CN113538039A - 客流数据的归因方法、装置、计算机设备和存储介质 - Google Patents

客流数据的归因方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113538039A
CN113538039A CN202110720009.XA CN202110720009A CN113538039A CN 113538039 A CN113538039 A CN 113538039A CN 202110720009 A CN202110720009 A CN 202110720009A CN 113538039 A CN113538039 A CN 113538039A
Authority
CN
China
Prior art keywords
data
passenger flow
addressing
factor
address
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
CN202110720009.XA
Other languages
English (en)
Other versions
CN113538039B (zh
Inventor
郑镇镇
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 Aibee Technology Co Ltd
Original Assignee
Beijing Aibee 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 Aibee Technology Co Ltd filed Critical Beijing Aibee Technology Co Ltd
Priority to CN202110720009.XA priority Critical patent/CN113538039B/zh
Publication of CN113538039A publication Critical patent/CN113538039A/zh
Application granted granted Critical
Publication of CN113538039B publication Critical patent/CN113538039B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (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

本申请涉及一种客流数据的归因方法、装置、计算机设备和存储介质。该方法包括：接收包含地址调整策略的客流预测请求，其中，地址调整策略为将第一店铺地址调整为第二店铺地址；将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据；获取与第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据；根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果，其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。采用本方法能够提高客流预测的可靠性。

Description

客流数据的归因方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据处理技术领域，特别是涉及一种客流数据的归因方法、装置、计算机设备和存储介质。
背景技术
客流数据的分析与预测技术在商业领域中逐渐占有重要地位，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能够为店铺的精细化运营提供了全方位的数据参考，能够帮助店铺发现潜在机会和改进措施，例如调整店铺地址，从而更加有效地提高店铺的利润。
传统技术中，通常采用垂直拍摄的方式，通过商场顶端的摄像头采集经过的顾客头部和肩部图像，然后对顾客头部和肩部图像进行图像处理来确定商场整体客流，最后基于商场整体客流来确定店铺地址。
但是，采用传统技术，无法对客流的预测结果进行解释，这样便不清楚造成客流增减的原因，使得客流预测的可靠性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高客流预测的可靠性的客流数据的归因方法、装置、计算机设备和存储介质。
一种客流数据的归因方法，所述方法包括：
接收包含地址调整策略的客流预测请求，其中，所述地址调整策略为将第一店铺地址调整为第二店铺地址；
将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据；
获取与所述第一店铺地址关联的第一店铺选址数据和所述第一店铺地址对应的第一客流数据；
根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，其中，所述归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
在其中一个实施例中，所述第一店铺选址数据包括多种选址因素类型的第一选址因素数据，所述第二店铺选址数据包括多种选址因素类型的第二选址因素数据；
根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，包括：
计算每种选址因素类型的第一选址因素数据对所述第一客流数据的第一数量贡献度，其中，所述第一数量贡献度用于表征所述每种选址因素类型的第一选址因素数据对所述第一客流数据的数量的影响程度；
计算每种选址因素类型的第二选址因素数据对所述第二客流数据的第二数量贡献度，其中，所述第二数量贡献度用于表征所述每种选址因素类型的第二选址因素数据对所述第二客流数据的数量的影响程度；
根据所述多种选址因素类型的第一选址因素数据对应的多个所述第一数量贡献度和所述多种选址因素类型的第二选址因素数据对应的多个所述第二数量贡献度，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果。
在其中一个实施例中，所述计算每种选址因素类型的第一选址因素数据对所述第一客流数据的第一数量贡献度，包括：
计算每种选址因素类型的第一选址因素数据在多个第一选址因素序列下，对所述第一客流数据的多个第一边际贡献，其中，所述多个第一选址因素序列是对所述多种选址因素类型的第一选址因素数据进行排列组合得到的；
根据所述多个第一边际贡献，计算每种选址因素类型的第一选址因素数据对所述第一客流数据的第一平均边际贡献；
将所述第一平均边际贡献确定为第一数量贡献度；
所述计算每种选址因素类型的第二选址因素数据对所述第二客流数据的第二数量贡献度，包括：
