[发明专利]一种判断支付意愿的方法

说明书

技术领域

本发明涉及一种判断支付意愿的方法，尤其涉及一种基于贝叶斯网络模型判断支付意愿的方法，属于支付意愿判断领域。

背景技术

目前对于支付意愿的研究有许多方法，以往的相关研究中通常采用多元线性回归模型、以及Probit、Tobit和linear regression(OLS)等模型对支付意愿进行回归分析。现有的回归模型多采用局部独立的假设，仅考虑变量与支付意愿之间的显著性关系，忽略了个人社会属性间以及对调查内容的认识之间的相互关系。且回归模型建立的模型仅为单层、线状模型结构，只能单方向一次性预测，不能重复预测。回归模型各影响因素的值必须清楚的量化确定，对信息或数据的要求较高，若不能清楚地知道各影响因素的值，则会大大降低预测的精准性。

由于现有技术存在上述技术问题，本领域急需一种可全面考虑各影响因素、更符合实际情况、预测精准性高的支付意愿研究方法。

近年来，贝叶斯网络得到了大家的普遍关注，具有强大的不确定知识的表达能力和灵活的推理机制。贝叶斯网络又称信度网络(Belief Networks,BN)，是目前不确定知识表达和推理领域最有效的理论模型之一，是人工智能、概率论、图论和决策理论相结合的产物。贝叶斯网络是个有向无环图(DAG，Directed Acyclic Graph)，包含节点(Nodes)、相关性(Dependency)和概率分布这三部分。节点变量表示各个信息要素，用连接节点的有向弧表达各个信息要素之间的关联关系，用条件概率表(Conditional Probabilities Table,CPT)表示各信息要素之间的影响程度。该网络以概率论为基础，研究客观事物中多个变量之间相互依赖的统计规律性，以图论的形式形象直观地表达随机变量之间的因果关联关系。贝叶斯网络学习由结构学习和参数学习组成，结构学习是利用样本集，结合先验知识，确定合适的贝叶斯网络拓扑结构；参数学习是在给定贝叶斯网络拓扑结构的情况下，确定各节点的概率分布。贝叶斯网络模型已成功运用于专家系统、数据挖掘、人工智能等领域，贝叶斯网络在支付意愿的影响因素分析领域还处于探索阶段。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种基于贝叶斯网络模型判断支付意愿的方法，本发明方法考虑到了各影响因素间的相互关系，构建具有多层结构的贝叶斯网络模型，将各影响因素联系起来，预测结果精准性高，更符合实际情况。

本发明提供了一种判断支付意愿的方法，包括：

S1通过对收集到的信息进行相关性分析获取与支付意愿相关的影响因素；

S2根据所述影响因素构建支付意愿的贝叶斯网络模型；

S3根据所述贝叶斯网络模型判断支付意愿。

根据本发明的一些实施方式，所述步骤S1包括：

收集不同人群的社会特征及支付意愿信息，得到有可能影响支付意愿的因素；

对所述收集到的信息支付意愿及因素进行相关性分析，得到与支付意愿相关的影响因素。

根据本发明的优选实施例，所述收集不同人群的社会特征及支付意愿信息包括通过调查问卷收集不同人群的社会特征及支付意愿信息。

根据本发明的一些实施方式，对于所述社会特征及支付意愿信息的收集没有特别的限定，按照本领域常规技术手段进行即可。例如，可采用以下方式：第一部分是搜集被调查者的相关社会背景信息，可包括年龄、性别、学历、收入、职业、住宅类型等问题；第二部分是对被调查者对评估对象的了解情况的调查；第三部分是获取被调查者的支付意愿，即个人WTP值。

根据所述调查问卷，得到有可能影响支付意愿的因素。

根据本发明的一个实施例，通过对所述收集到的有可能影响支付意愿的因素和支付意愿进行相关性分析，去除与支付意愿相关性弱的因素，得到与支付意愿相关的影响因素。同时，根据相关性分析，还能得到与支付意愿直接相关的影响因素和间接相关的影响因素。

在过去的贝叶斯网络结构学习中，为了提高效率，贝叶斯的结构学习不基于实际数据，而是根据专家意见或经验确定网络结构，这种方法的缺陷就是受主观影响较大，脱离数据，模型的可移植性差。本发明采用相关分析法进行各因素间的相关性分析，可大大提高网络结构的可移植性和效率。

根据本发明的优选实施方式，采用Pearson相关系数法来进行相关性分析，其公式为：