[發(fā)明專利]一種對(duì)鐵路客戶進(jìn)行分類的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911343327.8
• 申請(qǐng)日: 2019-12-24
• 公開（公告）號(hào): CN111353523A
• 公開（公告）日: 2020-06-30
• 發(fā)明（設(shè)計(jì)）人: 潘紅芹;董寶田;趙芳璨;喬林;曾進(jìn);肖翔;沈孟如;張明
• 申請(qǐng)（專利權(quán)）人: 中國(guó)國(guó)家鐵路集團(tuán)有限公司;中國(guó)鐵路信息科技集團(tuán)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06Q10/04;G06N3/04
• 代理公司: 北京德琦知識(shí)產(chǎn)權(quán)代理有限公司 11018
• 代理人: 牛崢;王麗琴

本發(fā)明公開了一種對(duì)鐵路客戶進(jìn)行分類的方法，本發(fā)明實(shí)施訓(xùn)練得到時(shí)間序列(Prophet)模型和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)集成模型，將鐵路客戶在貨運(yùn)過程中的貨票數(shù)據(jù)分別輸入到Prophet模型及LSTM神經(jīng)網(wǎng)絡(luò)模型中處理，將分別輸出的結(jié)果集成后得出客戶發(fā)貨預(yù)測(cè)時(shí)間序列；基于鐵路客戶發(fā)貨歷史數(shù)據(jù)和預(yù)測(cè)時(shí)序提取特征空間并采用核力場(chǎng)進(jìn)行聚類，得到鐵路客戶的分類結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別涉及一種對(duì)鐵路客戶進(jìn)行分類的方法。

背景技術(shù)

隨著多種運(yùn)輸方式的蓬勃發(fā)展，貨運(yùn)市場(chǎng)競(jìng)爭(zhēng)日益激烈，如何利用鐵路運(yùn)輸海量貨運(yùn)物品，深度挖掘客戶的行為特征信息及運(yùn)輸需求，分析客戶流失傾向及發(fā)貨潛力，是實(shí)現(xiàn)鐵路貨運(yùn)客戶在線分類和動(dòng)態(tài)客戶關(guān)系管理的重要理論基礎(chǔ)和技術(shù)支撐。

目前，對(duì)鐵路客戶進(jìn)行分類的有效方法主要包括：1)基于鐵路貨運(yùn)客戶生命周期的客戶價(jià)值模型和綜合統(tǒng)計(jì)指標(biāo)劃分方法；2)基于客戶價(jià)值分析模型(RFM)或其他改進(jìn)模型的客戶靜態(tài)價(jià)值指標(biāo)抽取及k均值聚類算法(k-means)等聚類算法的鐵路活躍客戶聚類方法。采用這些分類鐵路客戶的方法主要針對(duì)客戶進(jìn)行貨運(yùn)的靜態(tài)歷史數(shù)據(jù)，用戶特征抽取信息損失較大，忽略了鐵路客戶在貨運(yùn)過程中發(fā)貨時(shí)間序列關(guān)聯(lián)性及個(gè)體客戶趨勢(shì)性，在面對(duì)海量、實(shí)時(shí)的鐵路貨運(yùn)數(shù)據(jù)和多元化客戶需求時(shí)，存在計(jì)算量大，處理效率低及適應(yīng)性差等問題，難以滿足對(duì)鐵路龐大貨運(yùn)客戶高效挖掘分析的需求。

目前針對(duì)鐵路客戶的行為事件序列信息分類的方法主要基于鐵路客戶進(jìn)行貨運(yùn)的靜態(tài)歷史數(shù)據(jù)、鐵路客戶的行為特征數(shù)據(jù)及基于所設(shè)置的模型參數(shù)得到分類結(jié)果，分別存在缺點(diǎn)：基于鐵路客戶進(jìn)行貨運(yùn)的靜態(tài)歷史數(shù)據(jù)的聚類分類，在鐵路貨運(yùn)用戶行為這種高維時(shí)間序列會(huì)導(dǎo)致數(shù)據(jù)分別呈現(xiàn)稀疏性和不對(duì)稱性，較難判斷聚類分類結(jié)果的質(zhì)量；基于鐵路客戶的行為特征數(shù)據(jù)的聚類分類是把用戶行為原始時(shí)間序列轉(zhuǎn)換到一個(gè)低維的特征空間向量進(jìn)行聚類分類，實(shí)現(xiàn)對(duì)序列的降維和保留了可解釋性，但是適應(yīng)性比較低；基于所設(shè)置的模型參數(shù)的聚類分類是把鐵路客戶行為原始時(shí)間序列轉(zhuǎn)換成模型的幾個(gè)參數(shù)并用參數(shù)進(jìn)行聚類，但是對(duì)用戶行為參數(shù)的聚類可理解性相對(duì)較差。

對(duì)于鐵路客戶進(jìn)行貨運(yùn)過程中，所具有的貨運(yùn)行為時(shí)序數(shù)據(jù)具有周期性、差異性、高波動(dòng)性和強(qiáng)季節(jié)性的特征，采用上述三種聚類方法中的任一單一一種進(jìn)行鐵路客戶的聚類分類，難以全面準(zhǔn)確動(dòng)態(tài)將鐵路客戶進(jìn)行準(zhǔn)確分類。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例提供一種對(duì)鐵路客戶進(jìn)行分類的方法，該方法能夠全面準(zhǔn)確地對(duì)鐵路客戶進(jìn)行準(zhǔn)確分類。

本發(fā)明實(shí)施例是這樣實(shí)現(xiàn)的：

一種對(duì)鐵路客戶進(jìn)行分類的方法，包括：

訓(xùn)練得到時(shí)間序列Prophet模型和長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM模型；

將鐵路客戶在貨運(yùn)過程中的貨票數(shù)據(jù)分別輸入到所述Prophet模型及所述LSTM模型中處理，輸出結(jié)果；

將分別從Prophet模型及LSTM模型輸出的結(jié)果集成后，得到鐵路客戶發(fā)貨預(yù)測(cè)時(shí)間序列；

將得到的時(shí)間序列基于特征空間構(gòu)建后，采用核力場(chǎng)進(jìn)行聚類，得到鐵路客戶的分類結(jié)果。

所述訓(xùn)練得到的Prophet模型對(duì)鐵路客戶的貨票數(shù)據(jù)進(jìn)行基于鐵路客戶發(fā)貨的時(shí)間序列深度曲線擬合；

所述訓(xùn)練得到的LSTM模型挖掘鐵路客戶的貨票數(shù)據(jù)中的鐵路客戶發(fā)貨的時(shí)間序列的依賴關(guān)系。

所述將分別從Prophet模型及LSTM模型輸出的結(jié)果集成包括：

分別設(shè)置對(duì)應(yīng)Prophet模型的第一權(quán)值，及對(duì)應(yīng)LSTM模型的第二權(quán)值，將從Prophet模型輸出的結(jié)果與第一權(quán)值相乘得到的值，與從LSTM模型輸出的結(jié)果與第二權(quán)值相乘得到的值，進(jìn)行相加。