【技术实现步骤摘要】
本专利技术涉及数据分析，尤其涉及一种基于rfmsp模型的公交用户价值评估方法及系统。
技术介绍
1、在城市公共交通领域，当前公交系统正面临着严峻的挑战：乘客数量下降、运营成本上升和政府补贴的限制。这些问题不仅影响了公交机构的财务健康，还威胁到公交服务的可持续性。针对这些挑战，需要从传统的供给侧策略转变(如增加运力或优化路线设计，这些方法已被证明不够有效)。公交机构必须采用更精细的客户关系管理，转向以客户为中心和以价值驱动的常规交通服务。这种转变对于应对公交部门面临的运营困难至关重要。客户关系管理的首要工作是用户价值评估。传统方法由于缺乏对乘客需求和行为的深入理解而受限，主要关注直接的财务指标，如票务收入和乘车频率，忽视了长期乘客价值、忠诚度和满意度等关键因素。这种缺陷使其不足以全面评估用户价值。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术。
3、因此，本专利技术提供了一种基于rfmsp模型的公交用户价值评估方法及系统解决现有评估方法对乘客行为和需求了解不够全面的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案：
5、第一方面，本专利技术提供了一种基于rfmsp模型的公
6、基于用户出行历史数据中的用户近期消费时间、消费频次、消费金额、对政策变动的敏感性和出行方式选择偏好指标，构建rfmsp价值评估模型。
7、基于用户出行历史数据中的各个指标，通过时间序列分析和层次分析算法，动态调整rfmsp模型中各指标的基础权重；
8、考虑天气和节假日的外部环境因素，通过建立外部因素影响模型，调整每个用户的个性化评估值；
9、将动态调整的基础权重与外部因素影响相结合，生成综合调整因子，得到动态调整后的新权重；
10、利用动态调整后的新权重，计算每位公交用户的个体价值得分；
11、基于所有用户的个体价值得分，采用肘部法则分析总误差平方和与聚类数量之间的关系，确定最佳的聚类数量；
12、基于所有用户的个体价值得分，运用自动编码器，对用户特征进行降维处理，输出降维后的特征；
13、将降维后的特征输入至改进的聚类算法中，所述聚类算法采用距离平方概率选择聚类中心，并通过迭代过程不断优化样本分配与聚类中心，实现对公交用户的高效分类。
14、作为本专利技术所述的基于rfmsp模型的公交用户价值评估方法的一种优选方案，其中：
15、所述通过时间序列分析和层次分析算法，动态调整rfmsp模型中各指标的权重，包括以下步骤：
16、对于用户最近消费、消费频次、消费金额、对政策变动的敏感性和出行方式选择偏好指标进行时间序列分析；
17、对于每个指标，构建线性回归模型预测其调整因子δi,t；
18、从历史数据中分割出训练集和测试集；
19、使用训练集数据通过最小化损失函数估计模型参数β；
20、对于每一时间点t，根据历史数据和外部特征预测调整因子：
21、结合基础权重和预测的调整因子，动态调整每个指标的权重。
22、作为本专利技术所述的基于rfmsp模型的公交用户价值评估方法的一种优选方案，其中：所述动态调整后的新权重表示为：
23、wdynamic,t＝wbase·(1+δt+λweather·δweather,t+λholiday·δholiday,t)
24、其中，λweather和λholiday是调节系数，分别用于调整天气和节假日对用户价值的影响；δt表示基于时间的调整量；δtotal,t表示在时刻t的总的调整量；δweather,t和δholiday,t表示在时刻t基于天气和节假日的调整量。
25、作为本专利技术所述的基于rfmsp模型的公交用户价值评估方法的一种优选方案，其中：
26、所述计算每位公交用户的个体价值得分表示为：
27、
28、其中，wj,dynamic,t是指标j在时间t的动态调整后权重，xi,j是用户i在指标j上的表现。
29、作为本专利技术所述的基于rfmsp模型的公交用户价值评估方法的一种优选方案，其中：所述基于所有用户的个体价值得分，采用肘部法则分析总误差平方和与聚类数量之间的关系，确定最佳的聚类数量，包括以下步骤：
30、将用户个体价值得分作为聚类分析的输入特征；
31、对于给定的簇数k，将产生k个聚类和相应的聚类中心，计算不同簇数下的总内部方差；
