本发明涉及数据处理领域，特别涉及一种订单报价方法和装置。
背景技术：
随着项目需求的日渐增多，项目的报价系统需要更加完善。现有技术中，项目报价一般是由有经验的销售人员根据之前项目经验，给出预估价格。该报价方法存在以下问题：
1、有很大的人为因素，不同销售人员对项目的整体把握可能有差异；
2、当项目需求量很大的时候，会消耗销售人员大量的精力；
3、由于时间的推移，人力成本及其他成本上涨，导致原有的报价预测会普遍偏低。
技术实现要素：
本发明提供了一种订单报价方法和装置，以解决现有技术中的报价方法准确性和工作效率较低的缺陷。
本发明提供了一种订单报价方法，包括以下步骤：
获取当前订单的需求信息，所述需求信息包括x个属性标签，所述x个属性标签包括采集人年龄、录制场地和录音设备；
从所述x个属性标签中提取主成分特征，得到xm个属性标签，其中，x和xm均为正整数，x大于xm；
根据所述xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆lstm网络，对所述当前订单的报价进行预测。
可选地，所述的方法，还包括：
获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括x个属性标签和订单报价，所述x个属性标签包括采集人年龄、录制场地和录音设备；
从所述x个属性标签中提取主成分特征，得到xm个属性标签；
根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络。
可选地，所述根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络之后，还包括：
根据新增的历史订单数据，更新所述lstm网络。
可选地，所述根据新增的历史订单数据，更新所述lstm网络，包括：
根据新增的历史订单数据以及在预设时长内使用所述lstm网络得到的预测结果，更新所述lstm网络。
可选地，所述xm个属性标签中的任意两个属性标签均线性无关。
本发明还提供了一种订单报价装置，包括：
第一获取模块，用于获取当前订单的需求信息，所述需求信息包括x个属性标签，所述x个属性标签包括采集人年龄、录制场地和录音设备；
第一提取模块，用于从所述x个属性标签中提取主成分特征，得到xm个属性标签，其中，x和xm均为正整数，x大于xm；
预测模块，用于根据所述xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆lstm网络，对所述当前订单的报价进行预测。
可选地，所述的装置，还包括：
第二获取模块，用于获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括x个属性标签和订单报价，所述x个属性标签包括采集人年龄、录制场地和录音设备；
第二提取模块，用于从所述x个属性标签中提取主成分特征，得到xm个属性标签；
训练模块，用于根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络。
可选地，所述的装置，还包括：
更新模块，用于根据新增的历史订单数据，更新所述lstm网络。
可选地，所述更新模块，具体用于根据新增的历史订单数据以及在预设时长内使用所述lstm网络得到的预测结果，更新所述lstm网络。
可选地，所述xm个属性标签中的任意两个属性标签均线性无关。
本发明根据当前订单的属性标签，使用根据历史订单数据预先训练得到的lstm网络，对当前订单的报价进行预测，从而得到最合适的报价，能够提升订单报价的准确性和工作效率。
附图说明
图1为本发明实施例中的一种订单报价方法流程图；
图2为本发明实施例中的一种lstm网络的训练方法流程图；
图3为本发明实施例中的一种订单报价装置结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种订单报价方法，如图1所示，包括以下步骤：
步骤101，获取当前订单的需求信息，所述需求信息包括x个属性标签，所述x个属性标签包括采集人年龄、录制场地和录音设备。
例如，对于一个语音采集标注项目，客户会提出采集人年龄、录制场地和录音设备等x项属性标签。
步骤102，从所述x个属性标签中提取主成分特征，得到xm个属性标签。
其中，x和xm均为正整数，x大于xm。xm个属性标签中的任意两个属性标签均线性无关。
步骤103，根据所述xm个属性标签，使用根据历史订单数据预先训练得到的lstm网络，对所述当前订单的报价进行预测。
具体地，可以将当前订单的xm个属性标签输入到lstm(longshorttermmemory，长短时记忆)网络，将输出的结果作为当前订单的报价。
需要说明的是，本实施例中的lstm网络的训练方法，如图2所示，包括以下步骤：
步骤201，获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括x个属性标签和订单报价。
其中，x个属性标签包括采集人年龄、录制场地和录音设备。
具体地，可以对统一公司的历史订单数据进行整理和归档。例如，a公司近几年有上万个历史订单，每个订单具有x个属性标签，可以先组织人员对这批数据进行回填和校准，获得一个n*(x 1)的矩阵。其中，n为历史订单数，(x 1)维包括x个属性标签和1个订单报价。通过上述步骤将实际问题转化成由x个不同特征维度的数据预测最终报价的过程。
步骤202，从所述x个属性标签中提取主成分特征，得到xm个属性标签。
其中，x和xm均为正整数，x大于xm。xm个属性标签中的任意两个属性标签均线性无关。
具体地，可以对x个属性标签执行pca(principalcomponentanalysis，主成分分析)操作，将x维特征提取主成分特征到xm维，通过线性变换将原始的x维属性数据变换为一组各维度线性无关的表示，用作提取数据的xm维主要特征分量，即xm个属性标签
本实施例中，应用场景数据为x个属性标签，其中有一些属性值会随着时间推移发生变化(例如，人力成本)。现有技术中的数据预测方法通常会使用线性拟合和神经网络做非线性拟合等方式，而本实施例结合实际场景，使用pca降维，减少属性标签量，防止在预测时会出现因训练数据少而造成过拟合的现象。
步骤203，根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络。
本实施例中，x个属性标签中的某些属性标签会随着时间推移发生变化，故本实施例采用lstm算法，训练得到lstm网络。
步骤204，根据新增的历史订单数据，更新所述lstm网络。
具体地，可以根据新增的历史订单数据以及在预设时长内使用所述lstm网络得到的预测结果，更新所述lstm网络。
本实施例中，使用lstm算法处理时间序列中间隔和延迟相对较长的重要事件。由于项目量较大，可以设置时间间隔为一季度(三个月)。
例如，先根据2016年第一季度的历史订单数据训练得到一个base模型，即第一季度的lstm网络；然后，在根据2016年第二季度的历史订单数据训练lstm网络时，参考使用第一季度的lstm网络得到的预测结果。对于2019年第三季度，其预测报价l会受到之前的季度模型的影响，其中受到最近一季度(2019年第二季度)的影响最大。
本发明实施例根据当前订单的属性标签，使用根据历史订单数据预先训练得到的lstm网络，对当前订单的报价进行预测，从而得到最合适的报价，能够提升订单报价的准确性和工作效率。
基于上述订单报价方法，本发明实施例还提供一种订单报价装置，如图3所示，包括：
第一获取模块310，用于获取当前订单的需求信息，所述需求信息包括x个属性标签，所述x个属性标签包括采集人年龄、录制场地和录音设备；
第一提取模块320，用于从所述x个属性标签中提取主成分特征，得到xm个属性标签；
其中，x和xm均为正整数，x大于xm；xm个属性标签中的任意两个属性标签均线性无关。
预测模块330，用于根据所述xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆lstm网络，对所述当前订单的报价进行预测。
进一步地，上述装置，还包括：
第二获取模块，用于获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括x个属性标签和订单报价，所述x个属性标签包括采集人年龄、录制场地和录音设备；
第二提取模块，用于从所述x个属性标签中提取主成分特征，得到xm个属性标签；
训练模块，用于根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络。
进一步地，上述装置，还包括：
更新模块，用于根据新增的历史订单数据，更新所述lstm网络。
具体地，更新模块，具体用于根据新增的历史订单数据以及在预设时长内使用所述lstm网络得到的预测结果，更新所述lstm网络。
本发明实施例根据当前订单的属性标签，使用根据历史订单数据预先训练得到的lstm网络，对当前订单的报价进行预测，从而得到最合适的报价，能够提升订单报价的准确性和工作效率。
结合本文中所公开的实施例描述的方法中的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
1.一种订单报价方法，其特征在于，包括以下步骤：
获取当前订单的需求信息，所述需求信息包括x个属性标签，所述x个属性标签包括采集人年龄、录制场地和录音设备；
从所述x个属性标签中提取主成分特征，得到xm个属性标签，其中，x和xm均为正整数，x大于xm；
根据所述xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆lstm网络，对所述当前订单的报价进行预测。
2.如权利要求1所述的方法，其特征在于，还包括：
获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括x个属性标签和订单报价，所述x个属性标签包括采集人年龄、录制场地和录音设备；
从所述x个属性标签中提取主成分特征，得到xm个属性标签；
根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络。
3.如权利要求2所述的方法，其特征在于，所述根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络之后，还包括：
根据新增的历史订单数据，更新所述lstm网络。
4.如权利要求3所述的方法，其特征在于，所述根据新增的历史订单数据，更新所述lstm网络，包括：
根据新增的历史订单数据以及在预设时长内使用所述lstm网络得到的预测结果，更新所述lstm网络。
5.如权利要求1至4任一项所述的方法，其特征在于，所述xm个属性标签中的任意两个属性标签均线性无关。
6.一种订单报价装置，其特征在于，包括：
第一获取模块，用于获取当前订单的需求信息，所述需求信息包括x个属性标签，所述x个属性标签包括采集人年龄、录制场地和录音设备；
第一提取模块，用于从所述x个属性标签中提取主成分特征，得到xm个属性标签，其中，x和xm均为正整数，x大于xm；
预测模块，用于根据所述xm个属性标签，使用根据历史订单数据预先训练得到的长短时记忆lstm网络，对所述当前订单的报价进行预测。
7.如权利要求6所述的装置，其特征在于，还包括：
第二获取模块，用于获取历史订单数据，所述历史订单数据包括多个历史订单的属性信息，所述属性信息包括x个属性标签和订单报价，所述x个属性标签包括采集人年龄、录制场地和录音设备；
第二提取模块，用于从所述x个属性标签中提取主成分特征，得到xm个属性标签；
训练模块，用于根据所述多个历史订单的xm个属性标签和订单报价，训练得到所述lstm网络。
8.如权利要求7所述的装置，其特征在于，还包括：
更新模块，用于根据新增的历史订单数据，更新所述lstm网络。
9.如权利要求8所述的装置，其特征在于，
所述更新模块，具体用于根据新增的历史订单数据以及在预设时长内使用所述lstm网络得到的预测结果，更新所述lstm网络。
10.如权利要求6至9任一项所述的装置，其特征在于，所述xm个属性标签中的任意两个属性标签均线性无关。
技术总结