CN111435357A - 加油站客户流失预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例提供了加油站客户流失预测方法、装置、电子设备及存储介质，该方法包括：获取预先确定的待预测目标车辆的车辆属性信息、目标车辆在指定时段内的消费信息及目标车辆的关系圈，其中，目标车辆的关系圈表征与目标车辆存在同行关系的各车辆；通过训练后的算法模型，对目标车辆的车辆属性信息、指定时段内的消费信息及目标车辆的关系圈进行分析，得到目标车辆是否为流失客户的预测结果。通过本申请实施例的加油站客户流失预测方法，可以实现对加油站客户流失进行预测，为加油服务方的营销、客户管理等提供决策支持。并且按照同行关系划分客户关系圈，在预测过程中考虑了车辆的关系圈，利用客户关系圈信息提高了流失预测的准确性。

Description

加油站客户流失预测方法、装置、电子设备及存储介质

技术领域

本申请涉及数据分析及预测技术领域，特别是涉及加油站客户流失预测方法、装置、电子设备及存储介质。

背景技术

现代企业之间的激烈竞争，迫使服务商必须想方设法赢得客户的信赖。企业想要长期稳定的发展，必须能够拥有长期稳定的客源。对于企业来说发展一个新客户是需要一定成本的，一旦客户流失，将会对商家造成损失，所以对客户流失的预测显得尤为重要。预测哪些客户有可能成为流失客户，可以在客户流失之前采用相应策略挽留客户，并且可以针对客户流失的原因进行分析，寻找先行指标来提升留存率，完善服务或产品。

随着汽车保有量的增长，汽车加油服务也更多的受到人们的重视。各加油服务商希望对客户流失情况进行预测，以制定相应的应对机制。因此如何对加油站客户流失进行预测，成为亟待解决的问题。

发明内容

本申请实施例的目的在于提供一种加油站客户流失预测方法、装置、电子设备及存储介质，以实现对加油站客户流失进行预测。具体技术方案如下：

第一方面，本申请实施例提供了一种加油站客户流失预测方法，所述方法包括：

获取预先确定的待预测目标车辆的车辆属性信息、所述目标车辆在指定时段内的消费信息及所述目标车辆的关系圈，其中，所述目标车辆的关系圈表征与所述目标车辆存在同行关系的各车辆；

通过训练后的算法模型，对所述目标车辆的车辆属性信息、指定时段内的消费信息及所述目标车辆的关系圈进行分析，得到所述目标车辆是否为流失客户的预测结果。

可选的，本申请实施例的加油站客户流失预测方法还包括：

获取当前加油的车辆的车辆图像及消费信息，其中，所述消费信息包括加油地点、加油数量及加油时间点；

对所述车辆图像进行分析，确定所述车辆的车牌信息及车辆属性信息；

以所述车辆的车牌信息为所述车辆的识别标识，将所述车辆的车牌信息、车辆属性信息及消费信息关联存储。

可选的，本申请实施例的加油站客户流失预测方法还包括：

按照各所述车辆的加油时间点及加油地点，当两个车辆的同行加油次数大于预设次数阈值时，建立所述两个车辆的同行关系，其中，所述同行加油次数为在同一加油地点加油时加油时间点差值小于预设加油时间间隔的次数；

按照所述车辆的同行关系，确定所述车辆的关系圈。

可选的，本申请实施例的加油站客户流失预测方法还包括：

按照所述车辆的加油时间点，形成所述车辆的加油时间点序列；

在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户。

可选的，所述在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户，包括：

在所述车辆最后一次加油的加油时间点距离当前时间的差值大于预设流失时间阈值时，判定所述车辆为流失客户。

可选的，所述在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户，包括：

针对每个加油时间点序列，对该加油时间点序列进行差分处理，得到加油间隔序列；

在所述车辆的加油间隔序列的各加油间隔的平均值大于预设时间间隔阈值时，判定所述车辆为流失客户；

在所述车辆的加油间隔序列的加油间隔曲线的斜率大于预设斜率阈值时，判定所述车辆为流失客户。

可选的，所述训练算法模型的步骤包括：

通过流失客户的车辆属性信息、指定时段内的消费信息及关系圈对当前算法模型进行训练。

第二方面，本申请实施例提供了一种加油站客户流失预测装置，所述装置包括：

第一信息获取模块，用于获取预先确定的待预测目标车辆的车辆属性信息、所述目标车辆在指定时段内的消费信息及所述目标车辆的关系圈，其中，所述目标车辆的关系圈表征与所述目标车辆存在同行关系的各车辆；

流失客户预测模块，用于通过训练后的算法模型，对所述目标车辆的车辆属性信息、指定时段内的消费信息及所述目标车辆的关系圈进行分析，得到所述目标车辆是否为流失客户的预测结果。

可选的，本申请实施例的加油站客户流失预测装置还包括：

第二信息获取模块，用于获取当前加油的车辆的车辆图像及消费信息，其中，所述消费信息包括加油地点、加油数量及加油时间点；

图像分析模块，用于对所述车辆图像进行分析，确定所述车辆的车牌信息及车辆属性信息；

信息存储模块，用于以所述车辆的车牌信息为所述车辆的识别标识，将所述车辆的车牌信息、车辆属性信息及消费信息关联存储。

可选的，本申请实施例的加油站客户流失预测装置还包括：

同行关系建立模块，用于按照各所述车辆的加油时间点及加油地点，当两个车辆的同行加油次数大于预设次数阈值时，建立所述两个车辆的同行关系，其中，所述同行加油次数为在同一加油地点加油时加油时间点差值小于预设加油时间间隔的次数；

关系圈建立模块，用于按照所述车辆的同行关系，确定所述车辆的关系圈。

可选的，本申请实施例的加油站客户流失预测装置还包括：

时间序列确定模块，用于按照所述车辆的加油时间点，形成所述车辆的加油时间点序列；

流失客户判定模块，用于在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户。

可选的，所述流失客户判定模块，具体用于：

在所述车辆最后一次加油的加油时间点距离当前时间的差值大于预设流失时间阈值时，判定所述车辆为流失客户。

可选的，所述流失客户判定模块，包括：

加油间隔确定子模块，用于针对每个加油时间点序列，对该加油时间点序列进行差分处理，得到加油间隔序列；

平均间隔计算子模块，用于在所述车辆的加油间隔序列的各加油间隔的平均值大于预设时间间隔阈值时，判定所述车辆为流失客户；

间隔斜率计算子模块，用于在所述车辆的加油间隔序列的加油间隔曲线的斜率大于预设斜率阈值时，判定所述车辆为流失客户。

可选的，本申请实施例的加油站客户流失预测装置还包括：

算法模块训练模块，用于通过流失客户的车辆属性信息、指定时段内的消费信息及关系圈对当前算法模型进行训练。

第三方面，本申请实施例提供了一种电子设备，包括处理器及存储器；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现上述第一方面任一所述的加油站客户流失预测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的加油站客户流失预测方法。

本申请实施例提供的加油站客户流失预测方法、装置、电子设备及存储介质，获取预先确定的待预测目标车辆的车辆属性信息、目标车辆在指定时段内的消费信息及目标车辆的关系圈，其中，目标车辆的关系圈表征与目标车辆存在同行关系的各车辆；通过训练后的算法模型，对目标车辆的车辆属性信息、指定时段内的消费信息及目标车辆的关系圈进行分析，得到目标车辆是否为流失客户的预测结果。可以实现对加油站客户流失进行预测，为加油服务方的营销、客户管理等提供决策支持。并且按照同行关系划分客户关系圈，在预测过程中考虑了车辆的关系圈，利用客户关系圈信息提高了流失预测的准确性。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的加油站客户流失预测方法的第一种示意图；

图2为本申请实施例的加油站客户流失预测方法的第二种示意图；

图3为本申请实施例的加油站客户流失预测装置的第一种示意图；

图4为本申请实施例的加油站客户流失预测方法的第三种示意图；

图5为本申请实施例的加油站客户流失预测方法的第四种示意图；

图6为本申请实施例的加油站客户流失预测方法的第五种示意图；

图7为本申请实施例的加油站客户流失预测方法的第六种示意图；

图8为本申请实施例的加油站客户流失预测装置的第二种示意图；

图9为本申请实施例的电子设备的一种示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

首先，对本申请实施例的术语进行解释：

车辆抓拍机：一种能够抓拍车辆车牌的电子摄像头，具有实时获取车辆图片的功能。

物联网数据：通过摄像头、录音机、传感器等物联网设备采集到的数据，本申请中指的是摄像头拍摄的车辆图片。

流失客户：曾经使用过产品或服务，由于对于产品或服务不满意等原因，逐渐减少使用或不再使用产品或服务的客户。

同行关系：指的是两辆车一起到一个加油站加油的关系。

关系圈：客户关系网络中比较紧密的子社区结构，一个关系圈中的客户之间关系比较紧密，大多都有直接或间接的关系。

LOUVAIN算法：基于模块度的社区发现算法，其优化目标是最大化整个社区网络的模块度，可以用于发掘客户关系网络中的关系圈。

XGBoost：一种基于梯度提升决策树的分类模型，具有较高的分类准确性，较强的泛化能力和较快的计算效率。

相关技术中，利用客户的加油卡的消费信息，对客户流失进行预测。但是上述方法仅限于办理了加油卡的用户，而实际情况中，多数用户并不会办理加油卡，因此该方法应用范围小，实用性低。

有鉴于此，本申请实施例提供了一种加油站客户流失预测方法，参见图1，该方法包括：

S101，获取预先确定的待预测目标车辆的车辆属性信息、上述目标车辆在指定时段内的消费信息及上述目标车辆的关系圈，其中，上述目标车辆的关系圈表征与上述目标车辆存在同行关系的各车辆。

本申请实施例的加油站客户流失预测方法，可以通过预测服务器执行。预测服务器为具备计算能力的电子设备。

目标车辆为需要进行客户流失预测的车辆。本申请实施例中，将一个车辆作为一个客户进行预测。预测服务器可以从存储介质(例如数据库)中获取预先确定的目标车辆的车辆属性信息、指定时段内的消费信息及关系圈。车辆的车辆属性信息可以包括车辆的车型、品牌及价值等信息中的一种或多种。车辆的消费信息包括车辆的每次加油的加油地点、加油数量(或加油金额)及加油时间点等信息。指定时段可以根据实际情况进行设定，例如设定为近一个月或近三个月等。

可选的，参见图2，本申请实施例的加油站客户流失预测方法还包括：

S1001，获取当前加油的车辆的车辆图像及消费信息，其中，上述消费信息包括加油地点、加油数量及加油时间点。

预测服务器可以通过图像采集设备，例如车辆抓拍机等，获取当前加油的车辆的车辆图像。预测服务器可以通过加油机获取当前加油的车辆的消费信息。

S1002，对上述车辆图像进行分析，确定上述车辆的车牌信息及车辆属性信息。

预测服务器利用计算机视觉技术，对车辆图像进行分析。得到车辆的车牌信息(包括车牌号)及车辆属性信息。

S1003，以上述车辆的车牌信息为上述车辆的识别标识，将上述车辆的车牌信息、车辆属性信息及消费信息关联存储。

预测服务器以车牌信息为识别标识，存储车辆的车牌信息、车辆属性信息及消费信息。例如，以车牌信息及车辆属性信息为固定信息，分别记录该车牌的车辆的各消费信息。可选的，关联存储的一种可能的方式具体可以如表1所示。

表1

在一种可能的方式中，用户提起油枪开始加油时，加油机产生一个采集数据的触发信号，该触发信息触发物联网数据采集设备，例如触发相应位置上的车辆抓拍机获取当前加油的车辆的车辆图像，并将获取的车辆图像发送给预测服务器。在预测服务器获取车辆图像之后，通过计算机视觉技术对车辆图像进行车牌识别及利用车辆属性结构化算法提取图像中车辆的车牌号和车型、品牌等车辆属性。预测服务器同时拉取当前加油的消费记录数据即消费信息，把提取的数据与加油消费新相关联，给消费信息加上车牌号等属性后存入本地数据库中。

在本申请实施例中，通过车辆的车辆图像信息，实现加油站客户流失预测。相比于通过加油卡进行客户流失预测，可以适用于没有办加油卡的用户，增加了适用范围，从而增加了客户流失预测的实用性。

S102，通过训练后的算法模型，对上述目标车辆的车辆属性信息、指定时段内的消费信息及上述目标车辆的关系圈进行分析，得到上述目标车辆是否为流失客户的预测结果。

训练算法模型的步骤可以包括：将流失客户车辆的车辆属性信息、指定时段内的消费信息及关系圈输入到预设模型中进行训练，得到训练后的算法模型。

预测服务器利用训练过的算法模型，对目标车辆的车辆属性信息、指定时段内的消费信息及关系圈进行分析，得到目标车辆是否为流失客户的预测结果。目标车辆是否为流失客户的预测结果可以为二值化的，即目标车辆为流失客户或目标车辆不是流失客户。还可以通过概率表征预测结果，即目标车辆为流失客户的概率为A，其中，A为训练后的算法模型输出的预测值。

在本申请实施例中，实现了对加油站客户流失进行预测，为加油服务方的营销、客户管理等提供决策支持。并且按照同行关系划分客户关系圈，在预测过程中考虑了车辆的关系圈，利用客户关系圈信息提高了流失预测的准确性。

为了研究各车辆(客户)之间存在的社交关系，进一步增加预测的准确性，本申请实施例的加油站客户流失预测方法还可以对各车辆(客户)之间的同行关系进行统计，建立车辆的关系圈。可选的，本申请实施例的加油站客户流失预测方法还包括：

步骤一，按照各上述车辆的加油时间点及加油地点，当两个车辆的同行加油次数大于预设次数阈值时，建立上述两个车辆的同行关系，其中，上述同行加油次数为在同一加油地点加油时加油时间点差值小于预设加油时间间隔的次数；

步骤二，按照车辆的同行关系，确定车辆的关系圈。

两个车辆的加油地点相同，是指这两个车辆在同一加油站加油。预测服务器统计按照车辆每次加油时的加油时间点及加油地点，建立车辆间的同行关系，从而得到各车辆的关系圈。针对每个加油站，监控在该加油站加油的车辆，若两个车辆在预设加油时间间隔内在同一加油站进行加油，则判定这两个车辆的同行加油次数增加1。预设加油时间间隔及预设次数阈值可以按照实际情况进行设定，例如设置为5分钟、10分钟或20分钟等；预设次数阈值可以设置为3次、5次或8次等。

可选的，预测服务器可以使用连通子图划分结合LOUVAIN算法分两阶段来建立关系圈。基于关系网络数据，首先计算得到网络中的每个连通子图；分析网络中的每个连通子图，若连通子图中的节点数小于10个，则把这个连通子图定义为一个关系圈；若子图中的节点数大于等于10个则使用LOUVAIN算法继续划分子社区，得到的结果作为客户关系圈。采用的两阶段关系圈发掘方法与直接使用LOUVAIN算法发掘关系圈相比，计算效率有了显著提高，这是由于连通子图划分的计算复杂度低，LOUVAIN算法的计算复杂度相对较高，第一阶段先得到了若干节点个数较少的子图，第二阶段再使用LOUVAIN算法划分这些节点少的子图，提高了计算速度。划分出的关系圈的一种示例可以如表2所示。

表2

在本申请实施例中，给出了建立车辆关系圈的方法，使用连通子图划分结合LOUVAIN算法来建立关系圈，计算效率高。

除了能够对加油站客户流失进行预测外，在本申请实例中还可以按照预设流失规则，判定客户(车辆)是否为实际的流失客户。可选的，本申请实施例的加油站客户流失预测方法还包括：

步骤一，按照上述车辆的加油时间点，形成上述车辆的加油时间点序列。

针对每个车辆，将该车辆的加油时间点按照时序进行排列，得到该车辆的加油时间点序列。

步骤二，在上述车辆的加油时间点序列满足预设的流失规则时，判定上述车辆为流失客户。

预设的流失规则可以按照实际需求进行设定。可选的，预设的流失规则可以如表3所示。

表3

可选的，上述在上述车辆的加油时间点序列满足预设的流失规则时，判定上述车辆为流失客户，包括：

在上述车辆最后一次加油的加油时间点距离当前时间的差值大于预设流失时间阈值时，判定上述车辆为流失客户。

流失时间阈值可以按照实际情况进行设定，例如，设置为30天、45天或60天等。流失时间阈值还可以根据预设公式进行计算，例如，流失时间阈值＝客户平均加油间隔+3*加油间隔方差+固定天数。

可选的，上述在上述车辆的加油时间点序列满足预设的流失规则时，判定上述车辆为流失客户，包括：

步骤一，针对每个加油时间点序列，对该加油时间点序列进行差分处理，得到加油间隔序列。

针对任一加油时间点序列，分别计算该加油时间点序列中相邻两个加油时间点的差，得到加油间隔序列。

步骤二，在上述车辆的加油间隔序列的各加油间隔的平均值大于预设时间间隔阈值时，判定上述车辆为流失客户。

预设时间间隔阈值可以按照实际情况进行设定，例如设定为5天、7天或10天等。预设时间间隔阈值还可以根据预设公式进行计算，例如，预设时间间隔阈值＝客户平均加油间隔+1.5*加油间隔方差+固定天数。

步骤三，在上述车辆的加油间隔序列的加油间隔曲线的斜率大于预设斜率阈值时，判定上述车辆为流失客户。

预设斜率阈值可以按照实际情况进行设定，例如设置为：0.2，0.3或0.4等。车辆的加油间隔序列中各加油间隔形成的曲线的斜率大于预设斜率阈值，说明车辆加油间隔程递增趋势，即车辆正在逐步减少使用加油站的服务，判定该车辆为流失客户。

在本申请实施例中，给出了确定流失客户的方法，能够从多个方面判断车辆是否为流失客户。

在本申请实施例的加油站客户流失预测方法中，在首次预测前，需要对算法模型进行训练，在预测过程中，还需要阶段性的对算法模型进行训练，从而提高算法模型的预测准确度。训练算法模型的步骤包括：

通过流失客户的车辆属性信息、指定时段内的消费信息及关系圈对当前算法模型进行训练。

实际情况中加油站管理人员往往难以提供流失客户的数据，因此本申请实施例中，直接采集各车辆的相关数据，并通过上述方法判断各车辆是否为流失客户，然后通过流失客户的车辆属性信息、指定时段内的消费信息及关系圈对算法模型进行训练，从而实现算法模型的更新。

预测服务器可以利用客户特征，对预设算法模型进行训练，得到预先训练的算法模型。客户特征包括静态特征，动态特征以及关系特征。静态特征主要为车辆属性信息，包括车辆类型、车辆品牌及车辆估价等。动态特征主要为车辆的消费信息，包括一段时间范围(例如一个月或者三个月等)内的消费次数、平均金额、加满率等。关系特征主要是车辆关系圈中的特征，包括关系圈中的流失客户比例等。在得到客户特征之后对特征进行处理，主要的特征处理方法有：标准化、离散化、one-hot、基于Filter方法的特征选择等。经过特征工程，可以形成可供预设算法模型使用的特征和数据集。在构建数据集时，流失客户判别结果使用的是当前时刻的结果，而客户的动态以及关系特征使用的是前一段时间的客户特征，使用该数据集训练出来的模型能够增加模型预测的准确度。可选的，一种可能的数据集可以如表4所示。

表4

字段	数据类型	说明
			是否流失客户	二值型	样本类别标签
车量类型	离散型	静态特征
			油箱容量	连续型	静态特征
车辆估价	连续型	静态特征
			油品编号	离散型	静态特征
消费次数	连续型	动态特征
			平均升数	连续型	动态特征
平均金额	连续型	动态特征
			平均加满率	连续型	动态特征
常用支付方式	离散型	动态特征
			关系圈内车辆平均估价	连续型	关系特征
关系圈内平均消费次数	连续型	关系特征
			关系圈内平均消费金额	连续型	关系特征
关系圈内平均加满率	连续型	关系特征
			关系圈内流失客户比例	连续型	关系特征
…

获取各车辆是否为以流失客户的判断结果，将判断结果作为车辆是否为流失客户的类别标签(因变量)，以客户特征中的静态特征、动态特征及关系特征作为自变量，训练算法模型。由于数据集中既有连续变量又有离散变量，还存在一定程度的缺失值，因此算法模型可以采用了对不同数据类型和数据质量状况适应性较强的XGBoost分类模型。并且XGBoost模型中样本权重，最大树深度以及模型复杂度惩罚系数等可以调整，能够减少样本量较少带来的模型过拟合以及样本类别不均衡(流失客户的样本数远少于非流失客户的样本数)少数样本预测效果较差的问题。

在本申请实施例中，不同加油服务商提供初始训练数据，而是在实际使用中通过采集的流失客户的车辆属性信息、指定时段内的消费信息及关系圈实时或定时更新算法模型，减少了算法模型的开发周期，并且能够在实际应用中更新算法模型，从而增加预测的准确度。

本申请实施例还提供了一种加油站客户流失预测装置，参见图3，该装置包括：

数据采集与关联模块301、关系计算及关系圈划分模块302、流失客户判别模块303、流失客户预测模型训练及预测模块304。

数据采集与关联模块301用于物联网数据采集、结构化，以及物联网数据与加油站业务数据关联，为整体方案提供了数据基础。关系计算及关系圈划分模块302用于构建客户关系网络，挖掘得到客户关系圈；流失客户判别模块303根据客户加油序列的规律与趋势判别当前客户是否为流失客户，得到流失客户判别的结果；流失客户预测模型训练及预测模块304用于预测客户未来是否有流失的可能性，得到流失客户预测结果。

具体的，数据采集与关联模块301的采集数据的过程可以如图4所示。当外部输入一个提起油枪开始加油的信号时，立即触发数据采集与关联模块301通过物联网数据采集设备，即相应位置上的车辆抓拍机获取当前加油的车辆照片；在获取图片之后，数据采集与关联模块301通过后端服务器预置的车牌识别以及车辆属性结构化算法提取图片中车辆的车牌号和车型、品牌等车辆属性；在获取图片并且提取结构化车辆属性信息的同时，数据采集与关联模块301拉取当前加油消费信息；最后把抓拍数据与加油消费信息相关联，给加油消费信息加上加油的车牌号等属性后存入本地数据库。

关系计算及关系圈划分模块302建立车辆关系圈的过程可以如图5所示。关系计算及关系圈划分模块302从本地数据库中获取车辆的关联数据(关联数据可以如表1所示)作为输入，根据车辆每次加油的加油地点及加油时间点计算车辆同行关系；接着使用同行关系及关系强度构建车辆的关系圈网络；在关系圈网络上，使用连通子图划分算法以及社区划分LOUVAIN算法，计算得到客户关系圈。可选的，同行关系计算的规则为：若两辆车10分钟之内(加油交易记录的时间差或车辆抓拍记录的时间差)同时出现在同一个加油站3次及以上，则认为这两辆车存在同行关系，同时出现的次数作为两个客户的同行关系强度。规则中的时间差以及次数可以根据实际情况进行更改。

关系计算及关系圈划分模块302使用连通子图划分结合LOUVAIN算法分两阶段来进行关系圈发掘。基于关系网络数据，首先计算得到网络中的每个连通子图；分析网络中的每个连通子图，若连通子图中的节点数小于10个，则把这个连通子图定义为一个关系圈；若子图中的节点数大于等于10个则使用LOUVAIN算法继续划分子社区，得到的结果作为客户关系圈。本方案采用的两阶段关系圈发掘方法与直接使用LOUVAIN算法发掘关系圈相比，计算效率有了显著提高，这是由于连通子图划分的计算复杂度低，LOUVAIN算法的计算复杂度相对较高，第一阶段先得到了若干节点个数较少的子图，第二阶段再使用LOUVAIN算法划分这些节点少的子图，提高了计算速度。

流失客户判别模块303判断车辆是否为流失用户的过程可以如图6所示。流失客户判别模块303从本地数据库中获取车辆的关联数据作为输入，提取车辆的加油时间点序列，对加油时间点序列进行预处理之后，使用预设的流失规则或模型，判别车辆在当前时刻是否为流失客户。

关于提取客户加油时间点序列和预处理部分，流失客户判别模块303可以按照车牌号码对加油消费数据进行分组，得到车辆多次加油的时间点，形成车辆(以车牌为ID)的加油时间点序列；再对加油时间点序列进行差分处理，得到客户的加油间隔序列。由于数据采集中存在部分缺失以及客户个人的原因，车辆的加油间隔序列中存在少量的尖峰现象(即序列中间的某一次加油间隔异常的长)，因此需要对序列的尖峰部分进行平滑处理，处理后的数据能更好地反映序列的正常趋势。

关于流失客户判别部分，流失客户判别模块303基于客户加油时间间隔序列，使用预设流失规则判断当前客户是否为流失客户。预设流失规则可以包括：规则1：最近长期不来加油；规则2：近一段时间内加油间隔明显大于长期的平均加油间隔；规则3：整体加油间隔呈现增长趋势，即用线性回归分析的方法判断客户长期的加油间隔序列是否呈现增长趋势。可供参考的规则公式如表3所示，满足这3条规则的车辆可判定为流失客户。实际应用中可调整相关参数(例如方差的倍数，R方阈值，斜率阈值等)，或者使用更复杂的流失判别规则。

流失客户预测模型训练及预测模块304预测车辆是否为流失用户的过程可以如图7所示。流失客户预测模型训练及预测模块304的主要功能是基于抓拍和消费关联数据以及挖掘出的关系圈，构建客户特征，训练同于预测流失客户的算法模型，并且使用该算法模型预测客户未来一段时间内是否有流失的可能。

流失客户预测模型训练及预测模块304从本地数据库中获取车辆的关联数据作为输入、车辆关系圈以及流失客户判别结果为输入，进行特征工程，计算客户消费行为特征以及关系圈特征等；对于已经判别过是否为流失客户的车辆，标定流失客户判别结果，形成算法模型训练的数据集；基于训练数据集，使用XGBoost模型训练算法模型并存储该模型；最后可以使用已经训练好的算法模型预测客户未来一段时间内是否有流失的可能。

流失客户预测模型训练及预测模块304可以细分为特征工程子模块，流失客户预测模型训练子模块，流失客户预测与发布子模块。

在特征工程子模块中，主要进行客户特征的计算以及特征的预处理。客户特征包含静态特征，动态特征以及关系特征三部分。静态特征主要是车辆属性信息，包括车辆类型、车辆估价等。动态特征主要是车辆的消费信息，包括一段时间范围(例如一个月或者三个月等)内的消费次数、平均金额、加满率等。关系特征主要是车辆的关系圈中的特征，包括关系圈中的流失客户比例等。在得到客户特征之后还需要对部分特征进行处理，主要的特征处理方法有：标准化、离散化、one-hot、基于Filter方法的特征选择等。经过特征工程，可以形成可供流失客户预测模型使用的特征和数据集。在构建数据集时需要注意的是，流失客户判别结果使用的是当前时刻的结果，而客户的动态以及关系特征使用的是前一段时间的客户特征，使用这样的数据集训练出来的模型才能有预测的功效

在流失客户预测模型训练子模块中，以流失客户判别模块303输出的结果作为车辆是否为流失客户的类别标签(因变量)，以特征工程子模块中计算得出的客户静态、动态、关系特征作为自变量，训练算法模型。由于数据集中既有连续变量又有离散变量，还存在一定程度的缺失值，因此算法模型可以采用了对不同数据类型和数据质量状况适应性较强的XGBoost分类模型。另外XGBoost模型中样本权重，最大树深度以及模型复杂度惩罚系数等可以调整，使其还能够处理样本量较少带来的模型过拟合以及样本类别不均衡(流失客户的样本数远少于非流失客户的样本数)少数样本预测效果较差的问题。

流失客户预测子模块可以使用已经训练过的算法模型以及客户特征数据，预测车辆未来是否会成为流失客户，另外根据应用需要也可以输出客户成为流失客户的概率。

本申请实施例还提供了一种加油站客户流失预测装置，参见图8，包括：

第一信息获取模块801，用于获取预先确定的待预测目标车辆的车辆属性信息、上述目标车辆在指定时段内的消费信息及上述目标车辆的关系圈，其中，上述目标车辆的关系圈表征与上述目标车辆存在同行关系的各车辆；

流失客户预测模块802，用于通过训练后的算法模型，对上述目标车辆的车辆属性信息、指定时段内的消费信息及上述目标车辆的关系圈进行分析，得到上述目标车辆是否为流失客户的预测结果。

可选的，本申请实施例的加油站客户流失预测装置还包括：

第二信息获取模块，用于获取当前加油的车辆的车辆图像及消费信息，其中，上述消费信息包括加油地点、加油数量及加油时间点；

图像分析模块，用于对上述车辆图像进行分析，确定上述车辆的车牌信息及车辆属性信息；

信息存储模块，用于以上述车辆的车牌信息为上述车辆的识别标识，将上述车辆的车牌信息、车辆属性信息及消费信息关联存储。

可选的，本申请实施例的加油站客户流失预测装置还包括：

同行关系建立模块，用于按照各上述车辆的加油时间点及加油地点，当两个车辆的同行加油次数大于预设次数阈值时，建立上述两个车辆的同行关系，其中，上述同行加油次数为在同一加油地点加油时加油时间点差值小于预设加油时间间隔的次数；

关系圈建立模块，用于按照上述车辆的同行关系，确定上述车辆的关系圈。

可选的，本申请实施例的加油站客户流失预测装置还包括：

时间序列确定模块，用于按照上述车辆的加油时间点，形成上述车辆的加油时间点序列；

流失客户判定模块，用于在上述车辆的加油时间点序列满足预设的流失规则时，判定上述车辆为流失客户。

可选的，上述流失客户判定模块，具体用于：

在上述车辆最后一次加油的加油时间点距离当前时间的差值大于预设流失时间阈值时，判定上述车辆为流失客户。

可选的，上述流失客户判定模块，包括：

加油间隔确定子模块，用于针对每个加油时间点序列，对该加油时间点序列进行差分处理，得到加油间隔序列；

平均间隔计算子模块，用于在上述车辆的加油间隔序列的各加油间隔的平均值大于预设时间间隔阈值时，判定上述车辆为流失客户；

间隔斜率计算子模块，用于在上述车辆的加油间隔序列的加油间隔曲线的斜率大于预设斜率阈值时，判定上述车辆为流失客户。

可选的，本申请实施例的加油站客户流失预测装置还包括：

算法模块训练模块，用于通过流失客户的车辆属性信息、指定时段内的消费信息及关系圈对当前算法模型进行训练。

本申请实施例还提供了一种电子设备，如图9所示，包括处理器901、及存储器902；

存储器902，用于存放计算机程序；

处理器901，用于执行存储器902上所存放的程序时，实现如下步骤：

获取预先确定的待预测目标车辆的车辆属性信息、上述目标车辆在指定时段内的消费信息及上述目标车辆的关系圈，其中，上述目标车辆的关系圈表征与上述目标车辆存在同行关系的各车辆；

通过训练后的算法模型，对上述目标车辆的车辆属性信息、指定时段内的消费信息及上述目标车辆的关系圈进行分析，得到上述目标车辆是否为流失客户的预测结果。

可选的，本申请实施例的电子设备还包括通信接口及通信总线，其中，处理器901，通信接口，存储器902通过通信总线完成相互间的通信。

可选的，处理器901，用于执行存储器902上所存放的程序时，还能够实现上述任一加油站客户流失预测方法。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质内存储有计算机程序，上述计算机程序被处理器执行时实现上述任一加油站客户流失预测方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及存储介质的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (16)

1.一种加油站客户流失预测方法，其特征在于，所述方法包括：

获取预先确定的待预测目标车辆的车辆属性信息、所述目标车辆在指定时段内的消费信息及所述目标车辆的关系圈，其中，所述目标车辆的关系圈表征与所述目标车辆存在同行关系的各车辆；

通过训练后的算法模型，对所述目标车辆的车辆属性信息、指定时段内的消费信息及所述目标车辆的关系圈进行分析，得到所述目标车辆是否为流失客户的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取当前加油的车辆的车辆图像及消费信息，其中，所述消费信息包括加油地点、加油数量及加油时间点；

对所述车辆图像进行分析，确定所述车辆的车牌信息及车辆属性信息；

以所述车辆的车牌信息为所述车辆的识别标识，将所述车辆的车牌信息、车辆属性信息及消费信息关联存储。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

按照各所述车辆的加油时间点及加油地点，当两个车辆的同行加油次数大于预设次数阈值时，建立所述两个车辆的同行关系，其中，所述同行加油次数为在同一加油地点加油时加油时间点差值小于预设加油时间间隔的次数；

按照所述车辆的同行关系，确定所述车辆的关系圈。

4.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：

按照所述车辆的加油时间点，形成所述车辆的加油时间点序列；

在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户。

5.根据权利要求4所述的方法，其特征在于，所述在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户，包括：

在所述车辆最后一次加油的加油时间点距离当前时间的差值大于预设流失时间阈值时，判定所述车辆为流失客户。

6.根据权利要求4所述的方法，其特征在于，所述在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户，包括：

针对每个加油时间点序列，对该加油时间点序列进行差分处理，得到加油间隔序列；

在所述车辆的加油间隔序列的各加油间隔的平均值大于预设时间间隔阈值时，判定所述车辆为流失客户；

在所述车辆的加油间隔序列的加油间隔曲线的斜率大于预设斜率阈值时，判定所述车辆为流失客户。

7.根据权利要求4所述的方法，其特征在于，所述训练算法模型的步骤包括：

通过流失客户的车辆属性信息、指定时段内的消费信息及关系圈对当前算法模型进行训练。

8.一种加油站客户流失预测装置，其特征在于，所述装置包括：

第一信息获取模块，用于获取预先确定的待预测目标车辆的车辆属性信息、所述目标车辆在指定时段内的消费信息及所述目标车辆的关系圈，其中，所述目标车辆的关系圈表征与所述目标车辆存在同行关系的各车辆；

流失客户预测模块，用于通过训练后的算法模型，对所述目标车辆的车辆属性信息、指定时段内的消费信息及所述目标车辆的关系圈进行分析，得到所述目标车辆是否为流失客户的预测结果。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第二信息获取模块，用于获取当前加油的车辆的车辆图像及消费信息，其中，所述消费信息包括加油地点、加油数量及加油时间点；

图像分析模块，用于对所述车辆图像进行分析，确定所述车辆的车牌信息及车辆属性信息；

信息存储模块，用于以所述车辆的车牌信息为所述车辆的识别标识，将所述车辆的车牌信息、车辆属性信息及消费信息关联存储。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

同行关系建立模块，用于按照各所述车辆的加油时间点及加油地点，当两个车辆的同行加油次数大于预设次数阈值时，建立所述两个车辆的同行关系，其中，所述同行加油次数为在同一加油地点加油时加油时间点差值小于预设加油时间间隔的次数；

关系圈建立模块，用于按照所述车辆的同行关系，确定所述车辆的关系圈。

11.根据权利要求8-10任一所述的装置，其特征在于，所述装置还包括：

时间序列确定模块，用于按照所述车辆的加油时间点，形成所述车辆的加油时间点序列；

流失客户判定模块，用于在所述车辆的加油时间点序列满足预设的流失规则时，判定所述车辆为流失客户。

12.根据权利要求11所述的装置，其特征在于，所述流失客户判定模块，具体用于：

在所述车辆最后一次加油的加油时间点距离当前时间的差值大于预设流失时间阈值时，判定所述车辆为流失客户。

13.根据权利要求11所述的装置，其特征在于，所述流失客户判定模块，包括：

加油间隔确定子模块，用于针对每个加油时间点序列，对该加油时间点序列进行差分处理，得到加油间隔序列；

平均间隔计算子模块，用于在所述车辆的加油间隔序列的各加油间隔的平均值大于预设时间间隔阈值时，判定所述车辆为流失客户；

间隔斜率计算子模块，用于在所述车辆的加油间隔序列的加油间隔曲线的斜率大于预设斜率阈值时，判定所述车辆为流失客户。

14.根据权利要求11所述的装置，其特征在于，所述装置还包括：

算法模块训练模块，用于通过流失客户的车辆属性信息、指定时段内的消费信息及关系圈对当前算法模型进行训练。

15.一种电子设备，其特征在于，包括处理器及存储器；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。

16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。

Images