1.本发明属于消费模式分析的技术领域（g06q30/02），具体涉及一种基于大数据统计分析的消费行为模式分析方法。
背景技术：
2.消费模式是指同消费资料相结合的方法和形式称为消费模式，是消费的表现形式。消费模式分为消费的自然模式和社会模式两种，前者指同消费资料间自然、技术性的结合模式，由消费对象和消费手段本身的自然属性所决定。如食品用于吃，房屋用来住，衣服用来穿等。由于消费工具、设施的不同，会显出不同的消费模式。而消费的社会模式是指消费的社会组织形式。是个体消费还是群体消费，是自给性消费还是商品性消费，是经济合理性消费还是浪费性消费等都属于消费的社会模式，体现特定的社会消费关系性质。
3.大数据分析是指对规模巨大的数据进行分析随着网络的普及，大数据逐渐兴起，通过大数据可以获取人们在网络上的信息，并进行营销信息的推送。但现有推送往往智能化程度低，在用户已经购买一件商品后，接踵而至的都是类似商品的推送信息，但此时用户由于已经购买了类似产品，需求被满足，后续的推送信息不仅无法起到有效的营销功能，反而会造成用户的反感，影响用户后续对该类应用的使用。
4.现有技术中，存在针对移动设备用户的营销信息推送方案，但也存在一定的技术问题：公开号为cn114331552a的中国专利公开了一种基于大数据分析的用户市场营销智能推销系统，具体公开了设有同类品推销模块、配套品推销模块和替代品推销模块三种模式，可将每一个网络购物的人纳入目标群体，并且能够根据不同用户的消费习惯来对不同类别的用户给予不同的推送方法，避免单一的同类品推送，进而使得市场营销的推送推销模式更加多元化。该现有技术仅仅匹配了用户偏好，只能在大时机尺度上进行品类的营销，而无法针对用户的实时需求，进行基于时刻的精准营销。
5.公开号为cn113362110a的中国专利公开了一种营销信息的推送方法、装置、电子设备和可读介质，具体公开了确定目标区域内的用户的识别信息；确定用户的终端的位置服务信息；确定目标区域内的产品对应的营销信息；根据识别信息和位置服务信息将营销信息定向推送至用户的终端。但是，该现有技术需要依赖人脸识别，操作难度较大，容易出现应当推送营销信息时，因用户未进行人脸识别而错过营销时机的问题，同时，该技术方案仅针对地域信息进行营销信息推送，无法准确把握营销时机，容易造成用户的厌烦情绪。
6.公开号为cn113052654a的中国专利公开了一种基于大数据互联网的精准智慧营销平台，具体公开了通过筛选系统实时监测通信模块中商家与使用者通讯文字屏蔽交流中的敏感字眼，避免使用者信息泄露，也避免敏感字眼对商家造成伤害。但是，该现有技术针对的是营销和交易的安全性，并未对如何针对用户的实时需求进行基于时刻的精准营销给出技术启示。
技术实现要素：
7.本发明提供一种基于大数据统计分析的消费行为模式分析方法，包括：步骤s1、构建消费信息集合；抓取一段时间内的用户在消费类软件上进行的所有单次消费信息，构建消费信息集合；所述消费信息集合；其中，为消费类型标志位，，和均为消费类型标志位，以此类推，为消费类型标志位的维度；为消费时间信息，为消费日期，为消费时刻；为消费金额、为消费地点；步骤s2、对消费信息集合进行首次降维；基于不同的消费类型标志位，对所述消费信息集合进行降维处理，将同一消费类型，即消费类型标志位相同的单次消费，组合成同类消费集合，消去消费类型标志位维度；步骤s3、对消费信息集合进行二次降维；具体包括：s31、对所述同类消费集合的时域分布进行融合，将所有同类消费标记到24h时间轴上，将所述同类消费集合消去日期维度，得到同类消费集合的时域分布；s32、对所述同类消费集合的时域分布进行基于时间维度的聚类分析，得到时间聚类消费组；s33、将所述时间聚类消费组按照组内元素由多至少的顺序进行排序，将组内元素数量少于预设阈值的聚类组抛弃，得到时间聚类消费优势组集合，满足：
8.其中，和均为时间聚类消费优势组，以此类推，为时间聚类消费优势组的总数；步骤s4、对消费信息集合进行三次降维；具体包括：s41、对所述时间聚类消费优势组集合进行基于消费金额的聚类分析，得到时间聚类下的消费金额优势组序列；s42、将所述时间聚类下的消费金额优势组序列按照组内元素由多至少的顺序进行排序，提取最大组，作为时间金额聚类优势组集合；步骤s5、高斯分布分析；将所述时间金额聚类优势组集合定义为习惯性消费，并构建高斯分布函数，满足：
[0009][0010]
其中，表示所述时间金额聚类优势组的高斯分布的概率函数，和分别表示所述时间金额聚类优势组的习惯性消费时刻的期望均值和标准差；步骤s6、构建习惯性消费时刻区间；以所述时间金额聚类优势组的习惯性消费时刻的期望均值为基准，构建习惯性消费时区；步骤s7、习惯性营销信息推送；在时刻时，根据预定的消息推送规则向用户推送营销信息。
[0011]
进一步的，所述步骤s5中，在构建高斯分布函数之前，先进行高斯分布检验。
[0012]
进一步的，所述高斯分布检验采用直方图法、kde图法、q-q图法、shapiro-wilk检验法中的任一种。
[0013]
进一步的，所述步骤s1中的消费类软件，为网络购物类软件、消费评价类软件、商品评测类软件、团购类软件、外卖快递类软件中的任一种。
[0014]
进一步的，所述步骤s7中的消息推送规则包括：最大金额的优惠政策、最高的消费者点评分数、最近的距离、商户购买的营销推送服务中的至少一种。
[0015]
进一步的，所述消费类型标志位至少包括餐饮类消费、日用品消费、交通类消费、电子产品类消费、服饰类消费、箱包类消费、文娱类消费中的一种。
[0016]
有益效果1、本发明通过设置消费类型标志位，在完成消费行为后进行时间统计，基于消费类型标志位可以快速确定消费的行为是日常餐饮还是偶然的购买行为，然后基于高斯分布统计，对于习惯性消费行为，例如午餐、打车等，可以准确地判断出用户喜欢的消费时间区间，基于时间均值和标准差，可以准确地得到大概率的消费时间，就可以提前进行针对性的营销信息推送。
[0017]
2、本发明还通过消费类型标志位和高斯检验，判定随机消费行为，对于具有营销需要的商家，可以快速知晓哪些用户进行过同类型的消费，说明具有消费潜力，可以针对性地进行营销信息的推送。
附图说明
[0018]
图1为本发明的方法流程示意图。
具体实施方式
[0019]
为了使本技术领域的人员更好地理解本发明方案，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不
是全部的实施例。
[0020]
本发明提供一种基于大数据统计分析的消费行为模式分析方法，包括：步骤s1、构建消费信息集合；抓取一段时间内的用户在消费类软件上进行的所有单次消费信息，构建消费信息集合；所述消费信息集合；其中，为消费类型标志位，，和均为消费类型标志位，以此类推，为消费类型标志位的维度；为消费时间信息，为消费日期，为消费时刻；为消费金额、为消费地点；步骤s2、对消费信息集合进行首次降维；基于不同的消费类型标志位，对所述消费信息集合进行降维处理，将同一消费类型，即消费类型标志位相同的单次消费，组合成同类消费集合，消去消费类型标志位维度；步骤s3、对消费信息集合进行二次降维；具体包括：s31、对所述同类消费集合的时域分布进行融合，将所有同类消费标记到24h时间轴上，将所述同类消费集合消去日期维度，得到同类消费集合的时域分布；s32、对所述同类消费集合的时域分布进行基于时间维度的聚类分析，得到时间聚类消费组；s33、将所述时间聚类消费组按照组内元素由多至少的顺序进行排序，将组内元素数量少于预设阈值的聚类组抛弃，得到时间聚类消费优势组集合，满足：
[0021]
其中，和均为时间聚类消费优势组，以此类推，为时间聚类消费优势组的总数；步骤s4、对消费信息集合进行三次降维；具体包括：s41、对所述时间聚类消费优势组集合进行基于消费金额的聚类分析，得到时间聚类下的消费金额优势组序列；s42、将所述时间聚类下的消费金额优势组序列按照组内元素由多至少的顺序进行排序，提取最大组，作为时间金额聚类优势组集合；步骤s5、高斯分布分析；将所述时间金额聚类优势组集合定义为习惯性消费，并构建高斯分布函数，满足：
[0022][0023]
其中，表示所述时间金额聚类优势组的高斯分布的概率函数，和分别表示所述时间金额聚类优势组的习惯性消费时刻的期望均值和标准差；步骤s6、构建习惯性消费时刻区间；以所述时间金额聚类优势组的习惯性消费时刻的期望均值为基准，构建习惯性消费时区；步骤s7、习惯性营销信息推送；在时刻时，根据预定的消息推送规则向用户推送营销信息。
[0024]
进一步的，所述步骤s5中，在构建高斯分布函数之前，先进行高斯分布检验。
[0025]
进一步的，所述高斯分布检验采用直方图法、kde图法、q-q图法、shapiro-wilk检验法中的任一种。
[0026]
进一步的，所述步骤s1中的消费类软件，为网络购物类软件、消费评价类软件、商品评测类软件、团购类软件、外卖快递类软件中的任一种。
[0027]
进一步的，所述步骤s7中的消息推送规则包括：最大金额的优惠政策、最高的消费者点评分数、最近的距离、商户购买的营销推送服务中的至少一种。
[0028]
进一步的，所述消费类型标志位至少包括餐饮类消费、日用品消费、交通类消费、电子产品类消费、服饰类消费、箱包类消费、文娱类消费中的一种。
[0029]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解，技术人员阅读本技术说明书后依然可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均未脱离本发明申请待批权利要求保护范围之内。