[发明专利]基于自动拟合均值函数的泊松过程用户到店行为预测方法

说明书

技术领域

本发明属于行为预测技术领域，更为具体地讲，涉及一种基于自动拟合均值函数的泊松过程用户到店行为预测方法。

背景技术

随着互联网科技的发展，人们的购物方式也发生了很大的变化，实体商铺的一些问题也因为电商的发展日益凸显。一方面，实体商铺对供求信息的反映往往是通过经验和人为预估，缺乏准确性；另一方面，没有一种合理的方法客观反映客户忠诚度，导致无法抓住核心客户，提供针对性的服务。由此，如何解决供求信息反映不明中的商铺数量、商品需求者供求信息关系不明的问题，以及部分解决无法评估客户忠诚度的问题，从而达到全面而精准预测的目的成为了商铺经营过程中的难题。

在目前的预测方法中，时间序列分析是一种常用的方法，然而，时间序列分析存在过度依赖历史数据量，需要人工定阶，预测太过依赖预测时间尺度，无法等值准确范围等问题。在具体的用户行为预测中，由于多数用户并不会进行很高频次的购买，所以时间序列分析在总体上不适用。即使仅在购买频次较多的用户使用时间序列分析，也会面临需要人工定阶的问题，在庞大的用户基数下耗时耗力，并不能确定预测结果的准确范围。此外，通常的预测方法没有对预测结果的有效性进行度量。并且没有根据某个用户的历史到店特性，对泊松过程非常重要的参数－－均值函数进行合适的选取和匹配，降低了预测结果的可靠性以及有效性。

发明内容

本发明的目的在于克服现有技术的不足，考虑用户某一天是否到店购买具有随机性，提出一种基于自动拟合均值函数的泊松过程用户到店行为预测方法，以提高预测结果的可靠性以及有效性。

为实现上述发明目的，本发明基于自动拟合均值函数的泊松过程用户到店行为预测方法，其特征在于，包括以下步骤：

(1)、将用户一段时间到店购买的情况看作一个泊松过程，对其进行非齐次泊松过程建模：

k＝0,1,2...,

其中，k表示用户到店并购买的次数，P{N(t+s)-N(t)＝k}表示用户在t到t+s天内到店购买k次的概率，m(t)和m(t+s)分别表示该用户在t和t+s处均值函数的值，e为自然对数，k！表示k的阶乘；

(2)、利用一次函数、幂函数和指数函数分别对过去n天用户到店情况进行拟合，得到对应的拟合函数即拟合的一次函数、幂函数和指数函数；

(3)、计算拟合的一次函数、幂函数和指数函数的误差平方和(SSE)、复相关系数(R-Square)和均方根误差(RMSE)：

其中，表示在第i天时用户到店并购买的拟合累积次数，y_i表示在第i天时用户到店并购买的实际累积次数，表示y_i的平均值：

(4)、采用如下策略选取均值函数：

4.1)、选取复相关系数R-Square中的最大值，并与第二大值进行比较，如果差值超过设定的阈值T₁，则选取复相关系数R-Square最大值所对应的拟合函数为均值函数，否则，转到步骤4.2)；

4.2)、选取误差平方和SSE中的最小值，并与第二小值进行比较，如果差值超过设定的阈值T₂，则选取误差平方和SSE最小值所对应的拟合函数为均值函数，否则，转到步骤4.3)；

4.3)、选取均方根误差RMSE最小值所对应的拟合函数为均值函数；

(5)、将均值函数代入步骤(1)构建的模型中，分别计算k所对应的概率，选取概率值大于设定阈值T₃的用户到店并购买的次数，并作为该用户未来s天的时间段内到店并购买的预测。

本发明的目的是这样实现的。

本发明基于自动拟合均值函数的泊松过程用户到店行为预测方法，用户到店购买商品的行为具有很强的随机性的情况下，利用自动拟合均值函数的方法，进行泊松过程建模预测，从而全面的分析用户未来是否到店购买的预测方法。本发明可以解决供求信息反映不明中的商铺数量、商品需求者供求信息关系不明的问题，以及部分解决无法评估客户忠诚度的问题；同时，制定了一套适应商户到店购买预测的，集合了数据采集、参数训练、训练结果分析、建模预测的预测算法，对指定的预测指标设定最合适的预测参数，达到精准预测的目的；最后，本发明利用自动拟合均值函数的方法解决了合理运用历史数据以及确定预测结果有效性的问题。

附图说明

图1是本发明基于自动拟合均值函数的泊松过程用户到店行为预测方法一种具体实施方式流程图；