處理單元1120可以由儲存單元1110取得相關資料以執行本案之模型建立及預測方法,其細節將於後進行說明。必須說明的是,在此實施例中本案係以二分類及其模型為例進行說明,在一些實施例中可以應用至多分類方法與模型。本發明並未限定於此。
提醒的是,本案可以透過蒐集資料DA1(條件資料庫)、資料DA2(標的資料庫)、與DA1、DA2組合或結合後的資料DA3(應用資料庫)來訓練機器,進而使用訓練好的模型預測新一筆DA1資料與已知的DA2組合或結合後與DA3資料之間的對應。在一些實施例中,標的可以係在一場域,如賣場/商店中所販售的商品A。標的資料庫中的標的資料可以包括此商品A在場域的位置,如幾樓、第幾排走道、第幾個櫃子、櫃子第幾層等、價錢、重量、體積、材質、與/或廠牌等。在一些實施例中,條件資料庫中的項目可以係對應至一消費者(或註冊會員),項目之條件資料可以包括該消費者(或註冊會員)之身高、性別、衣服顏色、髮型、配件、服飾、與/或光顧時間,如日期、星期、次數等,且應用資料庫中之二分類結果中之第一結果
係購買,第二結果係未購買。提醒的是,消費者(或註冊會員)之購買收據資料上可以得知是否包含商品A,並以原始資料方式或整理後的資料形式儲存於應用資料庫中。在此實施例中,可以預測該消費者(或註冊會員)下一次光顧時是否會購買商品A,進而向該消費者(或註冊會員)推銷商品A。
另外,在一些貨運應用的實施例中,標的資料庫中的標的資料可以包括一運送標的之資料,如價錢、用途、易碎程度、體積、形狀、與/或重量。在一些實施例中,條件資料庫中的項目之條件資料可以係相應一貨運司機的資料,如司機的身高、性別、衣服顏色、髮型、配件、服飾、排班時間(日期、星期、次數)、信用或評價分數,及該司機所使用的運送裝置大小(c.c.數)、承載限重、有無冷藏設備、與/或有無緩衝裝置等,且應用資料庫中之二分類結果中之第一結果係有損傷,第二結果係無損傷。在此實施例中,可以預測該司機下一次運送該物品時是否會造成物品損傷。在機器人管理出貨或收貨時,機器人將具備能力來判斷是否可以將物品託付給此特定司機來運送。提醒的是,前述實施例僅為本案之例子,本發明並未限定於此。
第2圖顯示依據本發明實施例之模型建立及預測系統。如第2圖所示,依據本發明實施例之模型建立及預測系統1000包括一電子裝置1100、一攝影機1200、與一結帳係統1300。電子裝置1100至少包括一儲存單元1110與電性耦接至儲存單元1110之一處理單元1120。儲存單元1110包括一標的資料庫1112、一條件資料庫1114、與一應用資料庫1116。其中,標的資料庫1112紀錄相應至少一標的之至少一標的資料。條件資料庫1114紀錄相應至少一項目之至少一條件資料。應用資料庫1116紀錄標的與項目結合或組合後之一應用結果,其中,應用結果可以係包含一第一結果與一第二結果之一二分類結果。處理單元1120可以由儲存單元1110取得相關資料以執行
本案之模型建立及預測方法,其細節將於後進行說明。攝影機1200可以係設置於一場域之中,用以擷取相應項目之條件資料,並將條件資料傳送至電子裝置1100中之儲存單元1110儲存。結帳系統1300可以設置於場域的結帳區,用以為消費者(或註冊會員)結帳之用,相應的結帳資料即係標的與項目結合或組合後之應用結果。結帳資料可以被傳送至電子裝置1100中之儲存單元1110儲存。提醒的是,在一些實施例中,系統可以包括一第一影像擷取裝置、一第二影像擷取裝置、與一記憶體。第一影像擷取裝置可以設置於該場域,用以擷取該項目之至少該標的,以生成至少一該標的資料。第二影像擷取裝置可以設置於該場域,用以擷取該項目之至少該標的,以生成至少一該條件資料。記憶體可以儲存相關資料。
第3圖顯示依據本發明實施例之模型建立及預測方法。依據本發明實施例之模型建立及預測方法適用於如第1圖之電子裝置。電子裝置至少包括一儲存單元。其中,儲存單元包括一標的資料庫、一條件資料庫、與一應用資料庫。其中,標的資料庫紀錄相應至少一標的之至少一標的資料。條件資料庫紀錄相應至少一項目之至少一條件資料。應用資料庫紀錄標的與項目結合或組合後之一應用結果,其中,應用結果可以係包含一第一結果與一第二結果之一二分類結果。提醒的是,在此實施例中本案係以二分類及其模型為例進行說明,在一些實施例中可以應用至多分類方法與模型。本發明並未限定於此。
如步驟S3100,使用一分類演算法依據相應至少一標的之至少一標的資料、相應至少一項目中之至少一條件資料、及至少一標的與該項目結合或組合後之一應用結果建立一二分類預測模型。如前所述,在一些實施例中,標的可以係在一場域,如賣場/商店中所販售的商品。標的資料庫中的標的資料可以包括此商品在場域的位置,如幾樓、第幾排走道、
第幾個櫃子、櫃子第幾層等、價錢、重量、體積、材質、與/或廠牌等,這些資料可經商品進貨貨上架時由負責人輸入。在一些實施例中,條件資料庫中的項目可以係對應至一消費者(或註冊會員),項目之條件資料可以包括該消費者(或註冊會員)之身高、性別、衣服顏色、髮型、配件、服飾、基本資料(如姓名、會員號碼、生日等)與/或光顧時間,如日期、星期、次數等,這些資料可藉由消費者(或註冊會員)自行填寫並儲存於儲存單元,以及透過下述的影像分析取得。應用資料庫中之二分類結果中之第一結果係購買,第二結果係未購買,這些資料可經消費者(或註冊會員)結帳後的明細取得。
第9圖顯示依據本發明實施例之對於條件資料進行分群的方法。首先,如步驟S9100,擷取商場中的相片,例如多位消費者(或註冊會員)的影像。如步驟S9200,依據擷取得到的影像找出分析點,如多位消費者(或註冊會員)的頭髮、身高、或服飾等,並如步驟S9300,計算每一分析點的參數值。接著,如步驟S9400,利用機器學習使用分群演算法對於參數進行分群、分類。之後,如步驟S9500,將同群參數對應相同代號。換言之,在同一群中的參數(分析點)將會具有相同的代號,以用於後續的模型建立。舉例來說,影像中多位消費者(或註冊會員)的頭髮可以依照長度、捲度、髮量分群。所有的資料分群之後可以顯示為分群圖示11000,如第10A圖所示,其中在三參數(長度、捲度、髮量)維度下的分群結果包含了兩個群組(11100、11200)。注意的是,在一些情況中可依照需求再進一步分群,例如髮色、服飾或配件等的顏色可先依紅、藍、黃進行分群。所有的資料在三參數(紅、藍、黃)維度下的分群結果包含了三個群組(12100、12200、12300),如第10B圖所示之分群圖示12000。其中,三個群組(12100、12200、12300)可以表示不同的顏色程度,舉例來說,群組12100可以係粉色、群組12200可以係桃紅色、群組12300可以深紅色。必須說明的是,前述例子與圖示皆係以方便敘
述而以三維(三種參數)表示。在其他實施例中,亦可以多維(多參數)的方式進行分群,例如頭髮的參數為長度、捲度、髮量、與髮色等,本發明並未限定於此。
提醒的是,多位消費者(或註冊會員)所對應的參數需分開存放,以利分別進行模型訓練。一旦同一消費者(或註冊會員)的資料蒐集到一定的數量後便可開始進行機器訓練。
必須說明的是,在一些實施例中,可以僅拍攝及蒐集同一消費者(或註冊會員),並在拍攝該消費者(或註冊會員)後進行影像分析,分析與分類技術如前所述。
接著,如步驟S3200,依據相應至少一標的之至少一標的資料、相應該項目之至少一條件資料、及至少一標的與該項目組合或結合後之應用結果利用一神經網路訓練二分類預測模型。之後,如步驟S3300,接收一特定項目,將相應特定項目之至少一特定條件資料輸入二分類預測模型,以取得相應之一特定應用結果。
第4圖顯示依據本發明另一實施例之模型建立及預測方法。在此實施例中,可以對於收集到的資料進一步進行篩選/排除。
如步驟S4100,將相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果數字化,並如步驟S4200,依據數字化之結果進行一排除程序。
接續前述商品例子,數字化的過程可以先定義不同資料內容所表示的代號。舉例來說,性別以1和2表示男和女;衣服顏色或髮色可以給予顏色一個代號表示;髮型可以分成過肩、耳下~即肩、耳上、平頭...等,再分別給予一數字做為髮型代號,例如:過肩以1表示;配件、服飾以及商品等資料同髮型可以先分類後再以數字做為代號,諸此類推。數字化
的資料可以整理成表格,如底下表1、表2、表3所示:
之後,可以將表格的資料以圖示呈現。其中,將消費者(或註冊會員)欄位資料對應消費明細後製圖。以身高欄位資料為例,其中灰色圓點表示有購買的身高數值,如第8圖之數據分布圖8000所示,注意的是,可以以此圖先排除不合理的數據。舉例來說,若消費者(或註冊會員)身高只有10cm,則表示此資料不合理,可將此資料排除。
