CN103426036A - 来访概率预测方法和系统 - Google Patents
来访概率预测方法和系统 Download PDFInfo
- Publication number
- CN103426036A CN103426036A CN2013103500090A CN201310350009A CN103426036A CN 103426036 A CN103426036 A CN 103426036A CN 2013103500090 A CN2013103500090 A CN 2013103500090A CN 201310350009 A CN201310350009 A CN 201310350009A CN 103426036 A CN103426036 A CN 103426036A
- Authority
- CN
- China
- Prior art keywords
- visiting
- day
- probable value
- transformed
- days
- 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.)
- Granted
Links
Images
Abstract
一种来访概率预测方法,包括步骤:获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值;获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值;根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值。同时,本发明还提供了一种与上述预测方法相匹配的来访概率预测系统。本发明所确定的下一日来访概率值,兼顾考虑了客户端最近的来访规律和历史的来访规律,全面描述了客户端的来访行为,提高了预测结果的区分度,达到提高预测结果准确性的效果。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种来访概率预测方法和系统。
背景技术
对于电商网站运营商等互联网站,需要根据服务器中客户端的来访信息,如来访的时间和次数,预测客户来访的概率,进而根据该来访的概率将用户分群归类,然后针对不同类别的客户制定相应的营销策略。
传统的来访概率预测方法通过获取服务器中客户端在若干天内的来访天数,将来访天数除以所述若干天,确定客户端当日的来访概率。
这种预测方法中若干天的取值过小,无法准确反映客户端长期的访问规律;若干天的取值过大,则降低了预测结果的区分度,导致预测的结果准确性低。
发明内容
基于此,有必要针对现有技术的预测结果准确性低问题,提供一种来访概率预测方法和系统。
一种来访概率预测方法,包括步骤:
获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值;
获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值;
根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值。
上述来访概率预测方法,通过获取客户端最近若干天的来访天数,确定客户端当日来访的第一概率值,反映了客户端最近的访问规律;通过获取客户端的历史访问中的来访日期,确定每相邻两天中,客户端首日来访转变成次日来访的第二概率值以及首日不来访转变成次日来访的第三概率值,代表了客户端在每相邻两天中,从首日的不来访状态或者来访状态转变成次日来访状态的概率,反映了客户端历史的访问规律。最后通过第一概率值、第二概率值以及第三概率值便可以确定客户端下一日来访的概率值,全面描述了客户端的来访行为,提高了预测结果的区分度,达到提高预测结果准确性的效果。
一种来访概率预测系统,其特征在于,包括:
当日来访概率预测模块,用于获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值;
状态转移概率预测模块,用于获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值;
下一日来访概率预测模块,用于根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值。
上述来访概率预测系统,通过当日来访概率预测模块获取客户端最近若干天内的来访天数,确定客户端当日来访的第一概率值,反映了客户端最近的来访规律;通过状态转移概率预测模块获取客户端历史访问记录中的来访日期,确定每相邻两天中,客户端首日来访转变成次日来访的第二概率值以及首日不来访转变成次日来访的第三概率值,代表了客户端在每相邻两天中,从首日的不来访状态或者来访状态转变成次日来访状态的概率,反映了客户端历史的访问规律。最后由下一日来访概率预测模块根据所述的第一概率值、第二概率值和第三概率值确定客户端下一日来访的概率值,全面描述了客户端的来访行为,提高了预测结果的区分度,达到提高预测结果准确性的效果。
附图说明
图1为本发明的一个实施例的来访概率预测方法的流程示意图;
图2为本发明的一个实施例的来访概率预测系统的结构示意图;
图3为当日概率预测模块的一个实施例的结构示意图;
图4为状态转移概率预测模块的一个实施例的结构示意图。
具体实施方式
以下针对本发明来访概率预测方法及系统的实施例进行详细的描述。
首先针对来访概率预测方法进行描述。
参见图1,是一个实施例的来访概率预测方法的流程示意图,包括步骤:
步骤S101:获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值。其中,第一概率值是客户端最近访问规律的客观反映。
步骤S102:获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值。其中,客户端在历史访问记录中每相邻两天中从来访状态转变成来访状态的第二概率值和由不来访状态转变成来访状态的第三概率值,它是客户端从首次登陆至当前的历史访问规律的客观反映。
步骤S103:根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值。其中,以当日和下一日为相邻两天,即来当日为相邻两天的首日,下一日为相邻两天的次日,结合第二概率值和第三概率值,预测出下一日的来访的概率值,兼顾考虑了客户端最近的来访规律和历史的来访规律。而且第二概率值和第三概率值是基于客户端从首次访问至今的来访日期,其值域取尽了实数区间[0,1]内数值,因此根据第一概率值、第二概率值及第三概率值所确定的下一日来访的概率值的取值会根据客户端的来访规律变化,更加详细地反映了不同客户端的来访规律,提高了不同客户端来访概率值的区分度。
需要声明的是,此处对步骤S101和S102的执行的顺序并不作限制,可按照先后顺序执行或同时执行,并且步骤S103为最后执行的步骤。
上述来访概率预测方法,通过步骤S101获取客户端最近若干天的来访天数,确定客户端当日来访的第一概率值,反映了客户端最近的访问规律;步骤S102通过获取客户端的历史访问中的来访日期,确定每相邻两天中,客户端首日来访转变成次日来访的第二概率值以及首日不来访转变成次日来访的第三概率值,代表了客户端在每相邻两天中,从首日的不来访状态或者来访状态转变成次日来访状态的概率,反映了客户端历史的访问规律。最后步骤S103通过第一概率值、第二概率值以及第三概率值便可以确定客户端下一日来访的概率值,全面描述了客户端的来访行为,提高了预测结果的区分度,达到提高预测结果准确性的效果。
在其中一个实施例中,步骤S101包括:
Pc=m/n;
式中,Pc为当日所述客户端来访的第一概率值,n为获取来访记录的若干天的天数,n≥2,m为若干天内的来访天数。
需要声明的是,此处n的优选取值为7,即取客户端最近7天内的访问数据。
在上述函数关系式中,通过最近的n天内的访问天数m除以n,计算出客户端当日来访的概率Pc,反映的是客户端最近几天的访问频率,借此预测出客户端当日的来访概率。
在其中一个实施例中,步骤S102包括:
获取所述来访日期的每相邻两天中,首日来访转变成次日来访的第一次数,首日来访转变成次日不来访的第二次数,首日不来访转变成次日来访的第三次数以及首日不来访转变成次日不来访的第四次数。根据所获取的客户端从首次访问至今的访问日期中,获取所述来访日期的每相邻两天中,首日来访转变成次日来访的第一次数,首日来访转变成次日不来访的第二次数,首日不来访转变成次日来访的第三次数以及首日不来访转变成次日不来访的第四次数。通过上述方法,将客户端在相邻两天中的来访状态划分成了首日来访至次日来访,首日来访至次日不来访,首日不来访至次日来访,首日不来访至次日不来访等四种状态变化,并分别得到第一次数、第二次数、第三次数以及第四次数。
根据第一次数、第二次数、第三次数及第四次数确定第二概率值和第三概率值。其中,第二概率值反映了客户端在相邻两天中,从首日来访转变成次日来访的可能性;第三概率值反映了客户端在相邻两天中,从首日来访转变成次日来访的可能性。
在其中一个实施例中,根据第一次数、第二次数、第三次数及第四次数确定第二概率值和第三概率值包括:
P11=A11/(A11+A10),
P01=A01/(A01+A00);
式中,P11为首日来访转变成次日来访的概率值,P01为首日不来访转变成次日来访的概率值,A11为首日来访转变成次日来访的第一次数,A10为首日来访转变成次日不来访的第二次数,A01为首日不来访转变成次日来访的第三次数,A00为首日不来访转变成次日不来访的第四次数。
其中,在P11=A11/(A11+A10)中,反映了客户端以来访为首日的来访状态,计算出客户端次日也来访的概率值;同理,,在P01=A01/(A01+A00)中,反映了客户端以不来访为首日的来访状态,计算出客户端次日来访的概率值。上述式子均是反映了客户端不管首日的来访状态如何,次日会来访的概率。
在其中一个实施例中,步骤S103包括:
PN=Pc×P11+(1-Pc)×P01;
式中,PN为客户端下一日来访的概率值,Pc为所述来访天数确定当日所述客户端来访的第一概率值,P11为首日来访转变成次日来访的第二概率值,P01为首日不来访转变成次日来访的第三概率值。
上述式子中,客户端下一日的来访情况包含了两种情况,其一,客户端当日来访了,下一日也来访了;其二,客户端当日没有来访,但是下一日来访了。因此在计算客户端下一日来访的概率值为上述两种情况的概率值之和。
在此需要说明的是,在利用本发明的来访概率预测方法获得下一日来访概率值后,可根据概率值的大小对客户端进行分群,方便分群后制定针对性的营销策略。例如:当PN在实数区间[0.7,1]内,客户端划分至高频访问客户群之中;当PN在实数区间[0.3,0.7)内,客户端划分至中频访问客户群之中;当PN在实数区间[0,0.3)内,客户端划分至低频访问客户群之中。
