CN115994781A - 一种基于大数据的精准获客系统及方法 - Google Patents
一种基于大数据的精准获客系统及方法 Download PDFInfo
- Publication number
- CN115994781A CN115994781A CN202310287312.4A CN202310287312A CN115994781A CN 115994781 A CN115994781 A CN 115994781A CN 202310287312 A CN202310287312 A CN 202310287312A CN 115994781 A CN115994781 A CN 115994781A
- Authority
- CN
- China
- Prior art keywords
- consumption habit
- habit information
- information
- consumption
- analysis library
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 87
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的精准获客系统及方法,该方法包括获取用于训练的不同客户信息，使用生成对抗网络自动提取不同客户信息中的所有消费习惯信息得到用于训练的客户数据集；基于消费习惯信息购买商品使用生成对抗网络进行特征学习；通过基于大数据的边缘计算网络设置识别算法参数及消费习惯信息分析库；将客户监控获取到的每一个客户监控检索送入消费习惯信息识别模型，得到消费习惯信息的识别结果；将消费习惯信息的识别结果送入卡尔曼滤波算法，对识别到的消费习惯信息进行追踪；识别并判断追踪的消费习惯信息是否有遗漏，本发明用于准确高效地识别出消费习惯信息。
Description
技术领域
本发明涉及客户监管领域,尤其涉及一种基于大数据的精准获客系统及方法。
背景技术
客户系统一般包括客户获取系统、客户分析系统、客户展示系统。客户获取系统会把用户关注的某些门户网站或某类题材，如新闻、论坛不加过滤得都抓取到系统中。通过数据同步模块,把获取到的数据导入到客户分析系统里。再经过分析系统处理，把获取到的数据进行分类、聚类操作,形成专题、关注点，并通过客户展示系统直观得展现给用户。因此如果在数据同步时，把不经过滤的获取信息全部导入分析系统里,会导致导入很多非客户的信息。这部分信息不但加大了客户分析系统的分析数据量压力,而且杂乱无章的获取信息降低了专题、关注点等方面分析结果的准确性;同时,客户展示系统会显示出很多用户并不关心内容，影响用户体验。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于大数据的精准获客系统及方法。
本发明所采用的技术方案是，本发明提供的一种基于大数据的精准获客系统及方法，包括以下步骤：
步骤S1，获取用于训练的不同客户信息，使用生成对抗网络自动提取所述不同客户信息中的所有消费习惯信息以得到用于训练的客户数据集；
步骤S2，利用所述客户数据集对基于消费习惯信息购买商品使用生成对抗网络进行特征学习；
步骤S3，通过基于大数据的边缘计算网络设置识别算法参数及消费习惯信息分析库；
步骤S4，获取客户监控检索数据，将客户监控获取到的每一个客户监控检索送入所述消费习惯信息识别模型，得到消费习惯信息识别结果；
步骤S5，将所述消费习惯信息识别结果送入卡尔曼滤波算法，对识别到的消费习惯信息进行追踪；
步骤S6，识别并判断追踪的消费习惯信息是否位于所述消费习惯信息分析库并判断所述消费习惯信息是否有遗漏。
所述卡尔曼滤波算法，表达式为：
其中，表示消费习惯信息矩阵，表示消费习惯信息的真实值矩阵，τ表示消费习惯信息的权重，G表示消费习惯信息的增益矩阵，
所述消费习惯信息，表达式为：
其中，表示当前时刻消费习惯数据集合，表示前一时刻消费习惯数据集合，表示不同等级购买力的影响范围，
η表示消费习惯数据的种类矩阵，表示不同消费习惯数据对于购买力影响的权重，表示购买力影响的预测值。
优选地，对基于消费习惯信息购买商品使用生成对抗网络进行特征学习后，同时对生成对抗网络算法的参数进行动态更新。
优选地，判断消费习惯信息是否处于消费习惯信息分析库包含以下步骤：
步骤Q1，获取当前客户监控检索中某一个消费习惯信息分析库的规模和调取速度及消费习惯信息分析库的剩余空间；
步骤Q2，若消费习惯信息分析库规模与调取速度均在消费习惯信息分析库内，判断消费习惯信息有遗漏；
步骤Q3，若消费习惯信息分析库只有部分习惯位于消费习惯信息分析库内，则进行步骤Q4；
步骤Q4，判断消费习惯信息长时间习惯是否位于消费习惯信息分析库内，若消费习惯信息长时间习惯位于消费习惯信息分析库内则判断消费习惯信息有遗漏，否则进行下一步；
步骤Q5，继续获取当前客户监控检索中的其他识别消费习惯信息并进消费习惯信息是否有遗漏判断的操作。
本申请还包含一种判断消费习惯信息位于消费习惯信息分析库内是否舍弃习惯的方法，包括以下步骤：
步骤T1，计算前一个客户监控检索中消费习惯信息的长时间习惯与当前客户监控检索中所述消费习惯信息的长时间习惯的相似度，若所述相似度超过阈值，则判定为消费习惯信息异常；
步骤T2，若判断消费习惯信息处于异常状态，则将消费习惯信息中的有遗漏时长清零并处理其他消费习惯信息客户监控检索；
步骤T3，若消费习惯信息未更新，则获取当前时间并计算消费习惯信息停止累计时间，将所述消费习惯信息停止累计时间与设定的有遗漏时长阈值进行比较，若所述消费习惯信息停止累计时间超过有遗漏时长阈值，则判断为消费习惯信息有遗漏，若所述消费习惯信息停止累计时间未超过有遗漏时长，则当前消费习惯信息处理结束，继续处理其他识别客户监控检索。
优选地，所述阈值采用LⓍY的动态形式阈值来判断消费习惯信息舍弃习惯，其中，式中字母L表示分析库的规模，字母Y表示阈值比例因子。
优选地，若追踪信息中上一客户监控检索追踪到某一消费习惯信息，而当前中未追踪到所述消费习惯信息时，则系统设置一个最大消失字数，在未达到最大消失字数之前，并不判断所述消费习惯信息丢失，之后利用卡尔曼滤波算法中的无迹卡尔曼滤波基于上一个的所述消费习惯信息区位置对当前的所述消费习惯信息区进行预测，预测的结果作为当前消费习惯信息区；
若下一消费习惯客户监控检索识别到所述消费习惯信息区位置与所述当前消费习惯信息区匹配，则判断为识别算法错误导致的消费习惯信息消失；
若达到最大消失字数后，直接视为所述消费习惯信息消失，系统删除此消费习惯信息追踪信息；
若未达到最大消失字数的时间段中所述消费习惯信息重新出现，则判断为所述消费习惯信息被短时间遗漏。
优选地，获取所述客户监控检索的时间为根据监控需求进行时间长短设定，每秒获取1万客户监控检索。
本申请的系统包含消费习惯信息识别单元，客户监测单元及消费习惯遗漏判断单元，其中：
所述消费习惯信息识别单元用于对所述客户监测单元获取到的客户监控检索数据进行消费习惯信息识别并得到消费习惯信息的分析库及分析库信息；
所述客户监测单元用于获取客户监控检索数据、设置监管区位置及对所述消费习惯信息识别单元得到的消费习惯信息分析库及分析库信息匹配特定识别码后传入至所述消费习惯遗漏判断单元；
所述消费习惯遗漏判断单元接收到匹配好特定识别码的消费习惯信息分析库及分析库信息后输出追踪器信息，查找每一个所述追踪器信息，根据所述监管区位置判断此消费习惯信息是否位于监管区内，并再次更新追踪器信息，根据更新后的所述追踪器信息判断消费习惯信息是否应该被发出报警。
优选地，所述追踪器信息包括：消费习惯信息识别码、消费习惯信息分析库、消费习惯信息是否进入消费习惯信息分析库、消费习惯信息进入消费习惯信息分析库时间、消费习惯信息是否已被发出报警。
优选地，所述客户数据集利用大数据算法对客户的消费喜欢进行实时抓取。
本发明将于生成对抗网络的消费习惯信息识别技术用于消费习惯信息识别，该方法能从客户监控检索中准确地识别消费习惯信息，并对消费习惯信息进行追踪，然后通过一系列消费习惯信息有遗漏的逻辑判断，准确高效地识别出消费习惯信息并产生发出报警，从而实现消费习惯信息有遗漏的智能化监管。从而大幅度地提高了工作人员的效率，同时也节约大量的人力物力；
消费习惯信息识别单元：本发明利用客户数据集对基于消费习惯信息购买商品使用生成对抗网络进行特征学习，保证消费习惯信息识别准确率。本发明同时对生成对抗网络算法的参数进行动态更新，以保证在有限预算下的性能最优化；
客户监测单元：本发明对识别到的消费习惯信息进行基于追踪算法的追踪，并维护其个体结构体，用于对消费习惯信息状态进行判断，并且设置追踪失效阈值避免被遗漏后产生误报；
消费习惯遗漏判断单元：本发明首先对追踪到的消费习惯信息进行是否在监管区内进行判断，并提出多种对消费习惯信息舍弃习惯的判断方式，通过对消费习惯信息进行舍弃习惯判断，从而避免了传统方法中舍弃习惯消费习惯信息误报问题；
本发明可方便地从云服务页面对有遗漏识别算法进行设置，发出报警消息也可实时地显示在云服务页面中供工作人员查看，与核心识别算法共同组成了一个消费习惯信息有遗漏智能识别系统。
附图说明
图1为本发明方法第一流程图；
图2为本发明方法第二流程图；
图3为本发明方法第三流程图；
图4为本发明系统功能结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,一种基于大数据的精准获客方法，包括以下步骤：
步骤S1，获取用于训练的不同客户信息，使用生成对抗网络自动提取所述不同客户信息中的所有消费习惯信息以得到用于训练的客户数据集；
步骤S2，利用所述客户数据集对基于消费习惯信息购买商品使用生成对抗网络进行特征学习；
步骤S3，通过基于大数据的边缘计算网络设置识别算法参数及消费习惯信息分析库；
步骤S4，获取客户监控检索数据，将客户监控获取到的每一个客户监控检索送入所述消费习惯信息识别模型，得到消费习惯信息识别结果；
步骤S5，将所述消费习惯信息识别结果送入卡尔曼滤波算法，对识别到的消费习惯信息进行追踪；
步骤S6，识别并判断追踪的消费习惯信息是否位于所述消费习惯信息分析库并判断所述消费习惯信息是否有遗漏。
对基于消费习惯信息购买商品使用生成对抗网络进行特征学习后，同时对生成对抗网络算法的参数进行动态更新。
所述卡尔曼滤波算法，表达式为：
其中，表示消费习惯信息矩阵，表示消费习惯信息的真实值矩阵，τ表示消费习惯信息的权重，G表示消费习惯信息的增益矩阵，
所述消费习惯信息，表达式为：
其中，表示当前时刻消费习惯数据集合，表示前一时刻消费习惯数据集合，表示不同等级购买力的影响范围，
η表示消费习惯数据的种类矩阵，表示不同消费习惯数据对于购买力影响的权重，表示购买力影响的预测值。
如图2所示,判断消费习惯信息是否处于消费习惯信息分析库包含以下步骤：
步骤Q1，获取当前客户监控检索中某一个消费习惯信息分析库的规模和调取速度及消费习惯信息分析库的剩余空间；
步骤Q2，若消费习惯信息分析库规模与调取速度均在消费习惯信息分析库内，判断消费习惯信息有遗漏；
步骤Q3，若消费习惯信息分析库只有部分习惯位于消费习惯信息分析库内，则进行步骤Q4；
步骤Q4，判断消费习惯信息长时间习惯是否位于消费习惯信息分析库内，若消费习惯信息长时间习惯位于消费习惯信息分析库内则判断消费习惯信息有遗漏，否则进行下一步；
步骤Q5，继续获取当前客户监控检索中的其他识别消费习惯信息并进消费习惯信息是否有遗漏判断的操作。
如图3所示,本申请还包含一种判断消费习惯信息位于消费习惯信息分析库内是否舍弃习惯的方法，包括以下步骤：
步骤T1，计算前一个客户监控检索中消费习惯信息的长时间习惯与当前客户监控检索中所述消费习惯信息的长时间习惯的相似度，若所述相似度超过阈值，则判定为消费习惯信息异常；
步骤T2，若判断消费习惯信息处于异常状态，则将消费习惯信息中的有遗漏时长清零并处理其他消费习惯信息客户监控检索；
步骤T3，若消费习惯信息未更新，则获取当前时间并计算消费习惯信息停止累计时间，将所述消费习惯信息停止累计时间与设定的有遗漏时长阈值进行比较，若所述消费习惯信息停止累计时间超过有遗漏时长阈值，则判断为消费习惯信息有遗漏，若所述消费习惯信息停止累计时间未超过有遗漏时长，则当前消费习惯信息处理结束，继续处理其他识别客户监控检索。
阈值采用LⓍY的动态形式阈值来判断消费习惯信息舍弃习惯，其中，式中字母L表示分析库的规模，字母Y表示阈值比例因子。
若追踪信息中上一客户监控检索追踪到某一消费习惯信息，而当前中未追踪到所述消费习惯信息时，则系统设置一个最大消失字数，在未达到最大消失字数之前，并不判断所述消费习惯信息丢失，之后利用卡尔曼滤波算法中的无迹卡尔曼滤波基于上一个的所述消费习惯信息区位置对当前的所述消费习惯信息区进行预测，预测的结果作为当前消费习惯信息区；
若下一消费习惯客户监控检索识别到所述消费习惯信息区位置与所述当前消费习惯信息区匹配，则判断为识别算法错误导致的消费习惯信息消失；
若达到最大消失字数后，直接视为所述消费习惯信息消失，系统删除此消费习惯信息追踪信息；
若未达到最大消失字数的时间段中所述消费习惯信息重新出现，则判断为所述消费习惯信息被短时间遗漏。
获取所述客户监控检索的时间为根据监控需求进行时间长短设定，每秒获取1万客户监控检索。
如图4所示,本申请的一种基于大数据的精准获客系统包括：
消费习惯信息识别单元，首先基于实际场景获取用于训练的数据，得到数据之后，经过使用生成对抗网络自动提取不同客户信息中的所有消费习惯信息，得到用于训练的客户数据集。
为更好的保证训练效果，本发明可通过对训练客户数据集采用平移、翻转、缩放等数据增强的方式使得训练数据量大大增加。
然后通过训练客户数据集对基于消费习惯信息购买商品使用生成对抗网络进行特征学习，以确保模型的准确性。
得到训练好的模型之后，传统方法一般直接将训练好的原始模型结合业务程序直接进行部署利用，这种方式不仅推理速度慢而且极其占用硬件资源。
为保证业务中消费习惯信息识别的实时性，本发明中原始模型利用粒子群算法对模型进行速度更新、位置更新、权重量化等优化模型推理吞吐量的操作，进行前向推理，使得推理加速。
客户监测单元，首先，本发明的智能识别系统通过基于大数据的边缘计算网络设置识别算法参数，云服务页面实时显示要设置客户监控的画面，用户可通过鼠标在画面中绘制消费习惯信息分析库，当用户绘制完毕后，算法的设置将通过网络发送至算法服务器。
算法接收到设置之后，会根据指定的视频流地址拉取设置客户监控的实时数据，将得到的每一个客户监控检索送入训练好的消费习惯信息识别模型，得到消费习惯信息的消费习惯信息识别结果。
然后将消费习惯信息识别结果送入卡尔曼滤波算法，对识别到的消费习惯信息进行追踪。
追踪的好处是将时间序列上的同一消费习惯信息进行匹配并赋予同一识别码，避免了连续识别到同一消费习惯连续报警的问题。
消费习惯遗漏判断单元，根据客户监测单元的追踪器追踪信息，遍历所有追踪到的消费习惯信息，若为新追踪到的消费习惯信息，则对其信息进行初始化；
若之前系统已追踪到此消费习惯信息，当前又追踪到此消费习惯信息，则首先判断其是否位于消费习惯信息分析库内，采用消费习惯信息分析库规模和调取速度和消费习惯信息分析库的剩余空间判断消费习惯信息是否处于消费习惯信息分析库。
具体方法为：首先获取分析库的规模和调取速度和消费习惯信息分析库的剩余空间；
若规模与调取速度均在消费习惯信息分析库内，判断消费习惯信息有遗漏；
若只有部分习惯位于消费习惯信息分析库内，则判断消费习惯信息长时间习惯是否位于消费习惯信息分析库内，若位于，则判断消费习惯信息有遗漏；其余均视为不存在有遗漏。
若消费习惯信息未位于消费习惯信息分析库内，则当前消费习惯信息处理结束，继续处理其他识别客户监控检索，当所有消费习惯信息遍历完成之后，则当前处理结束，继续获取下一消费习惯。
若消费习惯信息位于消费习惯信息分析库内，本发明采用一种判断消费习惯信息是否舍弃习惯的方法，来避免消费习惯信息在很大的一片消费习惯信息分析库内由于堵车或其他原因缓慢行驶的过程中一直处于消费习惯信息分析库内而被误认为有遗漏而报警的问题。
具体方法为：
（1）计算前一个客户监控检索中此消费习惯信息的长时间习惯与当前的消费习惯信息长时间习惯计算相似度，若此距离超过一定阈值，则判定为消费习惯信息异常；
（2）由于消费习惯信息距离客户监控距离不同从而在客户监控检索中距离客户监控远近不同的消费习惯信息识别出的Pox大小会存在很大差异；例如，远处的10个相似度与近处的10个相似度所对应的实际路面距离是不一样的。
因此，若步骤（1）中的方法利用单一的阈值作为判定条件，会造成对不同远近消费习惯信息判断舍弃习惯标准不同的情况。
本发明提出利用动态阈值=LⓍY形式来判断消费习惯信息是否舍弃习惯；
式中J为分析库的规模，Y表示阈值比例因子；
在判断过程中Y表示固定值，可由算法人员调节。
