CN117035176B - 基于马尔可夫链的用户换电行为预测与定向召回方法 - Google Patents
基于马尔可夫链的用户换电行为预测与定向召回方法 Download PDFInfo
- Publication number
- CN117035176B CN117035176B CN202310997799.5A CN202310997799A CN117035176B CN 117035176 B CN117035176 B CN 117035176B CN 202310997799 A CN202310997799 A CN 202310997799A CN 117035176 B CN117035176 B CN 117035176B
- Authority
- CN
- China
- Prior art keywords
- user
- state
- order
- markov
- probability
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 69
- 238000006243 chemical reaction Methods 0.000 claims abstract description 52
- 230000007704 transition Effects 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012546 transfer Methods 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 54
- 238000005516 engineering process Methods 0.000 description 4
- 238000013486 operation strategy Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于马尔可夫链的用户换电行为预测与定向召回方法,包括信息数据获取、数据预处理、构建马尔可夫转移矩阵、用户换电行为预测、用户换电行为生命周期预测和定向召回用户五个步骤;基于用户的低频使用换电、中频使用换电、高频使用换电以及不再使用换电四种状态,建立表示用户在四种换电行为状态之间转移概率的马尔可夫模型,构建马尔可夫转移矩阵;依据马尔可夫转移矩阵,实现对用户在未来的订单中的换电行为状态的预测和推测用户的换电行为生命周期,实现定向召回的目的。本发明通过计算本次订单内使用换电的天数与下笔订单期间内使用换电的天数,计算对应的转移概率并构建对应的马尔可夫矩阵,实现用户使用周期的预测和定向召回。
Description
技术领域
本发明属于用户换电召回技术领域,尤其涉及基于马尔可夫链的用户换电行为预测与定向召回方法。
背景技术
在二轮车换电行业中,为了适应日益增长的用户群体和提高运营效率,企业需要制定智能化的运营策略来满足用户个性化的需求。传统的运营策略往往只能基于历史经验和简单规则进行服务安排,难以应对用户行为的复杂变化。随着大数据和人工智能技术的快速发展,运用这些技术来分析和预测用户行为,成为优化运营策略、提高用户满意度的重要途径。
马尔可夫链作为一种常见的概率模型,被广泛用于对系统状态转移进行建模和预测。在二轮车换电行业中,用户的换电行为可以被视为一个状态转移的过程,用户在不同时间段内使用换电的概率和规律往往是相对稳定的。因此,基于马尔可夫链的方法可以较好地揭示用户的使用行为规律,预测用户的使用周期,并通过定向召回的方式吸引用户回流,从而实现个性化的服务和优化运营效果。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供基于马尔可夫链的用户换电行为预测与定向召回方法,通过计算本次订单内使用换电的天数与下笔订单期间内使用换电的天数,计算对应的转移概率并构建对应的马尔可夫矩阵,实现用户使用周期的预测和定向召回。
技术方案:为实现上述目的,本发明的基于马尔可夫链的用户换电行为预测与定向召回方法,步骤如下:
步骤一:信息数据获取
通过网络机器人对换电柜的电池及订单进行实时监测并采集换电柜信息数据,将采集的数据进行解析与存储之后上报至大数据平台;
步骤二:数据预处理
通过对数据的预处理,收集采集的数据中建模所需要的信息,并消除数据差异和错误影响,为建模的质量与准确性提供保障;
步骤三:构建马尔可夫转移矩阵
