本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，具體而言，涉及一種訂單量預(yù)估方法及裝置、電子設(shè)備。

背景技術(shù)：

現(xiàn)有的對訂單量進(jìn)行預(yù)估的技術(shù)方案包括簡單平均、時(shí)間序列預(yù)估和回歸模型等。

簡單平均是把過去一段時(shí)間的訂單的平均值作為訂單預(yù)估值。該方法太過簡單，預(yù)估準(zhǔn)確率不高。

時(shí)間序列預(yù)估同樣是基于過去一段時(shí)間的訂單數(shù)據(jù)進(jìn)行預(yù)估，但是預(yù)估方法比較復(fù)雜。簡單平均可以看做最簡單的一種時(shí)間序列預(yù)估方法。常見的時(shí)間序列預(yù)估方法為指數(shù)平滑。所謂指數(shù)平滑，即基于過去的訂單逐漸減弱的影響程度，隨著時(shí)間的遠(yuǎn)離，賦予逐漸收斂為零的權(quán)重。任一期的指數(shù)平滑值都是本期實(shí)際訂單值與前一期經(jīng)過指數(shù)平滑得到的訂單值的加權(quán)平均。根據(jù)平滑次數(shù)的不同，指數(shù)平滑法分為：一次指數(shù)平滑法、二次指數(shù)平滑法和三次指數(shù)平滑法等。一次指數(shù)平滑的預(yù)測結(jié)果為一個(gè)常數(shù)。二次指數(shù)平滑是對一次指數(shù)平滑的再次平滑，預(yù)測結(jié)果為在幾何上可以看做是一條直線。三次指數(shù)平滑是對二次指數(shù)平滑的再次平滑。指數(shù)平滑方法雖然應(yīng)用比較廣，但是由于只考慮了歷史訂單，而忽略了和訂單量相關(guān)的其他因素，所以準(zhǔn)確率上有所不足。

回歸模型是在綜合考慮多種特征的基礎(chǔ)之上建立多種特征和訂單量的函數(shù)關(guān)系，最后通過這個(gè)函數(shù)關(guān)系來對訂單量進(jìn)行預(yù)測?；貧w模型雖然考慮了很多特征，但是由于每個(gè)特征之間的量綱和屬性的不同，比如訂單量和天氣特征之間的巨大差異，學(xué)習(xí)出來的模型可解釋性較差，我們很難判斷某種天氣對訂單的具體影響是什么，進(jìn)而影響預(yù)估準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供一種能夠提高預(yù)估準(zhǔn)確率的訂單量預(yù)估方法及裝置、電子設(shè)備。

本發(fā)明的其他特性和優(yōu)點(diǎn)將通過下面的詳細(xì)描述變得顯然，或部分地通過本發(fā)明的實(shí)踐而習(xí)得。

根據(jù)本發(fā)明的一方面，提供一種訂單量預(yù)估方法，其包括：

獲取當(dāng)前日期之前預(yù)設(shè)時(shí)間段內(nèi)每天訂單量的真實(shí)值；

根據(jù)所述每天訂單量的真實(shí)值獲得趨勢信息以根據(jù)所述趨勢信息獲得每天訂單量的預(yù)估值；

根據(jù)所述每天訂單量的真實(shí)值與所述每天訂單量的預(yù)估值的比較結(jié)果訓(xùn)練擬合模型；及

結(jié)合所述趨勢信息與所述擬合模型獲得待預(yù)估日期的訂單量的預(yù)估值。

根據(jù)本發(fā)明的另一方面，提供一種訂單量預(yù)估裝置，其包括：

訂單量獲取模塊，用于獲取當(dāng)前日期之前預(yù)設(shè)時(shí)間段內(nèi)每天訂單量的真實(shí)值；

趨勢信息獲取模塊，用于根據(jù)所述每天訂單量的真實(shí)值獲得趨勢信息以根據(jù)所述趨勢信息獲得每天訂單量的預(yù)估值；

建模模塊，用于根據(jù)所述每天訂單量的真實(shí)值與所述每天訂單量的預(yù)估值的比較結(jié)果訓(xùn)練擬合模型；及

預(yù)估模塊，用于結(jié)合所述趨勢信息與所述擬合模型獲得待預(yù)估日期的訂單量的預(yù)估值。

根據(jù)本發(fā)明的再一方面，提供一種電子設(shè)備，其包括

處理器；以及

存儲(chǔ)器，其上存儲(chǔ)有可在所述處理器上運(yùn)行的計(jì)算機(jī)程序；

所述處理器執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)前述方法的步驟。

根據(jù)本發(fā)明的再一方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述方法的步驟。

在本申請?zhí)峁┑挠唵瘟款A(yù)估方法中，根據(jù)所述每天訂單量的真實(shí)值獲得趨勢信息以獲得每天訂單量的預(yù)估值，根據(jù)所述每天訂單量的真實(shí)值與所述每天訂單量的預(yù)估值的比較結(jié)果建立擬合模型；在獲得擬合模型后，結(jié)合所述趨勢信息以及所述擬合模型來獲得某個(gè)特定日期的訂單量的預(yù)估值。通過趨勢信息可以得到訂單量的初步的預(yù)估值，但是該預(yù)估值并不準(zhǔn)確，通過建立擬合模型來對該預(yù)估值予以修正，從而可以得到更準(zhǔn)確的預(yù)估值，進(jìn)而提高預(yù)估準(zhǔn)確率。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性的，并不能限制本發(fā)明。

附圖說明

通過參照附圖詳細(xì)描述其示例實(shí)施例，本發(fā)明的上述和其它目標(biāo)、特征及優(yōu)點(diǎn)將變得更加顯而易見。

圖1是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估方法的流程圖。

圖2是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估方法的流程圖。

圖3是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估方法的流程圖。

圖4是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估方法的流程圖。

圖5是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估方法的流程圖。

圖6是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估裝置的框圖。

圖7是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估裝置的框圖。

圖8是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估裝置的框圖。

圖9是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估裝置的框圖。

圖10是根據(jù)一示例性實(shí)施方式示出的一種訂單量預(yù)估裝置的框圖。

圖11是根據(jù)一示例性實(shí)施方式示出的一種電子設(shè)備的框圖。

具體實(shí)施方式

現(xiàn)在將參考附圖更全面地描述示例實(shí)施方式。然而，示例實(shí)施方式能夠以多種形式實(shí)施，且不應(yīng)被理解為限于在此闡述的范例；相反，提供這些實(shí)施方式使得本發(fā)明將更加全面和完整，并將示例實(shí)施方式的構(gòu)思全面地傳達(dá)給本領(lǐng)域的技術(shù)人員。附圖僅為本發(fā)明的示意性圖解，并非一定是按比例繪制。圖中相同的附圖標(biāo)記表示相同或類似的部分，因而將省略對它們的重復(fù)描述。

此外，所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個(gè)或更多實(shí)施方式中。在下面的描述中，提供許多具體細(xì)節(jié)從而給出對本發(fā)明的實(shí)施方式的充分理解。然而，本領(lǐng)域技術(shù)人員將意識(shí)到，可以實(shí)踐本發(fā)明的技術(shù)方案而省略所述特定細(xì)節(jié)中的一個(gè)或更多，或者可以采用其它的方法、組元、裝置、步驟等。在其它情況下，不詳細(xì)示出或描述公知結(jié)構(gòu)、方法、裝置、實(shí)現(xiàn)或者操作以避免喧賓奪主而使得本發(fā)明的各方面變得模糊。

圖1是根據(jù)一示例性實(shí)施方式示出的訂單量預(yù)估方法的流程示意圖。請參閱圖1，本發(fā)明實(shí)施方式的訂單量預(yù)估方法可包括：

步驟S1，獲取當(dāng)前日期之前預(yù)設(shè)時(shí)間內(nèi)每天訂單量的真實(shí)值。

步驟S2，根據(jù)每天訂單量的真實(shí)值獲得趨勢信息以根據(jù)所述趨勢信息獲得每天訂單量的預(yù)估值。

步驟S3，根據(jù)所述每天訂單量的真實(shí)值與所述每天訂單量的預(yù)估值的比較結(jié)果訓(xùn)練擬合模型。

步驟S4，結(jié)合趨勢信息及擬合模型獲得待預(yù)估日期的訂單量的預(yù)估值。

現(xiàn)在技術(shù)在進(jìn)行訂單量預(yù)估時(shí)，一般采用單一的方法，例如，僅采用時(shí)間序列算法預(yù)估訂單量，或者僅采用單一模型預(yù)估訂單量，容易導(dǎo)致預(yù)估準(zhǔn)確率較低或模型的可解釋性差的問題。以時(shí)間序列算法為例，其僅能根據(jù)過去的數(shù)據(jù)獲得訂單量的大概趨勢，預(yù)估準(zhǔn)確率較低。

而在本發(fā)明實(shí)施方式中，采用了兩種或兩種以上的預(yù)估方法相結(jié)合的方式，可以使預(yù)估更加準(zhǔn)確，并有較好的可解釋性。例如，可先根據(jù)過去一段時(shí)間每天訂單量的真實(shí)值得到訂單量的趨勢信息。該趨勢信息能描述訂單量的大致趨勢，例如隨著公司的正常發(fā)展、營銷推廣，雖然因各種各樣的因素會(huì)有大大小小的波動(dòng)，訂單量是逐漸上升的態(tài)勢，該趨勢信息應(yīng)能大致體現(xiàn)這一態(tài)勢。

然而趨勢信息只是大概反映訂單量的變化趨勢而并不能準(zhǔn)確地預(yù)測，因此本實(shí)施方式的訂單預(yù)估方法在趨勢信息的基礎(chǔ)上再建立一個(gè)擬合模型以更好地反映訂單量的變化，即根據(jù)訂單量的真實(shí)值與預(yù)估值的比較結(jié)果來建立擬合模型以體現(xiàn)趨勢信息所不能反映的更細(xì)化的波動(dòng)信息。

趨勢信息可以通過不同的方式獲得。例如，可以采用時(shí)間序列預(yù)估方法獲得趨勢信息，也可以采用回歸模型的方式獲得趨勢信息，后文將詳細(xì)描述趨勢信息的獲得。擬合模型可以通過不同的方式建立。例如，擬合模型可以是包含多種參數(shù)的回歸模型，例如線性回歸、多項(xiàng)式回歸、嶺回歸等。將趨勢信息與擬合模型結(jié)合來預(yù)測訂單量可彌補(bǔ)彼此的不足以提升整體預(yù)估過程的準(zhǔn)確度及可解釋性，從而至少解決現(xiàn)有技術(shù)存在的全部或部分問題。應(yīng)清楚地理解，本發(fā)明描述了如何形成和使用特定示例，但本發(fā)明的原理不限于這些示例的任何細(xì)節(jié)。相反，基于本發(fā)明公開的內(nèi)容的教導(dǎo)，這些原理能夠應(yīng)用于許多其它實(shí)施方式。

在本發(fā)明一實(shí)施方式中，擬合模型可以包括第一回歸模型。具體而言，步驟S3(參見圖2)可包括：

步驟S301，將當(dāng)前日期之前預(yù)定時(shí)間集的預(yù)定特征的值作為輸入變量值，并將預(yù)定時(shí)間集的每天訂單量的真實(shí)值與預(yù)估值的比較結(jié)果作為輸出目標(biāo)值，生成第一訓(xùn)練集；及

步驟S302，基于第一訓(xùn)練集訓(xùn)練第一回歸模型并得到預(yù)定特征對應(yīng)的權(quán)重。

擬合模型可以是一個(gè)回歸模型(本文中稱作第一回歸模型)，回歸模型與步驟S2中的趨勢信息的不同之處在于，趨勢信息僅根據(jù)過去一段時(shí)間的訂單量數(shù)據(jù)獲得，而回歸模型根據(jù)過去多天的數(shù)據(jù)建立訓(xùn)練集并引入了一個(gè)或多個(gè)可能對訂單量有影響的預(yù)定特征，例如天氣、假期情況、訂單優(yōu)惠情況等，以更好地?cái)M合真實(shí)值，并使模型有更好的可解釋性。或者，也可理解為趨勢信息僅以一段時(shí)間的每天的訂單量作為唯一特征，而步驟S3中的擬合模型(例如回歸模型)包含訂單量之外的其他一個(gè)或多個(gè)特征。

第一回歸模型例如可以采用如下函數(shù)表達(dá)：y＝a₀+a₁×x₁+a₂×x₁+……+a_kx_k，y為該函數(shù)的輸出，x₁、x₂、…x_k表示各個(gè)預(yù)定特征，k表示預(yù)定特征(包括天氣、假期情況、訂單優(yōu)惠情況等)的個(gè)數(shù)，a₀、a₁、a₂、…a_k為回歸系數(shù)，也稱作解釋系數(shù)，也就是本申請中各個(gè)預(yù)定特征的權(quán)重，通過模型訓(xùn)練可以得到回歸系數(shù)a₀、a₁、a₂、…a_k的值，也就得到了各個(gè)預(yù)定特征的權(quán)重。

可在每次進(jìn)行預(yù)測時(shí)實(shí)時(shí)對擬合模型進(jìn)行訓(xùn)練并得到最新的權(quán)重，同時(shí)也實(shí)時(shí)獲得最新的趨勢信息。這樣是基于最新的擬合模型及趨勢信息進(jìn)行預(yù)測，可提升預(yù)測的準(zhǔn)度。例如，若對今天的訂單量進(jìn)行預(yù)測，采用最近一個(gè)月的數(shù)據(jù)，顯然比采用半年前的一個(gè)月的數(shù)據(jù)能得到更準(zhǔn)確的趨勢信息；采用最近一年的數(shù)據(jù)，比采用前年一年的數(shù)據(jù)能得到更接近今天情況的擬合模型及權(quán)重。其中，預(yù)定特征可包括以下特征的其中之一或者任意組合：假期、天氣、訂單優(yōu)惠參數(shù)、平均配送費(fèi)用、平均配送時(shí)間。假期特征可包括是否是假期、周幾等。天氣特征可包括常見的天氣狀況，陰晴雨雪等，以及氣溫。訂單優(yōu)惠特征可包括是否開戶紅包、紅包比例及首購用戶的比例等。這些預(yù)定特征是經(jīng)過試驗(yàn)認(rèn)為對訂單量可能有較大影響的特征，然而本發(fā)明并不限于這些特征。在實(shí)際進(jìn)行預(yù)估時(shí)，不同城市的情況不同，也可采用不同的預(yù)定特征以適應(yīng)每個(gè)城市的情況。

預(yù)定特征的值是已知的，例如過去某天的天氣是晴是雨為已知，是周末還是工作日為已知。而預(yù)定特征對訂單量的影響程度大小，即在模型中的權(quán)重，是未知的。訓(xùn)練第一回歸模型的目的就是，求解模型中各預(yù)定特征的權(quán)重大小，從而使第一回歸模型確定(即其表達(dá)式確定)，以實(shí)現(xiàn)將待預(yù)估日期的各預(yù)定特征的值代入表達(dá)式就可得到預(yù)估數(shù)據(jù)。為達(dá)此目的，可將真實(shí)值與步驟S2中得到的預(yù)估值的比較結(jié)果作為第一回歸模型的輸出目標(biāo)值。

