CN116843377B - 基于大数据的消费行为预测方法、装置、设备及介质 - Google Patents

基于大数据的消费行为预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116843377B
CN116843377B CN202310918212.7A CN202310918212A CN116843377B CN 116843377 B CN116843377 B CN 116843377B CN 202310918212 A CN202310918212 A CN 202310918212A CN 116843377 B CN116843377 B CN 116843377B
Authority
CN
China
Prior art keywords
consumption behavior
consumption
trend
information
duty ratio
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.)
Active
Application number
CN202310918212.7A
Other languages
English (en)
Other versions
CN116843377A (zh
Inventor
张辉
刘明亮
左瑞龙
齐长志
张旭
曹吉朋
张小龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Think Education Technology Co ltd
Original Assignee
Hebei Think Education Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Think Education Technology Co ltd filed Critical Hebei Think Education Technology Co ltd
Priority to CN202310918212.7A priority Critical patent/CN116843377B/zh
Publication of CN116843377A publication Critical patent/CN116843377A/zh
Application granted granted Critical
Publication of CN116843377B publication Critical patent/CN116843377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06Q50/12—Hotels or restaurants
    • 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
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Educational Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于数据处理技术领域，提供了基于大数据的消费行为预测方法、装置、设备及介质，该方法包括：获取第一时间段内的多个第一消费行为信息；其中，第一消费行为信息包括：消费时间、消费地点和一卡通信息，第一时间段为截止到当前时刻之前的预设历史时段；对多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息；对多个第二消费行为信息进行聚类分析，得到消费行为分析结果；基于消费行为分析结果，预测得到消费行为趋势；其中，消费行为趋势表征第二时间段内的预测的用户的消费趋势，第二时间段的起始时刻为当前时刻。本申请可以避免校园中资源分配不均的情况，减少资源的浪费。

Description

基于大数据的消费行为预测方法、装置、设备及介质
技术领域
本申请属于数据处理技术领域，尤其涉及基于大数据的消费行为预测方法、装置、设备及介质。
背景技术
在数字校园、智慧校园的建设中，校园一卡通数据无疑是重要的基础。从校园一卡通数据中获取高层次的语义信息，一方面能为学生提供生活习惯分析和健康生活建议，另一方面则可为学校的日常管理及安全工作提供有效的参考。
随着校园中人员的增多，校园一卡通数据也进一步增多，如何依据这些海量的校园一卡通数据，对校园内一卡通消费行为进行分析和预测成了亟待解决的问题。
发明内容
本申请实施例提供了基于大数据的消费行为预测方法、装置、设备及介质，以依据海量的校园一卡通数据，对校园内一卡通消费行为进行分析和预测。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种基于大数据的消费行为预测方法，包括：
获取第一时间段内的多个第一消费行为信息；其中，第一消费行为信息包括：消费时间、消费地点和一卡通信息，第一时间段为截止到当前时刻之前的预设历史时段。
对多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息。
对多个第二消费行为信息进行聚类分析，得到消费行为分析结果。
基于消费行为分析结果，预测得到消费行为趋势；其中，消费行为趋势表征第二时间段内的预测的用户的消费趋势，第二时间段的起始时刻为当前时刻。
结合第一方面，在一些可能的实现方式中，对多个第二消费行为信息进行聚类分析，得到消费行为分析结果，包括：
对多个第二消费行为信息进行聚类，获得多个聚类中心；
针对每一个第二消费行为信息，分别计算多个聚类中心与第二消费行为信息之间的相似度；
