本發(fā)明涉及移動電源租賃服務(wù)領(lǐng)域，特別涉及一種面向健忘癥極致用戶體驗的移動電源租賃管理系統(tǒng)及方法。

背景技術(shù)：

隨著信息技術(shù)的快速發(fā)展，電子產(chǎn)品的不斷更新，使得人們的生活方式發(fā)生了翻天覆地的變化。但也為人們的生活帶來了不少的困惑，比如智能設(shè)備為了滿足用戶對娛樂、視頻、互動的視覺需求，屏幕設(shè)計越來越大，大屏幕的發(fā)光需要消耗大量的電量，而伴隨隨著大屏幕的動態(tài)以及觸控效果，同樣也需要大量的電量支持。這就導(dǎo)致電子設(shè)備電池的續(xù)航能力不足，不能滿足人們?nèi)找嬖鲩L的生活需要。同時，由于現(xiàn)代人的生活節(jié)奏快、壓力大，導(dǎo)致用戶在租賃移動電源過程中可能不能及時的將其歸還。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于公開一種面向健忘癥極致用戶體驗的移動電源租賃管理系統(tǒng)及方法，以解決手機電池續(xù)航能力不足的問題，幫助健忘癥用戶更放心的使用移動電源為手機充電，帶來更好的用戶體驗效果。

本發(fā)明的目的之一是通過以下技術(shù)方案來實現(xiàn)的，一種面向健忘癥極致用戶體驗的移動電源租賃管理方法，包括根據(jù)平臺計費策略獲取最近n次消費數(shù)據(jù)；采用rbf神經(jīng)網(wǎng)絡(luò)建立健忘癥用戶判別模型；根據(jù)用戶最近n次的消費數(shù)據(jù)及建立的健忘癥用戶判別模型，判斷用戶類型，包括健忘癥和非健忘癥；若用戶的健忘癥用戶，則向健忘癥用戶發(fā)送提示信息。

進一步，在建立健忘癥用戶判別模型過程中，確定健忘癥用戶判別模型的輸入輸出數(shù)據(jù)，并對輸入輸出數(shù)據(jù)進行歸一化處理，將歸一化后的數(shù)據(jù)作為健忘癥用戶判別模型的訓(xùn)練數(shù)據(jù)。

進一步，在建立健忘癥用戶判別模型過程中，輸入數(shù)據(jù)包括：用戶最近n次租借移動電源的時間、租借時間段的租借費用以及平臺計費策略參數(shù)，所述平臺計費策略參數(shù)包括m次階梯收費時間及相應(yīng)的價格。

進一步，所述采用rbf神經(jīng)網(wǎng)絡(luò)建立健忘癥用戶判別模型包括：

利用k-均值聚類方法計算rbf神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心，求解基函數(shù)的方差，計算隱含層和輸出層之間的權(quán)值。

進一步，所述的利用k-均值聚類方法計算rbf神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心包括：

1)初始化樣本聚類中心：令迭代次數(shù)i＝1，從數(shù)據(jù)集xi中隨機選擇h個數(shù)據(jù)樣本cj(i)，作為初始的聚類中心，其中j＝1,2,…h(huán)；

2)計算所有數(shù)據(jù)樣本與每個類中心的距離d(xi,cj(i))，若樣本i到聚類中心j的距離d(xi,cj(i))最小，則將樣本i歸類為聚類中心j所在的簇，其中xi,xj,yi,yj表示的是樣本i與聚類中心j的橫縱坐標；

3)重新計算每個簇的中心x^ji表示第j個聚類中心的第i個樣本，對類中心進行更新，計算平均誤差準則函數(shù)cj為中心cj(i)所在的簇，n為數(shù)據(jù)集中的所有樣本；

4)若|e(i+1)-e(i)|＜ε，則算法結(jié)束，輸出類中心；否則i＝i+1，回到1)繼續(xù)迭代，ε表示誤差。

進一步，所述基函數(shù)的方差為：

式中，cmax為所選取中心之間的最大距離，即cmax＝max{c1,c1,…,cj}。

進一步，隱含層和輸出層之間的權(quán)值計算方式如下：

式中i＝1,2,…,h；p＝1,2,…,n，k為輸出層神經(jīng)元節(jié)點數(shù)目。

進一步，數(shù)據(jù)歸一化具體處理方法如下：

其中xl是歸一化之前的輸入變量；xl'是歸一化后的變量；xmin是歸一化前輸入變量xl'的最小值，xmax是歸一化前輸入變量xl的最大值，其中l(wèi)＝1,2,…n+m。

本發(fā)明的目的之二是通過以下技術(shù)方案來實現(xiàn)的，一種面向健忘癥極致用戶體驗的移動電源租賃管理系統(tǒng)，包括：

消費數(shù)據(jù)獲取單元：根據(jù)平臺計費策略獲取最近n次消費數(shù)據(jù)；

判別模型建立單元：采用rbf神經(jīng)網(wǎng)絡(luò)建立健忘癥用戶判別模型；

健忘癥用戶判別單元：根據(jù)用戶最近n次的消費數(shù)據(jù)及建立的健忘癥用戶判別模型，判斷用戶類型，包括健忘癥和非健忘癥；

提示信息發(fā)送單元：若用戶的健忘癥用戶，則向健忘癥用戶發(fā)送提示信息。

進一步，所述判別模型建立單元包括：

基函數(shù)中心計算單元：利用k-均值聚類方法計算rbf神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心，

方差求解單元：求解基函數(shù)的方差，

權(quán)值計算單元：計算隱含層和輸出層之間的權(quán)值。

由于采用了以上技術(shù)方案，具有以下優(yōu)點：

當用戶在戶外手機沒電時，可以為用戶提供一種快速租賃移動電源的方法，減輕了用戶出門隨身攜帶移動電源的負擔(dān)，同時也讓用戶體驗更加快捷、安全、優(yōu)惠的移動電源租賃體驗。

附圖說明

圖1為本發(fā)明的流程圖；

圖2為平臺計費策略及用戶數(shù)據(jù)；

圖3為rbf神經(jīng)網(wǎng)絡(luò)判別結(jié)果。

具體實施方式

以下將結(jié)合附圖對本發(fā)明的具體實施例進行詳細描述。

本發(fā)明提供一種面向健忘癥極致用戶體驗的移動電源租賃管理系統(tǒng)與方法，所提供的技術(shù)方案，具有的技術(shù)效果或優(yōu)點是：當用戶在戶外手機沒電時，可以為用戶提供一種快速租賃移動電源的方法，減輕了用戶出門隨身攜帶移動電源的負擔(dān)，同時也讓用戶體驗更加快捷、安全、優(yōu)惠的移動電源租賃體驗。

為了更好的理解上述技術(shù)方案，下面將結(jié)合說明書附圖以及具體的實施方式，對上述方法進行詳細的說明。

一種面向健忘癥極致用戶體驗的移動電源租賃管理方法，包括

s1：在平臺計費策略曲線上描繪用戶最近n次消費數(shù)據(jù)點

所述計費策略曲線表示按照系統(tǒng)設(shè)定好的計費方式在坐標系中展示出來的曲線；所述數(shù)據(jù)點表示的是用戶最近n次的租借移動電源時間t以及租借費用y

s2：確定健忘癥判別模型的輸入輸出數(shù)據(jù)，并對數(shù)據(jù)集進行歸一化

所述模型的輸入包括：用戶最近n次租借移動電源的時間ti、租借費用fi，i＝1,2,…,n，以及平臺計費策略參數(shù)(m次階梯收費時間及價格)，所述策略參數(shù)為租借時間tj和租借費用fj，j＝1,2,…,m，因此輸入數(shù)據(jù)為：

輸出定義為人工經(jīng)驗標記的0或1；

所述數(shù)據(jù)歸一化具體處理方法如下：

其中xl是歸一化之前的輸入變量；xl'是歸一化后的變量；xmin是歸一化前輸入變量xl'的最小值，xmax是歸一化前輸入變量xl的最大值，其中l(wèi)＝1,2,…n+m。

s3：采用rbf神經(jīng)網(wǎng)絡(luò)建立健忘癥用戶判別模型

構(gòu)建的rbf神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成；針對健忘癥用戶類型判別模型而言，其輸入層神經(jīng)元節(jié)點個數(shù)m＝2n+2m，輸出層采用2個神經(jīng)元節(jié)點，隱含層神經(jīng)元個數(shù)為5個，輸入層到隱含層之間傳遞函數(shù)為tansig函數(shù)，隱含層到輸出層之間的函數(shù)為purelin函數(shù)

在本發(fā)明中，采用rbf神經(jīng)網(wǎng)絡(luò)建立健忘癥用戶判別模型包括

用k-均值聚類方法計算rbf神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心

s321：初始化樣本聚類中心：令迭代次數(shù)i＝1，從數(shù)據(jù)集x中隨機選擇h個數(shù)據(jù)樣本zj(i)，作為初始的聚類中心，其中j＝1,2,…h(huán)；

s322：計算所有數(shù)據(jù)樣本與每個類中心的距離d(xi,zj(i))，若樣本i到聚類中心j的距離d(xi,zj(i))最小，則將樣本i歸類為聚類中心j所在的簇，其中

s323：重新計算每個簇的中心對類中心進行更新，計算平均誤差準則函數(shù)cj為中心zj(i)所在的簇，n為數(shù)據(jù)集中的所有樣本；

s324：判斷：若|e(i+1)-e(i)|＜ε，則算法結(jié)束，輸出類中心；否則i＝i+1，回到s321繼續(xù)迭代；

s33：求解基函數(shù)的方差σj

rbf神經(jīng)網(wǎng)絡(luò)的基函數(shù)為高斯函數(shù)，方差σj計算方式為：

式中cmax為所選取中心之間的最大距離，即cmax＝max{c1,c1,…,cj}。

s34：計算隱含層和輸出層之間的權(quán)值

隱含層至輸出層之間神經(jīng)元的連接權(quán)值計算方式如下：

式中i＝1,2,…,h；p＝1,2,…,n，k為輸出層神經(jīng)元節(jié)點數(shù)目

因此計算rbf神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果為：

s4：根據(jù)用戶最近n次的消費數(shù)據(jù)及健忘癥用戶判別模型，判斷用戶類型

所述判別用戶類型方法包括：輸入用戶租借移動電源時間以及租借費用數(shù)據(jù)至判別模型中，模型自動識別出用戶是健忘癥用戶還是非健忘癥用戶。圖3中用戶類型1表示的是健忘癥用戶，2表示非健忘癥用戶。

s5：服務(wù)器采用優(yōu)惠計費策略，并向健忘癥用戶發(fā)送提示信息

所述服務(wù)器采用優(yōu)惠計費策略，并向健忘癥用戶發(fā)送提示信息，包括移動電源當前已消費費用、下一階段的計費方式以及提示健忘癥用戶盡快歸還。

與上述方法相對應(yīng)，本發(fā)明提供一種面向健忘癥極致用戶體驗的移動電源租賃管理系統(tǒng)，一種面向健忘癥極致用戶體驗的移動電源租賃管理系統(tǒng)，包括：

消費數(shù)據(jù)獲取單元：根據(jù)平臺計費策略獲取最近n次消費數(shù)據(jù)；

判別模型建立單元：采用rbf神經(jīng)網(wǎng)絡(luò)建立健忘癥用戶判別模型；

健忘癥用戶判別單元：根據(jù)用戶最近n次的消費數(shù)據(jù)及建立的健忘癥用戶判別模型，判斷用戶類型，包括健忘癥和非健忘癥；

提示信息發(fā)送單元：若用戶的健忘癥用戶，則向健忘癥用戶發(fā)送提示信息。

進一步，所述判別模型建立單元包括：

基函數(shù)中心計算單元：利用k-均值聚類方法計算rbf神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心，

方差求解單元：求解基函數(shù)的方差，

權(quán)值計算單元：計算隱含層和輸出層之間的權(quán)值。

在本發(fā)明中，用k-均值聚類方法計算rbf神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心，包括：

s321：初始化樣本聚類中心：令迭代次數(shù)i＝1，從數(shù)據(jù)集x中隨機選擇h個數(shù)據(jù)樣本zj(i)，作為初始的聚類中心，其中j＝1,2,…h(huán)；

s322：計算所有數(shù)據(jù)樣本與每個類中心的距離d(xi,zj(i))，若樣本i到聚類中心j的距離d(xi,zj(i))最小，則將樣本i歸類為聚類中心j所在的簇，其中

s323：重新計算每個簇的中心對類中心進行更新，計算平均誤差準則函數(shù)cj為中心zj(i)所在的簇，n為數(shù)據(jù)集中的所有樣本；

s324：判斷：若|e(i+1)-e(i)|＜ε，則算法結(jié)束，輸出類中心；否則i＝i+1，回到s321繼續(xù)迭代；

求解基函數(shù)的方差σj

rbf神經(jīng)網(wǎng)絡(luò)的基函數(shù)為高斯函數(shù)，方差σj計算方式為：

式中cmax為所選取中心之間的最大距離，即cmax＝max{c1,c1,…,cj}。

計算隱含層和輸出層之間的權(quán)值

隱含層至輸出層之間神經(jīng)元的連接權(quán)值計算方式如下：

式中i＝1,2,…,h；p＝1,2,…,n，k為輸出層神經(jīng)元節(jié)點數(shù)目

因此計算rbf神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果為：

如上參照附圖以示例的方式描述了根據(jù)本發(fā)明的面向拖延癥用戶的移動電源租賃方法及系統(tǒng)。但是，本領(lǐng)域技術(shù)人員應(yīng)當理解，對于上述本發(fā)明所提出的面向拖延癥用戶的移動電源租賃方法及系統(tǒng)，還可以在不脫離本發(fā)明內(nèi)容的基礎(chǔ)上做出各種改進。因此，本發(fā)明的保護范圍應(yīng)當由所附的權(quán)利要求書的內(nèi)容確定。