本公开涉及一种数据处理方法、装置及介质，所述方法包括：获取目标对象在历史时段内的使用状态数据；确定所述使用状态数据在每一特征维度下对应的特征数据序列；针对每一所述特征维度，根据所述特征维度对应的参数预测模型，确定所述特征维度下的所述特征数据序列对应的预测特征参数；根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据。由此，可以从影响目标对象的需求量的特征维度切入进行预测，从而可以保证最终确定出的目标对象的需求量预测数据的准确性。同时该方案能够在结构清晰的预测过程中，体现出目标对象更换转化的逻辑，从而增强了预测过程的可解释能力。测过程的可解释能力。测过程的可解释能力。
【技术实现步骤摘要】
数据处理方法、装置及介质
[0001]本公开涉及数据处理领域，尤其涉及一种数据处理方法、装置及介质。
技术介绍
[0002]在供应链管理中对于需求的准确预估是重要的，对于需求量的准确预测可以便于确定供应对象的生产量和分配量等。因此，如何对供应对象在未来时段内的需求量进行准确预测是当前亟需解决的问题。
技术实现思路
[0003]为克服相关技术中存在的问题，本公开提供一种数据处理方法、装置及介质。
[0004]根据本公开实施例的第一方面，提供一种数据处理方法，包括：获取目标对象在历史时段内的使用状态数据；确定所述使用状态数据在每一特征维度下对应的特征数据序列；针对每一所述特征维度，根据所述特征维度对应的参数预测模型，确定所述特征维度下的所述特征数据序列对应的预测特征参数；根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据。
[0005]可选地，所述目标对象对应有多种类型，所述特征维度包括每种所述类型下的活跃用户特征、对象更换周期特征和类型更换流向特征；所述根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据，包括：根据目标类型下的所述类型更换流向特征，确定所述目标类型的关联类型，其中，所述目标类型为所述多种类型中的任一类型，所述目标类型的关联类型用于表示在所述目标对象更换后的类型为所述目标类型的情况下、所述目标对象更换前的类型；所述目标类型下的类型更换流向特征用于表示所述关联类型和所述目标类型之间的关联关系；根据每一所述关联类型下的所述目标对象的用户数量和所述关联类型下的活跃用户特征对应的预测特征参数，确定所述关联类型下的所述目标对象的活跃用户数量，根据所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数，确定所述关联类型下的所述目标对象的预测更换数量；根据所述目标类型在各个所述关联类型下的所述目标对象的预测更换数量，确定所述目标类型的目标对象的需求量预测数据。
[0006]可选地，所述根据所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数，确定所述关联类型下的所述目标对象的预测更换数量，包括：将所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数的比值，确定为所述关联类型下的所述目标对象的预
测更换数量。
[0007]可选地，所述参数预测模型包括时间序列预测子模型、整合移动平均自回归子模型和融合子模型；所述根据所述特征维度对应的参数预测模型，确定所述特征维度下的所述特征数据序列对应的预测特征参数，包括：基于所述时间序列预测子模型，确定所述特征维度下的特征数据序列对应的趋势项参数和周期项参数，并根据所述趋势项参数和所述周期项参数确定第一预测参数；基于所述整合移动平均自回归子模型，对所述特征维度下的特征数据序列进行拟合计算，获得第二预测参数；基于所述融合子模型对所述第一预测参数和所述第二预测参数进行融合，获得所述预测特征参数。
[0008]可选地，在所述根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据的步骤之前，所述方法还包括：接收输入的目标特征维度下的调整参数，其中，所述调整参数用于表示所述目标特征维度下的预测特征参数的目标平均值；根据所述调整参数对所述目标特征维度下的预测特征参数进行调整，以使调整后的所述预测特征参数的平均值达到所述目标平均值。
[0009]可选地，所述根据所述调整参数对所述目标特征维度下的预测特征参数进行调整，包括：确定所述目标特征维度下的所述预测特征参数的平均值，并将所述调整参数与所述平均值的比值作为调整比例；将所述目标特征维度下的所述预测特征参数中的每一数值乘以所述调整比例，获得调整后的预测特征参数。
[0010]可选地，所述方法还包括：获取所述目标对象在多个仓储平台下对应的分配比例；根据所述目标对象的需求量预测数据和所述分配比例，确定所述目标对象在各个所述仓储平台下的需求量分配数量。
[0011]可选地，所述特征维度包括活跃用户特征；所述目标对象下对应有多个目标子对象，每一所述目标子对象为安装有应用程序的电子设备；所述活跃用户特征下对应的特征数据序列通过以下方式确定：根据所述目标对象的使用状态数据，确定所述目标对象下的每一所述目标子对象在所述历史时段内的每一采样时刻的操作参数，所述操作参数包括目标应用程序的使用频次和/或所述目标子对象的屏幕使用时长占比；针对每一所述采样时刻，将所述操作参数大于参数阈值的目标子对象的数量与该采样时刻下的目标子对象的总数量的比值，确定为所述采样时刻的活跃用户特征；将各个所述采样时刻的活跃用户特征按照所述采样时刻进行排列所得的序列，作为所述活跃用户特征对应的特征数据序列。
[0012]根据本公开实施例的第二方面，提供一种数据处理装置，包括：第一获取模块，被配置为获取目标对象在历史时段内的使用状态数据；
第一确定模块，被配置为确定所述使用状态数据在每一特征维度下对应的特征数据序列；第二确定模块，被配置为针对每一所述特征维度，根据所述特征维度对应的参数预测模型，确定所述特征维度下的所述特征数据序列对应的预测特征参数；第三确定模块，被配置为根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据。
[0013]可选地，所述目标对象对应有多种类型，所述特征维度包括每种所述类型下的活跃用户特征、对象更换周期特征和类型更换流向特征；所述第三确定模块包括：第一确定子模块，被配置为根据目标类型下的所述类型更换流向特征，确定所述目标类型的关联类型，其中，所述目标类型为所述多种类型中的任一类型，所述目标类型的关联类型用于表示在所述目标对象更换后的类型为所述目标类型的情况下、所述目标对象更换前的类型；所述目标类型下的类型更换流向特征用于表示所述关联类型和所述目标类型之间的关联关系；第二确定子模块，被配置为根据每一所述关联类型下的所述目标对象的用户数量和所述关联类型下的活跃用户特征对应的预测特征参数，确定所述关联类型下的所述目标对象的活跃用户数量，根据所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数，确定所述关联类型下的所述目标对象的预测更换数量；第三确定子模块，被配置为根据所述目标类型在各个所述关联类型下的所述目标对象的预测更换数量，确定所述目标类型的目标对象的需求量预测数据。
[0014]可选地，所述第二确定子模块进一步被配置为：将所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数的比值，确定为所述关联类型下的所述目标对象的预测更换数量。
[0015]可选地，所述参数预测模型包括时间序列预测子模型、整合移动平均自回归子模型和融合子模型；所述第二确定模块包括：第一处理子模块，被配置为基于所述时间序列预测子模型，确定所述特征维度下的特征数据序列对应的趋势项参数本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取目标对象在历史时段内的使用状态数据；确定所述使用状态数据在每一特征维度下对应的特征数据序列；针对每一所述特征维度，根据所述特征维度对应的参数预测模型，确定所述特征维度下的所述特征数据序列对应的预测特征参数；根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据。2.根据权利要求1所述的方法，其特征在于，所述目标对象对应有多种类型，所述特征维度包括每种所述类型下的活跃用户特征、对象更换周期特征和类型更换流向特征；所述根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据，包括：根据目标类型下的所述类型更换流向特征，确定所述目标类型的关联类型，其中，所述目标类型为所述多种类型中的任一类型，所述目标类型的关联类型用于表示在所述目标对象更换后的类型为所述目标类型的情况下、所述目标对象更换前的类型；所述目标类型下的类型更换流向特征用于表示所述关联类型和所述目标类型之间的关联关系；根据每一所述关联类型下的所述目标对象的用户数量和所述关联类型下的活跃用户特征对应的预测特征参数，确定所述关联类型下的所述目标对象的活跃用户数量，根据所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数，确定所述关联类型下的所述目标对象的预测更换数量；根据所述目标类型在各个所述关联类型下的所述目标对象的预测更换数量，确定所述目标类型的目标对象的需求量预测数据。3.根据权利要求2所述的方法，其特征在于，所述根据所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数，确定所述关联类型下的所述目标对象的预测更换数量，包括：将所述关联类型下的所述目标对象的所述活跃用户数量和所述关联类型下的对象更换周期特征对应的预测特征参数的比值，确定为所述关联类型下的所述目标对象的预测更换数量。4.根据权利要求1所述的方法，其特征在于，所述参数预测模型包括时间序列预测子模型、整合移动平均自回归子模型和融合子模型；所述根据所述特征维度对应的参数预测模型，确定所述特征维度下的所述特征数据序列对应的预测特征参数，包括：基于所述时间序列预测子模型，确定所述特征维度下的特征数据序列对应的趋势项参数和周期项参数，并根据所述趋势项参数和所述周期项参数确定第一预测参数；基于所述整合移动平均自回归子模型，对所述特征维度下的特征数据序列进行拟合计算，获得第二预测参数；基于所述融合子模型对所述第一预测参数和所述第二预测参数进行融合，获得所述预测特征参数。5.根据权利要求1所述的方法，其特征在于，在所述根据所述预测特征参数和所述目标对象的用户数量，确定所述目标对象的需求量预测数据的步骤之前，所述方法还包括：
接收输入的目标特征...
【专利技术属性】
技术研发人员：孙谦，过群，赵义雪莹，杨博，戴小飞，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。