需求量预测方法以及装置与流程

1.本说明书实施例涉及电子商务规划的技术领域，特别涉及一种需求量预测方法。


背景技术：

2.随着互联网技术的发展，对象提供方和商品供应方可以通过网络页面、应用程序、小程序等方式，更便利地为用户、经销方、加盟方提供丰富的服务和商品。
3.由于用户和经销方、加盟方对于服务和商品之间不同的需求，对应产生了b2b模式(business-to-business，商家对商家的电子商务模式)和b2c模式(business-to-consumer，商家对用户电子商务模式)，两种模式的运行方式、目标、管理方法等都不相同。例如，单个用户购买的是数量较少且优质、便宜的商品和服务，而经销商和加盟方关注于成本低、易仓储、有盈利空间的商品。
4.相应地，如何根据不同模式的不同运行方式、目标、管理方法等，准确定位服务和商品的分类，来对用户的需求进行更深层理解，进而准确地确定出对应分类的服务和商品的需求量，作为有效的参考数据，为对象的直接供应方提供清楚明确的规划方案，是一个需要解决的问题。因此，亟需一种精准对应用户需求的需求量预测方法。


技术实现要素：

5.有鉴于此，本说明书实施例提供了一种需求量预测方法。本说明书一个或者多个实施例同时涉及一种商品需求量预测方法，一种需求量预测装置，一种商品需求量预测装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
6.根据本说明书实施例的第一方面，提供了一种需求量预测方法，包括：
7.获取对象的多个属性信息以及用户针对对象的行为信息，其中，行为信息包括行为类型；
8.根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息；
9.根据目标属性信息，确定对象的细分类别；
10.根据细分类别和行为类型，预测目标时间段内细分类别对应的对象需求量。
11.根据本说明书实施例的第二方面，提供了一种商品需求量预测方法，包括：
12.获取商品的多个属性信息以及用户针对商品的行为信息，其中，行为信息包括行为类型；
13.根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息；
14.根据目标属性信息，确定商品的细分类别；
15.根据细分类别和行为类型，预测目标时间段内细分类别对应的商品需求量。
16.根据本说明书实施例的第三方面，提供了一种需求量预测装置，包括：
17.第一获取模块，被配置为获取对象的多个属性信息以及用户针对对象的行为信息，其中，行为信息包括行为类型；
18.第一目标属性信息确定模块，被配置为根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息；
19.第一细分类别确定模块，被配置为根据目标属性信息，确定对象的细分类别；
20.第一预测模块，被配置为根据细分类别和行为类型，预测目标时间段内细分类别对应的对象需求量。
21.根据本说明书实施例的第四方面，提供了一种商品需求量预测装置，包括：
22.第二获取模块，被配置为获取商品的多个属性信息以及用户针对商品的行为信息，其中，行为信息包括行为类型；
23.第二目标属性信息确定模块，被配置为根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息；
24.第二细分类别确定模块，被配置为根据目标属性信息，确定商品的细分类别；
25.第二预测模块，被配置为根据细分类别和行为类型，预测目标时间段内细分类别对应的商品需求量。
26.根据本说明书实施例的第五方面，提供了一种计算设备，包括：
27.存储器和处理器；
28.存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，该计算机可执行指令被处理器执行时实现上述需求量预测方法或者商品需求量预测方法的步骤。
29.根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述需求量预测方法或者商品需求量预测方法的步骤。
30.根据本说明书实施例的第七方面，提供了一种计算机程序，其中，当计算机程序在计算机中执行时，令计算机执行上述需求量预测方法或者商品需求量预测方法的步骤。
31.本说明书实施例中，获取对象的多个属性信息以及用户针对对象的行为信息，根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息，根据目标属性信息，确定对象的细分类别，根据细分类别和行为类型，预测目标时间段内细分类别对应的对象需求量。利用决策树算法，分析了对象的多个属性信息，精准定位出满足用户需求的对象的细分类别，并且根据行为信息的行为类型，对细分类别的对象需求量进行了准确预测，得到了有效的参考数据，为对象的直接供应方提供清楚明确的规划方案。
附图说明
32.图1是本说明书一个实施例提供的一种需求量预测方法的系统流程图；
33.图2a是本说明书一个实施例提供的一种需求量预测方法的点击行为信息生成显示示意图；
34.图2b是本说明书一个实施例提供的一种需求量预测方法的购买行为信息生成显示示意图；
35.图2c是本说明书一个实施例提供的一种需求量预测方法的收藏行为信息生成显示示意图；
36.图3a是本说明书一个实施例提供的一种需求量预测方法的流程图；
37.图3b是本说明书一个实施例提供的一种需求量预测方法中决策树示意图；
38.图3c是本说明书一个实施例提供的一种需求量预测方法中决策树构建示意图；
39.图4是本说明书一个实施例提供的一种商品需求量预测方法的流程图；
40.图5是本说明书一个实施例提供的一种应用于电商平台的商品需求量预测方法的处理过程流程图；
41.图6是本说明书一个实施例提供的一种红海或者蓝海的预测方法的处理流程示意图；
42.图7是本说明书一个实施例提供的一种需求量预测装置的结构示意图；
43.图8是本说明书一个实施例提供的一种商品需求量预测装置的结构示意图；
44.图9是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
45.在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
46.在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、
“”
和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
47.应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
48.首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
49.对象类别：服务和商品的分类，包括系统结构的大类别，即服务和商品的类目，电商平台常通过类目来设计、规划网络页面、应用程序或者小程序的服务目录和商品目录，例如，“家具－沙发－真皮沙发”。也包括细致区分的小类别，对应于用户的需求，是对用户的需求驱动和购买行为理解后，得到的类别。电商平台常通过细分类别来为用户提供更准确的搜索、导购等。例如，“老爹鞋”,“原木风家具”等。
50.类别规划：经销方、加盟方在了解和把握用户需求的基础之上，把对象类别设定为规划单位，通过分析对象类别的需求量、供应量和搜索热度等数据，制定对应的规划方案。在电子商务场景中，对象类别品类的规划方案主要包括进货、仓储、引流、营销活动等一系列维度。
51.红海、蓝海：红海和蓝海用来描述一个对象类别的供需饱和情况，蓝海市场指供不应求的情况，红海市场指供大于求的情况。蓝海市场一般拥有更好的发展前景，经销方、加盟方会增加对应的对象类别的进货量，红海市场一般拥有更差的发展前景，经销方、加盟方为了降低成本，需要制定对应的营销策略减少仓储量。
52.实体词识别的方法(ner，named entity recognition)：识别文本中具有特定意义
的词(实体)，主要包括人名、地名、机构名、专有名词、属性名、属性值等等，并把我们需要识别的词在文本序列中标注出来。
53.目前，针对服务和商品的对象分类，得到对象类别是作为电商平台经营的基础。对于b2c模式，由于目前各种短视频、社交媒体等资讯供应平台的高速发展，用户会在短视频、社交媒体上获得关于目标对象的搜索热词，再在电商平台的网络页面、应用程序、小程序上进行相关搜索得到对应的服务和商品。例如，用户通过最近的某社交媒体搜索热词排行榜，获得针对某衣服风格“国风汉服”的搜索热词，用户通过在电商平台上输入搜索热词“国风汉服”进行搜索，得到对应的衣服。
54.然而，电商平台针对这样的搜索热词，主要是基于实体词识别的方法，对搜索热词中的用来描述目标对象的实体词进行识别，再对应预先标注电商平台上存储多个对象的标签信息，确定标签信息与实体词之间的关联度，进而得到多个对应搜索结果展示给用户，让用户从中选择目标对象。通过分析用户输入的搜索热词和最后选择的目标对象，即可以通过搜索热词来定义目标对象对应的对象类别，进而对对象类别的需求量进行进一步分析。继续上述例子，通过实体词识别方法，识别搜索热词“国风汉服”，得到实体词“国风”、“汉服”，对应检索电商平台上服装的标签信息“唐制”、“宋制”、“中式”、“襦裙”、“襦袴”、“左衽”、“右祍”等，得到与实体词“汉服”存在关联度的标签信息“唐制”、“宋制”，得到与实体词“国风”存在关联度的标签信息“中式”，对应存在关联度的标签信息，得到多个对应的搜索结果展示给用户，让用户选择。
55.这样的方式，是基于文本层面的分析，来定义对象类别并进行需求量分析。然而，由于搜索热词往往是一种主观的模糊定义，使用这样定义确定的对象类别在b2b这样需要进行专业化、结构化模式下，无法让对象提供方准确理解经销方、加盟方等商家的需求，对应提供准确的对象来让经销方、加盟方满足用户的需求，也就无法对应对对象类别的需求量给出有效分析，得到有效的参考数据，为对象的直接供应方提供清楚明确的规划方案。b2b模式下，需要用款式、风格、版型、尺寸、材质等更加专业化、结构化的信息来定义对象类别，可以让对象提供方更准确理解用户的需求对应什么样的目标对象，对应上述例子，“国风汉服”对应的对象类别应该为：款式：唐制、宋制、明制，版型：襦裙、襦袴、右祍、水袖，尺寸：均码，材质：棉、丝。
56.针对上述问题，本说明书提供了一种需求量预测方法，本说明书同时涉及一种商品需求量预测方法，一种需求量预测装置，一种商品需求量预测装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
57.参见图1，图1示出了本说明书一个实施例提供的一种需求量预测方法的系统流程图。
58.如图1所示，分析后端从对象数据库中获取对象的属性信息和用户针对对象的行为信息，根据对象的属性信息，遍历预先构建的决策树，得到匹配的目标属性信息，基于目标属性信息定义得到对象类别，再根据用户针对对象的行为信息对对象类别进行分析，得到对象类别的需求量，通过对象数据库获得对象类别的供应量，利用对象类别的需求量和对象类别供应量对对象类别的供求关系进行预测分析，得到供求关系的分析结果。
59.参见图2a－图2c，图2a示出了本说明书一个实施例提供的一种需求量预测方法的点击行为信息生成显示示意图。
60.如图2a所示，用户通过在电商平台的搜索框中输入搜索词，点击“搜索”按钮，得到多个商品(商品1－商品8)，每个商品都具有商品图片和对应的商品属性信息(属性信息1-4)，用户通过点击对应的目标商品，生成点击行为信息，包括目标商品的属性信息和行为类型：点击，并将点击行为信息记录至对象数据库中。
61.图2b示出了本说明书一个实施例提供的一种需求量预测方法的购买行为信息生成显示示意图。
62.如图2b所示，用户通过点击图2a中的商品3图片进入商品详情页面，商品详情页面包括商品3图片、价格、属性信息(属性信息1-4)、件数选择、购买控件和收藏控件，用户通过点击购买控件，生成购买行为信息，包括目标商品的属性信息和行为类型：购买，并将购买行为信息记录至对象数据库中。
63.图2c示出了本说明书一个实施例提供的一种需求量预测方法的收藏行为信息生成显示示意图。
64.如图2c所示，用户通过点击图2a中的商品3图片进入商品详情页面，商品详情页面包括商品3图片、价格、属性信息(属性信息1-4)、件数选择、购买控件和收藏控件，用户通过点击收藏控件，生成收藏行为信息，包括目标商品的属性信息和行为类型：收藏，并将收藏行为信息记录至对象数据库中。
65.参见图3a－图3b，图3a示出了本说明书一个实施例提供的一种需求量预测方法的流程图，具体包括以下步骤：
66.步骤302：获取对象的多个属性信息以及用户针对对象的行为信息，其中，行为信息包括行为类型；
67.本说明书实施例应用于电商平台针对b2b的模式分析中，b2b模式中存在用户、服务和对象的直接提供方、服务和对象的间接提供方。用户为服务和对象的消费者，服务和对象的直接提供方为消费者通过电商平台购买对应服务和商品的商家，服务和对象的间接提供方为给直接提供方提供服务和商品的供应方。例如，电商平台的消费者为用户，电商平台上的入驻商家为商品的直接提供方，商品的供应商为间接提供方，又例如，服务平台的消费者为用户，服务平台上的服务中介方为直接提供方，服务的供应商为间接提供方，对于租、购房服务，房屋电商平台上的租户或者买家为用户，中介方品牌为直接提供方，房东或者房主为间接提供方。
68.电商平台为给用户提供b2c模式同时，对应给服务和对象的直接提供方提供b2b模式的平台，可以为购物平台、房屋租买、汽车租买、图书租买、相亲交友等在一次交易中存在三个参与方及以上的平台。
69.对象为提供给用户(消费者)的服务和商品。
70.属性信息为服务和商品的属性类别信息和属性值信息，例如，对于某商品，商品包括尺寸、产地、颜色等属性类别信息，对应的xl尺寸、xx国家、红色等为属性值信息。
71.行为信息为用户在电商平台上对对象进行操作后，电商平台的后端记录下来的信息，包括用户的身份信息、时间信息、对象的标识信息、行为类型信息等。电商平台记录下行为信息后会将行为信息存储至对应的对象数据库中。例如，用户在电商平台上对某商品进行了购买操作，电商平台记录下用户的身份信息、购买时间信息、商品的标识信息、行为类型：购买等信息，得到行为信息，并将该行为信息存储至电商平台的商品数据库中。
72.行为类型为电商平台预先设定的识别用户对对象进行操作的类型，例如，用户对对象进行了收藏操作，对应的行为类型为：收藏。
73.获取对象的多个属性信息以及用户针对对象的行为信息，具体方式为：根据用户的需求，从预先构建的对象数据库中获取对象的多个属性信息以及用户针对对象的行为信息。
74.对应地，通过对多个候选对象进行采样，从中确定对象，根据对象的对象标识，从预先构建的对象数据库中获取对象的多个属性信息以及用户针对对象的行为信息。要说明的是，获取用户针对对象的行为信息，具体方式为：从预先构建的对象数据库中记录的目标时间段内的用户针对对象的行为信息。
75.示例性地，用户的需求为“朋克风”，候选对象为100个款式的运动鞋，对100个款式的运动鞋进行采样，从中确定10个款式的运动鞋，根据10个款式的运动鞋的标识信息，从电商平台的商品数据库中，获取10个款式运动鞋的属性信息(款式1：颜色(红)、鞋面材质(漆面)、系带方式(鞋带)；款式2：颜色(黑)、鞋面材质(漆面)、系带方式(鞋带)
……
)和一个月内用户对该10个款式的运动鞋的行为信息，其中，行为信息包括点击、购买、收藏等行为类型。
76.通过获取对象的多个属性信息，为后续遍决策树，确定目标属性信息提供了遍历索引，保证了后续确定的目标属性信息的准确性，获取用户针对对象的、包括行为类型的行为信息，为后续预测细分类别的对象需求量奠定了数据基础。
77.步骤304：根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息；
78.决策树是一种根据结果反向推导对象的属性信息，进而对对象进行准确分类的分类模型。决策树中记录有对象的参考属性信息。例如，汽车租买电商平台的用户，需要购买一辆家用小轿车，要求按重要性排布为：四缸、自动挡、1.6l排量、国产品牌，对应的决策树是(家用小轿车)－缸数(四缸)－变速箱类型(自动挡)－排量(1.6l)－品牌(国产)的层级结构。具体的决策树遍历方法和构建方法在后续进行详细描述。
79.目标属性信息为决策树中与多个属性信息的属性类别信息和属性值信息都匹配的信息，包括目标属性类别信息和目标属性值信息。
80.根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息，具体方式为：将多个属性信息和预先构建的决策树中记录的参考属性信息逐个进行比对，确定匹配的参考属性信息，作为目标属性信息。
81.示例性地，10个款式运动鞋的属性信息(款式1：颜色(红)、鞋面材质(漆面)、系带方式(鞋带)；款式2：颜色(黑)、鞋面材质(漆面)、系带方式(鞋带)
……
)，决策树中记录的参考属性信息为：鞋面材质(漆面)、系带方式(鞋带)，将10个款式的运动鞋的属性信息和参考属性信息逐个进行别对后，确定匹配的目标属性信息为鞋面材质(漆面)、系带方式(鞋带)。
82.根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息。通过遍历决策树，得到具有结构性、专业性的目标属性信息，为后续确定对象的细分类别提供了信息支持，使得对象的细分类别具有结构性和专业性的特点。
83.步骤306：根据目标属性信息，确定对象的细分类别；
84.对象的细分类别为对应于用户的需求、对对象进行的细致分类。对象的细分类别
根据目标属性信息进行拼接得到，例如，用户的需求为“老爹鞋”，通过上述步骤302-304，对对象为“老爹鞋”的属性信息进行分析，得到老爹鞋的目标属性信息为：鞋底(厚)、鞋面材质(皮质)、系带方式(鞋带)、鞋面款式(多面拼接)，得到对应的细致分类为：老爹鞋+鞋底(厚)+鞋面材质(皮质)+系带方式(鞋带)+鞋面款式(多面拼接)。
85.根据目标属性信息，确定对象的细分类别，具体方式为：根据目标属性信息的目标属性类别信息和目标属性值信息，拼接得到对象的细分类别。
86.示例性地，用户的需求的“朋克风”，10款运动鞋的目标属性信息为鞋面材质(漆面)、系带方式(鞋带)，根据目标属性类别信息(鞋面材质、系带方式)和目标属性值信息(漆面、鞋带)，拼接得到对应“朋克风”的细分类别为：朋克风+鞋面材质(漆面)+系带方式(鞋带)。
87.根据目标属性信息，确定对象的细分类别，用更专业化、结构化的信息来定义对象的细分类别，更准确定位了对象的类别，同时为后续预测目标时间段内细分类别对应的对象需求量，确定了分析对象。
88.步骤308：根据细分类别和行为类型，预测目标时间段内细分类别对应的对象需求量。
89.对象需求量为目标时间段内电商平台上用户对细分类别下各对象的需求量。例如，细分类别为老爹鞋+鞋底(厚)+鞋面材质(皮质)+系带方式(鞋带)+鞋面款式(多面拼接)，未来三个月内电商平台上用户对该细分类别下各款式的“老爹鞋”商品的需求量。
90.根据细分类别和行为类型，预测目标时间段内细分类别对应的对象需求量，具体方式为：根据行为类型，对细分类别下个对象的历史行为数据趋势分析，目标时间段内各行为类型对应的预测行为数据，根据预测行为数据得到目标时间段内细分类别对应的对象需求量。
91.历史行为数据为历史时间段用户在电商平台上对对象进行操作后，电商平台的后端记录下来的信息，包括用户的身份信息、时间信息、对象的标识信息、行为类型信息等。
92.因为不同的行为类型对应的需求量是不同的，例如，用户通过点击，可能只是浏览商品，而不会进行购买，即对该商品不存在需求，用户通过收藏，有较大的可能性进行购买，但也会不进行购买，即对该商品存在较大可能的需求，用户通过购买，即确定进行了购买，对该商品存在需求。所以，需要针对不同行为类型，进行预测，保证预测的对象需求量的准确度。
93.示例性地，根据行为类型(点击、购买、收藏)，对电商平台上细分类别：朋克风+鞋面材质(漆面)+系带方式(鞋带)下的各运动鞋对应的历史行为数据进行趋势分析，得到该细分类别下各行为类型对应的预测行为：点击趋势为每日增长0.7％，购买趋势为每日增长1％，收藏趋势为0.4％，得到未来一个月内该分类别对应的对象需求量为：32000双。
94.本说明书实施例中，获取对象的多个属性信息以及用户针对对象的行为信息，根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息，根据目标属性信息，确定对象的细分类别，根据细分类别和行为类型，预测目标时间段内细分类别对应的对象需求量。利用决策树算法，分析了对象的多个属性信息，精准定位出满足用户需求的对象的细分类别，并且根据行为信息的行为类型，对细分类别的对象需求量进行了准确预测，得到了有效的参考数据，为对象的直接供应方制定规划方案，提供了清楚明确且准确的
参考数据。
95.可选地，步骤302包括以下具体步骤：
96.从多个平台分别获取各平台产生的属性信息和行为信息；
97.对各平台产生的属性信息和行为信息进行归一化处理，得到归一化的对象的多个属性信息以及用户针对对象的行为信息。
98.多个平台包括应用该需求量预测方法的当前电商平台和除了该电商平台外的其他平台。
99.从多个平台分别获取各平台产生的属性信息和行为信息，具体方式为：从当前平台的对象数据库中获取当前平台产生的属性信息和行为信息，利用信息获取工具，从除了当前平台外的其他平台上获取其他平台产生的属性信息和行为信息。
100.对各平台产生的属性信息和行为信息进行归一化处理，得到归一化的对象的多个属性信息以及用户针对对象的行为信息，具体方式为：根据其他平台和当前平台的信息映射关系，将其他平台产生的属性信息和行为信息，映射至当前平台的属性信息和行为信息，得到归一化的对象的多个属性信息以及用户针对对象的行为信息。
101.信息映射关系包括信息的格式、信息的计量单位、属性信息中属性类别信息中至少一项的映射关系。建立信息映射关系的方式包括：根据其他平台上对象的图像信息和当前平台上对象的图像信息，利用图像识别模型，确定存在映射关系的对象，并根据存在映射关系的对象的对象标识，建立信息映射关系。还包括：根据其他平台上对象和当前平台上对象的统一标识信息，建立信息映射关系。例如，通过其他平台和当前平台上商品的商品货号、商品包装上的条形码、手机等电子设备的imei(international mobile equipment identity，国际移动设备识别码)等统一标识信息，建立信息映射关系。对应信息的格式，例如其他平台上的信息格式为二维码，当前平台上的信息格式为字符穿编码。对应信息的计量单位，例如属性信息中属性值信息在其他平台上为英式计量单位，在当前平台上位欧式计量单位。
102.示例性地，从当前平台的对象数据库中获取当前平台产生的属性信息(重量(500g)、尺寸(10cm*10cm*5cm))和行为信息(点击)，利用信息获取工具，从除了当前平台外的其他平台上获取其他平台产生的属性信息(质量(1.1磅)尺寸(3.9in*3.9in*1.9in))和行为信息(点选)。根据其他平台和当前平台的信息映射关系(重量－质量，厘米－英寸，点击-点选)，将其他平台产生的属性信息和行为信息，映射至当前平台的属性信息和行为信息，得到归一化的对象的属性信息(重量(500g)、尺寸(10cm*10cm*5cm))以及用户针对对象的行为信息(点击)。
103.从多个平台分别获取各平台产生的属性信息和行为信息，对各平台产生的属性信息和行为信息进行归一化处理，得到归一化的对象的多个属性信息以及用户针对对象的行为信息。通过从多个平台获取属性信息和行为信息，丰富了用来确定细分类别和预测对象需求量的信息量，使得确定的细分类别和预测的对象需求量更加准确，同时使得得到的细分类别和预测的对象需求量可以应用于不同平台的分析，提升了适用性；对各平台产生的属性信息和行为信息进行归一化处理，进一步保证了确定的细分类别和预测的对象需求量的准确度。
104.可选地，在步骤306之前，还包括以下具体步骤：
105.获取搜索热词；
106.对搜索热词进行属性识别，得到目标属性信息。
107.搜索热词为当前对应用户需求，在各个资讯供应平台上满足预设条件的关键词。资讯供应平台可以为上述实施例中的电商平台，资讯供应平台也可以为社交平台、新闻平台、视频平台等供应资讯的平台。预设条件可以为在资讯供应平台上超过一定搜索量阈值的关键词，也可以为在搜索热度榜上前n名的关键词。例如，对于某社交平台，该社交平台在本周搜索热度榜上前5名中，存在对应用户需求的搜索热词“a式装修风格”。
108.获取搜索热词，具体方式为：利用关键词获取工具，从其他资讯供应平台上获取满足预设条件的关键词，作为搜索热词。
109.可选地，在对搜索热词进行属性识别之前，还包括：
110.对搜索热词进行多种语言的归一化处理，得到目标语言的搜索热词。具体地，搜索热词为“a式装修风格”，从资讯供应平台获取到其他语言的搜索热词“a’s decoration style”和“stile decorativo de a”，通过预先训练的相似关键词转换模型，得到相似关键词“a式装修风格”，作为目标语言的搜索热词。
111.对搜索热词进行属性识别，得到目标属性信息，具体方式为：基于实体词识别的方法，对搜索热词中的用来描述目标对象的实体词进行识别，再对应预先标注的电商平台上存储的多个对象的标签信息，确定标签信息与实体词之间的关联度，将关联度大于预设阈值的实体词确定为目标属性信息。
112.实体词识别的方法，可以为利用知识图谱确定搜索热词中的表征属性类别信息和/或属性值信息的方法，也可以为利用预先训练的神经网络模型，对搜索热词进行实体词识别，得到属性类别信息和/或属性值信息，进而确定为目标属性信息的方法。其中，实体词识别模型可以为bert(bidirectional encoder representation from transformers，双向编码表征模型)模型、lstm(long short-term memory，长短期记忆模型)等基础模型和衍生模型。
113.示例性地，利用关键词获取工具，从某社交平台上获取在本周搜索热度榜上前5名中，存在对应用户需求的搜索热词“a式”，基于实体词识别的方法，对搜索热词中的用来描述目标对象的实体词进行识别，得到实体词“a式”、“装修”、“风格”，对应预先标注的电商平台上存储的多个装修店铺的标签信息“欧式”、“罗马柱”、“壁炉”、“拱顶”、“装修”、“装潢”，确定标签信息与实体词之间的关联度，确定关联度大于预设阈值的实体词“罗马柱”、“壁炉”、“拱顶”为目标属性信息。
114.获取搜索热词，对搜索热词进行属性识别，得到目标属性信息。通过基于文本层面的分析，对搜索热词进行分析得到目标属性信息，进一步丰富了目标属性信息，使得后续确定的细分类别更加准确，进而对细分类别的对象需求量预测更加准确。
115.可选地，在步骤306之后，还包括以下具体步骤：
116.获取搜索热词对应的搜索趋势；
117.根据搜索趋势，预测目标时间段内细分类别对应的对象需求量。
118.搜索趋势为搜索热词在各个资讯供应平台上历史时间段内搜索热度的变化趋势。搜索趋势可以用“历史单位时间段－搜索量”的形式表示，例如，“a式装修风格”在某新闻平台上历史一周内的搜索趋势为：第一天－32万、第二天－34万、第三天－39万、第四天－63
万、第五天－78万、第六天－116万、第七天－140万。搜索趋势也可以用历史时间段内搜索量的增减率表示，例如，“a式装修风格”在某新闻平台上历史一周内的搜索趋势为：过去一周内搜索量增长337％。搜索趋势也可以用“历史时间段－搜索热度榜排名”表示，例如，“a式装修风格”在某新闻平台上历史一周内的搜索趋势为：第一天－第43名、第二天－第38名、第三天－第31名、第四天－第17名、第五天－第12名、第六天－第3名、第七天－第1名。搜索趋势还可以用历史时间段内搜索热度榜排名升降速率表示。例如，“a式装修风格”在某新闻平台上历史一周内的搜索趋势为：过去一周内搜索热度榜排名提升42名。
119.获取搜索热词对应的搜索趋势，具体方式为：利用趋势获取工具，从资讯供应平台上获取搜索热词对应的搜索趋势。
120.根据搜索趋势，预测目标时间段内细分类别对应的对象需求量，具体方式为：根据搜索趋势，预测目标时间段内细分类别的预测搜索量，再根据预测搜索量和细分类别的对象搜索转换率，确定目标时间段内细分类别对应的对象需求量。
121.搜索转化率是基于历史数据统计得到细分类别下对象的搜索和需求之间的转换率。例如，历史数据显示贵重金属首饰和需求之间的转化率为7％。
122.示例性地，搜索热词为“a式装修风格”，对“a式装修风格”进行属性识别，得到目标属性信息，再对应得到“a式装修风格”的细分类别。获取到“a式装修风格”在某新闻平台上历史一周内的搜索趋势为：第一天－32万、第二天－34万、第三天－39万、第四天－63万、第五天－78万、第六天－116万、第七天－140万，根据该搜索趋势，预测未来一周内“a式装修风格”的预测搜索量为510万，根据预测搜索量和细分类目的对象搜索转换率为5％，确定目标时间段内细分类别对应的对象需求量为25万。
123.获取搜索热词对应的搜索趋势，根据搜索趋势，预测目标时间段内细分类别对应的对象需求量，提升了预测对象需求量的效率。
124.可选地，行为信息还包括历史行为数据；细分类别与多个行为类型对应；
125.对应地，步骤308包括以下具体步骤：
126.对细分类别对应的各行为类型产生的历史行为数据进行趋势分析，获得目标时间段内各行为类型对应的预测行为数据；
127.根据各行为类型对应的行为权重，对目标时间段内各行为类型对应的预测行为数据进行加权，得到目标时间段内细分类别对应的对象需求量。
128.因为不同的行为类型对应的需求量是不同的，例如，用户通过点击，可能只是浏览商品，而不会进行购买，即对该商品不存在需求，用户通过收藏，有较大的可能性进行购买，但也会不进行购买，即对该商品存在较大可能的需求，用户通过购买，即确定进行了购买，对该商品存在需求。所以，需要针对不同行为类型，进行预测，保证预测的对象需求量的准确度。
129.对细分类别对应的各行为类型产生的历史行为数据进行趋势分析，获得目标时间段内各行为类型对应的预测行为数据，具体方式为：统计历史时间段内、细分类别对象对应的各行为类型产生的历史行为数据，利用预先配置的趋势分析方法，获得目标时间段内各行为类型对应的预测行为数据。
130.具体的趋势分析方法可以为线性回归分析方法，也可以为数学模型建模分析。具体的统计和分析工具为数据处理工具。
131.示例性地，统计一个月内、细分类别：老爹鞋+鞋底(厚)+鞋面材质(皮质)+系带方式(鞋带)+鞋面款式(多面拼接)的“老爹鞋”对应的行为类型(点击、购买、收藏)产生的历史行为数据，利用线性回归分析方法，得到点击对应的线性回归函数为f1(x)，购买对应的线性回归函数为f2(x)，收藏对应的线性回归函数为f3(x)，将各行为类型历史行为数据的对象数量作为自变量x，获得未来一个月内各行为类型对应的预测行为数据y1，y2，y3，根据各行为类型对应的行为权重ω1，ω2，ω3，对未来一个月内各行为类型对应的预测行为数据y1，y2，y3进行加权，得到目标时间段内细分类别对应的对象需求量z。
132.对细分类别对应的各行为类型产生的历史行为数据进行趋势分析，获得目标时间段内各行为类型对应的预测行为数据，根据各行为类型对应的行为权重，对目标时间段内各行为类型对应的预测行为数据进行加权，得到目标时间段内细分类别对应的对象需求量。通过对应各行为类型，对历史行为数据进行趋势分析，得到更细致的预测行为数据，根据各行为类型的权重对更细致的预测行为数据进行加权，保证了目标时间段内细分类别对应的对象需求量的准确度。
133.可选地，在步骤308之后，还包括以下具体步骤：
134.根据细分类别查询对象数据库，获得细分类别对应的历史对象供应量；
135.根据历史对象供应量，预测目标时间段内细分类别对应的对象供应量；
136.根据对象供应量和对象需求量，预测得到目标时间段内细分类别对应的对象供求关系。
137.对象数据库为电商平台以对象为存储单位，存储对象的属性信息和用户对对象的行为信息的数据库。
138.历史对象供应量为根据对象的直接供应方对对象的历史数据确定的供应量。为对象的直接供应方从对象的间接供应方获取的对象的数量。
139.细分类别对应的对象供求关系为针对细分类别下的各对象的供求关系，包括供大于求和供小于求两种情况，对应供大于求的情况，确定细分类别为蓝海，对应供小于求的情况，确定细分类别为红海。
140.根据细分类别查询对象数据库，获得细分类别对应的历史对象供应量，具体方式为：根据细分类别下各对象的对象标识，查询对象数据库，获得细分类别对应的历史对象供应量。
141.根据历史对象供应量，预测目标时间段内细分类别对应的对象供应量，具体方式为：统计历史对象供应量，利用预先配置的预测方法，预测目标时间段内细分类别对应的对象供应量。预测方法为线性回归分析方法。具体的统计和分析工具为数据处理工具。
142.根据对象供应量和对象需求量，预测得到目标时间段内细分类别对应的对象供求关系，具体方式为：根据细分类别构建数学模型，将对象供应量和对象需求量作为输入，目标时间段作为约束条件，预测得到目标时间段内细分类别对应的对象供求关系。具体的数学模型构建方法可以为利用数学模型分析软件工具进行构建。
143.示例性地，细分类别为：老爹鞋+鞋底(厚)+鞋面材质(皮质)+系带方式(鞋带)+鞋面款式(多面拼接)，根据细分类别下各“老爹鞋”的商品编号，查询对象数据库，获得细分类别对应的各直接供应商从“老爹鞋”生产厂家获取的历史对象供应量，统计历史对象供应量后，利用预先配置的线性回归分析方法，预测未来一个月内该细分类别对应的对象供应量
为v，根据该细分类别，利用数学模型分析软件工具构建数学模型m，将对象供应量v和对象需求量z作为输入，未来一个月作为约束条件，利用该数学模型分析软件工具，预测得到未来一个月内“老爹鞋+鞋底(厚)+鞋面材质(皮质)+系带方式(鞋带)+鞋面款式(多面拼接)”这一细分类别对应的对象供求关系为供小于求，确定其为蓝海。
144.根据细分类别查询对象数据库，获得细分类别对应的历史对象供应量，根据历史对象供应量，预测目标时间段内细分类别对应的对象供应量，根据对象供应量和对象需求量，预测得到目标时间段内细分类别对应的对象供求关系。根据细分类别对应的历史对象供应量，预测得到目标时间段内细分类别对应的对象供应量，为分析细分类别的对象供求关系提供了参考数据，根据对象供应量和对象需求量，预测得到目标时间段内细分类别对应的对象供求关系，得到了准确的对象供求关系，使得对象的直接供应方可以根据细分类别的对象的供求关系制定更有针对性的规划方案，节省了成本，提升了效率。
145.可选地，决策树包括多个决策节点，每个决策节点表征对属性信息的决策条件，决策节点间的边表征对属性信息的决策结果；
146.对应地，步骤304包括以下具体步骤：
147.根据多个属性信息，将各属性信息与决策树中的各决策节点和边进行匹配，确定目标决策节点和目标边；
148.读取目标决策节点的目标决策条件以及目标边的目标决策结果，获得目标属性信息。
149.决策节点为记录有对象属性信息的属性类别信息的节点，决策节点间连接的边记录有对象属性信息的属性值信息。
150.目标决策条件为目标决策节点上记录的对象的参考属性信息中的参考属性类别信息。
151.目标决策结果为目标边上记录的对象的参考属性信息中的参考属性值信息。
152.图3b示出了根据本说明书一个实施例提供的一种需求量预测方法中决策树示意图。
153.如图3b所示，图为针对鞋子构建的决策树，具有6个层级，第一层级的决策节点为鞋子，第二层级的决策节点为鞋底、第三层级的决策节点为材质、第四层级的决策节点为颜色、第五层级的决策节点为品牌、第六层级的决策节点为购买、点击。第二层级和第三层级间的边的决策结果为厚底，第三层级和第四层级间的边的决策结果为皮质、布质，第四层级和第五层级间的边的决策结果为黑色、蓝色，第五层级和第六层级间的边的决策结果为xx牌、yy牌。通过用户对对象的行为数据，遍历各决策节点和边，即可还原用户的行为过程，并且确定对象的属性信息。
154.根据多个属性信息，将各属性信息与决策树中的各决策节点和边进行匹配，确定目标决策节点和目标边，具体方式为：根据属性信息的属性类别信息和属性值信息，与决策树中个决策节点和边进行逐个匹配，将一致的决策节点和边确定为目标决策节点和目标边。
155.读取目标决策节点的目标决策条件以及目标边的目标决策结果，获得目标属性信息，具体方式为：读取目标决策节点上记录的对象的参考属性信息中的参考属性类别信息，并读取目标边上记录的对象的参考属性信息中的参考属性值信息，得到目标属性类别信息
和目标属性值信息，将目标属性类别信息和目标属性值信息按照决策树的层级关系和两者间的对应关系进行拼接，得到目标属性信息。
156.示例性地，属性信息(款式1：颜色(红)、鞋面材质(漆面)、系带方式(鞋带)；款式2：颜色(黑)、鞋面材质(漆面)、系带方式(鞋带)
……
)，与运动鞋决策树中的各决策节点和边进行匹配，确定目标决策节点和目标边，读取目标决策节点上记录的对象的参考属性信息中的参考属性类别信息(鞋面材质、系带方式)，并读取目标边上记录的对象的参考属性信息中的参考属性值信息(漆面、鞋带)，得到目标属性类别信息(鞋面材质、系带方式)和目标属性值信息(漆面、鞋带)，将目标属性类别信息和目标属性值信息按照决策树的层级关系和两者间的对应关系进行拼接，得到目标属性信息鞋面材质(漆面)、系带方式(鞋带)。
157.根据多个属性信息，将各属性信息与决策树中的各决策节点和边进行匹配，确定目标决策节点和目标边，读取目标决策节点的目标决策条件以及目标边的目标决策结果，获得目标属性信息。通过将各决策节点和边进行匹配，准确还原了用户对对象的行为过程，读取目标决策节点的目标决策条件以及目标边的目标决策结果，准确分析出了对象的目标属性信息，为后续确定细分类别提供了参考数据。
158.可选地，在步骤304之前，还包括以下具体步骤：
159.获取样本集，其中，样本集包括样本对象的多个属性信息以及样本行为类型；
160.获得第一属性信息的属性类别，计算第一属性信息的信息熵，其中，第一属性信息为多个属性信息中的任一个；
161.根据各属性信息的信息熵，确定各决策节点的层级关系；
162.根据各决策节点的层级关系，构建决策树。
163.样本集为多个用户对样本对象的历史行为数据组成的集合。
164.信息熵为描述各决策节点的不确定性，即对应各决策节点边的数量。具体的信息上计算公式如公式1所示：
165.h＝-plogp公式1
166.其中，h表示属性信息的信息熵，p表示属性信息的属性类别的数量占总数量的比例。
167.根据各属性信息的信息熵，确定各决策节点的层级关系，具体方式为：根据各属性信息的信息熵的大小，从上排列各属性信息对应的决策节点。
168.可选地，根据样本集中各样本对象对应的项目规则，设定决策树深度。例如，样本对象为某品牌电脑，已知该品牌电脑都是笔记本电脑、都使用同一操作系统，即无需设定对应的决策节点，降低决策树的深度，避免后续遍历决策树过程中出现过拟合。
169.根据各决策节点的层级关系，构建决策树，具体方式为：根据各决策节点的层级关系，构建初始决策树，通过分析各决策节点对应的历史行为数据中样本对象的数量，删除不满足数量阈值的历史行为数据中样本对象对应的边，得到决策树。
170.示例性地，获取样本集i，从样本集中确定多个样本对象的第一属性信息：颜色(红、蓝、白、黑)，材质(皮质、布质、丝质)，产地(东南亚、中东)，年份(2018,2019,2020,2021,2022)，根据第一属性信息的属性类别，计算第一属性信息的信息熵分别为0.5，0.73，1,0.27，根据各属性信息的信息熵的大小，从上向下排列各属性信息对应的决策节点：年份、产地、材质、颜色，根据各决策节点的层级关系，构建初始决策树，通过分析各决策节点
对应的历史行为数据中样本对象的数量，删除不满足数量阈值的历史行为数据中样本对象对应的边年份(2018)，得到决策树。
171.图3c示出了一种本说明书一个实施例提供的一种需求量预测方法中决策树构建示意图。
172.如图3c所示，获取样本集，根据样本集中各样本对象对应的项目规则，设定决策树的深度为5，从样本集中确定多个样本对象的属性信息，计算各属性信息的信息熵，从上向下排列各属性信息对应的决策节点构建初始决策树，通过分析各决策节点对应的历史行为数据中样本对象的数量，删除不满足数量阈值的历史行为数据中对应的决策节点，得到决策树。决策树包括多个层级的决策节点：第一层级决策节点、第二层级决策节点、第三层级决策节点1、第三层级决策节点2、第四层级决策节点1、第四层级决策节点2、第五层级决策节点1、第五层级决策节点2。
173.获取样本集，其中，样本集包括样本对象的多个属性信息以及样本行为类型，获得第一属性信息的属性类别，计算第一属性信息的信息熵，其中，第一属性信息为多个属性信息中的任一个，根据各属性信息的信息熵，确定各决策节点的层级关系，根据各决策节点的层级关系，构建决策树。通过样本集构建决策树，为后续进行遍历，得到目标属性节点奠定了基础，根据信息熵确定决策树的层级关系，来构建决策树，保证了得到的目标属性信息的结构性，为后续确定准确的细分类别和预测需求量奠定了基础。
174.参见图4，图4示出了本说明书一个实施例提供的一种商品需求量预测方法的流程图，具体包括以下步骤：
175.步骤402：获取商品的多个属性信息以及用户针对商品的行为信息，其中，行为信息包括行为类型；
176.步骤404：根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息；
177.步骤406：根据目标属性信息，确定商品的细分类别；
178.步骤408：根据细分类别和行为类型，预测目标时间段内细分类别对应的商品需求量。
179.本说明书实施例中，将图3实施例中的对象限定为商品，对应的需求量预测方法是一致的，故在此不再赘述。
180.下述结合附图5，以本说明书提供的需求量预测方法在电商平台的商品的应用为例，对需求量预测方法进行进一步说明。其中，图5示出了本说明书一个实施例提供的一种应用于电商平台的商品需求量预测方法的处理过程流程图，具体包括以下步骤。
181.步骤502：根据用户需求，从多个电商平台获取对应商品的多个属性信息以及用户针对对应商品的行为信息；
182.对多个电商平台的属性信息和行为信息进行归一化处理，得到对应商品的多个属性信息以及用户针对对应商品的行为信息。
183.步骤504：根据对应商品多个属性信息，将各属性信息与决策树中的各决策节点和边进行匹配，确定目标决策节点和目标边；
184.步骤506：目标决策节点记录的目标属性类别信息和目标边记录的目标属性值信息，得到第一目标属性信息；
185.步骤508：获取搜索热词，并对搜索热词进行属性识别，得到第二目标属性信息；
186.步骤510：将用户需求、第一目标属性信息和第二目标属性信息进行拼接，得到对应商品的细分类别；
187.步骤512：根据细分类别和行为信息中的行为类型，预测目标时间段内细分类别对应的商品需求量；
188.步骤514：根据细分类别查询商品数据库，获得细分类别对应的历史商品供应量；
189.步骤516：根据历史商品供应量，预测目标时间段内细分类别对应的商品供应量；
190.步骤518：根据细分类别，利用数学模型分析软件工具，建立细分类别对应的数学模型；
191.步骤：将对象供应量和对象需求量作为输入，目标时间段作为约束条件，利用数学模型分析软件工具对数学模型进行分析，预测得到目标时间段内细分类别对应的商品供求关系；
192.步骤520：根据对象供求关系，确定细分类别为红海或者蓝海。
193.本说明书实施例中，利用决策树算法，分析了商品的多个属性信息，确定了第一目标属性信息，并结合了文本分析的属性识别方法，得到第二目标属性信息，丰富了目标属性信息的信息量，从而可以更细致且精准定位出满足用户需求的商品的细分类别，预测了目标时间段内细分类别的商品需求量，在此基础上，根据历史商品供应量，预测了目标时间段内细分类别的商品供应量，在利用数学模型分析软件工具，准确预测了目标时间段内细分类别对应的商品供求关系，确定了细分类别是红海或蓝海，为商品的直接供应方，进行并且根据行为信息的行为类型，对细分类别的对象需求量进行了准确预测，得到了有效的参考数据，为对象的直接供应方制定有针对性的规划方案，提供了清楚明确且准确的参考依据。
194.与上述需求量预测方法实施例相对应，图6示出了本说明书一个实施例提供的一种红海或者蓝海的预测方法的处理流程示意图。
195.如图6所示，根据用户需求，获取第一电商平台的用户针对商品的行为数据和第二电商平台的用户针对商品的行为数据，其中，用户针对商品的行为数据都包括商品的多个属性信息和用户针对对应商品的行为信息。获取资讯供应平台的搜索热词，其中包括了上述电商平台的搜索热词和其他资讯供应平台的搜索热词。对第二电商平台的商品的多个属性信息进行归一化处理，归一化处理的方式包括：数据清洗、格式转换、属性映射和商品映射。根据第一电商平台的多个属性信息和经过归一化处理后的第二电商平台的商品的属性信息，遍历决策树，得到第一目标属性信息。对资讯供应平台的搜索热词做归一化处理后，进行属性识别得到第二目标属性信息。将用户需求、第一目标属性信息和第二目标属性信息进行拼接后得到商品的细分类别，构建细分类别的数学模型。根据商品的细分类别和用户针对对象商品的行为信息，预测细分类别的商品需求量。对细分类别对应的历史商品供应量进行趋势分析，预测细分类别的商品供应量。将细分类别对应的商品供应量和细分类别对应的商品需求量作为输入，目标时间段作为约束条件，输出细分类别对应的商品供求关系，再根据商品供求关系确定该细分类别是红海或者蓝海。
196.与上述需求量预测方法实施例相对应，本说明书还提供了需求量预测装置实施例，图7示出了本说明书一个实施例提供的一种需求量预测装置的结构示意图。如图7所示，该装置包括：
197.第一获取模块702，被配置为获取对象的多个属性信息以及用户针对对象的行为信息，其中，行为信息包括行为类型；
198.第一目标属性信息确定模块704，被配置为根据多个属性信息，遍历预先构建的决策树，确定与决策树匹配的目标属性信息；
199.第一细分类别确定模块706，被配置为根据目标属性信息，确定对象的细分类别；
200.第一预测模块708，被配置为根据细分类别和行为类型，预测目标时间段内细分类别对应的对象需求量。
201.可选地，第一获取模块702，被进一步配置为：
202.从多个平台分别获取各平台产生的属性信息和行为信息，对各平台产生的属性信息和行为信息进行归一化处理，得到归一化的对象的多个属性信息以及用户针对对象的行为信息。
203.可选地，该装置还包括：
204.属性识别模块，被配置为获取搜索热词，对搜索热词进行属性识别，得到目标属性信息。
205.可选地，该装置还包括：
206.机会市场分析模块，被配置为
207.获取搜索热词对应的搜索趋势，根据搜索趋势，预测目标时间段内细分类别对应的对象需求量。
208.可选地，行为信息还包括历史行为数据；细分类别与多个行为类型对应；
209.对应地，第一预测模块708，被进一步配置为：
210.对细分类别对应的各行为类型产生的历史行为数据进行趋势分析，获得目标时间段内各行为类型对应的预测行为数据，根据各行为类型对应的行为权重，对目标时间段内各行为类型对应的预测行为数据进行加权，得到目标时间段内细分类别对应的对象需求量。
211.可选地，该装置还包括：
212.第三预测模块，被配置为根据细分类别查询对象数据库，获得细分类别对应的历史对象供应量，根据历史对象供应量，预测目标时间段内细分类别对应的对象供应量，根据对象供应量和对象需求量，预测得到目标时间段内细分类别对应的对象供求关系。
213.可选地，决策树包括多个决策节点，每个决策节点表征对属性信息的决策条件，决策节点间的边表征对属性信息的决策结果；
214.对应地，第一目标属性信息确定模块704，被进一步配置为：
215.根据多个属性信息，将各属性信息与决策树中的各决策节点和边进行匹配，确定目标决策节点和目标边；
216.读取目标决策节点的目标决策条件以及目标边的目标决策结果，获得目标属性信息。
217.可选地，该装置还包括：
218.决策树构建模块，被配置为获取样本集，其中，样本集包括样本对象的多个属性信息以及样本行为类型，获得第一属性信息的属性类别，计算第一属性信息的信息熵，其中，第一属性信息为多个属性信息中的任一个，根据各属性信息的信息熵，确定各决策节点的
interface controller))中的一个或多个，诸如ieee802.11无线局域网(wlan，wireless local area networks)无线接口、全球微波互联接入(wi-max，world interoperability for microwave access)接口、以太网接口、通用串行总线(usb，universal serial bus)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc，near field communication)接口，等等。
230.在本说明书的一个实施例中，计算设备900的上述部件以及图9中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图9所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
231.计算设备900可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备900还可以是移动式或静止式的服务器。
232.其中，处理器920用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述需求量预测方法或者商品需求量预测方法的步骤。
233.上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的需求量预测方法和商品需求量预测方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述的需求量预测方法和商品需求量预测方法的技术方案的描述。
234.本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述需求量预测方法或者商品需求量预测方法的步骤。
235.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的需求量预测方法和商品需求量预测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述的需求量预测方法和商品需求量预测方法的技术方案的描述。
236.本说明书一实施例还提供一种计算机程序，其中，当计算机程序在计算机中执行时，令计算机执行上述需求量预测方法或者商品需求量预测方法的步骤。
237.上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的需求量预测方法和商品需求量预测方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述的需求量预测方法和商品需求量预测方法的技术方案的描述。
238.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
239.计算机指令包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码
的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
240.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
241.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
242.以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。