一种基于被动式WiFi与深度聚类的用户画像构建方法及系统技术方案

本发明专利技术涉及一种基于被动式WiFi与深度聚类的用户画像构建方法及系统，该提供包括：多个WiFi探测器、一个用于数据处理训练的服务器、一个存储数据的数据库。该方法包括：通过被动式WiFi技术扫描手机，结合深度学习进行聚类分析，从而刻画出典型画像。本发明专利技术提出的基于被动式WiFi与深度聚类的用户画像构建方法及系统，利用普及的具有WiFi功能的设备，无需携带特殊设备或额外下载终端，易于推广；利用被动式WiFi进行无感探测，覆盖范围广且操作方便；利用深度学习K‑means模型进行人流分布的预测，实现用户画像的精准刻。

A User Portrait Construction Method and System Based on Passive WiFi and Deep Clustering

The present invention relates to a user portrait construction method and system based on passive WiFi and depth clustering, which includes multiple WiFi detectors, a server for data processing training, and a database for storing data. The method includes: scanning mobile phones with passive WiFi technology, clustering analysis combined with in-depth learning, and then depicting typical portraits. The method and system of user portrait construction based on passive WiFi and depth clustering proposed by the invention can be easily popularized by using universal devices with WiFi function, without carrying special devices or additional downloading terminals; passive WiFi can be used for senseless detection with wide coverage and convenient operation; and K_means model of deep learning is used to predict the distribution of human flow to realize user portrait. The precise engraving of the image.

【技术实现步骤摘要】
一种基于被动式WiFi与深度聚类的用户画像构建方法及系统
本专利技术涉及被动式WiFi定位技术、机器学习方法、深度学习方法，特别是一种基于被动式WiFi与深度聚类的用户画像构建方法及系统。
技术介绍
用户画像是根据用户社会属性、生活习惯和消费行为等信息抽象出的标签化用户模型。用户画像核心价值在于了解用户、猜测用户的潜在需求、精细化的定位人群特征、挖掘潜在的用户群体。21世纪以来，随着智能手机与互联网技术的不断发展与革新，移动互联网作为二者结合的产物，近年来发展迅猛。随着人们使用智能手机的时长和频数的不断增加，其用户行为数据呈指数级增加，但用户的时间越来越趋于碎片化，各维度的信息也更丰富，若能对“用户画像”进行刻画，从而收集到的关于用户各方面的信息，可以包括人口属性、兴趣爱好、购物偏好、社交属性等等，可以很好地描述用户的许多特征，对产品人员展开针对性的设计产品，对运营人员开展精准化营销个性化推荐都起到了至关重要的作用。但如何对“用户画像”的特征进行完整精准捕捉与有效分析一直是刻画“用户画像”的痛点所在。现时期用户画像的研究主要集中于人类在互联网环境下的行为研究，用户画像是互联网发展下的产物，同时也推动了互联网市场的不断发展和壮大。现阶段用户画像的数据来源主要依靠网络用户行为进行捕捉与刻画，用户的网络行为固然能够为用户画像提供大量的数据样本，但是在生活多元化的大背景下，用户的网络行为存在着很大的局限性，使得对用户的画像刻画不够精确。伴随着室内定位技术的发展，尤其是基于被动式WiFi技术的出现与成熟，通过路由扫描手机，将数据发送到服务器，服务器进行定位运算，从而获取位置信息。同时，近年来深度学习作为一种新的机器学习方法开始受到研究人员和商业人士的高度关注。若能依靠被动式WiFi技术对用户的现实生活行为进行捕捉，根据大量的定位数据，结合深度学习K-means模型将人群进行聚类分析，对用户的画像进行完整有效刻画成为可能，刻画出一些典型的画像，让得用户画像更加精准明晰。
技术实现思路
本专利技术的目的在于提供一种基于被动式WiFi与深度聚类的用户画像构建方法及系统，以克服现有技术中存在的缺陷。为实现上述目的，本专利技术的技术方案是：一种基于被动式WiFi与深度聚类的用户画像构建系统，包括：多个WiFi探测器、一个用于数据处理训练的服务器、一个存储数据的数据库。进一步的，还提供一种基于被动式WiFi与深度聚类的用户画像构建方法，在室内场所适当位置放置若干个WiFi探测器，并根据室内场所的空间布局将其划分为N个区域；通过WiFi探测器获取N个区域当中个体所携带的智能手机的人流数据，并通过有线或无线网络传输并保存在服务器的关系型数据库中；所述服务器通过深度学习模型对人流数据进行聚类分析，并对用户的行为轨迹进行分类，构建用户的典型画像。在本专利技术一实施例中，所述人流数据包括：MAC地址、个体的(X，Y)位置数据；其中，每个MAC地址分别对应一个个体，即统计得多少个MAC地址就相当于有多少个体；个体的(X，Y)位置数据通过探测手机设备的RSSI值获取。在本专利技术一实施例中，所述WiFi探测器通过收发数据服务器，采用UDP通讯获取MAC地址、个体的(X，Y)位置数据，并上传至所述服务器。在本专利技术一实施例中，所述深度学习模型采用K-means聚类模型。在本专利技术一实施例中，所述K-means聚类模型通过如下步骤完成聚类分析：步骤S1：随机选择k个对象，每个对象初始地代表一个簇的平均值或者中心；对于剩余的每个对象，根据其到各个簇中心的距离，把它们分给距离最小的簇中心，然后重新计算每个簇的平均值；重复这个过程，直到聚类准则函数收敛；步骤S2：针对包含n个MAC地址对应的用户行为轨迹的数据集合D以及初始化的聚类数目k，从数据集合D中随机选择k个对象作为初始簇中心；步骤S3：根据簇的中心值，把数据集合中的n个对象全部分给符合预设距离范围的簇；步骤S4：更新簇的中心值，即重新计算每个簇的中心值；步骤S5：计算准则函数；步骤S6：若准则函数满足预设阈值，则退出；否则，返回步骤S2；步骤S7：通过循环往复上述步骤，将每个MAC地址对应的用户行为轨迹进行聚类分析，得到分类结果，从而得到典型的用户画像。在本专利技术一实施例中，所述所述准则函数采用全局误差函数或前后两次中心误差变化；所述全局误差函数为：所述前后两次中心误差变化为：其中，E代表误差，k代表k个聚类中心，i代表第i个聚类，xj代表第j个样本，Si代表第i个聚类的样本集合，ui代表第i个均值向量，uib是群组i的前一次重心，uia是群组i的后一次重心。相较于现有技术，本专利技术具有以下有益效果：本专利技术提出的一种基于被动式WiFi与深度聚类的用户画像构建方法及系统，利用普及的具有WiFi功能的设备(包括但不限于手机)，结合被动式WiFi技术采集定位数据，再根据被动式WiFi的定位数据，利用深度学习K-means模型进行人流分布的预测。深度学习当中的K-means模型能够将定位数据进行处理得到的用户行为轨迹进行分组，从而得到更加精准的用户画像。附图说明图1为本专利技术中基于被动式WiFi与深度聚类的用户画像构建系统的系统结构图。图2为本专利技术中基于被动式WiFi与深度聚类的用户画像构建方法示意图。图3为本专利技术中基于K-means模型的聚类分析流程图。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术提供一种基于被动式WiFi与深度聚类的用户画像构建系统，如图1所示，包括多个WiFi探测器，所述WiFi探测器包括但不限于路由器；一个用于数据处理训练的服务器，一个存储数据的数据库，数据库不限于任何关系型数据库。进一步的，还提供一种基于被动式WiFi与深度聚类的用户画像构建方法，如图2所示，在室内场所适当位置放置若干个WiFi探测器，包含但不限于路由器；并根据室内场所的空间布局将其划分为N个区域。然后，通过WiFi探测器去获取这N个区域当中个体所携带的智能手机的人流数据，主要是MAC地址、个体的(X，Y)位置数据，其中，MAC地址与智能手机是唯一对应的，每个MAC地址分别对应一个个体，即统计得多少个MAC地址就相当于有多少个体；个体的(X，Y)位置数据可以通过但不限于探测手机设备的RSSI值，并结合不限于任何一种的定位算法计算得到。将最终得到的MAC地址、(X，Y)位置数据等数据通过有线或无线网络保存在服务器当中不限于任何的关系型数据库中，通过深度学习K-means聚类模型对服务器中位置数据进行聚类分析，并对用户的行为轨迹进行分类，从而刻画出用户的典型画像。进一步的，在本实施例中，采用被动式WiFi技术采集周围WiFi设备信息，从而可以通过手机定位到人员的位置信息，并采用粒子滤波算法对非用户设备进行过滤。进一步的，在本实施例中，通过WiFi探测器中的收发数据服务器采用DP通讯获取MAC地址、位置数据，上传至数据处理训练服务器。进一步的，在本实施例中，数据处理训练服务器利用获取的MAC地址与位置信息，为每个MAC对应的个体刻画行为轨迹。进一步的，在本实施例中，如图3所示，K-means聚类模型按照如下步骤实现：步骤S1：将位置数据送入K-means模型训练之前，算法首先随机选择k个对象，每个对象初始地代表本文档来自技高网...

【技术保护点】
1.一种基于被动式WiFi与深度聚类的用户画像构建系统，其特征在于，包括：多个WiFi探测器、一个用于数据处理训练的服务器、一个存储数据的数据库。

【技术特征摘要】
1.一种基于被动式WiFi与深度聚类的用户画像构建系统，其特征在于，包括：多个WiFi探测器、一个用于数据处理训练的服务器、一个存储数据的数据库。2.一种基于被动式WiFi与深度聚类的用户画像构建方法，其特征在于，在室内场所适当位置放置若干个WiFi探测器，并根据室内场所的空间布局将其划分为N个区域；通过WiFi探测器获取N个区域当中个体所携带的智能手机的人流数据，并通过有线或无线网络传输并保存在服务器的关系型数据库中；所述服务器通过深度学习模型对人流数据进行聚类分析，并对用户的行为轨迹进行分类，构建用户的典型画像。3.根据权利要求2所述的一种基于被动式WiFi与深度聚类的用户画像构建方法，其特征在于，所述人流数据包括：MAC地址、个体的(X，Y)位置数据；其中，每个MAC地址分别对应一个个体，即统计得多少个MAC地址就相当于有多少个体；个体的(X，Y)位置数据通过探测手机设备的RSSI值获取。4.根据权利要求3所述的一种基于被动式WiFi与深度聚类的用户画像构建方法，其特征在于，所述WiFi探测器通过收发数据服务器，采用UDP通讯获取MAC地址、个体的(X，Y)位置数据，并上传至所述服务器。5.根据权利要求3所述的一种基于被动式WiFi与深度聚类的用户画像构建方法，其特征在于，所述深度学习模型采用K-means聚类模型。6.根据权利要求5所述的一...

【专利技术属性】
技术研发人员：江灏，阴存翊，陈静，缪希仁，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35