一种基于零售商店以及餐厅数据的预测系统及方法技术方案

一种基于零售商店以及餐厅数据的预测系统及方法，系统包括API接口、数据集存储单元、模型配置模块、数据转换模块、训练模型模块、执行预测模块。本发明专利技术通过将模型训练与执行预测融合在一个流程里，免了模型版本管理和新模型重新部署、重新启动预测服务，省去了由于离线训练模型的各种不同特征工程带来的复杂的预测接口服务调整、以及不同超参优化带来的模型版本管理和挑选最优模型部署上线问题，预测请求的API接口是固定的，预测系统一经部署，不需要随模型版本更新、预测输入结构变化而频繁重启服务，免去一系列的运维工作，帮助零售等企业客户缩减了大量的IT运维工时成本，使零售等企业客户更加专注于自身业务的运营上。企业客户更加专注于自身业务的运营上。企业客户更加专注于自身业务的运营上。

【技术实现步骤摘要】
一种基于零售商店以及餐厅数据的预测系统及方法


[0001]本专利技术涉及计算机
，具体涉及一种基于零售商店以及餐厅数据的预测系统及方法。

技术介绍

[0002]零售或者餐饮业务指标数据的预测系统架构较多采用的是迁移和借鉴常规的机器学习系统，即训练模型和部署预测服务分离成两个阶段来实现，这种系统架构虽然通用，但在业务预测领域会面临如下问题：业务数据预测是一个日期时间持续的比较高频以及固定周期的预测过程，如果采用模型训练和预测服务部署相分离的方式，会出现重新训练模型和重新启动预测服务部署新模型的阶段过渡，这个阶段过渡对于客户来说是不自动化、不灵敏的，客户希望这个预测服务是持久的、有在线预测能力的，一经部署之后不需要产生额外运维工作量的。部署之后算法模型的迭代优化更新能够在其内部自动实现，是一个全自动化无感的。
[0003]业务数据是一个有日期时间周期规律的时间序列类型数据，时间序列数据有一定的趋势、周期规律，这种趋势和周期规律与时间变化有较强的关联，比如短期内的趋势反转现象出现、不同时间区间的周期频率问题。时间序列数据预测模型需要考虑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于零售商店以及餐厅数据的预测系统，其特征在于：包括：API接口，用于输入包括目标metadata信息和目标起止日期的预测请求数据；数据集存储单元，用于将不同的门店、不同的时间颗粒度的业务明细数据进行聚合存储；模型配置模块，包括训练集配置信息、特征工程配置信息、模型超参配置信息；数据转换模块，用于特征列计算以及对训练集进行转换计算；训练模型模块，具有初始模型结构，用于将训练集带入初始模型结构中，训练出一个模型对象并缓存；执行预测模块，将预测请求和模型数据进行关联，生成预测输入数据集合，然后再通过模型对象计算出目标日期范围内的对应预测目标的值。2.根据权利要求1所述基于零售商店以及餐厅数据的预测系统，其特征在于：训练集配置信息包括不同的客户不同的门店和不同的时间颗粒度的模型metadata信息，特征工程配置信息包括相关特征项及时间特性，模型超参配置信息包括模型类型，算法类型。3.一种基于以上任意一项权利要求所述的预测系统完成预测的预测方法，其特征在于：包括步骤：步骤一：向API接口输入预测请求；步骤二：根据预测请求中的metadata信息和预测起止日期，在模型配置模块中查询获得以下与预测请求匹配的配置内容：相关训练集配置信息、相关特征工程配置信息、相关模型超参配置信息，并根据预测请求中的metadata信息和预测起止日期，从数据集存储单元中查询出包含有起止日期数据的相关数据集合；步骤三：数据转换模块将依据步骤二中的所...

【专利技术属性】
技术研发人员：崔友志，张小明，
申请(专利权)人：苏州盖雅信息技术有限公司，
类型：发明
国别省市：