基于历史数据预测结果的方法、装置及终端设备与流程

本申请涉及预测模型领域，特别涉及一种基于历史数据预测结果的方法、装置及终端设备。

背景技术：

随着信息技术的快速发展，营销商向厂家订货时通常需要考虑订单的物品量，避免所定的物品储量过少或者储量过少过多，但因为客户购买的不可控性，营销商无法确立较为精准的订单，导致物品的储量出现偏差。

现有技术中，用于预测用户购买产品的用户倾向模型的建立方式是，人工输入用户某一时间节点，向储存有用户图像的预设画像库中调取与时间节点对应的用户图像，分析用户图像的指定特征判断用户是否购买产品，以建立用户倾向模型，达到预测该用户下一阶段购买同类产品的效果，营销商可以根据预测结果进行统计，以确定准确的订单量。但不同的时间节点对应的用户图像不同，存在可能构建多个用户倾向模型的问题，导致出现多种不同的预测结果，精准性差。并且，人工的输入时间节点效率低。

技术实现要素：

本申请提供一种基于历史数据预测结果的方法、装置及终端设备，目的旨解决人工输入时间节点效率低，且解决可能出现多种不同的预测结果的技术问题。

为实现上述目的，本申请提供如下技术方案：

本申请提供一种基于历史数据预测结果的方法包括：

获取视频录像，然后定位所述视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；

对所述人脸图片进行去色，得到黑白灰人脸图片，然后根据所述黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；

在面部库有中查找是否存在与所述黑白灰人脸图片相匹配的用户面部图，所述用户面部图为黑白灰图片；

若存在，则在id库中调取与所述用户面部图预关联的用户id，并获取用户id标记出现指定行为的历史数据；

获取所述历史数据中用户出现指定行为的以不同时间长度作为单位的n个时间序列，其中，所述n为大于等于1的整数；

识别所述n个时间序列中用户出现指定行为时的操作特征，并载入所述操作特征至lstm模型，以通过所述lstm模型根据所述操作特征在所述n个时间序列中选择出最优时间序列，所述最优时间序列为若干个所述操作特征出现的时间节点符合周期规律的时间序列；

通过所述最优时间序列在一个周期的所述时间节点对应的实际结果作为下一周期的预测结果；

调取储量数据，所述储量数据包括物品余量，并判断所述物品余量是否大于所述预测结果的物品需求量；

若否，则计算所述物品余量与所述物品需求量的差值，并根据所述差值制作采购清单。

进一步地，所述识别所述n个时间序列中用户出现指定行为时的操作特征，并载入所述操作特征至lstm模型的步骤，包括：

所述操作特征包括用户操作画像，获取所述n个时间序列中各个周期的用户出现指定行为的时间节点对应的多个用户操作画像；

在所述多个用户操作画像中筛选出与预设操作画像匹配的m个用户操作画像，所述m为大于等于1的整数，所述预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像；

载入所述m个用户操作画像至所述lstm模型。

进一步地，所述用户操作画像的制作方法，包括：

获取所述用户登录网页后的操作流程和用户操作时间；

根据所述用户的操作流程和用户操作时间制作所述用户操作画像。

进一步地，所述在所述多个用户操作画像中筛选出于预设操作画像匹配的m个用户操作画像的步骤，包括：

识别所述多个用户操作画像中与所述预设操作画像相似度达到第一阈值的所述m个用户操作画像；

删除低于所述第一阈值的其它用户操作画像。

进一步地，所述通过所述最优时间序列在一个周期的所述时间节点对应的实际结果作为下一周期的预测结果的步骤之后，还包括：

判断所述下一周期的实际结果是否与所述预测结果相同；

若不相同，则延长所述最优时间序列的一个周期中的时间节点至下一周期中对应的时间节点，而建立新的周期。

进一步地，所述通过所述最优时间序列在一个周期的所述时间节点对应的实际结果作为下一周期的预测结果的步骤之后，还包括：

获取到用户id的再次出现指定行为的行为数据；

导入所述行为数据至所述id库，并将所述行为数据分类至所述用户id的历史购买文件夹中。

本申请提供一种基于历史数据预测结果的装置包括：

人脸识别单元，用于获取视频录像，然后定位所述视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；

图片处理单元，用于对所述人脸图片进行去色，得到黑白灰人脸图片，然后根据所述黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；

匹配单元，用于在面部库有中查找是否存在与所述黑白灰人脸图片相匹配的用户面部图，所述用户面部图为黑白灰图片；

id调取单元，用于若存在，则在id库中调取与所述用户面部图预关联的用户id，并获取用户id标记出现指定行为的历史数据；

时间序列获取单元，用于获取所述历史数据中用户出现指定行为的以不同时间长度作为单位的n个时间序列，其中，所述n为大于等于1的整数；

操作特征识别单元，用于识别所述n个时间序列中用户出现指定行为时的操作特征，并载入所述操作特征至lstm模型，以通过所述lstm模型根据所述操作特征在所述n个时间序列中选择出最优时间序列，所述最优时间序列为若干个所述操作特征出现的时间节点符合周期规律的时间序列；

预测单元，用于通过所述最优时间序列在一个周期的所述时间节点对应的实际结果作为下一周期的预测结果；

余量判断单元，用于调取储量数据，所述储量数据包括物品余量，并判断所述物品余量是否大于所述预测结果的物品需求量；

清单制作单元，用于若否，则计算所述物品余量与所述物品需求量的差值，并根据所述差值制作采购清单。

进一步地，所述操作特征识别单元包括：

图像获取模块，用于所述操作特征包括用户操作画像，获取所述n个时间序列中各个周期的用户出现指定行为的时间节点对应的多个用户操作画像；

图像筛选模块，用于在所述多个用户操作画像中筛选出与预设操作画像匹配的m个用户操作画像，所述m为大于等于1的整数，所述预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像；

图像载入模块，用于载入所述m个用户操作画像至所述lstm模型。

本申请还提供一种终端设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于历史数据预测结果的方法的步骤。

本申请还提供一种终端可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于历史数据预测结果的方法的步骤。

本申请提供了一种基于历史数据预测结果的方法、装置及终端设备，具有以下有益效果：

终端设备通过获取视频录像，然后定位视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；对人脸图片进行去色，得到黑白灰人脸图片，然后根据黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，用户面部图为黑白灰图片；若存在，则在id库中调取与用户面部图预关联的用户id，并获取用户id的历史数据，根据历史数据获取到用户出现指定行为的不同时间长度作为单位的n个时间序列，识别时间序列中用户出现指定行为的时间节点对应的操作特征，并载入操作特征至lstm模型，以通过lstm模型根据操作特征在n个时间序列中选择出最优时间序列，最终，终端设备通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果，并根据预测结果制作采购清单；从而解决人工输入时间节点效率低，且解决可能出现多种不同的预测结果的技术问题，且营销商可统计多个预测结果，以确认精准的订单量。

附图说明

图1为本申请一实施例中基于历史数据预测结果的方法的流程示意图；

图2为本申请另一实施例中基于历史数据预测结果的方法的流程示意图；

图3为本申请一实施例中基于历史数据预测结果的方法的流程示意图；

图4为本申请一实施例中基于历史数据预测结果的装置的结构框图；

图5为本申请又一实施例中的终端设备的结构示意框图。

本申请为目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参考附图1，为本申请提供一种基于历史数据预测结果的方法的流程示意图，包括：

s100，获取视频录像，然后定位视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；

s200，对人脸图片进行去色，得到黑白灰人脸图片，然后根据黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；

s300，在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，用户面部图为黑白灰图片；

s400，若存在，则在id库中调取与用户面部图预关联的用户id，并获取用户id标记出现指定行为的历史数据；

s500，获取历史数据中用户出现指定行为的以不同时间长度作为单位的n个时间序列，其中，n为大于等于1的整数；

s600，识别n个时间序列中用户出现指定行为时的操作特征，并载入操作特征至lstm模型，以通过lstm模型根据操作特征在n个时间序列中选择出最优时间序列，最优时间序列为若干个操作特征出现的时间节点符合周期规律的时间序列；

s700，通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果；

s800，调取储量数据，储量数据包括物品余量，并判断物品余量是否大于预测结果的物品需求量；

s900，若否，则计算物品余量与物品需求量的差值，并根据差值制作采购清单。

结合计算机设备做出解释说明，当工作者需要启用预测时，向计算机设备输入启动指令，计算机设备根据启动指令生成请求栏，请求栏由计算机设备的屏幕显示，请求工作者上传视频录像。计算机设备获取到工作者上传的视频录像后，定位录像中若干个用户的人脸，并截取若干个用户的人脸图片，随后，对人脸图片进行灰度化处理(即去色)，以得到黑白灰人脸图片，根据黑白灰人脸图片的灰度深浅进行加重或者淡化(即灰度越深则加重，灰度浅则淡化)，并对人脸边缘进行锐化突出，使得黑白灰人脸图片纹理清晰。在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，该用户面部图同为黑白灰图片，可以理解，人脸图片的内存占用量大于黑白灰人脸图片的内存占用量，故计算机设备匹配黑白灰人脸图片和用户面部图的速度优于匹配人脸图片和用户面部图的速度，即匹配效率提升；若存在，则从id库中调取与用户面部图预关联的用户id，id库为记录有用户出现指定行为历史以及用户编号的储存库，例如：用户购买a产品时，计算机设备记录a产品的产品信息、记录用户购买a产品时的当前时间节点以及将用户编号为1，即用户id为1在一个时间节点购买a产品。计算机设备从id库中调取用户id，同时获取与用户id对应的历史数据，依照历史数据所记录的用户购买产品的时间节点长度获取n个时间序列，即例如：用户在30天内分别购买3次a产品，则获取以月份为时间轴的时间序列；或者用户在1天内购买3次b产品，则获取一天时间长度的时间序列；以月份为时间轴的时间序列做进一步举例说明，用户在第一个30天内分别购买3次a产品，在第二个30天内分别购买2次a产品，即计算机设备获取到月份的时间序列，通过第一个30天和第二个30天推测下一个30天的产品购买量，但在第一个30天中用户购买的3次a产品分别在第一周、第二周和第三周进行购买的，则会以周建立时间序列，这样就导致出现n个时间序列；在用户购买产品时因为用户的选择购买时机不同、购买产品不同、购买次数不同会使计算机设备获取到n个时间序列。

当计算机设备获取到n个时间序列之后，计算机设备会识别n个时间序列中用户操作购买产品时的操作特征。随后，计算机设备将操作特征载入lstm模型(long-shorttermmemory、长短期记忆模型)，由lstm模型根据操作特征在n个时间序列中选择出最优时间序列，lstm模型选择最优时间序列的步骤为，lstm模型记录多个操作特征，并在历史数据中获取与多个操作特征相对应的多个时间节点，判断多个时间节点是否符合周期规律，即例如：以周作为时间序列做出说明，第一周的星期一出现操作特征，在第二周的星期一也出现操作特征，故lstm模型认为该时间序列符合周期规律；lstm模型输出选择结果至计算机设备，计算机设备接收到最优时间序列之后，通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果，即计算机设备推导出预测结果。

进一步地，计算机设备计算出预测结果后，调取储量数据，储量数据为工作人员补货出货时计算机设备所记录的数据，而用户每次出现指定行为而购货时，会减少货物储量；计算机设备盘古的那目前的物品余量是否大于预测结果的物品需求量，若小于，则计算机设备计算物品余量与物品需求量的差值，并根据差值生成采购清单，以供工作人员补货。

在一实施例中，识别n个时间序列中用户出现指定行为时的操作特征，并载入操作特征至lstm模型的步骤，包括：

s601，操作特征包括用户操作画像，获取n个时间序列中各个周期的用户操作购买产品的时间节点对应的多个用户操作画像；

s602，在多个用户操作画像中筛选出于预设操作画像匹配的m个用户操作画像，m为大于等于1的整数，预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像；

s603，载入m个用户操作画像至lstm模型。

当用户在购买某一产品时，计算机设备获取用户操作画像，同时获取当前时间节点，将用户操作画像归类于特征类，预设特征还包括电子页面变换、音频等，其中，用户操作画像即为用户购买产品时的用户操作流程和操作时间构成的画像，电子页面变换即为用户在购买产品而支付金额时其移动终端的页面变换，而音频为用户购买产品期间的音频。本实施例以用户操作画像做出解释说明，计算机设备获取时间序列中用户购买产品的时间节点对应的用户操作画像，并从画像库中寻找与该用户操作画像相似的预设操作画像，若计算机设备寻找到画像库中存在与用户操作画像高于第一阈值的预设操作画像，则载入用户操作画像至所述lstm模型，其中第一阈值为80％，即当用户操作画像与预设操作的相似度高于或等于80％时，载入用户操作画像至所述lstm模型，有lstm模型根据用户操作画像在n个时间序列中确认出最优时间序列。另一情况，若不存在于用户操作画像一致的照片，则该用户操作画像不列为特征类。

在另一实施例，计算机设备判断电子页面的变换顺序，需要说明，当前现有的电子支付方式有，刷卡支付、微信支付、支付宝支付，计算机设备先获取三者的支付顺序图片；当识别出时间序列中用户倾向购买产品的时间节点对应的支付顺序时，判断该支付顺序是否与设定的支付顺序相匹配，若匹配，则载入该支付特征至lstm模型，在lstm模型中列为需要购买类；若不匹配，则也载入该支付特征至lstm模型，但在lstm模型中列为犹豫购买类。由lstm模型根据犹豫购买类和需要购买类的支付顺序，在n个时间序列中选取需要购买类数目最多的作为最优时间序列。

在又一实施例，用户购买产品时，计算机设备获取用户的音频，并载入该音频至音频库，与上述图像查找方式相同，计算机设备从音频库中查找是否存在与音频对应的音频数据，若存在，载入音频至lstm模型，若不存在，则该音频不列为特征类。

进一步的，用户操作画像的制作方法，包括：

s604，获取用户登录网页后的操作流程和用户操作时间；

s605，根据用户的操作流程和用户操作时间制作用户操作画像。

由上述可知，预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像，计算机设备通过用户操作流程判断用户是否购买，通过用户操作时间辨识出用户是否犹豫。例如：用户通过终端点餐，在购买结账的终端界面突然不想购买而退出购买界面，终端会根据此操作流程判断用户画像。

在一实施例中，在多个用户操作画像中筛选出于预设操作画像匹配的m个用户操作画像的步骤，包括：

s606，识别多个用户操作画像中与预设操作画像相似度达到第一阈值的m个用户操作画像；

s607，删除低于第一阈值的其它用户操作画像。

目的为筛选出有用的用户操作画像，其技术手段为，在计算机设备通过用户操作流程和用户操作时间制作出用户操作画像后，判断该用户操作画像是否与预设的操作画像相似度达到第一阈值，若达到则保留m个用户操作画像，将m个用户操作画像导入至lstm模型中。而其余低于第一阈值的其它用户操作画像则被删除。

参考表1，在一实施例中，通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果的步骤s700，包括：

通过用户id、最优时间序列和操作特征建立预测表格；

解析预测表格，通过历史实际结果计算出下一周期的预测结果，并记录与历史实际结果对应的操作特征。

通过建立预测表格更加直观的使计算机设备推导出预测结果，表格如下：

表1

由表可知，计算机设备通过最优时间序列的多个周期的循环对比，达到预测的效果；以举例示明，用户a1在第一周期出现了特征a、b、c，其历史数据为已购；在最优时间序列的第二周期时用户出现了特征a、b、d，故计算机设备得出结论，a、b、c、d均有用户会购买的特征；第三周期参照第二周期的实际结果做出预测为是，但实际实际结果为否，且操作特征中出现第一、二周期没有的特征e，故计算机设备记录特征e为不购买特征。可以理解，第3周期的实际结果与第1、第2周期不同，故第1、2、3建立新的周期，故推导出第4周期与第1周期相似，从而计算机设备输出第4周期的预测结果为第1周期的实际结果，在本例中为是。

参考附图2，为为本申请提出的基于历史数据预测结果的方法一实施例的流程示意图在一个实施例中，通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果的步骤s700之后：

s701，判断下一周期的实际结果是否与预测结果相同；

s702，若不相同，则延长最优时间序列的一个周期中的时间节点至下一周期中对应的时间节点，而建立新的周期。

即如上述表格可知，第1周期为一个周期，在计算机设备预测第2周期是会以第1周期作为预测参照，第3周期则参照第2周期的实际结果进行预测，但第3周期所记录的实际结果与第2周期不同，故第1、第2、第3周期建立一个新的周期，以对应推导出第4周期以第一周期作为参考，若第4周期还是与第1周期不相匹配，则再次延长周期至第1、第2、第3、第4周期为一个周期，以此作为模型的训练方式，逐步优化计算机的预测结果，使预测结果越来越准确。

参考附图3，为本申请提出的基于历史数据预测结果的方法一实施例的流程示意图，通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果，并输出预测结果的步骤s700之后，包括：

s710，获取到用户id的再次出现指定行为的行为数据；

s720，导入行为数据至id库，并将行为数据分类至用户id的历史购买文件夹中。

计算机设备在此获取到同一个用户id的再次购买信息时，计算机设备获取用户id对应的再次购买信息，并将再次购买信息归类之id库中的用户id的历史购买文件夹中，已记录用户的所有购买信息，通过用户的购买信息以验证计算机设备所输出的预测结果是否正确，例如：计算机设备输出的预测结果为用户不会购买a产品，但在再次购买信息中包含有a产品，即判定预测结果不正确，计算机设备执行上述步骤s44的步骤。另一情况，若计算机设备输出的预测结果为用户不会购买b产品，且在再次购买信息中不包括b产品，故判定预测结果正确，计算机设备则依照最优实现序列的周期情况做下一周期的预测结果计算。

参考附图4，为本申请提出的一种基于历史数据预测结果的装置的结构框图，包括：

人脸识别单元1，用于获取视频录像，然后定位视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；

图片处理单元2，用于对人脸图片进行去色，得到黑白灰人脸图片，然后根据黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；

匹配单元3，用于在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，用户面部图为黑白灰图片；

id调取单元4，用于调取id库中的用户id，并获取用户id标记出现指定行为的历史数据；

时间序列获取单元5，用于获取历史数据中用户出现指定行为的以不同时间长度为单位的n个时间序列，其中，n为大于等于1的整数；

操作特征识别单元6，用于识别n个时间序列中用户出现指定行为时的操作特征，并载入操作特征至lstm模型，以通过lstm模型根据操作特征在n个时间序列中选择出最优时间序列，最优时间序列为若干个操作特征出现的时间节点符合周期规律的时间序列；

预测单元7，用于通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果；

余量判断单元8，用于调取储量数据，储量数据包括物品余量，并判断物品余量是否大于预测结果的物品需求量；

清单制作单元9，用于若否，则计算物品余量与物品需求量的差值，并根据差值制作采购清单。

结合计算机设备做出解释说明，当工作者需要启用预测时，向计算机设备输入启动指令，计算机设备根据启动指令生成请求栏，请求栏由计算机设备的屏幕显示，请求工作者上传视频录像。计算机设备获取到工作者上传的视频录像后，定位录像中若干个用户的人脸，并截取若干个用户的人脸图片，随后，对人脸图片进行灰度化处理(即去色)，以得到黑白灰人脸图片，根据黑白灰人脸图片的灰度深浅进行加重或者淡化(即灰度越深则加重，灰度浅则淡化)，并对人脸边缘进行锐化突出，使得黑白灰人脸图片纹理清晰。在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，该用户面部图同为黑白灰图片，可以理解，人脸图片的内存占用量大于黑白灰人脸图片的内存占用量，故计算机设备匹配黑白灰人脸图片和用户面部图的速度优于匹配人脸图片和用户面部图的速度，即匹配效率提升；若存在，则从id库中调取与用户面部图预关联的用户id，id库为记录有用户购买历史以及用户编号的储存库，例如：用户购买a产品时，计算机设备记录a产品的产品信息、记录用户购买a产品时的当前时间节点以及将用户编号为1，即用户id为1在一个时间节点购买a产品。计算机设备从id库中调取用户id，同时获取与用户id对应的历史数据，依照历史数据所记录的用户购买产品的时间节点长度获取n个时间序列，即例如：用户在30天内分别购买3次a产品，则获取以月份为时间轴的时间序列；或者用户在1天内购买3次b产品，则获取一天时间长度的时间序列；以月份为时间轴的时间序列做进一步举例说明，用户在第一个30天内分别购买3次a产品，在第二个30天内分别购买2次a产品，即计算机设备获取到月份的时间序列，通过第一个30天和第二个30天推测下一个30天的产品购买量，但在第一个30天中用户购买的3次a产品分别在第一周、第二周和第三周进行购买的，则会以周建立时间序列，这样就导致出现n个时间序列；在用户购买产品时因为用户的选择购买时机不同、购买产品不同、购买次数不同会使计算机设备获取到n个时间序列。

当计算机设备获取到n个时间序列之后，计算机设备会识别n个时间序列中用户操作购买产品时的操作特征。随后，计算机设备将操作特征载入lstm模型(long-shorttermmemory、长短期记忆模型)，由lstm模型根据操作特征在n个时间序列中选择出最优时间序列，lstm模型选择最优时间序列的步骤为，lstm模型记录多个操作特征，并在历史数据中获取与多个操作特征相对应的多个时间节点，判断多个时间节点是否符合周期规律，即例如：以周作为时间序列做出说明，第一周的星期一出现操作特征，在第二周的星期一也出现操作特征，故lstm模型认为该时间序列符合周期规律；lstm模型输出选择结果至计算机设备，计算机设备接收到最优时间序列之后，通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果，即计算机设备推导出预测结果。

进一步地，计算机设备计算出预测结果后，调取储量数据，储量数据为工作人员补货出货时计算机设备所记录的数据，而用户每次出现指定行为而购货时，会减少货物储量；计算机设备盘古的那目前的物品余量是否大于预测结果的物品需求量，若小于，则计算机设备计算物品余量与物品需求量的差值，并根据差值生成采购清单，以供工作人员补货。

在一实施例中，操作特征识别单元包括：

图像获取模块，用于操作特征包括用户操作画像，获取n个时间序列中各个周期的用户操作购买产品的时间节点对应的多个用户操作画像；

图像筛选模块，用于在多个用户操作画像中筛选出于预设操作画像匹配的m个用户操作画像，m为大于等于1的整数，预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像；

图像载入模块，用于载入m个用户操作画像至lstm模型。

当用户在购买某一产品时，计算机设备获取用户操作画像，同时获取当前时间节点，将用户操作画像归类于特征类，预设特征还包括电子页面变换、音频等，其中，用户操作画像即为用户购买产品时的用户操作流程和操作时间构成的画像，电子页面变换即为用户在购买产品而支付金额时其移动终端的页面变换，而音频为用户购买产品期间的音频。本实施例以用户操作画像做出解释说明，计算机设备获取时间序列中用户购买产品的时间节点对应的用户操作画像，并从画像库中寻找与该用户操作画像相似的预设操作画像，若计算机设备寻找到画像库中存在与用户操作画像高于第一阈值的预设操作画像，则载入用户操作画像至所述lstm模型，其中第一阈值为80％，即当用户操作画像与预设操作的相似度高于或等于80％时，载入用户操作画像至所述lstm模型，有lstm模型根据用户操作画像在n个时间序列中确认出最优时间序列。另一情况，若不存在于用户操作画像一致的照片，则该用户操作画像不列为特征类。

在另一实施例，计算机设备判断电子页面的变换顺序，需要说明，当前现有的电子支付方式有，刷卡支付、微信支付、支付宝支付，计算机设备先获取三者的支付顺序图片；当识别出时间序列中用户倾向购买产品的时间节点对应的支付顺序时，判断该支付顺序是否与设定的支付顺序相匹配，若匹配，则载入该支付特征至lstm模型，在lstm模型中列为需要购买类；若不匹配，则也载入该支付特征至lstm模型，但在lstm模型中列为犹豫购买类。由lstm模型根据犹豫购买类和需要购买类的支付顺序，在n个时间序列中选取需要购买类数目最多的作为最优时间序列。

在又一实施例，用户购买产品时，计算机设备获取用户的音频，并载入该音频至音频库，与上述图像查找方式相同，计算机设备从音频库中查找是否存在与音频对应的音频数据，若存在，载入音频至lstm模型，若不存在，则该音频不列为特征类。

进一步的，图像获取模块包括：

资料获取子模块，获取用户的登录用于购买产品的网页后的操作流程和用户操作时间；

图像制作子模块，根据用户的操作流程和用户操作时间制作用户操作画像。

由上述可知，预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像，计算机设备通过用户操作流程判断用户是否购买，通过用户操作时间辨识出用户是否犹豫。例如：用户通过终端点餐，在购买结账的终端界面突然不想购买而退出购买界面，终端会根据此操作流程判断用户画像。

在一实施例中，图像筛选模块包括：

阈值识别子模块，识别多个用户操作画像中与预设操作画像相似度达到第一阈值的m个用户操作画像；

图像删除子模块，删除低于第一阈值的其它用户操作画像。

目的为筛选出有用的用户操作画像，其技术手段为，在计算机设备通过用户操作流程和用户操作时间制作出用户操作画像后，判断该用户操作画像是否与预设的操作画像相似度达到第一阈值，若达到则保留m个用户操作画像，将m个用户操作画像导入至lstm模型中。而其余低于第一阈值的其它用户操作画像则被删除。

在一实施例中，基于历史数据预测结果的装置还包括：

结果判断单元，用于判断下一周期的实际结果是否与预测结果相同；

周期延长单元，用于若不相同，则延长最优时间序列的一个周期中的时间节点至下一周期中对应的时间节点，而建立新的周期。

第1周期为一个周期，在计算机设备预测第2周期是会以第1周期作为预测参照，第3周期则参照第2周期的实际结果进行预测，但第3周期所记录的实际结果与第2周期不同，故第1、第2、第3周期建立一个新的周期，以对应推导出第4周期以第一周期作为参考，若第4周期还是与第1周期不相匹配，则再次延长周期至第1、第2、第3、第4周期为一个周期，以此作为模型的训练方式，逐步优化计算机的预测结果，使预测结果越来越准确。

在一实施例中，基于历史数据预测结果的装置还包括：

再次购买单元，用于获取到用户id的再次出现指定行为的行为数据；

分类单元，用于导入行为数据至id库，并将行为数据分类至用户id的历史购买文件夹中。

计算机设备在此获取到同一个用户id的再次购买信息时，计算机设备获取用户id对应的再次购买信息，并将再次购买信息归类之id库中的用户id的历史购买文件夹中，已记录用户的所有购买信息，通过用户的购买信息以验证计算机设备所输出的预测结果是否正确，例如：计算机设备输出的预测结果为用户不会购买a产品，但在再次购买信息中包含有a产品，即判定预测结果不正确，计算机设备执行上述步骤s44的步骤。另一情况，若计算机设备输出的预测结果为用户不会购买b产品，且在再次购买信息中不包括b产品，故判定预测结果正确，计算机设备则依照最优实现序列的周期情况做下一周期的预测结果计算。

参照图5，本申请实施例中还提供一种终端设备，该终端设备可以是服务器，其内部结构可以如图5所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的数据库用于存储历史数据等数据。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于历史数据预测结果的方法。

上述处理器执行上述基于历史数据预测结果的方法的步骤，包括：

获取视频录像，然后定位视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；

对人脸图片进行去色，得到黑白灰人脸图片，然后根据黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；

在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，用户面部图为黑白灰图片；

若存在，则在id库中调取与用户面部图预关联的用户id，并获取用户id标记出现指定行为的历史数据；

获取历史数据中用户出现指定行为的以不同时间长度作为单位的n个时间序列，其中，n为大于等于1的整数；

识别n个时间序列中用户出现指定行为时的操作特征，并载入操作特征至lstm模型，以通过lstm模型根据操作特征在n个时间序列中选择出最优时间序列，最优时间序列为若干个操作特征出现的时间节点符合周期规律的时间序列；

通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果；

调取储量数据，储量数据包括物品余量，并判断物品余量是否大于预测结果的物品需求量；

若否，则计算物品余量与物品需求量的差值，并根据差值制作采购清单。

在一个实施例中，上述处理器执行识别n个时间序列中用户出现指定行为时的操作特征，并载入操作特征至lstm模型的步骤，包括：

操作特征包括用户操作画像，获取n个时间序列中各个周期的用户出现指定行为的时间节点对应的多个用户操作画像；

在多个用户操作画像中筛选出与预设操作画像匹配的m个用户操作画像，m为大于等于1的整数，预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像；

载入m个用户操作画像至lstm模型。

在一个实施例中，上述处理器执行用户操作画像的制作方法，包括：

获取用户登录网页后的操作流程和用户操作时间；

根据用户的操作流程和用户操作时间制作用户操作画像。

在一个实施例中，上述处理器执行在多个用户操作画像中筛选出于预设操作画像匹配的m个用户操作画像的步骤，包括：

识别多个用户操作画像中与预设操作画像相似度达到第一阈值的m个用户操作画像；

删除低于第一阈值的其它用户操作画像。

在一个实施例中，上述处理器执行通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果的步骤之后，还包括：

判断下一周期的实际结果是否与预测结果相同；

若不相同，则延长最优时间序列的一个周期中的时间节点至下一周期中对应的时间节点，而建立新的周期。

在一个实施例中，上述处理器执行通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果的步骤之后，还包括：

获取到用户id的再次出现指定行为的行为数据；

导入行为数据至id库，并将行为数据分类至用户id的历史购买文件夹中。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端设备的限定。

本申请一实施例还提供一种终端可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于历史数据预测结果的方法的步骤，具体为：

获取视频录像，然后定位视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；

对人脸图片进行去色，得到黑白灰人脸图片，然后根据黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；

在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，用户面部图为黑白灰图片；

若存在，则在id库中调取与用户面部图预关联的用户id，并获取用户id标记出现指定行为的历史数据；

获取历史数据中用户出现指定行为的以不同时间长度作为单位的n个时间序列，其中，n为大于等于1的整数；

识别n个时间序列中用户出现指定行为时的操作特征，并载入操作特征至lstm模型，以通过lstm模型根据操作特征在n个时间序列中选择出最优时间序列，最优时间序列为若干个操作特征出现的时间节点符合周期规律的时间序列；

通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果；

调取储量数据，储量数据包括物品余量，并判断物品余量是否大于预测结果的物品需求量；

若否，则计算物品余量与物品需求量的差值，并根据差值制作采购清单。

在一个实施例中，上述处理器执行识别n个时间序列中用户出现指定行为时的操作特征，并载入操作特征至lstm模型的步骤，包括：

操作特征包括用户操作画像，获取n个时间序列中各个周期的用户出现指定行为的时间节点对应的多个用户操作画像；

在多个用户操作画像中筛选出与预设操作画像匹配的m个用户操作画像，m为大于等于1的整数，预设操作画像包括确认购买画像、犹豫购买画像、犹豫不购买画像和不购买画像；

载入m个用户操作画像至lstm模型。

在一个实施例中，上述处理器执行用户操作画像的制作方法，包括：

获取用户登录网页后的操作流程和用户操作时间；

根据用户的操作流程和用户操作时间制作用户操作画像。

在一个实施例中，上述处理器执行在多个用户操作画像中筛选出于预设操作画像匹配的m个用户操作画像的步骤，包括：

识别多个用户操作画像中与预设操作画像相似度达到第一阈值的m个用户操作画像；

删除低于第一阈值的其它用户操作画像。

在一个实施例中，上述处理器执行通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果的步骤之后，还包括：

判断下一周期的实际结果是否与预测结果相同；

若不相同，则延长最优时间序列的一个周期中的时间节点至下一周期中对应的时间节点，而建立新的周期。

在一个实施例中，上述处理器执行通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果的步骤之后，还包括：

获取到用户id的再次出现指定行为的行为数据；

导入行为数据至id库，并将行为数据分类至用户id的历史购买文件夹中。

综上，通过获取视频录像，然后定位视频录像中若干个用户的人脸，并截取若干个用户的人脸图片；对人脸图片进行去色，得到黑白灰人脸图片，然后根据黑白灰人脸图片的灰度深浅进行加重或者淡化，并对黑白灰人脸图片的人脸边缘进行锐化；在面部库有中查找是否存在与黑白灰人脸图片相匹配的用户面部图，用户面部图为黑白灰图片；若存在，则在id库中调取与用户面部图预关联的用户id，并获取用户id的历史数据，根据历史数据获取到用户购买产品的不同时间长度为单位的n个时间序列，识别时间序列中用户倾向购买产品的时间节点对应的操作特征，并载入操作特征至lstm模型，以通过lstm模型根据操作特征在n个时间序列中选择出最优时间序列，最终，终端设备通过最优时间序列在一个周期的时间节点对应的实际结果作为下一周期的预测结果，并根据预测结果制作采购清单；从而解决人工输入时间节点效率低，且解决可能出现多种不同的预测结果的技术问题，且营销商可统计多个预测结果，以确认精准的订单量。

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，的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和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。非易失性存储器可以包括只读存储器(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通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、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。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

尽管已经示出和描述了本申请的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由所附权利要求及其等同物限定。