基于多个相似度，得到相似度的最大值；其中，相似度的最大值对应的聚类中心为相应第二消费行为信息对应的分类，得到相应第二消费行为信息的分类结果；
对多个第二消费行为信息的分类结果进行分析，得到消费行为分析结果。
结合第一方面，在一些可能的实现方式中，相似度的计算公式为：
其中，为第/>个第二消费行为信息/>中的文字的集合与第/>个聚类中心/>中的文字的集合之间的相似度，/>，/>为整数，/>根据所述聚类中心的总个数确定，，/>为整数，/>根据所述第二消费行为信息的总个数确定，聚类中心中的文字的集合根据相应聚类中心得到，第二消费行为信息中的文字的集合根据相应第二消费行为信息得到。
结合第一方面，在一些可能的实现方式中，消费行为分析结果包括：教职工消费行为分析结果和学生消费行为分析结果。
结合第一方面，在一些可能的实现方式中，基于消费行为分析结果，预测得到消费行为趋势，包括：获取第一占比和第二占比；其中，第一占比表征教职工消费行为分析结果在消费行为分析结果中个数的占比，第二占比表征学生消费行为分析结果在消费行为分析结果中个数的占比。基于教职工消费行为分析结果，预测得到第一消费行为趋势；其中，第一消费行为趋势表征在不同时段内教职工消费的次数和消费的地点。基于学生消费行为分析结果，预测得到第二消费行为趋势；其中，第二消费行为趋势表征在不同时段内学生消费的次数和消费的地点。基于第一消费行为趋势、第二消费行为趋势、第一占比和第二占比，得到消费行为趋势。
结合第一方面，在一些可能的实现方式中，基于教职工消费行为分析结果，预测得到第一消费行为趋势，包括：基于教职工消费行为分析结果和长短期记忆网络，预测得到多个第一行为，其中，长短期记忆网络输入消费行为分析结果输出预测行为。基于多个第一行为，得到第一消费行为趋势。
基于学生消费行为分析结果，预测得到第二消费行为趋势，包括：基于学生消费行为分析结果和长短期记忆网络，预测得到多个第二行为。基于多个第二行为，得到第二消费行为趋势。
结合第一方面，在一些可能的实现方式中，基于第一消费行为趋势、第二消费行为趋势、第一占比和第二占比，得到消费行为趋势，包括：基于第一消费行为趋势和第一占比，得到教职工消费行为趋势；其中，教职工消费行为趋势表征在消费行为趋势中教职工的消费行为趋势所占的部分。基于第二消费行为趋势和第二占比，得到学生消费行为趋势，其中，学生消费行为趋势表征在消费行为趋势中学生的消费行为趋势所占的部分。基于教职工消费行为趋势和学生消费行为趋势之和，得到消费行为趋势。
第二方面，本申请实施例提供了一种基于大数据的消费行为预测装置，包括：
获取模块，用于获取第一时间段内的多个第一消费行为信息；其中，第一消费行为信息包括：消费时间、消费地点和一卡通信息，第一时间段为截止到当前时刻之前的预设历史时段。
预处理模块，用于对多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息。
聚类模块，用于对多个第二消费行为信息进行聚类分析，得到消费行为分析结果。
预测模块，用于基于消费行为分析结果，预测得到消费行为趋势；其中，消费行为趋势表征第二时间段内的预测的用户的消费趋势，第二时间段的起始时刻为当前时刻。
第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的基于大数据的消费行为预测方法。
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存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的基于大数据的消费行为预测方法。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过获取第一时间段内的多个第一消费行为信息，并依次对第一消费行为信息进行数据预处理和聚类分析，得到消费行为分析结果，进而预测得到消费行为趋势，从而，学校可以依据该预测得到的消费行为趋势做出进一步调整，避免出现资源分配不均的现象，减少学校食堂中粮食的浪费，节约粮食。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的基于大数据的消费行为预测方法的流程示意图；
图2是本申请一实施例提供的基于大数据的消费行为预测装置的结构示意图；
图3是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提出了一种基于大数据的消费行为预测方法，通过大数据技术对海量的校园一卡通原始数据进行分析，分析用户的行为并对未来的行为进行预测，并依据该预测结果为学校的服务和管理提供理论支撑，使学校做出进一步调整，避免出现资源分配不均的现象，减少学校食堂中粮食的浪费，节约粮食。
图1是本申请一实施例提供的基于大数据的消费行为预测方法的流程示意性图，参照图1，对该基于大数据的消费行为预测方法的详述如下：
步骤101，获取第一时间段内的多个第一消费行为信息。其中，第一消费行为信息包括：消费时间、消费地点和一卡通信息，第一时间段为截止到当前时刻之前的预设历史时段。
这里，上述一卡通信息可以包括一卡通的标识，该标识可以表示使用一卡通的用户的身份，如学生甲，教职工乙等。上述预设历史时段可以根据实际情况设置，如当前时刻之前的一个月或两个月等。
步骤102，对多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息。
可选的，本实施例对多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息可以包括：去除多个第一消费行为信息中的重复的第一消费行为信息和异常的第一消费行为信息，得到多个第二消费行为信息，从而，保证数据（第二消费行为信息）的准确性和完整性，提高后续处理结果的准确性。