必須說明的是,前述例子,如表1僅以單一商品A為例進行說明。本案之標的資料可不限於只蒐集一種標的。舉例來說,在一些實施例中,可以收集兩種以上商品的資料,對應該消費者(或註冊會員)的資料,以進行機器訓練。訓練後的模型則可用來預測下一次該消費者(或註冊會員)是否會同時購買兩種以上商品。另一方面,在貨運應用的實施例中,條件資料庫中運送裝置資料可以獨立出來,成為貨品資料、運送裝置資料、送貨員(司機)資料等三種資料。這三種資料可以用來訓練模型以進行後續的預測判斷。注意的是,送貨員(司機)資料的蒐集方式可以比照商場實施例的註冊會員再加上信用或評價分數。
如前所述,在一些實施例中,可以蒐集同一消費者(或註冊會員)在不同時間點光顧時的資料。同一消費者(或註冊會員)在不同時間點光顧時的資料可以進行數字化,如下表所示:
產品的類別如下所示:
如前所述,前述資料可以用來訓練模型以進行後續的預測判斷。
第5圖顯示依據本發明實施例之訓練預測模型之方法。在此實施例中,可以依據收集的資料對於預測模型進行訓練。
如步驟S5100,將神經網路權重初始化,從而得到一既定範圍之一權重。值得注意的是,權重範圍可以係-1~+1之間。如步驟S5200,將相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果輸入二分類預測模型以計算一加權總和R。提醒的是,二分類預測模型計算出的加權總和R可以轉換為Y或N表示,即二分類結果之一。接著,依據加權總和R計算一損失函數值,以取得模型運算結果與實際結果的差異。之後,如步驟S5300,利用一梯度下降法依據該損失函數值更新該二分類預測模型之一權重數值,以完成相應此二分類預測模型之訓練。
第6圖顯示依據本發明另一實施例之訓練預測模型之方法。在此實施例中,當收集的資料超過一既定數量時,可以依據收集的資料對於預測模型進行訓練。
如步驟S6100,判斷應用資料庫中的資料是否大於一既定筆
數。注意的是,在一些實施例中,既定筆數可以係100。當應用資料庫中的資料並未大於既定筆數時(步驟S6100的否),繼續步驟S6100的判斷。當應用資料庫中的資料大於既定筆數時(步驟S6100的是),如步驟S6200,將神經網路之權重初始化,從而得到一既定範圍之一權重。類似地,權重範圍可以係-1~+1之間。如步驟S6300,將相應至少一標的之至少一標的資料、相應該項目之至少一條件資料、及至少一標的與該項目組合或結合後之應用結果輸入二分類預測模型以計算一加權總和R。提醒的是,二分類預測模型計算出的加權總和R可以轉換為Y或N表示,即二分類結果之一。接著,依據加權總和R計算一損失函數值,以取得模型運算結果與實際結果的差異。之後,如步驟S6400,利用一梯度下降法依據該損失函數值更新該二分類預測模型之一權重數值,以完成相應此二分類預測模型之訓練。值得注意的是,在一些實施例中,訓練完成產生一模型之後,模型權重並不會變動。但當新增同一位消費者(或註冊會員)下一次光顧的資料後便可以更新神經網路一次。
第7圖顯示依據本發明另一實施例之模型建立及預測方法。依據本發明實施例之模型建立及預測方法適用於如第1圖之電子裝置。電子裝置至少包括一儲存單元。其中,儲存單元包括一標的資料庫、一條件資料庫、與一應用資料庫。其中,標的資料庫紀錄相應至少一標的之至少一標的資料。條件資料庫紀錄相應至少一項目之至少一條件資料。應用資料庫紀錄標的與該項目組合或結合後之一應用結果,其中,應用結果可以係包含一第一結果與一第二結果之一二分類結果。提醒的是,在此實施例中本案係以二分類及其模型為例進行說明,在一些實施例中可以應用至多分類方法與模型。本發明並未限定於此。
如步驟S7100,使用一分類演算法依據相應至少一標的之至
