CN117708764B - 基于校园一卡通的学生消费数据智能分析方法 - Google Patents
基于校园一卡通的学生消费数据智能分析方法 Download PDFInfo
- Publication number
- CN117708764B CN117708764B CN202410166270.3A CN202410166270A CN117708764B CN 117708764 B CN117708764 B CN 117708764B CN 202410166270 A CN202410166270 A CN 202410166270A CN 117708764 B CN117708764 B CN 117708764B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- consumption
- historical
- points
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 46
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 23
- 230000006870 function Effects 0.000 description 10
- 230000001932 seasonal effect Effects 0.000 description 9
- 230000000737 periodic effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据预测技术领域,具体涉及一种基于校园一卡通的学生消费数据智能分析方法。该方法首先根据整体数据点和区域点的偏差程度,以及区域点的波动,获取整体数据点的模型初始参数值;根据整体数据点的调节因子对模型初始参数值进行调整,得到整体数据点的调整后模型参数;根据历史整体消费时序数据,以及各个整体数据点的调整后的模型参数值,获取所有学生的消费预测数据。本发明通过结合学生实际消费情况,确定更合理的调整后模型参数,提高了学生消费行为预测地准确性。
Description
技术领域
本发明涉及数据预测技术领域,具体涉及一种基于校园一卡通的学生消费数据智能分析方法。
背景技术
校园一卡通是一种基于智能卡物联网技术和计算机网络的数字化解决方案,应用于校园管理。消费功能是校园一卡通最重要的功能之一,学生通过校园一卡通在校内进行购物、餐饮、娱乐、学习等各种类型的消费。通过学生的校园一卡通消费数据,深入分析学生的消费行为模式,智能预测学生的未来消费,有助于学校了解学生的需求和喜好,从而提供更加贴近学生需求的服务和产品,并预防资源浪费和供需失衡等问题。
利用现有技术ARIMA模型(自回归移动平均模型,Autoregressive IntegratedMoving Average Model)可以对学生消费行为进行预测,AR模型(自回归模型,Autoregressive Model)是ARIMA模型的组成部分之一,AR模型能利用数据自身的历史信息来预测未来的趋势。在AR模型中,模型参数反映过去数据点对预测数据点的影响权重,模型参数影响预测的准确性,然而,现有方法通过均方误差确定模型参数,忽视了学生实际消费情况的影响,导致学生消费行为预测不准确,使得导致学校市场供需关系不合理。
发明内容
为了解决利用现有技术ARIMA模型预测学生消费行为过程中,模型参数选择不合理,导致学生消费行为预测不准确的技术问题,本发明的目的在于提供一种基于校园一卡通的学生消费数据智能分析方法,所采用的技术方案具体如下:
一种基于校园一卡通的学生消费数据智能分析方法,所述方法包括以下步骤:
获取校园一卡通的消费数据集合;所述消费数据集合包括所有学生的历史消费时序数据;
根据所有学生的历史消费时序数据,获取历史整体消费时序数据;将所述历史整体消费时序数据中的元素作为整体数据点;确定在所述整体数据点的预设区域中的区域点,在整体数据点的所述预设区域中,根据所述整体数据点和所述区域点的偏差程度,以及所述区域点的波动,获取所述整体数据点的模型初始参数值;
将历史消费时序数据中各元素作为各个个体数据点;在个体数据点所属的历史消费时序数据中,根据个体数据点之间的规律性,获取所述个体数据点的整体规律值;在各个学生的历史消费时序数据中,根据所有个体数据点的整体规律值,以及历史消费时序数据的波动性,获取各个学生的稳定值;根据整体数据点对应所有个体数据点及其整体规律值,以及整体数据点及其对应所有学生的稳定值,获取整体数据点的调节因子;根据整体数据点的调节因子对模型初始参数值进行调整,得到整体数据点的调整后模型参数;
根据历史整体消费时序数据,以及各个整体数据点的调整后的模型参数值,获取所有学生的消费预测数据。
进一步地,所述模型初始参数值的获取方法包括:
根据模型初始参数值公式获取模型初始参数值,所述模型初始参数值公式包括:
;其中,/>为整体数据点/>的模型初始参数值;/>为在整体数据点/>的预设区域中,所有区域点的总数量;/>为在整体数据点/>的预设区域中,第/>个区域点的数值;/>为在整体数据点/>的预设区域中,第/>个区域点的数值;/>为在整体数据点/>的预设区域中,所有区域点的正负号变换总次数;/>为整体数据点/>的数值;/>为在整体数据点/>的预设区域中,所有区域点的数值的均值;/>为在整体数据点/>的预设区域中,所有区域点对应/>中的最大值;/>为绝对值符号;为以自然常数/>为底数的指数函数。
进一步地,所述整体规律值的获取方法包括:
利用STL分解算法,将历史消费时序数据进行分解,获取历史消费时序数据对应的趋势分量和残差分量,并提取历史消费时序数据中的各个周期;
在历史消费时序数据中,将个体数据点的预设范围中每个个体数据点作为每个周围点;在个体数据点的预设范围中,根据周围点的数值、周围点对应的趋势分量以及周围点对应的残差分量,获取个体数据点的局部规律值;
根据个体数据点之间的规律差异性,以及个体数据点的所述局部规律值,获取所述个体数据点的整体规律值;
根据整体规律值公式获取所述整体规律值,所述整体规律值公式包括:
;其中,/>为个体数据点/>的整体规律值;/>为个体数据点/>的局部规律值;/>为个体数据点/>的数据值;/>为在个体数据点/>所属的历史消费时序数据的第/>个周期中,与个体数据点/>的序号相同的个体数据点的数据值;/>为在个体数据点/>所属的历史消费时序数据中,所有周期的总数量;/>为在个体数据点所属的历史消费时序数据的第/>个周期中,与个体数据点/>的序号相同的个体数据点的局部规律值;/>为个体数据点/>所属周期的长度;/>为绝对值符号;/>为归一化函数。
进一步地,所述局部规律值的获取方法包括:
根据局部规律值公式获取局部规律值,所述局部规律值公式包括:
;其中,/>为个体数据点/>的局部规律值;/>为在个体数据点/>的预设范围中,所有周围点的数值的方差;/>为个体数据点/>的预设范围对应在所述趋势分量的区域中,所有元素的数值的方差;/>为个体数据点/>的预设范围对应在所述残差分量的区域中,所有元素的数值的方差;/>为个体数据点/>对应在残差分量中元素的数值;/>为绝对值符号;/>为归一化函数;/>为分母调节因子。
进一步地,所述稳定值的获取方法包括:
根据稳定值公式获取稳定值,所述稳定值公式包括:
;其中,/>为学生的稳定值;/>为在学生的历史消费时序数据中,所有个体数据点的整体规律值的平均值;/>为在学生的历史消费时序数据中,所有个体数据点的数据值的方差;/>为在学生的历史消费时序数据中,所有个体数据点的总数量;/>为在学生的历史消费时序数据中,第/>个个体数据点的整体规律值;为在学生的历史消费时序数据中,第/>个个体数据点的整体规律值;/>为归一化函数。
进一步地,所述调节因子的获取方法包括:
根据调节因子公式获取调节因子,所述调节因子公式包括:
;其中,/>为整体数据点/>的所述调节因子;/>为整体数据点/>的数值;/>为整体数据点/>对应的第/>个所述个体数据点的数据值;/>为整体数据点/>对应的第/>个所述个体数据点的整体规律值;/>为整体数据点/>对应的第/>个学生的稳定值;/>为整体数据点/>对应的所有学生的总数量。
进一步地,所述调整后模型参数的获取方法包括:
根据调整后模型参数公式获取调整后模型参数,所述调整后模型参数公式包括:
;其中,/>为整体数据点/>的调整后模型参数;/>为整体数据点/>的模型初始参数值;/>为整体数据点/>的所述调节因子;/>为在历史整体消费时序数据中,所有整体数据点的总数量;/>为在历史整体消费时序数据中,第/>个整体数据点的调整后模型参数;/>为在历史整体消费时序数据中,第/>个整体数据点的所述调节因子。
进一步地,所述消费预测数据的获取方法包括:
利用各个整体数据点的调整后的模型参数值,对ARIMA模型中模型参数值进行替换,并根据历史整体消费时序数据,对ARIMA模型进行训练,获取训练后ARIMA模型,利用训练后ARIMA模型,进行预测,获取消费预测数据。
进一步地,所述历史整体消费时序数据的获取方法包括:
所述历史消费时序数据包括各个历史时刻的学生消费值;
计算在相同历史时刻下所有学生的学生消费值的累加值,得到历史时刻的整体消费值;按照历史时刻顺序,依次统计整体消费值,获取所述历史整体消费时序数据。
进一步地,所述预设区域的获取方法包括:
所述预设区域是以整体数据点为矩形窗口的中心,以预设大小为矩形窗口的大小构建的矩形窗口。
本发明具有如下有益效果:
首先根据所有学生的历史消费时序数据,获取历史整体消费时序数据;历史整体消费时序数据可以反映各个历史时刻的学生整体消费金额;整体数据点可以反映历史时刻的对应所有学生的消费金额。考虑到不稳定因素会造成所有学生消费数据的波动和偏差,例如节假日、活动促销、商品调整等,会使得学生产生突然的大额消费;这些不稳定因素会造成预测的可信度降低。通过分析整体数点和周围数据之间的偏差程度,以及周围数据的波动,获取整体数据点的模型初始参数值;模型初始参数值反映整体数据点的可信度;波动与偏差越大,则整体数据点受到不稳定因素干扰的可能性越大,整体数据点的可信度越低,相应的模型初始参数值就越小。
考虑到学生群体的生活费金额较为固定,学生会根据生活费进行规划消费,所以单个学生的消费往往具有一定的规律性和周期性;例如,学生往往倾向于在刚发生活费时和休息日,进行大额消费。历史消费时序数据反映单个学生的所有历史时刻的消费金额,历史消费时序数据中个体数据点可以反映历史时刻的对应单个学生的消费金额。个体数据点在历史消费时序数据的规律性越强、周期越短,说明对应消费越规律且频繁,就说明对应个体数据点越具有规律性,根据个体数据点之间的规律性,获取个体数据点的整体规律值;整体规律值可以反映个体数据点的整体规律性,整体规律值越大,个体数据点越具有较高的参考价值。同时考虑到不同的学生具有不同的消费习惯和喜好,导致不同学生消费行为具有不同的稳定性。例如,部分学生倾向于长期保持规律、频繁的稳定消费,部分学生喜欢在月初大额消费的不稳定消费,还有部分学生会在规律消费的基础上偶尔进行大额消费。在各个学生的历史消费时序数据中,根据所有个体数据点的整体规律值,以及历史消费时序数据的波动性,获取各个学生的稳定值;稳定值可以反映学生消费行为的稳定性。进而获取整体数据点的调节因子;调节因子综合了消费的稳定性和消费的规律性,当调节因子越大,说明整体数据点的稳定性和规律性越强,对于预测有较高的参考价值。根据整体数据点的调节因子对模型初始参数值进行调整,以及整体数据点对应的历史整体消费时序数据,获取整体数据点的调整后模型参数。调整后模型参数综合了消费的可信度、消费的稳定性和消费的规律性,反映整体数据点的参考价值。参考价值高的整体数据点,调整后模型参数越大。
通过结合学生实际消费情况,确定更合理的调整后模型参数,最终获得一个更准确的ARIMA模型,进而进行预测,提高了学生消费行为预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中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它附图。
图1为本发明一个实施例所提供的一种基于校园一卡通的学生消费数据智能分析方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于校园一卡通的学生消费数据智能分析方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于校园一卡通的学生消费数据智能分析方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于校园一卡通的学生消费数据智能分析方法的流程图,该方法包括以下步骤:
步骤S1,获取校园一卡通的消费数据集合;消费数据集合包括所有学生的历史消费时序数据。
为了对学生未来消费行为进行预测,需要对学生的历史消费行为进行深入分析,所以需要获取校园一卡通的消费数据集合;消费数据集合包括所有学生的历史消费时序数据。
具体的,利用各个消费场所的终端POS机采集每个学生校园一卡通的消费金额和消费时间,将获取的数据传输到监测分析系统中。为了分开研究每个消费类型的数据,按照消费场所划分消费金额的消费类型,例如,购物消费类型、餐饮消费类型、娱乐消费类型和学习消费类型等。针对任意一个消费类型,将各个学生在预设时间区间中,该消费类型对应所有消费金额的累加值,作为预设时间区间的学生消费值;进而获取历史参考区间中各个预设时间区间的学生消费值;将预设时间区间作为一个历史时刻,按照历史时刻的顺序,依次统计历史参考区间的所有历史时刻的学生消费值,作为对应该种消费类型的学生的历史消费时序数据;统计该消费类型的对应所有学生的历史消费时序数据,作为该消费类型的消费数据集合。以供后续对同一个消费类型的未来消费行为进行预测。本发明一个实施例中,预设时间区间为一天的开始到结束,历史参考区间为100天,历史参考区间的最后一天为当前时刻的前一天,实施者可根据实施场景自行设定。需要说明的是,本发明对任意一个消费类型的消费数据集合进行分析,获取该消费类型对应的消费预测数据。
需要说明的是,为了方便运算,本发明实施例中所参与运算的所有指标数据均经过数据预处理,进而取消量纲影响。具体去量纲影响的手段为本领域技术人员熟知的技术手段,在此不做限定。
步骤S2,根据所有学生的历史消费时序数据,获取历史整体消费时序数据;将历史整体消费时序数据中的元素作为整体数据点;确定在整体数据点的预设区域中的区域点,在整体数据点的预设区域中,根据整体数据点和区域点的偏差程度,以及区域点的波动,获取整体数据点的模型初始参数值。
本发明主要改进ARIMA模型中模型参数构建,通过结合学生实际消费情况,确定更加合理的调整后模型参数,最终获得一个更准确的ARIMA模型,进而进行预测,提高了学生消费行为预测地准确性。
首先根据所有学生的历史消费时序数据,获取历史整体消费时序数据;历史整体消费时序数据可以反映各个历史时刻的学生整体消费金额;整体数据点可以反映历史时刻的对应所有学生的消费金额。考虑到不稳定因素会造成所有学生消费数据的波动和偏差,例如节假日、活动促销、商品调整等,会使得学生产生突然的大额消费;这些不稳定因素会造成预测的可信度降低。通过分析整体数点和周围数据之间的偏差程度,以及周围数据的波动,获取整体数据点的模型初始参数值;模型初始参数值反映整体数据点的可信度;波动与偏差越大,则整体数据点受到不稳定因素干扰的可能性越大,整体数据点的可信度越低,相应的模型初始参数值就越小。
优选地,为了后续对同一个消费类型的未来消费行为进行预测,首先需要对同一个消费类型的所有学生的消费行为进行分析,本发明一个实施例中,历史整体消费时序数据的获取方法包括:
历史消费时序数据包括各个历史时刻的学生消费值;计算在相同历史时刻下所有学生的学生消费值的累加值,得到历史时刻的整体消费值;从而获得所有历史时刻的整体消费值;按照历史时刻的顺序,依次统计整体消费值,获取历史整体消费时序数据。历史整体消费时序数据可以反映同一消费类型下学生整体在各个历史时刻的消费金额;将历史整体消费时序数据中元素作为整体数据点;整体数据点可以反映在某个历史时刻时,一个消费类型对应所有学生的消费金额。
优选地,本发明一个实施例中,为了分析整体数据点的周围的数据点的特征,构建整体数据点的预设区域,本发明一个实施例中,预设区域的获取方法包括:预设区域是以整体数据点为矩形窗口的中心,以预设大小为矩形窗口的大小构建的矩形窗口。其中,预设大小为1*15,将在预设区域中各个整体数据点作为各个区域点。
优选地,本发明一个实施例中,为了分析整体数据点受到不稳定因素干扰的可能性,通过分析整体数据点和周围数据之间的偏差程度,以及周围数据的波动,确定整体数据点的模型初始参数值。模型初始参数值的获取方法包括:
本发明一个实施例中,模型初始参数值公式包括:
;其中,/>为整体数据点/>的模型初始参数值;/>为在整体数据点/>的预设区域中,所有区域点的总数量;/>为在整体数据点/>的预设区域中,第/>个区域点的数值;/>为在整体数据点/>的预设区域中,第/>个区域点的数值;/>为在整体数据点/>的预设区域中,所有区域点的正负号变换总次数;/>为整体数据点/>的数值;/>为在整体数据点/>的预设区域中,所有区域点的数值的均值;/>为在整体数据点/>的预设区域中,所有区域点对应/>中的最大值;/>为绝对值符号;为以自然常数/>为底数的指数函数。需要说明的是,在整体数据点的预设区域中,所有区域点的正负号变换总次数的获取方法包括:在整体数据点的预设区域中,按照时序顺序,依次计算区域点的数值的差分,即计算后一个区域点与其前一个区域点的差值作为差分值,获取各个差分值;依次统计所有差分值的正负号变化次数,作为在整体数据点的预设区域中所有区域点的正负号变换总次数。需要说明的是,根据区域点对应历史时刻的大小,依次对区域点进行标号,获取区域点的序号。
在模型初始参数值公式中, 反映区域点的数值的平均增幅,该值越大说明整体数据点周围的变化程度越大。/>反映区域点的正负号变换总次数,代表了整体数据点周围的变化不稳定程度,该值越大则变化不稳定程度越大,对应的变化波动程度越大。/>代表了整体数据点周围的波动程度,当变化程度越大、变化不稳定程度越大,整体数据点的波动程度就越大,说明整体数据点受到不稳定因素干扰的可能性越大,整体数据点在预测中的可信度就越低,模型初始参数值就越小。表示整体数据点相对所有区域点的数值差异,/>表示整体数据点和区域点的数值差异,其中,将最大的数值差异作为/>,/>,代表了整体数据点的相对偏差程度,相对偏差程度越大,说明整体数据点受到不稳定因素干扰的可能性越大,整体数据点在预测中的可信度就越低,模型初始参数值就越小。通过/>用来将波动程度和偏差程度负相关映射到0-1之间,使得波动程度和偏差程度越大,整体数据点的模型初始参数值就越小。模型初始参数值通过分析波动程度和偏差程度,综合反映了整体数据点的可信度。
步骤S3,将历史消费时序数据中各元素作为各个个体数据点;在个体数据点所属的历史消费时序数据中,根据个体数据点之间的规律性,获取个体数据点的整体规律值;在各个学生的历史消费时序数据中,根据所有个体数据点的整体规律值,以及历史消费时序数据的波动性,获取各个学生的稳定值;根据整体数据点对应所有个体数据点及其整体规律值,以及整体数据点及其对应所有学生的稳定值,获取整体数据点的调节因子;根据整体数据点的调节因子对模型初始参数值进行调整,得到整体数据点的调整后模型参数。
考虑到学生群体的生活费金额较为固定,学生会根据生活费进行规划消费,所以单个学生的消费往往具有一定的规律性和周期性;例如,学生往往倾向于在刚发生活费时和休息日,进行大额消费。历史消费时序数据反映单个学生的所有历史时刻的消费金额,历史消费时序数据中个体数据点可以反映历史时刻的对应单个学生的消费金额。个体数据点在历史消费时序数据的规律性越强、周期越短,说明对应消费越规律且频繁,就说明对应个体数据点越具有规律性,根据个体数据点之间的规律性,获取个体数据点的整体规律值;整体规律值可以反映个体数据点的整体规律性,整体规律值越大,个体数据点越具有较高的参考价值。同时考虑到不同的学生具有不同的消费习惯和喜好,导致不同学生消费行为具有不同的稳定性。例如,部分学生倾向于长期保持规律、频繁的稳定消费,部分学生喜欢在月初大额消费的不稳定消费,还有部分学生会在规律消费的基础上偶尔进行大额消费。在各个学生的历史消费时序数据中,根据所有个体数据点的整体规律值,以及历史消费时序数据的波动性,获取各个学生的稳定值;稳定值可以反映学生消费行为的稳定性。进而获取整体数据点的调节因子;调节因子综合了消费的稳定性和消费的规律性,当调节因子越大,说明整体数据点的稳定性和规律性越强,对于预测有较高的参考价值。根据整体数据点的调节因子对模型初始参数值进行调整,以及整体数据点对应的历史整体消费时序数据,获取整体数据点的调整后模型参数。调整后模型参数综合了消费的可信度、消费的稳定性和消费的规律性,反映整体数据点的参考价值。参考价值高的整体数据点,调整后模型参数越大。
为了分析历史消费时序数据的规律性和周期,利用STL分解算法(Seasonal-Trenddecomposition procedure based on Loess,基于Loess的季节性和趋势分解算法),将历史消费时序数据进行分解,获取历史消费时序数据对应的趋势分量、季节分量和残差分量,并提取历史消费时序数据中的各个周期。其中,趋势分量表示历史消费时序数据的长期变化趋势,季节性分量表示历史消费时序数据的规律性特点,而残差分量则表示未被趋势和季节性分量解释的部分,即历史消费时序数据的随机波动或噪声。因此历史消费时序数据的季节表现越明显、残差表现越不明显,历史消费时序数据的规律性就越强;周期越短,说明消费越频繁。
需要说明的是,STL分解算法为本领域技术人员熟知的技术手段,在此不做赘述。其中,趋势分量、季节分量和残差分量的长度,和对应的历史消费时序数据的长度一致,且趋势分量、季节分量和残差分量在纵坐标上也是按照历史时刻的顺序进行排列的。
具体的,为了分析个体数据点的周围的数据点的特征,构建个体数据点的预设范围,本发明一个实施例中,预设范围的获取方法包括:预设范围是以个体数据点为矩形窗口的中心,以预设范围大小为矩形窗口的大小构建的矩形窗口。预设范围大小为1*17。其中,将个体数据点的预设范围中每个个体数据点作为每个周围点。
优选地,为了分析个体数据点的周围的规律性,通过分析在个体数据点的预设范围中,根据周围点的规律性,获取个体数据点的局部规律值;本发明一个实施例中,局部规律值的获取方法包括:
本发明一个实施例中,局部规律值公式包括:
;其中,/>为个体数据点/>的局部规律值;/>为在个体数据点/>的预设范围中,所有周围点的数值的方差;/>为个体数据点/>的预设范围对应在趋势分量的区域中,所有元素的数值的方差;/>为个体数据点/>的预设范围对应在残差分量的区域中,所有元素的数值的方差;/>为个体数据点/>对应在残差分量中元素的数值;/>为绝对值符号;/>为归一化函数;/>为分母调节因子。本发明一个实施例中,分母调节因子为0.01。
在局部规律值公式中,由于趋势分量方差表示历史消费时序数据的整体变化趋势的波动程度,季节分量方差表示周期性变化的波动程度,而残差分量方差则表示随机噪声的波动程度;历史消费时序数据方差等于趋势分量方差、季节分量方差和残差分量方差三者之和。反映了预设范围对应的历史消费时序数据方差;/>反映了预设范围对应的历史消费时序数据方差去除季节分量方差的大小;/>反映了预设范围对应的周期性变化的波动程度,波动程度越大,个体数据点周围的周期性波动越强,个体数据点的局部规律性越强;/>为个体数据点/>对应在残差分量中元素的数值,该值越大,说明个体数据点受到噪声影响程度越大,个体数据点的规律性越弱。局部规律值综合个体数据点周围的周期性波动和个体数据点受到噪声影响程度,反映了个体数据点的局部规律性。
优选地,本发明一个实施例中,在得到个体数据点的局部规律性之后,还要对个体数据点在历史消费时序数据的整体规律性进行分析,获取个体数据点的整体规律值。整体规律值的获取方法包括:
根据个体数据点之间的规律差异性,以及个体数据点的局部规律值,获取个体数据点的整体规律值;
根据整体规律值公式获取整体规律值,整体规律值公式包括:
;其中,/>为个体数据点/>的整体规律值;/>为个体数据点/>的局部规律值;/>为个体数据点/>的数据值;/>为在个体数据点/>所属的历史消费时序数据的第/>个周期中,与个体数据点/>的位置相同的个体数据点的数据值;/>为在个体数据点/>所属的历史消费时序数据中,所有周期的总数量;/>为在个体数据点所属的历史消费时序数据的第/>个周期中,与个体数据点/>的位置相同的个体数据点的局部规律值;/>为个体数据点/>所属周期的长度;/>为绝对值符号;/>为归一化函数。需要说明的是,单个学生的消费往往具有一定的周期性,所以个体数据点往往都有对应所属的周期。需要说明的是,/>和/>的具体获取过程包括:首先确定个体数据点/>的所属周期,进而将个体数据点/>位于周期中第几个,作为个体数据点/>的特征周期位置序号;在个体数据点/>所属的历史消费时序数据中,将第/>个周期中相同特征周期位置序号的个体数据点,作为第/>个周期的待分析数据点;将待分析数据点的数据值作为/>;将待分析数据点的局部规律值作为/>。需要说明的是,若在个体数据点/>所属的历史消费时序数据中,在第/>个周期中不存在相同特征周期位置序号的个体数据点,则令第/>个周期的/>等于其相邻周期的对应取值。
在整体规律值公式中,反映了个体数据点/>的局部规律性,局部规律性越大,个体数据点的整体规律值越大;/>反映了个体数据点/>和第/>个周期中与个体数据点/>相同位置个体数据点之间数据值的差异,差异越大,则说明该个体数据点在整体中的规律性较差。将/>作为/>的权重,/>越大,说明第/>个周期与/>相同位置个体数据点的局部规律性越强,/>的可信度越强;/>反映了个体数据点/>与其它周期上相同位置的数据大小差异,差异越大,说明规律性越弱,个体数据点的整体规律值越小;/>反映个体数据点所属周期的周期长度,体现了规律消费行为的频率,周期越短说明规律消费越频繁,个体数据点的整体规律性也较强,个体数据点的整体规律值越大。整体规律值综合反映了数据点的整体规律性,整体规律值越大,个体数据点越具有较高的参考价值。
优选地,本发明一个实施例中,考虑到不同的学生具有不同的消费习惯和喜好,导致不同学生消费行为具有不同的稳定性,通过分析学生消费行为的稳定性,获取学生的稳定值。稳定值的获取方法包括:
根据稳定值公式获取稳定值,稳定值公式包括:
;其中,/>为学生的稳定值;/>为在学生的历史消费时序数据中,所有个体数据点的整体规律值的平均值;/>为在学生的历史消费时序数据中,所有个体数据点的数据值的方差;/>为在学生的历史消费时序数据中,所有个体数据点的总数量;/>为在学生的历史消费时序数据中,第/>个个体数据点的整体规律值;为在学生的历史消费时序数据中,第/>个个体数据点的整体规律值;/>为归一化函数。
在稳定值公式中,为了分析学生消费行为的稳定性,对学生对应历史消费时序数据中所有个体数据点进行分析,反映所有个体数据点的整体规律值的不连续程度,不连续程度越小,说明所有个体数据点的规律稳定程度越高,则稳定值越高;/>反映所有个体数据点的数据值的波动性,波动性越小,说明所有个体数据点的数据值稳定程度越高,则稳定值越高;/>反映所有个体数据点的整体规律值的均值,该值越大,说明个体数据点的规律程度越高,说明所有个体数据点的稳定程度越高,则稳定值越高;稳定值可以反映学生消费行为的稳定性。
优选地,本发明一个实施例中,由于整体数据点的稳定性和规律性越强,对于预测有较高的参考价值,通过构建调节因子反映整体数据点的参考价值,调节因子的获取方法包括:
根据调节因子公式获取调节因子,调节因子公式包括:
;其中,/>为整体数据点/>的调节因子;/>为整体数据点/>的数值;/>为整体数据点/>对应的第/>个个体数据点的数据值;/>为整体数据点/>对应的第/>个个体数据点的整体规律值;/>为整体数据点/>对应的第/>个学生的稳定值;/>为整体数据点/>对应的所有学生的总数量。
在调节因子公式中,反映个体数据点的整体规律性,整体规律性越高,个体数据点的参考价值越高;/>反映个体数据点的稳定性,稳定性越高,个体数据点的参考价值越高;/>反映某个历史时刻,第/>个个体数据点消费的占比,将占比作为/>的权重,当占比越大时,第/>个个体数据点对整体数据点的贡献度就越高,第/>个个体数据点的整体规律值和稳定值对整体数据点的影响越大。调节因子综合了整体数据点对应所有个体数据点整体规律性和稳定性,反映了整体数据点的参考价值,调节因子越大,整体数据点的参考价值越高。
优选地,综合考虑了消费的实际情况,获取调整后模型参数。本发明一个实施例中,调整后模型参数的获取方法包括:
根据调整后模型参数公式获取调整后模型参数,调整后模型参数公式包括:
;其中,/>为整体数据点/>的调整后模型参数;/>为整体数据点/>的模型初始参数值;/>为整体数据点/>的调节因子;/>为在历史整体消费时序数据中,所有整体数据点的总数量;/>为在历史整体消费时序数据中,第/>个整体数据点的调整后模型参数;/>为在历史整体消费时序数据中,第/>个整体数据点的调节因子。
在公式中,调节因子综合了整体数据点对应所有个体数据点整体规律性和稳定性,反映了整体数据点的参考价值,调节因子越大,整体数据点的参考价值越高,调整后模型参数越大。模型初始参数值通过分析波动程度和偏差程度,综合反映了整体数据点的可信度,调整后模型参数越大。通过对/>进行归一化,使得在历史整体消费时序数据中,所有整体数据点的调整后模型参数累加值为1。调整后模型参数综合了消费的可信度、消费的稳定性和消费的规律性,充分结合学生实际消费情况,反映整体数据点的参考价值。
步骤S4,根据历史整体消费时序数据,以及各个整体数据点的调整后的模型参数值,获取所有学生的消费预测数据。
AR模型是ARIMA模型的组成部分之一,AR模型能利用数据自身的历史信息来预测未来的趋势。AR模型是根据过去一段时间的数据大小来预测未来某一个时间节点的数据大小,其中每个过去数据点都有一个模型参数,模型参数反映过去数据点对预测数据点的影响权重,代表过去数据点对预测数据的影响程度,模型参数越大,则过去数据点对预测数据的影响程度越大。现有方法通过均方误差确定模型参数,忽视了学生实际消费情况的影响,本发明通过结合学生实际消费情况,确定更加合理的调整后模型参数,最终获得一个更准确的ARIMA模型,进而进行预测,提高了消费预测数据的准确性。
优选地,本发明一个实施例中,消费预测数据的获取方法包括:
需要说明的是,利用ARIMA模型进行预测的过程为本领域技术人员熟知的现有技术,在此仅简述根据历史整体消费时序数据,以及各个整体数据点的调整后的模型参数值,获取所有学生的消费预测数据的过程:
首先根据ARIMA模型的原理,选择合适的ARIMA模型阶数,使用历史整体消费时序数据对选定的ARIMA模型进行训练,通过最小化预测误差来拟合参数。其中,在ARIMA模型中的AR模型中,根据各个整体数据点的调整后的模型参数值,对ARIMA模型中模型参数值进行替换,使用一些评估指标来评估模型的预测效果,获取训练好的ARIMA模型。利用训练好的ARIMA模型对未来的消费数据进行预测,获取消费预测数据。需要说明的是,本发明对任意一个消费类型进行分析,确定该消费类型的调整后模型参数并根据该消费类型的历史整体消费时序数据,从而获得该消费类型训练后的ARIMA模型,进而进行预测,最终获取消费类型对应的消费预测数据。
具体的,通过对不同消费类型进行预测,获取不同消费类型对应的消费预测数据。进而根据不同消费类型的消费预测数据中数值的增长或减少,制定相应的市场营销策略,例如适时的价格变动、活动促销等。对于数值持续降低的消费类型,总结原因、改进产品,提供更加贴近学生需求的服务。还能根据不同消费类型的数据变动,及时调整资源投入比例,预防资源浪费和供需失衡等问题。
综上,本发明实施例提供了一种基于校园一卡通的学生消费数据智能分析方法,首先根据整体数据点和区域点的偏差程度,以及区域点的波动,获取整体数据点的模型初始参数值;根据整体数据点的调节因子对模型初始参数值进行调整,得到整体数据点的调整后模型参数;根据历史整体消费时序数据,以及各个整体数据点的调整后的模型参数值,获取所有学生的消费预测数据。本发明实施例中通过结合学生实际消费情况,确定更合理的调整后模型参数,提高了学生消费行为预测地准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (4)
1.一种基于校园一卡通的学生消费数据智能分析方法,其特征在于,所述方法包括以下步骤:
获取校园一卡通的消费数据集合;所述消费数据集合包括所有学生的历史消费时序数据;
根据所有学生的历史消费时序数据,获取历史整体消费时序数据;将所述历史整体消费时序数据中的元素作为整体数据点;确定在所述整体数据点的预设区域中的区域点,在整体数据点的所述预设区域中,根据所述整体数据点和所述区域点的偏差程度,以及所述区域点的波动,获取所述整体数据点的模型初始参数值;
将历史消费时序数据中各元素作为各个个体数据点;在个体数据点所属的历史消费时序数据中,根据个体数据点之间的规律性,获取所述个体数据点的整体规律值;在各个学生的历史消费时序数据中,根据所有个体数据点的整体规律值,以及历史消费时序数据的波动性,获取各个学生的稳定值;根据整体数据点对应所有个体数据点及其整体规律值,以及整体数据点及其对应所有学生的稳定值,获取整体数据点的调节因子;根据整体数据点的调节因子对模型初始参数值进行调整,得到整体数据点的调整后模型参数;
根据历史整体消费时序数据,以及各个整体数据点的调整后的模型参数值,获取所有学生的消费预测数据;
所述模型初始参数值的获取方法包括:
根据模型初始参数值公式获取模型初始参数值,所述模型初始参数值公式包括:
;其中,/>为整体数据点/>的模型初始参数值;/>为在整体数据点/>的预设区域中,所有区域点的总数量;/>为在整体数据点/>的预设区域中,第/>个区域点的数值;/>为在整体数据点/>的预设区域中,第/>个区域点的数值;/>为在整体数据点/>的预设区域中,所有区域点的正负号变换总次数;/>为整体数据点/>的数值;/>为在整体数据点/>的预设区域中,所有区域点的数值的均值;/>为在整体数据点/>的预设区域中,所有区域点对应/>中的最大值;/>为绝对值符号;/>为以自然常数/>为底数的指数函数;
所述整体规律值的获取方法包括:
利用STL分解算法,将历史消费时序数据进行分解,获取历史消费时序数据对应的趋势分量和残差分量,并提取历史消费时序数据中的各个周期;
在历史消费时序数据中,将个体数据点的预设范围中每个个体数据点作为每个周围点;在个体数据点的预设范围中,根据周围点的数值、周围点对应的趋势分量以及周围点对应的残差分量,获取个体数据点的局部规律值;
根据个体数据点之间的规律差异性,以及个体数据点的所述局部规律值,获取所述个体数据点的整体规律值;
根据整体规律值公式获取所述整体规律值,所述整体规律值公式包括:
;其中,/>为个体数据点/>的整体规律值;为个体数据点/>的局部规律值;/>为个体数据点/>的数据值;/>为在个体数据点/>所属的历史消费时序数据的第/>个周期中,与个体数据点/>的序号相同的个体数据点的数据值;/>为在个体数据点/>所属的历史消费时序数据中,所有周期的总数量;/>为在个体数据点/>所属的历史消费时序数据的第/>个周期中,与个体数据点/>的序号相同的个体数据点的局部规律值;为个体数据点/>所属周期的长度;/>为绝对值符号;/>为归一化函数;
所述局部规律值的获取方法包括:
根据局部规律值公式获取局部规律值,所述局部规律值公式包括:
;其中,/>为个体数据点/>的局部规律值;/>为在个体数据点/>的预设范围中,所有周围点的数值的方差;/>为个体数据点/>的预设范围对应在所述趋势分量的区域中,所有元素的数值的方差;/>为个体数据点/>的预设范围对应在所述残差分量的区域中,所有元素的数值的方差;/>为个体数据点/>对应在残差分量中元素的数值;/>为绝对值符号;/>为归一化函数;/>为分母调节因子;
所述稳定值的获取方法包括:
根据稳定值公式获取稳定值,所述稳定值公式包括:
;其中,/>为学生的稳定值;/>为在学生的历史消费时序数据中,所有个体数据点的整体规律值的平均值;/>为在学生的历史消费时序数据中,所有个体数据点的数据值的方差;/>为在学生的历史消费时序数据中,所有个体数据点的总数量;/>为在学生的历史消费时序数据中,第/>个个体数据点的整体规律值;/>为在学生的历史消费时序数据中,第/>个个体数据点的整体规律值;/>为归一化函数;
所述调节因子的获取方法包括:
根据调节因子公式获取调节因子,所述调节因子公式包括:
;其中,/>为整体数据点/>的所述调节因子;/>为整体数据点/>的数值;/>为整体数据点/>对应的第/>个所述个体数据点的数据值;/>为整体数据点/>对应的第个所述个体数据点的整体规律值;/>为整体数据点/>对应的第/>个学生的稳定值;/>为整体数据点/>对应的所有学生的总数量;
所述调整后模型参数的获取方法包括:
根据调整后模型参数公式获取调整后模型参数,所述调整后模型参数公式包括:
;其中,/>为整体数据点/>的调整后模型参数;/>为整体数据点/>的模型初始参数值;/>为整体数据点/>的所述调节因子;/>为在历史整体消费时序数据中,所有整体数据点的总数量;/>为在历史整体消费时序数据中,第/>个整体数据点的调整后模型参数;/>为在历史整体消费时序数据中,第/>个整体数据点的所述调节因子。
2.根据权利要求1所述的一种基于校园一卡通的学生消费数据智能分析方法,其特征在于,所述消费预测数据的获取方法包括:
利用各个整体数据点的调整后的模型参数值,对ARIMA模型中模型参数值进行替换,并根据历史整体消费时序数据,对ARIMA模型进行训练,获取训练后ARIMA模型,利用训练后ARIMA模型,进行预测,获取消费预测数据。
3.根据权利要求1所述的一种基于校园一卡通的学生消费数据智能分析方法,其特征在于,所述历史整体消费时序数据的获取方法包括:
所述历史消费时序数据包括各个历史时刻的学生消费值;
计算在相同历史时刻下所有学生的学生消费值的累加值,得到历史时刻的整体消费值;按照历史时刻顺序,依次统计整体消费值,获取所述历史整体消费时序数据。
4.根据权利要求1所述的一种基于校园一卡通的学生消费数据智能分析方法,其特征在于,所述预设区域的获取方法包括:
所述预设区域是以整体数据点为矩形窗口的中心,以预设大小为矩形窗口的大小构建的矩形窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166270.3A CN117708764B (zh) | 2024-02-06 | 2024-02-06 | 基于校园一卡通的学生消费数据智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166270.3A CN117708764B (zh) | 2024-02-06 | 2024-02-06 | 基于校园一卡通的学生消费数据智能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708764A CN117708764A (zh) | 2024-03-15 |
CN117708764B true CN117708764B (zh) | 2024-05-03 |
Family
ID=90155680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166270.3A Active CN117708764B (zh) | 2024-02-06 | 2024-02-06 | 基于校园一卡通的学生消费数据智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118332475B (zh) * | 2024-06-12 | 2024-08-30 | 厦门辉腾盛节能材料有限公司 | 一种涂料生产全流程智能监督管理方法与系统 |
