[发明专利]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

权利要求书

1.一种基于多因素循环神经网络的消费者消费行为预测方法，其特征在于，包括以下步骤：

步骤一、数据预处理得到训练数据：

抽取消费者的长度为T的历史商家消费数据{shop₁，shop₂，...，shoop_T}并对消费者的历史消费线下商家进行编号，然后根据时间顺序把消费数据按照商家编号转换成商家序列S(s₁s₂...s_T)；

根据当地的节假日安排，使用1表示节假日，0表示工作日，然后根据消费者的商家序列S，生成对应时间的节假日序列H(h₁h₂...h_T)；

根据常见天气状况及其严重程度，将天气分为以下几种不同情况，并分别给予不同的标签{晴天：0，小雨：-0.5，大雨：-1，小雪：-1.5，大雪：-2}；

根据消费者的商家序列S，抽取对应时间和地点的天气数据，生成天气序列C(c₁c₂...c_T)；

根据消费者的商家序列S，抽取对应时间和地点的温度数据，生成温度序列T(t₁t₂...t_T)；

然后把四个序列S、H、C、T进行标准化处理，得到训练数据X＝[SHCT]；

步骤二、生成一个循环神经网络模型：

生成一个三层结构的循环神经网络模型，包含输入层X、隐含层Z和输出层Y；

其中输入层X的输入数据就是一个四维向量X＝[SHCT]；

在隐含层Z，当前时刻t的状态z_t不仅取决于当前时刻的输入数据x_t，也取决于前一个时刻的隐含层状态z_t-1：z_t＝f(Ux_t+Wz_t-1+b_z)，其中U是输入层与隐含层之间的权重，W是隐含层与隐含层之间的权重，b_z是偏差值，f为激活函数；

输出层Y是一个全连接层，它的每个节点和隐含层的每个节点相连：y_t＝g(Vz_t+b_y)，其中y_t是t时刻输出层的值，V是隐含层与输出层的权重，b_y是偏差值，g为激活函数；

步骤三、使用BPTT算法和训练数据对模型进行训练：

使用BPTT算法根据梯度下降方法迭代更新三个权重值(U,V,W)和两个偏差值(b_z,b_y)；

步骤四、使用训练好的神经网络，计算输出序列Y，并还原成最终的预测结果s_T+1。

2.根据权利要求1所述的基于多因素循环神经网络的消费者消费行为预测方法，其特征在于，步骤三中权重值(U,V,W)和偏差值(b_z,b_y)具体计算方法为：

定义e_t为神经网络每一步的误差，则整个函数的误差为E＝∑_te_t；

权重V的梯度为其中y′_t为t时刻的监督值即实际值；

定义两个算子和

权重U的梯度为

权重W的梯度为

偏差值b_z的梯度为

偏差值b_y的梯度为

根据随机梯度下降方法迭代更新参数。