CN106779872A - 一种旅客细分方法及装置 - Google Patents
一种旅客细分方法及装置 Download PDFInfo
- Publication number
- CN106779872A CN106779872A CN201710021136.4A CN201710021136A CN106779872A CN 106779872 A CN106779872 A CN 106779872A CN 201710021136 A CN201710021136 A CN 201710021136A CN 106779872 A CN106779872 A CN 106779872A
- Authority
- CN
- China
- Prior art keywords
- passenger
- judgment matrix
- vector
- prototype
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 160
- 238000010606 normalization Methods 0.000 claims description 18
- RUCAXVJJQQJZGU-UHFFFAOYSA-M hydron;2-(phosphonatomethylamino)acetate;trimethylsulfanium Chemical compound C[S+](C)C.OP(O)(=O)CNCC([O-])=O RUCAXVJJQQJZGU-UHFFFAOYSA-M 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种旅客细分方法及装置,用于建立判断矩阵A并根据判断矩阵A计算各旅客价值指标的权重,最后根据权重对旅客信息进行分类,实现了对旅客信息的系统性分类,使得航空公司针对不同的旅客群指定不同的营销策略,从而实现公司利润的最大化,提升航空公司的竞争力。本发明实施例方法包括:根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A;根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重;根据各旅客价值指标的所述权重和预置的初始聚类原型对预置的若干样本进行分类。
Description
技术领域
本发明涉及信息处理领域,尤其涉及一种旅客细分方法及装置。
背景技术
随着经济的快速发展,民航旅客的数量在急剧增加,国内民航开始快速发展,各航空公司为了提高竞争力,为具有不同行为偏好的旅客提供个性化的服务,从而制定相应的营销策略成为各航空公司的迫切需求。目前,各类面向客户服务、旨在提高客户体验的民航信息系统都在大量推广,旅客与整个民航系统的各种服务终端的交互频率也在提高,旅客在与服务终端进行交互的过程中,其行为都被记录于信息系统中。因此,对于各大航空公司来说,借助于科学技术手段来处理海量的旅客信息,并对其加以处理以得到有价值的信息,通过对旅客进行细分,针对不同的旅客群指定不同的营销策略,实现公司利润的最大化,提升航空公司的竞争力,这是各航空公司亟待解决的问题。
发明内容
本发明实施例提供了一种旅客细分方法及装置,用于建立判断矩阵A并根据判断矩阵A计算各旅客价值指标的权重,最后根据权重对旅客信息进行分类,实现了对旅客信息的系统性分类,使得航空公司针对不同的旅客群指定不同的营销策略,从而实现公司利润的最大化,提升航空公司的竞争力。
本发明实施例提供了一种旅客细分方法,包括:
根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A;
根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重;
根据各旅客价值指标的所述权重和预置的初始聚类原型对预置的若干样本进行分类。
优选地,
根据各旅客价值指标的权重所述权重和预置的初始聚类原型对预置的若干样本进行分类具体为:
通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与所述样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1。
优选地,
在根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A之后,在根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重之前还包括:
对所述判断矩阵A进行一致性处理。
优选地,
对所述判断矩阵A进行一致性处理具体为:
S1,计算所述判断矩阵A的排序向量W,并通过计算所述判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为所述判断矩阵A的第j列归一化向量W;
S2,根据计算所述判断矩阵A的诱导矩阵C=(cij)n×n;
S3,计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l;
S4,比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl-akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令
S5,令a′lk=1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1。
优选地,
计算所述判断矩阵A的排序向量W具体为:
通过AW=λmaxW计算所述判断矩阵A的第一排序向量W(L),其中λmax为所述判断矩阵A的最大特征根;
通过和ATUT=λmaxUT计算所述判断矩阵A的第二排序向量W(R),其中Wi、Ui均为行向量;
通过W=(W(L)+W(R))/2计算所述判断矩阵A的排序向量W。
本发明实施例提供了一种旅客细分装置,包括:
判断矩阵建立模块,用于根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A;
权重计算模块,用于根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重;
分类模块,用于根据各旅客价值指标的所述权重和预置的初始聚类原型对预置的若干样本进行分类。
优选地,
所述分类模块具体用于:
通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与所述样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1。
优选地,
所述旅客细分装置还包括:一致性处理模块,用于在根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A之后,在根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重之前对所述判断矩阵A进行一致性处理。
优选地,
所述一致性处理模块具体包括:
第一计算单元,用于计算所述判断矩阵A的排序向量W,并通过计算所述判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为所述判断矩阵A的第j列归一化向量W;
诱导矩阵计算单元,用于根据计算所述判断矩阵A的诱导矩阵C=(cij)n×n;
第二计算单元,用于计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l;
第三计算单元,用于比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令
一致性判断单元,用于令a′lk=1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1。
优选地,
所述第一计算单元具体包括:
第一排序向量计算子单元,用于通过AW-λmaxW计算所述判断矩阵A的第一排序向量W(L),其中λmax为所述判断矩阵A的最大特征根;
第二排序向量计算子单元,用于通过和ATUT=λmaxUT计算所述判断矩阵A的第二排序向量W(R),其中Wi、Ui均为行向量;
排序向量计算子单元,用于通过W=(W(L)+W(R))/2计算所述判断矩阵A的排序向量W。
从以上技术方案可以看出,本发明实施例具有以下优点:
1、本发明实施例提供了一种旅客细分方法及装置,用于建立判断矩阵A并根据判断矩阵A计算各旅客价值指标的权重,最后根据权重对旅客信息进行分类,实现了对旅客信息的系统性分类,使得航空公司针对不同的旅客群指定不同的营销策略,从而实现公司利润的最大化,提升航空公司的竞争力,在旅客信息的分类结果中,不同旅客群体的特征差异明显,旅客价值直观清晰,划分结果理想,可以得到有用的旅客价值信息。
2、本发明实施例提供了调整原矩阵部分元素以达到满意的一致性的方法,该方法简单有效,提高了修正一致性的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种旅客细分方法的第一实施例的流程示意图;
图2为本发明实施例提供的一种旅客细分方法的第二实施例的流程示意图;
图3为本发明实施例提供的一种旅客细分装置的第一实施例的结构示意图;
图4为本发明实施例提供的一种旅客细分装置的第二实施例的结构示意图。
具体实施方式
本发明实施例提供了一种旅客细分方法及装置,用于建立判断矩阵A并根据判断矩阵A计算各旅客价值指标的权重,最后根据权重对旅客信息进行分类,实现了对旅客信息的系统性分类,使得航空公司针对不同的旅客群指定不同的营销策略,从而实现公司利润的最大化,提升航空公司的竞争力,在旅客信息的分类结果中,不同旅客群体的特征差异明显,旅客价值直观清晰,划分结果理想,可以得到有用的旅客价值信息。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种旅客细分方法的第一实施例,包括:
101,根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A;
在本发明实施例中,首先需要根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A,其中旅客价值模型中包括从旅客购票信息中选择的对旅客价值有影响的若干属性,以下不再赘述。
102,根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重;
在本发明实施例中,在根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A之后,还需要根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重,其中各旅客价值指标即步骤101中提及的若干属性,以下不再赘述。
103,根据各旅客价值指标的权重和预置的初始聚类原型对预置的若干样本进行分类;
在本发明实施例中,在根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重之后,还需要根据各旅客价值指标的权重和预置的初始聚类原型对预置的若干样本进行分类,其中初始聚类原型有若干个,本发明实施例是将若干个初始聚类原型作为参考,每一个初始聚类原型是一类,将若干样本分成由初始聚类原型代表的若干类别,以下不再赘述。
请参阅图2,本发明实施例提供了一种旅客细分方法的第二实施例,包括:
201,根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A;
在本发明实施例中,首先需要根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A,其中旅客价值模型中包括从旅客购票信息中选择的对旅客价值有影响的若干属性。
202,对判断矩阵A进行一致性处理;
在本发明实施例中,在根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A之后,还需要对判断矩阵A进行一致性处理,可以解决构建出的矩阵不满足一致性条件的技术问题。
203,根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重;
在本发明实施例中,在对判断矩阵A进行一致性处理之后,还需要根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重。
204,通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1;
在本发明实施例中,在根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重之后,还需要通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1,m代表样本属性的总个数,p代表第几个属性,例如Xif是指第i个样本的f个属性,Xi={Xi1,Xi2……Xip,Xi(p+1),Xi(p+2),……Xim},以下不再赘述。
本发明实施例提供了一种旅客细分方法的第三实施例,包括:
301,根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A;
在本发明实施例中,首先需要根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A。
S1,计算判断矩阵A的排序向量W,并通过计算判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为判断矩阵A的第j列归一化向量W;
在本发明实施例中,在根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A之后,还需要计算判断矩阵A的排序向量W,并通过计算判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为判断矩阵A的第j列归一化向量W。
S2,根据计算判断矩阵A的诱导矩阵C(cij)n×n;
在本发明实施例中,在计算判断矩阵A的排序向量W,并通过计算判断矩阵A的各列归一化向量之后,还需要根据计算判断矩阵A的诱导矩阵C=(cij)n×n。
S3,计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l;
在本发明实施例中,在根据计算判断矩阵A的诱导矩阵C=(cij)n×n之后,还需要计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l。
S4,比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令
在本发明实施例中,在计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l之后,还需要比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令a′kl-akl+1,否则令
S5,令a′lk=1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1;
在本发明实施例中,在比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令之后,还需要令a′kl=1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1。
302,根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重;
在本发明实施例中,在A′=(a′ij)具有一致性且结束计算之后,还需要根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重。
303,通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1;
在本发明实施例中,在根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重之后,还需要通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1。
需要说明的是,在本发明实施例中,当矩阵C中元素全部为1时,判断矩阵A为完全一致性矩阵。若C中存在某个元素cij不为1,则判断矩阵A不为完全一致性矩阵,若cij偏离1越大,说明aij对A的不一致性的影响越大,当cij<1时,说明aij偏大,应当适当减小;当cij>1时,说明aij偏小,应当适当增大,此时,对判断矩阵的部分元素进行适当调整即可逐步达到满意的一致性。
本发明实施例提供了一种旅客细分方法的第四实施例,包括:
401,根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A;
在本发明实施例中,首先需要根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A,例如下表:
旅客价值 | H | G | D | T | S | F | Wi |
H | 1.0000 | 3.0000 | 0.2500 | 5.0000 | 0.2500 | 0.1667 | 0.0837 |
G | 1.0000 | 0.2000 | 0.5000 | 0.3333 | 0.1667 | 0.0400 | |
D | 1.0000 | 6.0000 | 2.0000 | 0.3333 | 0.2367 | ||
T | 1.0000 | 0.2500 | 0.1429 | 0.0417 | |||
S | 1.0000 | 0.2000 | 0.1481 | ||||
F | 1.0000 | 0.4500 |
其中H、G、D、T、S、F均为旅客价值指标。
402,通过AW=λmaxW计算判断矩阵A的第一排序向量W(L),其中λmax为判断矩阵A的最大特征根;
在本发明实施例中,在根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A之后,还需要通过AW=λmaxW计算判断矩阵A的第一排序向量W(L),其中λmax为判断矩阵A的最大特征根,需要说明的是,因为第一排序向量W(L)满足归一化约束条件根据一致性判断矩阵特性可得到和AW=nW,所以若A为一致性判断矩阵,则第一排序向量W(L)同时还是A矩阵的特征向量,与此对应的特征根λ=n为判断矩阵A的最大特征根,所以可以得到AW=λmaxW。
403,通过和ATUT=λmaxUT计算判断矩阵A的第二排序向量W(R),其中Wi、Ui均为行向量;
在在本发明实施例中,在通过AW=λmaxW计算判断矩阵A的第一排序向量W(L),其中λmax为判断矩阵A的最大特征根之后,还需要通过和ATUT=λmaxUT计算判断矩阵A的第二排序向量W(R),其中Wi、Ui均为行向量;需要说明的是,若令则步骤402中的可以表示为即Uj=Uiaij i,j∈Ω,然后进行等式两端对i求和得到将写成矩阵形式,有UA=nU,进而得到UA=λmaxU,进行转置后得到ATUT=λmaxUT,求出UT后则可以求出第二排序向量W(R)。
S1,通过W=(W(L)+W(R))/2计算判断矩阵A的排序向量W,并通过计算判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为判断矩阵A的第j列归一化向量W;
S2,根据计算判断矩阵A的诱导矩阵C=(cij)n×n;
在本发明实施例中,在计算判断矩阵A的排序向量W,并通过计算判断矩阵A的各列归一化向量之后,还需要根据计算判断矩阵A的诱导矩阵C=(cij)n×n。
S3,计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l;
在本发明实施例中,在根据计算判断矩阵A的诱导矩阵c=(cij)n×n之后,还需要计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l。
S4,比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令
在本发明实施例中,在计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l之后,还需要比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令α′kl=akl+1,否则令
S5,令a′lk=1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1;
在本发明实施例中,在比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令之后,还需要令a′lk-1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1。
404,根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重;
在本发明实施例中,在A′=(a′ij)具有一致性且结束计算之后,还需要根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重,例如对步骤401中的各个客户价值指标的权重进行计算得到,H=0.0837,G=0.0400,D=0.2367,T=0.0417,S=0.1481,F=0.4500。
405,通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1;
在本发明实施例中,在根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重之后,还需要通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1。
请参阅图3,本发明实施例提供了一种旅客细分装置的第一实施例,包括:
判断矩阵建立模块501,用于根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A;
权重计算模块502,用于根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重;
分类模块503,用于根据各旅客价值指标的权重和预置的初始聚类原型对预置的若干样本进行分类。
请参阅图4,本发明实施例提供了一种旅客细分装置的第二实施例,包括:
判断矩阵建立模块601,用于根据预置的旅客价值评价模型,建立与旅客价值评价模型对应的判断矩阵A;
一致性处理模块602,用于对判断矩阵A进行一致性处理。
权重计算模块603,用于根据判断矩阵A计算旅客价值评价模型中各旅客价值指标的权重;
分类模块604,用于通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1。
一致性处理模块602具体包括:
第一计算单元6021,用于计算判断矩阵A的排序向量W,并通过计算判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为判断矩阵A的第j列归一化向量W;
诱导矩阵计算单元6022,用于根据计算判断矩阵A的诱导矩阵c=(cij)n×n;
第二计算单元6023,用于计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l;
第三计算单元6024,用于比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl-akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令
一致性判断单元6025,用于令a′lk=1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1。
第一计算单元6021具体包括:
第一排序向量计算子单元60211,用于通过AW=λmaxW计算判断矩阵A的第一排序向量W(L),其中λmax为判断矩阵A的最大特征根;
第二排序向量计算子单元60212,用于通过和ATUT=λmaxUT计算判断矩阵A的第二排序向量W(R),其中Wi、Ui均为行向量;
排序向量计算子单元60213,用于通过W=(W(L)+W(R))/2计算判断矩阵A的排序向量W。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种旅客细分方法,其特征在于,包括:
根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A;
根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重;
根据各旅客价值指标的所述权重和预置的初始聚类原型对预置的若干样本进行分类。
2.根据权利要求1所述的旅客细分方法,其特征在于,根据各旅客价值指标的权重所述权重和预置的初始聚类原型对预置的若干样本进行分类具体为:
通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与所述样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1。
3.根据权利要求1所述的旅客细分方法,其特征在于,在根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A之后,在根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重之前还包括:
对所述判断矩阵A进行一致性处理。
4.根据权利要求3所述的旅客细分方法,其特征在于,对所述判断矩阵A进行一致性处理具体为:
S1,计算所述判断矩阵A的排序向量W,并通过计算所述判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为所述判断矩阵A的第j列归一化向量W;
S2,根据计算所述判断矩阵A的诱导矩阵C=(cij)n×n;
S3,计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l;
S4,比较cij与1的大小,若ckl<1,则若akl为整数,令a′kl=akl-1,否则令若ckl>1,则若则akl为整数,令a′kl=akl+1,否则令
S5,令a′lk=1/a′kl,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1。
5.根据权利要求4所述的旅客细分方法,其特征在于,计算所述判断矩阵A的排序向量W具体为:
通过AW=λmaxW计算所述判断矩阵A的第一排序向量W(L),其中λmax为所述判断矩阵A的最大特征根;
通过和ATUT=λmaxUT计算所述判断矩阵A的第二排序向量W(R),其中Wi、Ui均为行向量;
通过W=(W(L)+W(R))/2计算所述判断矩阵A的排序向量W。
6.一种旅客细分装置,其特征在于,包括:
判断矩阵建立模块,用于根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A;
权重计算模块,用于根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重;
分类模块,用于根据各旅客价值指标的所述权重和预置的初始聚类原型对预置的若干样本进行分类。
7.根据权利要求6所述的旅客细分装置,其特征在于,所述分类模块具体用于:
通过距离计算公式分别计算预置的若干样本与预置的初始聚类原型中各个原型的距离,然后将样本及与所述样本距离最短的原型划分为一类,其中γ为分类属性的权重,Xi为样本X中的行向量,Vj为原型且为行向量的形式,d(Xi,Vj)为样本与原型之间的距离,i为样本个数,j为原型个数,当xik=vjk时,δ取0,当xik不等于vjk时,δ取1。
8.根据权利要求6所述的旅客细分装置,其特征在于,还包括:一致性处理模块,用于在根据预置的旅客价值评价模型,建立与所述旅客价值评价模型对应的判断矩阵A之后,在根据所述判断矩阵A计算所述旅客价值评价模型中各旅客价值指标的权重之前对所述判断矩阵A进行一致性处理。
9.根据权利要求8所述的旅客细分装置,其特征在于,所述一致性处理模块具体包括:
第一计算单元,用于计算所述判断矩阵A的排序向量W,并通过计算所述判断矩阵A的各列归一化向量,其中B=(bij)n×n,βj=(b1j,b2j,...,bnj)T,βj为所述判断矩阵A的第j列归一化向量W;
诱导矩阵计算单元,用于根据计算所述判断矩阵A的诱导矩阵C=(cij)n×n;
第二计算单元,用于计算得到使|cij-1|达到最小值的i,j,并将i,j分别记为k,l;
第三计算单元,用于比较cij与1的大小,若ckl<1,则若aki为整数,令a′ki=akl-1,否则令若ckl>1,则若则aki为整数,令a′ki=aki+1,否则令
一致性判断单元,用于令a′ik=1/a′ki,a′ij=aij,i,j∈Ω且i,j≠k,l,然后判断A′=(a′ij)的一致性,若A′=(a′ij)具有一致性则结束计算,若A′=(a′ij)不具有一致性,则令A=A′并返回S1。
10.根据权利要求9所述的旅客细分方法,其特征在于,所述第一计算单元具体包括:
第一排序向量计算子单元,用于通过AW=λmaxW计算所述判断矩阵A的第一排序向量W(L),其中λmax为所述判断矩阵A的最大特征根;
第二排序向量计算子单元,用于通过和ATUT=λmaxUT计算所述判断矩阵A的第二排序向量W(R),其中Wi、Ui均为行向量;
排序向量计算子单元,用于通过W=(W(L)+W(R))/2计算所述判断矩阵A的排序向量W。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710021136.4A CN106779872A (zh) | 2017-01-11 | 2017-01-11 | 一种旅客细分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710021136.4A CN106779872A (zh) | 2017-01-11 | 2017-01-11 | 一种旅客细分方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106779872A true CN106779872A (zh) | 2017-05-31 |
Family
ID=58947874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710021136.4A Pending CN106779872A (zh) | 2017-01-11 | 2017-01-11 | 一种旅客细分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779872A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751523A (zh) * | 2019-10-21 | 2020-02-04 | 中国民航信息网络股份有限公司 | 一种潜在高价值旅客的发现方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000067160A1 (en) * | 1999-05-05 | 2000-11-09 | Ejemoni, Inc. | Wide-spectrum information search engine |
CN103839192A (zh) * | 2014-03-04 | 2014-06-04 | 国家电网公司 | 基于层次分析法及距离综合评价法的风电场综合评价方法 |
CN105184110A (zh) * | 2015-11-04 | 2015-12-23 | 松辽流域水资源保护局松辽流域水环境监测中心 | 一种嫩江流域示范区内入河排污口建设方法 |
-
2017
- 2017-01-11 CN CN201710021136.4A patent/CN106779872A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000067160A1 (en) * | 1999-05-05 | 2000-11-09 | Ejemoni, Inc. | Wide-spectrum information search engine |
CN103839192A (zh) * | 2014-03-04 | 2014-06-04 | 国家电网公司 | 基于层次分析法及距离综合评价法的风电场综合评价方法 |
CN105184110A (zh) * | 2015-11-04 | 2015-12-23 | 松辽流域水资源保护局松辽流域水环境监测中心 | 一种嫩江流域示范区内入河排污口建设方法 |
Non-Patent Citations (1)
Title |
---|
罗亮生等: "基于常旅客数据库的航空公司客户细分方法研究", 《现代商业》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751523A (zh) * | 2019-10-21 | 2020-02-04 | 中国民航信息网络股份有限公司 | 一种潜在高价值旅客的发现方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bertolero et al. | The diverse club | |
CN105160400B (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN107622272A (zh) | 一种图像分类方法及装置 | |
CN107193876A (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
CN103473598A (zh) | 基于变长度粒子群优化算法的极限学习机 | |
CN108595913A (zh) | 鉴别mRNA和lncRNA的有监督学习方法 | |
CN105631519A (zh) | 一种基于预决策的卷积神经网络加速方法及系统 | |
CN106407349A (zh) | 一种产品推荐方法及装置 | |
CN101082972A (zh) | 预测用户对商品的兴趣的方法、装置和广告发布方法 | |
CN107169504A (zh) | 一种基于扩展非线性核残差网络的手写字符识别方法 | |
CN102540164B (zh) | 一种基于增量式学习的雷达辐射源分类建模方法 | |
CN109918642A (zh) | 基于委员会查询的主动学习框架的情感分析方法及系统 | |
CN108960264A (zh) | 分类模型的训练方法及装置 | |
CN105870935B (zh) | 基于聚类算法的辐射状配电网无功优化方法 | |
CN102254020A (zh) | 基于特征权重的全局k-均值聚类方法 | |
CN104680179A (zh) | 基于邻域相似度的数据降维方法 | |
CN109815541A (zh) | 轨道交通车辆产品零部件模块划分方法、装置与电子设备 | |
CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
CN106779872A (zh) | 一种旅客细分方法及装置 | |
CN104200134A (zh) | 一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法 | |
CN103678681A (zh) | 基于大规模数据的自适应参数的多核学习分类方法 | |
CN111260490A (zh) | 基于树模型的车险快速理赔方法和系统 | |
CN111475158A (zh) | 子领域划分方法、装置、电子设备和计算机可读存储介质 | |
CN102254166A (zh) | 一种人脸识别方法 | |
CN108364030B (zh) | 一种基于三层动态粒子群算法的多分类器模型构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |