CN105373940A - 智能商场信息系统 - Google Patents

Abstract

本发明公开了一种智能商场信息系统。步骤包括：从本地SD卡获得事务数据项集D；通过用户输入的自定义值；对频繁项集中项目的推荐度进行计算；实现对消费者输入的商品进行相关商品智能推荐的功能；预测下一月该商品的销售量。该系统包括一个FPGA模块及外接设备。本发明从商品信息的特性出发，将Apriori算法以及BP神经网络学习算法在系统中进行结合，并形成完整可行具有多个功能块的系统。整体上具有相对集成化高，成本低，速度快，商品信息分析可靠具有可参考性，并且支持在本地的商品信息输入，具有良好的可行性、适应性以及可观的人机交互性。

Description

智能商场信息系统

技术领域

本发明属于商务智能中的数据挖掘技术领域，涉及关联性分析、Apriori算法以及BP神经网络算法，尤其涉及一种结合两种算法并实现其功能的智能商场信息系统。

背景技术

目前，商务智能领域正不断被发掘和扩展中，该领域中的核心技术包括数据仓库技术、数据挖掘技术、联机分析处理技术等也不断地发展，进一步推进商务智能在生活中的应用，促进商业利润的不断增加，推动经济发展。在推进商场等进行合理化智能化商品管理时，经常需要对商场销售记录，即被销售商品信息所存在的潜在商业信息进行发掘和分析，进而得到可靠并且具有决断性以及实际意义的信息。在这里智能商场信息系统以及其携带的智能算法能够有效地达成这一目的实现其功能。智能商场信息系统通过对商场顾客的消费记录中的商品进行关联性分析，以及商品相当一段时间内的销售量的回归分析，进而将最后结果通过可视化图表以及文字形式进行呈现，为商场智能优化货柜商品位置摆放，以及智能控制商品进货量以及配送量提供可靠的参考。

在BI领域，对商品信息的处理过程中，考虑到商品信息存在一些特性。一方面是相较于其他数据，商场的商品信息的信息量相当的庞大，并且商品信息会因地域不同、季节变更、经济情况、以及某些商品的特殊性而存在不确定性。另一方面是从现实可行性需求分析，商务智能中对于商品信息的分析，基于商场对商品相关信息的需求，不同类型的商场对于商品信息的需求不同，这需要我们对商场的需求有十分确切以及实时的了解。而正是因为这样的特性，目前的智能商场系统就商场的基础信息需求以及绝大多数商场共有的需求对数据进行分析，进而得到可靠的参考信息。

数据挖掘，从大量的数据中挖掘出隐含的、未知的、对决策有价值的知识和规则，在商务智能中十分重要的技术领域。针对商品信息的特性，数据挖掘领域中的多种算法都能够对信息进行处理。如贝叶斯分类器、决策树等对数据进行分类的方法；如对商品相似度进行分析进而归类商品的KMeans聚类算法，该算法运算速度快，但由于算法中存在的聚类数目K的取值可能对结果产生影响；如能够快速处理混合类型数据的聚类问题的K-prototypes算法。另外有以其他基于密度、网格、模型等的聚类分析方法对商品信息进行聚类分析。每种方法都存在各自的优缺点，适用范围也相对有限，对于不同的数据类型特征、数据质量等存在着不同的制约因素。

智能商场信息的提取要求时效性、有效性和针对性以及良好的可读性和交互性。数据挖掘领域的关联规则发现技术中的Apirori算法以及目前被广泛应用的监督式学习方法BP神经网络算法能够实现对商场信息的有效分析和提取。在智能商场信息系统中，这是十分重要的，只有更加准确和具有实际意义的商品信息才能够进一步推动商场的智能发展。如卖家将会从自己所持有的顾客消费记录中寻找顾客购买商品的潜在规律，并且进行相关规律的实际对应措施的实施；同时卖家也会从近阶段商品的销售情况，进而推测商品未来的未知销售量。而这两种情况正能够对应我们的两种算法所进行的对数据的分析。前者应用Apriori算法能够准确并且有效地对大量的销售记录进行商品的关联规则分析；后者则应用BP神经网络算法对销售量进行回归预测，基于商品信息的时效性为未知销售量做出可靠预测作为参考。

关联规则Apriori算法是目前广泛应用于智慧商场领域的方法之一。该算法能够有效的将商品之间的关联规则进行挖掘和呈现，但仍旧存在一些不足：①I/O负载大，产生过多的候选项目集；②商场中的商品数据存在着因季节、利润、地域、时间等因素导致的不确定性以及杂乱性，该算法对影响因素的有效措施并不完善。同样BP神经网络算法，在被广泛应用的同时也存在着一些不足，即存在平坦区域，因误差对权值的梯度变化小二导致的区域，而这样也导致误差下降缓慢，影响收敛速度。近年来商务智能不断发展的过程中，Apriori算法也在不断的被修改和完善，如通过对数据进行加权计算，从而对不同类别商品的项集发现进行区分等一些措施。国内外针对BP神经网络算法的不足也不断地提出改进，消除样本输入顺应影响等。但目前仍旧存在着一些可见或不可见的因素影响着数据信息的提取。因此，能够更加准确、可靠、并且切合实际地对商品信息进行提取和分析仍旧是智慧商场领域的研究热点并具有客观前景。

常见的嵌入式系统基于传统集成电路设计，需要整合大量的外围电路，由于PCB板中的IC芯片之间的连线延时，以及本身的体积和重量等因素的限制，整机系统的性能受到了很大的制约。近年来具有超大规模、低功耗、低成本、设计灵活等优点的FPGA（FieldProgrammableGateArray，现场可编程门阵列）成为行业主流并被广泛应用在高速度、高密度的数字电路设计领域。工业、农业、医疗、科研等领域集成电路设计已经进入了片上系统(SystemonaChip,SoC)时代，其将微处理器、模拟IP核、数字IP核和存储器(或片外存储控制接口)集成在单一芯片上。SoPC(SystemonaProgrammableChip)是一种基于FPGA的SoC设计方案，它将FPGA及微处理器的核心嵌在同一芯片上，构成一个可编程的SoPC系统框架，具有高度的集成能力，很大程度上减小了产品体积以及外部信号对系统的干扰，大大增加了系统的可靠性、稳定性和灵活性。全球著名FPGA制造商Altera推出的内部集成软核处理器NiosII及各种IP核的CycloneII，是一种目前民用市场常用的SoPC架构，配合SoPCBuilder和NiosIIIDE开发工具，能够在很短的时间内推出一个完整的系统，极大的方便了系统的开发。该架构也成为医疗行业信号检测、数据处理等系统设计的发展趋势。

发明内容

本发明的目的是结合目前应用效果较好的Apriori智能算法以及半学习式的BP神经网络算法对智慧商场的商品信息进行智能挖掘与分析方法。有效实现商品货柜位置摆放的优化以及商品销售量的预测的功能，为商场提供更多更可靠的参考信息。

本发明提供了一种结合并实现多种智能算法的智慧商场信息系统。

本发明所采用的技术方案是：

1、智能商业信息系统，其特点是，按以下定义和步骤实施：

定义：

定义1：定义D为事物数据项集，是消费者购物数据的总和；

定义2：定义L1’项集为D所包含的所有的销售记录中不重复的包含一种商品的项集；

定义3：支持度(Support)指A和B两个项集的并集A∪B在D中出现的概率P(AUB)，即

；

定义4：置信度(Confidence)表示事务数据库D在包含A的事务的前提下同时也包含B的概率P（B|A），即

\*MERGEFORMAT；

定义5：定义L1为一维频繁项集，指支持度不小于用户给定的最小支持度阈值（minsup）的项集，1维频繁项集记为L1，以此类推，n维频繁项集记为Ln；

定义6：定义训练集\*MERGEFORMAT,表示若干组销售量数据与对应月份所组成的集合；

定义7:在向前的多层前馈网络中

\*MERGEFORMAT

定义8：在后向传播中，有

\*MERGEFORMAT

定义9：均方误差e的结果由均方函数求得，其中，均方函数：，输出维度为1；

定义10：梯度下降法更新权值时，

\*MERGEFORMAT

步骤1：从本地SD卡获得事务数据项集D；

步骤2：打开软件运行，导入购物数据置软件中，通过用户输入的自定义值，为阈值sup；

步骤3：系统软件运用Apirori算法对事务数据项集D进行频繁项集的发现，并对频繁项集中项目的推荐度进行计算；

步骤4：根据步骤3的分析结果，实现对消费者输入的商品进行相关商品智能推荐的功能；

步骤5：从本地SD卡获得商品的前一段时间每个月的销售量记录，运用BP神经网络算法，对该数据记录进行分析，预测下一月该商品的销售量。

该系统包括一个FPGA模块及外接设备，

所述的FPGA模块中，设置有Avalon总线及三态桥总线，在Avalon总线及三态桥总线上连接有Flash控制器、SDRAM控制器、通用IO、LCD驱动器、定时器、LTM控制器、C2H加速、SD卡控制器、以太网控制器、JTAGUART模块和NiosII软核；

所述的外接设备包括，Flash控制器外接Flash设备，SDRAM控制器外接SDRAM设备，通用IO外接LED等和按钮，LCD驱动器外接LCD显示器，LTM控制器外接触摸屏，SD卡控制器外接SD卡，以太网控制器外接以太网。

本发明的有益效果是，针对目前商场对商品信息挖掘的需求，并从商品信息的特性出发，将Apriori算法以及BP神经网络学习算法在系统中进行结合，并形成完整可行具有多个功能块的系统。该系统整体上具有相对集成化高，成本低，速度快，商品信息分析可靠具有可参考性，并且支持在本地的商品信息输入，具有良好的可行性、适应性以及可观的人机交互性。

附图说明

图1是本发明的智慧商场系统流程示意图；

图2是本发明方法中的步骤5的具体流程示意图；

图3是实现本发明方法的智慧商场信息系统构建示意图。

具体实施方式

下面结合附体和具体实施方式对本发明进行详细说明。

为了方便描述，对本发明方法中所涉及到的术语进行如下定义：

定义1：定义D为事物数据项集，是消费者购物数据的总和。

定义2：定义L1’项集为D所包含的所有的销售记录中不重复的包含一种商品的项集。

定义3：支持度(Support)指A和B两个项集的并集A∪B在D中出现的概率P(AUB)，即

\*MERGEFORMAT；

定义4：置信度(Confidence)表示事务数据库D在包含A的事务的前提下同时也包含B的概率P（B|A），即

\*MERGEFORMAT；

定义5：定义L1为一维频繁项集，指支持度不小于用户给定的最小支持度阈值（minsup）的项集，1维频繁项集记为L1，以此类推，n维频繁项集记为Ln；

定义6：定义训练集\*MERGEFORMAT,表示若干组销售量数据与对应月份所组成的集合;

定义7:在向前的多层前馈网络中

\*MERGEFORMAT

定义8：在后向传播中，有

\*MERGEFORMAT

定义9：均方误差e的结果由均方函数求得，其中，均方函数：，输出维度为1；

定义10：梯度下降法更新权值时，

\*MERGEFORMAT

参照图1，本发明智慧商场信息系统，基于前述定义，按照以下步骤实施：

步骤1：从本地SD卡获得事务数据项集D；

步骤2：打开软件运行，导入购物数据置软件中，通过用户输入的自定义值，为阈值sup；

步骤2.1：得到一维频繁项集L1,并求出相关的置信度Confidence；

1）得到L1’项集，利用Apirori算法在事务数据项集D中进行逐项扫描对该项集中的商品的支持度S进行统计；

2）将L1’项集中各商品的支持度与阈值sup进行比较，删除L1项集中支持度小于阈值的商品项目，保留L1项集中其他项，得到商品数目为一的一维频繁项集L1。

步骤2.2：由频繁项集L1得到二维频繁项集L2，并求出相关置信度Confidence；

1）根据一维频繁项集L1项集，进行Apriori-gen“并集”运算，即两两重组，得到完整的商品种类数为2的二维候选项目集，记为L2’项集；

2）将L2’项集各项目在数据事务项集D中逐项扫描统计各项目的支持度，将各商品的支持度与阈值sup进行比较，对项集中的项目再次进行筛选，删除小于最小支持度的项集，得到二维频繁项集L2。

3）找出二维频繁项集L2的所有非空子集，假设L2中的元素是A、B,即L2={A,B}，此时它的非空真子集为{A}，{B}，在选购A的前提

下，选购B的概率\*MERGEFORMAT可表示为：

\*MERGEFORMAT

同理，在选购B的前提下，选购A的概率P(A|B)可表示为：\*MERGEFORMAT；

步骤2.3：重复步骤2.2，得到更高维的频繁项集Ln(n>=3)和与其相关的置信度，直到Ln频繁项集只包含一个项目，停止运算；

步骤2.4：将以上所求的相关置信度按从大到小的顺序输出；

步骤3：系统软件运用Apirori算法对事务数据项集D进行频繁项集的发现，并对频繁项集中项目的推荐度进行计算；

步骤4：根据步骤3的分析结果，实现对消费者输入的商品进行相关商品智能推荐的功能；

步骤4.1：向系统中输入消费者消费的商品，设输入的商品集合为M；

步骤4.2：假设在消费者购买M的情况下仍有可能购买的商品为n,遍历所计算的置信度，得出\*MERGEFORMAT的值；

步骤4.3：将\*MERGEFORMAT与所设置的推荐支持度阈值\*MERGEFORMAT进行比较，若\*MERGEFORMAT，则将商品n推荐给消费者；反之，则舍弃该项推荐。

步骤5：从本地SD卡获得商品的前一段时间每个月的销售量记录，运用BP神经网络算法，对该数据记录进行分析，预测下一月该商品的销售量；

步骤5.1：从本机读取训练集T；

步骤5.2:归一化训练集T中的每月销售量数据，得到t’,并记录归一化系数G;

步骤5.3：初始化权值矩阵w和偏移矩阵b,其中初始化值可以任意设定，本系统中设置为1，本算法中共两处用到权值矩阵和偏移矩阵，分别设为w1,b1,w2,b2;

步骤5.4：系统从读入的训练集中读取第一个月份；

步骤5.5：系统由多层前馈网络得到一个输出a，该输出a乘于归一化系数G（即a*G）是系统算出的该月份的销售量,与实际的销售量t存在误差；

步骤5.6：计算系统输出销售量a*G与实际值t的均方误差e，e初始化为0;

步骤5.7：在后项传播中，采用梯度下降算法，根据输出误差从后向前对两处权值矩阵和偏移矩阵w1,b1,w2,b2进行调节，使误差减小；

步骤5.8：重复步骤5.4~5.7，并累加均方误差e(通过均方误差函数求得)；

步骤5.9：将均方误差与系统设置的可接受均方误差e0进行比较，若e>e0,则重复步骤5.1~5.9，对训练集T再次训练；若e<e0,则表示训练已达到效果，结束训练。当训练次数超过一定值，同样结束训练；

步骤5.10：训练结束后，存储最终的权值矩阵w1,w2和偏移矩阵b1,b2；

步骤5.11：神经网络训练完成后，可以用来进行预测。读取存储的权值矩阵和偏移矩阵w1,w2,b1,b2和归一化G；

步骤5.12：向系统输入待预测月份，根据所求的权值矩阵和偏移矩阵，在前馈网络中得到输出F；

步骤5.13：输出结果F再乘以归一化系数G，即得到下个月的销售量预测值。

本发明智能商场信息系统，将上述Apriori算法以及BP神经网络学习算法进行结合以及NiosIISoPC架构进行设计。该系统硬件上是一台终端，优选友晶公司的TRDB_LTM触摸屏和以CycloneII系列EP2C35FPGA芯片为核心的开发板。为了搭建SoPC系统，利用Avalon总线及三态桥总线结构在Fast型NiosII软核周围挂上所需的外围器件，主要部件包括以下几个：

1）SDRAM控制器用于连接外部SDRAM模块，作为系统主存储器使用；

2）Flash控制器连接Flash设备，以便存储必要程序和数据，如本发明基于\*MERGEFORMAT语言编写的Apriori算法以及BP神经网络学习方法；

3）FPGA内部的自定义LTM控制器和SD卡控制器用于与NiosII软核交互配置，以实现操作触摸屏以及读写SD卡。SD卡主要用于存储通过网络从上位机获得的商品信息挖掘分析结果；触摸屏则提供给相关操作人员对软件界面进行交互式触摸选择功能等；

3）以太网控制器连接以太网网络芯片（如DM9000A），用于实现以太网互联和通信，本发明用于从上位机获得商品基础数据；

4）通用IO接口为用户提供LED灯、按键等，利于操控系统；

5）JTAGUART模块用于程序的下载和在线调试；

6）LCD驱动器用于连接LCD显示终端；

利用用户自定义指令和C2H加速，能够提高系统中核心程序的执行效率，硬件层面增强商品信息分析的实时性。

如图3所示，是本发明智慧商场信息系统的SoPC实施例结构示意图，包括一个FPGA模块，在FPGA模块中，设置有Avalon总线及三态桥总线，在Avalon总线及三态桥总线上连接有Flash控制器、SDRAM控制器、通用IO、LCD驱动器、定时器、LTM控制器、C2H加速、SD卡控制器、以太网控制器、JTAGUART模块和NiosII软核；外接设备包括，Flash控制器外接Flash设备，SDRAM控制器外接SDRAM设备，通用IO外接LED等和按钮，LCD驱动器外接LCD显示器，LTM控制器外接触摸屏，SD卡控制器外接SD卡，以太网控制器外接以太网。

智慧商场信息系统以NiosIIIDE为基本开发平台，基于移植的多任务实时操作系统（内核）以及图形库和用户自定义接口控制模块（主要包括自定义SD卡控制器模块及TRDB-LTM控制器模块）等，预置有界面友好实用、操作快捷方便的触摸屏人机交互式智慧商场信息系统软件。

是一种通用的实时内核，具有可移植、可裁剪、抢占式、实时等特点。该系统目前已经被移植到NiosII处理器中。提供下列服务：信号量以及消息传递、存储器管理、任务（线程）管理、时间管理等。

图形库中设置有专门的接收鼠标、键盘、触摸屏等外设输入的接口。

TRDB-LTM控制器模块可完成显示多种图形、图像、文字，并可实现动画效果。

自定义SD卡控制器模块分别完成初始化、读扇区、写扇区和执行普通SD命令的功能。

基于上述的下层服务功能，智能商业信息系统能更好地分析商场海量无序的消费数据，帮助商家更好地管理运营，以获得更大的利润。

本发明的智能商业信息系统在实现时，首先根据关联规则，实现优化商场商品的摆放位置；然后，根据相关性，通过消费者的消费记录，实现对消费者进行智能推荐；最后，利用BP算法，实现销售量预测，帮助商家更好预定进货量。

Claims (8)

1.智能商业信息系统，其特点是，按以下定义和步骤实施：

定义：

定义1：定义D为事物数据项集，是消费者购物数据的总和；

定义2：定义L1’项集为D所包含的所有的销售记录中不重复的包含一种商品的项集；

定义3：支持度(Support)指A和B两个项集的并集A∪B在D中出现的概率P(AUB)，即

；

定义4：置信度(Confidence)表示事务数据库D在包含A的事务的前提下同时也包含B的概率P（B|A），即

；

定义5：定义L1为一维频繁项集，指支持度不小于用户给定的最小支持度阈值（minsup）的项集，1维频繁项集记为L1，以此类推，n维频繁项集记为Ln；

定义6：定义训练集,表示若干组销售量数据与对应月份所组成的集合；

定义7:在向前的多层前馈网络中

定义8：在后向传播中，有

定义9：均方误差e的结果由均方函数求得，其中，均方函数：，输出维度为1；

定义10：梯度下降法更新权值时，

步骤1：从本地SD卡获得事务数据项集D；

步骤2：打开软件运行，导入购物数据置软件中，通过用户输入的自定义值，为阈值sup；

步骤3：系统软件运用Apirori算法对事务数据项集D进行频繁项集的发现，并对频繁项集中项目的推荐度进行计算；

步骤4：根据步骤3的分析结果，实现对消费者输入的商品进行相关商品智能推荐的功能；

步骤5：从本地SD卡获得商品的前一段时间每个月的销售量记录，运用BP神经网络算法，对该数据记录进行分析，预测下一月该商品的销售量。

2.根据权利要求1所述的智能商业信息系统，其特点是，所述的步骤2中，具体步骤包括：

步骤2.1：得到一维频繁项集L1,并求出相关的置信度Confidence；

得到L1’项集，利用Apirori算法在事务数据项集D中进行逐项扫描对该项集中的商品的支持度S进行统计；

将L1’项集中各商品的支持度与阈值sup进行比较，删除L1项集中支持度小于阈值的商品项目，保留L1项集中其他项，得到商品数目为一的一维频繁项集L1；

步骤2.2：由频繁项集L1得到二维频繁项集L2，并求出相关置信度；

1）根据一维频繁项集L1项集，进行Apriori-gen“并集”运算，即两两重组，得到完整的商品种类数为2的二维候选项目集，记为L2’项集；

将L2’项集各项目在数据事务项集D中逐项扫描统计各项目的支持度，将各商品的支持度与阈值sup进行比较，对项集中的项目再次进行筛选，删除小于最小支持度的项集，得到二维频繁项集L2；

找出二维频繁项集L2的所有非空子集，假设L2中的元素是A、B,即L2={A,B}，此时它的非空真子集为{A}，{B}，在选购A的前提

下，选购B的概率可表示为：

；

同理，在选购B的前提下，选购A的概率P(A|B)可表示为：；

步骤2.3：重复步骤2.2，得到更高维的频繁项集Ln(n>=3)和与其相关的置信度，直到Ln频繁项集只包含一个项目，停止运算；

步骤2.4：将以上所求的相关置信度按从大到小的顺序输出。

3.根据权利要求1所述的智能商业信息系统，其特点是，所述的步骤4中，具体步骤包括：

步骤4.1：向系统中输入消费者消费的商品，设输入的商品集合为M；

步骤4.2：假设在消费者购买M的情况下仍有可能购买的商品为n,遍历所计算的置信度，得出的值；

步骤4.3：将与所设置的推荐支持度阈值进行比较，若，则将商品n推荐给消费者；反之，则舍弃该项推荐。

4.根据权利要求1所述的智能商业信息系统，其特点是，所述的步骤5中，具体步骤包括：

步骤5.1：从本机读取训练集T；

步骤5.2:归一化训练集T中的每月销售量数据，得到t’,并记录归一化系数G;

步骤5.3：初始化权值矩阵w和偏移矩阵b,其中初始化值可以任意设定，本系统中设置为1。

5.本算法中共两处用到权值矩阵和偏移矩阵，分别设为w1,b1,w2,b2;

步骤5.4：系统从读入的训练集中读取第一个月份；

步骤5.5：系统由多层前馈网络得到一个输出a，该输出a乘于归一化系数G（即a*G）是系统算出的该月份的销售量,与实际的销售量t存在误差；

步骤5.6：计算系统输出销售量a*G与实际值t的均方误差e，e初始化为0；

步骤5.7：在后项传播中，采用梯度下降算法，根据输出误差从后向前对两处权值矩阵和偏移矩阵w1,b1,w2,b2进行调节，使误差减小；

步骤5.8：重复步骤5.4~5.7，并累加均方误差e(通过均方误差函数求得)；

步骤5.9：将均方误差与系统设置的可接受均方误差e0进行比较，若e>e0,则重复步骤5.1~5.9，对训练集T再次训练；若e<e0,则表示训练已达到效果，结束训练。

6.当训练次数超过一定值，同样结束训练；

步骤5.10：训练结束后，存储最终的权值矩阵w1,w2和偏移矩阵b1,b2；

步骤5.11：神经网络训练完成后，可以用来进行预测。

7.读取存储的权值矩阵和偏移矩阵w1,w2,b1,b2和归一化G；

步骤5.12：向系统输入待预测月份，根据所求的权值矩阵和偏移矩阵，在前馈网络中得到输出F；

步骤5.13：输出结果F再乘以归一化系数G，即得到下个月的销售量预测值。

8.一种实现权利要求1所述的智能商场信息系统，其特点是：包括一个FPGA模块及外接设备，

所述的FPGA模块中，设置有Avalon总线及三态桥总线，在Avalon总线及三态桥总线上连接有Flash控制器、SDRAM控制器、通用IO、LCD驱动器、定时器、LTM控制器、C2H加速、SD卡控制器、以太网控制器、JTAGUART模块和NiosII软核；

所述的外接设备包括，Flash控制器外接Flash设备，SDRAM控制器外接SDRAM设备，通用IO外接LED等和按钮，LCD驱动器外接LCD显示器，LTM控制器外接触摸屏，SD卡控制器外接SD卡，以太网控制器外接以太网。