CN108230040A - 到店预测方法及装置 - Google Patents
到店预测方法及装置 Download PDFInfo
- Publication number
- CN108230040A CN108230040A CN201810044460.2A CN201810044460A CN108230040A CN 108230040 A CN108230040 A CN 108230040A CN 201810044460 A CN201810044460 A CN 201810044460A CN 108230040 A CN108230040 A CN 108230040A
- Authority
- CN
- China
- Prior art keywords
- shop
- area network
- list
- sample
- local area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种到店预测方法及装置，涉及电子信息领域，该方法包括：确定与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表；根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；根据用户交易数据确定对应的交易区域网络以及交易店铺，根据交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记；通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型，通过店铺预测模型预测用户终端所在的店铺。该方式不仅适用范围广泛，且不受区域网络变更影响，预测结果更加准确。
Description
技术领域
本发明涉及电子信息领域，具体涉及一种到店预测方法及装置。
背景技术
近些年，O2O，即Online To Offline(在线离线/线上到线下)技术得到了飞速发展，该技术能够把线上和线下完美结合起来。O2O平台一方面能够帮助用户提前做决策(比如去哪家店铺消费等)，这种被称为探店场景，具体属于一种Online场景；另一方面，当用户到达店铺后，O2O平台能够给用户提供领券、点餐、下单等优质的到店服务，这种被称为到店场景，具体属于一种Offline场景。
在到店场景中，对于用户到店的判定始终是个技术难题。该技术的本质是室内定位技术，但是，由于民用GPS定位的精度较差，因此，现有技术中，可以使用区域网络信息来判定用户的位置。例如，利用商户上传的区域网络信息和用户连接的区域网络信息来判定用户是否到店，该方案需要引导商家主动上传店内的区域网络信息，这样后台系统便可以建立一套店铺与区域网络之间的对应关系。相应地，当用户到达店铺并连接区域网络后，即可通过该对应关系去判定用户是否到达店铺。
但是，发明人在实现本发明的过程中，发现现有技术中的上述方式至少存在如下问题：首先，适用场景较为局限，仅适用于有区域网络且愿意上传区域网络的门店，因此，覆盖商家较少，实现代价较大。其次，在区域网络信息变更的情况下(例如门店迁移或者门店区域网络更新等)，需要商家主动维护区域网络信息，导致商家成本较大。而且，一旦商家维护不及时则会导致判定结果出错。由此可见，现有技术至少存在适用场景受限、且容易出错的问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种到店预测方法及装置。
根据本发明的一个方面，提供了一种到店预测方法，包括：确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表；根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；根据所述用户交易数据确定对应的交易区域网络以及交易店铺，根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记；通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型，通过所述店铺预测模型预测用户终端所在的店铺。
可选地，所述确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表的步骤具体包括：
确定与用户交易数据相对应的第一区域网络列表；
分别针对所述第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据所述第一区域网络列表中的各个区域网络所对应的候选店铺生成与所述第一区域网络列表相对应的第一候选店铺列表。
可选地，所述根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合的步骤具体包括：
分别针对所述第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，所述根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记的步骤具体包括：
分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与所述交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与所述交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
可选地，所述通过所述店铺预测模型预测用户终端所在的店铺的步骤具体包括：
确定与所述用户终端相对应的第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表；
根据所述第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表确定多个待预测店铺以及每个待预测店铺所对应的预测属性信息；
将每个待预测店铺所对应的预测属性信息输入所述店铺预测模型，根据输出结果预测所述用户终端所在的店铺。
可选地，所述预测属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，所述通过所述店铺预测模型预测用户终端所在的店铺的步骤之后，进一步包括：
获取所述用户终端本次产生的用户交易数据，根据所述用户交易数据判断本次的预测结果是否正确，并根据判断结果对所述店铺预测模型进行修正。
可选地，所述机器学习算法包括：逻辑回归算法、梯度提升决策树算法、深度学习算法。
根据本发明的另一个方面，提供了一种到店预测方法，包括：确定与用户终端相对应的第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表；根据第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表确定与用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息；将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据店铺预测模型的输出结果预测用户终端所在的店铺。
可选地，其中，所述预测属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，其中，所述通过所述店铺预测模型预测用户终端所在的店铺的步骤之后，进一步包括：
获取所述用户终端本次产生的用户交易数据，根据所述用户交易数据判断本次的预测结果是否正确，并根据判断结果对所述店铺预测模型进行修正。
可选地，其中，所述方法执行之前，进一步包括：
确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表；
根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
根据所述用户交易数据确定对应的交易区域网络以及交易店铺，根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记；
通过机器学习算法对正负标记后的样本集合进行训练，得到所述店铺预测模型。
可选地，其中，所述确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表的步骤具体包括：
确定与用户交易数据相对应的第一区域网络列表；
分别针对所述第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据所述第一区域网络列表中的各个区域网络所对应的候选店铺生成与所述第一区域网络列表相对应的第一候选店铺列表。
可选地，其中，所述根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合的步骤具体包括：
分别针对所述第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，其中，所述根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记的步骤具体包括：
分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与所述交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与所述交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
可选地，其中，所述机器学习算法包括：逻辑回归算法、梯度提升决策树算法、深度学习算法。
根据本发明的另一个方面，提供了一种到店预测装置，包括：第一确定模块，适于确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表；生成模块，适于根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；第二确定模块，适于根据所述用户交易数据确定对应的交易区域网络以及交易店铺；标记模块，适于根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记；训练模块，适于通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型；预测模块，适于通过所述店铺预测模型预测用户终端所在的店铺。
可选地，所述第一确定模块进一步适于：
确定与用户交易数据相对应的第一区域网络列表；
分别针对所述第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据所述第一区域网络列表中的各个区域网络所对应的候选店铺生成与所述第一区域网络列表相对应的第一候选店铺列表。
可选地，所述生成模块进一步适于：
分别针对所述第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，所述标记模块进一步适于：
分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与所述交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与所述交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
可选地，所述预测模块进一步适于：
确定与所述用户终端相对应的第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表；
根据所述第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表确定多个待预测店铺以及每个待预测店铺所对应的预测属性信息；
将每个待预测店铺所对应的预测属性信息输入所述店铺预测模型，根据输出结果预测所述用户终端所在的店铺。
可选地，所述预测属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，所述装置进一步包括：
修正模块，适于获取所述用户终端本次产生的用户交易数据，根据所述用户交易数据判断本次的预测结果是否正确，并根据判断结果对所述店铺预测模型进行修正。
可选地，所述机器学习算法包括：逻辑回归算法、梯度提升决策树算法、深度学习算法。
根据本发明的另一个方面，提供了一种到店预测装置，包括:第二确定模块，适于确定与用户终端相对应的第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表；第三确定模块，适于根据第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表确定与用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息；预测模块，适于将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据店铺预测模型的输出结果预测所述用户终端所在的店铺。
可选地，其中，所述预测属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，其中，所述装置进一步包括修正模块，适于：
获取所述用户终端本次产生的用户交易数据，根据所述用户交易数据判断本次的预测结果是否正确，并根据判断结果对所述店铺预测模型进行修正。
可选地，其中，所述装置进一步包括：
第一确定模块，适于确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表；
生成模块，适于根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
标记模块，适于根据所述用户交易数据确定对应的交易区域网络以及交易店铺，根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记；
训练模块，适于通过机器学习算法对正负标记后的样本集合进行训练，得到所述店铺预测模型。
可选地，其中，所述第一确定模块具体适于：
确定与用户交易数据相对应的第一区域网络列表；
分别针对所述第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据所述第一区域网络列表中的各个区域网络所对应的候选店铺生成与所述第一区域网络列表相对应的第一候选店铺列表。
可选地，其中，所述生成模块具体适于：
分别针对所述第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，其中，所述标记模块具体适于：
分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与所述交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与所述交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
可选地，其中，所述机器学习算法包括：逻辑回归算法、梯度提升决策树算法、深度学习算法。
依据本发明的再一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的到店预测方法对应的操作。
依据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述的到店预测方法对应的操作。
综上所述，在本发明提供的到店预测方法及装置中，首先，根据与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；然后，根据用户交易数据确定对应的交易区域网络以及交易店铺，根据交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记；最后，通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型，通过该店铺预测模型预测用户终端所在的店铺。由此可见，通过该方式，一方面能够利用用户交易数据实现正负样本的准确标记，从而为后续的训练过程提供准确的样本来源；另一方面，通过机器学习算法确定店铺预测模型的方式能够提升预测结果的准确度。该方式不仅适用范围广泛，且不受区域网络变更影响，预测结果更加准确。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例一提供的一种到店预测方法的流程示意图；
图2示出了本发明实施例二提供的一种到店预测方法的流程示意图；
图3示出了本发明实施例三提供的一种到店预测方法的流程示意图；
图4示出了本发明实施例四提供的一种到店预测装置的结构示意图；
图5示出了本发明实施例五提供的一种到店预测装置的结构示意图；
图6示出了根据本发明实施例七提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
图1示出了本发明实施例一提供的一种到店预测方法的流程示意图。如图1所示，该方法包括：
步骤S110：确定与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表。
其中，用户交易数据是指与用户已发生的交易相关的数据内容，具体可以包括以下中的至少一项：用户标识、交易地点、交易店铺、交易时所连接的区域网络、以及交易时周围的区域网络列表等。
具体地，用户交易数据的数量可以为多条，以便提升训练结果的准确性。针对每条用户交易数据，确定与该用户交易数据相对应的第一区域网络列表时，可以根据交易时周围的区域网络列表来确定。例如，用户终端能够自动获取周围的区域网络列表，并按照区域网络信号的强弱进行排序。
在确定与第一区域网络列表相对应的第一候选店铺列表时，可以分别针对第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；然后，根据第一区域网络列表中的各个区域网络所对应的候选店铺生成与第一区域网络列表相对应的第一候选店铺列表。当然，本领域技术人员还可以采用其他方式生成该第一候选店铺列表，本发明对此不做限定。例如，也可以结合用户位置信息确定该第一候选店铺列表。
其中，区域网络主要是指包含地理位置信息和/或IP地址信息的网络，根据区域网络可以便捷地确定用户当前所处的位置等信息。在本实施例中，区域网络可以是WIFI网络、蜂窝小区移动网络等各类网络。具体地，根据终端设备当前连接的区域网络可以确定该终端设备的地理位置信息，即对终端设备进行定位，并且可以确定该区域网络的IP地址信息。
步骤S120：根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合。
具体地，在根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成多个区域网络店铺样本时，可以通过以下方式实现：分别针对第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本。其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；其中，区域网络属性信息包括：区域网络标识和/或区域网络强度，店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
当然，本领域技术人员也可以通过其他方式生成上述的区域网络店铺样本，只要能够在区域网络店铺样本中体现出店铺信息与区域网络信息之间的关联性即可，另外，为了更好地提升预测准确性，在区域网络店铺样本中可以进一步包含多个维度的信息。例如，上述的个性化信息可以包括用户曾消费过的店铺信息，根据曾消费过的店铺具有更大的复购率的原理，通过个性化信息能够进一步提升预测准确性。
根据上述的多个区域网络店铺样本得到样本集合。其中，针对一笔用户交易数据，可以得到多个区域网络店铺样本。相应地，样本集合中还可以进一步包含与多笔用户交易数据相对应的大量的区域网络店铺样本，以便提升后续的预测模型的准确性。
步骤S130：根据用户交易数据确定对应的交易区域网络以及交易店铺，根据该交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记。
其中，根据用户交易数据能够确定产生交易的店铺，将产生交易的店铺确定为交易店铺。另外，根据用户交易数据还可以确定本次交易所对应的交易区域网络。具体地，如果用户终端在产生交易时连接了区域网络，直接将连接的区域网络确定为交易区域网络即可。如果用户终端在产生交易未连接区域网络，则可以将区域网络列表中的第一个区域网络或者信号强度最强的区域网络确定为交易区域网络。
相应地，由于每个区域网络店铺样本中至少包含店铺信息以及区域网络信息，直接根据店铺信息和区域网络信息与交易店铺和交易区域网络之间的匹配关系确定正负样本即可。例如，将店铺信息和区域网络信息分别与交易店铺和交易区域网络相匹配的区域网络店铺样本确定为正样本，将其他样本确定为负样本。
步骤S140：通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型，通过该店铺预测模型预测用户终端所在的店铺。
其中，机器学习算法可以采用各类算法，例如，可以采用逻辑回归算法、梯度提升决策树算法(Gradient Boosting Decision Tree,简称GBDT)、或深度学习算法等。通过训练，能够得到用于预测的店铺预测模型，该店铺预测模型中可以包含多个训练特征以及各个训练特征所对应的权重值等信息。
通过上述方式，即完成了离线的准备工作，在此基础上，可以实现在线的预测过程。具体地，当用户终端到达店铺后，获取用户终端对应的预测属性信息，并将获取到的预测属性信息输入上述得到的店铺预测模型中，以便根据模型的输出结果预测用户终端当前所处的店铺。其中，用户终端对应的预测属性信息的具体内容可由本领域技术人员灵活设置。例如，优选地，用户终端对应的预测属性信息所包含的内容与样本属性信息一致。即，预测属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；其中，区域网络属性信息包括：区域网络标识和/或区域网络强度，店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
由此可见，通过该方式，一方面能够利用用户交易数据实现正负样本的准确标记，从而为后续的训练过程提供准确的样本来源；另一方面，通过机器学习算法确定店铺预测模型的方式能够提升预测结果的准确度。该方式不仅适用范围广泛，且不受区域网络变更影响，预测结果更加准确。
实施例二
图2示出了本发明实施例二提供的一种到店预测方法的流程示意图。在本实施例中，区块网络主要是指WIFI网络。如图2所示，该方法包括：
步骤S210：确定与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表。
其中，用户交易数据是指与用户已发生的交易相关的数据内容。在本实施例中，为了便于标记正负样本，需要预先收集与用户已发生的交易相关的数据内容。具体地，用户交易数据可以包括多个维度的数据内容，例如，可以包括：店铺维度的数据内容、用户维度的数据内容、交易维度的数据内容、以及区域网络维度的数据内容等。
其中，店铺维度的数据内容包括：店铺标识(例如店铺ID和/或店铺名称等信息)、店铺位置信息(例如包括店铺地址和/或店铺经纬度信息)、和/或店铺类别(例如店铺为餐饮类、日常用品类、游乐场所类等)。用户维度的数据内容包括：用户标识(例如用户ID或用户名等标识信息)、用户性别、用户位置信息(例如包括用户当前定位地址和/或用户当前所处的经纬度信息)、个性化信息和/或用户历史交易信息。其中，个性化信息包括自定义的多种内容，例如，在本实施例中，可以包括：用户曾消费过的店铺信息，以便于在后续的预测过程中给予消费过的店铺更高的权重；还可以包括：用户职业信息，以便于在后续的预测过程中根据用户的职业给出更加合理的预测结果。区域网络维度的数据内容包括：区域网络SSID(区域网络名称)、区域网络BSSID(区域网络站点的MAC地址)、附近的区域网络数量、各个区域网络的区域网络标识和/或区域网络强度。交易维度的数据内容包括：交易产生时的位置信息(例如经纬度信息)、交易用户的用户标识、交易店铺的店铺标识、交易产生时周围的区域网络列表以及区域网络列表中每个区域网络的信号强度。由此可见，通过交易维度的数据内容能够将用户维度、店铺维度以及区域网络维度的数据内容相互关联起来。
在确定与用户交易数据相对应的第一区域网络列表时，可根据交易时周围的区域网络列表来确定。例如，用户终端能够自动获取周围的区域网络列表，并按照区域网络信号的强弱进行排序。因此，可以直接将用户终端获取到的周围的区域网络列表作为第一区域网络列表。优选地，在确定第一区域网络列表时，还可以对用户终端获取到的周围的区域网络列表进行预设处理，例如，可以根据用户终端获取到的周围的区域网络列表中包含的区域网络的数量和/或各个区域网络的信号强弱，对该周围的区域网络列表中包含的各个区域网络进行筛选，仅将筛选后的各个区域网络加入第一区域网络列表。例如，可以在区域网络的数量超过预设数量时，根据信号强弱选取信号较强的若干区域网络加入第一区域网络列表，由此能够减少后续过程的计算量，且能够提升样本的质量。
接下来，在确定与第一区域网络列表相对应的第一候选店铺列表时，可以分别针对第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；然后，根据第一区域网络列表中的各个区域网络所对应的候选店铺生成与第一区域网络列表相对应的第一候选店铺列表。具体地，由于用户交易时会上传身边的区域网络列表，因此能够确定用户-店铺-区域网络之间的三元关系组，并基于大数据的统计获取店铺与区域网络之间的多对多关系，即：既可以确定一家店铺所对应的多个区域网络，也可以确定一个区域网络所对应的多家店铺。在此基础上，假设第一区域网络列表中包含区域网络1、区域网络2、以及区域网络3这三个区域网络。区域网络1所对应的店铺包括店铺1和店铺2，区域网络2所对应的店铺包括店铺1和店铺3，区域网络3所对应的店铺包括店铺4和店铺5。相应地，将店铺1、店铺2、店铺3、店铺4和店铺5均加入到与所述第一区域网络列表相对应的第一候选店铺列表中。另外，由于不同的区域网络可能对应于相同的店铺，例如区域网络1和区域网络2均对应于店铺1，此时，应当在第一候选店铺列表中包含两个店铺1，分别对应于区域网络1和区域网络2。也就是说，第一候选店铺列表中的店铺可能存在重复，其重复的店铺用于分别与不同的区域网络相对应。
由此可见，通过上述过程，能够针对一条用户交易数据生成对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表。相应地，当用户交易数据的数量为多条时，生成的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表也对应为多组，每组第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表分别与一条用户交易数据相对应。
另外，为了进一步提升样本的质量，在本步骤中，得到第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表之前或之后，还可以进一步对用户交易数据进行预处理，以滤除异常数据。例如，可将信息项缺失的用户交易数据确定为需要滤除的异常数据并加以滤除。比如，将店铺标识、用户标识、经纬度信息缺失的用户交易数据滤除，仅针对滤除异常数据后得到的用户交易数据获取对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表。另外，还可以在得到第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表之后，分析相邻的店铺是否均对应于同一个区域网络，若是，则将该部分数据滤除，并仅针对滤除后得到的数据执行后续步骤，以提升样本质量。例如，在实际情况中，在某一大型商圈内的各个店铺可能均共享商圈提供的统一区域网络，在此情况下，则不便于利用本发明中的方案对用户进行店铺定位，相应地，将在该大型商圈内产生的用户交易数据及其得到的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表滤除，以提升样本纯度。
步骤S220：根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合。
具体地，在根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成多个区域网络店铺样本时，可以通过以下方式实现：分别针对第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本。由此可见，当两个区域网络对应的店铺存在重合时，将分别针对每个区域网络所对应的店铺生成一个区域网络店铺样本。比如，在上述例子中，由于区域网络1和区域网络2均对应于店铺1，因此，将生成如下的六个区域网络店铺样本：
样本1：区域网络1-店铺1；
样本2：区域网络1-店铺2；
样本3：区域网络2-店铺1；
样本4：区域网络2-店铺3；
样本5：区域网络3-店铺4；
样本6：区域网络3-店铺5。
其中，每个区域网络店铺样本具有对应的样本属性信息。该样本属性信息是根据上一步骤中的用户交易数据所包含的各个维度的数据内容确定的，因此，样本属性信息的具体数量和内涵可由本领域技术人员灵活调整。例如，可以包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；其中，区域网络属性信息包括：区域网络标识和/或区域网络强度，店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。例如，在本实施例中，各个样本的样本属性信息如下：
样本1：用户A、男、交易位置、区域网络1、信号强、店铺1、店铺1的位置；
样本2：用户A、男、交易位置、区域网络1、信号强、店铺2、店铺2的位置；
样本3：用户A、男、交易位置、区域网络2、信号中、店铺1、店铺1的位置；
样本4：用户A、男、交易位置、区域网络2、信号中、店铺3、店铺3的位置；
样本5：用户A、男、交易位置、区域网络3、信号弱、店铺4、店铺4的位置；
样本6：用户A、男、交易位置、区域网络3、信号弱、店铺5、店铺5的位置。
由此可见，通过各个区域网络店铺样本能够确定店铺信息与区域网络信息之间的关联性。另外，为了更好地提升预测准确性，在区域网络店铺样本中可以进一步包含多个维度的样本属性信息。例如，可以包括用户曾消费过的店铺信息、用户职业信息等等。
根据上述的多个区域网络店铺样本得到样本集合。由此可见，针对一条用户交易数据，可以得到多个区域网络店铺样本。相应地，样本集合中还可以进一步包含与多条用户交易数据相对应的大量的区域网络店铺样本，以便提升后续的预测模型的准确性。
步骤S230：根据用户交易数据确定对应的交易区域网络以及交易店铺，根据该交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记。
本步骤的作用在于对已生成的各个样本进行标记，以便根据标记结果进行训练。具体实施时，本步骤可采用下述方式实现：分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与交易区域网络是否匹配；若否，将该区域网络店铺样本标记为负样本；若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与交易店铺是否匹配；若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
具体地，由于用户交易数据中记录了交易发生的店铺等相关信息，因此，可以直接根据用户交易数据确定对应的交易区域网络以及交易店铺，并将区域网络信息以及店铺信息分别与交易区域网络以及交易店铺匹配的样本确定为正样本。例如，在上例中，假设交易区域网络为区域网络1且交易店铺为店铺1，相应地，将样本1确定为正样本，将其他样本均确定为负样本。
另外，在确定交易区域网络时，如果用户终端在产生交易时连接了区域网络，直接将连接的区域网络确定为交易区域网络即可。如果用户终端在产生交易未连接区域网络，则可以将区域网络列表中的第一个区域网络或者信号强度最强的区域网络确定为交易区域网络。
另外，在本发明其他的实施例中，也可以仅根据交易店铺来确定正负样本，例如，将交易店铺正确的样本1和样本3均确定为正样本，而将其余四个样本确定为负样本，总之，本发明的核心在于：以是否产生交易来作为正负样本构建的判断标准之一。
步骤S240：通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型。
在本实施例中，基于LR(Logistic Regression，逻辑回归算法)进行训练，以得到店铺预测模型。具体地，在通过上一步骤确定了正负样本之后，需要构建LR的训练特征，该训练特征包括用户特征，门店特征，用户门店交叉特征等。经过离线模型训练得到模型的特征文件(即店铺预测模型)供线上预测使用。
具体的训练过程可由本领域技术人员灵活设置，例如，样本数量越多训练结果越准确。通过训练得到店铺预测模型的过程实质上就是确定与预测结果存在相关性的各个特征属性以及每个特征属性所占的权重的过程。例如，通过训练确定出与预测结果存在相关性的各个特征属性包括：区域网络属性信息中的区域网络强度、用户属性信息中的用户位置信息、店铺属性信息中的店铺位置信息等。并且，通过训练还能够确定出各个特征属性的权重，其中，将与预测结果的相关性最大的特征属性的权重值设置得最大，将与预测结果的相关性最小的特征属性的权重值设置得最小。
通过上述的步骤S210至步骤S240即可完成离线的模型训练过程，以便预先生成用于线上预测的模型。该离线训练过程中采集的样本数量越多，训练结果越准确，相应地，后续的预测结果也越精确。
步骤S250：确定与用户终端相对应的第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表。
具体地，步骤S250及其后续步骤均用于实现在线的预测过程。
其中，步骤S250可通过多种方式触发。例如，可以在应用程序中设置用于触发步骤S250及其后续步骤的推送入口，当用户点击该推送入口后即可通过本发明中的方式预测用户所在的店铺，进而基于预测结果为用户实现有效信息的推送。或者，也可以在检测到应用程序登录或开启之后，自动触发步骤S250及其后续步骤。
具体地，当步骤S250被触发之后，首先，客户端自动获取预测所需的预测属性信息，包括：用户的经纬度等位置信息，UserID等用户标识信息，第二区域网络列表(即当前用户周围的区域网络列表)以及每个区域网络的强度等信息。其中，第二区域网络列表的确定方式可参照第一区域网络列表的确定方式，此处不再赘述。然后，进一步根据上述的第二区域网络列表确定对应的第二候选店铺列表。其中，第二候选店铺列表的生成方式与第一候选店铺列表的生成方式类似，此处不再赘述。由此可见，第一区域网络列表以及第一候选店铺列表主要是指离线训练过程之前用于确定区域网络店铺样本的信息，是根据已发生交易的用户所对应的信息确定的；第二区域网络列表以及第二候选店铺列表主要是指在线预测过程中实时收集的用户信息，是根据已进入店铺但尚未发生交易的用户所对应的信息确定的。
步骤S260：根据第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表确定多个待预测店铺以及每个待预测店铺所对应的预测属性信息。
其中，预测属性信息用于表示与待预测店铺相关的信息，具体可由本领域技术人员灵活设置，例如可包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；其中，区域网络属性信息包括：区域网络标识和/或区域网络强度，店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
例如，假设用户当前对应的第二区域网络列表中包括区域网络1’和区域网络2’。其中，区域网络1’对应于店铺A和店铺B，区域网络2’对应于店铺C，相应地，可以得到如下三个待预测店铺：店铺A、店铺B和店铺C，其中，以店铺A为例，其对应的预测属性信息包括：用户标识、用户性别、用户当前所处位置、区域网络1’、区域网络1’的信号强度、店铺A、店铺A的位置等。由此可见，各个待预测店铺的预测属性信息与上述离线训练过程中的样本属性信息一致。实质上，该步骤也可以理解为特征抽取的过程，其目的在于将线上用户、门店的数据按照离线训练过程进行特征抽取，以保证线上特征抽取逻辑与线下特征构建逻辑的一致性。
步骤S270：将每个待预测店铺所对应的预测属性信息输入预测模型，根据输出结果预测用户终端所在的店铺。
具体地，可以在离线训练好的模型文件中去查找各个抽取出来的特征的权重，并根据店铺预测模型预测每个门店的到店概率分数，将到店概率分数最大的门店确定为最终预测门店。
步骤S280：获取用户终端本次产生的用户交易数据，根据用户交易数据判断本次的预测结果是否正确，并根据判断结果对店铺预测模型进行修正。
本步骤为一个可选的步骤，用于提升预测的准确性。例如，在预测出用户终端所在的店铺之后，还可以进一步监测用户终端本次产生的用户交易数据，若根据用户交易数据确定的交易店铺与本次的预测结果一致，则说明预测结果正确；反之，则说明预测结果不正确。
在根据判断结果对店铺预测模型进行修正时，可以进一步根据每个待预测店铺所对应的预测属性信息生成对应的区域网络店铺样本，并根据预测结果将该样本标记为正样本或负样本。由此可见，本实施例能够根据线上的预测结果对已有的样本进行扩充，得到增量样本，并将增量样本与原有的样本进行结合，得到新的样本集合，并根据该新的样本集合重新训练店铺预测模型，以达到修正目的。优选地，在实际运营中，可以每隔预设周期，将本周期内获得的增量样本加入到已有的样本集合中，以便根据扩充后的样本集合重新训练店铺预测模型。也就是说，店铺预测模型每隔预设周期则自动根据线上的预测情况进行更新，由此能够使样本的实时性更好，从而使预测模型能够灵活适应线上业务的变化情况。
综上可知，本实施例中的上述方式至少具备如下有益效果：本方法使用的数据并不依赖单一商家上传的区域网络信息，因此可以很好地覆盖无区域网络的商家(只要商家周围存在区域网络即可)，适用范围广泛。而且，本方法使用了用户特征，门店特征，用户门店交叉特征等多个维度的特征属性，利用多维度的信息去进行门店预测，能够很好地弥补单一特征的局限性。而且，本方法通过机器学习能够提升智能性，使预测准确率更高。
另外，发明人经过评估发现：在用户覆盖率76的情况下，准确率可以达到92％。准确率大大提高了(现有技术中的其它方案的准确率只有80％)。特别是在商场这种复杂环境中，本发明中的方案具有更好的预测准确率。
实施例三
图3示出了本发明实施例三提供的一种到店预测方法的流程示意图。如图3所示，该方法包括：
步骤S310：确定与用户终端相对应的第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表。
本步骤S310可通过多种方式触发。例如，可以在应用程序中设置用于触发步骤S310及其后续步骤的推送入口，当用户点击该推送入口后即可通过本发明中的方式预测用户所在的店铺，进而基于预测结果为用户实现有效信息的推送。或者，也可以在检测到应用程序登录或开启之后，自动触发步骤S310及其后续步骤。
具体地，当步骤S310被触发之后，首先，客户端自动获取预测所需的预测属性信息，包括：用户的经纬度等位置信息，UserID等用户标识信息，第二区域网络列表(即当前用户周围的区域网络列表)以及每个区域网络的强度等信息。其中，第二区域网络列表的确定方式可参照上一实施例中第一区域网络列表的确定方式，此处不再赘述。然后，进一步根据上述的第二区域网络列表确定对应的第二候选店铺列表。其中，第二候选店铺列表的生成方式与第一候选店铺列表的生成方式类似，此处不再赘述。由此可见，第一区域网络列表以及第一候选店铺列表主要是指离线训练过程之前用于确定区域网络店铺样本的信息，是根据已发生交易的用户所对应的信息确定的；第二区域网络列表以及第二候选店铺列表主要是指在线预测过程中实时收集的用户信息，是根据已进入店铺但尚未发生交易的用户所对应的信息确定的。
步骤S320：根据第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表确定与用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息。
其中，预测属性信息用于表示与待预测店铺相关的信息，具体可由本领域技术人员灵活设置，例如可包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；其中，区域网络属性信息包括：区域网络标识和/或区域网络强度，店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
本步骤S320的详细内容，具体可以参见上述步骤S260中的内容，在此不再赘述。
步骤S330：将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据店铺预测模型的输出结果预测用户终端所在的店铺。
具体地，可以在离线训练好的模型文件中去查找各个抽取出来的特征的权重，并根据店铺预测模型预测每个门店的到店概率分数，将到店概率分数最大的门店确定为最终预测门店。
可选地，在上述通过所述店铺预测模型预测用户终端所在的店铺的步骤之后，进一步包括：
获取所述用户终端本次产生的用户交易数据，根据所述用户交易数据判断本次的预测结果是否正确，并根据判断结果对所述店铺预测模型进行修正。本步骤为一个可选的步骤，用于提升预测的准确性。例如，在预测出用户终端所在的店铺之后，还可以进一步监测用户终端本次产生的用户交易数据，若根据用户交易数据确定的交易店铺与本次的预测结果一致，则说明预测结果正确；反之，则说明预测结果不正确。
在根据判断结果对店铺预测模型进行修正时，可以进一步根据每个待预测店铺所对应的预测属性信息生成对应的区域网络店铺样本，并根据预测结果将该样本标记为正样本或负样本。由此可见，本实施例能够根据线上的预测结果对已有的样本进行扩充，得到增量样本，并将增量样本与原有的样本进行结合，得到新的样本集合，并根据该新的样本集合重新训练店铺预测模型，以达到修正目的。优选地，在实际运营中，可以每隔预设周期，将本周期内获得的增量样本加入到已有的样本集合中，以便根据扩充后的样本集合重新训练店铺预测模型。也就是说，店铺预测模型每隔预设周期则自动根据线上的预测情况进行更新，由此能够使样本的实时性更好，从而使预测模型能够灵活适应线上业务的变化情况。
通过上述的步骤S310至步骤S330可以实现在线的预测过程。
另外，上述的店铺预测模型可通过多种方式得到，本发明并不限定店铺预测模型的生成方式。可选地，在步骤S310～S330执行之前，还可以执行下述步骤一～步骤四，以生成上述的店铺预测模型。
步骤一：确定与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表。
具体地，确定与用户交易数据相对应的第一区域网络列表；
分别针对所述第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据所述第一区域网络列表中的各个区域网络所对应的候选店铺生成与所述第一区域网络列表相对应的第一候选店铺列表。
步骤二：根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合。
具体地，分别针对所述第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
步骤三：根据用户交易数据确定对应的交易区域网络以及交易店铺，根据交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记。
具体地，分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与所述交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与所述交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
步骤四：通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型。
其中，机器学习算法包括：逻辑回归算法、梯度提升决策树算法、深度学习算法。
关于步骤一至步骤四的详细内容，可以参见步骤S210至步骤S240中的内容，在此不再赘述。
通过上述方式，可以实现在线的预测过程。而且，预测时无需获取用户终端的交易数据，因此，可以在用户发生交易之前实现预测，进而能够准确地确定用户当前已经到达店铺内部，进而基于到店预测结果完成适合用户的信息推送等操作。
在此基础上，还可以完成离线的准备工作。通过该方式，一方面能够利用用户交易数据实现正负样本的准确标记，从而为后续的训练过程提供准确的样本来源；另一方面，通过机器学习算法确定店铺预测模型的方式能够提升预测结果的准确度。该方式不仅适用范围广泛，且不受区域网络变更影响，预测结果更加准确。
实施例四
图4示出了本发明实施例四提供的一种到店预测装置的结构示意图，该装置包括：
第一确定模块41，适于确定与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表；
生成模块42，适于根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
第二确定模块43，适于根据用户交易数据确定对应的交易区域网络以及交易店铺；
标记模块44，适于根据交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记；
训练模块45，适于通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型；
预测模块46，适于通过店铺预测模型预测用户终端所在的店铺。
可选地，第一确定模块41进一步适于：
确定与用户交易数据相对应的第一区域网络列表；
分别针对第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据第一区域网络列表中的各个区域网络所对应的候选店铺生成与第一区域网络列表相对应的第一候选店铺列表。
可选地，生成模块42进一步适于：
分别针对第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，区域网络属性信息包括：区域网络标识和/或区域网络强度，店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，标记模块44进一步适于：
分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
可选地，预测模块46进一步适于：
确定与用户终端相对应的第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表；
根据第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表确定多个待预测店铺以及每个待预测店铺所对应的预测属性信息；
将每个待预测店铺所对应的预测属性信息输入店铺预测模型，根据输出结果预测用户终端所在的店铺。
可选地，预测属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，区域网络属性信息包括：区域网络标识和/或区域网络强度，店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，上述装置进一步包括：
修正模块47，适于获取用户终端本次产生的用户交易数据，根据用户交易数据判断本次的预测结果是否正确，并根据判断结果对店铺预测模型进行修正。
可选地，机器学习算法包括：逻辑回归算法、梯度提升决策树算法、深度学习算法。
关于上述各个模块的具体结构和工作原理可参照方法实施例中相应部分的描述，此处不再赘述。
实施例五
图5示出了本发明实施例五提供的一种到店预测装置的结构示意图，该装置包括：
第二确定模块55，适于确定与用户终端相对应的第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表；
第三确定模块56，适于根据所述第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表确定与所述用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息；
预测模块57，适于将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据所述店铺预测模型的输出结果预测所述用户终端所在的店铺。
可选地，其中，所述预测属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，其中，所述装置进一步包括修正模块58，适于：
获取所述用户终端本次产生的用户交易数据，根据所述用户交易数据判断本次的预测结果是否正确，并根据判断结果对所述店铺预测模型进行修正。
可选地，其中，所述装置进一步包括：
第一确定模块51，适于确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表；
生成模块52，适于根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
标记模块53，适于根据所述用户交易数据确定对应的交易区域网络以及交易店铺，根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记；
训练模块54，适于通过机器学习算法对正负标记后的样本集合进行训练，得到所述店铺预测模型。
可选地，其中，所述第一确定模块51具体适于：
确定与用户交易数据相对应的第一区域网络列表；
分别针对所述第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据所述第一区域网络列表中的各个区域网络所对应的候选店铺生成与所述第一区域网络列表相对应的第一候选店铺列表。
可选地，其中，所述生成模块52具体适于：
分别针对所述第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
可选地，其中，所述标记模块53具体适于：
分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与所述交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与所述交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
可选地，其中，所述机器学习算法包括：逻辑回归算法、梯度提升决策树算法、深度学习算法。
实施例六
本申请实施例六提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的到店预测方法。
可执行指令具体可以用于使得处理器执行以下操作：
确定与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表；
根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
根据用户交易数据确定对应的交易区域网络以及交易店铺，根据交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记；
通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型，通过店铺预测模型预测用户终端所在的店铺。
或者，可执行指令具体可以用于使得处理器执行以下操作：
确定与用户终端相对应的第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表；
根据第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表确定与用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息；
将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据店铺预测模型的输出结果预测用户终端所在的店铺。
实施例七
图6示出了根据本发明实施例七的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图6所示，该电子设备可以包括：处理器(processor)602、通信接口(Communications Interface)606、存储器(memory)604、以及通信总线608。
其中：
处理器602、通信接口606、以及存储器604通过通信总线608完成相互间的通信。
通信接口606，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器602，用于执行程序610，具体可以执行上述到店预测方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器604，用于存放程序610。存储器604可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序610具体可以用于使得处理器402执行以下操作：
确定与用户交易数据相对应的第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表；
根据第一区域网络列表以及与第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
根据用户交易数据确定对应的交易区域网络以及交易店铺，根据交易区域网络以及交易店铺对样本集合中包含的多个区域网络店铺样本进行正负标记；
通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型，通过店铺预测模型预测用户终端所在的店铺。
或者，程序610具体可以用于使得处理器402执行以下操作：
确定与用户终端相对应的第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表；
根据第二区域网络列表以及与第二区域网络列表相对应的第二候选店铺列表确定与用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息；
将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据店铺预测模型的输出结果预测用户终端所在的店铺。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的到店预测装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种到店预测方法，包括：
确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表；
根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
根据所述用户交易数据确定对应的交易区域网络以及交易店铺，根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记；
通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型，通过所述店铺预测模型预测用户终端所在的店铺。
2.根据权利要求1所述的方法，其中，所述确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表的步骤具体包括：
确定与用户交易数据相对应的第一区域网络列表；
分别针对所述第一区域网络列表中的每一个区域网络，确定该区域网络所对应的候选店铺；
根据所述第一区域网络列表中的各个区域网络所对应的候选店铺生成与所述第一区域网络列表相对应的第一候选店铺列表。
3.根据权利要求1或2所述的方法，其中，所述根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合的步骤具体包括：
分别针对所述第一区域网络列表中的每一个区域网络所对应的每一个候选店铺，生成一个区域网络店铺样本；
其中，每个区域网络店铺样本的样本属性信息包括以下中的至少一个：区域网络属性信息、店铺属性信息、以及用户属性信息；
其中，所述区域网络属性信息包括：区域网络标识和/或区域网络强度，所述店铺属性信息包括：店铺标识、店铺位置信息和/或店铺类别，所述用户属性信息包括：用户标识、用户性别、用户位置信息、个性化信息和/或用户历史交易信息。
4.根据权利要求1-3任一所述的方法，其中，所述根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记的步骤具体包括：
分别针对每个区域网络店铺样本，判断该区域网络店铺样本中包含的区域网络属性信息与所述交易区域网络是否匹配；
若否，将该区域网络店铺样本标记为负样本；
若是，进一步判断该区域网络店铺样本中包含的店铺属性信息与所述交易店铺是否匹配；
若否，将该区域网络店铺样本标记为负样本，若是，将该区域网络店铺样本标记为正样本。
5.根据权利要求1-4任一所述的方法，其中，所述通过所述店铺预测模型预测用户终端所在的店铺的步骤具体包括：
确定与所述用户终端相对应的第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表；
根据所述第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表确定多个待预测店铺以及每个待预测店铺所对应的预测属性信息；
将每个待预测店铺所对应的预测属性信息输入所述店铺预测模型，根据输出结果预测所述用户终端所在的店铺。
6.一种到店预测方法，包括：
确定与用户终端相对应的第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表；
根据所述第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表确定与所述用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息；
将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据所述店铺预测模型的输出结果预测所述用户终端所在的店铺。
7.一种到店预测装置，包括：
第一确定模块，适于确定与用户交易数据相对应的第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表；
生成模块，适于根据所述第一区域网络列表以及与所述第一区域网络列表相对应的第一候选店铺列表生成包含多个区域网络店铺样本的样本集合；
第二确定模块，适于根据所述用户交易数据确定对应的交易区域网络以及交易店铺；
标记模块，适于根据所述交易区域网络以及交易店铺对所述样本集合中包含的多个区域网络店铺样本进行正负标记；
训练模块，适于通过机器学习算法对正负标记后的样本集合进行训练，得到店铺预测模型；
预测模块，适于通过所述店铺预测模型预测用户终端所在的店铺。
8.一种到店预测装置，包括：
第二确定模块，适于确定与用户终端相对应的第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表；
第三确定模块，适于根据所述第二区域网络列表以及与所述第二区域网络列表相对应的第二候选店铺列表确定与所述用户终端相对应的多个待预测店铺，以及每个待预测店铺所对应的预测属性信息；
预测模块，适于将每个待预测店铺所对应的预测属性信息输入预设的店铺预测模型，根据所述店铺预测模型的输出结果预测所述用户终端所在的店铺。
9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的到店预测方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的到店预测方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810044460.2A CN108230040B (zh) | 2018-01-17 | 2018-01-17 | 到店预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810044460.2A CN108230040B (zh) | 2018-01-17 | 2018-01-17 | 到店预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108230040A true CN108230040A (zh) | 2018-06-29 |
| CN108230040B CN108230040B (zh) | 2020-09-25 |
Family
ID=62640582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810044460.2A Active CN108230040B (zh) | 2018-01-17 | 2018-01-17 | 到店预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108230040B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087149A (zh) * | 2018-08-17 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 基于道路的信息数字化方法及装置 |
| CN110472995A (zh) * | 2019-07-08 | 2019-11-19 | 汉海信息技术(上海)有限公司 | 到店预测方法、装置、可读存储介质及电子设备 |