设立动态阈值的效果为，当分析库较大时，对应的距离阈值越大，当分析库较小时，对应的距离阈值越小，从而使得在距离客户监控不同远近的消费习惯信息进行异常判断时更精确。
若消费习惯信息在异常，则将消费习惯信息中的有遗漏时长清零，继续处理其他识别客户监控检索；
若消费习惯信息未在异常，则获取当前时间并计算消费习惯信息停止累计时间，将消费习惯信息停止累计时间与有遗漏时长阈值进行比较，若超过有遗漏时长阈值，则判断为消费习惯信息有遗漏，通过网络将消费习惯信息发送至云服务端，云服务端接收到发出报警消息后，在页面会显示发出报警信息；若没有超过有遗漏时长，则当前消费习惯信息处理结束，继续处理其他识别客户监控检索。
若追踪信息中上一追踪到某一消费习惯，当前中未追踪到，此时会出现以下3种情况：
1、识别算法错误未检到消费习惯信息；
2、消费习惯信息超出库范围；
3、存在遗漏，其他物体将消费习惯信息遗漏导致识别算法无法识别到消费习惯信息。
针对上述情况，本发明处理的具体方法为：结合以上三种可能出现的情况，设置一个最大消失字数，在未达到最大消失字数之前，并不判断此消费习惯信息丢失。利用卡尔曼滤波算法中的无迹卡尔曼滤波基于上一的消费习惯信息区位置对其当前的消费习惯信息区进行预测，预测的结果作为当前消费习惯信息区，但追踪状态依然为未追踪到。
针对第一种情况，若为识别算法错误未检到消费习惯信息，则当下一消费习惯识别到消费习惯信息区时，追踪算法得到的消费习惯信息区会与当前消费习惯信息区匹配，避免了由于识别算法不稳定而导致的重复报警问题；
针对第二种情况，当达到最大消失字数后，算法视为当前消费习惯信息消失，删除此消费习惯信息追踪信息；
针对第三种情况，若为短时间遗漏，在消费习惯信息重新出现后追踪算法依然能基于之前的消费习惯信息区与遗漏后的消费习惯信息区匹配，识别为同一消费习惯信息，避免了重复报警的问题。
最大消失字数建议设置为获取客户监控检索的时间根据监控需求进行时间长短设定，每秒获取1万客户监控检索
具体的消费习惯信息识别单元、客户监测单元及消费习惯遗漏判断单元之间通过以下内容通信：
消费习惯信息识别单元经过训练、加速之后生成一个模型文件；
客户监测单元首先通过网络通信获取云服务设置；其中云服务设置具体包括：客户监控流地址、监管区位置；
设置完成后客户监测单元加载消费习惯信息识别单元的模型文件对客户监控检索数据进行消费习惯信息识别并得到消费习惯信息的分析库及分析库信息；
再将分析库送入卡尔曼滤波算法，为每个分析库匹配特定识别码后传入消费习惯遗漏判断单元得到追踪器信息，其中，追踪器信息包括消费习惯信息识别码、消费习惯信息分析库、消费习惯信息是否进入消费习惯信息分析库、消费习惯信息进入消费习惯信息分析库时间、消费习惯信息是否已被发出报警；
消费习惯遗漏判断单元遍历每一个追踪器信息，根据监管区位置判断此消费习惯信息是否位于监管区内，并更新追踪器信息，并根据追踪器信息判断消费习惯信息是否应该发出报警。
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (10)
1.一种基于大数据的精准获客方法，其特征在于：该包括以下步骤：
步骤S1，获取用于训练的不同客户信息，使用生成对抗网络自动提取所述不同客户信息中的所有消费习惯信息以得到用于训练的客户数据集；
步骤S2，利用所述客户数据集对基于消费习惯信息购买商品使用生成对抗网络进行特征学习；
步骤S3，通过基于大数据的边缘计算网络设置识别算法参数及消费习惯信息分析库；
步骤S4，获取客户监控检索数据，将客户监控获取到的每一个客户监控检索送入所述消费习惯信息识别模型，得到消费习惯信息识别结果；
步骤S5，将所述消费习惯信息识别结果送入卡尔曼滤波算法，对识别到的消费习惯信息进行追踪；
步骤S6，识别并判断追踪的所述消费习惯信息是否位于所述消费习惯信息分析库并判断所述消费习惯信息是否有遗漏；
所述卡尔曼滤波算法，表达式为：,
其中，表示消费习惯信息矩阵，表示消费习惯信息的真实值矩阵，τ表示消费习惯信息的权重，G表示消费习惯信息的增益矩阵，
所述消费习惯信息，表达式为：,
其中，表示当前时刻消费习惯数据集合，表示前一时刻消费习惯数据集合，表示不同等级购买力的影响范围，η表示消费习惯数据的种类矩阵，表示不同消费习惯数据对于购买力影响的权重，表示购买力影响的预测值。
2.根据权利要求1所述的一种基于大数据的精准获客方法，其特征在于：对基于消费习惯信息购买商品使用生成对抗网络进行特征学习后，同时对生成对抗网络算法的参数进行动态更新。
3.根据权利要求1所述的一种基于大数据的精准获客方法，其特征在于：判断消费习惯信息是否处于消费习惯信息分析库包含以下步骤：
步骤Q1，获取当前客户监控检索中某一个消费习惯信息分析库的规模和调取速度及消费习惯信息分析库的剩余空间；
步骤Q2，若消费习惯信息分析库规模与调取速度均在消费习惯信息分析库内，判断消费习惯信息有遗漏；
步骤Q3，若消费习惯信息分析库只有部分习惯位于消费习惯信息分析库内，则进行步骤Q4；
步骤Q4，判断消费习惯信息长时间习惯是否位于消费习惯信息分析库内，若消费习惯信息长时间习惯位于消费习惯信息分析库内则判断消费习惯信息有遗漏，否则进行下一步；
步骤Q5，继续获取当前客户监控检索中的其他识别消费习惯信息并进消费习惯信息是否有遗漏判断的操作。
4.根据权利要求3所述的一种基于大数据的精准获客方法，其特征在于：还包含一种判断消费习惯信息位于消费习惯信息分析库内是否舍弃习惯的方法，包括以下步骤：
步骤T1，计算前一个客户监控检索中消费习惯信息的长时间习惯与当前客户监控检索中所述消费习惯信息的长时间习惯的相似度，若所述的相似度超过阈值，则判定为消费习惯信息异常；
步骤T2，若判断消费习惯信息处于异常状态，则将消费习惯信息中的有遗漏时长清零并处理其他消费习惯信息客户监控检索；
步骤T3，若消费习惯信息未更新，则获取当前时间并计算消费习惯信息停止累计时间，将所述消费习惯信息停止累计时间与设定的有遗漏时长阈值进行比较，若所述消费习惯信息停止累计时间超过有遗漏时长阈值，则判断为消费习惯信息有遗漏，若所述消费习惯信息停止累计时间未超过有遗漏时长，则当前消费习惯信息处理结束，继续处理其他识别客户监控检索。
5.根据权利要求4所述的一种基于大数据的精准获客方法，其特征在于：所述阈值采用LⓍY的动态形式阈值来判断消费习惯信息舍弃习惯，其中，式中字母L表示分析库的规模，字母Y表示阈值比例因子。
6.根据权利要求4所述的一种基于大数据的精准获客方法，其特征在于：若追踪信息中上一客户监控检索追踪到某一消费习惯信息，而当前中未追踪到所述消费习惯信息时，则系统设置一个最大消失字数，在未达到最大消失字数之前，并不判断所述消费习惯信息丢失，之后利用卡尔曼滤波算法中的无迹卡尔曼滤波基于上一个的所述消费习惯信息区位置对当前的所述消费习惯信息区进行预测，预测的结果作为当前消费习惯信息区；若下一消费习惯客户监控检索识别到所述消费习惯信息区位置与所述当前消费习惯信息区匹配，则判断为识别算法错误导致的消费习惯信息消失；若达到最大消失字数后，直接视为所述消费习惯信息消失，系统删除此消费习惯信息追踪信息；若未达到最大消失字数的时间段中所述消费习惯信息重新出现，则判断为所述消费习惯信息被短时间遗漏。
7.根据权利要求6所述的一种基于大数据的精准获客方法，其特征在于：获取所述客户监控检索的时间为根据监控需求进行时间长短设定，每秒获取1万客户监控检索。
8.根据权利要求1所述的一种基于大数据的精准获客系统，其特征在于：该系统包含消费习惯信息识别单元，客户监测单元及消费习惯遗漏判断单元，
所述消费习惯信息识别单元用于对所述客户监测单元获取到的客户监控检索数据进行消费习惯信息识别并得到消费习惯信息的分析库及分析库信息；
所述客户监测单元用于获取客户监控检索数据、设置监管区位置及对所述消费习惯信息识别单元得到的消费习惯信息分析库及分析库信息匹配特定识别码后传入至所述消费习惯遗漏判断单元；
所述消费习惯遗漏判断单元用于接收到匹配好特定识别码的消费习惯信息分析库及分析库信息后输出追踪器信息，查找每一个所述追踪器信息，根据所述监管区位置判断此消费习惯信息是否位于监管区内，并再次更新追踪器信息，根据更新后的所述追踪器信息判断消费习惯信息是否应该被发出报警。
9.根据权利要求8所述的一种基于大数据的精准获客系统，其特征在于：所述追踪器信息包括：消费习惯信息识别码、消费习惯信息分析库、消费习惯信息是否进入消费习惯信息分析库、消费习惯信息进入消费习惯信息分析库时间、消费习惯信息是否已被发出报警。
10.根据权利要求1所述的一种基于大数据的精准获客系统，其特征在于：所述客户数据集利用大数据算法对客户的消费喜欢进行实时抓取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310287312.4A CN115994781A (zh) | 2023-03-23 | 2023-03-23 | 一种基于大数据的精准获客系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310287312.4A CN115994781A (zh) | 2023-03-23 | 2023-03-23 | 一种基于大数据的精准获客系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115994781A true CN115994781A (zh) | 2023-04-21 |
Family
ID=85993864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310287312.4A Pending CN115994781A (zh) | 2023-03-23 | 2023-03-23 | 一种基于大数据的精准获客系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115994781A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116644802A (zh) * | 2023-07-19 | 2023-08-25 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648748A (zh) * | 2022-05-23 | 2022-06-21 | 科大天工智能装备技术（天津）有限公司 | 一种基于深度学习的机动车违停智能识别方法及系统 |
| CN115696169A (zh) * | 2022-11-02 | 2023-02-03 | 中用科技有限公司 | 一种mes生产管理系统的数据获取方法 |
| CN115712825A (zh) * | 2022-11-23 | 2023-02-24 | 南通慧泉数据有限公司 | 一种基于工业互联网大数据的智能优化方法及系统 |
| CN115733584A (zh) * | 2022-11-29 | 2023-03-03 | 航天科工通信技术研究院有限责任公司 | 一种基于帧数据串行传输的帧数据接收方法 |
| CN115801361A (zh) * | 2022-11-07 | 2023-03-14 | 安徽云探索网络科技有限公司 | 一种网络安全运维能力评估方法及系统 |
-
2023
- 2023-03-23 CN CN202310287312.4A patent/CN115994781A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648748A (zh) * | 2022-05-23 | 2022-06-21 | 科大天工智能装备技术（天津）有限公司 | 一种基于深度学习的机动车违停智能识别方法及系统 |
| CN115696169A (zh) * | 2022-11-02 | 2023-02-03 | 中用科技有限公司 | 一种mes生产管理系统的数据获取方法 |
| CN115801361A (zh) * | 2022-11-07 | 2023-03-14 | 安徽云探索网络科技有限公司 | 一种网络安全运维能力评估方法及系统 |
| CN115712825A (zh) * | 2022-11-23 | 2023-02-24 | 南通慧泉数据有限公司 | 一种基于工业互联网大数据的智能优化方法及系统 |
