CN116823346A - 一种基于区块链技术民航数字资产公共综合服务方法 - Google Patents
一种基于区块链技术民航数字资产公共综合服务方法 Download PDFInfo
- Publication number
- CN116823346A CN116823346A CN202310875123.9A CN202310875123A CN116823346A CN 116823346 A CN116823346 A CN 116823346A CN 202310875123 A CN202310875123 A CN 202310875123A CN 116823346 A CN116823346 A CN 116823346A
- Authority
- CN
- China
- Prior art keywords
- point
- exchange
- points
- user
- airlines
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000009825 accumulation Methods 0.000 claims abstract description 72
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000009193 crawling Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 32
- 230000010354 integration Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000013515 script Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 15
- 238000004140 cleaning Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013210 evaluation model Methods 0.000 description 7
- 230000010006 flight Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 241001155430 Centrarchus Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于区块链技术民航数字资产公共综合服务方法,包括:获取积分信息,确定积分数额和过期时间,获得用户积分变化信息;针对可能过期的积分,爬取不同航空公司的积分奖励政策和兑换规定文件,并确定参与兑换的航空公司;根据积分有效期、积分兑换难度以及可供兑换的民航公司数量,预测积分堆积概率;获取乘客的使用信息,包括乘客的积分使用频率和积分兑换的产品种类,判断乘客积分使用习惯对积分堆积的影响;根据积分堆积的实际结果,自动调整积分兑换方案,促进积分的有效利用,减少积分堆积的风险;根据用户的积分风险或积分过期得分,确定自动调整机制的频率和幅度。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于区块链技术民航数字资产公共综合服务方法。
背景技术
随着航空业的迅速发展,民航数字资产主要包含的积分成为了一项重要的航空公司福利,吸引了大量乘客参与。然而,由于积分的有效期和兑换规则不同,乘客往往会在积分到期前无法有效利用积分,导致积分堆积和浪费。针对这一问题,许多航空公司开始探索基于区块链技术的航空积分流转方案,以实现积分的高效流通和充分利用。区块链技术的去中心化特点可以实现积分的真正所有权和自由流通,从而减少积分流转过程中的交易费用和风险。基于区块链的航空积分流转方案可以通过建立分布式账本和智能合约来实现积分的安全转移和兑换。此外,区块链技术的不可篡改性和透明性可以保证积分交易的公平和可追溯性,有效遏制积分欺诈和滥用行为。基于区块链的航空积分流转可以结合机器学习和数据挖掘技术,对用户的行为和兑换情况进行分析和预测,但是用户行为分析和预测的方法细节都没有人提出成熟的方案。基于区块链的航空积分流转方案具有广阔的应用前景,可以实现积分的高效流通和充分利用,提高航空公司的用户黏性和市场竞争力,为用户提供更加便捷和优质的航空服务。但是积分流转和兑换还有大量的技术问题没有得到解决。
发明内容
本发明提供了一种基于区块链技术民航数字资产公共综合服务方法,主要包括:
获取积分信息,确定积分数额和过期时间,获得用户积分变化信息;针对可能过期的积分,爬取不同航空公司的积分奖励政策和兑换规定文件,并确定参与兑换的航空公司;根据准备兑换的航空公司,采用智能合约进行差额计算兑换,得到不同航空公司之间积分兑换的差额计算结果,并把结果写入区块链;根据积分有效期、积分兑换难度以及可供兑换的民航公司数量,预测积分堆积概率;获取乘客的使用信息,包括乘客的积分使用频率和积分兑换的产品种类,判断乘客积分使用习惯对积分堆积的影响;根据积分堆积的实际结果,自动调整积分兑换方案,促进积分的有效利用,减少积分堆积的风险;根据用户的积分风险或积分过期得分,确定自动调整机制的频率和幅度。
进一步可选地,所述获取积分信息,确定积分数额和过期时间,获得用户积分变化信息,包括:
根据航空公司的积分***接口,获取用户的积分信息获取的信息应包括用户当前的积分余额、已消费积分数目和每个积分的过期时间;通过联合航空公司的订单***,获取用户的航班购买记录和乘机频率;采用描述性统计方法,分析用户的航班消费频率、消费金额数据,确定用户的消费习惯;采用决策树模型,通过用户积分消费模式和航班消费习惯,预测用户未来一段时间内的积分获取和使用情况;根据用户的积分获得和使用情况,通过随机森林算法建立积分过期预测模型,预测哪些积分可能会过期;还包括:通过用户行为模型,预测用户未来的积分获得和使用情况;根据用户的积分获得和使用情况,通过随机森林算法建立积分过期预测模型,预测哪些积分可能会过期。
所述通过用户行为模型,预测用户未来的积分获得和使用情况,具体包括:
根据用户历史积分和购买行为获取的信息,通过数据预处理、特征工程和数据划分,构建训练集和测试集。采用决策树算法构建用户行为模型,先进行数据预处理,对包括用户积分和购买记录的数据集进行数据清洗、去除重复值和处理缺失值操作。结合用户购买记录信息,从数据集中提取特征变量,包括积分获得途径、积分兑换方式、积分余额、航班信息。使用决策树算法,以购买行为为目标变量,将用户的积分和特征变量户的航班出行频率、航班时长、航班等级、航班目的地、积分余额,将其作为输入,构建决策树模型。通过对构建好的决策树模型进行评估,评估模型对购买行为的预测准确性,通过关注预测购买行为的准确率、召回率和F1值指标,评估模型在用户积分和购买行为方面的预测能力。对模型进行调整和优化,根据用户积分和购买行为的重要性,对模型中与这些因素相关的特征进行权重调整,对结果影响大的特征根据影响程度增加权重。最后,根据用户行为模型,建立用户行为预测方案,输入用户的历史购买信息通过模型预测用户未来的积分获得和使用频率。
所述根据用户的积分获得和使用情况,通过随机森林算法建立积分过期预测模型,预测哪些积分可能会过期,具体包括:
根据航空公司提供的接口或数据库,收集用户的积分来源、获取时间、过期时间,得到用户的原始积分信息数据集。根据航空公司数据库,获取用户的消费记录和乘机频率信息,包括消费金额、消费时间、乘机航线,得到用户消费习惯的原始数据集。将原始数据集进行数据清洗,将原始数据集中的无效值、异常值进行处理,得到清洗后的积分信息数据集和消费习惯数据集。根据积分信息数据集和消费习惯数据集,抽取出对积分过期预测有用的特征,包括积分获取频率、积分使用频率,得到特征工程后的数据集。将特征工程后的数据集分为训练集和测试集,得到用于模型训练的训练数据集和用于模型测试的测试数据集。通过随机森林算法对训练数据集进行学习,构建积分过期预测模型。输入测试数据集,采用准确率、召回率、F1分的评估指标对模型进行评估,得到模型的评估结果。根据最优的积分过期预测模型,输入用户的积分信息和消费习惯,预测未来积分的过期情况,得到积分过期预测结果。
进一步可选地,所述针对可能过期的积分,爬取不同航空公司的积分奖励政策和兑换规定文件,并确定参与兑换的航空公司,包括:
采用Web爬虫技术,根据积分信息中乘客所属的航空公司,向这些航空公司的网站发送请求,获取他们的积分奖励政策和兑换规定文件;通过Python脚本,对爬虫获取的网页内容进行HTML解析和文本提取,得到每个航空公司的积分政策的详细文本内容;采用自然语言处理技术,对获取的积分政策内容进行分析和理解,识别和提取积分奖励规则和兑换条件,根据提取的积分奖励规则和兑换条件,使用数据库查询,对每个即将过期的积分进行判断,看其是否满足航空公司的积分奖励和兑换规定;通过分析和比较每个航空公司的积分兑换规定,判断出哪些航空公司的兑换规定符合乘客的积分情况,得到确定参与兑换的航空公司列表;通过智能合约在区块链上记录参与兑换的航空公司,以及其兑换的积分数量和时间;还包括:构建不同航空公司积分***的架构和数据格式,实现不同航空公司实时区块链数据的同步;对兑换请求的合法性和参与方进行身份验证。
所述构建不同航空公司积分***的架构和数据格式,实现不同航空公司实时区块链数据的同步,具体包括:
根据业务需求获取不同航空公司的积分***架构和数据格式。采用数据处理方法对获取的不同积分***的数据进行转换和格式化。确定通用的积分管理模型,通过数据分析,收集各个航空公司的积分数据,并进行数据清洗,包括缺失值、异常值和重复值的处理,使用数据可视化工具和统计分析方法,对航空公司积分数据进行分析,包括积分获取、积分消费方面的数据分析,获取不同航空公司的积分数据,根据数据分析的结果,设计通用的积分管理模型,包括积分计算、积分兑换和积分转移方面的模型设计。采用事件驱动方式,实时地将航空公司的积分数据同步到区块链上,并确保数据的完整性和一致性。
所述对兑换请求的合法性和参与方进行身份验证,具体包括:
根据兑换请求,采用加密算法对请求进行数字签名。通过验证签名者的身份,确定其是否是已注册的合法用户,并且是否有足够的权限进行请求。采用数字证书验证签名者的身份的合法性,确定其身份真实可信。通过认证授权机制,判断请求的合法性。获取请求中的敏感数据,并通过加密算法对其进行加密,对用户数据的隐私保护;采用HTTPS协议进行加密传输,保证请求在传输过程中的安全性。通过使用AES加密算法对数据进行加密,并使用安全存储设备进行存储,保证请求和用户数据在存储中的安全性。
进一步可选地,所述根据准备兑换的航空公司,采用智能合约进行差额计算兑换,得到不同航空公司之间积分兑换的差额计算结果,并把结果写入区块链,包括:
根据参与兑换的航空公司信息,采用智能合约模板编写特定的积分兑换智能合约,其中,所述智能合约包含了积分兑换的所有信息,包括航空公司、积分数量、兑换比例;采用积分兑换的智能合约,通过智能合约的部署工具部署到区块链上;获取智能合约的地址,通过智能合约的交互工具调用智能合约的函数,这些函数包括积分兑换、查看积分余额;根据智能合约的交互结果,通过分析工具对结果进行解析,得到积分兑换的具体详情,包括兑换的积分数量、兑换的航空公司、兑换的结果;采用积分兑换的详情,通过统计工具进行差额计算,计算出不同航空公司之间的积分兑换差额;获取积分兑换差额,通过智能合约的更新函数更新积分兑换的结果,将积分兑换差额写入到区块链中;还包括:建立兑换奖励规则库,评估不同航空公司兑换奖励的灵活性和适用性;根据兑换规则和适用范围,评估兑换奖励的实际价值,并获得最优兑换方案。
所述建立兑换奖励规则库,评估不同航空公司兑换奖励的灵活性和适用性,具体包括:
爬取不同航空公司的兑换奖励政策和规定,包括兑换比例、兑换产品范围、兑换条件。将收集到的规则进行数据整理和标准化,建立兑换奖励规则库。根据乘客的需求、兑换条件和产品范围设计匹配算法,进行匹配度评估。确定匹配度评估指标,包括兑换比例的匹配程度、产品范围的匹配程度。根据乘客的需求和兑换奖励规则库,将乘客的兑换需求与规则库中的兑换奖励规则进行匹配。利用匹配算法,计算乘客的需求与规则库中每个航空公司的兑换奖励规则的匹配度,并选择最佳匹配的航空公司。基于匹配结果,评估航空公司兑换奖励的灵活性和适用性。根据匹配度评估指标,判断航空公司的兑换奖励规则在满足乘客需求上的灵活性和适用性。
所述根据兑换规则和适用范围,评估兑换奖励的实际价值,并获得最优兑换方案,具体包括:
从兑换奖励规则库中获取乘客的兑换需求和所选航空公司的兑换规则。对兑换规则中的兑换比例、产品范围和兑换条件进行数据整理和标准化,确保不同兑换规则的可比性。使用统计分析方法和数据清洗技术,处理数据中的缺失值、异常值和重复值,确保数据的准确性和一致性。设计评估模型,将兑换规则的各个指标进行加权,根据乘客需求和奖励规则的重要性确定权重。根据历史数据和市场趋势进行模型的训练和优化。利用评估模型和算法,对兑换规则进行综合评估,计算每个兑换项目的实际价值得分。根据乘客需求和航空公司规则的匹配程度,计算每个兑换项目的实际价值得分。基于实际价值得分,对兑换项目进行排名,确定最优兑换方案。根据乘客的偏好、航班可用性和兑换限制,判断最优兑换方案的实际可行性。确定最佳兑换方案,并给出推荐结果。
进一步可选地,所述根据积分有效期、积分兑换难度以及可供兑换的民航公司数量,预测积分堆积概率,包括:
根据用户的积分记录,获取每个用户的积分有效期信息,包括积分的获取时间、积分的有效期限;通过查询数据库,获取每个航空公司的积分兑换规则,包括积分兑换的条件、积分兑换的比例,确定用户的积分兑换难度;采用数据抓取技术,获取每个用户可供兑换的航空公司数量;根据获取到的积分有效期、积分兑换难度以及可供兑换的航空公司数量,采用多元线性回归模型,对积分堆积概率进行初步预测;通过模型测试,对初步预测的积分堆积概率进行验证,以检测模型的预测性能;采用模型优化算法,根据模型测试结果,优化多元线性回归模型;通过优化后的多元线性回归模型,重新对积分堆积概率进行预测;获取积分堆积概率的预测结果,通过数据转换工具将预测结果转换为区块链可接受的数据格式;根据转换后的预测结果,通过智能合约编写工具,编写一个将预测结果记录到区块链的智能合约,通过智能合约的部署工具将智能合约部署到区块链上;还包括:基于多元线性回归分析,建立属性等级与积分堆积概率之间的数学模型。
所述基于多元线性回归分析,建立属性等级与积分堆积概率之间的数学模型,具体包括:
首先,获取积分数据并对其进行初步清洗和分析,确定各属性的取值范围和数量分布情况。其次,通过多元线性回归分析,得到属性等级与积分堆积概率之间的数学模型,判断每个属性的显著性和影响程度。然后,通过交叉验证和模型评估,确定模型的可靠性和准确度。最后,根据模型结果,得到属性等级与积分堆积概率之间的具体关系,包括各属性等级对积分堆积概率的影响程度和方向。
进一步可选地,所述获取乘客的使用信息,包括乘客的积分使用频率和积分兑换的产品种类,判断乘客积分使用习惯对积分堆积的影响,包括:
首先,获取乘客的积分使用数据,包括乘客使用积分的频率、使用方式、兑换的产品种类信息;通过对这些数据进行分析,得到不同乘客的积分使用习惯;其次,采用聚类分析的方法,对乘客进行分组,按照积分使用的频率和兑换产品的种类进行分类,得到不同类型乘客的数量和特征;通过分析不同类型乘客的积分使用情况,判断不同类型乘客的使用习惯对积分堆积的影响;通过数据转换工具,将判断结果转化为区块链可接受的数据格式;获取转换后的判断结果,通过智能合约编写工具,编写一个将判断结果记录到区块链的智能合约;根据智能合约,通过智能合约的部署工具,将智能合约部署到区块链上。
进一步可选地,所述根据积分堆积的实际结果,自动调整积分兑换方案,促进积分的有效利用,减少积分堆积的风险,包括:
通过区块链查询工具,获取智能合约记录的积分堆积的实际数据;获取积分堆积的实际结果后,采用特征提取工具,从中提取出与积分堆积相关的关键特征;根据关键特征数据,采用机器学习算法,建立积分堆积与积分兑换方案之间的模型;获取积分堆积与积分兑换方案的模型,通过模型优化工具,对模型进行优化;采用优化后的模型,通过预测工具,对未来积分堆积的情况进行预测;根据未来积分堆积的预测结果,采用策略制定工具,制定出调整后的积分兑换方案;获取调整后的积分兑换方案,通过智能合约编写工具,编写一个将调整后的积分兑换方案记录到区块链的智能合约;根据智能合约,通过智能合约的部署工具,将智能合约部署到区块链上,智能合约会自动执行并把调整后的积分兑换方案写入到区块链;还包括:预测用户的积分堆积风险,判断真实风险值;根据用户的积分风险或积分过期得分,确定自动调整机制的频率和幅度。
所述预测用户的积分堆积风险,判断真实风险值,具体包括:
根据用户的积分堆积风险,根据用户历史积分数据、航班等级、以及积分过期时间,获取用户积分数量及使用信息这些数据信息。采用回归分析算法,根据用户的积分过期记录,预测用户未来的积分过期概率,并对其进行打分,得到用户积分过期得分。根据用户的积分积分过期得分的输出结果,判断用户是否存在积分堆积风险。
所述根据用户的积分风险或积分过期得分,确定自动调整机制的频率和幅度,具体包括:
据用户的积分堆积风险程度和积分过期得分,确定自动调整机制的频率和幅度。选择使用Python编写自动调整程序,根据制定的策略进行自动调整。包括根据用户的积分堆积风险程度和积分过期得分,将用户分为高、中、低三个不同的等级。对于高风险等级的用户,通过更频繁的调整,控制其积分的堆积和过期的数量。在调整幅度上,对于高风险等级的用户,采取大的幅度来调整积分。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明通过建立用户行为模型和预测模型,获取用户的积分信息、数量和过期时间,同时分析哪些积分将会在近期过期。为了有效利用过期积分,使用区块链技术来构建不同航空公司积分***的架构和数据格式,统一管理兑换请求的合法性和参与方身份验证。通过差额计算兑换,获取不同航空公司之间积分兑换的差额计算,获得最优兑换方案,提高积分的实际价值。同时,通过量化不同奖励的积分兑换难度,结合用户的兑换历史和兑换成功率来确定用户可能遇到的积分堆积可能性,并进行分类判断。此外,区块链技术还可以自动调整积分兑换方案,促进积分的有效利用,减少积分堆积的风险,提高用户的积分使用效率。
附图说明
图1为本发明的一种基于区块链技术民航数字资产公共综合服务方法的流程图。
图2为本发明的一种基于区块链技术民航数字资产公共综合服务方法的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
本实施例一种基于区块链技术民航数字资产公共综合服务方法具体可以包括:
步骤101,获取积分信息,确定积分数额和过期时间,获得用户积分变化信息。
根据航空公司的积分***接口,获取用户的积分信息获取的信息应包括用户当前的积分余额、已消费积分数目和每个积分的过期时间。通过联合航空公司的订单***,获取用户的航班购买记录和乘机频率。采用描述性统计方法,分析用户的航班消费频率、消费金额数据,确定用户的消费***均每次航班消费金额为1000元,总消费金额为10000元用户B的平均每次航班消费金额为1500元,总消费金额为7500元;采用决策树模型,通过用户积分消费模式和航班消费习惯,预测用户未来一段时间内的积分获取和使用情况,则假设用户A未来一段时间内仍然保持每年乘坐10次航班的频率,并且每次航班消费金额为1000元,预测用户A未来一年内的积分获取为10000积分,积分使用为5000积分。假设用户B未来一段时间内仍然保持每年乘坐5次航班的频率,并且每次航班消费金额为1500元,则预测用户B未来一年内的积分获取为7500积分,积分使用为5000积分。根据用户未来的积分获得和使用情况,通过随机森林算法建立积分过期预测模型,预测哪些获得的积分可能会过期,如果每个积分的过期时间为每年年底过期,结合用户的积分获取和使用情况,预测用户A未来一年内的积分中的5000积分可能会过期,用户B未来一年内的积分中的2500积分可能会过期。
通过用户行为模型,预测用户未来的积分获得和使用情况。
根据用户历史积分和购买行为获取的信息,通过数据预处理、特征工程和数据划分,构建训练集和测试集。采用决策树算法构建用户行为模型,先进行数据预处理,对包括用户积分和购买记录的数据集进行数据清洗、去除重复值和处理缺失值操作。结合用户购买记录信息,从数据集中提取特征变量,包括积分获得途径、积分兑换方式、积分余额、航班信息。使用决策树算法,以购买行为为目标变量,将用户的积分和特征变量户的航班出行频率、航班时长、航班等级、航班目的地、积分余额,将其作为输入,构建决策树模型。通过对构建好的决策树模型进行评估,评估模型对购买行为的预测准确性,通过关注预测购买行为的准确率、召回率和F1值指标,评估模型在用户积分和购买行为方面的预测能力。对模型进行调整和优化,根据用户积分和购买行为的重要性,对模型中与这些因素相关的特征进行权重调整,对结果影响大的特征根据影响程度增加权重。最后,根据用户行为模型,建立用户行为预测方案,输入用户的历史购买信息通过模型预测用户未来的积分获得和使用频率。例如,有一个用户的历史积分为1200分,购买记录如下:在2019年6月1日从北京飞到上海,使用了800分兑换机票;在2019年7月1日从上海飞回北京,使用了600分兑换机票;在2019年8月1日从北京飞到深圳,使用了1000分兑换机票;在2019年9月1日从深圳飞回北京,没有使用积分兑换机票。这些数据需要进行数据清洗、去除重复值和处理缺失值操作,然后从中提取特征变量,包括积分获得途径、积分兑换方式、积分余额、航班信息。将用户飞行的城市作为特征变量之一,用户可能会有一些经常去的城市,这些城市的航班信息和积分获得途径可能会对用户的购买决策产生影响。如果用户经常飞往上海,那么在模型中加入“航班目的地为上海”的特征变量,以预测用户未来是否会在该目的地使用积分兑换机票。接下来,使用决策树算法构建用户行为模型。假设使用信息增益指标来选择最佳的特征进行***,那么将积分余额作为第一个***节点,将用户分为积分余额大于800和小于等于800两类。然后,将航班信息作为第二个***节点,将用户分为经常飞往上海和不经常飞往上海两类。最后,使用购买行为作为叶节点,预测用户未来是否会使用积分兑换机票。评估模型的预测准确性可以使用F1值指标,假设将所有购买行为中使用积分兑换机票的行为定义为正样本,没有使用积分兑换机票的行为定义为负样本,那么模型的F1值为8,表示模型的预测准确性较高。最后,根据用户行为模型,建立用户行为预测方案。如果用户在过去经常使用积分兑换机票,则预测他们未来也会继续使用积分兑换机票。
根据用户的积分获得和使用情况,通过随机森林算法建立积分过期预测模型,预测哪些积分可能会过期。
根据航空公司提供的接口或数据库,收集用户的积分来源、获取时间、过期时间,得到用户的原始积分信息数据集。根据航空公司数据库,获取用户的消费记录和乘机频率信息,包括消费金额、消费时间、乘机航线,得到用户消费习惯的原始数据集。将原始数据集进行数据清洗,将原始数据集中的无效值、异常值进行处理,得到清洗后的积分信息数据集和消费习惯数据集。根据积分信息数据集和消费习惯数据集,抽取出对积分过期预测有用的特征,包括积分获取频率、积分使用频率,得到特征工程后的数据集。将特征工程后的数据集分为训练集和测试集,得到用于模型训练的训练数据集和用于模型测试的测试数据集。通过随机森林算法对训练数据集进行学习,构建积分过期预测模型。输入测试数据集,采用准确率、召回率、F1分的评估指标对模型进行评估,得到模型的评估结果。根据最优的积分过期预测模型,输入用户的积分信息和消费习惯,预测未来积分的过期情况,得到积分过期预测结果。例如,从航空公司的接口或数据库中获取用户的积分信息和消费习惯数据;其中,积分信息数据集为,用户ID:001,002,003,004,积分来源:航班消费,酒店预订,租车服务,获取时间:2021-01-01,2021-02-05,2021-03-10,2021-04-15,过期时间:2022-01-01,2023-02-05,2022-12-31,2023-04-15;消费习惯数据集为,用户ID:001,002,003,004,消费金额
:1000,2000,1500,3000,消费时间:2021-02-01,2021-03-15,2021-04-20,2021-05-10,乘机航线:北京-上海,上海-广州,北京-深圳,上海-北京;对原始数据集进行清洗,去除无效值和异常值;计算每个用户的积分获取频率和积分使用频率,从积分信息数据集和消费习惯数据集中抽取有用的特征,得到特征工程后的数据集:用户ID:001,002,003,004,积分获取频率:1,0.5,0.33,0.25,积分使用频率:0.5,0.25,0.33,0.5;以7:3的比例将特征工程后的数据集划分为训练集和测试集。使用随机森林算法对训练数据集进行学习,构建积分过期预测模型。将测试数据集输入训练好的模型,使用准确率、召回率、F1分数等评估指标对模型进行评估,得到模型的评估结果。根据最优的积分过期预测模型,输入用户的积分信息和消费习惯,预测未来积分的过期情况,则用户ID:004,积分获取频率:0.25,积分使用频率:0.5,根据模型预测,用户004的积分可能会在未来过期。
步骤102,针对可能过期的积分,爬取不同航空公司的积分奖励政策和兑换规定文件,并确定参与兑换的航空公司。
采用Web爬虫技术,根据积分信息中乘客所属的航空公司,向这些航空公司的网站发送请求,获取他们的积分奖励政策和兑换规定文件。通过Python脚本,对爬虫获取的网页内容进行HTML解析和文本提取,得到每个航空公司的积分政策的详细文本内容。采用自然语言处理技术,对获取的积分政策内容进行分析和理解,识别和提取积分奖励规则和兑换条件,根据提取的积分奖励规则和兑换条件,使用数据库查询,对每个即将过期的积分进行判断,看其是否满足航空公司的积分奖励和兑换规定。通过分析和比较每个航空公司的积分兑换规定,判断出哪些航空公司的兑换规定符合乘客的积分情况,得到确定参与兑换的航空公司列表。通过智能合约在区块链上记录参与兑换的航空公司,以及其兑换的积分数量和时间。例如,有一个乘客拥有航空公司A的积分,现在他想要了解航空公司A的积分奖励政策和兑换规定。首先,使用Web爬虫技术,根据乘客所属航空公司A的信息,向航空公司A的网站发送请求,获取积分奖励政策和兑换规定的网页内容。然后,使用Python脚本对爬取的网页内容进行HTML解析,提取出航空公司A的积分政策的详细文本内容。接下来,使用文本分类算法来识别和提取积分奖励规则和兑换条件。假设从文本中提取出积分奖励规则和兑换条件为,每消费100元获得10积分,每年最多可以积累1000积分,积分有效期为两年,即将过期的积分必须在有效期前使用。然后,使用数据库查询,对乘客即将过期的积分进行判断,看是否满足航空公司A的积分奖励和兑换规定,假设乘客即将过期的积分为800积分。根据上述规则和条件,计算出乘客目前可以获得的奖励积分为(800/100)*10=80积分,根据分析和比较航空公司的积分兑换规定,判断出航空公司A的兑换规定符合乘客的积分情况。最后,使用智能合约在区块链上记录参与兑换的航空公司A、兑换的积分数量80积分和时间。
构建不同航空公司积分***的架构和数据格式,实现不同航空公司实时区块链数据的同步。
根据业务需求获取不同航空公司的积分***架构和数据格式。采用数据处理方法对获取的不同积分***的数据进行转换和格式化。确定通用的积分管理模型,通过数据分析,收集各个航空公司的积分数据,并进行数据清洗,包括缺失值、异常值和重复值的处理,使用数据可视化工具和统计分析方法,对航空公司积分数据进行分析,包括积分获取、积分消费方面的数据分析,获取不同航空公司的积分数据,根据数据分析的结果,设计通用的积分管理模型,包括积分计算、积分兑换和积分转移方面的模型设计。采用事件驱动方式,实时地将航空公司的积分数据同步到区块链上,并确保数据的完整性和一致性。例如,根据业务需求获取不同航空公司的积分***架构和数据格式,航空公司A的积分***采用微服务架构,数据格式为JSON。积分信息包括用户ID、积分余额、积分获取记录和积分消费记录。航空公司B的积分***采用单体架构,数据格式为XML。积分信息包括用户ID、积分等级、积分获取记录和积分消费记录。通过数据处理方法,将XML格式的数据转换为JSON格式,统一化数据格式。假设航空公司A的积分***中有以下数据,用户ID:123456,积分余额:5000积分,获取记录:[{"来源":"航班消费","积分数":1000},{"来源":"酒店消费","积分数":500}],积分消费记录:[{"商家":"餐厅A","积分数":200},{"商家":"购物中心B","积分数":300}];航空公司B的积分***中有以下数据,用户ID:789012,积分等级:Gold,积分获取记录:[{"来源":"航班消费","积分数":2000},{"来源":"酒店消费","积分数":1000}],积分消费记录:[{"商家":"餐厅C","积分数":400},{"商家":"购物中心D","积分数":500}];通过数据清洗,可以处理积分数据中的缺失值、异常值和重复值,因此如果某个用户的积分消费记录中存在负数的积分数,可以将其视为异常值并进行修正或删除。使用数据可视化工具和统计分析方法,对航空公司的积分数据进行分析,例如,可以统计不同来源的积分获取比例,分析不同商家的积分消费情况,计算用户的平均积分余额。根据数据分析的结果,设计通用的积分管理模型。例如,可以设计一个模型包括积分计算、积分兑换和积分转移等功能。假设根据分析结果,设计的积分管理模型,积分计算:根据积分获取记录,计算用户的积分余额,例如,用户123456的积分余额为1000+500-200-300=1000。根据设定的兑换规则,将积分转换为相应的礼品或服务,例如,1000积分可以兑换一张机票。允许用户之间进行积分的转移,例如,用户789012可以将部分积分转移给用户123456。采用事件驱动方式,实时地将航空公司的积分数据同步到区块链上,并确保数据的完整性和一致性。通过区块链技术,可以实现积分数据的透明性和可验证性,防止数据篡改和丢失。
对兑换请求的合法性和参与方进行身份验证。
根据兑换请求,采用加密算法对请求进行数字签名。通过验证签名者的身份,确定其是否是已注册的合法用户,并且是否有足够的权限进行请求。采用数字证书验证签名者的身份的合法性,确定其身份真实可信。通过认证授权机制,判断请求的合法性。获取请求中的敏感数据,并通过加密算法对其进行加密,对用户数据的隐私保护;采用HTTPS协议进行加密传输,保证请求在传输过程中的安全性。通过使用AES加密算法对数据进行加密,并使用安全存储设备进行存储,保证请求和用户数据在存储中的安全性。例如,一个用户想要兑换100个积分,请求的数字签名为"0x1234567890"。首先,通过数字证书验证签名者的身份,确定其身份真实可信,如果数字证书验证成功,表示签名者是一个合法用户。然后,使用认证授权机制判断用户是否具有足够的权限进行请求,假设该用户的权限等级为2,需要权限等级为1以上才能进行兑换操作,因此,该用户具有足够的权限进行请求。接下来,对请求中的敏感数据进行加密保护,假设用户数据为银行账号"1234567890",使用AES加密算法对其进行加密,得到加密后的数据"0x2F1E3D4C5B6A7",确保用户数据的隐私保护;为了保证请求在传输过程中的安全性,采用HTTPS协议进行加密传输,假设请求通过HTTPS协议加密传输,确保请求在传输过程中不会被窃取或篡改。最后,为了保证请求和用户数据在存储中的安全性,使用安全存储设备进行存储,假设请求和用户数据存储在加密的硬件安全模块中,确保数据在存储过程中不会被非法访问或泄露。
步骤103,根据准备兑换的航空公司,采用智能合约进行差额计算兑换,得到不同航空公司之间积分兑换的差额计算结果,并把结果写入区块链。
根据参与兑换的航空公司信息,采用智能合约模板编写特定的积分兑换智能合约,其中,所述智能合约包含了积分兑换的所有信息,包括航空公司、积分数量、兑换比例。采用积分兑换的智能合约,通过智能合约的部署工具部署到区块链上。获取智能合约的地址,通过智能合约的交互工具调用智能合约的函数,这些函数包括积分兑换、查看积分余额。根据智能合约的交互结果,通过分析工具对结果进行解析,得到积分兑换的具体详情,包括兑换的积分数量、兑换的航空公司、兑换的结果。采用积分兑换的详情,通过统计工具进行差额计算,计算出不同航空公司之间的积分兑换差额。获取积分兑换差额,通过智能合约的更新函数更新积分兑换的结果,将积分兑换差额写入到区块链中。例如,有两家航空公司:航空公司A和航空公司B,他们之间有一个积分兑换智能合约,其中的兑换比例是1:10,即每1个航空公司A积分可以兑换10个航空公司B积分。假设用户拥有100个航空公司A积分,并想要将其兑换成航空公司B积分。使用智能合约部署工具将积分兑换智能合约部署到区块链上,获得智能合约的地址。使用智能合约的交互工具,调用积分兑换函数并传入参数,航空公司:航空公司A,积分数量:100,等待交易确认,获得交易哈希。使用分析工具对交互结果进行解析,则兑换的积分数量:100个航空公司A积分,兑换的航空公司:航空公司B,兑换的结果:1000个航空公司B积分,计算积分兑换差额:使用统计工具计算不同航空公司之间的积分,兑换差额:航空公司A差额=100个航空公司A积分-100个兑换的航空公司A积分,航空公司B差额=1000个兑换的航空公司B积分;航空公司A差额写入智能合约的航空公司A余额,航空公司B差额写入智能合约的航空公司B余额;通过以上步骤,用户成功进行了100个航空公司A积分到1000个航空公司B积分的兑换,并将兑换差额写入了区块链中,保持了积分的一致性和透明度。
建立兑换奖励规则库,评估不同航空公司兑换奖励的灵活性和适用性。
爬取不同航空公司的兑换奖励政策和规定,包括兑换比例、兑换产品范围、兑换条件。将收集到的规则进行数据整理和标准化,建立兑换奖励规则库。根据乘客的需求、兑换条件和产品范围设计匹配算法,进行匹配度评估。确定匹配度评估指标,包括兑换比例的匹配程度、产品范围的匹配程度。根据乘客的需求和兑换奖励规则库,将乘客的兑换需求与规则库中的兑换奖励规则进行匹配。利用匹配算法,计算乘客的需求与规则库中每个航空公司的兑换奖励规则的匹配度,并选择最佳匹配的航空公司。基于匹配结果,评估航空公司兑换奖励的灵活性和适用性。根据匹配度评估指标,判断航空公司的兑换奖励规则在满足乘客需求上的灵活性和适用性。例如,要对比两家航空公司的兑换奖励政策和规定,其中航空公司A的兑换比例为1:100,兑换产品范围包括机票、酒店和租车服务,兑换条件为需要累计10000个积分才能进行兑换;航空公司B的兑换比例为1:200,兑换产品范围包括机票和酒店服务,兑换条件为需要累计15000个积分才能进行兑换。首先,将这些规则进行数据整理和标准化,得到如下规则库:(航空公司,兑换比例,兑换产品范围,兑换条件),(A,1:100,机票、酒店、租车服务,累计10000个积分),(B,1:200,机票、酒店服务,累计15000个积分);接下来,根据乘客的需求、兑换条件和产品范围设计匹配算法,并进行匹配度评估。假设乘客需求为兑换一张机票,需要累计12000个积分才能进行兑换。根据兑换比例的匹配程度指标,航空公司A的匹配程度为12000/100=120,航空公司B的匹配程度为12000/200=60。根据产品范围的匹配程度指标,航空公司A的匹配程度为1,航空公司B的匹配程度为5。综合以上指标,航空公司A的匹配度评估值为(120+1)/2=65,航空公司B的匹配度评估值为(60+5)/2=32.5。根据匹配度评估结果,航空公司A的兑换奖励规则在满足乘客需求上具有更高的灵活性和适用性。通过以上的匹配算法和评估,可以根据乘客的需求和兑换奖励规则库,选择最佳匹配的航空公司,并评估航空公司的兑换奖励的灵活性和适用性。
根据兑换规则和适用范围,评估兑换奖励的实际价值,并获得最优兑换方案。
从兑换奖励规则库中获取乘客的兑换需求和所选航空公司的兑换规则。对兑换规则中的兑换比例、产品范围和兑换条件进行数据整理和标准化,确保不同兑换规则的可比性。使用统计分析方法和数据清洗技术,处理数据中的缺失值、异常值和重复值,确保数据的准确性和一致性。设计评估模型,将兑换规则的各个指标进行加权,根据乘客需求和奖励规则的重要性确定权重。根据历史数据和市场趋势进行模型的训练和优化。利用评估模型和算法,对兑换规则进行综合评估,计算每个兑换项目的实际价值得分。根据乘客需求和航空公司规则的匹配程度,计算每个兑换项目的实际价值得分。基于实际价值得分,对兑换项目进行排名,确定最优兑换方案。根据乘客的偏好、航班可用性和兑换限制,判断最优兑换方案的实际可行性。确定最佳兑换方案,并给出推荐结果。例如,假设乘客小明的兑换需求是使用积分兑换机票,他选择的航空公司是A航空公司。从兑换奖励规则库中获取了航空公司A的兑换规则,兑换比例:每1个积分可以兑换01元的机票价值。产品范围:仅适用于该航空公司自营的国内航线。兑换条件:每次至少需要兑换1000积分。为了进行数据整理和标准化,将兑换比例转化为百分比形式,即每1个积分可以兑换1%的机票价值。同时,将产品范围分类为国内航线,并将兑换条件标准化为至少需要兑换1000积分。在处理数据中的缺失值、异常值和重复值方面,可以通过数据清洗技术来识别和处理这些问题,确保数据的准确性和一致性。设计评估模型时,将兑换规则的各个指标,比如兑换比例、产品范围、兑换条件进行加权,根据乘客需求和奖励规则的重要性确定权重。例如,假设乘客对兑换比例更为关注,将兑换比例的权重设置为5,产品范围的权重设置为3,兑换条件的权重设置为2。根据历史数据和市场趋势进行模型的训练和优化时,利用统计分析方法来分析历史数据和市场趋势,从而预测和优化兑换规则的效果。利用评估模型和算法对兑换规则进行综合评估时,根据乘客需求和航空公司规则的匹配程度来计算每个兑换项目的实际价值得分。例如,如果乘客的需求是国际航线,但兑换规则仅适用于国内航线,则该兑换项目的实际价值得分会相对较低。基于实际价值得分,对兑换项目进行排名,确定最优兑换方案,例如,如果某个兑换项目的实际价值得分最高,那么它将排名第一,被推荐为最优兑换方案。最后,根据乘客的偏好、航班可用性和兑换限制,判断最优兑换方案的实际可行性;根据兑换方案的可行性,确定最佳兑换方案,并给出推荐结果。
步骤104,根据积分有效期、积分兑换难度以及可供兑换的民航公司数量,预测积分堆积概率。
根据用户的积分记录,获取每个用户的积分有效期信息,包括积分的获取时间、积分的有效期限。通过查询数据库,获取每个航空公司的积分兑换规则,包括积分兑换的条件、积分兑换的比例,确定用户的积分兑换难度。采用数据抓取技术,获取每个用户可供兑换的航空公司数量。根据获取到的积分有效期、积分兑换难度以及可供兑换的航空公司数量,采用多元线性回归模型,对积分堆积概率进行初步预测。通过模型测试,对初步预测的积分堆积概率进行验证,以检测模型的预测性能。采用模型优化算法,根据模型测试结果,优化多元线性回归模型。通过优化后的多元线性回归模型,重新对积分堆积概率进行预测。获取积分堆积概率的预测结果,通过数据转换工具将预测结果转换为区块链可接受的数据格式。根据转换后的预测结果,通过智能合约编写工具,编写一个将预测结果记录到区块链的智能合约,通过智能合约的部署工具将智能合约部署到区块链上。例如,从航空公司的数据库中获取用户的积分记录,包括积分的获取时间和积分的有效期限。用户ID:001,002,003,004,积分获取时间:2021-01-01,2021-02-05,2021-03-10,2021-04-15,积分有效期限:2022-01-01,2023-02-05,2022-12-31,2023-04-15;通过查询航空公司的数据库,获取积分兑换规则;积分兑换规则为每500积分可兑换一次航班优惠券,积分兑换比例为1积分兑换0.01元的折扣;使用数据抓取技术,获取到用户ID分别001,002,003,004,可供兑换的航空公司数量为3,2,4,1;假设用户001的积分获取时间是2021-01-01,积分有效期限是2022-01-01,可供兑换的航空公司数量为3,根据特征提取和模型预测,预测该用户的积分堆积概率为80%。根据数据转换工具将预测结果转换为区块链可接受的数据格式,得到如下数据:用户ID:001,预测的积分堆积概率:80%,使用智能合约编写工具,编写一个将预测结果记录到区块链的智能合约。部署该智能合约到区块链上后,该预测结果将永久记录在区块链中。
基于多元线性回归分析,建立属性等级与积分堆积概率之间的数学模型。
首先,获取积分数据并对其进行初步清洗和分析,确定各属性的取值范围和数量分布情况。其次,通过多元线性回归分析,得到属性等级与积分堆积概率之间的数学模型,判断每个属性的显著性和影响程度。然后,通过交叉验证和模型评估,确定模型的可靠性和准确度。最后,根据模型结果,得到属性等级与积分堆积概率之间的具体关系,包括各属性等级对积分堆积概率的影响程度和方向。例如,通过获取某网站用户的积分数据,并对其进行初步清洗和分析,发现积分数量范围在0-5000之间,而大多数用户的积分数量集中在500-2000之间。接着,进一步对属性进行分析,获取其中包括年龄、性别、地区、注册时间等属性。通过多元线性回归分析,得到了如下数学模型:积分堆积概率=2+3*年龄等级+4*性别等级+2*地区等级-1*注册时间等级其中,年龄等级分为1-5级,性别等级分为0/1(男/女),地区等级分为1-10级,注册时间等级分为1-3级。通过交叉验证和模型评估,确定该模型的可靠性和准确度。最后,以年龄等级为例,根据该模型得到具体关系:如果用户的年龄等级从1级增加到5级,其积分堆积概率将会增加3个百分点。类似地,可以得到其他属性等级对积分堆积概率的影响程度和方向。
步骤105,获取乘客的使用信息,包括乘客的积分使用频率和积分兑换的产品种类,判断乘客积分使用习惯对积分堆积的影响。
首先,获取乘客的积分使用数据,包括乘客使用积分的频率、使用方式、兑换的产品种类信息。通过对这些数据进行分析,得到不同乘客的积分使用习惯。其次,采用聚类分析的方法,对乘客进行分组,按照积分使用的频率和兑换产品的种类进行分类,得到不同类型乘客的数量和特征。通过分析不同类型乘客的积分使用情况,判断不同类型乘客的使用习惯对积分堆积的影响。通过数据转换工具,将判断结果转化为区块链可接受的数据格式;获取转换后的判断结果,通过智能合约编写工具,编写一个将判断结果记录到区块链的智能合约。根据智能合约,通过智能合约的部署工具,将智能合约部署到区块链上。例如,根据100位乘客的积分使用数据,其中有60位乘客使用过积分,使用频率从1次到10次不等。在这60位乘客中,有33位乘客选择了兑换优惠券,18位乘客选择了兑换免费机票,9位乘客选择了兑换礼品。通过聚类分析,将这60位乘客分成三类,包括频繁兑换优惠券的乘客、偶尔兑换免费机票的乘客和少量兑换礼品的乘客。频繁兑换优惠券的乘客对积分的堆积和使用有着重要的影响,因此可以设计更多的优惠券兑换活动,以促进这部分乘客的积极参与。使用智能合约编写工具,编写一个将判断结果记录到区块链的智能合约,智能合约包括乘客ID和乘客类型的记录方法。使用智能合约的部署工具,将智能合约部署到区块链上,获得智能合约的地址。通过以上步骤,对乘客的积分使用数据进行分析,并使用聚类分析将乘客分为不同类型。然后,将判断结果转化为区块链可接受的数据格式,并将其记录到区块链中,以实现积分管理的统一和透明。
步骤106,根据积分堆积的实际结果,自动调整积分兑换方案,促进积分的有效利用,减少积分堆积的风险。
通过区块链查询工具,获取智能合约记录的积分堆积的实际数据。获取积分堆积的实际结果后,采用特征提取工具,从中提取出与积分堆积相关的关键特征。根据关键特征数据,采用机器学习算法,建立积分堆积与积分兑换方案之间的模型。获取积分堆积与积分兑换方案的模型,通过模型优化工具,对模型进行优化。采用优化后的模型,通过预测工具,对未来积分堆积的情况进行预测。根据未来积分堆积的预测结果,采用策略制定工具,制定出调整后的积分兑换方案。获取调整后的积分兑换方案,通过智能合约编写工具,编写一个将调整后的积分兑换方案记录到区块链的智能合约。根据智能合约,通过智能合约的部署工具,将智能合约部署到区块链上,智能合约会自动执行并把调整后的积分兑换方案写入到区块链。例如,使用区块链查询工具查询智能合约记录的积分堆积数据,(乘客ID,积分堆积数量),(001,500),(002,800),(003,1200);使用特征提取工具,从积分堆积数据中提取与积分堆积相关的关键特征,假设提取到的关键特征包括乘客ID和积分堆积数量。使用使用线性回归算法建立基于关键特征数据建立积分堆积与积分兑换方案之间的模型;使用模型优化工具对建立的模型进行优化,提高模型的预测准确性和泛化能力。使用优化后的模型,通过预测工具对未来积分堆积的情况进行预测。根据未来积分堆积的预测结果,使用策略制定工具制定出调整后的积分兑换方案。假设根据预测结果,调整积分兑换比例以控制积分堆积数量。使用智能合约编写工具,编写一个将调整后的积分兑换方案记录到区块链的智能合约,智能合约包括乘客ID和调整后的积分兑换方案的记录方法。使用智能合约的部署工具,将智能合约部署到区块链上。获得智能合约的地址。
预测用户的积分堆积风险,判断真实风险值。
根据用户的积分堆积风险,根据用户历史积分数据、航班等级、以及积分过期时间,获取用户积分数量及使用信息这些数据信息。采用回归分析算法,根据用户的积分过期记录,预测用户未来的积分过期概率,并对其进行打分,得到用户积分过期得分。根据用户的积分积分过期得分的输出结果,判断用户是否存在积分堆积风险。例如,根据用户的历史积分数据、航班等级和积分过期时间,假设用户A的当前积分数量为8000,而其过期时间为1年后,那么其每个月的积分使用量应该不超过6667。如果用户A在过去6个月内的积分使用量都超过了这个值,那么他就存在积分堆积风险。在进行回归分析算法时,例如假设用户B的过去3年中,有6个月的积分过期了,那么其未来积分过期概率为25%。根据打分模型,用户B得到了70分的积分过期得分。根据设定的判断标准,如果用户的积分过期得分低于60分,就认为其存在积分堆积风险。因此,用户B存在积分堆积风险。
根据用户的积分风险或积分过期得分,确定自动调整机制的频率和幅度。
据用户的积分堆积风险程度和积分过期得分,确定自动调整机制的频率和幅度。选择使用Python编写自动调整程序,根据制定的策略进行自动调整。包括根据用户的积分堆积风险程度和积分过期得分,将用户分为高、中、低三个不同的等级。对于高风险等级的用户,通过更频繁的调整,控制其积分的堆积和过期的数量。在调整幅度上,对于高风险等级的用户,采取大的幅度来调整积分。例如,一位航空公司会员在过去一年中获得了大量的积分,但是他没有使用这些积分,积分的过期时间已经临近。这就意味着该用户的积分堆积风险程度很高,因为如果他不尽快使用这些积分,就有可能失去这些积分。基于这种情况,航空公司可以将该用户归为高风险等级,然后通过自动调整程序,对该用户进行积分提醒和奖励,以鼓励他尽快使用这些积分。比如,航空公司可以提供一些促销活动,让该用户可以用积分兑换更多的航班或者其他服务。或者航空公司也可以在用户的账户中显示一个倒计时,提醒用户积分的到期时间,以帮助用户更好地管理自己的积分。如果该用户一直没有使用积分,那么航空公司就可以将他的等级调整为中等风险等级,继续通过自动调整程序,提供更加积极的提醒和奖励,鼓励他尽快使用积分。如果用户最终仍然没有使用积分,那么航空公司就可以将他的等级调整为低风险等级,并采取不同的策略来管理他的账户。比如,航空公司可以通过发送电子邮件或短信来提醒用户积分的到期时间,或者提供更加灵活的积分兑换规则。
上述实施例仅为本发明的优选实施方式之一,不应当用于限制本发明的保护范围,但凡在本发明的主体设计思想和精神上做出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (7)
1.一种基于区块链技术民航数字资产公共综合服务方法,其特征在于,所述方法包括:
获取积分信息,确定积分数额和过期时间,获得用户积分变化信息;针对可能过期的积分,爬取不同航空公司的积分奖励政策和兑换规定文件,并确定参与兑换的航空公司;根据准备兑换的航空公司,采用智能合约进行差额计算兑换,得到不同航空公司之间积分兑换的差额计算结果,并把结果写入区块链;根据积分有效期、积分兑换难度以及可供兑换的民航公司数量,预测积分堆积概率;获取乘客的使用信息,包括乘客的积分使用频率和积分兑换的产品种类,判断乘客积分使用习惯对积分堆积的影响;根据积分堆积的实际结果,自动调整积分兑换方案,促进积分的有效利用,减少积分堆积的风险;根据用户的积分风险或积分过期得分,确定自动调整机制的频率和幅度。
2.根据权利要求1所述的方法,其中,所述获取积分信息,确定积分数额和过期时间,获得用户积分变化信息,包括:
根据航空公司的积分***接口,获取用户的积分信息获取的信息应包括用户当前的积分余额、已消费积分数目和每个积分的过期时间;通过联合航空公司的订单***,获取用户的航班购买记录和乘机频率;采用描述性统计方法,分析用户的航班消费频率、消费金额数据,确定用户的消费习惯;采用决策树模型,通过用户积分消费模式和航班消费习惯,预测用户未来一段时间内的积分获取和使用情况;根据用户的积分获得和使用情况,通过随机森林算法建立积分过期预测模型,预测哪些积分可能会过期;还包括:通过用户行为模型,预测用户未来的积分获得和使用情况;根据用户的积分获得和使用情况,通过随机森林算法建立积分过期预测模型,预测哪些积分可能会过期。
3.根据权利要求1所述的方法,其中,所述针对可能过期的积分,爬取不同航空公司的积分奖励政策和兑换规定文件,并确定参与兑换的航空公司,包括:
采用Web爬虫技术,根据积分信息中乘客所属的航空公司,向这些航空公司的网站发送请求,获取他们的积分奖励政策和兑换规定文件;通过Python脚本,对爬虫获取的网页内容进行HTML解析和文本提取,得到每个航空公司的积分政策的详细文本内容;采用自然语言处理技术,对获取的积分政策内容进行分析和理解,识别和提取积分奖励规则和兑换条件,根据提取的积分奖励规则和兑换条件,使用数据库查询,对每个即将过期的积分进行判断,看其是否满足航空公司的积分奖励和兑换规定;通过分析和比较每个航空公司的积分兑换规定,判断出哪些航空公司的兑换规定符合乘客的积分情况,得到确定参与兑换的航空公司列表;通过智能合约在区块链上记录参与兑换的航空公司,以及其兑换的积分数量和时间;还包括:构建不同航空公司积分***的架构和数据格式,实现不同航空公司实时区块链数据的同步;对兑换请求的合法性和参与方进行身份验证。
4.根据权利要求1所述的方法,其中,所述根据准备兑换的航空公司,采用智能合约进行差额计算兑换,得到不同航空公司之间积分兑换的差额计算结果,并把结果写入区块链,包括:
根据参与兑换的航空公司信息,采用智能合约模板编写特定的积分兑换智能合约,其中,所述智能合约包含了积分兑换的所有信息,包括航空公司、积分数量、兑换比例;采用积分兑换的智能合约,通过智能合约的部署工具部署到区块链上;获取智能合约的地址,通过智能合约的交互工具调用智能合约的函数,这些函数包括积分兑换、查看积分余额;根据智能合约的交互结果,通过分析工具对结果进行解析,得到积分兑换的具体详情,包括兑换的积分数量、兑换的航空公司、兑换的结果;采用积分兑换的详情,通过统计工具进行差额计算,计算出不同航空公司之间的积分兑换差额;获取积分兑换差额,通过智能合约的更新函数更新积分兑换的结果,将积分兑换差额写入到区块链中;还包括:建立兑换奖励规则库,评估不同航空公司兑换奖励的灵活性和适用性;根据兑换规则和适用范围,评估兑换奖励的实际价值,并获得最优兑换方案。
5.根据权利要求1所述的方法,其中,所述根据积分有效期、积分兑换难度以及可供兑换的民航公司数量,预测积分堆积概率,包括:
根据用户的积分记录,获取每个用户的积分有效期信息,包括积分的获取时间、积分的有效期限;通过查询数据库,获取每个航空公司的积分兑换规则,包括积分兑换的条件、积分兑换的比例,确定用户的积分兑换难度;采用数据抓取技术,获取每个用户可供兑换的航空公司数量;根据获取到的积分有效期、积分兑换难度以及可供兑换的航空公司数量,采用多元线性回归模型,对积分堆积概率进行初步预测;通过模型测试,对初步预测的积分堆积概率进行验证,以检测模型的预测性能;采用模型优化算法,根据模型测试结果,优化多元线性回归模型;通过优化后的多元线性回归模型,重新对积分堆积概率进行预测;获取积分堆积概率的预测结果,通过数据转换工具将预测结果转换为区块链可接受的数据格式;根据转换后的预测结果,通过智能合约编写工具,编写一个将预测结果记录到区块链的智能合约,通过智能合约的部署工具将智能合约部署到区块链上;还包括:基于多元线性回归分析,建立属性等级与积分堆积概率之间的数学模型。
6.根据权利要求1所述的方法,其中,所述获取乘客的使用信息,包括乘客的积分使用频率和积分兑换的产品种类,判断乘客积分使用习惯对积分堆积的影响,包括:
首先,获取乘客的积分使用数据,包括乘客使用积分的频率、使用方式、兑换的产品种类信息;通过对这些数据进行分析,得到不同乘客的积分使用习惯;其次,采用聚类分析的方法,对乘客进行分组,按照积分使用的频率和兑换产品的种类进行分类,得到不同类型乘客的数量和特征;通过分析不同类型乘客的积分使用情况,判断不同类型乘客的使用习惯对积分堆积的影响;通过数据转换工具,将判断结果转化为区块链可接受的数据格式;获取转换后的判断结果,通过智能合约编写工具,编写一个将判断结果记录到区块链的智能合约;根据智能合约,通过智能合约的部署工具,将智能合约部署到区块链上。
7.根据权利要求1所述的方法,其中,所述根据积分堆积的实际结果,自动调整积分兑换方案,促进积分的有效利用,减少积分堆积的风险,包括:
通过区块链查询工具,获取智能合约记录的积分堆积的实际数据;获取积分堆积的实际结果后,采用特征提取工具,从中提取出与积分堆积相关的关键特征;根据关键特征数据,采用机器学习算法,建立积分堆积与积分兑换方案之间的模型;获取积分堆积与积分兑换方案的模型,通过模型优化工具,对模型进行优化;采用优化后的模型,通过预测工具,对未来积分堆积的情况进行预测;根据未来积分堆积的预测结果,采用策略制定工具,制定出调整后的积分兑换方案;获取调整后的积分兑换方案,通过智能合约编写工具,编写一个将调整后的积分兑换方案记录到区块链的智能合约;根据智能合约,通过智能合约的部署工具,将智能合约部署到区块链上,智能合约会自动执行并把调整后的积分兑换方案写入到区块链;还包括:预测用户的积分堆积风险,判断真实风险值;根据用户的积分风险或积分过期得分,确定自动调整机制的频率和幅度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875123.9A CN116823346B (zh) | 2023-07-17 | 2023-07-17 | 一种基于区块链技术民航数字资产公共综合服务方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875123.9A CN116823346B (zh) | 2023-07-17 | 2023-07-17 | 一种基于区块链技术民航数字资产公共综合服务方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823346A true CN116823346A (zh) | 2023-09-29 |
CN116823346B CN116823346B (zh) | 2024-04-05 |
Family
ID=88124078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310875123.9A Active CN116823346B (zh) | 2023-07-17 | 2023-07-17 | 一种基于区块链技术民航数字资产公共综合服务方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823346B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008287508A (ja) * | 2007-05-17 | 2008-11-27 | Poitan:Kk | ポイント情報統合サービスシステム |
CN105469275A (zh) * | 2015-11-12 | 2016-04-06 | 广州优识资讯***有限公司 | 一种基于多商家的积分数据处理方法及*** |
JP2018173821A (ja) * | 2017-03-31 | 2018-11-08 | 三菱日立パワーシステムズ株式会社 | ポイント付与システム |
CN110472760A (zh) * | 2019-08-21 | 2019-11-19 | 北京艾摩瑞策科技有限公司 | 一种在区块链上的机票订票数据处理方法及装置 |
CN110494885A (zh) * | 2017-04-11 | 2019-11-22 | 株式会社野村综合研究所 | 积分运用***以及积分运用程序 |
CN111507747A (zh) * | 2020-03-06 | 2020-08-07 | 中国南方航空股份有限公司 | 一种区块链积分兑换里程*** |
JP2020135086A (ja) * | 2019-02-14 | 2020-08-31 | 大日本印刷株式会社 | ポイント管理サーバ、ポイント管理方法およびプログラム |
CN111833073A (zh) * | 2019-09-10 | 2020-10-27 | 南京邮电大学 | 基于K-Means++算法的航空公司客户细分方法 |
CN112102014A (zh) * | 2020-11-13 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 一种记录用户资源的方法和装置 |
CN112215663A (zh) * | 2020-10-29 | 2021-01-12 | 广州机不凡信息科技有限公司 | 一种用户积分通兑方法、设备和介质 |
US20210150562A1 (en) * | 2019-11-14 | 2021-05-20 | Mastercard International Incorporated | Methods and systems for facilitating reward tracking and redemption platform for airline travellers |
CN113779384A (zh) * | 2021-08-23 | 2021-12-10 | 广州百奕信息科技有限公司 | 一种基于客户画像的航班推荐*** |
CN113822722A (zh) * | 2021-09-28 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 虚拟资源发放控制方法、装置及服务器 |
CN114445130A (zh) * | 2022-01-13 | 2022-05-06 | 深圳市博源电子商务有限公司 | 一种基于区块链的用户线上线下积分互通运营*** |
CN114612159A (zh) * | 2022-03-23 | 2022-06-10 | 何英秀 | 一种线上商城平台智能管理方法、***及计算机存储介质 |
CN114611008A (zh) * | 2022-05-09 | 2022-06-10 | 北京淇瑀信息科技有限公司 | 基于联邦学习的用户服务策略确定方法、装置及电子设备 |
CN114782076A (zh) * | 2022-03-28 | 2022-07-22 | 武汉圣男品牌管理有限公司 | 一种线上商城消费平台奖券积分兑换智能管理方法、***及计算机存储介质 |
CN115131078A (zh) * | 2022-08-15 | 2022-09-30 | 中信百信银行股份有限公司 | 一种基于凭证模型的顺序消费积分方法及*** |
CN115829683A (zh) * | 2022-11-28 | 2023-03-21 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及*** |
CN116109351A (zh) * | 2023-01-16 | 2023-05-12 | 中国工商银行股份有限公司 | 多平台的积分兑换方法及装置、电子设备、存储介质 |
-
2023
- 2023-07-17 CN CN202310875123.9A patent/CN116823346B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008287508A (ja) * | 2007-05-17 | 2008-11-27 | Poitan:Kk | ポイント情報統合サービスシステム |
CN105469275A (zh) * | 2015-11-12 | 2016-04-06 | 广州优识资讯***有限公司 | 一种基于多商家的积分数据处理方法及*** |
JP2018173821A (ja) * | 2017-03-31 | 2018-11-08 | 三菱日立パワーシステムズ株式会社 | ポイント付与システム |
CN110494885A (zh) * | 2017-04-11 | 2019-11-22 | 株式会社野村综合研究所 | 积分运用***以及积分运用程序 |
US20200043037A1 (en) * | 2017-04-11 | 2020-02-06 | Nomura Research Institute, Ltd. | Point management system and point management program |
JP2020135086A (ja) * | 2019-02-14 | 2020-08-31 | 大日本印刷株式会社 | ポイント管理サーバ、ポイント管理方法およびプログラム |
CN110472760A (zh) * | 2019-08-21 | 2019-11-19 | 北京艾摩瑞策科技有限公司 | 一种在区块链上的机票订票数据处理方法及装置 |
CN111833073A (zh) * | 2019-09-10 | 2020-10-27 | 南京邮电大学 | 基于K-Means++算法的航空公司客户细分方法 |
US20210150562A1 (en) * | 2019-11-14 | 2021-05-20 | Mastercard International Incorporated | Methods and systems for facilitating reward tracking and redemption platform for airline travellers |
CN111507747A (zh) * | 2020-03-06 | 2020-08-07 | 中国南方航空股份有限公司 | 一种区块链积分兑换里程*** |
CN112215663A (zh) * | 2020-10-29 | 2021-01-12 | 广州机不凡信息科技有限公司 | 一种用户积分通兑方法、设备和介质 |
CN112102014A (zh) * | 2020-11-13 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 一种记录用户资源的方法和装置 |
CN113779384A (zh) * | 2021-08-23 | 2021-12-10 | 广州百奕信息科技有限公司 | 一种基于客户画像的航班推荐*** |
CN113822722A (zh) * | 2021-09-28 | 2021-12-21 | 北京沃东天骏信息技术有限公司 | 虚拟资源发放控制方法、装置及服务器 |
CN114445130A (zh) * | 2022-01-13 | 2022-05-06 | 深圳市博源电子商务有限公司 | 一种基于区块链的用户线上线下积分互通运营*** |
CN114612159A (zh) * | 2022-03-23 | 2022-06-10 | 何英秀 | 一种线上商城平台智能管理方法、***及计算机存储介质 |
CN114782076A (zh) * | 2022-03-28 | 2022-07-22 | 武汉圣男品牌管理有限公司 | 一种线上商城消费平台奖券积分兑换智能管理方法、***及计算机存储介质 |
CN114611008A (zh) * | 2022-05-09 | 2022-06-10 | 北京淇瑀信息科技有限公司 | 基于联邦学习的用户服务策略确定方法、装置及电子设备 |
CN115131078A (zh) * | 2022-08-15 | 2022-09-30 | 中信百信银行股份有限公司 | 一种基于凭证模型的顺序消费积分方法及*** |
CN115829683A (zh) * | 2022-11-28 | 2023-03-21 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及*** |
CN116109351A (zh) * | 2023-01-16 | 2023-05-12 | 中国工商银行股份有限公司 | 多平台的积分兑换方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116823346B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748748B2 (en) | Local usage of electronic tokens in a transaction processing system | |
CN109615474B (zh) | 基于区块链的中小企业竞争情报共享平台构建方法 | |
US20110313900A1 (en) | Systems and Methods to Predict Potential Attrition of Consumer Payment Account | |
US20120271770A1 (en) | Managing electronic tokens in a transaction processing system | |
CN106447434A (zh) | 个人信用生态平台 | |
CN105590055A (zh) | 用于在网络交互***中识别用户可信行为的方法及装置 | |
von Zahn et al. | The cost of fairness in AI: Evidence from e-commerce | |
US20140188555A1 (en) | Identifying and managing strategic partner relationships | |
WO2008076343A2 (en) | Identifying and managing strategic partner relationships | |
Chen et al. | RFM Model and K‐Means Clustering Analysis of Transit Traveller Profiles: A Case Study | |
CN116823346B (zh) | 一种基于区块链技术民航数字资产公共综合服务方法 | |
KR102417698B1 (ko) | 금융상품 정보 수집 플랫폼 시스템, 금융상품 정보 수집 방법 및 이를 위한 컴퓨터 프로그램 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN114708041A (zh) | 一种基于积分激励的行业数据共享方法、***和存储介质 | |
JP2020107203A (ja) | 故障検知システム | |
CN113706258A (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
CN110197074B (zh) | 一种用户权限控制方法及装置 | |
Xu et al. | Metro train operation plan analysis based on station travel time reliability | |
Xue et al. | Bilevel programming model of private capital investment in urban public transportation: case study of Jinan City | |
CN111932368B (zh) | 一种***发卡***及其构建方法、装置 | |
WO2011163251A2 (en) | Systems and methods to predict and prevent potential attrition of consumer payment account | |
AU2021102149A4 (en) | System and method for analyzing transaction data in cryptocurrency trading using artificial intelligence model | |
US20240193487A1 (en) | Methods and systems for utilizing data profiles for client clustering and selection in federated learning | |
US20240193431A1 (en) | Methods and systems for forkable federated learning pathways for versatile learning pathways | |
KR102194031B1 (ko) | 광고 사기를 감소시키는 기법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |