CN106408483A - 一种气象云智能商务方法与*** - Google Patents
一种气象云智能商务方法与*** Download PDFInfo
- Publication number
- CN106408483A CN106408483A CN201610791952.9A CN201610791952A CN106408483A CN 106408483 A CN106408483 A CN 106408483A CN 201610791952 A CN201610791952 A CN 201610791952A CN 106408483 A CN106408483 A CN 106408483A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- data
- meteorology
- meteorologic parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007418 data mining Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013523 data management Methods 0.000 claims abstract description 8
- 239000000047 product Substances 0.000 claims description 15
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 239000013065 commercial product Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 241000255925 Diptera Species 0.000 description 4
- 210000004899 c-terminal region Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000205 computational method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种气象云智能商务***及其方法,***包括:数据采集模块,用于采集气象数据;数据处理模块,用于将所采集的气象数据进行预处理;数据挖掘应用模块,根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经预处理后的气象数据进行挖掘深处理,并生成相应的应用;数据接口模块,将数据应用模块生成的应用发送给客户端;数据管理模块,对各模块进行统一管理。本发明能够利用气象数据定性和定量进行数据挖掘,从数据中获取隐藏的、新颖的信息,实现对气象数据的“深加工”,从大量气象数据中获取隐含信息或知识,并利用这些知识监控数据的动态变化,识别其中隐含的商机,帮助商家实现精准的商品信息推送,创造良好的经济效益。
Description
技术领域
本发明属于电子商务领域,具体涉及一种气象云智能商务方法与***。
背景技术
目前,没有涉及将气象数据应用到智能商务领域的互联网产品的技术,一些关于天气的APP手机应用,全部是通过发布气象信息增加C端用户,然后在自己的应用中增加一些其他板块如:购物、餐饮等,通过替B端企业的推广和成交用户来创造营收。这种应用首先需要大部分的C端用户,而且通过让用户点击其他板块的这种运营模式并不能创造很好的效益。
因此,需要开发一种能够将气象数据应用到智能商务领域以充分利用气象数据创造经济价值的技术。
发明内容
针对上述技术问题,本发明提供一种将气象数据应用到智能商务领域的气象云智能商务***及其方法。
本发明的一实施例提供一种气象云智能商务***,所述***包括:数据采集模块,用于采集气象数据;数据处理模块,用于将所采集的气象数据进行预处理;数据挖掘应用模块,根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经预处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定;数据接口模块,将所述数据应用模块生成的应用发送给客户端;数据管理模块,对数据采集模块、数据处理模块、数据挖掘模块、数据应用模块和数据接口模块进行统一管理。
本发明的另一实施例提供一种气象云智能商务方法,所述方法包括:S100:采集气象数据;S200:将所采集的气象数据进行预处理;S300:根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经预处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定;S400:将所述应用发送给客户端。
本发明提供的气象云智能商务***利用气象数据定性和定量进行数据挖掘,从数据中获取隐藏的、新颖的信息,实现对气象数据的“深加工”。同时,本***基于数据挖掘的方法,从大量气象数据中获取隐含信息或知识,并利用这些知识监控数据的动态变化,识别其中隐含的商机,帮助商家实现精准的商品信息推送,创造良好的经济效益。
附图说明
图1为本发明实施例的气象云智能商务***的结构示意图。
图2为本发明实施例的气象云智能商务方法的流程示意图。
图3和图4是本发明的应用实施例的示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行介绍。
