CN113643060A - 产品价格的预测方法和装置 - Google Patents
产品价格的预测方法和装置 Download PDFInfo
- Publication number
- CN113643060A CN113643060A CN202110923783.0A CN202110923783A CN113643060A CN 113643060 A CN113643060 A CN 113643060A CN 202110923783 A CN202110923783 A CN 202110923783A CN 113643060 A CN113643060 A CN 113643060A
- Authority
- CN
- China
- Prior art keywords
- price
- target product
- participle
- price prediction
- participles
- 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 76
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 230000011218 segmentation Effects 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims abstract description 18
- 230000002996 emotional effect Effects 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 20
- 230000008451 emotion Effects 0.000 description 19
- 230000000630 rising effect Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 230000009467 reduction Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q30/0283—Price estimation or determination
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种产品价格的预测方法,可以应用于金融领域。该方法包括:获取涉及目标产品的舆情信息;对舆情信息进行分词处理,得到多个分词;对多个分词按主题进行分类,得到至少一类分词;基于至少一类分词,确定针对目标产品的至少一个价格预测矩阵;以及基于至少一个价格预测矩阵,预测目标产品的价格。本公开还提供了一种产品价格的预测装置、一种电子设备、一种计算机可读存储介质以及一种计算机程序产品。
Description
技术领域
本公开涉及计算机技术领域,可以应用于金融领域。特别是涉及一种产品价格的预测方法和装置。
背景技术
消费者在购买产品时,产品价格的变化影响着消费者的购买行为。商家在售卖产品时,产品价格的变化影响着商家的收益。产品的所有权人在抵押产品申请贷款时,产品价格的变化影响着银行等机构的放款额度。为了便于消费者规划购买行为、以及商家定价、以及银行等机构确定放款额度,需要预测未来一段时间内的产品价格。产品价格的变化规律比较复杂,因此,在预测产品价格的过程中,常常会出现预测结果与实际情况相比,偏差太大的现象。
发明内容
本公开的一个方面提供了一种产品价格的预测方法,包括:获取涉及目标产品的舆情信息;对上述舆情信息进行分词处理,得到多个分词;对上述多个分词按主题进行分类,得到至少一类分词;基于上述至少一类分词,确定针对上述目标产品的至少一个价格预测矩阵;以及基于上述至少一个价格预测矩阵,预测上述目标产品的价格。
可选地,基于上述至少一类分词,确定针对上述目标产品的至少一个价格预测矩阵,包括,针对上述至少一类分词中每类分词,执行以下操作:确定上述每类分词中各个分词的情感属性和时间戳;基于确定的情感属性,定义上述每类分词中各个分词的权重值;以及基于上述每类分词中各个分词的时间戳和权重值,确定针对上述目标产品的一个价格预测矩阵。
可选地,上述情感属性包括:积极属性和消极属性;上述基于确定的情感属性,定义上述每类分词中各个分词的权重值,包括:针对上述每类分词,将具有上述积极属性的分词的权重定义为第一预设值;以及将具有上述消极属性的分词的权重定义为第二预设值。
可选地,基于上述每类分词中各个分词的时间戳和权重值,确定针对上述目标产品的一个价格预测矩阵,包括:确定多个时间区间;基于上述各个分词的时间戳,统计同一分词在上述多个时间区间中的每个时间区间内出现的频次;以及基于上述各个分词的权重值和统计得到的相应频次,计算对应价格预测矩阵中每个矩阵元素的数值,其中,上述对应价格预测矩阵的每一行对应于上述多个时间区间中的一个时间区间,上述对应价格预测矩阵的每一列对应于同一分词。
可选地,基于上述至少一个价格预测矩阵,预测上述目标产品的价格,包括:将上述至少一个价格预测矩阵输入预先训练得到的产品价格预测模型进行预测,以针对上述目标产品输出对应的预测值,其中,上述预测值包括:上述目标产品的价格涨幅或价格跌幅;获取上述目标产品的市场价格;以及基于上述市场价格和上述预测值,计算上述目标产品的预测价格。
可选地,上述目标产品包括:房产。
本公开的另一个方面提供了一种产品价格的预测装置,包括:获取模块,用于获取涉及目标产品的舆情信息;分词处理模块,用于对上述舆情信息进行分词处理,得到多个分词;分类模块,用于对上述多个分词按主题进行分类,得到至少一类分词;确定模块,用于基于上述至少一类分词,确定针对上述目标产品的至少一个价格预测矩阵;以及预测模块,用于基于上述至少一个价格预测矩阵,预测上述目标产品的价格。
可选地,上述确定模块,包括:确定情感属性和时间戳单元,针对上述至少一类分词中每类分词,确定上述每类分词中各个分词的情感属性和时间戳;定义权重值单元,针对上述至少一类分词中每类分词,基于确定的情感属性,定义上述每类分词中各个分词的权重值;以及确定价格预测矩阵单元,针对上述至少一类分词中每类分词,基于上述每类分词中各个分词的时间戳和权重值,确定针对上述目标产品的一个价格预测矩阵。
可选地,上述情感属性包括:积极属性和消极属性;上述定义权重值单元,包括:第一定义子单元,针对上述每类分词,将具有上述积极属性的分词的权重定义为第一预设值;以及第二定义子单元,将具有上述消极属性的分词的权重定义为第二预设值。
可选地,上述确定价格预测矩阵单元,包括:确定时间区间子单元,确定多个时间区间;统计频次子单元,基于上述各个分词的时间戳,统计同一分词在上述多个时间区间中的每个时间区间内出现的频次;以及计算矩阵元素子单元,基于上述各个分词的权重值和统计得到的相应频次,计算对应价格预测矩阵中每个矩阵元素的数值,其中,上述对应价格预测矩阵的每一行对应于上述多个时间区间中的一个时间区间,上述对应价格预测矩阵的每一列对应于同一分词。
可选地,上述预测模块,包括:预测单元,将上述至少一个价格预测矩阵输入预先训练得到的产品价格预测模型进行预测,以针对上述目标产品输出对应的预测值,其中,上述预测值包括:上述目标产品的价格涨幅或价格跌幅;获取价格单元,获取上述目标产品的市场价格;以及计算单元,基于上述市场价格和上述预测值,计算上述目标产品的预测价格。
可选地,上述目标产品包括:房产。
本公开的另一方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现本公开实施例的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被执行时用于实现本公开实施例的方法。
本公开的另一方面提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现本公开实施例的方法。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的可应用于产品价格的预测方法和装置的示例性***架构;
图2示意性示出了根据本公开实施例的产品价格的预测方法的流程图;
图3示意性示出了根据本公开另一实施例的产品价格的预测方法的流程图;
图4示意性示出了根据本公开又一实施例的基于各类分词确定对应价格预测矩阵的流程图;
图5示意性示出了根据本公开又一实施例的基于每类分词中各个分词的时间戳和权重值确定对应价格预测矩阵的流程图;
图6示意性示出了根据本公开又一实施例的基于价格预测矩阵预测目标产品价格的流程图;
图7示意性示出了根据本公开实施例的产品价格的预测装置的框图;
图8示意性示出了根据本公开实施例的产品价格预测装置的确定模块的框图;
图9示意性示出了根据本公开实施例的产品价格预测装置的预测模块的框图;
图10示意性示出了根据本公开实施例的产品价格预测装置的定义权重值单元的框图;
图11示意性示出了根据本公开实施例的产品价格预测装置的确定价格预测矩阵单元的框图;以及
图12示意性示出了根据本公开实施例的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应陔按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行***使用或者结合指令执行***使用。
本公开的实施例提供了一种产品价格的预测方法以及能够应用该方法的产品价格的预测装置。该方法包括:获取涉及目标产品的舆情信息;对上述舆情信息进行分词处理,得到多个分词;对上述多个分词按主题进行分类,得到至少一类分词;基于上述至少一类分词,确定针对上述目标产品的至少一个价格预测矩阵;以及基于上述至少一个价格预测矩阵,预测上述目标产品的价格。
图1示意性示出了根据本公开实施例的可应用于产品价格的预测方法和装置的示例性***架构。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
如图1所示,该***架构100包括:终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103上可以安装有各种客户端应用,例如业务建模工具(仅为示例)。终端设备101、102、103可以通过各种客户端应用与服务器105进行交互,以向服务器105发送各种请求或接收服务器105返回的结果。
终端设备101、102、103可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105是可以提供各种服务支持的后台管理服务器或服务器集群(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本公开实施例所提供的产品价格的预测方法一般可以由服务器105执行。相应地,本公开实施例所提供的产品价格的预测装置一般可以设置于服务器105中。本公开实施例所提供的产品价格的预测方法也可以由终端设备101、102、103执行。相应地,本公开实施例所提供的产品价格的预测装置一般可以设置于终端设备101、102、103中。本公开实施例所提供的产品价格的预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的产品价格的预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实际需要,可以具有任意数目的终端设备、网络和服务器。
消费者在购买产品时,产品价格的变化影响着消费者的购买行为。商家在售卖产品时,产品价格的变化影响着商家的收益。产品的所有权人在抵押产品申请贷款时,产品价格的变化影响着银行等机构的放款额度。因此,为了便于消费者规划购买行为、以及商家定价、以及银行等机构确定放款额度,需要预测未来一段时间内的产品价格。
传统的预测产品价格的方法,一般将线性回归作为基础理论,认为产品价格与相关参数之间存在线性关系,用线性方程拟合产品价格的相关参数,完成对产品价格的预测。
基于线性回归的产品价格的预测模型中,使用线性回归进行参数训练,因此,该预测模型的训练效率很高。但是,产品价格的预测问题是一个复杂多变的预测问题,许多参数与产品价格不是线性相关。因此,基于线性回归的产品价格的预测模型,产品价格的预测结果与实际的产品价格相比,存在较大误差。
大众会在各种网站、论坛、应用程序上讨论各种产品。这些大众讨论产品的舆情信息,影响着产品的价格。
根据本公开的实施例,提供了一种产品价格的预测方法。通过该方法,可以基于舆情信息,得到针对目标产品的至少一个价格预测矩阵,并基于至少一个价格预测矩阵,预测目标产品的价格。
以下将结合附图进行示例性说明。应该注意,以下实施例中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该实施例不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的产品价格的预测方法的流程图。
如图2所示,该方法包括操作S210~S250。
在操作S210,获取涉及目标产品的舆情信息。
本操作中,获取涉及目标产品的舆情信息可以采用爬虫技术。示例性的,可以从涉及目标产品舆情信息的网站中爬取相关舆情信息。应该理解,舆情信息可能会影响到目标产品的价格,公众对目标产品、目标产品价格的讨论等会造成目标产品价格的波动。
例如,目标产品可以为房产,获取涉及目标产品的舆情信息可以是采用爬虫技术,从主流财经和政策网站、微博、房产中介网站等爬取有关房产、房产价格的舆情信息。公众对某个城市中,某个区域内的某个楼盘的房产、房产价格的讨论,会造成该楼盘价格的波动。
应该理解,除了房产之外,还可以采用本公开实施例提供的方法,对股票、汽车等产品进行产品价格预测,本公开在此不再一一赘述。
在操作S220,对舆情信息进行分词处理,得到多个分词。
本操作中,舆情信息可以是操作S210中获取到的、涉及目标产品的舆情信息。分词处理可以将连续的字序列按照一定的规范重新组合成词序列。例如,中文分词处理可以是,计算机***在中文文本中的词与词之间,自动加上空格或其他边界标记。
本操作中,对舆情信息进行分词处理可以是将获取到的涉及目标产品的舆情信息,进行分词处理。经过分词处理的舆情信息被分为多个分词。例如,目标产品为房产,对舆情信息进行分词处理,得到多个分词,多个分词可以是“利率”、“行业”、“地区”、“学校”、“医院”、“国内生产总值”、“失业率”、“消费价格指数”、“银行利率”、“货币供应量”、“股票市场指数”、“新住宅的数量”等。
在操作S230,对多个分词按主题进行分类,得到至少一类分词。
本操作中,对多个分词按主题进行分类可以是,自定义与目标产品的舆情信息相关的主题,基于自定义的主题,将操作S220中得到的多个分词进行分类。自定义至少一个主题,对多个分词按主题进行分类后,得到至少一类分词。
本操作中,对多个分词按主题进行分类例如可以采用预设中文文本分类器。该预设中文文本分类器可以是中文文本分类工具包,能够自动高效地实现用户自定义的文本分类语料的训练、评测、分类功能。
在使用上述中文文本分类器进行分类之前,可以预先训练该分类器。在训练该分类器前,可以先自定义与每个主题相关的,且与目标产品舆情信息相关的多个分词。在训练该分类器时,输入多个与目标产品的舆情信息相关的主题样本,以及与每个主题相关的,且与目标产品舆情信息相关的多个分词样本。训练好该分类器后,输入操作S220中得到的多个分词。该分类器输出每个分词属于每个主题的概率。自定义一个概率阈值,当某个分词属于某个主题的概率大于该概率阈值时,确定该分词属于该主题。
例如,目标产品为房产。可以定义与房产的舆情信息相关的主题为“相关宏观政策”、“城市经济水平”、“周边教育水平”、“城市医疗水平”、“周边出行水平”、“舆情主观倾向”。对多个分词按主题进行分类,得到至少一类分词例如可以是:以主题“相关宏观政策”进行分类,将“货币宽松”、“放水”、“银行利率”、“去库存”等划分为该主题下的一类分词;以主题“城市经济水平”进行分类,将“涨工资”、“月薪”、“年薪”、“国内生产总值”等划分为该主题下的一类分词;以主题“周边教育水平”进行分类,将“学区”、“牛小”、“小升初率”等划分为该主题下的一类分词;以主题“城市医疗水平”进行分类,将“医院”、“医疗水平”、“体检”等划分为该主题下的一类分词;以主题“周边出行水平”进行分类,将“交通便利”、“出行方便”、“拥堵”等划分为该主题下的一类分词;以主题“舆情主观倾向”进行分类,将“房价上涨”、“无脑买房”、“买二套”、“看涨”、“看跌”等划分为该主题下的一类分词。
在操作S240,基于至少一类分词,确定针对目标产品的至少一个价格预测矩阵。本操作中,至少一类分词可以是通过操作S230得到的各类分词。基于操作S230得到的各类分词,确定针对目标产品的至少一个价格预测矩阵。基于每类分词对应可以得到一个价格预测矩阵。换言之,有几类分词,便可以对应得到几个价格预测矩阵。针对目标产品的至少一个价格预测矩阵中的各个元素,与操作S230得到的至少一类分词相关。
在操作S250,基于至少一个价格预测矩阵,预测目标产品的价格。
本操作中,至少一个价格预测矩阵是操作S240得到的至少一个价格预测矩阵。基于至少一个价格预测矩阵,可以预测目标产品的价格。
可以理解的是,根据本公开实施例的产品价格的预测方法,基于涉及目标产品的舆情信息,将舆情信息进行分词处理、分类处理,确定针对目标产品的至少一个价格预测矩阵,并基于至少一个价格预测矩阵,预测目标产品的价格。基于舆情信息的产品价格的预测方法,将舆情信息作为了产品价格的影响因素。由于公众对产品、以及产品价格等的讨论,可以影响产品的价格。因此,将获取的涉及目标产品的舆情信息进行分词处理、分类处理,确定针对目标产品的至少一个价格预测矩阵,将舆情信息转化为可处理的价格预测矩阵,便于预测目标产品的价格。本公开实施例中,基于舆情信息的产品价格预测方法,为目标产品的价格预测提供了有力的舆论数据支撑。产品的所有权人在抵押产品申请贷款时,银行等机构根据基于舆情信息的产品价格预测方法,确定放款额度,增强了银行信贷风控能力。
图3示意性示出了根据本公开另一实施例的产品价格的预测方法的流程图。
如图3所示,该方法包括操作S310~S380。
在操作S310,获取涉及目标产品的舆情信息。
本操作与图2所示的操作S210相同,不再赘述。
在操作S320,对舆情信息进行分词处理,得到多个分词。
本操作与图2所示的操作S220相同,不再赘述。
在操作S330,对多个分词按主题进行分类,得到至少一类分词。
本操作与图2所示的操作S230相同,不再赘述。
在操作S340,针对至少一类分词中每类分词,确定每类分词中各个分词的情感属性和时间戳。
本操作中,针对至少一类分词中每类分词,确定每类分词中各个分词的情感属性可以是,确定操作S330中,至少一类分词中每类分词中,各个分词的情感属性。分词的情感属性表征了公众对于目标产品的情感倾向。
例如,目标产品为冰激凌,以主题“味道”进行分类,该主题下的一类分词可以包括“美味”、“味道还行”和“难吃”等。可以确定分词“美味”的情感属性为非常喜欢,确定分词“味道还行”的情感属性为喜欢,确定分词“难吃”的情感属性为不喜欢。
例如,目标产品为房产,以主题“相关宏观政策”进行分类,该主题下的一类分词可以包括“货币宽松”,可以确定分词“货币宽松”的情感属性为积极。以主题“城市经济水平”进行分类,该主题下的一类分词可以包括“涨工资”和“人口流出”,可以确定分词“涨工资”的情感属性为积极,确定分词“人口流出”的情感属性为消极。以主题“舆情主观倾向”进行分类,该主题下的一类分词可以包括“看涨”和“看跌”,可以确定分词“看涨”的情感属性为积极,确定分词“看跌”的情感属性为消极。
本操作中,针对至少一类分词中每类分词,确定每类分词中各个分词的时间戳可以是,确定操作S330中,至少一类分词中的每类分词中,各个分词的时间戳。舆情信息发布的时间,影响目标产品的价格变化的时间。因此,确定每类分词中各个分词的时间戳,可以精确表征目标产品的价格变化的时间,进而可以精确预测目标产品的价格。
在操作S350,针对至少一类分词中每类分词,基于确定的情感属性,定义每类分词中各个分词的权重值。
本操作中,针对至少一类分词中每类分词,基于确定的情感属性,定义每类分词中各个分词的权重值可以是,针对至少一类分词中每类分词,基于操作S340确定的情感属性,定义每类分词中各个分词的权重值。每类分词,各个分词中,情感属性相同的分词权重值可以相同。
例如,目标产品为房产,以主题“相关宏观政策”进行分类,该主题下的一类分词可以包括“货币宽松”和“银行利率降低”,可以确定分词“货币宽松”、“银行利率降低”的情感属性都为积极,则可以确定分词“货币宽松”、“银行利率降低”的权重值均为1。
每类分词,各个分词中,情感属性相同的分词权重值可以不同。
例如,目标产品为房产,以主题“相关宏观政策”进行分类,该主题下的一类分词可以包括“货币宽松”和“银行利率降低”,可以确定分词“货币宽松”、“银行利率降低”的情感属性都为积极,则可以确定分词“货币宽松”的权重值为1、“银行利率降低”的权重值为0.5。
不同类分词,各个分词中,情感属性相同的分词权重值可以相同。
例如,目标产品为房产,以主题“相关宏观政策”进行分类,该主题下的一类分词可以包括“货币宽松”,可以确定分词“货币宽松”的情感属性为积极,则可以确定分词“货币宽松”的权重值为1。以主题为“城市经济水平”进行分类,该主题下的一类分词可以包括“涨工资”,可以确定分词“涨工资”的情感属性为积极,则可以确定分词“涨工资”的权重值也为1。
不同类分词,各个分词中,情感属性相同的分词权重值可以不相同。
例如,目标产品为房产,以主题“相关宏观政策”进行,该主题下的一类分词可以包括“货币宽松”,可以确定分词“货币宽松”的情感属性为积极,则可以确定分词“货币宽松”的权重值为1。以主题“城市经济水平”进行分类,该主题下的一类分词可以包括“涨工资”,可以确定分词“涨工资”的情感属性为积极,则可以确定分词“涨工资”的权重值为0.5。
在操作S360,针对至少一类分词中每类分词,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵。
本操作中,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵,可以是基于操作S340确定的每类分词中各个分词的时间戳、操作S350定义的每类分词中各个分词的权重值,确定针对目标产品的一个价格预测矩阵。针对目标产品的价格预测矩阵中的元素是每类分词中各个分词的权重值。根据每类分词中各个分词的时间戳,确定元素所在的行。价格预测矩阵的同一列中的元素是同一分词的权重值。
在操作S370,基于至少一类分词,确定针对目标产品的至少一个价格预测矩阵。
本操作与图2所示的操作S240相同,不再赘述。
在操作S380,基于至少一个价格预测矩阵,预测目标产品的价格。
本操作与图2所示的操作S250相同,不再赘述。
根据本公开实施例的产品价格的预测方法,基于涉及目标产品的舆情信息,将舆情信息进行分词处理、分类处理,针对至少一类分词中每类分词,确定每类分词中各个分词的情感属性和时间戳,基于确定的情感属性,定义每类分词中各个分词的权重值,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵,并基于至少一个价格预测矩阵,预测目标产品的价格。
其中,针对至少一类分词中每类分词,确定每类分词中各个分词的情感属性和时间戳,基于确定的情感属性,定义每类分词中各个分词的权重值。确定舆情信息的情感属性,可以确定舆情信息影响目标产品价格的影响方式。该影响方式可以是正向影响,可以是没有影响,也可以是反向影响。定义每类分词中各个分词的权重值时,权重值的大小表征了舆情信息影响目标产品价格的影响程度。定义的权重值越高,舆情信息对目标产品的价格的影响程度越高。
其中,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵。价格预测矩阵的元素与每类分词中各个分词的时间戳和权重值相关,基于至少一个价格预测矩阵,预测目标产品的价格时,可以基于舆情信息对目标产品价格的影响时间与影响程度,更为准确地预测目标产品的价格。
图4示意性示出了根据本公开又一实施例的基于各类分词确定对应价格预测矩阵的流程图。
如图4所示,操作S240中,基于至少一类分词,确定针对目标产品的至少一个价格预测矩阵,可以包括操作S241~S245。
在操作S241,针对至少一类分词中每类分词,确定每类分词中各个分词的情感属性和时间戳。
本操作与图3所示的操作S340相同,不再赘述。
在操作S242,针对每类分词,判断各个分词的情感属性是否为积极属性。
本操作中,针对每类分词,判断各个分词的情感属性是否为积极属性可以是,针对每类分词,判断操作S241中各个分词的情感属性是否为积极属性。各个分词的情感属性包括:积极属性和消极属性。如果某一分词对目标产品的价格影响为正向影响,则该分词的情感属性为积极属性。如果某一分词对目标产品的价格影响为反向影响,则该分词的情感属性为消极属性。判断各个分词的情感属性,有利于判断各个分词对目标产品价格的影响方式。
本操作中,如果某一分词的情感属性为积极属性,则执行接下来的操作S243。如果某一分词的情感属性不为积极属性,那么该分词的情感属性为消极属性,则执行接下来的操作S244。
在操作S243,将具有积极属性的分词的权重定义为第一预设值。
在操作S244,将具有消极属性的分词的权重定义为第二预设值。
在操作S243、操作S244中,第一预设值与第二预设值可以定义为不同的数值。将具有积极属性的分词和具有消极属性的分词,权重值定义为不同的预设值,可以将舆情信息对目标产品的价格影响划分为正向影响和反向影响,便于从正向和反向两个角度分析舆情信息对目标产品价格的影响,以及影响程度,有利于更加准确地预测目标产品的价格。
例如,目标产品为房产,以主题“相关宏观政策”进行分类,该主题下的一类分词可以包括“货币宽松”,可以确定分词“货币宽松”的情感属性为积极,则可以将分词“货币宽松”的权重定义为第一预设值。以主题“城市经济水平”进行分类,该主题下的一类分词可以包括“涨工资”和“人口流出”,可以确定分词“涨工资”的情感属性为积极,确定分词“人口流出”的情感属性为消极,则可以将分词“涨工资”的权重定义为第一预设值,可以将分词“人口流出”的权重定义为第二预设值。以主题“舆情主观倾向”进行分类,该主题下的一类分词可以包括“看涨”和“看跌”,可以确定分词“看涨”的情感属性为积极,确定分词“看跌”的情感属性为消极,则可以将分词“看涨”的权重定义为第一预设值,可以将分词“看跌”的权重定义为第二预设值。
在操作S245,针对至少一类分词中每类分词,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵。
本操作与图3所示的操作S360相同,不再赘述。
根据本公开实施例的产品价格的预测方法,确定每类分词中各个分词的情感属性,其中,情感属性包括积极属性和消极属性,将积极属性和消极属性的分词的权重值分别定义为第一预设值和第二预设值,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵。将具有积极属性的分词和具有消极属性的分词,权重值定义为不同的预设值,可以将舆情信息对目标产品的价格影响划分为正向影响和反向影响,便于从正向和反向两个角度分析舆情信息对目标产品价格的影响,以及影响程度,有利于更加准确地预测目标产品的价格。
图5示意性示出了根据本公开又一实施例的基于每类分词中各个分词的时间戳和权重值确定对应价格预测矩阵的流程图。
如图5所示,操作S360中,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵,可以包括操作S361~S363。
在操作S361,确定多个时间区间。
本操作中,确定多个时间区间。不同的时间,目标产品的价格不同。根据目标产品的性质,判断目标产品的价格多长时间会发生变化,确定每个时间区间的区间长度。例如可以以一周为一个时间区间。例如,可以以一个月为一个时间区间。例如,可以确定时间区间为:2012年1月1日~2012年1月6日、2012年1月7日~2012年1月12日、2012年1月13日~2012年1月18日……2020年1月23日~2020年1月28日。还可以确定时间区间为:2012年1月1日0:00~2012年1月1日24:00、2012年1月2日0:00~2012年1月2日24:00、2012年1月3日0:00~2012年1月3日24:00……2020年1月28日0:00~2020年1月28日24:00。
在操作S362,基于各个分词的时间戳,统计同一分词在多个时间区间中的每个时间区间内出现的频次。
本操作中,各个分词的时间戳表征了各个分词出现在哪一个时间区间。统计同一分词在多个时间区间中的每个时间区间内出现的频次时,同一分词出现的频次表征了该分词对目标产品价格的影响。
在操作S363,基于各个分词的权重值和统计得到的相应频次,计算对应价格预测矩阵中每个矩阵元素的数值,其中,对应价格预测矩阵的每一行对应于多个时间区间中的一个时间区间,对应价格预测矩阵的每一列对应于同一分词。
本操作中,基于各个分词的权重值和统计得到的相应频次,计算对应价格预测矩阵中每个矩阵元素的数值可以,基于各个类别,各个分词在每个时间区间内出现的频次,将各个分词的权重值乘以该类别下,该分词在每个时间区间内出现的频次,将处理后的权重值作为价格预测矩阵的元素。价格预测矩阵的不同行表示了分词的时间戳所在的不同时间区间,价格预测矩阵的不同列表示了不同的分词。
例如,可以统计同一分词在多个时间区间中的,每个时间区间内出现的频次,构成权重序列,获取该权重序列的转置矩阵,将不同分词的权重序列的转置矩阵合并,得到价格预测矩阵。
根据本公开实施例的产品价格的预测方法,统计同一分词在多个时间区间中的每个时间区间内出现的频次,基于各个分词的权重值和统计得到的相应频次,计算对应价格预测矩阵中每个矩阵元素的数值,基于至少一个价格矩阵,预测目标产品的价格。价格预测矩阵的不同行表示了分词的时间戳所在的不同时间区间,价格预测矩阵的不同列表示了不同的分词。基于各个分词的权重值和统计得到的相应频次,确定价格预测矩阵中的每个矩阵元素,可以精确确定价格预测矩阵。基于精确确定后的价格预测矩阵,且该价格预测矩阵与舆情信息的情感属性和发布时间相关,可以从舆情信息的情感属性和发布时间的角度,准确预测目标产品的价格。
图6示意性示出了根据本公开又一实施例的基于价格预测矩阵预测目标产品价格的流程图。
如图6所示,操作S250中,基于至少一个价格预测矩阵,预测目标产品的价格,可以包括操作S251~S253。
在操作S251,将至少一个价格预测矩阵输入预先训练得到的产品价格预测模型进行预测,以针对目标产品输出对应的预测值。
本操作中,产品价格预测模型例如可以是BP(Back Propagation,简称为反向传播)神经网络产品价格预测模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。BP神经网络的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
例如,本产品价格的预测方法可以以python语言为建模工具,利用神经网络Tensorflow程序包构建BP神经网络产品价格预测模型,进行产品价格的预测。Tensorflow是一个基于数据流编程的符号数学***,被广泛应用于各类机器学习算法的编程实现。Tensorflow拥有多层级结构,可部署于各类服务器、PC终端和网页,并支持高性能数值计算。
BP神经网络产品价格预测模型的隐含层的激活函数可以为tansig函数。tansig函数是神经网络层传递函数。tansig函数的输入值可取任意值,输出值在-1到+1之间。BP神经网络产品价格预测模型的输出层的激活函数可以为purelin函数。purelin函数是线性传输函数。purelin函数的输入与输出可取任意值。评价BP神经网络产品价格预测模型的拟合优度的函数可以为最小均方函数。BP神经网络产品价格预测模型的训练方法可以采用具有动量的自适应梯度下降法。自适应梯度下降法,对不同的参数进行动态调整,采取不同的学习率,让目标函数能够更快地收敛。
从网络中爬取2012年至2020年的目标产品的价格数据。将2012年至2017年的目标产品的价格数据作为训练集,将2017年至2020年的目标产品的价格数据作为测试集。
BP神经网络产品价格预测模型的输入为至少一个价格预测矩阵。BP神经网络产品价格预测模型的输出为预测值,该预测值是目标产品的价格涨幅或价格跌幅。
在训练价格预测模型时,BP神经网络产品价格预测模型输入:操作S530所得到的至少一个价格预测矩阵,以及2012年至2017年的产品价格数据。设定训练价格预测模型的训练阈值。在训练价格预测模型时,不断调整价格预测矩阵中每个元素的数值,直到价格预测模型输出的预测值的准确率达到训练阈值。
在测试价格预测模型时,BP神经网络产品价格预测模型输入训练好的至少一个价格预测矩阵,测试BP神经网络产品价格预测模型,在预测2017年至2020年的目标产品的价格时,预测的准确率。
其中,将至少一个价格预测矩阵输入预先训练得到的产品价格预测模型进行预测前,先将至少一个价格预测模型中的每一列元素进行归一化处理。再将归一化处理后的至少一个价格预测模型进行PCA(PrincipalComponent Analysis,简称为主成分分析)降维处理。最后,将PCA降维处理后的至少一个价格预测矩阵,以行的方式输入到BP神经网络产品价格预测模型。归一化处理以及PCA降维处理,减少了BP神经网络产品价格预测模型的计算量,提高了BP神经网络产品价格预测模型的计算效率。
在操作S252,获取目标产品的市场价格。
本操作中,获取目标产品的市场价格可以从网络爬取目标产品的当前价格。
在操作S253,基于市场价格和预测值,计算目标产品的预测价格。
本操作中,基于BP神经网络产品价格预测模型输出的目标产品的价格涨幅或价格跌幅,以及从网络爬取的目标产品的当前价格,计算目标产品的预测价格。
根据本公开实施例的产品价格的预测方法,基于从网络爬取的市场价格和价格预测模型得到的预测值,计算出了目标产品的预测价格。
根据本公开实施例的产品价格的预测方法,目标产品例如可以包括:房产。
根据本公开实施例的产品价格的预测方法,可以预测房产的价格。房产所有人在抵押房产,向银行申请贷款时,银行可以根据本公开实施例的产品价格的预测方法,预测房产所有人抵押的房产在未来一段时间内的房产价格。银行对客户申请贷款授信额度的把控精细,能够准确预估客户的房产抵押品的未来价格,从而确定放款额度的多少,保证客户有能力还款。
图7示意性示出了根据本公开实施例的产品价格的预测装置的框图。
如图7所示,应用于数据备份的处理装置400包括获取模块410、分词处理模块420、分类模块430、确定模块440和预测模块450。该处理装置可以执行上面参考方法实施例部分描述的方法,在此不再赘述。
具体地,获取模块410,用于获取涉及目标产品的舆情信息。
分词处理模块420,用于对舆情信息进行分词处理,得到多个分词。
分类模块430,用于对多个分词按主题进行分类,得到至少一类分词。
确定模块440,用于基于至少一类分词,确定针对目标产品的至少一个价格预测矩阵。
预测模块450,用于基于至少一个价格预测矩阵,预测目标产品的价格。
图8示意性示出了根据本公开实施例的产品价格预测装置的确定模块的框图。
如图8所示,确定模块440,可以包括:确定情感属性和时间戳单元441、定义权重值单元442、确定价格预测矩阵单元443。
具体地,确定情感属性和时间戳单元441,针对至少一类分词中每类分词,确定每类分词中各个分词的情感属性和时间戳。
定义权重值单元442,针对至少一类分词中每类分词,基于确定的情感属性,定义每类分词中各个分词的权重值。
确定价格预测矩阵单元443,针对至少一类分词中每类分词,基于每类分词中各个分词的时间戳和权重值,确定针对目标产品的一个价格预测矩阵。其中,情感属性可以包括:积极属性和消极属性。
图9示意性示出了根据本公开实施例的产品价格预测装置的预测模块的框图。
如图9所示,预测模块450,可以包括:预测单元451、获取价格单元452和计算单元453。
具体地,预测单元451,将至少一个价格预测矩阵输入预先训练得到的产品价格预测模型进行预测,以针对目标产品输出对应的预测值,其中,预测值包括:目标产品的价格涨幅或价格跌幅。
获取价格单元452,获取目标产品的市场价格。
计算单元453,基于市场价格和预测值,计算目标产品的预测价格。
图10示意性示出了根据本公开实施例的产品价格预测装置的定义权重值单元的框图。
如图10所示,定义权重值单元442,可以包括:第一定义子单元4421和第二定义子单元4422。
具体地,第一定义子单元4421,针对每类分词,将具有积极属性的分词的权重定义为第一预设值。
第二定义子单元4422,将具有消极属性的分词的权重定义为第二预设值。
图11示意性示出了根据本公开实施例的产品价格预测装置的确定价格预测矩阵单元的框图。
如图11所示,确定价格预测矩阵单元443,可以包括:确定时间区间子单元4431、统计频次子单元4432和计算矩阵元素子单元4433。
具体地,确定时间区间子单元4431,确定多个时间区间。
统计频次子单元4432,基于各个分词的时间戳,统计同一分词在多个时间区间中的每个时间区间内出现的频次。
计算矩阵元素子单元4433,基于各个分词的权重值和统计得到的相应频次,计算对应价格预测矩阵中每个矩阵元素的数值。其中,对应价格预测矩阵的每一行对应于多个时间区间中的一个时间区间,对应价格预测矩阵的每一列对应于同一分词。
根据本公开实施例的产品价格的预测装置,目标产品包括:房产。
需要说明的是,本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似,并且所达到的技术效果也对应相同或类似,在此不再赘述。
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块410、分词处理模块420、分类模块430、确定模块440和预测模块450中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块410、分词处理模块420、分类模块430、确定模块440和预测模块450中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块410、分词处理模块420、分类模块430、确定模块440和预测模块450中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图12示意性示出了根据本公开实施例的电子设备的框图。图12示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,电子设备500包括处理器510、计算机可读存储介质520。该电子设备500可以执行根据本公开实施例的方法。
具体地,处理器500例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器510还可以包括用于缓存用途的板载存储器。处理器510可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质520,例如可以是非易失性的计算机可读存储介质,具体示例包括但不限于:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;等等。
计算机可读存储介质520可以包括计算机程序521,该计算机程序821可以包括代码/计算机可执行指令,其在由处理器510执行时使得处理器510执行根据本公开实施例的方法或其任何变形。
计算机程序521可被配置为具有例如包括计算机程序模块的计算机程序代码。例如,在示例实施例中,计算机程序521中的代码可以包括一个或多个程序模块,例如包括521A、模块521B、……。应当注意,模块的划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合,当这些程序模块组合被处理器510执行时,使得处理器510可以执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例,获取模块410、分词处理模块420、分类模块430、确定模块440和预测模块450中的至少一个可以实现为参考图10描述的计算机程序模块,其在被处理器510执行时,可以实现上面描述的相应操作。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (10)
1.一种产品价格的预测方法,包括:
获取涉及目标产品的舆情信息;
对所述舆情信息进行分词处理,得到多个分词;
对所述多个分词按主题进行分类,得到至少一类分词;
基于所述至少一类分词,确定针对所述目标产品的至少一个价格预测矩阵;以及
基于所述至少一个价格预测矩阵,预测所述目标产品的价格。
2.根据权利要求1所述的方法,其中,基于所述至少一类分词,确定针对所述目标产品的至少一个价格预测矩阵,包括:针对所述至少一类分词中每类分词,
确定所述每类分词中各个分词的情感属性和时间戳;
基于确定的情感属性,定义所述每类分词中各个分词的权重值;以及
基于所述每类分词中各个分词的时间戳和权重值,确定针对所述目标产品的一个价格预测矩阵。
3.根据权利要求2所述的方法,其中:
所述情感属性包括:积极属性和消极属性;
所述基于确定的情感属性,定义所述每类分词中各个分词的权重值,包括:针对所述每类分词,
将具有所述积极属性的分词的权重定义为第一预设值;以及
将具有所述消极属性的分词的权重定义为第二预设值。
4.根据权利要求2或3所述的方法,其中,基于所述每类分词中各个分词的时间戳和权重值,确定针对所述目标产品的一个价格预测矩阵,包括:
确定多个时间区间;
基于所述各个分词的时间戳,统计同一分词在所述多个时间区间中的每个时间区间内出现的频次;以及
基于所述各个分词的权重值和统计得到的相应频次,计算对应价格预测矩阵中每个矩阵元素的数值,其中,所述对应价格预测矩阵的每一行对应于所述多个时间区间中的一个时间区间,所述对应价格预测矩阵的每一列对应于同一分词。
5.根据权利要求1所述的方法,其中,基于所述至少一个价格预测矩阵,预测所述目标产品的价格,包括:
将所述至少一个价格预测矩阵输入预先训练得到的产品价格预测模型进行预测,以针对所述目标产品输出对应的预测值,其中,所述预测值包括:所述目标产品的价格涨幅或价格跌幅;
获取所述目标产品的市场价格;以及
基于所述市场价格和所述预测值,计算所述目标产品的预测价格。
6.根据权利要求1所述的方法,其中,所述目标产品包括:房产。
7.一种产品价格的预测装置,包括:
获取模块,用于获取涉及目标产品的舆情信息;
分词处理模块,用于对所述舆情信息进行分词处理,得到多个分词;
分类模块,用于对所述多个分词按主题进行分类,得到至少一类分词;
确定模块,用于基于所述至少一类分词,确定针对所述目标产品的至少一个价格预测矩阵;以及
预测模块,用于基于所述至少一个价格预测矩阵,预测所述目标产品的价格。
8.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1至6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923783.0A CN113643060A (zh) | 2021-08-12 | 2021-08-12 | 产品价格的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923783.0A CN113643060A (zh) | 2021-08-12 | 2021-08-12 | 产品价格的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643060A true CN113643060A (zh) | 2021-11-12 |
Family
ID=78421073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110923783.0A Pending CN113643060A (zh) | 2021-08-12 | 2021-08-12 | 产品价格的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643060A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519613A (zh) * | 2022-02-22 | 2022-05-20 | 平安科技(深圳)有限公司 | 价格数据的处理方法和装置、电子设备、存储介质 |
CN115082129A (zh) * | 2022-05-30 | 2022-09-20 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品自动报价的方法和*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373853A (zh) * | 2015-11-18 | 2016-03-02 | 百度在线网络技术(北京)有限公司 | 股票舆情指数预测方法以及装置 |
CN105373854A (zh) * | 2015-11-18 | 2016-03-02 | 百度在线网络技术(北京)有限公司 | 股票舆情指数预测方法以及装置 |
CN107016107A (zh) * | 2017-04-12 | 2017-08-04 | 四川九鼎瑞信软件开发有限公司 | 舆情分析方法及*** |
CN109087205A (zh) * | 2018-08-10 | 2018-12-25 | 北京字节跳动网络技术有限公司 | 舆情指数的预测方法及装置、计算机设备和可读存储介质 |
CN109376237A (zh) * | 2018-09-04 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 客户稳定性的预测方法、装置、计算机设备和存储介质 |
CN110390408A (zh) * | 2018-04-16 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 交易对象预测方法和装置 |
WO2019205318A1 (zh) * | 2018-04-25 | 2019-10-31 | 平安科技(深圳)有限公司 | 舆情信息分类方法、装置、计算机设备和存储介质 |
WO2020186627A1 (zh) * | 2019-03-15 | 2020-09-24 | 深圳市赛为智能股份有限公司 | 舆情极性预测方法、装置、计算机设备及存储介质 |
CN112860902A (zh) * | 2021-04-02 | 2021-05-28 | 中国工商银行股份有限公司 | 舆情情感热度计算方法及装置 |
CN112925906A (zh) * | 2021-02-01 | 2021-06-08 | 北京明略昭辉科技有限公司 | 一种情感倾向分析方法及*** |
CN113112299A (zh) * | 2021-04-19 | 2021-07-13 | 中国工商银行股份有限公司 | 一种贵金属价格趋势预测方法及装置 |
-
2021
- 2021-08-12 CN CN202110923783.0A patent/CN113643060A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373853A (zh) * | 2015-11-18 | 2016-03-02 | 百度在线网络技术(北京)有限公司 | 股票舆情指数预测方法以及装置 |
CN105373854A (zh) * | 2015-11-18 | 2016-03-02 | 百度在线网络技术(北京)有限公司 | 股票舆情指数预测方法以及装置 |
CN107016107A (zh) * | 2017-04-12 | 2017-08-04 | 四川九鼎瑞信软件开发有限公司 | 舆情分析方法及*** |
CN110390408A (zh) * | 2018-04-16 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 交易对象预测方法和装置 |
WO2019205318A1 (zh) * | 2018-04-25 | 2019-10-31 | 平安科技(深圳)有限公司 | 舆情信息分类方法、装置、计算机设备和存储介质 |
CN109087205A (zh) * | 2018-08-10 | 2018-12-25 | 北京字节跳动网络技术有限公司 | 舆情指数的预测方法及装置、计算机设备和可读存储介质 |
CN109376237A (zh) * | 2018-09-04 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 客户稳定性的预测方法、装置、计算机设备和存储介质 |
WO2020186627A1 (zh) * | 2019-03-15 | 2020-09-24 | 深圳市赛为智能股份有限公司 | 舆情极性预测方法、装置、计算机设备及存储介质 |
CN112925906A (zh) * | 2021-02-01 | 2021-06-08 | 北京明略昭辉科技有限公司 | 一种情感倾向分析方法及*** |
CN112860902A (zh) * | 2021-04-02 | 2021-05-28 | 中国工商银行股份有限公司 | 舆情情感热度计算方法及装置 |
CN113112299A (zh) * | 2021-04-19 | 2021-07-13 | 中国工商银行股份有限公司 | 一种贵金属价格趋势预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
YAWEN YU 等: ""Stock Price Forecasting Based on BP Neural Network Model of Network Public Opinion"", 《2017 2ND INTERN ATIONAL CONFERENCE ON IMAGE, VISION AND COMPUTING》, 20 July 2017 (2017-07-20), pages 1 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519613A (zh) * | 2022-02-22 | 2022-05-20 | 平安科技(深圳)有限公司 | 价格数据的处理方法和装置、电子设备、存储介质 |
CN114519613B (zh) * | 2022-02-22 | 2023-07-25 | 平安科技(深圳)有限公司 | 价格数据的处理方法和装置、电子设备、存储介质 |
CN115082129A (zh) * | 2022-05-30 | 2022-09-20 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品自动报价的方法和*** |
CN117010929A (zh) * | 2022-05-30 | 2023-11-07 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品舆情信息构建方法 |
CN117010929B (zh) * | 2022-05-30 | 2024-04-26 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农产品舆情信息构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abraham et al. | Cryptocurrency price prediction using tweet volumes and sentiment analysis | |
McCarthy et al. | Applying predictive analytics | |
Alexander et al. | Quantile uncertainty and value‐at‐risk model risk | |
Bijak et al. | Modelling LGD for unsecured retail loans using Bayesian methods | |
US20220343433A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
Eiamkanitchat et al. | Fundamental analysis and technical analysis integrated system for stock filtration | |
CN113643060A (zh) | 产品价格的预测方法和装置 | |
Verma et al. | Detecting, quantifying and accessing impact of news events on Indian stock indices | |
Zhou et al. | Buying on margin and short selling in an artificial double auction market | |
US20220261819A1 (en) | System and method for determining and managing environmental, social, and governance (esg) perception of entities and industries through use of survey and media data | |
Valencia et al. | Generalized additive model with embedded variable selection for bankruptcy prediction: Prediction versus interpretation | |
CN111754287B (zh) | 物品筛选方法、装置、设备和存储介质 | |
EP4044094A1 (en) | System and method for determining and managing reputation of entities and industries through use of media data | |
Proselkov et al. | Financial ripple effect in complex adaptive supply networks: an agent-based model | |
Ballinari et al. | How to gauge investor behavior? A comparison of online investor sentiment measures | |
Sermpinis et al. | Modelling and trading the realised volatility of the FTSE100 futures with higher order neural networks | |
Gresnigt et al. | Specification testing in hawkes models | |
Boyarchenko | Super-and submodularity of stopping games with random observations | |
Li et al. | Bitcoin daily price prediction through understanding blockchain transaction pattern with machine learning methods | |
Biancardi et al. | Robust Monte Carlo method for R&D real options valuation | |
Mallick et al. | Interest rates forecasting and stress testing in India: a PCA-ARIMA approach | |
Han et al. | Prediction of investor-specific trading trends in South Korean stock markets using a BILSTM prediction model based on sentiment analysis of financial news articles | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
Ibarra | A spatial dominance approach to evaluate the performance of stocks and bonds: Does the investment horizon matter? | |
Ojha et al. | Default analysis in mortgage risk with conventional and deep machine learning focusing on 2008–2009 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |