信息处理装置和信息处理方法与流程

1.本公开涉及信息处理领域，具体涉及信息处理装置和信息处理方法。


背景技术：

2.与资源的使用有关的预测使得例如资源提供者能够预先知道将来要 使用的资源包括的部分中相应部分的数量，由此对资源包括的相应部分进 行预备。


技术实现要素：

3.在下文中给出了关于本公开的简要概述，以便提供关于本公开的某些 方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性 概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意 图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的 某些概念，以此作为稍后给出的更详细描述的前序。
4.本公开的目的是提供一种改进的信息处理装置和信息处理方法。
5.根据本公开的一方面，提供了一种信息处理装置，包括：历史数据获 取单元，被配置成获取关于资源的历史数据，其中，所述资源包括至少一 个部分，并且所述历史数据包括所述资源包括的每个部分在过去各个单位 时段内被使用的数量；编码序列获取单元，被配置成针对所述资源包括的 每个部分，基于该部分的历史数据获取表征该部分在过去各个单位时段内 被使用的数量的相对变化趋势的编码序列；聚类单元，被配置成基于所述 资源包括的各个部分的编码序列之间的相似度，对所述历史数据执行聚类， 以获取至少一个聚类；模型建立单元，被配置成针对所述至少一个聚类中 的每一个，至少利用该聚类中的部分历史数据或所有历史数据建立相应的 预测模型，以及预测单元，被配置成针对所述资源包括的每个部分，利用 针对该部分的历史数据所属于的聚类的预测模型，预测该部分在预定时段 内要被使用的数量。
6.根据本公开的另一方面，提供了一种信息处理方法，包括：历史数据 获取步骤，用于获取关于资源的历史数据，其中，所述资源包括至少一个 部分，并且所述历史数据包括所述资源包括的每个部分在过去各个单位时 段内被使用的数量；编码序列获取步骤，用于针对所述资源包括的每个部 分，基于该部分的历史数据获取表征该部分在过去各个单位时段内被使用 的数量的相对变化趋势的编码序列；聚类步骤，用于基于所述资源包括的 各个部分的编码序列之间的相似度，对所述历史数据执行聚类，以获取至 少一个聚类；模型建立步骤，用于针对所述至少一个聚类中的每一个，至 少利用该聚类中的部分历史数据或所有历史数据建立相应的预测模型，以 及预测步骤，用于针对所述资源包括的每个部分，利用针对该部分的历史 数据所属于的聚类的预测模型，预测该部分在预定时段内要被使用的数量。
7.根据本公开的其它方面，还提供了用于实现上述根据本公开的方法的 计算机程序代码和计算机程序产品，以及其上记录有该用于实现上述根据 本公开的方法的计算机程序代码的计算机可读存储介质。
8.在下面的说明书部分中给出本公开实施例的其它方面，其中，详细说 明用于充分地公开本公开实施例的优选实施例，而不对其施加限定。
附图说明
9.本公开可以通过参考下文中结合附图所给出的详细描述而得到更好 的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者 相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并形成 说明书的一部分，用来进一步举例说明本公开的优选实施例和解释本公开 的原理和优点。其中：
10.图1是示出根据本公开的实施例的信息处理装置的功能配置示例的 框图；
11.图2a至图2d示出资源的一个部分的历史数据、第一平滑数据序列、 第二平滑数据序列和编码序列的示例；
12.图3a至图3d示出资源的另外的部分的历史数据、第一平滑数据序 列、第二平滑数据序列和编码序列的示例；
13.图4是示出根据本公开的实施例的信息处理方法400的流程实例的流 程图；以及
14.图5是示出作为本公开的实施例中可采用的个人计算机的示例结构 的框图。
具体实施方式
15.在下文中将结合附图对本公开的示范性实施例进行描述。为了清楚和 简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了 解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的 决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那 些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。 此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益 于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
16.在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本公 开，在附图中仅仅示出了与根据本公开的方案密切相关的设备结构和/或 处理步骤，而省略了与本公开关系不大的其它细节。
17.下面结合附图详细说明根据本公开的实施例。
18.首先，将参照图1描述根据本公开的实施例的信息处理装置的功能配 置示例。图1是示出根据本公开的实施例的信息处理装置的功能配置示例 的框图。如图1所示，根据本公开的实施例的信息处理装置100可以包括 历史数据获取单元102、编码序列获取单元104、聚类单元106、模型建 立单元108和预测单元110。
19.历史数据获取单元102可以被配置成获取关于资源的历史数据，其中， 资源包括至少一个部分，并且历史数据包括资源包括的每个部分在过去各 个单位时段内被使用的数量。作为示例，单位时段可以是季、月或周等， 但不限于此。
20.例示而非限定，资源可以包括但不限于：各种服务，例如，诸如车辆、 船舶、飞机等交通工具的定期维修服务；以及各种物品，例如，诸如车辆、 船舶、飞机等交通工具所包括的部件；诸如智能电话、便携式计算机、台 式计算机等电子设备所包括的部件等等。
21.编码序列获取单元104可以被配置成针对资源包括的每个部分，基于 该部分的历史数据获取表征该部分在过去各个单位时段内被使用的数量 的相对变化趋势的编码序
列。
22.聚类单元106可以被配置成基于资源包括的各个部分的编码序列之 间的相似度，对历史数据执行聚类，以获取至少一个聚类。例如，可以使 用欧式距离来计算各个部分的编码序列之间的相似度。此外，例如，也可 以将编码序列视为字符串，并且使用计算字符串的编辑距离的方法来计算 各个部分的编码序列之间的相似度。
23.模型建立单元108可以被配置成针对每一个聚类，至少利用该聚类中 的部分历史数据或所有历史数据建立相应的预测模型。
24.作为示例，预测模型可以是卷积神经网络模型、时间序列模型或回归 模型，但不限于此，并且本领域技术人员可以根据实际需要选择适当的模 型作为预测模型。
25.预测单元110可以被配置成针对资源包括的每个部分，利用针对该部 分的历史数据所属于的聚类的预测模型，预测该部分在预定时段内要被使 用的数量。例如，在资源是车辆零部件(诸如，刹车片、轮胎、机油滤清 器等)的情况下，对于资源包括的每个部分(即，每种车辆零部件)，利 用该车辆零部件的历史数据作为该车辆零部件的历史数据所属于的聚类 的预测模型的输入，来预测该车辆零部件在预定时段内要被使用的数量。
26.与资源的使用有关的预测使得例如资源提供者能够预先知道将来要 使用的资源包括的部分中相应部分的数量，由此对资源包括的相应部分进 行预备。目前已经开发了许多用于基于关于使用量的历史数据建立预测模 型、由此对未来使用量进行预测的技术。然而，在实际应用中，可能存在 如下问题：对于资源的某个部分，关于使用量的历史数据可能比较少，导 致仅基于该历史数据而建立的预测模型的预测性能较差(例如预测精度不 足等)，从而导致对资源的该部分的预备过量或不充分。如上所述，根据 本公开的实施例的信息处理装置，对历史数据执行聚类，并且针对每一个 聚类，至少利用该聚类中的部分历史数据或所有历史数据建立相应的预测 模型，作为属于该聚类的各个部分的预测模型，由此使得可以扩充用于建 立相应的预测模型的历史数据的量，从而可以提高预测性能，例如提高预 测精度等。另外，根据本公开的实施例的信息处理装置，基于表征资源包 括的各个部分在过去各个单位时段内被使用的数量的相对变化趋势的各 个编码序列之间的相似度，对历史数据进行聚类，相比于直接使用输入的 历史数据进行聚类，由于编码序列体现了历史数据的相对变化趋势，因而 基于编码序列的相似度可以更好地进行聚类。
27.作为示例，模型建立单元108可以进一步被配置成，针对每一个聚类， 利用该聚类中的部分历史数据和上述部分历史数据所对应的编码序列来 建立相应的预测模型。例如，在预测模型是卷积神经网络模型的情况下， 针对每一个聚类，可以基于该聚类中的部分历史数据获得训练样本，并且 利用所获得的训练样本对卷积神经网络模型进行训练，从而得到经训练的 卷积神经网络模型作为相应的预测模型，其中在训练过程中，将该聚类中 的上述部分历史数据所对应的编码序列作为特征而引入。比如，针对每一 个聚类，在使得卷积神经网络模型的预测结果具有由该聚类中的部分历史 数据所对应的编码序列所表征的相对变化趋势的基础上，利用基于上述部 分历史数据而获得的训练样本对卷积神经网络模型进行训练，从而得到经 训练的卷积神经网络模型作为相应的预测模型。此外，例如，可以针对每 一个聚类，基于该聚类中的部分历史数据获得与使用量有关的第一训练样 本，基于上述部分历史数据所对应的编码序列获得与相对变化趋势有关的 第二训练样本，并且利用所获得的第一训练样本和第二训练样本对卷积神 经网络模型进行混合训练，从而
得到经训练的卷积神经网络模型作为相应 的预测模型。
28.作为另外的示例，模型建立单元108可以进一步被配置成，针对每一 个聚类，利用该聚类中的所有历史数据和该聚类中的所有历史数据所对应 的编码序列来建立相应的预测模型利用该聚类中的所有历史数据建立相 应的预测模型。
29.通过针对每一个聚类，不仅利用该聚类的历史数据，还利用该聚类的 相应历史数据所对应的编码序列来建立预测模型，使得可以进一步提高预 测性能(例如，预测精度等)。
30.例示而非限定，编码序列获取单元104可以进一步被配置成针对资源 包括的每个部分，利用第一平滑技术对该部分的历史数据进行处理以获得 第一平滑数据序列，利用第二平滑技术对第一平滑数据序列进行处理以获 得第二平滑数据序列，并且基于第一平滑数据序列和第二平滑数据序列获 取编码序列。通过这种方式获取的编码序列可以更好地表征资源包括的每 个部分在过去各个单位时段内被使用的数量的相对变化趋势，并且基于这 种编码序列可以更准确地对历史数据执行聚类，由此可以进一步提高预测 性能(例如，预测精度等)。
31.第一平滑技术和第二平滑技术中的每一个可以是移动平均技术、指数 平滑技术等，但不限于此。例如，第一平滑技术和第二平滑技术可以是相 同的平滑技术。
32.此处，将以使用移动平均技术作为第一平滑技术和第二平滑技术的情 况作为示例，对上述获取编码序列的示例性方式进行进一步描述。
33.例如，资源的一个部分的历史数据可以被表示为数据序列d＝{d1, d2,
…
,d
n
}，其中d1，d2,
…
,d
n
分别为资源的该部分在过去各个单位时段内 被使用的数量。图2a示出资源的一个部分(例如，车辆的某个零部件) 的历史数据的示例，其中单位时段为一个月。要注意的是，虽然在图2a 中示出的数量单位是件，但是本领域技术人员可以根据实际需要采用合适 的数量单位。
34.可以通过第一平滑技术，对如图2a所示的数据序列d进行处理，以 获得第一平滑数据序列s＝{s1,s2,
…
,s
n
}，如图2b所示。通过第一平滑技 术进行的处理可以表达为下式(1)：
[0035][0036]
其中，w1为大于1的自然数(在图2b所示的示例中，w1＝6)，其表 示第一平滑技术所采用的窗口大小，并且w1的值可以由本领域技术人员 根据实际需要进行设定。
[0037]
要注意的是，在i≤w1的情况下，例如，如图2b中的2016年9月至 2017年2月所对应的数据所示的那样，可以将s
i
设置为0。此外，在1＜i ≤w1的情况下，也可以通过下式(2)来获取s
i
：
[0038][0039]
然后，可以通过第二平滑技术，对如图2b所示的第一平滑数据序列 s进行处理，以获得第二平滑数据序列x＝{x1,x2,
…
,x
n
}，如图2c所示。 通过第二平滑技术进行的处理可以表达为下式(3)：
[0040]
[0041]
其中，w2为大于1的自然数(在图2c所示的示例中，w2＝6)，其表 示第二平滑技术所采用的窗口大小，并且w2的值可以由本领域技术人员 根据实际需要进行设定。另外，第一平滑技术的窗口大小w1和第一平滑 技术的窗口大小w2可以相同。
[0042]
类似地，在i≤w2的情况下，例如，如图2c中的2016年9月至2017 年2月所对应的数据所示的那样，可以将x
i
设置为0。此外，在1＜i≤w2的情况下，可以通过下式(4)来获取x
i
：
[0043][0044]
要注意的是，虽然上面作为示例描述了基于使用第一平滑技术和第二 平滑技术而获得的第一平滑数据序列和第二平滑数据序列来获取编码序 列的示例，然而获取编码序列的方式不限于此，并且本领域技术人员可以 根据实际需要采取适当的方式来获取编码序列。例如，可以针对资源包括 的每个部分，利用第一平滑技术对该部分的历史数据进行处理以获得第一 平滑数据序列，并且基于第一平滑数据序列中的相邻数据之间的比较来获 取编码序列。
[0045]
作为示例，编码序列获取单元104可以进一步被配置成针对资源包括 的每个部分，通过如下方式获取该部分的编码序列：在第一平滑数据序列 和第二平滑数据序列中的与相同时间对应的数据之间的差异小于或等于 预定阈值的情况下，将编码序列中的与该时间对应的数据设置为常数a； 在第一平滑数据序列和第二平滑数据序列中的与相同时间对应的数据之 间的差异大于预定阈值、并且第一平滑数据序列中的与该时间对应的数据 大于第二平滑数据序列中的与该时间对应的数据的情况下，将编码序列中 的与该时间对应的数据设置为大于常数a的常数b；以及在第一平滑数据 序列和第二平滑数据序列中的与相同时间对应的数据之间的差异大于预 定阈值、并且第一平滑数据序列中的与该时间对应的数据小于所述第二平 滑数据序列中的与该时间对应的数据的情况下，将编码序列中的与该时间 对应的数据设置为小于常数a的常数c。
[0046]
在编码序列表示为z＝{z1,z2,
…
,z
n
}的情况下，例如，上述获取编码序 列的方式可以表达为下式(5)：
[0047][0048]
其中，δ表示预定阈值，并且δ的值可以由本领域技术人员根据实际 需要进行设定。
[0049]
要注意的是，虽然在式(5)中通过第一平滑数据序列和第二平滑数 据序列中的与相同时间对应的数据之间的差的绝对值(即，|x
i-s
i
|)来表示 第一平滑数据序列和第二平滑数据序列中的与相同时间对应的数据之间 的差异，但是本领域技术人员可以使用其他方式来表示该差异。例如，可 以使用第一平滑数据序列和第二平滑数据序列中的与相同时间对应的数 据之间的平方差来表示相应的差异。
[0050]
作为示例，例如，常数a为0，常数b为1，并且常数c为-1。图2d 示出在常数a为0，常数b为1，并且常数c为-1的情况下，通过上述方 式基于如图2b和图2c示出的第一平滑数据序列和第二平滑数据序列获 取的编码序列的示例。
[0051]
例如，如图2b和2c所示，对于2017年12月至2018年5月，第一 平滑数据序列中的相
应数据是{4.67，5.50，6.33，7.83，9.33，10.33}，并 且第二平滑数据序列中的相应数据是{2.08，2.67，3.36，4.14，5.11，6.22}。 第一平滑数据序列和第二平滑数据序列中的与2017年12月至2017年5 月对应的数据之间的差异分别为2.59、2.83、2.97、3.69、4.22和4.11。由 于第一平滑数据序列和第二平滑数据序列中的与2017年12月对应的数据 之间的差异2.59大于预定阈值(在该示例中，预定阈值为0)，并且第一 平滑数据序列中的与2017年12月对应的数据大于第二平滑数据序列中的 与2017年12月对应的数据，因而编码序列中与2017年12月对应的数据 为1，如图2d所示。类似地，编码序列中的分别与2018年1月至2018 年5月对应的数据均为1，如图2d所示。
[0052]
图3a至图3c分别示出资源的另外的部分的历史数据、第一平滑数 据序列、第二平滑数据序列，其中单位时段为一个月。图3d示出在常数 a为0，常数b为1，并且常数c为-1的情况下，通过上述方式获取的该 另外的部分的编码序列的示例。如图3a所示，该资源的另外的部分的历 史数据的相对变化趋势的波动较大。在这种情况下，通过上述方式获取的 编码序列依然可以较好地体现历史数据的相对变化趋势，如图3d所示。 可见，对于资源的具有不同特性的各个部分(例如，某些部分的使用量的 相对变化趋势较为平稳，某些部分的使用量的相对变化趋势的波动较大)， 通过上述方式获取的编码序列均可以较好地体现各个部分的使用量的相 对变化趋势，使得可以更准确地对关于使用量的历史数据进行聚类。
[0053]
要注意的是，虽然上文作为示例描述了基于第一平滑数据序列和第二 平滑数据序列中的与相同时间对应的数据之间的差异和相对大小来获取 编码序列，然而本领域技术人员可以基于第一平滑数据序列和第二平滑数 据序列、采用其他方式来获取编码序列，只要所获取的编码序列可以体现 出资源包括的每个部分在过去各个单位时段内被使用的数量的相对变化 趋势即可，这里将不再赘述。
[0054]
上文已经参照图1、图2a至图2d以及图3a至图3d描述了根据本 公开的实施例的信息处理装置，与上述信息处理装置的实施例相对应的， 本公开还提供了以下信息处理方法的实施例。
[0055]
图4是示出根据本公开的实施例的信息处理方法400的流程实例的流 程图。如图4所示，根据本公开的实施例的信息处理方法400可以包括历 史数据获取步骤s402、编码序列获取步骤s404、聚类步骤s406、模型建 立步骤s408和预测步骤s410。
[0056]
在历史数据获取步骤s402中，可以获取关于资源的历史数据，其中， 资源包括至少一个部分，并且历史数据包括资源包括的每个部分在过去各 个单位时段内被使用的数量。作为示例，单位时段可以是季、月或周等， 但不限于此。例如，历史数据获取步骤s402可以通过上文描述的历史数 据获取单元102来实施，具体细节在此不再赘述。
[0057]
例示而非限定，资源可以包括但不限于：各种服务，例如，诸如车辆、 船舶、飞机等交通工具的定期维修服务；以及各种物品，例如，诸如车辆、 船舶、飞机等交通工具所包括的部件；诸如智能电话、便携式计算机、台 式计算机等电子设备所包括的部件等等。
[0058]
在编码序列获取步骤s404中，可以针对资源包括的每个部分，基于 该部分的历史数据获取表征该部分在过去各个单位时段内被使用的数量 的相对变化趋势的编码序列。例如，编码序列获取步骤s404可以通过上 文描述的编码序列获取单元104来实施，具体细节在此不再赘述。
[0059]
在聚类步骤s406中，可以基于资源包括的各个部分的编码序列之间 的相似度，对历史数据执行聚类，以获取至少一个聚类。例如，可以使用 欧式距离来计算各个部分的编码序列之间的相似度。此外，例如，也可以 将编码序列视为字符串，并且使用计算字符串的编辑距离的方法来计算各 个部分的编码序列之间的相似度。例如，聚类步骤s406可以通过上文描 述的聚类单元106来实施，具体细节在此不再赘述。
[0060]
在模型建立步骤s408中，可以针对每一个聚类，至少利用该聚类中 的部分历史数据或所有历史数据建立相应的预测模型。例如，模型建立步 骤s408可以通过上文描述的模型建立单元108来实施，具体细节在此不 再赘述。
[0061]
作为示例，预测模型是卷积神经网络模型、时间序列模型或回归模型， 但不限于此，并且本领域技术人员可以根据实际需要选择适当的模型作为 预测模型。
[0062]
在预测步骤s410中，可以针对资源包括的每个部分，利用针对该部 分的历史数据所属于的聚类的预测模型，预测该部分在预定时段内要被使 用的数量。例如，在资源是车辆零部件(诸如，刹车片、轮胎、机油滤清 器等)的情况下，对于每种车辆零部件，利用该车辆零部件的历史数据作 为该车辆零部件的历史数据所属于的聚类的预测模型的输入，来预测该车 辆零部件在预定时段内要被使用的数量。例如，预测步骤s410可以通过 上文描述的预测单元110来实施，具体细节在此不再赘述。
[0063]
与根据本公开的上述实施例的信息处理装置类似地，根据本公开的实 施例的信息处理方法，对历史数据执行聚类，并且针对每一个聚类，至少 利用该聚类中的部分历史数据或所有历史数据建立相应的预测模型，作为 属于该聚类的各个部分的预测模型，由此使得可以扩充用于建立相应的预 测模型的历史数据的量，从而可以提高预测性能，例如提高预测精度等。 另外，根据本公开的实施例的信息处理方法，基于表征资源包括的各个部 分在过去各个单位时段内被使用的数量的相对变化趋势的各个编码序列 之间的相似度，对历史数据进行聚类，相比于直接使用输入的历史数据进 行聚类，由于编码序列体现了历史数据的相对变化趋势，因而基于编码序 列的相似度可以更好地进行聚类。
[0064]
作为示例，在模型建立步骤s408中，可以针对每一个聚类，利用该 聚类中的部分历史数据和上述部分历史数据所对应的编码序列来建立相 应的预测模型。例如，在预测模型是卷积神经网络模型的情况下，针对每 一个聚类，可以基于该聚类中的部分历史数据获得训练样本，并且利用所 获得的训练样本对卷积神经网络模型进行训练，从而得到经训练的卷积神 经网络模型作为相应的预测模型，其中在训练过程中，将该聚类中的上述 部分历史数据所对应的编码序列作为特征而引入。
[0065]
作为另外的示例，在模型建立步骤s408中，可以针对每一个聚类， 利用该聚类中的所有历史数据和该聚类中的所有历史数据所对应的编码 序列来建立相应的预测模型利用该聚类中的所有历史数据建立相应的预 测模型。
[0066]
通过针对每一个聚类，不仅利用该聚类的历史数据，还利用该聚类的 相应历史数据所对应的编码序列来建立预测模型，使得可以进一步提高预 测性能(例如，预测精度等)。
[0067]
例示而非限定，在编码序列获取步骤s404中，可以针对资源包括的 每个部分，利用第一平滑技术对该部分的历史数据进行处理以获得第一平 滑数据序列，利用第二平滑技术对第一平滑数据序列进行处理以获得第二 平滑数据序列，并且基于第一平滑数据序
列和第二平滑数据序列获取编码 序列。通过这种方式获取的编码序列可以更好地表征资源包括的每个部分 在过去各个单位时段内被使用的数量的相对变化趋势，并且基于这种编码 序列可以更准确地对历史数据执行聚类，由此可以进一步提高预测性能 (例如，预测精度等)。
[0068]
第一平滑技术和第二平滑技术中的每一个可以是移动平均技术、指数 平滑技术等，但不限于此。例如，第一平滑技术和第二平滑技术可以是相 同的平滑技术。
[0069]
要注意的是，虽然上面作为示例描述了基于使用第一平滑技术和第二 平滑技术而获得的第一平滑数据序列和第二平滑数据序列来获取编码序 列的示例，然而获取编码序列的方式不限于此，并且本领域技术人员可以 根据实际需要采取适当的方式来获取编码序列。例如，可以针对资源包括 的每个部分，利用第一平滑技术对该部分的历史数据进行处理以获得第一 平滑数据序列，并且基于第一平滑数据序列中的相邻之间的比较来获取编 码序列。
[0070]
作为示例，在编码序列获取步骤s404中，可以针对资源包括的每个 部分，通过如下方式获取该部分的编码序列：在第一平滑数据序列和第二 平滑数据序列中的与相同时间对应的数据之间的差异小于或等于预定阈 值的情况下，将编码序列中的与该时间对应的数据设置为常数a；在第一 平滑数据序列和第二平滑数据序列中的与相同时间对应的数据之间的差 异大于预定阈值、并且第一平滑数据序列中的与该时间对应的数据大于第 二平滑数据序列中的与该时间对应的数据的情况下，将编码序列中的与该 时间对应的数据设置为大于常数a的常数b，以及在第一平滑数据序列和 第二平滑数据序列中的与相同时间对应的数据之间的差异大于预定阈值、 并且第一平滑数据序列中的与该时间对应的数据小于所述第二平滑数据 序列中的与该时间对应的数据的情况下，将编码序列中的与该时间对应的 数据设置为小于常数a的常数c。
[0071]
作为示例，例如，常数a为0，常数b为1，并且常数c为-1。
[0072]
要注意的是，虽然上文作为示例描述了基于第一平滑数据序列和第二 平滑数据序列中的与相同时间对应的数据之间的差异和相对大小来获取 编码序列，然而本领域技术人员可以基于第一平滑数据序列和第二平滑数 据序列、采用其他方式来获取编码序列，这里将不再赘述。
[0073]
应指出，尽管以上描述了根据本公开的实施例的信息处理装置和信息 处理方法的功能配置和操作，但是这仅是示例而非限制，并且本领域技术 人员可根据本公开的原理对以上实施例进行修改，例如可对各个实施例中 的功能模块和操作进行添加、删除或者组合等，并且这样的修改均落入本 公开的范围内。
[0074]
此外，还应指出，这里的方法实施例是与上述装置实施例相对应的， 因此在方法实施例中未详细描述的内容可参见装置实施例中相应部分的 描述，在此不再重复描述。
[0075]
此外，本公开还提供了存储介质和程序产品。应理解，根据本公开的 实施例的存储介质和程序产品中的机器可执行的指令还可以被配置成执 行上述信息处理方法，因此在此未详细描述的内容可参考先前相应部分的 描述，在此不再重复进行描述。
[0076]
相应地，用于承载上述包括机器可执行的指令的程序产品的存储介质 也包括在本发明的公开中。该存储介质包括但不限于软盘、光盘、磁光盘、 存储卡、存储棒等等。
[0077]
另外，还应该指出的是，上述系列处理和装置也可以通过软件和/或 固件实现。在
通过软件和/或固件实现的情况下，从存储介质或网络向具 有专用硬件结构的计算机，例如图5所示的通用个人计算机500安装构成 该软件的程序，该计算机在安装有各种程序时，能够执行各种功能等等。
[0078]
在图5中，中央处理单元(cpu)501根据只读存储器(rom)502 中存储的程序或从存储部分508加载到随机存取存储器(ram)503的程 序执行各种处理。在ram 503中，也根据需要存储当cpu 501执行各种 处理等时所需的数据。
[0079]
cpu 501、rom 502和ram 503经由总线504彼此连接。输入/输出 接口505也连接到总线504。
[0080]
下述部件连接到输入/输出接口505：输入部分506，包括键盘、鼠标 等；输出部分507，包括显示器，比如阴极射线管(crt)、液晶显示器(lcd) 等，和扬声器等；存储部分508，包括硬盘等；和通信部分509，包括网 络接口卡比如lan卡、调制解调器等。通信部分509经由网络比如因特 网执行通信处理。
[0081]
根据需要，驱动器510也连接到输入/输出接口505。可拆卸介质511 比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器510上，使得从中读出的计算机程序根据需要被安装到存储部分508中。
[0082]
在通过软件实现上述系列处理的情况下，从网络比如因特网或存储介 质比如可拆卸介质511安装构成软件的程序。
[0083]
本领域的技术人员应当理解，这种存储介质不局限于图5所示的其中 存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质511。 可拆卸介质511的例子包含磁盘(包含软盘(注册商标))、光盘(包含光 盘只读存储器(cd-rom)和数字通用盘(dvd))、磁光盘(包含迷你盘 (md)(注册商标))和半导体存储器。或者，存储介质可以是rom502、 存储部分508中包含的硬盘等等，其中存有程序，并且与包含它们的设备 一起被分发给用户。
[0084]
以上参照附图描述了本公开的优选实施例，但是本公开当然不限于以 上示例。本领域技术人员可在所附权利要求的范围内得到各种变更和修改， 并且应理解这些变更和修改自然将落入本公开的技术范围内。
[0085]
例如，在以上实施例中包括在一个单元中的多个功能可以由分开的装 置来实现。替选地，在以上实施例中由多个单元实现的多个功能可分别由 分开的装置来实现。另外，以上功能之一可由多个单元来实现。无需说， 这样的配置包括在本公开的技术范围内。
[0086]
在该说明书中，流程图中所描述的步骤不仅包括以所述顺序按时间序 列执行的处理，而且包括并行地或单独地而不是必须按时间序列执行的处 理。此外，甚至在按时间序列处理的步骤中，无需说，也可以适当地改变 该顺序。
[0087]
另外，根据本公开的技术还可以如下进行配置。
[0088]
附记1.一种信息处理装置，包括：
[0089]
历史数据获取单元，被配置成获取关于资源的历史数据，其中，所述 资源包括至少一个部分，并且所述历史数据包括所述资源包括的每个部分 在过去各个单位时段内被使用的数量；
[0090]
编码序列获取单元，被配置成针对所述资源包括的每个部分，基于该 部分的历史数据获取表征该部分在过去各个单位时段内被使用的数量的 相对变化趋势的编码序列；
[0091]
聚类单元，被配置成基于所述资源包括的各个部分的编码序列之间的 相似度，对
所述历史数据执行聚类，以获取至少一个聚类；
[0092]
模型建立单元，被配置成针对所述至少一个聚类中的每一个，至少利 用该聚类中的部分历史数据或所有历史数据建立相应的预测模型，以及
[0093]
预测单元，被配置成针对所述资源包括的每个部分，利用针对该部分 的历史数据所属于的聚类的预测模型，预测该部分在预定时段内要被使用 的数量。
[0094]
附记2.根据附记1所述的信息处理装置，其中，所述模型建立单元 进一步被配置成，针对所述至少一个聚类中的每一个，利用该聚类中的部 分历史数据和所述部分历史数据所对应的编码序列来建立相应的预测模 型，或者利用该聚类中的所有历史数据和该聚类中的所有历史数据所对应 的编码序列来建立相应的预测模型。
[0095]
附记3.根据附记1或2所述的信息处理装置，其中，所述编码序列 获取单元进一步被配置成针对所述资源包括的每个部分，利用第一平滑技 术对该部分的历史数据进行处理以获得第一平滑数据序列，利用第二平滑 技术对所述第一平滑数据序列进行处理以获得第二平滑数据序列，并且基 于所述第一平滑数据序列和所述第二平滑数据序列获取所述编码序列。
[0096]
附记4.根据附记3所述的信息处理装置，其中，所述第一平滑技术 和所述第二平滑技术为移动平均技术。
[0097]
附记5.根据附记3所述的信息处理装置，其中，所述编码序列获取 单元进一步被配置成针对所述资源包括的每个部分：
[0098]
在所述第一平滑数据序列和所述第二平滑数据序列中的与相同时间 对应的数据之间的差异小于或等于预定阈值的情况下，将所述编码序列中 的与该时间对应的数据设置为常数a，
[0099]
在所述第一平滑数据序列和所述第二平滑数据序列中的与相同时间 对应的数据之间的差异大于预定阈值、并且所述第一平滑数据序列中的与 该时间对应的数据大于所述第二平滑数据序列中的与该时间对应的数据 的情况下，将所述编码序列中的与该时间对应的数据设置为大于常数a的 常数b，以及
[0100]
在所述第一平滑数据序列和所述第二平滑数据序列中的与相同时间 对应的数据之间的差异大于预定阈值、并且所述第一平滑数据序列中的与 该时间对应的数据小于所述第二平滑数据序列中的与该时间对应的数据 的情况下，将所述编码序列中的与该时间对应的数据设置为小于常数a的 常数c。
[0101]
附记6.根据附记5所述的信息处理装置，其中，常数a为0，常数 b为1，并且常数c为-1。
[0102]
附记7.根据附记1或2所述的信息处理装置，其中，所述预测模型 是卷积神经网络模型、时间序列模型或回归模型。
[0103]
附记8.根据附记1或2所述的信息处理装置，其中，所述单位时段 为季、月或周。
[0104]
附记9.根据附记1或2所述的信息处理装置，其中，所述资源是车 辆零部件。
[0105]
附记10.一种信息处理方法，包括：
[0106]
历史数据获取步骤，用于获取关于资源的历史数据，其中，所述资源 包括至少一个部分，并且所述历史数据包括所述资源包括的每个部分在过 去各个单位时段内被使用的数量；
[0107]
编码序列获取步骤，用于针对所述资源包括的每个部分，基于该部分 的历史数据获取表征该部分在过去各个单位时段内被使用的数量的相对 变化趋势的编码序列；
[0108]
聚类步骤，用于基于所述资源包括的各个部分的编码序列之间的相似 度，对所述历史数据执行聚类，以获取至少一个聚类；
[0109]
模型建立步骤，用于针对所述至少一个聚类中的每一个，至少利用该 聚类中的部分历史数据或所有历史数据建立相应的预测模型，以及
[0110]
预测步骤，用于针对所述资源包括的每个部分，利用针对该部分的历 史数据所属于的聚类的预测模型，预测该部分在预定时段内要被使用的数 量。
[0111]
附记11.根据附记10所述的信息处理方法，其中，在所述模型建立 步骤中，针对所述至少一个聚类中的每一个，利用该聚类中的部分历史数 据和所述部分历史数据所对应的编码序列来建立相应的预测模型，或者利 用该聚类中的所有历史数据和该聚类中的所有历史数据所对应的编码序 列来建立相应的预测模型。
[0112]
附记12.根据附记10或11所述的信息处理方法，其中，在所述编码 序列获取步骤中，针对所述资源包括的每个部分，利用第一平滑技术对该 部分的历史数据进行处理以获得第一平滑数据序列，利用第二平滑技术对 所述第一平滑数据序列进行处理以获得第二平滑数据序列，并且基于所述 第一平滑数据序列和所述第二平滑数据序列获取所述编码序列。
[0113]
附记13.根据附记12所述的信息处理方法，其中，所述第一平滑技 术和所述第二平滑技术为移动平均技术。
[0114]
附记14.根据附记12所述的信息处理方法，其中，在所述编码序列 获取步骤中，针对所述资源包括的每个部分：
[0115]
在所述第一平滑数据序列和所述第二平滑数据序列中的与相同时间 对应的数据之间的差异小于或等于预定阈值的情况下，将所述编码序列中 的与该时间对应的数据设置为常数a，
[0116]
在所述第一平滑数据序列和所述第二平滑数据序列中的与相同时间 对应的数据之间的差异大于预定阈值、并且所述第一平滑数据序列中的与 该时间对应的数据大于所述第二平滑数据序列中的与该时间对应的数据 的情况下，将所述编码序列中的与该时间对应的数据设置为大于常数a的 常数b，以及
[0117]
在所述第一平滑数据序列和所述第二平滑数据序列中的与相同时间 对应的数据之间的差异大于预定阈值、并且所述第一平滑数据序列中的与 该时间对应的数据小于所述第二平滑数据序列中的与该时间对应的数据 的情况下，将所述编码序列中的与该时间对应的数据设置为小于常数a的 常数c。
[0118]
附记15.根据附记14所述的信息处理方法，其中，常数a为0，常 数b为1，并且常数c为-1。
[0119]
附记16.根据附记10或11所述的信息处理方法，其中，所述预测模 型是卷积神经网络模型、时间序列模型或回归模型。
[0120]
附记17.根据附记10或11所述的信息处理方法，其中，所述单位时 段为季、月或周。
[0121]
附记18.根据附记10或11所述的信息处理方法，其中，所述资源是 车辆零部件。
[0122]
附记19.一种存储有程序指令的计算机可读存储介质，当所述程序指 令被计算机执行时用于执行附记10至18中任一项所述的方法。