Citations (15)
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 |
WO2019072107A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京三快在线科技有限公司 | 消费能力预测 |
WO2021005347A1 (en) * | 2019-07-05 | 2021-01-14 | V-Nova International Ltd | Quantization of residuals in video coding |
WO2021052156A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
CN112861064A (zh) * | 2021-01-20 | 2021-05-28 | 重庆第二师范学院 | 一种社会信用评价源数据处理方法、系统、终端及介质 |
WO2022021420A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 一种根因定位方法及装置、电子设备 |
WO2022141477A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种图像处理方法以及装置 |
CN115997234A (zh) * | 2020-12-31 | 2023-04-21 | 华为技术有限公司 | 一种位姿估计方法及相关装置 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
FR3131988A1 (fr) * | 2022-01-19 | 2023-07-21 | Electricite De France | Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique |
CN116629918A (zh) * | 2023-05-26 | 2023-08-22 | 北京全速在线科技有限公司 | 一种基于跨境电商的用户消费预测方法及系统 |
CN116720836A (zh) * | 2023-08-04 | 2023-09-08 | 青岛天高智慧科技有限公司 | 一种智慧校园安全管理报警系统 |
WO2023197191A1 (zh) * | 2022-04-12 | 2023-10-19 | Oppo广东移动通信有限公司 | 编解码方法、装置、编码设备、解码设备以及存储介质 |
CN117350336A (zh) * | 2023-10-08 | 2024-01-05 | 广东电网有限责任公司 | 充电负荷预测及模型训练方法、装置、设备及存储介质 |
CN117474539A (zh) * | 2023-12-25 | 2024-01-30 | 青岛天高智慧科技有限公司 | 一种校园一卡通数据智能管理方法 |
Family Cites Families (6)
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 |
US10389828B2 (en) * | 2017-04-28 | 2019-08-20 | Sap Se | Enhanced data collection and analysis facility |
US11182808B2 (en) * | 2019-02-05 | 2021-11-23 | Target Brands, Inc. | Method and system for attributes based forecasting |
US20220329802A1 (en) * | 2019-07-05 | 2022-10-13 | V-Nova International Limited | Quantization of residuals in video coding |
US11146445B2 (en) * | 2019-12-02 | 2021-10-12 | Alibaba Group Holding Limited | Time series decomposition |
US12015531B2 (en) * | 2021-12-03 | 2024-06-18 | Guavus, Inc. | Method for generating a quality of experience (QoE) index by way of ensemble of expectation scores |
-
2024
- 2024-02-06 CN CN202410166270.3A patent/CN117708764B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019072107A1 (zh) * | 2017-10-11 | 2019-04-18 | 北京三快在线科技有限公司 | 消费能力预测 |
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 |
WO2021005347A1 (en) * | 2019-07-05 | 2021-01-14 | V-Nova International Ltd | Quantization of residuals in video coding |
WO2021052156A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 数据分析方法、装置、设备及计算机可读存储介质 |
WO2022021420A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 一种根因定位方法及装置、电子设备 |
WO2022141477A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种图像处理方法以及装置 |
CN115997234A (zh) * | 2020-12-31 | 2023-04-21 | 华为技术有限公司 | 一种位姿估计方法及相关装置 |
CN112861064A (zh) * | 2021-01-20 | 2021-05-28 | 重庆第二师范学院 | 一种社会信用评价源数据处理方法、系统、终端及介质 |
FR3131988A1 (fr) * | 2022-01-19 | 2023-07-21 | Electricite De France | Prévision bayésienne de consommation individuelle et équilibrage d'un réseau électrique |
WO2023197191A1 (zh) * | 2022-04-12 | 2023-10-19 | Oppo广东移动通信有限公司 | 编解码方法、装置、编码设备、解码设备以及存储介质 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116629918A (zh) * | 2023-05-26 | 2023-08-22 | 北京全速在线科技有限公司 | 一种基于跨境电商的用户消费预测方法及系统 |
CN116720836A (zh) * | 2023-08-04 | 2023-09-08 | 青岛天高智慧科技有限公司 | 一种智慧校园安全管理报警系统 |
CN117350336A (zh) * | 2023-10-08 | 2024-01-05 | 广东电网有限责任公司 | 充电负荷预测及模型训练方法、装置、设备及存储介质 |
CN117474539A (zh) * | 2023-12-25 | 2024-01-30 | 青岛天高智慧科技有限公司 | 一种校园一卡通数据智能管理方法 |
Non-Patent Citations (1)
Title |
---|
基于聚类算法的学生消费行为分析研究和应用;游香薷;王业;杨抒;王斌;;自动化技术与应用;20171225(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117708764A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11250449B1 (en) | Methods for self-adaptive time series forecasting, and related systems and apparatus | |
CN117708764B (zh) | 基于校园一卡通的学生消费数据智能分析方法 | |
CN109615226B (zh) | 一种运营指标异常监测方法 | |
Pacchin et al. | A comparison of short-term water demand forecasting models | |
US8010324B1 (en) | Computer-implemented system and method for storing data analysis models | |
Rajabi et al. | A pattern recognition methodology for analyzing residential customers load data and targeting demand response applications | |
US20080059115A1 (en) | System and method for computing analytics on structured data | |
Fildes et al. | Forecasting competitions: Their role in improving forecasting practice and research | |
CN106960359B (zh) | 一种基于流式计算的全自动竞价优化方法及系统 | |
US7587330B1 (en) | Method and system for constructing prediction interval based on historical forecast errors | |
EP3550499A1 (en) | Prediction system and prediction method | |
CN111144468A (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
US20060116921A1 (en) | Methods and systems for profile-based forecasting with dynamic profile selection | |
CN110880127B (zh) | 消费水平的预测方法、装置、电子设备及存储介质 | |
US20110288989A1 (en) | Time-efficient and deterministic adaptive score calibration techniques for maintaining a predefined score distribution | |
Keskin et al. | The nonstationary newsvendor: Data-driven nonparametric learning | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN115225520B (zh) | 一种基于元学习框架的多模态网络流量预测方法及装置 | |
CN103631939A (zh) | 用于搜索引擎的数据处理方法和装置 | |
CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
CN117742816A (zh) | 基板管理控制器的运行控制方法及装置 | |
CN116628534A (zh) | 基于电力大数据的园区用能动态画像划分方法 | |
CN116306229A (zh) | 一种基于深度强化学习和迁移学习电力短期负荷预测方法 | |
CN114579643A (zh) | 快递业务量预测方法、装置及电子设备 | |
Abe et al. | Empirical comparison of various reinforcement learning strategies for sequential targeted marketing |
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 |