消费者到访模式的可预测性
通过追踪 100,000 个匿名移动电话用户 6 个月的位置,发现人类运动的行为规律性,即每个人都具有一个时间无关特征尺度,并有极高的概率返回特定位置,这种旅行模式可与单一的空间概率分布相一致,这对城市规划、疫情预防和紧急响应等方面有重要的影响。
Jun, 2008
研究了使用 GPS 追踪数据进行下一地点预测的算法,提出了一个独立于时间尺度的自然长度尺度,并表明相比下一时间段位置预测,这种方法可以显著降低对下一地点的预测可靠性。
Aug, 2016
本研究研究了部分观测系统中的预测性能,并证明了时间采样导致的不确定性损失是无法通过使用外部信号进行补偿的,证实了这一理论的适用性。同时还考察了实际系统中的感染疾病、在线讨论以及软件开发等方面,发现随着时间采样的增加,部分系统的可预测性会出现不可逆的下降,揭示了部分观测系统中的基本可预测性限制。
Jan, 2020
我们开发了 SHOPPER,这是一个顺序概率模型,用于对购物数据进行建模和分析。SHOPPER 使用可解释的组件来建立产品选择的驱动力模型,并开发了高效的后验推断算法来估计这些驱动力。在测试中,我们发现,即使在价格干预下,SHOPPER 提供了准确的预测,并且有助于识别互补和替代的产品对。
Nov, 2017
本文探究了基于地理和用户移动性的机器学习特征在商业成功中的预测能力, 并通过采集自 Foursquare 的数据集在纽约城市中研究了不同商业连锁店的普及程度,揭示了商业的成功与多个因素有关。
Jun, 2013
提出一个基于 PrefixSpan 方法的可视化人类活动模式的网络平台,可对单个用户和城市规模下的用户进行活动模式的可视化,可用于智慧城市、交通管理等方面。
May, 2023
准确预测零售行业的需求是财务绩效和供应链效率的重要决定因素。本研究通过将顾客需求的时间序列数据与宏观经济变量(如消费者价格指数(CPI)、消费者信心指数(ICS)和失业率)相结合,开发并比较了各种回归和机器学习模型,以准确预测零售需求。
Aug, 2023
该论文提出了一种新的基于数据驱动和可解释的降价定价策略,使用半参数结构模型进行反事实预测和多期价格优化,并采用随机模型建立顺序定价策略。
May, 2021
该篇研究论文提出并开发了使用 Temporal Annotated Recurring Sequence (TARS) 来抓取同时和自适应地考虑影响顾客购物行为的不同因素的 next basket prediction 模型,即 TARS Based Predictor (TBP),以便为每个顾客提供量身定制的建议来加快购物速度。经过深入的实验,TBP 表现优异,超越了其他同类模型。
Feb, 2017
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022