【技术实现步骤摘要】
本专利技术涉及基于移动手机信息的选址技术，尤其涉及一种基于手机信令数据的商业区域选址方法及系统。
技术介绍
1、商业选址一直是市场开发中至关重要的一步。传统的商业选址方法通常依赖于市场研究、地理分析和试错。然而，这些方法往往昂贵、耗时费力且不一定能够充分利用可用数据。如何能更智能、数据驱动的方法来辅助商业选址决策，使其提高效率和准确性，是一个需要不断研究的问题。
2、手机信令数据包括用户的位置信息、用户时间信息。这些数据提供了有关用户行为和位置的详细信息，可以用于深入了解人口密度、移动趋势和用户活动，能够更好地理解消费者行为和需求，可用于商业选址决策。
3、商业选址至关重要，直接关系到企业的成功与否。现有的商业选址方法存在一些不足，商业选址通常依赖各种数据源，这些数据会存在不准确、过时的问题，最终影响选址准确性。同时商业环境是动态变化的，选址时考虑的因素可能在未来发生变化，因此需要及时调整，现有技术难以准确预测未来的市场趋势。
技术实现思路
1、本专利技术的目的是提出一种基于手机信令数据的商业选址方法，以解决传统商业选址方法的不足，通过使用强化学习算法为商业选址提供更准确的解决方案。
2、本专利技术采用手机信令数据作为数据源，解决商业选址时人口流动数据不准确以及过时的问题。同时，将强化学习算法应用于商业选址问题中，根据众多用户的历史移动数据预测未来某一时段人群的分布情况，解决商业选址预测未来市场趋势的不足，可提供更准确的商业选址决策，有助于最大程
3、本专利技术的技术方案如下：
4、一种基于手机信令数据的商业区域选址方法，包括如下步骤：
5、步骤一、获取手机信令数据，城市道路数据、所在城市poi(兴趣点，point ofinterest)数据，对这些数据进行清洗和预处理；
6、步骤二、结合poi数据与手机信令数据，设计用户行为模式计算方法，分析用户行为模式，将用户活动划分为娱乐、住宿、工作和餐饮四大类；
7、步骤三、根据用户的行为模式和地理位置信息，构建强化学习算法的训练数据集，包括了用户在不同地点和时间的行为历史，以及与每个行为相关的奖励信息；
8、步骤四、构建强化学习模型算法，基于历史数据和奖励信息，预测出用户在不同地点的分布情况，并计算每个地区内未来时间段的用户数量；
9、步骤五、采用核密度分析方法对各地区用户数量进行核密度分析，选定人群密度高的地区作为商业选址的候选区域；
10、使用arcgis软件中的核密度分析工具，对各个地区的用户数量进行核密度分析，选出人群密度较高的地区作为商业选址的候选区域；
11、步骤六、利用城市道路数据、候选区域poi数据与商业选址候选区域数据，基于商店类型、竞争对手、交通情况和人群密度设计商业选址算法，计算出最合适的选址策略，包括商业建设位置(如在何处建设店铺)、商业类型(店铺类型)和运营时间等。
12、进一步地，所述步骤一中收集数据、数据清洗和预处理的具体步骤如下：
13、11)用户的手机信令数据包括，身份标识符、出行序号、出行时间、经纬度信息。根据出行时间按照从早到晚进行排序，获得用户一天的位置移动轨迹。城市道路数据包括道路类型、道路连接等。使用高德地图api提供的poi数据，分成娱乐、住宿、工作和餐饮四大类。poi数据包括名称、经纬度和区域名称。本专利技术具体实施时，其中poi类型进一步包括餐饮美食、公司企业、购物消费、交通设施、金融机构、酒店住宿、科教文化、旅游景点、商务住宅、生活服务、休闲娱乐、医疗保健和运动健身。
14、12)每个用户的手机的信令数据序列：
15、<uid,move_id,move_vp_id,stime,grid_id,lat,lon>
16、其中，uid表示用户的身份标识符，move_id表示运营商根据日期划分的用户出行序号即出行顺序的标识符，move_vp_id表示用户在本次出行的序号，stime表示用户的出行时间，grid_id表示用户出行所在的网格信息，lat表示运营商在时间段内记录用户所在位置的纬度，lon表示运营商在时间段内记录到用户所在位置的经度。对于单个用户的手机信令数据序列，包括用户身份标识符、出行序号、时间戳、所在经纬度等信息。
17、13)对于单个用户的手机信令数据存在短时间内在两个基站来回切换，即标注为乒乓数据，对于此类数据，保留记录中的第一条数据和最后一条数据，其余数据记录作删除处理。
18、对于单个用户的手机信令数据存在短暂间隔后出现在较远的基站，即标注为漂移数据，对于此类数据，设置时间窗口，删除在时间窗口内速度v大于阈值的数据。
19、进一步的，所述步骤二中用户行为模式计算的具体步骤如下：
20、用户出行轨迹的语义特征是根据附近poi集合，基于距离与时间给予不同权重进行计算，其中poi与用户的所在地区越近，权重越大；用户轨迹中记录的时间与生活中的住宿、工作、餐饮娱乐时间越接近、权重越大。其语义特征计算公式如下：
21、
22、其中featureij表示第i个用户的第j条数据所代表的语义特征，即行为模式；n表示poi类型集合中的数量，αn表示第n个poi类型集合中的距离权重，βn表示第n个poi类型集合中的时间权重，distance表示第n个poi地点与用户位置的距离，time表示用户语义轨迹中的起始时间与当前poi工作时间的交集时长。
23、poi类型集合是用户位置附近的poi点位的集合，具体是通过获取用户的当前位置，在poi数据中找到附近的poi，并生成集合。
24、进一步的，所述步骤三中构建强化学习算法训练集的具体步骤如下：
25、根据识别出的用户行为与手机信令中的位置和时间信息构建强化学习算法训练集；
26、通过步骤一中得到的手机信令数据的位置信息与时间信息，与步骤二中得到的用户语义特征相结合，得到当前用户一天的轨迹与行为模式序列，将每个用户的轨迹与行为模式序列，作为训练数据。每条训练数据包含的字段有：<uid,lat,lon,feature>；其中uid表示用户的身份标识符，lat表示运营商在时间段内记录用户所在位置的纬度，lon表示运营商在时间段内记录到用户所在位置的经度，feature为该用户当前的行为模式。
27、在训练数据中为每个用户的轨迹与行为模式序列设置奖励。奖励为一个数值，用于衡量行为的好坏。奖励根据用户所在当前区域的特性，如该地区偏向：办公、餐饮、娱乐或商业，以及用户的行为模式来进行动态调整。
28、进一步的，步骤四中基于强化学习构建用户出行分布强化学习预测模型，实现在未来时间用户位置分布情况；具体步骤如下：
29、41)使用用户出行的轨迹与行为模式作为训练数据集，每个用户当天最后的位置作为预测目标，训练一个拥有注本文档来自技高网...
【技术保护点】
1.一种基于手机信令数据的商业区域选址方法，其特征是，包括如下步骤：
2.如权利要求1所述基于手机信令数据的商业区域选址方法，其特征是，步骤一中收集数据、数据清洗和预处理包括如下具体步骤：
3.如权利要求1所述基于手机信令数据的商业区域选址方法，其特征是，步骤二中，用户行为模式划分为娱乐类、住宿类、工作类和餐饮类。
4.如权利要求1所述基于手机信令数据的商业区域选址方法，其特征是，步骤33)中，所述奖励数值根据用户所在当前区域的特性以及用户的行为模式来进行动态调整。
5.如权利要求1所述基于手机信令数据的商业区域选址方法，其特征是，步骤五具体是使用ArcGis软件中的核密度分析工具，对各区域用户数量进行核密度分析，选出人群密度高的区域作为商业选址的候选区域。
6.如权利要求5所述基于手机信令数据的商业区域选址方法，其特征是，步骤五具体包括如下过程：
7.一种利用权利要求1所述基于手机信令数据的商业区域选址方法实现的系统，其特征是，系统包括：手机信令数据预处理模块、用户行为模式决策模块、用户位置预测模块、推荐商
...【技术特征摘要】
1.一种基于手机信令数据的商业区域选址方法，其特征是，包括如下步骤：
2.如权利要求1所述基于手机信令数据的商业区域选址方法，其特征是，步骤一中收集数据、数据清洗和预处理包括如下具体步骤：
3.如权利要求1所述基于手机信令数据的商业区域选址方法，其特征是，步骤二中，用户行为模式划分为娱乐类、住宿类、工作类和餐饮类。
4.如权利要求1所述基于手机信令数据的商业区域选址方法，其特征是，步骤33)中，所述奖励数值根据用户所在当前区域的特性以及用户的行为模式来进行动态调整。
...
【专利技术属性】
技术研发人员：张珣，丛杨潇，邹进，石金莲，杨迪，
申请(专利权)人：北京工商大学，
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。