一种订单报价方法和装置制造方法及图纸

本发明专利技术公开一种订单报价方法和装置，该方法包括以下步骤：获取当前订单的需求信息，所述需求信息包括X个属性标签，所述X个属性标签包括采集人年龄、录制场地和录音设备；从所述X个属性标签中提取主成分特征，得到Xm个属性标签，其中，X和Xm均为正整数，X大于Xm；根据所述Xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆LSTM网络，对所述当前订单的报价进行预测。本发明专利技术根据当前订单的属性标签，使用根据历史订单数据预先训练得到的LSTM网络，对当前订单的报价进行预测，从而得到最合适的报价，能够提升订单报价的准确性和工作效率。

An order quotation method and device

【技术实现步骤摘要】
一种订单报价方法和装置
本专利技术涉及数据处理领域，特别涉及一种订单报价方法和装置。
技术介绍
随着项目需求的日渐增多，项目的报价系统需要更加完善。现有技术中，项目报价一般是由有经验的销售人员根据之前项目经验，给出预估价格。该报价方法存在以下问题：1、有很大的人为因素，不同销售人员对项目的整体把握可能有差异；2、当项目需求量很大的时候，会消耗销售人员大量的精力；3、由于时间的推移，人力成本及其他成本上涨，导致原有的报价预测会普遍偏低。
技术实现思路
本专利技术提供了一种订单报价方法和装置，以解决现有技术中的报价方法准确性和工作效率较低的缺陷。本专利技术提供了一种订单报价方法，包括以下步骤：获取当前订单的需求信息，所述需求信息包括X个属性标签，所述X个属性标签包括采集人年龄、录制场地和录音设备；从所述X个属性标签中提取主成分特征，得到Xm个属性标签，其中，X和Xm均为正整数，X大于Xm；根据所述Xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆LSTM网络，对所述当前订单的报价进行预测。可选地，所述的方法，还包括：获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括X个属性标签和订单报价，所述X个属性标签包括采集人年龄、录制场地和录音设备；从所述X个属性标签中提取主成分特征，得到Xm个属性标签；根据所述多个历史订单的Xm个属性标签和订单报价，训练得到所述LSTM网络。可选地，所述根据所述多个历史订单的Xm个属性标签和订单报价，训练得到所述LSTM网络之后，还包括：根据新增的历史订单数据，更新所述LSTM网络。可选地，所述根据新增的历史订单数据，更新所述LSTM网络，包括：根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果，更新所述LSTM网络。可选地，所述Xm个属性标签中的任意两个属性标签均线性无关。本专利技术还提供了一种订单报价装置，包括：第一获取模块，用于获取当前订单的需求信息，所述需求信息包括X个属性标签，所述X个属性标签包括采集人年龄、录制场地和录音设备；第一提取模块，用于从所述X个属性标签中提取主成分特征，得到Xm个属性标签，其中，X和Xm均为正整数，X大于Xm；预测模块，用于根据所述Xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆LSTM网络，对所述当前订单的报价进行预测。可选地，所述的装置，还包括：第二获取模块，用于获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括X个属性标签和订单报价，所述X个属性标签包括采集人年龄、录制场地和录音设备；第二提取模块，用于从所述X个属性标签中提取主成分特征，得到Xm个属性标签；训练模块，用于根据所述多个历史订单的Xm个属性标签和订单报价，训练得到所述LSTM网络。可选地，所述的装置，还包括：更新模块，用于根据新增的历史订单数据，更新所述LSTM网络。可选地，所述更新模块，具体用于根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果，更新所述LSTM网络。可选地，所述Xm个属性标签中的任意两个属性标签均线性无关。本专利技术根据当前订单的属性标签，使用根据历史订单数据预先训练得到的LSTM网络，对当前订单的报价进行预测，从而得到最合适的报价，能够提升订单报价的准确性和工作效率。附图说明图1为本专利技术实施例中的一种订单报价方法流程图；图2为本专利技术实施例中的一种LSTM网络的训练方法流程图；图3为本专利技术实施例中的一种订单报价装置结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供了一种订单报价方法，如图1所示，包括以下步骤：步骤101，获取当前订单的需求信息，所述需求信息包括X个属性标签，所述X个属性标签包括采集人年龄、录制场地和录音设备。例如，对于一个语音采集标注项目，客户会提出采集人年龄、录制场地和录音设备等X项属性标签。步骤102，从所述X个属性标签中提取主成分特征，得到Xm个属性标签。其中，X和Xm均为正整数，X大于Xm。Xm个属性标签中的任意两个属性标签均线性无关。步骤103，根据所述Xm个属性标签，使用根据历史订单数据预先训练得到的LSTM网络，对所述当前订单的报价进行预测。具体地，可以将当前订单的Xm个属性标签输入到LSTM(LongShortTermMemory，长短时记忆)网络，将输出的结果作为当前订单的报价。需要说明的是，本实施例中的LSTM网络的训练方法，如图2所示，包括以下步骤：步骤201，获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括X个属性标签和订单报价。其中，X个属性标签包括采集人年龄、录制场地和录音设备。具体地，可以对统一公司的历史订单数据进行整理和归档。例如，A公司近几年有上万个历史订单，每个订单具有X个属性标签，可以先组织人员对这批数据进行回填和校准，获得一个N*(X+1)的矩阵。其中，N为历史订单数，(X+1)维包括X个属性标签和1个订单报价。通过上述步骤将实际问题转化成由X个不同特征维度的数据预测最终报价的过程。步骤202，从所述X个属性标签中提取主成分特征，得到Xm个属性标签。其中，X和Xm均为正整数，X大于Xm。Xm个属性标签中的任意两个属性标签均线性无关。具体地，可以对X个属性标签执行PCA(PrincipalComponentAnalysis，主成分分析)操作，将X维特征提取主成分特征到Xm维，通过线性变换将原始的X维属性数据变换为一组各维度线性无关的表示，用作提取数据的Xm维主要特征分量，即Xm个属性标签本实施例中，应用场景数据为X个属性标签，其中有一些属性值会随着时间推移发生变化(例如，人力成本)。现有技术中的数据预测方法通常会使用线性拟合和神经网络做非线性拟合等方式，而本实施例结合实际场景，使用PCA降维，减少属性标签量，防止在预测时会出现因训练数据少而造成过拟合的现象。步骤203，根据所述多个历史订单的Xm个属性标签和订单报价，训练得到所述LSTM网络。本实施例中，X个属性标签中的某些属性标签会随着时间推移发生变化，故本实施例采用LSTM算法，训练得到LSTM网络。步骤204，根据新增的历史订单数据，更新所述LSTM网络。具体地，可以根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果，更新所述LSTM网络。<本文档来自技高网...

【技术保护点】
1.一种订单报价方法，其特征在于，包括以下步骤：/n获取当前订单的需求信息，所述需求信息包括X个属性标签，所述X个属性标签包括采集人年龄、录制场地和录音设备；/n从所述X个属性标签中提取主成分特征，得到Xm个属性标签，其中，X和Xm均为正整数，X大于Xm；/n根据所述Xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆LSTM网络，对所述当前订单的报价进行预测。/n

【技术特征摘要】
1.一种订单报价方法，其特征在于，包括以下步骤：
获取当前订单的需求信息，所述需求信息包括X个属性标签，所述X个属性标签包括采集人年龄、录制场地和录音设备；
从所述X个属性标签中提取主成分特征，得到Xm个属性标签，其中，X和Xm均为正整数，X大于Xm；
根据所述Xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆LSTM网络，对所述当前订单的报价进行预测。


2.如权利要求1所述的方法，其特征在于，还包括：
获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括X个属性标签和订单报价，所述X个属性标签包括采集人年龄、录制场地和录音设备；
从所述X个属性标签中提取主成分特征，得到Xm个属性标签；
根据所述多个历史订单的Xm个属性标签和订单报价，训练得到所述LSTM网络。


3.如权利要求2所述的方法，其特征在于，所述根据所述多个历史订单的Xm个属性标签和订单报价，训练得到所述LSTM网络之后，还包括：
根据新增的历史订单数据，更新所述LSTM网络。


4.如权利要求3所述的方法，其特征在于，所述根据新增的历史订单数据，更新所述LSTM网络，包括：
根据新增的历史订单数据以及在预设时长内使用所述LSTM网络得到的预测结果，更新所述LSTM网络。


5.如权利要求1至4任一项所述的方法，其特征在于，所述Xm个属性标签中的任意两个属性标签均线性无关。
...

【专利技术属性】
技术研发人员：张晴晴，杨金富，罗磊，段由，马光谦，汪洋，
申请(专利权)人：北京爱数智慧科技有限公司，
类型：发明
国别省市：北京;11