一种基于chatGPT模型和算力的AI竞拍决策方法及系统技术方案

本发明专利技术涉及竞拍技术领域，尤其是涉及一种基于chatGPT模型和算力的AI竞拍决策方法及系统。所述方法，包括获取API接口文档，利用API接口文档将小程序与AI引擎对接；获取竞拍数据，并对竞拍数据进行预处理；将预处理后的竞拍数据划分为训练集和测试集；将竞拍数据的训练集送入分类预测模型中，对分类预测模型进行训练优化；将优化后的分类预测模型植入小程序中；利用搭载分类预测模型的小程序对用户数据进行预测，并输出预测结果。本发明专利技术通过将微信小程序与AI算力对接，企业可以实现更高效的市场分析、智能推荐和个性化服务。这将有助于提高市场竞争力、优化运营决策，并为客户提供更加贴心的购买体验。贴心的购买体验。贴心的购买体验。

【技术实现步骤摘要】
一种基于chatGPT模型和算力的AI竞拍决策方法及系统


[0001]本专利技术涉及竞拍
，尤其是涉及一种基于chatGPT模型和算力的AI竞拍决策方法及系统。

技术介绍

[0002]随着大宗化工品市场竞争的加剧，企业需要不断创新销售策略、优化供应链管理，以提高市场竞争力和客户满意度。
[0003]然而现有的竞拍决策中，没有将chatGPT模型和AI算力相结合，若在“明泉竞拍”中实现微信小程序与AI算力对接，则能够实现更高效的市场分析、智能推荐以及个性化服务。

技术实现思路

[0004]为了解决上述提到的问题，本专利技术提供一种基于chatGPT模型和算力的AI竞拍决策方法及系统。
[0005]第一方面，本专利技术提供的一种基于chatGPT模型和算力的AI竞拍决策方法，采用如下的技术方案：
[0006]一种基于chatGPT模型和算力的AI竞拍决策方法，包括：
[0007]获取API接口文档，利用API接口文档将小程序与AI引擎对接；
[0008]获取竞拍数据，并对竞拍数据进行预处理；
[0009]将预处理后的竞拍数据划分为训练集和测试集；
[0010]将竞拍数据的训练集送入分类预测模型中，对分类预测模型进行训练优化；
[0011]将优化后的分类预测模型植入小程序中；
[0012]利用搭载分类预测模型的小程序对用户数据进行预测，并输出预测结果。
[0013]进一步地，所述获取API接口文档，利用API将小程序与AI引擎对接，包括选择适合的AI服务提供商，并获取其提供的API接口文档，根据API接口文档进行接口调用和数据传递。
[0014]进一步地，所述获取竞拍数据，包括收集与大宗化工品销售相关的数据，包括产品价格、成交量、库存和客户信息。
[0015]进一步地，所述对竞拍数据进行预处理，包括对竞拍数据进行清洗转换。
[0016]进一步地，所述对竞拍数据进行清洗转换，包括将竞拍数据进行去重、缺失值处理和数据类型转换。
[0017]进一步地，所述分类预测模型包括线性回归模型，其中，线性回归模型表示为：
[0018]y＝β0+β1x1+β2x2+...+β
n
x
n
+ε；
[0019]其中，y为目标变量，x1,x2,...,x
n
为自变量，即影响目标变量的因素，β0为截距项，β1,β2,...,β
n
为系数，即自变量对目标变量的影响程度，ε为误差项，表示模型未能解释的部分。
[0020]进一步地，所述对分类预测模型进行训练优化，还包括对优化后的分类预测模型
进行验证。
[0021]第二方面，一种基于chatGPT模型和算力的AI竞拍决策系统，包括：
[0022]数据获取模块，被配置为，获取API接口文档，利用API接口文档将小程序与AI引擎对接；
[0023]数据处理模块，被配置为，获取竞拍数据，并对竞拍数据进行预处理，将预处理后的竞拍数据划分为训练集和测试集；
[0024]模型优化模块，被配置为，将竞拍数据的训练集送入分类预测模型中，对分类预测模型进行训练优化；
[0025]分类模块，被配置为，将优化后的分类预测模型植入小程序中；
[0026]预测模块，被配置为，利用搭载分类预测模型的小程序对用户数据进行预测，并输出预测结果。
[0027]第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
[0028]第四方面，本专利技术提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于chatGPT模型和算力的AI竞拍决策方法。
[0029]综上所述，本专利技术具有如下的有益技术效果：
[0030]本专利技术通过将微信小程序与AI算力对接，企业可以实现更高效的市场分析、智能推荐和个性化服务。这将有助于提高市场竞争力、优化运营决策，并为客户提供更加贴心的购买体验。
附图说明
[0031]图1是本专利技术实施例1的一种基于chatGPT模型和算力的AI竞拍决策方法的示意图。
具体实施方式
[0032]以下结合附图对本专利技术作进一步详细说明。
[0033]实施例1
[0034]参照图1，本实施例的一种基于chatGPT模型和算力的AI竞拍决策方法，包括：
[0035]获取API接口文档，利用API接口文档将小程序与AI引擎对接；获取竞拍数据，并对竞拍数据进行预处理；将预处理后的竞拍数据划分为训练集和测试集；将竞拍数据的训练集送入分类预测模型中，对分类预测模型进行训练优化；将优化后的分类预测模型植入小程序中；利用搭载分类预测模型的小程序对用户数据进行预测，并输出预测结果。所述获取API接口文档，利用API将小程序与AI引擎对接，包括选择适合的AI服务提供商，并获取其提供的API接口文档，根据API接口文档进行接口调用和数据传递。所述获取竞拍数据，包括收集与大宗化工品销售相关的数据，包括产品价格、成交量、库存和客户信息。所述对竞拍数据进行预处理，包括对竞拍数据进行清洗转换。所述对竞拍数据进行清洗转换，包括将竞拍数据进行去重、缺失值处理和数据类型转换。所述分类预测模型包括线性回归模型，所述对
分类预测模型进行训练优化，还包括对优化后的分类预测模型进行验证。
[0036]具体的，包括以下步骤：
[0037]S1.获取API接口文档，利用API接口文档将小程序与AI引擎对接；
[0038]进行需求分析和技术选型，明确对接AI算力的目标和要求。选择合适的AI服务提供商，获取API接口文档，并与相关团队进行沟通协作。具体的，选择合适的AI服务提供商，并获取其提供的API接口文档。在小程序后端开发过程中，根据API接口文档进行接口调用和数据传递。利用API(应用程序编程接口)将“明泉竞拍”小程序与AI引擎进行连接。API允许两者之间进行数据交换和通信，从而实现功能扩展。对接成功后，确保数据传输正常且功能实现符合预期。
[0039]S2.获取竞拍数据，并对竞拍数据进行预处理；
[0040]具体的，从企业内部系统获取历史交易数据和库存信息；通过第三方数据提供商收集市场行情、竞争对手情况等外部数据。对数据进行去重、缺失值处理、数据类型转换等预处理操作。
[0041]其中，
[0042](1)去重，去重是指删除数据集中的重复记录。这可以通过以下步骤实现：
[0043]a.首先，确定数据集中哪些列(属性)具有唯一性，可以作为判断记录是否重复的依据。例如，订单ID、客户ID等。
[0044]b.使用编程语言或数据处理工具(如Python、R、Excel等)进行去重操作。具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于chatGPT模型和算力的AI竞拍决策方法，其特征在于，包括：获取API接口文档，利用API接口文档将小程序与AI引擎对接；获取竞拍数据，并对竞拍数据进行预处理；将预处理后的竞拍数据划分为训练集和测试集；将竞拍数据的训练集送入分类预测模型中，对分类预测模型进行训练优化；将优化后的分类预测模型植入小程序中；利用搭载分类预测模型的小程序对用户数据进行预测，并输出预测结果。2.根据权利要求1所述的一种基于chatGPT模型和算力的AI竞拍决策方法，其特征在于，所述获取API接口文档，利用API将小程序与AI引擎对接，包括选择适合的AI服务提供商，并获取其提供的API接口文档，根据API接口文档进行接口调用和数据传递。3.根据权利要求2所述的一种基于chatGPT模型和算力的AI竞拍决策方法，其特征在于，所述获取竞拍数据，包括收集与大宗化工品销售相关的数据，包括产品价格、成交量、库存和客户信息。4.根据权利要求3所述的一种基于chatGPT模型和算力的AI竞拍决策方法，其特征在于，所述对竞拍数据进行预处理，包括对竞拍数据进行清洗转换。5.根据权利要求4所述的一种基于chatGPT模型和算力的AI竞拍决策方法，其特征在于，所述对竞拍数据进行清洗转换，包括将竞拍数据进行去重、缺失值处理和数据类型转换。6.根据权利要求5所述的一种基于chatGPT模型和算力的AI竞拍决策方法，其特征在于，所述分类预测模型包括线性回归模型，其中，线性回归模型表示为：y＝β0+β1x1+β2x2+...+β
n
x

【专利技术属性】
技术研发人员：周涌，杨宗芳，李飞，
申请(专利权)人：济南明泉数字商务有限公司，
类型：发明
国别省市：