一种商品对象的价值量的预测方法、装置及电子设备制造方法及图纸

本公开提供了一种商品对象的价值量的预测方法、装置及电子设备，该方法包括：获取历史使用周期的商品对象在对应的历史购买周期的实际价值量；根据历史使用周期和对应的实际价值量，确定目标使用周期的商品对象在目标购买周期的初始预测价值量；获取目标使用周期的商品对象在目标购买周期的特征向量的目标向量值，以及特征向量和涨跌分数之间的映射函数；根据目标向量值和映射函数，确定目标使用周期的商品对象在目标购买周期内的预测涨跌分数；根据初始预测价值量和预测涨跌分数，得到目标使用周期的商品对象在目标购买周期内的目标预测价值量。

【技术实现步骤摘要】
一种商品对象的价值量的预测方法、装置及电子设备
本公开涉及模型预测
，更具体地，涉及一种商品对象的价值量的预测方法、一种商品对象的价值量的预测装置、及一种电子设备。
技术介绍
飞机是用户长途出行的重要交通工具之一。受航空公司政策、供求关系等因素影响，机票在距离起飞前的不同时间点通常会呈现不同程度的价格波动，因此，用户在购买机票之前通常会关注和追踪机票的价格，根据自身的实际需求和机票的价格来选取出行日期或者是购票时间。在通常情况下，用户依据自身经验很难准确判断机票价格的变化规律和变化幅度，这就导致用户难以提前购买到既符合自身出行需求，又符合自身预算的机票，影响用户的购票体验。
技术实现思路
本公开的一个目的是提供一种预测商品对象的价值量的新技术方案。根据本公开的第一方面，提供了一种商品对象的价值量的预测方法，包括：获取历史使用周期的商品对象在对应的历史购买周期的实际价值量；根据所述历史使用周期和对应的所述实际价值量，确定目标使用周期的所述商品对象在目标购买周期的初始预测价值量；其中，第一周期时长和第二周期时长相同，所述第一周期时长为所述历史使用周期和对应的历史购买周期之间相差的周期时长，所述第二周期时长为所述目标使用周期和所述目标购票周期之间相差的周期时长；获取所述目标使用周期的所述商品对象在所述目标购买周期的特征向量的目标向量值，以及所述特征向量和涨跌分数之间的映射函数；其中，所述特征向量包括影响所述商品对象在对应购买周期的涨跌趋势的多个特征；所述涨跌分数为表示所述商品对象在对应购买周期的涨跌趋势的分数；根据所述目标向量值和所述映射函数，确定所述目标使用周期的所述商品对象在所述目标购买周期内的预测涨跌分数；根据所述初始预测价值量和所述预测涨跌分数，得到所述目标使用周期的所述商品对象在所述目标购买周期内的目标预测价值量。可选的，所述根据所述历史使用周期和对应的所述历史购买周期的实际价值量，确定目标使用周期的所述商品对象在目标购买周期的初始预测价值量包括：根据所述历史使用周期和对应的所述实际价值量，构建预测时间序列；基于预设的时间序列预测模型，根据所述预测时间序列，确定所述目标使用周期的所述商品对象在所述目标购买周期的所述初始预测价值量。可选的，所述方法还包括：在相邻的两个历史使用周期不连续的情况下，根据所述历史使用周期的周期时长、和所述两个历史使用周期之间相差的周期时长，确定所述两个历史使用周期之间缺失的历史使用周期；在所述两个历史使用周期之间填补缺失的历史使用周期，并将填补的历史使用周期的所述商品对象在对应的历史购买周期内的实际价值量标记为设定值。可选的，所述方法还包括：确定所述历史使用周期的商品对象在对应的历史购买周期的实际价值量的有效范围；剔除超出所述有效范围的实际价值量和对应的历史使用周期。可选的，所述基于预设的时间序列预测模型，根据所述预测时间序列，确定所述目标使用周期的所述商品对象在所述目标购买周期的所述初始预测价值量包括：将所述预测时间序列输入所述时间序列预测模型中，得到所述目标使用周期的所述商品对象在所述目标购买周期的价值量的预测结果；根据所述实际价值量，确定至少一个参考值；选取与所述预测结果之间距离最小的参考值，作为所述初始预测价值量。可选的，所述根据所述实际价值量，确定至少一个参考值包括：基于预设的分类距离，对所述实际价值量进行聚类，得到至少一个价值量分类；从所述价值量分类所包含的实际价值量中选取对应价值量分类的聚类中心，作为所述参考值。可选的，所述方法还包括：获取多个训练使用周期的所述商品对象在对应的训练购买周期的实际价值量；其中，第三周期时长与所述第一周期时长相同，所述第三周期时长为所述训练使用周期和对应的训练购买周期之间相差的周期时长；根据所述训练使用周期和所述训练使用周期的所述商品对象在对应的训练购买周期的实际价值量，构建第一训练样本；其中，所述第一训练样本包括相匹配的训练时间序列和实际价值量；基于预设的Prophet算法，根据所述第一训练样本进行机器学习训练，得到所述时间序列预测模型。可选的，所述基于预设的Prophet算法，根据所述第一训练样本进行机器学习训练，得到所述时间序列预测模型包括：根据所述第一训练样本的所述训练时间序列，以所述Prophet算法的待定参数为变量，确定所述第一训练样本的预测价值量表达式；确定所述第一训练样本的预测价值量表达式、及所述第一训练样本对应的实际价值量之间的平均绝对百分比误差，作为所述目标函数；根据所述损失函数确定所述待定参数，完成对所述时间序列预测模型的训练。可选的，根据所述初始预测价值量和所述预测涨跌分数，得到所述目标使用周期的所述商品对象在所述目标购买周期内的目标预测价值量包括：根据与所述初始预测价值量所对应的价值量权重、和与所述预测涨跌分数所对应的分数权重；根据所述价值量权重和所述分数权重对所述初始预测价值量和所述预测涨跌分数进行加权求和，得到所述目标使用周期的所述商品对象在所述目标购买周期内的所述目标预测价值量。可选的，获取所述特征向量和涨跌分数之间的映射函数的步骤，包括：获取训练使用周期的所述商品对象在对应的训练购买周期的实际价值量、和在对应的下一购买周期的实际价值量；其中，所述下一购买周期为所述训练购买周期的下一周期；对所述下一购买周期的实际价值量和所述训练购买周期的实际价值量进行比较，根据比较结果确定对应训练使用周期的所述商品对象的实际涨跌分数；获取所述训练使用周期的所述商品对象在所述训练购买周期的所述特征向量的训练向量值；根据所述训练向量值和所述实际涨跌分数生成第二训练样本；根据所述第二训练样本的所述特征向量的训练向量值、与所述第二训练样本对应的实际涨跌分数，训练得到所述映射函数。可选的，所述方法还包括：展示所述目标使用周期的所述商品对象在所述目标购买周期内的所述目标预测价值量，以供用户根据所述目标预测价值量选择所述目标使用周期的所述商品对象的购买周期。根据本公开的第二方面，提供了一种商品对象的价值量的预测装置，包括：第一获取模块，用于获取历史使用周期的商品对象在对应的历史购买周期的实际价值量；第一预测模块，用于根据所述历史使用周期和对应的所述实际价值量，确定目标使用周期的所述商品对象在目标购买周期的初始预测价值量；其中，第一周期时长和第二周期时长相同，所述第一周期时长为所述历史使用周期和对应的历史购买周期之间相差的周期时长，所述第二周期时长为所述目标使用周期和所述目标购票周期之间相差的周期时长；第二获取模块，用于获取所述目标使用周期的所述商品对象在所述目标购买周期的特征向量的目标向量值，以及所述特征向量和涨跌分数之间的映射函数；其中，所述特征向量包括影响所述商品对象在对应购买周期的本文档来自技高网...

【技术保护点】
1.一种商品对象的价值量的预测方法，包括：/n获取历史使用周期的商品对象在对应的历史购买周期的实际价值量；/n根据所述历史使用周期和对应的所述实际价值量，确定目标使用周期的所述商品对象在目标购买周期的初始预测价值量；其中，第一周期时长和第二周期时长相同，所述第一周期时长为所述历史使用周期和对应的历史购买周期之间相差的周期时长，所述第二周期时长为所述目标使用周期和所述目标购票周期之间相差的周期时长；/n获取所述目标使用周期的所述商品对象在所述目标购买周期的特征向量的目标向量值，以及所述特征向量和涨跌分数之间的映射函数；其中，所述特征向量包括影响所述商品对象在对应购买周期的涨跌趋势的多个特征；所述涨跌分数为表示所述商品对象在对应购买周期的涨跌趋势的分数；/n根据所述目标向量值和所述映射函数，确定所述目标使用周期的所述商品对象在所述目标购买周期内的预测涨跌分数；/n根据所述初始预测价值量和所述预测涨跌分数，得到所述目标使用周期的所述商品对象在所述目标购买周期内的目标预测价值量。/n

【技术特征摘要】
1.一种商品对象的价值量的预测方法，包括：
获取历史使用周期的商品对象在对应的历史购买周期的实际价值量；
根据所述历史使用周期和对应的所述实际价值量，确定目标使用周期的所述商品对象在目标购买周期的初始预测价值量；其中，第一周期时长和第二周期时长相同，所述第一周期时长为所述历史使用周期和对应的历史购买周期之间相差的周期时长，所述第二周期时长为所述目标使用周期和所述目标购票周期之间相差的周期时长；
获取所述目标使用周期的所述商品对象在所述目标购买周期的特征向量的目标向量值，以及所述特征向量和涨跌分数之间的映射函数；其中，所述特征向量包括影响所述商品对象在对应购买周期的涨跌趋势的多个特征；所述涨跌分数为表示所述商品对象在对应购买周期的涨跌趋势的分数；
根据所述目标向量值和所述映射函数，确定所述目标使用周期的所述商品对象在所述目标购买周期内的预测涨跌分数；
根据所述初始预测价值量和所述预测涨跌分数，得到所述目标使用周期的所述商品对象在所述目标购买周期内的目标预测价值量。


2.根据权利要求1所述的方法，其中，所述根据所述历史使用周期和对应的所述历史购买周期的实际价值量，确定目标使用周期的所述商品对象在目标购买周期的初始预测价值量包括：
根据所述历史使用周期和对应的所述实际价值量，构建预测时间序列；
基于预设的时间序列预测模型，根据所述预测时间序列，确定所述目标使用周期的所述商品对象在所述目标购买周期的所述初始预测价值量。


3.根据权利要求2所述的方法，其中，所述方法还包括：
在相邻的两个历史使用周期不连续的情况下，根据所述历史使用周期的周期时长、和所述两个历史使用周期之间相差的周期时长，确定所述两个历史使用周期之间缺失的历史使用周期；
在所述两个历史使用周期之间填补缺失的历史使用周期，并将填补的历史使用周期的所述商品对象在对应的历史购买周期内的实际价值量标记为设定值。


4.根据权利要求2所述的方法，其中，所述方法还包括：
确定所述历史使用周期的商品对象在对应的历史购买周期的实际价值量的有效范围；
剔除超出所述有效范围的实际价值量和对应的历史使用周期。


5.根据权利要求2所述的方法，其中，所述基于预设的时间序列预测模型，根据所述预测时间序列，确定所述目标使用周期的所述商品对象在所述目标购买周期的所述初始预测价值量包括：
将所述预测时间序列输入所述时间序列预测模型中，得到所述目标使用周期的所述商品对象在所述目标购买周期的价值量的预测结果；
根据所述实际价值量，确定至少一个参考值；
选取与所述预测结果之间距离最小的参考值，作为所述初始预测价值量。


6.根据权利要求5所述的方法，其中，所述根据所述实际价值量，确定至少一个参考值包括：
基于预设的分类距离，对所述实际价值量进行聚类，得到至少一个价值量分类；
从所述价值量分类所包含的实际价值量中选取对应价值量分类的聚类中心，作为所述参考值。


7.根据权利要求2所述的方法，其中，所述方法还包括：
获取多个训练使用周期的所述商品对象在对应的训练购买周期的实际价值量；其中，第三周期时长与所述第一周期时长相同，所述第三周期时长为所述训练使用周期和对应的训练购买周期之间相差的周期时长；
根据所述训练使用周期和所述训练使用周期的所述商品对象在对应的训练购买周期的实际价值量，构建第一训练样本；其中，所述...

【专利技术属性】
技术研发人员：裴玉，马俊，范勐喆，崔一诺，舒平平，马红，
申请(专利权)人：汉海信息技术上海有限公司，
类型：发明
国别省市：上海;31