英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
基于深度学习的客户预测工具
Kuo-Yi，Lin
引言：
在这项研究中，我们开发一种基于深度学习的客户预测工具来提高决策的管理质量。这种拟议的方法提取的是顾客的数量和大量历史数据的主导因素之间的关系。这些主导因素提供了新的方法来调整关于劳动安排策略的管理设置。特别的是，这些销售点数据都已被采集完毕。深度学习被用来处理关键的销售分析并产生能够成为管理工具的可靠预测，特别是以天气为预测参数的客户行为预测模型的建立。通过本研究获得的信息，关于药房管理的提议逐步被完善，了解了以客户为基础的研究的实用性。这种基于深度学习的客户预测工具可以应用于不同行业，拓宽了本研究的未来工作。
1.简介
随着科技的普及，它在人类活动的不同方面变得越来越活跃，商业管理也无法摆脱这个事实。一个企业的管理可能会成为一项艰巨的任务，如果主管人员做出错误的决定，它就会完全出错。
出于这个原因，对于使得企业本身以最好的方式进行业务的工具，如果企业能够合理用上这些可能的工具，对于企业本身是至关重要的。在这一点上，零售过程中信息的必要性会带来巨大 的帮助。特别是如果这些信息能带来描述未来情况的表数据，就能让管理层能够准备相关业务来接受这些帮助。
本研究构建了一个基于深度学习的客户预测工具来分析销售点 (POS) 数据。这个提议工具使业务部门能够作出适当的决定, 用以改善商店的运作和发展, 从而提高客户的体验。
2.深度学习-人工神经网络
A.人工神经网络
神经网络是用于科学和工程学的各个领域的非参数技术，因为它们能够解决一些复杂的通常使用线性或多项式回归等传统技术不易解决的问题。神经网络允许获取一个将一组输出变量与一组输入变量链接起来的显式模型。因此，这些模型可以预测什么是输出值，并给出输入值的模型。为了得到一组变量的观察资料，预估模型是很必要的。这些观察资料被用作网络学习的训练模式，并能够预测输出模型和新的观测结果。因此，该网络的能力将很大程度取决于这一阶段的训练。在这个训练阶段中，控制许多不同参数和优化算法是很有必要的，所以神经网络的用户必须有足够的关于这些参数是什么和它们怎么工作的知识。而且，能经过训练的网络对于对于评估通过检查所创建的模型的健壮性是非常重要的，这对于取得的结果进行良好的分析也是很重要的。
如今有很多不同类型的神经网络，但在这个项目中将只与其中的两个，反向传播网络(或多层感知)和径向基网络，因为它们是最常被使用得到实践。
通过在各个实验室中的研究表明，人工神经网络是一种最高效的模式识别方法，无需用户工具的直接干预。这些系统的成功之处在于，它们是基于人脑处理信息本身的方式，从这些方面入手对神经网络应用比如说预测模型有很大的用处。
神经网络是由简单的处理单元组成的大规模并行分布式处理器，具有存储经验知识并使其可供我们使用的自然倾向。人工神经网络(ANN)是一种模拟人脑行为的人工智能技术[1]。多层感知神经网络是由简单的组件组成的。人工神经网络有能力对线性和非线性系统进行建模，而无需在大多数传统的统计方法中隐含假设。它们现已经在科学和工程学的各个方面得到了应用。
人工神经网络(ANN)的观念是在大约五十年前发展起来的，但它已经用于实际应用大约近二十年[2]。人工神经网络是人工智能(AI)的两大领域之一，另一种是专家系统。人工神经网络试图模仿人脑学习过程来学习多维信息域中的关键信息模式。
神经可以分成两大类：前馈和后馈网络。在前一个网络中，网络连接没有形成环路，而一个或多个循环可能存在于后者中。前馈网络最常用的家族是一个分层网络[3]，其中神经元通过连接被组织成层，严格地在一个方向上从一层到另一层。
B.生物神经网络的基本原理
人工神经网络以人体神经元系统的运行为基础。人体内有三个关键要素:从外界收集信息的感官器官;传递信息、分析和存储部分的神经系统，和发送从神经系统接收信息和做出一些动作的经过处理的信息和效应器官。
神经系统的基本单位是神经元。神经元之间结合在一起形成网络。它们由一个部位或者核心，一个神经元的输出端，和大量的称为树突的输入分支组成。其操作如下。输入信号通过突触传送到神经元，这里的突触指的是神经元(或其他细胞，如受体)之间的接触区域。电化学突触收集来自相邻细胞的信息，这些相邻细胞连接到前面所指的神经元。这些信息通过树突进入神经元的内核，这个过程直到产生响应，然后由轴突传播。
突触是由一定浓度的离子的液体空间组成的。该空间具有一定的电气特性，可以抑制或增强方便电信号。
因此，你可以看到，神经元系统是一组相互连接的神经元，它接收、处理和传送信息给其他神经元，并且这些信息在下个便利性神经元中被增强或抑制，这得益于突触空间的特性。
实际上，这个特性可以改变神经网络中每个信息的权重，在一定程度上给我们提供了学习的能力。
C.人工神经网络结构
人工神经网络试图去模拟生物神经网络的特性和性质。通常，它们由一系列连接在一起的称为神经元的单元组成。
每个神经元接收一个输入值，它根据一种称为激活函数的特定特性进行转换。这个转换后的信号变成神经元的输出。
神经元根据特定的结构连接在一起。每个连接都有一定的权重，对神经元的每个输出进行权衡。因而每个神经元的输出是连接到它的神经元的输出的总和乘以各自连接的权重。
3.基于深度学习的客户预测工具
本部分阐述了基于递归决策分析过程确定问题本质的研究方法，并构建了一个明确问题的概念框架。根据UNISION决策框架[4]，本研究提出了一个由六阶段组成的数据驱动框架，用于提炼用户产品的审美体验:
(1)理解并定义问题。
(2)确定提高决策质量的利基。
(3)商业活动分析的结构，生成替代品，并澄清不确定事件之间的影响关系。
(4)感知和描述预期结果。
(5)全方位解释。
(6)策略优化。
A.理解并定义问题
为了研究、理解和界定所提出的问题，首先从行政主体、决策语境和药学本身等三维度的问题定义入手。
这项研究的目的是围绕在行政层面的决策。在我们的分析中，方法和程序中运用到从收银机POS(点-销售)中获得的数据;获取其系统的不同有价值的信息，这可以帮助他们在实施任何改进和执行政策之前加以考虑，同时也包括在各个方面上分配资源来提高服务质量。
B.确定利基
在这一节中，我们研究中提到的利基将被描述出来;在LHS(左手边)我们有在事务因素之间的条件依赖性，并用以从获得的数据中获取不同的因素之间的关系，在RHS(右手边)是顾客流量指示参数，它将提供给我们一些可以在我们的研究中提取到的信息，这两个因素是针对业务客户和其他因素来进行我们的调查。
C.商业活动的结构分析
本节的目的是使用以价值为中心的思维来构建一个层次结构，它可以有一种构造不确定关系的取代方法。
目标层次包括基本层次和手段目标网络，并采用两种方法确保生成的目标集是完整的、适用的、可分解的、非冗余的和最小的，以保证构建有效性[5]。从分解一个高层次的战略开始到可行的低级别通过自顶向下的过程，然后自下而上地综合归纳重新系统化决策目标，并确认和保证更高层次将考虑较低的水平目标。
本研究旨在运用两种不同类型的分析方法，利用贝叶斯网络结构来寻求决策支持，在所提供的数据中寻找这些因素对销售分析和深度学习的可能反映-人工神经网络通过以天气和POS数据信息作为参考，开发出客户预测模型。
D.感知和描述预期结果
由于从收音机POS(销售点)系统中得到的数据的便利化，我们的数据归类并不困难。但所收集的数据往往包含着各种问题，如不良物品的分类，繁多和难以理解的次要分类以及丢失和不一致的数据。对数据的使用采用了几种方式预处理的方法。数据准备提高了数据质量和能得到更有效的结果。
*检查数据以清除任何异常。
*数据清理在识别异常和填充缺失数据方面的应用。
*纠正不一致。
*将数据转换为特定格式以进一步进行模型开发。
*数据被分区训练，测试和验证数据集。
根据我们取得的成果，它能够向行政机构提供可能令人满意的信息，用以支持该决定并改进决策和政策。
E.全方位解释
数据挖掘是一种多学科的方法，用于从存储在不同数据库和其他存储库中的大量数据中发现可能有用的模式[6]。
管理机构使用数据挖掘方法获取在POS中注册的每个转化期间收集数据中的有价值的隐藏信息。应用候选技术来查找数据中的特定模式和能够影响结果的因素。
本研究将问题构造为贝叶斯网络结构(BNS)和深度学习-人工神经网络来分析销售和预测客户。BNS是项目所呈现的因素、类和属性之间寻求关系的类型，并将这些项目压缩为关键特征。应用适当的技术后，所得结果可以被解释为分析目标决策的有用信息，并将其作为参考。
F.决策优化
本节旨在提供从整个研究中获得的结果和信息。提供这方面的资料，将为行政机构在管理规划、资源分配和加强政策等系统中的应用作出宝贵的支持。
4.深度学习型客户流程预测工具
图3描述了我们使用的方法的结构开发客户数量的预测模型。该结构从研究定义开始，目标是使用从整理的数据中提取的信息（POS和天气因素信息）将被安装在开发中模型来预测。 它随后是数据处理阶段，在哪里收集数据经过仔细检查和净化转化为我们的方法能够使用的方法并理解（规范化）。
框架的第三部分是模型定义开发阶段，数据挖掘工具进行数据和构建以模型的形式表示现实。该模型用几个规范和我们研究的参数将被分析; 一些模型被安装到我们的模型中并进行测试以获得最佳效果模型适合我们的研究。
5.结果和讨论
在深度学习框架的使用后执行了预测模型，如结果部分所示。这种模型是通过考虑几个天气参数，包括降水，相对湿度，温度，降雨时长，日照时长，风速，标准压力来执行许多试验的产物，所有的这些都应与客户预测模型尽可能地准确。
为了尝试几种可能性，我们着手建立两个不同的模型，第一个考虑五个参数(工作日，日期，平均温度，降水时长，阳光)，第二个考虑四个参数(工作日，日期，湿度，平均温度)。
应用不同的变量对预测模型进行检验是很重要的，对于这种情况，可以选择更准确的预测模型。在这项研究中，两种模型都显示了相似的精确度水平，然而第二种类型的模型是被选择出来的，因为事实是参数用于构建它提供了更高的可访问性，使得用户能够有效地使用模型。
根据结果，本研究所采用的路线遵循基于四个参数的模型。现在所选择的最终预测模型来自多次试验，并且最终选择具有84.2％的更高整体准确度的最佳模型。结合该信息，MAPE呈现总体百分比5.157%，MAE值为10.3，MSE和总价值为223.52。所获得的数据，描述了我们的“最佳模型”，将其定位为我们试验和测试过程的几个模型产品中的最佳模型。
根据预测模型的描述，检查不同的误差分布对于提供精确的模型至关重要。 有了这个目标，就可以清楚地分析误差分布，绝对误差分布和绝对误差分布，并且如图10所示，不同的分布支持预测模型的准确性。
为了确认所选模型的准确性，在模型提供的预测信息与药房的实际信息之间进行了比较，证实了我们模型的准确性，如图11所示。这种比较结果对于开发研究是使用天气参数抛弃客户流量的可能性的真实证实。 这一比较证实了这方面的研究是成功的。
UX是一个概念，旨在探索一个人在几种情况和剧本中与产品互动时的体验，情感，直觉和联系。 遵循这个概念，需要将预测模型翻译成可以让用户使用它的界面。 这就是图形用户界面如何成为一种工具，使用户可以利用已建立的客户预测模型。
与深度学习和建模部分分离，进行了销售分析以查找信息，这些信息可能是药房更好地了解交易中涉及的不同参数如何影响采购方式的重要工具。
6.结论，贡献和未来规划
由于市场上不同类型的领域竞争激烈，这种趋势迫使他们不断改进战略，以提高服务质量，并保持和吸引更多的客户到他们的业务。 为了确保他们之间的竞争优势，他们的系统中使用了方法，分析和其他因素来提高他们的生产力。 尽管这项研究的重点是基于从POS和天气数据中提取的数据构建的预测模型的准确性。
这项研究代表了改进管理机构执行的决策过程的一个窗口，现在可以访问增强过程的信息。
深度学习在通过基于天气参数的人工神经网络建立客户预测模型方面扮演着至关重要的角色，这些看起来确实可以用于进行客户流量预测。
通过研究获得的信息有利于在资源（雇员，产品等）的分配，物资的充分利用，提高竞争力等方面的行政政策基础。 提高服务质量转化为客户满意度。
虽然这项研究是针对药房开发的，但预计它将适用于不同的零售业务，特别是在包括餐馆，超市等服务业中。 该研究为行政事务奠定了基础，以继续为他们开发不同的模型，以提供更准确的实际和未来信息，从而可以启发管理人员，一般来说。 我们研究的下一步是实施其他可能影响客户数量的因素，并应用Rolling预测方法预测对药房有用的进一步信息。
致
全文共5590字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[12926]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
