一种预测车商成交量的方法及其预测系统与流程

1.本技术属于信息处理领域，具体涉及一种一种预测车商成交量的方法及其预测系统。


背景技术：

2.随着我国社会经济的发展，人均汽车保有量逐年增加，汽车的成交量和流通量等也在不断提升。在交易过程中，存在着买方车商、车辆交易平台和卖方车商三个主体。对于车辆交易平台而言，如果能预测买方车商的未来短期成交数量，则可以对未来短期不同成交数量的买方车商进行个性化和针对性的运营和推荐服务，推动用户将当前潜在的购车意愿转化为未来真实的购车行为。
3.目前，对于买方车商的未来短期购买成交量预测往往依赖于车辆交易平台的经验判断，而基于数据驱动的预测方法则仅关注于买方车商未来短期是否有成交行为，不涉及其具体成交数量的预测。但买方车商的未来短期购买成交量呈现出不规律和强变化性等特点，因此基于经验的判断方法往往存在较大偏差，且目前基于数据驱动的预测方法不涉及该领域，无法对车辆交易平台的运营和服务等提供有效参考。
4.因此，目前亟需一种能够对车商未来成交量进行预测的方法。


技术实现要素：

5.本技术实施例的目的是提供一种预测车商成交量的方法，能够对车商未来成交量进行预测的方法。
6.第一方面，本技术实施例提供了一种预测车商成交量的方法，包括：获取n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，n为正整数；根据所述n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，构建m个样本模型，其中，所述m个样本模型中第j个样本模型包括所述第j个样本关联车商在第二时间窗口的交易行为特征数据和所述第j个样本关联车商在第三时间窗口的交易行为特征数据，其中，j∈[1，m]，所述第二时间窗口和所述第三时间窗口均小于第一时间窗口；使用深度学习模型对所述m个样本数据进行训练，获得成交量预测模型；使用所述成交量预测模型对所述第i个车商在未来第四时间窗口内的成交量进行预测。
[0007]
结合第一方面，在第一方面的第一种可能的实现方式中，所述n个车商中第i个车商的交易行为特征数据包括所述第i个车商个人信息、所述第i个车商浏览行为数据、所述第i个车商关注行为数据、所述第i个车商出价行为数据和所述第i个车商成交行为数据，i∈[1，n]；所述第j个样本模型包括所述第j个样本关联车商的个人信息、所述第j个样本关联车商在所述第二个时间窗口内的浏览行为数据、所述第j个样本关联车商在所述第二时间窗口内关注行为数据、所述第j个样本关联车商在所述第二时间窗口内出价行为数据、所述第j个样本关联车商在所述第二时间窗口内成交行为数据以及所述第j个样本关联车商在第三时间窗口内的成交量数据。
[0008]
结合第一方面及其上述实现方式，在第一方面的第二种可能的实现方式中，在所述获取n个买方车商中每个车商在第一时间窗口内的交易行为特征数据之前，所述方法还包括：获取多个买方车商中每个车商在第一时间窗口内的交易行为特征数据，并使用kmeans算法对所述多个买方车商划分为s个类型，其中，所述n个买方车商均属于所述s个类型中的一个类型，其中，s为大于1的整数。
[0009]
结合第一方面及其上述实现方式，在第一方面的第三种可能的实现方式中，所述根据所述n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，构建m个样本模型，包括：对所述第j个样本关联车商的个人信息、所述第j个样本关联车商在第二个时间窗口内的浏览行为数据、所述第j个样本关联车商在所述第二时间窗口内关注行为数据、所述第j个样本关联车商在所述第二时间窗口内出价行为数据、所述第j个样本关联车商在所述第二时间窗口内成交行为数据以及所述第j个样本关联车商在第三时间窗口内的成交量数据分别进行特征工程，其中，所述特征工程包括降采样处理、类别特征处理、缺失值填充和特征缩放。
[0010]
结合第一方面及其上述实现方式，在第一方面的第四种可能的实现方式中，所述使用深度学习模型对所述m个样本数据进行训练，获得成交量预测模型，包括:使用时间卷积网络tcn模型对所述m个样本数据进行训练，设定所述tcn模型中的损失函数为均差函数，设定学习率为0.001，激活函数选择relu函数，设定卷积核数量nb_filters为16个，设定卷积核的尺寸kernel_size为4，设定输入batch_size为2048，设定训练次数epoch为500。
[0011]
第二方面，本技术实施例提供了一种车商成交量的预测系统，包括：获取单元，所述获取单元用于获取n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，n为正整数；处理单元，所述处理单元用于根据所述n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，构建m个样本模型，其中，所述m个样本模型中第j个样本模型包括所述第j个样本关联车商在第二时间窗口的交易行为特征数据和所述第j个样本关联车商在第三时间窗口的交易行为特征数据，其中，j∈[1，m]，所述第二时间窗口和所述第三时间窗口均小于第一时间窗口；所述处理单元还用于使用深度学习模型对所述m个样本数据进行训练，获得成交量预测模型；所述处理单元还用于使用所述成交量预测模型对所述第i个车商在未来第四时间窗口内的成交量进行预测。
[0012]
结合第二方面，在第二方面的第一种可能的实现方式种，所述n个车商中第i个车商的交易行为特征数据包括所述第i个车商个人信息、所述第i个车商浏览行为数据、所述第i个车商关注行为数据、所述第i个车商出价行为数据和所述第i个车商成交行为数据，i∈[1，n]；所述第j个样本模型包括所述第j个样本关联车商的个人信息、所述第j个样本关联车商在所述第二个时间窗口内的浏览行为数据、所述第j个样本关联车商在所述第二时间窗口内关注行为数据、所述第j个样本关联车商在所述第二时间窗口内出价行为数据、所述第j个样本关联车商在所述第二时间窗口内成交行为数据以及所述第j个样本关联车商在第三时间窗口内的成交量数据。
[0013]
结合第二方面及其上述实现方式，在第二方面的第二种可能的实现方式中，所述获取单元还用于：获取多个买方车商中每个车商在第一时间窗口内的交易行为特征数据，并使用kmeans算法对所述多个买方车商划分为s个类型，其中，所述n个买方车商均属于所述s个类型中的一个类型，其中，s为大于1的整数。
[0014]
第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
[0015]
第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
[0016]
第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
[0017]
在本技术实施例中通过对买方车商近期的各种交易行为特征进行分析，构建买方车商的交易行为与其未来短期购买成交量之间的关联，并对未来一段时间的成交量进行有效预测，能够解决传统经验预估所产生的较大预测偏差以及填补现有数据驱动方法所未涉及的车商未来短期购买成交数量预测领域，可为车辆交易平台的针对性运营策略提供参考依据。
[0018]
进一步地，由于通过对不同买方车商的交易行为特征数据进行基于kmeans算法的聚类，形成不同的买方车商群体。在此基础上采用tcn算法对不同买方车商群体经过特征工程处理后的交易行为特征数据进行分析并给出其短期购买成交量的预测，帮助车辆交易平台更好地调整交易运营策略和推荐服务，推动用户将当前潜在的购车意愿转化为未来真实的购车行为。
附图说明
[0019]
图1是本技术一个实施例的方法的示意性流程图。
[0020]
图2是本技术另一实施例的方法的示意性流程图。
[0021]
图3是本技术一个实施例的预测系统的示意性框图。
[0022]
图4是本技术一个实施例的电子设备的示意性框图。
具体实施方式
[0023]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
[0024]
本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
[0025]
下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的预测车商成交量的方法进行详细地说明。
[0026]
图1提供了一种预测车商成交量的方法，如图1所示，该方法100包括：
[0027]
步骤110，获取n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，n
为正整数；
[0028]
步骤120，根据所述n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，构建m个样本模型，其中，所述m个样本模型中第j个样本模型包括所述第j个样本关联车商在第二时间窗口的交易行为特征数据和所述第j个样本关联车商在第三时间窗口的交易行为特征数据，其中，j∈[1，m]，所述第二时间窗口和所述第三时间窗口均小于第一时间窗口；
[0029]
步骤130，使用tcn模型对所述m个样本数据进行训练，获得成交量预测模型；
[0030]
步骤140，使用所述成交量预测模型对所述第i个车商在未来第四时间窗口内的成交量进行预测。
[0031]
可选地，在步骤110中，所述n个车商中第i个车商的交易行为特征数据包括所述第i个车商个人信息、所述第i个车商浏览行为数据、所述第i个车商关注行为数据、所述第i个车商出价行为数据和所述第i个车商成交行为数据，i∈[1，n]。
[0032]
可选地，在步骤110中，所述第j个样本模型包括所述第j个样本关联车商的个人信息、所述第j个样本关联车商在所述第二个时间窗口内的浏览行为数据、所述第j个样本关联车商在所述第二时间窗口内关注行为数据、所述第j个样本关联车商在所述第二时间窗口内出价行为数据、所述第j个样本关联车商在所述第二时间窗口内成交行为数据以及所述第j个样本关联车商在第三时间窗口内的成交量数据。
[0033]
也就是说，需要首先获取车辆交易平台上买方车商在较长时间跨度内的历史交易行为特征数据，例如，上述第一时间窗口可以为1年，15个月或者是其它时间长度，上述第二时间窗口可以为四周、五周，上述第三时间窗口可以为第二时间窗口接下来的一周、二周，上述时间窗口可以根据实际需要进行设定，本技术不做限定。
[0034]
具体地，如图2所示，当第二时间窗口为4周，第三时间窗口为第二时间窗口相邻的下一周时，将每一个买方车商浏览、关注、出价和成交行为的数据按照每4周为一个时间窗口来构建样本数据，并以该买方车商下一周的成交量作为样本标签。同一买方车商的交易行为特征数据在较长的时间跨度内可构建多个样本，且由该买方车商的交易行为特征数据所构建的所有样本均包含该买方车商的个人信息特征。
[0035]
进一步地，上述交易行为特征数据包括如下五个方面特征：买方车商个人信息、买方车商浏览行为数据、买方车商关注行为数据，买方车商出价行为数据，买方车商成交行为数据。
[0036]
应理解，上述交易行为特征数据可以为单位时间粒度内的数据记录，例如可以为一周为单位的数据情况，也可以为5天或者其它时间粒度内的数据，本技术不做限定。
[0037]
具体地，买方车商个人信息可以包括：用户账号授权状态、用户账号等级、用户账号成长方式、用户账号保证金首充金额，用户账号所属运营方式，例如，某个买方车商的个人信息如表1所示：
[0038]
表1
[0039]
买方车商的个人信息特征数值用户账号授权状态1用户账号等级3用户账号成长方式2
用户账号保证金首充金额200000用户账号所属运营方式10
[0040]
具体地，买方车商浏览行为数据可以包括：买方车商一年内的每周浏览量，例如买方车商的车商浏览行为数据可以如表2所示：
[0041]
表2
[0042][0043][0044]
具体地，买方车商关注行为数据可以包括：买方车商近一年内的每周关注量，例如，买方车商关注行为数据可以表示如下如表3所示：
[0045]
表3
[0046]
买方车商的关注行为数据特征数值第1周25第2周56
…………
第52周18
[0047]
具体地，买方车商出价行为数据可以包括：买方车商近一年内的每周出价量，例如，买方车商出价行为数据表示如下如表4所示：
[0048]
表4
[0049]
买方车商的出价行为数据特征数值第1周560第2周236
…………
第52周571
[0050]
具体地，买方车商成交行为数据包括：买方车商近一年内的每周成交量，例如，买方车商成交行为数据表示如下如表5所示：
[0051]
表5
[0052]
[0053][0054]
可选地，在所述获取n个买方车商中每个车商在第一时间窗口内的交易行为特征数据之前，所述方法还包括：获取多个买方车商中每个车商在第一时间窗口内的交易行为特征数据，并使用kmeans算法对所述多个买方车商划分为s个类型，其中，所述n个买方车商均属于所述s个类型中的一个类型，其中，s为大于1的整数。
[0055]
也就是说，将每一个买方车商的历史交易行为特征数据视为一个数据单元，使用kmeans算法对所获取的买方车商历史交易行为特征数据进行聚类。可初步设定聚类中心点为3个，即可使用kmeans算法将买方车商划分为高购买力群体，中等购买力群体和低购买力群体，群体内各买方车商的交易行为具有相似性。
[0056]
可选地，所述根据所述n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，构建m个样本模型，包括：对所述第j个样本关联车商的个人信息、所述第j个样本关联车商在第二个时间窗口内的浏览行为数据、所述第j个样本关联车商在所述第二时间窗口内关注行为数据、所述第j个样本关联车商在所述第二时间窗口内出价行为数据、所述第j个样本关联车商在所述第二时间窗口内成交行为数据以及所述第j个样本关联车商在第三时间窗口内的成交量数据分别进行特征工程，其中，所述特征工程包括降采样处理、类别特征处理、缺失值填充和特征缩放。
[0057]
具体地，对上述特征工程进行具体的介绍，(1)降采样，由于买方车商的交易行为具有不平衡性，即0成交行为相对于其他有成交行为来说样本数据过大，这将导致模型的学习存在偏离，因此需要对数据进行再平衡，采用tomek links算法对数据相对过多的交易行为(即0成交行为)进行降采样处理，从而缓解训练集样本不平衡对模型训练的影响；(2)类别特征处理：采用one-hot编码处理；(3)缺失值填充：对于用户个人信息方面的特征，每列的缺失值采用众数填充的方式；对于买方车商个人行为方面的特征，每列的缺失值采用0值填充的方式；(4)特征缩放：不同买方车商的交易行为特征数据相差较大，若不加处理则会影响模型的训练，因此采用标准化的方式将交易行为特征数据转化至0点附近，有利于模型的学习。
[0058]
可选地，作为本技术一个实施例，所述使用tcn模型对所述m个样本数据进行训练，获得成交量预测模型，包括:设定所述tcn模型中的损失函数为均差函数，设定学习率为0.001，激活函数选择relu函数，设定卷积核数量nb_filters为16个，设定卷积核的尺寸kernel_size为4，设定输入batch_size为2048，设定训练次数epoch为500。
[0059]
具体地，在步骤140中，在获得每个车商群体所对应的预测模型后，对于待预测的车商未来短期购买成交量，首先使用kmeans算法对其历史交易行为特征数据进行车商群体划分，然后将其近4周(也就是上述第二时间窗口大小)的交易行为特征数据输入该车商群体所对应的tcn预测模型，获得对该车商未来短期(也就是上述未来第四时间窗口大小，例如一周)购买成交量的预测结果。
[0060]
应理解，第四时间窗口与第三时间窗口大小可以相同。
[0061]
在本技术实施例中通过对买方车商近期的各种交易行为特征进行分析，构建买方
车商的交易行为与其未来短期购买成交量之间的关联，并对未来一段时间的成交量进行有效预测，能够解决传统经验预估所产生的较大预测偏差以及填补现有数据驱动方法所未涉及的车商未来短期购买成交数量预测领域，可为车辆交易平台的针对性运营策略提供参考依据。
[0062]
进一步地，由于通过对不同买方车商的交易行为特征数据进行基于kmeans算法的聚类，形成不同的买方车商群体。在此基础上采用tcn算法对不同买方车商群体经过特征工程处理后的交易行为特征数据进行分析并给出其短期购买成交量的预测，帮助车辆交易平台更好地调整交易运营策略和推荐服务，推动用户将当前潜在的购车意愿转化为未来真实的购车行为。
[0063]
需要说明的是，本技术实施例提供的预测车商成交量的方法，执行主体可以为车商成交量的预测系统，例如可以为计算机等电子设备，本技术不做限定。
[0064]
图3示出了一种车商成交量的预测系统，该预测系统300包括：
[0065]
获取单元310，所述获取单元310用于获取n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，n为正整数；
[0066]
处理单元320，所述处理单元320用于根据所述n个买方车商中每个车商在第一时间窗口内的交易行为特征数据，构建m个样本模型，其中，所述m个样本模型中第j个样本模型包括所述第j个样本关联车商在第二时间窗口的交易行为特征数据和所述第j个样本关联车商在第三时间窗口的交易行为特征数据，其中，j∈[1，m]，所述第二时间窗口和所述第三时间窗口均小于第一时间窗口；
[0067]
所述处理单元320还用于使用深度学习模型对所述m个样本数据进行训练，获得成交量预测模型；
[0068]
所述处理单元320还用于使用所述成交量预测模型对所述第i个车商在未来第四时间窗口内的成交量进行预测。
[0069]
可选地，所述n个车商中第i个车商的交易行为特征数据包括所述第i个车商个人信息、所述第i个车商浏览行为数据、所述第i个车商关注行为数据、所述第i个车商出价行为数据和所述第i个车商成交行为数据，i∈[1，n]；所述第j个样本模型包括所述第j个样本关联车商的个人信息、所述第j个样本关联车商在所述第二个时间窗口内的浏览行为数据、所述第j个样本关联车商在所述第二时间窗口内关注行为数据、所述第j个样本关联车商在所述第二时间窗口内出价行为数据、所述第j个样本关联车商在所述第二时间窗口内成交行为数据以及所述第j个样本关联车商在第三时间窗口内的成交量数据。
[0070]
可选地，所述获取单元310还用于：获取多个买方车商中每个车商在第一时间窗口内的交易行为特征数据，并使用kmeans算法对所述多个买方车商划分为s个类型，其中，所述n个买方车商均属于所述s个类型中的一个类型，其中，s为大于1的整数。
[0071]
本技术实施例中的成交量预测系统可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、
柜员机或者自助机等，本技术实施例不作具体限定。
[0072]
本技术实施例中的成交量预测系统可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
[0073]
本技术实施例提供的成交量预测系统能够实现图1至图2的方法实施例实现的各个过程，并实现相同的有益效果，为避免重复，这里不再赘述。
[0074]
可选地，如图4所示，本技术实施例还提供一种电子设备400，包括处理器401，存储器402，存储在存储器402上并可在所述处理器401上运行的程序或指令，该程序或指令被处理器401执行时实现上述图1至图2的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0075]
需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
[0076]
本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述图1至图2的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0077]
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
[0078]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
[0079]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0080]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。