CN110533480A - 一种基于大数据的商场客流预测方法 - Google Patents
一种基于大数据的商场客流预测方法 Download PDFInfo
- Publication number
- CN110533480A CN110533480A CN201910833593.2A CN201910833593A CN110533480A CN 110533480 A CN110533480 A CN 110533480A CN 201910833593 A CN201910833593 A CN 201910833593A CN 110533480 A CN110533480 A CN 110533480A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- market
- data
- weather
- marketing activity
- 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.)
- Pending
Links
- 230000000694 effects Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 11
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 238000012935 Averaging Methods 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M1/00—Design features of general application
- G06M1/08—Design features of general application for actuating the drive
- G06M1/10—Design features of general application for actuating the drive by electric or magnetic means
- G06M1/101—Design features of general application for actuating the drive by electric or magnetic means by electro-optical means
Abstract
本发明公开了一种基于大数据的商场客流预测方法,通过采集商场客流、周围天气以及营销活动信息,并将上述信息进行统计和分析,然后通过运用深度神经网络准确预测出下一时段或者下一天的客流,从而针对客流过多的情况进行预防;商场客流数据来自于商场的红外客流计数器,节假日数据来自于每年的自然年历,天气数据来自于2345天气预报网的公开数据,营销活动数据来自于商场的营销活动管理平台,运用神经网络(NN)算法对客流进行预测,并且将预测效果跟均值法、指数平滑法、ARIMA以及XGboost算法进行了比较。精确度高且鲁棒性强,可以方便的融入节假日这个特征来提高预测效果,可以方便的融入天气,营销活动等因素来对客流反常变化进行归因分析。
Description
技术领域
本发明涉及大数据算法的应用领域,尤其涉及一种基于大数据的商场客流预测方法。
背景技术
当前,随着社会经济快速发展,人民生活水平不断提高,大型商场已成为人们娱乐的主要场所之一,在节假日期间,大型商场客流将更加集中,密集度也会相对上升,一旦商场实时客流超过商场实际设计的客流上限,发生突发事件的概率会大大增加,会造成巨大经济损失和人员伤亡。因此,对人员密集场所进行监督和控制刻不容缓,其核心就是对客流的监控。
现有不少的客流预测算法,比如均值法,指数平滑法,ARIMA等,都被用来预测客流,但这些算法有共同的缺点:误差较大,不能准确预测节假日的客流;不能将天气加入作为一个特征值来提高预测精度;不能将营销活动加入作为一个特征值来提高预测精度。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于大数据的商场客流预测方法,精确度高且鲁棒性强,可以方便的融入节假日这个特征来提高预测效果,可以方便的融入天气,营销活动等因素来对客流反常变化进行归因分析。
为了达到上述发明目的,本发明采用的具体方案为:
一种基于大数据的商场客流预测方法,通过采集商场客流、周围天气以及营销活动信息,并将上述信息进行统计和分析,然后通过运用深度神经网络准确预测出下一时段或者下一天的客流,从而针对客流过多的情况进行预防;
商场客流数据来自于商场的红外客流计数器,节假日数据来自于每年的自然年历,天气数据来自于2345天气预报网的公开数据,营销活动数据来自于商场的营销活动管理平台,在数据清洗之后,运用神经网络(NN)算法对客流进行预测,并且将预测效果跟均值法、指数平滑法、ARIMA以及XGboost算法进行了比较。
本发明的有益效果为:
准确性,一般的客流预测算法,比如均值法,指数平滑法,ARIMA等的误差在15%左右,我们提出的算法可以降误差降到5%左右;鲁棒性,这个算法已经成功运用到291家广场的客流系统中,平均误差是6.52%,所有广场的预测误差都小于10%;可拓展性,在这个算法框架中,可以轻松地将天气,营销活动等融入到现有的算法框架中,来对天气和营销活动等对客流造成的影响进行归因分析。
附图说明
图1为本发明的三层全连接的神经网络;
图2为本发明的预测效果热力图;图中数字是均方根百分比误差(RMSPE),红色代表误差小,模型好;绿色代表误差大,Neural net的预测效果最佳,平均RMSPE值为6.52%;XGBoost、均值法、Holt-Winters和Arima的效果也不错,平均RMSPE在10%-13%之间。
具体实施方式
为了使本发明的内容更容易被清楚地理解,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
以下通过具体实施例进一步描述本发明,但本发明不仅仅限于以下实施例。在本发明的范围内或者在不脱离本发明的内容、精神和范围内,对本发明进行的变更、组合或替换,对于本领域的技术人员来说是显而易见的,且包含在本发明的范围之内。
一种基于大数据的商场客流预测方法,通过采集商场客流、周围天气以及营销活动信息,并将上述信息进行统计和分析,然后通过运用深度神经网络准确预测出下一时段或者下一天的客流,从而针对客流过多的情况进行预防;
商场客流数据来自于商场的红外客流计数器,节假日数据来自于每年的自然年历,天气数据来自于2345天气预报网的公开数据,营销活动数据来自于商场的营销活动管理平台,在数据清洗之后,运用神经网络(NN)算法对客流进行预测,并且将预测效果跟均值法、指数平滑法、ARIMA以及XGboost算法进行了比较。
以上所述仅为本发明专利的较佳实施例而已,并不用以限制本发明专利,凡在本发明专利的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明专利的保护范围之内。
Claims (1)
1.一种基于大数据的商场客流预测方法,其特征在于,通过采集商场客流、周围天气以及营销活动信息,并将上述信息进行统计和分析,然后通过运用深度神经网络准确预测出下一时段或者下一天的客流,从而针对客流过多的情况进行预防;
商场客流数据来自于商场的红外客流计数器,节假日数据来自于每年的自然年历,天气数据来自于2345天气预报网的公开数据,营销活动数据来自于商场的营销活动管理平台,在数据清洗之后,运用神经网络(NN)算法对客流进行预测,并且将预测效果跟均值法、指数平滑法、ARIMA以及XGboost算法进行了比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833593.2A CN110533480A (zh) | 2019-09-04 | 2019-09-04 | 一种基于大数据的商场客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833593.2A CN110533480A (zh) | 2019-09-04 | 2019-09-04 | 一种基于大数据的商场客流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533480A true CN110533480A (zh) | 2019-12-03 |
Family
ID=68666862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910833593.2A Pending CN110533480A (zh) | 2019-09-04 | 2019-09-04 | 一种基于大数据的商场客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533480A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465566A (zh) * | 2020-12-14 | 2021-03-09 | 树蛙信息科技(南京)有限公司 | 一种基于历史数据辅助场景分析的商场客流量预测方法 |
CN113159377A (zh) * | 2021-03-12 | 2021-07-23 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
CN113554541A (zh) * | 2021-08-03 | 2021-10-26 | 殷金平 | 一种热力图类商场人流数据分析系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899650A (zh) * | 2015-05-26 | 2015-09-09 | 成都中科大旗软件有限公司 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
US20150348068A1 (en) * | 2014-05-28 | 2015-12-03 | International Business Machines Corporation | Predicting waiting passenger count and evaluation |
CN106408181A (zh) * | 2016-09-09 | 2017-02-15 | 广州速鸿信息科技有限公司 | 一种基于大数据分析的智慧门店系统和方法 |
CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
WO2017147918A1 (zh) * | 2016-03-04 | 2017-09-08 | 茹旷 | 商场大数据统计系统 |
CN107908778A (zh) * | 2017-12-04 | 2018-04-13 | 杭州华量软件有限公司 | 一种智慧商场大数据管理系统 |
CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
-
2019
- 2019-09-04 CN CN201910833593.2A patent/CN110533480A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150348068A1 (en) * | 2014-05-28 | 2015-12-03 | International Business Machines Corporation | Predicting waiting passenger count and evaluation |
CN104899650A (zh) * | 2015-05-26 | 2015-09-09 | 成都中科大旗软件有限公司 | 基于多源数据分析对旅游景区客流量进行预测的方法 |
WO2017147918A1 (zh) * | 2016-03-04 | 2017-09-08 | 茹旷 | 商场大数据统计系统 |
CN106408181A (zh) * | 2016-09-09 | 2017-02-15 | 广州速鸿信息科技有限公司 | 一种基于大数据分析的智慧门店系统和方法 |
CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
CN107908778A (zh) * | 2017-12-04 | 2018-04-13 | 杭州华量软件有限公司 | 一种智慧商场大数据管理系统 |
CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465566A (zh) * | 2020-12-14 | 2021-03-09 | 树蛙信息科技(南京)有限公司 | 一种基于历史数据辅助场景分析的商场客流量预测方法 |
CN112465566B (zh) * | 2020-12-14 | 2023-08-04 | 树蛙信息科技(南京)有限公司 | 一种基于历史数据辅助场景分析的商场客流量预测方法 |
CN113159377A (zh) * | 2021-03-12 | 2021-07-23 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
CN113159377B (zh) * | 2021-03-12 | 2024-03-12 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
CN113554541A (zh) * | 2021-08-03 | 2021-10-26 | 殷金平 | 一种热力图类商场人流数据分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533480A (zh) | 一种基于大数据的商场客流预测方法 | |
CN106507315B (zh) | 基于网络社交媒体数据的城市交通事故预测方法和系统 | |
CN105894741B (zh) | 一种多资源融合的洪水灾害监测预警装置及方法 | |
CN113077090B (zh) | 客流预测方法、系统及计算机可读存储介质 | |
CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN104615884B (zh) | 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法 | |
CN107103394A (zh) | 一种基于神经网络的轨道交通实时客流预测方法 | |
CN113361665B (zh) | 一种基于强化学习的高原山地旅游安全风险预警方法 | |
CN106997669A (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN113256138A (zh) | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 | |
CN108388957B (zh) | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 | |
CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
CN107527313A (zh) | 用户活动模式划分及属性推测方法 | |
CN108732649A (zh) | 一种基于气象干旱传递的水文干旱预测预警方法 | |
CN105869398B (zh) | 一种基于K-means聚类的道路交通畅通度判断方法 | |
CN205283824U (zh) | 一种基于wifi的机场人流预警系统 | |
CN106952190A (zh) | 虚假房源录入行为识别与预警系统 | |
CN113177657A (zh) | 轨道交通客流预测方法及装置 | |
CN106526710A (zh) | 一种雾霾预测方法及装置 | |
CN113160563A (zh) | 一种基于历史路况的短时路况预测方法、系统及设备 | |
CN114881381A (zh) | 基于改进卷积神经网络的城市积水水位预测方法及系统 | |
CN106779043B (zh) | 一种基于人头检测的计数方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |