[发明专利]一种基于隐马尔可夫模型的消费者线下消费行为预测方法

说明书

技术领域

本发明涉及一种基于隐马尔可夫模型的消费者线下消费行为的预测方法，主要是一种对消费者历史线下消费数据进行处理，通过隐马尔可夫模型预测该用户未来最有可能消费的线下商店的方法。

背景技术

随着电子商务的不断发展，O2O模式和手机移动支付也在迅速的发展。用户在线下消费时会产生大量的消费数据，这些数据中包含了很多有用的信息。通过分析这些信息，可以分析各个消费者的消费习惯从而预测消费者未来可能的消费行为，这对给用户提供更好的个性化推荐服务和商家优化经营和管理策略都是非常重要的。

如何更好的利用历史消费数据从而有效快速地预测消费者未来的消费行为，是本领域技术人员急需解决的问题。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于隐马尔可夫模型的消费者线下消费行为的预测方法。

基于隐马尔可夫模型的消费者线下消费行为预测方法，包括如下步骤：

步骤一、数据预处理得到观测序列：

抽取消费者的长度为t的历史商家消费数据{shop₁，shop₂，…，shop_t}并对消费者的历史消费线下商家进行编号；然后根据时间顺序把消费数据按照商家编号转换成观测值序列(o₁o₂…o_t)；

步骤二、初始化隐马尔可夫模型：

通过一个三元组参数确定一个隐马尔可夫模型，λ＝(A，B，π)指代，分别包含转移矩阵A、混淆矩阵B和初始状态矩阵π；给参数A，B，π置随机初始值λ＝（A₁，B₁，π₁)；

步骤三、使用Baum-Welch算法和观测序列(o₁o₂…o_t)对模型进行迭代：

已知观测序列O＝(o₁o₂…o_T)，估计参数模型λ＝（A，B，π)，使得该模型下观测概率P＝(O|λ)最大；

Baum-Welch算法具体步骤：

输入：观测数据O＝(o₁,o₂…o_T)

输出：隐马尔可夫模型参数

(1)初始化：对于n＝0,选取得到模型λ⁽⁰⁾＝(A⁽⁰⁾，B⁽⁰⁾，π⁽⁰⁾)

(2)递推，对于n＝1，2，…，

其中，α_ij＝P(y_t+1＝S_j|y_t＝S_i) b_ij＝P(x_t＝O_j|y_t＝S_i) π_i＝P(y₁＝S_i)，

α_t(i)为前向变量，即输出为(o₁，o₂，…o_t)，在t时刻位于状态S_i的概率；β_t(i)为后向变量，即时刻t状态为S_i后输出为(o_t+1，o_t+2…o_T)的概率；

(3)终止，得到模型参数λ⁽ⁿ⁺¹⁾＝(A⁽ⁿ⁺¹⁾，B⁽ⁿ⁺¹⁾，π⁽ⁿ⁺¹⁾)

步骤四、使用Viterbi算法和训练好的模型，计算观测序列（o₁o₂…o_t)对应的最优的状态序列；然后预测t+1时刻的最有可能的状态y_t+1，然后计算t+1时刻概率最大的观测值；

Viterbi算法具体步骤：

输入：观测数据o＝(o₁，o₂…o_T)

输出：隐马尔可夫模型参数

输出：最优隐状态概率I＝(i₁，i₂…i_T)