CN118780850B 基于机器学习的订单需求预测方法、系统和电子设备 （上海璞康数据科技(集团)股份有限公司）

个画像标签及其权重的多个客户画像和由数据2采集由数据库中获取的包含多个画像标签及其权重的多个客户画像和由数据库中获从所述由数据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单数据中提取客户画像关联特征向量和历史订基于所述客户画像关联特征向量和所述历史订单关联特征向量，判断客户的购买倾其中，基于所述客户画像关联特征向量和所述历史订单关联特征向量融合所述客户画像关联特征向量和所述历史订单关联特征向量以得到订单预测特征对所述订单预测特征向量进行基于感知性分析的分布特性强化以得到优化订单预测将所述优化订单预测特征向量通过分类器以得到分类结果，所述其中，对所述订单预测特征向量进行基于感知性分析的分布将所述订单预测特征向量与分类器的分类权重矩阵进行相乘以得到将所述订单预测特征向量与所述中间特征向量进行拼接以得到将所述编码拼接特征向量通过sigmoid函数进行激活以将一减去激活值后再与中间特征向量进行按位置相乘以得到加权将所述激活值与订单预测特征向量进行按位置相乘以得到加权订单将所述中间特征向量与所述订单预测特征向量进行按位置相减以得到将所述加权中间特征向量与所述加权订单预测特征向量进行相加后再除以所述差异将所述第二中间特征向量通过ReLU函数以得到优化订单据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史对所述由数据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单数据进行语义编码以得到多个画像标签特征向量和多个历史订单特据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史将所述由数据库中获取的包含多个画像标签及其权重的多个客户画像通过基于上下3文编码器的画像标签特征提取器以将所述多个客户画像中每个客户画像的各个画像标签将所述由数据库中获取的历史订单数据通过包含嵌入层的基于上下文的编码器模型将所述多个画像标签特征向量中每个客户画像对应的各个画像标签特征向量乘以每个客户画像中各个画像标签对应的权重后以得到多个画像标签将所述多个画像标签加权特征向量进行特征编码以得到所述客户画像将所述多个画像标签加权特征向量进行级联以将多个客户画像中每个客户画像的各将所述多个客户画像特征向量通过基于卷积神经网络的客户画像特征提取器以得到将所述多个历史订单特征向量进行二维排列以得将所述历史订单特征矩阵通过基于卷积神经网络的历史订单特征提取器以得到所述订单数据采集模块，用于采集由数据库中获取的包含多个画订单数据特征提取模块，用于从所述由数据库中获取的包多个客户画像和所述由数据库中获取的历史订单数据中提取客户画像关联特征向量和历购买倾向判断生成模块，用于基于所述客户画像关联特征其中，基于所述客户画像关联特征向量和所述历史订单关联特征向量融合所述客户画像关联特征向量和所述历史订单关联特征向量以得到订单预测特征对所述订单预测特征向量进行基于感知性分析的分布特性强化以得到优化订单预测将所述优化订单预测特征向量通过分类器以得到分类结果，所述其中，对所述订单预测特征向量进行基于感知性分析的分布4将所述订单预测特征向量与分类器的分类权重矩阵进行相乘以得到将所述订单预测特征向量与所述中间特征向量进行拼接以得到将所述编码拼接特征向量通过sigmoid函数进行激活以将一减去激活值后再与中间特征向量进行按位置相乘以得到加权将所述激活值与订单预测特征向量进行按位置相乘以得到加权订单将所述中间特征向量与所述订单预测特征向量进行按位置相减以得到将所述加权中间特征向量与所述加权订单预测特征向量进行相加后再除以所述差异将所述第二中间特征向量通过ReLU函数以得到优化订单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如权利要求1_6中任一项5[0002]订单需求预测在商业运营中起着至关重要的作用。通过准确预测未来的订单需[0007]采集由数据库中获取的包含多个画像标签及其权重的多个客户画像和由数据库[0008]从所述由数据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单数据中提取客户画像关联特征向量和历史重的多个客户画像和所述由数据库中获取的历史订单数据中提取客户画像关联特征向量6处理器执行如上所述的基于机器学习的订单需[0016]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、[0018]图2为根据本申请实施例的基于机器学习的订单需求预测方法中对所述由数据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单[0019]图3为根据本申请实施例的基于机器学习的订单需求预测方法中对所述多个画像中获取的包含多个画像标签及其权重的多个客户画像和由数据库中获取的历史订单数据，取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单数据取的包含多个画像标签及其权重的多个客户画像和由数据库中获取的历史订单数据，其7获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单数含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单数据进行语8向量中提取出最具代表性和区分性的特征。一些常用的特征提取方法包括主成分分析关联特征向量。取，可以将原始的历史订单特征向量转换为更具代表性和相关性的历史订单关联特征向[0029]图2为根据本申请实施例的基于机器学习的订单需求预测方法中对所述由数据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单述由数据库中获取的包含多个画像标签及其权重的多个客户画像通过基于上下文编码器的画像标签特征提取器以将所述多个客户画像中每个客户画像的各个画像标签转化为特上下文编码器的画像标签特征提取器的嵌入层将所述由数据库中获取的包含多个画像标于上下文编码器的画像标签特征提取器的转换器对所述客户画像嵌入向量的序列进行全9含嵌入层的基于上下文的编码器模型的嵌入层分别将所述历史订单词序列中各个词映射下文的编码器模型的基于转换器的Bert模型对所述历史订单词嵌入向量的序列进行基于[0031]图3为根据本申请实施例的基于机器学习的订单需求预测方法中对所述多个画像述多个画像标签特征向量中每个客户画像对应的各个画像标签特征向量乘以每个客户画个画像标签特征向量中每个客户画像对应的各个画像标签特征向量乘以每个客户画像中将多个客户画像中每个客户画像的各个画像标签加权特征向量级联为多个客户画像特征述基于卷积神经网络的客户画像特征提取器的输入为所述多个客户画于卷积神经网络的历史订单特征提取器以如下卷积公式对所述历史订单特征矩阵进行处fi-r为第i层基于卷积神经网络的历史订单特征提取器的输入，fi为第i层基于卷积神经网络的历史订单特征为第i层基于卷积神经网络的历史订单特征提取器的全局转换矩阵，且i述第二中间特征向量通过ReLU函数以得到优化订单预测特流形差异作为微分因子来支持改进后的订单预测特征向量对于所述分类器的预定分类结所述优化订单预测特征向量进行处理以得到所述分类结果；其中，所述分类公式为：o表示所述分类结果。[0048]图4为根据本申请实施例的基于机器学习的订单需求预测系统的框图。如图4所110，用于采集由数据库中获取的包含多个画像标签及其权重的多个客户画像和由数据库单数据特征提取模块120，用于从所述由数据库中获取的包含多个画像标签及其权重的多个客户画像和所述由数据库中获取的历史订单数据中提取客户画像关联特征向量和历史[0049]如上所述，根据本申请实施例的所述基于机器学习的订单需求预测系统100可以实现在各种终端设备中，例如部署有基于机器学习的订单需求预测控制算法的服务器等。设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程个步骤的具体操作已经在上面参考图1至图3的基于机器学习的订单需求预测方法的描