基于处理后的数据,将用户换电行为划分为低频使用换电、中频使用换电、高频使用换电以及不再使用换电四种状态,基于用户的四种换电行为状态,建立表示用户在四种换电行为状态之间进行状态转移概率的马尔可夫模型,根据代表用户换电状态转移概率的马尔可夫模型建立对应的用户换电行为转移概率分布的马尔可夫转移矩阵;
步骤四:用户换电行为预测
依据马尔可夫转移矩阵,预测用户从当前订单的换电行为状态转移到下一个订单时处于不同换电行为状态的概率,实现对用户在未来的订单中的换电行为状态的预测;
步骤五:用户换电行为生命周期预测
通过对马尔可夫转移矩阵进行迭代优化计算,计算用户在未来的若干个订单各处于各个状态的概率,通过这些概率分布,推测用户的换电行为生命周期;
步骤六:定向召回用户
根据用户的用户换电行为预测以及用户换电行为生命周期预测的结果,采取包含福利信息的个性化推送的方式,吸引用户回流并继续使用服务,定向召回即将到达使用换电时间的用户。
进一步地,在步骤二中,数据预处理包括数据收集、数据清洗、异常值处理以及数据整理与格式化,其中,数据收集为收集用户的订单数据,具体包括用户ID、订单编号、订单日期和时间、换电日期和时间。
进一步地,在步骤三中,构建马尔可夫转移矩阵的具体步骤如下:
步骤a:定义状态空间和状态转移概率
定义状态空间S:
S={0,1,2,3}
其中:状态0表示用户低频使用换电,状态1表示用户中频使用换电,状态2表示用户高频使用换电,状态3表示用户不再使用换电,即退租;
步骤b:统计使用换电的天数
对于每个用户的订单,设K为用户u的订单总数,则nk为第k笔订单的内的换电天数,其中k=1,2,3……K;
步骤c:计算状态转移概率
根据定义,状态转移概率P(i→j)表示用户u从状态i转移到状态j的概率;
对于马尔可夫模型,具有以下状态转移概率:
其中,i,j均属于状态空间{0,1,2}中;
步骤d:构建马尔可夫转移矩阵
将计算得到的状态转移概率放入马尔可夫转移矩阵中,得到马尔可夫转移矩阵:
其中,P(i→3)表示用户从状态i转移到状态3的概率,P(3→i)表示用户从状态3转移到状态i的概率。
进一步地,在步骤四中,设当前用户的换电行为状态为i,通过矩阵运算得到用户在下一个订单中处于不同状态j的概率分布P(i→j):
Pnext-order(j)=P(i→j)=马尔可夫转移矩阵中第i行第j列的元素
设当前用户的换电行为状态为i,则未来第k个订单内用户处于不同状态j的概率为:
Pkth-order(j)=P(i→j)k=(马尔可夫转移矩阵中第i行第j列的元素)k
其中:next表示下一个,kth表示第k个,order表示顺序。
进一步地,在步骤五中,用户换电行为生命周期预测的具体计算步骤如下:
步骤1:定义初始状态分布向量
设当前用户的换电行为状态为i,定义一个初始状态分布向量V(0),初始状态分布向量表示为:
V(0)=[V(0)[0],V(0)[1],V(0)[2]…V(0)[k-1]]
其中:V(0)[i]表示用户当前处于状态i的概率;V(0)的元素之和等于1,表示用户的当前状态;
步骤2:计算用户在未来第k个订单内处于不同状态的概率分布
通过迭代计算马尔可夫转移矩阵P的k次幂,得到用户在未来的第k个订单内处于不同状态的概率分布,表示为V(k):
V(k)=v(0)*Pk
其中:V(k)是未来第k个订单内的状态分布向量;
根据得到的状态分布向量V(k),计算用户在未来的第k个订单内处于各个状态的概率,根据这些概率分布,实现对用户的换电行为生命周期预测。
进一步地,在步骤六中,定向召回用户的具体步骤如下:
步骤s1:根据步骤四获取用户换电行为预测V(1)[j];
步骤s2:根据步骤五获取用户换电行为生命周期预测V(k)[j];
步骤s3:确定召回阈值
对应V(1)[j]确定召回阈值S,对应V(k)[j]确定召回阈值T,当用户在未来第一个订单与第k个订单内的换电行为状态概率超过召回阈值时,即当V(1)[j]≥S或V(k)[j]≥T时,触发对对应用户的召回动作;
步骤s4:发送福利信息
对于被召回的用户,采用个性化推送的方式送达福利信息,吸引用户回流并继续使用服务;
步骤s5:数据回传
将发送信息与结果回传至数据库,便于后续进行迭代更新。
有益效果:本发明使用马尔可夫链对用户换电行为进行建模和分析,通过计算本次订单内使用换电的天数与下笔订单期间内使用换电的天数,计算对应的转移概率并构建对应的马尔可夫矩阵,以实现用户使用周期的预测和定向召回用户的功能;通过该技术,可以更好地理解用户换电行为的规律,预测用户的使用周期,从而优化换电服务策略,实现精准的用户服务与召回。
附图说明
附图1为本发明的方法步骤流程示意图;
