一种面向健忘症极致用户体验的移动电源租赁管理系统及方法与流程
本发明涉及移动电源租赁服务领域，特别涉及一种面向健忘症极致用户体验的移动电源租赁管理系统及方法。
背景技术：
随着信息技术的快速发展，电子产品的不断更新，使得人们的生活方式发生了翻天覆地的变化。但也为人们的生活带来了不少的困惑，比如智能设备为了满足用户对娱乐、视频、互动的视觉需求，屏幕设计越来越大，大屏幕的发光需要消耗大量的电量，而伴随随着大屏幕的动态以及触控效果，同样也需要大量的电量支持。这就导致电子设备电池的续航能力不足，不能满足人们日益增长的生活需要。同时，由于现代人的生活节奏快、压力大，导致用户在租赁移动电源过程中可能不能及时的将其归还。
技术实现要素：
本发明的目的在于公开一种面向健忘症极致用户体验的移动电源租赁管理系统及方法，以解决手机电池续航能力不足的问题，帮助健忘症用户更放心的使用移动电源为手机充电，带来更好的用户体验效果。
本发明的目的之一是通过以下技术方案来实现的，一种面向健忘症极致用户体验的移动电源租赁管理方法，包括根据平台计费策略获取最近n次消费数据；采用rbf神经网络建立健忘症用户判别模型；根据用户最近n次的消费数据及建立的健忘症用户判别模型，判断用户类型，包括健忘症和非健忘症；若用户的健忘症用户，则向健忘症用户发送提示信息。
进一步，在建立健忘症用户判别模型过程中，确定健忘症用户判别模型的输入输出数据，并对输入输出数据进行归一化处理，将归一化后的数据作为健忘症用户判别模型的训练数据。
进一步，在建立健忘症用户判别模型过程中，输入数据包括：用户最近n次租借移动电源的时间、租借时间段的租借费用以及平台计费策略参数，所述平台计费策略参数包括m次阶梯收费时间及相应的价格。
进一步，所述采用rbf神经网络建立健忘症用户判别模型包括：
利用k-均值聚类方法计算rbf神经网络基函数的中心，求解基函数的方差，计算隐含层和输出层之间的权值。
进一步，所述的利用k-均值聚类方法计算rbf神经网络基函数的中心包括：
1)初始化样本聚类中心：令迭代次数i＝1，从数据集xi中随机选择h个数据样本cj(i)，作为初始的聚类中心，其中j＝1,2,…h；
2)计算所有数据样本与每个类中心的距离d(xi,cj(i))，若样本i到聚类中心j的距离d(xi,cj(i))最小，则将样本i归类为聚类中心j所在的簇，其中
3)重新计算每个簇的中心
4)若|e(i+1)-e(i)|＜ε，则算法结束，输出类中心；否则i＝i+1，回到1)继续迭代，ε表示误差。
进一步，所述基函数的方差为：
式中，cmax为所选取中心之间的最大距离，即cmax＝max{c1,c1,…,cj}。
进一步，隐含层和输出层之间的权值计算方式如下：
式中i＝1,2,…,h；p＝1,2,…,n，k为输出层神经元节点数目。
进一步，数据归一化具体处理方法如下：
其中xl是归一化之前的输入变量；xl'是归一化后的变量；xmin是归一化前输入变量xl'的最小值，xmax是归一化前输入变量xl的最大值，其中l＝1,2,…n+m。
本发明的目的之二是通过以下技术方案来实现的，一种面向健忘症极致用户体验的移动电源租赁管理系统，包括：
消费数据获取单元：根据平台计费策略获取最近n次消费数据；
判别模型建立单元：采用rbf神经网络建立健忘症用户判别模型；
健忘症用户判别单元：根据用户最近n次的消费数据及建立的健忘症用户判别模型，判断用户类型，包括健忘症和非健忘症；
提示信息发送单元：若用户的健忘症用户，则向健忘症用户发送提示信息。
进一步，所述判别模型建立单元包括：
基函数中心计算单元：利用k-均值聚类方法计算rbf神经网络基函数的中心，
方差求解单元：求解基函数的方差，
权值计算单元：计算隐含层和输出层之间的权值。
由于采用了以上技术方案，具有以下优点：
当用户在户外手机没电时，可以为用户提供一种快速租赁移动电源的方法，减轻了用户出门随身携带移动电源的负担，同时也让用户体验更加快捷、安全、优惠的移动电源租赁体验。
附图说明
图1为本发明的流程图；
图2为平台计费策略及用户数据；
图3为rbf神经网络判别结果。
具体实施方式
以下将结合附图对本发明的具体实施例进行详细描述。
本发明提供一种面向健忘症极致用户体验的移动电源租赁管理系统与方法，所提供的技术方案，具有的技术效果或优点是：当用户在户外手机没电时，可以为用户提供一种快速租赁移动电源的方法，减轻了用户出门随身携带移动电源的负担，同时也让用户体验更加快捷、安全、优惠的移动电源租赁体验。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述方法进行详细的说明。
一种面向健忘症极致用户体验的移动电源租赁管理方法，包括
s1：在平台计费策略曲线上描绘用户最近n次消费数据点
所述计费策略曲线表示按照系统设定好的计费方式在坐标系中展示出来的曲线；所述数据点表示的是用户最近n次的租借移动电源时间t以及租借费用y
s2：确定健忘症判别模型的输入输出数据，并对数据集进行归一化
所述模型的输入包括：用户最近n次租借移动电源的时间ti、租借费用fi，i＝1,2,…,n，以及平台计费策略参数(m次阶梯收费时间及价格)，所述策略参数为租借时间tj和租借费用fj，j＝1,2,…,m，因此输入数据为：
输出定义为人工经验标记的0或1；
所述数据归一化具体处理方法如下：
其中xl是归一化之前的输入变量；xl'是归一化后的变量；xmin是归一化前输入变量xl'的最小值，xmax是归一化前输入变量xl的最大值，其中l＝1,2,…n+m。
s3：采用rbf神经网络建立健忘症用户判别模型
构建的rbf神经网络由输入层、隐藏层和输出层构成；针对健忘症用户类型判别模型而言，其输入层神经元节点个数m＝2n+2m，输出层采用2个神经元节点，隐含层神经元个数为5个，输入层到隐含层之间传递函数为tansig函数，隐含层到输出层之间的函数为purelin函数
在本发明中，采用rbf神经网络建立健忘症用户判别模型包括
用k-均值聚类方法计算rbf神经网络基函数的中心
s321：初始化样本聚类中心：令迭代次数i＝1，从数据集x中随机选择h个数据样本zj(i)，作为初始的聚类中心，其中j＝1,2,…h；
s322：计算所有数据样本与每个类中心的距离d(xi,zj(i))，若样本i到聚类中心j的距离d(xi,zj(i))最小，则将样本i归类为聚类中心j所在的簇，其中
s323：重新计算每个簇的中心
s324：判断：若|e(i+1)-e(i)|＜ε，则算法结束，输出类中心；否则i＝i+1，回到s321继续迭代；
s33：求解基函数的方差σj
rbf神经网络的基函数为高斯函数，方差σj计算方式为：
式中cmax为所选取中心之间的最大距离，即cmax＝max{c1,c1,…,cj}。
s34：计算隐含层和输出层之间的权值
隐含层至输出层之间神经元的连接权值计算方式如下：
式中i＝1,2,…,h；p＝1,2,…,n，k为输出层神经元节点数目
因此计算rbf神经网络的输出结果为：
s4：根据用户最近n次的消费数据及健忘症用户判别模型，判断用户类型
所述判别用户类型方法包括：输入用户租借移动电源时间以及租借费用数据至判别模型中，模型自动识别出用户是健忘症用户还是非健忘症用户。图3中用户类型1表示的是健忘症用户，2表示非健忘症用户。
s5：服务器采用优惠计费策略，并向健忘症用户发送提示信息
所述服务器采用优惠计费策略，并向健忘症用户发送提示信息，包括移动电源当前已消费费用、下一阶段的计费方式以及提示健忘症用户尽快归还。
与上述方法相对应，本发明提供一种面向健忘症极致用户体验的移动电源租赁管理系统，一种面向健忘症极致用户体验的移动电源租赁管理系统，包括：
消费数据获取单元：根据平台计费策略获取最近n次消费数据；
判别模型建立单元：采用rbf神经网络建立健忘症用户判别模型；
健忘症用户判别单元：根据用户最近n次的消费数据及建立的健忘症用户判别模型，判断用户类型，包括健忘症和非健忘症；
提示信息发送单元：若用户的健忘症用户，则向健忘症用户发送提示信息。
进一步，所述判别模型建立单元包括：
基函数中心计算单元：利用k-均值聚类方法计算rbf神经网络基函数的中心，
方差求解单元：求解基函数的方差，
权值计算单元：计算隐含层和输出层之间的权值。
在本发明中，用k-均值聚类方法计算rbf神经网络基函数的中心，包括：
s321：初始化样本聚类中心：令迭代次数i＝1，从数据集x中随机选择h个数据样本zj(i)，作为初始的聚类中心，其中j＝1,2,…h；
s322：计算所有数据样本与每个类中心的距离d(xi,zj(i))，若样本i到聚类中心j的距离d(xi,zj(i))最小，则将样本i归类为聚类中心j所在的簇，其中
s323：重新计算每个簇的中心
s324：判断：若|e(i+1)-e(i)|＜ε，则算法结束，输出类中心；否则i＝i+1，回到s321继续迭代；
求解基函数的方差σj
rbf神经网络的基函数为高斯函数，方差σj计算方式为：
式中cmax为所选取中心之间的最大距离，即cmax＝max{c1,c1,…,cj}。
计算隐含层和输出层之间的权值
隐含层至输出层之间神经元的连接权值计算方式如下：
式中i＝1,2,…,h；p＝1,2,…,n，k为输出层神经元节点数目
因此计算rbf神经网络的输出结果为：
如上参照附图以示例的方式描述了根据本发明的面向拖延症用户的移动电源租赁方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的面向拖延症用户的移动电源租赁方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。
- 还没有人留言评论。精彩留言会获得点赞！