【技术实现步骤摘要】
一种商城客流量的预测方法、装置、电子设备及存储介质
[0001]本专利技术涉及客流量管理
,尤其涉及一种商城客流量的预测方法、装置、电子设备及存储介质。
技术介绍
[0002]客流是商城在管理和决策时必不可少的数据。提前预测商城未来的客流量,可以为商城管理者做活动策划、资源调配等决策提供科学依据,有效评估营销和促销的回报。现有的商城客流预测方法可以大致分为两大类:基于传统的时间序列预测方法以及基于传统机器学习/浅层神经网络的预测方法。其中,传统的时间序列预测方法比如均值法,指数平滑法,ARIMA等,预测误差较大。而基于传统机器学习以及浅层神经网络的预测方法比如循环神经网络(RNN),门控循环单元(GRU),随机森林回归等,在中长期预测(比如对未来24小时的客流量作预测)时效果较差。可见现有的商城客流预测方法存在的中长期预测的准确性和鲁棒性低的问题。
技术实现思路
[0003]本专利技术实施例提供一种商城客流量的预测方法,能够解决了现有技术中存在的中长期预测的准确性和鲁棒性低的问题。
[0004]第一方面,本专利技术实施例提供一种商城客流量的预测方法,所述方法包括:
[0005]获取商城待预测时间段的过去同一时间段的客流量,并对所述过去同一时间段的客流量进行短时序特征提取,得到对应的短时序特征向量;
[0006]获取商城待预测时间段的上周期同期历史客流量值,并对所述上周期同期历史客流量值进行长时序特征提取,得到对应的长时序特征向量;
[0007]获取商城待预测时间段 ...
【技术保护点】
【技术特征摘要】
1.一种商城客流量的预测方法,其特征在于,所述方法包括:获取商城待预测时间段的过去同一时间段的客流量,并对所述过去同一时间段的客流量进行短时序特征提取,得到对应的短时序特征向量;获取商城待预测时间段的上周期同期历史客流量值,并对所述上周期同期历史客流量值进行长时序特征提取,得到对应的长时序特征向量;获取商城待预测时间段的上下文信息,并对所述上下文信息进行上下文特征映射,得到对应的上下文特征向量,所述上下文信息包括天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种;对所述短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接,得到拼接向量;对所述拼接向量进行全连接处理,以得到商城待预测时间段的客流量。2.如权利要求1所述的商城客流量的预测方法,其特征在于,所述对所述过去同一时间段的客流量进行短时序列特征提取,得到对应的短时序特征向量的步骤包括:在编码阶段,将所述过去同一时间段的客流量进行编码,得到对应的编码输出向量,所述编码输出向量融合所述过去同一时间段的客流量对应的时序特征;在解码阶段,将所述编码输出向量进行解码,得到对应的解码输出向量,所述解码输出向量包括待预测时间段的客流量向量;将所述编码输出向量与所述解码输出向量执行注意力机制处理,得到短时序列特征向量,所述短时序列特征向量融合了所述过去同一时间段的客流量的时序特征。3.如权利要求2所述的商城客流量的预测方法,其特征在于,所述将所述编码输出向量与所述解码输出向量执行注意力机制处理,得到短时序列特征向量的步骤包括步骤:计算所述编码输出向量与所述解码输出向量之间的相关程度;对所述相关程度进行归一化处理得到所述编码输出向量的权重;对所述编码输出向量进行加权求和得到所述短时序列特征向量。4.如权利要求2所述的商城客流量的预测方法,其特征在于,所述将所述过去同一时间段的客流量输入进行编码,得到对应的编码输出向量的步骤包括:基于预设的时间间隔将所述过去同一时间段的客流量预设为客流量序列x(1)、x(1+n)、x(1+2n)
…
x(1+Tn),n为预设的时间间隔,所述T的取值范围为大于或等于1;将所述客流量序列x(1)、x(1+n)、x(1+2n)
…
x(1+Tn)依次进行编码,得到所述客流量序列x(1)、x(1+n)、x(1+2n)
…
x(1+Tn)对应的编码输出向量h(1)至h(T),所述编码输出向量h(1)至h(T)均与所述客流量序列x(1)、x(1+n)、x(1+2n)
…
x(1+Tn)一一对应。5.如权利要求4所述的商城客流量的预测方法,其特征在于,所述将所述编码输出向量进行解码,得到对应的解码输出向量的步骤包括:将最后一个输出h(T)作为初始隐藏层状态;将最后一个输出h(T)进行解码,得到解码输出向量s(i),当i等于1时,s(1)为过去同一时间段中第一时序序列对应的第一个输出向量;所述将所述编码输出向量与所述解码输出向量执行注意力机制...
【专利技术属性】
技术研发人员:蚁韩羚,
申请(专利权)人:深圳云天励飞技术股份有限公司,
类型:发明
国别省市:
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。