附图2为本发明的大致流程的结构框图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1和附图2所示,基于马尔可夫链的用户换电行为预测与定向召回方法,步骤如下:
步骤一:信息数据获取
通过网络机器人对换电柜的电池及订单进行实时监测并采集换电柜信息数据,将采集的数据进行解析与存储之后上报至大数据平台。
步骤二:数据预处理
通过对数据的预处理,收集采集的数据中建模所需要的信息,并消除数据差异和错误影响,为建模的质量与准确性提供保障。
在步骤二中,数据预处理包括数据收集、数据清洗、异常值处理以及数据整理与格式化,其中,数据收集为收集用户的订单数据,具体包括用户ID、订单编号、订单日期和时间、换电日期和时间。
数据清洗:在收集的数据中,可能会存在一些错误、缺失或异常值,因此,需要对数据进行清洗,以排除这些不准确的数据;订单日期晚于换电日期,存在数据录入错误,需要进行纠正或删除;对于缺失的数据,通过插值进行填补,确保填补后的数据符合实际情况。
异常值处理:在数据中可能会存在异常值,即与其它数据明显不符合的值;在处理异常值时,需要根据业务情况进行判断和决策,将异常值剔除或替换为合理的值。
数据整理与格式化:对于马尔可夫链建模,需要将数据整理为符合建模要求的格式;根据用户的订单日期和换电日期,将用户的换电行为转换为相应的状态序列。例如,将换电日期与订单日期相差一天或更近的订单标记为使用换电状态1,否则标记为未使用换电状态0。
步骤三:构建马尔可夫转移矩阵
基于处理后的数据,将用户换电行为划分为低频使用换电、中频使用换电、高频使用换电以及不再使用换电四种状态,基于用户的四种换电行为状态,建立表示用户在四种换电行为状态之间进行状态转移概率的马尔可夫模型,根据代表用户换电状态转移概率的马尔可夫模型建立对应的用户换电行为转移概率分布的马尔可夫转移矩阵。
在步骤三中,构建马尔可夫转移矩阵的具体步骤如下:
步骤a:定义状态空间和状态转移概率
定义状态空间S:
S={0,1,2,3}
其中:状态0表示用户低频使用换电,状态1表示用户中频使用换电,状态2表示用户高频使用换电,状态3表示用户不再使用换电,即退租;
步骤b:统计使用换电的天数
对于每个用户的订单,设K为用户u的订单总数,则nk为第k笔订单的内的换电天数,其中k=1,2,3……K;
步骤c:计算状态转移概率
根据定义,状态转移概率P(i→j)表示用户u从状态i转移到状态j的概率;
对于马尔可夫模型,具有以下状态转移概率:
其中,i,j均属于状态空间{0,1,2}中;
步骤d:构建马尔可夫转移矩阵
将计算得到的状态转移概率放入马尔可夫转移矩阵中,得到马尔可夫转移矩阵:
其中,P(i→3)表示用户从状态i转移到状态3的概率,P(3→i)表示用户从状态3转移到状态i的概率。
步骤四:用户换电行为预测
依据马尔可夫转移矩阵,预测用户从当前订单的换电行为状态转移到下一个订单时处于不同换电行为状态的概率,实现对用户在未来的订单中的换电行为状态的预测。
在步骤四中,设当前用户的换电行为状态为i,通过矩阵运算得到用户在下一个订单中处于不同状态j的概率分布P(i→j):
Pnext-order(j)=P(i→)=马尔可夫转移矩阵中第i行第j列的元素
设当前用户的换电行为状态为i,则未来第k个订单内用户处于不同状态j的概率为:
Pkth-order(j)=P(i→j)k=(马尔可夫转移矩阵中第i行第j列的元素)k
其中:next表示下一个,kth表示第k个,order表示顺序。
步骤五:用户换电行为生命周期预测
通过对马尔可夫转移矩阵进行迭代优化计算,计算用户在未来的若干个订单各处于各个状态的概率,通过这些概率分布,推测用户的换电行为生命周期。
在步骤五中,用户换电行为生命周期预测的具体计算步骤如下:
步骤1:定义初始状态分布向量
设当前用户的换电行为状态为i,定义一个初始状态分布向量V(0),初始状态分布向量表示为:
V(0)=[V(0)[0],V(0)[1],V(0)[2]…V(0)[k-1]]
其中:V(0)[i]表示用户当前处于状态i的概率;V(0)的元素之和等于1,表示用户的当前状态;
步骤2:计算用户在未来第k个订单内处于不同状态的概率分布
通过迭代计算马尔可夫转移矩阵P的k次幂,得到用户在未来的第k个订单内处于不同状态的概率分布,表示为V(k):
V(k)=V(0)*Pk
其中:V(k)是未来第k个订单内的状态分布向量;
根据得到的状态分布向量V(k),计算用户在未来的第k个订单内处于各个状态的概率,根据这些概率分布,实现对用户的换电行为生命周期预测。
步骤六:定向召回用户
根据用户的用户换电行为预测以及用户换电行为生命周期预测的结果,采取包含福利信息的个性化推送的方式,吸引用户回流并继续使用服务,定向召回即将到达使用换电时间的用户。
在步骤六中,定向召回用户的具体步骤如下:
步骤s1:根据步骤四获取用户换电行为预测V(1)[j];
步骤s2:根据步骤五获取用户换电行为生命周期预测V(k)[j];
步骤s3:确定召回阈值
对应V(1)[j]确定召回阈值S,对应V(k)[j]确定召回阈值T,当用户在未来第一个订单与第k个订单内的换电行为状态概率超过召回阈值时,即当V(1)[j]≥S或V(k)[j]≥T时,触发对对应用户的召回动作;
步骤s4:发送福利信息
对于被召回的用户,采用个性化推送的方式送达福利信息,吸引用户回流并继续使用服务;
步骤s5:数据回传
将发送信息与结果回传至数据库,便于后续进行迭代更新。
其中,福利信息包含的用户福利有优惠券、折扣等。
本发明使用马尔可夫链对用户换电行为进行建模和分析,通过计算本次订单内使用换电的天数与下笔订单期间内使用换电的天数,计算对应的转移概率并构建对应的马尔可夫矩阵,以实现用户使用周期的预测和定向召回用户的功能;通过该技术,可以更好地理解用户换电行为的规律,预测用户的使用周期,从而优化换电服务策略,实现精准的用户服务与召回。
本发明还具有以下优点:
1)根据用户使用周期预测,优化资源配置和供应链管理,降低不必要的运营成本,提高运营效率;
2)通过定向召回即将到达使用换电时间的用户,增加用户再次使用的概率,提高用户复购率,促进业务增长;
3)提出智能化、高效率的运营策略,将有助于企业实现精细化管理和优化服务,推动行业持续发展。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于马尔可夫链的用户换电行为预测与定向召回方法,其特征在于:步骤如下:
步骤一:信息数据获取
通过网络机器人对换电柜的电池及订单进行实时监测并采集换电柜信息数据,将采集的数据进行解析与存储之后上报至大数据平台;
步骤二:数据预处理
通过对数据的预处理,收集采集的数据中建模所需要的信息,并消除数据差异和错误影响,为建模的质量与准确性提供保障;
步骤三:构建马尔可夫转移矩阵
基于处理后的数据,将用户换电行为划分为低频使用换电、中频使用换电、高频使用换电以及不再使用换电四种状态,基于用户的四种换电行为状态,建立表示用户在四种换电行为状态之间进行状态转移概率的马尔可夫模型,根据代表用户换电状态转移概率的马尔可夫模型建立对应的用户换电行为转移概率分布的马尔可夫转移矩阵;
步骤四:用户换电行为预测
依据马尔可夫转移矩阵,预测用户从当前订单的换电行为状态转移到下一个订单时处于不同换电行为状态的概率,实现对用户在未来的订单中的换电行为状态的预测;
步骤五:用户换电行为生命周期预测
通过对马尔可夫转移矩阵进行迭代优化计算,计算用户在未来的若干个订单各处于各个状态的概率,通过这些概率分布,推测用户的换电行为生命周期;
步骤六:定向召回用户
根据用户的用户换电行为预测以及用户换电行为生命周期预测的结果,采取包含福利信息的个性化推送的方式,吸引用户回流并继续使用服务,定向召回即将到达使用换电时间的用户。
2.根据权利要求1所述的基于马尔可夫链的用户换电行为预测与定向召回方法,其特征在于:在步骤二中,数据预处理包括数据收集、数据清洗、异常值处理以及数据整理与格式化,其中,数据收集为收集用户的订单数据,具体包括用户ID、订单编号、订单日期和时间、换电日期和时间。
3.根据权利要求1所述的基于马尔可夫链的用户换电行为预测与定向召回方法,其特征在于:在步骤三中,构建马尔可夫转移矩阵的具体步骤如下:
步骤a:定义状态空间和状态转移概率
定义状态空间S:
S={0,1,2,3}
其中:状态0表示用户低频使用换电,状态1表示用户中频使用换电,状态2表示用户高频使用换电,状态3表示用户不再使用换电,即退租;
步骤b:统计使用换电的天数
对于每个用户的订单,设K为用户u的订单总数,则nk为第k笔订单的内的换电天数,其中k=1,2,3……K;
步骤c:计算状态转移概率
根据定义,状态转移概率P(i→j)表示用户u从状态i转移到状态j的概率;
对于马尔可夫模型,具有以下状态转移概率:
其中,i,j均属于状态空间{0,1,2}中;
步骤d:构建马尔可夫转移矩阵
将计算得到的状态转移概率放入马尔可夫转移矩阵中,得到马尔可夫转移矩阵:
其中,P(i→3)表示用户从状态i转移到状态3的概率,P(3→i)表示用户从状态3转移到状态i的概率。
4.根据权利要求3所述的基于马尔可夫链的用户换电行为预测与定向召回方法,其特征在于:在步骤四中,设当前用户的换电行为状态为i,通过矩阵运算得到用户在下一个订单中处于不同状态j的概率分布P(i→j):
Pnext-order(j)=P(i→j)=马乐可夫转移矩阵中第i行第j列的元素
设当前用户的换电行为状态为i,则未来第k个订单内用户处于不同状态j的概率为:
Pkth-order(j)=P(i→j)k=(马尔可夫转移矩阵中第i行第j列的元素)k
其中:next表示下一个,kth表示第k个,order表示顺序。
5.根据权利要求4所述的基于马尔可夫链的用户换电行为预测与定向召回方法,其特征在于:在步骤五中,用户换电行为生命周期预测的具体计算步骤如下:
步骤1:定义初始状态分布向量
设当前用户的换电行为状态为i,定义一个初始状态分布向量V(0),初始状态分布向量表示为:
V(0)=[V(0)[0],V(0)[1],V(0)[2]…V(0)[k-1]]
其中:V(0)[i]表示用户当前处于状态i的概率;V(0)的元素之和等于1,表示用户的当前状态;
步骤2:计算用户在未来第k个订单内处于不同状态的概率分布
通过迭代计算马尔可夫转移矩阵P的k次幂,得到用户在未来的第k个订单内处于不同状态的概率分布,表示为V(k):
V(k)=V(0)*Pk
其中:V(k)是未来第k个订单内的状态分布向量;
根据得到的状态分布向量V(k),计算用户在未来的第k个订单内处于各个状态的概率,根据这些概率分布,实现对用户的换电行为生命周期预测。
6.根据权利要求5所述的基于马尔可夫链的用户换电行为预测与定向召回方法,其特征在于:在步骤六中,定向召回用户的具体步骤如下:
步骤s1:根据步骤四获取用户换电行为预测V(1)[j];
步骤s2:根据步骤五获取用户换电行为生命周期预测V(k)[j];
步骤s3:确定召回阈值
对应V(1)[j]确定召回阈值S,对应V(k)[j]确定召回阈值T,当用户在未来第一个订单与第k个订单内的换电行为状态概率超过召回阈值时,即当V(1)[j]≥S或V(k)[j]≥T时,触发对对应用户的召回动作;
步骤s4:发送福利信息
对于被召回的用户,采用个性化推送的方式送达福利信息,吸引用户回流并继续使用服务;
步骤s5:数据回传
将发送信息与结果回传至数据库,便于后续进行迭代更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997799.5A CN117035176B (zh) | 2023-08-09 | 2023-08-09 | 基于马尔可夫链的用户换电行为预测与定向召回方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997799.5A CN117035176B (zh) | 2023-08-09 | 2023-08-09 | 基于马尔可夫链的用户换电行为预测与定向召回方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035176A CN117035176A (zh) | 2023-11-10 |
CN117035176B true CN117035176B (zh) | 2024-03-15 |
Family
ID=88625708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310997799.5A Active CN117035176B (zh) | 2023-08-09 | 2023-08-09 | 基于马尔可夫链的用户换电行为预测与定向召回方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035176B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技(深圳)有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
CN109858951A (zh) * | 2018-12-29 | 2019-06-07 | 蔚来汽车有限公司 | 新能源汽车加电或换电需求的预测 |
CN112508295A (zh) * | 2020-12-16 | 2021-03-16 | 国家电网有限公司客户服务中心 | 基于业务图谱和马尔可夫模型的来电业务预测方法及系统 |
-
2023
- 2023-08-09 CN CN202310997799.5A patent/CN117035176B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120428A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技(深圳)有限公司 | 个性化场景预测方法、装置、设备和存储介质 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
CN109858951A (zh) * | 2018-12-29 | 2019-06-07 | 蔚来汽车有限公司 | 新能源汽车加电或换电需求的预测 |
CN112508295A (zh) * | 2020-12-16 | 2021-03-16 | 国家电网有限公司客户服务中心 | 基于业务图谱和马尔可夫模型的来电业务预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117035176A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Joint optimization of condition-based maintenance and inventory control for a k-out-of-n: F system of multi-state degrading components | |
CN110659273B (zh) | 分布式大数据采集平台的数据异常监控及修复方法 | |
CN109165763B (zh) | 一种电网客服工单的潜在被投诉的评估方法及装置 | |
Cai et al. | Joint optimization of preventive maintenance and spare parts inventory with appointment policy | |
CN113361139A (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
CN106682763A (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
CN116579496A (zh) | 基于大数据的园区短期负荷预测方法 | |
CN117407681B (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
CN117035176B (zh) | 基于马尔可夫链的用户换电行为预测与定向召回方法 | |
CN114239385A (zh) | 一种面向仓库资源配给的智能决策系统及方法 | |
CN115297016B (zh) | 一种基于深度学习的电力网络活跃度评价和预测方法 | |
CN116452150A (zh) | 一种项目信息协同管理系统 | |
CN115145899B (zh) | 一种基于制造企业数据空间的时空数据异常检测方法 | |
CN115840794A (zh) | 一种基于gis和rl模型的光伏系统规划方法 | |
Bey-Temsamani et al. | A practical approach to combine data mining and prognostics for improved predictive maintenance | |
CN111210060B (zh) | 一种工作日期间机房温度预测方法 | |
CN111985721A (zh) | 一种基于季节性时间序列的企业开票金额预测方法 | |
Li et al. | Charging station management strategy for returns maximization via improved TD3 deep reinforcement learning | |
CN116993085B (zh) | 基于换电电荷消耗算法提升电池利用效率的方法 | |
Wang et al. | Ride-hailing origin-destination demand prediction with spatiotemporal information fusion | |
CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
CN116993029B (zh) | 用于智慧厂务的设备能效评估方法及系统 | |
CN116933937B (zh) | 一种基于模型迁移学习的电子产品零件备货量预测方法 | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 |
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 |