System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于自动控制领域,具体为一种基于ssa-lstm用户特性判定的智能跟随购物车跟踪算法。
技术介绍
1、目前,智能跟随购物车在一些大型商超中已经有所应用,但其控制算法却千篇一律,无法自主根据用户特性进行调节,在跟随方面尚有缺陷。在跟随策略方面,以往跟随控制算法对目的较为明确的用户和喜欢来回挑选的客户并未加以区分,采用同样的控制策略并不合适;在跟随速度方面,对于年轻人和老年人的步行速度并未区分,或仅是采用简单阈值控制,也并不合适。本专利技术使用lstm神经网络对不同用户人群的购物行为数据进行学习,同时使用ssa优化算法根据用户特性类别优化跟踪逻辑参数,以对不同用户实现最优跟踪效果。
技术实现思路
1、本专利技术提供了一种基于ssa-lstm用户特性的智能跟随购物车跟踪算法,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术包括如下步骤:
3、步骤s1,构建数据集,在大型商超入口发放定位手环,收集不同用户人群的购物行为数据,进行隐私处理后作为神经网络的训练数据集,并将其分为四类标签;
4、步骤s2,搭建网络模型,该网络模型主体为lstm长短期记忆网络,底层为softmax层,其中
5、通过所述长短期记忆网络循环学习不同用户人群购物时的行走路径及步行速度;
6、通过所述softmax层对lstm输出进行判定,得到用户类型分类;
7、步骤s3,训练,将通过softmax层的用户类型分类与标签分类采
8、步骤s4,在simulink中搭建智能跟随购物车运动学模型,根据不同用户分类,用ssa优化算法优化启停距离阈值、各档位跟踪速度等参数,使用数据集中用户购物路径进行仿真,将跟踪过程运动总时长作为ssa的适应度,经过迭代后即可得到最优的跟踪逻辑参数。
9、有益效果:本专利技术采用lstm神经网络作为智能购物车的用户分类算法,结合经过ssa优化的控制逻辑算法,可大大提高智能跟随购物车对于不同人群的跟踪效果,对于喜欢来回比较同类商品的用户,使用较大的启停阈值,降低购物车的移动次数,防止频繁的掉头行为;对于目的明确的用户,采用较小的启停阈值进行贴近式跟踪,减少用户等待时间,提高购物效率。
本文档来自技高网...【技术保护点】
1.一种基于SSA-LSTM用户特性判定的智能跟随购物车跟踪算法,其特征在于,包括如下步骤:
2.根据权利要求1所述智能跟随购物车跟踪算法,其特征在于,其中的训练数据集记录的数据包括路径二维坐标的时间序列、速度时间序列等。
【技术特征摘要】
1.一种基于ssa-lstm用户特性判定的智能跟随购物车跟踪算法,其特征在于,包括如下步骤:
2.根据权利...
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。