將真實(shí)值與步驟S2中得到的預(yù)估值的比較結(jié)果作為第一回歸模型的輸出目標(biāo)值來訓(xùn)練第一回歸模型，可以使得訓(xùn)練好的第一回歸模型更具解釋性。具體而言，例如，在訓(xùn)練第一回歸模型時(shí)，真實(shí)值與步驟S2中得到的預(yù)估值的比較結(jié)果的比值為0.9，說明真實(shí)訂單量下降了10％。訓(xùn)練好的第一回歸模型的對應(yīng)于天氣、訂單優(yōu)惠參數(shù)、假期等特征的權(quán)重可以體現(xiàn)天氣、訂單優(yōu)惠參數(shù)、假期等特征對于10％這一訂單量下降的貢獻(xiàn)。換句話說，在本申請的技術(shù)方案中，在訓(xùn)練第一回歸模型時(shí)，將真實(shí)值與步驟S2中得到的預(yù)估值的比較結(jié)果作為第一回歸模型的輸出目標(biāo)值來訓(xùn)練第一回歸模型，而不是以訂單量的真實(shí)值作為第一回歸模型的輸出目標(biāo)值來訓(xùn)練第一回歸模型，使得第一回歸模型的輸出體現(xiàn)一種變化趨勢，而不是一個(gè)絕對數(shù)值，進(jìn)而使得訓(xùn)練得到的各個(gè)權(quán)重能夠體現(xiàn)對于這一變化趨勢的影響。訓(xùn)練好的第一回歸模型的各個(gè)權(quán)重可以很好地解釋天氣、訂單優(yōu)惠參數(shù)、假期等預(yù)定特征對于訂單量變化趨勢的影響。

由于各預(yù)定特征對訂單量的影響往往是成比例的，例如若正常情況下訂單量規(guī)模為100萬，在霧霾天氣的影響下，訂單量可能增加到110萬，即增加為1.1倍，而若訂單量規(guī)模為10萬，在同樣的霧霾天氣的影響下，訂單量可能僅增長為11萬，同樣增加為1.1倍。因此采用比值作為輸出目標(biāo)值能較好地反映這一比例關(guān)系。

此外，值得說明的是，訓(xùn)練集樣本可以選取自從過去一段連續(xù)的時(shí)間，例如將過去一年半每一天的訂單量數(shù)據(jù)作為樣本，或者，可以選取自過去多段時(shí)間，或者離散的日期集合。

在各預(yù)定特征的權(quán)重確定后，第一回歸模型的表達(dá)式確定，即可進(jìn)行對待預(yù)估日期的訂單量的預(yù)估。請參閱圖3，在本實(shí)施方式中，進(jìn)一步地，步驟S4可包括：

步驟S401，根據(jù)趨勢信息獲得待預(yù)估日期的第一預(yù)估值；

步驟S402，將待預(yù)估日期的預(yù)定特征的值輸入第一回歸模型獲得第二預(yù)估值；及

步驟S403，將第一預(yù)估值和第二預(yù)估值的乘積作為待預(yù)估日期的訂單量的最終預(yù)估值。

通過趨勢信息可獲得待預(yù)估日期的第一預(yù)估值，即一個(gè)粗略的預(yù)估值。通過將待預(yù)估日期的各個(gè)預(yù)定特征的值代入各預(yù)定特征的權(quán)重已確定了的第一回歸模型，可得到輸出的第二預(yù)估值。通過之前的描述可知，該第二預(yù)估值其實(shí)是一個(gè)比值，代表真實(shí)值與第一預(yù)估值的比例關(guān)系。因此，將第一預(yù)估值與第二預(yù)估值相乘，即可得到最終預(yù)估值。

下面具體描述如何根據(jù)所述每天訂單量的真實(shí)值獲得趨勢信息以根據(jù)趨勢信息獲得每天訂單量的預(yù)估值。

一種方式是通過時(shí)間序列預(yù)測方式來獲得趨勢信息。例如可以采用一階指數(shù)平滑方法。

例如，將某城市最近一段時(shí)間內(nèi)每天的訂單(例如最近30天每天的訂單)構(gòu)成的訂單序列按時(shí)間升序排列，然后按照一階指數(shù)平滑公式對每天的訂單量進(jìn)行預(yù)測，這樣就可以獲取每天訂單量的預(yù)估值。按照一階指數(shù)平滑公式，每天訂單量的預(yù)估值都是基于前一天的訂單量的預(yù)估值、前一天的訂單量的實(shí)際值以及平滑系數(shù)，因此前30天中每天的訂單量預(yù)估值以及該平滑系數(shù)可以反映訂單量的趨勢，因而可以看作是趨勢信息。

另一種方式是建立第二回歸模型來獲得趨勢信息。請參閱圖4，在某些實(shí)施方式中，步驟S2可以包括：

步驟S201，根據(jù)每天訂單量的真實(shí)值訓(xùn)練第二回歸模型獲得趨勢信息；及

步驟S202，根據(jù)趨勢信息獲得每天訂單量的預(yù)估值。

在該實(shí)施例中，使用回歸模型對過去一段時(shí)間(如30天)的訂單量進(jìn)行建模，得到待預(yù)估日期的訂單預(yù)估值。

可以以過去一段時(shí)間的訂單量真實(shí)值作為特征進(jìn)行建模。具體地，請參閱圖5，在某些實(shí)施方式中，步驟S201可以包括：

步驟S2011，確定第一預(yù)定時(shí)間段及第二預(yù)定時(shí)間段；

步驟S2012，將第一預(yù)設(shè)時(shí)間段內(nèi)每天訂單量的真實(shí)值作為輸出目標(biāo)值，并將第一預(yù)定時(shí)間段內(nèi)每天之前第二預(yù)定時(shí)間段內(nèi)每天訂單量的真實(shí)值作為輸入變量值，生成第二訓(xùn)練集；及

步驟S2013，基于第二訓(xùn)練集訓(xùn)練第二回歸模型獲得趨勢信息。其中，可訓(xùn)練第二回歸模型以得到所述第二預(yù)定時(shí)間段內(nèi)每天訂單量的真實(shí)值對應(yīng)的權(quán)重，該權(quán)重可以體現(xiàn)訂單量的趨勢，因而可以看作是趨勢信息。

這種第二回歸模型的建立方法與前文中第一回歸模型的建立相似，同樣是求取每個(gè)特征的權(quán)重從而確定模型，這里使用的第二回歸模型和前文中第一回歸模型的不同在于使用的是過去一段時(shí)間的訂單數(shù)作為特征。

例如，第一預(yù)定時(shí)間段設(shè)定為20天，第二預(yù)定時(shí)間段設(shè)定為30天，則針對第一預(yù)定時(shí)間段的每一天(即第1-20天)的訂單量真實(shí)值，分別找出其對應(yīng)的前30天的每天訂單量真實(shí)值，如此形成一對輸出目標(biāo)值及輸入變量值。如此共形成20對輸出目標(biāo)值及輸入變量值，作為第二訓(xùn)練集。通過第二訓(xùn)練集來訓(xùn)練第二回歸模型，可以得到多個(gè)回歸系數(shù)(即第二回歸模型中每個(gè)特征值的權(quán)重)。

對于多個(gè)城市的情況也可以采用上述方法。例如，共有M個(gè)城市，每個(gè)城市的第一時(shí)間段可以為20天，那么就有M*20個(gè)樣本作為第二訓(xùn)練集。

在本申請的實(shí)施例中，如果趨勢信息獲取步驟和擬合模型訓(xùn)練步驟中都使用回歸模型，則對外部的依賴更少，更易實(shí)施。這種方式實(shí)際上反映了一種boosting思想，是一種雙層回歸模型，這可以有效提高訂單預(yù)估的準(zhǔn)確度，同時(shí)模型具有可解釋性。

綜合上文，根據(jù)本發(fā)明實(shí)施方式的訂單量預(yù)估方法，趨勢信息的獲取與擬合模型的建立可采用不同的方法，二者結(jié)合進(jìn)行預(yù)估可彌補(bǔ)彼此的不足從而提升整體預(yù)估過程的準(zhǔn)確度及可解釋性。

另外，根據(jù)一些實(shí)施例，訂單量預(yù)估方法中趨勢信息的獲取可采用一階指數(shù)平滑算法，屬于時(shí)間序列方法的一種，能很好地描述訂單量隨時(shí)間變化的大致趨勢，擬合模型可采用回歸模型，可解得各個(gè)預(yù)定特征的權(quán)重，并能更準(zhǔn)確地描述模型，如此，二者的結(jié)合可進(jìn)行較準(zhǔn)確的預(yù)測，并有較好的可解釋性。此外，趨勢信息也可通過回歸模型獲得，這樣對外部的依賴更少，更易實(shí)施。

請參閱圖6，本發(fā)明還提供了一種訂單量預(yù)估裝置100，其包括：

訂單量獲取模塊110，用于獲取當(dāng)前日期之前預(yù)設(shè)時(shí)間段內(nèi)每天訂單量的真實(shí)值；

趨勢信息獲取模塊120，用于根據(jù)每天訂單量的真實(shí)值獲得趨勢信息以根據(jù)趨勢信息獲得每天訂單量的預(yù)估值；

建模模塊130，用于根據(jù)每天訂單量的真實(shí)值與每天訂單量的預(yù)估值的比較結(jié)果訓(xùn)練擬合模型；及

預(yù)估模塊140，用于結(jié)合趨勢信息與擬合模型獲得待預(yù)估日期的訂單量的預(yù)估值。

請參閱圖7，在某些實(shí)施方式中，擬合模型可以包括第一回歸模型；

建模模塊130可包括：

第一訓(xùn)練集生成子模塊131，用于將當(dāng)前日期之前預(yù)定時(shí)間集的預(yù)定特征的值作為輸入變量值并將預(yù)定時(shí)間集的每天訂單量的真實(shí)值與預(yù)估值的比較結(jié)果作為輸出目標(biāo)值以生成第一訓(xùn)練集；及

第一訓(xùn)練子模塊132，用于基于第一訓(xùn)練集訓(xùn)練第一回歸模型并得到預(yù)定特征對應(yīng)的權(quán)重。

在某些實(shí)施方式中，比較結(jié)果可以包括每天訂單量的真實(shí)值與預(yù)估值的比值。

請參閱圖8，在某些實(shí)施方式中，預(yù)估模塊140可包括：

第一預(yù)估子模塊141，用于根據(jù)趨勢信息獲得待預(yù)估日期的第一預(yù)估值；

第二預(yù)估子模塊142，將待預(yù)估日期的預(yù)定特征的值輸入第一回歸模型獲得第二預(yù)估值；及

最終預(yù)估子模塊143，用于將第一預(yù)估值和第二預(yù)估值的乘積作為待預(yù)估日期的訂單量的最終預(yù)估值。

在某些實(shí)施方式中，預(yù)定特征包括以下特征的其中之一或者任意組合：假期、天氣、訂單優(yōu)惠參數(shù)、平均配送費(fèi)用、平均配送時(shí)間。

在某些實(shí)施方式中，趨勢信息獲取模塊120用于根據(jù)每天訂單量的真實(shí)值采用一階指數(shù)平滑算法獲得趨勢信息以獲得每天訂單量的預(yù)估值。

請參閱圖9，在某些實(shí)施方式中，趨勢信息獲取模塊120可以包括：

建模子模塊121，用于根據(jù)每天訂單量的真實(shí)值訓(xùn)練第二回歸模型以獲得趨勢信息；及

估測子模塊122，用于根據(jù)趨勢信息獲得每天訂單量的預(yù)估值。

進(jìn)一步地，請參閱圖10，在某些實(shí)施方式中，建模子模塊121包括：

確定子模塊1211，用于確定第一預(yù)定時(shí)間段及第二預(yù)定時(shí)間段；

第二訓(xùn)練集生成子模塊1212，用于將第一預(yù)設(shè)時(shí)間段內(nèi)每天訂單量的真實(shí)值作為輸出目標(biāo)值并將第一預(yù)定時(shí)間段內(nèi)每天之前第二預(yù)定時(shí)間段內(nèi)每天訂單量的真實(shí)值作為輸入變量值以生成第二訓(xùn)練集；及

第二訓(xùn)練子模塊1213，用于基于第二訓(xùn)練集訓(xùn)練第二回歸模型并得到第二預(yù)定時(shí)間段內(nèi)每天訂單量的真實(shí)值對應(yīng)的權(quán)重。

本發(fā)明實(shí)施方式的訂單量預(yù)估裝置100，可用于實(shí)現(xiàn)本發(fā)明實(shí)施方式的訂單量預(yù)估方法。對于本發(fā)明實(shí)施方式的訂單量預(yù)估裝置100中未披露的細(xì)節(jié)，請參照本發(fā)明實(shí)施方式的訂單量預(yù)估方法，在此不作贅述。

