单均补贴的确定方法、装置、电子设备和计算机可读介质
阅读：235发布：2020-05-17
专利汇可以提供单均补贴的确定方法、装置、电子设备和计算机可读介质专利检索，专利查询，专利分析的服务。并且本 申请 涉及数据分析与预测技术领域，尤其涉及一种单均补贴的确定方法、装置、 电子 设备和计算机可读介质，方法应用于服务平台的 服务器 ，方法包括：根据用户历史成单数据获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率；预测周期为预先 指定 的未来一段时间；根据每类用户对应的各类型转换率和用户数量，确定预测周期中每类用户对应各个类型代金券的单均补贴。本 发明 能够得到客观的单均补贴，缓解由于代金券补贴的 力 度过大或过小而导致的影响服务平台的合理运营的问题，进而为服务平台的合理运营提供可靠的参考数据。，下面是单均补贴的确定方法、装置、电子设备和计算机可读介质专利的具体信息内容。
1.一种单均补贴的确定方法，其特征在于，所述方法应用于服务平台的服务器，所述方法包括：
根据用户历史成单数据获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率；所述预测周期为预先指定的未来一段时间；
根据每类用户对应的各类型转换率和所述用户数量，确定所述预测周期中每类用户对应各个类型代金券的单均补贴。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据用户历史成单数据对应的成单参数对用户进行分类，得到至少两类用户；所述成单参数包括成单频率和/或成单总数量。
3.如权利要求2所述的方法，其特征在于，根据用户历史成单数据对应的成单参数对用户进行分类的步骤，包括：
将用户历史成单数据中成单记录为0的用户划分为新用户；
从所述用户历史成单数据中过滤掉所述新用户的数据，得到成单用户数据；
根据所述成单用户数据计算各个用户的成单参数；
根据所述成单参数的大小划分出沉默用户、低单用户和高单用户。
4.如权利要求3所述的方法，其特征在于，根据所述成单参数的大小划分出沉默用户、低单用户和高单用户的步骤，包括：
如果当前用户的成单参数在第一设定区间内，则将所述当前用户归为沉默用户；
如果当前用户的成单参数在第二设定区间内，则将所述当前用户归为低单用户；
如果当前用户的成单参数在第三设定区间内，则将所述当前用户归为高单用户；
其中，所述第一设定区间的最大值小于或等于所述第二设定区间的最小值；所述第二设定区间的最大值小于或等于所述第三设定区间的最小值。
5.如权利要求1所述的方法，其特征在于，所述获取预测周期中每类用户的用户数量的步骤，包括：
根据历史成单数据统计至少一个周期内的每类用户的用户数量；
根据所述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量，其中，所述至少一个周期中存在所述预测周期的相邻周期。
6.如权利要求5所述的方法，其特征在于，根据所述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量的步骤，包括：
以所述至少一个周期内的每类用户的用户数量作为已知周期的用户结构数据；
将所述用户结构数据输入用户结构预测模型，得到预测周期中每类用户的用户数量；
所述用户结构预测模型是预先通过用户样本数据训练得到的。
7.如权利要求6所述的方法，其特征在于，所述用户结构预测模型为循环神经网络RNN模型，所述RNN模型的训练过程包括：
获取用户的样本结构数据；其中，所述样本结构数据包括特征样本和当前样本周期t的实际用户结构数据；所述特征样本设定样本周期内每类用户对应的用户数量P1(t-1)、P2(t-
1)、……、PN(t-1)，P1(t-2)、P2(t-2)、……、PN(t-2)，……，P1(t-n)、P2(t-n)、……、PN(t-n)；
PN(t)表示N类用户在所述当前样本周期t中对应的用户数量；其中，N和n为均为自然数，其中N取1至用户类型的总数中的值，n为预先设定的值；
构建RNN初步模型；所述RNN初步模型包括依次连接的输入层、隐藏层和输出层；所述隐藏层包括与所述输入层的输入单元一一对应的隐藏单元，每个所述隐藏单元用于接收对应的输入单元输出的数据，以及接收与其相邻的上一级隐藏单元输出的数据；
将所述特征样本包含的数据分别输入所述输入单元训练所述隐藏层，以使所述输出层的用户结构数据P1(t)、P2(t)、……、PN(t)和所述实际用户结构数据间的误差在设定误差范围，得到RNN模型。
8.如权利要求1所述的方法，其特征在于，根据用户历史成单数据获取每类用户对应的各类型代金券的转换率的步骤，包括：
获取预测周期之前指定时段的用户历史成单数据；其中，所述用户历史成单数据包括各类型代金券的成单数和各类型代金券的发放总数；
计算每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数。
9.如权利要求1所述的方法，其特征在于，根据用户历史成单数据获取每类用户对应的各类型代金券的转换率的步骤，包括：
获取预测周期之前多个周期的用户历史成单数据；其中，所述用户历史成单数据包括代金券成单数和接收到的代金券总数；
分别计算所述多个周期中各个周期内每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数；
计算各个周期的X[N,M]的转换率均值，将所述转换率均值作为N类用户对应M类代金券时的转换率。
10.如权利要求1所述的方法，其特征在于，根据每类用户对应的各类型转换率和所述用户数量，确定所述预测周期中每类用户对应各个类型代金券的单均补贴的步骤包括：
N类用户对应M类代金券时的单均补贴YN；其中，YN＝∑NM*P[N]*X[N,M]/∑NP[N]*X[N,M]；
P[N]表示N类用户的总数；X[N,M]表示N类用户对应M类代金券时的转换率；
P[N]*X[N,M]表示N类用户对应M类代金券时的成单数；
M*P[N]*X[N,M]表示N类用户对应M类代金券时的用券金额。
11.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据每类用户对应各个类型代金券的单均补贴，计算单均补贴的平均值；
将所述平均值确定为总单均补贴；
根据所述总单均补贴控制所述预测周期中发放的代金券类型。
12.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据每类用户对应各个类型代金券的单均补贴，选择所述预测周期中每类用户对应的代金券类型。
13.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据每类用户对应各个类型代金券的单均补贴控制所述预测周期中每类用户对应的代金券数量。
14.一种单均补贴的确定装置，其特征在于，所述装置应用于服务平台的服务器，所述装置包括：获取模块和第一确定模块；
所述获取模块，用于根据用户历史成单数据获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率；所述预测周期为预先指定的未来一段时间；
所述第一确定模块，用于根据每类用户对应的各类型转换率和所述用户数量，确定所述预测周期中每类用户对应各个类型代金券的单均补贴。
15.如权利要求14所述的装置，其特征在于，所述装置还包括：
分类模块，用于根据用户历史成单数据对应的成单参数对用户进行分类，得到至少两类用户；所述成单参数包括成单频率和/或成单总数量。
16.如权利要求15所述的装置，其特征在于，所述分类模块包括：
第一划分单元，用于将用户历史成单数据中成单记录为0的用户划分为新用户；
过滤单元，用于从所述用户历史成单数据中过滤掉所述新用户的数据，得到成单用户数据；
第一计算单元，用于根据所述成单用户数据计算各个用户的成单参数；
第二划分单元，用于根据所述成单参数的大小划分出沉默用户、低单用户和高单用户。
17.如权利要求16所述的装置，其特征在于，所述第二划分单元用于：
如果当前用户的成单参数在第一设定区间内，则将所述当前用户归为沉默用户；
如果当前用户的成单参数在第二设定区间内，则将所述当前用户归为低单用户；
如果当前用户的成单参数在第三设定区间内，则将所述当前用户归为高单用户；
其中，所述第一设定区间的最大值小于或等于所述第二设定区间的最小值；所述第二设定区间的最大值小于或等于所述第三设定区间的最小值。
18.如权利要求14所述的装置，其特征在于，所述获取模块包括：
统计单元，用于根据历史成单数据统计至少一个周期内的每类用户的用户数量；
预测单元，用于根据所述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量，其中，所述至少一个周期中存在所述预测周期的相邻周期。
19.如权利要求18所述的装置，其特征在于，所述预测单元用于：
以所述至少一个周期内的每类用户的用户数量作为已知周期的用户结构数据；
将所述用户结构数据输入用户结构预测模型，得到预测周期中每类用户的用户数量；
所述用户结构预测模型是预先通过用户样本数据训练得到的。
20.如权利要求19所述的装置，其特征在于，所述用户结构预测模型为循环神经网络RNN模型，所述RNN模型包括：
第一获取单元，用于获取用户的样本结构数据；其中，所述样本结构数据包括特征样本和当前样本周期t的实际用户结构数据；所述特征样本设定样本周期内每类用户对应的用户数量P1(t-1)、P2(t-1)、……、PN(t-1)，P1(t-2)、P2(t-2)、……、PN(t-2)，……，P1(t-n)、P2(t-n)、……、PN(t-n)；PN(t)表示N类用户在所述当前样本周期t中对应的用户数量；其中，N和n为均为自然数，其中N取1至用户类型的总数中的值，n为预先设定的值；
构建单元，用于构建RNN初步模型；所述RNN初步模型包括依次连接的输入层、隐藏层和输出层；所述隐藏层包括与所述输入层的输入单元一一对应的隐藏单元，每个所述隐藏单元用于接收对应的输入单元输出的数据，以及接收与其相邻的上一级隐藏单元输出的数据；
输入单元，用于将所述特征样本包含的数据分别输入所述输入单元训练所述隐藏层，以使所述输出层的用户结构数据P1(t)、P2(t)、……、PN(t)和所述实际用户结构数据间的误差在设定误差范围，得到RNN模型。
21.如权利要求14所述的装置，其特征在于，所述获取模块包括：
第二获取单元，用于获取预测周期之前指定时段的用户历史成单数据；其中，所述用户历史成单数据包括各类型代金券的成单数和各类型代金券的发放总数；
第二计算单元，用于计算每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数。
22.如权利要求14所述的装置，其特征在于，所述获取模块包括：
第三获取单元，用于获取预测周期之前多个周期的用户历史成单数据；其中，所述用户历史成单数据包括代金券成单数和接收到的代金券总数；
第三计算单元，用于分别计算所述多个周期中各个周期内每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数；
第四计算单元，用于计算各个周期的X[N,M]的转换率均值，将所述转换率均值作为N类用户对应M类代金券时的转换率。
23.如权利要求14所述的装置，其特征在于，所述第一确定模块用于：
N类用户对应M类代金券时的单均补贴YN；其中，YN＝∑NM*P[N]*X[N,M]/∑NP[N]*X[N,M]；
P[N]表示N类用户的总数；X[N,M]表示N类用户对应M类代金券时的转换率；
P[N]*X[N,M]表示N类用户对应M类代金券时的成单数；
M*P[N]*X[N,M]表示N类用户对应M类代金券时的用券金额。
24.如权利要求14所述的装置，其特征在于，所述装置还包括：
计算模块，用于根据每类用户对应各个类型代金券的单均补贴，计算单均补贴的平均值；
第二确定模块，用于将所述平均值确定为总单均补贴；
第一控制模块，用于根据所述总单均补贴控制所述预测周期中发放的代金券类型。
25.如权利要求14所述的装置，其特征在于，所述装置还包括：
选择模块，用于根据每类用户对应各个类型代金券的单均补贴，选择所述预测周期中每类用户对应的代金券类型。
26.如权利要求14所述的装置，其特征在于，所述装置还包括：
第二控制模块，用于根据每类用户对应各个类型代金券的单均补贴控制所述预测周期中每类用户对应的代金券数量。
27.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1～13任一所述的方法。
28.一种计算机可读介质，其特征在于，该计算机可读介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1～13任一所述的方法。
单均补贴的确定方法、装置、电子设备和计算机可读介质
技术领域
[0001] 本申请涉及数据分析与预测技术领域，尤其涉及一种单均补贴的确定方法、装置、电子设备和计算机可读介质。
背景技术
[0002] 随着各种服务平台(例如代驾平台)的推广应用，越来越多的用户选择服务平台提供的服务。为了提升平台自身的市场竞争力，吸引更多的用户，各个平台经常会推出一些优惠措施，例如向用户发放一定数量的代金券。
[0003] 然而代金券补贴的力度过大或过小均会影响平台的合理运营，针对这一问题，目前尚未提出有效的解决方案。发明内容
[0004] 有鉴于此，本申请实施例提供一种单均补贴的确定方法、装置、电子设备和计算机可读介质，用以确定预测周期中每类用户对应的各个类型代金券的单均补贴，进而为服务平台的合理运营提供可靠的参考数据。
[0005] 为了实现上述目的，本发明实施例采用的技术方案如下：
[0006] 第一方面，本申请实施例提供了一种单均补贴的确定方法，所述方法应用于服务平台的服务器，所述方法包括：
[0008] 根据每类用户对应的各类型转换率和所述用户数量，确定所述预测周期中每类用户对应各个类型代金券的单均补贴。
[0009] 结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述方法还包括：
[0010] 根据用户历史成单数据对应的成单参数对用户进行分类，得到至少两类用户；所述成单参数包括成单频率和/或成单总数量。
[0011] 结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，根据用户历史成单数据对应的成单参数对用户进行分类的步骤，包括：
[0012] 将用户历史成单数据中成单记录为0的用户划分为新用户；
[0013] 从所述用户历史成单数据中过滤掉所述新用户的数据，得到成单用户数据；
[0014] 根据所述成单用户数据计算各个用户的成单参数；
[0015] 根据所述成单参数的大小划分出沉默用户、低单用户和高单用户。
[0016] 结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，根据所述成单参数的大小划分出沉默用户、低单用户和高单用户的步骤，包括：
[0017] 如果当前用户的成单参数在第一设定区间内，则将所述当前用户归为沉默用户；
[0018] 如果当前用户的成单参数在第二设定区间内，则将所述当前用户归为低单用户；
[0019] 如果当前用户的成单参数在第三设定区间内，则将所述当前用户归为高单用户；
[0020] 其中，所述第一设定区间的最大值小于或等于所述第二设定区间的最小值；所述第二设定区间的最大值小于或等于所述第三设定区间的最小值。
[0021] 结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述获取预测周期中每类用户的用户数量的步骤，包括：
[0022] 根据历史成单数据统计至少一个周期内的每类用户的用户数量；
[0023] 根据所述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量，其中，所述至少一个周期中存在所述预测周期的相邻周期。
[0024] 结合第一方面的第四种可能的实施方式，本申请实施例提供了第一方面的第五种可能的实施方式，其中，根据所述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量的步骤，包括：
[0025] 以所述至少一个周期内的每类用户的用户数量作为已知周期的用户结构数据；
[0026] 将所述用户结构数据输入用户结构预测模型，得到预测周期中每类用户的用户数量；所述用户结构预测模型是预先通过用户样本数据训练得到的。
[0027] 结合第一方面的第五种可能的实施方式，本申请实施例提供了第一方面的第六种可能的实施方式，其中，所述用户结构预测模型为循环神经网络RNN模型，所述RNN模型的训练过程包括：
[0028] 获取用户的样本结构数据；其中，所述样本结构数据包括特征样本和当前样本周期t的实际用户结构数据；所述特征样本设定样本周期内每类用户对应的用户数量P1(t-1)、P2(t-1)、……、PN(t-1)，P1(t-2)、P2(t-2)、……、PN(t-2)，……，P1(t-n)、P2(t-n)、……、PN(t-n)；PN(t)表示N类用户在所述当前样本周期t中对应的用户数量；其中，N和n为均为自然数，其中N取1至用户类型的总数中的值，n为预先设定的值；
[0029] 构建RNN初步模型；所述RNN初步模型包括依次连接的输入层、隐藏层和输出层；所述隐藏层包括与所述输入层的输入单元一一对应的隐藏单元，每个所述隐藏单元用于接收对应的输入单元输出的数据，以及接收与其相邻的上一级隐藏单元输出的数据；
[0030] 将所述特征样本包含的数据分别输入所述输入单元训练所述隐藏层，以使所述输出层的用户结构数据P1(t)、P2(t)、……、PN(t)和所述实际用户结构数据间的误差在设定误差范围，得到RNN模型。
[0031] 结合第一方面，本申请实施例提供了第一方面的第七种可能的实施方式，其中，根据用户历史成单数据获取每类用户对应的各类型代金券的转换率的步骤，包括：
[0032] 获取预测周期之前指定时段的用户历史成单数据；其中，所述用户历史成单数据包括各类型代金券的成单数和各类型代金券的发放总数；
[0033] 计算每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数。
[0034] 结合第一方面，本申请实施例提供了第一方面的第八种可能的实施方式，其中，根据用户历史成单数据获取每类用户对应的各类型代金券的转换率的步骤，包括：
[0035] 获取预测周期之前多个周期的用户历史成单数据；其中，所述用户历史成单数据包括代金券成单数和接收到的代金券总数；
[0036] 分别计算所述多个周期中各个周期内每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数；
[0037] 计算各个周期的X[N,M]的转换率均值，将所述转换率均值作为N类用户对应M类代金券时的转换率。
[0038] 结合第一方面，本申请实施例提供了第一方面的第九种可能的实施方式，其中，根据每类用户对应的各类型转换率和所述用户数量，确定所述预测周期中每类用户对应各个类型代金券的单均补贴的步骤包括：
[0039] N类用户对应M类代金券时的单均补贴YN；其中，YN＝∑NM*P[N]*X[N,M]/∑N P[N]*X[N,M]；
[0040] P[N]表示N类用户的总数；X[N,M]表示N类用户对应M类代金券时的转换率；
[0041] P[N]*X[N,M]表示N类用户对应M类代金券时的成单数；
[0042] M*P[N]*X[N,M]表示N类用户对应M类代金券时的用券金额。
[0043] 结合第一方面，本申请实施例提供了第一方面的第十种可能的实施方式，其中，所述方法还包括：
[0044] 根据每类用户对应各个类型代金券的单均补贴，计算单均补贴的平均值；
[0045] 将所述平均值确定为总单均补贴；
[0046] 根据所述总单均补贴控制所述预测周期中发放的代金券类型。
[0047] 结合第一方面，本申请实施例提供了第一方面的第十一种可能的实施方式，其中，所述方法还包括：
[0048] 根据每类用户对应各个类型代金券的单均补贴，选择所述预测周期中每类用户对应的代金券类型。
[0049] 结合第一方面，本申请实施例提供了第一方面的第十二种可能的实施方式，其中，所述方法还包括：
[0050] 根据每类用户对应各个类型代金券的单均补贴控制所述预测周期中每类用户对应的代金券数量。
[0051] 第二方面，本申请实施例还提供了一种单均补贴的确定装置，所述装置应用于服务平台的服务器，所述装置包括：获取模块和第一确定模块；
[0052] 所述获取模块，用于根据用户历史成单数据获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率；所述预测周期为预先指定的未来一段时间；
[0053] 所述第一确定模块，用于根据每类用户对应的各类型转换率和所述用户数量，确定所述预测周期中每类用户对应各个类型代金券的单均补贴。
[0054] 结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述装置还包括：
[0055] 分类模块，用于根据用户历史成单数据对应的成单参数对用户进行分类，得到至少两类用户；所述成单参数包括成单频率和/或成单总数量。
[0056] 结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述分类模块包括：
[0057] 第一划分单元，用于将用户历史成单数据中成单记录为0的用户划分为新用户；
[0058] 过滤单元，用于从所述用户历史成单数据中过滤掉所述新用户的数据，得到成单用户数据；
[0059] 第一计算单元，用于根据所述成单用户数据计算各个用户的成单参数；
[0060] 第二划分单元，用于根据所述成单参数的大小划分出沉默用户、低单用户和高单用户。
[0061] 结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述第二划分单元用于：
[0062] 如果当前用户的成单参数在第一设定区间内，则将所述当前用户归为沉默用户；
[0063] 如果当前用户的成单参数在第二设定区间内，则将所述当前用户归为低单用户；
[0064] 如果当前用户的成单参数在第三设定区间内，则将所述当前用户归为高单用户；
[0065] 其中，所述第一设定区间的最大值小于或等于所述第二设定区间的最小值；所述第二设定区间的最大值小于或等于所述第三设定区间的最小值。
[0066] 结合第二方面，本申请实施例提供了第二方面的第四种可能的实施方式，其中，所述获取模块包括：
[0067] 统计单元，用于根据历史成单数据统计至少一个周期内的每类用户的用户数量；
[0068] 预测单元，用于根据所述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量，其中，所述至少一个周期中存在所述预测周期的相邻周期。
[0069] 结合第二方面的第四种可能的实施方式，本申请实施例提供了第二方面的第五种可能的实施方式，其中，所述预测单元用于：
[0070] 以所述至少一个周期内的每类用户的用户数量作为已知周期的用户结构数据；
[0071] 将所述用户结构数据输入用户结构预测模型，得到预测周期中每类用户的用户数量；所述用户结构预测模型是预先通过用户样本数据训练得到的。
[0072] 结合第二方面的第五种可能的实施方式，本申请实施例提供了第二方面的第六种可能的实施方式，其中，所述用户结构预测模型为循环神经网络RNN模型，所述RNN模型包括：
[0073] 第一获取单元，用于获取用户的样本结构数据；其中，所述样本结构数据包括特征样本和当前样本周期t的实际用户结构数据；所述特征样本设定样本周期内每类用户对应的用户数量P1(t-1)、P2(t-1)、……、PN(t-1)，P1(t-2)、P2(t-2)、……、PN(t-2)，……，P1(t-n)、P2(t-n)、……、PN(t-n)；PN(t)表示N类用户在所述当前样本周期t中对应的用户数量；其中，N和n为均为自然数，其中N取1至用户类型的总数中的值，n为预先设定的值；
[0074] 构建单元，用于构建RNN初步模型；所述RNN初步模型包括依次连接的输入层、隐藏层和输出层；所述隐藏层包括与所述输入层的输入单元一一对应的隐藏单元，每个所述隐藏单元用于接收对应的输入单元输出的数据，以及接收与其相邻的上一级隐藏单元输出的数据；
[0075] 输入单元，用于将所述特征样本包含的数据分别输入所述输入单元训练所述隐藏层，以使所述输出层的用户结构数据P1(t)、P2(t)、……、PN(t)和所述实际用户结构数据间的误差在设定误差范围，得到RNN模型。
[0076] 结合第二方面，本申请实施例提供了第二方面的第七种可能的实施方式，其中，所述获取模块包括：
[0077] 第二获取单元，用于获取预测周期之前指定时段的用户历史成单数据；其中，所述用户历史成单数据包括各类型代金券的成单数和各类型代金券的发放总数；
[0078] 第二计算单元，用于计算每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数。
[0079] 结合第二方面，本申请实施例提供了第二方面的第八种可能的实施方式，其中，所述获取模块包括：
[0080] 第三获取单元，用于获取预测周期之前多个周期的用户历史成单数据；其中，所述用户历史成单数据包括代金券成单数和接收到的代金券总数；
[0081] 第三计算单元，用于分别计算所述多个周期中各个周期内每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷所述N类用户中收到的M类代金券的总数；
[0082] 第四计算单元，用于计算各个周期的X[N,M]的转换率均值，将所述转换率均值作为N类用户对应M类代金券时的转换率。
[0083] 结合第二方面，本申请实施例提供了第二方面的第九种可能的实施方式，其中，所述第一确定模块用于：
[0084] N类用户对应M类代金券时的单均补贴YN；其中，YN＝∑NM*P[N]*X[N,M]/∑N P[N]*X[N,M]；
[0085] P[N]表示N类用户的总数；X[N,M]表示N类用户对应M类代金券时的转换率；
[0086] P[N]*X[N,M]表示N类用户对应M类代金券时的成单数；
[0087] M*P[N]*X[N,M]表示N类用户对应M类代金券时的用券金额。
[0088] 结合第二方面，本申请实施例提供了第二方面的第十种可能的实施方式，其中，所述装置还包括：
[0089] 计算模块，用于根据每类用户对应各个类型代金券的单均补贴，计算单均补贴的平均值；
[0090] 第二确定模块，用于将所述平均值确定为总单均补贴；
[0091] 第一控制模块，用于根据所述总单均补贴控制所述预测周期中发放的代金券类型。
[0092] 结合第二方面，本申请实施例提供了第二方面的第十一种可能的实施方式，其中，所述装置还包括：
[0093] 选择模块，用于根据每类用户对应各个类型代金券的单均补贴，选择所述预测周期中每类用户对应的代金券类型。
[0094] 结合第二方面，本申请实施例提供了第二方面的第十二种可能的实施方式，其中，所述装置还包括：
[0095] 第二控制模块，用于根据每类用户对应各个类型代金券的单均补贴控制所述预测周期中每类用户对应的代金券数量。
[0096] 第三方面，本申请实施例还提供了一种电子设备，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的第一～十二任一种可能的实施方式中的步骤。
[0097] 第四方面，本申请实施例还提供了一种计算机可读介质，该计算机可读介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的第一～十二任一种可能的实施方式中的步骤。
[0098] 本发明实施例提供了一种单均补贴的确定方法、装置、电子设备和计算机可读介质，在本实施例中，单均补贴的确定方法应用于服务平台的服务器，该方法通过获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率，再根据每类用户对应的各类型转换率和用户数量，确定该预测周期中每类用户对应各个类型代金券的单均补贴，使预测得到的单均补贴准确度较高，具有较高的参考价值，进而能够为服务平台的合理运营提供可靠的参考数据。
附图说明
[0100] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0101] 图1示出了本申请实施例提供的单均补贴的确定方法的第一种应用场景的示意图；
[0102] 图2示出了本申请实施例提供的单均补贴的确定方法的第一种流程图；
[0103] 图3示出了本申请实施例提供的单均补贴的确定方法的第二种应用场景的示意图；
[0104] 图4示出了本申请实施例提供的单均补贴的确定方法的第二种流程图；
[0105] 图5示出了本申请实施例提供的根据成单参数的大小划分出沉默用户、低单用户和高单用户的步骤的流程图；
[0106] 图6示出了本申请实施例提供的单均补贴的确定方法的第三种流程图；
[0107] 图7示出了本申请实施例提供的循环神经网络RNN模型的网络结构示意图；
[0108] 图8示出了本申请实施例提供的单均补贴的确定装置的结构示意图；
[0109] 图9示出了本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0110] 为使本申请实施例的目的、技术方案和优点更加清楚，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一部分实施例，而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
[0111] 本申请实施例下述方法、装置、电子设备或计算机存储介质可以应用于任何需要确定单均补贴的场景，比如，可以应用于代驾平台、外卖点餐平台、旅游出行平台等对应的服务器上。本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的方法对单均补贴进行确定的方案均在本申请保护范围内。
[0112] 随着服务平台的推广应用，越来越多的用户选择服务平台提供的服务。参见图1所示的为一种可选的单均补贴的确定方法的应用场景示意图，在用户选择服务平台提供的服务后，用户的移动终端12会与服务平台的服务器11进行信息的交互，直到服务平台完成这次服务。同时，服务平台为用户提供完服务后，在服务器11中可以生成关于本次服务的用户成单数据。服务器11可以分别与多个移动终端进行通信，服务平台为用户提供完一次服务后，在服务器11中就可以生成一个关于本次服务的用户成单数据，最后，可以根据多个用户成单数据生成用户历史成单数据。
[0113] 为了提升服务平台自身的市场竞争力，对代金券的单均补贴进行合理预测，本发明实施例提供的一种单均补贴的确定方法、装置、电子设备和计算机可读介质，可以缓解由于代金券补贴的力度过大或过小而导致的影响服务平台的合理运营的问题，进而为服务平台的合理运营提供可靠的参考数据。通过下述实施例将会对此作详细说明。
[0114] 为便于对本实施例进行理解，首先对本发明实施例所公开的一种单均补贴的确定方法进行详细介绍，上述方法应用于服务平台的服务器。如图2所示，该单均补贴的确定方法可以包括以下步骤S201至步骤S202：
[0115] 步骤S201，根据用户历史成单数据获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率。
[0116] 示例性的，该预测周期可以为预先指定的未来一段时间。例如：预测周期可以为一周，也可以为十天，也可以为十五天，也可以为一个月，该预测周期是可以进行灵活设置的，并不局限于本申请实施例提供的设置方式。
[0117] 步骤S202，根据每类用户对应的各类型转换率和上述用户数量，确定上述预测周期中每类用户对应各个类型代金券的单均补贴。
[0118] 本发明实施例提供的上述方法，通过获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率，再根据每类用户对应的各类型转换率和用户数量，确定该预测周期中每类用户对应各个类型代金券的单均补贴，使预测得到的单均补贴准确度较高，具有较高的参考价值，进而能够为服务平台的合理运营提供可靠的参考数据。
[0119] 为了提升用户分类方式的合理性，在步骤S201之前，上述方法还可以包括：根据用户历史成单数据对应的成单参数对用户进行分类，得到至少两类用户；其中，该成单参数包括成单频率和/或成单总数量。
[0120] 在实际应用过程中，用户历史成单数据中可以包括多种类型用户的数据。以北京地区的用户历史成单数据中包括多种类型用户的数据为例进行说明。如图3所示，椭圆31可以表示北京地区的用户历史成单数据，六边形32、五角星形33、三角形34和七角星形35可以分别表示一种类型用户的数据，例如：六边形32可以表示新用户，五角星形33可以表示沉默用户，三角形34可以表示低单用户，七角星形35可以表示高单用户。为了服务平台运营的需要，要把不同类型的用户区分出来。用户类型的数量是可以进行灵活设置的，并不局限于本申请实施例提供的分类方式。
[0121] 考虑到成单参数可以反映出用户使用服务平台的频率或数量，因此本实施例基于成单数量和/或成单频率对用户进行分类，如图4所示的根据用户历史成单数据对应的成单参数对用户进行分类的方法流程图，该分类可以包括以下步骤S401至步骤S404：
[0122] 步骤S401，将用户历史成单数据中成单记录为0的用户划分为新用户。上述新用户可以是在代驾平台进行了注册，但是没有使用代驾平台提供的服务的用户，即成单记录为0的用户。
[0123] 步骤S402，从上述用户历史成单数据中过滤掉上述新用户的数据，得到成单用户数据。上述用户历史成单数据中可以包括：成单记录为0的用户的数据和成单记录不为0的用户的数据，所以，从上述用户历史成单数据中过滤掉成单记录为0的用户的数据，剩下的就是成单记录不为0的用户的数据，即成单用户数据。
[0124] 步骤S403，根据上述成单用户数据计算各个用户的成单参数。
[0125] 由于上述成单参数包括成单频率和/或成单总数量，所以，上述成单参数可以只包括：成单频率，或者上述成单参数可以只包括：成单总数量，或者上述成单参数可以既包括成单频率又包括成单总数量。下面分别对这三种情况进行说明。
[0126] (1)以该成单参数只包括成单总数量为例进行说明。对于每个成单用户数据，可以在第一预设时间段内，计算成单总数量。该第一预设时间段可以为从注册时刻至计算成单总数量时刻，或者可以为从完成第一单服务的时刻至计算成单总数量时刻，或者可以为从开始第一单服务的时刻至计算成单总数量时刻，或者可以为从注册时刻至计算成单总数量时刻中的时长为第二预设时间段的任意时间段，或者可以为从与计算成单总数量时刻距离为第二预设时间段的时刻(早于计算成单总数量时刻)至计算成单总数量时刻。
[0127] 举例说明，若计算成单总数量的时刻为2018年2月1日12:00:00，则对于每个成单用户数据，可以在从注册时刻(早于2018年2月1日12:00:00)至2018年2月1日12:00:00确定的时间段内计算成单总数量。或者，可以在从完成第一单服务的时刻(早于2018年2月1日12:00:00)至2018年2月1日12:00:00确定的时间段内计算成单总数量。或者，可以在从开始第一单服务的时刻至2018年2月1日12:00:00确定的时间段内计算成单总数量。
[0128] 举例说明，若计算成单总数量的时刻为2018年2月1日12:00:00，第二预设时间段为6个月，则对于每个成单用户数据，可以在从注册时刻至2018年2月1日12:00:00中的时长为6个月的任意时间段确定的时间段内计算成单总数量。或者，可以在从与2018年2月1日12:00:00距离为6个月的时刻2017年8月1日12:00:00至2018年2月1日12:00:00确定的时间段内计算成单总数量。
[0129] (2)以上述成单参数只包括成单频率为例进行说明。对于每个成单用户数据，可以在第一预设时间段内，计算成单总数量。然后用成单总数量除以第一预设时间段，得到成单频率。该第一预设时间段可以为从注册时刻至计算成单总数量时刻，或者可以为从完成第一单服务的时刻至计算成单总数量时刻，或者可以为从开始第一单服务的时刻至计算成单总数量时刻，或者可以为从注册时刻至计算成单总数量时刻中的时长为第二预设时间段的任意时间段，或者可以为从与计算成单总数量时刻距离为第二预设时间段的时刻(早于计算成单总数量时刻)至计算成单总数量时刻。
[0130] 举例说明，若计算成单总数量的时刻为2018年2月1日12:00:00，第二预设时间段为6个月，根据某个成单用户数据，计算得到的成单总数量为12个，则可以计算得到这个成单用户数据的成单频率为12个/6个月。
[0131] (3)以上述成单参数既包括成单频率又包括成单总数量为例进行说明。对于每个成单用户数据，可以在第一预设时间段内，计算成单总数量。在第三预设时间段内，计算成单频率，最后根据成单频率和成单总数量确定成单参数。该第一预设时间段可以为从注册时刻至计算成单总数量时刻，或者可以为从完成第一单服务的时刻至计算成单总数量时刻，或者可以为从开始第一单服务的时刻至计算成单总数量时刻。第三预设时间段可以为从注册时刻至计算成单总数量时刻中的时长为第四预设时间段的任意时间段，或者可以为从与计算成单总数量时刻距离为第四预设时间段的时刻(早于计算成单总数量时刻)至计算成单总数量时刻。
[0132] 举例说明，若计算成单总数量的时刻为2018年2月1日12:00:00，第四预设时间段为6个月，则对于每个成单用户数据，可以在从注册时刻(早于2018年2月1日12:00:00)至2018年2月1日12:00:00确定的时间段内计算成单总数量，同时，可以在从注册时刻至2018年2月1日12:00:00中的时长为6个月的任意时间段确定的时间段内计算成单频率。
[0133] 或者，对于每个成单用户数据，可以在从注册时刻(早于2018年2月1日12:00:00)至2018年2月1日12:00:00确定的时间段内计算成单总数量，同时，可以在从与2018年2月1日12:00:00距离为6个月的时刻2017年8月1日12:00:00至2018年2月1日12:00:00确定的时间段内计算成单频率。
[0134] 或者，对于每个成单用户数据，可以在从完成第一单服务的时刻(早于2018年2月1日12:00:00)至2018年2月1日12:00:00确定的时间段内计算成单总数量，同时，可以在从注册时刻至2018年2月1日12:00:00中的时长为6个月的任意时间段确定的时间段内计算成单频率。
[0135] 或者，对于每个成单用户数据，可以在从完成第一单服务的时刻(早于2018年2月1日12:00:00)至2018年2月1日12:00:00确定的时间段内计算成单总数量，同时，可以在从与2018年2月1日12:00:00距离为6个月的时刻2017年8月1日12:00:00至2018年2月1日12:00:
00确定的时间段内计算成单频率。
00确定的时间段内计算成单频率。
[0136] 或者，对于每个成单用户数据，可以在从开始第一单服务的时刻至2018年2月1日12:00:00确定的时间段内计算成单总数量，同时，可以在从注册时刻至2018年2月1日12:
00:00中的时长为6个月的任意时间段确定的时间段内计算成单频率。
00:00中的时长为6个月的任意时间段确定的时间段内计算成单频率。
[0137] 或者，对于每个成单用户数据，可以在从开始第一单服务的时刻至2018年2月1日12:00:00确定的时间段内计算成单总数量，同时，可以在从与2018年2月1日12:00:00距离为6个月的时刻2017年8月1日12:00:00至2018年2月1日12:00:00确定的时间段内计算成单频率。
[0138] 步骤S404，根据上述成单参数的大小划分出沉默用户、低单用户和高单用户。
[0139] 本发明实施例中，可以将上述成单参数设置为包括成单频率和/或成单总数量，根据用户历史成单数据对应的成单参数对用户进行分类，先根据用户历史成单数据将用户分为新用户，得到成单用户数据，再根据成单用户数据计算各个用户的成单参数，最后根据该成单参数的大小划分出沉默用户、低单用户和高单用户，完成对用户的分类。这种基于成单频率和/或成单总数量对用户进行分类的方式，简单易行且合理。
[0140] 考虑到利用区间对多个事物进行分类的方法是简单易行且合理的，因此，本实施例按照成单参数的大小所处的区间来对成单用户进行具体的划分，如图5所示的根据上述成单参数的大小划分出沉默用户、低单用户和高单用户的方法流程图，该分类可以包括以下步骤S501至步骤S503：
[0141] 步骤S501，如果当前用户的成单参数在第一设定区间内，则将上述当前用户归为沉默用户。
[0142] 步骤S502，如果当前用户的成单参数在第二设定区间内，则将上述当前用户归为低单用户。
[0143] 步骤S503，如果当前用户的成单参数在第三设定区间内，则将上述当前用户归为高单用户。
[0144] 其中，上述第一设定区间的最大值小于或等于上述第二设定区间的最小值；上述第二设定区间的最大值小于或等于上述第三设定区间的最小值。
[0145] 本发明实施例中，将用户分为四类：新用户、沉默用户、低单用户和高单用户，这种分类方式比较典型，适于进行分类研究的分析。而且，对于沉默用户、低单用户和高单用户的划分方式，均按照成单参数所处的区间归类，简单易行且合理。
[0146] 当对用户进行具体分类后，上述步骤S201中的获取预测周期中每类用户的用户数量的步骤可以进一步细化，如图6所示，该获取预测周期中每类用户的用户数量的步骤可以包括以下步骤S601至步骤S602：
[0147] 步骤S601，根据历史成单数据统计至少一个周期内的每类用户的用户数量。其中，该用户的类型可以为：新用户、沉默用户、低单用户和高单用户。
[0148] 举例说明，若周期为周，本周用t表示，则要根据历史成单数据统计t-1周的新用户数量、t-1周的沉默用户数量、t-1周的低单用户数量、t-1周的高单用户数量、t-2周的新用户数量、t-2周的沉默用户数量、t-2周的低单用户数量、t-2周的高单用户数量、…、t-n周的新用户数量、t-n周的沉默用户数量、t-n周的低单用户数量和t-n周的高单用户数量。其中，n为自然数，n为预先设定的值。t-1周表示前一周，t-2周表示前两周，…，t-n周表示前n周。
[0149] 步骤S602，根据上述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量，其中，至少一个周期中存在预测周期的相邻周期。该预测周期可以为本周，即上述t周。
[0150] 本发明实施例中，通过预测周期之前周期的用户数量来预测预测周期的用户数量，这种预测方式能够得到比较准确的用户数量，进而能够保障数据的可靠性。而且，本发明实施例通过预先建立的预测模型来进行预测，能够减少计算成本。
[0151] 一般数据预测的过程都会涉及到输入数据和预测模型，将输入数据带入到预测模型中后，就会得到预测数据。因此，本实施例将至少一个周期内的每类用户的用户数量作为输入数据，代入到用户结构预测模型，得到预测周期中每类用户的用户数量。具体实施方式中，根据上述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量的步骤，可以包括：(1)以上述至少一个周期内的每类用户的用户数量作为已知周期的用户结构数据；(2)将上述用户结构数据输入用户结构预测模型，得到预测周期中每类用户的用户数量；该用户结构预测模型是预先通过用户样本数据训练得到的。
[0152] 其中，用户结构预测模型可以为循环神经网络RNN模型。循环神经网络RNN模型的网络结构形式可以如图7所示。循环神经网络RNN模型的输入数据可以为前n周的用户结构数据，前n周的用户结构数据可以包括：前一周的用户结构数据、前2周的用户结构数据、…、前n-1周的用户结构数据和前n周的用户结构数据。
[0153] 前一周的用户结构数据可以包括P1(t-1)、P2(t-1)、P3(t-1)和P4(t-1)，前2周的用户结构数据可以包括P1(t-2)、P2(t-2)、P3(t-2)和P4(t-2)，…，前n-1周的用户结构数据可以包括P1(t-n+1)、P2(t-n+1)、P3(t-n+1)和P4(t-n+1),前n周的用户结构数据可以包括P1(t-n)、P2(t-n)、P3(t-n)和P4(t-n)。以前一周的用户结构数据为例进行说明，其中，P1(t-1)可以表示新用户在前一周中的数量，P2(t-1)可以表示沉默用户在前一周中的数量，P3(t-1)可以表示低单用户在前一周中的数量，P4(t-1)可以表示高单用户在前一周中的数量。
[0154] 该循环神经网络RNN模型的隐藏层中包括多个隐藏单元。多个隐藏单元分别为h1(t-n)、h2(t-n)、h3(t-n)、h4(t-n)、…、h1(t-1)、h2(t-1)、h3(t-1)和h4(t-1)。以h2(t-n)和h2(t-1)为例进行说明。h2(t-n)用于接收h1(t-n)输出的数据和对应的P2(t-n)输出的数据，以及输出数据给h3(t-n)。h2(t-1)接收h1(t-1)输出的数据和P2(t-1)输出的数据，以及分别输出数据给P2(t)和h3(t-1)。
[0155] 循环神经网络RNN模型的输出数据可以为本周的用户结构数据，即P1(t)、P2(t)、P3(t)和P4(t)，其中P1(t)可以表示新用户在本周中的数量，P2(t)可以表示沉默用户在本周中的数量，P3(t)可以表示低单用户在本周中的数量，P4(t)可以表示高单用户在本周中的数量。
[0156] 举例说明，若n＝8，则表示可以将前8周的用户结构数据输入到循环神经网络RNN模型中，进而预测本周的用户结构数据。
[0157] 本发明实施例使用的用户结构预测模型为循环神经网络RNN模型，循环神经网络RNN模型适用于序列化问题的应用场景，所以，循环神经网络RNN模型与本发明实施例的技术比较吻合，因此，本发明实施例使用循环神经网络RNN模型得到的预测周期中每类用户的用户数量是比较准确和可靠的。
[0158] 上述用户结构预测模型是预先通过用户样本数据训练得到的，这样根据该用户结构预测模型得到的预测周期中每类用户的用户数量可以保证是准确的和客观的，上述RNN模型的训练过程可以包括以下步骤。
[0159] (1)获取用户的样本结构数据；其中，该样本结构数据包括特征样本和当前样本周期t的实际用户结构数据；该特征样本设定样本周期内每类用户对应的用户数量P1(t-1)、P2(t-1)、……、PN(t-1)，P1(t-2)、P2(t-2)、……、PN(t-2)，……，P1(t-n)、P2(t-n)、……、PN(t-n)；PN(t)表示N类用户在当前样本周期t中对应的用户数量；其中，N和n为均为自然数，其中N取1至用户类型的总数中的值，n为预先设定的值。
[0160] (2)构建RNN初步模型；该RNN初步模型包括依次连接的输入层、隐藏层和输出层；该隐藏层包括与该输入层的输入单元一一对应的隐藏单元，每个该隐藏单元用于接收对应的输入单元输出的数据，以及接收与其相邻的上一级隐藏单元输出的数据。
[0161] (3)将上述特征样本包含的数据分别输入上述输入单元训练上述隐藏层，以使上述输出层的用户结构数据P1(t)、P2(t)、……、PN(t)和上述实际用户结构数据间的误差在设定误差范围，得到RNN模型。
[0162] 在实际应用中，以指定时段的成单数据计算代金券的转换率，这种统计计算的方式是简单易行的，因此，本实施例根据用户历史成单数据获取每类用户对应的各类型代金券的转换率的步骤如下：(1)获取预测周期之前指定时段的用户历史成单数据；其中，该用户历史成单数据包括各类型代金券的成单数和各类型代金券的发放总数。上述指定时段可以为预测周期之前的6个月，也可以是其它数值。(2)计算每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数。
[0163] 举例说明，若代金券类型为5种，则可以得到20种转换率。这20种转换率分别为：
[0164] (1)新用户对应的第一种类型代金券的转换率X[1,1]，沉默用户对应的第一种类型代金券的转换率X[2,1]，低单用户对应的第一种类型代金券的转换率X[3,1]，高单用户对应的第一种类型代金券的转换率X[4,1]。这四个转换率为四类用户分别对应的第一种类型代金券的转换率。
[0165] (2)新用户对应的第二种类型代金券的转换率X[1,2]，沉默用户对应的第二种类型代金券的转换率X[2,2]，低单用户对应的第二种类型代金券的转换率X[3,2]，高单用户对应的第二种类型代金券的转换率X[4,2]。这四个转换率为四类用户分别对应的第二种类型代金券的转换率。
[0166] (3)新用户对应的第三种类型代金券的转换率X[1,3]，沉默用户对应的第三种类型代金券的转换率X[2,3]，低单用户对应的第三种类型代金券的转换率X[3,3]，高单用户对应的第三种类型代金券的转换率X[4,3]。这四个转换率为四类用户分别对应的第三种类型代金券的转换率。
[0167] (4)新用户对应的第四种类型代金券的转换率X[1,4]，沉默用户对应的第四种类型代金券的转换率X[2,4]，低单用户对应的第四种类型代金券的转换率X[3,4]，高单用户对应的第四种类型代金券的转换率X[4,4]。这四个转换率为四类用户分别对应的第四种类型代金券的转换率。
[0168] (5)新用户对应的第五种类型代金券的转换率X[1,5]，沉默用户对应的第五种类型代金券的转换率X[2,5]，低单用户对应的第五种类型代金券的转换率X[3,5]，高单用户对应的第五种类型代金券的转换率X[4,5]。这四个转换率为四类用户分别对应的第五种类型代金券的转换率。因此，一共可以得到20种转换率。
[0169] 对于转换率X[N,M]的计算公式进一步细化，可以得到：新用户对应的各类型代金券的转换率X[1,M]可以等于新用户中收到M类代金券的代金券成单数除以新用户中收到的M类代金券的总数。沉默用户对应的各类型代金券的转换率X[2,M]可以等于沉默用户中收到M类代金券的代金券成单数除以沉默用户中收到的M类代金券的总数。低单用户对应的各类型代金券的转换率X[3,M]可以等于低单用户中收到M类代金券的代金券成单数除以低单用户中收到的M类代金券的总数。高单用户对应的各类型代金券的转换率X[4,M]可以等于高单用户中收到M类代金券的代金券成单数除以高单用户中收到的M类代金券的总数。
[0170] 若用户的类型为N种，代金券的类型为M种，则计算每类用户对应的各类型代金券的转换率X[N,M]，可以得到一个N*M的矩阵X。
[0171]
[0172] 在矩阵X中，X[i,j]，i＝1,2,...,N，j＝1,2,...,M可以表示第i类用户对应的第j类代金券的转换率。
[0173] 在实际应用中，N类用户中收到的M类代金券可以是服务平台发放的，也可以是N类用户抽奖得到的，也就是说，N类用户中收到M类代金券的渠道可以是多样的。
[0174] 值得注意的是，转换率X[N,M]的值需要每隔一段时间进行更新。原因在于，转换率X[N,M]的值是随着时间变化的。因此，为了保证转换率X[N,M]的准确性、真实性和客观性，转换率X[N,M]的值需要每隔一段时间进行更新。间隔的这段时间可以根据运营需要进行设置，间隔的这段时间可以设置为一周，也可以设置为十天等，并不局限于本申请实施例提供的设置方式。
[0175] 本发明实施例中，以指定时段的用户历史成单数据来计算代金券的转换率，这种统计计算的方式简单易行。
[0176] 在根据用户历史成单数据获取每类用户对应的各类型代金券的转换率的步骤的另一种实施方式中，为了得到更加准确、更加可靠的转换率，本实施例以多个周期的代金券转换率均值作为该类用户的代金券转换率，因此，根据用户历史成单数据获取每类用户对应的各类型代金券的转换率的步骤可以包括：
[0177] 获取预测周期之前多个周期的用户历史成单数据；其中，该用户历史成单数据包括代金券成单数和接收到的代金券总数。
[0178] 以预测周期为本周(t周)为例进行说明。若预测周期为本周，则要获取前n周的用户历史成单数据，其中，n为自然数。前n周的用户历史成单数据可以包括：前1周(t-1周)的用户历史成单数据、前2周(t-2周)的用户历史成单数据、…、前n-1周(t-n+1周)的用户历史成单数据和前n周(t-n周)的用户历史成单数据。
[0179] 分别计算上述多个周期中各个周期内每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数。
[0180] 其中，上述计算各个周期的转换率可以如下：
[0181] (1)计算前1周(t-1周)内每类用户对应的各类型代金券的转换率Xt-1[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数。
[0182] 前1周内每类用户对应的各类型代金券的转换率Xt-1[N,M]可以包括：前1周内新用户对应的各类型代金券的转换率Xt-1[1,M]、前1周内沉默用户对应的各类型代金券的转换率Xt-1[2,M]、前1周内低单用户对应的各类型代金券的转换率Xt-1[3,M]和前1周内高单用户对应的各类型代金券的转换率Xt-1[4,M]。
[0183] (2)计算前2周(t-2周)内每类用户对应的各类型代金券的转换率Xt-2[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数。
[0184] 前2周内每类用户对应的各类型代金券的转换率Xt-2[N,M]可以包括：前2周内新用户对应的各类型代金券的转换率Xt-2[1,M]、前2周内沉默用户对应的各类型代金券的转换率Xt-2[2,M]、前2周内低单用户对应的各类型代金券的转换率Xt-2[3,M]和前2周内高单用户对应的各类型代金券的转换率Xt-2[4,M]。
[0185] (3)计算前n-1周(t-n+1周)内每类用户对应的各类型代金券的转换率Xt-n+1[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数。
[0186] 前n-1周内每类用户对应的各类型代金券的转换率Xt-n+1[N,M]可以包括：前n-1周内新用户对应的各类型代金券的转换率Xt-n+1[1,M]、前n-1周内沉默用户对应的各类型代金券的转换率Xt-n+1[2,M]、前n-1周内低单用户对应的各类型代金券的转换率Xt-n+1[3,M]和前n-1周内高单用户对应的各类型代金券的转换率Xt-n+1[4,M]。
[0187] (4)计算前n周(t-n周)内每类用户对应的各类型代金券的转换率Xt-n[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数。
[0188] 前n周内每类用户对应的各类型代金券的转换率Xt-n[N,M]可以包括：前n周内新用户对应的各类型代金券的转换率Xt-n[1,M]、前n周内沉默用户对应的各类型代金券的转换率Xt-n[2,M]、前n周内低单用户对应的各类型代金券的转换率Xt-n[3,M]和前n周内高单用户对应的各类型代金券的转换率Xt-n[4,M]。
[0189] 计算各个周期的X[N,M]的转换率均值，将该转换率均值作为N类用户对应M类代金券时的转换率。
[0190] 具体的，预测周期内新用户对应的各类型代金券的转换率为：
[0191] Xt[1,M]＝(Xt-1[1,M]+Xt-2[1,M]+...+Xt-n+1[1,M]+Xt-n[1,M])/n；
[0192] 预测周期内沉默用户对应的各类型代金券的转换率为：
[0193] Xt[2,M]＝(Xt-1[2,M]+Xt-2[2,M]+...+Xt-n+1[2,M]+Xt-n[2,M])/n；
[0194] 预测周期内低单用户对应的各类型代金券的转换率为：
[0195] Xt[3,M]＝(Xt-1[3,M]+Xt-2[3,M]+...+Xt-n+1[3,M]+Xt-n[3,M])/n；
[0196] 预测周期内高单用户对应的各类型代金券的转换率为：
[0197] Xt[4,M]＝(Xt-1[4,M]+Xt-2[4,M]+...+Xt-n+1[4,M]+Xt-n[4,M])/n。
[0198] 值得注意的是，转换率Xi[N,M]，i＝t-1,t-2,...,t-n+1,t-n的值均需要每隔一段时间进行更新。原因在于，转换率Xi[N,M]的值是随着时间变化的。因此，为了保证转换率Xi[N,M]的准确性、真实性和客观性，转换率Xi[N,M]的值需要每隔一段时间进行更新。间隔的这段时间可以根据运营需要进行设置，间隔的这段时间可以设置为一周，也可以设置为十天等。
[0199] 本发明实施方式中，以多个周期的代金券均值作为该类用户的代金券转换率，这种操作方式得到的代金券转换率更加准确，同时也更加可靠。
[0200] 在另一种实施方式中，为了保证单均补贴的计算过程的客观合理性，本实施例根据每类用户对应的各类型转换率和上述用户数量，确定上述预测周期中每类用户对应各个类型代金券的单均补贴的步骤，可以包括：N类用户对应M类代金券时的单均补贴YN。其中，YN＝∑NM*P[N]*X[N,M]/∑N P[N]*X[N,M]。其中，P[N]表示N类用户的总数；X[N,M]表示N类用户对应M类代金券时的转换率；P[N]*X[N,M]表示N类用户对应M类代金券时的成单数；M*P[N]*X[N,M]表示N类用户对应M类代金券时的用券金额。
[0201] 本发明实施例中，采用YN＝∑NM*P[N]*X[N,M]/∑N P[N]*X[N,M]来计算N类用户对应M类代金券时的单均补贴YN，这种计算方式客观合理，因此，计算得到的单均补贴YN也是准确的、客观的、具有代表性的。
[0202] 在另一种实施方式中，为了改善代金券的补贴力度的合理性，本实施例提供一种单均补贴的使用方式，上述方法还可以包括以下步骤：(1)根据每类用户对应各个类型代金券的单均补贴，计算单均补贴的平均值。(2)将上述平均值确定为总单均补贴。(3)根据上述总单均补贴控制上述预测周期中发放的代金券类型。
[0203] 本发明实施例中，根据上述总单均补贴控制上述预测周期中发放的代金券类型，这是一种单均补贴的使用方式，可以改善代金券的补贴力度的合理性。进而避免由于代金券补贴的力度过大或过小而导致的影响服务平台的合理运营的问题，进而为服务平台的合理运营提供可靠的参考数据。
[0204] 在另一种实施方式中，为了改善代金券的补贴力度的合理性，本实施例提供另一种单均补贴的使用方式，上述方法还可以包括以下步骤：根据每类用户对应各个类型代金券的单均补贴，选择上述预测周期中每类用户对应的代金券类型。
[0205] 本发明实施例中，根据每类用户对应各个类型代金券的单均补贴，选择上述预测周期中每类用户对应的代金券类型，这是一种单均补贴的使用方式，可以改善代金券的补贴力度的合理性。进而避免由于代金券补贴的力度过大或过小而导致的影响服务平台的合理运营的问题，进而为服务平台的合理运营提供可靠的参考数据。
[0206] 在另一种实施方式中，为了改善代金券的补贴力度的合理性，本实施例提供另一种单均补贴的使用方式，上述方法还可以包括以下步骤：根据每类用户对应各个类型代金券的单均补贴控制上述预测周期中每类用户对应的代金券数量。
[0207] 本发明实施例中，根据每类用户对应各个类型代金券的单均补贴控制上述预测周期中每类用户对应的代金券数量，这是一种单均补贴的使用方式，可以改善代金券的补贴力度的合理性。进而避免由于代金券补贴的力度过大或过小而导致的影响服务平台的合理运营的问题，进而为服务平台的合理运营提供可靠的参考数据。
[0208] 在本发明的又一实施例中，对应于前述单均补贴的确定方法，本实施例提供了一种单均补贴的确定装置，该装置应用于服务平台的服务器，如图8所示，该单均补贴的确定装置可以包括：获取模块81和第一确定模块82。
[0209] 获取模块81，用于根据用户历史成单数据获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率；该预测周期为预先指定的未来一段时间。
[0210] 第一确定模块82，用于根据每类用户对应的各类型转换率和上述用户数量，确定上述预测周期中每类用户对应各个类型代金券的单均补贴。
[0211] 本发明实施例中，本发明实施例提供一种单均补贴的确定装置，该装置应用于服务平台的服务器，该单均补贴的确定装置可以包括：获取模块81和第一确定模块82，获取模块81用于根据用户历史成单数据获取预测周期中每类用户的用户数量和每类用户对应的各类型代金券的转换率；上述预测周期为预先指定的未来一段时间，第一确定模块82用于根据每类用户对应的各类型转换率和上述用户数量，确定上述预测周期中每类用户对应各个类型代金券的单均补贴，这样基于每类用户的数量和其对应的代金券转换率确定的预测周期中每类用户对应的各个类型代金券的单均补贴就是客观准确的，具有较高的参考价值，避免由于代金券补贴的力度过大或过小而导致的影响服务平台的合理运营的问题，因此，缓解了由于代金券补贴的力度过大或过小而导致的影响服务平台的合理运营的问题，进而为服务平台的合理运营提供可靠的参考数据，使得服务平台的运营过程更加稳定和高效。
[0212] 在另一种实施方式中，上述装置还可以包括：分类模块，用于根据用户历史成单数据对应的成单参数对用户进行分类，得到至少两类用户；上述成单参数包括成单频率和/或成单总数量。
[0213] 本发明实施例中，可以将上述成单参数设置为包括成单频率和/或成单总数量。这种基于成单频率和/或成单总数量对用户进行分类的方式，简单易行且合理。
[0214] 在具体实施时，上述分类模块包括：第一划分单元，用于将用户历史成单数据中成单记录为0的用户划分为新用户；过滤单元，用于从上述用户历史成单数据中过滤掉上述新用户的数据，得到成单用户数据；第一计算单元，用于根据上述成单用户数据计算各个用户的成单参数；第二划分单元，用于根据上述成单参数的大小划分出沉默用户、低单用户和高单用户。
[0215] 在具体实施时，上述第二划分单元用于：如果当前用户的成单参数在第一设定区间内，则将上述当前用户归为沉默用户；如果当前用户的成单参数在第二设定区间内，则将上述当前用户归为低单用户；如果当前用户的成单参数在第三设定区间内，则将上述当前用户归为高单用户；其中，上述第一设定区间的最大值小于或等于上述第二设定区间的最小值；上述第二设定区间的最大值小于或等于上述第三设定区间的最小值。
