CN113807469A - 一种多能源用户价值预测方法、装置、存储介质和设备 - Google Patents
一种多能源用户价值预测方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN113807469A CN113807469A CN202111351028.6A CN202111351028A CN113807469A CN 113807469 A CN113807469 A CN 113807469A CN 202111351028 A CN202111351028 A CN 202111351028A CN 113807469 A CN113807469 A CN 113807469A
- Authority
- CN
- China
- Prior art keywords
- energy
- user
- historical consumption
- value
- information
- 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 30
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 230000007787 long-term memory Effects 0.000 claims abstract description 4
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 210000004027 cell Anatomy 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000005611 electricity Effects 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- -1 electricity Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多能源用户价值预测方法，包括获取用户的多个能源的历史消费信息，得到多能源历史消费数据集；通过长短期记忆网络LSTM，获得多能源历史消费特征；通过协同注意力网络得到信息融合特征注意值；将信息融合特征注意值附加到多能源历史消费特征后，将多能源历史消费特征输入到用户价值预测模型中，得到用户的多能源用户价值的预测值，根据预测值对用户进行分组，采用分组对应的推荐消费策略向用户发送推荐信息。本发明可以有效地挖掘潜在的高价值多能源用户，能够根据用户价值进行精准分类，面向用户推荐更加贴心的消费策略。本发明还涉及一种多能源用户价值预测装置、存储介质和设备。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种多能源用户价值预测方法、装置、存储介质和设备。
背景技术
用户价值预测是指根据历史交易等数据对用户未来一段时间内的消费能力进行预估，从而对不同消费能力的用户采取不同的用户消费管理以及推荐策略，以达到更好的营销效果。目前，常常会使用传统管理学中的RFM模型来进行用户价值的评估，该模型提供了三个衡量用户价值的重要指标：最近一次消费、消费频率和消费金额。但是，这三个指标之间的权重需要专家根据行业的不同进行调整，同时，需要对这三个指标进行人为统计。除此之外，还有使用机器学习算法来进行用户价值预测，然而，现有方法都是通过将提取的相关特征进行粗暴的拼接，忽略了信息中所含有的重要信息，导致现有的用户价值预测准确率较低。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种多能源用户价值预测方法、装置、存储介质和设备。
本发明解决上述技术问题的技术方案如下：
一种多能源用户价值预测方法，所述方法包括：
获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集；
通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征；
通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值；
将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，所述对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集，具体包括：
将所述历史消费信息进行数据预处理后，利用能量当量价值公式，得到所述用户的多能源历史消费数据集。
进一步地，所述通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征，具体包括：
确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果；
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘，得到所述用户的多能源历史消费特征，其中，所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
进一步地，所述通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值，具体包括：
所述协同注意力网络模型包括自我注意模块和关系注意模块；
将各所述能源历史消费特征经过所述自我注意模块，得到各能源对应的第一信息特征；
将各所述能源历史消费特征通过所述关系注意模块，得到各能源对应的第二信息特征；
将所述第一信息特征和所述第二信息特征进行协同注意，得到各所述各能源历史消费特征的信息融合特征注意值。
进一步地，所述将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，具体包括：
将所述多能源历史消费特征输入至所述用户价值预测模型中的dropout全连接层，得到所述用户的多能源用户价值的预测值，其中，在交叉熵损失函数中设置正则项；
将所述用户的多能源用户价值的预测值经过所述用户价值预测模型中的Softmax层进行分类，得到所述用户的分组。
本方法发明的有益效果是：提出了一种多能源用户价值预测方法，包括获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集；通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征；通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值；将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。本发明可以有效地挖掘潜在的高价值多能源用户，及时推荐出消费策略，同时也提高了高价值用户的忠诚度。通过LSTM模型可以对冗杂的历史消费信息进行筛选，提高了特征提取的有效性。通过协同注意力网络不仅降低了计算机的计算成本，更重要的是促进了水、电、气历史消费信息特征的信息融合，提高了用户价值预测模型的准确率，从而能够根据用户价值进行精准分类，面向用户推荐更加贴心的消费策略。
本发明还解决上述技术问题的另一种技术方案如下：
一种多能源用户价值预测装置，所述装置包括：
采集模块，用于获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集；
提取模块，用于通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征；
融合模块，用于通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值；
预测模块，用于将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。
进一步地，所述采集模块，具体用于将所述历史消费信息进行数据预处理后，利用能量当量价值公式，得到所述用户的多能源历史消费数据集。
进一步地，所述提取模块，具体用于确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果；
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘，得到所述用户的多能源历史消费特征，其中，所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
此外，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述技术方案中任一项所述的多能源用户价值预测方法的步骤。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案中任一项所述的多能源用户价值预测方法的步骤。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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，下面所描述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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的一种多能源用户价值预测方法的流程示意图；
图2为本发明另一实施例所述的一种多能源用户价值预测装置的模块示意图。
具体实施方式
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1本发明实施例所述的一种多能源用户价值预测方法所示，包括以下步骤：
110、获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集。
120、通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征。
130、通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值。
140、将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。
基于上述实施例，进一步地，步骤110中具体包括：
将所述历史消费信息进行数据预处理后，利用能量当量价值公式，得到所述用户的多能源历史消费数据集。
进一步地，步骤120中具体包括：
确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果。
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘，得到所述用户的多能源历史消费特征，其中，所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
进一步地，步骤130中具体包括：
所述协同注意力网络模型包括自我注意模块和关系注意模块。
将各所述能源历史消费特征经过所述自我注意模块，得到各能源对应的第一信息特征。
将各所述能源历史消费特征通过所述关系注意模块，得到各能源对应的第二信息特征。
将所述第一信息特征和所述第二信息特征进行协同注意，得到各所述各能源历史消费特征的信息融合特征注意值。
进一步地，步骤140中具体包括：
将所述多能源历史消费特征输入至所述用户价值预测模型中的dropout全连接层，得到所述用户的多能源用户价值的预测值，其中，在交叉熵损失函数中设置正则项。
将所述用户的多能源用户价值的预测值经过所述用户价值预测模型中的Softmax层进行分类，得到所述用户的分组。
应理解，例如获取用户的水、电、气历史消费信息，清除异常信息，进行数据预处理并构成多能源历史消费数据集。将获得水、电、气历史消费数据预处理过后，利用能量当量价值公式，得到用户的多能源历史消费数据。
通过LSTM对水、电、气以及能源历史消费信息进行特征提取，获得与时间序列相关的水、电、气以及多能源历史消费特征。提取过程中，确定LSTM模型中输入的节点数和隐藏层神经元的个数以及输出结果，由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘得到网络的最后输出，也就是与时间序列相关的能源历史消费信息特征。
该LSTM的细胞状态则是由模型中的输入门和遗忘门共同决定，遗忘门负责忘记过去中的一些无关信息，输入门则是保留过去中一些重要信息。更新过程如下所示：
通过协同注意力网络依次对水电、电气的历史消费信息特征进行信息融合，最后再将两者进行协同注意，得到最后的水、电、气信息融合特征注意值。该协同注意力网络模型由两个模块组成，自我注意模块（SA）和关系注意模块(RA)，以协同注意力网络对水电历史消费信息进行信息融合为例，首先，将水、电历史消费信息特征经过自我注意模块，获取自身有用的信息特征，然后再通过关系注意模块，将两者精炼过的信息进行协同注意，达到信息融合的目的，以此循环往复，将水、电、气三者信息特征进行有效融合，综合考虑这三者对于多能源用户价值预测的影响。
将该信息融合特征注意值附加到多能源历史消费特征上，再把所述特征输入到用户价值预测模型中，得到多能源用户价值的预测值。根据该预测值对用户进行分组，采用分组对应的推荐消费策略向用户发送推荐信息。
将经过协同注意得到的多能源历史消费特征经过设置有dropout的全连接层，输出多能源用户价值的预测值，不仅如此，在交叉熵损失函数中设置正则项，以便防止预测模型过拟合。然后再经过softmax层对其进行分类处理，根据其用户价值所在类，推荐相关消费策略，挖掘潜在的高价值用户，提高用户能源的忠诚度。
基于上述实施例所提出的一种多能源用户价值预测方法，包括获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集；通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征；通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值；将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。本发明可以有效地挖掘潜在的高价值多能源用户，及时推荐出消费策略，同时也提高了高价值用户的忠诚度。通过LSTM模型可以对冗杂的历史消费信息进行筛选，提高了特征提取的有效性。通过协同注意力网络不仅降低了计算机的计算成本，更重要的是促进了水、电、气历史消费信息特征的信息融合，提高了用户价值预测模型的准确率，从而能够根据用户价值进行精准分类，面向用户推荐更加贴心的消费策略。
如图2所示，一种多能源用户价值预测装置包括：
采集模块，用于获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集。
提取模块，用于通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征。
融合模块，用于通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值。
预测模块，用于将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。
进一步地，所述采集模块，具体用于将所述历史消费信息进行数据预处理后，利用能量当量价值公式，得到所述用户的多能源历史消费数据集。
进一步地，所述提取模块，具体用于确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果；
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘，得到所述用户的多能源历史消费特征，其中，所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
此外，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述技术方案中任一项所述的多能源用户价值预测方法的步骤。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述技术方案中任一项所述的多能源用户价值预测方法的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种多能源用户价值预测方法，其特征在于，所述方法包括：
获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集；
通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征；
通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值；
将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。
2.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集，具体包括：
将所述历史消费信息进行数据预处理后，利用能量当量价值公式，得到所述用户的多能源历史消费数据集。
3.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征，具体包括：
确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果；
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘，得到所述用户的多能源历史消费特征，其中，所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
4.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值，具体包括：
所述协同注意力网络模型包括自我注意模块和关系注意模块；
将各所述能源历史消费特征经过所述自我注意模块，得到各能源对应的第一信息特征；
将各所述能源历史消费特征通过所述关系注意模块，得到各能源对应的第二信息特征；
将所述第一信息特征和所述第二信息特征进行协同注意，得到各所述各能源历史消费特征的信息融合特征注意值。
5.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，具体包括：
将所述多能源历史消费特征输入至所述用户价值预测模型中的dropout全连接层，得到所述用户的多能源用户价值的预测值，其中，在交叉熵损失函数中设置正则项；
将所述用户的多能源用户价值的预测值经过所述用户价值预测模型中的Softmax层进行分类，得到所述用户的分组。
6.一种多能源用户价值预测装置，其特征在于，所述装置包括：
采集模块，用于获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集；
提取模块，用于通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征；
融合模块，用于通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值；
预测模块，用于将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。
7.如权利要求6所述的多能源用户价值预测装置，其特征在于，所述采集模块，具体用于将所述历史消费信息进行数据预处理后，利用能量当量价值公式，得到所述用户的多能源历史消费数据集。
8.如权利要求6所述的多能源用户价值预测装置，其特征在于，
所述提取模块，具体用于确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果；
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘，得到所述用户的多能源历史消费特征，其中，所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5中任一项所述的多能源用户价值预测方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项所述的多能源用户价值预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351028.6A CN113807469A (zh) | 2021-11-16 | 2021-11-16 | 一种多能源用户价值预测方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351028.6A CN113807469A (zh) | 2021-11-16 | 2021-11-16 | 一种多能源用户价值预测方法、装置、存储介质和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807469A true CN113807469A (zh) | 2021-12-17 |
Family
ID=78898570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111351028.6A Pending CN113807469A (zh) | 2021-11-16 | 2021-11-16 | 一种多能源用户价值预测方法、装置、存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807469A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240518A (zh) * | 2022-02-17 | 2022-03-25 | 檀沐信息科技(深圳)有限公司 | 一种基于大数据的用户管理分析方法及系统 |
