[go: up one dir, main page]

CN115099326A - 基于人工智能的行为预测方法、装置、设备及存储介质 - Google Patents

基于人工智能的行为预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115099326A
CN115099326A CN202210699251.8A CN202210699251A CN115099326A CN 115099326 A CN115099326 A CN 115099326A CN 202210699251 A CN202210699251 A CN 202210699251A CN 115099326 A CN115099326 A CN 115099326A
Authority
CN
China
Prior art keywords
feature
behavior
refueling
prediction
user
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.)
Pending
Application number
CN202210699251.8A
Other languages
English (en)
Inventor
李雨洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202210699251.8A priority Critical patent/CN115099326A/zh
Publication of CN115099326A publication Critical patent/CN115099326A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种基于人工智能的行为预测方法，包括：获取目标用户在预设时间段内的用户行为数据；对用户行为数据进行特征构建生成加油行为特征；基于主成分分析算法对加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对加油行为特征进行筛选处理得到第二特征；基于第一特征与第二特征确定目标加油行为特征；通过预测模型对目标加油特征进行预测处理，生成与目标用户对应的加油行为预测结果。本申请还提供一种基于人工智能的行为预测装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，加油行为预测结果可存储于区块链中。本申请提高了对用户的加油行为意向预测的处理效率与准确性。

Description

基于人工智能的行为预测方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及基于人工智能的行为预测方法、装置、设备及存储介质。
背景技术
随着互联网技术的高速发展，越来越多的用户行为数据被记录了下来，大量的线上线下数据为纷繁的应用带来了可能。对于广大车主用户的加油服务的刚性需求，当下出现了一些智能类的汽车类应用，通过在应用内引入预付费、无感加油的全新加油模式，让车主可以畅享车生活，为车主节省了相当可观的出行成本。为了打造更好的加油服务，现有的营销业务员会对汽车类应用内的关于加油服务的用户历史行为数据进行人工深入分析，根据车主用户的服务偏好或服务意愿，来人工预测出车主用户未来的加油意向，并通过给不同类别的车主用户发券，引导车主用户进入平台享受服务，以提升用户的忠诚度和服务体验来实现高效营销。然而，由于用户历史行为数据会随着时间累积变得越来越多，采用现有的人工预测车主用户未来的加油意向的处理方式需要耗费较多的人力物力，处理效率较低，且无法保证预测结果的准确性。
发明内容
本申请实施例的目的在于提出一种基于人工智能的行为预测方法、装置、计算机设备及存储介质，以解决现有的人工预测车主用户未来的加油意向的处理方式需要耗费较多的人力物力，处理效率较低，且无法保证预测结果的准确性的问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的行为预测方法，采用了如下所述的技术方案：
获取目标用户在预设时间段内的用户行为数据；
对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个；
基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征；
基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征；
将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
进一步的，所述基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征的步骤，具体包括：
基于所述加油行为特征构建相关系数矩阵；
基于所述主成分分析算法对所述相关系数矩阵进行降维处理，得到多个主成分；
计算每个所述主成分的方差贡献率，将所有所述方差贡献率按照从大到小的顺序进行排序，并依次累加直至超过预设的累加方差贡献率阈值；
从所有所述方差贡献率中筛选出与累加处理对应的指定主成分，并将所述指定主成分对应的特征作为所述第一特征。
进一步的，所述基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征的步骤，具体包括：
对所述第一特征与所述第二特征进行合并处理，得到对应的特征集合；
对所述特征集合中的所有特征进行匹配处理，获取所述特征集合中重复出现的第三特征；
将所述第三特征作为所述目标加油行为特征。
进一步的，所述预测模型包括输入层、LSTM层、全连接层与输出层，所述将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果的步骤，具体包括：
将所述目标加油行为特征输入至所述预测模型的输入层内，通过所述输入层生成与所述目标加油行为特征对应的输出矩阵；
将所述输出矩阵输入至所述预测模型的LSTM层内，通过所述LSTM层生成与所述输出矩阵对应的输出向量；
将所述输出向量输入至所述预测模型的全连接层内，基于所述全连接层内的预设激活函数生成与所述输出向量对应的预测分类结果；
