物料价格预测方法、装置、计算机设备和存储介质与流程

本发明涉及数据处理，特别是涉及物料价格预测方法、装置、计算机设备和存储介质。

背景技术：

1、预知物料未来价格，可以协助企业策采业务人员提前把控市场变化方向，及时调整物料采购数量、采购时间以及投资策略，降低企业因外部市场未知变动影响导致的利益损失幅度，协助企业规避风险。

2、相关技术中，物料价格预测方案中大多是基于产品属性特征、自身历史价格数据、关联产品价格数据以及外部宏观经济因子来建立预测模型实现未来一段时间的价格预测，但是对于电子物料这种产品，它的价格变动一定程度上受上下游供需市场、供应商垄断分布、产品竞争关系等联动因素影响，从而容易出现预测价格和实际价格相差较大的情况

3、因此，需要融合知识图谱特征的物料价格预测模型，深入挖掘物料市场联动影响因素的物料价格预测方案。

技术实现思路

1、基于此，提供一种物料价格预测方法、装置、计算机设备和存储介质。

2、第一方面提供了一种物料价格预测方法，包括：

3、获取目标物料的历史数据，所述历史数据包括产业链知识图谱中所述目标物料相关的三元组以及所述目标物料在预设历史时间段内的历史价格；

4、将所述三元组输入预置的价格预测模型，得到所述三元组对应的节点嵌入向量；

5、将所述历史价格输入所述价格预测模型，得到所述历史价格对应的序列嵌入向量；

6、通过所述价格预测模型根据所述节点嵌入向量和所述序列嵌入向量，得到所述目标物料的价格预测结果。

7、在一些实施中，所述价格预测模型包括预训练的翻译模型和预训练的图神经网络模型；

8、所述将所述三元组输入预置的价格预测模型，得到所述三元组对应的节点嵌入向量，包括：

9、将所述三元组的各个节点分别表示成向量，得到所述三元组对应的语义向量；其中，各个所述三元组包括头节点、关系和尾节点，所述语义向量包括：所述头节点的头节点向量、所述关系的关系向量以及所述尾节点的尾节点向量；

10、将所述语义向量输入所述翻译模型，得到包含节点相关信息的节点嵌入向量；

11、通过图神经网络模型根据所述三元组的节点的邻域信息对所述嵌入向量进行多次卷积操作，获得更新后的节点嵌入向量。

12、在一些实施中，所述物料价格预测方法还包括：预训练所述翻译模型；其中，所述预训练所述翻译模型包括：

13、从产业链知识图谱中提取与训练物料相关的训练三元组；

14、确定所述训练三元组的训练语义向量；

15、根据预设的投影矩阵将所述训练语义向量的头节点向量和尾节点向量分别投影到对应的关系空间，得到正样本三元组向量，所述正样本三元组向量包括：头节点投影向量、关系向量和尾节点投影向量；

16、将正样本三元组向量的头节点投影向量随机替换为其他正样本三元组向量的头节点投影向量，将正样本三元组向量的尾节点投影向量随机替换为其他正样本三元组向量的尾节点投影向量，得到负样本三元组向量；

17、将正样本三元组向量和负样本三元组向量输入翻译模型，根据第一损失函数对所述翻译模型进行优化训练，其中所述第一损失函数表征所述三元组中节点之间的相关性。

18、在一些实施中，所述通过图神经网络模型根据所述三元组的节点的邻域信息对所述嵌入向量进行多次卷积操作，得到更新后的节点嵌入向量，包括：

19、根据所述三元组的节点之间边的权重，构建节点的k阶邻域拓扑矩阵；

20、根据各节点上一次卷积操作输出的节点嵌入向量、所述k阶邻域拓扑矩阵和图卷积权重参数矩阵，得到各节点的当前节点嵌入向量；

21、其中，各节点的当前节点嵌入向量是利用所述图神经网络模型对所述拓扑图矩阵进行第c次卷积操作后的获得的节点嵌入向量，c为大于1的正整数；

22、根据各节点的当前节点嵌入向量，得到更新后的节点嵌入向量。

23、在一些实施中，所述根据各节点的当前节点嵌入向量，得到更新后的节点嵌入向量，包括：

24、通过权重矩阵作用到所述三元组的节点，计算从尾节点通过关系传播到头节点中的信息数目；

25、计算每个一阶邻域节点对当前节点的影响权重；

26、通过一阶邻域的线性组合函数对节点向量嵌入表示进行加权更新。

27、在一些实施中，所述价格预测模型包括长短期记忆网络模型；

28、将所述历史价格输入所述价格预测模型，得到所述历史价格对应的序列嵌入向量，包括：

29、对所述历史价格数据进行归一化处理；

30、将归一化处理后的归一化数据输入所述长短期记忆网络模型，得到所述历史价格对应的序列嵌入向量。

31、在一些实施中，所述价格预测模型包括带有线性激活函数的全连接层；

32、所述通过所述价格预测模型根据所述节点嵌入向量和所述序列嵌入向量，得到所述目标物料的价格预测结果，包括：

33、将所述节点嵌入向量和所述序列嵌入向量的拼接向量输入所述带有线性激活函数的全连接层，得到所述目标物料的价格预测结果。

34、在一些实施中，所述获取目标物料的历史数据，包括：

35、从所述产业链知识图谱中提取所述目标物料的属性三元组和关系三元组，所述属性三元组表征所述目标物料的本身特性，所述关系三元组表征所述目标物料的上、下游产业链。

36、第二方面提供了一种物料价格预测装置，包括：

37、数据输入单元，用于获取目标物料的历史数据，所述历史数据包括产业链知识图谱中所述目标物料相关的三元组以及所述目标物料在预设历史时间段内的历史价格；

38、第一向量表示单元，将所述三元组输入预置的价格预测模型，得到所述三元组对应的节点嵌入向量；

39、第二向量表示单元，将所述历史价格输入所述价格预测模型，得到所述历史价格对应的序列嵌入向量；

40、结果输出单元，通过所述价格预测模型根据所述节点嵌入向量和所述序列嵌入向量，得到所述目标物料的价格预测结果。

41、第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述物料价格预测方法的步骤。

42、第四方面提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述物料价格预测方法的步骤。

43、上述物料价格预测方法、装置、计算机设备和存储介质，该方法首先获取目标物料的历史数据，历史数据包括产业链知识图谱中目标物料相关的三元组以及目标物料在预设历史时间段内的历史价格；然后将三元组输入预置的价格预测模型，得到三元组对应的节点嵌入向量；将历史价格输入价格预测模型，得到历史价格对应的序列嵌入向量；最后通过价格预测模型根据节点嵌入向量和序列嵌入向量，得到目标物料的价格预测结果。因此，从数据利用率的角度来看，充分利用了物料产品的属性信息、价格信息以及产业链知识图谱中的上下游关联信息，相比业务经验提供的信息更为客观全面。在特征构建方面，融合了产业链知识图谱关系三元组特征以及价格序列特征，能够充分将物料的影响关系以及价格趋势信息表征，提升模型的学习能力。价格预测模型能够很好地提炼图谱节点和关系信息。其次每个序列数据采用两层lstm层进行序列 embedding特征构建，模型贴合数据特征，学到更多隐藏信息，从而，在预测物料价格过程中，降低了对业务主观经验的依赖性，充分考虑物料所在业务场景，创造性地提出将融合产业链知识图谱邻域信息的物料节点特征与历史价格趋势特征进行融合，然后输入到预测模型中进行预测，该模型能充分反映市场变化关系，可以更精准地预测推断物料的市场价格波动情况。