价格波动预测方法及装置专利检索-波动物理专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

价格波动预测方法及装置

阅读：688发布：2021-03-01

IPRDB可以提供价格波动预测方法及装置专利检索，专利查询，专利分析的服务。并且本发明提供一种价格波动预测方法及装置，通过对影响待预测目标价格的多种特征因素进行处理，实现对待预测目标进行快速且准确的价格波动预测。具体的，通过对获取到的影响待预测目标价格的多个特征因素进行处理得到特征因素对应的特征值，对多个特征因素分别对应的特征值两两之间进行相关性计算，得到多个特征因素的相关系数矩阵，对相关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法，当判断结果为是时，根据因子分析方法、多个特征因素及每个特征因素对应的特征值对待预测目标进行价格波动预测。，下面是价格波动预测方法及装置专利的具体信息内容。

权利要求

1.一种价格波动预测方法，其特征在于，所述方法包括：获取影响待预测目标价格的多个特征因素，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值；

对所述多个特征因素分别对应的特征值两两之间进行相关性计算，得到所述多个特征因素的相关系数矩阵；

对所述相关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法；

当判断结果为是时，根据所述因子分析方法、多个特征因素及每个所述特征因素对应的特征值对所述待预测目标进行价格波动预测。

2.根据权利要求1所述的价格波动预测方法，其特征在于，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值的步骤包括：对每个所述特征因素分别进行数值化处理，得到每个所述特征因素对应的数值；

将每个所述特征因素对应的数值分别进行归一化处理，得到每个特征因素对应的特征值。

3.根据权利要求1所述的价格波动预测方法，其特征在于，所述对所述相关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法的步骤包括：对所述相关系数矩阵进行KMO检验，并在完成KMO检验后进行巴特利球体检验，得到KMO检验系数和巴特利球体检验的统计值显著性概率值；

根据所述KMO检验系数和巴特利球体检验的统计值显著性概率值判断是否采用因子分析方法。

4.根据权利要求1所述的价格波动预测方法，其特征在于，判断是否采用因子分析方法的判断结果为否时，所述方法还包括：根据GBDT算法、所述特征因素和每个特征因素对应的特征值对所述待预测目标进行价格波动预测。

5.根据权利要求1所述的价格波动预测方法，其特征在于，所述待预测目标价格为春季蔬菜价格，所述多个特征因素包括菜地面积、人口指数、物流指数、气温因素以及灾害因素。

6.一种价格波动预测装置，其特征在于，所述装置包括：获取模块，用于获取影响待预测目标价格的多个特征因素，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值；

计算模块，用于对所述多个特征因素分别对应的特征值两两之间进行相关性计算，得到所述多个特征因素的相关系数矩阵；

判断模块，用于对所述关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法；

第一预测模块，用于当判断结果为是时，根据所述因子分析方法、多个特征因素及每个所述特征因素对应的特征值对所述待预测目标进行价格波动预测。

7.根据权利要求6所述的价格波动预测装置，其特征在于，所述获取模块包括：第一处理子模块，用于对每个所述特征因素分别进行数值化处理，得到每个所述特征因素对应的数值；

第二处理子模块，用于将每个所述特征因素对应的数值分别进行归一化处理，得到每个特征因素对应的特征值。

8.根据权利要求6所述的价格波动预测装置，其特征在于，所述判断模块包括：检验子模块，用于对所述相关系数矩阵进行KMO检验，并在完成KMO检验后进行巴特利球体检验，得到KMO检验系数和巴特利球体检验的统计值显著性概率值；

判断子模块，用于判断根据所述KMO检验系数和巴特利球体检验的统计值显著性概率值判断是否采用因子分析方法。

9.根据权利要求6所述的价格波动预测装置，其特征在于，在判断结果为否时，所述装置还包括：第二预测模块，用于根据GBDT算法、所述特征因素和每个特征因素对应的特征值对所述待预测目标进行价格波动预测。

10.根据权利要求6所述的价格波动预测装置，其特征在于，所述待预测目标价格为春季蔬菜价格，所述多个特征因素包括菜地面积、人口指数、物流指数、气温因素以及灾害因素。

说明书全文

价格波动预测方法及装置

技术领域

[0001] 本申请涉及数据分析领域，具体而言，涉及一种价格波动预测方法及装置。

背景技术

[0002] 蔬菜和肉类等食物的价格属于人们日常十分关心的问题，同时，蔬菜和肉类的价格波动幅度较大，对于社会稳定也至关重要。因此，提供一种能够对蔬菜和肉类价格波动进行准确预测的方法，以便于对蔬菜和肉类等食物进行调配，从而实现对价格的控制是亟待解决的技术问题。

发明内容

[0003] 本申请的目的在于提供一种价格波动预测方法及装置。

[0004] 本发明提供的一种价格波动预测方法，所述方法包括：

[0005] 获取影响待预测目标价格的多个特征因素，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值；

[0006] 对所述多个特征因素分别对应的特征值两两之间进行相关性计算，得到所述多个特征因素的相关系数矩阵；

[0007] 对所述相关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法；

[0008] 当判断结果为是时，根据所述因子分析方法、多个特征因素及每个所述特征因素对应的特征值对所述待预测目标进行价格波动预测。

[0009] 可选的，在上述价格波动预测方法中，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值的步骤包括：

[0010] 对每个所述特征因素分别进行数值化处理，得到每个所述特征因素对应的数值；

[0011] 将每个所述特征因素对应的数值分别进行归一化处理，得到每个特征因素对应的特征值。

[0012] 可选的，在上述价格波动预测方法中，所述对所述相关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法的步骤包括：

[0013] 对所述相关系数矩阵进行KMO检验，并在完成KMO检验后进行巴特利球体检验，得到KMO检验系数和巴特利球体检验的统计值显著性概率值；

[0014] 根据所述KMO检验系数和巴特利球体检验的统计值显著性概率值判断是否采用因子分析方法。

[0015] 可选的，在上述价格波动预测方法中，判断是否采用因子分析方法的判断结果为否时，所述方法还包括：

[0016] 根据GBDT算法、所述特征因素和每个特征因素对应的特征值对所述待预测目标进行价格波动预测。

[0017] 可选的，在上述价格波动预测方法中，所述待预测目标价格为春季蔬菜价格，所述多个特征因素包括菜地面积、人口指数、物流指数、气温因素以及灾害因素。

[0018] 本发明还提供一种价格波动预测装置，所述装置包括：

[0019] 获取模块，用于获取影响待预测目标价格的多个特征因素，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值；

[0020] 计算模块，用于对所述多个特征因素分别对应的特征值两两之间进行相关性计算，得到所述多个特征因素的相关系数矩阵；

[0021] 判断模块，用于对所述关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法；

[0022] 第一预测模块，用于当判断结果为是时，根据所述因子分析方法、多个特征因素及每个所述特征因素对应的特征值对所述待预测目标进行价格波动预测。

[0023] 可选的，在上述价格波动预测装置中，所述获取模块包括：

[0024] 第一处理子模块，用于对每个所述特征因素分别进行数值化处理，得到每个所述特征因素对应的数值；

[0025] 第二处理子模块，用于将每个所述特征因素对应的数值分别进行归一化处理，得到每个特征因素对应的特征值。

[0026] 可选的，在上述价格波动预测装置中，所述判断模块包括：

[0027] 检验子模块，用于对所述相关系数矩阵进行KMO检验，并在完成KMO检验后进行巴特利球体检验，得到KMO检验系数和巴特利球体检验的统计值显著性概率值；

[0028] 判断子模块，用于判断根据所述KMO检验系数和巴特利球体检验的统计值显著性概率值判断是否采用因子分析方法。

[0029] 可选的，在上述价格波动预测装置中，在判断结果为否时，所述装置还包括：

[0030] 第二预测模块，用于根据GBDT算法、所述特征因素和每个特征因素对应的特征值对所述待预测目标进行价格波动预测。

[0031] 可选的，在上述价格波动预测装置中，所述待预测目标价格为春季蔬菜价格，所述多个特征因素包括菜地面积、人口指数、物流指数、气温因素以及灾害因素。

[0032] 本发明提供的价格波动预测方法及装置，通过对影响待预测目标的价格的多种特征因素进行处理，对待预测目标进行快速且准确的价格波动预测，从而便于待预测目标进行调配以实现对价格的控制。

附图说明

[0033] 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。

[0034] 图1为本发明实施例提供的一种电子设备的连接框图。

[0035] 图2为本发明实施例提供的一种价格波动预测方法的流程示意图。

[0036] 图3为图2中步骤S110的流程示意图。

[0037] 图4为图2中步骤S130的流程示意图。

[0038] 图5为本发明实施例提供的一种价格波动预测装置的连接框图。

[0039] 图标：10-电子设备；12-存储器；14-处理器；100-价格波动预测装置；110-获取模块；120-计算模块；130-判断模块；140-第一预测模块。

具体实施方式

[0040] 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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

[0041] 因此，以下对在附图中提供的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，都属于本申请保护的范围。

[0042] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

[0043] 在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

[0044] 请参阅图1，本发明提供一种电子设备10，所述电子设备10包括存储器12和处理器14，所述存储器12与所述处理器14相互之间直接或间接的电性连接，以实现数据的传输或交互，其中，所述电子设备10可以是服务器，也可以是终端设备，还可以是任意具有数据存储和处理能力的设备。

[0045] 其中，所述存储器12中存储有以软件或固件(Firmware)的形式存储于所述存储器12中的软件功能模块，所述处理器14通过运行存储在存储器12内的软件程序以及模块，如本发明实施例中的价格波动预测装置100，从而执行各种功能应用以及数据处理，即实现本发明实施例中的价格波动预测方法。

[0046] 请结合图2，本发明提供一种可应用于上述电子设备10的价格波动预测方法，所述电子设备10实现所述价格波动预测方法时，执行步骤S110-S140。

[0047] 步骤S110：获取影响待预测目标价格的多个特征因素，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值。

[0048] 其中，所述待预测目标可以是蔬菜、肉类、水果以及药材等，可以理解，上述的待预测目标不同时，其对应的特征因素也不同，其中，所述特征因素为可能对所述待预测目标的价格产生影响的因素。例如，当所述待预测目标为蔬菜和水果时，影响该待预测目标价格的特征因素可能是季节、种植面积、人口指数、物流指数、气温指数以及灾害等因素，当所述待预测目标为肉类时，影响该待预测目标价格的特征因素可能是疾病、人口指数、物流指数以及气温指数等因素，当该待预测目标为药材时，影响该待预测目标价格的特征因素可能是季节、疾病、种植面积、气温指数以及灾害等因素。

[0049] 可选的，在本实施例中，所述待预测目标价格为春季蔬菜价格，所述多个特征因素包括菜地面积、人口指数、物流指数、气温指数以及灾害等因素。

[0050] 请结合图图3，在本实施例中，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值的方式包括：

[0051] 步骤S112：对每个所述特征因素分别进行数值化处理，得到每个所述特征因素对应的数值。

[0052] 其中，对每个特征因素分别进行数值化处理的方式可以是，将特征因素转化为数值形式，或者进行赋值，其中，同一特征因素中包括至少两个不同的历史数据和一个当前数据。

[0053] 步骤S114：将每个所述特征因素对应的数值分别进行归一化处理，得到每个特征因素对应的特征值。

[0054] 其中，根据同一特征因素中的多个历史数据的最小值、最大值以及当前值得到每个特征因素对应的特征值，其中，当前值为一变量。

[0055] 以所述多个特征因素为(x1,x2,...,xn)为例，各特征因素对应的特征值分别为：即x1对应的特征值为X1，
x2对应的特征值为X2…xn对应的特征值为Xn，其中，x1、x2、xn为各个特征因素的当前值，可以视作一变量，xnmax为特征因素xn对应的历史数据中的最大取值，xnmin为特征因素xn对应的历史数据中的最小取值。

[0056] 步骤S120：对所述多个特征因素分别对应的特征值两两之间进行相关性计算，得到所述多个特征因素的相关系数矩阵。

[0057] 其中，得到的相关系数矩阵为R，且该矩阵的对角线p11、p22…pnn为1，其中，pij为Xi与Xj的相关系数，i为1到n的整数，j为1到n的整数。

[0058] 步骤S130：所述相关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法。

[0059] 请结合图4，在本实施例中，上述步骤S130包括：

[0060] 步骤S132：对所述相关系数矩阵进行KMO检验，并在完成KMO检验后进行巴特利球体检验，得到KMO检验系数和巴特利球体检验的统计值显著性概率值。

[0061] 步骤S134：根据所述KMO检验系数和巴特利球体检验的统计值显著性概率值判断是否采用因子分析方法。

[0062] 需要说明的是，在本实施例中，当判断结果为否则采用其他的方法进行价格波动预测。

[0063] 其中，其他方法可以是但不限于GBDT算法或SVM算法，在此不做具体限定，根据实际需求进行设置即可。

[0064] 需要说明的是，KMO检验中；KMO是通过比较各变量间简单相关系数和偏相关系数的大小判断变量间的相关性，当相关性强时，偏相关系数远小于简单相关系数，KMO值接近1。且一般情况下，KMO＞0.9则非常适合因子分析；0.8＜KMO＜0.9则适合因子分析；0.7则可以因子分析，0.6时因子分析的效果较差，0.5以下不适宜作因子分析；具体的，KMO小于0.5，表示变量间相关关系较弱，不适合进行因素分析。

[0065] Bartlett球形检验中；Bartlett球形检验用于检验相关阵是否是单位阵，即各变量是否独立。它是以变量的相关系数矩阵为出发点，零假设：相关系数矩阵是一个单位阵。如果巴特利球形检验的统计计量数值较大，且对应的相伴概率值小于用户给定的显著性水平，则应该拒绝零假设；反之，则不能拒绝零假设，认为相关系数矩阵可能是一个单位阵，不适合做因子分析。假设用户设置置信水平(alpha为0.05)，则当Bartlett球形检验P－Value值小于显著水平时(如P－VALUE＝0.0001)，则拒绝原假设，即适合进行因子分析，如Bartlett球形检验P－Value值大于等于显著水平时(如P－VALUE＝0.12)，则拒绝原假设，即不适合进行因子分析。

[0066] 步骤S140：当判断结果为是时，根据所述因子分析方法、多个特征因素及每个所述特征因素对应的特征值对所述待预测目标进行价格波动预测。

[0067] 具体的，在本实施例中，在巴特利球体检验的统计值显著性概率值大于0.5时，当且巴特利球体检验的统计值显著性概率值不小于0.05时，可以采用因子分析方法。

[0068] 具体的，当采用因子分析方法时，计算所述相关系数矩阵的特征向量和特征值，并基于mineigen准则进行因子保留，即将特征值大于或等于1的因子进行保留。在确定保留的因子的数量的情况下，通过因子旋转和因子评分确定保留的因子与特征因素之间的关系，并采用拟合优度指数对因子拟合特征因素的效果进行评估，从而实现对价格波动的预测。

[0069] 通过上述步骤，以实现快速且准确地对待预测目标的价格波动进行预测，从而能够基于该待预测目标的价格波动对待预测目标进行调配，以实现对该待预测目标的价格进行控制。

[0070] 在本实施例中，当判断是否采用因子分析方法的判断结果为否时，所述方法还包括：根据GBDT算法、所述特征因素和每个特征因素对应的特征值对所述待预测目标进行价格波动预测。

[0071] 需要说明的是，GBDT是一种梯度提升回归树算法，是集成学习Boosting中的一种，其中，梯度提升回归树算法是一种基于决策树实现的有监督的学习算法，通过训练几个低度拟合的弱分类器代替训练一个过度拟合的强分类器，且部分分类器的弱点能够在其他分类器上得到补偿。梯度提升将梯度的方向作为搜索方向，寻找最小或者最大值，每次拟合的是损失函数在当前模型的负梯度，其中，损失函数用于描述模型的不稳定性，损失函数越大，表示模型越容易出错，预测的结果偏差越大。梯度提升回归树算法的核心思想是累加所有回归树的结果作为模型的最终结果，每棵树都能对最终的预测结果起作用，以保障预测结果的准确性。

[0072] 具体的，在本实施例中，上述步骤具体可以是，初始化模型，构建损失函数，并在损失函数最小化的常数值β，当前价格为yi时得到的初始化模型具体为：计算损失函数的负梯度在当前模型的值，作为残差的近似
值，计算方式如下：其中，m∈{1,2,…,M}，n∈{1,2,…,N}，用
回归树拟合得到第m棵回归树h(xi,λm)，其中λm为模型参数。利用线性搜索求得当前模型的权重βm，最小化损失函数的值，如下：
更新模型fm(x)＝fm-1(x)+lrβmh(xi,λm)，其中，lr表示学习率，最终得到f(x)＝fM(x)以完成迭代得到最终的GBDT模型。

[0073] 基于上述获得的GBDT模型和所述特征因素和每个特征因素对应的特征值对所述待预测目标进行价格波动预测，以进一步实现对待预测目标的价格波动进行可靠的预测。

[0074] 请参阅图5，在上述基础上，本发明还提供一种可应用于上述电子设备10的价格波动预测装置100，所述价格波动预测装置100包括获取模块110、计算模块120、判断模块130以及第一预测模块140。

[0075] 所述获取模块110，用于获取影响待预测目标价格的多个特征因素，对每个所述特征因素分别进行处理得到所述特征因素对应的特征值。在本实施例中，所述获取模块110用于执行图2中步骤S110，关于所述获取模块110的具体描述可以参照图2中对步骤S110的具体描述。

[0076] 在本实施例中，所述待预测目标为春季蔬菜价格，所述多个特征因素包括菜地面积、人口指数、物流指数、气温因素以及灾害因素。

[0077] 在本实施例中，所述获取模块110包括第一处理子模块和第二处理子模块。

[0078] 所述第一处理子模块，用于对每个所述特征因素分别进行数值化处理，得到每个所述特征因素对应的数值。在本实施例中，所述第一处理子模块用于执行图3中步骤S112，关于所述第一处理子模块的具体描述可以参照图3中对步骤S112的具体描述。

[0079] 所述第二处理子模块，用于将每个所述特征因素对应的数值分别进行归一化处理，得到每个特征因素对应的特征值。在本实施例中，所述第二处理子模块用于执行图3中步骤S114，关于所述第二处理子模块的具体描述可以参照图3中对步骤S114的具体描述。

[0080] 所述计算模块120，用于对所述多个特征因素分别对应的特征值两两之间进行相关性计算，得到所述多个特征因素的相关系数矩阵。在本实施例中，所述计算模块120用于执行图2中步骤S120，关于所述计算模块120的具体描述可以参照图2中对步骤S120的具体描述。

[0081] 在本实施例中，所述判断模块130包括检验子模块和判断子模块。

[0082] 所述检验子模块，用于对所述相关系数矩阵进行KMO检验，并在完成KMO检验后进行巴特利球体检验，得到KMO检验系数和巴特利球体检验的统计值显著性概率值。在本实施例中，所述检验子模块用于执行图4中步骤S122，关于所述检验子模块的具体描述可以参照图4中对步骤S122的具体描述。

[0083] 所述判断子模块，用于判断根据所述KMO检验系数和巴特利球体检验的统计值显著性概率值判断是否采用因子分析方法。在本实施例中，所述判断子模块用于执行图4中步骤S124，关于所述判断子模块的具体描述可以参照图4中对步骤S124的具体描述。

[0084] 所述判断模块130，用于对所述关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法。在本实施例中，所述判断模块130用于执行图2中步骤S130，关于所述判断模块130的具体描述可以参照图2中对步骤S130的具体描述。

[0085] 所述第一预测模块140，用于当判断结果为是时，根据所述因子分析方法、多个特征因素及每个所述特征因素对应的特征值对所述待预测目标进行价格波动预测。在本实施例中，所述第一预测模块140用于执行图2中步骤S140，关于所述第一预测模块140的具体描述可以参照图2中对步骤S140的具体描述。

[0086] 综上，本发明提供的一种价格波动预测方法及装置，通过对获取到的影响待预测目标价格的多个特征因素进行处理得到特征因素对应的特征值，对多个特征因素分别对应的特征值两两之间进行相关性计算，得到多个特征因素的相关系数矩阵，对相关系数矩阵进行检验，根据检验结果判断是否采用因子分析方法，当判断结果为是时，根据因子分析方法、多个特征因素及每个特征因素对应的特征值对待预测目标进行价格波动预测，以实现对待预测目标进行快速且准确的价格波动预测，从而能够基于该待预测目标的价格波动对待预测目标进行调配，以实现对该待预测目标的价格进行控制。

[0087] 以上所述，仅为本申请的各种实施方式，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所述以权利要求的保护范围为准。

标题	发布/更新时间	阅读量
波动结构-专利编号CN103249947A	2020-05-12	142
波动发生器-专利编号CN107237875B	2020-05-13	953
波动结构-专利编号CN103249947B	2020-05-11	524
波动床-专利编号CN106038163B	2020-05-11	503
波动仪-专利编号CN106592151A	2020-05-11	208
波动焊槽-专利编号CN101176393A	2020-05-12	872
波动发生器-专利编号CN107237875A	2020-05-13	379
波动床-专利编号CN106038163A	2020-05-11	543
波动焊槽-专利编号CN100584154C	2020-05-12	878
波动能量屋-专利编号CN1348827A	2020-05-13	851

价格波动预测方法及装置

价格波动预测方法及装置

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式