CN108205778A - 线预测模型 - Google Patents
线预测模型 Download PDFInfo
- Publication number
- CN108205778A CN108205778A CN201711349233.2A CN201711349233A CN108205778A CN 108205778 A CN108205778 A CN 108205778A CN 201711349233 A CN201711349233 A CN 201711349233A CN 108205778 A CN108205778 A CN 108205778A
- Authority
- CN
- China
- Prior art keywords
- resource provider
- transaction
- user
- target resource
- provider
- 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.)
- Withdrawn
Links
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文描述了一种用于基于提交给处理网络的交易信息来估计各种资源提供商处的等待时间的系统和方法。在一些实施方案中,所述系统标识目标资源提供商与多个其他资源提供商之间的时间距离,以便标识所述目标资源提供商本地的资源提供商。另外,所述系统可以标识所述系统上的多个用户中的每一个用户的分段。所述处理网络可以标识从所述目标资源提供商本地的所述资源提供商中的每一个接收的最近交易请求。所述处理网络然后可以标识与那些交易请求中的每一个相关联的用户。基于分配给那些用户中的每一个的分段,所述系统可以估计所述目标资源提供商的到达率,以及随后是估计的等待时间。
Description
背景技术
与各种资源提供商相关联的等待时间可能会影响消费者行为。例如,不同时间的不同资源提供商之间的等待时间可能会有所变化,并且这可能会影响消费者的购买决策。虽然资源提供商可以发布他们自己的等待时间预测,但是这些预测可能受到如果所提供的等待时间太长则消费者将离开的认知的影响。因此,消费者难以确定资源提供商是否对其等待时间诚实。此外,没有一种全面的方式可以实时预测多个资源提供商的等待时间将是多久,实时预测多个资源提供商的等待时间将使消费者能够对资源提供商做出明智的选择。
本发明的实施方案单独地和共同地解决了这个和其他问题。
发明内容
本发明的实施方案涉及用于利用至少交易数据来预测资源提供商状况的系统和方法。这可以涉及基于每个分段内的用户之间的交易相似性来标识多个用户段。在一些实施方案中,这可以使用聚类技术(例如,k均值聚类)来完成,以便根据资源提供商交易将用户分组。例如,倾向于在类似的资源提供商群组处购物的用户被放置在同一集群或分段中。该系统和方法还可以包括标识目标资源提供商(将要估计其等待时间的资源提供商)本地的资源提供商。在一些实施方案中,这可以通过以下方式完成:分析过去的交易以便标识单个用户已经进行了时间上相近的交易的资源提供商。当接收到估计目标资源提供商的等待时间的请求时,系统可以标识在每一个所标识的本地资源提供商处进行的最近交易(例如,在最近30分钟内进行的交易),并且可以确定与那些交易中的每一笔相关联的用户。然后,系统可以基于用户相关联的用户分段来生成与所标识的用户相关联的概率分布。一旦该概率分布已生成,就可以从该概率分布(例如,通过使用泊松回归)估计目标资源提供商的到达率。可以将目标资源提供商的服务速率计算为在给定时间段内最近进行的交易次数。然后可以使用目标资源提供商的计算的服务速率和估计的到达率来预测目标资源提供商的等待时间。
本发明的一个实施方案涉及一种方法,包括:标识从处于目标资源提供商附近的一组资源提供商接收的多个交易;确定与该多个交易相关联的多个分段;以及针对该多个交易中的每个交易,基于多个分段中与该交易相关联的分段来确定目标资源提供商处的待决交易的概率。该方法还包括:基于所确定的概率来确定目标资源提供商处的可能的总(likely total)待决交易;以及基于目标资源提供商处的可能的总待决交易来计算目标资源提供商的排队时间。
本发明的另一个实施方案涉及一种服务器设备,该服务器设备包括:一个或多个处理器;以及存储器,该存储器包括指令,该指令当由一个或多个处理器执行时致使服务器设备:标识从处于目标资源提供商附近的一组资源提供商接收的多个交易;确定与该多个交易相关联的多个分段;以及确定目标资源提供商处的待决交易的概率。该指令进一步致使服务器设备:基于所确定的概率来确定目标资源提供商处的可能的总待决交易;以及基于目标资源提供商处的可能的总待决交易来计算目标资源提供商的排队时间。
本发明的又一个实施方案涉及一种预测目标资源提供商的等待时间的方法,包括:标识从处于目标资源提供商附近的一组资源提供商接收的多个交易;标识与该多个交易中的每一个相关联的用户;确定与所标识的用户相关联的分段;以及基于所确定的分段,确定目标资源提供商处的未来交易的概率分布。该方法还包括:使用泊松回归技术来确定概率分布的期望值;以及基于该期望值计算目标资源提供商的等待时间。
本发明的这些和其他实施方案将在下文更详细地描述。
附图简要说明
图1描绘了可以预测资源提供商等待时间的系统的说明性示例;
图2示出了根据本公开的实施方案的可以被实现来生成等待时间预测的示例性系统架构;
图3描绘了根据本公开的实施方案的用于使用交易数据生成预测的等待时间的过程;
图4示出了根据至少一些实施方案的用于生成预测的等待时间的示例性过程;
图5示出了根据本公开的实施方案的可以实现的示例性交易矩阵;
图6示出了根据本公开的实施方案的在可以针对资源提供商执行的多维空间中生成用户坐标的示例;
图7示出了根据本公开的实施方案的可以用于标识用户分段的聚类技术的示例;
图8示出了使用交易数据来标识目标资源提供商本地的资源提供商的过程;并且
图9描绘了示出根据本公开的实施方案的用于生成等待时间的过程的流程图。
具体实施方式
在下面的描述中,将描述各种实施方案。为了说明的目的,阐述了具体的配置和细节以提供对实施方案的透彻理解。然而,对于本领域中的技术人员还将明显的是,实施方案可以在没有该等具体细节的情况下实践。此外,可以省略或简化熟知的特征,以免模糊所描述的实施方案。
在讨论本发明的一些实施方案之前,对一些术语的描述可能有助于理解本发明的实施方案。
“到达率”可以表示预测在一段时间内到达资源提供商的用户数。例如,到达率可以表示为5人/分钟。在一些实施方案中,到达率可以表示在给定时间段内特定资源提供商处的可能的总待决交易。在一些实施方案中,可以结合服务速率和/或当前等待时间来使用到达率,以便估计将来的等待时间。
“授权请求消息”可以是请求对交易授权的电子消息。在一些实施方案中,授权请求消息被发送给交易处理计算机和/或支付卡的发行方,以请求交易授权。根据一些实施方案的授权请求消息可以符合ISO 8583,ISO 8583是用于交换与用户使用支付装置或支付账户进行的支付相关联的电子交易信息的系统的标准。授权请求消息可以包括可以与支付装置或支付账户相关联的发行方账户标识符。授权请求消息还可以包括与“标识信息”对应的附加数据元素,包括(只作为实例):服务代码、CVV(卡验证值)、dCVV(动态卡验证值)、PAN(主账号或“账号”)、支付令牌、用户姓名、有效日期等等。授权请求消息还可以包括“交易信息”,诸如,与当前交易关联的任何信息,诸如交易金额、资源提供商标识符、资源提供商位置、收单银行标识号(BIN)、卡片接受器ID、标识正购买的物品的信息等,以及可以用来确定是否标识和/或授权交易的任何其他信息。
“授权响应消息”可以是回应授权请求的消息。在一些情况下,授权响应消息可以是由发行金融机构或交易处理计算机生成的对授权请求消息的电子消息应答。授权响应消息可以包括(只作为示例)以下状态指示符中的一个或多个:批准-交易被批准;拒绝-交易不被批准;或呼叫中心-响应未决的更多信息,资源提供商必须呼叫免费授权电话号码。授权响应消息还可以包括授权代码,该授权代码可以是信用卡发行银行响应于电子消息中的授权请求消息(直接地或通过交易处理计算机)返回到资源提供商的访问装置(例如POS设备)的指示交易被批准的代码。该代码可用作授权的证据。
