[发明专利]一种共享经济下的基于数据挖掘的动态定价算法

摘要

本发明公开了一种共享经济下的基于数据挖掘的动态定价算法，包括初步定价策略、基于特征筛选的权重优化、基于机器学习的权重优化。本发明公开的一种共享经济下的基于数据挖掘的动态定价算法，通过多重定价策略的辅助使用，实现动态定价算法的优化与应用，解决了算法应用单一、难以进行因素干预、时效性低等问题。

主权项

一种共享经济下的基于数据挖掘的动态定价算法，其特征在于，包括如下步骤过：步骤1、采用初步定价策略，包括如下步骤：S1、进行数据收集；S2、基于数据挖掘技术，实现客户分层；S3、进行参考定价；S4、基于数据进行预测定价；步骤2、基于特征筛选的权重优化使用F‑score方法实现特征筛选，给定训练特征向量X，k＝1，2，则第i个特征的F‑score表示为F(i)=Σk=12(f‾ik-f‾i)2Σk=121Nk-1Σj=1Nk(fijk-f‾ik)2---(1)]]>其中，和分别为第i个特征在整个特征集和第k个数据集中的特征平均值，代表第k个数据集中第j条序列的第i个特征值，Nk是第k个数据集中的蛋白质序列条数；在F‑score定义中，分子表示当前特征在不同数据集间的判别力，分母则表示其在各集内部序列之间的判别力；可见，分子越大，类别判别越准确；分母越小，类别判别错误率越小。也就是说，F‑score值越大，当前特征越具有判别力，因此这个分值即可作为特征筛选的评价依据；步骤3、基于机器学习的权重优化采用支持向量机进行权重优化，引入核函数，将输入向量映射到一个高维的空间，在高维空间中构造线性决策函数来实现回归；样本集为(xi，yi)，i＝1，...，n，{l，‑l}，l为样本数，y为样本目标，d为输入数据维度；则在高维空间中，最优函数表示为：其中αi为Lagrange因子，b是分类的阈值，而K(xi，xj)为核函数，即实现非线性变换的内积函数。