[发明专利]一种基于车辆通行特征的ETC客户细分方法

权利要求书

1.一种基于车辆通行特征的ETC客户细分方法，其特征在于，

将ETC客户细分指标分别定义为最近消费间隔、年通行频次和年消费金额三类，

在定义ETC客户细分指标之后采用CLARA算法进行ETC客户聚类分析，将最好的聚类结果输出；

在ETC客户聚类分析完成后，采用CART算法建立细分规则提取算法；

在ETC客户聚类分析与细分规则提取算法建立完成后进行ETC客户细分模型的建立，得到ETC客户星级评定结果。

2.根据权利要求1所述的一种基于车辆通行特征的ETC客户细分方法，其特征在于，按ETC卡号对ETC客户的消费记录进行聚集，对年通行频次为F的ETC客户，其最近消费间隔R和年消费金额M的指标计算方法如下：

R＝T_set-T_{F_out} (1)

式(1)中，T_set表示一个指定的时间；T_{F_out}表示车辆在统计年中第F次消费时间(ETC出口时间)；

式(2)中，S_i表示车辆第i次通行的消费金额。

3.根据权利要求1所述的一种基于车辆通行特征的ETC客户细分方法，其特征在于，采用CLARA算法进行ETC客户聚类分析的过程为：

(1)对于1至抽样次数，重复执行步骤(a)-(d)；其中，samples为抽样次数；

(a)随机从整个ETC客户指标数据集D中随机抽取sampsize个数据作为一个样本，利用PAM算法确定该样本k个最优的中心[M₁,M₂…M_k]^T；其中，sampsize为抽样集中样本数；

(b)将k个聚类中心应用到整个数据集D中，计算D中非中心点O_j与k个聚类中心的距离，以距离最短原则确定ETC客户所属类别；其中，k为聚类个数；

(c)计算本次聚类的平均相异度，如果该值小于当前的最小值，那么用该值替代当前的最小值，并保留k个聚类中心点作为当前最优的聚类中心；

(d)返回步骤(1)，开始下一个循环；

循环结束，输出最佳的ETC客户聚类结果。

4.根据权利要求3所述的一种基于车辆通行特征的ETC客户细分方法，其特征在于，

CLARA算法使用欧氏距离来计算数据集中非中心点O_j与不同聚类中心M_f(f＝1,2,…,k)之间的距离d(O_j,M_f)，如式(3)所示：

式(3)中，u表示ETC客户指标维度；o_ju和m_fu表示O_j和M_f相应的维度值；

如式(4)所示：

d(O_j,M)＝min{d(O_j,M_f),f∈(1,2,…k)} (4)

式(4)中，样本O_j与其所属聚类中心的实际距离d(O_j,M)表示k个距离中的最小值。

5.根据权利要求3所述的一种基于车辆通行特征的ETC客户细分方法，其特征在于，判断当前的聚类中心是否为最佳聚类中心时，计算本次聚类的平均相异度，即数据集中所有样本与所属聚类中心距离的算术平均值，如下式：

式(5)中，D_average表示平均相异度；N表示ETC客户指标数据集中样本个数。