| CN115733584A (zh) * | 2022-11-29 | 2023-03-03 | 航天科工通信技术研究院有限责任公司 | 一种基于帧数据串行传输的帧数据接收方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116644802A (zh) * | 2023-07-19 | 2023-08-25 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709028A (zh) | 一种网络安全状态评估和攻击预测方法 | |
| CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
| CN113779381B (zh) | 资源推荐方法、装置、电子设备和存储介质 | |
| CN115994781A (zh) | 一种基于大数据的精准获客系统及方法 | |
| Liu et al. | A binary-classification-tree based framework for distributed target classification in multimedia sensor networks | |
| CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
| CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 | |
| KR20220150614A (ko) | 화재 감지 서버, 방법 및 컴퓨터 프로그램 | |
| Zhu et al. | Human behavior clustering for anomaly detection | |
| Vhatkar et al. | Design issues and challenges in hierarchical routing protocols for wireless sensor networks | |
| WO2013189202A1 (zh) | 一种智能视频分析系统及方法 | |
| CN108596068B (zh) | 一种动作识别的方法和装置 | |
| US11954955B2 (en) | Method and system for collecting and monitoring vehicle status information | |
| CN114120180B (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
| CN115712825A (zh) | 一种基于工业互联网大数据的智能优化方法及系统 | |
| CN115733584A (zh) | 一种基于帧数据串行传输的帧数据接收方法 | |
| CN113158953B (zh) | 一种人员查找方法、装置、设备及介质 | |
| CN114266921A (zh) | 图像描述信息获取方法、装置、服务器及存储介质 | |
| CN112650595B (zh) | 一种通讯内容处理方法及相关装置 | |
| Cai et al. | An online face clustering algorithm for face monitoring and retrieval in real-time videos | |
| CN113657169A (zh) | 一种步态识别方法、装置、系统和计算机可读存储介质 | |
| Bodke et al. | A Review Paper on Object-Detection using the DeepLearning Approach | |
| CN117931562A (zh) | 一种能效人工智能分析系统及方法 | |
| Liu et al. | Detection of Distracted Driving Behavior Based on Object Information | |
| CN110312103A (zh) | 一种基于云计算平台的高速设备防盗监控视频处理方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230421 |