| CN114298615A (zh) * | 2022-03-09 | 2022-04-08 | 浙江大学 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
| CN116843377A (zh) * | 2023-07-25 | 2023-10-03 | 河北鑫考科技股份有限公司 | 基于大数据的消费行为预测方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880127A (zh) * | 2019-10-24 | 2020-03-13 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
| CN110930219A (zh) * | 2019-11-14 | 2020-03-27 | 电子科技大学 | 一种基于多特征融合的个性化电商推荐方法 |
| CN111709810A (zh) * | 2020-06-17 | 2020-09-25 | 腾讯云计算（北京）有限责任公司 | 基于推荐模型的对象推荐方法及装置 |
| CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
| US20210326920A1 (en) * | 2020-04-21 | 2021-10-21 | Capital One Services, Llc | System, method and computer-accessible medium for analysis and recommendation on user value |
-
2021
- 2021-11-16 CN CN202111351028.6A patent/CN113807469A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880127A (zh) * | 2019-10-24 | 2020-03-13 | 北京三快在线科技有限公司 | 消费水平的预测方法、装置、电子设备及存储介质 |
| CN110930219A (zh) * | 2019-11-14 | 2020-03-27 | 电子科技大学 | 一种基于多特征融合的个性化电商推荐方法 |
| US20210326920A1 (en) * | 2020-04-21 | 2021-10-21 | Capital One Services, Llc | System, method and computer-accessible medium for analysis and recommendation on user value |
| CN111709810A (zh) * | 2020-06-17 | 2020-09-25 | 腾讯云计算（北京）有限责任公司 | 基于推荐模型的对象推荐方法及装置 |
| CN111797321A (zh) * | 2020-07-07 | 2020-10-20 | 山东大学 | 一种面向不同场景的个性化知识推荐方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张素智等: "基于长短期记忆网络的协同过滤算法研究", 《湖北民族大学学报(自然科学版)》 * |
| 黄立威等: "基于深度学习的推荐系统研究综述", 《计算机学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114240518A (zh) * | 2022-02-17 | 2022-03-25 | 檀沐信息科技(深圳)有限公司 | 一种基于大数据的用户管理分析方法及系统 |
| CN114298615A (zh) * | 2022-03-09 | 2022-04-08 | 浙江大学 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
| CN116843377A (zh) * | 2023-07-25 | 2023-10-03 | 河北鑫考科技股份有限公司 | 基于大数据的消费行为预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113807469A (zh) | 一种多能源用户价值预测方法、装置、存储介质和设备 | |
| CN105225135B (zh) | 潜力客户识别方法以及装置 | |
| CN111325619A (zh) | 一种基于联合学习的信用卡欺诈检测模型更新方法及装置 | |
| CN111951050B (zh) | 理财产品推荐方法及装置 | |
| CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
| CN112561320A (zh) | 机构风险预测模型的训练方法、机构风险预测方法和装置 | |
| Lizhen et al. | A novel short-term load forecasting method based on mini-batch stochastic gradient descent regression model | |
| CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
| CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN108304975A (zh) | 一种数据预测系统及方法 | |
| CN111210347A (zh) | 交易风险预警方法、装置、设备及存储介质 | |
| Xi et al. | Improved AHP model and neural network for consumer finance credit risk assessment | |
| CN115660101A (zh) | 一种基于业务节点信息的数据服务提供方法及装置 | |
| CN114638171A (zh) | 电网项目投资预测方法、装置、存储介质及设备 | |
| Toh et al. | Improving operation efficiency through predicting credit card application turnaround time with index-based encoding | |
| CN117035888B (zh) | 新能源车辆残值获取方法、装置、电子设备和存储介质 | |
| CN112799913B (zh) | 容器运行异常检测方法及装置 | |
| CN118295682A (zh) | 一种基于时序数据的应用更新方法及装置 | |
| CN116611923A (zh) | 基于知识图谱的风险数据获取方法、系统、设备及存储介质 | |
| CN114493697A (zh) | 农产品价格预测的方法、系统、存储介质及电子设备 | |
| CN118644270A (zh) | 金融市场波动状态的预测方法、装置及电子设备 | |
| CN117689385A (zh) | 交易账户安全预测方法、装置、设备和存储介质 |
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: 20211217 |