CN114548554A - 差异化收费策略效果预测方法、装置、设备及存储介质 - Google Patents
差异化收费策略效果预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114548554A CN114548554A CN202210160682.7A CN202210160682A CN114548554A CN 114548554 A CN114548554 A CN 114548554A CN 202210160682 A CN202210160682 A CN 202210160682A CN 114548554 A CN114548554 A CN 114548554A
- Authority
- CN
- China
- Prior art keywords
- type
- target
- participation
- prediction
- user
- 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 41
- 230000000694 effects Effects 0.000 title claims abstract description 40
- 230000008901 benefit Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种差异化收费策略效果预测方法、装置、设备及存储介质。该方法包括:对目标路段的目标用户进行分类,得到至少一组类型用户;获取至少一种候选策略,利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度;根据各所述类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各所述候选策略的预测收益。本发明通过对目标路段的高速用户进行分类,针对性的预测不同类型用户对于不同收费策略的参与度,从而准确预测各种收费策略整体的收益效果,以方便选取目标时间段内针对于目标路段的最优收费策略,在用户享受折扣优惠的同时满足收益最大化。
Description
技术领域
本发明实施例涉及交通信息处理技术领域,尤其涉及一种差异化收费策略效果预测方法、装置、设备及存储介质。
背景技术
对于一条已建成的公路来说,其总成本可以分为固定成本与变动成本,变动成本与交通量有关,是公路服务经营企业能够维持运营的基本条件。以金融、教育、科技、先进制造业、商贸等为主导产业的发达地区,人们的收入较好,对公路服务的效用判断和支付意愿较高,相反,以农业为主导产业的欠发达地区,经济发展水平不高,人们的收入较低,对公路服务的效用判断、支付意愿就低。车流量较多的高速公路,可能造成交通拥堵,影响用户通行感受,较少公路使用寿命,而车流量较少的高速公路,可能导致运营机构亏损。在某一个时期一条高速公路的行程时间和行驶感受相对稳定的情况下,收费价格成为影响用户作出路径选择的关键变量。因此,为提高服务的有效性,获取更大效益,可以采用高速差异化收费的策略。
差异化收费可以提高服务效率,增加运营效益,优化资源配置,挖掘需求潜力,结构性降低使用成本,为不同群体需求提供的多样化服务。高速收费的折扣率过高,可能吸引过多的使用者,使交通压力过大,收费的折扣率过低,又无法吸引足够的用户,起不到预期效果。因此,在高速差异化收费策略推广使用前,对高速差异化收费策略的使用效果进行预测是必不可少的。
发明内容
本发明提供一种差异化收费策略效果预测方法、装置、设备及存储介质,以实现对高速差异化收费策略的推广效果进行准确预测,方便选取目标时间段内针对于目标路段的最优收费策略。
第一方面,本发明实施例提供了一种差异化收费策略效果预测方法,包括:
对目标路段的目标用户进行分类,得到至少一组类型用户;
获取至少一种候选策略,利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度;
基于各所述类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各所述候选策略的预测收益。
可选的,所述对目标路段的目标用户进行分类,得到至少一组类型用户,包括:
获取历史时间段内目标路段的所有收费记录,并确定所述收费记录关联的目标用户;
根据各所述目标用户的收费记录,确定各所述目标用户的用户类型影响因子,结合类型与影响因子映射表,确定各所述目标用户的用户类型,其中,所述用户类型影响因子包括流失因子、频次因子和/或价值敏感因子;
将用户类型相同的目标用户添加至一个类型集合,形成至少一组类型用户。
可选的,所述目标参与预测模型包括至少一个目标类型预测子模型,所述目标类型预测子模型与所述用户类型一一对应。
可选的,所述利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度,包括:
针对每个候选策略,确定所述候选策略的传播系数,以及在所述候选策略下各所述类型用户对应的折扣程度;
将各所述类型用户对应的折扣程度、所述传播系数和目标时间段输入对应的目标类型预测子模型,输出各所述类型用户的预测参与概率及预测参与程度。
可选的,所述目标参与预测模型的训练过程包括:
获取所述用户类型的类型数量,建立包含所述类型数量个初始类型预测子模型的初始参与预测模型;
获取各所述用户类型对应的历史收费数据,利用各所述历史收费数据训练对应的初始类型预测子模型,得到目标参与预测模型。
可选的,所述获取各所述用户类型对应的历史收费数据,利用各所述历史收费数据训练对应的初始类型预测子模型,包括:
针对每个初始类型预测子模型,获取所述初始类型预测子模型对应用户类型的预设训练数量条历史收费数据,所述历史收费数据包括历史收费记录的历史折扣程度和历史时间段;
对各所述历史收费数据进行参与度标注,得到对应的标准参与度,所述标准参与度包括标准参与概率及标准参与程度;
将各所述历史收费数据输入所述初始类型预测子模型,获得输出的实际参与度,所述实际参与度包括实际参与概率及实际参与程度;
根据各所述标准参与度和所述实际参与度,获得拟合损失函数;
通过所述拟合损失函数对所述初始类型预测子模型进行反向传播,得到所述目标类型预测子模型。
可选的,在确定各所述候选策略的预测收益之后,还包括:
将预测收益最高的候选策略确定为所述目标路段在所述目标时间段内的目标策略。
第二方面,本发明实施例还提供了一种差异化收费策略效果预测装置,该装置包括:
用户类型划分模块,用于对目标路段的目标用户进行分类,得到至少一组类型用户;
策略参与度预测模块,用于获取至少一种候选策略,利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度;
策略收益确定模块,用于根据各所述类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各所述候选策略的预测收益。
第三方面,本发明实施例还提供了一种计算机设备,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本发明任意实施例所述的差异化收费策略效果预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的差异化收费策略效果预测方法。
本发明通过对目标路段的目标用户进行分类,得到至少一组类型用户,获取至少一种候选策略,利用训练好的目标参与预测模型确定各类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度,基于各类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各候选策略的预测收益。本发明通过对目标路段的高速用户进行分类,针对性的预测不同类型用户对于不同收费策略的参与度,从而准确预测各种收费策略整体的收益效果,以方便选取目标时间段内针对于目标路段的最优收费策略,在用户享受折扣优惠的同时满足收益最大化。
附图说明
图1是本发明实施例一提供的一种差异化收费策略效果预测方法的流程图;
图2是本发明实施例二提供的一种差异化收费策略效果预测装置的结构框图;
图3是本发明实施例三提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构,此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1为本发明实施例一提供的一种差异化收费策略效果预测方法的流程图,本实施例可适用于对高速差异化收费策略的推广效果进行预测,以及选取目标时间段内针对于目标路段的最优收费策略的情况,该方法可以由差异化收费策略效果预测装置来执行,该装置可以通过软件和/或硬件实现。
如图1所示,该方法具体包括如下步骤:
步骤110、对目标路段的目标用户进行分类,得到至少一组类型用户。
本实施例主要是针对一段高速或一个区域内的高速的差异化收费策略进行收益预测,该段高速或该区域内的高速可以称为目标路段。目标用户可以理解在目标路段内通行过的高速用户或可能从目标路段内通行的高速用户。
具体的,可以根据目标用户在目标路段的历史通行记录,从通行时间、通行频次、对收费折扣的敏感程度等方面对目标用户进行分类,将具有相似特征的用户划分到一组,形成多组类型用户。
可选的,步骤110可以通过以下步骤具体实现:
A1、获取历史时间段内目标路段的所有收费记录,并确定收费记录关联的目标用户。
另外,还可以将目标路段的竞争路段内的高速用户也确定为目标路段的目标用户。
A2、根据各目标用户的收费记录,确定各目标用户的用户类型影响因子,结合类型与影响因子映射表,确定各目标用户的用户类型。
其中,用户类型影响因子包括流失因子、频次因子和/或价值敏感因子。流失因子可以根据目标用户的最近通行时间、竞争路线通行时间、周期性通行数据等因素确定;频次因子可以根据目标用户与同车型频次偏差、出行链重复率、排除名单参数等因素确定;价值敏感因子可以根据目标用户的路径方向流量偏差、节假日本地出行与平日偏差、目标用户调研报告数据、历史获利率、参与会员权益活动度等因素确定。
用户类型可以包括高频敏感类型、高频一般类型、唤醒敏感类型、唤醒一般类型、沉睡敏感类型、沉睡一般类型、低频敏感类型和低频一般类型。表1是类型与影响因子映射表,可以反映用户类型与影响因子的映射关系。
表1类型与影响因子映射表
序号 | 用户类型 | 流失因子 | 频次因子 | 价值敏感因子 |
1 | 高频敏感类型 | 低 | 高 | 高 |
2 | 高频一般类型 | 低 | 高 | 低 |
3 | 唤醒敏感类型 | 低 | 低 | 高 |
4 | 唤醒一般类型 | 低 | 低 | 低 |
5 | 沉睡敏感类型 | 高 | 高 | 高 |
6 | 沉睡一般类型 | 高 | 高 | 低 |
7 | 低频敏感类型 | 高 | 低 | 高 |
8 | 低频一般类型 | 高 | 低 | 低 |
A3、将用户类型相同的目标用户添加至一个类型集合,形成至少一组类型用户。
具体的,可以将同一用户类型的目标用户添加至一个类型集合,形成一组类型用户。在本实施例中,可以形成8组类型用户,分别是高频敏感用户、高频一般用户、唤醒敏感用户、唤醒一般用户、沉睡敏感用户、沉睡一般用户、低频敏感用户和低频一般用户。
步骤120、获取至少一种候选策略,利用训练好的目标参与预测模型确定各类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度。
其中,候选策略可以是选取的其他路段已经实施且效果较好的收费策略,也可以是根据其他收费策略进行调整的收费策略。实际应用时,可以根据一定时间范围内的收费交易流水,对已实施的差异化收费策略进行评估,筛选效果较好的差异化收费策略作为候选策略。具体可以选取已实施的差异化收费策略的路段在实施策略前后一年的历史交易流水,按用户类型进行分类比较,计算出用户的参与率、参与成长率、同比增长率等指标,将指标较好的收费策略保存为候选策略。
一般情况下,差异化收费策略主要有六种表现形式,分别为分路段、分车型、分方向、分时段、分支付方式、指定出入口,策略活动的优惠主要体现为收费的折扣率,折扣率可以分为直接折扣和转化折扣,转化折扣可以有月卡、周卡、次卡、任务卡等多种形式。对于直接折扣,收费时按固定折扣率优惠,折扣率可以等值于直接折扣率;如果是按周期的套票,如月卡、周卡,折扣率则可以等值于(历史周期消费金额-周期套票金额)/历史周期消费金额。
根据运营要求,也可以补充候选策略,通过对上述的收费策略形式进行组合调整,形成新的候选策略模板。
一种收费策略对于不同类型的用户来说优惠的折扣率可能是不同的,因此,本实施例采用针对同一种候选策略分别预测不同类型用户的预测参与概率及预测参与程度的方法,从而更加准确的评估收费策略整体的收益效果。
可选的,目标参与预测模型可以包括至少一个目标类型预测子模型,目标类型预测子模型与用户类型一一对应。
相应的,步骤120可以通过以下步骤具体实现:针对每个候选策略,确定候选策略的传播系数,以及在候选策略下各类型用户对应的折扣程度;将各类型用户对应的折扣程度、传播系数和目标时间段输入对应的目标类型预测子模型,输出各类型用户的预测参与概率及预测参与程度。
具体的,候选策略的传播系数可以从历史数据中提取传播特征,分别从运营系统、消费优惠流水、领劵平台等获取数据并计算得到。
在本实施例中,目标参与预测模型的训练过程可以包括:
B1、获取用户类型的类型数量,建立包含类型数量个初始类型预测子模型的初始参与预测模型。
具体的,与步骤110形成的类型用户相对应,在建立初始参与预测模型时,针对每一种类型用户都可以建立一个初始类型预测子模型。由于每一组类型用户对应一个用户类型,本实施例优选为8种用户类型,那么在建立初始参与预测模型时,可以包含8个初始类型预测子模型。
B2、获取各用户类型对应的历史收费数据,利用各历史收费数据训练对应的初始类型预测子模型,得到目标参与预测模型。
进一步的,每个初始类型预测子模型的训练过程都可以通过以下步骤具体实现:
B21、获取初始类型预测子模型对应用户类型的预设训练数量条历史收费数据,历史收费数据包括历史收费记录的历史折扣程度和历史时间段。
使用历史收费数据之前,还可以对历史收费数据进行预处理,对关键字段进行补全及平滑处理,根据已有数据进行特征提取。历史折扣程度可以通过出入口站及门架信息、交易相关路段序列以及行驶方向等信息计算得到,历史时间段可以包含通过交易时间,以及时间段特征信息,如早高峰、晚高峰、周末、节假日、特殊活动期间等信息。
B22、对各历史收费数据进行折扣程度标注,得到对应的标准参与度。
其中,标准参与度可以包括标准参与概率及标准参与程度。
B23、将各历史收费数据输入初始类型预测子模型,获得输出的实际参与度。
其中,实际参与度可以包括实际参与概率及实际参与程度。
B24、根据各标准参与度和实际参与度,获得拟合损失函数。
具体的,由于标准参与度是预先标注的,实际参与度是初始类型预测子模型解析预测的,标准参与度和实际参与度必然存在误差,可以根据存在的误差,形成拟合损失函数。
B25、通过拟合损失函数对初始类型预测子模型进行反向传播,得到目标类型预测子模型。
具体的,在得到拟合损失函数后,可以通过拟合损失函数对初始类型预测子模型进行反向传播,优化初始类型预测子模型的模型参数,得到目标类型预测子模型。
通过B21~B25可以分别对每个初始类型预测子模型进行训练,得到目标类型预测子模型,从而形成目标参与预测模型。
步骤130、基于各类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各候选策略的预测收益。
具体的,由于目标路段的不同类型用户的用户数量是不同的,不同类型用户在同一候选策略下产生的收益也是不同的,因此可以针对一种候选策略,基于每组类型用户在该候选策略下的预测参与概率及预测参与程度,结合每组类型用户的用户数量,计算出该候选策略面向全部用户的综合收益,即该候选策略预测收益。
本实施例的技术方案,通过对目标路段的目标用户进行分类,得到至少一组类型用户,获取至少一种候选策略,利用训练好的目标参与预测模型确定各类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度,基于各类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各候选策略的预测收益。本实施例通过对目标路段的高速用户进行分类,针对性的预测不同类型用户对于不同收费策略的参与度,从而准确预测各种收费策略整体的收益效果,以方便选取目标时间段内针对于目标路段的最优收费策略,在用户享受折扣优惠的同时满足收益最大化。
在上述技术方案的基础上,在步骤130之后,本实施例提供的差异化收费策略效果预测方法还可以包括以下步骤:将预测收益最高的候选策略确定为目标路段在目标时间段内的目标策略。
在实际应用中,可以将各候选策略的预测收益进行排序,选取最高的候选策略确定为目标路段在目标时间段内的目标策略。也可以直接将排序结果呈现出来,提供给运营机构的决策者。
实施例二
本发明实施例所提供的差异化收费策略效果预测装置可执行本发明任意实施例所提供的差异化收费策略效果预测方法,具备执行方法相应的功能模块和有益效果。图2是本发明实施例二提供的一种差异化收费策略效果预测装置的结构框图,如图2所示,该装置包括:用户类型划分模块210、策略参与度预测模块220和策略收益确定模块230。
用户类型划分模块210,用于对目标路段的目标用户进行分类,得到至少一组类型用户;
策略参与度预测模块220,用于获取至少一种候选策略,利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度;
策略收益确定模块230,用于根据各所述类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各所述候选策略的预测收益。
本实施例的技术方案,通过对目标路段的目标用户进行分类,得到至少一组类型用户,获取至少一种候选策略,利用训练好的目标参与预测模型确定各类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度,基于各类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各候选策略的预测收益。本实施例通过对目标路段的高速用户进行分类,针对性的预测不同类型用户对于不同收费策略的参与度,从而准确预测各种收费策略整体的收益效果,以方便选取目标时间段内针对于目标路段的最优收费策略,在用户享受折扣优惠的同时满足收益最大化。
可选的,所述用户类型划分模块210,包括:
目标用户确定单元,用于获取历史时间段内目标路段的所有收费记录,并确定所述收费记录关联的目标用户;
用户类型确定单元,用于根据各所述目标用户的收费记录,确定各所述目标用户的用户类型影响因子,结合类型与影响因子映射表,确定各所述目标用户的用户类型,其中,所述用户类型影响因子包括流失因子、频次因子和/或价值敏感因子;
类型用户形成单元,用于将用户类型相同的目标用户添加至一个类型集合,形成至少一组类型用户。
可选的,所述目标参与预测模型包括至少一个目标类型预测子模型,所述目标类型预测子模型与所述用户类型一一对应。
可选的,所述策略参与度预测模块220,包括:
候选策略获取单元,用于获取至少一种候选策略;
折扣程度确定单元,用于针对每个候选策略,确定所述候选策略的传播系数,以及在所述候选策略下各所述类型用户对应的折扣程度;
折扣程度确定单元,用于针对每个候选策略,将各所述类型用户对应的折扣程度、所述传播系数和目标时间段输入对应的目标类型预测子模型,输出各所述类型用户的预测参与概率及预测参与程度。
可选的,所述目标参与预测模型的训练过程包括:
获取所述用户类型的类型数量,建立包含所述类型数量个初始类型预测子模型的初始参与预测模型;
获取各所述用户类型对应的历史收费数据,利用各所述历史收费数据训练对应的初始类型预测子模型,得到目标参与预测模型。
可选的,所述获取各所述用户类型对应的历史收费数据,利用各所述历史收费数据训练对应的初始类型预测子模型,包括:
针对每个初始类型预测子模型,获取所述初始类型预测子模型对应用户类型的预设训练数量条历史收费数据,所述历史收费数据包括历史收费记录的历史折扣程度和历史时间段;
对各所述历史收费数据进行参与度标注,得到对应的标准参与度,所述标准参与度包括标准参与概率及标准参与程度;
将各所述历史收费数据输入所述初始类型预测子模型,获得输出的实际参与度,所述实际参与度包括实际参与概率及实际参与程度;
根据各所述标准参与度和所述实际参与度,获得拟合损失函数;
通过所述拟合损失函数对所述初始类型预测子模型进行反向传播,得到所述目标类型预测子模型。
可选的,所述装置还包括目标策略选取模块,用于:
确定各所述候选策略的预测收益之后,将预测收益最高的候选策略确定为所述目标路段在所述目标时间段内的目标策略。
实施例三
图3为本发明实施例三提供的一种计算机设备的结构框图,如图3所示,该计算机设备包括处理器310、存储器320、输入装置330和输出装置340;计算机设备中处理器310的数量可以是一个或多个,图3中以一个处理器310为例;计算机设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器320作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的差异化收费策略效果预测方法对应的程序指令/模块(例如,差异化收费策略效果预测装置中的用户类型划分模块210、策略参与度预测模块220和策略收益确定模块230)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的差异化收费策略效果预测方法。
存储器320可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器320可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器320可进一步包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种差异化收费策略效果预测方法,该方法包括:
对目标路段的目标用户进行分类,得到至少一组类型用户;
获取至少一种候选策略,利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度;
基于各所述类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各所述候选策略的预测收益。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的差异化收费策略效果预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述差异化收费策略效果预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种差异化收费策略效果预测方法,其特征在于,包括:
对目标路段的目标用户进行分类,得到至少一组类型用户;
获取至少一种候选策略,利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度;
基于各所述类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各所述候选策略的预测收益;
将预测收益最高的候选策略确定为所述目标路段在所述目标时间段内的目标策略。
2.根据权利要求1所述的差异化收费策略效果预测方法,其特征在于,所述对目标路段的目标用户进行分类,得到至少一组类型用户,包括:
获取历史时间段内目标路段的所有收费记录,并确定所述收费记录关联的目标用户;
根据各所述目标用户的收费记录,确定各所述目标用户的用户类型影响因子,结合类型与影响因子映射表,确定各所述目标用户的用户类型,其中,所述用户类型影响因子包括流失因子、频次因子和/或价值敏感因子;
将用户类型相同的目标用户添加至一个类型集合,形成至少一组类型用户。
3.根据权利要求2所述的差异化收费策略效果预测方法,其特征在于,所述目标参与预测模型包括至少一个目标类型预测子模型,所述目标类型预测子模型与所述用户类型一一对应。
4.根据权利要求3所述的差异化收费策略效果预测方法,其特征在于,所述利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度,包括:
针对每个候选策略,确定所述候选策略的传播系数,以及在所述候选策略下各所述类型用户对应的折扣程度;
将各所述类型用户对应的折扣程度、所述传播系数和目标时间段输入对应的目标类型预测子模型,输出各所述类型用户的预测参与概率及预测参与程度。
5.根据权利要求3所述的差异化收费策略效果预测方法,其特征在于,所述目标参与预测模型的训练过程包括:
获取所述用户类型的类型数量,建立包含所述类型数量个初始类型预测子模型的初始参与预测模型;
获取各所述用户类型对应的历史收费数据,利用各所述历史收费数据训练对应的初始类型预测子模型,得到目标参与预测模型。
6.根据权利要求5所述的差异化收费策略效果预测方法,其特征在于,所述获取各所述用户类型对应的历史收费数据,利用各所述历史收费数据训练对应的初始类型预测子模型,包括:
针对每个初始类型预测子模型,获取所述初始类型预测子模型对应用户类型的预设训练数量条历史收费数据,所述历史收费数据包括历史收费记录的历史折扣程度和历史时间段;
对各所述历史收费数据进行参与度标注,得到对应的标准参与度,所述标准参与度包括标准参与概率及标准参与程度;
将各所述历史收费数据输入所述初始类型预测子模型,获得输出的实际参与度,所述实际参与度包括实际参与概率及实际参与程度;
根据各所述标准参与度和所述实际参与度,获得拟合损失函数;
通过所述拟合损失函数对所述初始类型预测子模型进行反向传播,得到所述目标类型预测子模型。
7.根据权利要求1所述的差异化收费策略效果预测方法,其特征在于,在确定各所述候选策略的预测收益之后,还包括:
将预测收益最高的候选策略确定为所述目标路段在所述目标时间段内的目标策略。
8.一种差异化收费策略效果预测装置,其特征在于,包括:
用户类型划分模块,用于对目标路段的目标用户进行分类,得到至少一组类型用户;
策略参与度预测模块,用于获取至少一种候选策略,利用训练好的目标参与预测模型确定各所述类型用户在目标时间段内针对不同候选策略的预测参与概率及预测参与程度;
策略收益确定模块,用于根据各所述类型用户在不同候选策略下的预测参与概率及预测参与程度,确定各所述候选策略的预测收益。
9.一种计算机设备,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1-7中任一所述的差异化收费策略效果预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的差异化收费策略效果预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160682.7A CN114548554A (zh) | 2022-02-22 | 2022-02-22 | 差异化收费策略效果预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160682.7A CN114548554A (zh) | 2022-02-22 | 2022-02-22 | 差异化收费策略效果预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548554A true CN114548554A (zh) | 2022-05-27 |
Family
ID=81676781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160682.7A Pending CN114548554A (zh) | 2022-02-22 | 2022-02-22 | 差异化收费策略效果预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548554A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757662A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市九方通逊电商物流有限公司 | 一种基于互联网的跨境服务贸易平台管理系统及方法 |