图1为本发明实施例的气象云智能商务***的结构示意图;图2为本发明实施例的气象云智能商务方法的流程示意图。
【气象云智能商务***】
如图1所示,本发明的一种气象云智能商务***,包括:数据采集模块1,用于采集气象数据;数据处理模块2,用于将所采集的气象数据进行预处理;数据挖掘应用模块3,根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经预处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定;数据接口模块4,将所述数据应用模块生成的应用发送给客户端;数据管理模块5,对数据采集模块、数据处理模块、数据挖掘模块、数据应用模块和数据接口模块进行统一管理。
具体地,本发明的数据采集模块1可通过专用数据端口从气象局采集气象数据,所述气象数据可包括若干个气象参数,如关于天气状况的气压、气温、空气湿度、云、降水、天气现象、能见度、蒸发、积雪、风、地温、冻土、日照等气象参数,包括月值、年值数据,以及每个台风的历史坐标位置、风向、风力、风速、气压等,这些数据可形成一条完整的台风运动轨迹数据线,采集的气象数据会存储在指定的数据仓库中。本发明的气象数据可包括:地球辐射收支仪、微波成像仪、太阳辐射监测仪、紫外臭氧垂直探测仪、红外分光计等数据;极轨卫星全国拼图、极轨卫星全球拼图等数据;包括低层大气湿度廓线、大气密度廓线、大气折射率廓线、海上气溶胶、降水检测轨道等数据;全国旬植被指数、地表土壤水分、云雪覆盖率、陆表温度、区域积雪信息等数据;海洋水色、极区海冰覆盖度、海面风速、全球平均海表温度、区域平均海表温度等数据;扫描视场大气顶辐射、射出长波辐射、全球平均射出长波辐射、区域平均射出长波辐射等数据。
数据处理模块2利用已知的数据处理方法从采集的气象数据源中抽取出所需的数据,经过数据清洗,最终按照预先定义好的数据仓库模型,将数据加载到数据仓库中去。
数据挖掘应用模块3,根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经过数据处理模块2处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定,在本发明的一示意性实施例中,采用回归算法或神经网络算法来进行数据挖掘。具体地,所述数据挖掘应用模块基于预先设置的所述预设指令生成与至少一个所述气象参数相关的基本应用,基于客户端发送的所述特定指令生成与至少一个所述气象参数相关的特定应用。在本发明中,气象云智能商务***提供基本应用和特定应用,基本应用是免费提供给客户端,包括关于天气状态的信息、客户端的供应商的动态信息以及商业新闻等,特定应用是需要客户端支付费用的应用,例如,通过不同的气象参数来查看不同的商品种类的品类地图按照这些气象参数的走势图以及某品类商品的走势图,查看某一区域的某一品类商品在该区域的销量走势,以及预测某一区域对某一商品的需求或/和商量销量等,例如,通过湿度、地表温度等参数预测某地区蚊虫卵孵化时间,推送给B端企业或零售端在以后的某个特定时段中备好蚊虫喷剂等产品,也就是说,在本发明中,可根据客户端发送的指令来利用采集的气象数据生成所期望的各种应用,如图3和图4所示,但并不局限于此。在本发明的一示例中,特定应用至少包括商品推荐应用和商品销量预测应用,客户端可包括B端企业或者C端店主。
数据接口模块4可通过数据通讯接口和数据通讯协议将这些应用发送给客户端,同时接收来自客户端的指令。数据管理模块5为***的管理中心,包括对气象数据的管理(如:数据仓库),数据应用的管理(如:物流、交通、广告商务等大模块),还有客户端口的管理等。
以下对本发明的特定应用的几个实施例进行描述。
<商品推荐应用>
所述商品推荐应用通过对用户的相关性进行分析来生成或者通过对商品的相关性进行分析来生成。
其中,所述对用户的相关性进行分析包括分析不同用户中的两两用户之间的相关性,具体包括:采集两个用户对某商品C的行为属性信息和所述两个用户所在地的气象数据,根据所述行为属性信息确定两个用户的行为属性的相关系数,以及根据所述两个用户所在地的气象数据确定两个用户所在地的气象参数的相关系数,进而根据所述两个用户的行为属性的相关系数和所述两个用户所在地的气象参数的相关系数来确定两个用户之间的相关性。本发明的行为属性信息包括,例如,浏览商品的次数、向朋友推荐商品、收藏、分享或评论等,这些行为表示用户对商品的态度和偏好程度,可根据自定义的量化规则来将用户对商品的评分量化为具体的数值,例如可按照用户对商品的行为次数来进行量化,如某一行为的次数为5次以上,例如浏览商品5次以上,分值为4,10次以上为10等。在本发明的一示例中,采用欧几里德距离评价方法来计算两个用户的行为属性的相关系数、两个用户所在地的气象参数的相关系数以及两个用户之间的相关性,其原理是计算两个用户在以两个用户的行为属性的相关系数和两个用户所在地的气象参数的相关系数作为变量绘制的散点图中的距离来判断不同的用户是否有相同的偏好。
具体地,可通过下述公式(1)来确定所述两个用户之间的相关性:
其中,d(A,B)为用户A和用户B之间的相关性,d(A,B)的值越小,表示用户A和用户B之间的相关度越大,即对商品C具有相同/相似偏好,当用户A购买商品C时,数据接口模块会将自动将商品C推荐给用户B;X为用户A和用户B的行为属性的相关系数;Y为用户A和用户B所在地的气象参数的相关系数。由于存在多个不同用户,需要对这些用户之间的两两用户之间的相关性进行计算,因此,在计算得到某一用户与其他用户之间的相关性,选取相关性最高,即d(A,B)值最小的两个用户进行商品推荐。
其中,所述两个用户的所在地的气象参数相关系数通过下述公式(2)来确定:
其中,其中,为用户A和用户B所在地的气象参数的相关系数,的值越小,表示用户A和用户B所在地的气象参数的相关度越大;X1为用户A购买某商品C的概率,分别为用户A所在地的气象参数,该气象参数的具体数值可从气象局处获取;X2为用户B购买某商品C的概率,分别为用户B所在地的气象参数;a1,a2...an为常数,为气象参数的权重,根据实际情况来确定。
所述两个用户的行为属性的相关系数通过下述公式(3)来确定:
其中,其中,为用户A和用户B的行为属性的相关系数,的值越小,表示用户A和用户B的行为属性的相关度越大;Y1为用户A购买某商品C的概率,分别为根据用户A对某商品C的行为属性所确定的分值;Y2为用户B购买某商品C的概率,分别为用户B对某商品C的行为属性参数;b1,b2...bn为常数,为行为属性参数的权重,根据实际情况来确定。
这样,将上述公式(2)中的得到的和公式(3)中的得到的代入上述公式(1)中,从而可得到两个用户之间的相关性d(A,B)。
在本发明的另一示例中,也可采用皮尔逊相关系数计算方法来确定两个用户的行为属性的相关系数、两个用户所在地的气象参数的相关系数以及两个用户之间的相关性。当采用皮尔逊相关系数计算方法来计算用户之间的相关性时,各参数定义与欧几里德距离评价公式所定义的一样,在此省略对其详细介绍。
所述对商品的相关性进行分析包括分析不同商品中的两两商品之间的相关性,具体包括:采集若干用户关于某商品的评分的得分属性信息和若干用户所在区域的气象数据;基于采集的得分属性信息来确定基于得分属性的商品相关系数,以及基于采集的气象数据来确定基于气象参数的商品相关系数;基于确定的基于得分属性的商品相关系数和基于气象参数的商品相关系数来确定两个商品之间的相关性。在本发明中,得分属性信息包括不同用户对商品的评分,这里的评分代表用户对商品的态度和偏好,具体的评分设置可基于实际情况来确定,例如超级满意表示10分,非常满意表示8分,满意表示7分,一般表示5分,不满意3分等。
可基于确定两个用户之间的相关性的计算公式来确定两个商品之间的相关性,具体地,可通过下述公式(4)来确定所述两个商品之间的相关性:
其中,d(A,B)为商品A和商品B之间的相关性,d(A,B)的值越小,表示商品A和商品B之间的相关度越大,即商品A和商品B为相同/相似商品。X为商品A和商品B的得分属性的相关系数;Y为评论商品A和商品B的用户所在地的气象参数的相关系数,由于会有多个用户购买商品A和商品B,因而需要选择相关系数最高的两个用户的气象参数的相关系数来进行计算。当某用户购买了商品A时,数据接口模块会自动将商品B也推荐给该用户,此外,如果具有特定气象参数的两个用户中的一个用户购买了商品A和B,而另一个用户只买了商品A,那么可以推断该用户也有购买商品B的需求,从而会将商品B也会推荐给只买了商品A的用户。由于存在多个不同商品,需要对这些商品之间的两两商品之间的相关性进行计算,因此,在计算得到某一商品与其他商品之间的相关性,选取相关性最高,即d(A,B)值最小的两个商品进行推荐。
基于气象参数的商品相关系数可通过下述公式(5)来确定:
其中,其中,为商品A和商品B的基于气象参数的商品相关系数,的值越小,表示评论商品A和商品B的用户所在地的气象参数的相关度越大;X1为商品A被卖出的概率,分别为评论商品A的用户所在地的气象参数;X2为商品B被卖出的概率,分别为评论商品B的用户所在地的气象参数;a1,a2...an为常数,为气象参数的权重,根据实际情况来确定。
基于得分属性的商品相关系数通过下述公式(6)来确定:
其中,其中,为商品A和商品B的基于得分属性的相关系数,的值越小,表示商品A和商品B的得分属性的相关度越大;Y1为商品被卖出的概率,分别为用户对商品A的评分;Y2为商品B被卖出的概率,分别用户对商品B的评分;b1,b2...bn为常数,为评分的权重,根据实际情况来确定。
这样,将上述公式(5)中的得到的和公式(6)中的得到的代入上述公式(4)中,从而可得到两个商品之间的相关性d(A,B)。
在本发明的另一示例中,也可采用皮尔逊相关系数计算方法来确定基于得分属性的商品相关系数、基于气象参数的商品相关系数和两个商品之间的相关性。当采用皮尔逊相关系数计算方法来计算商品之间的相关性时,各参数定义与欧几里德距离评价公式所定义的一样,在此省略对其详细介绍。
<商品销售量预测应用>
所述商品销售量预测应用可包括关联商品销售量预测应用和基于气象数据的商品销售量预测应用。其中,关联商品销售量预测应用根据相关度高的两个商品中的一个商品的销量来预测另一个商品的销量,具体可通过下述方式来实现:
其中,r为两种商品的销售额的相关系数,x是两种商品在某一时间段内的得分属性的相关系数,y为两种商品在某一时间段的气象参数的相关系数,为两种商品在选取的某一时间段的平均行为属性的相关系数,为两种商品在某一时间段的平均气象参数的相关系数,n为选取的时间段的值,单位为月或者天。其中的x和y的定义和具体计算可参照上述公式(5)和(6)得出,在此避免赘述。
当|r|=1时,表示x与y完全线性相关;
当0<|r|<1时,表示x与y存在着一定的线性相关,r的绝对值越大,越接近于1,表示x与y直线相关程度越高,反之越低,具体如下表1所示:
表1
|r|值 | 相关性 |
(0,0.3) | 微弱相关 |
(0.3,0.5) | 低度相关 |
(0.5,0.8) | 显著相关 |
(0.8,1) | 高度相关 |
当r>0时,表示x与y正相关,当r<0时,表示x与y负相关,当|r|=0时,表示x与y不相关。
通过计算两个商品之间的销售额的关联性,这样,对于关联性最为相近的两个商品,当其中一个商品的销量发生变动时,则可预测另一个商品的销量也将会发生变动。
基于气象数据的商品销售量预测应用为预测某一区域的用户在某一特定时间对某一特定商品的需求量的应用,具体通过下述方式来生成:
采集包括某特定商品在某一特定时间范围内的历史销售数据和购买这些特定商品的用户所在区域的气象数据的数据集合,从所述数据集合随机抽取一部分作为训练集合,剩余的一部分作为测试集合,然后将训练集合内的数据代入下述公式进行训练,得出气象数据的各气象参数的权重a1,a2...an;
其中,Y为所述特定商品在某一特定时间的历史销售量,x1,x2...xn为某一区域在某一特定时间的气象参数,a1,a2...an为各气象参数的权重;
接着,在确定各气象参数的权重a1,a2...an后,将测试集合中的数据代入上述公式进行准确率检验,如果得到的销售量的准确率大于预定准确率,例如70%,则确定所对应的权重作为预测商品销量的权重,进而生成商品销售量预测应用。需要注意的是,在对某一商品进行销量预测之前需要查看该商品和各个参数的相关散点走势,确定它们之间存在相关性后再进行预测。
为节约计算时间和内存损耗,在预测前,可利用主成分算法进行降维,通过聚类来初步判定需要几个主因子。每个主因子的命名需要使用该主因子中的各参数的权重之和大于一个阀值的那几个变量。具体地,将所有气象参数和关于商品销量的数据放入上述预测模型中,通过聚类分析查看设定主因子个数,然后按照权重之和大于预定的权重(例如0.8)确定到底有几个主因子,然后每个主因子中再按照权重之和大于一个设定值来给主因子命名,然后将这几个权重放入回归方程中按照上述训练和测试方式进行回归分析,求出权重并进行预测。降维并聚类后的预测模型具有类似Y=a1.factor1+a2.factor2+a3.factor3,factor1=a1.x1+a2.x2+a3.x3+......;factor2=a5.x5+...等形式,例如主因子A:a1.x+a2.y+a3.z+……(所有气象参数),其中a1+a2+a3>=0.8,那么主因子A就以x,y,z这三个变量进行命名;主因子B:…..+a8.b+a9.d+a10.f+…(所有气象参数),其中a8+a9+a10>=0.8,那么主因子B就以b,d,f这三个变量进行命名;同理主因子C,主因子D;然后预测销量Y=A1.A+A2.B+A3.C+A4.D,通过训练集和测试集进行回归权重A1-A4的预测。
【气象云智能商务方法】
本发明的另一实施例提供一种气象云智能商务方法,如图2所示,包括:
S100:采集气象数据。
具体地,数据采集模块1可通过专用数据端口从气象局采集气象数据,所述气象数据可包括若干个气象参数,如关于天气状况的温度、湿度、日照、降水量、风力等气象参数,采集的气象数据会存储在指定的数据仓库中。
S200:将所采集的气象数据进行预处理。
具体地,数据处理模块2可利用已知的数据处理方法从采集的气象数据源中抽取出所需的数据,经过数据清洗,最终按照预先定义好的数据仓库模型,将数据加载到数据仓库中去。
S300:根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经预处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定。
具体地,数据挖掘应用模块3根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经过数据处理模块2处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定,在本发明的一示意性实施例中,采用回归算法或神经网络算法来进行数据挖掘。具体地,所述数据挖掘应用模块基于预先设置的所述预设指令生成与至少一个所述气象参数相关的基本应用,基于客户端发送的所述特定指令生成与至少一个所述气象参数相关的特定应用。在本发明中,气象云智能商务***提供基本应用和特定应用,基本应用是免费提供给客户端,包括关于天气状态的信息、客户端的供应商的动态信息以及商业新闻等,特定应用是需要客户端支付费用的应用,例如,通过不同的气象参数来查看不同的商品种类的品类地图按照这些气象参数的走势图以及某品类商品的走势图,查看某一区域的某一品类商品在该区域的销量走势,以及预测某一区域对某一商品的需求或/和商量销量等,例如,通过湿度、地表温度等参数预测某地区蚊虫卵孵化时间,推送给B端企业或零售端在以后的某个特定时段中备好蚊虫喷剂等产品,但并不局限于此。在本发明的一示例中,特定应用至少包括商品推荐应用和商品销量预测应用,客户端可包括B端企业或者C端店主。本实施例中的特定应用的生成方式与前述实施例的气象云智能商务***中的特定应用的生成方式相同,在此省略对其详细介绍。
S400:将所述应用发送给客户端。
具体地,数据接口模块4可通过数据通讯接口和数据通讯协议将这些应用发送给客户端,同时接收来自客户端的指令。数据管理模块5为***的管理中心,包括对气象数据的管理(如:数据仓库),数据应用的管理(如:物流、交通、广告商务等大模块),还有客户端口的管理等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (28)
1.一种气象云智能商务***,其特征在于,包括:
数据采集模块,用于采集气象数据;
数据处理模块,用于将所采集的气象数据进行预处理;
数据挖掘应用模块,根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经预处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定;
数据接口模块,将所述数据应用模块生成的应用发送给客户端;
数据管理模块,对数据采集模块、数据处理模块、数据挖掘模块、数据应用模块和数据接口模块进行统一管理。
2.根据权利要求1所述的气象云智能商务***,其特征在于,所述气象数据包括若干个气象参数,所述数据挖掘应用模块基于预先设置的所述预设指令生成与至少一个所述气象参数相关的基本应用,基于客户端发送的所述特定指令生成与至少一个所述气象参数相关的特定应用。
3.根据权利要求2所述的气象云智能商务***,其特征在于,所述基本应用至少包括与天气状况相关的应用,所述特定应用至少包括基于气象数据的商品推荐应用和商品销量预测应用。
4.根据权利要求3所述的气象云智能商务***,其特征在于,所述商品推荐应用通过对用户的相关性进行分析来生成或者通过对商品的相关性进行分析来生成。
5.根据权利要求4所述的气象云智能商务***,其特征在于,所述对用户的相关性进行分析包括分析不同用户中的两两用户之间的相关性,具体包括:采集两个用户对某商品C的行为属性信息和所述两个用户所在地的气象数据,根据所述行为属性信息确定两个用户的行为属性的相关系数,以及根据所述两个用户所在地的气象数据确定两个用户所在地的气象参数的相关系数,进而根据所述两个用户的行为属性的相关系数和所述两个用户所在地的气象参数的相关系数来确定两个用户之间的相关性。
6.根据权利要求5所述的气象云智能商务***,其特征在于,通过下述公式来确定所述两个用户之间的相关性:
其中,d(A,B)为用户A和用户B之间的相关性,d(A,B)的值越小,表示用户A和用户B之间的相关度越大,即对商品C具有相同/相似偏好,当用户A购买商品C时,数据接口模块会将自动将商品C推荐给用户B;X为用户A和用户B的行为属性的相关系数;Y为用户A和用户B所在地的气象参数的相关系数。
7.根据权利要求6所述的气象云智能商务***,其特征在于,所述两个用户的所在地的气象参数相关系数通过下述公式来确定:
其中,其中,为用户A和用户B所在地的气象参数的相关系数,的值越小,表示用户A和用户B所在地的气象参数的相关度越大;X1为用户A购买某商品C的概率,分别为用户A所在地的气象参数;X2为用户B购买某商品C的概率,分别为用户B所在地的气象参数;a1,a2...an为常数,为气象参数的权重。
8.根据权利要求6所述的气象云智能商务***,其特征在于,所述两个用户的行为属性的相关系数通过下述公式来确定:
其中,其中,为用户A和用户B的行为属性的相关系数,的值越小,表示用户A和用户B的行为属性的相关度越大;Y1为用户A购买某商品C的概率,分别为用户A对某商品C的行为属性参数;Y2为用户B购买某商品C的概率,分别为根据用户A对某商品C的行为属性所确定的分值;b1,b2...bn为常数,为行为属性参数的权重。
9.根据权利要求4所述的气象云智能商务***,其特征在于,所述对商品的相关性进行分析包括分析不同商品中的两两商品之间的相关性,具体包括:采集若干用户关于某商品的评分的得分属性信息和若干用户所在区域的气象数据;基于采集的得分属性信息来确定基于得分属性的商品相关系数,以及基于采集的气象数据来确定基于气象参数的商品相关系数;基于确定的基于得分属性的商品相关系数和基于气象参数的商品相关系数来确定两个商品之间的相关性。
10.根据权利要求9所述的气象云智能商务***,其特征在于,通过下述公式来确定所述两个商品之间的相关性:
其中,d(A,B)为商品A和商品B之间的相关性,d(A,B)的值越小,表示商品A和商品B之间的相关度越大,即商品A和商品B为相同/相似商品,当某用户购买了商品A时,数据接口模块会自动将商品B也推荐给该用户;X为商品A和商品B的得分属性的相关系数;Y为评论商品A和商品B的用户所在地的气象参数的相关系数。
11.根据权利要求10所述的气象云智能商务***,其特征在于,基于气象参数的商品相关系数通过下述公式来确定:
其中,其中,为商品A和商品B的基于气象参数的商品相关系数,的值越小,表示评论商品A和商品B的用户所在地的气象参数的相关度越大;X1为商品A被卖出的概率,分别为评论商品A的用户所在地的气象参数;X2为商品B被卖出的概率,分别为评论商品B的用户所在地的气象参数;a1,a2...an为常数,为气象参数的权重。
12.根据权利要求10所述的气象云智能商务***,其特征在于,所述基于得分属性的商品相关系数通过下述公式来确定:
其中,其中,为商品A和商品B的基于得分属性的相关系数,的值越小,表示商品A和商品B的得分属性的相关度越大;Y1为商品被卖出的概率,分别为用户对商品A的评分;Y2为商品B被卖出的概率,分别用户对商品B的评分;b1,b2...bn为常数,为评分的权重。
13.根据权利要求3所述的气象云智能商务***,其特征在于,所述商品销售量预测应用为预测某一区域的用户在某一特定时间对某一特定商品的需求量的应用,具体通过下述方式来生成:
采集包括某特定商品在某一特定时间范围内的历史销售数据和购买这些特定商品的用户所在区域的气象数据的数据集合,从所述数据集合随机抽取一部分作为训练集合,剩余的一部分作为测试集合,然后将训练集合内的数据代入下述预测模型进行训练,得出气象数据的各气象参数的权重a1,a2...an;
其中,Y为所述特定商品在某一特定时间的历史销售量,x1,x2...xn为某一区域在某一特定时间的气象参数,a1,a2...an为常数,为各气象参数的权重;
接着,在确定各气象参数的权重a1,a2...an后,将测试集合中的数据代入上述公式进行准确率检验,如果得到的销售量的准确率大于预定准确率,则确定所对应的权重作为预测商品销量的权重,进而生成商品销售量预测应用。
14.根据权利要求13所述的气象云智能商务***,其特征在于,还包括,在对所述数据集合进行训练前,确定用于预测模型的主因子。
15.一种气象云智能商务方法,其特征在于,包括:
S100:采集气象数据;
S200:将所采集的气象数据进行预处理;
S300:根据预设指令和/或特定指令,基于预定的数据挖掘方法来对经预处理后的气象数据进行挖掘深处理,并生成相应的应用,所述预定的数据方法由生成的应用来确定;
S400:将所述应用发送给客户端。
16.根据权利要求15所述的气象云智能商务方法,其特征在于,所述气象数据包括若干个气象参数,在步骤S300中,基于预先设置的所述预设指令生成与至少一个所述气象参数相关的基本应用,基于客户端发送的所述特定指令生成与至少一个所述气象参数相关的特定应用。
17.根据权利要求16所述的气象云智能商务方法,其特征在于,所述基本应用至少包括与天气状况相关的应用,所述特定应用至少包括基于气象数据的商品推荐应用和商品销量预测应用。
18.根据权利要求17所述的气象云智能商务方法,其特征在于,所述商品推荐应用通过对用户的相关性进行分析来生成或者通过对商品的相关性进行分析来生成。
19.根据权利要求18所述的气象云智能商务方法,其特征在于,所述对用户的相关性进行分析包括分析不同用户中的两两用户之间的相关性,具体包括:采集两个用户对某商品C的行为属性信息和所述两个用户所在地的气象数据,根据所述行为属性信息确定两个用户的行为属性的相关系数,以及根据所述两个用户所在地的气象数据确定两个用户所在地的气象参数的相关系数,进而根据所述两个用户的行为属性的相关系数和所述两个用户所在地的气象参数的相关系数来确定两个用户之间的相关性。
20.根据权利要求19所述的气象云智能商务方法,其特征在于,通过下述公式来确定所述两个用户之间的相关性:
其中,d(A,B)为用户A和用户B之间的相关性,d(A,B)的值越小,表示用户A和用户B之间的相关度越大,即对商品C具有相同/相似偏好,当用户A购买商品C时,则将自动将商品C推荐给用户B;X为用户A和用户B的行为属性的相关系数;Y为用户A和用户B所在地的气象参数的相关系数。
21.根据权利要求20所述的气象云智能商务方法,其特征在于,所述两个用户的所在地的气象参数相关系数通过下述公式来确定:
其中,其中,为用户A和用户B所在地的气象参数的相关系数,的值越小,表示用户A和用户B所在地的气象参数的相关度越大;X1为用户A购买某商品C的概率,分别为用户A所在地的气象参数;X2为用户B购买某商品C的概率,分别为用户B所在地的气象参数;a1,a2...an为常数,为气象参数的权重。
22.根据权利要求20所述的气象云智能商务方法,其特征在于,所述两个用户的行为属性的相关系数通过下述公式来确定:
其中,其中,为用户A和用户B的行为属性的相关系数,的值越小,表示用户A和用户B的行为属性的相关度越大;Y1为用户A购买某商品C的概率,分别为用户A对某商品C的行为属性参数;Y2为用户B购买某商品C的概率,分别为根据用户A对某商品C的行为属性所确定的分值;b1,b2...bn为常数,为行为属性参数的权重。
23.根据权利要求18所述的气象云智能商务方法,其特征在于,所述对商品的相关性进行分析包括分析不同商品中的两两商品之间的相关性,具体包括:采集若干用户关于某商品的评分的得分属性信息和若干用户所在区域的气象数据;基于采集的得分属性信息来确定基于得分属性的商品相关系数,以及基于采集的气象数据来确定基于气象参数的商品相关系数;基于确定的基于得分属性的商品相关系数和基于气象参数的商品相关系数来确定两个商品之间的相关性。
24.根据权利要求23所述的气象云智能商务方法,其特征在于,通过下述公式来确定所述两个商品之间的相关性:
其中,d(A,B)为商品A和商品B之间的相关性,d(A,B)的值越小,表示商品A和商品B之间的相关度越大,即商品A和商品B为相同/相似商品,当某用户购买了商品A时,则自动将商品B也推荐给该用户;X为商品A和商品B的得分属性的相关系数;Y为评论商品A和商品B的用户所在地的气象参数的相关系数。
25.根据权利要求24所述的气象云智能商务方法,其特征在于,基于气象参数的商品相关系数通过下述公式来确定:
其中,其中,为商品A和商品B的基于气象参数的商品相关系数,的值越小,表示评论商品A和商品B的用户所在地的气象参数的相关度越大;X1为商品A被卖出的概率,分别为评论商品A的用户所在地的气象参数;X2为商品B被卖出的概率,分别为评论商品B的用户所在地的气象参数;a1,a2...an为常数,为气象参数的权重。
26.根据权利要求24所述的气象云智能商务方法,其特征在于,所述基于得分属性的商品相关系数通过下述公式来确定:
其中,其中,为商品A和商品B的基于得分属性的相关系数,的值越小,表示商品A和商品B的得分属性的相关度越大;Y1为商品被卖出的概率,分别为用户对商品A的评分;Y2为商品B被卖出的概率,分别用户对商品B的评分;b1,b2...bn为常数,为评分的权重。
27.根据权利要求17所述的气象云智能商务方法,其特征在于,所述商品销售量预测应用为预测某一区域的用户在某一特定时间对某一特定商品的需求量的应用,具体通过下述方式来生成:
采集包括某特定商品在某一特定时间范围内的历史销售数据和购买这些特定商品的用户所在区域的气象数据的数据集合,从所述数据集合随机抽取一部分作为训练集合,剩余的一部分作为测试集合,然后将训练集合内的数据代入下述预测模型进行训练,得出气象数据的各气象参数的权重a1,a2...an;
其中,Y为所述特定商品在某一特定时间的历史销售量,x1,x2...xn为某一区域在某一特定时间的气象参数,a1,a2...an为常数,为各气象参数的权重;
接着,在确定各气象参数的权重a1,a2...an后,将测试集合中的数据代入上述公式进行准确率检验,如果得到的销售量的准确率大于预定准确率,则确定所对应的权重作为预测商品销量的权重,进而生成商品销售量预测应用。
28.根据权利要求27所述的气象云智能商务方法,其特征在于,还包括,在对所述数据集合进行训练前,确定用于预测模型的主因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610791952.9A CN106408483A (zh) | 2016-08-31 | 2016-08-31 | 一种气象云智能商务方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610791952.9A CN106408483A (zh) | 2016-08-31 | 2016-08-31 | 一种气象云智能商务方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408483A true CN106408483A (zh) | 2017-02-15 |
Family
ID=58000746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610791952.9A Pending CN106408483A (zh) | 2016-08-31 | 2016-08-31 | 一种气象云智能商务方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408483A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633426A (zh) * | 2017-09-08 | 2018-01-26 | 四川省绵阳太古软件有限公司 | 基于环境数据的广告信息植入方法及*** |
CN107742248A (zh) * | 2017-11-29 | 2018-02-27 | 贵州省气象信息中心 | 一种商品推荐方法及*** |
WO2019183973A1 (zh) * | 2018-03-30 | 2019-10-03 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN116226213A (zh) * | 2023-02-22 | 2023-06-06 | 广州集联信息技术有限公司 | 一种基于大数据的信息推荐***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588400A (zh) * | 2004-10-21 | 2005-03-02 | 上海交通大学 | 电子商务中推荐商品的方法 |
CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐***及实现方法 |
CN105247552A (zh) * | 2013-06-24 | 2016-01-13 | 英特尔公司 | 数字收据经济 |
-
2016
- 2016-08-31 CN CN201610791952.9A patent/CN106408483A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588400A (zh) * | 2004-10-21 | 2005-03-02 | 上海交通大学 | 电子商务中推荐商品的方法 |
CN102208086A (zh) * | 2010-03-31 | 2011-10-05 | 北京邮电大学 | 面向领域的个性化智能推荐***及实现方法 |
CN105247552A (zh) * | 2013-06-24 | 2016-01-13 | 英特尔公司 | 数字收据经济 |
Non-Patent Citations (1)
Title |
---|
褚希等: "利用模糊评价法实现专业气象服务中商品销量预测", 《山东气象》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633426A (zh) * | 2017-09-08 | 2018-01-26 | 四川省绵阳太古软件有限公司 | 基于环境数据的广告信息植入方法及*** |
CN107742248A (zh) * | 2017-11-29 | 2018-02-27 | 贵州省气象信息中心 | 一种商品推荐方法及*** |
WO2019183973A1 (zh) * | 2018-03-30 | 2019-10-03 | 香港纺织及成衣研发中心有限公司 | 基于机器学习的服装销售的预测方法和预测装置 |
CN116226213A (zh) * | 2023-02-22 | 2023-06-06 | 广州集联信息技术有限公司 | 一种基于大数据的信息推荐***及方法 |
CN116226213B (zh) * | 2023-02-22 | 2023-11-10 | 广州集联信息技术有限公司 | 一种基于大数据的信息推荐***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830089B2 (en) | Systems and methods for ecosystem credit recommendations | |
US7725262B2 (en) | Climatic forecast system | |
US11775906B2 (en) | Method and system for verification of carbon footprint in agricultural parcels | |
Chen et al. | Using fruit fly optimization algorithm optimized grey model neural network to perform satisfaction analysis for e-business service | |
CN108205766A (zh) | 信息推送方法、装置及*** | |
Shaker Reddy et al. | An Adaptive Model for Forecasting Seasonal Rainfall Using Predictive Analytics. | |
CN106408483A (zh) | 一种气象云智能商务方法与*** | |
US11861625B2 (en) | Method and system for carbon footprint monitoring based on regenerative practice implementation | |
WO2014120887A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
CN106779808A (zh) | 一种商圈中消费者空间行为分析***及方法 | |
Perea et al. | Water and energy demand forecasting in large-scale water distribution networks for irrigation using open data and machine learning algorithms | |
US20220138703A1 (en) | Method and system for carbon footprint determination based on regenerative practice implementation | |
Gray et al. | A range‐wide model of contemporary, omnidirectional connectivity for the threatened Mojave desert tortoise | |
Raman et al. | Agriculture Yield Estimation Using Machine Learning Algorithms | |
CN117314006A (zh) | 一种智能化数据分析方法及*** | |
Lagacherie et al. | Evaluating the impact of using digital soil mapping products as input for spatializing a crop model: The case of drainage and maize yield simulated by STICS in the Berambadi catchment (India) | |
Ergun et al. | Creating a geodemographic classification model within geo-marketing: the case of Eskişehir province | |
Chen | Spatially explicit modelling of agricultural dynamics in semi-arid environments | |
Sharma et al. | CROP YIELD PREDICTIONS AND RECOMMENDATIONS USING RANDOM FOREST REGRESSION IN 3A AGROCLIMATIC ZONE, RAJASTHAN | |
Guldin | A systematic review of small domain estimation research in forestry during the twenty-first century from outside the United States | |
Strunk et al. | Stand validation of lidar forest inventory modeling for a managed southern pine forest | |
Shekana et al. | Weather Variability Forecasting Model through Data Mining Techniques | |
Burstein et al. | Data mining and data fusion for enhanced decision support | |
Safi et al. | Landuse/Landcover change analysis using medium resolution images and machine learning algorithms in the cotton landscape of multan and bahawalpur districts, Pakistan | |
Berry et al. | An analytical framework for GIS modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |