CN101483531A - 一种预测式余额告警的方法及系统 - Google Patents
一种预测式余额告警的方法及系统 Download PDFInfo
- Publication number
- CN101483531A CN101483531A CNA2008102242885A CN200810224288A CN101483531A CN 101483531 A CN101483531 A CN 101483531A CN A2008102242885 A CNA2008102242885 A CN A2008102242885A CN 200810224288 A CN200810224288 A CN 200810224288A CN 101483531 A CN101483531 A CN 101483531A
- Authority
- CN
- China
- Prior art keywords
- user
- real
- time consumption
- consumption amount
- current period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明具体公开了一种预测式余额告警的方法,所述方法包括:对实时消费业务用户进行属性和属性值标注,形成用户消费记录;将所述用户消费记录输入至神经网络预测模型,输出各用户消费记录对应的当前周期实时消费金额的预测值;将所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中;对每条用户消费记录,判断所述用户的预付费总额是否大于所述用户当前的账户余额,如果是,向所述用户发送余额告警信息。本发明还公开了一种预测式余额告警的系统。本发明所述预测式余额告警的方法及系统,可以提高对实时消费业务进行余额告警的准确性。
Description
技术领域
本发明涉及通讯计费领域,特别是涉及一种预测式余额告警的方法及系统。
背景技术
广电和电信的运营支撑系统每个周期(一般为一个月)在正式出帐扣费前,会向用户发送账户余额不足的告警信息,提示用户及时充值或缴纳费用,以免由于账户余额不足,导致因系统扣费失败而被执行停机操作,影响用户终端的正常使用。
目前电信和广电行业的所有运营支撑系统基本都是采用固定阈值的方法或者基于循环费用(月租费)的方式向用户进行账户余额的告警。
所述采用固定阈值的方式进行账户余额告警,是在运营支撑系统中设置一个固定的账户最低余额值,当用户的账户余额小于该设置值的时候,通过各种方式向用户发送余额提醒信息,提醒用户及时充值或者缴费。
所述基于循环费用(月租费)的方式进行账户余额告警,需要系统预先计算出预付费用户在下个周期应缴纳的费用,将此费用与用户的账户余额进行比较,如果用户的账户余额小于其应缴费用,则向用户发送余额告警信息,提醒用户及时充值或缴费。
随着中国数字电视整体平移进程的推进,广播电视运营商推出了视频点播(VOD:Video On Demand)等实时消费的产品,为广大用户提供极其丰富的可视产品,使用户定购的产品趋向于个性化。
各个地区的广播电视运营商对于实时消费产品,大都选择预付费方式作为用户支付使用费用的主要方式。由于所述实时消费产品产生的费用,比如视频点播,是由用户收看的节目内容、收看节目的时间长度、以及收看节目的时间段等因素共同决定的,使其具有实时性和不确定性。因此,广播电视运营商还无法实现对实时消费产品产生的费用进行比较准确的评估,并及时向用户发出余额告警信息,致使每个周期都有大量用户由于账户中余额不足而被停机,影响用户终端正常使用,同时又降低了运营商资金的回收速度。
发明内容
本发明所要解决的技术问题是提供一种预测式余额告警的方法及系统,以提高对实时消费业务用户的账户余额告警的准确性。
本发明提供一种预测式余额告警的方法,所述方法包括:
对实时消费业务用户进行属性和属性值标注,形成用户消费记录;
将所述用户消费记录输入至神经网络预测模型,输出各用户消费记录对应的当前周期实时消费金额的预测值;
将所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中;
对每条用户消费记录,判断所述用户的预付费总额是否大于所述用户当前的账户余额,如果是,向所述用户发送余额告警信息。
优选地,在将所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加之前,进一步包括:
对所述神经网络预测模型输出的当前周期实时消费金额预测值进行模糊化处理。
优选地,所述模糊化处理函数表达式为:
Y=f(当前周期实时消费金额预测值);
其中,所述Y表示模糊化处理后的当前周期实时消费金额预测值;
所述f(x)的表达式为:
f(x)=50 0≤x<50
f(x)=100 50≤x<100
f(x)=150 100≤x<150
f(x)=200 150≤x<200
f(x)=250 200≤x<250
f(x)=x x>250
其中,x表示当前周期实时消费金额预测值
优选地,所述模糊化处理函数表达式为:
Y=f(max{当前周期实时消费金额预测值,当前周期实时消费金额×当前周期总天数/当前周期消费天数});
其中,所述Y表示模糊化处理后的当前周期实时消费金额预测值;
所述当前周期实时消费金额,为用户在当前周期内,已经产生的实时消费金额;
所述当前周期总天数,为当前周期的一个周期总天数;
所述当前周期消费天数,为当前周期已经过去的天数;
所述f(Z)的表达式为:
f(Z)=50 0≤Z<50
f(Z)=100 50≤Z<100
f(Z)=150 100≤Z<150
f(Z)=200 150≤Z<200
f(Z)=250 200≤Z<250
f(Z)=Z Z>250
其中,Z=max{当前周期实时消费金额预测值,当前周期实时消费金额×当前周期总天数/当前周期消费天数}。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户消费级别标注为属性;根据实时消费业务用户每周期消费的金额,划分用户消费级别,将每个用户所属的消费级别标注为属性值。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额分别标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,分别标注为相应的属性值;
其中,所述n为正整数。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户周期实时消费金额平均值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,求取平均值,标注为属性值;
其中,所述n为正整数。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户当前周期实时消费金额标注为属性;获取所述用户当前周期已经产生的实时消费金额,标注为属性值。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额的最大值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,取其最大值,标注为属性值;
其中,所述n为正整数。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额的最小值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,取其最小值,标注为属性值;
其中,所述n为正整数。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额的中间值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,取其中间值,标注为属性值;
其中,所述n为正整数。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户所属消费级别的取值空间的上限值标注为属性;根据所述消费级别的划分标准,确定用户所属消费级别的取值空间,取其上限值,标注为属性值;
其中,所述n为正整数。
优选地,对实时消费业务用户进行属性和属性值标注包括:
将用户所属消费级别的取值空间的下限值标注为属性;根据所述消费级别的划分标准,确定用户所属消费级别的取值空间,取其下限值,标注为属性值;
其中,所述n为正整数。
本发明还提供了一种预测式余额告警的系统,所述系统包括:标注单元、模型输入单元、神经网络预测模型、预付费总额生成单元、以及余额告警单元;
所述标注单元,用于对实时消费业务用户进行属性和属性值标注,形成用户消费记录;
所述模型输入单元,用于将所述标注单元标注了属性和属性值的用户消费记录输入至神经网络预测模型;
所述神经网络预测模型,用于根据接收到的用户消费记录,进行训练学习,输出各用户消费记录对应的当前周期实时消费金额预测值;
所述预付费总额生成单元,用于将接收到的所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中;
所述余额告警单元,用于对每条用户消费记录,当所述用户的预付费总额大于所述用户当前账户的余额时,向所述用户发出余额告警信息。
优选地,所述系统进一步包括:模糊化处理单元;
所述模糊化处理单元,用于对所述神经网络预测模型输出的当前周期实时消费金额预测值进行模糊化处理,并将处理后的结果发送至所述预付费总额生成单元。
与现有技术相比,本发明具有以下优点:
本发明所述预测式余额告警的方法及系统,采用神经网络作为预测模型,根据用户的实时消费历史记录对用户进行分类,并对每类用户分别进行属性和属性值标注,形成用户消费记录。将所述用户消费记录输入至神经网络预测模型进行训练学习,获取各用户消费记录对应的当前周期实时消费金额的预测值。通过将所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,生成对应用户的预付费总额,标注到各用户消费记录中。对每条用户消费记录,判断所述用户的预付费总额是否大于所述用户当前的账户余额,如果是,向所述用户发送余额告警信息。
本发明所述预测式余额告警方法及系统,能够解决实时消费业务带来的费用不确定问题,能够比较精确地计算用户应缴纳或者充值的金额,从而提高对实时消费业务用户的账户余额告警的准确性,有效的避免用户由于账户余额不足而被停机的风险,同时也提高了运营商资金的回收速度,降低运营商的收入流失。
附图说明
图1,为本发明第一实施例所述预测式余额告警的方法流程图;
图2,为本发明所述神经网络预测模型结构图;
图3,为本发明第二实施例所述预测式余额告警的方法流程图;
图4,为本发明第一实施例所述预测式余额告警的系统结构图;
图5,为本发明第二实施例所述预测式余额告警的系统结构图;
图6,为本发明所述六输入神经网络预测模型结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明所述预测式余额告警的方法及系统,采用神经网络作为预测模型,根据用户的实时消费历史记录对用户进行分类,并对每类用户分别进行属性和属性值标注,形成用户消费记录。将所述用户消费记录输入至神经网络预测模型进行训练学习,获取各用户消费记录对应的当前周期实时消费金额的预测值。通过将所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中。对每条用户消费记录,判断所述用户的预付费总额是否大于所述用户当前的账户余额,如果是,向所述用户发送余额告警信息。
本发明所述预测式余额告警方法及系统,能够解决实时消费业务带来的费用不确定问题,能够比较精确地计算用户应缴纳或者充值的金额,从而有效的避免用户由于账户余额不足而被停机的风险,同时也提高了运营商资金的回收速度,降低运营商的收入流失。
参照图1,为本发明第一实施例所述预测式余额告警的方法流程图。所述方法具体包括以下步骤:
步骤101:根据实时消费业务用户的历史消费记录,归纳影响用户实时消费金额的主要因素,对用户进行属性和属性值标注,形成用户消费记录。
对于实时消费业务用户,根据某一固定周期内的实时消费金额,可以将其划分为若干个等级。对于每个等级中的每一个用户,其一周期内使用实时消费业务所产生的消费金额是存在一定的习惯性和规律性的。而所述习惯性和规律性又必然与用户的历史消费记录等很多影响因素相关。通过对实时消费业务运营商计费系统中储存的用户历史消费记录进行归纳总结,可以得到影响用户实时消费金额规律性的主要影响因素。将这些主要影响因素作为实时消费业务用户的属性,并计算得到相应的属性值,标注到对应的用户,形成用户消费记录。根据所述用户消费记录,采用已经训练成熟的神经网络预测模型,可以准确的对用户的当前周期实时消费金额进行预测。
通过对历史消费记录的归纳总结,得到影响用户实时消费金额的属性及其属性值的计算方式如下所述:
(1)用户消费级别:实时消费业务用户每周期消费金额的级别。
将用户消费级别标注为属性,对所有的实时消费业务用户,根据用户每周期实时消费金额的多少,对其进行消费级别划分,将每个用户所属的级别标注为属性值。
所述周期可以为一个星期、一个月、或一个季度等。结合目前广电和电信运营商一般均采用一个月作为计费周期,因此本发明实施例中,所述周期为一个月。
例如:根据用户每月实时消费金额的多少,将用户划分为6个级别,如表1所示。
用户级别 | 实时消费业务使用量(元/月) |
q1 | 0~50 |
q2 | 50~100 |
q3 | 100~150 |
q4 | 150~200 |
q5 | 200~250 |
q6 | 大于250 |
表1:消费级别划分标准
即为,假设用户1每周期实时消费金额在50~100元之内,设定所述用户1的消费级别为q2,标注所述用户1的用户消费级别的属性值为q2;假设用户2每周期实时消费金额大于250元,设定所述用户2的消费级别为q6,标注所述用户2的用户消费级别的属性值为q6。
对每个实时消费业务用户,其所属消费级别,可以根据用户前一周期的实时消费金额所属的消费级别确定,也可以根据用户最近n个周期实时消费金额的平均值所属的消费级别确定,还可以对用户最近n个周期,每个周期的实时消费金额分别确定其所属的消费级别,取出现频率最高的消费级别作为所述用户的消费级别。
例如,假设所述消费级别划分方式如表1所示,当前周期为8月,某用户最近6个周期实时消费金额如表2所示。
2月 | 3月 | 4月 | 5月 | 6月 | 7月 |
42 | 54 | 48 | 43 | 59 | 47 |
表2:某用户6个周期实时消费金额
当根据用户前一周期,即7月份的实时消费金额(47元)确定所述用户消费级别时,其消费级别为q1。
或计算用户最近6个周期实时消费金额的平均值,为48.8元/月,由此确定所述用户的消费级别为q1。
或分别确定用户最近6个周期每个周期实时消费金额所属的消费级别,如:2月份为q1、3月份为q2、4月份为q1、5月份为q1、6月份为q2、7月份为q1,取出现频率最高的消费级别作为所述用户的消费级别,即为q1。
所述用户消费级别划分的细化,能够增加预测结果的准确性。但是如果所述用户消费级别划分过细,不仅会极大的增加神经网络预测模型训练的难度,还会导致每个消费级别的用户数量不足,影响对用户群消费规律性的预测,从而影响预测结果的准确度。
因此,在实际应用中,根据用户每周期历史消费情况将用户划分为5~10个消费级别。为了保证每个消费级别都有一定数量的用户量,所述用户消费级别最好不要超过20个。同时,根据实时消费业务的具体实际情况,一般每级用户消费金额的差额不要大于50元。
(2)用户最近n(n为正整数)个周期实时消费金额:分别为自当前周期起,最近过去的n个周期内,用户的各个周期实时消费金额。
将所述用户最近n(n为正整数)个周期实时消费金额标注为属性,根据运营商计费系统中存储的用户历史消费记录,获取用户最近n个周期的实时消费金额,分别标注为相应的属性值。
例如,假设周期为一个月,当前周期为8月,n等于3时,所述最近n个周期实时消费金额,分别为所述用户5月、6月、7月的实时消费金额。
所述n的取值,与采用的神经网络预测模型的输入层神经元数量相关,可以根据实际应用具体设定。
(3)用户周期实时消费金额平均值:为所述用户自当前周期起,最近过去的n个周期内,实时消费金额的平均值。
将用户周期实时消费金额平均值标注为属性,根据运营商计费系统中用户的历史消费记录,获取用户最近n个周期的实时消费金额,对其求取平均值,获取用户周期实时消费金额平均值,标注为属性值。
例如,假设周期为一个月,当前周期为8月,n等于3时,所述周期实时消费金额平均值,为所述用户5月、6月、7月的实时消费金额的平均值。
假设用户5月、6月、7月的实时消费金额分别为X5、X6、X7,则:
所述周期实时消费金额平均值X=(X5+X6+X7)/3。
(4)用户当前周期实时消费金额:为用户当前周期内,已经使用实时消费业务而产生的实时消费金额。
将用户当前周期实时消费金额标注为属性,根据运营商的计费系统,获取所述用户当前周期已经使用实时消费业务产生的实时消费金额,并将其标注为属性值。
例如,当前周期为8月,当前消费金额预测日为8月10日,则所述当前周期实时消费金额,为用户8月1日至8月10日之间,使用实时消费业务产生的实时消费金额。
(5)用户最近n(n为正整数)个周期实时消费金额最大值:为自当前周期起,最近过去的n个周期内,用户各周期实时消费金额的最大值。
将所述用户最近n个周期实时消费金额最大值标注为属性,根据运营商计费系统中存储的用户历史消费记录,获取用户最近n个周期的实时消费金额,取其最大值,标注为相应的属性值。
例如,假设周期为一个月,当前周期为8月,n等于3时,所述最近n个周期实时消费金额,分别为所述用户5月、6月、7月的实时消费金额。假设用户5月份实时消费金额X5=71,6月份实时消费金额X6=82,7月份实时消费金额X7=76,则所述用户最近n(n为正整数)个周期实时消费金额最大值等于X6,为82。
(6)用户最近n(n为正整数)个周期实时消费金额最小值:为自当前周期起,最近过去的n个周期内,用户各周期实时消费金额的最小值。
将所述用户最近n个周期实时消费金额最大值标注为属性,根据运营商计费系统中存储的用户历史消费记录,获取用户最近n个周期的实时消费金额,取其最小值,标注为相应的属性值。
例如,假设周期为一个月,当前周期为8月,n等于3时,所述最近n个周期实时消费金额,分别为所述用户5月、6月、7月的实时消费金额。假设用户5月份实时消费金额X5=71,6月份实时消费金额X6=82,7月份实时消费金额X7=76,则所述用户最近n(n为正整数)个周期实时消费金额最小值等于X5,为71。
(7)用户最近n(n为正整数)个周期实时消费金额的中间值:为自当前周期起,最近过去的n个周期内,用户各周期实时消费金额的中间值。
将所述用户最近n个周期实时消费金额的中间值标注为属性,根据运营商计费系统中存储的用户历史消费记录,获取用户最近n个周期的实时消费金额,取其中间值,标注为相应的属性值。
(8)用户所属消费级别的取值空间的上限值
将所述用户所属消费级别的取值空间的上限值标注为属性,根据所述消费级别的划分标准确定所述用户所属消费级别的取值空间,取其上限值,标注为属性值。
例如,假设所述消费级别划分方式如表1所示,用户消费级别为q2,则所述用户所属消费级别的取值空间的上限值为100。
(9)用户所属消费级别的取值空间的下限值
将所述用户所属消费级别的取值空间的下限值标注为属性,根据所述消费级别的划分标准确定所述用户所属消费级别的取值空间,取其下限值,标注为属性值。
例如,假设所述消费级别划分方式如表1所示,用户消费级别为q2,其取值空间为50~100,则所述用户所属消费级别的取值空间的下限值为50。
在实际应用中,对实时消费业务运营商的用户数据库中所有的用户,取上述全部或部分属性,分别进行上述各属性和属性值的计算及标注,形成相应的用户消费记录。
例如,假设周期为一个月,当前周期为8月,取6种属性进行标注,此时所述用户消费记录的格式如下所示:
[用户1]:[消费级别][q1];[7月份实时消费金额][x11];[6月份实时消费金额][x12];[5月份实时消费金额][x13];[周期实时消费金额平均值][y1];[当前周期实时消费金额][x1]
[用户2]:[消费级别][q4];[7月份实时消费金额][x21];[6月份实时消费金额][x22];[5月份实时消费金额][x23];[周期实时消费金额平均值][y2];[当前周期实时消费金额][x2]
[用户3]:[消费级别][q3];[7月份实时消费金额][x31];[6月份实时消费金额][x32];[5月份实时消费金额][x3n];[周期实时消费金额平均值][y3];[当前周期实时消费金额][x3]
……
其中:[q1]、[x11]……分别为计算得到的相应属性值。
为了增加当前周期实时消费金额预测的精确度,进而提高预测式余额告警的准确性,可以适当的增加用户消费记录的属性个数。但是,属性个数的增加必然导致模型预测过程的复杂性。因此,所述属性个数的确定需要根据实际需要具体设定,一般选择为6个。
步骤102:将上述标注了属性和属性值的用户消费记录输入至神经网络预测模型,输出各用户消费记录对应的当前周期实时消费金额的预测值。
参见图2,为本发明所述神经网络预测模型结构图。图中所示In1、In2、…InM为神经网络预测模型的输入神经元,分别对应于每条用户消费记录中的各属性的属性值。Output为神经网络预测模型的输出神经元,为对应于每条用户消费记录对应的当前实时消费金额的预测值。
所述神经网络预测模型中输入神经元的数量M与步骤101中、每条用户消费记录所标注的属性值的数量相同。
以步骤101中用户1为例,则相应的,所述神经网络预测模型中所述输入层神经元应设置为6个,即M=6。
[用户1]:[消费级别][q1];[7月份实时消费金额][x11];[6月份实时消费金额][x12];[5月份实时消费金额][x13];[周期实时消费金额平均值][y1];[当前周期实时消费金额][x1]
所述输入神经元分别为:
所述输入In1为用户1的消费级别,等于q1;
所述输入In2为用户1的7月份实时消费金额,等于x11;
所述输入In3为用户1的6月份实时消费金额,等于x12;
所述输入In4为用户1的5月份实时消费金额,等于x13;
所述输入In5为用户1的周期实时消费金额平均值,等于y1;
所述输入In6为用户1当前周期实时消费余额,等于x1;
所述输出Output为用户1当前周期实时消费金额的预测值。
步骤103:将步骤102中,预测模型输出的所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中。
所述用户的周期性固定费用,为用户每周期固定不变的消费金额。例如,月租费、包月费用等。所述周期性固定费用可以通过运营商的计费系统中直接获取。
步骤104:对每条用户消费记录,分别判断所述用户的预付费总额是否大于所述用户当前账户的余额,如果是,向所述用户发出余额不足告警,如果否,结束流程。
由于本发明所述预测式余额告警的方法中,采用了神经网络预测模型,根据用户每周期使用实时消费业务量的规律性,利用用户最近n个周期使用实时消费业务的金额和当前周期已经使用实时消费业务产生的金额,对当前周期实时消费业务金额进行预测,并根据预测得到的结果,结合用户每周期固定费用,对用户的账户余额进行判断。当发现用户的账户余额小于预测得到的预付费总额时,向所述用户发送余额不足的告警信息,提醒用户尽快缴费或充值,避免因余额不足造成停机,影响用户的正常使用。
由于每个用户的实时消费业务使用量具有很大的不确定性,有些用户可能突然打破常规使用量,临时性的增加对实时消费业务的使用,致使当前周期实时消费金额偏高。而实施例一中所述预测式余额告警方法,仅仅遵循每个用户实时消费业务的常规使用情况对其当前周期的实时消费金额进行预测,无法顾及到上述临时性增加业务使用量的情况。
因此,本发明实施例二所述方法与实施例一所述方法的区别在于,在采用神经网络预测模型获取用户的当前周期实时消费金额预测值后,对所述预测值进行模糊化处理,取所述预测值所属消费级别的取值区间的最大值,作为所述用户的当前周期实时消费金额预测值。在根据模糊化处理后的预测值,结合用户周期性固定费用,判断所述用户的账户余额是否充足,以避免因余额不足造成用户停机,影响用户的正常使用。
参照图3,为本发明第二实施例所述预测式余额告警的方法流程图。所述方法具体包括以下步骤:
步骤301:根据实时消费业务用户的历史消费记录,归纳影响用户实时消费金额的主要因素,对用户进行属性和属性值标注,形成用户消费记录。
步骤302:将上述标注了属性和属性值的用户消费记录输入至神经网络预测模型,输出各用户消费记录对应的当前周期实时消费金额的预测值。
步骤303:对步骤302中输出的所述当前周期实时消费金额预测值进行模糊化处理。
所述模糊化处理即为求取所述当前周期实时消费金额预测值所属消费级别的取值区间的最大值,将所述最大值作为新的当前周期实时消费金额预测值,进入步骤304。其具体算法如下所示:
Y=f(当前周期实时消费金额预测值)
参见图3,为所述模糊化处理函数f(x)的示意图。所述模糊化处理函数f(x)的表达式并不是固定的,而是根据用户消费级别的的划分标准对应建立的。图3所示f(x)是对应于表1所示用户消费级别的划分标准确定的。当所述用户级别的划分标准发生变化时,所述f(x)的表达式也将发生相应的变化。
令x表示当前周期实时消费金额预测值,则f(x)的表达式为:
f(x)=50 0≤x<50
f(x)=100 50≤x<100
f(x)=150 100≤x<150
f(x)=200 150≤x<200
f(x)=250 200≤x<250
f(x)=x x>250
例如,假设步骤302中 通过神经网络预测模型预测得到所述当前周期实时消费金额预测值为78,则所述模糊化处理后的实时消费金额预测值为:
Y=f(x)=f(78)=100
为了进一步提高所述余额告警方法的精确性,可以结合当前周期已经产生的实时消费金额,对所述当前周期实时消费金额预测值进行模糊化处理。此时,所述模糊化处理具体算法如下所示:
Y=f(max{当前周期实时消费金额预测值,当前周期实时消费金额×当前周期总天数/当前周期消费天数})
其中,Y表示模糊化处理后的实时消费金额预测值;
所述当前周期实时消费金额,为截止到当前消费金额预测日,用户在当前周期内,已经使用实时消费业务而产生的实时消费金额;
所述当前周期总天数,为当前周期总的自然天数;
所述当前周期消费天数,为截止到当前消费金额预测日,当前周期已经过去的天数。
例如,当前周期为8月,当前消费金额预测日为8月10日,则所述当前周期总天数为31天,所述当前周期消费天数为10天。所述当前周期实际消费金额(用XACT表示),为用户8月1日至8月10日之间,使用实时消费业务产生的实时消费金额。所述当前周期实时消费金额预测值用XEXP表示,则:
Y=f(max{XEXP,XACT×31/10})
仍参见图3,为所述模糊化处理函数f(x)的示意图。
令Z=max{XEXP,XACT×31/10},则f(x)的表达式为:
f(Z)=50 0≤Z<50
f(Z)=100 50≤Z<100
f(Z)=150 100≤Z<150
f(Z)=200 150≤Z<200
f(Z)=250 200≤Z<250
f(Z)=Z Z>250
例如,假设步骤202中通过模型预测得到所述当前周期实时消费金额预测值XExP=78,所述当前周期实际消费金额XACT=32,则:
Z=max{78,32×31/10}=99.2
则,所述模糊化处理后的实时消费金额预测值为:
Y=f(Z)=f(99.2)=100
步骤304:将步骤303中,所述模糊化处理后的当前实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中。
步骤305:对每条用户消费记录,分别判断所述用户的预付费总额是否大于所述用户当前账户的余额,如果是,向所述用户发出余额不足告警,如果否,结束流程。
参照图4,为本发明第一实施例所述预测式余额告警的系统结构图。所述系统具体包括标注单元401、模型输入单元402、神经网络预测模型403、预付费总额生成单元404、以及余额告警单元405。
所述标注单元401,用于根据实时消费业务用户的历史消费记录,归纳影响用户实时消费金额的主要因素,对用户进行属性和属性值标注,形成用户消费记录。
所述模型输入单元402,用于将所述标注单元401中标注了属性和属性值的用户消费记录输入至神经网络预测模型403。
所述神经网络预测模型403,用于根据接收到的用户消费记录,对用户的实时消费业务使用量进行训练学习,输出对应用户的当前周期实时消费金额预测值。
所述预付费总额生成单元404,用于将所述神经网络预测模型403输出的当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中。
所述余额告警单元405,用于对每条用户消费记录,当所述用户的预付费总额大于所述用户当前账户的余额时,向所述用户发出余额不足告警信息。
参照图5,为本发明第二实施例所述预测式余额告警的系统结构图。所述系统具体包括标注单元501、模型输入单元502、神经网络预测模型503、模糊化处理单元504、预付费总额生成单元505、以及余额告警单元506。
所述标注单元501,用于根据实时消费业务用户的历史消费记录,归纳影响用户实时消费金额的主要因素,对用户进行属性和属性值标注,形成用户消费记录。
所述模型输入单元502,用于将所述标注单元501中标注了属性和属性值的用户消费记录输入至神经网络预测模型503。
所述神经网络预测模型503,用于根据接收到的用户消费记录,对用户的实时消费业务使用量进行训练学习,输出对应用户的当前周期实时消费金额预测值。
所述模糊化处理单元504,用于对所述神经网络预测模型503输出的当前周期实时消费金额预测值进行模糊化处理,并将处理后的结果发送至所述预付费总额生成单元505。
所述预付费总额生成单元505,用于将所述处理后的当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中。
所述余额告警单元506,用于对每条用户消费记录,当所述用户的预付费总额大于所述用户当前账户的余额时,向所述用户发出余额不足告警信息。
本发明所述预测式余额告警的方法及系统中,所述神经网络预测模型,根据用户的实时消费历史记录对用户进行消费级别分类,并以各消费级别用户的周期平均消费金额和指定周期消费金额作为训练数据,选择相应的训练样本,同时使用新的数据对预测模型进行修正,提高预测模型的精确度。
对于实时消费业务,每个用户的一次性消费行为可以认为是一种随机事件。但是,如果对所有实时消费业务的用户,根据其一固定周期的实时消费额度划分为若干个等级,则对于某个等级的用户,其一固定周期的消费统计还是具有一定的习惯性与规律性的。只是这种规律性带有严重的非线性、随机性、以及模糊性的特点,一般的数学模型难以对这种规律性进行较好的逼近,更加无法对用户的消费进行准确的预测。
本发明所述方法及系统采用神经网络作为预测模型,并且根据用户的历史消费记录进行归类,对于每类用户都选取充分的训练样本,保证模型可以充分逼近用户在固定周期内的消费特性,可以准确的预测用户可能的消费金额。
参见图2所示,为本发明所述神经网络预测模型结构图。
本发明采用三层前馈神经网络,输入层设置M个神经元In1、In2、…InM,输出层设置一个神经元Output。相邻之间的节点采用全连接的方式,同层之间的节点无连接,不相邻层之间没有直接连接。
本发明所述神经网络预测模型的输入层M个神经元分别为:用户消费级别、用户最近n个周期实时消费金额、用户周期实时消费金额平均值、用户当前周期实时消费金额。
本发明所述输出层神经元Output表示用户当前周期实时消费金额预测值。
本发明所述神经网络预测模型,其输入层到隐含层采用Sigmoid函数作为激活函数,其隐含层到输出层采用线性函数作为激活函数。其中,所述Sigmoid函数表达式为:
本发明所述神经网络预测模型,其输入层的神经元数量可以根据实际的运营情况进行调整。
参见图6所示,为本发明所述六输入神经网络预测模型结构图。图中,所述神经网络预测模型输入层设置6个输入神经元,输出层设置一个神经元,相应的隐含层设置10个神经元。
所述输入层的6个输入神经元分别为:用户消费级别、用户最近三个周期实时消费金额、用户周期实时消费金额平均值、用户当前周期实时消费金额。
所述输出层的Output为:用户当前周期实时消费金额的预测值。
为了降低模型的复杂度,可以适当的减少输入层神经元的数量,选择用户最近两个周期实时消费业务使用量、或用户上一周期实时消费业务使用量作为输入层神经元。但是,神经元数量减少将导致预测模型训练精度的降低。
为了提高预测模型的训练精度,可以适当的增加输入层神经元的数量,选择用户最近四个或五个周期实时消费业务使用量作为输入层神经元。但是,神经元数量的增加将导致预测模型训练的复杂度。
当所述实时消费额神经网络预测模型的输入层神经元增加时,所述隐含层神经元的数量也应相应的增加。其中,所述隐含层增加的神经元数量一般为输入层增加的神经元数量的1.5倍。
对神经网络预测模型,其初始训练样本数据的选择对于模型的精度以及模型的收敛速度有极大的影响。
本发明所述神经网络预测模型,将实时消费业务的用户,根据每周期实时消费金额的多少,划分为若干个消费级别。对于每一个消费级别的用户,分别进行属性和属性值标注,形成用户消费记录。
进行模型训练时,将每个消费级别取值区间再划分为若干个区域,在每个区域内均匀取出一定数量的用户消费记录,作为训练样本数据。
例如,取周期为一个月,根据用户每月实时消费金额的多少,将用户划分为6个级别,如表1所示。
用户级别 | 实时消费业务使用量(元/月) |
q1 | 0~50 |
q2 | 50~100 |
q3 | 100~150 |
q4 | 150~200 |
q5 | 200~250 |
q6 | 大于250 |
表1:消费级别划分标准
对q1级别,将其取值区域划分为5个区域,分别为:(0,10]、(10,20]、(20,30]、(30,40]、(40,50)。在选择消费级别为q1的用户消费记录作为训练样本数据时,分别在5个区域之内均匀选择。以此保证训练样本数据的均匀性和全面性,提高模型计算的精确度。
在神经网络预测模型的训练过程中,为了防止在网络训练中发生局部极小和收敛速度慢等缺点,可以采用遗传算法作为神经网络训练算法。考虑到每周期用户实时消费的时变性,本发明所述神经网络预测模型采用滚动预测技术,使模型在应用过程中得到及时的学习和理解。
同时,本发明所述神经网络预测模型还进一步包括网络调整功能。在每周期运营商的计费系统出帐完成后,根据用户的实际实时消费金额,以实际消费值替代用户消费记录中的当前周期实时消费金额预测值,更新用户消费记录。并采用更新后的用户消费记录对神经网络预测模型进行调整性训练,以使模型的预测精确度不断提高。
当选择更新后的用户消费记录作为所述调整性训练所需的训练样本时,应注意对于每个消费级别的用户,根据其消费金额的分布尽可能均匀的选择。同时,使调整性训练所选择的训练样本区别于初始模型训练时所选择的训练样本。
本发明采用神经网络作为用户实时消费规律的预测模型,在本发明其他的实施例中,还可以选择模糊神经网络、灰度预测、模糊预测、基于小波分析的预测等其他预测方式,或者选用上述方法相结合的方式对用户的周期实时消费金额进行预测。
以上对本发明所提供的一种预测式余额告警的方法及系统,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1、一种预测式余额告警的方法,其特征在于,所述方法包括:
对实时消费业务用户进行属性和属性值标注,形成用户消费记录;
将所述用户消费记录输入至神经网络预测模型,输出各用户消费记录对应的当前周期实时消费金额的预测值;
将所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中;
对每条用户消费记录,判断所述用户的预付费总额是否大于所述用户当前的账户余额,如果是,向所述用户发送余额告警信息。
2、根据权利要求1所述的方法,其特征在于,在将所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加之前,进一步包括:
对所述神经网络预测模型输出的当前周期实时消费金额预测值进行模糊化处理。
3、根据权利要求2所述的方法,其特征在于,所述模糊化处理函数表达式为:
Y=f(当前周期实时消费金额预测值);
其中,所述Y表示模糊化处理后的当前周期实时消费金额预测值;
所述f(x)的表达式为:
f(x)=50 0≤x<50
f(x)=100 50≤x<100
f(x)=150 100≤x<150
f(x)=200 150≤x<200
f(x)=250 200≤x<250
f(x)=x x>250
其中,x表示当前周期实时消费金额预测值。
4、根据权利要求2所述的方法,其特征在于,所述模糊化处理函数表达式为:
Y=f(max{当前周期实时消费金额预测值,当前周期实时消费金额×当前周期总天数/当前周期消费天数});
其中,所述Y表示模糊化处理后的当前周期实时消费金额预测值;
所述当前周期实时消费金额,为用户在当前周期内,已经产生的实时消费金额;
所述当前周期总天数,为当前周期的一个周期总天数;
所述当前周期消费天数,为当前周期已经过去的天数;
所述f(Z)的表达式为:
f(Z)=50 0≤Z<50
f(Z)=100 50≤Z<100
f(Z)=150 100≤Z<150
f(Z)=200 150≤Z<200
f(Z)=250 200≤Z<250
f(Z)=Z Z>250
其中,Z=max{当前周期实时消费金额预测值,当前周期实时消费金额×当前周期总天数/当前周期消费天数}。
5、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户消费级别标注为属性;根据实时消费业务用户每周期消费的金额,划分用户消费级别,将每个用户所属的消费级别标注为属性值。
6、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额分别标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,分别标注为相应的属性值;
其中,所述n为正整数。
7、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户周期实时消费金额平均值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,求取平均值,标注为属性值;
其中,所述n为正整数。
8、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户当前周期实时消费金额标注为属性;获取所述用户当前周期已经产生的实时消费金额,标注为属性值。
9、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额的最大值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,取其最大值,标注为属性值;
其中,所述n为正整数。
10、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额的最小值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,取其最小值,标注为属性值;
其中,所述n为正整数。
11、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户最近n个周期实时消费金额的中间值标注为属性;根据用户的历史消费记录获取用户最近n个周期实时消费金额,取其中间值,标注为属性值;
其中,所述n为正整数。
12、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户所属消费级别的取值空间的上限值标注为属性;根据所述消费级别的划分标准,确定用户所属消费级别的取值空间,取其上限值,标注为属性值;
其中,所述n为正整数。
13、根据权利要求1、2、3或4所述的方法,其特征在于,对实时消费业务用户进行属性和属性值标注包括:
将用户所属消费级别的取值空间的下限值标注为属性;根据所述消费级别的划分标准,确定用户所属消费级别的取值空间,取其下限值,标注为属性值;
其中,所述n为正整数。
14、一种预测式余额告警的系统,其特征在于,所述系统包括:标注单元、模型输入单元、神经网络预测模型、预付费总额生成单元、以及余额告警单元;
所述标注单元,用于对实时消费业务用户进行属性和属性值标注,形成用户消费记录;
所述模型输入单元,用于将所述标注单元标注了属性和属性值的用户消费记录输入至神经网络预测模型;
所述神经网络预测模型,用于根据接收到的用户消费记录,进行训练学习,输出各用户消费记录对应的当前周期实时消费金额预测值;
所述预付费总额生成单元,用于将接收到的所述当前周期实时消费金额预测值与对应用户的周期性固定费用相加,形成对应用户的预付费总额,标注到各用户消费记录中;
所述余额告警单元,用于对每条用户消费记录,当所述用户的预付费总额大于所述用户当前账户的余额时,向所述用户发出余额告警信息。
15、根据权利要求14所述的系统,其特征在于,所述系统进一步包括:模糊化处理单元;
所述模糊化处理单元,用于对所述神经网络预测模型输出的当前周期实时消费金额预测值进行模糊化处理,并将处理后的结果发送至所述预付费总额生成单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102242885A CN101483531A (zh) | 2008-10-16 | 2008-10-16 | 一种预测式余额告警的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102242885A CN101483531A (zh) | 2008-10-16 | 2008-10-16 | 一种预测式余额告警的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101483531A true CN101483531A (zh) | 2009-07-15 |
Family
ID=40880475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008102242885A Pending CN101483531A (zh) | 2008-10-16 | 2008-10-16 | 一种预测式余额告警的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101483531A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111276A (zh) * | 2009-12-29 | 2011-06-29 | 北京四达时代软件技术股份有限公司 | 一种实时计费方法及系统 |
CN102510529A (zh) * | 2011-09-22 | 2012-06-20 | 中国科学技术大学 | 对节目进行点播量预测和存储调度的方法 |
CN103034548A (zh) * | 2012-11-29 | 2013-04-10 | 广东全通教育股份有限公司 | 一种基于规则匹配的智能计费校验方法和系统 |
CN104616173A (zh) * | 2015-02-11 | 2015-05-13 | 北京嘀嘀无限科技发展有限公司 | 预测用户流失的方法以及设备 |
CN105139225A (zh) * | 2015-08-17 | 2015-12-09 | 北京京东世纪贸易有限公司 | 一种确定用户行为能力等级的方法和装置 |
CN108074132A (zh) * | 2017-11-13 | 2018-05-25 | 深圳市华阅文化传媒有限公司 | 电子书客户端中优惠信息的推送方法及装置 |
CN108520048A (zh) * | 2018-03-30 | 2018-09-11 | 掌阅科技股份有限公司 | 基于电子书的活动内容推送方法及电子设备 |
CN108600970A (zh) * | 2018-03-30 | 2018-09-28 | 深圳春沐源控股有限公司 | 一种信息提醒方法、装置及计算机可读存储介质 |
CN109621429A (zh) * | 2018-12-14 | 2019-04-16 | 北京智明星通科技股份有限公司 | 一种基于社交平台的小游戏充值提醒方法、装置、服务器 |
CN110020850A (zh) * | 2019-03-05 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 用于账户处理的方法、系统和计算设备 |
CN110163742A (zh) * | 2019-04-22 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种账户资源数据确定方法及系统 |
CN111050008A (zh) * | 2019-12-12 | 2020-04-21 | 北京金山云网络技术有限公司 | 一种账户余额提醒方法、装置、电子设备及存储介质 |
CN111127189A (zh) * | 2019-12-23 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 流动性预测系统、方法以及装置 |
CN113643041A (zh) * | 2021-08-16 | 2021-11-12 | 中国银行股份有限公司 | 用户还款提醒方法及装置 |
CN115563185A (zh) * | 2022-10-11 | 2023-01-03 | 广东智科信息技术发展有限公司 | 一种用户信息统计的一卡通系统 |
CN118521315A (zh) * | 2024-07-18 | 2024-08-20 | 山东浪潮数字商业科技有限公司 | 预付卡多维度综合赋码方法、系统、设备及介质 |
-
2008
- 2008-10-16 CN CNA2008102242885A patent/CN101483531A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111276A (zh) * | 2009-12-29 | 2011-06-29 | 北京四达时代软件技术股份有限公司 | 一种实时计费方法及系统 |
CN102111276B (zh) * | 2009-12-29 | 2015-03-04 | 北京四达时代软件技术股份有限公司 | 一种实时计费方法及系统 |
CN102510529A (zh) * | 2011-09-22 | 2012-06-20 | 中国科学技术大学 | 对节目进行点播量预测和存储调度的方法 |
CN102510529B (zh) * | 2011-09-22 | 2014-11-05 | 中国科学技术大学 | 对节目进行点播量预测和存储调度的方法 |
CN103034548A (zh) * | 2012-11-29 | 2013-04-10 | 广东全通教育股份有限公司 | 一种基于规则匹配的智能计费校验方法和系统 |
CN103034548B (zh) * | 2012-11-29 | 2016-01-20 | 广东全通教育股份有限公司 | 一种基于规则匹配的智能计费校验方法和系统 |
CN104616173A (zh) * | 2015-02-11 | 2015-05-13 | 北京嘀嘀无限科技发展有限公司 | 预测用户流失的方法以及设备 |
CN104616173B (zh) * | 2015-02-11 | 2020-09-29 | 北京嘀嘀无限科技发展有限公司 | 预测用户流失的方法以及设备 |
CN105139225A (zh) * | 2015-08-17 | 2015-12-09 | 北京京东世纪贸易有限公司 | 一种确定用户行为能力等级的方法和装置 |
CN108074132A (zh) * | 2017-11-13 | 2018-05-25 | 深圳市华阅文化传媒有限公司 | 电子书客户端中优惠信息的推送方法及装置 |
CN108600970A (zh) * | 2018-03-30 | 2018-09-28 | 深圳春沐源控股有限公司 | 一种信息提醒方法、装置及计算机可读存储介质 |
CN108520048A (zh) * | 2018-03-30 | 2018-09-11 | 掌阅科技股份有限公司 | 基于电子书的活动内容推送方法及电子设备 |
CN109621429A (zh) * | 2018-12-14 | 2019-04-16 | 北京智明星通科技股份有限公司 | 一种基于社交平台的小游戏充值提醒方法、装置、服务器 |
CN110020850A (zh) * | 2019-03-05 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 用于账户处理的方法、系统和计算设备 |
CN110163742A (zh) * | 2019-04-22 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种账户资源数据确定方法及系统 |
CN110163742B (zh) * | 2019-04-22 | 2023-08-04 | 创新先进技术有限公司 | 一种账户资源数据确定方法及系统 |
CN111050008A (zh) * | 2019-12-12 | 2020-04-21 | 北京金山云网络技术有限公司 | 一种账户余额提醒方法、装置、电子设备及存储介质 |
CN111127189A (zh) * | 2019-12-23 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 流动性预测系统、方法以及装置 |
CN113643041A (zh) * | 2021-08-16 | 2021-11-12 | 中国银行股份有限公司 | 用户还款提醒方法及装置 |
CN115563185A (zh) * | 2022-10-11 | 2023-01-03 | 广东智科信息技术发展有限公司 | 一种用户信息统计的一卡通系统 |
CN118521315A (zh) * | 2024-07-18 | 2024-08-20 | 山东浪潮数字商业科技有限公司 | 预付卡多维度综合赋码方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101483531A (zh) | 一种预测式余额告警的方法及系统 | |
US11398728B2 (en) | Methods and systems for an automated utility marketplace platform | |
Deng et al. | Inter-hours rolling scheduling of behind-the-meter storage operating systems using electricity price forecasting based on deep convolutional neural network | |
Zheng et al. | Day-ahead bidding strategy for electric vehicle aggregator enabling multiple agent modes in uncertain electricity markets | |
Reneses et al. | Distribution pricing: theoretical principles and practical approaches | |
CN109325640A (zh) | 用户价值预测方法、装置、存储介质及设备 | |
Song et al. | Simulation analysis of flexible concession period contracts in electric vehicle charging infrastructure public-private-partnership (EVCI-PPP) projects based on time-of-use (TOU) charging price strategy | |
CN107818386A (zh) | 电网企业经营利润预测方法 | |
WO2007127123A2 (en) | Methods, apparatus, media and signals for facilitating real-time management of a utility supply | |
CN101266674A (zh) | 确定将再生能量提供给能源网的适当策略的方法和系统 | |
Wu et al. | Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model | |
Sedeh et al. | Optimization of bidding strategy in the day-ahead market by consideration of seasonality trend of the market spot price | |
Junlakarn et al. | A cross-country comparison of compensation mechanisms for distributed photovoltaics in the Philippines, Thailand, and Vietnam | |
Oh et al. | A multi-use framework of energy storage systems using reinforcement learning for both price-based and incentive-based demand response programs | |
Afentoulis et al. | Smart charging business model framework for electric vehicle aggregators | |
Wang et al. | Demand control model with combinatorial incentives and surcharges for one-way carsharing operation | |
CN110459050A (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
Agarwal et al. | The impact of ride-hail surge factors on taxi bookings | |
Zhang et al. | Time‐phased electricity package design for electricity retailers considering bounded rationality of consumers | |
Xu et al. | Perception and decision-making for demand response based on dynamic classification of consumers | |
Ramoliya et al. | ML-Based Energy Consumption and Distribution Framework Analysis for EVs and Charging Stations in Smart Grid Environment | |
Tsao et al. | A new three-part tariff pricing scheme for the electricity microgrid considering consumer regret | |
Gunkel et al. | Uniform taxation of electricity: incentives for flexibility and cost redistribution among household categories | |
Naseri et al. | Dynamic retail market tariff design for an electricity aggregator using reinforcement learning | |
Razzak et al. | Leveraging Deep Q-Learning to maximize consumer quality of experience in smart grid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20090715 |