一种购物中心店铺营业额预测方法技术

本发明专利技术公开了一种购物中心店铺营业额预测方法，包括以下步骤：S1：获取影响该品牌在购物中心内店铺营业额的全维度数据并量化；所述S1包括：S11：城市自身的特性数据；S12：商圈的类型；S13：项目周边两公里、一公里的数据信息；S14：购物中心的运营情况；S15：项目身画像数据；S16：品牌店铺自身的数据；涉及营业额预测技术领域。该购物中心店铺营业额预测方法，通过对店铺的多项数据的获取和量化，并且利用公式和建模方法，有效的对购物中心中不同店铺进行未来营业额预测，从而可以根据购物中心内过往店铺的营业额表现，推测未来店铺在哪些购物中心内落位有更好表现，更加便于购物中心对店铺的安置的规划。铺的安置的规划。铺的安置的规划。

【技术实现步骤摘要】
一种购物中心店铺营业额预测方法


[0001]本专利技术涉及营业额预测
，具体为一种购物中心店铺营业额预测方法。

技术介绍

[0002]购物中心是多种零售店铺、服务设施集中在一个建筑物内或一个区域内，向消费者提供综合性服务的商业集合体。这种商业集合体内通常包含数十个甚至数百个服务场所，业态涵盖大型综合超市、专业店、专卖店、饮食店、杂品店以及娱乐健身休闲场所等。是20世纪50年代以来在西方国家兴起的一种商业组织形式。战后，西方国家城市居民为逃避交通拥挤和城市污染，纷纷迁居城郊，为满足此类富裕居民的需要，购物中心由此应运而生。它一般由投资者根据实际需要，在统一规划、设计的基础上兴建，然后招商租赁所有承租的商店共同使用公共设施，也分担公共支出，彼此既互相联系，又相互竞争。
[0003]购物中心中包含多种店铺，而同一店铺设置在不同的购物中心所得到的营业额都是不相同的，而为了使得购物中心获得最大化的利润，需要对购物中心内部不同的店铺的排放位置做出详细的规划，而目前技术中尚不存在一个完整的规划预测方法，使得在计算时尤为困难。

技术实现思路

[0004]本针对现有技术的不足，本专利技术提供了一种购物中心店铺营业额预测方法，解决了购物中心中包含多种店铺，而同一店铺设置在不同的购物中心所得到的营业额都是不相同的，而为了使得购物中心获得最大化的利润，需要对购物中心内部不同的店铺的排放位置做出详细的规划，而目前技术中尚不存在一个完整的规划预测方法，使得在计算时尤为困难的问题。
[0005]为解决上述技术问题，本专利技术提供的购物中心店铺营业额预测方法，包括以下步骤：
[0006]S1：获取影响该品牌在购物中心内店铺营业额的全维度数据并量化；所述S1包括：S11：城市自身的特性数据；S12：商圈的类型；S13：项目周边两公里、一公里的数据信息；S14：购物中心的运营情况；S15：项目的自身画像数据；S16：品牌店铺自身的数据；
[0007]S2：根据LightGBM对上述维度进行内置特征维度降维；
[0008]S3：使用两层的全连接神经网络对约简后的维度建模；
[0009]S4：选择适合的模型，模型的好坏根据命中率的高低来判断；
[0010]S5：利用模型预测未知购物中心的店铺营业额情况。
[0011]优选的，所述S11城市自身的特性数据包括：城市线级、城市商业线级、城市的平均房价。
[0012]优选的，所述S12商圈的类型包括：商圈的功能类型、商圈的发展类型。
[0013]优选的，所述S13项目周边两公里、一公里的数据信息包括：周边两公里的房价的均值、周边一公里的房价的均值、周边两公里的相对城市房价、周边一公里的相对城市房
价、周边一公里的商业POI点的数量、周边一公里的住宅小区的数量、周边一公里的写字楼的数量、周边一公里的公交站的数量、周边一公里的地铁站的数量、周边一公里的餐饮的数量、周边一公里的商业的数量、周边一公里的零售的数量。
[0014]优选的，所述S14购物中心的运营情况包括：项目自身客流数据(月均)、项目档次、项目的开发商运营等级_数值、项目的商业建筑面积_万平方米、项目本身首层租金_测算、项目自身的一线品牌店铺的数量、项目自身的二线品牌店铺的数量、项目自身的快时尚店铺的数量、项目自身的连锁品牌店铺的数量、项目自身的轻奢店铺的数量、项目自身的重奢店铺的数量。
[0015]优选的，所述S15项目的自身画像数据包括S151年龄、S152性别、S153资产等级，所述S151年龄包括：项目自身的35
‑
44岁的总数(月均客流)、项目自身的35
‑
44岁的比例(月均客流)、项目自身的0
‑
18岁的总数(月均客流)、项目自身的0
‑
18岁的比例(月均客流)、项目自身的45
‑
54岁的总数(月均客流)、项目自身的45
‑
54岁的比例(月均客流)、项目自身的25
‑
34岁的总数(月均客流)、项目自身的25
‑
34岁的比例(月均客流)、项目自身的19
‑
24岁的总数(月均客流)、项目自身的19
‑
24岁的比例(月均客流)、项目自身的>＝55岁的总数(月均客流)、项目自身的>＝55岁的比例(月均客流)，S152性别包括：项目自身的男性的总数(月均客流)、项目自身的男性的比例(月均客流)、项目自身的女性的总数(月均客流)、项目自身的女性的比例(月均客流)，S153资产等级包括：项目自身的工薪一族的总数(月均客流)、项目自身的工薪一族的比例(月均客流)、项目自身的超级富豪的总数(月均客流)、项目自身的超级富豪的比例(月均客流)、项目自身的富人的总数(月均客流)、项目自身的富人的比例(月均客流)、项目自身的中产的总数(月均客流)、项目自身的中产的比例(月均客流)。
[0016]优选的，所述S16品牌店铺自身的数据包括：店铺面积区间标准化、店铺开业年限(年)标准化、店铺所在楼层标准。
[0017]与相关技术相比较，本专利技术提供的购物中心店铺营业额预测方法具有如下有益效果：
[0018]本专利技术提供一种购物中心店铺营业额预测方法，通过对店铺的多项数据的获取和量化，并且利用公式和建模方法，有效的对购物中心中不同店铺进行未来营业额预测，从而可以根据购物中心内过往店铺的营业额表现，推测未来店铺在哪些购物中心内落位有更好表现，更加便于购物中心对店铺的安置的规划。
附图说明
[0019]图1为本专利技术计算公式的示意图；
[0020]图2为本专利技术两层神经网络算法示意图。
具体实施方式
[0021]下面结合附图和实施方式对本专利技术作进一步说明。
[0022]请结合参阅图1和图2，其中，图1为本专利技术计算公式的示意图；图2为本专利技术两层神经网络算法示意图。购物中心店铺营业额预测方法，包括以下步骤：
[0023]S1：获取影响该品牌在购物中心内店铺营业额的全维度数据并量化；所述S1包括：S11：城市自身的特性数据；S12：商圈的类型；S13：项目周边两公里、一公里的数据信息；
S14：购物中心的运营情况；S15：项目的自身画像数据；S16：品牌店铺自身的数据；
[0024]S2：根据LightGBM对上述维度进行内置特征维度降维，约简后的维度个数在12～18之间，LightGBM利用图1中公式分析不同维度对店铺营业额影响的程度；
[0025]S3：使用两层的全连接神经网络对约简后的维度建模，两层神经网络的做法如图2所示，其中，x是输入变量，有r个输入变量；y是输出变量，有s个输出类别，W是隐藏层到输出层的每个隐藏变量的权重；
[0026]S4：选择适合的模型，模型的好坏根据命中率的高低来判断，命中率的计算公式如下：
[0027]其中，模型分类为5类，分别4、3、2、1、0,分类排名的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种购物中心店铺营业额预测方法，其特征在于：包括以下步骤：S1：获取影响该品牌在购物中心内店铺营业额的全维度数据并量化；所述S1 包括：S11：城市自身的特性数据；S12：商圈的类型；S13：项目周边两公里、一公里的数据信息；S14：购物中心的运营情况；S15：项目的自身画像数据；S16：品牌店铺自身的数据；S2：根据 LightGBM 对上述维度进行内置特征维度降维； S3：使用两层的全连接神经网络对约简后的维度建模；S4：选择适合的模型，模型的好坏根据命中率的高低来判断；S5：利用模型预测未知购物中心的店铺营业额情况。2.根据权利要求 1 所述的一种购物中心店铺营业额预测方法，其特征在于：所述 S11 城市自身的特性数据包括：城市线级、城市商业线级、城市的平均房价。3.根据权利要求 1 所述的一种购物中心店铺营业额预测方法，其特征在于：所述S12 商圈的类型包括：商圈的功能类型、商圈的发展类型。4.根据权利要求 1 所述的一种购物中心店铺营业额预测方法，其特征在于：所述 S13 项目周边两公里、一公里的数据信息包括：周边两公里的房价的均值、周边一公里的房价的均值、周边两公里的相对城市房价、周边一公里的相对城市房价、周边一公里的商业 POI 点的数量、周边一公里的住宅小区的数量、周边一公里的写字楼的数量、周边一公里的公交站的数量、周边一公里的地铁站的数量、周边一公里的餐饮的数量、周边一公里的商业的数量、周边一公里的零售的数量。5.根据权利要求 1 所述的一种购物中心店铺营业额预测方法，其特征在于：所述 S14 购物中心的运营情况包括：项目自身客流数据（月均）、项目档次、项目的开发商运营等级_数值、项目的商业建筑面积_万平方米、项目本身首层租金_测算、项目自身的一线品牌店铺的数量、项目自身的二线品牌店铺的数量、项目自身的快时尚店铺的数量、项目自身的连锁品牌店铺的数量、项目自身的轻奢店铺的数量、项目自身的重奢店铺的数量。6.根据权利要求 1 所述...

【专利技术属性】
技术研发人员：谢飞，李艳赏，
申请(专利权)人：广东赢商网数据服务股份有限公司，
类型：发明
国别省市：