商品属性预测方法及装置.pdf

《商品属性预测方法及装置.pdf》由会员分享，可在线阅读，更多相关《商品属性预测方法及装置.pdf（20页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910830975.X (22)申请日 2019.09.04 (71)申请人 北京硅谷金山信息技术有限公司 地址 100102 北京市朝阳区望京西园222楼 19层B-1901 (72)发明人 陈汝君 (74)专利代理机构 苏州友佳知识产权代理事务 所(普通合伙) 32351 代理人 储振龚心怡 (51)Int.Cl. G06Q 30/02(2012.01) (54)发明名称 商品属性预测方法及装置 (57)摘要 本发明提供了一种商品属性预测方法及装 置， 包括获取商品的属。

2、性数据； 基于商品的属性 数据得到商品在历史考察周期内目标时间窗口 中每个单位时间对应的平均属性， 以形成依照时 间顺序排列的平均属性窗口数据集X(0)x(0) (i)， x(0)(i+1),x(0)(i+n-1)； 对平均属性数 据集进行一次累加， 得到累加后的平均属性窗口 数据集X(1)x(1)(i)， x(1)(i+1),x(1)(i+n- 1)， 以基于累加后的平均属性数据集得到灰微 分方程模型x(0)(k)+az(1)(k)b； 基于最小一 乘式对灰微分方程模型的发展系数和灰作用量 进行预估， 得到发展系数和灰作用量的预估值； 将发展系数和灰作用量的预估值代入灰微分方 程模型中， 以。

3、得到商品在目标时间窗口的起始点 对应的目标预测单位时间内的预测值。 本发明提 高了对商品属性预测的准确度。 权利要求书3页 说明书11页 附图5页 CN 110648171 A 2020.01.03 CN 110648171 A 1.一种商品属性预测方法， 其特征在于， 包括： 获取商品的属性数据； 基于商品的属性数据得到商品在历史考察周期内目标时间窗口中每个单位时间对应 的平均属性， 以形成依照时间顺序排列的平均属性窗口数据集X(0)x(0)(i)， x(0)(i+ 1),x(0)(i+n-1)； 对所述平均属性窗口数据集X(0)进行一次累加， 得到累加后的平均属性窗口数据集X(1) x(1。

4、)(i)， x(1)(i+1),x(1)(i+n-1)， 以基于累加后的平均属性数据集X(1)得到灰微分方 程模型x(0)(k)+az(1)(k)b； 基于最小一乘式对所述灰微分方程模型的发展系数和灰作用量进行预估， 得到所述发 展系数和所述灰作用量的预估值； 将所述发展系数和所述灰作用量的预估值代入所述灰微分方程模型中， 以得到商品在 所述目标时间窗口的起始点i对应的目标预测单位时间内的预测值 其中， n为所述目标时间窗口的长度， n小于或等于N， N表示所述历史时间段的时间长 度， i为所述目标时间窗口的起始点， i+n-1为所述目标时间窗口的终点， i1， N-n+1； a为 所述灰微分。

5、方程模型的发展系数， b为所述灰微分方程模型的灰作用量， x(0)(k)x(1)(k)-x (1)(k-1)， z(1)(k)1/2(x(1)(k)+x(1)(k-1)， 2.根据权利要求1所述的方法， 其特征在于， 基于商品的属性数据得到商品在历史考察 周期内目标时间窗口中每个单位时间对应的平均属性， 形成依照时间顺序排列的平均属性 窗口数据集X(0)， 包括： 将商品的属性数据按照单位时间进行切分， 以得到在历史考察周期内每个单位时间对 应的平均属性， 形成依照时间顺序排列的平均属性数据集Y(0)x(0)(1)， x(0)(2),x(0) (N)， x(0)(N)表示商品在当前单位时间对应。

6、的平均属性； 设定所述历史考察周期内的目标时间窗口， 以基于所述平均属性数据集Y(0)得到所述 平均属性窗口数据集X(0)x(0)(i)， x(0)(i+1),x(0)(i+n-1)。 3.根据权利要求1所述的方法， 其特征在于， 还包括： 基于商品在所述目标时间窗口内起始点i对应的目标预测单位时间内的预测值确定商 品属性的相对误差； 基于商品属性的相对误差确定商品属性在所述目标预测单位时间内的预测值； 所述相对误差为在所述目标时间窗口内起始点i对应的预测值与预测值对应的真实值 之间绝对差值的平均值x(0)(i+n)为商品属性在目 标预测单位时间内对应的真实值，为商品属性在目标预测单位时间内对。

