CN110599228B - 一种店铺识别方法 - Google Patents

一种店铺识别方法 Download PDF

Info

Publication number
CN110599228B
CN110599228B CN201810604884.XA CN201810604884A CN110599228B CN 110599228 B CN110599228 B CN 110599228B CN 201810604884 A CN201810604884 A CN 201810604884A CN 110599228 B CN110599228 B CN 110599228B
Authority
CN
China
Prior art keywords
store
shop
grade
identification method
fingerprint
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
Application number
CN201810604884.XA
Other languages
English (en)
Other versions
CN110599228A (zh
Inventor
方灵
刘文龙
徐连明
王文杰
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 Rtmap Technology Co ltd
Original Assignee
Beijing Rtmap Technology Co ltd
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 Beijing Rtmap Technology Co ltd filed Critical Beijing Rtmap Technology Co ltd
Priority to CN201810604884.XA priority Critical patent/CN110599228B/zh
Publication of CN110599228A publication Critical patent/CN110599228A/zh
Application granted granted Critical
Publication of CN110599228B publication Critical patent/CN110599228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种店铺识别方法，采用基于指纹排名的店铺识别方法、基于店铺指纹谱半径的店铺识别方法或基于朴素贝叶斯模型和指纹匹配的店铺识别方法，包括训练阶段和在线识别阶段。本发明的店铺识别方法是基于分类模型进行店铺识别的，识别效果佳；该店铺识别方法包含训练及识别两部分，训练阶段可以离线完成，识别部分利用已经训练好的模型，可以减小运算量；该店铺识别方法先进行粗分类，再进行细分类，能在减少计算量的同时降低误判率。

Description

一种店铺识别方法
技术领域
本发明涉及一种识别方法，具体是一种店铺识别方法。
背景技术
实体店的数据来源非常少，除了CRM\ERP\POS等等成交数据以外，实体商家们往往忽略了客流量的重要性，或者是意识到客流量是一切成交的主导者，但没有很好的方法去解决这样问题。而客流统计和客流分析的诞生，恰好解决了实体店对于客流量数据的统计、管理和分析的问题。客流统计和客流分析的目的都是为了能够更好地分析线下流量的来源和影响因素，从而改进门店当前的经营现状，最终达到降低运营成本，提高营业收入为目的。但是现有的店铺识别方法仍然存在识别方法复杂，识别效果不佳，识别的通用性不足，识别的效率偏低等问题。因此本发明提出一种基于指纹的店铺识别方法，其识别方法简单，识别效果好，识别的通用性好，有效提升了店铺识别的准确率、效率；可判断用户在哪个店铺附近；判断用户是在店内还是店外。
发明内容
本发明的目的在于提供一种店铺识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种店铺识别方法，采用基于指纹排名的店铺识别方法、基于店铺指纹谱半径的店铺识别方法或基于朴素贝叶斯模型和指纹匹配的店铺识别方法，包括训练阶段和在线识别阶段。
作为本发明进一步的方案：采用基于指纹排名的店铺识别方法，包括：
(1)训练阶段：
store1中fp1与其他指纹的相似度：s1_sim11、s1_sim12、s1_sim13、…、s1_sim1N，平均相似度为s1_sim1＝(s1_sim11+s1_sim12+s1_sim13+…+s1_sim1N)/N，得分为s1_grade1＝1/(s1_sim1+1)；
同理，store1中fp2、fp3、…、fpN的得分分别为：s1_grade2、s1_grade3、…、s1_gradeN；storeM中fp1、fp2、fp3、…、fpN的得分分别为：s2_grade1、s2_grade2、s2_grade3、…、s2_gradeN；
对每个店铺中的指纹，按得分进行排名，得到如下数据：
store1：s1_grade_m1、s1_grade_m2、s1_grade_m2、…、s1_grade_mN；
storeM：sM_grade_m1、sM_grade_m2、sM_grade_m2、…、sM_grade_mN；
(2)在线识别阶段：
收到请求，首先计算该请求与目标店铺中各指纹的平均相似度及得分：x_sim/x_grade，然后判断该得分在各个店铺中的排名，比较在store1中排名和storeM中排名的前后，排名靠前的概率更高；另外设定一个阈值，优选的，排名在top75％以内认为是落在该店铺内，反之则表明在店铺外。
作为本发明进一步的方案：采用基于店铺指纹谱半径的店铺识别方法，包括：
(1)训练阶段：
先建立模型，每个店铺推选特征指纹A，该特征指纹A能代表本店铺，同时能尽量与其它店铺区分开；
(2)在线识别阶段：
收到的请求与目标店铺的特征指纹A进行相似度计算(信号空间的距离)，当二者的距离在谱半径以内的，认为是在店铺里面，反之则认为是在店铺外。
作为本发明进一步的方案：采用基于朴素贝叶斯模型和指纹匹配的店铺识别方法，包括：
(1)训练阶段：
建立二级模型，第一级为聚集在一起的店铺形成类cluster1、cluster2，建立AP在不同类中的朴素贝叶斯模型；第二级为店铺store1、store2，包含每个AP属于店铺的模型及店铺内的指纹；
(2)在线识别阶段：
首先，根据收到的Wi-Fi列表，利用朴素贝叶斯法计算出所属的类；
然后利用同样的方法计算请求属于每个店铺的概率；
确定完目标店铺后，利用指纹匹配法确定具体哪个店铺概率最大及是否在店铺内。
与现有技术相比，本发明的有益效果是：
本发明的店铺识别方法是基于分类模型进行店铺识别的，识别效果佳；该店铺识别方法包含训练及识别两部分，训练阶段可以离线完成，识别部分利用已经训练好的模型，可以减小运算量；该店铺识别方法先进行粗分类，再进行细分类，能在减少计算量的同时降低误判率。
附图说明
图1为基于指纹排名的店铺识别方法原理示意图。
图2为基于店铺指纹谱半径的店铺识别方法原理示意图。
图3为基于朴素贝叶斯+指纹匹配的店铺识别方法原理示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
请参阅图1，一种店铺识别方法，采用基于指纹排名的店铺识别方法，包括：
(1)训练阶段：
store1中fp1与其他指纹的相似度：s1_sim11、s1_sim12、s1_sim13、…、s1_sim1N，平均相似度为s1_sim1＝(s1_sim11+s1_sim12+s1_sim13+…+s1_sim1N)/N，得分为s1_grade1＝1/(s1_sim1+1)；
同理，store1中fp2、fp3、…、fpN的得分分别为：s1_grade2、s1_grade3、…、s1_gradeN；storeM中fp1、fp2、fp3、…、fpN的得分分别为：s2_grade1、s2_grade2、s2_grade3、…、s2_gradeN；
对每个店铺中的指纹，按得分进行排名，得到如下数据：
store1：s1_grade_m1、s1_grade_m2、s1_grade_m2、…、s1_grade_mN；
storeM：sM_grade_m1、sM_grade_m2、sM_grade_m2、…、sM_grade_mN；
(2)在线识别阶段：
收到请求，首先计算该请求与目标店铺中各指纹的平均相似度及得分：x_sim/x_grade，然后判断该得分在各个店铺中的排名，比较在store1中排名和storeM中排名的前后，排名靠前的概率更高，比如在store1中排名top20％，而在storeM中排名top85％，则认为在store1中的概率更高；另外设定一个阈值，优选的，排名在top75％以内认为是落在该店铺内，反之则表明在店铺外。
实施例2
请参阅图2，一种店铺识别方法，采用基于店铺指纹谱半径的店铺识别方法，包括：
(1)训练阶段：
先建立图2的模型，每个店铺推选特征指纹A，该特征指纹A能代表本店铺，同时能尽量与其它店铺区分开；
(2)在线识别阶段：
收到的请求与目标店铺的特征指纹A进行相似度计算(信号空间的距离)，当二者的距离在谱半径以内的，认为是在店铺里面，反之则认为是在店铺外。
实施例3
请参阅图3，一种店铺识别方法，采用基于朴素贝叶斯模型和指纹匹配的店铺识别方法，包括：
(1)训练阶段：
建立图3的二级模型，第一级为聚集在一起的店铺形成类cluster1、cluster2，建立AP在不同类中的朴素贝叶斯模型；第二级为店铺store1、store2，包含每个AP属于店铺的模型及店铺内的指纹；
(2)在线识别阶段：
首先，根据收到的Wi-Fi列表，利用朴素贝叶斯法计算出所属的类；
然后利用同样的方法计算请求属于每个店铺的概率；
确定完目标店铺后，利用指纹匹配法确定具体哪个店铺概率最大及是否在店铺内。
图1-3中，Store代表店铺，Store1、2、…、M分别代表1、2、…、M号店铺，店铺识别的目标是判断目标设备(或人)当前在哪个店铺，是在店铺内还是外；图中cluster1、2、…，代表不同类别，将特征属性比较相似的店铺聚合到一个类中，先通过粗略、高效的方法确定目标在哪个类别中，之后再使用更精确的方法判断目标在该类的哪个店铺中；图中fp1、2、…、N，分别代表店铺中的1、2、…、N组Wi-Fi指纹，这些Wi-Fi指纹组成了某店铺的特有特征，每个店铺的指纹特征具有差异性，能用来区分店铺，这也是Wi-Fi指纹定位的原理；图中r1、r2等代表店铺指纹的谱半径(信号空间上的半径)，每条Wi-Fi指纹可以看做一个向量，每两个向量之间都有一个距离，选取一个中心向量(店铺的中心指纹)，计算该店其他指纹到中心指纹的距离，则可以得到谱半径。
本发明的工作原理是：1.基于指纹排名的店铺识别方法，基本思想：把每个店铺看成一个班级，将店铺里每条指纹看成是班里的每个学生，将每条指纹与其他指纹在信号空间的相似性加权均值作为其得分，根据得分对每个店铺里的每条指纹进行排名，对于一条新的请求，利用同样的方法计算其在各个店铺中的得分，根据该得分在店铺中的概率可以得到该请求在相应店铺中的概率。2.基于店铺指纹谱半径的店铺识别方法，基本思想：对每个店铺，利用指纹相似度对其中的Wi-Fi指纹进行聚类，计算聚类的中心及谱半径，其中推算聚类中心以能代表本类特征又能明显区分其他类为宜；在识别阶段，将请求中的Wi-Fi列表与聚类中心Wi-Fi列表进行比对，如果比对结果在谱半径范围以内则判断在店铺内；3.基于朴素贝叶斯模型和指纹匹配的店铺识别方法，基本思想：在训练阶段，先利用指纹相似度进行聚类，将相近店铺里的指纹聚集在一起，然后根据聚类的结果进行AP建模，建立每个AP属于每个类的模型；在识别阶段，首先根据收到的AP列表，计算其属于每个类的概率，选取比较大的类，取出该类对应的店铺信息，再利用指纹匹配确定具体属于哪个店铺。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (1)

1.一种店铺识别方法，其特征在于，采用基于指纹排名的店铺识别方法，包括训练阶段和在线识别阶段；
采用基于指纹排名的店铺识别方法，包括：
(1)训练阶段：
store1中fp1与其他指纹的相似度：s1_sim11、s1_sim12、s1_sim13、…、s1_sim1N，平均相似度为s1_sim1＝(s1_sim11+s1_sim12+s1_sim13+…+s1_sim1N)/N，得分为s1_grade1＝1/(s1_sim1+1)；
同理，store1中fp2、fp3、…、fpN的得分分别为：s1_grade2、s1_grade3、…、s1_gradeN；storeM中fp1、fp2、fp3、…、fpN的得分分别为：sM_grade1、sM_grade2、sM_grade3、…、sM_gradeN；
对每个店铺中的指纹，按得分进行排名，得到如下数据：
store1：s1_grade_m1、s1_grade_m2、s1_grade_m3、…、s1_grade_mN；
storeM：sM_grade_m1、sM_grade_m2、sM_grade_m3、…、sM_grade_mN；
(2)在线识别阶段：
收到请求，首先计算该请求与目标店铺中各指纹的平均相似度及得分：x_sim/x_grade，然后判断该得分在各个店铺中的排名，比较在store1中排名和storeM中排名的前后，排名靠前的概率更高；另外设定一个阈值，排名在top75％以内认为是落在该店铺内，反之则表明在店铺外。
CN201810604884.XA 2018-06-13 2018-06-13 一种店铺识别方法 Active CN110599228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810604884.XA CN110599228B (zh) 2018-06-13 2018-06-13 一种店铺识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810604884.XA CN110599228B (zh) 2018-06-13 2018-06-13 一种店铺识别方法

Publications (2)

Publication Number Publication Date
CN110599228A CN110599228A (zh) 2019-12-20
CN110599228B true CN110599228B (zh) 2022-08-23

Family

ID=68848951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810604884.XA Active CN110599228B (zh) 2018-06-13 2018-06-13 一种店铺识别方法

Country Status (1)

Country Link
CN (1) CN110599228B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111182453B (zh) * 2020-02-12 2022-03-25 腾讯科技（深圳）有限公司 定位方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012011624A1 (ko) * 2010-07-21 2012-01-26 (주)브이아이소프트 위치 추정에 사용자 이동성을 활용하는 와이파이 라디오 맵 기반 실내 네비게이션 시스템 및 방법
CN103476115A (zh) * 2013-09-22 2013-12-25 中国地质大学（武汉） 一种基于AP集相似度的Wi-Fi指纹定位方法
CN105372628A (zh) * 2015-11-19 2016-03-02 上海雅丰信息科技有限公司 一种基于Wi-Fi的室内定位导航方法
CN106093852A (zh) * 2016-05-27 2016-11-09 东华大学 一种提高WiFi指纹定位精度与效率的方法
CN106304331A (zh) * 2016-08-19 2017-01-04 青岛海尔智能技术研发有限公司 一种WiFi指纹室内定位方法
CN106600369A (zh) * 2016-12-09 2017-04-26 广东奡风科技股份有限公司 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法
CN106817677A (zh) * 2017-01-19 2017-06-09 北京邮电大学 一种基于多传感器的室内目标信息识别方法、装置及系统
CN106851781A (zh) * 2017-02-23 2017-06-13 广州市梦享网络技术有限公司 基于Wi‑Fi的智能场景识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012011624A1 (ko) * 2010-07-21 2012-01-26 (주)브이아이소프트 위치 추정에 사용자 이동성을 활용하는 와이파이 라디오 맵 기반 실내 네비게이션 시스템 및 방법
CN103476115A (zh) * 2013-09-22 2013-12-25 中国地质大学（武汉） 一种基于AP集相似度的Wi-Fi指纹定位方法
CN105372628A (zh) * 2015-11-19 2016-03-02 上海雅丰信息科技有限公司 一种基于Wi-Fi的室内定位导航方法
CN106093852A (zh) * 2016-05-27 2016-11-09 东华大学 一种提高WiFi指纹定位精度与效率的方法
CN106304331A (zh) * 2016-08-19 2017-01-04 青岛海尔智能技术研发有限公司 一种WiFi指纹室内定位方法
CN106600369A (zh) * 2016-12-09 2017-04-26 广东奡风科技股份有限公司 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法
CN106817677A (zh) * 2017-01-19 2017-06-09 北京邮电大学 一种基于多传感器的室内目标信息识别方法、装置及系统
CN106851781A (zh) * 2017-02-23 2017-06-13 广州市梦享网络技术有限公司 基于Wi‑Fi的智能场景识别方法

Also Published As

Publication number Publication date
CN110599228A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN111291678B (zh) 一种基于多特征融合的人脸图像聚类方法及装置
CN111339990B (zh) 一种基于人脸特征动态更新的人脸识别系统和方法
Rodriguez et al. Local gradient histogram features for word spotting in unconstrained handwritten documents
CN102208038B (zh) 基于视觉词典的图像分类方法
JP2750057B2 (ja) 自動手書き文字認識に対する統計的混合手法
US20170083920A1 (en) Hybrid method of decision tree and clustering technology
CN107657500B (zh) 股票推荐方法及服务器
CN110309302A (zh) 一种结合svm和半监督聚类的不平衡文本分类方法及系统
CN101540000B (zh) 基于纹理基元统计特性分析的虹膜分类方法
CN102708364B (zh) 基于分级分类器的指纹图像分类方法
CN101593269B (zh) 人脸识别装置及方法
CN101140623A (zh) 一种基于支持向量机的视频对象识别方法及系统
CN103824051A (zh) 一种基于局部区域匹配的人脸搜索方法
CN112926045B (zh) 一种基于逻辑回归模型的群控设备识别方法
CN110401977B (zh) 一种基于Softmax回归多分类识别器的多楼层室内定位方法
CN104616319A (zh) 基于支持向量机的多特征选择目标跟踪方法
CN109063787A (zh) 一种用于不平衡数据的基于X-mean和样本错分类率集成分类方法
CN103778206A (zh) 一种网络服务资源的提供方法
WO2018006631A1 (zh) 一种用户等级自动划分方法及系统
CN110599228B (zh) 一种店铺识别方法
CN110348516B (zh) 数据处理方法、装置、存储介质及电子设备
US20220075804A1 (en) Method and device for providing guide information for enhancement of artist's reputation
CN116228278B (zh) 基于大数据的用户画像建立方法和用户画像管理系统
CN110727762B (zh) 确定相似文本的方法、装置、存储介质及电子设备
Liço et al. Analyzing Performance of Clustering Algorithms on a Real Retail Dataset

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