少一標的資料、相應至少一項目中之至少一條件資料、及至少一標的與該項目組合或結合後之一應用結果建立一二分類預測模型。值得注意的是,在一些實施例中,標的可以係在一場域,如賣場/商店中所販售的商品。標的資料庫中的標的資料可以包括此商品在場域的位置,如幾樓、第幾排走道、第幾個櫃子、櫃子第幾層等、價錢、重量、體積、材質、與/或廠牌等。這些資料可在訂貨、進貨或上架時取得。在一些實施例中,條件資料庫中的該項目可以係對應至一消費者(或註冊會員),項目之條件資料可以包括該消費者(或註冊會員)之身高、性別、衣服顏色、髮型、配件、服飾、與/或光顧時間,如日期、星期、次數等。這些資料可以透過在商場架設攝影機,經拍攝後影像處理取得。且應用資料庫中之二分類結果中之第一結果係購買,第二結果係未購買。這些資料可經該消費者(或註冊會員)結帳後的明細取得。另外,在一些貨運應用的實施例中,標的資料庫中的標的資料可以包括一運送標的之資料,如價錢、用途、易碎程度、體積、形狀、與/或重量。條件資料庫中的項目之條件資料可以係相應一貨運司機的資料,如司機的身高、性別、衣服顏色、髮型、配件、服飾、排班時間(日期、星期、次數)、信用或評價分數,及該司機所使用的運送裝置大小(c.c.數)、承載限重、有無冷藏設備、與/或有無緩衝裝置等,且應用資料庫中之二分類結果中之第一結果係有損傷,第二結果係無損傷。提醒的是,前述實施例僅為本案之例子,本發明並未限定於此。
類似地,對於條件資料進行分群的方法可以先擷取商場中的相片,例如消費者(或註冊會員)的影像。接著,依據擷取得到的影像找出分析點,如消費者(或註冊會員)的頭髮、身高、或服飾等,並計算每一分析點的參數值。之後,利用機器學習使用分群演算法對於參數進行分群、分類,再將同群參數對應相同代號。
接著,如步驟S7200,依據相應至少一標的之至少一標的資料、相應該項目之至少一條件資料、及至少一標的與該項目組合或結合後之應用結果利用一神經網路訓練二分類預測模型。之後,如步驟S7300,接收一特定項目時,將相應特定項目之至少一特定條件資料輸入二分類預測模型,以取得相應之一特定應用結果。最後,如步驟S7400,將特定應用結果傳送至一提示終端,以對於特定項目提示至少一標的。舉例來說,可以將特定應用結果傳送至無人商店中的機器人,以讓機器人進行主動推銷服務。另外,特定應用結果也可以回饋至發送傳單或廣告的站點,同樣可向消費者(或註冊會員)進行主動推銷此標的。
在另外一個例子中,也可以預測一特定司機下一次運送物品時是否會造成物品損傷,在機器人管理出貨或收貨時,機器人將具備能力來判斷是否可以將物品託付給此特定司機來運送。
因此,透過本案之模型建立與預測系統及方法,可以利用深度學習來建構模型並進行預測。本案的技術可以透過蒐集兩種不同類型的數據(例如:商品與消費者(或註冊會員)、運送標的與運送者及其運送裝置),藉由機器學習建構一模型,用以預測兩種不同類型的數據結合後的二分類結果,如消費者(或註冊會員)會yes/不會no購買商品、標的可yes/不可no給特定司機運送,以免造成損傷,從而增加資料蒐集與運用的價值,進而提升商品的銷售、提升機器人或無人機等智慧科技產品的判斷與預測能力。
本發明之方法,或特定型態或其部份,可以以程式碼的型態存在。程式碼可以包含於實體媒體,如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體,亦或不限於外在形式之電腦程式產品,其中,當程式碼被機器,如電腦載入且執行時,此機器變成用以參與本發明之裝置。程式碼也可以透過一些傳送媒體,如電線或電纜、光纖、
或是任何傳輸型態進行傳送,其中,當程式碼被機器,如電腦接收、載入且執行時,此機器變成用以參與本發明之裝置。當在一般用途處理單元實作時,程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。
S3100、S3200、S3300:步驟
Claims (11)
- 一種模型建立及預測系統,包括:一儲存單元,包括一標的資料庫、一條件資料庫與一應用資料庫,其中該標的資料庫紀錄相應至少一標的之至少一標的資料,該條件資料庫紀錄相應至少一項目之至少一條件資料,該應用資料庫紀錄該至少一標的與該項目組合或結合後之一應用結果,該應用結果為一分類結果;以及一處理單元,電性耦接至該儲存單元,用以使用一分類演算法依據相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果建立一預測模型,依據相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果訓練該預測模型,其中,該預測模型係一二分類預測模型;其中,當接收到一特定項目時,將相應該特定項目之至少一特定條件資料輸入該預測模型,以取得相應之一特定應用結果。
- 如申請專利範圍第1項所述之模型建立及預測系統,其中,該處理單元更分別將相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果數字化,並依據數字化之結果進行一排除程序。
- 如申請專利範圍第1項所述之模型建立及預測系統,其中,該處理單元係以一神經網路訓練該預測模型,將該神經網路之權重初始化,從而得到一既定範圍之一權重,並將相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目組合或結合後之該應用結果輸入該二分類預測模型以計算一加權總和,依據該加權總和計算一損失函數值,利用一梯度下降法依據該損失函數 值更新該二分類預測模型之一權重數值,以完成相應該二分類預測模型之訓練。
- 如申請專利範圍第3項所述之模型建立及預測系統,其中,當該應用資料庫中的資料大於一既定筆數時,該處理單元進行相應該二分類預測模型之訓練。
- 如申請專利範圍第1項所述之模型建立及預測系統,其中該至少一標的資料包括一商品在一場域的位置、價錢、重量、體積、材質、或廠牌,該至少一項目之該至少一條件資料包括相應一消費者之身高、性別、衣服顏色、髮型、配件、服飾、或光顧時間,且該分類結果包含一第一結果係購買、一第二結果係未購買。
- 如申請專利範圍第5項所述之模型建立及預測系統,更包括:一攝影機,設置於該場域,用以擷取該項目之該至少一條件資料;以及一結帳系統,用以產生該至少一標的與該項目組合或結合後之該應用結果。
- 如申請專利範圍第1項所述之模型建立及預測系統,其中該至少一標的資料包括一運送標的之價錢、用途、易碎程度、體積、形狀、或重量,該至少一項目之該至少一條件資料包括相應一貨運司機的資料,如身高、性別、衣服顏色、髮型、配件、服飾、排班時間、信用或評價分數,及該司機所使用的運送裝置大小、承載限重、有無冷藏設備、或有無緩衝裝置,且該分類結果包含一第一結果係有損傷、一第二結果係無損傷。
- 如申請專利範圍第1項所述之模型建立及預測系統,其中該處理單元更將該特定應用結果傳送至一提示終端,以對於該特定項目提示該至少一標的。
- 一種模型建立及預測方法,適用於包括一儲存單元之一電子裝置,其中該儲存單元包括一標的資料庫、一條件資料庫與一應用資料庫,其中該標的資料庫紀錄相應至少一標的之至少一標的資料,該條件資料庫紀錄相應至少一項目之至少一條件資料,該應用資料庫紀錄該至少一標的與該項目組合或結合後之一應用結果,該應用結果為包含一第一結果與一第二結果之一分類結果,該方法包括下列步驟:使用一分類演算法依據相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目結合或組合後之該應用結果建立一預測模型,該預測模型係一二分類預測模型;以及依據相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目結合或組合後之該應用結果訓練該預測模型,其中,當接收到一特定項目時,將相應該特定項目之至少一特定條件資料輸入該預測模型,以取得相應之一特定應用結果。
- 一種電腦程式產品,用以被一機器載入且執行一模型建立及預測方法,該電腦程式產品包括:一第一程式碼,用以使用一分類演算法依據相應至少一標的之至少一標的資料、相應至少一項目中之至少一條件資料、及該至少一標的與該項目結合或組合後之一應用結果建立一預測模型,其中該預測模型係一二分類預測模型:以及一第二程式碼,用以依據相應該至少一標的之該至少一標的資料、相應該項目之該至少一條件資料、及該至少一標的與該項目結合或組合後之該應用結果訓練該預測模型,其中,當接收到一特定項目時,將相應該特定項目之至少一特定條件資料輸入該預測模型,以取得相應之一特定應用結果。
- 如申請專利範圍第1項、第2項、第3項、第4項、第7項或第8項所述之模型建立及預測系統,更包括:一第一影像擷取裝置,設置於一場域,用以擷取該項目之該至少該標的生成至少一該標的資料;以及一第二影像擷取裝置,設置於該場域,用以擷取該項目之該至少該標的生成至少一該條件資料;以及一記憶體,儲存紀錄該應用結果之該儲存單元與該處理單元,其中該處理單元電性耦接至該儲存單元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128419A TWI780471B (zh) | 2020-08-20 | 2020-08-20 | 模型建立及預測系統及方法,及相關電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128419A TWI780471B (zh) | 2020-08-20 | 2020-08-20 | 模型建立及預測系統及方法,及相關電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202209215A TW202209215A (zh) | 2022-03-01 |
TWI780471B true TWI780471B (zh) | 2022-10-11 |
Family
ID=81747095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109128419A TWI780471B (zh) | 2020-08-20 | 2020-08-20 | 模型建立及預測系統及方法,及相關電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI780471B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077427A (zh) * | 2013-03-28 | 2014-10-01 | 国际商业机器公司 | 跨时钟域的时钟树构建方法和系统、集成电路及制造方法 |
CN108664946A (zh) * | 2018-05-18 | 2018-10-16 | 上海极歌企业管理咨询中心(有限合伙) | 基于图像的人流特征获取方法及装置 |
US20190147231A1 (en) * | 2017-11-16 | 2019-05-16 | Adobe Systems Incorporated | Predictive analysis of target behaviors utilizing rnn-based user embeddings |
TWM593025U (zh) * | 2019-12-17 | 2020-04-01 | 中國信託商業銀行股份有限公司 | 客戶行為預測系統 |
CN111445263A (zh) * | 2019-01-15 | 2020-07-24 | 北京京东尚科信息技术有限公司 | 信息处理方法、装置和计算机系统及介质 |
-
2020
- 2020-08-20 TW TW109128419A patent/TWI780471B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077427A (zh) * | 2013-03-28 | 2014-10-01 | 国际商业机器公司 | 跨时钟域的时钟树构建方法和系统、集成电路及制造方法 |
US20190147231A1 (en) * | 2017-11-16 | 2019-05-16 | Adobe Systems Incorporated | Predictive analysis of target behaviors utilizing rnn-based user embeddings |
CN108664946A (zh) * | 2018-05-18 | 2018-10-16 | 上海极歌企业管理咨询中心(有限合伙) | 基于图像的人流特征获取方法及装置 |
CN111445263A (zh) * | 2019-01-15 | 2020-07-24 | 北京京东尚科信息技术有限公司 | 信息处理方法、装置和计算机系统及介质 |
TWM593025U (zh) * | 2019-12-17 | 2020-04-01 | 中國信託商業銀行股份有限公司 | 客戶行為預測系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202209215A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190333039A1 (en) | Produce and bulk good management within an automated shopping environment | |
JP7038543B2 (ja) | 情報処理装置、システム、情報処理装置の制御方法、及び、プログラム | |
CN108921645B (zh) | 一种商品购买判定方法、装置和用户终端 | |
US20150025969A1 (en) | Multisystem Interface for Roaming Self-Checkout | |
CN104156746A (zh) | 基于rfid服装标签的专卖体验店管理系统及其方法 | |
CN105867322A (zh) | 用于材料处理设备中的程序管理的系统和方法 | |
US11810067B2 (en) | Digitally managed shelf space marketplace | |
US20200034782A1 (en) | Populating catalog data with item properties based on segmentation and classification models | |
US20180336603A1 (en) | Restaurant review systems | |
US20220343275A1 (en) | Production and logistics management | |
CN112767063A (zh) | 用户与卖家实现良性循环网络平台方法和系统 | |
Maizi et al. | Building a digital twin for IoT smart stores: A case in retail and apparel industry | |
Ragesh et al. | Deep learning based automated billing cart | |
KR20220099086A (ko) | 기계 검색가능 키워드를 생성하기 위한 시스템 및 방법 | |
TWI780471B (zh) | 模型建立及預測系統及方法,及相關電腦程式產品 | |
CN113887884A (zh) | 商超服务系统 | |
US20170076359A1 (en) | Single Order Method For Independent Sales Representative As Used In The Party Plan Direct Marketing Method Of Selling Products | |
US20210256546A1 (en) | System and method for segmenting customers with mixed attribute types using a targeted clustering approach | |
TW202321945A (zh) | 用於基於影像過濾產品的系統與方法以及用於基於影像過濾物件的系統 | |
KR20170079158A (ko) | 공급망관리 시스템의 자동 큐레이션 방법 | |
KR20200059375A (ko) | 소비자의 물품을 자동으로 분류해주는 시스템 및 방법 | |
Gorai et al. | Automated Shopping Cart: Reducing Long Queues One Cart At A Time | |
KR102577715B1 (ko) | 메타 버스 서비스를 이용한 꽃 판매 서비스 중개 시스템 | |
Haritha et al. | A Novel Method of Billing System Using Deep Learning | |
CN117196758A (zh) | 一种商品上架前的甄选方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |