【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种需求预测模型的训练方法、产品需求预测方法及相关装置。
技术介绍
1、用户需求的时序预测在当前的电商、促销、调度等线上生态中扮演着非常重要的角色。通过挖掘时序数据，准确预测用户在特定时间内对某产品的需求度，就可以指定高度有针对性的客户参与活动，提供增强的产品推荐，甚至通过积极鼓励潜在用户完成交易，来减少购物车抛弃的发生率。
2、但是，由于用户在不同时段内的需求差异不同，在错误的时间进行产品推荐会导致用户反感和活动效果不好。因此，需要对用户在指定时间的产品需求情况进行精准预测。
技术实现思路
1、本申请实施例的目的提供一种需求预测模型的训练方法、产品需求预测方法及相关装置，用于实现精准预测用户对产品的需求情况。
2、为了实现上述目的，本申请实施例采用下述技术方案：
3、第一方面，本申请实施例提供一种需求预测模型的训练方法，包括：
4、基于第一学习参数，对样本用户的第一子序列进行线性拟合，所述第一子序列为对所述样本用户在历史时段内的产品需求时序数据进行序列分解得到；
5、基于所述第一子序列和线性拟合后的第一子序列之间的相似度，将所述第一子序列转化为图结构数据；
6、基于需求预测模型对所述图结构数据进行图卷积运算，得到所述样本用户对所述产品的预测需求度；
7、基于所述样本用户对所述产品的预测需求及参考需求度，对所述需求预测模型和所述第一学习参数进行优化训练。
8、第
9、对目标用户在历史时段内的产品需求时序数据进行序列分解，得到第二子序列；
10、基于第一学习参数，对所述第二子序列进行线性拟合；
11、基于所述第二子序列在线性拟合前后的相似度，将所述第二子序列转化为目标图结构数据；
12、基于需求预测模型对所述目标图结构数据进行图卷积运算，得到所述目标用户对所述产品的预测需求度。
13、第三方面，本申请实施例提供一种需求预测模型的训练装置，包括：
14、拟合单元，用于基于第一学习参数，对样本用户的第一子序列进行线性拟合，所述第一子序列为对所述样本用户在历史时段内的产品需求时序数据进行序列分解得到；
15、转化单元，用于基于所述第一子序列和线性拟合后的第一子序列之间的相似度，将所述第一子序列转化为图结构数据；
16、预测单元，用于基于需求预测模型对所述图结构数据进行图卷积运算，得到所述样本用户对所述产品的预测需求度；
17、训练单元，用于基于所述样本用户对所述产品的预测需求及参考需求度，对所述需求预测模型和所述第一学习参数进行优化训练。
18、第四方面，本申请实施例提供一种产品需求预测装置，包括：
19、分解单元，用于对目标用户在历史时段内的产品需求时序数据进行序列分解，得到第二子序列；
20、拟合单元，用于基于第一学习参数，对所述第二子序列进行线性拟合；
21、转化单元，用于基于所述第二子序列在线性拟合前后的相似度，将所述第二子序列转化为目标图结构数据；
22、预测单元，用于基于需求预测模型对所述目标图结构数据进行图卷积运算，得到所述目标用户对所述产品的预测需求度。
23、第五方面，本申请实施例提供一种电子设备，包括：
24、处理器；
25、用于存储所述处理器可执行指令的存储器；
26、其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的需求预测模型的训练方法；或者，所述处理器被配置为执行所述指令，以实现如第二方面所述的产品需求预测方法。
27、第六方面，本申请实施例提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的需求预测模型的训练方法；或者，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第二方面所述的产品需求预测方法。
28、第七方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如第一方面或者第二方面所述的方法中的部分或全部步骤。
29、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：针对时序数据的不同规律性特征，通过序列分解的方式，将历史时段内的产品需求时序数据分解为第一子序列，以将产品需求时序数据中不同的规律性特征通过不同的第一子序列显示地表达出来，使得不同的规律性特征能够得到有效的发挥；在此基础上，考虑到子序列中不同时间点之间的影响程度很可能是不同的，设计了一种将一维时序数据转化为二维图结构数据进行表征的seq2graph(一种将一维时序数据转化为二维图数据的方法)方案，通过第一子序列在线性拟合前后的相似度，将第一子序列转换为图结构数据，有助于在seq2graph过程中更加广泛地关注产品需求时序数据中更有用的全局和局部信息，得到的图结构数据能够反映不同时间点之间潜藏的关联性，提高产品需求时序数据在产品需求任务上的显示表达，使得需求预测模型基于图结构数据，能够更准确地进行产品需求预测；此外，还将用于对第一子序列进行线性拟合的第一学习参数，与需求预测模型一起被优化，基于需求预测模型输出的预测需求度及作为标签的参考需求度对需求预测模型的参数进行优化训练，有助于在seq2graph阶段，通过动态学习对不同时间点之间潜藏的关联性进行自适应调整，从而提高seq2graph的准确性。
本文档来自技高网...【技术保护点】
1.一种需求预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一子序列和线性拟合后的第一子序列之间的相似度，将所述第一子序列转化为图结构数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述第一子序列包括趋势子序列和周期子序列；所述基于所述第一子序列和线性拟合后的第一子序列之间的相似度，确定所述历史时段内不同时间点之间的距离，包括：
4.根据权利要求3所述的方法，其特征在于，所述历史时段内任意两个时间点之间的距离为通过如下方式确定：
5.根据权利要求2所述的方法，其特征在于，所述第一子序列包括所述历史时间段内每个时间点的特征值；所述基于所述历史时段内每个时间点的邻接时间点，将所述第一子序列转化为所述图结构数据，包括：
6.根据权利要求1所述的方法，其特征在于，所述第一子序列包括趋势子序列和周期子序列；所述图结构数据包括由所述趋势子序列转化得到的第一图结构数据和由所述周期子序列转化得到的第二图结构数据；
7.根据权利要求6所述的方法，其特征在于，所述对所述第一
8.一种产品需求预测方法，其特征在于，包括：
9.一种需求预测模型的训练装置，其特征在于，包括：
10.一种产品需求预测装置，其特征在于，包括：
11.一种电子设备，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至7中任一项所述的需求预测模型的训练方法；或者，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求8所述的产品需求预测方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如权利要求1至7中任一项或者权利要求8所述的方法中的部分或全部步骤。
...【技术特征摘要】
1.一种需求预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一子序列和线性拟合后的第一子序列之间的相似度，将所述第一子序列转化为图结构数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述第一子序列包括趋势子序列和周期子序列；所述基于所述第一子序列和线性拟合后的第一子序列之间的相似度，确定所述历史时段内不同时间点之间的距离，包括：
4.根据权利要求3所述的方法，其特征在于，所述历史时段内任意两个时间点之间的距离为通过如下方式确定：
5.根据权利要求2所述的方法，其特征在于，所述第一子序列包括所述历史时间段内每个时间点的特征值；所述基于所述历史时段内每个时间点的邻接时间点，将所述第一子序列转化为所述图结构数据，包括：
6.根据权利要求1所述的方法，其特征在于，所述第一子序列包括趋势子序列和周期子序列；所述图结构数据包括由所述趋势子序列转化得到的第一图结构数据和由所述周期子序列转化得到的...
【专利技术属性】
技术研发人员：苟竹梅，陶万杰，郑妍妍，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。