CN109242552A - 一种基于大数据的商铺定位方法 - Google Patents

一种基于大数据的商铺定位方法 Download PDF

Info

Publication number
CN109242552A
CN109242552A CN201810961118.9A CN201810961118A CN109242552A CN 109242552 A CN109242552 A CN 109242552A CN 201810961118 A CN201810961118 A CN 201810961118A CN 109242552 A CN109242552 A CN 109242552A
Authority
CN
China
Prior art keywords
retail shop
user
data
retail
wifi
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
Application number
CN201810961118.9A
Other languages
English (en)
Other versions
CN109242552B (zh
Inventor
王进
高选人
孙开伟
欧阳卫华
邓欣
陈乔松
李智星
胡峰
雷大江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Worm Interactive Marketing Planning Co.,Ltd.
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810961118.9A priority Critical patent/CN109242552B/zh
Publication of CN109242552A publication Critical patent/CN109242552A/zh
Application granted granted Critical
Publication of CN109242552B publication Critical patent/CN109242552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的商铺定位方法，包括：101对数据进行预处理操作；102根据记录时间对数据进行划分操作；103根据一定规则构建每条样本的候选集；104对数据进行打标操作；105对数据进行特征工程构建操作；106建立多个机器学习模型，并进行模型融合操作；107通过已建立的模型，根据用户的经纬度、所连接的WiFi信息等数据定位用户所在商铺。本发明主要是通过对用户的经纬度、所连接的WiFi信息等数据进行预处理和分析提取特征，建立多个机器学习模型，从而定位用户当前所在商铺，使得商家能够在在正确的时间、正确的地点给用户最有效的服务。

Description

一种基于大数据的商铺定位方法
技术领域
本发明涉及机器学习、大数据处理技术领域，尤其基于多模型融合商铺定位算法。
背景技术
传统的定位用户所在商铺的方法是通过GPS获得用户的位置从而计算出用户与商铺的距离。但一个商城内的各个商铺距离不远，位置可能出现重叠，这个时候仅仅用GPS定位用户所在商铺可能会存在不精确的问题。基于仅仅使用GPS无法准确定位用户所在商铺，进行了本发明创造。
发明内容
为了解决上述问题，本发明提供一种基于大数据的商铺定位方法对用户在商铺内交易数据和商铺信息数据进行分析，旨在有效地定位用户在哪一家商铺，进而促使商家能够在在正确的时间、正确的地点给用户最有效的服务，具有一定的实现意义。
鉴于此，本发明的技术方案如下：一种基于大数据的商铺定位方法，其特征在于，包括以下步骤：
101.对用户的交易数据进行预处理操作。
102.根据记录时间把预处理后的数据划分为训练集和测试集。
103.构建每条样本的候选集。
104.根据当前该用户是否在该商店，对数据进行打标操作。
105.对训练集和测试集进行特征工程构建操作。
106.对经过特征工程构建的数据建立多个机器学习模型，并进行模型融合操作。
107.通过步骤106已建立的模型，根据用户的经纬度、所连接的WiFi信息定位用户所在商铺，使得商家能够在正确的时间、正确的地点给用户最有效的服务。
进一步，所述对数据进行预处理操作：数据预处理包括用户在商铺内交易数据和商铺信息数据的处理，根据数据表的描述以及物理理解进行如下处理：
①对异常值进行清洗；
删除原始数据集中用户当前位置与店铺位置距离太大的样本，删除WiFi信息中强度为空的WiFi以及强度为正值的WiFi。
②由于商铺信息数据中的经纬度存在测量不准确的问题，商铺信息数据的经纬度以用户在商铺内交易数据中该商铺的所有经纬度的中位数代替。
首先将所有经度按强度从小到大排序：
longitude1≤longitude2≤longitude3≤…≤longituden
则商铺的经度确定为：
商铺的纬度也用同样的方法修正。
进一步，根据用户在商铺内交易数据的分析以及预测时间段，找到合适的时间划分区间，采用时间窗划分方法把用户在商铺内交易数据划分为训练集和测试集。训练集的历史区间为Day1～Day7，标签区间为Day8～Day14，测试集的历史区间为Day8～Day14，标签区间为Day15～Day21。
进一步，根据用户在商铺内交易数据中每条样本强度最大WiFi所对应的某商铺的次数，选择出每条样本该次数最多的10个商铺作为候选集，不足10个的以距离该条样本最近的几个商铺填充。
进一步，所述对数据进行打标操作：若候选集中的商铺与该条样本的商铺名称一致则打标为1，其余打标为0，控制正负样本比为1：9。
进一步，根据对用户在商铺内交易数据和商铺信息数据的分析，对训练集和测试集进行特征工程构建；指对用户历史行为数据构建基础特征、多分类概率特征、交叉特征等；
所述基础特征是指：当前用户距该商铺的距离、所连最强WiFi对应该商铺的次数，用户、商铺、用户-商铺所发生的交易次数总和及其均值、方差；用户活动半径，商铺覆盖半径，用户经常连接强度第几的WiFi。
所述多分类概率特征是指：在原始的用户在商铺内交易数据中，将每条样本所连所有WiFi进行离散作为特征，将每条样本中该WiFi的强度作为该离散WiFi特征的值，空值以-999代替，将该条样本的商铺作为标签，调用XGBoost多分类模型，输出该条样本位于每个商铺的概率，与训练集、测试集进行连表操作得到每条样本的多分类概率特征。
所述交叉特征是指：挖掘基础特征之间的关系，用户在该商铺的交易次数在所有商铺的交易次数的占比，用户活动半径占商铺覆盖半径的占比。
在上述步骤的基础上，用构建完特征的训练集去训练11个lightGBM模型。
lightGBM模型分别基础特征、多分类特征、交叉特征进行特征选择，按照特征重要性排序，在基础特征中选取特征重要性大于0的特征，在多分类特征中选取特征重要性大于0的特征，在交叉特征中选取特征重要性大于0的特征。lightGBM模型参数在默认参数乘以随机系数，系数范围为0.8～1.2，从而生成11个不同的lightGBM模型。这些lightGBM模型以stacking进行模型融合，用线性回归以五折交叉拟合每一折得到5个系数，以这5个系数的均值作为该lightGBM的融合系数作为stacking的第一层，再以这多个lightGBM模型进行训练，得到11个lightGBM的预测结果，将预测结果乘上各自的融合系数，求和得到最终概率。过程如下：
①分别对11个模型调用线性回归得到每一折的预测结果。其中ym_npredic表示第m个模型第n折的预测结果，wm_n_z表示第m个模型的第n折的第z个线性回归系数，xk表示第k个特征，k的取值范围为1到所提取的特征数量：
……
②将11个模型的预测结果作为x，该训练集每一折的真实标签作为y，再次调用线性回归模型，其中yn fold表示第n折的真实标签，wm_n表示第m折的第n个线性回归系数：
③则11个模型最终的融合系数为：
……
选择当前用户所在最大概率的商铺作为最终定位结果推荐给系统，使得商家能够在在正确的时间、正确的地点给用户最有效的服务。
本发明弥补了仅仅使用GPS无法准确定位用户所在商铺的问题。具有以下有益技术效果：
①创造性地在GPS定位的基础上引入WiFi进行定位，使定位更加准确；
