订单预估方法及装置制造方法及图纸

本申请提供一种订单预估方法及装置，能够实现在业务集群化部署场景下，神经网络仍具有良好的鲁棒性。比如，构建出的订单预估神经网络通过分析订单可以预估产品的价格走势，从而对订单价格的异常变化能够起到预警作用。方法包括：获取历史订单的多维度数据；获取第一基础矩阵和第二基础矩阵，其中，第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，第二基础矩阵是根据设备集群中每个设备的第二参考矩阵确定的，第一设备属于设备集群，第一参考矩阵和第二参考矩阵均是对应的设备预先训练好的矩阵；将第一基础矩阵和第二基础矩阵组合，构建订单预估神经网络；通过订单预估神经网络处理当前订单，预估订单价格走势。预估订单价格走势。预估订单价格走势。

【技术实现步骤摘要】
订单预估方法及装置


[0001]本申请涉及神经网络
，尤其涉及一种订单预估方法及装置。

技术介绍

[0002]目前，神经网络已经在各个领域，诸如销售领域、安全领域等等，得到了广泛应用。其中，针对不同领域的业务，可以构建不同的神经网络结构，以及采用不同的训练方式训练该神经网络，最终实现针对该领域的业务，神经网络可以具有较好的鲁棒性。
[0003]但是，随着技术的发展，业务逐渐集群化部署。神经网络如何针对这种部署结构进行构建，目前尚无解决办法。

技术实现思路

[0004]本申请实施例提供一种订单预估方法及装置，能够针对业务集群化部署，构建出对应结构的神经网络，以实现在业务集群化部署场景下，神经网络仍具有良好的鲁棒性。
[0005]为达到上述目的，本申请采用如下技术方案：
[0006]第一方面，本申请实施例提供了一种订单预估方法，所述方法包括：第一设备获取历史订单的多维度数据；所述第一设备获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；所述第一设备通过所述订单预估神经网络处理当前订单，预估订单价格走势。
[0007]基于第一方面所述的方法可知，由于第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，第二基础矩阵是根据设备集群中每个设备的第二参考矩阵确定的，使得第一基础矩阵和第二基础矩阵的矩阵结构能够与整个设备集群的业务相关。如此，通过将第一基础矩阵和第二基础矩阵组合构建出的订单预估神经网络，在处理该设备集群的业务时，便可具有良好的鲁棒性。比如，构建出的订单预估神经网络通过分析订单可以预估产品的价格走势，从而对订单价格的异常变化能够起到预警作用。
[0008]一种可能的设计方案中，所述设备集群包括M个设备，每个所述设备对应一个所述第一参考矩阵和一个所述第二参考矩阵，共M个所述第一参考矩阵和M个所述第二参考矩阵，所述第一基础矩阵是根据M个所述第一参考矩阵加权确定的，所述第二基础矩阵是根据M个所述第二参考矩阵加权确定的，每个所述第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个所述第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。如此，可以避免因强相关而导致神经网络的结构与某个业务强耦合，从而影响神经网络处理整个集群业务的鲁棒性。
[0009]一种可能的设计方案中，所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网是指：将所述第一基础矩阵和所述第二基础矩阵的组合，以构
建订单预估神经网络的特征层中的水平对置矩阵。可选地，若所述多维度数据的维度越高，则所述第一基础矩阵和所述第二基础矩阵的组合数量的越少，且所述水平对置矩阵的矩阵大小越小。
[0010]可以看出，由于订单的规律性往往与数据的维度成正比，即数据的维度越高，数据的类型越多，订单从整体上的反映则越规律。订单越规律，其处理难度也越小，因而模型的结构也可以设计的相对简单，也即订单的多维度数据的维度越高，则模型中第一基础矩阵和第二基础矩阵的组合数量的越少，从而可以有效提高模型的处理效率。
[0011]一种可能的设计方案中，第一基础矩阵位于水平对置矩阵的对角线上，第二基础矩阵位于水平对置矩阵中除对角线以外的位置；或者，第二基础矩阵位于水平对置矩阵的对角线上，第一基础矩阵位于水平对置矩阵中除对角线以外的位置，使得订单预估神经网络为水平对置模型。这样，无论多维数据以何种顺序输入模型，其数据的结果不会产生变化，从而极大地提高了模型的实用性。
[0012]一种可能的设计方案中，所述订单预估神经网络包括M个特征层，第i个特征层中的所述水平对置矩阵i包括所述第一基础矩阵i和所述第二基础矩阵i，第j个特征层中的所述水平对置矩阵j包括所述第一基础矩阵j和所述第二基础矩阵j，所述第一基础矩阵i与第一基础矩阵j不同，所述第二基础矩阵i与第二基础矩阵j不同，所述M为大于1的整数，i和j为取1
‑
M的任意自然数，且i和j不同。如此，在一定程度上提高模型的差异化程度，从而有效提高模型的鲁棒性。
[0013]可选地，所述多维度数据的维度为M，所述第i个特征层与所述多维度数据中第i个维度的数据对应，所述第j个特征层与所述多维度数据中第j个维度的数据对应。其中，一个特征层与一维数据对应，即指该特征层对该维数据的处理效果最好。如此，每一维数据不仅可以经由其他特征层的处理，还经由其对应的特征层来重点处理，使得模型的准确度更高，鲁棒性更好。
[0014]可选地，如果所述当前订单中多维度数据的维度大于所述M个特征层的数量，则对所述当前订单中多维度数据进行降维处理，使得所述当前订单中多维度数据的维度与所述M个特征层的数量相同，从而可以避免数据溢出，即这部分溢出的数据未能对处理结果产生影响，进而提高准确度。
[0015]进一步地，所述降维处理是指将相似粒度的多维数量合为一维数据，以便这些溢出的数据也能够合理对处理结果产生影响。
[0016]可选地，如果所述当前订单中多维度数据的维度小于M个特征层的数量，则对所述当前订单中多维度数据进行升维处理，使得所述当前订单中多维度数据的维度与所述M个特征层的数量相同，以充分利用模型的效能，避免资源浪费。
[0017]进一步地，所述升维处理是指将一维数量分解为相似粒度的多维数据，以避免升维的数据也能够合理对处理结果产生影响。
[0018]第二方面，本申请实施例提供了一种订单预估装置，所述装置包括：收发模块，用于获取历史订单的多维度数据，以及获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；处理模块，用于将所述
第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；通过所述订单预估神经网络处理当前订单，预估订单价格走势。
[0019]一种可能的设计方案中，所述设备集群包括M个设备，每个所述设备对应一个所述第一参考矩阵和一个所述第二参考矩阵，共M个所述第一参考矩阵和M个所述第二参考矩阵，所述第一基础矩阵是根据M个所述第一参考矩阵加权确定的，所述第二基础矩阵是根据M个所述第二参考矩阵加权确定的，每个所述第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个所述第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。
[0020]一种可能的设计方案中，所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网是指：将所述第一基础矩阵和所述第二基础矩阵的组合，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种订单预估方法，其特征在于，所述方法包括：第一设备获取历史订单的多维度数据；所述第一设备获取第一基础矩阵和第二基础矩阵，其中，所述第一基础矩阵是根据设备集群中每个设备的第一参考矩阵确定的，所述第二基础矩阵是根据所述设备集群中每个设备的第二参考矩阵确定的，所述第一设备属于所述设备集群，所述第一参考矩阵和所述第二参考矩阵均是对应的设备预先训练好的矩阵；所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网络；所述第一设备通过所述订单预估神经网络处理当前订单，预估订单价格走势。2.根据权利要求1所述的订单预估方法，其特征在于，所述设备集群包括M个设备，每个所述设备对应一个所述第一参考矩阵和一个所述第二参考矩阵，共M个所述第一参考矩阵和M个所述第二参考矩阵，所述第一基础矩阵是根据M个所述第一参考矩阵加权确定的，所述第二基础矩阵是根据M个所述第二参考矩阵加权确定的，每个所述第一参考矩阵对应的权重与该第一参考矩阵对应的设备的业务负相关，每个所述第二参考矩阵对应的权重与该第二参考矩阵对应的设备的业务负相关。3.根据权利要求1或2所述的订单预估方法，其特征在于，所述第一设备将所述第一基础矩阵和第二基础矩阵组合，构建所述订单预估神经网是指：将所述第一基础矩阵和所述第二基础矩阵的组合，以构建订单预估神经网络的特征层中的水平对置矩阵。4.根据权利要求3所述的订单预估方法，其特征在于，所述第一基础矩阵位于所述水平对置矩阵的对角线上，所述第二基础矩阵位于所述水平对置矩阵中除对角线以外的位置；或者，所述第二基础矩阵位于所述水平对置矩阵的对角线上，所述第一基础矩阵位于所述水平对置矩阵中除对角线以外的位置。5.根据权利要求1所述的订单预估方法，其特征在于，所述订单预估神经网络包括M个特征层，第i个特征层中的所述水平对置矩阵i包括所述第一基础矩阵...

【专利技术属性】
技术研发人员：付胜龙，王钰，贺金生，万世红，宋军，袁彬，陈灏，肖朝斌，张思伟，
申请(专利权)人：大汉电子商务有限公司，
类型：发明
国别省市：