[发明专利]一种个人消费行为预测方法在审
申请号: | 201910302142.6 | 申请日: | 2019-04-15 |
公开(公告)号: | CN110009432A | 公开(公告)日: | 2019-07-12 |
发明(设计)人: | 徐晗茜;谭江来;费日龙 | 申请(专利权)人: | 武汉理工大学 |
主分类号: | G06Q30/02 | 分类号: | G06Q30/02;G06N3/04;G06N3/08 |
代理公司: | 北京东方盛凡知识产权代理事务所(普通合伙) 11562 | 代理人: | 牟炳彦 |
地址: | 430070 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 消费行为 预测 影响因素 灰色系统模型 灰色关联度 神经网络 普适性 构建 维度 匹配 多样性 分析 | ||
1.一种个人消费行为预测方法,其特征在于,所述方法包括:
S1.根据消费者为满足个人需求而购买商品行为的特征,分析消费者消费行为特征及影响消费者消费行为的主要因素;
S2.基于影响消费行为因素的多样性,结合灰色系统模型构建多因素的灰色关联度模型,计算不同影响因素的重要性,并选择影响消费行为的主要因素;
S3.结合影响个人消费行为因素的重要程度,基于多隐层BP神经网络,建立个人消费行为预测模型,进行个人消费行为的预测;
S4.根据样本数据的数量和质量,结合基于RFM模型和灰色模型的消费行为预测方法综合匹配,采用合理的方法,有效完成个人消费行为的预测。
2.根据权利要求1所述个人消费行为预测方法,其特征在于,S1包括以下步骤,
(1)根据消费者为满足个人需求而购买商品行为的特征,划分消费者消费行为类型;
(2)根据消费者消费行为类型,分析得影响个人消费行为因素主要包括个人因素、经济因素、心理因素和文化因素等几类,建立影响个人消费行为因素模型。
3.根据权利要求1所述个人消费行为预测方法,其特征在于,灰色关联度的计算方法如下,个人消费行为的预测是一个多因素、多目标的复杂预测系统,且包含较多不确定信息,通过灰色关联分析,比较各因素与消费行为的发展变化态势,选择其中最能反映消费行为特征的影响因素:
假设所有影响因素的参考序列为:
x0={x0(1),x0(2),...,x0(n)}
m个影响因素的关联序列分别为:
xi={xi(1),xi(2),...,xi(n)}(1≤i≤m)
由于各关联序列的量纲存在不同,通过下列算式对所有序列进行标准化处理:
其中为所有序列均值,则关联序列xi与参考序列x0在k点的关联系数可表示为:
δi(k)=|x0(k)-xi(k)|(k=1,2,...,n;1≤i≤m)
其中α∈[0,1]为分辨率系数,当α越大时,关联序列与参考序列间的分辨率越大,反之,则分辨率越小;和分别为两级最小差和两级最大差;由此可得,各因素间灰色关联度可表示为:
以步骤S1所述的影响因素,本发明以个人消费行为为参考序列x0,利用上述步骤中灰色关联度的计算方法,计算各个影响消费行为因素与个人消费行为之间的灰色关联度ri,并将所有关联度进行排序,设置关联度阈值T,选择其中关联度值大于阈值T的因素作为影响个人消费行为的主要因素。
4.根据权利要求1所述个人消费行为预测方法,其特征在于,步骤S3中根据灰色关联度值的分析结果,选择其中影响程度较大的影响因素作为个人消费行为预测的基础数据,建立基于多隐层BP神经网络的个人消费行为预测的基础网络模型。
5.根据权利要求1所述的个人消费行为预测方法,其特征在于,步骤S4中根据历史数据的全面性情况,结合基于RFM即消费行为模型和灰色模型即GM模型的预测方法,进行个人消费行为的预测。
6.根据权利要求5所述的个人消费行为预测方法,其特征在于,所述的基于RFM即消费行为模型和灰色模型即GM模型的预测方法,进行个人消费行为的预测,其步骤包括,
步骤1,RFM由3个变量组成,分别为以最近一次消费为时间节点,从开始到当前时间节点的时间间隔R,在观察期内顾客完成购买的次数F和在同一观察期内顾客购买行为产生的交易金额M;根据RFM模型中的F和M变量将消费者在每个维度上的消费行为状态分为三种,构造一组3×3的消费行为状态矩阵,包含九种消费行为状态,每一种特定的行为状态代表了消费者当前或未来的消费行为特征;
步骤2,根据由F和M两个维度构成的消费行为模式,分别在每个维度上使用灰色模型对消费行为进行预测;首先建立购买频率F维度的预测模型,假设消费者个人原始消费频率F的序列为:
F0={F0(1),F0(2),...,F0(n)}
其中F0(n)表示第n周期内消费者个人的购买频率,通过将顾客购买频率的离散数列进行一阶累加后得到新序列:
F1={F1(1),F1(2),...,F1(n)}
假设Z1为序列F1中各离散值的紧邻均值,则紧邻均值序列为:
Z1={Z1(1),Z1(2),...,Z1(n)}
其中且F1(0)=0;则购买频率的一阶动态灰微分方程可表示为:
H=F0(n)+a×Z1(n)
其中a表示发展灰度,H为灰作用量,以其反映购买频率的离散序列的发展趋势以及数据间的变化关系;经过微分处理,得到一阶线性白化微分方程:
其中发展灰度a的取值决定了动态灰微分方程的适用度,若|a|≤0.5则表示该模型对于短期或中长期预测能够产生较好的效果,若|a|>0.5,则需对模型作进一步调整;
假设发展灰度a和微灰作用量H′的参数估计向量为E=[a,H′]T,则根据估计向量的计算过程:
得到参数值a和H′,由此可得到消费者购买频率的时间相应预测函数为:
则购买频率F0(n+1)的预测序列为:
F0(n+1)=F1(n+1)-F1(n)
采用同样的方法可得消费者个人消费金额M的预测序列M0(n+1),根据个人的购买频率F和购买金额M两个维度的预测结果,可得消费者未来消费行为模式的变化;
步骤3,根据消费者个人消费行为模式的变化,结合相关专家经验判断此类消费行为模式变化的消费者所具有的消费行为特征,由此确定其所属行为类型。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉理工大学,未经武汉理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910302142.6/1.html,转载请声明来源钻瓜专利网。
- 上一篇:用户评价方法及系统、电子设备
- 下一篇:评估产品价格的方法及装置