[发明专利]一种基于多因素循环神经网络的消费者消费行为预测方法

摘要

本发明涉及一种基于多因素循环神经网络的消费者消费行为预测方法，包括：1)数据预处理得到训练数据，把四个序列S、H、C、T进行标准化处理，得到训练数据X＝[SHCT]；2)生成一个循环神经网络模型，包含输入层X、隐含层Z和输出层Y；3)使用BPTT算法和训练数据对模型进行训练，使用BPTT算法根据梯度下降方法迭代更新三个权重值(U,V,W)和两个偏差值(bz,by)；4)使用训练好的神经网络，计算输出序列Y，并还原成最终的预测结果sT+1。本发明的有益效果是：本发明考虑了一些会影响消费行为的自然因素，能准确高效地对不同用户的线下消费行为进行预测；除了本发明提出的三种自然因素之外，本方法还能进行拓展继续引入其他可能影响用户线下消费行为的其它一些因素。

主权项

1.一种基于多因素循环神经网络的消费者消费行为预测方法，其特征在于，包括以下步骤：步骤一、数据预处理得到训练数据：抽取消费者的长度为T的历史商家消费数据{shop1，shop2，...，shoopT}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商家序列S(s1s2...sT)；根据当地的节假日安排，使用1表示节假日，0表示工作日，然后根据消费者的商家序列S，生成对应时间的节假日序列H(h1h2...hT)；根据常见天气状况及其严重程度，将天气分为以下几种不同情况，并分别给予不同的标签{晴天：0，小雨：‑0.5，大雨：‑1，小雪：‑1.5，大雪：‑2}；根据消费者的商家序列S，抽取对应时间和地点的天气数据，生成天气序列C(c1c2...cT)；根据消费者的商家序列S，抽取对应时间和地点的温度数据，生成温度序列T(t1t2...tT)；然后把四个序列S、H、C、T进行标准化处理，得到训练数据X＝[SHCT]；步骤二、生成一个循环神经网络模型：生成一个三层结构的循环神经网络模型，包含输入层X、隐含层Z和输出层Y；其中输入层X的输入数据就是一个四维向量X＝[SHCT]；在隐含层Z，当前时刻t的状态zt不仅取决于当前时刻的输入数据xt，也取决于前一个时刻的隐含层状态zt‑1：zt＝f(Uxt+Wzt‑1+bz)，其中U是输入层与隐含层之间的权重，W是隐含层与隐含层之间的权重，bz是偏差值，f为激活函数；输出层Y是一个全连接层，它的每个节点和隐含层的每个节点相连：yt＝g(Vzt+by)，其中yt是t时刻输出层的值，V是隐含层与输出层的权重，by是偏差值，g为激活函数；步骤三、使用BPTT算法和训练数据对模型进行训练：使用BPTT算法根据梯度下降方法迭代更新三个权重值(U,V,W)和两个偏差值(bz,by)；步骤四、使用训练好的神经网络，计算输出序列Y，并还原成最终的预测结果sT+1。