②某些商铺往往较大，经纬度无法完全代表该商铺的位置；于是将商铺的经纬度用商铺内的用户的经纬度的中位数进行替换，使商铺的经纬度更准确；
③根据提出的规则构建了候选集，降低了机器学习的复杂度；
④根据WiFi信息使用多分类构造了概率特征，很好地使用到了WiFi的信息同时使模型不至于太复杂；
⑤通过stacking进行模型融合，使模型更加准确和健壮。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供一种基于大数据的商铺定位方法的流程图；
图2为本发明实施例一提供基于一种基于大数据的商铺定位方法中lightGBM模型的流程图；
图3为本发明实施例一提供一种基于大数据的商铺定位方法中多模型融合的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参考图1，图1为本发明实施例一提供基于大数据的商铺定位方法的流程图，具体包括：
101.收集用户在店铺内交易数据并对数据进行预处理操作：收集用户在商铺内交易数据、商铺信息数据，具体如下：
收集用户在商铺内交易数据包括用户ID、商铺ID、行为时间戳、行为发生时的经度、行为发生时的纬度、行为发生时的WiFi环境。
表1用户在店铺内交易数据
收集商铺信息数据包括商铺ID、商铺类型ID、商铺经度、商铺纬度、人均消费指数、商城ID。
表2商铺信息数据
数据预处理包括用户在商铺内交易数据和商铺信息数据的处理，根据两个数据表的描述以及物理理解进行如下处理：
①对异常值进行清洗，例如删除原始数据集中用户当前位置与店铺位置距离太大的样本，删除WiFi信息中强度为空的WiFi以及强度为正值的WiFi。
②由于商铺信息数据中的经纬度存在测量不准确的问题，商铺信息数据的经纬度以用户在商铺内交易数据中该商铺的所有经纬度的中位数代替。
首先将所有经度按强度从小到大排序：
longitude1≤longitude2≤longitude3≤…≤longituden
则商铺的经度确定为：
102.根据记录时间把预处理后的数据划分为训练集和测试集：根据用户在商铺内交易数据的分析以及预测时间段，训练集的历史区间为Day1～Day7，标签区间为Day8～Day14，测试集的历史区间为Day8～Day14，标签区间为Day15～Day21；
103.根据一定规则构建每条样本的候选集：二分类算法应用在该问题上的思路是原始数据集中每条样本都打标为1，每条样本的商铺所在商城中的其他商铺打标为0，如此正负样本比达到1：500。为了控制正负样本比，为每条样本构造候选集，先挑选出那些最有可能的商铺。根据用户在商铺内交易数据中每条样本强度最大WiFi所对应的某商铺的次数，选择出每条样本该次数最多的10个商铺作为候选集，不足10个的以距离该条样本最近的几个商铺填充。
104.根据当前该用户是否在该商店对数据进行打标操作：若候选集中的商铺与该条样本的商铺名称一致则打标为1，其余打标为0，控制正负样本比为1：9。
105.对训练集和测试集进行特征工程构建操作：
①基础特征：当前用户距该商铺的距离、所连最强WiFi对应该商铺的次数，用户、商铺、用户-商铺所发生的交易次数总和及其均值、方差等；用户活动半径，商铺覆盖半径，用户经常连接强度第几的WiFi；
②多分类概率特征：在原始的用户在商铺内交易数据中，将每条样本所连所有WiFi进行离散作为特征，将每条样本中该WiFi的强度作为该离散WiFi特征的值，空值以-999代替，将该条样本的商铺作为标签，调用XGBoost多分类模型，输出该条样本位于每个商铺的概率，与训练集、测试集进行连表操作得到每条样本的多分类概率特征；
③交叉特征：挖掘基础特征之间的关系，比如用户在该商铺的交易次数在所有商铺的交易次数的占比；
106.对经过特征工程构建的数据建立11个机器学习模型，并进行模型融合操作(参见图2和图3)：lightGBM模型分别对基础特征、多分类特征、交叉特征进行特征选择，按照特征重要性排序，在基础特征中选取特征重要性大于0的特征，在多分类特征中选取特征重要性大于0的特征，在交叉特征中选取特征重要性大于0的特征。lightGBM模型参数在默认参数乘以随机系数，系数范围为0.8～1.2，从而生成11个不同的lightGBM模型。这些lightGBM模型以stacking进行模型融合，用线性回归以五折交叉拟合每一折得到5个系数，以这5个系数的均值作为该lightGBM的融合系数作为stacking的第一层，再以这多个lightGBM模型进行训练，得到每个lightGBM的预测结果，将预测结果乘上各自的融合系数，求和得到最终概率。过程如下：
①分别对11个模型调用线性回归得到每一折的预测结果。其中ym_npredic表示第m个模型第n折的预测结果，wm_n_z表示第m个模型的第n折的第z个线性回归系数，xk表示第k个特征，k的取值范围为1到所提取的特征数量：
……
②将11个模型的预测结果作为x，该训练集每一折的真实标签作为y，再次调用线性回归模型，其中yn fold表示第n折的真实标签，wm_n表示第m折的第n个线性回归系数：
③则11个模型最终的融合系数为：
……
107.通过已建立的模型，根据用户的经纬度、所连接的WiFi信息等数据定位用户所在商铺：选择当前用户所在最大概率的商铺作为最终定位结果推荐给系统，定位结果的精度可达92％以上，使得商家能够在在正确的时间、正确的地点给用户最有效的服务。

Claims (10)

1.一种基于大数据的商铺定位方法，其特征在于，包括以下步骤：
101.对用户的交易数据进行预处理操作；
102.根据记录时间把预处理后的数据划分为训练集和测试集；
103.构建每条样本的候选集；
104.根据当前该用户是否在该商店，对数据进行打标操作；
105.对训练集和测试集进行特征工程构建操作；
106.对经过特征工程构建的数据建立多个机器学习模型，并进行模型融合操作；
107.通过步骤106已建立的模型，根据用户的经纬度、所连接的WiFi信息定位用户所在商铺。
2.根据权利要求1所述一种基于大数据的商铺定位方法，其特征在于：步骤101所述交易数据包括用户在商铺内交易数据和商铺信息数据，其中所述用户在商铺内交易数据包括用户ID、商铺ID、行为时间戳、行为发生时的经度、行为发生时的纬度和行为发生时的WiFi环境，所述商铺信息数据包括商铺ID、商铺类型ID、商铺经度、商铺纬度、人均消费指数和商城ID。
3.根据权利要求1或2所述一种基于大数据的商铺定位方法，其特征在于：所述预处理操作包括：
①对异常值进行清洗，删除原始数据集中用户当前位置与店铺位置距离大的样本，删除WiFi信息中强度为空的WiFi以及强度为正值的WiFi；
②商铺经度和商铺纬度以用户在商铺内交易数据中该商铺的所有经度和纬度的中位数代替。
4.根据权利要求3所述一种基于大数据的商铺定位方法，其特征在于：步骤102所述划分训练集和测试集采用时间窗划分方法把用户在商铺内交易数据划分为训练集和测试集。
5.根据权利要求1所述一种基于大数据的商铺定位方法，其特征在于：步骤103所述构建每条样本的候选集具体为：根据用户在商铺内交易数据中每条样本强度最大WiFi所对应的某商铺的次数，选择出每条样本该次数最多的10个商铺作为候选集，不足10个的以距离该条样本最近的几个商铺填充。
6.根据权利要求1所述一种基于大数据的商铺定位方法，其特征在于：步骤104所述打标操作为候选集中的商铺与该条样本的商铺名称一致则打标为1，其余打标为0。
7.根据权利要求1所述一种基于大数据的商铺定位方法，其特征在于：步骤105所述特征工程构建包括构建基础特征、多分类概率特征和交叉特征。
8.根据权利要求7所述一种基于大数据的商铺定位方法，其特征在于：所述基础特征是，当前用户距该商铺的距离、所连最强WiFi对应该商铺的次数，用户、商铺、用户-商铺所发生的交易次数总和及其均值、方差；用户活动半径，商铺覆盖半径，用户经常连接强度第几的WiFi；
所述多分类概率特征是，在原始的用户在商铺内交易数据中，将每条样本所连所有WiFi进行离散作为特征，将每条样本中该WiFi的强度作为该离散WiFi特征的值，空值以-999代替，将该条样本的商铺作为标签，调用XGBoost多分类模型，输出该条样本位于每个商铺的概率，与训练集、测试集进行连表操作得到每条样本的多分类概率特征；
所述交叉特征是，挖掘基础特征之间的关系，用户在该商铺的交易次数在所有商铺的交易次数的占比，用户活动半径占商铺覆盖半径的占比。
9.根据权利要求1所述一种基于大数据的商铺定位方法，其特征在于：步骤106所述机器学习模型包括11个lightGBM模型，将这些lightGBM模型以stacking进行模型融合，用线性回归以五折交叉拟合每一折得到5个系数，以这5个系数的均值作为该lightGBM的融合系数作为stacking的第一层，再以这多个lightGBM模型进行训练，得到11个lightGBM的预测结果，将预测结果乘上各自的融合系数，求和得到最终概率。
10.根据权利要求9所述一种基于大数据的商铺定位方法，其特征在于：所述模型融合的具体步骤为：
①分别对11个模型调用线性回归得到每一折的预测结果；其中ym_npredic表示第m个模型第n折的预测结果，wm_n_z表示第m个模型的第n折的第z个线性回归系数，xk表示第k个特征，k的取值范围为1到所提取的特征数量：
……
②将11个模型的预测结果作为x，该训练集每一折的真实标签作为y，再次调用线性回归模型，其中ynfold表示第n折的真实标签，wm_n表示第m折的第n个线性回归系数：
③则11个模型最终的融合系数为：
……
CN201810961118.9A 2018-08-22 2018-08-22 一种基于大数据的商铺定位方法 Active CN109242552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810961118.9A CN109242552B (zh) 2018-08-22 2018-08-22 一种基于大数据的商铺定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810961118.9A CN109242552B (zh) 2018-08-22 2018-08-22 一种基于大数据的商铺定位方法

Publications (2)

Publication Number Publication Date
CN109242552A true CN109242552A (zh) 2019-01-18
CN109242552B CN109242552B (zh) 2020-09-29

Family

ID=65068494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810961118.9A Active CN109242552B (zh) 2018-08-22 2018-08-22 一种基于大数据的商铺定位方法

Country Status (1)

Country Link
CN (1) CN109242552B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657883A (zh) * 2019-01-28 2019-04-19 重庆邮电大学 一种基于多源数据驱动的银行网点选址推荐方法
CN110060102A (zh) * 2019-04-18 2019-07-26 重庆邮电大学 基于偏标记学习的用户所在商铺定位大数据预测方法
CN110278524A (zh) * 2019-05-05 2019-09-24 阿里巴巴集团控股有限公司 用户位置确定方法、图模型生成方法、装置及服务器
CN110874373A (zh) * 2019-12-10 2020-03-10 杭州岑石能源科技有限公司 一种基于机器学习stacking模型的线变关系判定方法
CN111461251A (zh) * 2020-04-10 2020-07-28 桂林电子科技大学 基于随机森林与自编码器的WiFi指纹的室内定位方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101945327A (zh) * 2010-09-02 2011-01-12 郑茂 基于数字图像识别和检索的无线定位方法、系统
CN102791025A (zh) * 2011-05-20 2012-11-21 盛乐信息技术（上海）有限公司 基于WiFi的分层定位系统及实现方法
CN102833855A (zh) * 2012-09-23 2012-12-19 友泰讯科(北京)科技有限公司 一种室内定位方法和系统
CN103402259A (zh) * 2013-08-15 2013-11-20 重庆邮电大学 一种基于蓝牙的室内定位服务系统及方法
CN103618797A (zh) * 2013-12-04 2014-03-05 柳明福 一种基于标记的室内定位方法
CN104281882A (zh) * 2014-09-16 2015-01-14 中国科学院信息工程研究所 基于用户特征的预测社交网络信息流行度的方法及系统
CN104778603A (zh) * 2015-03-27 2015-07-15 北京智慧图科技有限责任公司 基于室内定位数据的商铺客流分析方法及系统
EP2777304B1 (en) * 2011-11-08 2016-12-28 Ruckus Wireless, Inc. A method and apparatus for determining location information of a position in a multi-storey building
CN107909433A (zh) * 2017-11-14 2018-04-13 重庆邮电大学 一种基于大数据移动电子商务的商品推荐方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101945327A (zh) * 2010-09-02 2011-01-12 郑茂 基于数字图像识别和检索的无线定位方法、系统
CN102791025A (zh) * 2011-05-20 2012-11-21 盛乐信息技术（上海）有限公司 基于WiFi的分层定位系统及实现方法
EP2777304B1 (en) * 2011-11-08 2016-12-28 Ruckus Wireless, Inc. A method and apparatus for determining location information of a position in a multi-storey building
CN102833855A (zh) * 2012-09-23 2012-12-19 友泰讯科(北京)科技有限公司 一种室内定位方法和系统
CN103402259A (zh) * 2013-08-15 2013-11-20 重庆邮电大学 一种基于蓝牙的室内定位服务系统及方法
CN103618797A (zh) * 2013-12-04 2014-03-05 柳明福 一种基于标记的室内定位方法
CN104281882A (zh) * 2014-09-16 2015-01-14 中国科学院信息工程研究所 基于用户特征的预测社交网络信息流行度的方法及系统
CN104778603A (zh) * 2015-03-27 2015-07-15 北京智慧图科技有限责任公司 基于室内定位数据的商铺客流分析方法及系统
CN107909433A (zh) * 2017-11-14 2018-04-13 重庆邮电大学 一种基于大数据移动电子商务的商品推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张文童: ""基于Spark的混合推荐系统的研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李春跃: ""基于机器学习的WiFi室内定位技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
闫琰: ""基于深度学习的文本表示与分类方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657883A (zh) * 2019-01-28 2019-04-19 重庆邮电大学 一种基于多源数据驱动的银行网点选址推荐方法
CN110060102A (zh) * 2019-04-18 2019-07-26 重庆邮电大学 基于偏标记学习的用户所在商铺定位大数据预测方法
CN110060102B (zh) * 2019-04-18 2022-05-03 重庆邮电大学 基于偏标记学习的用户所在商铺定位大数据预测方法
CN110278524A (zh) * 2019-05-05 2019-09-24 阿里巴巴集团控股有限公司 用户位置确定方法、图模型生成方法、装置及服务器
CN110278524B (zh) * 2019-05-05 2021-01-05 创新先进技术有限公司 用户位置确定方法、图模型生成方法、装置及服务器
CN110874373A (zh) * 2019-12-10 2020-03-10 杭州岑石能源科技有限公司 一种基于机器学习stacking模型的线变关系判定方法
CN111461251A (zh) * 2020-04-10 2020-07-28 桂林电子科技大学 基于随机森林与自编码器的WiFi指纹的室内定位方法

Also Published As

Publication number Publication date
CN109242552B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN109242552A (zh) 一种基于大数据的商铺定位方法
Yao et al. Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model
CN103927394B (zh) 一种基于svm的多标签主动学习分类方法及系统
CN102662930B (zh) 一种语料标注方法及装置
CN104573106B (zh) 一种基于案例推理技术的城市建设智能审批方法
CN104050196B (zh) 一种兴趣点数据冗余检测方法及装置
CN106598950B (zh) 一种基于混合层叠模型的命名实体识别方法
CN109582793A (zh) 模型训练方法、客服系统及数据标注系统、可读存储介质
CN110110335A (zh) 一种基于层叠模型的命名实体识别方法
CN105975984B (zh) 基于证据理论的网络质量评价方法
CN104573000B (zh) 基于排序学习的自动问答装置及方法
CN106682696A (zh) 基于在线示例分类器精化的多示例检测网络及其训练方法
CN104881689A (zh) 一种多标签主动学习分类方法及系统
CN103617435A (zh) 一种主动学习图像分类方法和系统
CN104298778A (zh) 一种基于关联规则树的轧钢产品质量的预测方法及系统
CN108763496A (zh) 一种基于网格和密度的动静态数据融合客户分类算法
CN106951565B (zh) 文本分类方法及获得的文本分类器
CN105469219A (zh) 一种基于决策树的电力负荷数据处理方法
CN104281615A (zh) 一种投诉处理的方法和系统
CN109345007A (zh) 一种基于XGBoost特征选择的有利储层发育区预测方法
CN102496061A (zh) 基于主动学习的神经网络样本选择方法及其装置
CN109359186A (zh) 一种确定地址信息的方法、装置和计算机可读存储介质
CN108062366A (zh) 公共文化信息推荐系统
CN110232131A (zh) 基于创意标签的创意素材搜索方法及装置
CN110232133A (zh) 一种基于特征融合和款式分类的服装图像检索方法和系统

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
TR01 Transfer of patent right

Effective date of registration: 20230512

Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Yami Technology (Guangzhou) Co.,Ltd.

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230807

Address after: Room 201, 2nd Floor, Building 1, Xishuijing Hutong, Dongcheng District, Beijing, 100010

Patentee after: Beijing Worm Interactive Marketing Planning Co.,Ltd.

Address before: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee before: Yami Technology (Guangzhou) Co.,Ltd.

TR01 Transfer of patent right