CN109272351B - 客流动线以及客流热区确定方法及装置 - Google Patents
客流动线以及客流热区确定方法及装置 Download PDFInfo
- Publication number
- CN109272351B CN109272351B CN201811015132.6A CN201811015132A CN109272351B CN 109272351 B CN109272351 B CN 109272351B CN 201811015132 A CN201811015132 A CN 201811015132A CN 109272351 B CN109272351 B CN 109272351B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- hot zone
- mobile devices
- hot
- zone
- 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.)
- Active
Links
Images
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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- 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
- G06Q30/0203—Market surveys; Market polls
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种客流动线确定方法及装置、客流热区确定方法及装置。该客流动线确定方法包括:接收多个移动设备发送的坐标数据,其中,多个移动设备所在环境被划分为多个网格;基于每个移动设备的坐标数据,确定每个移动设备所属的网格;确定每个网格内移动设备的数量;基于每个网格内移动设备的数量,输出客流动线分布图。采用本公开提供的方法,能够对超市或商场等处提供关于客流动线和客流热区的分布,进而有利于商场或超市等对货品布局进行精细化管理。
Description
技术领域
本公开涉及数据处理技术,尤其涉及一种客流动线确定方法及装置以及客流热区确定方法及装置。
背景技术
近年来,零售行业面临发展瓶颈:线上零售市场规模虽仍保持增长,但是增速已大大放缓;线下零售市场受线上冲击,影响仍未消除。云计算、大数据、物联网等新技术的发展正推动零售行业变革,消费者的消费习惯已产生巨大变化,迈入“新零售”时代已成为业界共识,零售商如今必须依托新技术,开发新模式。
对大型超市而言,卖场布局和商品陈列是提升商品销量的一个重要因素,是一种无声的推销方式,科学合理的卖场布局和商品陈列才能实现企业利润的最大化。而目前线下数据匮乏,能够进行整体商超布局的解决方案缺失。因此需要综合人工智能和大数据的技术,解决新零售的行业问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种客流动线确定方法及装置以及客流热区确定方法及装置,能够对超市或商场等处提供关于客流动线和客流热区的分布。
根据本公开的一个方面,提供了一种客流动线确定方法,包括:
接收多个移动设备发送的坐标数据,其中,多个移动设备所在环境被划分为多个网格;
基于每个移动设备的坐标数据,确定每个移动设备所属的网格;
确定每个网格内移动设备的数量;
基于每个网格内移动设备的数量,输出客流动线分布图。
根据本公开的另一方面,提供了一种客流热区确定方法,包括:
接收多个移动设备发送的坐标数据;
基于所述多个移动设备发送的坐标数据将所述移动设备的坐标数据聚类,以确定客流热区;
确定所述热区的位置;
基于所述热区的位置,输出客流热区分布图。
根据本公开的另一方面,提供了一种客流动线确定装置,包括:
处理器:
存储器,存储有所述处理器可执行的程序指令;
其中所述处理器被配置为执行前述客流动线确定方法。
根据本公开的另一方面,提供了一种客流热区确定装置,包括:
处理器:
存储器,存储有所述处理器可执行的程序指令;
其中所述处理器被配置为执行前述客流热区确定方法。
根据本公开的另一方面,提供了一种客流动线确定装置,包括:
第一接收模块,用于接收多个移动设备发送的坐标数据,其中,多个移动设备所在环境被划分为多个网格;
第一确定模块,用于基于每个移动设备的坐标数据,确定每个移动设备所属的网格;
第二确定模块,用于确定每个网格内移动设备的数量;
第一处理模块,用于基于每个网格内移动设备的数量,输出客流动线分布图。
根据本公开的另一方面,提供了一种客流热区确定装置,包括:
第二接收模块,用于接收多个移动设备发送的坐标数据;
第三确定模块,用于基于所述多个移动设备发送的坐标数据将所述移动设备的坐标数据聚类,以确定客流热区;
第四确定模块,用于确定所述热区的位置;
第二处理模块,用于基于所述热区的位置,输出客流热区分布图。
根据本公开的另一方面,还提供了一种计算机可读存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时执行前述方法。
在本公开实施例提供的技术方案中,将多个购物车等移动设备所在的环境(例如商场或超市等)划分为多个网格,基于多个移动设备的坐标数据确定每个网格内移动设备的数量,进而基于每个网格内移动设备的数量来确定客流动线分布。这样可以提供商场或超市等处的客流动线分布,进而有利于商场或超市等对货品布局进行精细化管理。
在本公开实施例提供的技术方案中,基于多个移动设备的坐标数据对移动设备的坐标数据进行聚类,确定出客流热区,并确定热区的位置,进而输出客流热区分布图。这样可以提供商超或超市等处的热区分布,进而有利于商场或超市等对货品布局进行精细化管理。
附图说明
通过参照附图来详细描述其示例性实施例,本公开的上述和其它特征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了本公开的各实施例涉及到的实施环境。
图2示出了根据本公开一实施例的客流动线确定方法的流程图。
图3示出了商场或超市网格化的示例。
图4示出了客户动线分布的示例。
图5示出了根据本公开一实施例的客流热区确定方法的流程图。
图6示出了热区确定算法的整体流程。
图7中示出了DBSCAN算法的流程。
图8示出了客流动线和热区的绘制流程。
图9示出了绘制出的客流动线和热区分布的示例。
图10示出了根据本公开一实施例的客户动线确定装置的框图。
图11示出了根据本公开一实施例的客流动线确定装置的框图。
图12示出了根据本公开一实施例的客流热区确定装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免模糊本公开的各方面。
此外,附图仅为本公开的示意性图解,并非一定是按照比例绘制。图中相同的附图标记标识相同或相似的部分,因而将省略对它们的重复描述。
在新零售场景下,可以通过一系列智能硬件(如购物车和货架等)进行数据采集。例如,可以利用购物车上的摄像头、定位系统等器件采集用户数据、位置数据、行为数据、物品数据等,或者可以利用智能货架上的摄像头采集用户数据、行为数据、物品数据等。通过云服务将这些采集到的数据上传至大数据处理平台,可以进行数据的存储和处理。
对于商超动线和热区的分析,可反映出商超整体布局是否合理。后续与商品销量结合,可优化商品选择和商品布局分析。
在本申请的技术方案中,利用大数据挖掘算法和大数据可视化技术,实现了客流动线和客流热区分析功能,进而有利于商超布局的精益化管理。
客流动线代表客流经过的绝对人数,经过客流量多的线路叫做客流动线。客流热区是指平面图上点较为密集的区域,即停留时间较长的热点区域。通过分析客流动线和热区,可以确定顾客对于超市或商场内产品、货架等的关注度,从而判断顾客的潜在需求,合理布局商场或超市内的货架。
图1示出了本公开的各实施例涉及到的实施环境。该环境包括多个购物车60以及服务器70。购物车60的四个侧壁上可以设置有摄像头611、612、613、614,这些摄像头611、612、613、614可以捕获用户的行为数据,也可以捕获到用户取出或放入的物品的电子标签,并将用户的行为数据和电子标签传输到服务器70。该服务器70可以是云端服务器,摄像头611、612、613、614可以基于云技术与服务器70互通数据。在购物车上还可以设置定位装置,通过该定位装置可以确定购物车的位置信息(例如可以购物车的坐标数据)。该位置信息同样可以通过云技术发送给服务器70。
超市内的货架上同样可以设置摄像头,这些摄像头采用的各种数据同样可以发送给服务器70。服务器70可以对接收到的数据进行存储和处理,在服务器70中可以运行大数据平台。
图2示出了根据本公开一实施例的客流动线确定方法的流程图。该方法包括:
步骤101,接收多个移动设备发送的坐标数据,其中,多个移动设备所在环境被划分为多个网格。
步骤102、基于每个移动设备的坐标数据,确定每个移动设备所属的网格。
步骤103、确定每个网格内移动设备的数量。
步骤104、基于每个网格内移动设备的数量,输出客流动线分布图。
在本公开实施例提供的技术方案中,移动设备可以是购物车,也可以是顾客可以随身携带的其他电子设备。
下面以购物车为例,对本实施例进行详细说明,将多个购物车所在的环境(例如商场或超市等)划分为多个网格,基于多个购物车的坐标数据确定每个网格内购物车的数量,进而基于每个网格内购物车的数量来确定客流动线分布。这样可以提供商场或超市等处的客流动线分布,进而有利于商场或超市等对货品布局进行精细化管理。
下面详细描述该方法的实现过程。
在商场或超市中,购物车或者货架上设置有定位装置,这些定位装置可以将各个购物车的坐标数据发送给服务器。例如,某个购物车的坐标数据为(Xcj,Ycj)。
在本申请的方案中,可以将商场或超市网格化,即将商超或超市(尤其是通道)划分为多个网格,假设网格边长为w,如图3所示,网格标号可以从0开始。
接下来,服务器可以基于每个购物车的坐标,确定每个购物车所属的网格。具体而言,将每个购物车的坐标数据中的横坐标和纵坐标相对于网格的边长进行取整运算确定每个购物车所属的网格。例如,通过Xcj/w取整,Ycj/w取整,所得的计算结果为购物车所在网格的位置。
在确定出每个购物车所在的网格之后,可以确定每个网格内购物车的数量。在商超或超市中,顾客会推着购物车在商场或超市中移动,而购物车会不断地采集数据(例如一分钟内可以采集3次数据)。如果顾客移动速度缓慢,在一定时间内该顾客在某个网格中会出现多次,也就是说该顾客对应的购物车的坐标数据会出现多次,进而导致数据重复。为了提高统计精度,可以将同一网格内第一预设时间段内同一购物车对应的数据进行去重处理后统计每个网格内购物车的数量。例如,如果在某一网格内某一购物车的ID(对应于某一用户)在第一预设时间段(例如1分钟、1小时等,可以根据客流动线分析需求确定)出现次数大于1,则可以删除该ID对应的重复数据,仅保留在该时间内与该ID对应的一份数据。
接下来,基于每个网格内购物车的数量绘制不同网格的颜色表示,得到客流动线分布图并输出。每个网格内购物车的数量不同,可以基于购物车的数量绘制不同网格的颜色,例如购物车数量多的网格对应于较多的人流,可以将该网格绘制为红色,购物车数量少的网格对应于较少的人流,可以将该网格绘制为绿色。这样就可以得到客流动线分布图。
另外,还可以基于每个购物车的坐标数据绘制每个购物车对应的图形表示,例如,假设某个购物车的坐标为(X,Y),可以以该坐标为原点绘制边长为1像素的正方形(即该购物车对应的图形表示)。
图4示出了客流动线分布图的一个例子,该图左上角坐标为(0,0),图中的正方形小点表示购物车,每个大的正方形表示每个网格,每个大正方形中心的点表示网格中心,具有不同流量密度的网格用不同的颜色填充。图4的例子中,示出了购物车的图形表示,但在另外的例子中,也可以省略购物车的图形表示,而仅通过不同的颜色来显示不同流量密度的网格,进而体现客流动线分布。
根据一实施例,还可以接收多个购物车发送坐标数据对应的时间戳数据。例如,在每个购物车上传其坐标数据时,可以一并将该坐标数据对应的时间戳数据发送给服务器。每个购物车可以采集坐标数据上传给服务器,该时间戳数据可以体现该坐标数据被购物车获取的时间。
服务器确定每个网格内时间戳在第二预设时间段内的购物车的数量,并且根据每个网格内时间戳在第二预设时间段内的购物车的数量,输出与第二预设时间段对应的客流动线分布图。
通过将时间戳提供给服务器,可以获得与特定时间段对应的客流动线分布图。例如,由于每个坐标数据都有相关联的时间戳,如果需要分析某一天的特定时间段(例如上午十点到十一点)的客流动线时,可以结合时间戳落入该天上午十点到十一点的坐标数据以及每个网格内购物车的数量来得到该天上午十点到十一点的客流动线分布。例如,在该客流动线分布图上可以体现出在该天上午十点到十一点的每个网格内的购物车对应的图形表示,并且购物车数量不同的网格可以用不同颜色表示。
本公开以上实施例提供的方法可以通过在服务器中运行的软件实现。具体而言,当需要输出客流动线分布图时,可以向服务器输入购物车ID、用户ID、购物车的坐标数据、时间戳以及网格边长w,服务器通过上述方法,可以绘制出客流动线分布,主要包括网格坐标、网格边长w、网格内客流量等。
图5示出了根据本公开一实施例的客流热区确定方法的流程图。该方法包括:
步骤201、接收多个移动设备发送的坐标数据;
步骤202、基于所述多个移动设备发送的坐标数据将所述移动设备的坐标数据聚类,以确定客流热区;
步骤203、确定所述热区的位置;
步骤204、基于所述热区的位置,输出客流热区分布图。
下面仍以移动设备为购物车对本公开实施例提供的技术方案进行详细说明。
在本公开实施例提供的技术方案中,基于多个购物车的坐标数据对购物车进行聚类,确定出客流热区,并确定热区的位置,进而输出客流热区分布图。这样可以提供商超或超市等处的热区分布,进而有利于商场或超市等对货品布局进行精细化管理。
下面详细描述该方法的实现过程。
在商超或超市的平面图上,客户较为密集的区域即停留时间较长的区域为热点区域。智能购物车收集到的客流数据通常会以购物车ID、用户ID、时间、位置的形式上传给服务器,服务器对这些数据进行处理和存储。
在本公开的方法可以使用DBSCAN算法对购物车进行聚类,以确定购物车数量超过数量阈值的热区。图6示出了热区确定算法的整体流程。图7中示出了DBSCAN算法的流程。
算法过程如下:
输入:样本集D=(z1,z2,...,zm),邻域参数(∈,MinPts),样本距离度量方式。其中,∈为某一样本的邻域距离阈值,MinPts为某一样本的距离为∈的邻域中样本个数的阈值。
输出:簇划分C。
步骤302,接下来,对于j=1,2,...m,按下面的步骤找出所有的核心对象(标记集合Ω的所有点为unvisited):
a)通过距离度量方式,找到样本zj的∈-邻域子样本集N∈(zj)
b)如果子样本集样本个数满足|N∈(zj)|≥MinPts,将样本zj加入核心对象样本集合:Ω=Ω∪{zj}
步骤304,在核心对象集合Ω中,随机选择一个核心对象P,选择P为起始点,初始化当前簇核心对象队列Ωcur={P},初始化类别序号k=k+1,初始化当前簇样本集合Ck={P},更新未访问样本集合Γ=Γ-{P}。
在步骤306中,如果当前簇核心对象队列Ωcur不为空,在当前簇核心对象队列Ωcur中取出一个核心对象P′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N∈(,P’),令Δ=N∈(P’)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(N∈(P’)∩Ω),转入步骤305,继续寻找核心点添加到C中。
输出结果为:簇划分C={C1,C2,...,Ck}
经过上述步骤得到的簇划分就是客流热区。之后,可以确定热区的位置。热区的位置可以包括热区的中心点和半径。具体而言,可以将每个热区内所有购物车的横坐标和纵坐标求平均值得到横坐标平均值和纵坐标平均值,将所述横坐标平均值和所述纵坐标平均值作为所述热区的中心点的坐标。例如,可以通过如下公式求取中心点的坐标:
基于每个热区内所有购物车的横坐标和纵坐标以及所述横坐标平均值和所述纵坐标平均值确定所述热区的半径。例如,可以通过如下公式求取中心点的半径:
其中,r为中心点的半径。
通过求取热区的中心点和半径,相当于将每个热区的覆盖区域规则化,可以为后续分析提供准确依据。例如,通过将每个热区的覆盖区域规则化,可将热区、商品和购物车的位置进行关联。后续,若检测到购物车出现在某热区内,可以进行热度商品的推荐。
之后,可以基于二区的位置,输出客流热区分布图。例如,可以以所述中心点为原点、以所述热区的半径为半径绘制与每个热区对应的圆形区域,并基于每个热区的购物车数量为每个圆形区域填充不同颜色,得到客流热区分布图并输出。
例如,在确定出每个热区的中心点和半径之后,可以以(x,y)为原点、半径为r绘制圆形。另外,每个热区对应的购物车数量不同,可以填充不同的颜色。另外,可以定时对热区进行0.5-2倍的动态缩放,形成动态热区。
本公开以上实施例提供的方法可以通过在服务器中运行的软件实现。具体而言,当需要输出客流热区分布图时,可以向服务器输入购物车ID、用户ID、坐标、时间戳、热区阈值,服务器通过上述方法,可以绘制出客流热区分布,主要包括热区中心坐标、热区半径、热区停留客流量等。
另外,基于时间戳落入特定时间段的数据,可以获得与该特定时间段对应的热区分布。
根据本公开的一实施例,客流热区确定方法还可以包括:接收多个购物车发送的坐标数据对应的时间戳数据;
基于所述多个购物车发送的坐标数据将所述购物车的坐标数据聚类,以确定客流热区,包括:
基于时间戳在第三预设时间段内的多个购物车的坐标数据将所述购物车的坐标数据聚类,以确定客流热区;基于所述热区的位置,输出客流热区分布图,包括:
基于所述热区的位置,输出与所述第三预设时间段对应的客流热区分布图。
另外,在输出客流热区分布图时,可以输出排序前N的客流热区对应的客流分布图。
例如,该客流热区确定方法还可以包括:确定每个客流热区内的购物车数量,并根据购物车数量对客流热区进行排序;
确定购物车数量排在前N的客流热区,N为大于或等于1的正整数;
所述输出客流热区分布图,包括:
输出购物车数量排在前N的客流热区分布图。
另外,还可以依照热区半径对客流热区进行排序,并输出排序前N的客流热区。
例如,根据本公开的一实施例,基于所述热区的位置,输出客流热区分布图,包括:
将热区按照半径大小进行排序;
确定半径大小排在前N的客流热区,N为大于或等于1的正整数;
基于所述半径大小排在前N的客流热区的中心点以及半径,输出客流热区分布图。
例如,对于获得的多个热区(例如100,当然也可以是其他数量的热区),在确定出每个热区的半径之后,可以将各个热区依照半径大小排序,并选择前N个热区(top N),基于选择出的前N个热区的中心点以及半径,输出客流热区分布图。N的取值可以依据客流热区分析的具体需求来确定,例如N为3或5或10或其他数值。例如对于大型的超市或商场,可以将N的值设置得相对大一些,因为大型超市或商场的品牌或货品种类繁多;对于小型的超市或商场,可以将N的值设置得小一些。
本公开提供的客流动线分布图以及客流热区分布图可以通过同一个系统绘制出。图8示出了客流动线和热区的绘制流程,该绘制流程可以采用canvas实现。
首先,初始化canvas实例模型,从云服务器请求数据。之后,启动绘图对象(动线、热区、颜色条),绘制完动线和热区后,结束流程。图9示出了绘制出的客流动线和热区的例子。
当然,本公开的客流动线分布图和客流热区分布图也可以分开确定和绘制。
基于如图9所示的客流动线和热区分布,商场或超市可以在热区和客流动线处摆设相应的物品(例如促销物品等)。而且,基于本公开提供的方法,实现了客流动线和客流热区的可视化。
图10示出了本公开一实施例的客户动线确定装置的框图。该装置800可以设置在服务器中,该装置800可以包括存储器801和处理器802。存储器801上存储有可在处理器802上运行的计算机程序指令。处理器802执行计算机程序可以实现本文描述的客户动线确定方法。
存储器801可以是各种由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
该装置800可以是具备计算和处理能力的各种设备,除了存储器801和处理器802之外,还可以包括各种输入设备(例如用户界面、键盘等)、各种输出设备(例如扬声器等)、以及显示设备,本文在此不再赘述。
本公开还提供一种客户热区确定装置,其类似地包括存储器和处理器。关于处理器和存储器的描述,参见关于图10的描述。该存储器801上存储有可在处理器802上运行的计算机程序指令。处理器802执行计算机程序可以实现本文描述的客户热区确定方法。
图11示出了根据本公开一实施例的客流动线确定装置的框图。该客流动线确定装置包括:第一接收模块31,用于接收多个购物车发送的坐标数据,其中,多个购物车所在环境被划分为多个网格;第一确定模块32,用于基于每个购物车的坐标数据,确定每个购物车所属的网格;第二确定模块33,用于确定每个网格内购物车的数量;第一处理模块34,用于基于每个网格内购物车的数量,输出客流动线分布图。
图12示出了根据本公开一实施例的客流热区确定装置的框图。该客流热区确定装置包括:第二接收模块41,用于接收多个购物车发送的坐标数据;第三确定模块42,用于基于所述多个购物车发送的坐标数据将所述购物车的坐标数据聚类,以确定客流热区;第四确定模块43,用于确定所述热区的位置;第二处理模块44,用于基于所述热区的位置,输出客流热区分布图。
关于图11和图12中各个模块的实现过程,可以参见前文关于方法实施例的描述,此处不再赘述。图11和图12中的各个模块可以通过软件、硬件或其组合实现。
本发明实施例还提供计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例所提供方法的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (7)
1.一种客流热区确定方法,包括:
接收多个移动设备发送的坐标数据;
基于所述多个移动设备发送的坐标数据将所述移动设备的坐标数据聚类,以确定客流热区;
确定所述热区的位置;
基于所述热区的位置,输出客流热区分布图;
其中,所述热区的位置包括热区的中心点和半径;所述确定所述热区的位置包括:
将每个热区内所有移动设备的横坐标和纵坐标求平均值得到横坐标平均值和纵坐标平均值,将所述横坐标平均值和所述纵坐标平均值作为所述热区的中心点的坐标;
基于每个热区内所有移动设备的横坐标和纵坐标以及所述横坐标平均值和所述纵坐标平均值确定所述热区的半径;
其中,所述基于所述热区的位置输出客流热区分布图,包括:
以所述中心点为原点、以所述热区的半径为半径绘制与每个热区对应的圆形区域,并基于每个热区的移动设备数量为每个圆形区域填充不同颜色,得到客流热区分布图。
2.根据权利要求1所述的方法,其特征在于,还包括:
确定每个客流热区内的移动设备数量,并根据移动设备数量对客流热区进行排序;
确定移动设备数量排在前N的客流热区, N为大于或等于1的正整数;
所述输出客流热区分布图,包括:
输出移动设备数量排在前N的客流热区分布图。
3.根据权利要求1所述的方法,其中,基于所述热区的位置,输出客流热区分布图,包括:
将热区按照半径大小进行排序;
确定半径大小排在前N的客流热区,N为大于或等于1的正整数;
基于所述半径大小排在前N的客流热区的中心点以及半径,输出客流热区分布图。
4.根据权利要求1至3中任一项所述的方法,还包括:接收多个移动设备发送的坐标数据对应的时间戳数据;
基于所述多个移动设备发送的坐标数据将所述移动设备的坐标数据聚类,以确定客流热区,包括:
基于时间戳在预设时间段内的多个移动设备的坐标数据将所述移动设备的坐标数据聚类,以确定与所述预设时间段对应的客流热区;
基于所述热区的位置,输出客流热区分布图,包括:
基于与所述预设时间段对应的客流热区的位置,输出与所述预设时间段对应的客流热区分布图。
5.一种客流热区确定装置,包括:
处理器:
存储器,存储有所述处理器可执行的程序指令;
其中所述处理器被配置为执行根据权利要求1至4中任一项所述的方法。
6.一种客流热区确定装置,包括:
接收模块,用于接收多个移动设备发送的坐标数据;
第一确定模块,用于基于所述多个移动设备发送的坐标数据将所述移动设备的坐标数据聚类,以确定客流热区;
第二确定模块,用于确定所述热区的位置;其中,所述热区的位置包括热区的中心点和半径;所述确定所述热区的位置包括:将每个热区内所有移动设备的横坐标和纵坐标求平均值得到横坐标平均值和纵坐标平均值,将所述横坐标平均值和所述纵坐标平均值作为所述热区的中心点的坐标;基于每个热区内所有移动设备的横坐标和纵坐标以及所述横坐标平均值和所述纵坐标平均值确定所述热区的半径;
处理模块,用于基于所述热区的位置,输出客流热区分布图;其中,所述基于所述热区的位置输出客流热区分布图,包括:以所述中心点为原点、以所述热区的半径为半径绘制与每个热区对应的圆形区域,并基于每个热区的移动设备数量为每个圆形区域填充不同颜色,得到客流热区分布图。
7.一种计算机可读存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时执行根据权利要求1至4中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015132.6A CN109272351B (zh) | 2018-08-31 | 2018-08-31 | 客流动线以及客流热区确定方法及装置 |
PCT/CN2019/102633 WO2020043070A1 (zh) | 2018-08-31 | 2019-08-26 | 客流动线以及客流热区确定方法及装置 |
US16/760,701 US11232470B2 (en) | 2018-08-31 | 2019-08-26 | Customer flow line and customer flow hot zone determining method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015132.6A CN109272351B (zh) | 2018-08-31 | 2018-08-31 | 客流动线以及客流热区确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272351A CN109272351A (zh) | 2019-01-25 |
CN109272351B true CN109272351B (zh) | 2022-02-01 |
Family
ID=65187069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811015132.6A Active CN109272351B (zh) | 2018-08-31 | 2018-08-31 | 客流动线以及客流热区确定方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11232470B2 (zh) |
CN (1) | CN109272351B (zh) |
WO (1) | WO2020043070A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272351B (zh) | 2018-08-31 | 2022-02-01 | 京东方科技集团股份有限公司 | 客流动线以及客流热区确定方法及装置 |
CN110688545A (zh) * | 2019-08-19 | 2020-01-14 | 浙江浙大中控信息技术有限公司 | 轨道交通客流od数据3d可视化分析方法 |
CN113398575B (zh) * | 2020-11-04 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 热力图生成方法、装置、计算机可读介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737336A (zh) * | 2012-04-12 | 2012-10-17 | 林华龙 | 基于移动装置来了解客流量及其行为的方法与管理系统 |
CN103065464A (zh) * | 2012-12-24 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 实时客流特征分析方法及系统 |
CN103578265A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7606728B2 (en) * | 2002-09-20 | 2009-10-20 | Sorensen Associates Inc. | Shopping environment analysis system and method with normalization |
US8731829B2 (en) * | 2010-05-31 | 2014-05-20 | Nec Corporation | Flow line detection system, flow line detection method, and flow line detection program |
US20150066551A1 (en) * | 2012-03-30 | 2015-03-05 | Nec Corporation | Flow line data analysis device, system, program and method |
WO2013192538A2 (en) * | 2012-06-22 | 2013-12-27 | Jiwire, Inc. | Location graph based derivation of attributes |
CN103902636B (zh) * | 2012-12-30 | 2018-04-27 | 腾讯科技(深圳)有限公司 | 基于过滤聚类法推送信息的方法和服务器 |
US20150242899A1 (en) * | 2014-02-27 | 2015-08-27 | Adam Farhi | Systems and methods for customer movement tracking analytics |
CN103996068B (zh) * | 2014-05-08 | 2017-01-25 | 百度在线网络技术(北京)有限公司 | 客流分布的统计方法和装置 |
CN105469378A (zh) * | 2014-08-27 | 2016-04-06 | 上海睿芬信息科技有限公司 | 一种基于热力图的商场客流可视化分析方法 |
CN106708955B (zh) * | 2016-11-29 | 2020-01-14 | 浙江宇视科技有限公司 | 一种热力图生成方法及设备 |
CN109272351B (zh) * | 2018-08-31 | 2022-02-01 | 京东方科技集团股份有限公司 | 客流动线以及客流热区确定方法及装置 |
-
2018
- 2018-08-31 CN CN201811015132.6A patent/CN109272351B/zh active Active
-
2019
- 2019-08-26 US US16/760,701 patent/US11232470B2/en active Active
- 2019-08-26 WO PCT/CN2019/102633 patent/WO2020043070A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737336A (zh) * | 2012-04-12 | 2012-10-17 | 林华龙 | 基于移动装置来了解客流量及其行为的方法与管理系统 |
CN103578265A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
CN103065464A (zh) * | 2012-12-24 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 实时客流特征分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109272351A (zh) | 2019-01-25 |
US11232470B2 (en) | 2022-01-25 |
WO2020043070A1 (zh) | 2020-03-05 |
US20200349594A1 (en) | 2020-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238473B2 (en) | Inferring consumer affinities based on shopping behaviors with unsupervised machine learning models | |
Kong et al. | Time-location-relationship combined service recommendation based on taxi trajectory data | |
US20200160364A1 (en) | Analyzing consumer behavior based on location visitation | |
US20220129930A1 (en) | Discovering neighborhood clusters and uses therefor | |
CN109272351B (zh) | 客流动线以及客流热区确定方法及装置 | |
Le Ray et al. | Online adaptive clustering algorithm for load profiling | |
CN109189878B (zh) | 一种人群热力图获得方法及装置 | |
CN111080171A (zh) | 一种基于物流调配算法的物流调配方法 | |
CN113642945B (zh) | 多源数据融合的客户管理数据处理系统及方法 | |
JP7078053B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN111353094A (zh) | 一种信息推送方法及装置 | |
JP2020537252A (ja) | 類似のモバイル装置を予測するためのシステムと方法 | |
CN105300398A (zh) | 获取地点信息的方法、装置和系统 | |
CN111784428A (zh) | 信息推送方法、装置、电子商务系统以及存储介质 | |
CN113590936A (zh) | 信息推送的方法及装置 | |
US20200286022A1 (en) | Platform for In-Memory Analysis of Network Data Applied to Site Selection with Current Market Information, Demand Estimates, and Competitor Information | |
Carlsson et al. | Provably good region partitioning for on-time last-mile delivery | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN117078360A (zh) | 一种基于线下推广的商品智能展示方法、系统及装置 | |
CN110020184A (zh) | 信息推荐方法、装置、电子设备及服务器 | |
CN110264219B (zh) | 一种基于大数据的客户监测分析系统 | |
CN116308562A (zh) | 线下零售用户智能筛选方法 | |
CN112380443B (zh) | 导乘推荐方法、装置、计算机设备和存储介质 | |
CN113450167A (zh) | 一种商品推荐方法和装置 | |
CN113516524A (zh) | 用于推送信息的方法和装置 |
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 |