CN112101611A - 房地产客户复购时间的预测方法、服务器及存储介质 - Google Patents
房地产客户复购时间的预测方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN112101611A CN112101611A CN202010760991.9A CN202010760991A CN112101611A CN 112101611 A CN112101611 A CN 112101611A CN 202010760991 A CN202010760991 A CN 202010760991A CN 112101611 A CN112101611 A CN 112101611A
- Authority
- CN
- China
- Prior art keywords
- customer
- repurchase
- time
- index
- data
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Abstract
本发明提供一种房地产客户复购时间的预测方法、服务器及存储介质,该方法通过获取若干复购客户待处理数据,对待处理数据进行标准化处理;采用k‑means算法进行聚类,将若干复购客户对应划分到K个聚类簇中,获取各指标在K个聚类簇中的权重,确定该指标在K个聚类簇中的最大值和最小值,计算两者差值,得到该指标的差异度;根据指标的差异度,选择达到设定条件的指标,作为目标指标;选择若干复购客户对应目标指标的数据,用于构建最小二乘支持向量机模型;通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测,实现了房地产客户复购时间的准确预测。
Description
技术领域
本发明涉及房地产数据分析领域,尤其涉及房地产客户复购时间的预测方法、服务器及存储介质。
背景技术
住房作为大宗商品,由于其商品特性和大部分客户的购买能力,且复购的时间间隔较长,置业顾问对已购买客户关注度较低,房地产商也无法掌握已购买客户复购的时间,导致大量的复购客户流失,而把握“准复购”客户的复购时间是提高复购率和节约营销成本的关键。
发明内容
本发明提供的房地产客户复购时间的预测方法、服务器及存储介质,主要解决的技术问题是:如何准确预测房地产客户的复购时间,为地产商营销活动提供理论支撑,从而提高复购率。
为解决上述技术问题,本发明提供一种房地产客户复购时间的预测方法,包括:
获取若干复购客户待处理数据,包括客档数据和第一线上行为数据;
对所述待处理数据进行标准化处理;
对标准化处理的待处理数据,采用k-means算法进行聚类,设定K个初始聚类中心,将所述若干复购客户对应划分到K个聚类簇中,并得到各聚类簇对应的函数关系式,所述函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重;
获取各指标在所述K个聚类簇中的权重,确定该指标在所述K个聚类簇中的最大值和最小值,计算两者差值,得到该指标的差异度;
根据指标的差异度,选择达到设定条件的指标,作为目标指标;
选择若干复购客户对应目标指标的数据,用于构建最小二乘支持向量机模型;通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测。
进一步的,所述客档数据至少包括如下指标之一:客户年龄;买房用途;买房类别;看房时间;所述买房用途包含:自住、投资、自住+投资;所述买房类别包含:刚需、改善、投资;所述看房时间包含:1个月以内、3个月以内、一年以内、一年以上。
进一步的,所述第一线上行为数据为所述复购客户在初次成交之后,复购之前的数据,至少包括如下指标之一:浏览次数、浏览楼盘最大停留时长、浏览户型总数量、关注楼盘总时长、每日浏览时长/频率。
进一步的,所述对所述待处理数据进行标准化处理包括:
进一步的,所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测包括:
将所述待预测客户的输入数据输入到所述最小二乘支持向量机模型,输出得到所述待预测客户的成交时间间隔,基于所述待预测客户的初次成交时间,预测得到其复购时间;所述输入数据包括所述待预测客户经所述标准化处理后的客档数据以及第一线上行为数据。
进一步的,在所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测之前,还包括:
将所述待预测客户的第二线上行为数据输入到成交概率预测模型中,输出该待预测客户的成交概率,将所述成交概率与设定成交概率阈值进行比较,且判断该待预测客户的成交概率大于等于所述设定成交概率阈值。
进一步的,所述成交概率预测模型为轻型梯度助推器(Light Gradient BoostingMachine,简称LightGBM)模型。
进一步的,所述设定条件包括:
将各指标的差异度按照数值从大到小依次排序,将排名前N的指标作为所述目标指标;所述N大于1,且小于所述指标数量;
或,将各指标的差异度与设定差异度阈值进行比较,将差异度达到所述设定差异度阈值的指标作为所述目标指标。
本发明还提供一种服务器,所述服务器包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现如上任一项所述的房地产客户复购时间的预测方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的房地产客户复购时间的预测方法的步骤。
本发明的有益效果是:
根据本发明提供的房地产客户复购时间的预测方法、服务器及存储介质,该方法通过获取若干复购客户待处理数据,包括客档数据和第一线上行为数据;对待处理数据进行标准化处理;对标准化处理的待处理数据,采用k-means算法进行聚类,设定K个初始聚类中心,将若干复购客户对应划分到K个聚类簇中,并得到各聚类簇对应的函数关系式,该函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重;获取各指标在K个聚类簇中的权重,确定该指标在K个聚类簇中的最大值和最小值,计算两者差值,得到该指标的差异度;根据指标的差异度,选择达到设定条件的指标,作为目标指标;选择若干复购客户对应目标指标的数据,用于构建最小二乘支持向量机模型;通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测,实现了房地产客户复购时间的准确预测;利用k-means算法筛选模型构建指标,排除非必要指标的干扰,从而提高了模型精度,有利于挺高预测准确性;同时复购时间的预测,可以帮助置业顾问把控客户成交时间,并在该时间节点前后对客户进行一定的跟进,从而达到提高复购率的同时,节约了营销成本。
附图说明
图1为本发明的一种房地产客户复购时间的预测方法流程示意图;
图2为本发明的另一种房地产客户复购时间的预测方法流程示意图;
图3为本发明的服务器结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
为了实现房地产客户的复购时间准确预测,为地产商营销活动提供理论支撑,以提高复购率,本实施例提供一种房地产客户复购时间的预测方法,通过已复购客户的客档数据和线上行为数据,采用k-means算法,筛选目标指标,从而建立LS-SVR(Least SquareSupport Sector Regression,最小二乘支持向量机)模型,实现待预测客户复购时间的预测,准确性高。
请参见图1,该预测方法主要包括如下步骤:
S101、获取若干复购客户待处理数据,包括客档数据和第一线上行为数据。
其中,客档数据至少包括如下指标之一:客户年龄;买房用途;买房类别;看房时间;其中买房用途包含:自住、投资、自住+投资;买房类别包含:刚需、改善、投资;看房时间包含:1个月以内、3个月以内、一年以内、一年以上。
第一线上行为数据为复购客户在初次成交之后,复购之前这一段时间内的数据,至少包括如下指标之一:浏览次数、浏览楼盘最大停留时长、浏览户型总数量、关注楼盘总时长、每日浏览时长/频率。
S102、对待处理数据进行标准化处理。
S103、对标准化处理的待处理数据,采用k-means算法进行聚类,设定K个初始聚类中心,将若干复购客户对应划分到K个聚类簇中,并得到各聚类簇对应的函数关系式,该函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重。
聚类过程如下:
1)选择K个点作为初始聚类中心;
2)将每个点分配到最近的质心,形成K个分类簇;
3)分配完成后,重新计算每个簇的质心;
4)重复步骤2)和3),直到簇不发生变化或达到最大迭代次数;
5)将客户聚为Q1、Q2、Q3......QK;
6)然后从每一类中随机选出一个样本作为该类的代表,最后将各代表样本组成一个变量组,用于回归建模分析,从而筛选出不同类中差异较大的指标变量,完成指标变量的优选。具体回归分析过程如下
对不同类建立回归方程:
例如Q1类:f(x)=w1R1+w2R2+w3R3+...wiRi+c;
其中w1、w2、w3...wi为变量权值,根据最小二乘法的基本原理,要使误差平方和最小,则:
取最小,其中x-xi为误差;
S104、获取各指标在K个聚类簇中的权重,确定该指标在K个聚类簇中的最大值和最小值,计算两者差值,得到该指标的差异度。
例如,针对第1个指标R1,其在第一个类Q1中的权重为w1,1,在第二个类Q2中的权重为w1,2,……在第K个类QK中的权重为w1,K,通过比较,确定该指标R1在该K个聚类簇中的最大值和最小值,假设最大值为w1,K,最小值为w1,1,计算两者差值Δw=w1,K-w1,1,得到该指标的差异度Δw。
S105、根据指标的差异度,选择达到设定条件的指标,作为目标指标。
其中,设定条件包括如下之一:
将各指标的差异度按照数值从大到小依次排序,将排名前N的指标作为目标指标;N大于1,且小于指标数量。其中N值可灵活设置。
或,将各指标的差异度与设定差异度阈值进行比较,将差异度达到设定差异度阈值的指标作为目标指标。其中,设定差异度阈值可根据实际情况灵活设置。从而排除干扰指标,筛选出目标指标,基于目标指标构建LS-SVR,提高模型精度。
S106、选择若干复购客户对应目标指标的数据,用于构建最小二乘支持向量机模型;通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测。
LS-SVR模型采用最小二成线性系统,代替了标准SVR算法的二次规划方程,解决模式识别和函数估计问题,减少了一个调整参数和多个优化变量,因此可简化计算的复杂性,提高收敛速度。
其中,构建最小二乘支持向量机模型具体过程如下:
表示w取一个固定值求最小值,并遍历所有w;γ表示正则化参数;l表示未知数个数;st表示服从于,后面为约束条件;xi为数据集的未知数,xi∈Rl,xi为第i个特征向量;yi表示约束条件;后续可知yi=w·φ(x)+b+ξi;
将Lp分别对w,b,ξi求偏微分,并令其为0:
αi为拉格朗日乘子,wi表示遍历所有的w;
4)根据约束条件,有yi=w·φ(x)+b+ξi;
5)由以上四式得到线性方程组:
将待预测客户的输入数据输入到最小二乘支持向量机模型,输出得到待预测客户的成交时间间隔,基于待预测客户的初次成交时间,预测得到其复购时间;其中输入数据包括待预测客户经标准化处理后的客档数据以及第一线上行为数据。
在本发明可选的实施例中,请参见图2,在通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测之前,还包括:
将待预测客户的第二线上行为数据输入到成交概率预测模型中,输出该待预测客户的成交概率,将成交概率与设定成交概率阈值进行比较,且判断该待预测客户的成交概率大于等于设定成交概率阈值。
具体的,对第二线上行为数据进行预处理和特征工程处理得到模型输入数据,字段为:客户ID、访问楼盘ID、访问天数、总访问页面数、总浏览时长、总浏览次数、访问楼盘数量、是否访问户型、是否夜间访问、平均每日访问时长、平均每日点击次数、平均每日访问页面数量、单日最大点击次数、单日最大浏览时长、距今未访问天数、房贷计算器使用次数、是否成交。
其中,成交概率预测模型为LightGBM模型。选取成交客户30000条记录作为正样本,按照下采样选取同样的未成交客户作为负样本,数据按照7:3分为训练数据和测试数据,对模型进行训练和测试,得到LightGBM模型,以对客户成交概率预测。
假设现有一已完成初次购买,但未复购的客户,根据其现在行为数据输入成交概率模型,预测其成交概率大于60%,将其预测数据(客档数据和第一线上行为数据)带入LS-SVR模型中,计算出其下一次成交距初次成交的时间间隔,推测出其复购的时间,一方面提高了复购时间预测的准确性,另一方面将该结果反馈给置业顾问,以便置业顾问在该客户复购时间前后对其进行针对性营销。
本发明提供的房地产客户复购时间的预测方法,通过获取若干复购客户待处理数据,包括客档数据和第一线上行为数据;对待处理数据进行标准化处理;对标准化处理的待处理数据,采用k-means算法进行聚类,设定K个初始聚类中心,将若干复购客户对应划分到K个聚类簇中,并得到各聚类簇对应的函数关系式,该函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重;获取各指标在K个聚类簇中的权重,确定该指标在K个聚类簇中的最大值和最小值,计算两者差值,得到该指标的差异度;根据指标的差异度,选择达到设定条件的指标,作为目标指标;选择若干复购客户对应目标指标的数据,用于构建最小二乘支持向量机模型;通过最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测,实现了房地产客户复购时间的准确预测;利用k-means算法筛选模型构建指标,排除非必要指标的干扰,从而提高了模型精度,有利于挺高预测准确性;同时复购时间的预测,可以帮助置业顾问把控客户成交时间,并在该时间节点前后对客户进行一定的跟进,从而达到提高复购率的同时,节约了营销成本。
实施例二:
本实施例在上述实施例一的基础上,提供一种服务器,用于实现上述实施例一中所述的房地产客户复购时间的预测方法的步骤,请参见图3,该服务器至少包括处理器31、存储器32及通信总线33;
通信总线33用于实现处理器31和存储器32之间的连接通信;
处理器31用于执行存储器32中存储的一个或者多个程序,以实现如实施例一中所述的房地产客户复购时间的预测方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
本实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如实施例一中所述的房地产客户复购时间的预测方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种房地产客户复购时间的预测方法,其特征在于,包括:
获取若干复购客户待处理数据,包括客档数据和第一线上行为数据;
对所述待处理数据进行标准化处理;
对标准化处理的待处理数据,采用k-means算法进行聚类,设定K个初始聚类中心,将所述若干复购客户对应划分到K个聚类簇中,并得到各聚类簇对应的函数关系式,所述函数关系式可指示该分类簇中复购客户待处理数据中各指标所占权重;
获取各指标在所述K个聚类簇中的权重,确定该指标在所述K个聚类簇中的最大值和最小值,计算两者差值,得到该指标的差异度;
根据指标的差异度,选择达到设定条件的指标,作为目标指标;
选择若干复购客户对应目标指标的数据,用于构建最小二乘支持向量机模型;通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测。
2.如权利要求1所述的房地产客户复购时间的预测方法,其特征在于,所述客档数据至少包括如下指标之一:客户年龄;买房用途;买房类别;看房时间;所述买房用途包含:自住、投资、自住+投资;所述买房类别包含:刚需、改善、投资;所述看房时间包含:1个月以内、3个月以内、一年以内、一年以上。
3.如权利要求2所述的房地产客户复购时间的预测方法,其特征在于,所述第一线上行为数据为所述复购客户在初次成交之后,复购之前的数据,至少包括如下指标之一:浏览次数、浏览楼盘最大停留时长、浏览户型总数量、关注楼盘总时长、每日浏览时长/频率。
5.如权利要求4所述的房地产客户复购时间的预测方法,其特征在于,所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测包括:
将所述待预测客户的输入数据输入到所述最小二乘支持向量机模型,输出得到所述待预测客户的成交时间间隔,基于所述待预测客户的初次成交时间,预测得到其复购时间;所述输入数据包括所述待预测客户经所述标准化处理后的客档数据以及第一线上行为数据。
6.如权利要求5所述的房地产客户复购时间的预测方法,其特征在于,在所述通过所述最小二乘支持向量机模型对已初次成交但未复购的待预测客户进行复购时间的预测之前,还包括:
将所述待预测客户的第二线上行为数据输入到成交概率预测模型中,输出该待预测客户的成交概率,将所述成交概率与设定成交概率阈值进行比较,且判断该待预测客户的成交概率大于等于所述设定成交概率阈值。
7.如权利要求6所述的房地产客户复购时间的预测方法,其特征在于,所述成交概率预测模型为轻型梯度助推器LightGBM模型。
8.如权利要求1-7任一项所述的房地产客户复购时间的预测方法,其特征在于,所述设定条件包括:
将各指标的差异度按照数值从大到小依次排序,将排名前N的指标作为所述目标指标;所述N大于1,且小于所述指标数量;
或,将各指标的差异度与设定差异度阈值进行比较,将差异度达到所述设定差异度阈值的指标作为所述目标指标。
9.一种服务器,其特征在于,所述服务器包括处理器、存储器及通信总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现如权利要求1至8中任一项所述的房地产客户复购时间的预测方法的步骤。
10.一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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至8中任一项所述的房地产客户复购时间的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760991.9A CN112101611B (zh) | 2020-07-31 | 2020-07-31 | 房地产客户复购时间的预测方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760991.9A CN112101611B (zh) | 2020-07-31 | 2020-07-31 | 房地产客户复购时间的预测方法、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101611A true CN112101611A (zh) | 2020-12-18 |
CN112101611B CN112101611B (zh) | 2022-11-18 |
Family
ID=73750037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010760991.9A Active CN112101611B (zh) | 2020-07-31 | 2020-07-31 | 房地产客户复购时间的预测方法、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101611B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930533A (zh) * | 2012-10-09 | 2013-02-13 | 河海大学 | 一种基于改进k-均值聚类的半监督高光谱影像降维方法 |
CN103295031A (zh) * | 2013-04-15 | 2013-09-11 | 浙江大学 | 一种基于正则风险最小化的图像目标计数方法 |
CN104115178A (zh) * | 2011-11-30 | 2014-10-22 | 汤姆森路透社全球资源公司 | 基于新闻和情绪分析来预测市场行为的方法和系统 |
CN106022385A (zh) * | 2016-05-26 | 2016-10-12 | 华南理工大学 | 基于动态规划和K-means聚类的特征选择算法 |
CN106228068A (zh) * | 2016-07-21 | 2016-12-14 | 江西师范大学 | 基于混合特征的Android恶意代码检测方法 |
CN106663266A (zh) * | 2014-07-13 | 2017-05-10 | 微软技术许可有限责任公司 | 基于生活方式的推荐系统 |
CN107358368A (zh) * | 2017-07-21 | 2017-11-17 | 国网四川省电力公司眉山供电公司 | 一种面向电力用户细分的鲁棒k‑means聚类方法 |
US20190102706A1 (en) * | 2011-10-20 | 2019-04-04 | Affectomatics Ltd. | Affective response based recommendations |
US10349208B1 (en) * | 2018-08-17 | 2019-07-09 | xAd, Inc. | Systems and methods for real-time prediction of mobile device locations |
CN110210913A (zh) * | 2019-06-14 | 2019-09-06 | 重庆邮电大学 | 一种基于大数据的商家回头客预测方法 |
CN110335072A (zh) * | 2019-06-25 | 2019-10-15 | 上海有色网信息科技股份有限公司 | 大宗商品数据提取及报告生成的方法、系统、介质及装置 |
CN110348928A (zh) * | 2018-04-08 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置及计算机可读存储介质 |
CN110675029A (zh) * | 2019-08-30 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 商户的动态管控方法、装置、服务器及可读存储介质 |
CN110705648A (zh) * | 2019-10-12 | 2020-01-17 | 中国民航大学 | 大规模多视图数据自降维K-means算法及系统 |
CN110956497A (zh) * | 2019-11-27 | 2020-04-03 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
-
2020
- 2020-07-31 CN CN202010760991.9A patent/CN112101611B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102706A1 (en) * | 2011-10-20 | 2019-04-04 | Affectomatics Ltd. | Affective response based recommendations |
CN104115178A (zh) * | 2011-11-30 | 2014-10-22 | 汤姆森路透社全球资源公司 | 基于新闻和情绪分析来预测市场行为的方法和系统 |
CN102930533A (zh) * | 2012-10-09 | 2013-02-13 | 河海大学 | 一种基于改进k-均值聚类的半监督高光谱影像降维方法 |
CN103295031A (zh) * | 2013-04-15 | 2013-09-11 | 浙江大学 | 一种基于正则风险最小化的图像目标计数方法 |
CN106663266A (zh) * | 2014-07-13 | 2017-05-10 | 微软技术许可有限责任公司 | 基于生活方式的推荐系统 |
CN106022385A (zh) * | 2016-05-26 | 2016-10-12 | 华南理工大学 | 基于动态规划和K-means聚类的特征选择算法 |
CN106228068A (zh) * | 2016-07-21 | 2016-12-14 | 江西师范大学 | 基于混合特征的Android恶意代码检测方法 |
CN107358368A (zh) * | 2017-07-21 | 2017-11-17 | 国网四川省电力公司眉山供电公司 | 一种面向电力用户细分的鲁棒k‑means聚类方法 |
CN110348928A (zh) * | 2018-04-08 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 信息推送方法、装置及计算机可读存储介质 |
US10349208B1 (en) * | 2018-08-17 | 2019-07-09 | xAd, Inc. | Systems and methods for real-time prediction of mobile device locations |
CN110210913A (zh) * | 2019-06-14 | 2019-09-06 | 重庆邮电大学 | 一种基于大数据的商家回头客预测方法 |
CN110335072A (zh) * | 2019-06-25 | 2019-10-15 | 上海有色网信息科技股份有限公司 | 大宗商品数据提取及报告生成的方法、系统、介质及装置 |
CN110675029A (zh) * | 2019-08-30 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 商户的动态管控方法、装置、服务器及可读存储介质 |
CN110705648A (zh) * | 2019-10-12 | 2020-01-17 | 中国民航大学 | 大规模多视图数据自降维K-means算法及系统 |
CN110956497A (zh) * | 2019-11-27 | 2020-04-03 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
Non-Patent Citations (10)
Title |
---|
兰云飞: "基于k-means聚类分析法的四川省区域经济差异时空演化分析", 《甘肃科技》 * |