将所述预测分类结果输入至所述预测模型的输出层内，通过所述输出层输出所述预测分类结果，并将所述预测分类结果作为与所述目标用户对应的加油行为预测结果。
进一步的，在所述将所述目标加油行为特征输入至预设的预测模型，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果的步骤之前，还包括：
获取预先收集的加油样本数据；
按照预设比例将所述加油样本数据划分为训练集与测试集；
获取预先构建的初始预测模型；
基于随机梯度下降算法，使用所述训练集对所述初始预测模型进行训练，得到训练后的初始预测模型；
使用所述测试集对所述训练后的初始预测模型进行验证；
若所述训练后的初始预测模型通过验证，将所述训练后的初始预测模型作为所述预测模型。
进一步的，所述使用所述测试集对所述训练后的初始预测模型进行验证，并判断是否验证通过的步骤，具体包括：
获取所述测试集；其中，所述测试集包括多个测试数据，以及与各所述测试数据分别对应的分类信息；
将所述测试数据输入至所述训练后的初始预测模型内，获取所述训练后的初始预测模型输出的与各所述测试数据分别对应的第一预测分类结果；
基于所述分类信息，确定出所有所述第一预测分类结果中预测正确的第二预测分类结果；
计算所述第二预测分类结果与所述第一预测分类结果的商值；
判断所述商值是否大于预设阈值；
若大于所述预设阈值，判定所述训练后的初始预测模型通过验证，否则判定所述训练后的初始预测模型未通过验证。
进一步的，所述获取目标用户在预设时间段内的用户行为数据的步骤，具体包括：
获取在所述预设时间段内的页面用户行为数据，以及获取所述目标用户的用户信息；
基于所述用户信息，从所述页面用户行为数据内筛选出与所述用户信息对应的指定页面用户行为数据；
对所述指定页面用户行为数据进行预处理，得到所述用户行为数据。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的行为预测装置，采用了如下所述的技术方案：
第一获取模块，用于获取目标用户在预设时间段内的用户行为数据；
第一生成模块，用于对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个；
处理模块，用于基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征；
第一确定模块，用于基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征；
第二生成模块，用于将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取目标用户在预设时间段内的用户行为数据；
对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个；
基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征；
基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征；
将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取目标用户在预设时间段内的用户行为数据；
对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个；
基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征；
基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征；
将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
与现有技术相比，本申请实施例主要有以下有益效果：
在获取到目标用户在预设时间段内的用户行为数据后，会先对用户行为数据进行特征构建处理，基于用户行为数据生成加油行为特征，然后基于主成分分析算法对加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对加油行为特征进行筛选处理得到第二特征，之后基于第一特征与第二特征确定出与用户行为数据对应的目标加油行为特征，最后将目标加油行为特征输入至预设的预测模型内，通过预测模型对目标加油特征进行预测处理，生成与目标用户对应的加油行为预测结果。本申请通过利用预测模型对目标用户对应的目标加油行为特征进行预测处理，可以实现快速准确地生成与目标用户对应的加油行为预测结果，有效提高对于目标用户的加油行为意向预测的处理效率与准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的行为预测方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的行为预测装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的行为预测方法一般由服务器/终端设备执行，相应地，基于人工智能的行为预测装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的行为预测方法的一个实施例的流程图。所述的基于人工智能的行为预测方法，包括以下步骤：
步骤S201，获取目标用户在预设时间段内的用户行为数据。
在本实施例中，基于人工智能的行为预测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例中，可以通过查询与用户的加油行为相关的加油服务网页内用户的加油服务数据来得到目标用户在预设时间段内的用户行为数据。对于预设时间段不作具体限定，可根据实际使用需求进行设置，例如可设为距离当前时间的前半年。具体的，获取目标用户在预设时间段内的用户行为数据的过程可包括：先获取在预设时间段内的页面用户行为数据，以及获取目标用户的用户信息；然后从页面用户行为数据内筛选出与用户信息对应的指定页面用户行为数据；后续对指定页面用户行为数据进行预处理，得到与目标用户对应的用户行为数据。
步骤S202，对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个。
在本实施例中，可以通过特征工程来对用户行为数据进行特征构建以生成相应的加油行为特征。其中，加油行为特征至少包括用户基础特征、加油时序行为特征和累计行为特征。用户基础特征：描述用户的个人信息，主要包括用户编号、用户年龄、用户会员等级、用户类型(新用户、老用户)等；加油时序行为特征：表示用户在一段时间内发生行为的统计分析，至少包括用户平均加油时间间隔、观测窗口内最后一次加油距离考察时间窗口的天数、用户在观测窗口内发生各种行为的次数/天数，行为包括点击、浏览、优惠券、下单；累计行为特征：表示用户在过去n天内发生行为的统计分析，至少包括用户在距离考察时间窗口前n天内各种行为的转化率。由于对得到的用户行为数据进行特征提取的时候既考虑了时序行为特征，又考虑了累计行为特征，有效增加了数据维度的多样性，以使得基于对于加油行为特征的模型预测处理可以保证后续生成的目标用户的加油行为预测结果的准确性。
步骤S203，基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征。
在本实施例中，对于上述基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。另外，上述特征选取算法可根据实际需求来确定，优选为用于去除数据集合包含的所有原始特征中的冗余特征的算法。具体的，该特征选取算法为mRMR(Max-Relevanceand Min-Redundancy，最大相关和最小冗余算法)算法，通过采用mRMR算法对所有加油行为特征进行特征提取，可以使得模型输入与模型输出相关性最大，模型输入之间冗余性最小，进而可以令后续的预测模型在进行对于目标加油行为特征的预测处理时能够具有更好的预测精度。
步骤S204，基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征。
在本实施例中，生成目标加油行为特征的过程具体可包括：先对第一特征与第二特征进行合并处理，得到对应的特征集合；再对所述特征集合中的所有特征进行匹配处理，获取特征集合中重复出现的第三特征，并将得到的第三特征作为目标加油行为特征。本实施例通过对得到的第一特征与第二特征进行合并匹配处理以生成所需的目标加油行为特征，由于得到的目标加油行为特征保留了与加油预测处理的相关性更强的特征，这样可以有效删除特征空间中的噪声数据，减小饱和度识别建模误差，并且可以减小噪声对模型的干扰作用。以及还能降低算法复杂度，由于输入数据维数的降低，有利于减少后续的预测模型进行预测处理所需的时间，有效提高预测模型的预测处理效率。
步骤S205，将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
在本实施例中，预测模型为基于预先收集的加油样本数据对预先构建的LSTM网络模型进行训练生成的。使用该预测模型能够智能地对输入的与用户行为数据对应的目标加油行为特征进行预测处理，从而得到与目标用户对应的加油行为预测结果。另外，加油行为预测结果可包括具有加油意向或不具有加油意向。进一步地，当通过预测模型预测出目标用户具有加油意向时，会智能地获取实时的加油信息与用户通讯信息，并会基于用户通讯信息将加油信息推送给目标用户，使得目标用户可以及时了解到现在的加油信息，提高了目标用户的使用体验。
本申请在获取到目标用户在预设时间段内的用户行为数据后，会先对用户行为数据进行特征构建处理，基于用户行为数据生成加油行为特征，然后基于主成分分析算法对加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对加油行为特征进行筛选处理得到第二特征，之后基于第一特征与第二特征确定出与用户行为数据对应的目标加油行为特征，最后将目标加油行为特征输入至预设的预测模型内，通过预测模型对目标加油特征进行预测处理，生成与目标用户对应的加油行为预测结果。本申请通过利用预测模型对目标用户对应的目标加油行为特征进行预测处理，可以实现快速准确地生成与目标用户对应的加油行为预测结果，有效提高对于目标用户的加油行为意向预测的处理效率与准确性。
在一些可选的实现方式中，步骤S203中的基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，包括以下步骤：
基于所述加油行为特征构建相关系数矩阵。
在本实施例中，构建生成的相关系数矩阵的特征方程为|R-aIp|＝0。
基于所述主成分分析算法对所述相关系数矩阵进行降维处理，得到多个主成分。
在本实施例中，通过使用主成分分析算法对相关系数矩阵进行降维处理以选出相应的多个主成分的过程包括：求解上述相关系数矩阵的特征方程|R-aIp|＝0，计算特征根a，再将求解得到的特征根a代入方程|R-aIp|x＝0，计算特征向量x，其中，R表示相关系数矩阵，Ip表示单位矩阵，每个特征向量x代表一个主成分。
计算每个所述主成分的方差贡献率，将所有所述方差贡献率按照从大到小的顺序进行排序，并依次累加直至超过预设的累加方差贡献率阈值。
在本实施例中，方差贡献率为某一特征向量的特征值除以所有特征向量的特征值的和所得到的比值，方差贡献率代表了该维度下蕴含的信息量的比例。另外，对上述累加方差贡献率阈值的取值不作具体限定，可根据实际需求进行设置，例如可设为0.99。
从所有所述方差贡献率中筛选出与累加处理对应的指定主成分，并将所述指定主成分对应的特征作为所述第一特征。
在本实施例中，在将所有方差贡献率按照从大到小的顺序进行排序后，经过累加计算得出排序前5个的主成分的和值出现了首次大于该累加方差贡献率阈值的情形时，则会将该排序前5个的主成分所对应的特征作为第一特征。
本申请通过使用主成分分析法可以快速地从构建得到的全部加油行为特征中快速的筛选出第一特征，有利于后续可以根据该第一特征来准确地生成最终的目标加油行为特征，有效的保证了生成的目标加油行为特征的准确性与合理性。
在本实施例的一些可选的实现方式中，步骤S204包括以下步骤：
对所述第一特征与所述第二特征进行合并处理，得到对应的特征集合。
在本实施例中，合并处理是指将第一特征与第二特征进行合并汇总，从而得到包含第一特征与第二特征的特征集合。
对所述特征集合中的所有特征进行匹配处理，获取所述特征集合中重复出现的第三特征。
在本实施例中，匹配处理可以指相似度计算处理，通过计算任意两个特征之间的相似度，如果计算得到的相似度大于预设的相似度阈值，则判定该两个特征为相互匹配的特征，即该两个特征属于在特征集合中重复出现的同一个特征。另外，对于所述相似度阈值的取值不作限定，可根据实际需求进行设置。
将所述第三特征作为所述目标加油行为特征。
本申请在使用主成分分析算法对加油行为特征进行筛选处理得到第一特征，以及使用预设的特征选取算法对加油行为特征进行筛选处理得到第二特征后，通过对第一特征与第二特征进行进一步的合并匹配处理以最终确定出与用户行为数据对应的目标加油行为特征，有效地确保了生成的目标加油行为特征的准确性与有效性。
在一些可选的实现方式中，所述预测模型包括输入层、LSTM层、全连接层与输出层，步骤S205包括以下步骤：
将所述目标加油行为特征输入至所述预测模型的输入层内，通过所述输入层生成与所述目标加油行为特征对应的输出矩阵。
在本实施例中，预测模型的第一层为输入层，输入层用于数据分集并转换格式。通过输入层生成的输出矩阵为将目标加油行为特征进行重构处理后得到预设格式的输出矩阵。该预设格式可根据实际需求进行设置，例如为3D格式(samples,time_steps,input_dim)，其中，samples表示样本数量，time_steps表示时间步长，input_dim表示每一个时间步上的维度。
将所述输出矩阵输入至所述预测模型的LSTM层内，通过所述LSTM层生成与所述输出矩阵对应的输出向量。
在本实施例中，LSTM层通过门机制来控制流过单元的信息，门机制包括输入门、遗忘门、输出门。其中，输入门用于确定需要更新的信息；遗忘门用于控制从存储状态丢弃/继续保存前一时刻的信息，即通过输入门和遗忘门更新存储状态；输出门用于确定存储状态中输出信息。
将所述输出向量输入至所述预测模型的全连接层内，基于所述全连接层内的预设激活函数生成与所述输出向量对应的预测分类结果。
在本实施例中，全连接层的每个节点与前一层的所有节点相连，经过全连接层的输出为：xi＝f(∑wij*gj+bi)，其中，xi为全连接层中第i个神经元输出，gj为前一层第j个神经元，wij为连接权值，bi为全连接层中第i个神经元阈值，f为激活函数。具体的，可使用softmax函数作为全连接层的激活函数，softmax函数可以对输出值进行归一化操作，把所有输出值都转化为概率，所有概率值加起来等于1。
将所述预测分类结果输入至所述预测模型的输出层内，通过所述输出层输出所述预测分类结果，并将所述预测分类结果作为与所述目标用户对应的加油行为预测结果。
本申请通过使用训练生成的预测模型可以基于对输入的目标加油行为特征进行相应的预测处理，以实现快速准确地生成与目标用户对应的加油行为预测结果，有效提高对于目标用户的加油行为意向预测的处理智能性。
在一些可选的实现方式中，在步骤S205之前，上述电子设备还可以执行以下步骤：
获取预先收集的加油样本数据。
在本实施例中，加油样本数据可以通过抓取相关的加油服务网页内用户的加油服务数据来得到。
按照预设比例将所述加油样本数据划分为训练集与测试集。
在本实施例中，可以从加油样本数据中随机抽取出预设比例的数据作为训练集，再将加油样本数据中剩余的其他数据作为测试集。另外，对于上述预设比例不作具体限定，可根据实际需求进行设定，举例地，预设比例可设为70％，即可从上述加油样本数据中随机抽取出70％的数据作为训练集，并将上述加油样本数据中剩余的30％的数据作为测试集。另外，在基于训练集与测试集对初始预测模型进行模型训练的过程之前，还会基于上述的主成分分析算法与预设的特征选取算法对训练集与测试集进行相应的特征提取处理，具体的过程可参照前述对于加油行为特征的特征提取过程，在此不做过多阐述。本实施例通过对训练集与测试集进行特征提取处理，可以降低模型的输入数据维数，可以减少初始预测模型的训练时间，并且构建初始预测模型的复杂度也会降低，有效地提高了初始预测模型的构建效率。
获取预先构建的初始预测模型。
在本实施例中，预先定义和构建初始预测模型，该初始预测模型为由输入层、LSTM层、全连接层与输出层构成的LSTM网络模型，通过设置网格内部参数，并调整网络内部参数。LSTM网络模型采集的数据经过输入层的格式转换后，传输至LSTM层进行LSTM网络训练，经过全连接层后，由输出层输出分类结果。另外，调整网络内部参数，按照设定值调整学习率和迭代次数，获取输入权重、循环权重和偏差，并分别利用门激活函数和状态激活函数调整对应的传入门、遗忘门、被选门和输出门的参数。
基于随机梯度下降算法，使用所述训练集对所述初始预测模型进行训练，得到训练后的初始预测模型。
在本实施例中，上述训练集包括多个训练数据以及与各训练数据分别对应的分类标签信息。通过将训练数据作为初始预测模型的输入，与各训练数据分别对应的分类标签信息作为初始预测模型的输出，采用随机梯度下降算法不断地对上述初始预测模型进行训练，以使损失函数达到预期值，从而可以生成训练后的初始预测模型。另外，随机梯度下降法就是随机取样一些训练数据，替代整个训练集，如果样本量很大的情况(例如几十万)，那么可能只用其中几万条或者几千条的样本，就已经迭代到最优解了，可以有效地提高模型的训练速度。以及，使用上述随机梯度下降法进行对于初始预测模型的训练流程可参照现有的模型训练流程，在此不再赘述。
使用所述测试集对所述训练后的初始预测模型进行验证。
在本实施例中，可通过将测试集输入至训练后的初始预测模型，并计算与该测试集对应的预测准确率，如果预测准确率大于预设的准确率阈值，则判定训练后的初始预测模型通过验证，而如果预测准确率不大于该准确率阈值，则判定训练后的初始预测模型未通过验证。另外，对于上述准确率阈值的取值不作具体限定，可根据实际需求进行设定。
若所述训练后的初始预测模型通过验证，将所述训练后的初始预测模型作为所述预测模型。
本实施例中，在得到了预测模型后，还可将该预测模型存储至区块链网络，以通过使用区块链来对训练生成的上述预测模型进行存储和管理，从而实现有效地保证上述预测模型的安全性与不可篡改性。
本申请通过基于随机梯度下降算法，使用预先收集的加油样本数据来快速地训练生成所需的预测模型，使得后续可以使用该预测模型智能地对输入的与用户行为数据对应的目标加油行为特征进行预测处理，从而得到与目标用户对应的加油行为预测结果，提高了对于目标用户的加油预测的处理效率与处理智能性。
在本实施例的一些可选的实现方式中，上述使用所述测试集对所述训练后的初始预测模型进行验证，包括以下步骤：
