一种电子产品激活量预测方法及一种服务器集群技术

本发明专利技术提供一种电子产品激活量预测方法及一种服务器集群，所述方法包括：获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；对第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；对时间序列化后的数据进行时间规律拆解，得到第二激活量数据，第二激活量数据包括电子产品激活量未受至少一个第一因子数据影响情况下随时间的变化趋势数据；判断变化趋势数据是否具有时间规律；如果变化趋势数据具有时间规律，将变化趋势数据进行特征化处理生成第二因子数据，将至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。本发明专利技术的方案能够准确预测预定时间的电子产品激活量。

A prediction method of electronic product activation quantity and a server cluster

The present invention provides an electronic product activation volume prediction method and a server cluster, the method comprises: obtaining the first activation volume data and first activate at least one of the first factor data; on the first activation volume data and at least one of the first factor data were time serialization; time rule after the dismantling of the time sequence data, second activation volume data, second data including electronic product activation activation volume without at least one of the first case with impact factor data data change trend; judging the changing trend is time law; if the data changes with time of the data trends the characteristics of processing to generate second factor data, at least one first factor and second factor data input data into the preset model Line learning is used to predict the activation amount of electronic products for a predetermined period of time. The scheme of the invention can accurately predict the activation amount of the electronic product at a predetermined time.

【技术实现步骤摘要】
一种电子产品激活量预测方法及一种服务器集群
本专利技术涉及数据处理，尤其涉及一种电子产品激活量预测方法及一种服务器集群。
技术介绍
个人计算机(PC)、手机、平板电脑等电子产品为贵重的硬件产品，其库存积压，不论是整机库存还是部件库存，都会严重影响资金流动，甚至拖垮企业的资金链。降低库存最有效的方式就是：第一，准确把握市场的需求，使得生产量与销售量的差(即库存)最小；第二，提前把握市场的需求，通过在采购提前期前给出预测值，来指导科学合理的采购。那么如何度量市场的需求以降低库存呢？由于电子产品的智能性，能够将电子产品的激活数据直接上报，使得电子产品的激活量直接、准确的反映了市场需求量，所以对电子产品激活量准确的预测，尤为重要。现有技术中，对电子产品激活量的预测，均是通过单一的回归模型或时间序列分析方法进行预测，但是，前者无法拟合数据的时间规律，即，无法拟合出电子产品激活量随时间变化的规律，后者无法学习相关因子随时间变化的影响力，即，无法学习影响电子产品激活量的相关因子(例如，促销活动、代言活动等)随时间变化的影响力，所以其效果均不稳定，且准确率非常低。
技术实现思路
本专利技术提供一种电子产品激活量预测方法及一种服务器集群，能够准确的预测电子产品激活量。本专利技术提供了一种电子产品激活量预测方法，包括：获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；对时间序列化后的数据进行时间规律拆解，得到第二激活量数据，所述第二激活量数据包括电子产品激活量未受所述至少一个第一因子数据影响情况下随时间的变化趋势数据；判断所述变化趋势数据是否具有时间规律；如果所述变化趋势数据具有时间规律，将所述变化趋势数据进行特征化处理生成第二因子数据，将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。作为优选，还包括，如果所述变化趋势数据不具有时间规律，则将所述至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。作为优选，所述至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。作为优选，所述舆论因子数据包括情感指数因子数据，所述情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。作为优选，对所述至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对所述价格因子数据进行时间序列化前，对所述价格因子数据进行离散化。作为优选，将所述变化趋势数据进行特征化处理包括，将所述变化趋势数据的依赖时长构造成一维特征或多维特征作为所述第二因子数据。作为优选，所述第一因子数据与所述第二因子数据的权重相等。本专利技术还公开了一种服务器集群，包括至少一个处理器、至少一个存储器，所述至少一个存储器能够存储被所述至少一个处理器处理的指令，所述至少一个处理器配置为执行所述指令以：获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；对时间序列化后的数据进行时间规律拆解，得到第二激活量数据，所述第二激活量数据包括电子产品激活量未受所述至少一个第一因子数据影响情况下随时间的变化趋势数据；判断所述变化趋势数据是否具有时间规律；如果所述变化趋势数据具有时间规律，将所述变化趋势数据进行特征化处理生成第二因子数据，将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。作为优选，所述至少一个处理器配置为进一步执行所述指令以：如果所述变化趋势数据不具有时间规律，则将所述至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。作为优选，所述至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。作为优选，所述舆论因子数据包括情感指数因子数据，所述情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。作为优选，对所述至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对所述价格因子数据进行时间序列化前，对所述价格因子数据进行离散化。作为优选，将所述变化趋势数据进行特征化处理包括，将所述变化趋势数据的依赖时长构造成一维特征或多维特征作为所述第二因子数据。作为优选，所述第一因子数据与所述第二因子数据的权重相等。与现有技术相比，本专利技术的有益效果在于：通过利用时间序列法将第一激活量数据拆解为不受第一因子数据影响的第二激活量数据，并将第二激活量数据特征化处理后与第一因子数据输入集成学习模型进行学习，预测预定时间的电子产品激活量，预测的稳定性和准确率都有明显的提升，训练误差和测试误差都有明显的降低。附图说明图1是本专利技术一个实施例的电子产品激活量预测方法的流程图；图2是本专利技术另一实施例的电子产品激活量预测方法的流程图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细描述，但不作为对本专利技术的限定。此处参考附图描述本专利技术的各种方案以及特征。应理解的是，可以对此处专利技术的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本专利技术的范围和精神内的其他修改。包含在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且与上面给出的对本专利技术的大致描述以及下面给出的对实施例的详细描述一起用于解释本专利技术的原理。通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本专利技术的这些和其它特性将会变得显而易见。还应当理解，尽管已经参照一些具体实例对本专利技术进行了描述，但本领域技术人员能够确定地实现本专利技术的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。当结合附图时，鉴于以下详细说明，本专利技术的上述和其他方面、特征和优势将变得更为显而易见。此后参照附图描述本专利技术的具体实施例；然而，应当理解，所专利技术的实施例仅仅是本专利技术的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本专利技术模糊不清。因此，本文所专利技术的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本专利技术。本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本专利技术的相同或不同实施例中的一个或多个。如图1所示，本专利技术公开的一个实施例中，电子产品激活量预测方法，包括：S1，获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据。其中，第一激活量数据是统计的用户激活的电子产品的数据，其是用户实际购买电子产品的数量的一个反映，用户实际购买的电子产品的数量越多，第一激活量数据越大，可以根据第一激活量数据来判断用户实际购买电子产品的数量，也就是可以根据第一激活量数据来判断销售的电子产品的数量。影响第一激活量数据的至少一个第一因子数据可以包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、本文档来自技高网...

【技术保护点】
一种电子产品激活量预测方法，其特征在于，包括：获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；对时间序列化后的数据进行时间规律拆解，得到第二激活量数据，所述第二激活量数据包括电子产品激活量未受所述至少一个第一因子数据影响情况下随时间的变化趋势数据；判断所述变化趋势数据是否具有时间规律；如果所述变化趋势数据具有时间规律，将所述变化趋势数据进行特征化处理生成第二因子数据，将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。

【技术特征摘要】
1.一种电子产品激活量预测方法，其特征在于，包括：获取第一激活量数据和影响第一激活量数据的至少一个第一因子数据；对所述第一激活量数据和所述至少一个第一因子数据分别进行时间序列化；对时间序列化后的数据进行时间规律拆解，得到第二激活量数据，所述第二激活量数据包括电子产品激活量未受所述至少一个第一因子数据影响情况下随时间的变化趋势数据；判断所述变化趋势数据是否具有时间规律；如果所述变化趋势数据具有时间规律，将所述变化趋势数据进行特征化处理生成第二因子数据，将所述至少一个第一因子数据与第二因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。2.根据权利要求1所述的方法，其特征在于，还包括，如果所述变化趋势数据不具有时间规律，则将所述至少一个第一因子数据输入预设模型进行学习，以对预定时间的电子产品激活量进行预测。3.根据权利要求1或2所述的方法，其特征在于，所述至少一个第一因子数据包括价格因子数据、市场活动因子数据、产品质量因子数据、舆论因子数据、竞争产品因子数据中的一个或多个。4.根据权利要求3所述的方法，其特征在于，所述舆论因子数据包括情感指数因子数据，所述情感指数因子数据基于正面舆论评价信息数量以及负面舆论评价信息数量确认。5.根据权利要求1或2所述的方法，其特征在于，对所述至少一个第一因子数据进行时间序列化包括对价格因子数据进行时间序列化，并且在对所述价格因子数据进行时间序列化前，对所述价格因子数据进行离散化。6.根据权利要求1或2所述的方法，其特征在于，将所述变化趋势数据进行特征化处理包括，将所述变化趋势数据的依赖时长构造成一维特征或多维特征作为所述第二因子数据。7.根据权利要求1所述的方法，其特征在于，所述第一因子数据与所述第二因子数据的权重相等。8.一种服务器集群，包括至少一个处理器、至少一个存储器，所述至少一个存储器能够存储被所述至少一...

【专利技术属性】
技术研发人员：李冬阳，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：北京,11