一种基于点位片段客流的点位客流量预测方法技术

本发明专利技术公开了一种基于点位片段客流的点位客流量预测方法，具体包括：首先采集离线数据，包括大量点位连续长时段客流样本、位置信息、场地信息、点位信息、环境信息、周边信息，环境信息、商家品牌信息等；再构造片段客流样本，再进行数据处理、特征工程和模型训练；然后再采集和构造片段客流视频，建立片段视频人数统计模型；最后根据输入片段视频样本及采集到的点位视频的时间、位置、场地等信息即可预测出所需的点位预计的日客流量、月日均客流量及全年每月日均客流量等客流量结果集。本发明专利技术为商家拓店及活动选址提供了一种点位客流量预测的简便高效精准的方法，且减少了人力物力的投入。入。入。

【技术实现步骤摘要】
一种基于点位片段客流的点位客流量预测方法


[0001]本专利技术属于客流量预测
，具体涉及一种基于点位片段客流的点位客流量预测方法。

技术介绍

[0002]随着线上流量红利瓶颈的出现和消费者的消费升级，商家线下营销、消费者线下体验的需求增长，线下流量越来越受重视。商家在线下举办快闪活动或者其他门店拓店选址时需要对场地进行流量评估，以期找到最佳的场地进行快闪和开店。
[0003]当前商家评估客流量都是依靠人工在待考察的场地进行长时间的客流量观测记录，依靠人工经验评估出场地的大致客流量，或者直接向数据服务商购买场地客流量数据，这些存在很多弊端，一方面依靠人工长时间观测费时费力，尤其是连锁品牌对于全国性的大范围选址需求时耗费大量的人力成本，人工经验预估也只是简单的大概测算，没有大数据的支持。另一方面即使购买了数据服务商的数据，现有的数据服务商的客流量数据范围大，没有点位级别的数据，同一片区域的不同位置客流量差异比较大，因此需要更细粒度的客流量数据支持商家更好的选择场地。
[0004]基于上述当前存在的问题，提供一种点位级的客流量预测方法是非常有必要的，以解决商家对于细粒度的客流量精准预测的迫切需求。

技术实现思路

[0005]针对现有技术中存在的没法预测点位级客流量的问题，本专利技术提供了一种有利于商家对点位客流量的精准把握，也有利于商家节省成本及提高商家拓店及活动选址场地评估效率的基于点位片段客流的点位客流量预测方法。
[0006]本专利技术采用的技术方案如下：一种基于点位片段客流的点位客流量预测方法，步骤如下：
[0007]步骤1：采集离线训练数据：点位客流量数据Flow(poi,t)、位置信息Loc_info(poi)、场地信息Place_info(place)及点位信息 Poi_info(poi)，周边信息Sur_info(place)、环境信息Context (place)、商家品牌信息Brand_info(brand)；
[0008]步骤2：构造片段客流样本：把点位连续的客流明细拆分组合统计出大量的片段客流量样本，包含具体时间、具体时长，时长内客流量，当日客流量；
[0009]步骤3：数据处理、特征工程与模型训练：
[0010]步骤4：采集准备大量的片段客流视频：其中片段客流视频可以来自上述步骤1的采集的客流量视频数据进行片段拆分成大量的片段视频样本，还有通过手机或者其他视频录制设备在不同场地点位采集到的若干分钟的片段，其中N是0
‑
60分钟的任意数值；
[0011]步骤5：训练客流人数统计模型：通过视频人物跟踪算法对采集到的视频样本及利用公开的视频数据集，训练调参出适用于当前场景的最优模型；
[0012]步骤6：基于片段客流视频的模型客流预测在线推理。
[0013]优选地，其中点位客流量数据Flow(poi，t)是固定在点位连续一天以上的明细数据，明细是指不同标识的人具体出现在点位的时间点，通过明细数据能统计出点位视频统计日期内具体时段、分钟、或者一天的客流数，数据可通过固定在点位的人数统计视频设备统计或者是第三方数据提供商直接提供的明细数据；
[0014]位置信息Loc_info(poi)包含拍摄点位的省市区、经纬度、所处商圈，城市级、城市类型；
[0015]场地信息Place_info(place)包含场地地址、场地类型、场地编号、场地面积、建筑时间、场地楼层、场地平均租金、场地品牌门店分布、客流量水平、消费水平场地标签画像、场地业态分布、场地客群人群画像、场地历史成交信息，其中场地类型涉及商场、写字楼、景区，街铺、小区，场地指的是具体的购物中心、写字楼、小区、楼宇名称和编号；
[0016]点位信息Poi_info(poi)包含点位具体信息，点位指的是待开店或者举办商业活动的待评估其过店客流的位置，点位信息具体指的是点位的详细信息，包含所处楼层、门牌号、所处楼层业态分布、点位当前门店品牌、点位附近品牌及行业信息、点位租金、点位店铺类型、点位门店面积、点位客流量；
[0017]周边信息Sur_info(place)包含场地周边的交通设施、公共设施 (加油站、充电站)；
[0018]环境信息Context包含天气、季节、节假日、星期、促销活动；
[0019]商家品牌信息Brand_info包含行业、企业、连锁门店数、品牌定位、目标客群、产品均价、竞品品牌。
[0020]优选地，整个过程的处理过程依实际测试集的评估效果而定，包含缺失值处理、离群点处理、特征编码、特征衍生、特征变换、特征选择、特征组合、模型选择、模型调参，用来训练预测当日客流量的方法可选择统计方法、聚类+统计，机器学习回归算法和深度学习算法，模型融合方法集合{M
i
}，选出最优的模型A；预测出日客流量之后，还能根据上述提到的方法{M
i
}构造最优模型B进行当月工作日日均和非工作日日均客流量的预测，再根据月日均客流量上述提到的方法{M
i
}构造最优模型C,进行点位全年客流量估计。
[0021]优选地，模型A的预测目标有两种方式：方式一预测目标T1是把当日客流量当做预测目标，方式二预测目标T2是片段客流所属的小时在一天总客流量占比。
[0022]优选地，样本特征构造和预测有两种方式可以选择：
[0023]方式一样本S1:把片段客流量根据时长占比按占比系数换算成一个小时的客流量，再根据具体小时，小时客流量及其步骤1描述的其他信息去构造特征；
[0024]方式二样本S2：直接步骤2的样本及其步骤1描述的其他信息去构造特征。
[0025]优选地，其中统计方法是可以根据历史数据统计的小时的分布简单预测出日客流量；
[0026]其中聚类+统计方法是对点位先进行聚类，再根据上述统计方法预测出日客流量；
[0027]其中机器学习算法包含线性回归、岭回归、lasso回归、决策树、随机森林、XGBoost、LightGBM及其各种模型结果的组合，根据片段的客流量预测出当日客流量；
[0028]其中深度学习方法包含不同深度的神经网络及其不同神经网络的组合；
[0029]其中模型融合方法包含上述提到的方法任意组合方式得到的结果再进行组合的方式。
[0030]优选地，基于片段客流视频的模型客流预测在线推理的具体步骤如下：
[0031]首先采集踩点任务的信息：包括步骤1中的位置信息、点位信息、场地信息、点位信息、周边信息、环境信息，待开展活动品牌信息；
[0032]其次：通过手机设备或者其他的客流视频拍摄设备录制待评估客流的点位客流视频，可以拍摄若干段N分钟视频，拍摄时段分布在点位的营业时间；依次分析出各段视频的客流量人数，得到视频拍摄时间及其对应的客流量；
[0033]然后：根据若干点位时间客流量根据步骤2模型A、B、C分别输出预测客流量的结果集，其中点位一个片段对应一个客流样本会有对应模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点位片段客流的点位客流量预测方法，其特征在于：其步骤如下：步骤1：采集离线训练数据：点位客流量数据Flow(poi,t)、位置信息Loc_info(poi)、场地信息Place_info(place)及点位信息Poi_info(poi)，周边信息Sur_info(place)、环境信息Context(place)、商家品牌信息Brand_info(brand)；步骤2：构造片段客流样本：把点位连续的客流明细拆分组合统计出大量的片段客流量样本，包含具体时间、具体时长，时长内客流量，当日客流量；步骤3：数据处理、特征工程与模型训练：步骤4：采集准备大量的片段客流视频：其中片段客流视频可以来自上述步骤1的采集的客流量视频数据进行片段拆分成大量的片段视频样本，还有通过手机或者其他视频录制设备在不同场地点位采集到的若干分钟的片段，其中N是0
‑
60分钟的任意数值；步骤5：训练客流人数统计模型：通过视频人物跟踪算法对采集到的视频样本及利用公开的视频数据集，训练调参出适用于当前场景的最优模型；步骤6：基于片段客流视频的模型客流预测在线推理。2.根据权利要求1所述的一种基于点位片段客流的点位客流量预测方法，其特征在于：其中点位客流量数据Flow(poi，t)是固定在点位连续一天以上的明细数据，明细是指不同标识的人具体出现在点位的时间点，通过明细数据能统计出点位视频统计日期内具体时段、分钟、或者一天的客流数，数据可通过固定在点位的人数统计视频设备统计或者是第三方数据提供商直接提供的明细数据；位置信息Loc_info(poi)包含拍摄点位的省市区、经纬度、所处商圈，城市级、城市类型；场地信息Place_info(place)包含场地地址、场地类型、场地编号、场地面积、建筑时间、场地楼层、场地平均租金、场地品牌门店分布、客流量水平、消费水平场地标签画像、场地业态分布、场地客群人群画像、场地历史成交信息，其中场地类型涉及商场、写字楼、景区，街铺、小区，场地指的是具体的购物中心、写字楼、小区、楼宇名称和编号；点位信息Poi_info(poi)包含点位具体信息，点位指的是待开店或者举办商业活动的待评估其过店客流的位置，点位信息具体指的是点位的详细信息，包含所处楼层、门牌号、所处楼层业态分布、点位当前门店品牌、点位附近品牌及行业信息、点位租金、点位店铺类型、点位门店面积、点位客流量；周边信息Sur_info(place)包含场地周边的交通设施、公共设施(加油站、充电站)；环境信息Context包含天气、季节、节假日、星期、促销活动；商家品牌信息Brand_info包含行业、企业、连锁门店数、品牌定位、目标客群、产品均价、竞品品牌。3.根据权利要求1所述的一种基于点位片段客流的点位客流量预测方法，其特征在于：整个过程的处理过程依实际测试集的评估效果而定，包含缺失值处理、离群点处理、特征编码、特征衍生、特征变换、特征选择、特征组合、模型选择、模型调参，用来训练预测当日客流量的方法可选择统计方法、聚类+统计...

【专利技术属性】
技术研发人员：王丽燕，覃锦华，李颖翀，
申请(专利权)人：杭州路过网络有限公司，
类型：发明
国别省市：