[发明专利]基于马尔科夫链的预测方法和装置

权利要求书

1.一种基于马尔科夫链的预测方法，其特征在于，包括：

采集预设时长内顾客的历史购买数据；

根据所述历史购买数据，统计获取顾客的状态转移矩阵；其中，所述状态转移矩阵中包括所述顾客从第i个状态转移到第j个状态的概率；

获取用于预测的每个状态下的顾客的第一购买数据；

根据每个状态下的所述第一购买数据和所述状态转移矩阵，得到第一预测结果；其中，所述第一预测结果包括每个状态下的预测出的顾客数。

2.根据权利要求1所述的基于马尔科夫链的预测方法，其特征在于，所述状态转移矩阵包括第一状态转移矩阵和第二状态转移矩阵，其中，所述第一状态转移矩阵为所述顾客存在连续购买行为时对应的状态转移矩阵，所述第二状态转移矩阵为所述顾客不存在续购买行为时对应的状态转移矩阵；

所述根据所述历史购买数据，统计获取顾客的状态转移矩阵，包括：

对所述历史购买数据进行统计分析，获取所述顾客从所述第i个状态转移到所述第j个状态的状态转移概率；其中，i，j为大于等于1的正整数；

从所有的状态转移概率中，根据所述状态转移概率对应的状态，选取出用于构成所述第一状态转移矩阵的状态转移概率，并构成所述第一状态转移矩阵；

利用除构成所述第一状态转移矩阵之外的状态转移概率，构成所述第二状态转移矩阵。

3.根据权利要求2所述的基于马尔科夫链的预测方法，其特征在于，还包括：

获取多个所述预设时长内的所述第一状态转移矩阵和所述第二状态转移矩阵；

将每个预设时长内的所述第一状态转移矩阵进行加权平均，更新所述第一状态转移矩阵；

将每个预设时长内的所述第二状态转移矩阵进行加权平均，更新所述第二状态转移矩阵。

4.根据权利要求2或3述的基于马尔科夫链的预测方法，其特征在于，所述根据每个状态下的所述第一购买数据和所述状态转移矩阵，得到第一预测结果，包括：

利用每个存在连续购买行为时对应的每个状态下的所述第一购买数据构成第一矩阵；

利用不存在连续购买行为时对应的每个状态下的所述第一购买数据构成第二矩阵；

利用所述第一矩阵与所述第一状态矩阵进行相乘，并将相乘结果相加得到所述第二预测结果，以及将所述第二矩阵与所述第二状态矩阵进行相乘，并将相乘结果相加得到所述第三预测结果；

将所述第二预测结果与所述第三预测结果相加，得到所述第一预测结果；其中，所述第一预测结果为一个矩阵，所述矩阵中不同元素表示不同状态，所述元素的取值为对应状态下预测出的顾客数。

5.根据权利要求4所述的基于马尔科夫链的预测方法，其特征在于，所述得到所述第一预测结果之后，还包括：

获取每个状态下的消费数据，利用每个状态下的消费数据构成第三矩阵；

将所述第一预测结果与所述第三矩阵相乘，得到第四预测结果；其中，所述第四预测结果为预测出的总消费数据。

6.根据权利要求1或2所述的基于马尔科夫链的预测方法，其特征在于，所述获取用于预测的每个状态下的顾客的第一购买数据之后，还包括：

将采样的时间间隔划分成多个时段；

针对每个时段，获取所述时段内每个状态下所述顾客的第二购买数据。

7.根据权利要求6所述的基于马尔科夫链的预测方法，其特征在于，所述根据每个状态下的所述顾客数据和所述状态转移矩阵，得到第一预测结果，包括：

针对每个时段，利用所述时段内每个状态下的所述第二购买数据构成第四矩阵；

利用所述时段内的所述第四矩阵与所述状态转移矩阵相乘，得到所述时段对应的第五预测结果；其中，所述第五预测结果包括所述时段下每个状态下的预测出的顾客数。

8.根据权利要求7所述的基于马尔科夫链的预测方法，其特征在于，所述得到所述时段对应的第五预测结果之后，还包括：

获取每个状态下的消费数据，利用每个状态下的消费数据构成第三矩阵；

针对每个时段，利用所述时段对应的所述第五预测结果与所述第三矩阵相乘，得到第六预测结果；其中，所述第六预测结果为预测出所述时段下的消费数据；

将每个时段内的所述第六预测结果相加，得到第七预测结果，其中，所述第七预测结果为预测出的总消费数据。