| CN111275479A (zh) * | 2020-01-07 | 2020-06-12 | 北京爱笔科技有限公司 | 一种人流量预测方法、装置及系统 |
| CN111460383A (zh) * | 2020-03-31 | 2020-07-28 | 浙江口碑网络技术有限公司 | 点单预测处理方法及装置 |
| CN112235722A (zh) * | 2020-12-11 | 2021-01-15 | 浙江口碑网络技术有限公司 | 信息输出方法、装置、计算机设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1387146A (zh) * | 2001-05-22 | 2002-12-25 | 宇智(大连)电子信息技术有限公司 | 将区域性商店利用商场联盟之构筑以引进电子商务中的系统与方法 |
| CN105354715A (zh) * | 2015-10-15 | 2016-02-24 | 百度在线网络技术（北京）有限公司 | 一种用于对用户进行授权的方法和装置 |
| CN106611223A (zh) * | 2015-10-27 | 2017-05-03 | 亿阳信通股份有限公司 | 酒店业务网上订购系统及方法 |
| CN106878935A (zh) * | 2015-12-11 | 2017-06-20 | 北京奇虎科技有限公司 | 一种店铺WiFi网络的共享方法、服务器和装置 |
| CN107590676A (zh) * | 2017-07-28 | 2018-01-16 | 百度在线网络技术（北京）有限公司 | 提供个性化服务的方法、装置、设备和计算机存储介质 |
| CN107592614A (zh) * | 2017-09-15 | 2018-01-16 | 泾县麦蓝网络技术服务有限公司 | 一种应用于实体销售店内的用户终端网络访问控制方法和系统 |
-
2018
- 2018-01-17 CN CN201810044460.2A patent/CN108230040B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1387146A (zh) * | 2001-05-22 | 2002-12-25 | 宇智(大连)电子信息技术有限公司 | 将区域性商店利用商场联盟之构筑以引进电子商务中的系统与方法 |
| CN105354715A (zh) * | 2015-10-15 | 2016-02-24 | 百度在线网络技术（北京）有限公司 | 一种用于对用户进行授权的方法和装置 |
| CN106611223A (zh) * | 2015-10-27 | 2017-05-03 | 亿阳信通股份有限公司 | 酒店业务网上订购系统及方法 |
| CN106878935A (zh) * | 2015-12-11 | 2017-06-20 | 北京奇虎科技有限公司 | 一种店铺WiFi网络的共享方法、服务器和装置 |
| CN107590676A (zh) * | 2017-07-28 | 2018-01-16 | 百度在线网络技术（北京）有限公司 | 提供个性化服务的方法、装置、设备和计算机存储介质 |
| CN107592614A (zh) * | 2017-09-15 | 2018-01-16 | 泾县麦蓝网络技术服务有限公司 | 一种应用于实体销售店内的用户终端网络访问控制方法和系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087149A (zh) * | 2018-08-17 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 基于道路的信息数字化方法及装置 |
| CN109087149B (zh) * | 2018-08-17 | 2022-11-04 | 创新先进技术有限公司 | 基于道路的信息数字化方法及装置 |
| CN110472995A (zh) * | 2019-07-08 | 2019-11-19 | 汉海信息技术(上海)有限公司 | 到店预测方法、装置、可读存储介质及电子设备 |
| CN111275479A (zh) * | 2020-01-07 | 2020-06-12 | 北京爱笔科技有限公司 | 一种人流量预测方法、装置及系统 |
| CN111275479B (zh) * | 2020-01-07 | 2023-11-10 | 北京爱笔科技有限公司 | 一种人流量预测方法、装置及系统 |
| CN111460383A (zh) * | 2020-03-31 | 2020-07-28 | 浙江口碑网络技术有限公司 | 点单预测处理方法及装置 |
| CN112235722A (zh) * | 2020-12-11 | 2021-01-15 | 浙江口碑网络技术有限公司 | 信息输出方法、装置、计算机设备及可读存储介质 |
| CN112235722B (zh) * | 2020-12-11 | 2021-03-23 | 浙江口碑网络技术有限公司 | 信息输出方法、装置、计算机设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108230040B (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108230040A (zh) | 到店预测方法及装置 | |
| Torbacki et al. | Identifying Key Performance Indicators to be used in Logistics 4.0 and Industry 4.0 for the needs of sustainable municipal logistics by means of the DEMATEL method | |
| JP6336974B2 (ja) | 衣料製品を推薦する方法および装置 | |
| CN109857667A (zh) | 接口自动化测试方法、测试装置、测试设备及存储介质 | |
| CN104077306B (zh) | 一种搜索引擎的结果排序方法及系统 | |
| CN109284948A (zh) | 物流对象选择方法、物流对象选择装置和电子装置 | |
| CN110400103A (zh) | 补货量确定方法、装置、计算机装置及存储介质 | |
| Lam et al. | A decision support system for port selection | |
| CN110347777B (zh) | 一种兴趣点poi的分类方法、装置、服务器及存储介质 | |
| CN109636013B (zh) | 配送范围的生成方法、装置、电子设备和存储介质 | |
| CN108255997A (zh) | 一种打车目的地的预测方法及系统 | |
| CN103714139A (zh) | 一种移动海量客户群识别的并行数据挖掘方法 | |
| CN103902538A (zh) | 基于决策树的信息推荐装置及方法 | |
| CN110555748A (zh) | 业务对象的推荐方法、装置和旅行平台 | |
| CN107679103A (zh) | 用于实体的属性分析方法及系统 | |
| CN109902213B (zh) | 实时公交服务线路推荐方法、装置与电子设备 | |
| CN111539764B (zh) | 基于次模函数的大数据多址选择方法 | |
| CN107798027A (zh) | 一种信息热度预测方法、信息推荐方法及装置 | |
| CN108429776A (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
| CN110363044A (zh) | 快递单号的录入方法及系统 | |
| Hüsig | A typology for radical innovation projects based on an innovativeness framework | |
| CN109978292A (zh) | 门店的智能管理方法及装置 | |
| Radanliev | Engineering design methodology for green-field supply chain architectures taxonomic scheme | |
| CN116029637A (zh) | 跨境电商物流渠道智能推荐方法及装置、设备、存储介质 | |
| Frick et al. | Quality 5.0: A paradigm shift towards proactive quality control in Industry 5.0 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |