(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211113735.6 (22)申请日 2022.09.14 (71)申请人 上海电力大 学 地址 201306 上海市浦东 新区沪城环路 1851号 (72)发明人 陶昕琪　竺筱晶　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 陈龙梅 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) (54)发明名称 基于高斯混合回归的渠道分流及预测分析 方法 (57)摘要 本发明提供一种基于高斯混合回归的渠道 分流及预测分析方法， 将营销投资时各渠道之间 的客流情况简化为漏斗模型， 再与总销售额做时 序分析后进行GMR， 得到漏斗模型的层次划分和 各层渠道的流量数据比以及销量预测， 解决了 现 有技术中MMM模型为了规避层次归因而采用其他 算法解决共线性的问题， 同时提供给营销决策者 一种分流数据的获取方法， 最后实现数据驱动决 策， 为数据引流转化分析提供了新的思路。 具体 地， 基于漏斗模型来定量刻画渠道分流情况， 基 于数据挖掘来得到隐藏在渠道支出之间的联系， 另一方面针对预测销售额的问题， 在prophet数 据预处理的基础上， 通过密度估计的GMR对总销 售额的贡献渠道及外在因素进行模 型拟合， 从而 得到准确可靠的 的预测结果。 权利要求书2页 说明书7页 附图2页 CN 115456670 A 2022.12.09 CN 115456670 A 1.一种基于高斯混合回归的渠道分流及预测分析 方法， 其特 征在于， 包括以下步骤： 步骤S1， 将营销投资时各渠道之间的客流情况简化为漏斗模型， 收集需要分析的单个 商品在一年以上的销售额数据以及在此期间用于各渠道广告投资的渠道支出， 作为原始数 据集， 并将 将原始数据集划分为训练集和 测试集； 步骤S2， 采用prophet对所述训练集数据进行时序特征预处理， 强化时间性特征， 并获 取假日特 征数据； 步骤S3， 将所述假日特征数据并入所述训练集， 基于更新后的所述训练集进行高斯混 合回归， 其中输出变量为概率， 输入变量为包含有 所述假日特征数据的特征集， 在所述高斯 混合回归过程中获得层次分流的聚类结果， 为多个MVN的协方差； 步骤S4， 对多个所述MVN的协方差进行分析， 得到各个渠道流量比率结果， 同时将待预 测的投资支出 数据输入GMR模型中， 从而得到销售量预测。 2.根据权利要求1所述的基于高斯混合回归的渠道分流及预测分析 方法， 其特 征在于： 其中， 步骤S3包括以下子步骤： 步骤S3‑1， 将所述 假日特征数据并入所述训练集； 步骤S3‑2， 通过K‑means算法对更新后的所述训练集数据进行聚类； 步骤S3‑3， 建立所述渠道 支出、 所述 假日特征数据和所述营销额的向量密度GM M模型： 式中， y为待预测的变量， 即营销额， x为伴随y相关变化的变量， 包含渠道支出， K为聚类 数量， 服从高斯分布， μx,y为均值， Σx,y为协方差， πk为归一权值； 步骤S3‑4， 利用EM算法得到所述GMM模型的最优参数估计， 包括多个MVN的均值 μx,y和协 方差Σx,y， 所述协方差Σx,y作为各渠道之间的分流情况用于进行分析； 步骤S3‑5， 将所述测试集数据输入所述GMM模型， 并建立相应高斯分量测试集的后验概 率模型， 即所述GMR模型： 其中， 式中， 为预测后验均值， Σy|x为预测后验协方差 。 3.根据权利要求1所述的基于高斯混合回归的渠道分流及预测分析 方法， 其特 征在于： 其中， 所述漏斗模型为 三层模型， 步骤S3中， 在所述高斯混合回归过程中获得3个所述MVN的协方差， 分别对应于所述漏 斗模型中上层到中层、 上层到下层、 中层到下层。 4.根据权利要求1所述的基于高斯混合回归的渠道分流及预测分析 方法， 其特 征在于：权　利　要　求　书 1/2 页 2 CN 115456670 A 2其中， 步骤S2中， 假日影响影响由指示函数来表示， 为了衡量假日对时间序列的影响程 序， 设定pri or指标来对其进行描述： 式中， N为假日的总数， 参数α服从正态分布 σ作为prior， 以10为基础上下调 整来描述ho liday对于时间序列整体的重要程度， pri or越大， 说明ho liday的影响越严重 。 5.根据权利要求1所述的基于高斯混合回归的渠道分流及预测分析 方法， 其特 征在于： 其中， 步骤S4包括以下子步骤： 步骤S4‑1， 基于各所述MVN的协方差以及渠道之间的现实逻辑对层次流向进行分类， 即 得到所述漏斗模型的层次划分； 步骤S4‑2， 根据各分类上对应的渠道之间的所述MVN的协方差分析得到渠道之间的流 量比率结果； 步骤S4‑3， 将想要预测的投资支出 数据输入到所述GMR模型中， 得到营销额预测。 6.根据权利要求5所述的基于高斯混合回归的渠道分流及预测分析 方法， 其特 征在于： 其中， 步骤S4 ‑2中， 还对所述流量比率结果进行 数据放缩处 理： 式中， media(DATA)为 流量比率结果数据集中 中位数的数值。权　利　要　求　书 2/2 页 3 CN 115456670 A 3