“移动应用服务器”可以是被配置为向安装在移动装置上并从移动装置执行的移动应用提供处理支持的任何计算装置。在一些实施方案中,移动应用服务器可以维护与特定移动装置和/或用户相关联的账户信息。在一些实施方案中,在移动应用服务器上维护的账户可以经由安装在移动装置上的移动应用和/或经由互联网连接来访问。在一些实施方案中,可能需要用户登录在移动应用服务器上维护的账户。在一些实施方案中,移动装置标识符可以与账户相关联,使得当执行移动应用时自动访问该账户。在一些实施方案中,移动应用服务器可以代表安装在移动装置上的移动应用执行处理功能。
“移动装置”可以包括可以容易地由用户运输的任何合适的装置。下文详细地描述移动装置的示例。
“资源提供商”可以是可以提供诸如商品、服务、信息和/或访问的资源的实体。资源提供商的实例包括商家、访问装置、安全数据访问点等。“商家”通常可以是从事交易并且可以出售商品或服务,或提供对商品或服务的访问的实体。
“服务器计算机”可以包括功能强大的计算机或计算机集群。例如,服务器计算机可以是大型主机、小型计算机集群或像单元一样工作的一组服务器。在一个实例中,服务器计算机可以是耦合到Web服务器的数据库服务器。服务器计算机可以耦接到数据库并且可以包括用于服务于来自一个或多个客户端计算机的请求的任何硬件、软件、其他逻辑、或前述内容的组合。服务器计算机可以包括一个或多个计算装置并且可以使用各种计算结构、排列和编译中的任何一种来服务于来自一个或多个客户端计算机的请求。
“服务速率”可以是资源提供商在一段时间内进行交易的次数。服务速率可以特定于特定资源提供商。在一些实施方案中,服务速率可以被计算为在最后X秒内接收的针对特定资源提供商的授权请求的数量,其中X是预定的时间量。
“时间距离”可以表示在两点之间行进所需的时间量。在一些实施方案中,时间距离可以是一定时间量,在该时间量内可以由单个用户在两个单独的资源提供商处进行交易。在一些实施方案中,时间距离可以通过以下方式来确定:评估交易数据库中的各种交易,以标识由同一用户过去在两个资源提供商处进行的交易。在一些实施方案中,时间距离可以包括这些评估的交易之间的最小时间差。在一些实施方案中,时间距离可以包括在两个资源提供商中的每一个处进行的交易之间通常经过的平均时间量。时间距离信息可以存储在资源提供商配对矩阵中,如本公开所述。在一些实施方案中,在计算时间距离时,仅考虑在预定时间帧内发生的交易。例如,当计算两个资源提供商之间的时间距离时,可以仅使用在两小时窗口内每个资源提供商处发生的交易。
“交易”可以是两方或更多方之间的任何交互或交换。例如,交易可以包括从第二实体请求资源的第一实体。在这个示例中,当资源被提供给第一个实体或交易被拒绝时,交易完成。在一些实施方案中,交易可以与交易数据相关联。例如,每个交易可以与资源提供商、用户、货币值和时间相关联。历史和实时的交易信息可以由处理网络存储。在一些实施方案中,可以经由授权请求消息来传送交易信息。
“交易数据”可以是与两个实体之间的交易相关的任何信息。交易信息可以包括与完成的交易或尚未完成的交易相关的信息。在一些实施方案中,交易信息可以包括与交易的情境相关的任何合适的信息。例如,交易信息可以包括进行交易的时间、进行交易的终端、进行交易的金额、进行交易的实体的指示、或任何其他合适的交易相关的信息。交易数据可以包括从授权请求收集的数据。
现在将描述本发明的一些实施方案的细节。
图1描绘了可以预测资源提供商等待时间的系统的说明性示例;在一些实施方案中,资源提供商102可以与处理网络104通信。在一些实施方案中,处理网络104可以向移动应用服务器106提供信息,该移动应用服务器为移动装置108提供后端支持。
根据本公开的实施方案,资源提供商102可以与当前队列长度110(表示在资源提供商处等待服务的消费者的当前数量)、实际到达率112(表示到达资源提供商102的新消费者)和多个终端装置114(表示用于服务队列中的消费者的销售点)相关联。
根据本公开的实施方案,终端114可以向处理网络报告多个交易116。在一些实施方案中,可以经由与所进行的交易相关的授权请求来报告交易116。例如,每当信用卡被用于在终端114之一处进行交易时,资源提供商102可以经由处理网络104向信用卡的发行方请求批准。以这种方式,与交易116相关联的信息可以被输送到处理网络104。在一些实施方案中,与交易116相关的数据可以存储在处理网络104的当前数据118中。
根据本公开的实施方案,处理网络104可以包括许多不同类型的网络中的任何一种或组合,诸如有线网络、互联网、无线网络、蜂窝网络以及其他私有和/或公共网络。在一些实施方案中,交易处理网络104可以至少包括被配置为将授权请求消息路由到适当的授权实体(例如,发行方)的过程400(例如,VisaNet)。处理网络104中所包括的一个或多个服务器可以包括被配置为致使过程400 104执行本文所描述的一个或多个功能的处理器和计算机可执行指令。在一些实施方案中,处理网络服务器104可以被配置为评估当前数据118(例如,实时发生的数据)、历史数据120和外部数据122,以便生成回归模型124。在一些实施方案中,可以从最近的授权请求消息获得当前数据118。历史数据120可以包括过去从各种资源提供商获得的交易信息。外部数据122可以包括来自各种源的信息。例如,外部数据122可以包括从天气数据库获得的信息、与资源提供商相关的评级信息、交通信息或从外部源获得的任何其他合适的信息。
根据本公开的实施方案,移动应用服务器可以包括被配置为代表安装在移动装置108上的移动应用生成等待时间预测的任何计算装置。在一些实施方案中,移动应用服务器106可以被配置为访问处理网络104上的回归模型124,以便生成代表用户到达资源提供商的速率的到达率128(由表示)。此外,移动应用服务器106可以从处理网络104接收资源提供商特定信息,从而允许该移动应用服务器计算表示用户被服务的速率的服务速率130(由μ表示)。移动应用服务器106可以使用服务速率130、到达率128和队列长度110来确定预测数据132(例如,当前等待时间)。在一些实施方案中,移动应用服务器106可以从移动装置108的用户接收关于实际等待时间的反馈。在这种情况下,接收到的数据可以用于调整在回归模型124中使用的各种假设。例如,到达率128可以与实际到达率112进行比较,并且可以调整回归模型124,使得将来的概率分布更准确。
移动装置108可以是任何便携式电子装置。在一些实施方案中,移动装置108可以是计算装置,诸如平板电脑、个人数据助理(PDA)或智能电话。在一些实施方案中,移动装置108可以是可佩戴物体,诸如智能手表或其他衣服或配件物品。在一些实施方案中,移动装置可以是车载娱乐系统。在一些实施方案中,移动装置108可以能够与移动应用服务器106进行通信,以接收与资源提供商102相关的等待时间预测。
根据本公开的实施方案,安装在移动装置108上并由其执行的移动应用可以被配置为引起移动装置建立与移动应用服务器106的通信,接收预测数据132,并且经由图形用户界面(GUI)将该预测数据132显示给用户。在一些实施方案中,移动应用可以被配置为显示对多个资源提供商的预测数据132。在一些实施方案中,移动应用可以被配置为接收用户对资源提供商102的选择,建立与移动应用服务器106的通信会话,接收与资源提供商102相关联的预测数据132,并且将接收到的信息显示给用户。
为了便于示出,在图1中示出特定数量的部件。不过要理解,对于每种本发明的实施方案可以包括多于一个。此外,本发明的一些实施方案可以包括比图1所示的所有部件更少或更多的部件。此外,图1中的部件可以经由任何合适的通信介质(包括互联网)使用任何合适的通信策略来进行通信。在本公开的一些实施方案中,可以合并所描绘的部件中的一些。例如,移动应用服务器106可以是处理网络104的一部分。
图2示出了根据本公开的实施方案的可以被实现来生成等待时间预测的示例性系统架构。在图2中,处理网络服务器202可以与移动应用服务器204和/或移动装置206进行通信。在一些实施方案中,部件中的每一个可以经由网络连接208进行通信。在一些实施方案中,处理网络服务器202可以是图1的处理网络服务器104。
处理网络服务器202可以是能够从交易数据生成预测模型的任何类型的计算装置。在至少一些实施方案中,处理网络202可以包括至少一个存储器210和一个或多个处理单元(或处理器)212。处理器212可以在硬件、计算机可执行指令、固件或它们的组合中适当地实现。处理器212的计算机可执行指令或固件实施方案可以包括以任何合适的编程语言编写的用于执行所描述的各种功能的计算机可执行指令或机器可执行指令。
存储器210可以存储在处理器212上可加载和可执行的程序指令,以及存储在执行这些程序期间生成的数据。根据处理网络202的配置和类型,存储器210可以是易失性的(诸如随机存取存储器(RAM))和/或非易失性的(诸如只读存储器(ROM)、闪速存储器等)。处理网络202还可以包括额外存储装置214,诸如可移动存储装置或不可移动存储装置,其包括但不限于磁性存储装置、光盘和/或磁带存储装置。盘驱动器及其相关联的计算机可读介质可以为处理网络202的计算机可读指令、数据结构、程序模块和其他数据提供非易失性存储。在一些实施方案中,存储器210可以包括多种不同类型的存储器,诸如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)或ROM。
更详细地转向存储器210的内容,存储器210可以包括操作系统216和用于实现本文所公开的特征的一个或多个应用程序或服务,该一个或多个应用程序至少包括用于生成用户分段数据的模块(交易评估模块218)和/或用于生成预测模块的模块(回归模块220)。存储器210还可以包括提供历史交易数据的历史数据222和/或提供实时发生的交易数据的实时数据224。
在一些实施方案中,交易评估模块218可以结合处理器212被配置为从各种资源提供商处发生的交易确定与该等交易相关联的用户的用户分段。下文将更详细地描述可由交易评估模块218执行的各种过程。
在一些实施方案中,回归模块220可以结合处理器212配置为确定与潜在到达率相关联的概率。在一些实施方案中,与到达率相关联的概率可以在资源提供商特定的基础上确定。回归模块220可以利用任何合适的回归技术,包括任何线性或非线性回归技术。例如,回归模块220可以使用泊松回归技术。
处理网络202还可以包含使得处理网络202能够与存储的数据库、另一计算装置或服务器、一个或多个远程装置、其他应用服务器和/或任何其他合适的电子装置通信的通信接口216。在一些实施方案中,通信接口226可使得处理网络202能够与网络(例如,私有网络)上的其他电子装置通信。处理网络202还可以包括输入/输出(I/O)装置和/或端口228,诸如用于实现与键盘、鼠标、笔、语音输入装置、触摸输入装置、显示器、扬声器、打印机等的连接。
在一些实施方案中,移动应用服务器204可以包括存储指令的存储器230(例如,计算机可读存储介质),该等指令在由移动应用服务器204的处理器232执行时允许服务器执行其预期功能。更详细地转向存储器230的内容,存储器230可以包括操作系统234,该操作系统提供用于移动应用服务器204的一般管理和操作的可执行程序指令;以及用于实现本文所公开的特征的一个或多个应用程序或服务,该一个或多个应用程序或服务至少包括用于使用回归模型生成资源提供商特定预测的模块(预测模块236)。
在一些实施方案中,预测模块236可以结合处理器232被配置为确定与特定资源提供商相关联的等待时间。为此,预测模块236可以使用由回归模块220生成的预测模型。例如,预测模块236可以被配置为向由回归模块220创建的预测模型提供资源提供商特定输入,以便基于那些资源提供商特定输入生成预测。
在一些实施方案中,移动装置206可以包括能够与移动应用服务器204和/或网络处理服务器202通信的任何便携式电子装置。移动装置206可以包括存储指令的存储器238(例如,计算机可读存储介质),该指令在由移动装置206的处理器240执行时允许移动装置执行其预期功能。更详细地转向存储器238的内容,存储器230可以包括操作系统242,该操作系统提供用于移动装置206的一般管理和操作的可执行程序指令;以及一个或多个移动应用244,该一个或多个移动应用中的至少一个可以被配置为引起移动装置206与移动应用服务器204通信,并且向移动装置206的用户提供等待时间预测。
图3描绘了根据本公开的实施方案的使用交易数据生成预测等待时间的过程。在一些实施方案中,过程300可以包括用于基于交易数据302来标识资源提供商的等待时间的过程。过程300(或本文中描述的任何其他过程或其变形和/或组合)的一些或全部可以在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可以实现为代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)。根据至少一个实施方案,图3的过程300可以至少由图2所描绘的一个或多个处理网络服务器202来执行。代码可以存储在计算机可读存储介质上,例如以包括可由一个或多个处理器执行的多个指令的计算机程序的形式。计算机可读存储介质可以是非瞬态的。
在过程300中,可以使用任何合适的回归技术在304处生成回归模型。在一些实施方案中,可以使用历史交易数据训练的机器学习技术来生成回归模型。在一些实施方案中,回归模型可用于生成与到达率和/或当前队列长度(l)相关的概率分布。概率分布可以是提供不同可能结果的发生概率的任何合适的函数,并且可以是离散的或连续的。例如,概率分布可以包括与那些概率值相关联的多个概率值和多个数值。在这个示例中,概率值可以表示实际结果(例如,到达率或队列长度)将等于、高于或低于(取决于情况)对应数值的概率。在另一个示例中,概率分布可以由概率密度函数来表示。应当注意,概率分布可以包括对结果概率的任何合适的指示。在一些实施方案中,可以训练回归模型,使得在提供一个或多个输入值时,从那些输入值确定最可能的到达率。
过程300可以在306处从交易数据302标识资源提供商特定数据。例如,处理网络服务器可以查询满足某些条件的交易(即,与特定资源提供商和/或时间段相关联的交易)。资源提供商特定数据可以包括与由该资源提供商进行的交易对应的交易金额、与由该资源提供商进行的各种交易相关联的时间、已经与该资源提供商进行交易的用户、或任何其他合适的资源提供商特定数据。
在308处,过程300可以提供所标识的资源提供商特定数据的至少一部分作为回归模型的输入,以便生成该资源提供商特有的概率分布。例如,回归模型可以被配置为提供如上所述的概率分布。在这个示例中,在提供资源提供商特定输入时,回归模型可以生成与概率分布相关联的该资源提供商的数值。基于该概率分布,过程可以在310处计算与资源提供商相关联的到达率和/或队列长度(l)。在一些实施方案中,该值可以包括从分布确定的期望值。在一些实施方案中,可以使用泊松回归来生成期望值。
通过说明,可以针对资源提供商的到达率生成概率分布,以包括P(25)=16、P(50)=14和P(25)=10,这将指示到达率将为16人(按指定时间段)的概率为25%,到达率将为14人的概率为50%,并且到达率将为10人的概率为25%。在这个示例中,到达率的期望值可以被计算为AR=0.25*16+0.50*14+0.25*10=13.5(或当四舍五入时为14)。
在一些实施方案中,过程300可以在312处基于资源提供商特定数据来确定资源提供商的服务速率(μ)。例如,服务速率可以被确定为由资源提供商在一段时间内进行的交易的数量(例如,每分钟的交易)。在一些实施方案中,可以仅使用与最近交易有关的资源提供商特定数据来计算服务速率。例如,可以仅使用最近五分钟的交易数据来计算当前服务速率。在一些实施方案中,可以在接收到新的交易数据时更新服务速率。
过程300可以在314处生成资源提供商的等待时间。在一些实施方案中,可以基于服务速率和到达率来计算等待时间。例如,资源提供商的等待时间可以计算为:
其中表示等待时间的变化,(表示到达率,μ表示服务速率),l表示当前队列的长度,并且t表示将要进行预测的时间段。该功能可用于生成当前预测的等待时间。当接收到新的信息时,可以更新当前预测的等待时间。在一些实施方案中,系统可以被配置为从用户接收指示该用户经历的实际等待时间的反馈信息。在这种情况下,系统可以根据接收到的反馈来调整当前队列长度和/或到达率信息。在一些实施方案中,可以基于接收到的反馈来更新回归模型。例如,可以基于所提供的反馈来更新在回归模型的生成中使用的假设(例如,与变量相关联的值)。
图4示出了根据至少一些实施方案的用于生成预测的等待时间的示例性过程。在图4中,可以使用被确定为目标资源提供商本地的资源提供商(例如,资源提供商)处进行的交易来计算目标资源提供商的预测等待时间。
在一些实施方案中,交易数据402可用于在404处生成交易矩阵。在一些实施方案中,交易矩阵可以包括关于用户和资源提供商的交易记录。例如,对于多个用户中的每个用户,交易矩阵可以包括特定用户在资源提供商集合中的每个资源提供商处进行交易的次数。在一些实施方案中,交易矩阵可以包括用户在交易矩阵中的每个资源提供商处花费的总货币量。在一些实施方案中,交易矩阵可以包括指示用户是否已经在特定资源提供商处进行任何交易的二进制指示符(例如,1或0)。交易矩阵中所包括的信息可以仅限于在最近的时间段(例如,最近三个月)内发生的交易数据。下文关于图5描述交易矩阵的一些说明性示例。
过程400可以包括在406处标识相对于其他用户的用户交易模式。在一些实施方案中,所生成的交易矩阵中的用户信息可以用于为该用户生成一组坐标。例如,可以基于用户的交易历史将多维空间内的坐标分配给用户。在一些实施方案中,多维空间的每个维度可以表示不同的资源提供商。作为说明性示例,考虑交易数据402包括来自资源提供商A、B和C的交易数据的情况。在这种情况下,已经与资源提供商A进行了五笔交易、与资源提供商B进行了八笔交易、并且与资源提供商C进行了一笔交易的用户可被分配有与三维空间相关联的一组坐标[5,8,1])(其中每个轴与三个资源提供商之一相关联)。在这个示例中,用户与空间内的其他用户的相对位置可以用于确定用户之间的交易偏好的相似性和/或差异。下文参考图6更详细地描述这一点。
过程400可以包括在410处根据所标识的相对交易模式来对用户进行分段。在一些实施方案中,可以使用聚类技术将用户分配给用户分段。例如,系统可以标识多维空间内的多个质心位置。在这个示例中,基于该用户与每个质心的相对距离,可以将每个用户聚类到质心之一。以这种方式,可以将分段创建为分配给各种质心的集群。以这种方式,每个分段可以包括在多维空间内分配有相对类似位置坐标的多个用户。在一些实施方案中,当确定用户将来在特定资源提供商处进行交易的可能性时,系统可以分析该分段的交易数据。例如,如果特定分段中的80%的用户在资源提供商A处进行交易,则系统可以确定该分段中的特定用户具有80%的几率在资源提供商A处进行交易。在某些情况下,无论用户的实际交易历史如何,都可以确定这一点。下文参考图7更详细地描述这一点。
过程400可以包括标识目标资源提供商本地的或在离目标资源提供商的预定距离内的资源提供商。在一些实施方案中,可以在412处生成资源提供商配对矩阵。资源提供商配对矩阵可以用于存储由同一用户在各种资源提供商处进行的交易时间差的指示。例如,如果用户1在12:05pm在资源提供商A处进行交易,随后在12:25pm在资源提供商B处进行交易,则资源提供商配对矩阵可以存储与关于资源提供商A和资源提供商B的这两个交易之间的时间差(例如,20分钟)相关的信息。在一些实施方案中,所存储的时间差可表示在资源提供商A和资源提供商B处进行的交易之间的流逝的平均时间量。应当注意,在某些情况下,可能不会使用超过间隔的阈值时间量发生的交易。在一些实施方案中,仅记录在两个资源提供商处进行的交易之间检测到的最小时间量。例如,如果两个资源提供商的交易之间的当前记录时间是20分钟,并且检测到的由单个用户在两个资源提供商中的每一个处的新交易间隔18分钟,则与两个资源提供商相关联的当前记录可能会被18分钟覆盖。
过程400可以在414处标识目标资源提供商本地的资源提供商。在一些实施方案中,可以评估与资源提供商配对矩阵中的一对资源提供商相关联的时间,以确定该时间是否低于阈值时间量。例如,如果阈值时间为30分钟,则资源提供商配对矩阵中与目标资源提供商相关联并且具有小于30分钟的时间值的所有资源提供商将被确定为目标资源提供商本地的或接近目标资源提供商。
在一些实施方案中,在过程400中,在标识目标资源提供商本地的资源提供商之后可以编译本地资源提供商数据416,该本地资源提供商数据可以包括关于目标资源提供商本地的资源提供商进行的最近的交易。例如,在接收到与特定资源提供商(即,目标资源提供商)相关联的等待时间的请求时,过程400可以标识特定资源提供商本地的多个资源提供商。一旦被标识,过程400可以标识在那些本地资源提供商处最近(例如,在预定时间段内)进行的多笔交易。
在一些实施方案中,过程400可以标识源自特定资源提供商(或资源提供商内的特定销售点)的多个授权请求,并且可以在418处估计该资源提供商的服务速率。在一些实施方案中,可以基于所标识的授权请求和机制流行度来确定服务速率。在这个示例中,过程400可以确定X%的消费者利用与过程400相关联的特定支付方法(机制流行度)。例如,过程400可以确定30%的交易是用现金进行的。基于最近的授权请求和机制流行度,过程400可以推断估计的服务速率。在简单的示例中,过程400可以将在一定时间段(例如,最后十分钟)内接收的针对资源提供商的授权请求的数量除以机制流行度,以估计在该时间段期间可能进行的交易的总数。然后可以将交易总数除以该时间段内的时间量以确定服务速率。应当注意,在更复杂的示例中,可以使用附加交易因素来提高服务速率估计的准确性。例如,交易因素可以包括可能影响计算的历史数据。特别地,交易因素可以包括基于资源提供商特有的历史机制流行度对机制流行度进行的调整。
通过说明,考虑这样的情况:过程400由VisaNet(处理网络)执行,并且可以访问源自提供Visa信用卡(或其他Visa账户)作为支付机制的特定资源提供商的所有授权请求消息。目前,Visa账户用于支付大约52.4%的消费者交易(Visa机制流行度)。在上述情况下,VisaNet可以标识在最近10分钟内已经从资源提供商A接收到的22个授权请求消息。因此,VisaNet可能会估计的是,最近10分钟资源提供商A可能进行了总共大约42笔交易(22笔交易除以0.524),服务速率为每分钟4.2笔交易(42笔交易除以10分钟)。应当注意,任何数量的因素都可能影响这一估计。例如,Visa可能是资源提供商接受的唯一支付机制,这意味着消费者需要使用Visa或现金。在这个示例中,VisaNet可能会改变其估计,以考虑到Visa可能在比平均量高的数量的交易中使用的事实,这将导致低估的总交易数量和随后降低的服务速率。
在一些实施方案中,在420处可以使用上述信息生成概率分布。可以通过将用户分段信息和/或本地资源提供商数据提供为回归模型的输入来生成作为回归模型的输出的概率分布,如本公开其他地方所描述的。例如,在接收到对与目标资源提供商相关联的等待时间的请求时,可以标识多个本地资源提供商。一旦已经标识出这一数量的本地资源提供商,则可以查询交易数据402以标识在预定时间段内(例如,在最近30分钟内)在那些本地资源提供商中的每一个处进行的交易。然后可以从与交易相关联的授权请求确定与这些交易中的每一个相关联的用户。与每个用户相关联的用户分段可用于(例如,使用回归模型)确定该用户到达目标资源提供商的概率。在一些实施方案中,如果与用户相关联的交易指示在预定时间段内用户已经在与目标资源提供商类似的资源提供商处进行了交易,那么可以将用户过滤掉或忽略。例如,如果目标资源提供商是餐馆,则在确定用户A已经在最近一小时内在另一家餐馆进行交易时,可以忽略与用户A相关联的交易。
在422处,可以从概率分布生成期望值。例如,可以使用泊松回归来从概率分布计算期望值。期望值可以表示资源提供商的估计的到达率(例如,基于概率分布预期将按给定时间单位到达资源提供商的用户数量)。一旦已经估计出到达率,在424处可以使用服务速率和到达率估计预测的等待时间,如上文关于图3所描述的。
图5示出了根据本公开的实施方案的可以实现的示例性交易矩阵。交易矩阵可以包括关于用户和资源提供商的交易记录。例如,交易矩阵可以包括一组用户502和一组资源提供商504,每个用户可以与行或列相关联,每个资源提供商可以与行或列相关联。在一些实施方案中,交易矩阵中所包括的信息可以仅限于在最近的时间段(例如,最近三个月)内发生的交易数据。
在一些实施方案中,用户可以与对应于交易矩阵中的信息的向量(例如,一组坐标)相关联。例如,每个用户可以与包括与该用户相关联的行中的值的向量相关联。
在一些实施方案中,如在交易矩阵1中所描绘的,交易矩阵可以包括有关一组用户中的每个用户在特定资源提供商处已经进行交易的次数506的信息。从交易矩阵1生成的向量可以包括来自与用户相关联的行的一组值。在一些实施方案中,使用与用户相关联的向量的聚类技术可以改变分配给向量中的一个或多个值的权重。例如,值可以被限制在最大值或最小值。在一些实施方案中,异常值可以被缩尾。在一些实施方案中,如交易矩阵2中所描绘的,交易矩阵可以包括每组用户中的每个用户在交易矩阵中的每个资源提供商处花费的总货币量508。在一些实施方案中,交易矩阵可以包括指示用户是否已经在特定资源提供商处进行任何交易的二进制指示符(例如,1或0)。交易矩阵中所包括的信息可以仅限于在最近的时间段(例如,最近三个月)内发生的交易数据。
图6示出了根据本公开的实施方案的在可以针对资源提供商执行的多维空间中生成用户坐标的示例。在图6中,多维空间600(这里表示为三维图)的轴可以包括资源提供商。可以基于与该用户相关联的交易历史和构成该等轴的资源提供商中的每一个来相对于多维空间600内的原点604定位用户602。用户602与多维空间内的另一点(例如,原点604)之间的距离可以是,称为ΔE。
根据至少一些实施方案,多维空间600可以通过在多维空间中标识交易矩阵的每个用户的坐标和绘制每个用户来生成。然而,应当注意,多维空间600为了说明的目的提供了图形说明,并且对于实现本公开而言,在实际图形上绘制用户对是不必要的。应当注意,可以在不在多维空间600中绘制用户的情况下执行所描述的过程。
根据至少一些实施方案,处理网络服务器可以计算空间内的两个点之间的距离。例如,处理网络服务器可以计算图形坐标602处的用户与图形坐标604处的点(例如,质心)之间的ΔE。在这个示例中,本领域技术人员将容易地认识到,第一资源提供商值的差(由x表示)、第二资源提供商值的差(由y表示)、以及第三资源提供商值的差(由z表示)的差可以用于计算ΔE。在一个简单的示例中,
根据至少一些实施方案,可以在执行聚类技术期间,在位于坐标404处的用户与多个集群值中的每一个之间计算ΔE。在这些实施方案中的至少一些中,与用户的最低ΔE相关联的集群可以被分配给该用户。虽然提出了一个简单的公式,但是可以使用任何距离计算公式来计算ΔE。本领域技术人员将容易地认识到,若干种等效技术可用于计算用户和/或点之间的距离。
图7示出了根据本公开的实施方案的可以用于标识用户分段的聚类技术的示例。在一些实施方案中,聚类技术可以关于多维空间(诸如图6所示的多维空间600)来执行。应当注意,聚类技术可以包括用于基于相似性对用户进行分组的任何合适的技术。例如,聚类技术可以包括k均值聚类技术。
在用户聚类模型700中,若干用户被描绘为属于各种聚点(或质心)702、704、706和708。根据至少一些实施方案,聚点702、704、706和708是多维资源提供商空间中的多组坐标。将多个用户中的每一个分配给具有聚点的用户空间坐标和与用户相关联的用户空间坐标之间的最低ΔE的聚点。例如,在计算用户710与各种质心702、704、706和708之间的距离a、b、c和d时,可以确定d表示最短距离。因此,用户710将被分配给质心704。
根据至少一些实施方案,可以存储和/或维护来自用户聚类模型700的用户集群数据。例如,集群数据可以存储在用户分段数据中,该用户分段数据可以是图4的用户分段数据410的示例。在至少一些实施方案中,用户分段数据可以包括与用户相关的信息,诸如用户标识符、用户名、用户类别、所确定的用户坐标或任何其他适当的用户相关信息。根据至少一些实施方案,可以相对于每个集群维护用户列表。
根据本公开的实施方案,集群的用户的一个或多个属性可以被赋予给集群内的各个用户。例如,可以确定特定集群内的90%的用户在特定资源提供商处进行交易。在这个示例中,即使特定用户从未在该特定资源提供商处实际进行交易,也可以基于所确定的90%,将在该特定资源提供商处进行未来交易的概率分配给该分段内的该特定用户。在一些实施方案中,由集群中的用户进行的平均交易金额和/或平均交易次数可以被赋予给集群中的特定用户。一旦用户被分配到集群,就可以通过使用集群数据作为回归模型中的输入来确定集群中的每个用户的概率,如本公开其他地方所描述的。
在一些实施方案中,仅使用最近的交易数据对用户进行聚类。应当注意,由于用户交易偏好可能会随着时间的推移而改变,这使得系统能够随着那些交易偏好的变化而动态地更新用户分段。在一些实施方案中,可以独立于所描述的过程来生成用户分段数据。例如,可以在周期基础上(例如,每月、每天、每小时等)生成用户分段数据。在这个示例中,对等待时间的请求可以使用最近生成的分段数据。
图8示出了使用交易数据来标识目标资源提供商本地的资源提供商的过程。为了做到这一点,过程800可以包括生成如下所述的资源提供商配对矩阵802。一旦资源提供商配对矩阵802已经生成并且填充了时间信息,则可以通过根据它们各自与阈值相比的时间差过滤资源提供商配对矩阵中的资源提供商来标识目标资源提供商本地的一组资源提供商。
在一些实施方案中,可以从交易数据804生成资源提供商配对矩阵802。资源提供商配对矩阵可以用于存储由同一用户在各种资源提供商处进行的交易时间差的指示。例如,如果用户1在资源提供商A处进行第一交易,并且随后在资源提供商B处进行第二交易,则资源提供商配对矩阵可以将与这两笔交易之间的时间差相关的信息存储在与资源提供商A和资源提供商B两者相关联的字段中。在一些实施方案中,进行交易的顺序可能是重要的。例如,资源提供商配对矩阵802的行可以表示与第一交易相关联的资源提供商,并且资源提供商配对矩阵802的列可以表示与第二交易相关联的资源提供商。在这个示例中,每对资源提供商可以与两个不同的时间差相关联,一个时间差表示在资源提供商A处与随后在资源提供商B处进行的交易之间的时间差,并且另一个时间差表示在资源提供商B处与随后在资源提供商A处进行的交易之间的时间差。
在一些实施方案中,存储的时间差可以表示在资源提供商A和资源提供商B处进行的交易之间流逝的平均时间量。应当注意,在一些情况下,可能不会使用超过间隔的阈值时间量发生的交易。例如,系统只能使用在同一24小时时段内发生的交易。在一些实施方案中,仅记录在两个资源提供商处进行的交易之间检测到的最小时间量,以便表示资源提供商位置之间的实际距离(时间距离)。例如,如果两个资源提供商的交易之间的当前记录时间是20分钟,并且检测到由单个用户在两个资源提供商中的每一个处的新交易间隔18分钟,则与两个资源提供商相关联的当前记录可能会被18分钟覆盖,因为确定用户可能在18分钟内进行交易。此外,记录的时间可以是传递的。例如,如果用户1在12:34在资源提供商A处进行交易,然后在12:58在资源提供商B处进行后续的交易,则可以更新资源提供商配对矩阵802以反映资源提供商A与资源提供商B之间的24分钟差。如果用户2在12:43在资源提供商B处进行交易,然后在12:59在资源提供商C处进行后续的交易,则可以更新资源提供商配对矩阵802以反映资源提供商B与资源提供商C之间的16分钟差。在这个示例中,也可以基于单独检测到的交易来更新资源提供商配对矩阵802,以反映资源提供商A与资源提供商C之间的40分钟差。
接收到对特定资源提供商处的等待时间的请求后,可以确定目标资源提供商本地的资源提供商。在一些实施方案中,在806处,可以评估与资源提供商配对矩阵中的一对资源提供商相关联的时间,以确定该时间是否低于阈值时间量。例如,如果阈值时间为30分钟,则资源提供商配对矩阵中与目标资源提供商相关联并且具有小于30分钟的时间值的所有资源提供商将被确定为目标资源提供商本地的或接近目标资源提供商。在一些实施方案中,可以将所标识的本地资源提供商中的每一个添加到存储针对目标资源提供商的本地资源提供商数据808的数据库表中。一旦被编译,就可以使用本地资源提供商数据808来确定目标资源提供商的到达率。为此,系统可以查询交易数据804以查找在本地资源提供商数据808中标识的资源提供商处进行的最近交易。然后,系统能够将可能到达目标资源提供商的用户标识为最近在本地资源提供商处进行交易的用户。应当注意,过程800表示标识目标资源提供商本地的资源提供商的一种方法。应当注意,本领域技术人员可以实现等效的过程以确定目标资源提供商本地的一组资源提供商。例如,在一些实施方案中,与每个资源提供商相关联的地址信息可用于确定一组本地资源提供商。
图9描绘了示出根据本公开的实施方案的用于生成等待时间的过程的流程图。在一些实施方案中,过程900在902处开始,此时处理网络服务器接收对与目标资源提供商(例如,关于应当针对其执行分析的特定资源提供商)相关联的等待时间的请求。在一些实施方案中,可以从安装在移动装置上和从移动装置执行的移动应用接收请求,该移动装置与处理网络服务器或与处理网络服务器通信的移动应用服务器进行通信。在一些实施方案中,移动装置的用户可以选择目标资源提供商(例如,从可用资源提供商的列表)。在一些实施方案中,可以基于移动装置的地理位置自动地选择多个目标资源提供商。
在904处,处理网络服务器可以标识目标资源提供商本地的多个资源提供商。在一些实施方案中,这可以使用上文关于图8描述的过程800来完成,其中生成资源提供商配对矩阵,并且标识在目标资源提供商的预定时间距离内的资源提供商。在一些实施方案中,这可以基于地理位置来完成。例如,处理网络服务器可以基于地理位置信息来标识本地资源提供商。
在906处,处理网络服务器可以标识在每个所标识的本地资源提供商处进行的最近的交易。例如,处理网络服务器可以查询交易数据以标识在最近30分钟内在每个本地资源提供商处进行的交易。在一些实施方案中,处理网络服务器可将该信息存储在一组或多组数据中。例如,在一些实施方案中,所有所标识的交易可以存储在单个交易集合中。在第二示例中,可以基于目标资源提供商与本地资源提供商之间的时间距离以及自最近交易以来已经经过的时间量而将交易存储在多个不同的交易集合中,交易集合中的每一个交易都与不同的时间段相关联。通过说明,处理网络服务器可以被配置为标识最近30分钟内在本地资源提供商中的每一个处发生的所有交易,并将那些交易存储在三个单独的交易信息集合中,使得可以估计三个单独的到达率。在这个示例中,处理网络服务器可以标识14分钟之前在资源提供商B处进行的交易。处理网络服务器可以确定资源提供商B与目标资源提供商之间的时间距离是20分钟。基于该分析,处理网络服务器可以确定该特定交易应当用于评估自现在起六分钟后目标资源提供商处的到达率。在一些实施方案中,处理网络服务器可以估计在以上示例中与交易相关联的用户将在多个不同时间段内到达目标资源提供商的概率。
在908处,处理网络服务器可以标识与所标识的最近交易中的每一笔交易相关联的用户以及那些用户中的每一个的用户分段。在一些实施方案中,可以独立于所描述的过程900来生成用户分段数据。例如,可以根据本公开的实施方案在周期基础上(例如,每月、每天、每小时等)生成用户分段数据。一旦在906处标识相关交易,处理网络服务器就可以查询交易数据以标识与该交易相关联的用户。然后可以查询用户分段信息以标识与用户相关联的(一个或多个)用户分段。在一些实施方案中,在分析期间将用户所关联的分段的属性赋予给用户。
在910处,处理网络服务器可以基于所标识的用户生成概率分布。在一些实施方案中,与最近交易中的每一笔交易相关联的信息(例如,最近交易的时间、资源提供商之间的时间差、交易金额等)以及与用户相关联的信息(例如,在目标资源提供商处购物的用户趋势、在目标资源提供商处购物的分段趋势等)可以作为回归模型的输入而提供。作为响应,回归模型可以输出概率分布,该概率分布表示所标识的交易中的每个用户将在目标资源提供商处进行交易的概率。
在912处,处理网络服务器可以计算可能的到达率。在一些实施方案中,可以使用回归技术根据输出概率分布将到达率计算为期望值。所使用的回归技术可以是线性的或非线性的。例如,可以使用泊松回归技术来从概率分布计算期望值。该期望值可以对应于目标资源提供商的预测到达率。
在914处,处理网络服务器可以确定目标资源提供商的服务速率。例如,服务速率可以被确定为由资源提供商在一定时间段内进行的交易的数量(例如,每分钟的交易)。在一些实施方案中,可以仅使用与最近交易有关的目标资源提供商特定数据来计算服务速率。例如,可以仅使用在最近五分钟内接收到的来自目标资源提供商的交易数据来计算当前服务速率。
在916处,处理网络服务器可以估计目标资源提供商的等待时间。可以通过计算先前的等待时间+估计的到达率-计算的服务速率来估计等待时间。在这个公式中,到达率表示预计在给定时间段内到达的人数,并且服务速率表示在同一给定时间段内将被服务(即,离开)的人数。因此,估计的到达率减去计算的服务速率表示在给定时间段内将发生的等待时间的变化。在一些实施方案中,可以基于历史交易数据来计算先前的等待时间。例如,处理网络服务器可以计算过去已经在给定时间段内在目标资源提供商处历史地进行的交易次数。
在918处,处理网络服务器可以向请求者提供估计的等待时间。在一些实施方案中,估计的等待时间可以被提供给安装在移动装置上并从移动装置执行的移动应用。在一些实施方案中,处理网络服务器可以被配置为从移动装置的用户接收关于实际经历的等待时间的反馈。在这些实施方案中的至少一些中,处理网络服务器可以被配置为基于接收到的反馈来调整在将来等待时间的计算中使用的一个或多个变量。在一些实施方案中,处理网络服务器可以被配置为确定用户离目标资源提供商的距离。基于该确定的距离,处理网络服务器可以被配置为确定用户可能到达资源提供商的时间以及针对该到达时间估计的等待时间。
本发明的实施方案提供了若干技术优点。例如,典型的系统可以仅访问由单个资源提供商或参与系统的那些资源提供商提供的信息,该信息可能不足以在多个资源提供商之间提供全面的等待时间预测。然而,本发明包括使用从多个资源提供商收集的交易数据的系统。因此,该系统能够访问实时交易数据(与预定时间段内进行的交易相关的数据)以及其他动态和静态数据,以便确保对等待时间以及其他相关信息的预测更及时且更准确并跨越多个资源提供商。此外,在依赖于提供给支付处理网络的授权请求数据的实施方案中,本公开不需要来自资源提供商本身的数据。这意味着,不同于必须从资源提供商本身获得数据的其他系统,所公开的系统包括这样的系统,其中资源提供商不需要是主动参与方,从而确保预测的等待时间保持不偏向。
计算机系统可以用于实现上述任何实体或部件。用于实现本公开的子系统可以经由系统总线互连。可使用另外的子系统,诸如打印机、键盘、固定磁盘(或包括计算机可读介质的其他存储器)、耦合到显示适配器的监视器及其他。耦合到I/O控制器(可以是处理器或任何合适的控制器)的外设和输入/输出(I/O)装置可以通过任何本领域已知的手段(诸如串行端口)连接到计算机系统。例如,可以使用串行端口或外部接口将计算机设备连接到诸如互联网,鼠标输入装置或扫描仪的广域网。经由系统总线的互连允许中央处理器能够与每个子系统通信,并控制来自系统存储器或固定磁盘的指令的执行以及信息在子系统之间的交换。系统存储器和/或固定磁盘可以体现计算机可读介质。在一些实施方案中,监视器可以是触敏显示屏。
计算机系统可以包括例如通过外部接口或内部接口连接在一起的多个相同的部件或子系统。在一些实施方案中,计算机系统、子系统或装置可以通过网络进行通信。在这种情况下,一台计算机可以被认为是客户机,另一台计算机可以被认为是一台服务器,其中每台计算机可以是同一计算机系统的一部分客户端和服务器可以分别包括多个系统,子系统或。
应当理解,本发明的任何实施方案可以使用硬件(例如专用集成电路或现场可编程门阵列)和/或使用计算机软件以控制逻辑的形式借助通用可编程处理器以模块化或集成方式实现。如本文所使用的,处理器包括单核处理器,同一集成芯片上的多核处理器或单个电路板上的多个处理单元或网络。基于本文中提供的公开和教导,本领域普通技术人员会知道并意识到使用硬件及硬件和软件的组合实现本发明的实施方案的其他方式和/或方法。
本申请中描述的任何软件或功能可以实现为使用任何适当计算机语言(比方说例如Java、C、C++、C#、Objective-C、Swift)或脚本语言(诸如Perl或Python),使用例如传统的或面向对象的技术由处理器执行的软件代码。软件代码可以作为一系列指令或命令存储在用于存储和/或传输的计算机可读介质上,合适的介质包括随机存取存储器(RAM)、只读存储器(ROM)、诸如硬盘驱动器或软盘的磁介质、或诸如光盘(CD)或DVD(数字通用盘)的光学介质、闪存等。计算机可读介质可以是这些存储或传输装置的任何组合。
还可以使用载波信号编码和传输这些程序,载波信号适于经由符合各种协议(包括互联网)的有线、光和/或无线网络传输。因此,根据本发明的实施方案的计算机可读介质可以使用用这种程序编码的数据信号来创建。用程序代码编码的计算机可读介质可以与可兼容装置一起打包或从其他装置单独地提供(例如通过互联网下载)。任何这样的计算机可读介质可以驻留在单个计算机产品(例如硬盘驱动器,CD或整个计算机系统)上或内部,并且可以存在于系统或网络内的不同计算机产品上或内部。计算机系统可以包括监视器,打印机或其他合适的显示器,用于向用户提供本文提到的任何结果。
以上描述是说明性的,而不是限制性的。所属领域的技术人员在审查本发明后将明白本发明的许多变化。因此,本发明的范围应当不参考上文描述确定,而是应当参考所附权利要求书连同其全部范围或等同物确定。
在不偏离本发明的范围的情况下,任何实施方案的一个或多个特征可以与任何其他实施方案的一个或多个特征组合。
除非明确指示有相反的意思,否则“一个/种”或“该/所述”的叙述旨在表示“一个/种或多个/种”。
上文提到的所有专利、专利申请、公开和描述出于所有目的以引用的方式并入本文中。不承认它们为现有技术。
Claims (19)
1.一种确定目标资源提供商的排队时间的方法,包括:
标识从处于所述目标资源提供商附近的一组资源提供商接收的多个交易;
确定与所述多个交易相关联的多个分段;
针对所述多个交易中的每个交易,基于所述多个分段中与那个交易相关联的分段来确定所述目标资源提供商处的待决交易的概率;
基于所确定的概率来确定所述目标资源提供商处的可能的总待决交易;以及
基于所述目标资源提供商处的所述可能的总待决交易来计算所述目标资源提供商的所述排队时间。
2.根据权利要求1所述的方法,其中所述一组资源提供商基于历史连续交易而被确定为处于所述目标资源提供商附近。
3.根据权利要求2所述的方法,其中如果与各个资源提供商和所述目标资源提供商两者相关联的历史连续交易发生在阈值时间帧内,则所述一组资源提供商中的各个资源提供商被确定为处于所述目标资源提供商附近。
4.根据权利要求1所述的方法,其中使用一种或多种聚类技术来确定与所述多个交易相关联的所述多个分段。
5.根据权利要求4所述的方法,其中所述使用一种或多种聚类技术包括基于每个用户的交易历史对与所述多个交易相关联的用户进行聚类。
6.根据权利要求4所述的方法,其中所述一种或多种聚类技术包括使用k均值聚类算法。
7.根据权利要求1所述的方法,其中使用至少一种回归技术来确定所述目标资源提供商处的所述可能的总待决交易。
8.根据权利要求1所述的方法,其中所述至少一种回归技术包括泊松回归。
9.根据权利要求1所述的方法,其中将所述可能的总待决交易传送到所述目标资源提供商。
10.一种服务器设备,包括:
一个或多个处理器;以及
存储器,其包括指令,所述指令当由所述一个或多个处理器执行时致使所述服务器设备:
标识从处于所述目标资源提供商附近的一组资源提供商接收的多个交易;
确定与所述多个交易相关联的多个分段;
针对所述多个交易中的每个交易,基于所述多个分段中与那个交易相关联的分段来确定所述目标资源提供商处的待决交易的概率;
基于所确定的概率来确定所述目标资源提供商处的可能的总待决交易;以及
基于所述目标资源提供商处的所述可能的总待决交易来计算所述目标资源提供商的所述排队时间。
11.根据权利要求10所述的服务器设备,其中确定与所述多个交易相关联的所述多个分段包括:
标识与所述多个交易相关联的用户;以及
确定与所标识的用户中的每一个相关联的分段。
12.根据权利要求11所述的服务器设备,其中确定与所标识的用户中的每一个相关联的分段包括:
生成包括与在多个资源提供商处的多个用户之间进行的交易相关联的关系信息的交易矩阵;以及
基于所述关系信息中的相似性将用户分组成分段。
13.根据权利要求12所述的服务器设备,其中所述指令进一步致使所述服务器设备将每个用户与对应于所述关系信息的向量相关联。
14.根据权利要求13所述的服务器设备,其中所述用户基于与所述用户相关联的所述向量而被聚类到所述分段中。
15.根据权利要求10所述的服务器设备,其中所述一组资源提供商基于所述一组资源提供商中的所述资源提供商中的每一个与所述目标资源提供商之间的时间距离而被确定为处于所述目标资源提供商附近。
16.根据权利要求15所述的服务器设备,其中所述时间距离低于阈值时间距离值。
17.一种预测目标资源提供商的等待时间的计算机实现的方法,包括:
标识从处于所述目标资源提供商附近的一组资源提供商接收的多个交易;
标识与所述多个交易中的每一个相关联的用户;
确定所述目标资源提供商处的未来交易的概率分布;
使用泊松回归技术来确定所述概率分布的期望值;以及
基于所述期望值计算所述目标资源提供商的所述等待时间。
18.根据权利要求17所述的计算机实现的方法,其中所述资源提供商基于与所述资源提供商相关联的地址信息而被确定为处于所述目标资源提供商附近。
19.根据权利要求17所述的计算机实现的方法,其中从所述一组资源提供商接收的所述多个交易仅包括从所述一组资源提供商接收的最近交易。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/382,495 US10701163B2 (en) | 2016-12-16 | 2016-12-16 | Lines prediction model |
US15/382,495 | 2016-12-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108205778A true CN108205778A (zh) | 2018-06-26 |
Family
ID=62562096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711349233.2A Withdrawn CN108205778A (zh) | 2016-12-16 | 2017-12-15 | 线预测模型 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10701163B2 (zh) |
CN (1) | CN108205778A (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111615617A (zh) * | 2017-12-20 | 2020-09-01 | 维萨国际服务协会 | 用于使用预测建模进行等待时间估计的方法、系统和计算机程序产品 |
EP3738034A1 (en) * | 2018-01-08 | 2020-11-18 | Telefonaktiebolaget Lm Ericsson (Publ) | Adaptive application assignment to distributed cloud resources |
US11886888B2 (en) * | 2019-03-28 | 2024-01-30 | Lenovo (Singapore) Pte. Ltd. | Reduced application view during loading |
CN111489026A (zh) * | 2020-04-08 | 2020-08-04 | 中国银行股份有限公司 | 一种排队时间预估方法、系统及装置 |
WO2023097026A2 (en) * | 2021-11-23 | 2023-06-01 | Strong Force TX Portfolio 2018, LLC | Transaction platforms where systems include sets of other systems |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330326B1 (en) | 1998-03-27 | 2001-12-11 | At&T Corp. | Dynamic staffing of service centers to provide substantially zero-delay service |
US6430539B1 (en) * | 1999-05-06 | 2002-08-06 | Hnc Software | Predictive modeling of consumer financial behavior |
US6829583B1 (en) | 1999-12-20 | 2004-12-07 | International Business Machines Corporation | Method and apparatus to determine mean time to service |
US20020107720A1 (en) | 2000-09-05 | 2002-08-08 | Walt Disney Parks And Resorts | Automated system and method of forecasting demand |
US6842719B1 (en) | 2003-02-26 | 2005-01-11 | Kerien W. Fitzpatrick | Real-time prediction and management of food product demand |
US8712822B2 (en) | 2006-12-07 | 2014-04-29 | Hyperactive Technologies, Inc. | Real-time demand prediction in a fast service restaurant environment |
US7778937B2 (en) * | 2008-05-07 | 2010-08-17 | International Business Machines Corporation | Systems and methods for predicting wait time for service transactions |
US20100306029A1 (en) * | 2009-06-01 | 2010-12-02 | Ryan Jolley | Cardholder Clusters |
US20110313900A1 (en) * | 2010-06-21 | 2011-12-22 | Visa U.S.A. Inc. | Systems and Methods to Predict Potential Attrition of Consumer Payment Account |
US8781896B2 (en) * | 2010-06-29 | 2014-07-15 | Visa International Service Association | Systems and methods to optimize media presentations |
US20120232936A1 (en) | 2011-03-11 | 2012-09-13 | Castlight Health, Inc. | Reference Pricing of Health Care Deliverables |
US20140163934A1 (en) | 2012-12-06 | 2014-06-12 | Palo Alto Research Center Incorporated | Method and apparatus for determining an average wait time for user activities based on contextual sensors |
US9113309B2 (en) | 2013-08-02 | 2015-08-18 | Apple Inc. | Enhancing user services with indoor traffic information |
US9792578B2 (en) * | 2013-10-08 | 2017-10-17 | Google Inc. | Managing information about inventory |
US20150302438A1 (en) * | 2014-04-18 | 2015-10-22 | Mastercard International Incorporated | Systems and Methods for Generating Competitive Merchant Sets for Target Merchants |
US20160132913A1 (en) * | 2014-11-11 | 2016-05-12 | IGATE Global Solutions Ltd. | Multivariate Canonical Data Model for Tagging Customer Base of Energy Utility Enterprise |
US20160314482A1 (en) | 2015-04-27 | 2016-10-27 | Gourab Basu | Determination of resource provider conditions using transaction data |
-
2016
- 2016-12-16 US US15/382,495 patent/US10701163B2/en active Active
-
2017
- 2017-12-15 CN CN201711349233.2A patent/CN108205778A/zh not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
US10701163B2 (en) | 2020-06-30 |
US20180176311A1 (en) | 2018-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133372B (zh) | 评估支付风险的方法及装置 | |
US10783582B2 (en) | Systems and methods for providing real-time monitoring of spending limits | |
CN108205778A (zh) | 线预测模型 | |
US20180150910A1 (en) | Systems and methods for processing business data | |
US20110238550A1 (en) | Systems and methods for predicting financial behaviors | |
US20180025341A1 (en) | Dynamic Payment Mechanism Recommendation Generator | |
CN109791675A (zh) | 用于主动货币兑换的方法、系统和网络 | |
US9558490B2 (en) | Systems and methods for predicting a merchant's change of acquirer | |
WO2014062802A1 (en) | Aggregate merchant monitoring | |
CN111612511A (zh) | 一种基于活动任务的资源分配方法、装置和电子设备 | |
CN107146158A (zh) | 一种电子数据处理方法及装置 | |
JP7285003B2 (ja) | 決済情報処理装置、決済情報処理システムおよび決済情報処理プログラム | |
US20140304131A1 (en) | System for and method for determining overdraft protection | |
CN109493075A (zh) | 用于确定虚拟资源对象的方法及设备 | |
KR102218705B1 (ko) | 소비연동형 연금 적립 관리시스템 | |
US20230092126A1 (en) | Banking operation support system, banking operation support method, and banking operation support program | |
US20160196591A1 (en) | System and method for making and tracking charitable contributions | |
JP2020101867A (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP6925493B1 (ja) | 管理装置、管理方法及び管理プログラム | |
US11410149B1 (en) | Systems and methods for cash leveling at self-checkout machine | |
JP2018055398A (ja) | ポイント使用斡旋システムおよびポイント使用斡旋方法 | |
CN113095814A (zh) | 一种多渠道组合支付的方法及装置 | |
US20210256516A1 (en) | Computer-based system and method for targeting financial goals via electronic code or coupon auctions | |
US11888730B1 (en) | Dynamically optimizing routing within a decentralized network | |
JP7256322B1 (ja) | 情報処理装置、情報処理システム及び情報処理方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180626 |