一种基于人工智能的智能决策优化方法及系统技术方案

本发明专利技术公开了一种基于人工智能的智能决策优化方法及系统，包括：获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化

【技术实现步骤摘要】
一种基于人工智能的智能决策优化方法及系统


[0001]本专利技术涉及智能决策优化
，尤其涉及一种基于人工智能的智能决策优化方法及系统
。

技术介绍

[0002]当今的商业和管理环境中，决策制定是一个至关重要的活动
。
企业和组织在面对各种复杂的问题和挑战时需要做出明智的决策，如市场营销策略
、
供应链管理
、
资源分配等
。
然而，传统的决策制定方法常常受限于人工经验和静态规则，这在面对动态和复杂的决策环境时表现出局限性
。
[0003]现有技术的限制之一是过度依赖人工经验，这可能导致决策的不一致性和主观性
。
此外，许多决策过程仍然依赖手动数据收集和分析，这在大规模决策问题上变得不切实际
。
随着大数据的快速增长，传统方法难以有效地处理和分析大量复杂的数据
。
另外，决策环境常常发生变化，传统方法难以及时适应这些变化
。
[0004]因此，如何提供全面的决策支持，包括预测
、
分类
、
优化等
。
并且能够适应动态环境，实时调整决策策略，以确保决策的实时性和灵活性是一个亟待解决的问题
。

技术实现思路

[0005]本专利技术克服了现有技术的缺陷，提供了一种基于人工智能的智能决策优化方法及系统，其重要目的在于提高决策质量
、
降低风险并增强竞争力
。
[0006]为实现上述目的本专利技术第一方面提供了一种基于人工智能的智能决策优化方法，包括：获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化
。
[0007]本方案中，所述获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析，具体为：获取历史决策实例信息，对所述历史决策实例信息进行特征提取，得到历史决策实例特征信息；预设特征类别，计算所述历史决策实例特征信息与特征类别的马氏距离，得到马氏距离信息；
预设相关性判断阈值，根据所述马氏距离信息与相关性判断阈值进行相关性分析，得到相关性分析信息；根据所述相关性分析信息将所述历史决策实例信息进行分类，得到分类决策实例信息；对所述分类决策实例信息进行特征提取，获取各决策实例的历史销售额信息；预设多个决策分数判断阈值，将所述历史销售额信息与决策效果判断阈值进行判断，得到决策分数信息；构建决策效果分析模型，将所述决策分数信息和分类决策实例信息输入至所述决策效果分析模型中进行决策效果分析，得到决策效果分析信息
。
[0008]本方案中，所述对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，具体为；获取历史决策实例信息，对所述历史决策实例信息进行决策背景提取，得到决策背景提取信息；所述决策背景提取信息包括：市场情况
、
竞争对手动态
、
经济环境
、
季节性因素
、
政策法规变化
、
产品生命周期；基于
Apriori
算法构建关联性分析模型，将所述历史决策实例信息和决策背景提取信息输入至所述关联性分析模型中进行关联性分析；计算各个决策背景在历史决策实例中出现的频率，作为关联性分数，得到关联性分数信息；预设关联性判断阈值，将所述关联性分数信息与关联性判断阈值进行判断分析，得到关联性分析信息
。
[0009]本方案中，所述获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案，具体为：获取决策背景提取信息，基于主成分分析算法，根据关联性分析信息和决策效果分析信息对所述决策背景提取信息进行分析，得到关键决策背景信息；根据关键决策背景信息
、
关联性分析信息
、
决策效果分析信息和历史决策实例信息构建训练样本数据集；基于遗传算法构建决策方案分析模型，通过所述训练样本数据集进行深度学习和训练，得到符合期望的决策方案分析模型；获取待决策信息，将所述待决策信息导入决策方案分析模型中进行初始决策方案生成；将所述待决策信息作为决策目标，生成目标函数和约束条件，随机生成初始种群，计算初始种群的适应度值；预设停止准则，将计算得到的各初始种群的适应度值与预设阈值进行判断，选取大于预设阈值的种群进行迭代优化，直至符合停止准则，得到初始决策方案
。
[0010]本方案中，所述获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案，具体为：获取营销信息，所述营销信息包括：购买者信息
、
购买产品信息和购买背景信息；对所述营销信息进行特征提取，得到购买者特征信息
、
购买产品特征信息和购买
背景特征信息；构建购买诱因分析模型，将所述购买者特征信息
、
购买产品特征信息和购买背景特征信息导入至所述购买诱因分析模型中进行分析，得到购买诱因分析结果信息；获取历史决策实例特征信息，将所述购买诱因分析结果信息作为关联特征与历史决策实例特征信息进行相似度计算，得到相似度值；将相似度值与预设阈值进行判断，根据判断结果对各购买诱因出现频率进行统计，并按照频率大小进行排序，得到购买诱因排序图；预设选取阈值，根据所述选取阈值结合购买诱因排序图进行主要购买诱因选取，得到主要购买诱因分析信息；获取初始决策方案，将所述主要购买诱因分析信息作为权重，对所述初始决策方案进行加权计算，根据加权计算结果选取最终决策方案
。
[0011]本方案中，所述获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化，具体为：获取营销受众信息，所述营销受众信息包括：受众年龄信息
、
受众地理位置信息和受众历史行为信息；对所述营销受众信息进行特征提取，并对提取的特征进行时序处理，将受众在每个时间段的特征与对应的时间进行匹配，得到受众特征信息；构建长短期偏好分析模型，将所述受众特征信息输入至所述长短期偏好分析模型中进行分析，得到长短期偏好分析信息；根据所述长短期偏好分析信息构建偏好时序序列，基于注意力机制计算各偏好在所述偏好时序序列的频率，作为注意力分数；根据循环神经网络构建偏好预测模型，将注意力分数作为权重，将所述受众特征信息和长短期偏好分析信息输入至偏好预测模型，分析目标受众的下一个偏好，得到偏好预测信息；获取现有产品信息，提取所述现有产品信息的产品属性特征，将产品属性特征与偏好预测信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的智能决策优化方法，其特征在于，包括：获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化
。2.
根据权利要求1所述的一种基于人工智能的智能决策优化方法，其特征在于，所述获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析，具体包括：获取历史决策实例信息，对所述历史决策实例信息进行特征提取，得到历史决策实例特征信息；预设特征类别，计算所述历史决策实例特征信息与特征类别的马氏距离，得到马氏距离信息；预设相关性判断阈值，根据所述马氏距离信息与相关性判断阈值进行相关性分析，得到相关性分析信息；根据所述相关性分析信息将所述历史决策实例信息进行分类，得到分类决策实例信息；对所述分类决策实例信息进行特征提取，获取各决策实例的历史销售额信息；预设多个决策分数判断阈值，将所述历史销售额信息与决策效果判断阈值进行判断，得到决策分数信息；构建决策效果分析模型，将所述决策分数信息和分类决策实例信息输入至所述决策效果分析模型中进行决策效果分析，得到决策效果分析信息
。3.
根据权利要求1所述的一种基于人工智能的智能决策优化方法，其特征在于，所述对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，具体包括；获取历史决策实例信息，对所述历史决策实例信息进行决策背景提取，得到决策背景提取信息；所述决策背景提取信息包括：市场情况
、
竞争对手动态
、
经济环境
、
季节性因素
、
政策法规变化
、
产品生命周期；基于
Apriori
算法构建关联性分析模型，将所述历史决策实例信息和决策背景提取信息输入至所述关联性分析模型中进行关联性分析；计算各个决策背景在历史决策实例中出现的频率，作为关联性分数，得到关联性分数信息；预设关联性判断阈值，将所述关联性分数信息与关联性判断阈值进行判断分析，得到关联性分析信息
。
4.
根据权利要求1所述的一种基于人工智能的智能决策优化方法，其特征在于，所述获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案，具体包括：获取决策背景提取信息，基于主成分分析算法，根据关联性分析信息和决策效果分析信息对所述决策背景提取信息进行分析，得到关键决策背景信息；根据关键决策背景信息
、
关联性分析信息
、
决策效果分析信息和历史决策实例信息构建训练样本数据集；基于遗传算法构建决策方案分析模型，通过所述训练样本数据集进行深度学习和训练，得到符合期望的决策方案分析模型；获取待决策信息，将所述待决策信息导入决策方案分析模型中进行初始决策方案生成；将所述待决策信息作为决策目标，生成目标函数和约束条件，随机生成初始种群，计算初始种群的适应度值；预设停止准则，将计算得到的各初始种群的适应度值与预设阈值进行判断，选取大于预设阈值的种群进行迭代优化，直至符合停止准则，得到初始决策方案
。5.
根据权利要求1所述的一种基于人工智能的智能决策优化方法，其特征在于，所述获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案，具体包括：获取营销信息，所述营销信息包括：购买者信息
、
购买产品信息和购买背景信息；对所述营销信息进行特征提取，得到购买者特征信息
、
购买产品特征信息和购买背景特征信息；构建购买诱因分析模型，将所述购买者特征信息
、
购买产品特征信息和购买背景特征信息导入至所述购买诱因分析模型中进行分析，得到购买诱因分析结果信息；获取历史决策实例特征信息，将所述购买诱因分析结果信息作为关联特征与历史决策实例特征信息进行相似度计算，得到相似度值；将相似度值与预设阈值进行判断，根据判断结果对各购买诱因出现频率进行统计，并按照频率大小进行排序，得到购买诱因排序图；预设选取阈值，根据所述选取阈值结合购买诱因排序图进行主要购买诱因选取，得到主要购买诱因分析信息；获取初始决策方案，将所述主要购买诱因分析信息作为权重，对所述初始决策方案进行加权计算，根据加权计算结果选取最终决策方案
。6.
根据权利要求1所述的一种基于人工智能的智能决策优化方法，其特征在于，所述获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏...

【专利技术属性】
技术研发人员：魏晓巍，
申请(专利权)人：深圳市童牛科技有限公司，
类型：发明
国别省市：