刘慧丽等: "客户购买记录可以预测客户评论行为吗?", 《情报杂志》 * |
吕泽宇等: "电商平台用户再购物行为的预测研究", 《计算机科学》 * |
张宗?: "基于支持向量机的用户回购行为预测", 《电脑编程技巧与维护》 * |
张珠香等: "客户流失管理研究现状及展望", 《计算机系统应用》 * |
朱珏樟: "客户购买行为建模分析预测", 《现代计算机》 * |
祝歆等: "基于机器学习融合算法的网络购买行为预测研究", 《统计与信息论坛》 * |
罗彬等: "基于多分类器动态集成的电信客户流失预测", 《系统工程学报》 * |
肖智等: "PSO-SVM在高速公路交通量预测中的应用", 《管理评论》 * |
胡晓丽等: "基于集成学习的电子商务平台新用户重复购买行为预测", 《现代电子技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112101611B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Blevins | Sequential Monte Carlo methods for estimating dynamic microeconomic models | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN109615129B (zh) | 房地产客户成交概率预测方法、服务器及计算机存储介质 | |
US10748072B1 (en) | Intermittent demand forecasting for large inventories | |
US11087344B2 (en) | Method and system for predicting and indexing real estate demand and pricing | |
Malikov et al. | Estimation of firm‐level productivity in the presence of exports: Evidence from China's manufacturing | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN112163963A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
CN115422788B (zh) | 一种配电网线损分析管理方法、装置、存储介质及系统 | |
Lv et al. | An improved long short-term memory neural network for stock forecast | |
CN111563628A (zh) | 房地产客户成交时间预测方法、装置及存储介质 | |
García-Medina et al. | Transfer entropy as a variable selection methodology of cryptocurrencies in the framework of a high dimensional predictive model | |
Bao-De et al. | Improved genetic algorithm-based research on optimization of least square support vector machines: an application of load forecasting | |
CN114584601A (zh) | 用户流失识别及干预方法、系统、终端及介质 | |
CN108765137A (zh) | 一种信贷需求预测方法和系统、存储介质 | |
Norris et al. | Imputing rent in consumption measures, with an application to consumption poverty in Canada, 1997–2009 | |
Fu et al. | Applying DEA–BPN to enhance the explanatory power of performance measurement | |
CN112101611B (zh) | 房地产客户复购时间的预测方法、服务器及存储介质 | |
Ganichev et al. | Rethinking Russian digital economy development under sunctions | |
CN115841345A (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
CN114282657A (zh) | 一种市场数据长期预测模型训练方法、装置、设备及存储介质 | |
CN113705957A (zh) | 一种用户集群基线负荷估计方法、装置和终端设备 | |
Nagashima et al. | Data Imputation Method based on Programming by Example: APREP-S |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |