太阳城集团

  • / 24
  • 下载费用:30 金币  

一种商场品牌组合预测方法及预测服务器.pdf

摘要
申请专利号:

CN201710053928.X

申请日:

2017.01.22

公开号:

CN106779074A

公开日:

2017.05.31

当前法律状态:

实审

有效性:

审中

法律详情: 实质审查的生效IPC(主分类):G06N 3/08申请日:20170122|||公开
IPC分类号: G06N3/08; G06Q30/02(2012.01)I 主分类号: G06N3/08
申请人: 腾云天宇科技(北京)有限公司
发明人: 冯博; 张夏天; 王泽铭
地址: 100027 北京市东城区东直门外大街39号院2号楼6层602A
优先权:
专利代理机构: 北京思睿峰知识产权代理有限公司 11396 代理人: 谢建云;赵爱军
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201710053928.X

授权太阳城集团号:

|||

法律状态太阳城集团日:

2017.06.23|||2017.05.31

法律状态类型:

太阳城集团实质审查的生效|||公开

摘要

太阳城集团本发明公开了一种商场品牌组合预测方法及预测服务器,该方法包括:获取用户地理位置太阳城集团和品牌太阳城集团,对其进行处理以获取用户特征太阳城集团和第一品牌特征太阳城集团;获取基本人口统计学数据,对品牌太阳城集团、用户特征太阳城集团和基本人口统计学数据进行处理,以获取第二品牌特征太阳城集团;分别构建第一深度学习神经网络和第二深度学习神经网络;将用户特征太阳城集团、第一品牌特征太阳城集团和第二品牌特征太阳城集团作为第一深度学习神经网络的输入,对第一深度学习神经网络进行训练,以获取各品牌的用户购买概率;将用户特征太阳城集团、第二品牌特征太阳城集团和用户购买概率作为第二深度学习神经网络的输入,对第二深度学习神经网络进行训练,以预测用户购买概率最大的品牌组合。

权利要求书

1.一种商场品牌组合预测方法,适于在预测服务器中执行,所述预测服务器包括数据
存储设备,所述数据存储设备中存储有持有移动终端的各用户在商场内的用户地理位置信
息、各品牌的品牌太阳城集团和基本人口统计学数据,所述用户地理位置太阳城集团包括用户标识、经纬
度、太阳城集团戳和楼层,所述品牌太阳城集团包括品牌名称、品牌地理位置太阳城集团、品牌商品太阳城集团和品牌
售卖太阳城集团,所述方法包括:
从所述数据存储设备中获取所述用户地理位置太阳城集团和品牌太阳城集团,并对其进行处理以获
取用户特征太阳城集团和第一品牌特征太阳城集团,所述用户特征太阳城集团包括用户购买行为和商场内行走
路线;
从所述数据存储设备中获取基本人口统计学数据,对所述品牌太阳城集团、用户特征太阳城集团和
基本人口统计学数据进行处理,以获取第二品牌特征太阳城集团;
分别构建第一深度学习神经网络和第二深度学习神经网络;
将所述用户特征太阳城集团、第一品牌特征太阳城集团和第二品牌特征太阳城集团作为所述第一深度学习
神经网络的输入、所述用户购买行为作为监督学习的标签,对所述第一深度学习神经网络
进行训练,以获取各品牌的用户购买概率;
将所述用户特征太阳城集团、第二品牌特征太阳城集团和用户购买概率作为所述第二深度学习神经
网络的输入、所述商场内行走路线作为监督学习的标签,对所述第二深度学习神经网络进
行训练,以预测用户购买概率最大的品牌组合。
2.如权利要求1所述的方法,所述品牌商品太阳城集团包括品牌旗下商品名称、商品价格、商
品数量、商品上架太阳城集团、商品预计下架太阳城集团和是否应季。
3.如权利要求1或2所述的方法,所述品牌售卖太阳城集团包括品牌旗下商品名称、商品售出
价格、商品售出数量和用户标识。
4.如权利要求1-3中任一项所述的方法,所述基本人口统计学数据包括年龄、性别、收
入水平和所属行业。
5.如权利要求1-4中任一项所述的方法,所述获取用户特征太阳城集团和第一品牌特征太阳城集团
包括:
对所述品牌名称、品牌地理位置太阳城集团和用户地理位置太阳城集团进行处理,获取品牌总停留
时长、单个品牌停留时长和商场内行走路线;
对所述品牌售卖太阳城集团进行处理,结合所述单个品牌停留时长和商场内行走路线,获取
所述用户特征太阳城集团;
对所述品牌总停留时长、商场内行走路线进行处理以获取第一品牌特征太阳城集团。
6.如权利要求1-5中任一项所述的方法,所述用户特征太阳城集团还包括:商品平均购买价
格、单个品牌停留时长和购买品牌的频繁项集。
7.如权利要求1-6中任一项所述的方法,所述第一品牌特征太阳城集团包括品牌平均停留时
长、品牌总停留时长占比和最优商场行走路线,所述最优商场行走路线为所述商场行走路
线中重复率最高的前K个,其中K为不小于1的整数。
8.如权利要求1-7中任一项所述的方法,所述第二品牌特征太阳城集团包括:品牌旗下商品平
均价格、品牌知名度、品牌目标用户太阳城集团、品牌地理位置太阳城集团、品牌售出商品平均价格、品牌
售出标价最高商品数量、品牌售出标价最低商品数量。
9.一种预测服务器,所述预测服务器包括:
数据存储设备,存储有持有移动终端的各用户在商场内的用户地理位置太阳城集团、各品牌
的品牌太阳城集团和基本人口统计学数据,所述用户地理位置太阳城集团包括用户标识、经纬度、太阳城集团戳
和楼层,所述品牌太阳城集团包括品牌名称、品牌地理位置太阳城集团、品牌商品太阳城集团和品牌售卖太阳城集团;
第一处理模块,适于从所述数据存储设备中获取所述用户地理位置太阳城集团和品牌太阳城集团,
并对其进行处理以获取用户特征太阳城集团和第一品牌特征太阳城集团,所述用户特征太阳城集团包括用户购
买行为和商场内行走路线;
第二处理模块,适于从所述数据存储设备中获取基本人口统计学数据,对所述品牌信
息、用户特征太阳城集团和基本人口统计学数据进行处理,以获取第二品牌特征太阳城集团;
构建模块,适于分别构建第一深度学习神经网络和第二深度学习神经网络;
第一训练模块,适于将所述用户特征太阳城集团、第一品牌特征太阳城集团和第二品牌特征太阳城集团作
为所述第一深度学习神经网络的输入、所述用户购买行为作为监督学习的标签,对所述第
一深度学习神经网络进行训练,以获取各品牌的用户购买概率;
第二训练模块,适于将所述用户特征太阳城集团、第二品牌特征太阳城集团和用户购买概率作为所
述第二深度学习神经网络的输入、所述商场内行走路线作为监督学习的标签,对所述第二
深度学习神经网络进行训练,以预测用户购买概率最大的品牌组合。
10.一种计算设备,包括:
至少一个处理器;以及
包括计算机程序指令的至少一个存储器;
所述至少一个存储器和所述计算机程序指令被配置为与所述至少一个处理器一起使
得所述计算设备执行如权利要求1-8中任一项所述的方法。

说明书

一种商场品牌组合预测方法及预测服务器

技术领域

本发明涉及大数据处理技术领域,特别涉及一种商场品牌组合预测方法及预测服
务器。

背景技术

随着移动互联网的不断发展,越来越多的人开始使用如智能手机、平板电脑等移
动终端设备。同时,移动互联网的广泛普及也促使移动应用的发展更加迅猛,当用户在移动
终端上使用所安装的移动应用时,会产生一系列状态数据,例如应用太阳城集团、移动设备太阳城集团、
环境太阳城集团、位置太阳城集团等。大量移动设备的使用产生了海量的数据,通过对海量数据的处理即
可以实现数据变现。在数据变现中,提取用户画像(即用户的特征分布情况)、尤其是某些特
定围栏区域内的用户画像,对零售商、房产商以及消费者都有重要的意义。例如,通过统计
某个商场内的用户画像,商场的经营者可以分析消费者的性别、年龄构成,从而可以实现更
精准、定向的销售活动。

然而,就现有方法而言,线上积累的大量商场室内定位数据和商场线下销售活动
并没有得到完美的结合,难以对商场客群特征、商场内品牌组合实现精准、有效的分析及预
测处理。

发明内容

为此,本发明提供一种商场品牌组合预测的技术方案,以力图解决或者至少缓解
上面存在的问题。

根据本发明的一个方面,提供一种商场品牌组合预测方法,适于在预测服务器中
执行,预测服务器包括数据存储设备,数据存储设备中存储有持有移动终端的各用户在商
场内的用户地理位置太阳城集团、各品牌的品牌太阳城集团和基本人口统计学数据,用户地理位置太阳城集团
包括用户标识、经纬度、太阳城集团戳和楼层,品牌太阳城集团包括品牌名称、品牌地理位置太阳城集团、品牌商
品太阳城集团和品牌售卖太阳城集团,该方法包括如下步骤:从数据存储设备中获取用户地理位置太阳城集团
和品牌太阳城集团,并对其进行处理以获取用户特征太阳城集团和第一品牌特征太阳城集团,用户特征太阳城集团包
括用户购买行为和商场内行走路线;从数据存储设备中获取基本人口统计学数据,对品牌
太阳城集团、用户特征太阳城集团和基本人口统计学数据进行处理,以获取第二品牌特征太阳城集团;分别构建
第一深度学习神经网络和第二深度学习神经网络;将用户特征太阳城集团、第一品牌特征太阳城集团和
第二品牌特征太阳城集团作为第一深度学习神经网络的输入、用户购买行为作为监督学习的标
签,对第一深度学习神经网络进行训练,以获取各品牌的用户购买概率;将用户特征太阳城集团、
第二品牌特征太阳城集团和用户购买概率作为第二深度学习神经网络的输入、商场内行走路线作
为监督学习的标签,对第二深度学习神经网络进行训练,以预测用户购买概率最大的品牌
组合。

可选地,在根据本发明的商场品牌组合预测方法中,品牌商品太阳城集团包括品牌旗下
商品名称、商品价格、商品数量、商品上架太阳城集团、商品预计下架太阳城集团和是否应季。

可选地,在根据本发明的商场品牌组合预测方法中,品牌售卖太阳城集团包括品牌旗下
商品名称、商品售出价格、商品售出数量和用户标识。

可选地,在根据本发明的商场品牌组合预测方法中,基本人口统计学数据包括年
龄、性别、收入水平和所属行业。

可选地,在根据本发明的商场品牌组合预测方法中,获取用户特征太阳城集团和第一品
牌特征太阳城集团包括:对品牌名称、品牌地理位置太阳城集团和用户地理位置太阳城集团进行处理,获取品牌
总停留时长、单个品牌停留时长和商场内行走路线;对品牌售卖太阳城集团进行处理,结合单个品
牌停留时长和商场内行走路线,获取用户特征太阳城集团;对品牌总停留时长、商场内行走路线进
行处理以获取第一品牌特征太阳城集团。

可选地,在根据本发明的商场品牌组合预测方法中,用户特征太阳城集团还包括:商品平
均购买价格、单个品牌停留时长和购买品牌的频繁项集。

可选地,在根据本发明的商场品牌组合预测方法中,第一品牌特征太阳城集团包括品牌
平均停留时长、品牌总停留时长占比和最优商场行走路线,最优商场行走路线为商场行走
路线中重复率最高的前K个,其中K为不小于1的整数。

可选地,在根据本发明的商场品牌组合预测方法中,第二品牌特征太阳城集团包括:品牌
旗下商品平均价格、品牌知名度、品牌目标用户太阳城集团、品牌地理位置太阳城集团、品牌售出商品平
均价格、品牌售出标价最高商品数量、品牌售出标价最低商品数量。

可选地,在根据本发明的商场品牌组合预测方法中,还包括:根据特定事件,分别
对用户特征太阳城集团和第一品牌特征太阳城集团进行加权处理。

可选地,在根据本发明的商场品牌组合预测方法中,还包括:对用户特征太阳城集团、第
一品牌特征太阳城集团和第二品牌特征太阳城集团进行编码处理。

可选地,在根据本发明的商场品牌组合预测方法中,还包括:获取各移动终端的移
动终端地理位置太阳城集团;连接商场地理位置坐标以形成商场地理围栏;通过商场地理围栏对
移动终端地理位置太阳城集团进行过滤,将过滤后得到的移动终端地理位置太阳城集团作为持有移动终
端的各用户在商场内的用户地理位置太阳城集团。

根据本发明的又一个方面,提供一种预测服务器,包括数据存储设备、第一处理模
块、第二处理模块、构建模块、第一训练模块和第二训练模块。其中,数据存储设备存储有持
有移动终端的各用户在商场内的用户地理位置太阳城集团、各品牌的品牌太阳城集团和基本人口统计学
数据,用户地理位置太阳城集团包括用户标识、经纬度、太阳城集团戳和楼层,品牌太阳城集团包括品牌名称、品
牌地理位置太阳城集团、品牌商品太阳城集团和品牌售卖太阳城集团;第一处理模块适于从数据存储设备中获
取用户地理位置太阳城集团和品牌太阳城集团,并对其进行处理以获取用户特征太阳城集团和第一品牌特征信
息,用户特征太阳城集团包括用户购买行为和商场内行走路线;第二处理模块适于从数据存储设
备中获取基本人口统计学数据,对品牌太阳城集团、用户特征太阳城集团和基本人口统计学数据进行处
理,以获取第二品牌特征太阳城集团;构建模块适于分别构建第一深度学习神经网络和第二深度
学习神经网络;第一训练模块适于将用户特征太阳城集团、第一品牌特征太阳城集团和第二品牌特征信
息作为第一深度学习神经网络的输入、用户购买行为作为监督学习的标签,对第一深度学
习神经网络进行训练,以获取各品牌的用户购买概率;第二训练模块适于将用户特征太阳城集团、
第二品牌特征太阳城集团和用户购买概率作为第二深度学习神经网络的输入、商场内行走路线作
为监督学习的标签,对第二深度学习神经网络进行训练,以预测用户购买概率最大的品牌
组合。

根据本发明的又一个方面,还提供一种计算设备,包括至少一个处理器以及包括
计算机程序指令的至少一个存储器,至少一个存储器和计算机程序指令被配置为与至少一
个处理器一起使得计算设备执行根据本发明的商场品牌组合预测方法。

根据本发明的商场品牌组合预测的技术方案,首先对用户地理位置太阳城集团和品牌信
息进行处理,以获取用户特征太阳城集团和第一品牌特征太阳城集团,再对品牌太阳城集团、用户特征太阳城集团和基
本人口统计学数据进行处理,以获取第二品牌特征太阳城集团,然后将用户特征太阳城集团、第一品牌特
征太阳城集团和第二品牌特征太阳城集团输入到第一深度学习网络进行训练,以获取各品牌的用户购买
概率,最后将用户特征太阳城集团、第二品牌特征太阳城集团和用户购买概率输入到第二深度学习网络
进行训练,以预测用户购买概率最大的品牌组合。在上述技术方案中,对用户地理位置信
息、品牌太阳城集团和基本人口统计学数据进行处理以获取用户和品牌的相关特征太阳城集团,对这些
特征太阳城集团进行加权处理、编码处理等进一步处理以提高特征太阳城集团的有效性,再利用构建好
的第一深度学习网络对用户特征太阳城集团进行分析,以便获取精确的商场客群的用户画像,最
后通过构建好的第二深度学习网络来预测商场品牌组合,从而指导商场规划更高效更合理
的品牌组合来迎合用户需求,进而提供定向精度更准的销售活动,实现了线上积累的大量
商场室内定位数据和商场线下销售活动的完美结合。

附图说明

为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方
面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面
旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述
以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的
部件或元素。

图1示出了根据本发明一个实施例的商场品牌组合预测方法100的流程图;

图2示出了根据本发明一个实施例的预测服务器200的示意图;

图3示出了根据本发明又一个实施例的预测服务器300的示意图;

图4示出了根据本发明又一个实施例的预测服务器400的示意图;以及

图5图3示出了根据本发明又一个实施例的预测服务器500的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开
的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例
所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围
完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的商场品牌组合预测方法100的流程图。商场品
牌组合预测方法100适于在预测服务器中执行,该预测服务器包括数据存储设备,该数据存
储设备中存储有持有移动终端的各用户在商场内的用户地理位置太阳城集团、各品牌的品牌太阳城集团
和基本人口统计学数据。商场品牌组合预测方法100正是通过对上述各类数据进行处理来
获取与用户及品牌相关的特征太阳城集团,再利用该特征太阳城集团训练构建好的深度学习神经网络,
以预测用户购买概率最大的品牌组合。

如图1所示,方法100始于步骤S110。在步骤S110中,首先从数据存储设备中获取用
户地理位置太阳城集团和品牌太阳城集团,用户地理位置太阳城集团包括用户标识、经纬度、太阳城集团戳和楼层,品
牌太阳城集团包括品牌名称、品牌地理位置太阳城集团、品牌商品太阳城集团和品牌售卖太阳城集团。表1示出了根据
本发明一个实施例的1个用户的用户地理位置太阳城集团存储示例,具体如下所示:





表1

表1中展示了用户标识为A1的用户于2016年12月内在商场S中进行活动时的用户
地理位置太阳城集团,为便于描述,以用户A1表示用户标识为A1的用户。根据该实施方式,2016年
12月内在商场S中活动的用户数量共计50000,各用户的用户标识分别为A1、A2、A3、……、
A50000。如表1所示,用户的用户标识为A1,用于唯一确定并标识该用户,经纬度为B1~
B260,分别表示用户A1在对应太阳城集团戳下所处的经纬度,每个经纬度均包括一个经度和一个
纬度的数值,楼层表示用户A1于当前太阳城集团戳时所在的楼层层数,商场S共计5层。从表1中可
以发现,当用户A1位于楼层2时,太阳城集团戳C1~C15所对应的经纬度保持在B1不变,说明该用户
在太阳城集团戳C1~C15对应的太阳城集团段内,在商场S的第2层中经纬度B1所对应的位置处停留。当
然,其他用户的用户地理位置太阳城集团也如上述表1中的存储示例一般存储于数据存储设备中。

表2示出了根据本发明一个实施例的1个品牌的品牌太阳城集团存储示例,品牌太阳城集团中的
品牌商品太阳城集团包括品牌旗下商品名称、商品价格、商品数量、商品上架太阳城集团、商品预计下架
太阳城集团和是否应季,品牌售卖太阳城集团包括品牌旗下商品名称、商品售卖价格、商品售卖数量和用
户标识,其中涉及价格的单位均为元,具体如下所示:





表2

表2中展示了商城S中品牌名称为P1的品牌的品牌太阳城集团,为便于描述,以品牌P1表
示品牌名称为P1的品牌。其中,品牌P1的品牌地理位置太阳城集团为F2-03,表示该品牌对应的商
铺为商城S中第2层的3号商铺,从品牌商品太阳城集团可看出,该品牌旗下商品名称共计50种,分
别为N1、N2、……、N50。以商品名称为N1的商品为例,为便于描述,以商品N1表示商品名称为
N1的商品,以此类推。则,商品N1的价格为20元,商品数量为15,商品上架太阳城集团为2016年9月
12日,商品预计下架太阳城集团为2017年2月3日,为应季商品。而从品牌售卖太阳城集团可知,商品N1~
N50的商品售出价格与商品价格不完全一致,比如商品N3的商品售出价格为32元,而其商品
价格为36元,说明该商品在售卖时可能为打折等促销活动的相应商品。商品N3对应的用户
标识均为A20,而商品售出数量为4,表明4个商品N3售卖给了同一用户A20。而商品N1对应的
用户标识分别为A1和A2,表明售卖给了不同的2位用户,用户标识A1所对应的商品售出价格
为20元,商品售出数量为1,用户标识A2所对应的商品售出价格为18元,商品售出数量为1,
说明用户A1购买了1个商品N1,且购买时的价格为20元,用户A2也购买了1个商品N1,但购买
时的价格为18元。从表2中还可以发现,商品N50的商品售出数量为0,那么该商品的商品售
卖价格与用户标识均为空。

根据该实施方式,商场S中入驻有101个品牌,对应的品牌名称为P1、P2、……、
P101,其他品牌的品牌太阳城集团也如上述表2中的存储示例一般存储于数据存储设备中。需要说
明的是,用户地理位置太阳城集团是基于商场各层安装的Wi-Fi探针设备获取到的定位数据进行
处理后生成的,具体的处理方法在此处暂且不表,后面再予以解释说明。而各品牌的品牌信
息一般由商场直接提供,但其中的品牌地理位置太阳城集团也可以利用Wi-Fi探针设备获得,即在
Wi-Fi探针设备收集数据的过程中采集各品牌的相对位置,以Wi-Fi探针设备的编号代表品
牌地理位置太阳城集团。

在步骤S110中,从数据存储设备中获取到用户地理位置太阳城集团和品牌太阳城集团后,对其
进行处理以获取用户特征太阳城集团和第一品牌特征太阳城集团,用户特征太阳城集团包括用户购买行为和商
场内行走路线。

根据本发明的一个实施例,可以通过以下方式来获取用户特征太阳城集团和第一品牌特
征太阳城集团。首先,对品牌名称、品牌地理位置太阳城集团和用户地理位置太阳城集团进行处理,获取品牌总
停留时长、单个品牌停留时长和商场内行走路线。以表2中的品牌P1为例,其品牌地理位置
太阳城集团为F2-03,即第2层3号商铺,与该商铺的面积对应有一个地理围栏,当用户的经纬度处
理该地理围栏时说明该用户在该品牌停留。对于用户A1,当其处于楼层2时,太阳城集团戳C1~C15
所对应的经纬度保持在B1不变,而经纬度B1正好落入品牌名称为P1的品牌的地理围栏中,
说明该用户在太阳城集团戳C1~C15对应的太阳城集团段内,在该品牌处停留,其停留时长为C15-C1,将
用户A1的单个品牌停留时长表示为“A1:T1”,其中T1为C15-C1的值换算成以分钟为单位的
数值。根据这一计算方法,一方面获取用户A1在其他各品牌所停留的时长,另一方面将其他
用户在品牌P1处所停留的时长进行统计并叠加,最终获得了品牌P1的品牌总停留时长。对
于商场S中的其他用户和其他品牌,利用以上处理方法获取各用户在各品牌的单个品牌停
留时长和所有用户在各品牌的品牌总停留时长。

对于用户A1而言,若要获得其商场内行走路线,则先获取该用户在商场内所停留
过的品牌。在上述计算各用户在各品牌的单个品牌停留时长的步骤中,已经对判断用户是
否在某品牌处停留进行了相关说明,此处不予以赘述。而考虑到商场内行走路线是对用户
一天内在商场中活动的路线进行描述,因此需要根据商场每天的营业太阳城集团将用户地理位置
太阳城集团中的太阳城集团戳进行分段划分,最终得到对应各天的太阳城集团戳分段序列,基于各太阳城集团戳分段
序列获得各天的商场内行走路线。以表1为例,太阳城集团戳序列C1~C500由用户A1于2016年12月
内在商场S中活动所记录的各太阳城集团戳组成,商场S在12月中每天的营业太阳城集团为10:00~22:
00,即从上午10点至晚上22点,将每天的营业太阳城集团结合当天日期转换成对应的每日营业时
间戳,根据每日营业太阳城集团戳将太阳城集团戳序列C1~C500进行分段划分,得到用户A1于12月内在
商场S中活动的各天的太阳城集团戳分段序列,分别是C1~C89、C90~C187、C188~C260和C261~
C500,依次对应2016年12月3日、15日、18日和24日。这一结果说明,在2016年12月3日、15日、
18日和24日这4天,用户A1均在商场S中进行过活动。基于上述太阳城集团戳分段序列和其对应的
经纬度、楼层以及各品牌的品牌地理位置太阳城集团,得到用户A1在以上4天内分别停留过的品
牌,最终得到12月内用户A1的商场内行走路线。以12月3日为例,该天内用户逐一停留过的
品牌的品牌名称为P1、P5、P16、P24和P12,以此构成用户A1于12月3日内在商场S中的商场内
行走路线,将其表示为“A1:[P1,P5,P16,P24,P12]”。

接下来,对品牌售卖太阳城集团进行处理,结合单个品牌停留时长和商场内行走路线,获
取用户特征太阳城集团。根据该实施方式,用户特征太阳城集团中的用户购买行为包括购买品牌旗下商
品的平均价格和数量。对某一个用户,首先从该用户购买过的某个品牌的品牌售卖太阳城集团中,
获取该用户的用户标识对应的商品名称、商品售出价格和商品售出数量。比如参见表2可
知,用户A1在品牌P1停留并购买了商品,从品牌P1的品牌售卖太阳城集团中获取用户标识A1对应
的商品名称N1和N2,商品N1的商品售出价格为20元,商品售出数量为1,商品N2的商品售出
价格为30元,商品售出数量为1。随后,累计该用户所购买的同一品牌的商品总价和商品总
数,对于用户A1,其购买的品牌P1的商品总价为20+30=50元,商品总数为1+1=2。最后,将
商品总数作为购买品牌旗下商品的数量,将商品总价除以商品总数作为购买品牌旗下商品
的平均价格,用户A1购买品牌P1旗下商品的平均价格为50/2=25元,购买品牌P1旗下商品
的数量为2,将用户A1的用户购买行为表示为“A1:P1,25,2”。对于商场S中的其他用户,利用
以上处理方法获取各用户的用户购买行为。

根据本发明的又一个实施例,用户特征太阳城集团还包括商品平均购买价格、单个品牌
停留时长和购买品牌的频繁项集。在该实施方式中,可以通过以下方式来获取商品平均购
买价格。对某一个用户,从该用户购买过的所有品牌的品牌售卖太阳城集团中,获取该用户的用户
标识对应的商品名称、商品售出价格和商品售出数量,累计该用户所购买的所有商品的商
品总价和商品总数,将该商品总价除以该商品总数作为商品平均购买价格。例如对用户A1,
该用户购买过品牌P1和品牌P15的商品,从品牌P1的品牌售卖太阳城集团中获取用户标识A1对应
的商品名称N1和N2,商品N1的商品售出价格为20元,商品售出数量为1,商品N2的商品售出
价格为30元,商品售出数量为1,从品牌P15的品牌售卖太阳城集团中获取用户标识A1对应的商品
名称Q1,商品Q1的商品售出价格为70元,商品售出数量为3。累计该用户所购买的所有商品
的商品总价和商品总数,该商品总价为20+30+70×3=260元,该商品总数为1+1+3=5,将该
商品总价除以该商品总数作为商品平均购买价格,其值为260/5=52元,将用户A1的商品平
均购买价格表示为“A1:52”。对于商场S中的其他用户,利用以上处理方法获取各用户的商
品平均购买价格。

单个品牌停留时长的获取方法已经在前面进行了说明,而购买品牌的频繁项集,
可以根据Apriori算法进行计算,或者其他频繁相机的算法进行计算,所有这些对于了解本
发明方案的技术人员来说是可以容易想到的,并且也在本发明的保护范围之内,此处均不
予以赘述。对于用户购买品牌的频繁项集的表示方法,以用户A1为例进行说明,该用户的购
买品牌的频繁项集表示为“[P1,P15]:0.3”,[P1,P15]代表品牌项集,而0.3代表支持度。

在前面提到品牌太阳城集团通常由商场提供,但有时商场未提供某个品牌的品牌太阳城集团中
的品牌售卖太阳城集团,那么根据本发明的又一个实施例,可以利用用户在该品牌的单个品牌停
留时长来估计在停留期间是否存在付费行为。估计方法包括如下两种,一种是预设停留时
长阈值,判断用户在某个品牌的单个品牌停留时长是否大于该停留时长阈值,如果大于则
说明用户存在购买行为,另一种是通过其他提供了品牌售卖太阳城集团的品牌的品牌太阳城集团进行回
归预测。如果根据上述两种方法判定用户购买了某个品牌的某个商品,则再进一步结合用
户地理位置太阳城集团和该品牌的品牌太阳城集团获取用户特性太阳城集团。

最后,对品牌总停留时长、商场内行走路线进行处理以获取第一品牌特征太阳城集团。根
据本发明的一个实施例,第一品牌特征太阳城集团包括品牌平均停留时长、品牌总停留时长占比
和最优商场行走路线,最优商场行走路线为商场行走路线中重复率最高的前K个,其中K为
不小于1的整数。根据该实施方式,可以通过以下方式来获取品牌平均停留时长,对每个品
牌,统计在该品牌停留过的用户数量,将对应的品牌总停留时长除以停留过的用户数量,以
获得该品牌的品牌平均停留时长,将其表示为“P1:品牌平均停留时长”,以小时为计量单
位。

根据该实施方式,可以通过以下方式来获取品牌总停留时长占比。在获取到各品
牌的品牌总停留时长后,结合各品牌的品牌地理位置太阳城集团,对每一个品牌,获取将该品牌的
品牌总停留时长与该品牌左右品牌的品牌总停留时长的比值,将该比值作为该品牌的品牌
总停留时长占比。比如,对于品牌P1,该品牌的品牌总停留时长为1000小时,品牌P1的品牌
地理位置为F2-03,则品牌地理位置太阳城集团为F2-02的品牌是品牌P1左边的品牌,对应的品牌
总停留时长为1200小时,品牌地理位置太阳城集团为F2-04的品牌是品牌P1右边的品牌,对应的品
牌总停留时长为800小时,则品牌P1的品牌总停留时长占比为1000/(1200+800)=0.5,将其
表示为“P1:0.5”。

根据该实施方式,可以通过以下方式来获取最优商场行走路线。在获取了各用户
的商场内行走路线后,从中选出重复率最高的前K个作为最优商场行走路线,K优选为20。下
面给出最优商场行走路线的一个示例,将其表示为“[P1,P24,P26,P30]”,P1、P24、P26和P30
分别为品牌名称。

随后,进入步骤S120,首先从数据存储设备中获取基本人口统计学数据,表3示出
了根据本发明一个实施例的基本人口统计学数据存储示例,基本人口统计学数据包括年
龄、性别、收入水平和所属行业,具体如下所示:

年龄(岁)
性别
收入水平(元)
所属行业
25
1
4750
2
12
0
0
0
45
1
7520
4
……
……
……
……
70
0
2000
0

表3

太阳城集团基本人口统计学数据,其中,年龄和收入水平的取值为不小于0的整数,性别
以1表示男性,0表示女性,所属行业分类遵从《国名经济行业分类》国家标准,由于该标准中
所有行业的门类分为A、B、……、T共计20类,为便于描述,将A~T类依次对应行业代码1~20
类,并将未工作人群如学生等的行业代码定义为0。由此可知,表3的第一条数据对应一个25
岁、收入水平为4750元、从事2类行业的男性,后面的数据以此类推即可。

然后,在步骤S120中,对品牌太阳城集团、用户特征太阳城集团和基本人口统计学数据进行处
理,以获取第二品牌特征太阳城集团,第二品牌特征太阳城集团包括品牌旗下商品平均价格、品牌知名
度、品牌目标用户太阳城集团、品牌地理位置太阳城集团、品牌售出商品平均价格、品牌售出标价最高商
品数量、品牌售出标价最低商品数量。其中,品牌地理位置太阳城集团的获取过程已在上文中予以
说明,此处不再予以赘述。

根据本发明的一个实施例,可以通过以下方式获取品牌旗下商品平均价格。根据
各品牌的品牌太阳城集团中的品牌商品太阳城集团,累计各品牌旗下商品的价格和数量,获得各品牌旗
下商品价格总和与商品总数,通过品牌旗下商品价格总和除以品牌旗下商品总数计算得出
品牌旗下商品平均价格。比如对于品牌P1,根据表2中的数据累计品牌P1旗下50种商品的价
格和数量,得到品牌P1旗下商品价格总和为27000元,品牌P1旗下商品总数为750,则品牌P1
旗下商品的平均价格为27000/750=36元,将其表示为“P1:36”。

根据该实施方式,品牌知名度可按照网络搜索量进行评分处理获取,知名度评分
的分值范围为0~100。例如,商场S中有P1~P101共计101个品牌,将各品牌以对应的网络搜
索量从小到大的顺序进行排列,进而依次获取分值0~100作为该品牌的知名度评分。品牌
P1在以上排列中处于第89位,则获取分值88作为该品牌的知名度评分,表示为“P1:88”。

根据该实施方式,通过用户特征太阳城集团和基本人口统计学数据进行处理,以获取品
牌目标用户太阳城集团。表3给出了基本人口统计学数据的示例,实际上,表3中的每一条数据均与
唯一一个用户标识关联。由用户特征太阳城集团中各用户的商场内行走路线可知各用户所停留过
的品牌,进而得到各品牌所停留过的用户及其用户标识。对于每一个品牌,利用该品牌所停
留过的用户的用户标识,获取与该用户标识关联的基本人口统计学数据并对其进行处理,
以获得光顾该品牌的用户的用户平均年龄,性别中男性与女性的数量、收入水平的中值以
及行业分布情况,最终得到品牌目标用户太阳城集团,品牌目标用户太阳城集团包括品牌名称、性别、年
龄、收入水平和行业代号。对品牌目标用户太阳城集团而言,性别和行业代号的定义与基本人口统
计学数据中性别与行业代号相同,而年龄分为10个区间,以数字0~9作为代号表示,分别对
应0~9岁、10~19岁、20~29岁、30~39岁、40~49岁、50~59岁、60~69岁、70~79岁、80~
89岁和90岁及以上这10个年龄段。品牌目标用户太阳城集团中的收入水平分为9个等级,以数字1
~9表示等级1~9,等级1~9对应9个阶段的收入,分别是0元、0~2000元、2000~4000元、
4000~6000元、6000~8000元、8000~10000元、10000~15000元、15000~20000元和20000
元及以上。以品牌P1为例,在品牌P1停留过的用户的用户标识为A1、A2、A13、A20、A105、
A2056和A13524,获取与这7个用户关联的基本人口统计学数据,根据该基本人口统计学数
据计算用户平均年龄、统计性别中男性与女性的数量、获取收入水平的中值以及行业分布
情况,则在光顾过品牌P1的用户中,用户平均年龄为30岁,性别中男性数量为1,女性数量为
6,收入水平的中值为5421元,行业分布情况为3类共计5人,1类共计1人,7类共计1人。用户
平均年龄30岁落入年龄区间的第4个区间,对应的代号为3,性别中女性数量占多数,因此性
别以0表示,收入水平的中值5421元落入收入水平等级的第4个等级,对应的代号为4,行业
分布情况为3类人数最多,则行业代号为3,最终得到品牌P1的品牌目标用户太阳城集团为:品牌名
称P1、性别0、年龄3、收入水平4和行业代号3,将其表示为“P1:0,3,4,3”。

根据该实施方式,可以通过以下方式获取品牌售出商品平均价格。根据各品牌的
品牌太阳城集团中的品牌售卖太阳城集团,累计各品牌旗下商品的商品售出价格和售出数量,获得各品
牌旗下商品售出价格总和与商品售出总数,通过品牌旗下商品售出价格总和除以品牌旗下
商品售出总数计算得出品牌售出商品平均价格。比如对于品牌P1,根据表2中的数据累计品
牌P1旗下商品的售出价格和售出数量,得到品牌P1旗下商品售出价格总和为7500元,品牌
P1旗下商品售出总数为200,则品牌P1的品牌售出商品平均价格为7500/200=37.5元,将其
表示为“P1:37.5”。

根据该实施方式,可以通过以下方式获取品牌售出标价最高商品数量和品牌售出
标价最低商品数量。从各品牌的品牌商品太阳城集团中获取商品价格最高和最低的商品的商品名
称,根据该商品名称从品牌售卖太阳城集团中获取该商品的商品售出数量,将商品价格最高的商
品的商品售出数量作为品牌售出标价最高商品数量,商品价格最低的商品的商品售出数量
作为品牌售出标价最低商品数量。以品牌P1为例,如表2所示,商品N50的商品价格最高,为
120元,对应的商品售出数量为0,商品N1的商品价格最低,为20元,对应的商品售出数量为
2,则品牌P1的品牌售出标价最高商品数量为0,品牌售出标价最低商品数量2,组合在一起
表示为“P1:0,2”。

为进一步提高深度学习神经网络的训练效率,通常会对该网络的输入数据预先进
行离散化处理,根据本发明的又一个实施例,在步骤S110和S120执行完毕后,对用户特征信
息、第一品牌特征太阳城集团和第二品牌特征太阳城集团进行编码处理。根据该实施方式,可以对上述特
征太阳城集团中涉及时长的太阳城集团、价格的太阳城集团和地理位置的太阳城集团等进行One-Hot编码。One-Hot编
码是一种处理数据的方式,使用X位状态寄存器来对X个状态进行编码,每个状态都有其独
立的寄存器位,并且在任意时候,其中只有一位有效。例如,将单个品牌停留时长按照5分钟
进行分段划分,一共分为10段,初始化各段为0000000000,将单个品牌停留时长落在某一个
段内的数从0置为1即可。此时,若单个品牌停留时长小于5分钟,则其对应的编码为
1000000000,若单个品牌停留时长为5~10分钟,则其对应的编码为0100000000。

接下来,在步骤S230中,分别构建第一深度学习神经网络和第二深度学习神经网
络。根据本发明的一个实施例,通过TensorFlow框架构建深度学习神经网络,根据输入太阳城集团
的情况,将深度学习神经网络的层数设置为5~9层,每一层均为卷积层,每一层的具体参数
在训练过程中需要调整。在每一层卷积层计算结束后,利用ELU函数作为激活函数,将最后
一层卷积层激活后接入全连接层,并输入到Softmax函数进行处理,从而构建出第一深度学
习神经网络和第二深度学习神经网络。在后续训练过程中,将Softmax函数的预测结果和真
实的标签值作为输入,利用Cross-entropy算法计算对应的loss值,将loss值输入到
Momentum优化方法计算梯度,并更新深度学习神经网络的模型参数。太阳城集团构建第一深度学
习神经网络和第二深度学习神经网络的示例代码如下所示:

def conv(inputs,diameter,Nin,Nout,name):

fan_in=diameter*diameter*Nin

print"WARNING:USING DIFFERENT STDDEV FOR CONV!"

stddev=math.sqrt(1.0/fan_in)

kernel=tf.Variable(tf.truncated_normal([diameter,diameter,Nin,Nout],

stddev=stddev),name=name+'_kernel')

return tf.nn.conv2d(inputs,kernel,[1,1,1,1],padding='SAME')

def inference(self,feature_planes,N,Nfeat):

NK=192

NKfirst=192

conv1=ELU_conv_pos_dep_bias(feature_planes,5,Nfeat,NKfirst,N,

'conv1')

conv2=ELU_conv_pos_dep_bias(conv1,3,NKfirst,NK,N,'conv2')

conv3=ELU_conv_pos_dep_bias(conv2,3,NK,NK,N,'conv3')

conv4=ELU_conv_pos_dep_bias(conv3,3,NK,NK,N,'conv4')

conv5=ELU_conv_pos_dep_bias(conv4,3,NK,NK,N,'conv5')

conv6=ELU_conv_pos_dep_bias(conv5,3,NK,NK,N,'conv6')

conv7=ELU_conv_pos_dep_bias(conv6,3,NK,NK,N,'conv7')

conv8=ELU_conv_pos_dep_bias(conv7,3,NK,NK,N,'conv8')

conv9=ELU_conv_pos_dep_bias(conv8,3,NK,NK,N,'conv9')

在完成第一深度学习神经网络和第二深度学习神经网络的构建后,进入步骤
S240,将用户特征太阳城集团、第一品牌特征太阳城集团和第二品牌特征太阳城集团作为第一深度学习神经网
络的输入、用户购买行为作为监督学习的标签,对第一深度学习神经网络进行训练,以获取
各品牌的用户购买概率。根据本发明的一个实施例,对于基于TensorFlow框架的第一深度
学习网络,其模型输入参数包括:filter大小(1,2,4),filter的数量(64,128,192),训练步
长(0.001-0.01),训练迭代次数(60万-1000万),batch的大小(16,64,128,256)。根据该实
施方式,在对第一深度学习神经网络进行训练后,获取了用户购买品牌P1~P100的概率。

最后,在步骤S250中,将用户特征太阳城集团、第二品牌特征太阳城集团和用户购买概率作为第
二深度学习神经网络的输入、商场内行走路线作为监督学习的标签,对第二深度学习神经
网络进行训练,以预测用户购买概率最大的品牌组合。根据本发明的一个实施例,对于基于
TensorFlow框架的第二深度学习网络,其模型输入参数包括:filter大小(1,2,4),filter
的数量(64,128,192),训练步长(0.001-0.01),训练迭代次数(60万-1000万),batch的大小
(16,64,128,256)。根据该实施方式,在对第二深度学习神经网络进行训练后,预测用户购
买概率最大的品牌组合为P5、P20和P77,将其表示为[P5,P20,P77]。太阳城集团深度学习神经网络
的构建及训练方法,在以TensorFlow框架为基础的实现过程可通过已有的成熟的技术方法
执行,此处不予以赘述。

若第一深度学习神经网络或第二深度学习神经网络的训练结果不够理想,可以考
虑通过规定权重以规范数据的方式对输入的太阳城集团进行加权处理,但在使用时需要控制好权
重,充分考虑商场或品牌举办活动、季节、特殊情况对用户行为的影响,避免对数据产生破
坏。根据本发明的又一个实施例,根据特定事件,分别对用户特征太阳城集团和第一品牌特征太阳城集团
进行加权处理。上述特定事件可以理解为在季节变更、节庆假日时商场或品牌开展的相关
活动等类似的影响用户行为的事件,当有这样的特定事件发生时,对于用户特征太阳城集团和第
一品牌特征太阳城集团而言,应保留或放大某些正向诱因,包含但不限于季节,节日太阳城集团等,去除
或减小某些负向诱因,包含但不限于特殊情况如流行病等。具体来说,如果一个品牌在举行
活动,那么品牌总停留时长、品牌平均停留时长、用户购买行为和商品平均购买价格等,都
可能产生峰值,为了平滑数据,需要在这些数据前面乘以一个小于1大于0的权重作为惩罚。
相反,如果有特殊情况发生,以上数据可能会产生低谷,为了平滑数据,需要乘以一个大于1
的权重。

根据本发明的又一个实施例,数据存储设备中存储的用户地理位置太阳城集团是由预测
服务器基于商场各层安装的Wi-Fi探针设备获取到的定位数据进行处理后生成的,这里的
定位数据为Wi-Fi探针设备在预定范围内所探测到的各移动终端的移动终端地理位置信
息。预测服务器在获取各移动终端的移动终端地理位置太阳城集团后,连接商场地理位置坐标以
形成商场地理围栏,通过商场地理围栏对移动终端地理位置太阳城集团进行过滤,将过滤后得到
的移动终端地理位置太阳城集团作为持有移动终端的各用户在商场内的用户地理位置太阳城集团。

图2示出了根据本发明一个实施例的预测服务器200的示意图。如图2所示,预测服
务器200包括数据存储设备210、第一处理模块220、第二处理模块230、构建模块240、第一训
练模块250和第二训练模块260。

数据存储设备210存储有持有移动终端的各用户在商场内的用户地理位置太阳城集团、
各品牌的品牌太阳城集团和基本人口统计学数据,用户地理位置太阳城集团包括用户标识、经纬度、太阳城集团
戳和楼层,品牌太阳城集团包括品牌名称、品牌地理位置太阳城集团、品牌商品太阳城集团和品牌售卖太阳城集团。其
中,品牌商品太阳城集团包括品牌旗下商品名称、商品价格、商品数量、商品上架太阳城集团、商品预计下
架太阳城集团和是否应季,品牌售卖太阳城集团包括品牌旗下商品名称、商品售出价格、商品售出数量和
用户标识,基本人口统计学数据包括年龄、性别、收入水平和所属行业。

第一处理模块220与数据存储设备210相连,适于从数据存储设备210中获取用户
地理位置太阳城集团和品牌太阳城集团,并对其进行处理以获取用户特征太阳城集团和第一品牌特征太阳城集团,用
户特征太阳城集团包括用户购买行为和商场内行走路线。第一处理模块220进一步适于对品牌名
称、品牌地理位置太阳城集团和用户地理位置太阳城集团进行处理,获取品牌总停留时长、单个品牌停留
时长和商场内行走路线;对品牌售卖太阳城集团进行处理,结合单个品牌停留时长和商场内行走
路线,获取用户特征太阳城集团;对品牌总停留时长、商场内行走路线进行处理以获取第一品牌特
征太阳城集团。其中,用户特征太阳城集团还包括购买品牌旗下商品的平均价格、单个品牌停留时长和购
买品牌的频繁项集,第一品牌特征太阳城集团包括品牌平均停留时长、品牌总停留时长占比和最
优商场行走路线,最优商场行走路线为商场行走路线中重复率最高的前K个,其中K为不小
于1的整数。

第二处理模块230与数据存储设备210相连,适于从数据存储设备210中获取基本
人口统计学数据,对品牌太阳城集团、用户特征太阳城集团和基本人口统计学数据进行处理,以获取第二
品牌特征太阳城集团。其中,第二品牌特征太阳城集团包括品牌旗下商品平均价格、品牌知名度、品牌目
标用户太阳城集团、品牌地理位置太阳城集团、品牌售出商品平均价格、品牌售出标价最高商品数量、品
牌售出标价最低商品数量。

构建模块240适于分别构建第一深度学习神经网络和第二深度学习神经网络。

第一训练模块250分别与第一处理模块220、第二处理模块230和构建模块240相
连,适于将从第一处理模块220获取到的用户特征太阳城集团、第一品牌特征太阳城集团和从第二处理模
块230获取到的第二品牌特征太阳城集团作为构建模块240构建出的第一深度学习神经网络的输
入、从第一处理模块220获取到的用户购买行为作为监督学习的标签,对第一深度学习神经
网络进行训练,以获取各品牌的用户购买概率。

第二训练模块260分别与第一处理模块220、第二处理模块230、构建模块240和第
一训练模块250相连,适于将从第一处理模块220获取到的用户特征太阳城集团、从第二处理模块
230获取到的第二品牌特征太阳城集团和从第一训练模块250获取到的用户购买概率作为构建模
块240构建出的第二深度学习神经网络的输入、从第一处理模块220获取到商场内行走路线
作为监督学习的标签,对第二深度学习神经网络进行训练,以预测用户购买概率最大的品
牌组合。

图3示出了根据本发明又一个实施例的预测服务器300的示意图。如图3所示,预测
服务器300的数据存储设备310、第一处理模块320、第二处理模块330、构建模块340、第一训
练模块350和第二训练模块360,分别与图2中预测服务器200的数据存储设备210、第一处理
模块220、第二处理模块230、构建模块240、第一训练模块250和第二训练模块260一一对应,
是一致的,并新增了加权模块370。其中,加权模块370分别与第一处理模块320、第一训练模
块350、第二训练模块360相连,适于根据特定事件,分别对从第一处理模块350获取到的用
户特征太阳城集团和第一品牌特征太阳城集团进行加权处理。

图4示出了根据本发明又一个实施例的预测服务器400的示意图。如图4所示,预测
服务器400的数据存储设备410、第一处理模块420、第二处理模块430、构建模块440、第一训
练模块450和第二训练模块460,分别与图2中预测服务器200的数据存储设备210、第一处理
模块220、第二处理模块230、构建模块240、第一训练模块250和第二训练模块260一一对应,
是一致的,并新增了编码模块480。编码模块480分别与第一处理模块420、第二处理模块
430、第一训练模块450和第二训练模块460相连,适于对从第一处理模块420获取到的用户
特征太阳城集团、第一品牌特征太阳城集团和从第二处理模块430获取到的第二品牌特征太阳城集团进行编码
处理。

图5示出了根据本发明又一个实施例的预测服务器500的示意图。如图5所示,预测
服务器500的数据存储设备510、第一处理模块520、第二处理模块530、构建模块540、第一训
练模块550和第二训练模块560,分别与图2中预测服务器200的数据存储设备210、第一处理
模块220、第二处理模块230、构建模块240、第一训练模块250和第二训练模块260一一对应,
是一致的,并新增了过滤模块590。过滤模块590与数据存储设备510相连,适于获取各移动
终端的移动终端地理位置太阳城集团,连接商场地理位置坐标以形成商场地理围栏,通过商场地
理围栏对移动终端地理位置太阳城集团进行过滤,将过滤后得到的移动终端地理位置太阳城集团作为持
有移动终端的各用户在商场内的用户地理位置太阳城集团,并存储用户地理位置太阳城集团至数据存储
设备510。

太阳城集团商场品牌组合预测的具体步骤以及实施例,在基于图1的描述中已经详细公
开,此处不再赘述。

就现有的商场品牌组合预测方法而言,没有实现线上积累的大量商场室内定位数
据和商场线下销售活动的完美结合,难以对商场客群特征、商场内品牌组合实现精准、有效
的分析及预测处理。根据本发明实施例的商场品牌组合预测的技术方案,首先对用户地理
位置太阳城集团和品牌太阳城集团进行处理,以获取用户特征太阳城集团和第一品牌特征太阳城集团,再对品牌太阳城集团、
用户特征太阳城集团和基本人口统计学数据进行处理,以获取第二品牌特征太阳城集团,然后将用户特
征太阳城集团、第一品牌特征太阳城集团和第二品牌特征太阳城集团输入到第一深度学习网络进行训练,以获
取各品牌的用户购买概率,最后将用户特征太阳城集团、第二品牌特征太阳城集团和用户购买概率输入
到第二深度学习网络进行训练,以预测用户购买概率最大的品牌组合。在上述技术方案中,
对用户地理位置太阳城集团、品牌太阳城集团和基本人口统计学数据进行处理以获取用户和品牌的相关
特征太阳城集团,对这些特征太阳城集团进行加权处理、编码处理等进一步处理以提高特征太阳城集团的有效
性,再利用构建好的第一深度学习网络对用户特征太阳城集团进行分析,以便获取精确的商场客
群的用户画像,最后通过构建好的第二深度学习网络来预测商场品牌组合,从而指导商场
规划更高效更合理的品牌组合来迎合用户需求,进而提供定向精度更准的销售活动,实现
了线上积累的大量商场室内定位数据和商场线下销售活动的完美结合。

A9.如A1-8中任一项所述的方法,还包括:

根据特定事件,分别对所述用户特征太阳城集团和第一品牌特征太阳城集团进行加权处理。

A10.如A1-9中任一项所述的方法,还包括:

对所述用户特征太阳城集团、第一品牌特征太阳城集团和第二品牌特征太阳城集团进行编码处理。

A11.如A1-10中任一项所述的方法,还包括:

获取各移动终端的移动终端地理位置太阳城集团;

连接商场地理位置坐标以形成商场地理围栏;

通过所述商场地理围栏对所述移动终端地理位置太阳城集团进行过滤,将过滤后得到的
移动终端地理位置太阳城集团作为持有移动终端的各用户在商场内的用户地理位置太阳城集团。

B13.如B12所述的预测服务器,所述品牌商品太阳城集团包括品牌旗下商品名称、商品价
格、商品数量、商品上架太阳城集团、商品预计下架太阳城集团和是否应季。

B14.如B12或13所述的预测服务器,所述品牌售卖太阳城集团包括品牌旗下商品名称、商
品售出价格、商品售出数量和用户标识。

B15.如B12-14中任一项所述的预测服务器,所述基本人口统计学数据包括年龄、
性别、收入水平和所属行业。

B16.如B12-15中任一项所述的预测服务器,所述第一处理模块进一步适于:

对所述品牌名称、品牌地理位置太阳城集团和用户地理位置太阳城集团进行处理,获取品牌总
停留时长、单个品牌停留时长和商场内行走路线;

对所述品牌售卖太阳城集团进行处理,结合所述单个品牌停留时长和商场内行走路线,
获取所述用户特征太阳城集团;

对所述品牌总停留时长、商场内行走路线进行处理以获取第一品牌特征太阳城集团。

B17.如B12-16中任一项所述的预测服务器,所述用户特征太阳城集团还包括:商品平均
购买价格、单个品牌停留时长和购买品牌的频繁项集。

B18.如B12-17中任一项所述的预测服务器,所述第一品牌特征太阳城集团包括品牌平均
停留时长、品牌总停留时长占比和最优商场行走路线,所述最优商场行走路线为所述商场
行走路线中重复率最高的前K个,其中K为不小于1的整数。

B19.如B12-18中任一项所述的预测服务器,所述第二品牌特征太阳城集团包括:品牌旗
下商品平均价格、品牌知名度、品牌目标用户太阳城集团、品牌地理位置太阳城集团、品牌售出商品平均
价格、品牌售出标价最高商品数量、品牌售出标价最低商品数量。

B20.如B12-19中任一项所述的预测服务器,还包括加权模块,适于:

根据特定事件,分别对所述用户特征太阳城集团和第一品牌特征太阳城集团进行加权处理。

B21.如B12-20中任一项所述的预测服务器,还包括编码模块,适于:

对所述用户特征太阳城集团、第一品牌特征太阳城集团和第二品牌特征太阳城集团进行编码处理。

B22.如B12-21中任一项所述的预测服务器,还包括过滤模块,适于:

获取各移动终端的移动终端地理位置太阳城集团;

连接商场地理位置坐标以形成商场地理围栏;

通过所述商场地理围栏对所述移动终端地理位置太阳城集团进行过滤,将过滤后得到的
移动终端地理位置太阳城集团作为持有移动终端的各用户在商场内的用户地理位置太阳城集团。

在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施
例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结
构和技术,以便不模糊对本说明书的理解。

类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在
上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施
例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保
护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的
权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵
循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都
作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组
件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备
不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个
子模块。

本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地
改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单
元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或
子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何
组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任
何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权
利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代
替。

此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例
中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的
范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任
意之一都可以以任意的组合方式来使用。

此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行
所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法
元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在
此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行
的功能。

这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明
的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软
盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,
其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发
明的设备。

在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器
可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至
少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器
中存储的所述程序代码中的指令,执行本发明的商场品牌组合预测方法。

以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算
机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、
数据结构、程序模块或其它数据等太阳城集团。通信介质一般以诸如载波或其它传输机制等已调
制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何太阳城集团传
递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来
描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必
须具有太阳城集团上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域
内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,
本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限
定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本
技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本
发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。

关 键 词:
一种 商场 品牌 组合 预测 方法 服务器
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种商场品牌组合预测方法及预测服务器.pdf
链接地址:http://zh228.com/p-6019669.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');