[发明专利]一种客户异常预警方法、装置和设备

权利要求书

1.一种客户异常预警方法，其特征在于，包括以下步骤：

接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势；

计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常。

2.根据权利要求1所述的客户异常预警方法，其特征在于，根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势，包括：

提取历史订单信息内含的特征信息并进行数据处理后形成数据输入，提取的特征信息作为预设算法生成训练器所需的数据；

将所述数据输入读取到python环境，基于预设算法对数据进行建模生成训练器并保存；

使用所述训练器对客户下一周期的订单量进行预测并转化为订单量期望变化趋势。

3.根据权利要求2所述的客户异常预警方法，其特征在于，所述特征信息包括以下至少一种：订单金额、订单种类、折扣率、订单时效种类、是否为节假日。

4.根据权利要求1所述的客户异常预警方法，其特征在于，计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值，判断客户是否异常，包括：

预存储若干订单量变化趋势，并计算每个所述订单量变化趋势的订单减少量，若所述订单减少量超过预设范围则标记为异常；

计算所述订单量期望变化趋势与预存储的各订单量变化趋势的相似度；

识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配；

若其匹配的为异常的订单量变化趋势，则判断客户异常。

5.根据权利要求3所述的客户异常预警方法，其特征在于，所述被标记为是否异常的订单量变化趋势，通过机器学习的方式计算得出，所述机器学习的方式采用基于dtw距离的聚类算法或者基于kmeans的聚类算法。

6.根据权利要求1-5任意一项所述的客户异常预警方法，其特征在于，所述预设算法包括但不限于RNN-LSTM学习算法、基于GRU网络的预测算法。

7.一种客户异常预警装置，其特征在于，包括

信息接受模块，配置用于接收预设时长的历史订单信息，将所述历史订单信息分别与对应的客户关联，所述历史订单信息包含历史订单量；

订单量获取模块，配置用于将所述订单信息分别与对应的客户相关联，获取客户的历史订单量；

预测模块，配置用于根据预设周期及客户历史订单量，基于预设算法得出客户订单量的下一周期的订单量期望变化趋势；

判断模块,配置用于计算所述订单量期望变化趋势与预存储的订单量变化趋势的相似度,并根据设定的阈值判断客户是否异常。

8.根据权利要求1所述的客户异常预警装置，其特征在于，所述预测模块，包括

数据预处理单元，配置用于提取历史订单信息内含的特征信息并进行数据处理后形成数据输入，提取的特征信息作为预设算法生成训练器所需的数据；

模型训练单元，配置用于将所述数据输入读取到python环境，基于预设算法对数据进行建模生成训练器并保存；

预测单元，配置用于使用所述训练器对客户下一周期的订单量进行预测并转化为订单量期望变化趋势。

9.根据权利要求8所述的客户异常预警装置，其特征在于，所述判断模块，包括：

预存储单元，配置用于预存储若干订单量变化趋势，若所述订单减少量超过预设范围则标记为异常；

相似度计算单元，配置用于计算所述订单量期望变化趋势与预存储的各订单量变化趋势的相似度；

匹配单元，配置用于识别出与其相似度大于阈值的预存储订单量变化趋势，并进行匹配；

若其匹配的为异常的订单量变化趋势，则判断客户异常。

10.一种设备，其特征是，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-6中任一项所述的方法。