业务数据处理方法、装置、计算机介质及电子设备与流程

1.本技术涉及计算机及数据处理技术领域，具体而言，涉及一种业务数据处理方法、装置、计算机介质及电子设备。


背景技术：

2.在业务数据处理场景中，比如在业务数据预测场景中，通常是通过被预测业务对象在历史上的业务数据构造预测模型，然后基于该预测模型来对被预测业务对象在未来的业务数据进行预测。然而，在一些情况下，由于被预测业务对象的在历史上的业务数据存在缺失，或者不够全面，导致无法准确预测被预测业务对象在未来的业务数据。基于此，如何提高针对业务数据预测的准确性是亟待解决的技术问题。


技术实现要素：

3.本技术的实施例提供了一种业务数据处理方法、装置、计算机程序产品或计算机程序、计算机介质及电子设备，进而至少在一定程度上可以提高针对业务数据预测的准确性。
4.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。
5.根据本技术实施例的一个方面，提供了一种业务数据处理方法，所述方法包括：获取目标业务范围内的参考业务分别在多个历史周期内的业务数据，作为参考业务数据，所述目标业务范围内的业务具有至少一个相同的业务属性；对每一个参考业务对应的参考业务数据进行无量纲化处理，得到业务数据特征值；通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型；基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
6.根据本技术实施例的一个方面，提供了一种业务数据处理装置，所述装置包括：获取单元，用于获取目标业务范围内的参考业务分别在多个历史周期内的业务数据，作为参考业务数据，所述目标业务范围内的业务具有至少一个相同的业务属性；无量纲化处理单元，用于对每一个参考业务对应的参考业务数据进行无量纲化处理，得到业务数据特征值；训练单元，用于通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型；预测单元，用于基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
7.在本技术的一些实施例中，基于前述方案，所述无量纲化处理单元配置为如下任意一种：通过极值化方法对每一个参考业务对应的参考业务数据进行无量纲化处理；通过标准化方法对每一个参考业务对应的参考业务数据进行无量纲化处理；通过均值化方法对每一个参考业务对应的参考业务数据进行无量纲化处理；通过标准差化方法对每一个参考业务对应的参考业务数据进行无量纲化处理。
8.在本技术的一些实施例中，基于前述方案，所述训练单元配置为：基于所述业务数
据特征值，构建多个训练样本，其中，每一个训练样本中包括所述参考业务分别在任意至少两个历史周期内的业务数据所对应的业务数据特征值；基于所述多个训练样本，训练机器学习模型，得到业务数据预测模型。
9.在本技术的一些实施例中，基于前述方案，所述机器学习模型包括线性模型，决策树模型，svm模型，深度学习模型中的任意一种。
10.在本技术的一些实施例中，基于前述方案，所述预测单元配置为：获取所述待测业务在历史周期内的业务数据，作为待测业务数据；基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据。
11.在本技术的一些实施例中，基于前述方案，所述训练单元还配置为：在基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据之后，获取所述待测业务在待测周期内的实际业务数据；基于所述预测业务数据与所述实际业务数据之间的差异，通过梯度反向传递对所述业务数据预测模型中的隐层参数进行校正，所述校正后的业务数据预测模型用于下一次对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
12.在本技术的一些实施例中，基于前述方案，所述业务包括商品销售业务，所述业务数据包括商品销售业务的销量数据。
13.根据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机介质中。计算机设备的处理器从计算机介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中所述的业务数据处理方法。
14.根据本技术实施例的一个方面，提供了一种计算机介质，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如上述实施例中所述的业务数据处理方法。
15.根据本技术实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的业务数据处理方法。
16.在本技术的一些实施例所提供的技术方案中，通过对与待测业务同属相同业务范围的参考业务的参考业务数据进行无量纲化处理而得到的业务数据特征值，训练机器学习模型得到业务数据预测模型，并通过该得到的业务数据预测模型预测待测业务在待测周期内的业务数据。由于参考业务与待测业务同属一个业务范围，二者具有相同的业务属性，因此，通过参考业务对应的业务数据特征值训练的业务数据预测模型具有准确预测待测业务在待测周期内的业务数据的能力。因此，在待测业务缺乏在历史周期内的业务数据时，可以避免无法通过待测业务在历史周期内的业务数据准确预测待测业务在待测周期内业务数据的情况发生，因此，本技术实施例可以提高针对业务数据预测的准确性。
17.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
18.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术
的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
19.图1示出了可以应用本技术实施例的技术方案的示例性系统架构的示意图；
20.图2示出了根据本技术一个实施例的业务数据处理方法的流程图；
21.图3示出了根据本技术一个实施例的通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型的细节流程图；
22.图4示出了根据本技术一个实施例的基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测的细节流程图；
23.图5示出了根据本技术一个实施例的在基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据之后的方法流程图；
24.图6示出了根据本技术一个实施例的业务数据处理方法的整体流程图；
25.图7示出了根据本技术一个实施例的业务数据处理装置的框图；
26.图8示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
27.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
28.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
29.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
30.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
31.需要说明的是：在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
32.需要注意的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在图示或描述的那些以外的顺序实施。
33.本技术中的实施例有涉及到关于人工智能的技术，即通过人工智能实现了对数据(例如业务数据)的完全自动化处理。人工智能(artificialintelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用
知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
34.图1示出了可以应用本技术实施例的技术方案的示例性系统架构的示意图。
35.如图1所示，系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等，但并不局限于此，本技术在此不做限制)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
36.在本技术的一个实施例中，服务器105可以从终端设备中获取目标业务范围内的参考业务分别在多个历史周期内的业务数据，以此作为参考业务数据，其中，所述目标业务范围内的业务具有至少一个相同的业务属性，然后，服务器105对每一个参考业务对应的参考业务数据进行无量纲化处理，得到业务数据特征值，并通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型，最后，服务器105基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
37.在本实施例中，通过利用同一业务范围内参考业务数据对应的业务数据特征值，训练机器学习模型得到业务数据预测模型，并通过该得到的业务数据预测模型预测相同业务范围内的待测业务在待测周期内的业务数据。基于此，在待测业务缺乏在历史周期内的业务数据时，可以避免无法通过待测业务在历史周期内的业务数据准确预测待测业务在待测周期内业务数据的情况发生，因此，本技术实施例可以提高针对业务数据预测的准确性。
38.需要说明的是，本技术实施例所提供的业务数据处理方法可以由服务器105执行，相应地，业务数据处理装置一般设置于服务器105中。但是，在本技术的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本技术实施例所提供的业务数据处理方案。
39.还需要说明的是，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
40.需要解释的是，如上所述的云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展。通过建立云计算资源池(简称云平台，一般称为iaas(infrastructure as a service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。
41.以下对本技术实施例的技术方案的实现细节进行详细阐述：
42.图2示出了根据本技术一个实施例的业务数据处理方法的流程图，该业务数据处理方法可以由具有计算处理功能的设备来执行，比如可以由图1中所示的服务器105或者终
端设备来执行。参照图2所示，该业务数据处理方法至少包括步骤210至步骤270，详细介绍如下：
43.在步骤210中，获取目标业务范围内的参考业务分别在多个历史周期内的业务数据，作为参考业务数据，所述目标业务范围内的业务具有至少一个相同的业务属性。
44.在本技术中，所述业务可以包括商品销售业务，所述业务数据可以包括商品销售业务的销量数据。
45.比如，商品销售业务具体可以指家电类商品的销售业务场景。其中，家电类商品的销售业务可以包括冰箱销售业务，空调销售业务，电风扇销售业务等等。
46.在本技术中，可以将获取到的目标业务范围内的参考业务分别在多个历史周期内的业务数据作为参考业务数据，其中，目标业务范围内的业务具有至少一个相同的业务属性。
47.比如，在商品销售业务场景为家电类商品的销售业务场景时，目标业务范围的业务可以包括冰箱销售业务，空调销售业务，电风扇销售业务，其中，三者至少具备的相同业务属性就可以是“在夏季具有高使用率”。
48.进一步的，目标业务范围的参考业务可以是冰箱销售业务和空调销售业务。其中，冰箱销售业务和空调销售业务在多个历史周期内的参考业务数据可以是在历史上10个星期内中每一个星期内的销量数据。
49.继续参照图2，在步骤230中，对每一个参考业务对应的参考业务数据进行无量纲化处理，得到业务数据特征值。
50.在本技术中，对参考业务数据进行无量纲化处理实际上就是对数据进行去单位化。在处理实际问题的过程中，特别是在建立指标评价体系时，常常会面临不同类型的数据处理及融合。而各个指标之间由于数量级的不尽相同，从而使得各指标间不具有可比性。在数据分析之前，通常先将数据进行无量纲化处理，这样的处理有助于同化具有不同数量级的特征值。
51.在本技术的一个实施例中，对每一个参考业务对应的参考业务数据进行无量纲化处理可以是通过极值化方法来完成的。该方法是对原始数据进行线性变换，具体可以有如下三种变换方式：
52.(a)
53.即每一个变量与变量最小值之差除以该变量取值的全距，标准化后各变量的取值范围限于[0，1]。其中，xi′
表示经过无量纲化处理之后的一个特征值，xi表示未经无量纲化处理的一个特征值，min是样本中的最小特征值，max是样本中的最大特征值。由于最大值与最小值可能是动态变化的，同时也非常容易受噪声(异常点、离群点)影响，因此在本技术中，可以根据具体情况人为设置样本中的min和max。
[0054]
(b)
[0055]
即每一个变量除以该变量取值的全距，标准化后的每个变量的取值范围限于[-1，1]。其中，xi′
表示经过无量纲化处理之后的一个特征值，xi表示未经无量纲化处理的一个特征值，min是样本中的最小特征值，max是样本中的最大特征值。
[0056]
(c)
[0057]
即每一个变量值除以该变量取值的最大值，标准化后使变量的最大取值为1。其中，xi′
表示经过无量纲化处理之后的一个特征值，xi表示未经无量纲化处理的一个特征值，max是样本中的最大特征值。
[0058]
采用极值化方法对参考业务数据无量纲化是通过变量取值的最大值和最小值将原始数据转换为界于某一特定范围的数据，这样处理的好处在于能够消除具有不同参考业务数据之间的数量级的相互影响。
[0059]
在本技术的一个实施例中，对每一个参考业务对应的参考业务数据进行无量纲化处理可以是通对参考业务数据取对数来完成的。
[0060]
在本技术的一个实施例中，对每一个参考业务对应的参考业务数据进行无量纲化处理可以是通过标准化方法来完成的。
[0061]
在本技术的一个实施例中，对每一个参考业务对应的参考业务数据进行无量纲化处理可以是通过均值化方法来完成的。
[0062]
在本技术的一个实施例中，对每一个参考业务对应的参考业务数据进行无量纲化处理可以是通过标准差化方法来完成的。
[0063]
如上所述，可以理解的是，对原始数据进行无量纲化处理的方式可以是任意的，并不限于如上所示出的那些。
[0064]
在本技术中，通过对参考业务对应的参考业务数据进行无量纲化处理，其好处在于，可以消除不同参考业务数据之间在数量级上的相互影响，而保留参考业务数据在历史周期上的规律和特征，从而有利于在后续训练得到更加精准的业务数据预测模型。
[0065]
继续参照图2，在步骤250中，通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型。
[0066]
在本技术的一个实施例中，通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型，可以按照如图3所示的步骤执行。
[0067]
参见图3，示出了根据本技术一个实施例的通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型的细节流程图。具体包括步骤251至步骤252：
[0068]
步骤251，基于所述业务数据特征值，构建多个训练样本，其中，每一个训练样本中包括所述参考业务分别在任意至少两个历史周期内的业务数据所对应的业务数据特征值。
[0069]
步骤252，基于所述多个训练样本，训练机器学习模型，得到业务数据预测模型。
[0070]
具体的，可以通过如下方式训练机器学习模型：
[0071]
首先，在每一个训练样本中，包括模型输入数据和模型标签，其中，将在时间维度上靠前的历史周期内的业务数据所对应的业务数据特征值作为模型输入数据，将在时间维度上靠后的历史周期内的业务数据所对应的业务数据特征值作为模型标签，比如，在商品销售业务场景为家电类商品的销售业务场景中，一个训练样本中包括冰箱销售业务在第一个星期的业务数据特征值和在第二个星期的业务数据特征值，基于此，可以将在第一个星期的业务数据特征值作为模型输入数据，将在第二个星期的业务数据特征值作为模型标签。
[0072]
然后将每一个训练样本中模型输入数据输入机器学习模型，由机器学习模型输出
模型输出数据，将该模型输出数据与相应的模型标签比较，如果不一致，则调整机器学习模型，使得输出的模型输出数据与相应的模型标签一致。
[0073]
在本技术的一个实施例中，也可以是通过机器学习模型对各个参考业务对应的业务数据特征值进行拟合，从而得到业务数据预测模型。
[0074]
在本技术中，机器学习模型可以包括线性模型，决策树模型，svm模型，深度学习模型中的任意一种，本技术在此不做具体限定。
[0075]
继续参照图2，在步骤270中，基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
[0076]
在本技术的一个实施例中，基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测，可以按照如图4所示的步骤执行。
[0077]
参见图4，示出了根据本技术一个实施例的基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测的细节流程图。具体包括步骤271至步骤272：
[0078]
步骤271，获取所述待测业务在历史周期内的业务数据，作为待测业务数据。
[0079]
步骤272，基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据。
[0080]
在本技术的一个实施例中，在基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据之后，还可以执行如图5所示的步骤。
[0081]
参见图5，示出了根据本技术一个实施例的在基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据之后的方法流程图。具体包括步骤280至步骤290：
[0082]
步骤280，获取所述待测业务在待测周期内的实际业务数据。
[0083]
步骤290，基于所述预测业务数据与所述实际业务数据之间的差异，通过梯度反向传递对所述业务数据预测模型中的隐层参数进行校正，所述校正后的业务数据预测模型用于下一次对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
[0084]
在本实施例中，业务数据预测模型在应用于为待测业务预测在待测周期内的预测业务数据之后，又通过已产生的实际业务数据进行训练，使得业务数据预测模型中的参数得到持续的优化和更新，从而使得在下一次为待测业务在待测周期内的预测业务数据进行预测时，能够通过业务数据预测模型确定更准确的预测业务数据。故本技术实施例在一定程度上可以提高针对业务数据预测的准确性。
[0085]
为了使本领域技术人员更好的理解本实施例，下面将通过家电类商品的销售业务场景，结合图6进行说明。
[0086]
参见图6，示出了根据本技术一个实施例的业务数据处理方法的整体流程图。
[0087]
如图6所示，在商品销售业务场景为家电类商品的销售业务场景时，目标业务范围的业务可以包括冰箱销售业务，空调销售业务，电风扇销售业务。其中，冰箱销售业务和空调销售业务在历史上具备较多的历史销售数据，而电风扇销售业务在历史上具备较少的历史销售数据。
[0088]
基于此，可以直接基于冰箱销售业务和空调销售业务在历史上的历史销售数据预测冰箱销售业务和空调销售业务在待测周期内的销售数据，而不能基于电风扇销售业务在
历史上的较少的历史销售数据预测电风扇销售业务在待测周期内的销售数据。
[0089]
在此情况下，首先分别对冰箱销售业务和空调销售业务对应的参考业务数据601(即空调销售业务数据和冰箱销售业务数据)进行无量纲化处理，分别得到冰箱销售业务和空调销售业务对应的业务数据特征值602。然后基于冰箱销售业务和空调销售业务对应的业务数据特征值训练机器学习模型603得到业务数据预测模型604，最后基于电风扇销售业务在历史上的较少的历史销售数据605(即电风扇销售业务数据)，通过训练得到的业务数据预测模型604预测电风扇销售业务在待测周期内的销售数据606(即电风扇销售业务数据)。
[0090]
在本技术的一些实施例所提供的技术方案中，通过对与待测业务同属相同业务范围的参考业务的参考业务数据进行无量纲化处理而得到的业务数据特征值，训练机器学习模型得到业务数据预测模型，并通过该得到的业务数据预测模型预测待测业务在待测周期内的业务数据。由于，参考业务与待测业务同属一个业务范围，二者具有相同的业务属性，因此，通过参考业务对应的业务数据特征值训练的业务数据预测模型具有准确预测待测业务在待测周期内的业务数据的能力。因此，在待测业务缺乏在历史周期内的业务数据时，可以避免无法通过待测业务在历史周期内的业务数据准确预测待测业务在待测周期内业务数据的情况发生，因此，本技术实施例可以提高针对业务数据预测的准确性。
[0091]
以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的业务数据处理方法。对于本技术装置实施例中未披露的细节，请参照本技术上述的业务数据处理方法的实施例。
[0092]
图7示出了根据本技术一个实施例的业务数据处理装置的框图。
[0093]
参照图7所示，根据本技术一个实施例的业务数据处理装置700，包括：获取单元701、无量纲化处理单元702、训练单元703和预测单元704。
[0094]
其中，获取单元701，用于获取目标业务范围内的参考业务分别在多个历史周期内的业务数据，作为参考业务数据，所述目标业务范围内的业务具有至少一个相同的业务属性；无量纲化处理单元702，用于对每一个参考业务对应的参考业务数据进行无量纲化处理，得到业务数据特征值；训练单元703，用于通过所述业务数据特征值，训练机器学习模型，得到业务数据预测模型；预测单元704，用于基于所述业务数据预测模型，对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
[0095]
在本技术的一些实施例中，基于前述方案，所述无量纲化处理单元702配置为如下任意一种：通过极值化方法对每一个参考业务对应的参考业务数据进行无量纲化处理；通过标准化方法对每一个参考业务对应的参考业务数据进行无量纲化处理；通过均值化方法对每一个参考业务对应的参考业务数据进行无量纲化处理；通过标准差化方法对每一个参考业务对应的参考业务数据进行无量纲化处理。
[0096]
在本技术的一些实施例中，基于前述方案，所述训练单元703配置为：基于所述业务数据特征值，构建多个训练样本，其中，每一个训练样本中包括所述参考业务分别在任意至少两个历史周期内的业务数据所对应的业务数据特征值；基于所述多个训练样本，训练机器学习模型，得到业务数据预测模型。
[0097]
在本技术的一些实施例中，基于前述方案，所述机器学习模型包括线性模型，决策树模型，svm模型，深度学习模型中的任意一种。
[0098]
在本技术的一些实施例中，基于前述方案，所述预测单元704配置为：获取所述待测业务在历史周期内的业务数据，作为待测业务数据；基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据。
[0099]
在本技术的一些实施例中，基于前述方案，所述训练单元703还配置为：在基于所述待测业务数据，通过业务数据预测模型预测所述待测业务在待测周期内的预测业务数据之后，获取所述待测业务在待测周期内的实际业务数据；基于所述预测业务数据与所述实际业务数据之间的差异，通过梯度反向传递对所述业务数据预测模型中的隐层参数进行校正，所述校正后的业务数据预测模型用于下一次对属于所述目标业务范围内的待测业务在待测周期内的业务数据进行预测。
[0100]
在本技术的一些实施例中，基于前述方案，所述业务包括商品销售业务，所述业务数据包括商品销售业务的销量数据。
[0101]
图8示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
[0102]
需要说明的是，图8示出的电子设备的计算机系统800仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0103]
如图8所示，计算机系统800包括中央处理单元(central processing unit，cpu)801，其可以根据存储在只读存储器(read-only memory，rom)802中的程序或者从储存部分808加载到随机访问存储器(random access memory，ram)803中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在ram 803中，还存储有系统操作所需的各种程序和数据。cpu 801、rom 802以及ram 803通过总线804彼此相连。输入/输出(input/output，i/o)接口805也连接至总线804。
[0104]
以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分807；包括硬盘等的储存部分808；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入储存部分808。
[0105]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本技术的系统中限定的各种功能。
[0106]
需要说明的是，本技术实施例所示的计算机介质可以是计算机可读信号介质或者计算机介质或者是上述两者的任意组合。计算机介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器
(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机介质以外的任何计算机介质，该计算机介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0107]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0108]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0109]
作为另一方面，本技术还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机介质中。计算机设备的处理器从计算机介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中所述的业务数据处理方法。
[0110]
作为另一方面，本技术还提供了一种计算机介质，该计算机介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的业务数据处理方法。
[0111]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0112]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本技术实施方式的方法。
[0113]
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。
[0114]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。