-
2022
- 2022-02-22 CN CN202210160682.7A patent/CN114548554A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757662A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市九方通逊电商物流有限公司 | 一种基于互联网的跨境服务贸易平台管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543999B (zh) | 用于门店选址的方法和装置 | |
Higgins et al. | Modelling intervention options to reduce GHG emissions in housing stock—A diffusion approach | |
Liu et al. | A credit-based congestion management scheme in general two-mode networks with multiclass users | |
Yu et al. | Exploring multi-homing behavior of ride-sourcing drivers via real-world multiple platforms data | |
CN111861075A (zh) | 一种资源配置方法、资源配置装置及可读存储介质 | |
CN111861521A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
AU2014201264A1 (en) | Scenario based customer lifetime value determination | |
CN111210072A (zh) | 预测模型训练和用户资源额度确定方法及装置 | |
CN110415106A (zh) | 一种经营主体的经营分析预测评估系统 | |
CN113518326A (zh) | 车载边缘网络计算资源和通信资源的联合分配优化方法 | |
Yan et al. | Choice-based airline schedule design and fleet assignment: A decomposition approach | |
Navandar et al. | Empirical analysis of level of service based on users perception at manual tollbooth operation in India | |
CN114548554A (zh) | 差异化收费策略效果预测方法、装置、设备及存储介质 | |
Lin et al. | Transferable utility games based intersection control for connected vehicles | |
Qian et al. | Short-term demand forecasting for on-demand mobility service | |
Huang et al. | Geographic distribution of firm productivity and production: A “, market access” approach | |
Tran et al. | Adaptive passenger-finding recommendation system for taxi drivers with load balancing problem | |
CN117541314A (zh) | 一种网约车优惠券的智能发放系统、设备及存储介质 | |
US20200193486A1 (en) | System and method for determining bid vector transformed predictive click-through rate | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Pavelková et al. | Passenger car sales projections: Measuring the accuracy of a sales forecasting model | |
CN115809784A (zh) | 基于多目标的额度调整最优分配方法、装置、设备及介质 | |
CN114881754A (zh) | 金融支付平均时长检测系统及方法 | |
Collins et al. | Exploring a toll auction mechanism enabled by vehicle-to-infrastructure technology | |
Shen et al. | Unveiling the influential factors for customized bus service reopening from naturalistic observations in Shanghai |
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 |