7、应的预测 值。 4.根据权利要求3所述的方法， 其特征在于， 在基于商品属性的相对误差确定商品在所 述目标预测单位时间内的预测值之前， 包括： 遍历所述历史考察周期内的不同目标时间窗口， 以确定不同目标时间窗口对应的商品 权利要求书 1/3 页 2 CN 110648171 A 2 属性的相对误差； 其中， 确定商品在所述目标预测单位时间内的预测值， 包括： 确定不同目标时间窗口中对应的商品属性的相对误差在预设误差范围的时间窗口； 基于相对误差在预设误差范围的时间窗口对应的所述发展系数和所述灰作用量的预 估值， 确定商品在目标预测单位时间内的预测值。 5.根据权利要求1所述的方法， 其特征在于。

8、， 还包括： 基于残差值L对所述平均属性窗口数据集X(0)中的平均属性x(0)(k)进行加权处理， 以基 于加权处理后的平均属性窗口数据集得到优化后的灰微分方程模型x (0)(k)+az(1)(k) b， 其中， a为优化后的灰微分方程模型的发展系数， b为优化后的灰微分方程模型的灰作 用量， x (0)(k)x(0)(k)+Lk/n， 所述残差值L为所述预测值 与商品属性在目标预 测单位时间内真实值x(0)(i+n)之间的差值； 基于优化后的灰微分方程模型， 优化商品属性在目标预测单位时间内的预测值 6.根据权利要求5所述的方法， 其特征在于， 优化商品在目标预测单位时间内的预测值 包括： 。

9、基于所述最小一乘式对优化后的灰微分方程模型的发展系数和灰作用量进行预估， 得 到优化后的发展系数和优化后的灰作用量的预估值； 将优化后的发展系数和优化后的灰作用量的预估值代入优化前的灰微分方程模型中， 以得到商品属性在目标预测单位时间内的优化预测值。 7.根据权利要求1所述的方法， 其特征在于： n的取值范围为3,18。 8.根据权利要求1所述的方法， 其特征在于： 所述最小一乘式的计算公式为 其中， rk和qk均为中间变量，且rk大于或等于0， qk大于或等 于0， 9.根据权利要求2所述的方法， 其特征在于， 还包括： 若预测值高于商品当前单位时间对应的平均属性x(0)(N)， 则向用户展。

10、示 “看 多” 提示信息； 若预测值低于商品当前单位时间对应的平均属性x(0)(N)， 则向用户展示 “看 空” 提示信息； 其中， x(0)(N+1)表示未来考察周期内的目标预测单位时间对应的商品属性， 所述商品 的属性数据由商品价格、 商品交易量、 商品型号、 买方信息或者卖方信息中的一种或者几种 权利要求书 2/3 页 3 CN 110648171 A 3 的组合描述。 10.一种商品属性预测装置， 其特征在于， 包括： 获取单元， 用于获取商品的属性数据； 窗口数据集生成单元， 用于基于商品的属性数据得到商品在历史考察周期内的目标时 间窗口中每个单位时间对应的平均属性， 以形成依照时间。

11、顺序排列的平均属性窗口数据集 X(0)x(0)(i)， x(0)(i+1),x(0)(i+n-1)； 模型确定单元， 用于对所述平均属性窗口数据集进行一次累加， 得到累加后的平均属 性窗口数据集X(1)x(1)(i)， x(1)(i+1),x(1)(i+n-1)， 以基于累加后的平均属性数据集 得到灰微分方程模型x(0)(k)+az(1)(k)b； 参数预估单元， 用于基于最小一乘法对所述灰微分方程模型的发展系数和灰作用量进 行预估， 得到所述发展系数和所述灰作用量的预估值； 预测单元， 用于将所述发展系数和所述灰作用量的预估值代入所述灰微分方程模型 中， 以得到商品在所述目标时间窗口的起始点。

12、i对应的目标预测单位时间内的预测值 其中， n为所述目标时间窗口的长度， n小于或等于N， N表示所述历史考察周期的时间长 度， i为所述目标时间窗口的起始点， i+n-1为所述目标时间窗口的终点， i1， N-n+1； a为 所述灰微分方程模型的发展系数， b为所述灰微分方程模型的灰作用量， x(0)(k)x(1)(k)-x (1)(k-1)， z(1)(k)1/2(x(1)(k)+x(1)(k-1)， 权利要求书 3/3 页 4 CN 110648171 A 4 商品属性预测方法及装置 技术领域 0001 本发明涉及商品市场预测技术领域， 尤其涉及一种商品属性预测方法及装置。 背景技术 0。

13、002 由于贸易战的影响， 使得各个国家的资本市场大幅下跌， 证券市场和期货市场的 风险大幅增加， 与此同时， 黄金的避险功能和保值功能吸引了大批投资者转战黄金市场。 然 而， 黄金市场也存在着一定的风险， 也会随一些影响因素的变化而波动， 对其进行深入探讨 和研究有利于更好地把握其规律， 以帮助投资者在黄金配置中做决策。 0003 影响黄金属性的因素有很多， 包括通货膨胀率、 国债收益率、 汇率、 股票属性指数、 商品属性等等， 黄金属性的形成是多因素综合作用的结果。 而黄金属性时间序列本身也包 含很多有用的信息， 通过建立系统发展变化的GM(1,1)动态预测模型， 初步对黄金属性未来 走势。

14、做出预测。 0004 公告号CN102855583B的中国发明专利公开了一种基于二分数据修补与扰动因子 的商品属性预测方法， 在该现有技术中通过二分修补方法将缺陷数据修复， 以改变预测方 法中只能对完整无缺陷数据的预测， 但是该现有技术明显存在预测准确率不高等缺陷。 0005 有鉴于此， 有必要对现有技术中的商品属性的预测方法予以改进， 以解决上述问 题。 发明内容 0006 本发明的目的在于一种商品属性预测方法及装置， 以提高商品属性预测的准确 度。 0007 为实现上述目的， 为实现上述目的， 本发明是这样实现的： 0008 第一方面， 提供了一种商品属性预测方法， 包括： 0009 获取。

15、商品的属性数据； 0010 基于商品的属性数据得到商品在历史考察周期内的目标时间窗口中每个单位时 间对应的平均属性， 以形成依照时间顺序排列的平均属性窗口数据集X(0)x(0)(i)， x(0)(i +1),x(0)(i+n-1)； 0011 对所述平均属性窗口数据集进行一次累加， 得到累加后的平均属性窗口数据集X (1)x(1)(i)， x(1)(i+1),x(1)(i+n-1)， 以基于累加后的平均属性数据集得到灰微分方 程模型x(0)(k)+az(1)(k)b； 0012 基于最小一乘式对所述灰微分方程模型的发展系数和灰作用量进行预估， 得到所 述发展系数和所述灰作用量的预估值； 001。

16、3 将所述发展系数和所述灰作用量的预估值代入所述灰微分方程模型中， 以得到商 品在所述目标时间窗口的起始点i对应的目标预测单位时间内的预测值 0014 其中， n为所述目标时间窗口的长度， n小于或等于N， N表示所述历史考察周期的时 说明书 1/11 页 5 CN 110648171 A 5 间长度， i为所述目标时间窗口的起始点， i+n-1为所述目标时间窗口的终点， i1， N-n+ 1； a为所述灰微分方程模型的发展系数， b为所述灰微分方程模型的灰作用量， x(0)(k)x (1)(k)-x(1)(k-1)， z(1)(k)1/2(x(1)(k)+x(1)(k-1)， 0015 第二。

17、方面， 本发明还提供一种商品属性预测装置， 包括： 0016 获取单元， 用于获取商品的属性数据； 0017 窗口数据集生成单元， 用于基于商品的属性数据得到商品在历史考察周期内的目 标时间窗口中每个单位时间对应的平均属性， 以形成依照时间顺序排列的平均属性窗口数 据集X(0)x(0)(i)， x(0)(i+1),x(0)(i+n-1)； 0018 模型确定单元， 用于对所述平均属性窗口数据集进行一次累加， 得到累加后的平 均属性窗口数据集X(1)x(1)(i)， x(1)(i+1),x(1)(i+n-1)， 以基于累加后的平均属性数 据集得到灰微分方程模型x(0)(k)+az(1)(k)b；。

18、 0019 参数预估单元， 用于基于最小一乘法对所述灰微分方程模型的发展系数和灰作用 量进行预估， 得到所述发展系数和所述灰作用量的预估值； 0020 预测单元， 用于将所述发展系数和所述灰作用量的预估值代入所述灰微分方程模 型中， 以得到商品在所述目标时间窗口的起始点i对应的目标预测单位时间内的预测值 0021 其中， n为所述目标时间窗口的长度， n小于或等于N， N表示所述历史考察周期的时 间长度， i为所述目标时间窗口的起始点， i+n-1为所述目标时间窗口的终点， i1， N-n+ 1； a为所述灰微分方程模型的发展系数， b为所述灰微分方程模型的灰作用量， x(0)(k)x (1)。

19、(k)-x(1)(k-1)， z(1)(k)1/2(x(1)(k)+x(1)(k-1)， 0022 第三方面， 本发明还提供一种终端设备， 包括： 存储器、 处理器及存储在所述存储 器上并可在所述处理器上运行的计算机程序， 所述计算机程序被所述处理器执行时实现如 第一方面所述的方法的步骤。 0023 第四方面， 本发明还提供一种计算机可读存储介质， 所述计算机可读存储介质上 存储计算机程序， 所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。 0024 与现有技术相比， 本发明的有益效果是： 0025 本发明的商品属性预测方法根据获取的商品属性数据， 得到该商品在历史考察周 期内目标。

20、时间窗口中每个单位时间对应的平均属性所形成的平均属性窗口数据集， 并通过 对平均属性窗口数据集进行一次累加， 根据累加后的平均属性数据集得到灰微分方程模 型， 然后利用最小一乘式对灰微分方程模型的发展系数和灰作用量进行预估， 并将发展系 数和灰作用量的预估值代入灰微分方程模型中， 从而得到该商品在目标时间窗口的不同起 始点所对应的目标预测单位时间内的预测值， 如此， 通过所得到不同起始点对应的目标预 测单位时间内的预测值对该商品的属性进行预测， 能够使得预测的属性更加贴近真实值， 从而提高对该商品属性变动趋势的预测准确度。 附图说明 0026 图1为本发明一个实施例的商品属性预测方法的示意性流。

21、程图； 说明书 2/11 页 6 CN 110648171 A 6 0027 图2为本发明另一个实施例的商品属性预测方法的示意性流程图； 0028 图3为本发明一个实施例的目标时间窗口的示意性原理图； 0029 图4为本发明再一个实施例的商品属性预测方法的示意性流程图； 0030 图5为本发明一个实施例的商品属性在目标预测单位时间内对应的预测值的示意 性原理图； 0031 图6为本发明再一个实施例的商品属性预测方法的示意性流程图； 0032 图7为本发明再一个实施例的商品属性预测方法的示意性流程图； 0033 图8为本发明再一个实施例的商品属性预测方法的示意性流程图； 0034 图9为本发明实。

22、施例的商品属性预测值的相对误差与目标时间窗口的长度之间的 示意性关系曲线图； 0035 图10为本发明一个实施例的商品属性的预测值、 真实值与时间之间的示意性关系 曲线图； 0036 图11为本发明一个实施例的商品属性预测装置的示意性结构图。 具体实施方式 0037 下面结合附图所示的各实施方式对本发明进行详细说明， 但应当说明的是， 这些 实施方式并非对本发明的限制， 本领域普通技术人员根据这些实施方式所作的功能、 方法、 或者结构上的等效变换或替代， 均属于本发明的保护范围之内。 0038 请参图1所示， 图1为本发明一个实施例的商品属性预测方法的示意性流程图。 本 发明实施例的商品属性预。

23、测方法可包括： 0039 步骤102.获取商品的属性数据。 其中， 商品的属性数据包括商品的价格、 商品的成 交量等。 本发明实施例的商品的属性数据以商品的价格作为范例性阐述， 本领域技术人员 可以合理预测到本申请所揭示的商品属性预测方法和/或商品属性预测装置还可对一种商 品的其他属性数据或者不同产品的不同属性数据进预测。 0040 以商品为黄金为例， 利用任意Web数据抽取算法抽取网页上的黄金属性数据， 整理 搜集到的数据并存储至数据库或者其他能够被主机访问的存储介质中， 其中， 所述主机包 括但不限于物理机、 虚拟机、 云主机或者移动计算装置。 然后按时间顺序组织黄金的属性序 列。 比如，。

24、 以对黄金属性序列按照月份进行切分为例， 求出每个月黄金属性的平均值， 由此， 商品每个月的平均属性即为历史考察周期内每个单位时间对应的平均属性。 需要说明的 是， 在本实施例所揭示的场景中， 从时间描述维度上而言，“历史考察周期” (或者 “考察周 期” )至少包含一个或者多个连续或者离散的 “目标时间窗口” ， 一个 “目标时间窗口” 由一个 或者多个 “单位时间” 组成， 且单位时间可以是月， 也可以以天或者小时等时间轴长度作为 “单位时间” 的描述维度。 单位时间的限定不限于本发明实施例所限定的范围， 可根据具体 实际需求进行设定。 0041 步骤104.基于商品的属性数据得到商品在历。

25、史考察周期内目标时间窗口中每个 单位时间对应的平均属性， 以形成依照时间顺序排列的平均属性窗口数据集X(0)x(0) (i)， x(0)(i+1),x(0)(i+n-1)。 其中， n为目标时间窗口的长度， n小于或等于N， N表示历史 考察周期的时间长度， i为目标时间窗口的起始点， i+n-1为目标时间窗口的终点， i1， N- n+1。 说明书 3/11 页 7 CN 110648171 A 7 0042 其中， 如图2所示， 基于商品的属性数据得到商品在历史考察周期内目标时间窗口 中每个单位时间对应的平均属性， 形成依照时间顺序排列的平均属性窗口数据集X(0)， 包 括： 0043 步。

