一种面向狂噪症极致用户体验的移动电源租赁管理系统及方法与流程

本发明涉及移动电源租赁服务领域，特别涉及一种面向狂噪症极致用户体验的移动电源租赁管理系统及方法。

背景技术：

随着信息技术的快速发展，电子产品的不断更新，使得人们的生活方式发生了翻天覆地的变化。但也为人们的生活带来了不少的困惑，比如智能设备为了满足用户对娱乐、视频、互动的视觉需求，屏幕设计越来越大，大屏幕的发光需要消耗大量的电量，而伴随随着大屏幕的动态以及触控效果，同样也需要大量的电量支持。这就导致电子设备电池的续航能力不足，不能满足人们日益增长的生活需要。同时，由于现代人的生活节奏快、压力大，导致很多用户出现焦虑、烦躁等心里，使用户在租赁移动电源过程中害怕租借超时、超费等现象。

技术实现要素：

本发明的目的在于公开一种面向狂噪症极致用户体验的移动电源租赁管理系统及方法，以解决手机电池续航能力不足的问题，帮助狂躁症用户更放心的使用移动电源为手机充电，带来更好的用户体验效果。

本发明的目的之一是通过以下技术方案来实现的，一种面向狂噪症极致用户体验的移动电源租赁管理方法，包括

根据平台计费策略曲线获取用户最近n次的消费数据，根据用户租借移动电源产生的费用以及用户查看费用的次数h确定该用户是否为狂噪阵用户；

采用神经网络建立狂躁症用户判别模型；

根据用户最近n次的消费数据及狂躁症用户判别模型，判断用户类型，包括狂噪症和非狂噪阵；

若用户的狂噪症用户，则向健忘症用户发送提示信息。

进一步，所述采用神经网络建立狂噪症用户判别模型，包括确定狂噪症用户判别模型训练样本，并对样本数据进行归一化处理；其中样本的输入数据包括用户最近n次的租借时间、租借费用以及查看消费费用的次数，样本的输出数据为人工标记的1或0。

进一步，所述对样本数所进行归一化处理，方法为：

其中xl是归一化之前的输入变量；x′l是归一化后的变量；xmin是归一化前输入变量xl'的最小值，xmax是归一化前输入变量xl的最大值，其中l＝1,2,…n。

进一步，采用神经网络建立狂躁症用户判别模型步骤如下：

s31：初始化权值，设迭代次数g的初值为0，分别赋给wih(0)、whp(0)一个(0,1)区间的随机值；

s32：随机输入训练数据xl并对其进行归一化，得到x′l；

s33：对输入样本xl，前向计算神经网络每层神经元的输入信号和输出信号；

s34：根据期望输出dk和实际输出yk(g)，计算误差e(g)；

s35：判断误差e(g)是否满足要求，如不满足，则进入步骤s36，如满足，则进入步骤s39；

s36：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤s39，否则，进入步骤s37；

s37：对输入样本xl反向计算每层神经元的局部梯度δ；

s38：计算权值修正量δw，并修正权值，计算公式为：式中，η为学习效率；令g＝g+1，跳转至步骤s33；

s39：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤s32。

本发明的目的之二是通过以下技术方案来实现的，

一种面向狂噪症极致用户体验的移动电源租赁管理系统，包括

消费数所获取模块：根据平台计费策略曲线获取用户最近n次的消费数据，根据用户租借移动电源产生的费用以及用户查看费用的次数h确定该用户是否为狂噪阵用户；

狂噪症用户判别模型建立模块：采用神经网络建立狂躁症用户判别模型；

狂噪症用户判别模块：根据用户最近n次的消费数据及狂躁症用户判别模型，判断用户类型，包括狂噪症和非狂噪阵；

提示信息发送模块：若用户的狂噪症用户，则向健忘症用户发送提示信息。

进一步，所述采用神经网络建立狂噪症用户判别模型，包括确定狂噪症用户判别模型训练样本，并对样本数据进行归一化处理；其中样本的输入数据包括用户最近n次的租借时间、租借费用以及查看消费费用的次数，样本的输出数据为人工标记的1或0。

进一步，所述神经网络包括输入层、隐含层和输出层，输入层到隐含层之间的传递函数为tansig函数，隐含层到输出层之间的传递函数为purelin函数。

进一步，所述提示信息包括移动电源当前已消费费用、下一阶段的计费方式以及提示狂噪阵用户不用着急。

由于采用了以上技术方案，具有以下优点：

当用户在户外手机没电时，可以为狂躁症用户提供一种快速租赁移动电源的方法，减轻了狂躁症用户出门随身携带移动电源的负担，同时也让狂躁症用户体验更加快捷、安全的移动电源租赁体验。

附图说明

图1为本发明的流程图；

图2为平台计费策略以及用户数据；

图3为神经网络判别结果。

具体实施方式

以下将结合附图对本发明的具体实施例进行详细描述。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述方法进行详细的说明。

一种面向狂噪症极致用户体验的移动电源租赁管理方法，包括

s1：在平台计费策略曲线上描绘用户消费数据

所述计费策略曲线表示按照系统设定好的计费方式在坐标系中展示出来的曲线；

所述消费数据表示的是用户最近n次的租借移动电源时间t以及租借费用y，以及用户每次租借过程中进入平台查看消费费用的次数h；

s2：确定模型的输入输出数据，并对数据集进行归一化

模型的输入包括：用户最近n次租借移动电源的时间ti、租借费用fi，以及查看消费费用的次数hi，i＝1,2,…,n，因此输入数据为：

输出定义为人工经验标记的0或1；

所述数据归一化具体处理方法如下：

其中xl是归一化之前的输入变量；xl'是归一化后的变量；xmin是归一化前输入变量x′l的最小值，xmax是归一化前输入变量xl的最大值，其中l＝1,2,…n。

s3：采用神经网络建立狂躁症用户判别模型

神经网络由输入层、隐藏层和输出层构成；针对狂躁症用户类型判别模型而言，其输入层神经元节点个数m＝60，输出层神n＝2经元数根据经验公式来确定隐含层神经元个数为5个，其中k为1～10的常数。输入层到隐含层之间传递函数为tansig函数，隐含层到输出层之间的函数为purelin函数，样本训练时的迭代次数为100。神经网络的训练过程中主要按照以下步骤进行：

设置为输入矢量为

训练样本个数为m'，

为第g次迭代时输入层i与隐含层h之间的权值矢量，whp(g)为第g次迭代时隐层h与输出层p之间的权值矢量，yn(g)＝[yk1(g),yk2(g),…,ykp(g)](k＝1,2,…,m')为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkp](k＝1,2,…,m')为期望输出；

建立狂躁症用户判别模型步骤如下：

s31：初始化权值，设迭代次数g的初值为0，分别赋给wih(0)、whp(0)一个(0,1)区间的随机值；

s32：随机输入训练数据xl并对其进行归一化，得到xl'；

s33：对输入样本xl，前向计算神经网络每层神经元的输入信号和输出信号；

s34：根据期望输出dk和实际输出yk(g)，计算误差e(g)；

s35：判断误差e(g)是否满足要求，如不满足，则进入步骤s26，如满足，则进入步骤s39；

s36：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤s39，否则，进入步骤s37；

s37：对输入样本xl反向计算每层神经元的局部梯度δ；

s38：计算权值修正量δw，并修正权值，计算公式为：式中，η为学习效率；令g＝g+1，跳转至步骤s33；

s39：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤s32。

s4：根据用户的消费数据，判断用户类型

所述判别用户类型包括：输入用户租借移动电源时间以及租借费用数据至判别模型中，模型自动识别出用户是狂躁症用户还是非狂躁症用户。

通过建立的模型，判别用户类型结果如图3所示.

s5：服务器采用优惠计费策略，并向狂躁症用户发送提示信息

所述服务器采用优惠计费策略，并向狂躁症用户发送提示信息，包括移动电源当前已消费费用、下一阶段的计费方式以及提示狂躁症用户不用着急。

与方法相对应，本发明还提供一种面向狂噪症极致用户体验的移动电源租赁管理系统，包括

消费数所获取模块：根据平台计费策略曲线获取用户最近n次的消费数据，根据用户租借移动电源产生的费用以及用户查看费用的次数h确定该用户是否为狂噪阵用户；

狂噪症用户判别模型建立模块：采用神经网络建立狂躁症用户判别模型；

狂噪症用户判别模块：根据用户最近n次的消费数据及狂躁症用户判别模型，判断用户类型，包括狂噪症和非狂噪阵；

提示信息发送模块：若用户的狂噪症用户，则向健忘症用户发送提示信息。

进一步，所述采用神经网络建立狂噪症用户判别模型，包括确定狂噪症用户判别模型训练样本，并对样本数据进行归一化处理；其中样本的输入数据包括用户最近n次的租借时间、租借费用以及查看消费费用的次数，样本的输出数据为人工标记的1或0。

所述神经网络包括输入层、隐含层和输出层，输入层到隐含层之间的传递函数为tansig函数，隐含层到输出层之间的传递函数为purelin函数。

所述提示信息包括移动电源当前已消费费用、下一阶段的计费方式以及提示狂噪阵用户不用着急。

如上参照附图以示例的方式描述了根据本发明的面向拖延症用户的移动电源租赁方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的面向拖延症用户的移动电源租赁方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。