[发明专利]一种对铁路客户进行分类的方法

说明书

本发明公开了一种对铁路客户进行分类的方法，本发明实施训练得到时间序列(Prophet)模型和长短期记忆网络(LSTM)集成模型，将铁路客户在货运过程中的货票数据分别输入到Prophet模型及LSTM神经网络模型中处理，将分别输出的结果集成后得出客户发货预测时间序列；基于铁路客户发货历史数据和预测时序提取特征空间并采用核力场进行聚类，得到铁路客户的分类结果。

技术领域

本发明涉及计算机技术领域，特别涉及一种对铁路客户进行分类的方法。

背景技术

随着多种运输方式的蓬勃发展，货运市场竞争日益激烈，如何利用铁路运输海量货运物品，深度挖掘客户的行为特征信息及运输需求，分析客户流失倾向及发货潜力，是实现铁路货运客户在线分类和动态客户关系管理的重要理论基础和技术支撑。

目前，对铁路客户进行分类的有效方法主要包括：1)基于铁路货运客户生命周期的客户价值模型和综合统计指标划分方法；2)基于客户价值分析模型(RFM)或其他改进模型的客户静态价值指标抽取及k均值聚类算法(k-means)等聚类算法的铁路活跃客户聚类方法。采用这些分类铁路客户的方法主要针对客户进行货运的静态历史数据，用户特征抽取信息损失较大，忽略了铁路客户在货运过程中发货时间序列关联性及个体客户趋势性，在面对海量、实时的铁路货运数据和多元化客户需求时，存在计算量大，处理效率低及适应性差等问题，难以满足对铁路庞大货运客户高效挖掘分析的需求。

目前针对铁路客户的行为事件序列信息分类的方法主要基于铁路客户进行货运的静态历史数据、铁路客户的行为特征数据及基于所设置的模型参数得到分类结果，分别存在缺点：基于铁路客户进行货运的静态历史数据的聚类分类，在铁路货运用户行为这种高维时间序列会导致数据分别呈现稀疏性和不对称性，较难判断聚类分类结果的质量；基于铁路客户的行为特征数据的聚类分类是把用户行为原始时间序列转换到一个低维的特征空间向量进行聚类分类，实现对序列的降维和保留了可解释性，但是适应性比较低；基于所设置的模型参数的聚类分类是把铁路客户行为原始时间序列转换成模型的几个参数并用参数进行聚类，但是对用户行为参数的聚类可理解性相对较差。

对于铁路客户进行货运过程中，所具有的货运行为时序数据具有周期性、差异性、高波动性和强季节性的特征，采用上述三种聚类方法中的任一单一一种进行铁路客户的聚类分类，难以全面准确动态将铁路客户进行准确分类。

发明内容

有鉴于此，本发明实施例提供一种对铁路客户进行分类的方法，该方法能够全面准确地对铁路客户进行准确分类。

本发明实施例是这样实现的：

一种对铁路客户进行分类的方法，包括：

训练得到时间序列Prophet模型和长短期记忆网络LSTM模型；

将铁路客户在货运过程中的货票数据分别输入到所述Prophet模型及所述LSTM模型中处理，输出结果；

将分别从Prophet模型及LSTM模型输出的结果集成后，得到铁路客户发货预测时间序列；

将得到的时间序列基于特征空间构建后，采用核力场进行聚类，得到铁路客户的分类结果。

所述训练得到的Prophet模型对铁路客户的货票数据进行基于铁路客户发货的时间序列深度曲线拟合；

所述训练得到的LSTM模型挖掘铁路客户的货票数据中的铁路客户发货的时间序列的依赖关系。

所述将分别从Prophet模型及LSTM模型输出的结果集成包括：

分别设置对应Prophet模型的第一权值，及对应LSTM模型的第二权值，将从Prophet模型输出的结果与第一权值相乘得到的值，与从LSTM模型输出的结果与第二权值相乘得到的值，进行相加。