26、骤202.将目标数据的属性数据按照单位时间进行切分， 以得到在历史考察周期 内每个单位时间对应的平均属性， 形成依照时间顺序排列的平均属性数据集Y(0)x(0) (1)， x(0)(2),x(0)(N)。 0044 若以每个月作为单位时间、 商品的属性为商品价格为例， 则x(0)(1)表示第一月的 商品价格均值， x(0)(N)表示商品在第N个月的商品价格均值即当前单位时间对应的平均价 格。 0045 步骤204.设定历史考察周期内的目标时间窗口nn， 以基于平均属性数据集Y(0)得 到平均属性窗口数据集X(0)x(0)(i)， x(0)(i+1),x(0)(i+n-1)。 比如， 以n3， 。

27、N10， i 2， 6为例， Y(0)x(0)(1)， x(0)(2),x(0)(10)， X(0)x(0)(2)， x(0)(3)， x(0)(4)， x(0) (5)， x(0)(6)， x(0)(7)， x(0)(8)。 需要说明的是， i1， N-n+1指的是i的取值在1， N-n+1范 围内即可， 而不是指i取1， N-n+1所有的值， 比如， 在n3， N10时i2， 61， N-n+1 1， 8。 0046 参照图3进行说明， 在历史考察周期1， N内选取目标时间窗口nn， 目标时间窗口 的长度n， 以在后续步骤中通过平移目标时间窗口nn， 统计不同时间窗口nn内商品属性在目 标。

28、预测单位时间内的预测值。 0047 步骤106.对平均属性窗口数据集X(0)进行一次累加， 得到累加后的平均属性窗口 数据集X(1)x(1)(i)， x(1)(i+1),x(1)(i+n-1)， 以基于累加后的平均属性数据集X(1)得 到灰微分方程模型x(0)(k)+az(1)(k)b。 a为灰微分方程模型的发展系数， b为灰微分方程 模型的灰作用量， x(0)(k)x(1)(k)-x(1)(k-1)， z(1)(k)1/2(x(1)(k)+x(1)(k-1)， 0048 步骤108.基于最小一乘式对灰微分方程模型的发展系数和灰作用量进行预估， 得 到发展系数和灰作用量的预估值。 0049需要。

29、说明的是， 最小一乘式为其中， rk和qk均为中间变量， 且rk大于或等于0， qk大于或等于0， 0050 由此， 利用最小一乘式求解灰微分方程模型的参数a和b也就可以归纳为如公式 (1)的线性规划问题： 0051 说明书 4/11 页 8 CN 110648171 A 8 0052 如此， 由公式(1)求出灰微分方程模型的参数a和b的预估值。 0053 步骤110.将发展系数和灰作用量的预估值代入灰微分方程模型中， 以得到商品在 目标时间窗口的起始点i对应的目标预测单位时间内的预测值 0054 应理解， 根据公式(1)所求得的参数a和b的预估值， 代入到灰微分方程模型中， 即 可得到商品在。

30、目标时间窗口的起始点i对应的目标预测单位时间内的预测值。 比如， 以目标 时间窗口nn的长度n为4为例， 当i1时， 根据参数a和b的预估值代入灰微分方程模型中， 可 得到目标预测单位时间内的预测值x(0)(i+n)x(0)(5)， 当i2时， 对应的预测值x(0)(i+n) x(0)(6)， 当i3时， 对应的预测值x(0)(i+n)x(0)(7)， ， 依次平移目标时间窗口nn直至i N-n+1， 此时根据参数a和b的预估值代入灰微分方程模型中， 可得到目标预测单位时间内 的预测值x(0)(N+1)， 不难理解， 当i小于N-n+1时， 目标预测单位时间为历史考察周期内的某 一预测单位时间。

31、(包含当前单位时间N)， 当iN-n+1时， 目标预测单位时间则为未来考察周 期内的单位时间(即距离当前单位时间的下一个单位时间N+1)。 0055 由于本发明的商品属性预测方法根据获取的商品属性数据， 得到该商品在历史考 察周期内的目标时间窗口中每个单位时间对应的平均属性所形成的平均属性窗口数据集， 并通过对平均属性窗口数据集进行一次累加， 根据累加后的平均属性数据集得到灰微分方 程模型， 然后利用最小一乘式对灰微分方程模型的发展系数和灰作用量进行预估， 并将发 展系数和灰作用量的预估值代入灰微分方程模型中， 从而得到该商品在目标时间窗口的起 始点i所对应的目标预测单位时间内的预测值， 如此。

32、， 通过所得到起始点i对应的目标预测 单位时间内的预测值对该商品的属性进行预测， 能够使得预测的属性更加贴近真实值， 从 而提高对该商品属性变动趋势的预测准确度。 尤其的， 本实施例所揭示的商品属性预测方 法能够降低历史考察周期内输入商品属性的随机性与不确定性所导致的预测值偏离真实 值的可能性， 显著地降低了对商品属性预测的难度， 并提高了对商品属性预测的准确性。 0056 在上述实施例中， 商品属性预测方法还包括： 0057 步骤402.基于商品在目标时间窗口内不同起始点i(i取不同值时所对应的起始 点)对应的目标预测单位时间内的预测值确定商品属性的相对误差。 0058 其中， 相对误差为在。

33、目标时间窗口内不同起始点i(i取不同值时所对应的起始点) 对应的预测值与预测值对应的真实值之间绝对差值的平均值， 如公式(2)所示： 0059 0060 其中， x(0)(i+n)为商品属性在目标预测单位时间内对应的真实值， 可参照图5所示 的原理得到，为商品属性在目标预测单位时间内对应的预测值。 0061 步骤404.基于商品属性的相对误差确定商品属性在目标预测单位时间内的预测 值。 0062 如图6所示， 在基于商品属性的相对误差， 确定商品在目标预测单位时间内的预测 值之前， 包括： 0063 步骤602.遍历历史考察周期内的不同目标时间窗口， 以确定不同目标时间窗口对 应的商品属性的相。

34、对误差。 说明书 5/11 页 9 CN 110648171 A 9 0064 可以理解的是， 当目标时间窗口的长度n确定后， 从起始点i为1开始， 依次得到不 同起始点对应的目标预测单位时间内的预测值， 然后根据公式(2)求得不同起始点对应的 预测值与预测值对应的真实值之间绝对差值的平均值， 并将该绝对差值的平均值确定为目 标时间窗口的长度为n时的相对误差。 0065 其中， 确定商品在目标预测单位时间内的预测值， 包括： 0066 步骤604.确定不同目标时间窗口中对应的商品属性的相对误差在预设误差范围 的时间窗口。 0067 步骤606.基于相对误差在预设误差范围的时间窗口对应的发展系数。

35、和灰作用量 的预估值， 确定商品在目标预测单位时间内的预测值。 0068 应理解， 不同目标时间窗口的长度n不同， 通过对比不同目标时间窗口的长度n对 应的相对误差， 可选择相对误差在预设误差范围内的时间窗口(通常选择最小的相对误差 对应的时间窗口)， 并根据所选择的时间窗口确定所得到的对应参数a和b， 以根据参数a和b 确定商品在目标预测单位时间内的预测值， 从而确定未来考察周期内的预测值 如此， 通过选择在预设误差范围内的相对误差对应的时间窗口所得到的模型参数a和b， 确 定商品在目标预测单位时间内的预测值， 能够使得最终得到的未来考察周期内的预测值 的准确度比较高。 0069 在上述任一。

36、项实施例中， 如图7所示， 商品属性预测方法还包括： 0070 步骤702.基于残差值L对平均属性窗口数据集X(0)中的平均属性x(0)(k)进行加权 处理， 以基于加权处理后的平均属性窗口数据集得到优化后的灰微分方程模型x (0)(k)+ az(1)(k)b。 0071 其中， a为优化后的灰微分方程模型的发展系数， b为优化后的灰微分方程模型的 灰作用量， x (0)(k)x(0)(k)+Lk/n， 残差值L为预测值 与商品在目标预测单位时 间内真实值x(0)(i+n)之间的差值。 0072 步骤704.基于优化后的灰微分方程模型， 优化商品属性在目标预测单位时间内的 预测值 0073 应。

37、理解， 对平均属性窗口数据集X(0)中的平均属性x(0)(k)进行加权处理后， 即通过 残差值赋予近期样本较大的权重， 得到加权处理后的平均属性窗口数据集X(0)x(0)(i)， x(0)(i+1),x(0)(i+n-1)， i1， N-n+1， 如此， 对平均属性窗口数据集X(0)中的平均属 性x(0)(k)进行优化， 以优化灰微分方程模型得到x (0)(k)+az(1)(k)b， 从而通过优化后 的微分方程模型对商品属性在目标预测单位时间内的预测值进行优化， 以进一步提高对商 品属性进行预测的准确度。 0074具体而言， 如图8所示， 优化商品属性在目标预测单位时间内的预测值 包括： 00。

38、75 步骤802.基于最小一乘式对优化后的灰微分方程模型的发展系数和灰作用量进 行预估， 得到优化后的发展系数和优化后的灰作用量的预估值。 说明书 6/11 页 10 CN 110648171 A 10 0076 步骤804.将优化后的发展系数和优化后的灰作用量的预估值代入优化前的灰微 分方程模型中， 以得到商品属性在目标预测单位时间内的优化预测值。 0077 应理解， 通过优化后的发展系数和灰作用量的预估值求得商品属性在目标预测单 位时间内的优化预测值的原理与图1实施例中所述的原理相同， 需要说明的是， 由于最小一 乘式受奇异点的影响比较小， 且稳定性好， 因此利用最小一乘式对灰微分方程模型。

39、的发展 系数和灰作用量进行预估， 与现有技术中一些利用最小二乘法对商品属性数据进行预测而 由于拟合数据存在奇异点或波动比较大导致拟合误差放大的方法相比， 能够大大减小拟合 数据存在奇异点对预测结果的影响， 通过发展系数和灰作用量的预估值能够提高对商品属 性预测的准确度， 并且结合预测值与商品在目标预测单位时间内真实值之间的差值对样本 数据进行加权处理， 使得最终的预测值更贴近真实值， 以进一步缩小预测值与真实值之间 的差距。 0078 在上述任一项实施例中， 在以月为单位时间时， n的取值范围可以为3,18， 以根 据的不同目标时间窗口的长度n得到对应的相对误差， 从而根据不同目标时间窗口的长。

40、度n 对应的相对误差确定商品在目标预测单位时间内的预测值。 结合图7进行说明， 本发明实施 例的商品属性预测方法在利用最小一乘法得到商品属性在目标时间窗口的起始点i(i取不 同值时所对应的起始点)对应的目标预测单位时间内的预测值后， 商品属性对应的相对误 差先随着n取值的变大而变小， 然后随n取值的变大而变大， 当n9时相对误差最小(约 3.19)， 预测结果最优， 因此， 为了使得最终对商品属性预测的准确度比较高， n取值不宜 过大也不宜过小。 但显然的是， 与仅用最小二乘法对商品价格的方案相比， 本发明实施例利 用最小一乘法得到的商品属性的相对误差比较小。 0079 如图10所示， 利用本。

41、发明实施例的商品属性预测方法对黄金价格进行预测， 通过 连续选取44个月的样本平均数据进行实验， 通过实验研究表明， 求出的商品属性的真实值x (0)(i+n)与商品属性的预测值 的曲线基本重叠， 即本发明实施例的利用最小一乘 法并对样本数据的加权处理的方法所求出的预测值更加贴近于真实值， 从而极大提高了对 商品属性预测的准确度。 0080 申请人指出， 44个月只是实现得到历史考察周期的其中一个具体实例数据， 但是 该数据不限于本发明实施例所述的数据范围， 只要依赖于本发明实施例所述的方法(或者 后续所披露的商品属性预测装置的技术方案)能够实现对商品属性进行预测的目的的数据 均可， 可以为小。

42、于44个月的历史考察周期(如10个月、 20月、 30个月、 40个月等)， 也可以为大 于44月的历史考察周期(如50个月、 60个月、 70个月、 80个月、 100个月、 200个月、 300个月 等)， 在此不一一举例说明。 0081 申请人意外地发现， 结合灰微分方程和最小一乘法能够所得到的商品在目标时间 窗口不同起始点对应的目标预测单位时间的预测值比较接近真实值， 与仅通过最小二乘法 对商品价格(商品属性的描述维度之一)进行预测的方案相比， 能够提高对商品价格预测的 准确度。 尤其地， 参照图10可见， 结合灰微分方程、 最小一乘法和加权处理方法使得商品在 目标时间窗口起始点i对应。

43、的目标预测单位时间的预测值更加接近真实值(预测值与真实 值几乎重叠)， 从而进一步提高对商品价格预测的准确度。 说明书 7/11 页 11 CN 110648171 A 11 0082在本发明实施例中， 商品属性的预测方法还包括： 若预测值高于商品当 前单位时间对应的平均属性x(0)(N)， 则向用户展示 “看多” 提示信息； 若预测值低 于商品当前单位时间对应的平均属性x(0)(N)， 则向用户展示 “看空” 提示信息。 其中， 表示未来考察周期内的目标预测单位时间对应的商品属性预测值。 其中， 商品的 属性数据由商品价格、 商品交易量、 商品型号、 买方信息或者卖方信息中的一种或者几种的 。

44、组合描述。 0083 应理解， 当确定商品属性的预测值之后， 即在用户端向用户展示预测趋势， 比如， 低于当前单位时间对应的平均属性时， 在用户端向用户展示 “看多” 提示信息， 反之， 在用户 端向用户展示 “看空” 提示信息， 以便于帮助用户对该商品属性的走势做出准确地预测。 0084 如图11所示， 本发明实施例还提供一种商品属性预测装置1100， 包括： 获取单元 1102， 用于获取商品的属性数据； 窗口数据集生成单元1104， 用于基于商品的属性数据得到 商品在历史考察周期内的目标时间窗口中每个单位时间对应的平均属性， 以形成依照时间 顺序排列的平均属性窗口数据集X(0)x(0)(。

45、i)， x(0)(i+1),x(0)(i+n-1)； 模型确定单元 1106， 用于对平均属性窗口数据集进行一次累加， 得到累加后的平均属性窗口数据集X(1) x(1)(i)， x(1)(i+1),x(1)(i+n-1)， 以基于累加后的平均属性数据集得到灰微分方程模 型x(0)(k)+az(1)(k)b； 参数预估单元1108， 用于基于最小一乘法对灰微分方程模型的发 展系数和灰作用量进行预估， 得到发展系数和灰作用量的预估值； 预测单元1110， 用于将发 展系数和灰作用量的预估值代入灰微分方程模型中， 以得到商品在目标时间窗口的起始点 i(i取不同值时所对应的起始点)对应的目标预测单位时。

46、间内的预测值 0085 其中， 商品的属性包括商品的价格、 商品的成交量等。 n为目标时间窗口的长度， n 小于或等于N， N表示历史考察周期的时间长度， i为目标时间窗口的起始点， i+n-1为目标时 间窗口的终点， i1， N-n+1； a为灰微分方程模型的发展系数， b为灰微分方程模型的灰作 用量 ， x ( 0 ) (k) x (1 ) (k) -x (1 ) (k-1) ， z (1 ) (k) 1/2 (x (1 ) (k) +x (1 ) (k-1) ， 0086 由于本发明实施例的商品属性预测装置1100通过窗口数据集生成单元1104根据 获取单元1102获取的商品属性数据， 。

47、得到该商品在历史考察周期内的目标时间窗口中每个 单位时间对应的平均属性所形成的平均属性窗口数据集， 并通过模型确定单元1106对平均 属性窗口数据集进行一次累加， 根据累加后的平均属性数据集得到灰微分方程模型， 然后 通过参数预估单元1108利用最小一乘式对灰微分方程模型的发展系数和灰作用量进行预 估， 并通过预测单元1110将发展系数和灰作用量的预估值代入灰微分方程模型中， 从而得 到该商品在目标时间窗口的起始点i所对应的目标预测单位时间内的预测值， 如此， 通过所 得到起始点i对应的目标预测单位时间内的预测值对该商品的属性进行预测， 能够使得预 测的属性更加贴近真实值， 从而提高对该商品属。

48、性变动趋势的预测准确度。 0087 其中， 窗口数据集生成单元1104用于将目标数据的属性数据按照单位时间进行切 分， 以得到在历史考察周期内每个单位时间对应的平均属性， 形成依照时间顺序排列的平 说明书 8/11 页 12 CN 110648171 A 12 均属性数据集Y(0)x(0)(1)， x(0)(2),x(0)(N)， 并通过设定历史考察周期内的目标时间 窗口nn， 以基于平均属性数据集Y(0)得到平均属性窗口数据集X(0)x(0)(i)， x(0)(i+1), x(0)(i+n-1)。 参照图3进行说明， 在历史考察周期1， N内选取目标时间窗口nn， 目标时间 窗口的长度n， 。

49、以在后续步骤中通过平移目标时间窗口nn， 统计不同时间窗口nn内商品属性 在目标预测单位时间内的预测值。 0088 在上述实施例中， 商品属性预测装置1100还包括相对误差确定单元1112， 用于基 于商品在目标时间窗口内起始点i(i取不同值时所对应的起始点)对应的目标预测单位时 间内的预测值确定商品属性的相对误差， 并遍历历史考察周期内的不同目标时间窗口， 以 确定不同目标时间窗口对应的商品属性的相对误差。 预测单元1110则用于基于商品属性的 相对误差确定商品属性在目标预测单位时间内的预测值。 其中， 商品属性预测装置包括时 间窗口确定单元1114， 用于确定不同目标时间窗口中对应的商品属。

50、性的相对误差在预设误 差范围的时间窗口， 预测单元1110用于根据相对误差在预设误差范围的时间窗口对应的发 展系数和灰作用量的预估值， 确定商品在目标预测单位时间内的预测值。 其中， 相对误差为 在目标时间窗口内起始点i对应的预测值与预测值对应的真实值之间绝对差值的平均值 x(0)(i+n)为商品属性在目标预测单位时间内对应 的真实值，为商品属性在目标预测单位时间内对应的预测值。 0089 应理解， 不同目标时间窗口的长度n不同， 通过对比不同目标时间窗口的长度n对 应的相对误差， 可选择相对误差在预设误差范围内的时间窗口(通常选择最小的相对误差 对应的时间窗口)， 并根据所选择的时间窗口确定。