一种订单热度预测方法、预测系统和存储介质与流程

1.本发明属于数据处理技术领域，尤其涉及一种订单热度预测方法、预测系统和存储介质。


背景技术：

2.随着餐饮业与互联网的结合，极大地加快了外卖行业的发展，用户通过在互联网上进行外卖下单，在一定的时间内，商家就能将外卖送到用户的手上。由于外卖行业还在处于快速发展的阶段，外卖订单量一直保持在变化中。
3.在现有的技术中，没有一种订单热度预测系统对外卖的订单进行科学而准确的预测，商家一般通过自己的经验进行菜品准备，很有可能由于菜品准备过多导致菜品浪费，也有可能由于菜品准备过少导致一些订单不能接单，尤其是商家的附近存在特殊的事件突然增加许多订单，而不能提前了解和准备的商家，往往会不能接单或者因为备餐时间过长而导致送餐时间超时。


技术实现要素：

4.本发明实施例的目的在于提供一种订单热度预测方法、预测系统和存储介质，旨在解决背景技术中提出的问题。
5.为实现上述目的，本发明实施例提供如下技术方案：一种订单热度预测方法，所述方法具体包括以下步骤：获取历史订单数据，对所述历史订单数据进行变化分析，生成订单变化数据，并基于所述订单变化数据和所述历史订单数据进行订单预测，生成总订单预测数据；对所述历史订单数据进行商家订单分析，生成商家订单数据，并基于所述商家订单数据和所述总订单预测数据进行商家订单预测，生成商家订单预测数据；通过大数据进行订单关联事件分析，获取订单关联事件的事件地点和事件日程，并进行订单关联事件的参与信息分析，得到事件参与信息；根据所述事件日程和所述事件参与信息，对总订单预测数据进行修正，生成总订单修正预测数据；根据所述事件地点、所述事件日程和所述事件参与信息，对商家订单预测数据进行修正，生成商家订单修正预测数据。
6.作为本发明实施例技术方案进一步的限定，所述获取历史订单数据，对所述历史订单数据进行变化分析，生成订单变化数据，并基于所述订单变化数据和所述历史订单数据进行订单预测，生成总订单预测数据具体包括以下步骤：获取历史订单数据，并根据所述历史订单数据，获取昨日订单数据；根据所述历史订单数据进行变化分析，生成订单变化数据；对所述订单变化数据进行变化趋势预测，生成订单变化趋势数据；根据所述昨日订单数据和所述订单变化趋势数据进行订单预测，生成总订单预测
数据。
7.作为本发明实施例技术方案进一步的限定，所述商家订单数据包括商家地点信息、商家类型信息、商家订单量数据。
8.作为本发明实施例技术方案进一步的限定，所述通过大数据进行订单关联事件分析，获取订单关联事件的事件地点和事件日程，并进行订单关联事件的参与信息分析，得到事件参与信息具体包括以下步骤：通过大数据分析，标记对订单有影响的订单关联事件，并获取关联事件信息；对所述关联事件信息进行基础分析，得到事件地点和事件日程；对所述关联事件信息进行参与信息分析，得到事件参与信息。
9.作为本发明实施例技术方案进一步的限定，所述根据所述事件日程和所述事件参与信息，对总订单预测数据进行修正，生成总订单修正预测数据具体包括以下步骤：根据所述事件参与信息，进行订单预测，生成事件预测订单数据；根据所述事件预测订单数据，对事件日程的总订单预测数据进行修正，生成总订单修正预测数据。
10.作为本发明实施例技术方案进一步的限定，所述根据所述事件地点、所述事件日程和所述事件参与信息，对商家订单预测数据进行修正，生成商家订单修正预测数据具体包括以下步骤：根据所述事件地点，标记事件影响商家和对应的地点影响指数；根据所述事件参与信息和所述事件影响商家的商家类型信息，标记事件影响商家的类型影响指数；根据所述事件预测订单数据、所述地点影响指数和所述类型影响指数，对商家订单预测数据进行修正，生成商家订单修正预测数据。