[0216] 本发明实施例中，将用户分为四类：新用户、沉默用户、低单用户和高单用户，这种分类方式比较典型，适于进行分类研究的分析。而且，对于沉默用户、低单用户和高单用户的划分方式，均按照成单参数所处的区间归类，简单易行且合理。
[0217] 在具体实施时，上述获取模块包括：统计单元，用于根据历史成单数据统计至少一个周期内的每类用户的用户数量；预测单元，用于根据上述至少一个周期内的每类用户的用户数量预测预测周期中每类用户的用户数量，其中，上述至少一个周期中存在上述预测周期的相邻周期。
[0218] 在具体实施时，上述预测单元用于：以上述至少一个周期内的每类用户的用户数量作为已知周期的用户结构数据；将上述用户结构数据输入用户结构预测模型，得到预测周期中每类用户的用户数量；上述用户结构预测模型是预先通过用户样本数据训练得到的。
[0219] 在具体实施时，上述用户结构预测模型为循环神经网络RNN模型，上述RNN模型包括：第一获取单元，用于获取用户的样本结构数据；其中，上述样本结构数据包括特征样本和当前样本周期t的实际用户结构数据；上述特征样本设定样本周期内每类用户对应的用户数量P1(t-1)、P2(t-1)、……、PN(t-1)，P1(t-2)、P2(t-2)、……、PN(t-2)，……，P1(t-n)、P2(t-n)、……、PN(t-n)；PN(t)表示N类用户在上述当前样本周期t中对应的用户数量；其中，N和n为均为自然数，其中N取1至用户类型的总数中的值，n为预先设定的值；构建单元，用于构建RNN初步模型；上述RNN初步模型包括依次连接的输入层、隐藏层和输出层；上述隐藏层包括与上述输入层的输入单元一一对应的隐藏单元，每个上述隐藏单元用于接收对应的输入单元输出的数据，以及接收与其相邻的上一级隐藏单元输出的数据；输入单元，用于将上述特征样本包含的数据分别输入上述输入单元训练上述隐藏层，以使上述输出层的用户结构数据P1(t)、P2(t)、……、PN(t)和上述实际用户结构数据间的误差在设定误差范围，得到RNN模型。
[0220] 本发明实施例使用的用户结构预测模型为循环神经网络RNN模型，循环神经网络RNN模型适用于序列化问题的应用场景，所以，循环神经网络RNN模型与本发明实施例的技术比较吻合，因此，本发明实施例使用循环神经网络RNN模型得到的预测周期中每类用户的用户数量是比较准确和可靠的。
[0221] 在具体实施时，上述获取模块包括：第二获取单元，用于获取预测周期之前指定时段的用户历史成单数据；其中，上述用户历史成单数据包括各类型代金券的成单数和各类型代金券的发放总数；第二计算单元，用于计算每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数。
[0222] 在具体实施时，上述获取模块包括：第三获取单元，用于获取预测周期之前多个周期的用户历史成单数据；其中，上述用户历史成单数据包括代金券成单数和接收到的代金券总数；第三计算单元，用于分别计算上述多个周期中各个周期内每类用户对应的各类型代金券的转换率X[N,M]＝N类用户中收到M类代金券的代金券成单数÷上述N类用户中收到的M类代金券的总数；第四计算单元，用于计算各个周期的X[N,M]的转换率均值，将上述转换率均值作为N类用户对应M类代金券时的转换率。
[0223] 在具体实施时，上述第一确定模块用于：N类用户对应M类代金券时的单均补贴YN；其中，YN＝∑NM*P[N]*X[N,M]/∑N P[N]*X[N,M]；P[N]表示N类用户的总数；X[N,M]表示N类用户对应M类代金券时的转换率；P[N]*X[N,M]表示N类用户对应M类代金券时的成单数；M*P[N]*X[N,M]表示N类用户对应M类代金券时的用券金额。
[0224] 在另一种实施方式中，上述装置还可以包括：计算模块，用于根据每类用户对应各个类型代金券的单均补贴，计算单均补贴的平均值；第二确定模块，用于将上述平均值确定为总单均补贴；第一控制模块，用于根据上述总单均补贴控制上述预测周期中发放的代金券类型。
[0225] 本发明实施例中，第一控制模块，用于根据上述总单均补贴控制上述预测周期中发放的代金券类型，这是一种单均补贴的使用方式，可以改善代金券的补贴力度的合理性。
[0226] 在另一种实施方式中，上述装置还可以包括：选择模块，用于根据每类用户对应各个类型代金券的单均补贴，选择上述预测周期中每类用户对应的代金券类型。
[0227] 本发明实施例中，选择模块，用于根据每类用户对应各个类型代金券的单均补贴，选择上述预测周期中每类用户对应的代金券类型，这是一种单均补贴的使用方式，可以改善代金券的补贴力度的合理性。
[0228] 在另一种实施方式中，上述装置还可以包括：第二控制模块，用于根据每类用户对应各个类型代金券的单均补贴控制上述预测周期中每类用户对应的代金券数量。
[0229] 本发明实施例中，第二控制模块，用于根据每类用户对应各个类型代金券的单均补贴控制上述预测周期中每类用户对应的代金券数量，这是一种单均补贴的使用方式，可以改善代金券的补贴力度的合理性。
[0230] 本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0231] 在本发明的又一实施例中，对本发明实施例所公开的一种电子设备进行详细介绍，如图9所示，为本申请实施例提供的一种电子设备的结构示意图，上述电子设备可以包括：处理器120、存储器121、总线122和通信接口123。
[0232] 处理器120、通信接口123和存储器121通过总线122连接；处理器120用于执行存储器121中存储的可执行模块，例如计算机程序。
[0233] 其中，存储器121可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口123(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
[0235] 其中，存储器121用于存储程序，处理器120在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器120中，或者由处理器120实现。
[0236] 处理器120可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器120中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器121，处理器120读取存储器121中的信息，结合其硬件完成上述方法的步骤。
[0237] 在本发明的又一实施例中，对本发明实施例所公开的一种计算机可读介质进行详细介绍，该计算机可读介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一实施例单均补贴的确定方法的步骤。
[0238] 具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述单均补贴的确定方法，从而缓解由于代金券补贴的力度过大或过小而导致的影响服务平台(例如代驾平台)的合理运营的问题，进而为服务平台的合理运营提供可靠的参考数据，保证服务平台合理运营的稳定性和安全性。
[0239] 本申请实施例所提供的单均补贴的确定方法、装置、电子设备和计算机可读介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
[0240] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0241] 功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0242] 以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 规模化充电设施接入有源配电网的安全性量化评估方法 | 2020-06-10 | 488 |
| 一种基于运输需求特征的多种交通方式组合运能优化方法 | 2020-05-20 | 541 |
| 基于差分WGAN网络安全态势预测 | 2020-06-21 | 269 |
| 一种汽车开空调动力控制的优化方法 | 2020-06-06 | 451 |
| 闯红灯违章照片自动筛选方法 | 2020-05-23 | 915 |
| 单均补贴的确定方法、装置、电子设备和计算机可读介质 | 2020-05-17 | 235 |
| 用于治疗黑色素瘤、肺癌或结直肠癌的组合药物制剂 | 2020-05-18 | 769 |
| 治疗实体瘤的方法 | 2020-06-04 | 574 |
| 一种妇科用疼痛强度感受器 | 2020-05-31 | 857 |
| 一种构音障碍元音评估模板 | 2020-06-01 | 598 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
客观缓解率热门专利
QQ群二维码
意见反馈
意见反馈