基于大数据的用户需求预测方法技术

用户需求预测通过分析用户行为、市场趋势、竞争对手等因素来预测用户未来的需求，有助于企业更好地制定产品研发、营销、定价等方面的市场策略，更好地了解市场走向和用户需求，从而减少决策风险。大数据时代的到来和用户需求日益个性化多样化，促使大数据用户需求预测成为企业决策和市场营销的重要工具。为此，本发明专利技术提出一种基于大数据的用户需求预测方法，综合考虑促销营销活动、历史需求和其他因素实现精准的需求预测，帮助企业在生产、采购和销售方面做出更明智的决策。购和销售方面做出更明智的决策。购和销售方面做出更明智的决策。

【技术实现步骤摘要】
基于大数据的用户需求预测方法


[0001]本专利技术属于用户需求预测领域，尤其涉及一种基于大数据的用户需求预测方法。

技术介绍

[0002]用户需求预测通过分析用户行为、市场趋势、竞争对手等因素来预测用户未来的需求，有助于企业更好地制定产品研发、营销、定价等方面的市场策略，更好地了解市场走向和用户需求，从而减少决策风险。已有的用户需求预测方法主要包括以下四类：1)市场调研。通过问卷调查、焦点小组、用户访谈等方式来获取数据，从而预测未来的用户需求；2)竞争分析。通过分析竞争对手的产品和市场策略，可以了解市场的趋势和用户需求，从而预测未来的用户需求；3)社交媒体分析。通过对社交媒体上用户的讨论和反馈进行分析，可以预测未来的用户需求；4)专家意见。专家意见可以提供有价值的市场信息和预测，从行业角度来分析市场趋势和用户需求。随着互联网、移动互联网和物联网等技术的发展，数据的规模和种类呈现爆炸式增长。然而，大数据时代的到来和用户需求日益个性化多样化，促使大数据用户需求预测成为企业决策和市场营销的重要工具。另一方面。预测模型的发展和技术支持，使得大数据用户需求预测成为可能，可以帮助企业更好地把握市场机会和优化业务流程，提升竞争力和效益。
[0003]为此，本专利技术提出一种基于大数据的用户需求预测方法，综合考虑促销营销活动、历史需求和其他因素实现精准的需求预测，帮助企业在生产、采购和销售方面做出更明智的决策。

技术实现思路

[0004]本专利技术的目的是克服现有技术中的不足，提供一种基于大数据的用户需求预测方法，采用如下技术方案：
[0005]S1、对于待预测的产品，采集该产品在电视广告、短信、网络推文、广告邮件和网络新闻5种渠道的营销投入时序数据，采集销售量和销售利润两种销售时序数据，对上述采集的7类时序数据进行数据补全和数据转换；
[0006]S2、利用营销组合模型计算广告媒体的营销效果，计算不同营销活动的累计影响效果并提取广告营销特征；
[0007]S202、根据步骤S1采集到的营销投入时序数据，计算广告营销活动的贡献
[0008]S204、根据S202中的促销营销活动的贡献，提取广告营销特征
[0009]S3、分析用户需求时序变化趋势，利用时序卷积网络对步骤S1采集的销售时序数据和消费者信心指数、生产者价格指数和消费者价格指数进行因果卷积，提取用户需求时序特征；
[0010]S4、融合步骤S3提取的用户需求时序特征和步骤S2提取的广告营销特征，预测用户需求；
[0011]S402、利用注意力机制，计算不同特征的权重，将注意力权重应用于用户需求时序
特征和广告营销特征，得到最终的特征表示
[0012]S404、利用两层全连接网络，进行最终用户需求的回归预测
[0013]作为优选，步骤S1中的数据采集、补全和转换具体为：
[0014]从互联网采集用户需求预测所需的时间序列数据，数据包括营销投入数据和销售的时序数据。其中销售数据包括销售量和销售利润，营销投入数据包括电视广告、短信、网络推文、广告邮件和网络新闻等5种营销渠道的投入。
[0015]对于时序数据中的缺失值，采用以下处理策略：1)使用均值、中位数作为估计值填充缺失数据；2)当数据仅在一天内发生交易或促销活动时可用时，可简单地用零替换丢失的数据，以表示当天没有交易或促销；3)若缺失值较多时，删除缺少数据。
[0016]为贴合现实情况，考虑电视广告、短信、网络推文、广告邮件和网络新闻的衰减效应，即广告的延迟效应：
[0017]A
t
＝A
t
+r*A
t
‑1[0018]其中A
t
表示时刻t时广告营销的影响，A
t
‑1表示时刻t
‑
1时广告营销的影响，r为广告影响的延迟因子，其取值在0到1之间。
[0019]为了贴合实际的收益递减效应，对营销投入时序数据进行数据转换，其计算如下：
[0020][0021]其中Y表示转换后的数据，x表示转换前的数据，a、b、c和d为4个参数，其设置根据具体的营销类型而设定。
[0022]作为优选，步骤S202中的广告营销活动的贡献具体为：
[0023]为衡量不同营销方式对消费者当前的影响贡献，需要计算持续性营销活动的当前影响力，即营销投入历史时序数据在当前时刻的权重因子，其计算方式如下：
[0024][0025]其中t表示当前时刻，t
i
为一个历史时刻，d表示广告营销效果的衰减因子，表示时刻t
i
营销活动到时刻t的残留营销效果权重。
[0026]则当前时刻t的累计营销效果计算为：
[0027][0028]其中表示当前时刻t营销活动的贡献，表示时刻t
i
营销活动的贡献，表示时刻t
i
营销活动的贡献的衰减后的当前权重。
[0029]作为优选，步骤S204中的广告累计效应评估模型具体为：
[0030]设计基于模糊神经网络的广告累计效应评估模型，该模型第一层是输入层，输入数据为S202中计算得到的当前时刻累计营销效果第二层的模糊函数为高斯激活函数，第三层为输出层。
[0031]在模糊神经网络中，输入特征通过隶属函数转化为模糊变量，然后输入到神经元中，神经元的输出经过反隶属函数得到模糊集合，再经过模糊集合的合成或者模糊推理得到最终的输出特征。
[0032]第二层的模糊函数采用高斯激活函数，其计算如下：
[0033][0034]其中x表示网络输入，即前述步骤中的营销活动贡献，a是平均值，σ是模糊函数的标准偏差，exp(
·
)表示指数函数。
[0035]输出层的输出公式，对于第j个输出维度，输出可以表示为如下：
[0036][0037]其中，w
ij
是连接隐含层第i个神经元和输出层第j个神经元的权重，μ
i
是输入特征对应的模糊隶属度，由上述模糊函数计算得到。
[0038]对上述模糊神经网络进行计算：1)生成输入和输出隐藏层的权重w，其中每个w
ji
都是模糊数；2)为α和η赋值，用于训练模糊反向传播；3)获取下一个模式集，并对人工输入和输出神经元进行隐藏计算；4)计算输入和输出隐藏层的权重变化；5)更新输入隐藏层的权重；6)更新隐藏输出层的权重；7)计算最终模糊隶属度权重集的输出w
′
和w
″
。
[0039]作为优选，步骤S3中的用户需求时序变化分析具体为：
[0040]时序卷积网络采用一维的全卷积结构，每一层卷积的输入和输出是等长的。时序卷积是一种因果卷积，即当前时间点t的输出只依赖于时间点t和之间的数据，避免了未来数据的泄露，适用于时序预测的场景。
[0041]时序卷积网络的输入包括步骤S1得到的销售量、销售利润，采集得到的消费者信心指数、生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的用户需求预测方法，其特征在于，该方法包括以下步骤：S1、对于待预测的产品，采集该产品在电视广告、短信、网络推文、广告邮件和网络新闻5种渠道的营销投入时序数据，采集销售量和销售利润两种销售时序数据，对上述采集的7类时序数据进行数据补全和数据转换；S2、利用营销组合模型计算广告媒体的营销效果，计算不同营销活动的累计影响效果并提取广告营销特征；S202、根据步骤S1采集到的营销投入时序数据，计算广告营销活动的贡献S204、根据S202中的促销营销活动的贡献，提取广告营销特征S3、分析用户需求时序变化趋势，利用时序卷积网络对步骤S1采集的销售时序数据和消费者信心指数、生产者价格指数和消费者价格指数进行因果卷积，提取用户需求时序特征；S4、融合步骤S3提取的用户需求时序特征和步骤S2提取的广告营销特征，预测用户需求；S402、利用注意力机制，计算不同特征的权重，将注意力权重应用于用户需求时序特征和广告营销特征，得到最终的特征表示S404、利用两层全连接网络，进行最终用户需求的回归预测。2.如权利要求1所述的一种基于大数据的用户需求预测方法，其特征在于，S102所述的从数据采集、补全和转换，包括：从互联网采集用户需求预测所需的时间序列数据，数据包括营销投入数据和销售的时序数据。其中销售数据包括销售量和销售利润，营销投入数据包括电视广告、短信、网络推文、广告邮件和网络新闻等5种营销渠道的投入。对于时序数据中的缺失值，采用以下处理策略：1)使用均值、中位数作为估计值填充缺失数据；2)当数据仅在一天内发生交易或促销活动时可用时，可简单地用零替换丢失的数据，以表示当天没有交易或促销；3)若缺失值较多时，删除缺少数据。为贴合现实情况，考虑电视广告、短信、网络推文、广告邮件和网络新闻的衰减效应，即广告的延迟效应：A
t
＝A
t
+r*A
t
‑1其中A
t
表示时刻t时广告营销的影响，A
t
‑1表示时刻t
‑
1时广告营销的影响，r为广告影响的延迟因子，其取值在0到1之间。为了贴合实际的收益递减效应，对营销投入时序数据进行数据转换，其计算如下：其中Y表示转换后的数据，x表示转换前的数据，a、b、c和d为4个参数，其设置根据具体的营销类型而设定。3.如权利要求1所述的一种基于大数据的用户需求预测方法，其特征在于，S202所述的数据转换与序列分解，包括：为衡量不同营销方式对消费者当前的影响贡献，需要计算持续性营销活动的当前影响力，即营销投入历史时序数据在当前时刻的权重因子，其计算方式如下：
其中t表示当前时刻，t
i
为一个历史时刻，d表示广告营销效果的衰减因子，表示时刻t
i
营销活动到时刻t的残留营销效果权重。则当前时刻t的累计营销效果计算为：其中表示当前时刻t营销活动的贡献，表示时刻t
i
营销活动的贡献，表示时刻t
i
营销活...

【专利技术属性】
技术研发人员：杨彬，周海燕，
申请(专利权)人：杨彬，
类型：发明
国别省市：