一种商场品牌组合预测方法及预测服务器技术

技术编号:15502636 阅读:52 留言:0更新日期:2017-06-03 23:26
本发明专利技术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:获取用户地理位置信息和品牌信息,对其进行处理以获取用户特征信息和第一品牌特征信息;获取基本人口统计学数据,对品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息;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;将用户特征信息、第一品牌特征信息和第二品牌特征信息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;将用户特征信息、第二品牌特征信息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。

Shopping mall brand combination forecasting method and prediction server

The invention discloses a mall brand portfolio prediction and prediction server, the method includes: obtaining the information of user location information and brand, carries on the processing to obtain user information and feature information of the first brand; to obtain the basic demographic data, processing of brand information, user characteristics information and basic demographic data. In order to obtain second brand characteristics; the first deep learning neural networks were constructed and second deep learning neural network; user characteristic information, the first brand of feature information and feature information of second brands as the first deep learning neural network input, the training of the first deep learning neural network, to get the brand purchase probability of users; second brand characteristic information, feature information and user purchase probability as the second depth Learning the inputs of neural networks, second depth learning neural networks are trained to predict the largest portfolio of users with the greatest probability of purchase.

【技术实现步骤摘要】
一种商场品牌组合预测方法及预测服务器
本专利技术涉及大数据处理
,特别涉及一种商场品牌组合预测方法及预测服务器。
技术介绍
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,例如应用信息、移动设备信息、环境信息、位置信息等。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。
技术实现思路
为此,本专利技术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。根据本专利技术的一个方面,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信息、各品牌的品牌信息和基本人口统计学数据,用户地理位置信息包括用户标识、经纬度、时间戳和楼层,品牌信息包括品牌名称、品牌地理位置信息、品牌商品信息和品牌售卖信息,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信息和品牌信息,并对其进行处理以获取用户特征信息和第一品牌特征信息,用户特征信息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,对品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息;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;将用户特征信息、第一品牌特征信息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;将用户特征信息、第二品牌特征信息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,在根据本专利技术的商场品牌组合预测方法中,品牌商品信息包括品牌旗下商品名称、商品价格、商品数量、商品上架时间、商品预计下架时间和是否应季。可选地,在根据本专利技术的商场品牌组合预测方法中,品牌售卖信息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,在根据本专利技术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,在根据本专利技术的商场品牌组合预测方法中,获取用户特征信息和第一品牌特征信息包括:对品牌名称、品牌地理位置信息和用户地理位置信息进行处理,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;对品牌售卖信息进行处理,结合单个品牌停留时长和商场内行走路线,获取用户特征信息;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信息。可选地,在根据本专利技术的商场品牌组合预测方法中,用户特征信息还包括: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,在根据本专利技术的商场品牌组合预测方法中,第一品牌特征信息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,在根据本专利技术的商场品牌组合预测方法中,第二品牌特征信息包括:品牌旗下商品平均价格、品牌知名度、品牌目标用户信息、品牌地理位置信息、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,在根据本专利技术的商场品牌组合预测方法中,还包括:根据特定事件,分别对用户特征信息和第一品牌特征信息进行加权处理。可选地,在根据本专利技术的商场品牌组合预测方法中,还包括:对用户特征信息、第一品牌特征信息和第二品牌特征信息进行编码处理。可选地,在根据本专利技术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信息;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信息进行过滤,将过滤后得到的移动终端地理位置信息作为持有移动终端的各用户在商场内的用户地理位置信息。根据本专利技术的又一个方面,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信息、各品牌的品牌信息和基本人口统计学数据,用户地理位置信息包括用户标识、经纬度、时间戳和楼层,品牌信息包括品牌名称、品牌地理位置信息、品牌商品信息和品牌售卖信息;第一处理模块适于从数据存储设备中获取用户地理位置信息和品牌信息,并对其进行处理以获取用户特征信息和第一品牌特征信息,用户特征信息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,对品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息;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信息、第一品牌特征信息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信息、第二品牌特征信息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。根据本专利技术的又一个方面,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专利技术的商场品牌组合预测方法。根据本专利技术的商场品牌组合预测的技术方案,首先对用户地理位置信息和品牌信息进行处理,以获取用户特征信息和第一品牌特征信息,再对品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息,然后将用户特征信息、第一品牌特征信息和第二品牌特征信息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,最后将用户特征信息、第二品牌特征信息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、品牌信息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信息,对这些特征信息进行加权处理、编码处理等进一步处理以提高特征信息的有效性,再利用构建好的第一深度学习网络对用户特征信息进行分析,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,本文档来自技高网...
一种商场品牌组合预测方法及预测服务器

【技术保护点】
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、各品牌的品牌信息和基本人口统计学数据,所述用户地理位置信息包括用户标识、经纬度、时间戳和楼层,所述品牌信息包括品牌名称、品牌地理位置信息、品牌商品信息和品牌售卖信息,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信息和品牌信息,并对其进行处理以获取用户特征信息和第一品牌特征信息,所述用户特征信息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,对所述品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息;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;将所述用户特征信息、第一品牌特征信息和第二品牌特征信息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;将所述用户特征信息、第二品牌特征信息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。...

【技术特征摘要】
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、各品牌的品牌信息和基本人口统计学数据,所述用户地理位置信息包括用户标识、经纬度、时间戳和楼层,所述品牌信息包括品牌名称、品牌地理位置信息、品牌商品信息和品牌售卖信息,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信息和品牌信息,并对其进行处理以获取用户特征信息和第一品牌特征信息,所述用户特征信息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,对所述品牌信息、用户特征信息和基本人口统计学数据进行处理,以获取第二品牌特征信息;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;将所述用户特征信息、第一品牌特征信息和第二品牌特征信息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;将所述用户特征信息、第二品牌特征信息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,所述品牌商品信息包括品牌旗下商品名称、商品价格、商品数量、商品上架时间、商品预计下架时间和是否应季。3.如权利要求1或2所述的方法,所述品牌售卖信息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,所述获取用户特征信息和第一品牌特征信息包括:对所述品牌名称、品牌地理位置信息和用户地理位置信息进行处理,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;对所述品牌售卖信息进行处理,结合所述单个品牌停留时长和商场内行走路线,获取所述用户特征信息;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信息。6.如权利要求1-5中任一项所述的方...

【专利技术属性】
技术研发人员:冯博张夏天王泽铭
申请(专利权)人:腾云天宇科技北京有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1