11.本发明实施例的另一目的在于提供一种订单热度预测系统，所述系统包括总订单预测单元、商家订单预测单元、关联事件分析单元、总订单修正预测单元和商家订单修正预测单元，其中：总订单预测单元，用于获取历史订单数据，对所述历史订单数据进行变化分析，生成订单变化数据，并基于所述订单变化数据和所述历史订单数据进行订单预测，生成总订单预测数据；商家订单预测单元，用于对所述历史订单数据进行商家订单分析，生成商家订单数据，并基于所述商家订单数据和所述总订单预测数据进行商家订单预测，生成商家订单预测数据；关联事件分析单元，用于通过大数据进行订单关联事件分析，获取订单关联事件的事件地点和事件日程，并进行订单关联事件的参与信息分析，得到事件参与信息；总订单修正预测单元，用于根据所述事件日程和所述事件参与信息，对总订单预测数据进行修正，生成总订单修正预测数据；商家订单修正预测单元，用于根据所述事件地点、所述事件日程和所述事件参与信息，对商家订单预测数据进行修正，生成商家订单修正预测数据。
12.作为本发明实施例技术方案进一步的限定，所述总订单预测单元具体包括：昨日订单数据获取模块，用于获取历史订单数据，并根据所述历史订单数据，获取
昨日订单数据；订单数据变化分析模块，用于根据所述历史订单数据进行变化分析，生成订单变化数据；订单变化趋势预测模块，用于对所述订单变化数据进行变化趋势预测，生成订单变化趋势数据；总订单预测模块，用于根据所述昨日订单数据和所述订单变化趋势数据进行订单预测，生成总订单预测数据。
13.作为本发明实施例技术方案进一步的限定，所述关联事件分析单元具体包括：关联事件标记模块，用于通过大数据分析，标记对订单有影响的订单关联事件，并获取关联事件信息；事件基础分析模块，用于对所述关联事件信息进行基础分析，得到事件地点和事件日程；事件参与分析模块，用于对所述关联事件信息进行参与信息分析，得到事件参与信息。
14.本发明实施例的另一目的在于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有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述订单热度预测方法的步骤。
15.与现有技术相比，本发明的有益效果是：本发明实施例通过获取历史订单数据，对历史订单数据进行变化分析，生成总订单预测数据；对所述历史订单数据进行商家订单分析，生成商家订单预测数据；通过大数据进行订单关联事件分析，得到事件参与信息；对总订单预测数据进行修正，生成总订单修正预测数据；对商家订单预测数据进行修正，生成商家订单修正预测数据。能够根据历史订单数据对总订单和商家订单进行科学而准确的预测，并且通过大数据进行订单关联事件分析，对订单关联事件附件的商家进行订单预测数据修正，得到商家订单修正预测数据，从而能够科学而准确的辅助指导商家进行订单准备。
附图说明
16.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
17.图1示出了本发明实施例提供的方法的流程图。
18.图2示出了本发明实施例提供的方法中历史订单数据变化分析的流程图。
19.图3示出了本发明实施例提供的方法中订单关联事件分析的流程图。
20.图4示出了本发明实施例提供的方法中总订单预测数据修正的流程图。
21.图5示出了本发明实施例提供的方法中商家订单预测数据修正的流程图。
22.图6示出了本发明实施例提供的系统的应用架构图。
23.图7示出了本发明实施例提供的系统中总订单预测单元的结构框图。
24.图8示出了本发明实施例提供的系统中关联事件分析单元的结构框图。
具体实施方式
25.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
26.可以理解的是，在现有技术中，没有一种订单热度预测系统对外卖的订单进行科学而准确的预测，商家一般通过自己的经验进行菜品准备，很有可能由于菜品准备过多导致菜品浪费，也有可能由于菜品准备过少导致一些订单不能接单，尤其是商家的附近存在特殊的事件突然增加许多订单，而不能提前了解和准备的商家，往往会因为不能接单或者因为备餐时间过长而导致送餐时间超时。
27.为解决上述问题，本发明实施例通过获取历史订单数据，对历史订单数据进行变化分析，生成总订单预测数据；对所述历史订单数据进行商家订单分析，生成商家订单预测数据；通过大数据进行订单关联事件分析，得到事件参与信息；对总订单预测数据进行修正，生成总订单修正预测数据；对商家订单预测数据进行修正，生成商家订单修正预测数据。能够根据历史订单数据对总订单和商家订单进行科学而准确的预测，并且通过大数据进行订单关联事件分析，对订单关联事件附件的商家进行订单预测数据修正，得到商家订单修正预测数据，从而能够科学而准确的辅助指导商家进行订单准备。
28.图1示出了本发明实施例提供的方法的流程图。
29.具体的，一种订单热度预测方法，所述方法具体包括以下步骤：步骤s101，获取历史订单数据，对所述历史订单数据进行变化分析，生成订单变化数据，并基于所述订单变化数据和所述历史订单数据进行订单预测，生成总订单预测数据。
30.在本发明实施例中，获取订单记录数据库中的历史订单数据，通过对历史订单数据进行变化趋势的分析，得到订单变化数据，并根据历史订单数据获取前一日的订单数据，通过订单变化数据和前一日的订单数据，对次日的订单进行预测，得到总订单预测数据。
31.可以理解的是，在本发明实施例中，各种订单数据都是某一个区域的外卖订单数据，具体的，可以是一个乡镇、一个县城、一个行政区等；总订单预测数据是根据该区域前一日的总订单数据和订单变化的预测，得到的相对于前一日的次日的总订单数据，例如：1月1日的订单数据为1000个订单，订单变化的预测为次日涨幅1%，则1月2日的预测订单数据为1010个订单。
32.具体的，图2示出了本发明实施例提供的方法中历史订单数据变化分析的流程图。
33.其中，在本发明提供的优选实施方式中，所述获取历史订单数据，对所述历史订单数据进行变化分析，生成订单变化数据，并基于所述订单变化数据和所述历史订单数据进行订单预测，生成总订单预测数据具体包括以下步骤：步骤s1011，获取历史订单数据，并根据所述历史订单数据，获取昨日订单数据。
34.在本发明实施例中，在每日0:00访问订单记录数据库，获取历史订单数据，并根据历史订单数据，单独提取0:00前一日的昨日订单数据。
35.步骤s1012，根据所述历史订单数据进行变化分析，生成订单变化数据。
36.步骤s1013，对所述订单变化数据进行变化趋势预测，生成订单变化趋势数据。
37.步骤s1014，根据所述昨日订单数据和所述订单变化趋势数据进行订单预测，生成总订单预测数据。
38.进一步的，所述订单热度预测方法还包括以下步骤：步骤s102，对所述历史订单数据进行商家订单分析，生成商家订单数据，并基于所述商家订单数据和所述总订单预测数据进行商家订单预测，生成商家订单预测数据。
39.在本发明实施例中，根据历史订单数据，对接单商家的商家地点信息、商家类型信息和商家订单量数据进行分析与统计，生成商家订单数据，并对每一个商家的订单进行预测，生成反映每一个商家次日订单的商家订单预测数据。
40.步骤s103，通过大数据进行订单关联事件分析，获取订单关联事件的事件地点和事件日程，并进行订单关联事件的参与信息分析，得到事件参与信息。
41.在本发明实施例中，通过大数据进行区域大事件搜索，匹配在该区域中将要发生的影响订单量变化的订单关联事件，获取订单关联事件的事件地点和事件日程，并对订单关联事件中参与人员的基本信息进行分析，获取事件参与信息。
42.可以理解的是，订单关联事件是即将发生在该区域内，并对该区域的订单具有一定影响的事件，例如：会议、考试、培训等；订单关联事件的事件日程为历史订单数据最近记录日期的次日；对订单关联事件中参与人员的基本信息进行分析，包括对参与人员的数量、年龄进行统计分析，不同的参与人员数量对订单影响不同、不同的参与人员年龄对不同类型的商家订单影响不同。
43.具体的，图3示出了本发明实施例提供的方法中订单关联事件分析的流程图。
44.其中，在本发明提供的优选实施方式中，所述通过大数据进行订单关联事件分析，获取订单关联事件的事件地点和事件日程，并进行订单关联事件的参与信息分析，得到事件参与信息具体包括以下步骤：步骤s1031，通过大数据分析，标记对订单有影响的订单关联事件，并获取关联事件信息。
45.步骤s1032，对所述关联事件信息进行基础分析，得到事件地点和事件日程。
46.步骤s1033，对所述关联事件信息进行参与信息分析，得到事件参与信息。
47.进一步的，所述订单热度预测方法还包括以下步骤：步骤s104，根据所述事件日程和所述事件参与信息，对总订单预测数据进行修正，生成总订单修正预测数据。
48.在本发明实施例中，根据事件参与信息中参与人员的数量，对事件日程由于发生订单关联事件带来的订单量增加进行预测，得到事件预测订单数据，并将事件预测订单数据与总订单预测数据进行综合，得到事件日程当天的总订单修正预测数据。
49.具体的，图4示出了本发明实施例提供的方法中总订单预测数据修正的流程图。
50.其中，在本发明提供的优选实施方式中，所述根据所述事件日程和所述事件参与信息，对总订单预测数据进行修正，生成总订单修正预测数据具体包括以下步骤：步骤s1041，根据所述事件参与信息，进行订单预测，生成事件预测订单数据。
51.步骤s1042，根据所述事件预测订单数据，对事件日程的总订单预测数据进行修正，生成总订单修正预测数据。
52.进一步的，所述订单热度预测方法还包括以下步骤：步骤s105，根据所述事件地点、所述事件日程和所述事件参与信息，对商家订单预测数据进行修正，生成商家订单修正预测数据。
53.在本发明实施例中，根据订单关联事件的事件地点和事件参与信息，标记事件影响商家和对应的地点影响指数与类型影响指数，预测订单关联事件对每个事件影响商家带来的订单增长，并综合商家订单预测数据进行订单修正，生成事件日程当天的商家订单修正预测数据。
54.具体的，图5示出了本发明实施例提供的方法中商家订单预测数据修正的流程图。
55.其中，在本发明提供的优选实施方式中，所述根据所述事件地点、所述事件日程和所述事件参与信息，对商家订单预测数据进行修正，生成商家订单修正预测数据具体包括以下步骤：步骤s1051，根据所述事件地点，标记事件影响商家和对应的地点影响指数。
56.在本发明实施例中，将事件地点附近5公里的商家标记为事件影响商家，并按照各个事件影响商家与事件地点的距离，生成不同的地点影响指数。其中，距离事件地点越近，地点影响指数越高。
57.步骤s1052，根据所述事件参与信息和所述事件影响商家的商家类型信息，标记事件影响商家的类型影响指数。
58.在本发明实施例中，按照事件参与信息中的参与人员年龄，对事件影响商家进行类型影响指数标记。具体的，参与人员年龄越小，表明参与人员更偏爱西式快餐，则与西式快餐商家类型一致的事件影响商家的类型影响指数越高；参与人员年龄越大，表明参与人员更偏爱中式正餐，则与中式正餐商家类型一致的事件影响商家的类型影响指数越高。
59.步骤s1053，根据所述事件预测订单数据、所述地点影响指数和所述类型影响指数，对商家订单预测数据进行修正，生成商家订单修正预测数据。
60.进一步的，图6示出了本发明实施例提供的系统的应用架构图。
61.其中，在本发明提供的又一个优选实施方式中，一种订单热度预测系统，包括：总订单预测单元101，用于获取历史订单数据，对所述历史订单数据进行变化分析，生成订单变化数据，并基于所述订单变化数据和所述历史订单数据进行订单预测，生成总订单预测数据。
62.在本发明实施例中，总订单预测单元101获取订单记录数据库中的历史订单数据，通过对历史订单数据进行变化趋势的分析，得到订单变化数据，并根据历史订单数据获取前一日的订单数据，通过订单变化数据和前一日的订单数据，对次日的订单进行预测，得到总订单预测数据。
63.具体的，图7示出了本发明实施例提供的系统中总订单预测单元101的结构框图。
64.其中，在本发明提供的优选实施方式中，所述总订单预测单元101具体包括：昨日订单数据获取模块1011，用于获取历史订单数据，并根据所述历史订单数据，获取昨日订单数据。
65.在本发明实施例中，昨日订单数据获取模块1011在每日0:00访问订单记录数据库，获取历史订单数据，并根据历史订单数据，单独提取0:00前一日的昨日订单数据。
66.订单数据变化分析模块1012，用于根据所述历史订单数据进行变化分析，生成订单变化数据。
67.订单变化趋势预测模块1013，用于对所述订单变化数据进行变化趋势预测，生成订单变化趋势数据。
68.总订单预测模块1014，用于根据所述昨日订单数据和所述订单变化趋势数据进行订单预测，生成总订单预测数据。
69.进一步的，所述订单热度预测系统还包括：商家订单预测单元102，用于对所述历史订单数据进行商家订单分析，生成商家订单数据，并基于所述商家订单数据和所述总订单预测数据进行商家订单预测，生成商家订单预测数据。
70.在本发明实施例中，商家订单预测单元102根据历史订单数据，对接单商家的商家地点信息、商家类型信息和商家订单量数据进行分析与统计，生成商家订单数据，并对每一个商家的订单进行预测，生成反映每一个商家次日订单的商家订单预测数据。
71.关联事件分析单元103，用于通过大数据进行订单关联事件分析，获取订单关联事件的事件地点和事件日程，并进行订单关联事件的参与信息分析，得到事件参与信息。
72.在本发明实施例中，关联事件分析单元103通过大数据进行区域大事件搜索，匹配在该区域中将要发生的影响订单量变化的订单关联事件，获取订单关联事件的事件地点和事件日程，并对订单关联事件中参与人员的基本信息进行分析，获取事件参与信息。
73.具体的，图8示出了本发明实施例提供的系统中关联事件分析单元103的结构框图。
74.其中，在本发明提供的优选实施方式中，所述关联事件分析单元103具体包括：关联事件标记模块1031，用于通过大数据分析，标记对订单有影响的订单关联事件，并获取关联事件信息。
75.事件基础分析模块1032，用于对所述关联事件信息进行基础分析，得到事件地点和事件日程。
76.事件参与分析模块1033，用于对所述关联事件信息进行参与信息分析，得到事件参与信息。
77.进一步的，所述订单热度预测系统还包括：总订单修正预测单元104，用于根据所述事件日程和所述事件参与信息，对总订单预测数据进行修正，生成总订单修正预测数据。
78.在本发明实施例中，总订单修正预测单元104根据事件参与信息中参与人员的数量，对事件日程由于发生订单关联事件带来的订单量增加进行预测，得到事件预测订单数据，并将事件预测订单数据与总订单预测数据进行综合，得到事件日程当天的总订单修正预测数据。
79.商家订单修正预测单元105，用于根据所述事件地点、所述事件日程和所述事件参与信息，对商家订单预测数据进行修正，生成商家订单修正预测数据。
80.在本发明实施例中，商家订单修正预测单元105根据订单关联事件的事件地点和事件参与信息，标记事件影响商家和对应的地点影响指数与类型影响指数，预测订单关联事件对每个事件影响商家带来的订单增长，并综合商家订单预测数据进行订单修正，生成事件日程当天的商家订单修正预测数据。
81.在又一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：获取历史订单数据，对所述历史订单数据进行变化分析，生成订单变化数据，并基
于所述订单变化数据和所述历史订单数据进行订单预测，生成总订单预测数据；对所述历史订单数据进行商家订单分析，生成商家订单数据，并基于所述商家订单数据和所述总订单预测数据进行商家订单预测，生成商家订单预测数据；通过大数据进行订单关联事件分析，获取订单关联事件的事件地点和事件日程，并进行订单关联事件的参与信息分析，得到事件参与信息；根据所述事件日程和所述事件参与信息，对总订单预测数据进行修正，生成总订单修正预测数据；根据所述事件地点、所述事件日程和所述事件参与信息，对商家订单预测数据进行修正，生成商家订单修正预测数据。
82.综上所述，本发明实施例能够根据历史订单数据对总订单和商家订单进行科学而准确的预测，并且通过大数据进行订单关联事件分析，对订单关联事件附件的商家进行订单预测数据修正，得到商家订单修正预测数据，从而能够科学而准确的辅助指导商家进行订单准备。
83.应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
84.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
85.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
86.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
87.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。