CN117745338A - 基于曲波变换的酒类消费预测方法、电子设备及存储介质 - Google Patents
基于曲波变换的酒类消费预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117745338A CN117745338A CN202410186242.8A CN202410186242A CN117745338A CN 117745338 A CN117745338 A CN 117745338A CN 202410186242 A CN202410186242 A CN 202410186242A CN 117745338 A CN117745338 A CN 117745338A
- Authority
- CN
- China
- Prior art keywords
- consumer
- wine
- data
- curvelet
- attribute
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 19
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims description 19
- 235000013334 alcoholic beverage Nutrition 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000001476 alcoholic effect Effects 0.000 claims 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于曲波变换的酒类消费预测方法、电子设备及存储介质,属于大数据处理技术领域,本发明要解决的技术问题为如何精准预测酒类消费者的购买力,使商家能够更好调整酒类商品的库存,进而提升商家售卖效率,采用的技术方案为:酒类消费者数据选择及预处理;酒类消费者数据重构:将原始随机无序排列的酒类消费者数据根据消费者信息及时间两个维度构建成有序的二维数据;数据曲波变换:对重构后酒类消费者数据进行数据曲波变换获取能够描述酒类消费者特征的曲波系数;干扰信息压制;特征信息提取:根据曲波系数进行曲波逆变换提取购买可能性的消费群体描述数据以及购买可能性高的消费个体;酒类消费者购买预测。
Description
技术领域
本发明涉及大数据处理技术领域,具体地说是一种基于曲波变换的酒类消费预测方法、电子设备及存储介质。
背景技术
消费水平预测法是专门用于预测各类消费品需求量的方法。这种方法主要是利用对消费水平和消费总人数(或户数)的直观分析判断,并辅以简单的数学推算来预测消费品的需求量。消费品需求量预测,是市场预测的重要内容,它能给生产企业提供需求量信息,便于安排生产;便于经营企业组织进货,及时满足消费者对商品需求,这对提高企业经营管理水平,节省费用具有重要的作用。
随着信息技术的发展,对消费者购买预测越来越受到各类企业的关注。目前的酒类消费者购买预测主要有基于简单数学模型的预测和基于大数据智能模型的预测。其中,基于简单数学模型的预测是通过消费者的消费数据、拟合消费曲线、预测消费者的消费趋势的方法,对数据的预处理太简单、信息挖掘程度低、预测结果精度低,无法在酒类营销过程中提供有效的指导。基于大数据智能模型的预测是通过基于大数据,构建智能模型,通过复杂的网络关系,进行大量的学习训练,预测消费者的购买可能性的方法,能够解决基于简单数学模型的预测方法的弊端,但计算模型固化、资源要求高、运算周期长,无法适应消费者和商品快速变化的情况。
故如何精准预测酒类消费者的购买力,使商家能够更好调整酒类商品的库存,进而提升商家售卖效率是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于曲波变换的酒类消费预测方法、电子设备及存储介质,来解决如何精准预测酒类消费者的购买力,使商家能够更好调整酒类商品的库存,进而提升商家售卖效率的问题。
本发明的技术任务是按以下方式实现的,一种基于曲波变换的酒类消费预测方法,该方法具体如下:
酒类消费者数据选择及预处理:选取酒类消费者的基础数据、购买数据以及行为数据,过滤掉注册信息不完整的基础数据以及订单流程未完结的购买数据,并将酒类消费者数据中的时间数据转换成统一格式,将酒类消费者数据中的文本型数据使用数值表示;
酒类消费者数据重构:将原始随机无序排列的酒类消费者数据根据消费者信息及时间两个维度构建成有序的二维数据;
数据曲波变换:对重构后酒类消费者数据进行数据曲波变换获取能够描述酒类消费者特征的曲波系数;
干扰信息压制;
特征信息提取:根据曲波系数进行曲波逆变换提取购买可能性的消费群体描述数据以及购买可能性高的消费个体;
酒类消费者购买预测:将购买可能性的消费群体描述数据作为消费个体的系数获取基于消费群体描述消费个体的预测结果。
