May, 2024

金融机构服务中的客户目标预测：基于数据驱动的 LSTM 方法

PDF
TL;DR在如今竞争激烈的金融领域，准确理解和预测客户目标对于金融机构提供个性化和优化的用户体验至关重要。本研究基于历史客户数据，提出了两个简单模型，即 LSTM 模型和增强了状态空间图嵌入的 LSTM 模型，用于预测客户目标和未来动作。结果表明，这些模型在客户目标和动作预测方面具有有效性。
financial landscapecustomer goalspredictinglstm modelstate-space graph embeddings
发现论文，激发创造
  • 通过优化 LSTM 模型性能和比较分析推进金融风险预测

    该研究侧重于 LSTM 模型在金融风险预测中的应用和优化，实验结果表明，经过优化的 LSTM 模型在 AUC 指数上相比随机森林、BP 神经网络和 XGBoost 都有显著优势，验证了其在金融风险预测领域的有效性和实用性，尤其是处理复杂时间序列数据的能力，为该模型在实际生产环境中的应用奠定了坚实基础。

    May, 2024

  • 利用 LSTM 神经网络进行预测性业务流程监控

    本文针对具有宽泛的预测过程监控任务，研究了采用 LSTM 神经网络建立的高准确度模型，证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。

    Dec, 2016

  • 基于 LSTM 的时态顾客模型用于时尚推荐

    在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。

    Aug, 2017

  • 加强下一个目的地预测：一种使用现实世界航空数据的新型 LSTM 方法

    本研究旨在开发一种精确的模型，通过捕捉旅行数据中的序列模式和依赖关系，实现对个体旅行者未来目的地的准确预测，为现代交通运输行业带来多重益处，并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。

    Jan, 2024

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 基于深度学习顺序框架的零售业顾客流失建模

    本研究使用基于循环神经网络的深度生存分析模型，仅利用个体客户行为预测其购买行为，不需要耗时的特征工程过程，旨在帮助全球零售商提高客户留存率，从而提高业务利润。

    Apr, 2023

  • 应用情感分析辅助不同类型的 LSTM 模型对股票价格预测模型的效率对比

    本文研究旨在找到最佳模型利用公司预测数据和行业表现以及相应公司的情况来准确预测股权股价的短期和长期目标。

    Jul, 2023

  • 基于历史数据和环境因素的数据驱动能耗预测

    本研究通过使用历史能源数据、占用模式和天气条件，引入了一种基于长短期记忆（LSTM）模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较，我们的 LSTM 模型在所有指标上表现出色，具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差（MAE）。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估，我们解决了过拟合（方差）和欠拟合（偏差）的问题。总结而言，我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型，为能源预测做出了贡献。

    Sep, 2023

  • 基于 LSTM 的主动信息检索预测

    本研究通过使用 LSTM 网络和背景信息推荐系统，为写作任务提供积极信息检索，以提高搜索质量。

    Jun, 2016

  • 大规模用户产品互动时序的早期流失预测

    本论文通过使用历史数据进行用户流失预测的详尽研究，旨在创建模型预测客户流失概率，帮助企业了解流失趋势并制定有效的留存计划。我们的方法将流失预测视为多变量时间序列分类问题，并展示在复杂的商业与客户背景中，结合用户活动和深度神经网络可实现出色的流失预测结果。

    Sep, 2023