一种基于时间序列特征的线上人群行为预测方法及系统与流程

本发明属于线上人群行为预测，具体涉及一种基于时间序列特征的线上人群行为预测方法及系统。

背景技术：

1、随着信息技术以及智能产品的快速发展，人们可以通过使用智能产品进行线上购物、浏览新闻以及其它各种操作，其相较于线下操作而言，不需要自行前往目的地，也能够实时性的查看各种各样的推送消息，再结合越来越多的功能性app软件，通过线上操作便可以满足人们的各种需求，但是这无疑会导致线上信息繁杂，人们在筛选数据时，还需要从众多数据中筛选出所感兴趣的信息，这无疑是比较浪费时间的，基于此，根据线上人群行为信息预测其所需信息的操作便是必不可少的。

2、现有技术中，在对线上人群进行相应的行为预测时多是根据用户的实时浏览记录生成与已浏览信息相关的推送信息，但是用户在浏览部分信息之后，可能只是短暂性的关注，那么此时再推送与之相关的信息就会导致用户的体验度降低，并且此推送信息的存在，还可能导致用户无法快速找寻到其所感兴趣的推送信息，基于此，本方案提供了一种能够根据用户的历史浏览时长的趋势和平均浏览时长来确定推送信息的优先度的方法。

技术实现思路

1、本发明的目的是提供一种基于时间序列特征的线上人群行为预测方法及系统，能够根据用户的历史浏览时长的趋势和平均浏览时长来确定推送信息的优先度。

2、本发明采取的技术方案具体如下：

3、一种基于时间序列特征的线上人群行为预测方法及系统，包括：

4、获取用户的身份信息和行为信息，其中，所述身份信息包括年龄特征信息和性别信息，所述行为信息包括移动数据信息、上网数据信息以及软件使用信息；

5、构建监测周期，并在所述监测周期内设置多个取样节点，再获取各个所述取样节点下用户的行为信息，且将其标定为样本信息；

6、将所述样本信息输入至评估模型中，得到行为跳转节点，并将相邻行为跳转节点之间的时段标定为推送时段；

7、获取所述推送时段内所有的历史浏览信息，并统计所有所述历史浏览信息的历史浏览时长；

8、构建评估周期，并调用所述评估周期内所有的所有历史浏览时长，并将其输入至第一预测模型中，得到第一预测结果；

9、调用所述评估周期内所有的所有历史浏览时长，并将其输入至第二预测模型中，得到第二预测结果；

10、将所述第一预测结果和第二预测结果输入至评价模型中，判断第一预测结果和第二预测结果的执行性；

11、若执行第一预测结果，则去除第二预测结果，反之，则将第一预测结果去除。

12、在一种优选方案中，所述将所述样本信息输入至评估模型中，得到行为跳转节点的步骤，包括：

13、将多个所述取样节点下的行为信息按照发生时间的顺序进行排列，并对相邻所述行为信息进行比较，得到行为差量信息；

14、获取容许浮动差量，并与所述行为差量信息进行比较，并筛选出所有高于容许浮动差量的样本信息，且将其对应的时间节点标定为校验节点；

15、以所述校验节点为起始点，构建校验周期；

16、获取所述校验周期内所有的样本信息，判断所述校验周期内的样本信息是否连续；

17、若连续，则将校验节点标定为行为跳转节点；

18、若不连续，则校验节点下的样本信息为瞬时信息，且继续判断下一位次的样本信息。

19、在一种优选方案中，所述获取所述校验周期内所有的样本信息，判断所述校验周期内的样本信息是否连续的步骤，包括：

20、将所述校验周期内的样本信息按照发生时间的顺序进行排列；

21、获取与所述校验节点相邻且位于其发生时间之前的取样节点，并将其标定为参考节点；

22、获取所述参考节点下的样本信息，并将其标定为参考信息；

23、获取参会信息与校验周期内的样本信息的重复率，并将其标定为待评估参数；

24、获取评估阈值，并与所述待评估参数进行比较；

25、若所述待评估参数小于评估阈值，在表明所述校验周期内的样本信息不连续；

26、若所述待评估参数大于或等于评估阈值，则表明所述校验周期内的样本信息连续。

27、在一种优选方案中，所述调用所述评估周期内所有的所有历史浏览时长，并将其输入至第一预测模型中，得到第一预测结果的步骤，包括：

28、获取历史浏览时长，

29、从所述第一预测模型中调用第一预测函数；

30、将所有历史浏览时长输入至第一预测函数中，并将输出结果标定为第一预测结果。

31、在一种优选方案中，所述调用所述评估周期内所有的所有历史浏览时长，并将其输入至第二预测模型中，得到第二预测结果的步骤，包括：

32、获取历史浏览时长；

33、从所述第二预测模型中调用第二预测函数；

34、将所述历史浏览时长输入至第二预测函数中，并将输出结果标定为第二预测结果。

35、在一种优选方案中，所述第二预测模型还包括趋势评估函数，所述趋势评估函数用于测算历史浏览时长的变化趋势值，其测算过程具体如下：

36、获取历史浏览时长；

37、从所述第二预测模型中调用趋势评估函数；

38、将所有历史浏览时长输入至趋势评估函数中，且将输出结果标定为历史浏览时长的变化趋势值。

39、在一种优选方案中，所述将所述第一预测结果和第二预测结果输入至评价模型中，判断第一预测结果和第二预测结果的执行性的步骤，包括：

40、从所述评价模型中调用评价区间，并从所述评价区间内随机构建多个评价节点，并获取每个评价节点下的评价参数；

41、以所述评价节点与评估周期的起始节点构建校验区间，并将所述校验区间内的历史浏览时长输入至第一预测函数和第二预测函数中，分别得到第一校验结果和第二校验结果；

42、获取所述第一校验结果和第二校验结果与评价参数之间的差值，并将其分别标定为第一偏离差量和第二偏离差量；

43、若所述第一偏离差量小于或等于第二偏离差量，则表明所述第一预测结果可执行；

44、若所述第一偏离差量大于第二偏离差量，则表明所述第二预测结果可执行。

45、在一种优选方案中，所述第一预测结果和第二预测结果均包括多个推送信息；

46、其中，多个所述推送信息按照其对应的历史浏览时长进行排序。

47、本发明还提供了，一种基于时间序列特征的线上人群行为预测系统，应用于上述的基于时间序列特征的线上人群行为预测方法，包括：

48、第一获取模块，所述第一获取模块用于获取用户的身份信息和行为信息，其中，所述身份信息包括年龄特征信息和性别信息，所述行为信息包括移动数据信息、上网数据信息以及软件使用信息；

49、取样模块，所述取样模块用于构建监测周期，并在所述监测周期内设置多个取样节点，再获取各个所述取样节点下用户的行为信息，且将其标定为样本信息；

50、评估模块，所述评估模块用于将所述样本信息输入至评估模型中，得到行为跳转节点，并将相邻行为跳转节点之间的时段标定为推送时段；

51、第二获取模块，所述第二获取模块用于获取所述推送时段内所有的历史浏览信息，并统计所有所述历史浏览信息的历史浏览时长；

52、第一预测模块，所述第一预测模块用于构建评估周期，并调用所述评估周期内所有的所有历史浏览时长，并将其输入至第一预测模型中，得到第一预测结果；

53、第二预测模块，所述第二预测模块用于调用所述评估周期内所有的所有历史浏览时长，并将其输入至第二预测模型中，得到第二预测结果；

54、评价模块，所述评价模块用于将所述第一预测结果和第二预测结果输入至评价模型中，判断第一预测结果和第二预测结果的执行性；

55、若执行第一预测结果，则去除第二预测结果，反之，则将第一预测结果去除。

56、以及，一种基于时间序列特征的线上人群行为预测终端，包括：

57、至少一个处理器；

58、以及与所述至少一个处理器通信连接的存储器；

59、其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于时间序列特征的线上人群行为预测方法。

60、本发明取得的技术效果为：

61、本发明能够根据用户的线上行为信息来确定不同推送信息的推送时段，在确定推送信息时，以不同推送时段下的历史浏览时长的变化趋势值和加权平均值进行预测，并且还能够对两者的预测结果进行实时的比对，确定其预测结果的可执行性，最后通过确定的预测结果来确定推送信息，使得用户能够更为快速的浏览到自身所需的线上信息，减少其筛选冗余信息的过程，提高用户的线上体验度。