计算每种选址因素类型的第二选址因素数据在多个第二选址因素序列下，对所述第二客流数据的多个第二边际贡献，其中，所述多个第二选址因素序列是对所述多种选址因素类型的第二选址因素数据进行排列组合得到的；
根据所述多个第二边际贡献，计算每种选址因素类型的第二选址因素数据对所述第二客流数据的第二平均边际贡献；
将所述第二平均边际贡献确定为第二数量贡献度。
在其中一个实施例中，所述根据所述多种选址因素类型的第一选址因素数据对应的多个所述第一数量贡献度和所述多种选址因素类型的第二选址因素数据对应的多个所述第二数量贡献度，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，包括：
计算所述多种选址因素类型中每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，得到每种选址因素类型对应的归因解释结果；
将每种选址因素类型对应的归因解释结果进行组合，得到所述第二客流数据对应的归因解释结果。
在其中一个实施例中，所述第二店铺选址数据包括多种选址因素类型的第二选址因素数据；
所述将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据，包括：
获取与所述第二店铺地址关联的初始店铺选址信息；
将所述初始店铺选址信息与预设的多种选址因素类型进行匹配，得到多种选址因素类型的第二选址因素数据；
将所述多种选址因素类型的第二选址因素数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据。
在其中一个实施例中，所述多种选址因素类型包括商场因素、店铺因素、位置因素、环境因素或客群属性与店铺的匹配度中的一种或多种。
在其中一个实施例中，所述方法还包括：通过终端输出所述第二客流数据和所述归因解释结果。
一种客流数据的归因装置，所述装置包括：
请求接收模块，用于接收包含地址调整策略的客流预测请求，其中，所述地址调整策略为将第一店铺地址调整为第二店铺地址；
客流预测模块，用于客流预测模块，用于将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据；
数据获取模块，用于获取与所述第一店铺地址关联的第一店铺选址数据和所述第一店铺地址对应的第一客流数据；
归因解释模块，用于根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，其中，所述归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收包含地址调整策略的客流预测请求，其中，所述地址调整策略为将第一店铺地址调整为第二店铺地址；
将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据；
获取与所述第一店铺地址关联的第一店铺选址数据和所述第一店铺地址对应的第一客流数据；
根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，其中，所述归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
接收包含地址调整策略的客流预测请求，其中，所述地址调整策略为将第一店铺地址调整为第二店铺地址；
将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据；
获取与所述第一店铺地址关联的第一店铺选址数据和所述第一店铺地址对应的第一客流数据；
根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，其中，所述归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
上述客流数据的归因方法、装置、计算机设备和存储介质，响应于店铺从第一店铺地址调整为第二店铺地址，通过预测得到的第一店铺地址对应的第一客流数据和第二店铺地址对应的第二客流数据，并结合第一店铺选址数据和第二店铺选址数据对调址后的第二客流数据进行归因处理，得到归因解释结果。其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。本申请提供了调址后店铺选址数据对于客流数据增减的影响程度，以便于用户知晓造成客流增减的原因，提高了客流预测的可靠性，从而可有效指导店铺地址落地执行，有利于提高店铺地址部署的可实施性，进而提升店铺地址部署效果。
附图说明
图1为一个实施例中客流数据的归因方法的应用环境图；
图2为一个实施例中客流数据的归因方法的流程示意图；
图3为一个实施例中根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果的补充方案的流程示意图；
图4为一个实施例中归因解释的雷达图；
图5为一个实施例中分析指标的分布示意图；
图6为一个实施例中客流数据的归因装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的客流数据的归因方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102响应于用户对于店铺的地址调整需求，生成包含地址调整策略的客流预测请求并发送至服务器104。其中，地址调整策略为将第一店铺地址调整为第二店铺地址。服务器104接收客流预测请求，将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据，然后获取与第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据，最后根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果，其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种客流数据的归因方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，接收包含地址调整策略的客流预测请求。
其中，地址调整策略为将第一店铺地址调整为第二店铺地址。
具体地，终端响应于用户对于店铺的地址调整需求，生成包含地址调整策略的客流预测请求并发送至服务器。服务器接收终端发送的客流预测请求。
步骤S204，将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据。
其中，客流预测模型是根据店铺选址数据样本和客流数据样本训练得到的。可选地，客流预测模型可以是线性模型、树模型或神经网络模型。可选地，树模型可以是LightGBM(Light Gradient Boosting Machine)，LightGBM相较于线性模型其学习能力更强，相比于深度神经网络模型其解释性更好。
可选地，客流预测模型包括进店客流预测模型或过店客流预测模型中的一种或多种，对应地，客流数据包括进店客流或过店客流的一种或多种。
具体地，服务器将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据。
步骤S206，获取与第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据。
具体地，服务器获取与第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据。可选地，服务器将与第一店铺地址关联的第一店铺选址数据输入至预设的客流预测模型中，得到第一店铺地址对应的第一客流数据。可选地，第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据可以是历史数据并保存在服务器中，因此，服务器可直接读取存储的第一店铺选址数据和第一客流数据。
步骤S208，根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果。
其中，客流变化数据可以通过计算第二客流数据与第一客流数据的差值得到。归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
具体地，服务器根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果。例如归因解释结果为客流增长是由于店铺位置更靠近电梯而带来的。
上述客流数据的归因方法中，响应于店铺从第一店铺地址调整为第二店铺地址，通过预测得到的第一店铺地址对应的第一客流数据和第二店铺地址对应的第二客流数据，并结合第一店铺选址数据和第二店铺选址数据对调址后的第二客流数据进行归因处理，得到归因解释结果。其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。本方法提供了调址后店铺选址数据对于客流数据增减的影响程度，以便于用户知晓造成客流增减的原因，提高了客流预测的可靠性，从而可有效指导店铺地址落地执行，有利于提高店铺地址部署的可实施性，进而提升店铺地址部署效果。
在一个实施例中，第一店铺选址数据包括多种选址因素类型的第一选址因素数据，第二店铺选址数据包括多种选址因素类型的第二选址因素数据。基于此，客流预测模型的一般形式可以是y＝f(Factor1,Factor2,…Factork)，其中，Factori表示影响客流数据的第i种选址因素类型的选址因素数据。可选地，多种选址因素类型的第二选址因素数据包括商场因素数据、店铺因素数据、位置因素数据、环境因素数据以及或客群属性与店铺的匹配度中的一种或多种。
在实际的应用场景中，有时模型的可解释性比模型的预测效果更重要。其中，线性模型具有天然的可解释性，其回归系数可以表示每个选址因素数据的重要性。而对于非线性模型可采用shap法。shap法在本申请中的主要思想是：计算客流预测模型中选址因素数据的平均边际贡献。具体为先确定要研究的选址因素数据，然后所有其他选址因素类型的选址因素数据按照分布随机选取，根据随机选取出的数据计算新的估计的客流数据，确定每种选址因素类型的选址因素数据的边际贡献，最后计算所有边际贡献的均值作为该选址因素数据在当前取值下的平均估计，然后不断重复此步骤。
基于此，在一个实施例中，涉及上述步骤S208“根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果”的一种可能的实现方式。在上述实施例的基础上，步骤S208具体可以通过以下步骤实现：
步骤S2082，计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度；
步骤S2084，计算每种选址因素类型的第二选址因素数据对第二客流数据的第二数量贡献度；
步骤S2086，根据多种选址因素类型的第一选址因素数据对应的多个第一数量贡献度和多种选址因素类型的第二选址因素数据对应的多个第二数量贡献度，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果。
其中，第一数量贡献度用于表征每种选址因素类型的第一选址因素数据对第一客流数据的数量的影响程度。第二数量贡献度用于表征每种选址因素类型的第二选址因素数据对第二客流数据的数量的影响程度。
具体地，服务器计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度。可选地，服务器可基于shap法计算每种选址因素类型的第一选址因素数据对第一客流数据的第一平均边际贡献，将第一平均边际贡献确定为第一数量贡献度。可选地，服务器可基于shap法计算每种选址因素类型的第一选址因素数据对第一客流数据的第一边际贡献总和，将第一边际贡献总和确定为第一数量贡献度。
然后，服务器计算每种选址因素类型的第二选址因素数据对第二客流数据的第二数量贡献度。可选地，服务器可基于shap法计算每种选址因素类型的第二选址因素数据对第二客流数据的第二平均边际贡献，将第二平均边际贡献确定为第二数量贡献度。可选地，服务器可基于shap法计算每种选址因素类型的第二选址因素数据对第二客流数据的第二边际贡献总和，将第二边际贡献总和确定为第二数量贡献度。
最后，服务器根据多种选址因素类型的第一选址因素数据对应的多个第一数量贡献度和多种选址因素类型的第二选址因素数据对应的多个第二数量贡献度，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果。
本实施例中，通过计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度以及计算每种选址因素类型的第二选址因素数据对第二客流数据的第二数量贡献度来对第二客流数据进行归因处理，可细致分析每种选址因素数据的影响程度，有利于提高归因解释结果的准确性。
在一个实施例中，涉及上述步骤S2082“计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度”的一种可能的实现方式。在上述实施例的基础上，步骤S2082具体可以通过以下步骤实现：
步骤S212，计算每种选址因素类型的第一选址因素数据在多个第一选址因素序列下，对第一客流数据的多个第一边际贡献；
步骤S214，根据多个第一边际贡献，计算每种选址因素类型的第一选址因素数据对第一客流数据的第一平均边际贡献；
步骤S216，将第一平均边际贡献确定为第一数量贡献度。
其中，多个第一选址因素序列是对多种选址因素类型的第一选址因素数据进行排列组合得到的。
具体地，服务器计算每种选址因素类型的第一选址因素数据在多个第一选址因素序列下，对第一客流数据的多个第一边际贡献，然后根据多个第一边际贡献，计算每种选址因素类型的第一选址因素数据对第一客流数据的第一平均边际贡献，最后将第一平均边际贡献确定为第一数量贡献度。
更具体地，对于客流预测模型y＝f(Factor1,Factor2,…Factork)，不论其是线性模型还是非线性模型，其归因处理均可以拆解为线性表达：
Figure BDA0003136175630000102
其中，每个分量φi代表第i种选址因素类型的选址因素数据对客流数据的数量贡献度，Ybase表示归因解释模型中的常数项，或者是平均值。基于此，服务器根据公式(1)计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度。
Figure BDA0003136175630000101
其中，f()表示建立的客流预测模型，F表示所有选址因素类型的选址因素数据的集合。例如有10种选址因素类型的选址因素数据，那么F就是这10种选址因素类型的选址因素数据的集合。S是F中的一个子集。Xs表示该子集上的选址因素数据。公式(1)表示的意思是：对于第i种选址因素类型的选址因素数据，其对y的贡献是：任意一个不包含i的子集加上i预测的客流数据减去该子集预测的客流数据，遍历一遍取均值。
本实施例中，采用第一平均边际贡献来作为第一数量贡献度，可准确分析每种第一选址因素数据对于第一客流数据的数量的影响程度。
在一个实施例中，涉及上述步骤S2084“计算每种选址因素类型的第二选址因素数据对第二客流数据的第二数量贡献度”的一种可能的实现方式。在上述实施例的基础上，步骤S2084具体可以通过以下步骤实现：
步骤S222，计算每种选址因素类型的第二选址因素数据在多个第二选址因素序列下，对第二客流数据的多个第二边际贡献，其中，多个第二选址因素序列是对多种选址因素类型的第二选址因素数据进行排列组合得到的；
步骤S224，根据多个第二边际贡献，计算每种选址因素类型的第二选址因素数据对第二客流数据的第二平均边际贡献；
步骤S226，将第二平均边际贡献确定为第二数量贡献度。
具体地，服务器计算每种选址因素类型的第二选址因素数据在多个第二选址因素序列下，对第二客流数据的多个第二边际贡献，然后根据多个第二边际贡献，计算每种选址因素类型的第二选址因素数据对第一客流数据的第二平均边际贡献，最后将第二平均边际贡献确定为第二数量贡献度。
本实施例中，采用第二平均边际贡献来作为第二数量贡献度，可准确分析每种第二选址因素数据对于第二客流数据的数量的影响程度。
在一个实施例中，涉及上述步骤S2086“根据多种选址因素类型的第一选址因素数据对应的多个第一数量贡献度和多种选址因素类型的第二选址因素数据对应的多个第二数量贡献度，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果”的一种可能的实现方式。在上述实施例的基础上，步骤S2086具体可以通过以下步骤实现：
步骤S232，计算多种选址因素类型中每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，得到每种选址因素类型对应的归因解释结果；
步骤S234，将每种选址因素类型对应的归因解释结果进行组合，得到由第一客流数据和第二客流数据确定的客流变化数据对应的归因解释结果。
具体地，服务器计算多种选址因素类型中每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，得到每种选址因素类型对应的归因解释结果，然后将每种选址因素类型对应的归因解释结果进行组合，得到由第一客流数据和第二客流数据确定的客流变化数据对应的归因解释结果。
更具体地，对于一次地址调整策略，分别得到公式(2)和(3)：
Figure BDA0003136175630000121
Figure BDA0003136175630000122
将公式(3)与公式(2)相减，确定归因解释结果为：地址调整后客流变化的主要原因如公式(4)：
Figure BDA0003136175630000123
本实施例中，通过组合每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，有利于准确确定每种选址因素数据的贡献度，进而有利于提高归因解释结果的准确性。
在一个实施例中，涉及上述步骤S204“将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据”的一种可能的实现方式。在上述实施例的基础上，步骤S204具体可以通过以下步骤实现：
步骤S2042，获取与第二店铺地址关联的初始店铺选址信息；
步骤S2044，将初始店铺选址信息与预设的多种选址因素类型进行匹配，得到多种选址因素类型的第二选址因素数据；
步骤S2046，将多种选址因素类型的第二选址因素数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据。
具体地，服务器获取与第二店铺地址关联的初始店铺选址信息，然后将初始店铺选址信息与预设的多种选址因素类型进行匹配，得到多种选址因素类型的第二选址因素数据，最后将多种选址因素类型的第二选址因素数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据。
可选地，以选址因素类型包括商场因素、店铺因素、位置因素、环境因素为例，初始店铺选址信息包括商场中的门、电梯、扶梯这些出入口以及商场动线布局中的拐角等位置，店铺的业态，店铺的面积，门的宽度，店铺的展示风格，服务评价，消费等级，商场所处的城市，商圈，周边的活动人口密度，交通便利度，周边购物中心数量、天气、时间等等。基于此，服务器匹配得到的多种选址因素类型的第二选址因素数据为：商场因素数据为商场所处的城市，商圈，周边的活动人口密度，交通便利度和周边购物中心数量；店铺因素数据为店铺的业态，店铺的面积，门的宽度，店铺的展示风格，服务评价和消费等级；位置因素数据为商场中的门、电梯、扶梯这些出入口以及商场动线布局中的拐角等位置，环境因素数据为天气和时间。
本实施例中，对影响客流数据的初始店铺选址信息拆解为多种选址因素类型的第二选址因素数据，进而为后续归因解释时研究各个选址因素数据的影响提供基础。
在一个实施例中，该方法还包括以下步骤：
步骤S209，通过终端输出第二客流数据和归因解释结果。
具体地，服务器将调整后第二店铺地址对应的第二客流数据以及对应的归因解释结果发送至终端。终端向用户展示该第二客流数据和归因解释结果。
本实施例中，向用户展示第二客流数据和归因解释结果以便于用户有调址需求时进行参考。
下面结合一个具体的应用场景来介绍本申请的一个实施例。
假设某个商场中店铺A和店铺B在同一层，用户希望将店铺A调整到店铺B所在的位置，并且对店铺A的面积大小进行改造，按照现有店铺B的大小进行调整。当用户在终端上进行店铺调整时输入的初始店铺选址信息包括：店铺A的面积、店铺A的门的宽度、店铺A的消费档次、店铺A的业态，店铺B的地址信息，服务器接收到这些信息，自动计算新生成的其他初始店铺选址信息，然后调用模型服务，并返回预测结果以及对于该预测结果的归因解释结果。本实施例通过预测可以输出如下归因解释结果：
店铺地址调整后，预测过店客流和进店客流都会增加，对于进店客流的解释如图4的雷达图所示。店铺地址调整后，客群在性别维度、环境因素(例如天气、日期)影响不大，导致增益的主要因素是客群中同行客群更匹配、位置因素更好。
在一个实施例中，服务器支持对不同楼层、不同分析指标(例如曝光指数、客流坪效、进店客流、揽客指数、深逛指数、吸新指数、导流指数、单逛指数、复逛指数)的筛选，之后可以通过终端直接在其楼层底图上以可视化的形式展示出其分析指标的分布情况，如图5所示。
在一个实施例中，用户如果想要选择自己店铺的落位地址，可以进行多维度筛选自己的目标受众，比如按照年龄段、性别、同行人群等维度，本申请会返回出该人群包的轨迹分布情况，包括热力图、逗留集中区域图、速度分布图等。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种客流数据的归因装置，包括：请求接收模块、客流预测模块、数据获取模块和归因解释模块，其中：
请求接收模块，用于接收包含地址调整策略的客流预测请求，其中，地址调整策略为将第一店铺地址调整为第二店铺地址；
客流预测模块，用于将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据；
数据获取模块，用于获取与第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据；
归因解释模块，用于根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果，其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
上述客流数据的归因装置中，响应于店铺从第一店铺地址调整为第二店铺地址，通过预测得到的第一店铺地址对应的第一客流数据和第二店铺地址对应的第二客流数据，并结合第一店铺选址数据和第二店铺选址数据对调址后的第二客流数据进行归因处理，得到归因解释结果。其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。本装置提供了调址后店铺选址数据对于客流数据增减的影响程度，以便于用户知晓造成客流增减的原因，提高了客流预测的可靠性，从而可有效指导店铺地址落地执行，有利于提高店铺地址部署的可实施性，进而提升店铺地址部署效果。
在一个实施例中，第一店铺选址数据包括多种选址因素类型的第一选址因素数据，第二店铺选址数据包括多种选址因素类型的第二选址因素数据；归因解释模块具体用于计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度，其中，第一数量贡献度用于表征每种选址因素类型的第一选址因素数据对第一客流数据的数量的影响程度；计算每种选址因素类型的第二选址因素数据对第二客流数据的第二数量贡献度，其中，第二数量贡献度用于表征每种选址因素类型的第二选址因素数据对第二客流数据的数量的影响程度；根据多种选址因素类型的第一选址因素数据对应的多个第一数量贡献度和多种选址因素类型的第二选址因素数据对应的多个第二数量贡献度，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果。
在一个实施例中，归因解释模块具体用于计算每种选址因素类型的第一选址因素数据在多个第一选址因素序列下，对第一客流数据的多个第一边际贡献，其中，多个第一选址因素序列是对多种选址因素类型的第一选址因素数据进行排列组合得到的；根据多个第一边际贡献，计算每种选址因素类型的第一选址因素数据对第一客流数据的第一平均边际贡献；将第一平均边际贡献确定为第一数量贡献度；以及计算每种选址因素类型的第二选址因素数据在多个第二选址因素序列下，对第二客流数据的多个第二边际贡献，其中，多个第二选址因素序列是对多种选址因素类型的第二选址因素数据进行排列组合得到的；根据多个第二边际贡献，计算每种选址因素类型的第二选址因素数据对第二客流数据的第二平均边际贡献；将第二平均边际贡献确定为第二数量贡献度。
在一个实施例中，归因解释模块具体用于计算多种选址因素类型中每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，得到每种选址因素类型对应的归因解释结果；将每种选址因素类型对应的归因解释结果进行组合，得到由第一客流数据和第二客流数据确定的客流变化数据对应的归因解释结果。
在一个实施例中，第二店铺选址数据包括多种选址因素类型的第二选址因素数据；客流预测模块具体用于获取与第二店铺地址关联的初始店铺选址信息；将初始店铺选址信息与预设的多种选址因素类型进行匹配，得到多种选址因素类型的第二选址因素数据；将多种选址因素类型的第二选址因素数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据。
关于客流数据的归因装置的具体限定可以参见上文中对于客流数据的归因方法的限定，在此不再赘述。上述客流数据的归因装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种客流数据的归因方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收包含地址调整策略的客流预测请求，其中，地址调整策略为将第一店铺地址调整为第二店铺地址；
将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据；
获取与第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据；
根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果，其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
上述计算机设备中，响应于店铺从第一店铺地址调整为第二店铺地址，通过预测得到的第一店铺地址对应的第一客流数据和第二店铺地址对应的第二客流数据，并结合第一店铺选址数据和第二店铺选址数据对调址后的第二客流数据进行归因处理，得到归因解释结果。其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。本计算机设备提供了调址后店铺选址数据对于客流数据增减的影响程度，以便于用户知晓造成客流增减的原因，提高了客流预测的可靠性，从而可有效指导店铺地址落地执行，有利于提高店铺地址部署的可实施性，进而提升店铺地址部署效果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度，其中，第一数量贡献度用于表征每种选址因素类型的第一选址因素数据对第一客流数据的数量的影响程度；计算每种选址因素类型的第二选址因素数据对第二客流数据的第二数量贡献度，其中，第二数量贡献度用于表征每种选址因素类型的第二选址因素数据对第二客流数据的数量的影响程度；根据多种选址因素类型的第一选址因素数据对应的多个第一数量贡献度和多种选址因素类型的第二选址因素数据对应的多个第二数量贡献度，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算每种选址因素类型的第一选址因素数据在多个第一选址因素序列下，对第一客流数据的多个第一边际贡献，其中，多个第一选址因素序列是对多种选址因素类型的第一选址因素数据进行排列组合得到的；根据多个第一边际贡献，计算每种选址因素类型的第一选址因素数据对第一客流数据的第一平均边际贡献；将第一平均边际贡献确定为第一数量贡献度；以及计算每种选址因素类型的第二选址因素数据在多个第二选址因素序列下，对第二客流数据的多个第二边际贡献，其中，多个第二选址因素序列是对多种选址因素类型的第二选址因素数据进行排列组合得到的；根据多个第二边际贡献，计算每种选址因素类型的第二选址因素数据对第二客流数据的第二平均边际贡献；将第二平均边际贡献确定为第二数量贡献度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算多种选址因素类型中每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，得到每种选址因素类型对应的归因解释结果；将每种选址因素类型对应的归因解释结果进行组合，得到由第一客流数据和第二客流数据确定的客流变化数据对应的归因解释结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取与第二店铺地址关联的初始店铺选址信息；将初始店铺选址信息与预设的多种选址因素类型进行匹配，得到多种选址因素类型的第二选址因素数据；将多种选址因素类型的第二选址因素数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收包含地址调整策略的客流预测请求，其中，地址调整策略为将第一店铺地址调整为第二店铺地址；
将与第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据；
获取与第一店铺地址关联的第一店铺选址数据和第一店铺地址对应的第一客流数据；
根据第一店铺选址数据、第一客流数据、第二店铺选址数据和第二客流数据，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果，其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
上述计算机可读存储介质中，响应于店铺从第一店铺地址调整为第二店铺地址，通过预测得到的第一店铺地址对应的第一客流数据和第二店铺地址对应的第二客流数据，并结合第一店铺选址数据和第二店铺选址数据对调址后的第二客流数据进行归因处理，得到归因解释结果。其中，归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。本存储介质提供了调址后店铺选址数据对于客流数据增减的影响程度，以便于用户知晓造成客流增减的原因，提高了客流预测的可靠性，从而可有效指导店铺地址落地执行，有利于提高店铺地址部署的可实施性，进而提升店铺地址部署效果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算每种选址因素类型的第一选址因素数据对第一客流数据的第一数量贡献度，其中，第一数量贡献度用于表征每种选址因素类型的第一选址因素数据对第一客流数据的数量的影响程度；计算每种选址因素类型的第二选址因素数据对第二客流数据的第二数量贡献度，其中，第二数量贡献度用于表征每种选址因素类型的第二选址因素数据对第二客流数据的数量的影响程度；根据多种选址因素类型的第一选址因素数据对应的多个第一数量贡献度和多种选址因素类型的第二选址因素数据对应的多个第二数量贡献度，对由第一客流数据和第二客流数据确定的客流变化数据进行归因处理，得到客流变化数据对应的归因解释结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算每种选址因素类型的第一选址因素数据在多个第一选址因素序列下，对第一客流数据的多个第一边际贡献，其中，多个第一选址因素序列是对多种选址因素类型的第一选址因素数据进行排列组合得到的；根据多个第一边际贡献，计算每种选址因素类型的第一选址因素数据对第一客流数据的第一平均边际贡献；将第一平均边际贡献确定为第一数量贡献度；以及计算每种选址因素类型的第二选址因素数据在多个第二选址因素序列下，对第二客流数据的多个第二边际贡献，其中，多个第二选址因素序列是对多种选址因素类型的第二选址因素数据进行排列组合得到的；根据多个第二边际贡献，计算每种选址因素类型的第二选址因素数据对第二客流数据的第二平均边际贡献；将第二平均边际贡献确定为第二数量贡献度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算多种选址因素类型中每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，得到每种选址因素类型对应的归因解释结果；将每种选址因素类型对应的归因解释结果进行组合，得到由第一客流数据和第二客流数据确定的客流变化数据对应的归因解释结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取与第二店铺地址关联的初始店铺选址信息；将初始店铺选址信息与预设的多种选址因素类型进行匹配，得到多种选址因素类型的第二选址因素数据；将多种选址因素类型的第二选址因素数据输入至预设的客流预测模型中，得到第二店铺地址对应的第二客流数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种客流数据的归因方法，其特征在于，所述方法包括：
接收包含地址调整策略的客流预测请求，其中，所述地址调整策略为将第一店铺地址调整为第二店铺地址；
将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据；
获取与所述第一店铺地址关联的第一店铺选址数据和所述第一店铺地址对应的第一客流数据；
根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，其中，所述归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
2.根据权利要求1所述的方法，其特征在于，所述第一店铺选址数据包括多种选址因素类型的第一选址因素数据，所述第二店铺选址数据包括多种选址因素类型的第二选址因素数据；
根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，包括：
计算每种选址因素类型的第一选址因素数据对所述第一客流数据的第一数量贡献度，其中，所述第一数量贡献度用于表征所述每种选址因素类型的第一选址因素数据对所述第一客流数据的数量的影响程度；
计算每种选址因素类型的第二选址因素数据对所述第二客流数据的第二数量贡献度，其中，所述第二数量贡献度用于表征所述每种选址因素类型的第二选址因素数据对所述第二客流数据的数量的影响程度；
根据所述多种选址因素类型的第一选址因素数据对应的多个所述第一数量贡献度和所述多种选址因素类型的第二选址因素数据对应的多个所述第二数量贡献度，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果。
3.根据权利要求2所述的方法，其特征在于，所述计算每种选址因素类型的第一选址因素数据对所述第一客流数据的第一数量贡献度，包括：
计算每种选址因素类型的第一选址因素数据在多个第一选址因素序列下，对所述第一客流数据的多个第一边际贡献，其中，所述多个第一选址因素序列是对所述多种选址因素类型的第一选址因素数据进行排列组合得到的；
根据所述多个第一边际贡献，计算每种选址因素类型的第一选址因素数据对所述第一客流数据的第一平均边际贡献；
将所述第一平均边际贡献确定为第一数量贡献度；
所述计算每种选址因素类型的第二选址因素数据对所述第二客流数据的第二数量贡献度，包括：
计算每种选址因素类型的第二选址因素数据在多个第二选址因素序列下，对所述第二客流数据的多个第二边际贡献，其中，所述多个第二选址因素序列是对所述多种选址因素类型的第二选址因素数据进行排列组合得到的；
根据所述多个第二边际贡献，计算每种选址因素类型的第二选址因素数据对所述第二客流数据的第二平均边际贡献；
将所述第二平均边际贡献确定为第二数量贡献度。
4.根据权利要求2所述的方法，其特征在于，所述根据所述多种选址因素类型的第一选址因素数据对应的多个所述第一数量贡献度和所述多种选址因素类型的第二选址因素数据对应的多个所述第二数量贡献度，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，包括：
计算所述多种选址因素类型中每种选址因素类型对应的第一数量贡献度和第二数量贡献度的差值，得到每种选址因素类型对应的归因解释结果；
将每种选址因素类型对应的归因解释结果进行组合，得到由所述第一客流数据和所述第二客流数据确定的客流变化数据对应的归因解释结果。
5.根据权利要求1所述的方法，其特征在于，所述第二店铺选址数据包括多种选址因素类型的第二选址因素数据；
所述将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据，包括：
获取与所述第二店铺地址关联的初始店铺选址信息；
将所述初始店铺选址信息与预设的多种选址因素类型进行匹配，得到多种选址因素类型的第二选址因素数据；
将所述多种选址因素类型的第二选址因素数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据。
6.根据权利要求2-5任一所述的方法，其特征在于，所述多种选址因素类型包括商场因素、店铺因素、位置因素、环境因素或客群属性与店铺的匹配度中的一种或多种。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过终端输出所述第二客流数据和所述归因解释结果。
8.一种客流数据的归因装置，其特征在于，所述装置包括：
请求接收模块，用于接收包含地址调整策略的客流预测请求，其中，所述地址调整策略为将第一店铺地址调整为第二店铺地址；
客流预测模块，用于将与所述第二店铺地址关联的第二店铺选址数据输入至预设的客流预测模型中，得到所述第二店铺地址对应的第二客流数据；
数据获取模块，用于获取与所述第一店铺地址关联的第一店铺选址数据和所述第一店铺地址对应的第一客流数据；
归因解释模块，用于根据所述第一店铺选址数据、所述第一客流数据、所述第二店铺选址数据和所述第二客流数据，对由所述第一客流数据和所述第二客流数据确定的客流变化数据进行归因处理，得到所述客流变化数据对应的归因解释结果，其中，所述归因解释结果用于指示店铺选址数据对客流数据增减的影响程度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110720009.XA 2021-06-28 2021-06-28 客流数据的归因方法、装置、计算机设备和存储介质 Active CN113538039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110720009.XA CN113538039B (zh) 2021-06-28 2021-06-28 客流数据的归因方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110720009.XA CN113538039B (zh) 2021-06-28 2021-06-28 客流数据的归因方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113538039A true CN113538039A (zh) 2021-10-22
CN113538039B CN113538039B (zh) 2024-07-16

Family

ID=78096989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110720009.XA Active CN113538039B (zh) 2021-06-28 2021-06-28 客流数据的归因方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113538039B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033932A (zh) * 2010-12-17 2011-04-27 东南大学 面向一体化设计的城市轨道交通站点分类方法
CN103440589A (zh) * 2013-09-17 2013-12-11 上海商学院 门店选址系统及方法
CN104217250A (zh) * 2014-08-07 2014-12-17 北京市交通信息中心 一种基于历史数据的城市轨道交通新线开通客流预测方法
CN105303418A (zh) * 2015-12-09 2016-02-03 北京京东尚科信息技术有限公司 一种选址方法和装置
CN108389070A (zh) * 2018-01-17 2018-08-10 链家网（北京）科技有限公司 一种客户行为特征分析方法、服务器及系统
CN109697630A (zh) * 2018-11-21 2019-04-30 浙江大学城市学院 一种基于稀疏回归的商家客流量多因素分析与预测方法
CN110009379A (zh) * 2018-11-27 2019-07-12 阿里巴巴集团控股有限公司 一种选址模型构建和选址方法、装置及设备
CN111046360A (zh) * 2019-11-14 2020-04-21 秒针信息技术有限公司 一种基于人脸识别的客户信息管理方法和系统
CN111461341A (zh) * 2020-03-18 2020-07-28 支付宝(杭州)信息技术有限公司 数据源贡献度的评估方法及其装置、计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033932A (zh) * 2010-12-17 2011-04-27 东南大学 面向一体化设计的城市轨道交通站点分类方法
CN103440589A (zh) * 2013-09-17 2013-12-11 上海商学院 门店选址系统及方法
CN104217250A (zh) * 2014-08-07 2014-12-17 北京市交通信息中心 一种基于历史数据的城市轨道交通新线开通客流预测方法
CN105303418A (zh) * 2015-12-09 2016-02-03 北京京东尚科信息技术有限公司 一种选址方法和装置
CN108389070A (zh) * 2018-01-17 2018-08-10 链家网（北京）科技有限公司 一种客户行为特征分析方法、服务器及系统
CN109697630A (zh) * 2018-11-21 2019-04-30 浙江大学城市学院 一种基于稀疏回归的商家客流量多因素分析与预测方法
CN110009379A (zh) * 2018-11-27 2019-07-12 阿里巴巴集团控股有限公司 一种选址模型构建和选址方法、装置及设备
CN111046360A (zh) * 2019-11-14 2020-04-21 秒针信息技术有限公司 一种基于人脸识别的客户信息管理方法和系统
CN111461341A (zh) * 2020-03-18 2020-07-28 支付宝(杭州)信息技术有限公司 数据源贡献度的评估方法及其装置、计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘玉娟: "城市新公共空间—成都市概念书屋", 《商》, pages 90 *
张辉;: "视频客流统计系统在零售百货业中的应用", 信息系统工程, no. 07 *

Also Published As

Publication number Publication date
CN113538039B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Segalin et al. The pictures we like are our image: continuous mapping of favorite pictures into self-assessed and attributed personality traits
CN110363387B (zh) 基于大数据的画像分析方法、装置、计算机设备及存储介质
US11694109B2 (en) Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure
Fisher et al. Modelling the errors in areal interpolation between zonal systems by Monte Carlo simulation
US9152845B2 (en) Human attribute estimation system, human attribute estimation apparatus and human attribute estimation method
US20210182613A1 (en) Image aesthetic processing method and electronic device
US10565525B2 (en) Collaborative filtering method, apparatus, server and storage medium in combination with time factor
WO2009042582A2 (en) Predicted variable analysis based on evaluation variables relating to site selection
US20190197134A1 (en) Computerized geo-referencing for images
CN111275470B (zh) 服务发起概率预测方法及其模型的训练方法和装置
JP2023551514A (ja) 生成的モデル予測における欠落している共変量からの不確実性を考慮する方法およびシステム
US20120158950A1 (en) Method and a system for managing a website using profile key patterns
Hui et al. The roles of developer’s status and competitive intensity in presale pricing in a residential market: A study of the spatio-temporal model in Hangzhou, China
Lin et al. Three-dimensional visibility analysis and visual quality computation for urban open spaces aided by Google SketchUp and WebGIS
CN113627975A (zh) 门店选址方法、装置、计算机设备和存储介质
US11556897B2 (en) Job-post budget recommendation based on performance
CN113962457A (zh) 数据处理方法、装置、计算机设备和存储介质
CN115730125A (zh) 对象识别方法、装置、计算机设备和存储介质
CN114118508A (zh) 一种基于时空卷积网络的od市场航空客流量预测方法
CN113538039A (zh) 客流数据的归因方法、装置、计算机设备和存储介质
US20230004869A1 (en) Machine-learning techniques for evaluating suitability of candidate datasets for target applications
KR102242042B1 (ko) 데이터 라벨링 방법, 시스템 및 컴퓨터 프로그램
US8369581B2 (en) Automatic appeal measurement method
CN107801418A (zh) 利用地图检索记录的流动人口推算装置及方法
JP2021060805A (ja) 情報処理装置及び情報処理プログラム

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