請參閱圖11，本發(fā)明還提供了一種電子設(shè)備1300，該電子設(shè)備可以包括存儲(chǔ)器1301和處理器1302。存儲(chǔ)器1301上存儲(chǔ)有可在處理器1302上運(yùn)行的計(jì)算機(jī)程序。處理器1302執(zhí)行計(jì)算機(jī)程序可以實(shí)現(xiàn)本文描述的方法。

存儲(chǔ)器1301可以是各種由任何類型的易失性或非易失性存儲(chǔ)設(shè)備或者它們的組合實(shí)現(xiàn)，如靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)，電可擦除可編程只讀存儲(chǔ)器(EEPROM)，可擦除可編程只讀存儲(chǔ)器(EPROM)，可編程只讀存儲(chǔ)器(PROM)，只讀存儲(chǔ)器(ROM)，磁存儲(chǔ)器，快閃存儲(chǔ)器，磁盤或光盤。

該電子設(shè)備1300可以是具備計(jì)算和處理能力的各種設(shè)備，除了存儲(chǔ)器1301和處理器1302之外，還可以包括各種輸入設(shè)備(例如用戶界面、鍵盤等)、各種輸出設(shè)備(例如揚(yáng)聲器等)、以及顯示設(shè)備，本文在此不再贅述。

本申請還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器1302執(zhí)行時(shí)實(shí)現(xiàn)本文描述的方法。

應(yīng)清楚地理解，本發(fā)明描述了如何形成和使用特定示例，但本發(fā)明的原理不限于這些示例的任何細(xì)節(jié)。相反，基于本發(fā)明公開的內(nèi)容的教導(dǎo)，這些原理能夠應(yīng)用于許多其它實(shí)施方式。

本領(lǐng)域技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施方式的全部或部分步驟被實(shí)現(xiàn)為由CPU執(zhí)行的計(jì)算機(jī)程序。在該計(jì)算機(jī)程序被CPU執(zhí)行時(shí)，執(zhí)行本發(fā)明提供的上述方法所限定的上述功能。所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，該存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤或光盤等。

此外，需要注意的是，上述附圖僅是根據(jù)本發(fā)明示例性實(shí)施方式的方法所包括的處理的示意性說明，而不是限制目的。易于理解，上述附圖所示的處理并不表明或限制這些處理的時(shí)間順序。另外，也易于理解，這些處理可以是例如在多個(gè)模塊中同步或異步執(zhí)行的。

需要注意的是，上述附圖中所示的框圖是功能實(shí)體，不一定必須與物理或邏輯上獨(dú)立的實(shí)體相對應(yīng)?？梢圆捎密浖问絹韺?shí)現(xiàn)這些功能實(shí)體，或在一個(gè)或多個(gè)硬件模塊或集成電路中實(shí)現(xiàn)這些功能實(shí)體，或在不同網(wǎng)絡(luò)和/或處理器裝置和/或微控制器裝置中實(shí)現(xiàn)這些功能實(shí)體。

通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員易于理解，這里描述的示例實(shí)施方式可以通過軟件實(shí)現(xiàn)，也可以通過軟件結(jié)合必要的硬件的方式來實(shí)現(xiàn)。因此，根據(jù)本發(fā)明實(shí)施方式的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該軟件產(chǎn)品可以存儲(chǔ)在一個(gè)非易失性存儲(chǔ)介質(zhì)(可以是CD-ROM，U盤，移動(dòng)硬盤等)中或網(wǎng)絡(luò)上，包括若干指令以使得一臺(tái)計(jì)算設(shè)備(可以是個(gè)人計(jì)算機(jī)、服務(wù)器、移動(dòng)終端、或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行根據(jù)本發(fā)明實(shí)施方式的方法。

以上具體地示出和描述了本發(fā)明的示例性實(shí)施方式。應(yīng)可理解的是，本發(fā)明不限于這里描述的詳細(xì)結(jié)構(gòu)、設(shè)置方式或?qū)崿F(xiàn)方法；相反，本發(fā)明意圖涵蓋包含在所附權(quán)利要求的精神和范圍內(nèi)的各種修改和等效設(shè)置。