作为优选,酒类消费者的基础数据是从消费者档案表、消费者注册表以及门店-消费者关系表中选择的消费者的年龄、性别、出生日期、门店注册时间、门店归属地域以及所属门店的数据信息;
酒类消费者的购买数据是从支付订单表、购买订单表及商品订单表中选择的消费者购物金额、购物数量、购买商品、购买时间、支付时间、取货时间、签收时间以及购买门店的数据信息;
酒类消费者的行为数据是从购买订单表、活动信息表、中签单表及售后订单表中选择的购买方式、提货方式、支付方式、活动参与度、购买资格放弃率及退款次数的数据信息。
更优地,酒类消费者数据重构是使用酒类消费者的年龄、性别、出生日期、门店注册时间、门店归属地域以及所属门店的属性数据和下单时间、付款时间及取货时间的时间数据作为变量,将酒类消费者的购买数据和行为数据中的购买金额及购买数量作为结果,再对属性维度和时间维度分别进行有序化排列。
更优地,对属性维度进行有序化排列具体如下:
酒类消费者不同的属性,在酒类消费者排序过程中占用不同的权重,酒类消费者的排序值定义如下:
;
其中,表示酒类消费者的排序值;/>表示酒类消费者的属性值;/>表示酒类消费者属性系数(常量);/>表示酒类消费者属性个数;
将酒类消费者年龄及所属门店作为酒类消费者属性维度的核心属性,变换为/>;
其中,表示酒类消费者年龄属性;/>表示酒类消费者所属门店属性;/>表示有序化排序映射;/>表示酒类消费者年龄的属性系数;/>表示酒类消费者所属门店的属性系数;
酒类消费者年龄的属性系数及酒类消费者所属门店的属性系数求解具体如下:
单一属性排序:计算酒类消费者年龄属性或所属门店属性对应的酒类消费的平均酒类消费金额,并按照酒类消费者年龄属性或所属门店属性平均酒类消费金额排序;
双属性排序:计算酒类消费者年龄属性及所属门店属性对应的酒类消费的平均酒类消费金额,并按照先年龄属性再所属门店属性以及先所属门店属性再年龄属性分别对平均酒类消费金额排序;
比较单一属性排序和双属性排序的平均酒类消费金额的逆序数,将逆序数小的排序方式视为最优排序;进而获取取值为1,/>取值为年龄属性值的个数,即年龄属性的最大排序值;
以此类推,的取值具体如下:
当时,/>;
当时,/>;
其中,表示消费者属性个数;/>表示消费者属性的最大排序。
更优地,对时间维度进行有序化排列具体如下:
消费者的唯一时间描述为;
其中,yc 表示消费者综合消费时间;yn表示消费者时间参数;bn表示消费者时间系数;t表示消费者时间个数;
将支付时间、取货时间作为核心数据,并设定时间排序即为最优排序,得到:;
将简化为时间求解平均值:
;
其中,yc 表示消费者综合消费时间;ypay表示消费者支付时间;yget表示消费者取货时间。
作为优选,数据曲波变换具体如下:
对酒类消费者的数据进行数据重构后的曲波变化表示为:
;
其中,表示在尺度/>、方向/>、位置/>上的曲波系数;/>表示消费者数据在消费者维度/>和时间维度/>的分布;/>表示曲波函数;
以笛卡尔坐标系下的酒类消费者数据为输入,曲波变换的离散形式表示为:
;
其中,表示在笛卡尔坐标下尺度/>、方向/>、位置/>上的曲波系数;/>为离散的曲波函数;/>;
对酒类消费者的数据进行离散傅里叶变换,得到频率域表示为;其中,/>;
在频率域中,对于不同的尺度和角度进行重采样,获取新的频率域表示为:
;
其中,;/>表示频率窗的支撑区域,支撑长度和宽度分别为/>和/>;
曲波系数集合表示为:
;
其中,表示快速傅里叶逆变换;/>表示酒类消费者数据在消费者/>-时间/>坐标下的窗函数;
将酒类消费者的数据通过曲波变换后,获取能够描述酒类消费者特征的曲波系数,得到曲波系数集合的数值分布,即曲波系数;
根据曲波变换的性质和曲波系数,将曲波系数分为粗尺度层(Coarse)、细尺度层(Detail)以及精细尺度(Fine);其中,粗尺度层包括低频数据信息,对应酒类消费者数据在消费者-时间域/>中的所有酒类消费者数据的整体轮廓信息,描述酒类消费者群体的信息;细尺度层(Detail)包括中高频数据信息而且通过多个方向参量进行多方向分解,对应在不同酒类消费者/>、不同时间/>方向上的精细特征,描述酒类消费者个体信息;精细尺度包括高频数据信息,对应酒类消费者数据中的个别随机购买信息,在酒类消费者预测的过程中,视为无效干扰信息。
更优地,干扰信息压制具体如下:
通常认为购买可能较高的消费群体之外,发生的个别购买行为是随机行为,不具备可预测性,且再次发生购买的可能性也是相对较低的,针对个别购买行为的酒类消费者数据对应曲波系数中的高频数据信息,设定曲波系数阈值,计算时将频率大于曲波系数阈值的高频数据赋值为曲波系数阈值,即将大于曲波系数阈值的高频数据直接赋值为曲波系数阈值,达到对干扰信息的压制。
更优地,特征信息提取具体如下:
对曲波系数中的低频数据和中低频数据,进行曲波逆变换,提取出购买可能性高的消费群体描述数据,公式如下:
;
其中,用于描述消费者群体的消费情况;/>表示曲波逆变换;
对曲波系数中的中高频数据,进行曲波逆变换,提取出购买可能性高的消费个体,公式如下:
;
其中,用于描述消费者个体的消费情况;/>表示曲波逆变换;
酒类消费者购买预测具体如下:
将群体描述的数据作为消费者个体的系数,获取基于消费群体描述消费个体的预测结果,公式如下:
;
其中,表示对酒类消费者的购买可能性预测,值越大表示有越高的购买可能性。
一种电子设备,包括:存储器和至少一个处理器;
其中,所述存储器上存储有计算机程序;
所述至少一个处理器执行所述存储器存储的计算机程序,使得所述至少一个处理器执行如上述的基于曲波变换的酒类消费预测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序可被处理器执行以实现如上述的基于曲波变换的酒类消费预测方法。
本发明的基于曲波变换的酒类消费预测方法、电子设备及存储介质具有以下优点:
(一)本发明通过分析消费者的购买潜力,预测消费者的购买可能性,满足商家筛选消费者中优质客户和普通客户,使商家能够在营销售卖中,更好地将对应商品售卖到对应的需求方手中,提升售卖效率、提高营业收入,更好地适应智能化的售卖环境;
(二)本发明通过构建基于曲波变换的数据处理,能够合理地组合数据、高效地压制干扰、准确地提取特征,全面的、准确的、快速的完成购买预测;同时,能够规避因商品热度、时间热度、活动热度等各种外部因素,而影响到消费者的评价;挖掘消费者深层次的属性信息,对消费者做出更加准确的预测;
(三)本发明将每一个消费者在购买行为中的反应视为一个信号反馈,结合时间维度得到一条信息数据,并根据不同消费者的基础属性(年龄、地域等)的关系,构建出在横向(时间)、纵向(消费者)都有强关联关系的二维数据,实现数据重组;
(四)本发明将消费者数据重组为二维信号数据后,可以通过使用效率高、耗时短、成本低的时频分析中的方法来压制干扰信息,将消费者信息数据通过曲波变换,转到曲波域,对消费者数据进行干扰压制,减少无用信息和错误信息对消费者评价过程中的影响;
(五)本发明通过使用曲波变化将数据转到曲波域中压制干扰后,可以再根据曲波变化的性质,二维消费者信号数据在不同的尺度和、角度、位置上过滤提取特征信号,通过逆变换获得时域数据,再积分计算信号具有的能量,以能量的强弱来描述消费者的购买可能;
(六)本发明通过数据重构后,保证相邻数据都是有强关联关系的,然后再根据曲波变化的性质,可以挖掘不同尺度、角度、位置上的特征,达到预测一个消费者的购买可能性时,不仅使用该消费者自身的消费数据,同时使用相邻其他消费者的数据作为辅助特征,共同综合描述消费者,避免特殊因素影响对消费者的描述;
(七)本发明通过构建有序的消费者基础数据、消费数据、行为数据的模型,将一个消费数据视为一道信号,通过曲波变化将数据映射道“曲波域”,并进行干扰压制和特征提取,再反变换到消费者-时间域中,最后将群体特征作为系数,获取基于消费群体描述消费个体的预测结果;
(八)本发明将传统使用单个消费者的数据评价单个消费者的模式,转换为使用全部消费者的数据预测一个消费者购买可能性的模型,能够解决单个消费者存在随机消费、一次性消费产生的过高期望的问题,能够更加准确、全面评价消费者的消费行为,给出更加可信的预测结果。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于曲波变换的酒类消费预测方法的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于曲波变换的酒类消费预测方法、电子设备及存储介质作以下详细地说明。
实施例1:
如附图1所示,本实施例提供了一种基于曲波变换的酒类消费预测方法,该方法具体如下:
S1、酒类消费者数据选择及预处理:选取酒类消费者的基础数据、购买数据以及行为数据,过滤掉注册信息不完整的基础数据以及订单流程未完结的购买数据,并将酒类消费者数据中的时间数据转换成统一格式,将酒类消费者数据中的文本型数据使用数值表示;
S2、酒类消费者数据重构:将原始随机无序排列的酒类消费者数据根据消费者信息及时间两个维度构建成有序的二维数据;
S3、数据曲波变换:对重构后酒类消费者数据进行数据曲波变换获取能够描述酒类消费者特征的曲波系数;
S4、干扰信息压制;
S5、特征信息提取:根据曲波系数进行曲波逆变换提取购买可能性的消费群体描述数据以及购买可能性高的消费个体;
S6、酒类消费者购买预测:将购买可能性的消费群体描述数据作为消费个体的系数获取基于消费群体描述消费个体的预测结果。
本实施例步骤S1中的酒类消费者的基础数据是从消费者档案表、消费者注册表以及门店-消费者关系表中选择的消费者的年龄、性别、出生日期、门店注册时间、门店归属地域以及所属门店的数据信息。
本实施例步骤S1中的酒类消费者的购买数据是从支付订单表、购买订单表及商品订单表中选择的消费者购物金额、购物数量、购买商品、购买时间、支付时间、取货时间、签收时间以及购买门店的数据信息。
本实施例步骤S1中的酒类消费者的行为数据是从购买订单表、活动信息表、中签单表及售后订单表中选择的购买方式、提货方式、支付方式、活动参与度、购买资格放弃率及退款次数的数据信息。
本实施例步骤S2中的酒类消费者数据重构是使用酒类消费者的年龄、性别、出生日期、门店注册时间、门店归属地域以及所属门店的属性数据和下单时间、付款时间及取货时间的时间数据作为变量,将酒类消费者的购买数据和行为数据中的购买金额及购买数量作为结果,再对属性维度和时间维度分别进行有序化排列。
消费者的分布是无序的,需要按照消费者的属性,为消费者加一个排列顺序,来保证相邻的消费者具有一定的关联关系。
本实施例中的对属性维度进行有序化排列具体如下:
(1)酒类消费者不同的属性,在酒类消费者排序过程中占用不同的权重,酒类消费者的排序值定义如下:
;
其中,表示酒类消费者的排序值;/>表示酒类消费者的属性值;/>表示酒类消费者属性系数(常量);/>表示酒类消费者属性个数;
(2)将酒类消费者年龄及所属门店作为酒类消费者属性维度的核心属性,变换为/>;
其中,表示酒类消费者年龄属性;/>表示酒类消费者所属门店属性;/>表示有序化排序映射;/>表示酒类消费者年龄的属性系数;/>表示酒类消费者所属门店的属性系数;
(3)酒类消费者年龄的属性系数及酒类消费者所属门店的属性系数求解具体如下:
①单一属性排序:计算酒类消费者年龄属性或所属门店属性对应的酒类消费的平均酒类消费金额,并按照酒类消费者年龄属性或所属门店属性平均酒类消费金额排序;如表1和表2所示:
表1 酒类消费者年龄属性对应的酒类消费的平均酒类消费金额排序表
表2 酒类消费者所属门店属性对应的酒类消费的平均酒类消费金额排序表
②双属性排序:计算酒类消费者年龄属性及所属门店属性对应的酒类消费的平均酒类消费金额,并按照先年龄属性再所属门店属性以及先所属门店属性再年龄属性分别对平均酒类消费金额排序;如表3和表4所示:
表3 按照先年龄属性再所属门店属性的平均酒类消费金额排序表
表4 按照先所属门店属性再年龄属性的平均酒类消费金额排序表
③比较单一属性排序和双属性排序的平均酒类消费金额的逆序数,将逆序数小的排序方式视为最优排序;上述数据可以看出先按照门店,再按照年龄为最优排序,先按照看出可以得出取值为1,/>取值为年龄属性值的个数,也是年龄属性的最大排序值;
以此类推,的取值具体如下:
当时,/>;
当时,/>;
其中,表示消费者属性个数;/>表示消费者属性的最大排序。
本实施例中的对时间维度进行有序化排列具体如下:
消费者的唯一时间描述为;
其中,yc 表示消费者综合消费时间;yn表示消费者时间参数;bn表示消费者时间系数;t表示消费者时间个数;
将支付时间、取货时间作为核心数据,并设定时间排序即为最优排序,得到:;
将简化为时间求解平均值:
;
其中,yc 表示消费者综合消费时间;ypay表示消费者支付时间;yget表示消费者取货时间。
本实施例步骤S3中的数据曲波变换具体如下:
曲波变换是将原始信号在给定的函数或矢量集上进行分解,得到在该变换域上对原始数据的稀疏表示。曲波变化是一种多尺度分析工具,能够提取信号和图像中特定尺度、特定方向、特定频率的信息。
S301、对酒类消费者的数据进行数据重构后的曲波变化表示为:
;
其中,表示在尺度/>、方向/>、位置/>上的曲波系数;/>表示消费者数据在消费者维度/>和时间维度/>的分布;/>表示曲波函数;
S302、以笛卡尔坐标系下的酒类消费者数据为输入,曲波变换的离散形式表示为:
;
其中,表示在笛卡尔坐标下尺度/>、方向/>、位置/>上的曲波系数;/>为离散的曲波函数;/>;
S303、对酒类消费者的数据进行离散傅里叶变换,得到频率域表示为;其中,/>;
S304、在频率域中,对于不同的尺度和角度进行重采样,获取新的频率域表示为:
;
其中,;/>表示频率窗的支撑区域,支撑长度和宽度分别为/>和/>;
S305、曲波系数集合表示为:
;
其中,表示快速傅里叶逆变换;/>表示酒类消费者数据在消费者/>-时间/>坐标下的窗函数;
S306、将酒类消费者的数据通过曲波变换后,获取能够描述酒类消费者特征的曲波系数,得到曲波系数集合的数值分布,即曲波系数,如表5所示:
表5 曲波系数集合的数值分布表
根据曲波变换的性质和曲波系数,将曲波系数分为粗尺度层(Coarse)、细尺度层(Detail)以及精细尺度(Fine);其中,粗尺度层包括低频数据信息,对应酒类消费者数据在消费者-时间域/>中的所有酒类消费者数据的整体轮廓信息,描述酒类消费者群体的信息;细尺度层(Detail)包括中高频数据信息而且通过多个方向参量进行多方向分解,对应在不同酒类消费者/>、不同时间/>方向上的精细特征,描述酒类消费者个体信息;精细尺度包括高频数据信息,对应酒类消费者数据中的个别随机购买信息,在酒类消费者预测的过程中,视为无效干扰信息。
本实施例步骤S4中的干扰信息压制具体如下:
通常认为购买可能较高的消费群体之外,发生的个别购买行为是随机行为,不具备可预测性,且再次发生购买的可能性也是相对较低的,针对个别购买行为的酒类消费者数据对应曲波系数中的高频数据信息,设定曲波系数阈值,计算时将频率大于曲波系数阈值的高频数据赋值为曲波系数阈值,即将大于曲波系数阈值的高频数据直接赋值为曲波系数阈值,达到对干扰信息的压制。
本实施例步骤S5中的特征信息提取具体如下:
S501、对曲波系数中的低频数据和中低频数据,进行曲波逆变换,提取出购买可能性高的消费群体描述数据,公式如下:
;
其中,用于描述消费者群体的消费情况;/>表示曲波逆变换;
S502、对曲波系数中的中高频数据,进行曲波逆变换,提取出购买可能性高的消费个体,公式如下:
;
其中,用于描述消费者个体的消费情况;/>表示曲波逆变换。
本实施例步骤S6中的酒类消费者购买预测具体如下:
将群体描述的数据作为消费者个体的系数,获取基于消费群体描述消费个体的预测结果,公式如下:
;/>
其中,表示对酒类消费者的购买可能性预测,值越大表示有越高的购买可能性。
实施例2:
本实施例还提供了一种电子设备,包括:存储器和处理器;
其中,存储器存储计算机执行指令;
处理器执行所述存储器存储的计算机执行指令,使得处理器执行本发明任一实施例中的基于曲波变换的酒类消费预测方法。
处理器可以是中央处理单元(CPU),还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通过处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于储存计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现电子设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器还可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,只能存储卡(SMC),安全数字(SD)卡,闪存卡、至少一个磁盘存储期间、闪存器件、或其他易失性固态存储器件。
实施例3:
本实施例还提供了一种计算机可读存储介质,其中存储有多条指令,指令由处理器加载,使处理器执行本发明任一实施例中的基于曲波变换的酒类消费预测方法。具体地,可以提供配有存储介质的***或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该***或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RYM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作***等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于曲波变换的酒类消费预测方法,其特征在于,该方法具体如下:
酒类消费者数据选择及预处理:选取酒类消费者的基础数据、购买数据以及行为数据,过滤掉注册信息不完整的基础数据以及订单流程未完结的购买数据,并将酒类消费者数据中的时间数据转换成统一格式,将酒类消费者数据中的文本型数据使用数值表示;
酒类消费者数据重构:将原始随机无序排列的酒类消费者数据根据消费者信息及时间两个维度构建成有序的二维数据;
数据曲波变换:对重构后酒类消费者数据进行数据曲波变换获取能够描述酒类消费者特征的曲波系数;
干扰信息压制;
特征信息提取:根据曲波系数进行曲波逆变换提取购买可能性的消费群体描述数据以及购买可能性高的消费个体;
酒类消费者购买预测:将购买可能性的消费群体描述数据作为消费个体的系数获取基于消费群体描述消费个体的预测结果。
2.根据权利要求1所述的基于曲波变换的酒类消费预测方法,其特征在于,酒类消费者的基础数据是从消费者档案表、消费者注册表以及门店-消费者关系表中选择的消费者的年龄、性别、出生日期、门店注册时间、门店归属地域以及所属门店的数据信息;
酒类消费者的购买数据是从支付订单表、购买订单表及商品订单表中选择的消费者购物金额、购物数量、购买商品、购买时间、支付时间、取货时间、签收时间以及购买门店的数据信息;
酒类消费者的行为数据是从购买订单表、活动信息表、中签单表及售后订单表中选择的购买方式、提货方式、支付方式、活动参与度、购买资格放弃率及退款次数的数据信息。
3.根据权利要求1或2所述的基于曲波变换的酒类消费预测方法,其特征在于,酒类消费者数据重构是使用酒类消费者的年龄、性别、出生日期、门店注册时间、门店归属地域以及所属门店的属性数据和下单时间、付款时间及取货时间的时间数据作为变量,将酒类消费者的购买数据和行为数据中的购买金额及购买数量作为结果,再对属性维度和时间维度分别进行有序化排列。
4.根据权利要求3所述的基于曲波变换的酒类消费预测方法,其特征在于,对属性维度进行有序化排列具体如下:
酒类消费者不同的属性,在酒类消费者排序过程中占用不同的权重,酒类消费者的排序值定义如下:
;
其中,表示酒类消费者的排序值;/>表示酒类消费者的属性值;/>表示酒类消费者属性系数;/>表示酒类消费者属性个数;
将酒类消费者年龄及所属门店作为酒类消费者属性维度的核心属性,变换为/>;
其中,表示酒类消费者年龄属性;/>表示酒类消费者所属门店属性;/>表示有序化排序映射;/>表示酒类消费者年龄的属性系数;/>表示酒类消费者所属门店的属性系数;
酒类消费者年龄的属性系数及酒类消费者所属门店的属性系数求解具体如下:
单一属性排序:计算酒类消费者年龄属性或所属门店属性对应的酒类消费的平均酒类消费金额,并按照酒类消费者年龄属性或所属门店属性平均酒类消费金额排序;
双属性排序:计算酒类消费者年龄属性及所属门店属性对应的酒类消费的平均酒类消费金额,并按照先年龄属性再所属门店属性以及先所属门店属性再年龄属性分别对平均酒类消费金额排序;
比较单一属性排序和双属性排序的平均酒类消费金额的逆序数,将逆序数小的排序方式视为最优排序;进而获取取值为1,/>取值为年龄属性值的个数,即年龄属性的最大排序值;
以此类推,的取值具体如下:
当时,/>;
当时,/>;
其中,表示消费者属性个数;/>表示消费者属性的最大排序。
5.根据权利要求3所述的基于曲波变换的酒类消费预测方法,其特征在于,对时间维度进行有序化排列体如下:
消费者的唯一时间描述为;
其中,yc 表示消费者综合消费时间;yn表示消费者时间参数;bn表示消费者时间系数;t表示消费者时间个数;
将支付时间、取货时间作为核心数据,并设定时间排序即为最优排序,得到:;
将简化为时间求解平均值:
;
其中,yc 表示消费者综合消费时间;ypay表示消费者支付时间;yget表示消费者取货时间。
6.根据权利要求1所述的基于曲波变换的酒类消费预测方法,其特征在于,数据曲波变换具体如下:
对酒类消费者的数据进行数据重构后的曲波变化表示为:
;
其中,表示在尺度/>、方向/>、位置/>上的曲波系数;/>表示消费者数据在消费者维度/>和时间维度/>的分布;/>表示曲波函数;
以笛卡尔坐标系下的酒类消费者数据为输入,曲波变换的离散形式表示为:
;
其中,表示在笛卡尔坐标下尺度/>、方向/>、位置/>上的曲波系数;/>为离散的曲波函数;/>;
对酒类消费者的数据进行离散傅里叶变换,得到频率域表示为/>;其中,/>;
在频率域中,对于不同的尺度和角度进行重采样,获取新的频率域表示为:
;
其中,;/>表示频率窗的支撑区域,支撑长度和宽度分别为/>和/>;
曲波系数集合表示为:
;
其中,表示快速傅里叶逆变换;/>表示酒类消费者数据在消费者/>-时间坐标下的窗函数;
将酒类消费者的数据通过曲波变换后,获取能够描述酒类消费者特征的曲波系数,得到曲波系数集合的数值分布,即曲波系数;
根据曲波变换的性质和曲波系数,将曲波系数分为粗尺度层、细尺度层以及精细尺度;其中,粗尺度层包括低频数据信息,对应酒类消费者数据在消费者-时间域/>中的所有酒类消费者数据的整体轮廓信息,描述酒类消费者群体的信息;细尺度层包括中高频数据信息而且通过多个方向参量进行多方向分解,对应在不同酒类消费者/>、不同时间/>方向上的精细特征,描述酒类消费者个体信息;精细尺度包括高频数据信息,对应酒类消费者数据中的个别随机购买信息,在酒类消费者预测的过程中,视为无效干扰信息。
7.根据权利要求6所述的基于曲波变换的酒类消费预测方法,其特征在于,干扰信息压制具体如下:
针对个别购买行为的酒类消费者数据对应曲波系数中的高频数据信息,设定曲波系数阈值,计算时将频率大于曲波系数阈值的高频数据赋值为曲波系数阈值。
8.根据权利要求6所述的基于曲波变换的酒类消费预测方法,其特征在于,特征信息提取具体如下:
对曲波系数中的低频数据和中低频数据,进行曲波逆变换,提取出购买可能性高的消费群体描述数据,公式如下:
;
其中,用于描述消费者群体的消费情况;/>表示曲波逆变换;
对曲波系数中的中高频数据,进行曲波逆变换,提取出购买可能性高的消费个体,公式如下:
;
其中,用于描述消费者个体的消费情况;/>表示曲波逆变换;
酒类消费者购买预测具体如下:
将群体描述的数据作为消费者个体的系数,获取基于消费群体描述消费个体的预测结果,公式如下:
;
其中,表示对酒类消费者的购买可能性预测,值越大表示有越高的购买可能性。
9.一种电子设备,其特征在于,包括:存储器和至少一个处理器;
其中,所述存储器上存储有计算机程序;
所述至少一个处理器执行所述存储器存储的计算机程序,使得所述至少一个处理器执行如权利要求1至8任一项所述的基于曲波变换的酒类消费预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序可被处理器执行以实现如权利要求1至8中任一项所述的基于曲波变换的酒类消费预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186242.8A CN117745338B (zh) | 2024-02-20 | 2024-02-20 | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186242.8A CN117745338B (zh) | 2024-02-20 | 2024-02-20 | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117745338A true CN117745338A (zh) | 2024-03-22 |
CN117745338B CN117745338B (zh) | 2024-05-03 |
Family
ID=90251191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410186242.8A Active CN117745338B (zh) | 2024-02-20 | 2024-02-20 | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745338B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050122164A (ko) * | 2004-06-23 | 2005-12-28 | 삼성전자주식회사 | 에지 플로우 방향성 필터와 커블릿 변환을 이용한 블록현상 제거 방법 및 장치 |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
KR20170017378A (ko) * | 2015-08-06 | 2017-02-15 | 주식회사 메디비앙 | 구매데이터 기반 구매자와 판매자 매칭시스템 및 방법 |
US20170148081A1 (en) * | 2015-11-20 | 2017-05-25 | Mastercard International Incorporated | Method and system for recommending relevant merchants for a consumer at a given geographical location by evaluating the strength of the intersect between consumer vectors and merchant vectors |
KR20210066514A (ko) * | 2019-11-28 | 2021-06-07 | (주)양유 | 인플루언서 영향력 분석 및 관리가 가능한 마케팅 솔루션 제공 시스템 및 방법 |
CN113435936A (zh) * | 2021-07-02 | 2021-09-24 | 深圳市好伙计科技有限公司 | 基于大数据的线上线下的消费商品推荐方法及*** |
CN113469722A (zh) * | 2020-03-31 | 2021-10-01 | 广达电脑股份有限公司 | 消费预测***及消费预测方法 |
CN117391820A (zh) * | 2023-12-01 | 2024-01-12 | 深圳市思迅网络科技有限公司 | 一种SaaS服务综合管理方法及*** |
-
2024
- 2024-02-20 CN CN202410186242.8A patent/CN117745338B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050122164A (ko) * | 2004-06-23 | 2005-12-28 | 삼성전자주식회사 | 에지 플로우 방향성 필터와 커블릿 변환을 이용한 블록현상 제거 방법 및 장치 |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
KR20170017378A (ko) * | 2015-08-06 | 2017-02-15 | 주식회사 메디비앙 | 구매데이터 기반 구매자와 판매자 매칭시스템 및 방법 |
US20170148081A1 (en) * | 2015-11-20 | 2017-05-25 | Mastercard International Incorporated | Method and system for recommending relevant merchants for a consumer at a given geographical location by evaluating the strength of the intersect between consumer vectors and merchant vectors |
KR20210066514A (ko) * | 2019-11-28 | 2021-06-07 | (주)양유 | 인플루언서 영향력 분석 및 관리가 가능한 마케팅 솔루션 제공 시스템 및 방법 |
CN113469722A (zh) * | 2020-03-31 | 2021-10-01 | 广达电脑股份有限公司 | 消费预测***及消费预测方法 |
CN113435936A (zh) * | 2021-07-02 | 2021-09-24 | 深圳市好伙计科技有限公司 | 基于大数据的线上线下的消费商品推荐方法及*** |
CN117391820A (zh) * | 2023-12-01 | 2024-01-12 | 深圳市思迅网络科技有限公司 | 一种SaaS服务综合管理方法及*** |
Non-Patent Citations (2)
Title |
---|
杜吉梁;: "基于大数据和层次分析法的商场会员购买力评价模型", 信息技术与信息化, no. 05, 25 May 2019 (2019-05-25) * |
董烈乾;李培明;张奎;曾宪龙;雷连民;祝杨;: "利用曲波变换预测多次波模型", 石油地球物理勘探, no. 06, 15 December 2015 (2015-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117745338B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Enders et al. | Threshold cointegration and purchasing power parity in the pacific nations | |
CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
Brezigar-Masten et al. | CART-based selection of bankruptcy predictors for the logit model | |
CN107133865B (zh) | 一种信用分的获取、特征向量值的输出方法及其装置 | |
CN108648074A (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
Behar et al. | Exports and international logistics | |
CN103927615B (zh) | 将实体与类别相关联 | |
Chen | The gamma CUSUM chart method for online customer churn prediction | |
CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
CN112148973B (zh) | 一种信息推送的数据处理方法及装置 | |
CN112001754A (zh) | 用户画像生成方法、装置、设备及计算机可读介质 | |
JP5914549B2 (ja) | 情報処理装置および情報分析方法 | |
JP2015043167A (ja) | 売上予測システム及び売上予測方法 | |
Chit | Exchange rate volatility and exports: Evidence from the ASEAN-China Free Trade Area | |
CN107305677A (zh) | 产品信息推送方法和装置 | |
CN114266640A (zh) | 审计方法、装置、计算机设备及存储介质 | |
Jain et al. | NFT Appraisal Prediction: Utilizing Search Trends, Public Market Data, Linear Regression and Recurrent Neural Networks | |
Zhang et al. | How can dmall do better? discussion on new retail marketing mode based on 4Cs theory | |
CN112435068A (zh) | 一种恶意订单识别方法、装置、电子设备及存储介质 | |
CN117745338B (zh) | 基于曲波变换的酒类消费预测方法、电子设备及存储介质 | |
CN109636627B (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 | |
CN114625975B (zh) | 一种基于知识图谱的客户行为分析*** | |
Vimala et al. | Wavelet transform approach for image processing–A research motivation for engineering graduates | |
Ibrahim | Level and volatility of stock prices and aggregate investment: the case of Thailand | |
CN110413499B (zh) | 服务信息监测方法、装置、设备及存储介质 |
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 |