基于LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)第三方公交移動(dòng)支付盈利的探究

燕 娜，王雙義，廉雯心

（山東科技大學(xué)，山東 濟(jì)南 250031）

0 引 言

根據(jù)中國(guó)國(guó)情，我國(guó)第三方公交移動(dòng)支付平臺(tái)的盈利模式處于壟斷的市場(chǎng)結(jié)構(gòu)下。作為經(jīng)濟(jì)主體的第三方支付平臺(tái)向用戶和商戶收取允許進(jìn)入平臺(tái)和在平臺(tái)上進(jìn)行交易的費(fèi)用，需滿足雙邊市場(chǎng)的四個(gè)必要條件[1]：

（1）第三方移動(dòng)支付平臺(tái)是一種可以創(chuàng)造市場(chǎng)的平臺(tái)；

（2）網(wǎng)絡(luò)效應(yīng)，即第三方移動(dòng)支付平臺(tái)具有跨網(wǎng)絡(luò)外部性和自網(wǎng)絡(luò)外部性；

（3）定價(jià)，即第三方移動(dòng)支付平臺(tái)決定了向用戶和商家收取費(fèi)用和定價(jià)結(jié)構(gòu)；

（4）數(shù)量和價(jià)格是相關(guān)的，即平臺(tái)價(jià)格影響用戶和商家的規(guī)模和交易。

通過(guò)以上條件判斷，第三方公交移動(dòng)支付平臺(tái)是一種雙邊市場(chǎng)。鑒于產(chǎn)業(yè)組織理論的發(fā)展情況，如果研究第三方移動(dòng)支付平臺(tái)的盈利，從雙邊市場(chǎng)的角度來(lái)看產(chǎn)生乘數(shù)效應(yīng)。

1 第三方支付平臺(tái)的利潤(rùn)模型

通過(guò)查詢相關(guān)信息，第三方支付平臺(tái)的主要盈利來(lái)源為手續(xù)費(fèi)、服務(wù)費(fèi)、廣告費(fèi)與沉淀資金利息等，主要支出去向?yàn)楣潭ǔ杀局械陌惭b費(fèi)、可變成本中的維護(hù)費(fèi)等。基于雙邊市場(chǎng)理論，推導(dǎo)得出雙邊效用函數(shù)全文：

式中，Pρs為第三方支付平臺(tái)根據(jù)交易次數(shù)向公交公司收取的手續(xù)費(fèi)，P為商家產(chǎn)生的交易金額，ρs為公交行業(yè)在第三方平臺(tái)上所支付的平均交易費(fèi)率；NB表示公交公司與和一名消費(fèi)者進(jìn)行移動(dòng)支付交易時(shí)公交公司的效用；Ns表示消費(fèi)者和一名商戶發(fā)生相互作用時(shí)消費(fèi)者的效用；而λ為消費(fèi)者搜索公交公司并最后匹配成功的概率，默認(rèn)值為1。

綜合上述分析，從利潤(rùn)等于收入與支出之差的角度出發(fā)，基于雙邊市場(chǎng)理論，結(jié)合國(guó)家實(shí)際國(guó)情，可得出以下利潤(rùn)模型：

其中，ni是用戶和商家的數(shù)量，Pi是平臺(tái)向用戶和商家收取的手續(xù)費(fèi)用，Pr是平臺(tái)向商家收取的服務(wù)費(fèi)，F(xiàn)是平臺(tái)的固定成本，Vi是平臺(tái)針對(duì)用戶和商家的可變成本，π是平臺(tái)利潤(rùn)，Ci是外生常數(shù)，ti是用戶和商家的平均交易次數(shù)，Ad是平臺(tái)收取的廣告費(fèi)/單位用戶。

本文假設(shè)僅有一個(gè)第三方支付平臺(tái)，故基于雙邊市場(chǎng)的利潤(rùn)模型為一個(gè)利潤(rùn)關(guān)于客流量的一次函數(shù)。結(jié)合經(jīng)濟(jì)學(xué)中的盈虧分析可知，由于第三方支付平臺(tái)固定成本的存在，第三方支付平臺(tái)的利潤(rùn)隨著時(shí)間的推移逐漸增加，在一個(gè)固定的點(diǎn)由虧損狀態(tài)轉(zhuǎn)為收益狀態(tài)，且轉(zhuǎn)為收益狀態(tài)后，第三方支付平臺(tái)的利潤(rùn)與日俱增。

2 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

在第三方平臺(tái)的利潤(rùn)模型中，一個(gè)重要的變量為支付人數(shù)，而支付人數(shù)對(duì)最終利潤(rùn)具有決定性作用[2]。根據(jù)在交通網(wǎng)站上的相關(guān)數(shù)據(jù)，使用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)移動(dòng)支付全部安裝后28 d內(nèi)每天的移動(dòng)支付數(shù)量。LSTM在算法中加入了cell處理器結(jié)構(gòu)，用來(lái)判斷信息有用與否，以實(shí)現(xiàn)利用現(xiàn)有的公交支付數(shù)據(jù)預(yù)測(cè)未來(lái)公交支付數(shù)據(jù)。

根據(jù)LSTM網(wǎng)絡(luò)的結(jié)構(gòu)，每個(gè)LSTM單元的計(jì)算公式如下：

其中，ft表示遺忘閾值，it表示輸入閾值，Ct-1表示前一時(shí)刻的單元狀態(tài)，Ct表示單元狀態(tài)。循環(huán)發(fā)生時(shí)，ot表示輸出閾值，ht表示當(dāng)前單元的輸出，ht-1表示前一時(shí)刻單元的輸出。

LSTM網(wǎng)絡(luò)的訓(xùn)練使用誤差反向傳播算法，且當(dāng)前單元的狀態(tài)受前一個(gè)單元狀態(tài)的影響。當(dāng)散誤差反向傳播時(shí)，可以發(fā)現(xiàn)h(t)的誤差不僅包含當(dāng)前時(shí)間T的誤差，也包括時(shí)間T之后所有時(shí)間的誤差。因此，可以通過(guò)h(t)和c(t+1)迭代地計(jì)算每個(gè)時(shí)刻的誤差。

在LSTM訓(xùn)練移動(dòng)支付試運(yùn)行期間的公交卡支付和移動(dòng)支付的數(shù)據(jù)后，預(yù)測(cè)安裝所有移動(dòng)支付設(shè)備后的每天的支付人數(shù)。根據(jù)原始日期，利用LSTM的存儲(chǔ)特性，預(yù)測(cè)安裝所有設(shè)備后的公交卡支付者的數(shù)量，再與移動(dòng)支付者的數(shù)量進(jìn)行比較。數(shù)據(jù)對(duì)比顯示，移動(dòng)支付者的數(shù)量已超過(guò)公交卡支付者的數(shù)量。在統(tǒng)計(jì)范圍的28 d內(nèi)，共計(jì)多1 440 824人，累計(jì)每天的移動(dòng)支付人數(shù)增加了約5%。

3 模型檢驗(yàn)與結(jié)果分析

LSTM主要利用Logistic回歸與混淆矩陣檢驗(yàn)預(yù)測(cè)，核心思想是基于線性回歸，公式如下：

Logistic回歸是將線性函數(shù)的結(jié)果映射到sigmoid函數(shù)，其中x是樣本輸入，相應(yīng)的函數(shù)是模型輸出，可以理解為某種分類的概率；θ為分類模型要求的模型參數(shù)。對(duì)于模型輸出，讓它與二進(jìn)制樣本輸出y（假設(shè)為0和1）具有以下的對(duì)應(yīng)關(guān)系：如果模型輸出值大于0.5，則y為1。

混淆矩陣是2×2情形分析表，可用于評(píng)估檢驗(yàn)分類器。矩陣的每一列代表分類器對(duì)于樣本的類別預(yù)測(cè)，矩陣的每一行代表版本所屬的真實(shí)類別，顯示四組記錄的數(shù)目：真陽(yáng)性記錄數(shù)（TP）、假陽(yáng)性記錄數(shù)（FP）、假陰性記錄數(shù)（FN）和真陰性記錄數(shù)（TN）。

將LSTM預(yù)測(cè)的結(jié)果放入Logistic回歸分類器進(jìn)行重復(fù)訓(xùn)練，每天提取500條數(shù)據(jù)作為訓(xùn)練集，100條作為測(cè)試集，分別對(duì)28 d的數(shù)據(jù)進(jìn)行檢驗(yàn)[3]。

重復(fù)預(yù)測(cè)的結(jié)果是理想的。再根據(jù)混淆矩陣的輸出，以2月16日為例，當(dāng)天100條測(cè)試集數(shù)據(jù)的混淆矩陣如下。

預(yù)測(cè)值：

矩陣打印結(jié)果：

可見，成功率為（65+24）/100=0.89即89%，認(rèn)為模型的預(yù)測(cè)結(jié)果可信。

移動(dòng)支付從試運(yùn)行到全部開放的過(guò)程中，第三方平臺(tái)增加了一定的固定成本。更重要的是，移動(dòng)支付流量大幅增加。代入第三方品臺(tái)的利潤(rùn)模型進(jìn)行數(shù)值計(jì)算，可得城市在全部移動(dòng)支付平臺(tái)投入運(yùn)營(yíng)后的第13天開始盈利，且第三方支付平臺(tái)從每位用戶處獲利0.5%。在開始盈利30 d內(nèi)，利潤(rùn)可達(dá)到34萬(wàn)元。

4 結(jié) 論

本文在以往運(yùn)用雙邊市場(chǎng)理論研究第三方移動(dòng)支付平臺(tái)盈利的基礎(chǔ)上，結(jié)合研究的市場(chǎng)結(jié)構(gòu)和收費(fèi)方式，創(chuàng)建公交第三方平臺(tái)移動(dòng)支付的利潤(rùn)模型，并使用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)全部安裝移動(dòng)支付設(shè)備后的盈利能力。LSTM可以在反復(fù)運(yùn)算下解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能使用前一個(gè)事件去推理下一個(gè)事件的問(wèn)題，是解決長(zhǎng)序依賴問(wèn)題的有效技術(shù)。實(shí)驗(yàn)結(jié)果表明，該模型預(yù)測(cè)結(jié)果具有較高的可信度，為第三方移動(dòng)支付平臺(tái)的盈利探究提供了理論依據(jù)。