32、绘制总内部方差与簇数k的关系图；
33、确定总内部方差下降速度减缓最大的点，对应的k值即为最优的聚类数量k*；
34、所述总内部方差表示为：
35、
36、其中，cj是第j个聚类，μj是该聚类的中心。
37、作为本专利技术所述的基于rfmsp模型的公交用户价值评估方法的一种优选方案，其中：所述运用自动编码器，对用户特征进行降维处理，输出降维后的特征，包括以下步骤：
38、定义自动编码器架构，包括输入层、编码层和解码层的神经网络结构；
39、使用公交用户数据集，通过梯度下降算法最小化损失函数，更新自编码器的权重参数；
40、完成训练后，仅使用编码部分，输入用户特征向量x，输出降维特征z；
41、所述输出降维特征表示为：
42、zi＝σ(σ(w2·(σ(w1·[ri,fi,mi,pi]+b1)+b2)。
43、作为本专利技术所述的基于rfmsp模型的公交用户价值评估方法的一种优选方案，其中：
44、将通过自编码器降维后的特征zi视为新的特征向量集，每个用户i对应有一个降维特征向量zi。
45、初始化聚类中心：随机选取第一个中心c1；
46、对于每个数据点xj，使用欧式距离计算它被选为下一个聚类中心的概率p(xj)；
47、根据数据点xj被选为下一个聚类中心的概率p(xj)选择下一个聚类中心ck；
48、对于每个降维特征向量zi，使用欧式距离计算其与当前聚类中心的距离，将zi分配给距离最小的聚类。
49、根据分配结果，更新每个聚类的中心为该类内所有成员的均值。
50、重复分配和更新，直到聚类中心变化小于预设阈值。
51、所述数据点xj成为中心的概率表示为：
52、
53、其中，d(xj,cl)是数据点xj到现有聚类中心cl的距离；
54、所述降维特征向量zi与当前聚类中心的距离cl表示为：
55、本文档来自技高网...
【技术保护点】
1.一种基于RFMSP模型的公交用户价值评估与管理方法，其特征在于，包括：
2.如权利要求1所述的基于RFMSP模型的公交用户价值评估与管理方法，其特征在于：所述通过时间序列分析和层次分析算法，动态调整RFMSP模型中各指标的权重，包括以下步骤：
3.如权利要求1或2所述的基于RFMSP模型的公交用户价值评估与管理方法，其特征在于：所述动态调整后的新权重表示为：
4.如权利要求3所述的基于RFMSP模型的公交用户价值评估与管理方法，其特征在于：所述计算每位公交用户的个体价值得分表示为：
5.如权利要求4所述的基于RFMSP模型的公交用户价值评估与管理方法，其特征在于：所述基于所有用户的个体价值得分，采用肘部法则分析总误差平方和与聚类数量之间的关系，确定最佳的聚类数量，包括以下步骤：
6.如权利要求5所述的基于RFMSP模型的公交用户价值评估与管理方法，其特征在于：所述运用自动编码器，对用户特征进行降维处理，输出降维后的特征，包括以下步骤：
7.如权利要求6所述的基于RFMSP模型的公交用户价值评估与管理方法，
8.一种基于权利要求1所述的基于RFMSP模型的公交用户价值评估与管理系统，其特征在于：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-7任一项所述的基于RFMSP模型的公交用户价值评估与管理方法的步骤。
...【技术特征摘要】
1.一种基于rfmsp模型的公交用户价值评估与管理方法，其特征在于，包括：
2.如权利要求1所述的基于rfmsp模型的公交用户价值评估与管理方法，其特征在于：所述通过时间序列分析和层次分析算法，动态调整rfmsp模型中各指标的权重，包括以下步骤：
3.如权利要求1或2所述的基于rfmsp模型的公交用户价值评估与管理方法，其特征在于：所述动态调整后的新权重表示为：
4.如权利要求3所述的基于rfmsp模型的公交用户价值评估与管理方法，其特征在于：所述计算每位公交用户的个体价值得分表示为：
5.如权利要求4所述的基于rfmsp模型的公交用户价值评估与管理方法，其特征在于：所述基于所有用户的个体价值得分，采用肘部法则分析...
【专利技术属性】
技术研发人员：杨超，董文韬，俞诚成，陈绎同，袁泉，
申请(专利权)人：同济大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。