CN114663154A - 模型训练、信息输出方法,装置,设备以及存储介质 - Google Patents
模型训练、信息输出方法,装置,设备以及存储介质 Download PDFInfo
- Publication number
- CN114663154A CN114663154A CN202210347090.6A CN202210347090A CN114663154A CN 114663154 A CN114663154 A CN 114663154A CN 202210347090 A CN202210347090 A CN 202210347090A CN 114663154 A CN114663154 A CN 114663154A
- Authority
- CN
- China
- Prior art keywords
- sales
- model
- prediction
- sales data
- prediction model
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了模型训练、信息输出方法,装置,设备以及存储介质,涉及大数据、深度学习技术领域。具体实现方案为:获取第一历史时间段内生成的第一物品销量数据;利用第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型;获取第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据;利用第一增量物品销量数据对目标销量预测模型进行更新。本实现方式可以提高物品销量预测的准确率,同时可以降低模型更新的计算负担。
Description
技术领域
本公开涉及计算机技术领域,具体涉及大数据、深度学习技术领域,尤其涉及模型训练、信息输出方法,装置,设备以及存储介质。
背景技术
无论是传统的零售行业还是飞速发展的互联网电商行业,商品的运营商都希望对所销售商品的销量能进行前瞻性的预估,从而能够更好的指导商品的生产、配货、供应等环节。因此,销量预测在企业的整个运营体系中都是十分重要的环节。所谓销量预测,是在对影响市场供求变化的众多因素上进行***地调查和研究,并在此基础上运用科学的方法对未来市场产品的供需发展趋势以及有关的各种因素的变化,进行分析、预见、估计和判断。传统的销售预测方法往往基于人工,其建立的模型也相对简单,而数据挖掘技术是一种科学有效的数据处理方式,它为应对信息***,海量信息的处理提供了科学有效的手段。但往往需要不断的对数据挖掘模型进行迭代更新才能不断适应企业的要求。为了优化企业商品销售决策方案,提高商品销售预测的准确率,应用数据挖掘方法对销售数据库进行分析,提高销售预测的准确率具有十分深刻的意义。
发明内容
本公开提供了一种模型训练、信息输出方法,装置,设备以及存储介质。
根据第一方面,提供了一种模型训练方法,包括:获取第一历史时间段内生成的第一物品销量数据;利用第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型;获取第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据;利用第一增量物品销量数据对目标销量预测模型进行更新。
在一些实施例中,上述目标销量预测模型包括多个预测树;以及上述利用上述第一增量物品销量数据对上述目标销量预测模型进行更新,包括:利用上述第一增量物品销量数据对上述目标销量预测模型中的至少一颗预测树进行更新。
在一些实施例中,上述利用上述第一增量物品销量数据对上述目标销量预测模型进行更新,包括:对上述目标销量预测模型中的至少一颗预测树不进行更新。
在一些实施例中,上述目标销量预测模型包括多个预测树;以及上述利用上述第一增量物品销量数据对上述目标销量预测模型进行更新,包括:
固定上述多个预测树的结构和参数,增加新的预测树;利用上述第一增量物品销量数据对新的预测树进行训练,以更新上述目标销量预测模型。
在一些实施例中,上述第一历史时段和上述第二历史时段连续。
在一些实施例中,上述方法还包括:获取上述第二历史时间段之后的第三历史时间段内生成的第二增量物品销量数据;利用上述第二增量物品销量数据对更新后的目标销量预测模型进行测试;根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练。
在一些实施例中,上述根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练,包括:根据上述更新后的目标销量预测模型对上述第二增量物品销量数据的预测结果与上述第二增量物品销量数据中的实际结果,确定上述更新后的目标销量预测模型的误差;响应于确定上述误差小于预设阈值,利用上述第二历史时间段之后的第三历史时间段内生成的第三增量物品销量数据,对更新后的目标销量预测模型进行再次训练。
在一些实施例中,上述根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练,包括:响应于确定上述误差大于或等于上述预设阈值,利用当前时刻之间的全量历史物品销量数据,对更新后的目标销量预测模型进行再次训练。
在一些实施例中,上述初始销量预测模型包括至少两个初始预测树,上述第一物品销量数据包括多个训练样本;以及上述利用上述第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型,包括:对于每个初始预测树,确定该初始预测树针对每个训练样本的残差;对上述残差进行拟合,得到回归树;根据上述回归树,对每个初始预测树进行参数更新,得到训练好的目标销量预测模型。
根据第二方面,提供了一种信息输出方法,包括:获取目标商品的相关信息;根据相关信息以及预先训练的目标销量预测模型,预测目标商品的销量数据,目标销量预测模型通过如第一方面所描述的方法训练得到;输出销量数据。
根据第三方面,提供了一种模型训练装置,包括:第一获取单元,被配置成获取第一历史时间段内生成的第一物品销量数据;模型训练单元,被配置成利用第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型;第二获取单元,被配置成获取第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据;模型更新单元,被配置成利用第一增量物品销量数据对目标销量预测模型进行更新。
在一些实施例中,上述目标销量预测模型包括多个预测树;以及上述模型更新单元进一步被配置成:利用上述第一增量物品销量数据对上述目标销量预测模型中的至少一颗预测树进行更新。
在一些实施例中,上述模型更新单元进一步被配置成:对上述目标销量预测模型中的至少一颗预测树不进行更新。
在一些实施例中,上述目标销量预测模型包括多个预测树;以及上述模型更新单元进一步被配置成:利用上述第一增量物品销量数据对新的预测树进行训练,以更新上述目标销量预测模型。
在一些实施例中,上述第一历史时段和上述第二历史时段连续。
在一些实施例中,上述装置还包括:第三获取单元,被配置成获取上述第二历史时间段之后的第三历史时间段内生成的第二增量物品销量数据;模型测试单元,被配置成利用上述第二增量物品销量数据对更新后的目标销量预测模型进行测试;模型再训练单元,被配置成根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练。
在一些实施例中,上述模型再训练单元进一步被配置成:根据上述更新后的目标销量预测模型对上述第二增量物品销量数据的预测结果与上述第二增量物品销量数据中的实际结果,确定上述更新后的目标销量预测模型的误差;响应于确定上述误差小于预设阈值,利用上述第二历史时间段之后的第三历史时间段内生成的第三增量物品销量数据,对更新后的目标销量预测模型进行再次训练。
在一些实施例中,上述模型再训练单元进一步被配置成:响应于确定上述误差大于或等于上述预设阈值,利用当前时刻之间的全量历史物品销量数据,对更新后的目标销量预测模型进行再次训练。
在一些实施例中,上述初始销量预测模型包括至少两个初始预测树,上述第一物品销量数据包括多个训练样本;以及上述模型训练单元进一步被配置成:对于每个初始预测树,确定该初始预测树针对每个训练样本的残差;对上述残差进行拟合,得到回归树;根据上述回归树,对每个初始预测树进行参数更新,得到训练好的目标销量预测模型。
根据第四方面,提供了一种信息输出装置,包括:信息获取单元,被配置成获取目标商品的相关信息;销量预测单元,被配置成根据相关信息以及预先训练的目标销量预测模型,预测目标商品的销量数据,目标销量预测模型通过第三方面所描述的装置得到;信息输出单元,被配置成输出销量数据。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法或执行如第二方面所描述的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法或执行如第二方面所描述的方法。
根据第七方面,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如第一方面所描述的方法或如第二方面所描述的方法。
根据本公开的技术提高了物品销量预测的准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的模型训练方法的一个实施例的流程图;
图3是根据本公开的模型训练方法的另一个实施例的流程图;
图4是根据本公开的信息输出方法的一个实施例的流程图;
图5是根据本公开的模型训练、信息输出方法的一个应用场景的示意图;
图6是根据本公开的模型训练装置的一个实施例的流程图;
图7是根据本公开的信息输出装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的模型训练方法、信息输出方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的模型训练方法、信息输出方法或模型训练装置、信息输出装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如电子商务类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上提供销量预测服务的后台服务器。后台服务器可以利用训练好的销量预测模型进行销量预测,并将预测得到的数据反馈给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的模型训练方法、信息输出方法一般由服务器105执行。相应地,模型训练装置、信息输出装置一般设置于服务器105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。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的模型训练方法的一个实施例的流程200。本实施例的模型训练方法,包括以下步骤:
步骤201,获取第一历史时间段内生成的第一物品销量数据。
本实施例中,模型训练方法的执行主体可以获取第一历史时间段内生成的第一物品销量数据。这里,第一历史时间段可以是过去任意时间段,例如过去一个月、一年等等。第一物品销量数据可以是在某个特定电商网站上针对某个物品生成的全量物品销量数据。上述第一物品销量数据中可以包括每个物品的销售时间以及总的销售量,还可以包括物品的属性信息(例如体积、所属的类目、对应的关键词、购买人群的属性等等)。
步骤202,利用第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型。
执行主体在获取到第一物品销量数据后,可以利用第一物品销量数据对初始销量预测模型进行训练。具体的,在训练过程中,执行主体可以将第一物品销量数据物品的属性信息或销售时间作为输入,将对应的销量作为期望输出,不断迭代调整初始销量预测模型的参数,得到训练好的目标销量预测模型。这里,初始销量预测模型可以是初始化的销量预测模型。销量预测模型可以是卷积神经网络或各种回归算法、聚类算法等。
步骤203,获取第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据。
执行主体在训练得到目标销量预测模型后,可以继续获取第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据。这里,第二历史时间段可以与第一历史时间段时长相同,也可以不同。在一些具体的应用中,第二历史时间段可以是7天。第一增量物品销量数据可以是与第一物品销量数据源自同一网站的物品销量数据,其可以是第一物品销量数据的增量数据。第一增量物品销量数据中包括的内容可以与第一物品销量数据的内容相同。
步骤204,利用第一增量物品销量数据对目标销量预测模型进行更新。
执行主体还可以利用第一增量物品销量数据对目标销量预测模型进行更新。具体的,执行主体可以利用第一增量物品销量数据对目标销量预测模型中的参数进行部分更新或全部更新。举例来说,如果目标销量预测模型包括多个模块,在部分更新时,执行主体可以利用第一增量物品销量数据更新目标销量预测模型中的部分模块。这样,可以实现对目标销量预测模型的实时更新,保持目标销量预测模型的时效性。
本公开的上述实施例提供的模型训练方法,可以在模型训练完成后,继续采用增量数据对训练完成的模型进行进一步训练,从而能够及时更新模型,保持模型的时效性。
继续参见图3,其示出了根据本公开的模型训练方法的另一个实施例的流程300。如图3所示,本实施例的模型训练方法可以包括以下步骤:
步骤301,获取第一历史时间段内生成的第一物品销量数据。
步骤302,对于每个初始预测树,确定该初始预测树针对每个训练样本的残差;对残差进行拟合,得到回归树;根据回归树,对每个初始预测树进行参数更新,得到训练好的目标销量预测模型。
本实施例中,初始销量预测模型包括至少两个初始预测树,第一物品销量数据包括多个训练样本。在一些具体的应用中,销量预测模型可以为XGBoost(eXtreme GradientBoosting,大规模并行boosting tree的工具)模型。在对XGBoost训练时,可以对于XGBoost中的每个初始预测树,确定该初始预测树针对每个训练样本的残差。然后,通过对上述残差进行你和,可以学习得到一个回归树。最后,利用上述回归树对每个初始预测树进行参数更新,得到训练好的目标销量预测模型。
具体的,记训练集T={(x1,y1),(x2,y2),…,(xn,yn)},最终得到的目标销量预测模型记为fM(x)。首先进行初始化,得到f0(x)=0。然后,对m=1,2,…,M,分别计算残差rmi=yi-f(m-1)(xi),i=1,2,…,n。然后,拟合残差rmi学习得到一个回归树,记为T(x:θm)。利用回归树进行更新,即fm(x)=fm-1(x)+T(x:θm)。最终,得到
步骤303,获取第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据。
在本实施例的一些可选的实现方式中,第一历史时间段和第二历史时间段连续。这样,利用第二历史时间段生成的第一增量物品销量数据包含了第一物品销量数据中的部分特征,从而利用第一增量物品销量数据更新的饿到的目标销量预测模型更符合物品销量的变化规律,使得预测准确率也得以提升。同时也使得模型的时效性更好。
步骤304,利用第一增量物品销量数据对目标销量预测模型中的至少一颗预测树进行更新以及对目标销量预测模型中的至少一颗预测树不进行更新。
本实施例中,执行主体在利用第一增量物品销量数据对目标销量预测模型进行更新时,可以对目标销量预测模型中的至少一颗预测树进行更新。但为了保持全量物品销量数据中的特征,所以不对所有的预测树进行更新。因此,在更新时,对目标销量预测模型中的至少一颗预测树不进行更新。具体的,执行主体在利用第一增量物品销量数据进行更新时,可以从各颗预测树中随机选取至少一个进行参数更新。
步骤304’,固定多个预测树的结构和参数,增加新的预测树;利用第一增量物品销量数据对新的预测树进行训练,以更新目标销量预测模型。
本实施例中,执行主体还可以固定目标销量预测模型中各个预测树的结构和参数,并向目标销量预测模型中增加至少一个新的预测树。然后利用上述第一增量物品销量数据对所增加的新的预测树进行训练,实现目标销量预测模型的更新。
步骤305,获取第二历史时间段之后的第三历史时间段内生成的第二增量物品销量数据。
本实施例中,执行主体还可以继续获取第二历史时间段之后的第三历史时间段内生成的第二增量物品销量数据。这里,第三历史时间段的时长可以与第二历史时间段的时长相同。上述第二增量物品销量数据与第一增量物品销量数据包括的内容可以相同。
步骤306,利用第二增量物品销量数据对更新后的目标销量预测模型进行测试。
执行主体获取到第二增量物品销量数据后,可以利用其对更新后的目标销量预测模型进行测试。在测试时,可以将第二增量物品销量数据中物品的属性信息、销售时间等信息作为更新后的目标销量预测模型的输入,将更新后的目标销量预测模型的输出与第二增量物品销量数据中的销售量进行对比,得到测试结果。
步骤307,根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练。
执行主体可以根据测试结果,判断更新后的目标销量预测模型性能是否符合要求。并进一步确定是否对更新后的目标销量预测模型进行再次训练。具体的,如果测试结果显示更新后的目标销量预测模型性能较差,则可以对更新后的目标销量预测模型进行再次训练。如果测试结果显示更新后的目标销量预测模型性能较优,则可以不进行训练。
在本实施例的一些可选的实现方式中,执行主体可以通过以下步骤实现步骤307:根据更新后的目标销量预测模型对第二增量物品销量数据的预测结果与第二增量物品销量数据中的实际结果,确定更新后的目标销量预测模型的误差;响应于确定误差小于预设阈值,利用第二历史时间段之后的第三历史时间段内生成的第三增量物品销量数据,对更新后的目标销量预测模型进行再次训练;响应于确定误差大于或等于预设阈值,利用当前时刻之间的全量历史物品销量数据,对更新后的目标销量预测模型进行再次训练。
本实现方式中,执行主体可以比较更新后的目标销量预测模型对第二增量物品销量数据的预测结果与第二增量物品销量数据中的实际结果,并计算二者之间的误差。如果上述误差小于预设阈值,则说明更新后的目标销量预测模型的性能较好,则可以利用第二历史时间段之后的第三历史时间段内生成的第三增量物品销量数据,对更新后的目标销量预测模型进行再次训练。可以理解的是,这里的再次训练是指利用增量数据对模型进行训练,以提高模型的时效性。如果上述误差大于或等于预设阈值,说明上述模型的性能较差,则可以利用当前时刻之间的全量历史物品销量数据,对更新后的目标销量预测模型进行再次训练,实现了模型的不断迭代优化。这样,可以从总体上提升模型的性能,提高销量数据预测的准确度。同时,由于模型的更新采用的是增量数据,增量数据中包含用于训练初始模型的销量数据的部分特征,从而使得模型的更新迭代的计算成本降低。并且,本实施例中在更新模型时总是使用最新产生的增量数据,保证了模型的时效性,也实现了对增量数据的充分利用。
本公开的上述实施例提供的模型训练方法,可以对模型进行增量训练后再进行测试,在确定模型性能较优时继续保持增量训练,在确定模型性能较差时重新训练。
参见图4,其示出了根据本公开的信息输出方法的一个实施例的流程400。如图4所示,本实施例的方法可以包括以下步骤:
步骤401,获取目标商品的相关信息。
本实施例中,执行主体可以首先获取目标商品的相关信息。这里,相关信息可以包括目标商品的标识、属性信息、成交时间等。
步骤402,根据相关信息以及预先训练的目标销量预测模型,预测目标商品的销量数据。
执行主体可以将上述相关信息输入预先训练的目标销量预测模型中,预测得到目标商品的销量数据。其中,上述目标销量预测模型可以通过图2或图3所描述的模型训练方法训练得到。
步骤403,输出销量数据。
执行主体可以将预测得到的销量数据输出,这样,用户可以查看上述销量数据,以进行备货或安排生产。
继续参见图5,其示出了根据本公开的模型训练方法、信息输出方法的一个应用场景的示意图。在图5的应用场景中,服务器501利用第一历史时间段内的全量物品销量数据训练得到目标销量预测模型。然后,利用第二历史时间段内产生的增量数据,对目标销量预测模型进行更新。而后,利用第三历史时间段内的增量数据对更新的目标销量预测模型进行测试。如果测试结果认定更新的目标销量预测模型性能较优,则将更新的目标销量预测模型上线供用户502使用。同时,定期利用生成的增量数据对目标销量预测模型进行增量训练。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种模型训练装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的模型训练装置600包括:第一获取单元601、模型训练单元602、第二获取单元603和模型更新单元604。
第一获取单元601,被配置成获取第一历史时间段内生成的第一物品销量数据。
模型训练单元602,被配置成利用第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型。
第二获取单元603,被配置成获取第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据。
模型更新单元604,被配置成利用第一增量物品销量数据对目标销量预测模型进行更新。
在本实施例的一些可选的实现方式中,目标销量预测模型包括多个预测树。模型更新单元604可以进一步被配置成:利用第一增量物品销量数据对目标销量预测模型中的至少一颗预测树进行更新。
在本实施例的一些可选的实现方式中,模型更新单元604可以进一步被配置成:对目标销量预测模型中的至少一颗预测树不进行更新。
在本实施例的一些可选的实现方式中,目标销量预测模型包括多个预测树。模型更新单元604可以进一步被配置成:利用第一增量物品销量数据对新的预测树进行训练,以更新目标销量预测模型。
本实施例的一些可选的实现方式中,第一历史时段和第二历史时段连续。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括:第三获取单元、模型测试单元和模型再训练单元。
第三获取单元,被配置成获取第二历史时间段之后的第三历史时间段内生成的第二增量物品销量数据。
模型测试单元,被配置成利用第二增量物品销量数据对更新后的目标销量预测模型进行测试。
模型再训练单元,被配置成根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练。
在本实施例的一些可选的实现方式中,模型再训练单元进一步被配置成:根据更新后的目标销量预测模型对第二增量物品销量数据的预测结果与第二增量物品销量数据中的实际结果,确定更新后的目标销量预测模型的误差;响应于确定误差小于预设阈值,利用第二历史时间段之后的第三历史时间段内生成的第三增量物品销量数据,对更新后的目标销量预测模型进行再次训练。
在本实施例的一些可选的实现方式中,模型再训练单元进一步被配置成:响应于确定误差大于或等于预设阈值,利用当前时刻之间的全量历史物品销量数据,对更新后的目标销量预测模型进行再次训练。
在本实施例的一些可选的实现方式中,初始销量预测模型包括至少两个初始预测树,第一物品销量数据包括多个训练样本。模型训练单元602可以进一步被配置成:对于每个初始预测树,确定该初始预测树针对每个训练样本的残差;对残差进行拟合,得到回归树;根据回归树,对每个初始预测树进行参数更新,得到训练好的目标销量预测模型。
应当理解,模型训练装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对模型训练方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种信息输出装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的信息输出装置700包括:信息获取单元701、销量预测单元702和信息输出单元703。
信息获取单元701,被配置成获取目标商品的相关信息。
销量预测单元702,被配置成根据相关信息以及预先训练的目标销量预测模型,预测目标商品的销量数据,目标销量预测模型通过图6所描述的装置得到。
信息输出单元703,被配置成输出销量数据。
应当理解,信息输出装置700中记载的单元701至单元703分别与参考图4中描述的方法中的各个步骤相对应。由此,上文针对信息输出方法描述的操作和特征同样适用于装置700及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了根据本公开实施例的执行模型训练方法、信息输出方法的电子设备800的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储器808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储电子设备800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。I/O接口(输入/输出接口)805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储器808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器801可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器801执行上文所描述的各个方法和处理,例如模型训练方法、信息输出方法。例如,在一些实施例中,模型训练方法、信息输出方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由处理器801执行时,可以执行上文描述的模型训练方法、信息输出方法的一个或多个步骤。备选地,在其他实施例中,处理器801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练方法、信息输出方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品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或控制器,使得程序代码当由处理器801执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开的保护范围之内。
Claims (23)
1.一种模型训练方法,包括:
获取第一历史时间段内生成的第一物品销量数据;
利用所述第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型;
获取所述第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据;
利用所述第一增量物品销量数据对所述目标销量预测模型进行更新。
2.根据权利要求1所述的方法,其中,所述目标销量预测模型包括多个预测树;以及
所述利用所述第一增量物品销量数据对所述目标销量预测模型进行更新,包括:
利用所述第一增量物品销量数据对所述目标销量预测模型中的至少一颗预测树进行更新。
3.根据权利要求2所述的方法,其中,所述利用所述第一增量物品销量数据对所述目标销量预测模型进行更新,包括:
对所述目标销量预测模型中的至少一颗预测树不进行更新。
4.根据权利要求1所述的方法,其中,所述目标销量预测模型包括多个预测树;以及
所述利用所述第一增量物品销量数据对所述目标销量预测模型进行更新,包括:
固定所述多个预测树的结构和参数,增加新的预测树;
利用所述第一增量物品销量数据对新的预测树进行训练,以更新所述目标销量预测模型。
5.根据权利要求1所述的方法,其中,所述第一历史时段和所述第二历史时段连续。
6.根据权利要求1所述的方法,其中,所述方法还包括:
获取所述第二历史时间段之后的第三历史时间段内生成的第二增量物品销量数据;
利用所述第二增量物品销量数据对更新后的目标销量预测模型进行测试;
根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练。
7.根据权利要求1所述的方法,其中,所述根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练,包括:
根据所述更新后的目标销量预测模型对所述第二增量物品销量数据的预测结果与所述第二增量物品销量数据中的实际结果,确定所述更新后的目标销量预测模型的误差;
响应于确定所述误差小于预设阈值,利用所述第二历史时间段之后的第三历史时间段内生成的第三增量物品销量数据,对更新后的目标销量预测模型进行再次训练。
8.根据权利要求7所述的方法,其中,所述根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练,包括:
响应于确定所述误差大于或等于所述预设阈值,利用当前时刻之间的全量历史物品销量数据,对更新后的目标销量预测模型进行再次训练。
9.根据权利要求1-8任一项所述的方法,其中,所述初始销量预测模型包括至少两个初始预测树,所述第一物品销量数据包括多个训练样本;以及
所述利用所述第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型,包括:
对于每个初始预测树,确定该初始预测树针对每个训练样本的残差;
对所述残差进行拟合,得到回归树;
根据所述回归树,对每个初始预测树进行参数更新,得到训练好的目标销量预测模型。
10.一种信息输出方法,包括:
获取目标商品的相关信息;
根据所述相关信息以及预先训练的目标销量预测模型,预测所述目标商品的销量数据,所述目标销量预测模型通过如权利要求1-7任一项所述的方法训练得到;
输出所述销量数据。
11.一种模型训练装置,包括:
第一获取单元,被配置成获取第一历史时间段内生成的第一物品销量数据;
模型训练单元,被配置成利用所述第一物品销量数据对初始销量预测模型进行训练,得到训练好的目标销量预测模型;
第二获取单元,被配置成获取所述第一历史时间段之后的第二历史时间段内生成的第一增量物品销量数据;
模型更新单元,被配置成利用所述第一增量物品销量数据对所述目标销量预测模型进行更新。
12.根据权利要求11所述的装置,其中,所述目标销量预测模型包括多个预测树;以及
所述模型更新单元进一步被配置成:
利用所述第一增量物品销量数据对所述目标销量预测模型中的至少一颗预测树进行更新。
13.根据权利要求12所述的装置,其中,所述模型更新单元进一步被配置成:
对所述目标销量预测模型中的至少一颗预测树不进行更新。
14.根据权利要求11所述的装置,其中,所述目标销量预测模型包括多个预测树;以及
所述模型更新单元进一步被配置成:
利用所述第一增量物品销量数据对新的预测树进行训练,以更新所述目标销量预测模型。
15.根据权利要求11所述的装置,其中,所述第一历史时段和所述第二历史时段连续。
16.根据权利要求11所述的装置,其中,所述装置还包括:
第三获取单元,被配置成获取所述第二历史时间段之后的第三历史时间段内生成的第二增量物品销量数据;
模型测试单元,被配置成利用所述第二增量物品销量数据对更新后的目标销量预测模型进行测试;
模型再训练单元,被配置成根据测试结果,确定是否对更新后的目标销量预测模型进行再次训练。
17.根据权利要求11所述的装置,其中,所述模型再训练单元进一步被配置成:
根据所述更新后的目标销量预测模型对所述第二增量物品销量数据的预测结果与所述第二增量物品销量数据中的实际结果,确定所述更新后的目标销量预测模型的误差;
响应于确定所述误差小于预设阈值,利用所述第二历史时间段之后的第三历史时间段内生成的第三增量物品销量数据,对更新后的目标销量预测模型进行再次训练。
18.根据权利要求17所述的装置,其中,所述模型再训练单元进一步被配置成:
响应于确定所述误差大于或等于所述预设阈值,利用当前时刻之间的全量历史物品销量数据,对更新后的目标销量预测模型进行再次训练。
19.根据权利要求11-18任一项所述的装置,其中,所述初始销量预测模型包括至少两个初始预测树,所述第一物品销量数据包括多个训练样本;以及
所述模型训练单元进一步被配置成:
对于每个初始预测树,确定该初始预测树针对每个训练样本的残差;
对所述残差进行拟合,得到回归树;
根据所述回归树,对每个初始预测树进行参数更新,得到训练好的目标销量预测模型。
20.一种信息输出装置,包括:
信息获取单元,被配置成获取目标商品的相关信息;
销量预测单元,被配置成根据所述相关信息以及预先训练的目标销量预测模型,预测所述目标商品的销量数据,所述目标销量预测模型通过权利要求11-19任一项所述的装置得到;
信息输出单元,被配置成输出所述销量数据。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法或执行权利要求8所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法或执行权利要求10所述的方法。
23.一种计算机程序产品,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1-9中任一项所述的方法或权利要求10所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210347090.6A CN114663154A (zh) | 2022-04-01 | 2022-04-01 | 模型训练、信息输出方法,装置,设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210347090.6A CN114663154A (zh) | 2022-04-01 | 2022-04-01 | 模型训练、信息输出方法,装置,设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663154A true CN114663154A (zh) | 2022-06-24 |
Family
ID=82033408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210347090.6A Pending CN114663154A (zh) | 2022-04-01 | 2022-04-01 | 模型训练、信息输出方法,装置,设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663154A (zh) |
-
2022
- 2022-04-01 CN CN202210347090.6A patent/CN114663154A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230351323A1 (en) | Systems and methods for inventory management and optimization | |
US11861464B2 (en) | Graph data structure for using inter-feature dependencies in machine-learning | |
AU2020203862B2 (en) | Artificial intelligence (ai) based predictions and recommendations for equipment | |
CN110111139B (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN110390408A (zh) | 交易对象预测方法和装置 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN107517251B (zh) | 信息推送方法和装置 | |
JP2021192308A (ja) | 推奨モデルを決定し、物品価格を決定する方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
US20210224351A1 (en) | Method and system for optimizing an objective having discrete constraints | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN116091110A (zh) | 资源需求量预测模型训练方法、预测方法及装置 | |
CN110827069A (zh) | 数据处理方法、装置、介质以及电子设备 | |
CN114663015A (zh) | 补货方法和装置 | |
CN115601071A (zh) | 一种产品的营销策略优化方法、装置、设备及介质 | |
CN114663154A (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN113159877B (zh) | 数据处理方法、装置、***、计算机可读存储介质 | |
CN115689143A (zh) | 工单分派方法、装置、电子设备及介质 | |
CN114328123A (zh) | 异常确定方法、训练方法、装置、电子设备以及存储介质 | |
CN114266239A (zh) | 数据集的生成方法及装置 | |
CN114037060A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
EP4198831A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
US20220164744A1 (en) | Demand forecasting of service requests volume |
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 |