根据上述的来访概率预测方法,本发明提供了一种来访概率预测系统。
参见图2,是一个实施例的来访概率预测系统的结构示意图,包括:
当日来访概率预测模块310,用于获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值。通过当日来访概率预测模块310,获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值。所述当日来访的第一概率值反映了客户端在最近的访问规律。
状态转移概率预测模块320,用于获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值。通过状态转移概率预测模块320,获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值。其中所述第二概率值和第三概率值反映了客户端从首次访问至今的历史访问规律。
下一日来访概率预测模块330,用于根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值。以当日和下一日为相邻两天,即来当日为相邻两天的首日,下一日为相邻两天的次日,结合第二概率值和第三概率值,预测出下一日的来访的概率值,兼顾考虑了客户端最近的来访规律和历史的来访规律。而且第二概率值和第三概率值是基于客户端从首次访问至今的来访日期,其值域取尽了实数区间[0,1]内数值,因此根据第一概率值、第二概率值及第三概率值所确定的下一日来访的概率值的取值会根据客户端的来访规律变化,更加详细地反映了不同客户端的来访规律,提高了不同客户端来访概率值的区分度。
需要声明的是,此处对当日来访概率预测模块310和状态转移概率预测模块320的执行的顺序并不作限制,可按照先后顺序执行工作或同时执行工作,并且下一日来访概率预测模块330为最后执行工作的模块。
上述来访概率预测系统,通过当日来访概率预测模块310获取客户端最近若干天内的来访天数,确定客户端当日来访的第一概率值,反映了客户端最近的来访规律;通过状态转移概率预测模块320获取客户端历史访问记录中的来访日期,确定每相邻两天中,客户端首日来访转变成次日来访的第二概率值以及首日不来访转变成次日来访的第三概率值,代表了客户端在每相邻两天中,从首日的不来访状态或者来访状态转变成次日来访状态的概率,反映了客户端历史的访问规律。最后由下一日来访概率预测模块330根据所述的第一概率值、第二概率值和第三概率值确定客户端下一日来访的概率值,全面描述了客户端的来访行为,提高了预测结果的区分度,达到提高预测结果准确性的效果。
参考图3,在其中一个实施例中,当日来访概率预测模310包括:
第一数据获取单元311,用于获取客户端最近若干天内的来访次数;
第一计算单元312,根据所述来访天数确定当日所述客户端来访的第一概率值:
Pc=m/n;
式中,Pc为当日所述客户端来访的第一概率值,n为获取来访记录的若干天的天数,n≥2,m为若干天内的来访天数。通过第一数据获取单元311获取最近若干天内的访问天数后,由第一计算单元312进行计算,具体为:最近的n天内的访问天数m除以n,计算出客户端当日来访的概率Pc,反映的是客户端最近几天的访问频率,借此预测出客户端当日的来访概率。
需要声明的是,此处n的优选取值为7,即取客户端最近7天内的访问数据。
参考图4,在其中一个实施例中,状态转移概率预测模块320包括:
第二数据获取单元321,用于获取客户端从首次来访至当前的来访日期。第二数据获取单元321获取的客户端从首次访问至今的访问日期。
第三数据获取单元322,用于获取所述来访日期的每相邻两天中,首日来访转变成次日来访的第一次数,首日来访转变成次日不来访的第二次数,首日不来访转变成次日来访的第三次数以及首日不来访转变成次日不来访的第四次数。第三数据获取单元322获取所述来访日期的每相邻两天中,首日来访转变成次日来访的第一次数,首日来访转变成次日不来访的第二次数,首日不来访转变成次日来访的第三次数以及首日不来访转变成次日不来访的第四次数。通过上述方法,将客户端在相邻两天中的来访状态划分成了首日来访至次日来访,首日来访至次日不来访,首日不来访至次日来访,首日不来访至次日不来访等四种状态变化,并分别得到第一次数、第二次数、第三次数以及第四次数。
第二计算单元323,用于根据第一次数、第二次数、第三次数及第四次数确定第二概率值和第三概率值。第二概率值反映了客户端在相邻两天中,从首日来访转变成次日来访的可能性;第三概率值反映了客户端在相邻两天中,从首日来访转变成次日来访的可能性。
在其中一个实施例中,所述的第二计算单元323的计算方式为:
P11=A11/(A11+A10),
P01=A01/(A01+A00);
式中,P11为首日来访转变成次日来访的概率值,P01为首日不来访转变成次日来访的概率值,A11为首日来访转变成次日来访的第一次数,A10为首日来访转变成次日不来访的第二次数,A01为首日不来访转变成次日来访的第三次数,A00为首日不来访转变成次日不来访的第四次数。
其中,在P11=A11/(A11+A10)中,反映了客户端以来访为首日的来访状态,计算出客户端次日也来访的概率值;同理,,在P01=A01/(A01+A00)中,反映了客户端以不来访为首日的来访状态,计算出客户端次日来访的概率值。上述式子均是反映了客户端不管首日的来访状态如何,次日会来访的概率。
在其中一个实施例中,所述下一日来访概率预测模块330的计算方式为:
PN=Pc×P11+(1-Pc)×P01;
式中,PN为客户端下一日来访的概率值,Pc为所述来访天数确定当日所述客户端来访的第一概率值,P11为首日来访转变成次日来访的第二概率值,P01为首日不来访转变成次日来访的第三概率值。
上述式子中,客户端下一日的来访情况包含了两种情况,其一,客户端当日来访了,下一日也来访了;其二,客户端当日没有来访,但是下一日来访了。因此在计算客户端下一日来访的概率值为上述两种情况的概率值之和。
在此需要说明的是,在下一日来访概率值预测模块330后,可设置客户端分群模块,根据前述所得的下一日来访概率值的大小对客户端进行分群,方便分群后制定针对性的营销策略。例如:当PN在实数区间[0.7,1]内,客户端划分至高频访问客户群之中;当PN在实数区间[0.3,0.7)内,客户端划分至中频访问客户群之中;当PN在实数区间[0,0.3)内,客户端划分至低频访问客户群之中。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种来访概率预测方法,其特征在于,包括步骤:
获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值;
获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值;
根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值。
2.根据权利要求1所述的来访概率预测方法,其特征在于,根据所述来访天数确定当日所述客户端来访的第一概率值的步骤包括:
Pc=m/n;
式中,Pc为当日所述客户端来访的第一概率值,n为获取来访记录的若干天的天数,n≥2,m为若干天内的来访天数。
3.根据权利要求1所述的来访概率预测方法,其特征在于,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值的步骤包括:
获取所述来访日期的每相邻两天中,首日来访转变成次日来访的第一次数,首日来访转变成次日不来访的第二次数,首日不来访转变成次日来访的第三次数以及首日不来访转变成次日不来访的第四次数;
根据第一次数、第二次数、第三次数及第四次数确定第二概率值和第三概率值。
4.根据权利要求3所述的来访概率预测方法,其特征在于,所述根据第一次数、第二次数、第三次数及第四次数确定第二概率值和第三概率值的步骤包括:
P11=A11/(A11+A10),
P01=A01/(A01+A00);
式中,P11为首日来访转变成次日来访的概率值,P01为首日不来访转变成次日来访的概率值,A11为首日来访转变成次日来访的第一次数,A10为首日来访转变成次日不来访的第二次数,A01为首日不来访转变成次日来访的第三次数,A00为首日不来访转变成次日不来访的第四次数。
5.根据权利要求1所述的来访概率预测方法,其特征在于,根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值的步骤包括:
PN=Pc×P11+(1-Pc)×P01;
式中,PN为客户端下一日来访的概率值,Pc为所述来访天数确定当日所述客户端来访的第一概率值,P11为首日来访转变成次日来访的第二概率值,P01为首日不来访转变成次日来访的第三概率值。
6.一种来访概率预测系统,其特征在于,包括:
当日来访概率预测模块,用于获取客户端最近若干天内的来访天数,根据所述来访天数确定当日所述客户端来访的第一概率值;
状态转移概率预测模块,用于获取所述客户端的历史访问记录中的来访日期,根据所述来访日期确定该客户端在每相邻两天中,首日来访转变成次日来访的第二概率值和首日不来访转变成次日来访的第三概率值;
下一日来访概率预测模块,用于根据所述第一概率值、第二概率值及第三概率值确定所述客户端下一日来访的概率值。
7.根据权利要求6所述的来访概率预测系统,其特征在于,所述来访概率预测模块包括:
第一数据获取单元,用于获取客户端最近若干天内的来访次数;
第一计算单元,根据所述来访天数确定当日所述客户端来访的第一概率值:
Pc=m/n;
式中,Pc为当日所述客户端来访的第一概率值,n为获取来访记录的若干天的天数,n≥2,m为若干天内的来访天数。
8.根据权利要求6所述的来访概率预测系统,其特征在于,所述状态转移概率预测模块包括:
第二数据获取单元,用于获取客户端从首次来访至当前的来访日期;
第三数据获取单元,用于获取所述来访日期的每相邻两天中,首日来访转变成次日来访的第一次数,首日来访转变成次日不来访的第二次数,首日不来访转变成次日来访的第三次数以及首日不来访转变成次日不来访的第四次数;
第二计算单元,用于根据第一次数、第二次数、第三次数及第四次数确定第二概率值和第三概率值。
9.根据权利要求8所述的来访概率预测系统,其特征在于,所述第二计算单元的计算方式为:
P11=A11/(A11+A10),
P01=A01/(A01+A00);
式中,P11为首日来访转变成次日来访的概率值,P01为首日不来访转变成次日来访的概率值,A11为首日来访转变成次日来访的第一次数,A10为首日来访转变成次日不来访的第二次数,A01为首日不来访转变成次日来访的第三次数,A00为首日不来访转变成次日不来访的第四次数。
10.根据权利要求6所述的来访概率预测系统,其特征在于,所述下一日来访概率预测模块的计算方式为:
PN=Pc×P11+(1-Pc)×P01;
式中,PN为客户端下一日来访的概率值,Pc为所述来访天数确定当日所述客户端来访的第一概率值,P11为首日来访转变成次日来访的第二概率值,P01为首日不来访转变成次日来访的第三概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310350009.0A CN103426036B (zh) | 2013-08-12 | 2013-08-12 | 来访概率预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310350009.0A CN103426036B (zh) | 2013-08-12 | 2013-08-12 | 来访概率预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103426036A true CN103426036A (zh) | 2013-12-04 |
CN103426036B CN103426036B (zh) | 2017-10-31 |
Family
ID=49650742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310350009.0A Active CN103426036B (zh) | 2013-08-12 | 2013-08-12 | 来访概率预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103426036B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944955A (zh) * | 2014-01-21 | 2014-07-23 | 中国科学院遥感与数字地球研究所 | 基于无线网络的手机空间信息服务方法 |
CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN110298508A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 行为预测方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226550A (zh) * | 2008-01-28 | 2008-07-23 | 中国工商银行股份有限公司 | 电子银行网站客户行为及信息处理方法及系统 |
KR20090006282A (ko) * | 2007-07-11 | 2009-01-15 | 마케팅엔지니어코리아 (주) | 마케팅엔지니어 솔루션-헌터 |
CN101520689A (zh) * | 2009-04-17 | 2009-09-02 | 成都市华为赛门铁克科技有限公司 | 一种计算机存储设备控制方法、控制器及存储设备 |
CN101996213A (zh) * | 2009-08-27 | 2011-03-30 | 顾海松 | 一种实时客户购物行为分析系统及其方法 |
CN102667839A (zh) * | 2009-12-15 | 2012-09-12 | 英特尔公司 | 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法 |
-
2013
- 2013-08-12 CN CN201310350009.0A patent/CN103426036B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090006282A (ko) * | 2007-07-11 | 2009-01-15 | 마케팅엔지니어코리아 (주) | 마케팅엔지니어 솔루션-헌터 |
CN101226550A (zh) * | 2008-01-28 | 2008-07-23 | 中国工商银行股份有限公司 | 电子银行网站客户行为及信息处理方法及系统 |
CN101520689A (zh) * | 2009-04-17 | 2009-09-02 | 成都市华为赛门铁克科技有限公司 | 一种计算机存储设备控制方法、控制器及存储设备 |
CN101996213A (zh) * | 2009-08-27 | 2011-03-30 | 顾海松 | 一种实时客户购物行为分析系统及其方法 |
CN102667839A (zh) * | 2009-12-15 | 2012-09-12 | 英特尔公司 | 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法 |
Non-Patent Citations (2)
Title |
---|
冉婕等: "齐次马尔可夫预测的应用及其在Matlab上的实现", 《电脑学习》 * |
石磊等: "马尔可夫预测模型中转移概率矩阵的压缩与应用", 《计算机应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944955A (zh) * | 2014-01-21 | 2014-07-23 | 中国科学院遥感与数字地球研究所 | 基于无线网络的手机空间信息服务方法 |
CN103944955B (zh) * | 2014-01-21 | 2017-12-12 | 中国科学院遥感与数字地球研究所 | 基于无线网络的手机空间信息服务方法 |
CN107067283A (zh) * | 2017-04-21 | 2017-08-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN107067283B (zh) * | 2017-04-21 | 2021-05-18 | 重庆邮电大学 | 基于历史商家记录及用户行为的电商消费客流量预测方法 |
CN110298508A (zh) * | 2019-06-28 | 2019-10-01 | 京东数字科技控股有限公司 | 行为预测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103426036B (zh) | 2017-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Frangopol et al. | Resilience as optimization criterion for the rehabilitation of bridges belonging to a transportation network subject to earthquake | |
JP6065531B2 (ja) | エネルギー消費のプロファイリング | |
US20130173333A1 (en) | Prioritizing social activity postings | |
AU2017204075A1 (en) | Method and apparatus for managing visitor interactions | |
US20140188563A1 (en) | Customer demographic data change detection based on monitored utility consumption | |
CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
CN107103049A (zh) | 一种推荐方法及网络设备 | |
CN108154252A (zh) | 用于预估流程完成时间的方法和装置 | |
CN103426036A (zh) | 来访概率预测方法和系统 | |
CN103942603A (zh) | 一种广告点击率的预估方法和装置 | |
AbdelMoez et al. | Improving bug fix-time prediction model by filtering out outliers | |
CN105786830A (zh) | 计算机系统中模型自适应调整方法、装置及系统 | |
CN108763374B (zh) | 一种行驶路径展示方法、装置及设备 | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN105654326A (zh) | 一种信息处理系统及方法 | |
CN109377317A (zh) | 数据处理方法及装置 | |
Deeshma et al. | Travel time modeling for bus transport system in Bangalore city | |
CN111008729B (zh) | 一种迁移预测的方法和装置 | |
KR20140098313A (ko) | 타겟팅 조건 기반의 광고 가용량 관리 방법 | |
CN111724098A (zh) | 信息展示方法、系统、电子设备及存储介质 | |
CN106097015A (zh) | 一种市场预测系统及方法 | |
CN102916851A (zh) | 一种网络流量预测方法及装置 | |
CN103020081A (zh) | 站外投放关键词方法和系统 | |
CN111369787A (zh) | 一种车辆轨迹预测方法、装置及电子设备 | |
CN101894119B (zh) | 用于监控的海量数据的储存 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20171218 Address after: 510000 Guangzhou City, Guangzhou, Guangdong, Fangcun Avenue, one of the 314 self compiled Patentee after: Guangzhou Pinwei Software Co., Ltd. Address before: 510370 Guangdong, Guangzhou, Fangcun, No., No. 20 Huahai street, building 1-5 Patentee before: Guangzhou VIPSHOP Information and Technology Co., Ltd. |