示例性的，上述异常的第一消费行为信息可以理解为与正常的第一消费行为信息不同的，如出现错误的信息，例如，假设“周一早上教师A在教师食堂消费一次”为正常的第一消费行为信息，那么当信息为“周一早上教师A在教师食堂消费一百次”时，明显消费次数与平常差距过大，即与正常的消费行为信息不同，出现错误，属于不正常数据，此时，本实施例可以将上述信息“周一早上教师A在教师食堂消费一百次”作为异常的第一消费行为信息。
另外，本实施例对上述多个第一消费行为信息进行数据预处理，还可以包括：提取上述多个第一消费行为信息的特征信息，将提取的特征信息作为上述第二消费行为信息，从而，提高后续处理速度。其中，上述特征信息可以包括上述消费时间、消费地点和一卡通信息，本实施例通过提取第一消费行为信息的特征信息，去除第一消费行为信息中的冗余信息，从而基于去除冗余信息后的消费行为信息进行后续处理提高后续处理速度。
而且，本实施例对上述多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息后，还可以检测得到的多个第二消费行为信息的格式是否统一，如果不统一，则统一格式，以便后续可以对格式统一的多个第二消费行为信息进行聚类分析，提高聚类结果的准确性。
步骤103，对多个第二消费行为信息进行聚类分析，得到消费行为分析结果。
示例性的，本实施例对多个第二消费行为信息进行聚类分析，得到消费行为分析结果，可以包括：
对上述多个第二消费行为信息进行聚类，获得多个聚类中心。其中，本实施例可以采用多种聚类算法对上述多个第二消费行为信息进行聚类，如K-Means、均值漂移聚类等聚类算法等。
可选的，本实施例还可以预先设置聚类中心，例如聚类中心可以为“周一早上于教师食堂消费”、“周一中午于教师食堂消费”、“周一晚上于教师食堂消费”、“周一早上于学生食堂消费”等，进而，通过获取多个预先设置的聚类中心，对所述多个第二消费行为信息进行聚类，得到上述多个聚类中心。
针对每一个第二消费行为信息，本实施例分别计算多个聚类中心与该第二消费行为信息之间的相似度，然后，基于多个相似度，得到相似度的最大值；其中，相似度的最大值对应的聚类中心为相应第二消费行为信息对应的分类，得到相应第二消费行为信息的分类结果，从而，对多个第二消费行为信息的分类结果进行分析，得到消费行为分析结果。
示例性的，相似度的计算公式为：
其中，为第/>个第二消费行为信息/>中的文字的集合与第/>个聚类中心/>中的文字的集合之间的相似度，/>，/>整数，/>根据为所述聚类中心的总个数确定，，/>整数，/>根据为所述第二消费行为信息的总个数确定，聚类中心中的文字的集合根据相应聚类中心得到，第二消费行为信息中的文字的集合根据相应第二消费行为信息得到。这里，如果聚类中心的总个数为5个，上述/>可以取值为5，同样，如果第二消费行为信息的总个数为6个，上述/>可以取值为6。
具体的，和/>各自表征的文字的集合中可以只存在特征词，例如，第一个第二消费行为信息为：“周一早上教师A在教师食堂消费一次”。那么对于/>来说，/>表示的集合可以为{教师，周一，早上，教师食堂，消费一次}。
示例性的，消费行为分析结果包括：教职工消费行为分析结果和学生消费行为分析结果。
步骤104，基于消费行为分析结果，预测得到消费行为趋势。其中，消费行为趋势表征第二时间段内的预测的用户的消费趋势，第二时间段的起始时刻为当前时刻。
示例性的，本实施例基于消费行为分析结果，预测得到消费行为趋势，可以包括：获取第一占比和第二占比；其中，第一占比表征教职工消费行为分析结果在消费行为分析结果中个数的占比，第二占比表征学生消费行为分析结果在消费行为分析结果中个数的占比。基于教职工消费行为分析结果，预测得到第一消费行为趋势；其中，第一消费行为趋势表征在不同时段内教职工消费的次数和消费的地点。基于学生消费行为分析结果，预测得到第二消费行为趋势；其中，第二消费行为趋势表征在不同时段内学生消费的次数和消费的地点。基于第一消费行为趋势、第二消费行为趋势、第一占比和第二占比，得到消费行为趋势。
可选的，消费行为趋势表示一卡通用户在某一个时间段内（早饭期间、午饭期间、晚饭期间）的消费次数和消费地点（学生食堂、教师食堂、超市）。
示例性的，本实施例基于教职工消费行为分析结果，预测得到第一消费行为趋势，可以包括：基于教职工消费行为分析结果和长短期记忆网络，预测得到多个第一行为。基于多个第一行为，得到第一消费行为趋势。
在本实施例中，基于学生消费行为分析结果，预测得到第二消费行为趋势，可以包括：基于学生消费行为分析结果和长短期记忆网络，预测得到多个第二行为。基于多个第二行为，得到第二消费行为趋势。其中，长短期记忆网络输入消费行为分析结果输出预测行为。
示例性的，以教职工消费行为分析结果为例，教职工消费行为分析结果中包含多种分析结果，例如，老师们在不同时间段（早饭期间、午饭期间、晚饭期间）都去哪里消费。老师们在不同时间段（早饭期间、午饭期间、晚饭期间）的消费次数。
可选的，以教职工消费行为分析结果为例，基于教职工消费行为分析结果和长短期记忆网络，预测得到多个第一行为的步骤如下：
其中，，/>，/>，，/>，/>，/>为/>时刻的输入（教职工消费行为分析结果），/>为/>时刻预测值（第一行为）。/>为输入门控，/>为遗忘门控，/>为输出门控，/>为输入单元的权重矩阵，/>为遗忘单元的权重矩阵，/>为输出单元的权重矩阵。/>是sigmoid函数，/>为tanh激活函数，/>为元素乘，/>为长时记忆状态，/>为短时记忆状态，/>为第一训练权重参数，/>为第二训练权重参数，第一训练权重参数和第二训练权重参数是LSTM（长短期记忆网络）系统经过长期训练得到的参数，两者不一定相等。
对于LSTM的具体训练，先将教职工消费行为分析结果划分为训练集和验证集，在第一次训练预测模型（LSTM）时第一训练权重参数和第二训练权重参数均为预设值，该预设值为任意数，此时将训练集输入预测模型，得到第一次的预测值，用验证集数据去验证该预测值的与实际值的偏差，在偏差较大的情况下，此时修改第一训练权重参数和第二训练权重参数，以减小预测值的与实际值的偏差，重复上述操作，经过多次迭代，直至预测值的与实际值的偏差在设定范围内，例如：通过教职工消费行为分析结果中连续几个周一教职工的早上（或者中午或者晚上）的消费次数（地点），预测得到下一个周一教职工的早上（或者中午或者晚上）的消费次数（地点），比对该预测值与验证集中的实际值的偏差。经过多次迭代，直至预测值的与实际值的偏差在设定范围内，即可得到最合适的第一训练权重参数和最合适的第二训练权重参数，那么此时该训练好的预测模型为最优模型。
基于学生消费行为分析结果，预测得到第二行为的步骤与上述基于教职工消费行为分析结果和长短期记忆网络，预测得到多个第一行为的步骤相同。
示例性的，本实施例基于第一消费行为趋势、第二消费行为趋势、第一占比和第二占比，得到消费行为趋势，可以包括：基于第一消费行为趋势和第一占比，得到教职工消费行为趋势；其中，教职工消费行为趋势表征在消费行为趋势中教职工的消费行为趋势所占的部分。基于第二消费行为趋势和第二占比，得到学生消费行为趋势，其中，学生消费行为趋势表征在消费行为趋势中学生的消费行为趋势所占的部分。基于教职工消费行为趋势和学生消费行为趋势之和，得到消费行为趋势。
例如，以消费次数为例，假设第一占比为10%，第二占比为90%，第一消费行为趋势为：“早上消费27次，中午消费90次，晚上消费10次”，第二消费行为趋势为：“早上消费540次，中午消费600次，晚上消费540次”，那么对应的教职工消费行为趋势为“早上消费2.7次，中午消费9次，晚上消费1次”，学生消费行为趋势为“早上消费486次，中午消费540次，晚上消费486次”，因此，消费行为趋势为“早上消费489次（为488.7次的向上取整），中午消费549次，晚上消费487次”。根据该消费行为趋势中关于消费次数的部分可以得出结论，早上消费次数略多于晚上消费，但是差异不大，中午的消费次数最多，对于学校来说，可以在早饭和晚饭时适应的减少食物的准备，避免食物浪费。
对于消费地点来说，假设第一占比为10%，第二占比为90%，第一消费行为趋势为：“早上在教师食堂消费20次，早上在学生食堂消费5次，早上在超市消费2次，中午在教师食堂消费60次，中午在学生食堂消费15次，中午在超市消费15次，晚上在教师食堂消费5次，晚上在学生食堂消费3次，晚上在超市消费2次”。
第二消费行为趋势为：“早上在教师食堂消费20次，早上在学生食堂消费500次，早上在超市消费20次，中午在教师食堂消费20次，中午在学生食堂消费500次，中午在超市消费80次，晚上在教师食堂消费10次，晚上在学生食堂消费500次，晚上在超市消费30次”。
那么对应的教职工消费行为趋势为：“早上在教师食堂消费2次，早上在学生食堂消费0.5次，早上在超市消费0.2次，中午在教师食堂消费6次，中午在学生食堂消费1.5次，中午在超市消费1.5次，晚上在教师食堂消费0.5次，晚上在学生食堂消费0.3次，晚上在超市消费0.2次”。
那么对应的学生消费行为趋势为：“早上在教师食堂消费18次，早上在学生食堂消费450次，早上在超市消费18次，中午在教师食堂消费18次，中午在学生食堂消费450次，中午在超市消费72次，晚上在教师食堂消费9次，晚上在学生食堂消费450次，晚上在超市消费27次”。
因此，消费行为趋势为：“早上在教师食堂消费20次，早上在学生食堂消费451次（450.5向上取整），早上在超市消费19次（18.2向上取整），中午在教师食堂消费24次，中午在学生食堂消费452次（451.5向上取整），中午在超市消费74次（73.5向上取整），晚上在教师食堂消费10次（9.5向上取整），晚上在学生食堂消费451次（450.3向上取整），晚上在超市消费28次（27.2向上取整）”。
这样，可以根据该消费行为趋势中关于消费地点的部分得出结论，根据不同地点的消费次数设置窗口的开放，例如，对于学生食堂来说，早上、中午和晚上的人数基本相同，在一天中调配的资源不需要进行大的变动，窗口的开放也不需要进行大的调整；对于教师食堂来说，晚上的时候消费的人数很少，可以只开几个窗口，在早上和中午的时候多开窗口；对于超市来说，早上和晚上的时候消费的人数较多，可以多开放一些窗口，中午少开放一些窗口。以此适应消费趋势，合理的调配资源，避免食物浪费。
本实施例基于大数据的消费行为预测，通过获取第一时间段内的多个第一消费行为信息，并依次对第一消费行为信息进行数据预处理和聚类分析，得到消费行为分析结果，进而预测得到消费行为趋势，学校可以依据该预测得到的消费行为趋势做出进一步调整，避免出现资源分配不均的现象，减少学校食堂中粮食的浪费，节约粮食。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的基于大数据的消费行为预测方法，图2示出了本申请实施例提供的基于大数据的消费行为预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图2，本申请实施例中的基于大数据的消费行为预测装置可以包括获取模块201、预处理模块202、聚类模块203和预测模块204。
可选的，获取模块201，用于获取第一时间段内的多个第一消费行为信息；其中，第一消费行为信息包括：消费时间、消费地点和一卡通信息，第一时间段为截止到当前时刻之前的预设历史时段。
可选的，预处理模块202，用于对多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息。
可选的，聚类模块203，用于对多个第二消费行为信息进行聚类分析，得到消费行为分析结果。
示例性的，聚类模块203还用于：对多个第二消费行为信息进行聚类，获得多个聚类中心。
针对每一个第二消费行为信息，计算多个聚类中心与相应第二消费行为信息之间的相似度；基于多个相似度，得到相似度的最大值；其中，相似度的最大值对应的聚类中心为相应第二消费行为信息对应的分类，得到该第二消费行为信息的分类结果。
对多个第二消费行为信息的分类结果进行分析，得到消费行为分析结果。
示例性的，相似度的计算公式为：
其中，为第/>个第二消费行为信息/>中的文字的集合与第/>个聚类中心/>中的文字的集合之间的相似度，/>，/>为整数，/>根据所述聚类中心的总个数确定，，/>为整数，/>根据所述第二消费行为信息的总个数确定，聚类中心中的文字的集合根据相应聚类中心得到，第二消费行为信息中的文字的集合根据相应第二消费行为信息得到。
示例性的，消费行为分析结果包括：教职工消费行为分析结果和学生消费行为分析结果。
可选的，预测模块204，用于基于消费行为分析结果，预测得到消费行为趋势；其中，消费行为趋势表征第二时间段内的预测的用户的消费趋势，第二时间段的起始时刻为当前时刻。
示例性的，预测模块204还用于：获取第一占比和第二占比；其中，第一占比表征教职工消费行为分析结果在消费行为分析结果中个数的占比，第二占比表征学生消费行为分析结果在消费行为分析结果中个数的占比。基于教职工消费行为分析结果，预测得到第一消费行为趋势；其中，第一消费行为趋势表征在不同时段内教职工消费的次数和消费的地点。基于学生消费行为分析结果，预测得到第二消费行为趋势；其中，第二消费行为趋势表征在不同时段内学生消费的次数和消费的地点。基于第一消费行为趋势、第二消费行为趋势、第一占比和第二占比，得到消费行为趋势。
示例性的，预测模块204还用于：基于教职工消费行为分析结果和长短期记忆网络，预测得到多个第一行为。基于多个第一行为，得到第一消费行为趋势。其中，长短期记忆网络输入消费行为分析结果输出预测行为。
示例性的，预测模块204还用于：基于学生消费行为分析结果和长短期记忆网络，预测得到多个第二行为。基于多个第二行为，得到第二消费行为趋势。
示例性的，预测模块204还用于：基于第一消费行为趋势和第一占比，得到教职工消费行为趋势；其中，教职工消费行为趋势表征在消费行为趋势中教职工的消费行为趋势所占的部分。基于第二消费行为趋势和第二占比，得到学生消费行为趋势，其中，学生消费行为趋势表征在消费行为趋势中学生的消费行为趋势所占的部分。基于教职工消费行为趋势和学生消费行为趋势之和，得到消费行为趋势。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，参见图3，该电子设备300可以包括：至少一个处理器310、存储器320，该存储器320用于存储计算机程序321，所述处理器310用于调用并运行所述存储器320中存储的计算机程序321实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤104。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。其中，上述电子设备300可以为终端设备。
示例性的，计算机程序321可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在电子设备300中的执行过程。
本领域技术人员可以理解，图3仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是电子设备的内部存储单元，也可以是电子设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器320用于存储所述计算机程序以及电子设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的基于大数据的消费行为预测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。
本申请实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述基于大数据的消费行为预测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述基于大数据的消费行为预测方法各个实施例中的步骤。
所述集成的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，本申请实现上述实施例方法中的全部或部分流程，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至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于大数据的消费行为预测方法，其特征在于，包括：
获取第一时间段内的多个第一消费行为信息；其中，所述第一消费行为信息包括：消费时间、消费地点和一卡通信息，所述第一时间段为截止到当前时刻之前的预设历史时段；
对所述多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息；
对所述多个第二消费行为信息进行聚类分析，得到消费行为分析结果；
基于所述消费行为分析结果，预测得到消费行为趋势；其中，所述消费行为趋势表征第二时间段内的预测的用户的消费趋势，所述第二时间段的起始时刻为当前时刻；
所述消费行为分析结果包括：教职工消费行为分析结果和学生消费行为分析结果；
所述基于所述消费行为分析结果，预测得到消费行为趋势，包括：
获取第一占比和第二占比；其中，所述第一占比表征所述教职工消费行为分析结果在所述消费行为分析结果中个数的占比，所述第二占比表征所述学生消费行为分析结果在所述消费行为分析结果中个数的占比；
基于所述教职工消费行为分析结果，预测得到第一消费行为趋势；其中，所述第一消费行为趋势表征在不同时段内教职工消费的次数和消费的地点；
基于所述学生消费行为分析结果，预测得到第二消费行为趋势；其中，所述第二消费行为趋势表征在不同时段内学生消费的次数和消费的地点；
基于所述第一消费行为趋势、所述第二消费行为趋势、所述第一占比和所述第二占比，得到所述消费行为趋势；
所述基于所述第一消费行为趋势、所述第二消费行为趋势、所述第一占比和所述第二占比，得到所述消费行为趋势，包括：
基于所述第一消费行为趋势和所述第一占比，得到教职工消费行为趋势；其中，所述教职工消费行为趋势表征在所述消费行为趋势中教职工的消费行为趋势所占的部分；
基于所述第二消费行为趋势和所述第二占比，得到学生消费行为趋势，其中，所述学生消费行为趋势表征在所述消费行为趋势中学生的消费行为趋势所占的部分；
基于所述教职工消费行为趋势和所述学生消费行为趋势之和，得到所述消费行为趋势；
所述对所述多个第二消费行为信息进行聚类分析，得到消费行为分析结果，包括：
对所述多个第二消费行为信息进行K-Means聚类，获得多个聚类中心；
针对每一个第二消费行为信息，分别计算多个聚类中心与第二消费行为信息之间的相似度；
基于多个所述相似度，得到相似度的最大值；其中，所述相似度的最大值对应的聚类中心为相应第二消费行为信息对应的分类，得到相应第二消费行为信息的分类结果；
对多个第二消费行为信息的分类结果进行分析，得到所述消费行为分析结果；
所述相似度的计算公式为：
其中，Pij为第j个第二消费行为信息Mj中的文字的集合与第i个聚类中心Ci中的文字的集合之间的相似度，i＝1，2，3，…,n，n为整数，n根据所述聚类中心的总个数确定，j＝1，2，3，…,m，m为整数，m根据所述第二消费行为信息的总个数确定，聚类中心中的文字的集合根据相应聚类中心得到，第二消费行为信息中的文字的集合根据相应第二消费行为信息得到，所述第j个第二消费行为信息Mj中的文字的集合为特征词的集合，所述第i个聚类中心Ci中的文字的集合为特征词的集合。
2.如权利要求1所述的基于大数据的消费行为预测方法，其特征在于，所述基于所述教职工消费行为分析结果，预测得到第一消费行为趋势，包括：
基于所述教职工消费行为分析结果和长短期记忆网络，预测得到多个第一行为，其中，所述长短期记忆网络输入消费行为分析结果输出预测行为；
基于多个所述第一行为，得到所述第一消费行为趋势；
所述基于所述学生消费行为分析结果，预测得到第二消费行为趋势，包括：
基于所述学生消费行为分析结果和所述长短期记忆网络，预测得到多个第二行为；
基于多个所述第二行为，得到所述第二消费行为趋势。
3.一种基于大数据的消费行为预测装置，其特征在于，包括：
获取模块，用于获取第一时间段内的多个第一消费行为信息；其中，所述第一消费行为信息包括：消费时间、消费地点和一卡通信息，所述第一时间段为截止到当前时刻之前的预设历史时段；
预处理模块，用于对所述多个第一消费行为信息进行数据预处理，得到多个第二消费行为信息；
聚类模块，用于对所述多个第二消费行为信息进行聚类分析，得到消费行为分析结果；
预测模块，用于基于所述消费行为分析结果，预测得到消费行为趋势；其中，所述消费行为趋势表征第二时间段内的预测的用户的消费趋势，所述第二时间段的起始时刻为当前时刻；
所述消费行为分析结果包括：教职工消费行为分析结果和学生消费行为分析结果；
所述预测模块，还用于：
获取第一占比和第二占比；其中，所述第一占比表征所述教职工消费行为分析结果在所述消费行为分析结果中个数的占比，所述第二占比表征所述学生消费行为分析结果在所述消费行为分析结果中个数的占比；
基于所述教职工消费行为分析结果，预测得到第一消费行为趋势；其中，所述第一消费行为趋势表征在不同时段内教职工消费的次数和消费的地点；
基于所述学生消费行为分析结果，预测得到第二消费行为趋势；其中，所述第二消费行为趋势表征在不同时段内学生消费的次数和消费的地点；
基于所述第一消费行为趋势、所述第二消费行为趋势、所述第一占比和所述第二占比，得到所述消费行为趋势；
所述预测模块，还用于：
基于所述第一消费行为趋势和所述第一占比，得到教职工消费行为趋势；其中，所述教职工消费行为趋势表征在所述消费行为趋势中教职工的消费行为趋势所占的部分；
基于所述第二消费行为趋势和所述第二占比，得到学生消费行为趋势，其中，所述学生消费行为趋势表征在所述消费行为趋势中学生的消费行为趋势所占的部分；
基于所述教职工消费行为趋势和所述学生消费行为趋势之和，得到所述消费行为趋势；
所述聚类模块，具体用于：
对所述多个第二消费行为信息进行K-Means聚类，获得多个聚类中心；
针对每一个第二消费行为信息，分别计算多个聚类中心与第二消费行为信息之间的相似度；
基于多个所述相似度，得到相似度的最大值；其中，所述相似度的最大值对应的聚类中心为相应第二消费行为信息对应的分类，得到相应第二消费行为信息的分类结果；
对多个第二消费行为信息的分类结果进行分析，得到所述消费行为分析结果；
所述相似度的计算公式为：
其中，Pij为第j个第二消费行为信息Mj中的文字的集合与第i个聚类中心Ci中的文字的集合之间的相似度，i＝1，2，3，…,n，n为整数，n根据所述聚类中心的总个数确定，j＝1，2，3，…,m，m为整数，m根据所述第二消费行为信息的总个数确定，聚类中心中的文字的集合根据相应聚类中心得到，第二消费行为信息中的文字的集合根据相应第二消费行为信息得到，所述第j个第二消费行为信息Mj中的文字的集合为特征词的集合，所述第i个聚类中心Ci中的文字的集合为特征词的集合。
4.一种电子设备，包括：处理器和存储器，所述存储器中存储有可在所述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计算机程序时实现如权利要求1至2任一项所述的基于大数据的消费行为预测方法。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的基于大数据的消费行为预测方法。
CN202310918212.7A 2023-07-25 2023-07-25 基于大数据的消费行为预测方法、装置、设备及介质 Active CN116843377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310918212.7A CN116843377B (zh) 2023-07-25 2023-07-25 基于大数据的消费行为预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310918212.7A CN116843377B (zh) 2023-07-25 2023-07-25 基于大数据的消费行为预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116843377A CN116843377A (zh) 2023-10-03
CN116843377B true CN116843377B (zh) 2024-06-18

Family

ID=88167095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310918212.7A Active CN116843377B (zh) 2023-07-25 2023-07-25 基于大数据的消费行为预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116843377B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846692A (zh) * 2018-06-05 2018-11-20 浙江大学城市学院 一种基于多因素循环神经网络的消费者消费行为预测方法
CN115239106A (zh) * 2022-07-12 2022-10-25 天津科技大学 一种基于一卡通大数据的分析方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10430803B2 (en) * 2008-12-23 2019-10-01 Mastercard International Incorporated Methods and systems for predicting consumer behavior from transaction card purchases
US20160232564A1 (en) * 2015-02-06 2016-08-11 Bank Of America Corporation Serving targeted electronic advertisements based on anonymous cookies that identify spending trends
CN107067283B (zh) * 2017-04-21 2021-05-18 重庆邮电大学 基于历史商家记录及用户行为的电商消费客流量预测方法
CN107169081A (zh) * 2017-05-09 2017-09-15 湖南盛通信息技术有限公司 一卡通大数据分析系统
CN109214585B (zh) * 2018-09-25 2023-04-18 平安科技（深圳）有限公司 用户消费预测方法、装置、电子设备及存储介质
CN109636688A (zh) * 2018-12-11 2019-04-16 武汉文都创新教育研究院（有限合伙） 一种基于大数据的学生行为分析系统
CN109741114A (zh) * 2019-01-10 2019-05-10 博拉网络股份有限公司 一种大数据金融场景下的用户购买预测方法
CN110046264A (zh) * 2019-04-02 2019-07-23 云南大学 一种面向手机文档的自动分类方法
CN110827086A (zh) * 2019-11-07 2020-02-21 恩亿科(北京)数据科技有限公司 产品营销预测方法、装置、计算机设备及可读存储介质
CN110728997B (zh) * 2019-11-29 2022-03-22 中国科学院深圳先进技术研究院 一种基于情景感知的多模态抑郁症检测系统
CN111150372B (zh) * 2020-02-13 2021-03-16 云南大学 一种结合快速表示学习和语义学习的睡眠阶段分期系统
KR102405503B1 (ko) * 2020-04-10 2022-06-07 주식회사 제로투원파트너스 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램
CN111738302B (zh) * 2020-05-28 2023-06-20 华南理工大学 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统
CN113706701A (zh) * 2021-08-09 2021-11-26 北京三快在线科技有限公司 消费热力图生成方法、装置、电子设备及可读存储介质
CN113807469A (zh) * 2021-11-16 2021-12-17 中国科学院理化技术研究所 一种多能源用户价值预测方法、装置、存储介质和设备
CN114049155B (zh) * 2021-11-17 2022-08-19 浙江华坤道威数据科技有限公司 基于大数据分析的营销运营方法、系统
CN114219522A (zh) * 2021-11-29 2022-03-22 中国农业大学 客户消费行为预测方法、装置、电子设备及存储介质
CN114333021A (zh) * 2021-12-30 2022-04-12 苏州超云生命智能产业研究院有限公司 面部识别方法、装置、计算机设备、存储介质
CN114463054B (zh) * 2022-01-21 2023-07-18 浪潮卓数大数据产业发展有限公司 基于一卡通的园区门店客流量预测方法及系统
CN115660726A (zh) * 2022-09-15 2023-01-31 广东开放大学（广东理工职业学院） 基于历史商家记录及用户行为的电商消费客流量预测系统
CN116307559A (zh) * 2023-03-06 2023-06-23 上海联蔚盘云科技有限公司 多云资源管理方法、多云资源管理平台、设备及介质
CN116385970B (zh) * 2023-04-07 2024-05-28 暨南大学 基于时空序列数据的人流聚集预测模型
CN116468444A (zh) * 2023-04-23 2023-07-21 中国银行股份有限公司 一种消费预警方法、系统、设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846692A (zh) * 2018-06-05 2018-11-20 浙江大学城市学院 一种基于多因素循环神经网络的消费者消费行为预测方法
CN115239106A (zh) * 2022-07-12 2022-10-25 天津科技大学 一种基于一卡通大数据的分析方法

Also Published As

Publication number Publication date
CN116843377A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
US11507963B2 (en) Method and device of analysis based on model, and computer readable storage medium
CN111506723B (zh) 问答响应方法、装置、设备及存储介质
CN111581046A (zh) 数据异常检测方法、装置、电子设备及存储介质
US9483544B2 (en) Systems and methods for calculating category proportions
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
CN111008640A (zh) 图像识别模型训练及图像识别方法、装置、终端及介质
CN113722438B (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN113592019A (zh) 基于多模型融合的故障检测方法、装置、设备及介质
WO2018171295A1 (zh) 一种给文章标注标签的方法、装置、终端及计算机可读存储介质
CN113177700B (zh) 一种风险评估方法、系统、电子设备及存储介质
US20220229904A1 (en) Privacy-protection-based data processing model acquisition method and apparatus, terminal device and storage medium
CN112994960B (zh) 业务数据异常检测方法、装置及计算设备
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN111475541A (zh) 数据决策方法、装置、电子设备及存储介质
CN114997322A (zh) 基于半监督模型的分类预测方法、设备及存储介质
CN116843377B (zh) 基于大数据的消费行为预测方法、装置、设备及介质
CN112199417B (zh) 基于人工智能的数据处理方法、装置、终端及存储介质
CN111198943B (zh) 一种简历筛选方法、装置及终端设备
CN111679959A (zh) 计算机性能数据确定方法、装置、计算机设备及存储介质
CN109241146B (zh) 集群环境下的学生智助方法和系统
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
US20170124179A1 (en) Data categorizing system, method, program software and recording medium therein
CN113407700A (zh) 一种数据查询方法、装置和设备
CN112308294A (zh) 违约概率预测方法及装置
CN113139381B (zh) 不均衡样本分类方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant