欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022102301578
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于大数据技术的高精度物流企业客户画像方法,其特征在于,包括如下步骤,步骤S1.对用户数据进行收集并处理,结合数据库已有的信息和多源异构爬虫的综合方式对用户数据进行收集,对原始数据进行预处理,通过自适应的条件生成对抗网络对将原始数据中的缺失的数据进行填补,对错误的数据以及重复的数据分别进行删除;

步骤S2.根据收集到的用户数据发掘隐性特征,使用密度聚类算法对用户群分类,将分类的用户根据获取的隐性特征进行打分分类,再根据得到的结果将用户分为高级用户、中级用户、一般用户;

步骤S3.使用樽海鞘群算法优化的卷积神经网络对用户的包裹进行分类,同时采用激活函数以及根据网络过滤器的分值情况对网络进行修改,将包裹按重量、易损程度、紧急程度三个维度进行分类,构建用户包裹的特征维度;

步骤S4.根据用户的包裹和用户个人信息,完成用户数据标签化,生成高精度客户画像;

密度聚类算法中引入了一个密度指标ω,指标为

其中M为数据集中的点数,K为期望的聚类数,α取值范围为0-1之间,ω为计算每个点的局部密度所用的临近点个数,同时引用一个阈值nc,因此,局部密度pi为,其中d(xi-xjk)是xi和xjk之间的欧氏距离,其中jk是离点i最近的第k个点;

设置决策函数γ完成聚类:

其中,δi为样本间的距离,当数据点xi具有最大局部密度时,δi取最大值,保证xi被选为聚类中心其定义为所述密度聚类算法的具体步骤为,

步骤S21.输入用户数据集S={x1,x2,…,xN},使用阈值nc,聚类数K,获取临近点ω;

步骤S22.将获取的临界点ω通过无核方式计算各样本点的局部密度pi;

步骤S23.通过决策函数γ计算各样本点的γ值;

步骤S24.计算选择各样本点的距离δi;

步骤S25.利用各点降序排列的将各点γ值进行降序排列,选择前k个作为聚类中心;

步骤S26.计算非聚类中心点到各中心点的距离的取最小值,该值小于使用阈值则分配到同一簇中,否则就舍弃该点,对各点逐一进行处理,最后确定各点最终的归属,完成聚类。

2.根据权利要求1所述的一种基于大数据技术的高精度物流企业客户画像方法,其特征在于,所述步骤S1中,自适应的条件生成对抗网络包括生成器、辅助分类器和鉴别器,生成器的损失函数为:鉴别器损失函数为:

其中,m为数据缺失指标,当该数据缺失时m=0,否则m=1;β和β为0到1之间的系数,C(x)为辅助分类器的输出,(xRk-xk)2为鉴别器的满意程度;添加辅助的分类器C对条件生成对抗模型进行改进,通过分类器来约束生成器,获取新的损失函数,再次对鉴别器和生成器进行训练。

3.根据权利要求1所述的一种基于大数据技术的高精度物流企业客户画像方法,其特征在于,样本数据的缺失率采取了加权计算方法,增强前5个数据的权重,其计算方式为其中,m为丢失标志,当数据丢失时m=0,否则m=1。

4.根据权利要求2所述的一种基于大数据技术的高精度物流企业客户画像方法,其特征在于,通过损失函数自适应地调整学习率,在每个训练时期以若干个学习率独立执行训练,并且将得到最小训练损失的学习率作为每个时期学习率,学习率之间的关系为ηt+1=ηtrn    (5-1),

其中,rn表示比例因子,通过若干个状态转化,使用树结构进行搜索,确定不同状态的学习率ηs,训练期间的状态转换可以由树结构表示:其中,η0是初始学习率;将节点上计算获取的值降序排序,标注的数字代表每次的训练损失排名,通过广度优先进行状态移动到标记为1的下一个节点作为该时刻的学习率。

5.根据权利要求2所述的一种基于大数据技术的高精度物流企业客户画像方法,其特征在于,改进后的条件生成对抗网络,包括如下步骤,步骤S11.首先对模型的参数进行初始化,计算样本数据n的丢失率并按升序排列;

步骤S12.选择前λn个数据(0<λ<1)作为预处理数据输入到生成网络中进行训练,得到样本数据;将生成的样本数据n1与真实的样本数据n2,对鉴别器进行训练,同时使用自适应的随机梯度下降法对参数进行更新;

步骤S13.通过聚类算法将训练后的结果进行聚类,并得到数据的标签,通过该标签数据来训练的辅助分类器;

步骤S14.使用整个数据集继续对生成器和鉴别器进行训练,同时使用预先训练好的分类器来约束生成器,使其满足新的目标函数,使用随机梯度下降法对参数再次进行更新,直到鉴别器无法分出生成器与真实数据的差别;

步骤S15.完成训练,获取改进的条件对抗网。

6.根据权利要求1所述的一种基于大数据技术的高精度物流企业客户画像方法,其特征还在于,樽海鞘群算法引入了新的计算因子,新的计算因子u为p=λe-λt;

其中,p为指数概率值,λ为变异操作平均次数的倒数;

由此产生的最终方程G(u)为

由于控制参数c2和c3为均匀分布的随机数,所以通过将其中一个控制参数c3替换为其中,c2为[0,1]之间的随机数,ub和lb分别为个体在该维度的上届和下界。

7.根据权利要求6所述的一种基于大数据技术的高精度物流企业客户画像方法,其特征还在于,领导者的更新方式为为迭代后领导个体i的第j维分量,Sj为当前精英个体的第j维分量,ubj和lbj分别为个体j维度的上届和下界,c2为[0,1]之间的随机数;

追随者的更新方式为

其中,β为0-1之间的随机数,为当前种群随机选取的个体Xi(t)第j维分量,Sj(t)、互不相同,fi为当前点的适应度,favr为平均适应度。

8.根据权利要求6所述的一种基于大数据技术的高精度物流企业客户画像方法,其特征在于,樽海鞘群算法改进后步骤如下,步骤S31.初始化参数,樽海鞘个体的初始位置,最大迭代次数tmax,种群规模N,个体维度D;

步骤S32.计算所有个体适应度值,并计算适应度的平均值,同时根据适应度进行个体排序,选取当前最优个体作为精英个体;

步骤S33.建立樽海鞘链,按照适应度值优劣,降序排序种群个体建立樽海鞘群链,前半部分个体为领导者,后半部分为跟随者,计算樽海鞘指数概率值;

步骤S34.更新精英个体位置,选取当前适应度最优个体为精英个体S(t);

步骤S35.更新领导者位置,随机选取领导个体根据计算因子更新领导者位置,步骤S36.更新跟随者位置,随机选取种群个体更新跟随者;

步骤S37.判定优化结束条件,若迭代次数已达到tmax,输出精英个体位置即最优控制参数,否则返回步骤S32。