获取所述测试集；其中，所述测试集包括多个测试数据，以及与各所述测试数据分别对应的分类信息。
在本实施例中，上述测试集可基于上述加油样本数据集生成。
将所述测试数据输入至所述训练后的初始预测模型内，获取所述训练后的初始预测模型输出的与各所述测试数据分别对应的第一预测分类结果。
基于所述分类信息，确定出所有所述第一预测分类结果中预测正确的第二预测分类结果。
在本实施例中，预测正确的第二预测分类结果是指所有第一预测分类结果中与相对应的测试数据的分类信息相同的预测分类结果。
计算所述第二预测分类结果与所述第一预测分类结果的商值。
判断所述商值是否大于预设阈值。
在本实施例中，对于上述预设阈值的取值不作具体限定，可根据实际需求进行设定。
若大于所述预设阈值，判定所述训练后的初始预测模型通过验证，否则判定所述训练后的初始预测模型未通过验证。
本申请在得到了训练后的初始预测模型后，会进一步使用测试集对该训练后的初始预测模型进行验证，并只有在该训练后的初始预测模型通过验证时，后续才会将该训练后的初始预测模型作为预测模型，保证了得到的预测模型的准确性。并且后续可以使用该预测模型智能地对输入的与用户行为数据对应的目标加油行为特征进行预测处理，从而得到与目标用户对应的加油行为预测结果，提高了对于目标用户的加油预测的处理效率与处理智能性。
在本实施例的一些可选的实现方式中，步骤S201包括以下步骤：
获取在所述预设时间段内的页面用户行为数据，以及获取所述目标用户的用户信息。
在本实施例中，页面用户行为数据可指加油服务网页内包含的所有用户的用户行为数据。用户信息可包括目标用户的用户姓名或用户id。
基于所述用户信息，从所述页面用户行为数据内筛选出与所述用户信息对应的指定页面用户行为数据。
在本实施例中，根据用户信息，可以从得到的页面用户行为数据中筛选出与用户信息匹配的目标用户的用户行为数据，即指定页面用户行为数据。
对所述指定页面用户行为数据进行预处理，得到所述用户行为数据。
在本实施例中，预处理包括数据清洗及数据归一化处理。其中，在对获得的指定页面用户行为数据进行数据清洗时，可使用python中pandas包dropna方法去除因格式或采集错误产生的错误数据和空值，按日期进行排序，完成数据清洗过程，以得到处理后的用户行为数据。同时，由于初始的指定页面用户行为数据中，不同的输入变量之间数值大小以及量纲不同，因此在后续进行的网络训练前需要对数据进行归一化处理，即把处理后的用户行为数据中的所有数据都转化为[0,1]范围内，具体函数形式为:x＝x-xmin/xmax-xmin，其中xmax为样本最大值，xmin为样本最小值。进一步地，上述预处理还可包括过滤噪声值与填补缺失值等处理。
本申请通过对页面用户行为数据进行相关的预处理，进而可以准确地生成相应的用户行为数据，有利于后续可以使用预测模型对该用户行为数据进行预测处理，以实现快速智能地生成目标用户的加油行为预测结果。
需要强调的是，为进一步保证上述加油行为预测结果的私密和安全性，上述加油行为预测结果还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的行为预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的行为预测装置300包括：第一获取模块301、第一生成模块302、处理模块303、第一确定模块304以及第二生成模块305。其中：
第一获取模块301，用于获取目标用户在预设时间段内的用户行为数据；
第一生成模块302，用于对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个；
处理模块303，用于基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征；
第一确定模块304，用于基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征；
第二生成模块305，用于将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的行为预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，处理模块303包括：
生成子模块，用于基于所述加油行为特征构建相关系数矩阵；
第一处理子模块，用于基于所述主成分分析算法对所述相关系数矩阵进行降维处理，得到多个主成分；
第二处理子模块，用于计算每个所述主成分的方差贡献率，将所有所述方差贡献率按照从大到小的顺序进行排序，并依次累加直至超过预设的累加方差贡献率阈值；
第一确定子模块，用于从所有所述方差贡献率中筛选出与累加处理对应的指定主成分，并将所述指定主成分对应的特征作为所述第一特征。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的行为预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第一确定模块304包括：
第三处理子模块，用于对所述第一特征与所述第二特征进行合并处理，得到对应的特征集合；
第四处理子模块，用于对所述特征集合中的所有特征进行匹配处理，获取所述特征集合中重复出现的第三特征；
第二确定子模块，用于将所述第三特征作为所述目标加油行为特征。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的行为预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，所述预测模型包括输入层、LSTM层、全连接层与输出层，第二生成模块305包括：
第一生成子模块，用于将所述目标加油行为特征输入至所述预测模型的输入层内，通过所述输入层生成与所述目标加油行为特征对应的输出矩阵；
第二生成子模块，用于将所述输出矩阵输入至所述预测模型的LSTM层内，通过所述LSTM层生成与所述输出矩阵对应的输出向量；
第三生成子模块，用于将所述输出向量输入至所述预测模型的全连接层内，基于所述全连接层内的预设激活函数生成与所述输出向量对应的预测分类结果；
第三确定子模块，用于将所述预测分类结果输入至所述预测模型的输出层内，通过所述输出层输出所述预测分类结果，并将所述预测分类结果作为与所述目标用户对应的加油行为预测结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的行为预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的行为预测装置还包括：
第二获取模块，用于获取预先收集的加油样本数据；
划分模块，用于按照预设比例将所述加油样本数据划分为训练集与测试集；
第三获取模块，用于获取预先构建的初始预测模型；
训练模块，用于基于随机梯度下降算法，使用所述训练集对所述初始预测模型进行训练，得到训练后的初始预测模型；
验证模块，用于使用所述测试集对所述训练后的初始预测模型进行验证；
第二确定模块，用于若所述训练后的初始预测模型通过验证，将所述训练后的初始预测模型作为所述预测模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的行为预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，验证模块，包括：
第一获取子模块，用于获取所述测试集；其中，所述测试集包括多个测试数据，以及与各所述测试数据分别对应的分类信息；
第二获取子模块，用于将所述测试数据输入至所述训练后的初始预测模型内，获取所述训练后的初始预测模型输出的与各所述测试数据分别对应的第一预测分类结果；
第四确定子模块，用于基于所述分类信息，确定出所有所述第一预测分类结果中预测正确的第二预测分类结果；
计算子模块，用于计算所述第二预测分类结果与所述第一预测分类结果的商值；
判断子模块，用于判断所述商值是否大于预设阈值；
判定子模块，用于若大于所述预设阈值，判定所述训练后的初始预测模型通过验证，否则判定所述训练后的初始预测模型未通过验证。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的行为预测方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一获取模块301包括：
第三获取子模块，用于获取在所述预设时间段内的页面用户行为数据，以及获取所述目标用户的用户信息；
筛选子模块，用于基于所述用户信息，从所述页面用户行为数据内筛选出与所述用户信息对应的指定页面用户行为数据；
第五处理子模块，用于子模块，用于对所述指定页面用户行为数据进行预处理，得到所述用户行为数据。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的行为预测方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的行为预测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的行为预测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在获取到目标用户在预设时间段内的用户行为数据后，会先对用户行为数据进行特征构建处理，基于用户行为数据生成加油行为特征，然后基于主成分分析算法对加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对加油行为特征进行筛选处理得到第二特征，之后基于第一特征与第二特征确定出与用户行为数据对应的目标加油行为特征，最后将目标加油行为特征输入至预设的预测模型内，通过预测模型对目标加油特征进行预测处理，生成与目标用户对应的加油行为预测结果。本申请通过利用预测模型对目标用户对应的目标加油行为特征进行预测处理，可以实现快速准确地生成与目标用户对应的加油行为预测结果，有效提高对目标用户的加油行为意向预测的处理效率与准确性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的行为预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在获取到目标用户在预设时间段内的用户行为数据后，会先对用户行为数据进行特征构建处理，基于用户行为数据生成加油行为特征，然后基于主成分分析算法对加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对加油行为特征进行筛选处理得到第二特征，之后基于第一特征与第二特征确定出与用户行为数据对应的目标加油行为特征，最后将目标加油行为特征输入至预设的预测模型内，通过预测模型对目标加油特征进行预测处理，生成与目标用户对应的加油行为预测结果。本申请通过利用预测模型对目标用户对应的目标加油行为特征进行预测处理，可以实现快速准确地生成与目标用户对应的加油行为预测结果，有效提高对目标用户的加油行为意向预测的处理效率与准确性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的行为预测方法，其特征在于，包括下述步骤：
获取目标用户在预设时间段内的用户行为数据；
对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个；
基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征；
基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征；
将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
2.根据权利要求1所述的基于人工智能的行为预测方法，其特征在于，所述基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征的步骤，具体包括：
基于所述加油行为特征构建相关系数矩阵；
基于所述主成分分析算法对所述相关系数矩阵进行降维处理，得到多个主成分；
计算每个所述主成分的方差贡献率，将所有所述方差贡献率按照从大到小的顺序进行排序，并依次累加直至超过预设的累加方差贡献率阈值；
从所有所述方差贡献率中筛选出与累加处理对应的指定主成分，并将所述指定主成分对应的特征作为所述第一特征。
3.根据权利要求1所述的基于人工智能的行为预测方法，其特征在于，所述基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征的步骤，具体包括：
对所述第一特征与所述第二特征进行合并处理，得到对应的特征集合；
对所述特征集合中的所有特征进行匹配处理，获取所述特征集合中重复出现的第三特征；
将所述第三特征作为所述目标加油行为特征。
4.根据权利要求1所述的基于人工智能的行为预测方法，其特征在于，所述预测模型包括输入层、LSTM层、全连接层与输出层，所述将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果的步骤，具体包括：
将所述目标加油行为特征输入至所述预测模型的输入层内，通过所述输入层生成与所述目标加油行为特征对应的输出矩阵；
将所述输出矩阵输入至所述预测模型的LSTM层内，通过所述LSTM层生成与所述输出矩阵对应的输出向量；
将所述输出向量输入至所述预测模型的全连接层内，基于所述全连接层内的预设激活函数生成与所述输出向量对应的预测分类结果；
将所述预测分类结果输入至所述预测模型的输出层内，通过所述输出层输出所述预测分类结果，并将所述预测分类结果作为与所述目标用户对应的加油行为预测结果。
5.根据权利要求1所述的基于人工智能的行为预测方法，其特征在于，在所述将所述目标加油行为特征输入至预设的预测模型，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果的步骤之前，还包括：
获取预先收集的加油样本数据；
按照预设比例将所述加油样本数据划分为训练集与测试集；
获取预先构建的初始预测模型；
基于随机梯度下降算法，使用所述训练集对所述初始预测模型进行训练，得到训练后的初始预测模型；
使用所述测试集对所述训练后的初始预测模型进行验证；
若所述训练后的初始预测模型通过验证，将所述训练后的初始预测模型作为所述预测模型。
6.根据权利要求5所述的基于人工智能的行为预测方法，其特征在于，所述使用所述测试集对所述训练后的初始预测模型进行验证，并判断是否验证通过的步骤，具体包括：
获取所述测试集；其中，所述测试集包括多个测试数据，以及与各所述测试数据分别对应的分类信息；
将所述测试数据输入至所述训练后的初始预测模型内，获取所述训练后的初始预测模型输出的与各所述测试数据分别对应的第一预测分类结果；
基于所述分类信息，确定出所有所述第一预测分类结果中预测正确的第二预测分类结果；
计算所述第二预测分类结果与所述第一预测分类结果的商值；
判断所述商值是否大于预设阈值；
若大于所述预设阈值，判定所述训练后的初始预测模型通过验证，否则判定所述训练后的初始预测模型未通过验证。
7.根据权利要求1所述的基于人工智能的行为预测方法，其特征在于，所述获取目标用户在预设时间段内的用户行为数据的步骤，具体包括：
获取在所述预设时间段内的页面用户行为数据，以及获取所述目标用户的用户信息；
基于所述用户信息，从所述页面用户行为数据内筛选出与所述用户信息对应的指定页面用户行为数据；
对所述指定页面用户行为数据进行预处理，得到所述用户行为数据。
8.一种基于人工智能的行为预测装置，其特征在于，包括：
第一获取模块，用于获取目标用户在预设时间段内的用户行为数据；
第一生成模块，用于对所述用户行为数据进行特征构建处理，基于所述用户行为数据生成加油行为特征；其中，所述加油行为特征的数量包括多个；
处理模块，用于基于主成分分析算法对所述加油行为特征进行筛选处理得到第一特征，以及基于预设的特征选取算法对所述加油行为特征进行筛选处理得到第二特征；
第一确定模块，用于基于所述第一特征与所述第二特征确定出与所述用户行为数据对应的目标加油行为特征；
第二生成模块，用于将所述目标加油行为特征输入至预设的预测模型内，通过所述预测模型对所述目标加油特征进行预测处理，生成与所述目标用户对应的加油行为预测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的行为预测方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的行为预测方法的步骤。
CN202210699251.8A 2022-06-20 2022-06-20 基于人工智能的行为预测方法、装置、设备及存储介质 Pending CN115099326A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210699251.8A CN115099326A (zh) 2022-06-20 2022-06-20 基于人工智能的行为预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210699251.8A CN115099326A (zh) 2022-06-20 2022-06-20 基于人工智能的行为预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115099326A true CN115099326A (zh) 2022-09-23

Family

ID=83291464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210699251.8A Pending CN115099326A (zh) 2022-06-20 2022-06-20 基于人工智能的行为预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115099326A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309737A (zh) * 2022-10-11 2022-11-08 深圳市明源云客电子商务有限公司 访客意向分析方法、系统、终端设备及可读存储介质
CN116204879A (zh) * 2022-12-30 2023-06-02 之江实验室 恶意文件检测方法、装置、电子装置及存储介质
CN117336326A (zh) * 2023-11-01 2024-01-02 深圳市正业玖坤信息技术有限公司 工业物联网的数据采集分析方法、装置、设备及存储介质
CN118964394A (zh) * 2024-10-16 2024-11-15 江苏环迅信息科技有限公司 一种潜在客户分析挖掘方法及系统
CN119904343A (zh) * 2025-04-02 2025-04-29 深圳市筑泰防务智能科技有限公司 一种外来人员安全管理与在岗履职管理系统及其管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461025A (zh) * 2018-10-23 2019-03-12 国网湖南省电力公司节能管理分公司 一种基于机器学习的电能替代潜在客户预测方法
CN109711860A (zh) * 2018-11-12 2019-05-03 平安科技（深圳）有限公司 用户行为的预测方法及装置、存储介质、计算机设备
CN113642600A (zh) * 2021-06-29 2021-11-12 桂林电子科技大学 一种基于mRMR算法与主成分分析的驾驶行为特征提取方法
CN113919510A (zh) * 2021-11-01 2022-01-11 上海勃池信息技术有限公司 一种样本特征选择方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461025A (zh) * 2018-10-23 2019-03-12 国网湖南省电力公司节能管理分公司 一种基于机器学习的电能替代潜在客户预测方法
CN109711860A (zh) * 2018-11-12 2019-05-03 平安科技（深圳）有限公司 用户行为的预测方法及装置、存储介质、计算机设备
CN113642600A (zh) * 2021-06-29 2021-11-12 桂林电子科技大学 一种基于mRMR算法与主成分分析的驾驶行为特征提取方法
CN113919510A (zh) * 2021-11-01 2022-01-11 上海勃池信息技术有限公司 一种样本特征选择方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙占锋等: "《Python程序设计实践指导》", 28 February 2022, 中国铁道出版社有限公司, pages: 145 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309737A (zh) * 2022-10-11 2022-11-08 深圳市明源云客电子商务有限公司 访客意向分析方法、系统、终端设备及可读存储介质
CN116204879A (zh) * 2022-12-30 2023-06-02 之江实验室 恶意文件检测方法、装置、电子装置及存储介质
CN116204879B (zh) * 2022-12-30 2023-12-05 之江实验室 恶意文件检测方法、装置、电子装置及存储介质
CN117336326A (zh) * 2023-11-01 2024-01-02 深圳市正业玖坤信息技术有限公司 工业物联网的数据采集分析方法、装置、设备及存储介质
CN117336326B (zh) * 2023-11-01 2024-07-02 深圳市正业玖坤信息技术有限公司 工业物联网的数据采集分析方法、装置、设备及存储介质
CN118964394A (zh) * 2024-10-16 2024-11-15 江苏环迅信息科技有限公司 一种潜在客户分析挖掘方法及系统
CN119904343A (zh) * 2025-04-02 2025-04-29 深圳市筑泰防务智能科技有限公司 一种外来人员安全管理与在岗履职管理系统及其管理方法

Similar Documents

Publication Publication Date Title
CN115099326A (zh) 基于人工智能的行为预测方法、装置、设备及存储介质
CN114117048A (zh) 一种文本分类的方法、装置、计算机设备及存储介质
CN113011895A (zh) 关联账户样本筛选方法、装置和设备及计算机存储介质
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN112529477A (zh) 信用评估变量筛选方法、装置、计算机设备及存储介质
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN112417886A (zh) 意图实体信息抽取方法、装置、计算机设备及存储介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN117078406A (zh) 一种客户流失预警方法、装置、计算机设备及存储介质
CN117172632B (zh) 一种企业异常行为检测方法、装置、设备及存储介质
CN117350461B (zh) 企业异常行为预警方法、系统、计算机设备及存储介质
CN113780806A (zh) 基于决策树的经纪人匹配方法、装置、设备及存储介质
CN116402625B (zh) 客户评估方法、装置、计算机设备及存储介质
CN116340864B (zh) 一种模型漂移检测方法、装置、设备及其存储介质
CN114742643B (zh) 一种金融风控领域的检测交互特征的模型可解释方法
CN113902032B (zh) 业务数据的处理方法、装置、计算机设备及存储介质
CN116756147A (zh) 一种数据归类方法、装置、计算机设备及存储介质
CN117235633A (zh) 机构分类方法、装置、计算机设备及存储介质
CN116167872A (zh) 异常医疗数据检测方法、装置及设备
CN116628137A (zh) 基于人工智能的数据分析方法、装置、设备及存储介质
CN115392361A (zh) 一种智能排序方法、装置、计算机设备及存储介质
CN116662160B (zh) 基于代价敏感宽度学习的软件缺陷预测方法及处理装置
CN119514496B (zh) 基于人工智能的数据转换方法、装置、计算机设备及介质
CN121144924A (zh) 一种名单分类方法、装置、设备及介质
CN119180714A (zh) 基于人工智能的车险理赔处理方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220923

RJ01 Rejection of invention patent application after publication