[发明专利]行为周期确定方法及装置

权利要求书

1.一种行为周期检测方法，其特征在于，包括：

确定一用户的多个行为类型对应的多个缴费数据序列；其中所述缴费数据序列包括至少一个按时间先后排列的历史缴费记录数据；

针对每个行为类型对应的缴费数据序列执行下述操作：

若该行为类型对应缴费数据序列中的历史缴费记录数据个数不大于第一数值，则查询与所述行为类型对应的预设周期，将所述预设周期作为该行为类型的缴费行为周期；

若该行为类型对应缴费数据序列中的历史缴费记录数据个数大于第一数值、不大于第二数值，则采用平均周期预测模型为该行为类型确定缴费行为周期，具体包括：

所述历史缴费记录数据包括缴费时间，计算该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔；将该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔的加权平均值，确定为该行为类型的缴费行为周期；

或者，

所述历史缴费记录数据包括缴费时间和对应的缴费金额，计算该行为类型对应的缴费数据序列中各个历史缴费记录数据中缴费金额的平均使用速率；将最近缴费金额与平均使用速率的商值，确定为缴费行为周期；

或者，

所述历史缴费记录数据包括缴费时间和对应的缴费金额，计算该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔；将该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔的加权平均值，确定为该行为类型的第一缴费行为周期；计算该行为类型对应的缴费数据序列中各个历史缴费记录数据中缴费金额的平均使用速率；将最近缴费金额与平均使用速率的商值，确定为该行为类型的第二缴费行为周期；将最近将所述第一缴费行为周期和所述第二缴费行为周期的综合值，确定为该行为类型的缴费行为周期；

若该行为类型对应缴费数据序列中的历史缴费记录数据个数大于第二数值，则采用复杂周期预测模型为该行为类型确定缴费行为周期，所述复杂周期预测模型由长短期记忆神经网络模型和/或自回归移动平均模型组成。

2.如权利要求1所述的方法，其特征在于，所述历史缴费记录数据包括缴费时间和对应的缴费金额，则所述采用复杂周期预测模型为该行为类型确定缴费行为周期包括：

输入该行为类型对应缴费数据序列至长短期记忆神经网络模型，获得长短期记忆神经网络模型输出的该行为类型的缴费行为周期。

3.如权利要求1所述的方法，其特征在于，所述历史缴费记录数据包括缴费时间和对应的缴费金额，则所述采用复杂周期预测模型为该行为类型确定缴费行为周期包括：

输入该行为类型对应缴费数据序列至自回归移动平均模型，获得自回归移动平均模型输出的该行为类型的缴费行为周期。

4.如权利要求1所述的方法，其特征在于，所述历史缴费记录数据包括缴费时间和对应的缴费金额，则所述采用复杂周期预测模型为该行为类型确定缴费行为周期包括：

输入该行为类型对应缴费数据序列至长短期记忆神经网络模型，获得长短期记忆神经网络模型输出的该行为类型的第一缴费行为周期；

输入该行为类型对应缴费数据序列至自回归移动平均模型，获得自回归移动平均模型输出的该行为类型的第二缴费行为周期；

将所述第一缴费行为周期和所述第二缴费行为周期的综合值，确定为该行为类型的缴费行为周期。

5.如权利要求1所述的方法，其特征在于，还包括：

确定各个行为类型的最近缴费时间；

将各个行为类型的最近缴费时间与各个行为类型的缴费行为周期的和，确定为各个行为类型的下次缴费时间；

发送各个行为类型的下次缴费时间至所述用户的移动终端，以供所述移动终端显示所述各个行为类型的下次缴费时间。

6.一种行为周期检测装置，其特征在于，包括：

确定单元，用于确定一用户的多个行为类型对应的多个缴费数据序列；其中所述缴费数据序列包括至少一个按时间先后排列的历史缴费记录数据；

针对每个行为类型对应的缴费数据序列执行下述操作：

第一执行单元，用于若该行为类型对应缴费数据序列中的历史缴费记录数据个数不大于第一数值，则查询与所述行为类型对应的预设周期，将所述预设周期作为该行为类型的缴费行为周期；

第二执行单元，用于若该行为类型对应缴费数据序列中的历史缴费记录数据个数大于第一数值、不大于第二数值，则采用平均周期预测模型为该行为类型确定缴费行为周期，具体包括：

所述历史缴费记录数据包括缴费时间，计算该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔；将该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔的加权平均值，确定为该行为类型的缴费行为周期；

或者，

所述历史缴费记录数据包括缴费时间和对应的缴费金额，计算该行为类型对应的缴费数据序列中各个历史缴费记录数据中缴费金额的平均使用速率；将最近缴费金额与平均使用速率的商值，确定为缴费行为周期；

或者，

所述历史缴费记录数据包括缴费时间和对应的缴费金额，计算该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔；将该行为类型对应缴费数据序列中相邻历史缴费记录数据之间的缴费时间间隔的加权平均值，确定为该行为类型的第一缴费行为周期；计算该行为类型对应的缴费数据序列中各个历史缴费记录数据中缴费金额的平均使用速率；将最近缴费金额与平均使用速率的商值，确定为该行为类型的第二缴费行为周期；将最近将所述第一缴费行为周期和所述第二缴费行为周期的综合值，确定为该行为类型的缴费行为周期；

第三执行单元，用于若该行为类型对应缴费数据序列中的历史缴费记录数据个数大于第二数值，则采用复杂周期预测模型为该行为类型确定缴费行为周期，所述复杂周期预测模型由长短期记忆神经网络模型和/或自回归移动平均模型组成。