基于CNN-LSTM的用户购买行为预测模型

利用电商平台上的购物历史数据对用户购买行为进行预测有助于提升用户体验和营销效果。提出一种基于CNN-LSTM的用户购买行为预测模型。使用"分段下采样"对样本数据进行均衡化处理以获得购买用户和未购买用户均衡样本;使用CNN-LSTM组合网络实现用户属性、商品属性及用户行为特征的自动抽取与选择,并以此对用户购买行为进行预测。在阿里巴巴移动电商平台数据集的实验结果表明,基于CNN-LSTM的预测模型F1值比基准模型平均提升了7%~11%,使用"分段下采样"样本均衡算法F1值提升了2%左右。

基于集成学习的电子商务平台新用户重复购买行为预测

对电子商务平台新用户重复购买行为进行预测有助于商户开展精准营销。现有单一方法在预测准确性方面还有待提升,文中提出一种基于集成学习的预测模型以进一步提升新用户重复购买行为的预测准确率。引入"分段下采样"以获得新用户重复购买和未重复购买的平衡样本;从用户、商户及用户与商户交互三方面构建新用户购买行为特征;依据集成学习思想Stacking融合RandomForest,XGBoost和LightGBM对新用户重复购买行为进行预测。实验结果表明,Stacking融合模型准确率和AUC值比单一模型平均提升了0.4%~2%,使用"分段下采样"样本平衡算法AUC值提升0.1%左右。

面向城市道路的多传感器融合定位导航技术

方便地获取高精度、高可靠的轨迹数据是交通、旅游等行业智能化发展的关键。鉴于此,本文设计一款集GPS、SINS和OBD于一体的多源车载组合导航系统来收集轨迹数据,提出数据融合的方法来弥补因传感器噪声导致的位置累积误差,并在GPS失锁时有效预测轨迹位置信息。此方法通过梯度提升与决策树相结合建立INS误差补偿模型,并引用粒子群算法优化模型的回归参数,可有效避免误差积累;再利用联邦滤波器实现GPS、SINS和OBD数据融合,提高了轨迹信息的准确性。实际道路测试证明,基于此方法的组合导航系统,在多种路况下可收集连续精准的轨迹数据。