[发明专利]基于融合模型来预测用户消费的方法和系统

权利要求书

1.一种训练用于预测用户消费的融合模型的方法，所述方法包括：

获取用户在历史单位时间内购买产品的消费金额并将所述消费金额按时间形成历史消费金额时间序列数据集；

获取用户历史特征数据集；

基于所述历史消费金额时间序列数据集和所述用户历史特征数据集来训练第一预测模型并确定所述第一预测模型的第一误差；

获取时间影响因子特征集；

基于所述历史消费金额时间序列数据集和所述时间影响因子特征集来训练第二预测模型并确定所述第二预测模型的第二误差；

基于所述第一误差和所述第二误差来分别确定所述第一预测模型的第一权重系数以及所述第二预测模型的第二权重系数；以及

基于所述第一权重系数和所述第二权重系数来确定所述第一预测模型与所述第二预测模型的融合模型因变于单位时间的动态权重系数库。

2.如权利要求1所述的方法，其特征在于，所述用户历史特征数据集包括以下各项中的一项或多项：用户特征集、产品特征集和用户历史行为时间序列数据集，其中所述用户历史行为时间序列数据集是基于所述用户在历史单位时间内对所述产品执行的行为按时间来形成的。

3.如权利要求1所述的方法，其特征在于，所述第一误差为所述第一预测模型的第一平均绝对百分比误差，而所述第二误差为所述第二预测模型的第二平均绝对百分比误差，其中基于所述第一误差和所述第二误差来分别确定所述第一预测模型的第一权重系数以及所述第二预测模型的第二权重系数进一步包括：

将所述第一平均绝对百分比误差与所述第一平均绝对百分比误差和第二平均绝对百分比误差之和的比值确定为所述第一权重系数；并且

将所述第二平均绝对百分比误差与所述第一平均绝对百分比误差和第二平均绝对百分比误差之和的比值确定为所述第二权重系数。

4.如权利要求1所述的方法，其特征在于，所述第一预测模型为深度自回归(DeepAuto-Regressive(DeepAR))模型，并且所述第二预测模型为先知(Prophet)模型。

5.如权利要求1所述的方法，其特征在于，所述方法进一步包括：使用随机森林算法来对数据集进行预处理。

6.一种基于使用如权利要求1-5中的任一者所述的方法训练的融合模型来预测用户消费的方法，所述方法包括：

输入指定步长序列，其中所述指定步长序列指示要预测的时间段；以及

基于所述指定步长序列来预测所述用户在所述要预测的时间段内的消费意愿和/或消费金额。

7.如权利要求6所述的方法，其特征在于，所述方法进一步包括：基于所述要预测的时间段内的时间影响因子来调整所述第二预测模型的第二权重系数。

8.如权利要求6所述的方法，其特征在于，在预测新用户消费时，所述方法进一步包括：

获取新用户的用户特征集并从存量用户中寻找与所述新用户的用户特征集相匹配的用户；以及

基于所述用户的历史消费金额时间序列数据集、所述用户历史行为时间序列数据集和所述用户特征集来预测新用户在要预测的时间段内的消费意愿和/或消费金额。

9.一种预测用户消费的系统，所述系统包括：

存储器；以及

处理器，所述处理器与所述存储器耦合并被配置成执行如权利要求6-8中的任一项所述的方法。

10.一种其上存储有用于预测用户消费的代码的计算机可读存储介质，所述代码在被处理器执行时使所述处理器执行如权利要求6-8中的任一项所述的方法。