CN108600965B - 一种基于客人位置信息的客流数据预测方法 - Google Patents

Abstract

本发明公开了一种基于客人位置信息的客流数据预测方法，包括以下步骤：(1)客流数据分析：通过移动设备的无线接收信号强度计算移动设备到商店中收集该信号的设备之间的距离，从而确定出不同时刻不同客人的位置信息；根据不同时刻客人的位置变化，判断出客人何时进入商店、何时走出商店，据此计算出一段时间内客流量、入店量、出店量；(2)客流数据预测：将客流量、入店量、出店量作为训练集，训练一个客流数据预测网络模型，实现对未来客流数据的预测；(3)客流数据分析预测：用于构建出图形化的系统界面以展示客流数据。本发明分析出的有价值的客流数据较多、预测客流数据准确度较高，进而实现以可视化界面展示历史、未来客流数据。

Description

一种基于客人位置信息的客流数据预测方法

技术领域

本发明涉及一种基于客人位置信息的客流数据预测方法，属于客流数据的分析与预测技术领域。

背景技术

客流数据的分析与预测技术在商业领域逐渐占有重要地位，客流数据的真实性和超前预测能力对商业的精细化运营更是起着不可估量的作用。对客流数据的准确预测为商店的精细化运营提供了全方位的数据参考，能够帮助商店帮助发现潜在机会和改进措施，更加有效地提高商店的利润。目前客流数据的分析和预测方式大体上分为两种：基于人工数量统计并预测技术和基于智能视频分析预测技术。

基于人工数量统计客流数据，即由特定工作人员在各个时间段用抽样的方式对商店的客人数量进行统计，从而根据抽样比例计算出每日的客流量，再根据数据的变化规律来预测未来的客流数据。这种方法虽然成本低，但可以分析出的有价值的客流数据较少，且客流数据准确度较低，因此导致预测结果不准确，数据的变化趋势不能较好的反映出来。

基于智能视频分析预测技术是通过借助监控设备使用运动区域检测和追踪算法或者是基于图像特征和机器学习的算法进行客流数据的分析，这种技术对算法的准确度要求过高，并且在客流量较大时靠监控设备难以进行图像的识别，因此，对客流数据预测时准确度较低。

在实际应用中，当客流量较大且商店面积并不大时，无论是人工数量统计预测还是智能视频分析预测，可分析出的有价值的客流数据都较少，预测的准确度也会大打折扣。因此，目前现有的客流数据分析预测技术往往难以满足部分商店的客流分析预测的需求。

发明内容

针对现有技术存在的不足，本发明目的是提供一种基于客人位置信息的客流数据预测方法，对于有较大客流的中小型商店，本发明可以分析出的有价值的客流数据较多、预测客流数据准确度较高，进而实现以可视化界面展示历史客流数据和预测的未来客流数据，有效地满足商店对于客流数据分析的需求。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明涉及客人位置信息的分析与提取、客流数据的分析和预测以及可视化系统的构建，具体涉及试图通过分析一定时间内客人相对商店位置信息的变化来研究商店的客流量、入店量、出店量等客流数据，基于历史客流数据对未来一周客流数据进行预测，并构建出图形化的系统界面以展示这些数据。

本发明的一种基于客人位置信息的客流数据预测方法，包括以下步骤：

(1)客流数据分析：根据移动设备的无线接收信号强度，计算移动设备到商店中收集该信号的WIFI探针设备之间的距离，将此距离作为客人到WIFI探针设备之间的距离，从而确定出不同时刻不同客人的位置信息；根据不同时刻客人的位置变化，判断出客人何时进入商店、何时走出商店，据此计算出一段时间内客流量、入店量、出店量；

(2)客流数据预测：将客流量、入店量、出店量作为训练集，训练一个客流数据预测网络模型，实现对未来客流数据的预测；

(3)客流数据分析预测：构建出图形化的系统界面，将分析出的客流数据和预测出的客流数据展示出来。

步骤(1)具体步骤如下：

步骤A，通过收集无线接收信号的WIFI探针设备来收集每个客人的移动设备的信号；

步骤B，根据信号强度计算出客人到WIFI探针设备的距离X，并去除噪声数据和有错误的数据；

步骤C，设置一个数据存储结构，用来记录客人编号、进店时刻和出店时刻三个字段；

步骤D，设WIFI探针设备至店门的距离为D₁，D₂＝D₁+L，其中L表示店门前设定的一段距离，距离X<D₁表示客人在店内，D₁≤X≤D₂表示客人在店门前，根据距离X和D₁、D₂的关系记录下客人的进店时间、出店时间数据。

步骤D具体的方法如下：

每当一个客人的距离X由X<D₁变化到X>D₁时，说明有客人进入商店，在相应客人编号的进店时刻字段记录下该时刻，每当一个客人的距离X由X>D₁变化到X<D₁时，说明有客人离开商店，在相应客人编号的出店时刻字段记录下该时刻；由此得出一个时间段内进入商店的客人数量和离开商店的客人数量；

每当一个客人的距离X出现在[D₁,D₂]范围内时，商店门前客流量加一，从而得出一个时间段商店门前客流量。

步骤(2)具体的方法如下：

步骤E，构造所述客流数据预测网络模型，确定该模型的输入区域、调节区域和输出区域的区域节点数，以及响应函数和训练算法；

步骤F，初始化网络各区域的权值和阈值，即为权值w_ij和w_jk以及阈值θ_j和α_k分别在(0,1)之间赋一个随机初值，用p来表示是第几组客流数据样本，置p＝1，用N表示总样本数目；

步骤G，输入第p组客流数据样本，计算各区域的输入值和输出值；

步骤H，计算出第p组客流数据样本输出区域输出值的误差；

步骤I，判断p是否等于N，如果不等，则将令p＝p+1并转向步骤G，否则，计算N组客流数据样本输出区域输出值的总误差E；

步骤J，如果总误差大于或等于设定的最小误差值，则调整各区域的权值和阈值，并置p＝1，转向步骤G，否则客流数据预测网络模型训练完成。

步骤E中，将调节区域节点数l设置为l＝2n+1，其中，n为所述客流数据预测网络模型的输入区域节点数，在训练的过程中通过逐渐增加或减少调节区域节点数目反复试验，对比训练结果，从而确定一个最佳调节区域节点数量的网络结构；

使用S型生长函数作为响应函数，使用误差梯度下降的方法作为训练算法来调节各区域的权值和阈值，进而使训练误差均方值最小化，最终逼近预测网络模型的目标输出值；

网络构造完毕后，使用客流量、入店量、出店量对网络进行训练，输出区域有m个节点，x_i表示输入区域的输入值，w_ij表示输入区域第i个节点到调节区域第j个节点之间的权值，θ_j表示调节区域第j个节点的阈值，φ(x)表示调节区域的调节函数，w_jk表示调节区域第j个节点到输出区域第k个节点之间的权值，α_k表示输出区域第k个节点的阈值，ψ(x)表示输出区域的调节函数，y_k表示输出区域的输出值，其中，i＝1,2,…n，j＝1,2,…l，k＝1,2,…m。

步骤G中，调节区域第j个节点的客流数据输入值net_j(j＝1,2,…l)为：

调节区域第j个节点的输出值h_j(j＝1,2,…l)为

输出区域第k个节点的输入值net_k(k＝1,2,…m)为

输出区域第k个节点的客流数据输出值y_k(k＝1,2,…m)为

步骤H中，设T_k为预期客流数据输出值，其中，k＝1,2,…m，则对于每一组客流数据样本p的误差E_p为

步骤I中，设第p组客流数据样本的预期输出值为

第p组训练样本的实际输出值为

则总误差E为：

步骤J中，调节公式如下：

其中，h为调节率。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明基于无线接收信号强度实现对客人的定位，具有较高的实用性和准确性：2、本发明基于历史数据构建预测网络模型的结构和参数，具有较高的准确性，有较好的预测结果；3、本发明采用多种图表形象地展现分析和预测出的数据，提高了观察和分析客流数据的便利性。

附图说明

图1是本发明中基于客人位置信息的客流数据预测方法工作流程图；

图2是本发明中建立客流数据预测网络模型的工作流程图；

图3是本发明中建立的客流数据分析预测系统界面示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

本发明根据移动设备的无线接收信号强度计算出该移动设备到商店中收集该信号的设备之间的距离，将此距离作为客人到收集该信号的设备之间的距离，从而确定出不同时刻不同客人的位置信息。基于客人位置信息的变化，判断客人何时进入商店、何时走出商店，从而计算出客流量、入店量、出店量和停留时间等客流数据，将这些量的历史数据作为训练集，训练一个预测网络模型，进而预测出未来一周的客流数据。建立一个基于此方式的客流数据分析预测系统，从而解决了目前预测客流数据准确度较低等问题。

一种基于客人位置信息的客流数据预测系统，包括客流数据分析模块、客流数据预测模块和客流数据分析预测模块，客流数据分析模块通过移动设备的无线接收信号强度计算出移动设备到商店中收集该信号的设备之间的距离，实现对客人的定位，并据此分析出客流量、入店量、出店量数据；客流数据预测模块通过将客流量、入店量、出店量数据作为训练集，建立一个客流数据预测网络模型，进而预测出未来的客流数据；客流数据分析预测模块用于构建出图形化的系统界面以展示客流数据。

如图1所示，本实施例的客流数据预测方法共包括三个模块：

(1)客流数据分析模块

该模块通过收集无线接收信号的WIFI探针设备来收集每个客人的移动设备的信号，根据信号强度计算出客人到该手机设备的距离X，去除这些数据中的噪声数据和有明显错误的数据。设置一个数据存储结构，用来记录客人编号、进店时刻和出店时刻三个字段。设WIFI探针设备至店门的距离为D₁，每当一个客人的X由X<D₁变化到X>D₁时，说明有客人进入商店，在相应客人编号的进店时刻字段记录下该时刻，每当一个客人的X由X>D₁变化到X<D₁时，说明有客人离开商店，在相应客人编号的出店时刻字段记录下该时刻。由此便可以得出某个时间段内进入商店的客人数量和离开商店的客人数量。设D₂＝D₁+L，其中L表示店门前的一段距离，该距离因店而异,每当一个客人的X出现在[D₁,D₂]范围内时，商店门前客流量加一，从而可以得出某个时间段商店门前客流量。

(2)客流数据预测模块

该模块基于历史客流数据预测未来客流数据，将客流量、入店量、出店量等客流数据的历史值作为训练集，建立一个客流数据预测网络模型，进而预测出未来一周的客流数据。

具体的，用于客流数据预测网络模型的构造方法为：

步骤1，确定该预测网络模型的输入区域和输出区域，以过去几个月的的客流数据作为网络的输入输出变量，设定预测周期为7，即按顺序将7天的客流数据作为该网络的输入变量，第8天的客流数据作为输出变量，依次进行滚动式排列，通过历史7天与未来1天的客流数据的非线性映射的实现，达到预测的目的。因此，设定的输入区域有7个区域节点数，输出区域有1个区域节点数。

步骤2，确定调节区域，它是连接网络输入区域和输出区域的重要桥梁，决定着整个网络的结构和性能。将调节区域节点数m设置为m＝2n+1，其中，n为输入区域节点数，在训练的在过程中通过逐渐增加或减少节点数目反复试验，对比训练结果，从而确定一个最佳调节区域节点数量的网络结构。

步骤3，确定响应函数和训练算法，使用S型生长函数作为响应函数，发挥其良好的可微性和非线性映射能力，使用误差梯度下降的方法作为训练的算法来调节各区域的权值和阈值，进而使训练误差均方值最小化，最终逼近预测网络模型的目标输出值。

网络构造完毕后便可以使用历史客流数据对网络进行训练，设该客流数据预测网络模型的输入区域有n个节点，调节区域有l个节点，输出区域有m个节点，x_i表示输入区域的输入值，w_ij表示输入区域第i个节点到调节区域第j个节点之间的权值，θ_j表示调节区域第j个节点的阈值，φ(x)表示调节区域的调节函数，w_jk表示调节区域第j个节点到输出区域第k个节点之间的权值，α_k表示输出区域第k个节点的阈值，ψ(x)表示输出区域的调节函数，y_k表示输出区域的输出值，其中，i＝1,2,…n，j＝1,2,…l，k＝1,2,…m。

参见图2，具体的，该训练的方法为：

步骤1，初始化网络各区域的权值和阈值，即为权值w_ij和w_jk以及阈值θ_j和α_k分别在(0,1)之间赋一个随机初值，用p来表示是第几组客流数据样本，置p＝1，用N表示总样本数目。

步骤2，输入第p组客流数据样本，计算各个区域的输入值和输出值。调节区域第j个节点的客流数据输入值net_j(j＝1,2,…l)为：

调节区域第j个节点的输出值h_j(j＝1,2,…l)为

输出区域第k个节点的输入值net_k(k＝1,2,…m)为

输出区域第k个节点的客流数据输出值y_k(k＝1,2,…m)为

步骤3，计算出第p组客流数据样本输出区域的输出值的误差。设T_k(k＝1,2,…m)为预期客流数据输出值，则对于每一组客流数据样本p的误差E_p为

步骤4，判断p是否等于N，如果不等，则令p＝p+1并转向步骤2，如果相等，则计算N组客流数据样本输出区域输出值的总误差E。设第p组客流数据样本的预期输出值为

第p组训练样本的实际输出值为

则总误差E为：

步骤5，如果总误差大于或等于设定的误差最小值，则调整各区域的权值和阈值，调节公式如下：

其中，η为调节率。同时令p＝1，转向步骤2，否则，预测客流数据的网络模型训练完成。

(3)客流数据分析预测系统的建立

本系统划分为三个逻辑独立的功能模块：数据采集模块，数据分析模块和数据预测模块。在数据采集模块中，利用收集无线接收信号的设备每秒收集一次数据，将经过去重和去噪音后的数据存入数据库中。在数据分析模块中，从客人和店铺两个角度出发，根据数据库中的记录对诸如客人的入店时长和店铺的客流量、入店量、出店量等指标做出统计分析。在数据预测模块中，将这些量的历史数据作为训练集，训练一个预测网络模型，进而预测出未来一周的客流数据。

据此构建一个具有可视化界面的系统软件，将将这个可视化界面分成三个部分，分别为查询模块、分析模块和预测模块。在查询模块中展示每天收集到的客人信息，同时可以实现对这些信息的增加、修改、删除；分析模块和预测模块分别用表格、柱状图、饼图和折线图四种不同的形式形象地展示分析和预测出的客流数据，该图形化软件的示意图如图3所示。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于客人位置信息的客流数据预测方法，其特征在于，包括以下步骤：

(1)客流数据分析：根据移动设备的无线接收信号强度，计算移动设备到商店中收集该信号的WIFI探针设备之间的距离，将此距离作为客人到WIFI探针设备之间的距离，从而确定出不同时刻不同客人的位置信息；根据不同时刻客人的位置变化，判断出客人何时进入商店、何时走出商店，据此计算出一段时间内客流量、入店量、出店量；

步骤(1)具体步骤如下：

步骤A，通过收集无线接收信号的WIFI探针设备来收集每个客人的移动设备的信号；

步骤B，根据信号强度计算出客人到WIFI探针设备的距离X，并去除噪声数据和有错误的数据；

步骤C，设置一个数据存储结构，用来记录客人编号、进店时刻和出店时刻三个字段；

步骤D，设WIFI探针设备至店门的距离为D₁，D₂＝D₁+L，其中L表示店门前设定的一段距离，距离X<D₁表示客人在店内，D₁≤X≤D₂表示客人在店门前，根据距离X和D₁、D₂的关系记录下客人的进店时间、出店时间数据；

(2)客流数据预测：将客流量、入店量、出店量作为训练集，训练一个客流数据预测网络模型，实现对未来客流数据的预测；

(3)客流数据分析预测：构建出图形化的系统界面，将分析出的客流数据和预测出的客流数据展示出来。

2.根据权利要求1所述的基于客人位置信息的客流数据预测方法，其特征在于，步骤D具体的方法如下：

每当一个客人的距离X由X<D₁变化到X>D₁时，说明有客人进入商店，在相应客人编号的进店时刻字段记录下该时刻，每当一个客人的距离X由X>D₁变化到X<D₁时，说明有客人离开商店，在相应客人编号的出店时刻字段记录下该时刻；由此得出一个时间段内进入商店的客人数量和离开商店的客人数量；

每当一个客人的距离X出现在[D₁,D₂]范围内时，商店门前客流量加一，从而得出一个时间段商店门前客流量。

3.根据权利要求1所述的基于客人位置信息的客流数据预测方法，其特征在于，步骤(2)具体的方法如下：

步骤E，构造所述客流数据预测网络模型，确定该模型的输入区域、调节区域和输出区域的区域节点数，以及响应函数和训练算法；

步骤F，初始化网络各区域的权值和阈值，即为权值w_ij和w_jk以及阈值θ_j和α_k分别在(0,1)之间赋一个随机初值，用p来表示是第几组客流数据样本，置p＝1，用N表示总样本数目；

步骤G，输入第p组客流数据样本，计算各区域的输入值和输出值；

步骤H，计算出第p组客流数据样本输出区域输出值的误差；

步骤I，判断p是否等于N，如果不等，则将令p＝p+1并转向步骤G，否则，计算N组客流数据样本输出区域输出值的总误差E；

步骤J，如果总误差大于或等于设定的最小误差值，则调整各区域的权值和阈值，并置p＝1，转向步骤G，否则客流数据预测网络模型训练完成。

4.根据权利要求3所述的基于客人位置信息的客流数据预测方法，其特征在于，步骤E中，将调节区域节点数l设置为l＝2n+1，其中，n为所述客流数据预测网络模型的输入区域节点数，在训练的过程中通过逐渐增加或减少调节区域节点数目反复试验，对比训练结果，从而确定一个最佳调节区域节点数量的网络结构；

使用S型生长函数作为响应函数，使用误差梯度下降的方法作为训练算法来调节各区域的权值和阈值，进而使训练误差均方值最小化，最终逼近预测网络模型的目标输出值；

网络构造完毕后，使用客流量、入店量、出店量对网络进行训练，输出区域有m个节点，x_i表示输入区域的输入值，w_ij表示输入区域第i个节点到调节区域第j个节点之间的权值，θ_j表示调节区域第j个节点的阈值，φ(x)表示调节区域的调节函数，w_jk表示调节区域第j个节点到输出区域第k个节点之间的权值，α_k表示输出区域第k个节点的阈值，ψ(x)表示输出区域的调节函数，y_k表示输出区域的输出值，其中，i＝1,2,…n，j＝1,2,…l，k＝1,2,…m。

5.根据权利要求4所述的基于客人位置信息的客流数据预测方法，其特征在于，步骤G中，调节区域第j个节点的客流数据输入值net_j(j＝1,2,…l)为：

调节区域第j个节点的输出值h_j(j＝1,2,…l)为

输出区域第k个节点的输入值net_k(k＝1,2,…m)为

输出区域第k个节点的客流数据输出值y_k(k＝1,2,…m)为

6.根据权利要求5所述的基于客人位置信息的客流数据预测方法，其特征在于，步骤H中，设T_k为预期客流数据输出值，其中，k＝1,2,…m，则对于每一组客流数据样本p的误差E_p为

7.根据权利要求6所述的基于客人位置信息的客流数据预测方法，其特征在于，步骤I中，设第p组客流数据样本的预期输出值为

第p组训练样本的实际输出值为

则总误差E为：

8.根据权利要求7所述的基于客人位置信息的客流数据预测方法，其特征在于，步骤J中，调节公式如下：

其中，η为调节率。

Images