数据分析方法、系统、服务器及存储介质与流程

1.本技术涉及互联网及大数据处理领域，尤其涉及数据分析方法、系统、服务器及存储介质。


背景技术：

2.目前，已经进入大数据分析时代。对各种各样的行业数据进行大数据分析，可以分析得出各种用途的价值信息，并可以将这些价值信息应用于不同方面，例如用于预警、显示和辅助决策等。商品数据属于经济领域的数据，对商品数据进行分析对于商家和客户都具有重要的应用价值。商品价格数据是商品数据的其中一种，商品价格数据是商品价值的体现，当前，在电商市场的市场中，商品的价格会随着销量、购买力等因素出现较大的浮动，并且随着时间的流逝，商品的价格通常会大打折扣。
3.通过对商品价格数据进行数据分析，可以分析得到相关有价值的数据分析结果，根据这些分析结果可以进行预警、显示和辅助决策。例如，商品价格分析关系市场未来的商品供求趋势、影响因素及变化规律，是市场预测分析与商品生产销售决策的基础，在商品生产、销售等很多方面起着关键作用。
4.但是，相关技术中的商品数据分析方法，参考数据维度单一，数据分析不够全面，分析准确性较低，降低了数据分析结果的应用价值。


技术实现要素：

5.为解决或部分解决相关技术中存在的问题，本技术提供一种数据分析方法、系统、数据分析服务器及存储介质，能够对商品数据进行更全面分析，提高数据分析准确性，提升数据分析结果的应用价值。
6.本技术第一方面提供一种数据分析方法，包括：服务器采集商品数据；根据采集的所述商品数据，获取商品的当前价格数据和价格调整系数；根据采集的所述商品数据，获取商品的历史价格数据，根据所述历史价格数据和所述当前价格数据生成未来价格数据；通过长短期记忆人工神经网络lstm模型，对所述当前价格数据、所述历史价格数据、所述未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据所述商品折扣值进行商品销售预测或商品销售决策。
7.所述通过长短期记忆人工神经网络lstm模型，对所述当前价格数据、所述历史价格数据、所述未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据所述商品折扣值进行商品销售预测或商品销售决策包括：通过所述长短期记忆人工神经网络lstm模型，将所述当前价格数据与所述价格矫正系数相乘获得价格保障值，将所述未来价格数据与所述价格保障值进行比对处理，生成价格集合；对所述价格集合中的数据进行计算，生成初始折扣值；将所述初始折扣值与预设折扣率进行比对处理，生成二次折扣值作为所述商品折扣值，以供根据所述商品折扣值进行商品销售预测或商品销售决策。
8.所述对所述价格集合中的数据进行计算，生成初始折扣值，包括：获取所述价格集合中的第一极值和第二极值，将所述第一极值与所述第二极值进行比值计算，生成待测比值；将所述待测比值与预设倍数值进行比对，若所述待测比值小于所述预设倍数值，则将所述价格集合中在所述第一极值与所述第二极值之间的数值进行计算处理，生成所述初始折扣值。
9.所述生成二次折扣值作为所述商品折扣值，包括：判断所述二次折扣值是否符合预设年限数据，若是，则生成第一待测折扣值；判断所述第一待测折扣值是否符合预设销量系数，若是，则生成第三待测折扣值，并将所述第三待测折扣值进行折扣计算处理，生成所述商品折扣值；若所述二次折扣值不符合所述预设年限数据，则生成第二待测折扣值；判断所述第二待测折扣值是否符合所述预设销量系数，若是，则生成第四待测折扣值，并将所述第四待测折扣值进行折扣计算处理，生成所述商品折扣值。
10.本技术第二方面提供一种数据分析系统，包括采集模块，用于采集商品数据；第一获取模块，用于根据所述采集的商品数据，获取商品的当前价格数据和价格调整系数；第二获取模块，用于根据所述采集的商品数据，获取商品的历史价格数据，根据所述历史价格数据和所述当前价格数据生成未来价格数据；分析处理模块，用于通过长短期记忆人工神经网络lstm模型，对所述当前价格数据、所述历史价格数据、所述未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据所述商品折扣值进行商品销售预测或商品销售决策。
11.所述分析处理模块用于通过长短期记忆人工神经网络lstm模型，将所述当前价格数据与所述价格矫正系数相乘获得价格保障值，将所述未来价格数据与所述价格保障值进行比对处理，生成所述价格集合；对所述价格集合中的数据进行计算，生成初始折扣值；将所述初始折扣值与预设折扣率进行比对处理，生成二次折扣值作为所述商品折扣值。
12.所述分析处理模块包括比对单元，所述比对单元用于获取所述价格集合中的第一极值和第二极值，将所述第一极值与所述第二极值进行比值计算，生成待测比值；将所述待测比值与预设倍数值进行比对，若所述待测比值小于所述预设倍数值，则将所述价格集合中在所述第一极值与所述第二极值之间的数值进行计算处理，生成所述初始折扣值。
13.所述比对单元用于判断所述二次折扣值是否符合预设年限数据，若是，则生成第一待测折扣值，判断所述第一待测折扣值是否符合预设销量系数，若是，则生成第三待测折扣值，并将所述第三待测折扣值进行折扣计算处理，生成所述商品折扣值；若否，则生成第二待测折扣值，判断所述第二待测折扣值是否符合所述预设销量系数，若是，则生成第四待测折扣值，并将所述第四待测折扣值进行折扣计算处理，生成所述商品折扣值。
14.本技术第三方面提供一种数据分析服务器，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
15.本技术第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被数据分析服务器的处理器执行时，使所述处理器执行如上所述的方法。
16.本技术提供的技术方案可以包括以下有益效果：
17.通过上述处理，本技术可以利用服务器从商品数据中获取多个维度的参考数据，并通过长短期记忆人工神经网络lstm模型对多个维度的参考数据进行分析，从而得到更准
确的商品折扣值以供根据所述商品折扣值进行商品销售预测或商品销售决策，从而能够对商品数据进行更全面分析，提高分析准确性，提升数据分析结果的应用价值。
18.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
19.通过结合附图对本技术示例性实施方式进行更详细地描述，本技术的上述以及其他目的、特征和优势将变得更加明显，其中，在本技术示例性实施方式中，相同的参考标号通常代表相同部件。
20.图1是本技术实施例示出的一种数据分析方法的方法流程图；
21.图2是本技术实施例示出的一种数据分析方法的另一方式的方法流程图；
22.图3是本技术实施例示出的一种数据分析方法中针对初始折扣值与预设折扣率进行比对操作前的方法流程图；
23.图4是本技术实施例示出的一种数据分析系统的功能模块图；
24.图5是本技术实施例示出的数据分析服务器的结构示意图。
具体实施方式
25.下面将参照附图更详细地描述本技术的实施方式。虽然附图中显示了本技术的实施方式，然而应该理解，可以以各种形式实现本技术而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本技术更加透彻和完整，并且能够将本技术的范围完整地传达给本领域的技术人员。
26.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”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，本文中使用的术语“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。
27.应当理解，尽管在本技术可能采用术语“第一”、“第二”、“第三”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，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
28.请参阅图1，一种数据分析方法，包括：
29.步骤s101、服务器采集商品数据。
30.需要说明的是，商品数据可以包括近两年的商品信息，商品信息中的商品指的是各行业品牌的商品，而商品信息包括商品的价格、优惠信息、促销信息以及评论信息等。
31.步骤s102、根据采集的商品数据，获取商品的当前价格数据和价格调整系数。
32.需要说明的是，商品的当前价格数据包括当前商品最低价及商品次高价，这里的次高价仅次于当前商品最低价。通过时间序列预测算法结合商品信息计算出商品的销售额以及销量，进一步地，再根据时间序列预测算法结合商品的销售额以及销量计算出商品的
当前价格数据及价格调整参数。价格调整参数包括价格保障系数、价格异常处置系数、价格下幅系数、第一商品系数、同类商品系数、品牌系数以及第二商品系数。其中，价格保障系数是用于保障商品的价格在一个稳定的值。例如，当需要预测某种水产类商品的未来价格时，由于外部的天气因素导致当天的价格与前一天相差较多，通过设置价格保障系数可针对当天的价格进行调整，使其趋于正常情况下的价格。价格异常处置系数是用于修正商品价格出现忽高忽低的不稳定情况。例如，当需要预测的产品在一个月内价格波动比较大时，通过设置价格异常处置系数进行调整，能够使价格趋于稳定。价格下幅系数用于修正商品的次高价，这里的次高价指的是仅次于商品最低价的价格。例如，当需要预测的产品在某一时间段价格下降的较离谱，通过设置价格下幅系数对其价格进行修正，使价格趋于稳定。第一商品系数是指商品对应一级头部行业下两年的所有的商品的降幅，其通过人工进行审核和整理，整理出该商品所在的行业集中的价格区间，并去除最高区间和和最低区间价格，得到所有商品的降幅。同类商品系数是指对单个商品取其价格上下浮动在某一区间内的商品最高到手价和最低到手价，再将商品的最低价与最高价进行比值加和，得到的和除以商品的总量，最终得到该类商品这个时间段的折扣。品牌系数指利用商品历史日最低到手价与商品历史日最高到手价进行比值计算，得到单品系数，再通过基于三级行业和品牌对该类下商品的单品系数进行加和取均值，其目的是得到该品牌商品的折扣。第二商品系数指结合该商品的三个月内的销量，针对不同销量区间的商品设置一个对单品系数影响的比重，且对销量多的商品影响越大，从而区分出不同销量的产品。
33.还需要说明的是，上面描述的价格调整系数中的系数均根据所要预测的不同行业、品牌的商品进行算法推算，具有较大的普适性。如此，通过获取各行业品牌的商品信息，能够扩大数据的覆盖范围，包含了全行业、全品牌。从而使得数据预测的可信度及准确性更强。同时，通过设置价格保障系数、价格异常处置系数、价格下幅系数能够对在预测商品未来的价格中，对异常价格进行修正，从而保证价格的准确性，通过设置第一商品系数、同类商品系数、品牌系数以及第二商品系数，能够根据商品所处行业以及品牌，通过矫正的方式更为精准预测出商品的折扣值。
34.步骤s103、根据采集的商品数据，获取商品的历史价格数据，根据历史价格数据和当前价格数据生成未来价格数据。
35.需要说明的是，历史价格数据为商品历史月均到手价。进一步地，通过时间序列预测算法结合当前价格数据推算出商品预测数据，但不仅局限于此算法。进一步地，通过算法根据商品的历史价格数据，分别预估出商品未来n个月的预测页面价格及预测到手价格，这里的算法同样采用时间序列预测算法，但不仅局限于此算法。例如，商品历史价格信息可以为五个月内商品每天的到手价格及页面价格或者九个月内商品每天到手价格及页面价格。本技术实施方式计算的未来价格数据包括第三个月预测页面价格、第三个月预测到手价格、第六个月预测页面价格以及第六个月预测到手价格，当然也可多计算几个月的预测页面价格以及预测到手价格，具体视商品所处行业而定。
36.步骤s104、通过长短期记忆人工神经网络lstm模型，对当前价格数据、历史价格数据、未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据商品折扣值进行商品销售预测或商品销售决策。
37.需要说明的是，长短期记忆人工神经网络lstm模型是一种时间循环神经网络，是
为了解决一般的rnn存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式，rnn指循环神经网络。基于长短期记忆人工神经网络lstm模型，将当前价格数据、历史价格数据、未来价格数据和价格调整系数采用矫正算法进行运算，得到商品折扣值。进一步地，商品折扣值可以供商品销售预测或者商品销售决策中，例如，金融机构对于流动性商品进行抵押贷款、对商品未来的可折现价值进行评估以及对电商行业的商品价格进行预测。
38.如此，本实施例中利用服务器从商品数据中获取多个维度的参考数据，并通过长短期记忆人工神经网络lstm模型对多个维度的参考数据进行分析，从而得到更准确的商品折扣值以供根据商品折扣值进行商品销售预测或商品销售决策，从而能够对商品数据进行更全面分析，提高分析准确性，提升数据分析结果的应用价值。
39.请参阅图2，图2为一种数据分析方法的另一种实施方式，图2相对于图1更详细描述了本技术的方案。
40.步骤s201、服务器采集商品数据。
41.这里的描述可参照s101的描述，此处不再赘述。
42.步骤s202、根据采集的商品数据，获取商品的当前价格数据和价格调整系数；
43.这里的描述可参照s102的描述，此处不再赘述。
44.步骤s203、根据采集的商品数据，获取商品的历史价格数据，根据历史价格数据和当前价格数据生成未来价格数据；
45.这里的描述可参照s103的描述，此处不再赘述。
46.步骤s204、通过长短期记忆人工神经网络lstm模型，将当前价格数据与价格矫正系数相乘获得价格保障值，将未来价格数据与价格保障值进行比对处理，生成价格集合；对价格集合中的数据进行计算，生成初始折扣值；将初始折扣值与预设折扣率进行比对处理，生成二次折扣值作为商品折扣值。
47.进一步地，步骤s204中的对价格集合中的数据进行计算，生成初始折扣值；将初始折扣值与预设折扣率进行比对处理，生成二次折扣值作为商品折扣值，可以包括：获取价格集合中的第一极值和第二极值，将第一极值与第二极值进行比值计算，生成待测比值；将待测比值与预设倍数值进行比对，若待测比值小于预设倍数值，则将价格集合中在第一极值与第二极值之间的数值进行计算处理，生成初始折扣值；判断二次折扣值是否符合预设年限数据，若是，则生成第一待测折扣值；判断第一待测折扣值是否符合预设销量系数，若是，则生成第三待测折扣值，并将第三待测折扣值进行折扣计算处理，生成商品折扣值；若二次折扣值不符合预设年限数据，则生成第二待测折扣值；判断第二待测折扣值是否符合预设销量系数，若是，则生成第四待测折扣值，并将第四待测折扣值进行折扣计算处理，生成商品折扣值。
48.其中，步骤s204中包括步骤s204a、将当前商品最低价与价格保障系数相乘获得价格预测值，把第n个月预测页面价格与价格预测值进行比对，若第n个月预测页面价格小于价格预测值，则输出当前商品最低价，若第n个月预测页面价格大于价格预测值，则输出第n个月预测页面价格，这里n的取值为1-12。
49.步骤s204中还包括步骤s204b、将当前商品最低价与价格保障系数乘积获得价格预测值，把第n个月预测到手价格与价格预测值进行比对，若第n个月预测页面价格小于价
格预测值，则输出当前商品最低价，若第n个月到手页面价格大于价格预测值，则输出第n个月预测到手价格；这里n的取值同样为1-12。
50.进一步地，步骤s204中还包括步骤s204c、根据当前商品最低价或第n个月预测页面价格、第n个月预测到手价格，生成第一集合及第二集合。其中，第一集合可包含多个当前商品最低价、预测页面价格或者预测到手价格，第二集合可分别包含多个月的当前商品最低价、预测页面价格或者预测到手价格。
51.进一步地，步骤s204中还包括步骤s204d、分别计算第一集合和第二集合中的所有元素，生成第一均值以及第二均值，将第一均值与第二均值进行比对，生成价格集合。
52.其中，将第一集合和第二集合中所有的元素进行求平均数的计算，得到第一均值与第二均值，然后选择第一均值与第二均值之中较小的对应的集合作为价格集合，如此，在金融或者抵押行业类的商品，选择均值较小的更贴近实际情况的价格，即用户将商品抵押至银行时，当用户出现债务的情况无法偿还时，银行会将商品低于市场的商品的页面价或者商品到手价出售，故选择均值小的集合作为价格集合，更贴合实际情况。
53.例如，本技术提供的实施方式为：把第三个月预测页面价格与价格预测值进行比对，若第三个月预测页面价格小于价格预测值，则输出当前商品最低价，若第三个月预测页面价格大于价格预测值，则输出第三个月预测页面价格；把第六个月预测页面价格与价格预测值进行比对，若第六个月预测页面价格小于价格预测值，则输出当前商品最低价，若第六个月预测页面价格大于价格预测值，则输出第六个月预测页面价格。把第三个月预测到手价格与价格预测值进行比对，若第三个月预测到手价格小于价格预测值，则输出当前商品最低价，若第三个月预测到手价格大于价格预测值，则输出第三个月预测到手价格；把第六个月预测到手价格与价格预测值进行比对，若第六个月预测到手价格小于价格预测值，则输出当前商品最低价，若第六个月预测到手价格大于价格预测值，则输出第六个月预测到手价格。如此。通过上述方式，将预测页面价格或者预测到手价格与价格预测值对比，能够判断预测出来的页面价格或者到手价格是否符合常理，最终筛选出符合标准的预测价格。
54.步骤s204中还包括步骤s204e：将当前价格数据与价格调整系数进行乘积获得商品最低价矫正值；判断当前价格数据是否大于商品最低价矫正值，若是，则生成二次折扣值作为商品折扣值。
55.需要说明的是，在进行上述步骤前，会将初始折扣值与第一折扣率进行对比，若大于，才会进行上述步骤。进一步地将商品历史月均到手价与价格下幅系数进行乘积运算，得到商品最低价矫正值，然后商品次高价与商品最低价矫正值进行比对，若商品次高价小于商品最低价矫正值，则二次折扣值为商品次高价，若商品次高价大于商品最低价矫正值，则二次折扣值为商品历史月均到手价与第一商品系数的乘积。其中，利用商品历史月均到手价与第一商品系数乘积的意义在于，当商品次高价都小于商品历史月均到手价乘一个系数时，说明商品次高价为该商品的最低价，保障商品的次高价不会偏离得太离谱，而选取将商品次高价与商品最低价矫正值进行比对的意义在于，因为第一折扣率是大于1的，故通过选取商品次高价进行比较，从而保证二次折扣值不会超过原来的商品价格。
56.例如，这里的第一极值为价格集合中的最大值，第二极值为价格集合中的最小值，预设倍数值根据不同种类的商品视实际情况进行定义，通过将待测比值与预设倍数值进行
比对，能够检出预测出来的价格集合是否存在较大的波动情况，若待测比值大于预设倍数值，则将上一步骤中的第二集合里面的第一极值和第二极值进行计算，这里假设价格集合选取的是第一集合，若第二集合里面的第一极值和第二极值的比值结果符合小于预设倍数值的条件，则生成初始折扣值。若仍然大于预设倍数值，则将当前商品最低价与价格异常处置系数进行相乘，获得初始折扣值，这里的价格异常处置系数用于修正当前商品最低价，以保障当前商品最低价不会与正常市场价格偏离较大。进一步地，在一实施方式中，初始折扣值通过价格集合中除去第一极值和第二极值的所有元素的均值除以当前商品最低价。如此，剔除第一极值以及第二极值，再将集合剩余的元素进行求均值运算，使得预测出来的价格更加贴近于实际情况，从而提升了初始折扣值的准确率。
57.还需要说明的是，预设年限数据指的是商品的上架时长未满一年，并且其第二商品系数大于商品阈值，这里的商品阈值根据不同种类或者行业的商品具体的销量情况进行设定，比如，某种商品新上市，其上架时长未满一年，并且其售卖的折扣非常大，进而销售量较大，非常影响同行的竞争，故其第二商品系数自然较高，为了防止这种情况出现，通过增设上架时长这个条件以及商品阈值进行第三次筛选。进一步需要解释的是，第一待测折扣值等于二次折扣值与同类商品系数、品牌系数的乘积获得，第二待测折扣值等于二次折扣值与品牌系数的乘积，紧接着，将第一待测折扣值和第二待测折扣值分别除以当前商品最低价，得到结果与预设销量系数进行比对，这里的预设销量系数是通过商品所属的三级分类在全网的销量排名所在区间设定临界系数，即对计算结果进行第三次筛选。最后，第三待测折扣值的运算方式是与第二商品系数进行相乘得到结果除以当前商品最低价得到最终的商品折扣值，第四待测折扣值为上一步骤得到的第一待测折扣值或者第二待测折扣值的任何一个，通过除以当前商品最低价得到最终的商品折扣值。
58.请参阅图3，图3为针对初始折扣值与预设折扣率进行比对操作前的方法流程图，具体地，在步骤将初始折扣值与预设折扣率进行比对操作前，具体还包括如下步骤：
59.s301、将初始折扣值分别与第一折扣率及第二折扣率进行对比，若初始折扣值大于第一折扣率，则生成第一筛选值；
60.s302、若初始折扣值小于第一折扣率且大于第二折扣率，则生成第二筛选值；
61.s303、若初始折扣值小于第二折扣率，则生成第三筛选值。
62.需要说明的是，当初始折扣值对应的商品长期是通过促销活动或者抬高价格再进行打折进行售卖的商品，这类商品的折扣往往比较大，故设立第一折扣率以及第二折扣率，对初始折扣值进行二次检验，能够筛查这一类商品的折扣率，从而进行剔除或者对这类商品进行重新评估初始折扣值。进一步地，当初始折扣值大于第一折扣率时，其中，第一折扣率大于1，会执行该步骤：将商品预测数据与矫正数据进行乘积获得商品最低价矫正值；判断商品预测数据是否大于商品最低价矫正值，若是，则生成第一筛选值，第一筛选值的计算方式为商品历史月均到手价与第一商品系数的乘积。再进一步地，当初始折扣值小于第一折扣率且大于第二折扣率时，第二筛选值的计算方式为待测比值与同类商品系数的乘积，即通过同类商品系数去约束初始折扣值。而当初始折扣值小于第二折扣率时，生成第三筛选值，这里的第三筛选值等于待测比值，由于初始折扣值小于第二折扣率，则说明初始折扣值对应的商品的折扣较为贴近实际。最后根据判断的情况，生成的二次折扣值为第一筛选值、第二筛选值及第三筛选值中任意的一个。
63.综上，通过第一商品系数、同类商品系数、品牌系数以及第二商品系数一层一层对折扣值进行约束，即先从商品所属行业进行约束、到与商品同类型商品进行约束、到商品的各类品牌进行约束，最后到根据单个商品不同销量进行约束，剔除商品出现的非正常的价格，不断地具象化处理，使得商品折扣值的精度更高，准确度也更有保证。
64.请参阅图4，图4为一种数据分析系统的功能模块图。本技术还提供一种数据分析系统，包括采集模块100，用于采集商品数据；第一获取模块200，用于根据采集的商品数据，获取商品的当前价格数据和价格调整系数；第二获取模块300，用于根据采集的商品数据，获取商品的历史价格数据，根据历史价格数据和当前价格数据生成未来价格数据；分析处理模块400，用于通过长短期记忆人工神经网络lstm模型，对当前价格数据、历史价格数据、未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据商品折扣值进行商品销售预测或商品销售决策。
65.进一步地，在一实施方式中，分析处理模块400用于将当前价格数据与价格矫正系数相乘获得价格保障值，将未来价格数据与价格保障值进行比对处理，生成价格集合；对价格集合中的数据进行计算，生成初始折扣值；将初始折扣值与预设折扣率进行比对处理，生成二次折扣值作为商品折扣值。
66.再进一步地，在一实施方式中，分析处理模块400包括比对单元，比对单元用于获取价格集合中的第一极值和第二极值，将第一极值与第二极值进行比值计算，生成待测比值；将待测比值与预设倍数值进行比对，若待测比值小于预设倍数值，则将价格集合中在第一极值与第二极值之间的数值进行计算处理，生成初始折扣值。
67.比对单元用于判断二次折扣值是否符合预设年限数据，若是，则生成第一待测折扣值；判断第一待测折扣值是否符合预设销量系数，若是，则生成第三待测折扣值，并将第三待测折扣值进行折扣计算处理，生成商品折扣值；若二次折扣值不符合预设年限数据，则生成第二待测折扣值；判断第二待测折扣值是否符合预设销量系数，若是，则生成第四待测折扣值，并将第四待测折扣值进行折扣计算处理，生成商品折扣值。
68.本技术的数据分析系统，利用服务器从商品数据中获取多个维度的参考数据，并通过长短期记忆人工神经网络lstm模型对多个维度的参考数据进行分析，从而得到更准确的商品折扣值以供根据商品折扣值进行商品销售预测或商品销售决策，从而能够对商品数据进行更全面分析，提高分析准确性，提升数据分析结果的应用价值。
69.关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
70.图5是本技术实施例示出的数据分析服务器的结构示意图。
71.参见图5，数据分析服务器1000包括存储器1010和处理器1020。
72.处理器1020可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
73.存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器(rom)和永
久存储装置。其中，rom可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如dram，sram，sdram，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片(cd)、只读数字多功能光盘(例如dvd-rom，双层dvd-rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、min sd卡、micro-sd卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
74.存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部。
75.此外，根据本技术的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本技术的上述方法中部分或全部步骤的计算机程序代码指令。
76.或者，本技术还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被数据分析服务器的处理器执行时，使处理器执行根据本技术的上述方法的各个步骤的部分或全部。
77.以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种数据分析方法，其特征在于，包括：服务器采集商品数据；根据采集的所述商品数据，获取商品的当前价格数据和价格调整系数；根据采集的所述商品数据，获取商品的历史价格数据，根据所述历史价格数据和所述当前价格数据生成未来价格数据；通过长短期记忆人工神经网络lstm模型，对所述当前价格数据、所述历史价格数据、所述未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据所述商品折扣值进行商品销售预测或商品销售决策。2.根据权利要求1所述的数据分析方法，其特征在于，所述通过长短期记忆人工神经网络lstm模型，对所述当前价格数据、所述历史价格数据、所述未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据所述商品折扣值进行商品销售预测或商品销售决策，包括：通过所述长短期记忆人工神经网络lstm模型，将所述当前价格数据与所述价格矫正系数相乘获得价格保障值，将所述未来价格数据与所述价格保障值进行比对处理，生成价格集合；对所述价格集合中的数据进行计算，生成初始折扣值；将所述初始折扣值与预设折扣率进行比对处理，生成二次折扣值作为所述商品折扣值，以供根据所述商品折扣值进行商品销售预测或商品销售决策。3.根据权利要求2所述的数据分析方法，其特征在于，所述对所述价格集合中的数据进行计算，生成初始折扣值，包括：获取所述价格集合中的第一极值和第二极值，将所述第一极值与所述第二极值进行比值计算，生成待测比值；将所述待测比值与预设倍数值进行比对，若所述待测比值小于所述预设倍数值，则将所述价格集合中在所述第一极值与所述第二极值之间的数值进行计算处理，生成所述初始折扣值。4.根据权利要求2所述的数据分析方法，其特征在于，所述生成二次折扣值作为所述商品折扣值包括：判断所述二次折扣值是否符合预设年限数据，若是，则生成第一待测折扣值；判断所述第一待测折扣值是否符合预设销量系数，若是，则生成第三待测折扣值，并将所述第三待测折扣值进行折扣计算处理，生成所述商品折扣值；若所述二次折扣值不符合所述预设年限数据，则生成第二待测折扣值；判断所述第二待测折扣值是否符合所述预设销量系数，若是，则生成第四待测折扣值，并将所述第四待测折扣值进行折扣计算处理，生成所述商品折扣值。5.一种数据分析系统，其特征在于，包括：采集模块，用于采集商品数据；第一获取模块，用于根据采集的所述商品数据，获取商品的当前价格数据和价格调整系数；第二获取模块，用于根据采集的所述商品数据，获取商品的历史价格数据，根据所述历史价格数据和所述当前价格数据生成未来价格数据；
分析处理模块，用于通过长短期记忆人工神经网络lstm模型，对所述当前价格数据、所述历史价格数据、所述未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据所述商品折扣值进行商品销售预测或商品销售决策。6.根据权利要求5所述的数据分析系统，其特征在于：所述分析处理模块用于通过长短期记忆人工神经网络lstm模型，将所述当前价格数据与所述价格矫正系数相乘获得价格保障值，将所述未来价格数据与所述价格保障值进行比对处理，生成价格集合；对所述价格集合中的数据进行计算，生成初始折扣值；将所述初始折扣值与预设折扣率进行比对处理，生成二次折扣值作为所述商品折扣值，以供根据所述商品折扣值进行商品销售预测或商品销售决策。7.根据权利要求6所述的数据分析系统，其特征在于：所述分析处理模块包括比对单元，所述比对单元用于获取所述价格集合中的第一极值和第二极值，将所述第一极值与所述第二极值进行比值计算，生成待测比值；将所述待测比值与预设倍数值进行比对，若所述待测比值小于所述预设倍数值，则将所述价格集合中在所述第一极值与所述第二极值之间的数值进行计算处理，生成所述初始折扣值。8.根据权利要求7所述的数据分析系统，其特征在于：所述比对单元用于判断所述二次折扣值是否符合预设年限数据，若是，则生成第一待测折扣值；判断所述第一待测折扣值是否符合预设销量系数，若是，则生成第三待测折扣值，并将所述第三待测折扣值进行折扣计算处理，生成所述商品折扣值；若所述二次折扣值不符合所述预设年限数据，则生成第二待测折扣值；判断所述第二待测折扣值是否符合所述预设销量系数，若是，则生成第四待测折扣值，并将所述第四待测折扣值进行折扣计算处理，生成所述商品折扣值。9.一种数据分析服务器，其特征在于，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-4中任一项所述的方法。10.一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被数据分析服务器的处理器执行时，使所述处理器执行如权利要求1-4中任一项所述的方法。

技术总结
本申请涉及一种数据分析方法、系统、服务器及存储介质。该方法包括：服务器采集商品数据；根据采集的商品数据，获取商品的当前价格数据和价格调整系数；根据采集的商品数据，获取商品的历史价格数据，根据历史价格数据和当前价格数据生成未来价格数据；通过长短期记忆人工神经网络LSTM模型，对当前价格数据、历史价格数据、未来价格数据和价格调整系数采用矫正算法进行分析处理，输出分析得到的商品折扣值以供根据商品折扣值进行商品销售预测或商品销售决策。本申请能够对商品数据进行更全面分析，提高数据分析准确性，提升数据分析结果的应用价值。的应用价值。的应用价值。


技术研发人员：佟凯强
受保护的技术使用者：北京值元数字科技有限公司
技术研发日：2023.05.12
技术公布日：2023/8/13