[发明专利]一种基于改进型隐马尔可夫模型的消费者消费行为预测方法

摘要

本发明涉及一种基于改进型隐马尔可夫模型的消费者消费行为预测方法，包括步骤：1)数据预处理得到观测序列；2)初始化隐马尔可夫模型；3)使用Baum‑Welch算法和观测序列(o1o2...oT)对模型进行迭代；4)使用前向‑后向算法和训练好的模型，计算概率最大的观测值(o1o2...oToT+1)；5)通过计算的T+1时刻概率最大的观测值oT+1并对照商家编号即可得到消费者在T+1时刻最有可能消费的线下商店shopT+1。本发明的有益效果是：提供了一种基于改进型隐马尔可夫模型的消费者线下消费行为的预测方法，更好地对当前消费行为与历史消费行为的时间依赖性进行建模，使用概率图模型更加准确高效地对不同用户的线下消费行为进行预测。

主权项

1.一种基于改进型隐马尔可夫模型的消费者消费行为预测方法，其特征在于：包括如下步骤：步骤一、数据预处理得到观测序列：抽取消费者的长度为t的历史商家消费数据{shop1，shop2，...，shopT}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观测值序列(o1o2...oT)；步骤二、初始化隐马尔可夫模型：通过一个三元组参数确定一个隐马尔可夫模型，λ＝(A，B，π)指代，分别包含转移矩阵A、混淆矩阵B和初始状态矩阵π；给参数A，B，π置随机初始值λ＝(A1，B1，π1)；步骤三、使用Baum‑Welch算法和观测序列(o1o2...oT)对模型进行迭代：已知观测序列O＝(o1o2...oT)，估计参数模型λ＝(A，B，π)，使得该模型下观测概率P＝(O|λ)最大；Baum‑Welch算法具体步骤：输入：观测数据O＝(o1，o2...oT)输出：隐马尔可夫模型参数1)初始化：对于n＝0，选取得到模型λ⁽⁰⁾＝(A⁽⁰⁾，B⁽⁰⁾，π⁽⁰⁾)2)递推，对于n＝1，2，...，其中，aij＝P(yt+1＝sj|yt＝si) bij＝P(xt＝oj|yt＝si)πi＝P(y1＝si)，αt(i)为前向变量，即输出为(o1，o2...ot)，在t时刻位于状态si的概率；βt(i)为后向变量，即时刻t状态为si后输出为(ot+1，ot+2...oT)的概率；3)终止，得到模型参数λ(n+1)＝(A(n+1)，B(n+1)，π(n+1))其中，由于引入了时间变量ω(Δt)，改进型隐马尔可夫模型中前向变量和后向变量的计算具体为：前向变量计算步骤：Step1.初始化α1(i)＝π1bj(o1)，(1≤j≤N)Step2.迭代Step3.终止后向变量计算步骤：Step1.初始化βT(i)＝1，(1≤i≤N)Step2.迭代Step3.终止步骤四、使用前向‑后向算法和训练好的模型，计算概率最大的观测值(o1o2...oToT+1)：步骤五、通过计算的T+1时刻概率最大的观测值oT+1并对照商家编号即可得到消费者在T+1时刻最有可能消费的线下商店shopT+1。