CN114239946A - 基于区域划分的店铺销售效果预测方法及装置 - Google Patents
基于区域划分的店铺销售效果预测方法及装置 Download PDFInfo
- Publication number
- CN114239946A CN114239946A CN202111502125.0A CN202111502125A CN114239946A CN 114239946 A CN114239946 A CN 114239946A CN 202111502125 A CN202111502125 A CN 202111502125A CN 114239946 A CN114239946 A CN 114239946A
- Authority
- CN
- China
- Prior art keywords
- store
- shop
- regional
- determining
- sales
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区域划分的店铺销售效果预测方法及装置,该方法包括:确定包括有多个店铺的目标区域;根据每一所述店铺的位置,对所述目标区域进行区域划分,得到多个所述店铺分别对应的店铺子区域;确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征;将所述店铺对应的所述区域店铺特征输入至销售效果预测网络模型中,以确定出所述店铺的预计销售效果;所述销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。可见,本发明能够解决店铺的区域划分问题,使得店铺在区域中的更有针对性的店铺特征被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种基于区域划分的店铺销售效果预测方法及装置。
背景技术
随着人工智能的蓬勃发展,人工智能技术在线下零售领域的应用已经非常广泛,这在智慧零售领域也有着非常多的体现。使用深度学习搭建推荐系统对零售数据进行广泛挖掘,从而对零售门店的运营情况进行各种维度下的推测已经成为了人工智能技术在智慧零售的非常重要的应用。现有的技术在利用店铺的区域特征数据进行销售效果的分析时,一般没有考虑到对店铺进行清晰的区域划分,因此其销售效果分析基于的数据一般为较为模糊的周边数据,从而产生了效果分析不准确的问题。可见,现有技术存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于区域划分的店铺销售效果预测方法及装置,能够解决店铺的区域划分问题,使得店铺在区域中的更有针对性的店铺特征被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
为了解决上述技术问题,本发明第一方面公开了一种基于区域划分的店铺销售效果预测方法,所述方法包括:
确定包括有多个店铺的目标区域;
根据每一所述店铺的位置,对所述目标区域进行区域划分,得到多个所述店铺分别对应的店铺子区域;
确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征;
将所述店铺对应的所述区域店铺特征输入至销售效果预测网络模型中,以确定出所述店铺的预计销售效果;所述销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。
本发明实施例第二方面公开了一种基于区域划分的店铺销售效果预测装置,所述装置包括:
区域确定模块,用于确定包括有多个店铺的目标区域;
区域划分模块,用于根据每一所述店铺的位置,对所述目标区域进行区域划分,得到多个所述店铺分别对应的店铺子区域;
特征确定模块,用于确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征;
销售预测模块,用于将所述店铺对应的所述区域店铺特征输入至销售效果预测网络模型中,以确定出所述店铺的预计销售效果;所述销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。
本发明第三方面公开了另一种基于区域划分的店铺销售效果预测装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于区域划分的店铺销售效果预测方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,公开了一种基于区域划分的店铺销售效果预测方法及装置,该方法包括:确定包括有多个店铺的目标区域;根据每一所述店铺的位置,对所述目标区域进行区域划分,得到多个所述店铺分别对应的店铺子区域;确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征;将所述店铺对应的所述区域店铺特征输入至销售效果预测网络模型中,以确定出所述店铺的预计销售效果;所述销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。可见,本发明实施例能够对区域内的多个店铺进行区域划分得到每一个店铺对应的区域,并根据待预测的店铺在区域内的店铺特征,结合人工智能算法模型,来预测店铺的销售效果,从而能够解决店铺的区域划分问题,使得店铺在区域中的更有针对性的店铺特征被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。
图1是本发明实施例公开的一种基于区域划分的店铺销售效果预测方法的流程示意图。
图2是本发明实施例公开的一种基于区域划分的店铺销售效果预测装置的结构示意图。
图3是本发明实施例公开的另一种基于区域划分的店铺销售效果预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于区域划分的店铺销售效果预测方法及装置,能够对区域内的多个店铺进行区域划分得到每一个店铺对应的区域,并根据待预测的店铺在区域内的店铺特征,结合人工智能算法模型,来预测店铺的销售效果,从而能够解决店铺的区域划分问题,使得店铺在区域中的更有针对性的店铺特征被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于区域划分的店铺销售效果预测方法的流程示意图。其中,图1所描述的基于区域划分的店铺销售效果预测方法应用于店铺潜力评估预测系统的预测芯片、预测终端或预测服务器(其中,该预测服务器可以为本地服务器或云服务器)中。如图1所示,该基于区域划分的店铺销售效果预测方法可以包括以下操作:
101、确定包括有多个店铺的目标区域。
可选的,目标区域可以为城市中的商圈区域等有大量店铺集中的区域,如商业广场、地下购物城或大型超市等区域。可选的,目标区域的选择可以根据实际的销售效果分析需求进行确定,例如选择区域中存在待预测销售效果的店铺的区域作为目标区域,也可以根据不同区域的人流量变化或店铺销售量变化进行确定,例如可以在多个区域中选择单位时间内人流量变化最大或店铺销售量变化最大的区域作为目标区域。
102、根据每一店铺的位置,对目标区域进行区域划分,得到多个店铺分别对应的店铺子区域。
可选的,可以将以每一店铺的位置为圆心,半径为预设半径距离的圆确定为该店铺对应的店铺子区域。可选的,预设半径距离可以与该店铺的销售额成正比,以使得最终确定出的店铺子区域可以有效表征出该店铺的人流覆盖范围或营业影响范围。在一个可选的实施例中,可以根据目标区域的总区域面积除以所有店铺的总数量的结果的平方根,确定为平均半径距离。接着将每一店铺的销售额与所有店铺的销售额平均值之间的比值,确定为该店铺对应的半径参数。最后确定该店铺的预设半径距离为该平均半径距离与该半径参数之间的乘积。
可选的,将每一店铺的位置所在的地理网格确定为该店铺对应的店铺子区域。可选的,地理网格可以为特定经纬度边距的经纬度网格。可选的,每一店铺的位置所在的地理网格的经纬度边距可以与该店铺的销售额成正比,以使得最终确定出的店铺子区域可以有效表征出该店铺的人流覆盖范围或营业影响范围。在一个可选的实施例中,可以根据目标区域的总区域面积除以所有店铺的总数量的结果的平方根,确定为参考经纬度边距。接着将每一店铺的销售额与所有店铺的销售额平均值之间的比值,确定为该店铺对应的经纬度边距参数。最后确定该店铺的经纬度边距为该参考经纬度边距与该经纬度边距参数之间的乘积。
103、确定任一店铺在对应的店铺子区域内的区域店铺特征。
可选的,区域店铺特征包括店铺物理特征、区域内人群通信特征、区域内人群画像特征、区域内设施特征和区域竞品特征中的至少一种。可选的,店铺物理特征包括店铺面积、店铺位置和店铺地理形态的至少一种。可选的,店铺地理形态可以为店铺的形状。
可选的,区域内设施特征可以包括区域内设施的数量和/或区域内设施与店铺位置之间的距离参数。可选的,区域内设施可以为POI(point of interest,兴趣点)或AOI(area of interest,兴趣面),其类型包括但不限于:运动休闲、餐饮、生活服务、科教文化、购物、交通出行、国家政府、住宿、企业商务、健康医疗/保健、公共设施等。可选的,区域内竞品特征可以包括区域内竞品店铺的数量和/或区域内竞品店铺与店铺位置之间的距离参数。可选的,距离参数可以包括直接距离、平均距离、最大距离和最小距离中的至少一种。
104、将店铺对应的区域店铺特征输入至销售效果预测网络模型中,以确定出店铺的预计销售效果。
可选的,销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。可选的,销售效果预测网络模型可以包括DeepCrossing架构网络模型和Wide&Deep架构网络模型中的至少一种。
可选的,销售效果或预计销售效果可以为具体销售额或销售级别,例如可以根据不同的销售额区间定义多个销售级别。
可选的,Deep Crossing架构网络模型可以用于预测具体的销售额或销售级别,而Wide&Deep架构网络模型一般用于预测销售级别。
可选的,Deep Crossing架构网络模型可以包括Stacking层、Multiple ResidualUnits层和Scoring层,其中,Stacking层用于将输入的区域店铺特征进行拼接形成Multiple Residual Units层的输入向量,Multiple Residual Units层采用了标准的18层残差网络(ResNet 18)结构,Scoring层采用逻辑回归,将预测结果转换成一个概率值进行输出,同时,Deep Crossing架构网络模型的损失函数为对数损失函数。具体的,在一个实施例中,区域店铺特征中的店铺物理特征、区域内人群通信特征、区域内人群画像特征、区域内设施特征或区域竞品特征均为统计信息量,因此属于稠密特征,所以该实施例中,DeepCrossing架构网络模型没有嵌入(Embedding)层。
可见,上述发明实施例能够对区域内的多个店铺进行区域划分得到每一个店铺对应的区域,并根据待预测的店铺在区域内的店铺特征,结合人工智能算法模型,来预测店铺的销售效果,从而能够解决店铺的区域划分问题,使得店铺在区域中的更有针对性的店铺特征被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,在上述步骤102中的,根据每一店铺的位置,对目标区域进行区域划分,得到多个店铺分别对应的店铺子区域,包括:
将所有店铺的位置确定为多个离散点;
根据维诺图生成算法,基于多个离散点,确定出多个离散点对应的维诺图;
将维诺图中每一离散点对应的划分区域,确定为离散点对应的店铺对应的店铺子区域。
可选的,根据维诺图生成算法,基于多个离散点,确定出多个离散点对应的维诺图,可以为采用德劳内三角剖分算法,基于多个离散点,运算生成德劳内三角网,再根据德劳内三角网,确定出多个离散点对应的维诺图。具体的,可以包括以下步骤:
基于多个离散点,运算生成德劳内三角网;
计算德劳内三角网中每个三角形的外接圆圆心,并对计算出的多个外接圆圆心进行记录;
对于任一三角形,遍历德劳内三角网中的所有三角形,寻找与该三角形任一条边共边的相邻三角形;
如果找到相邻三角形,则把寻找到的相邻三角形的外心与该三角形的外心连接,形成一条维诺边,若找不到,则求出最外边的中垂线射线形成一条维诺边;
重复上述步骤,确定出所有维诺边,根据所有维诺边绘制出维诺图。
可见,通过实施该可选的实施方式,可以根据维诺图生成算法,基于多个离散点,确定出多个离散点对应的维诺图,并将维诺图中每一离散点对应的划分区域,确定为离散点对应的店铺对应的店铺子区域,从而能够合理确定出每一店铺对应的店铺区域,进而店铺在区域中的更有针对性的店铺特征在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,在上述步骤103中的,确定任一店铺在对应的店铺子区域内的区域店铺特征,包括:
确定任一店铺在对应的店铺子区域内的多个目标设施;
确定店铺的所在位置与任一目标设施的距离参数;
将所有目标设施对应的距离参数确定为店铺的区域内设施特征。
本发明实施例中,可选的,目标设施,可以为店铺在对应的店铺子区域内的商业设施,例如商场或写字楼,如服装、百货、建材、装饰材料大市场或者综合性大商场,或其他大型的餐饮、娱乐、休闲设施,商业广场以及商业街等标志性的与民众生活密切相关的商业设施。
可选的,店铺的所在位置与任一目标设施的距离参数,可以包括直线距离或可步行距离中的一种或两种。可选的,店铺的所在位置与任一目标设施的直线距离可以通过计算店铺的所在位置与任一目标设施的所在位置之间的连线的距离来确定。例如,店铺的所在位置与任一目标设施的可步行距离,可以根据预设的区域地图模型,确定出店铺的所在位置与任一目标设施的所在位置在区域地图模型之间的步行路径的长度,以确定店铺的所在位置与任一目标设施的可步行距离。
可见,通过实施该可选的实施方式,可以将所有目标设施对应的距离参数确定为店铺的区域内设施特征,从而能够合理确定出每一店铺对应的区域内设施特征,进而在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,在上述步骤103中的,确定任一店铺在对应的店铺子区域内的区域店铺特征,包括:
确定任一店铺在对应的店铺子区域周围的多个竞品店铺;
确定店铺的所在位置距离任一竞品店铺的距离参数;
将所有竞品店铺对应的距离参数确定为店铺的区域竞品特征。
本发明实施例中,可选的,竞品店铺,可以为店铺在对应的店铺子区域周围的竞品店铺,其中,竞品店铺可以为服务领域与店铺对应的店铺服务领域有交集的周边店铺,或是上架商品的商品参数与店铺对应的预设上架商品的商品参数有交集的周边店铺。可选的,竞品店铺的确定方式可以包括:
获取店铺在对应的店铺子区域外的第二距离范围内的所有其他店铺;
确定店铺和任一其他店铺对应的店铺参数;其中,店铺参数可以包括服务领域集合和/或上架商品的商品参数;
计算店铺对应的店铺参数与任一其他店铺对应的店铺参数之间的相似度;
将与店铺对应的店铺参数之间的相似度高于预设的相似度阈值的其他店铺确定为竞品店铺。
可选的,店铺的所在位置与任一竞品店铺的距离参数,可以包括直线距离或可步行距离中的一种或两种。可选的,店铺的所在位置与任一竞品店铺的直线距离可以通过计算店铺的所在位置与任一竞品店铺的所在位置之间的连线的距离来确定。例如,店铺的所在位置与任一竞品店铺的可步行距离,可以根据预设的区域地图模型,确定出店铺的所在位置与任一竞品店铺的所在位置在区域地图模型之间的步行路径的长度,以确定店铺的所在位置与任一竞品店铺的可步行距离。
可见,通过实施该可选的实施方式,可以将所有竞品店铺对应的距离参数确定为店铺的区域竞品特征,从而能够合理确定出每一店铺对应的区域竞品特征,在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,在上述步骤103中的,确定任一店铺在对应的店铺子区域内的区域店铺特征,包括:
获取感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息;
根据设备通信信息,确定店铺在对应的店铺子区域内的区域内人群通信特征。
可选的,感知设备可以包括无线AP,蓝牙设备,无线探针设备以及其他具有设备感知功能的物联网设备中的至少一种。可选的,设备通信信息中可以包括设备的软件信息、操作系统信息、通信运营商信息和设备品牌信息中的至少一种,以便于后续用于统计出不同感知维度的通信终端数量。可选的,区域内人群通信特征可以包括使用至少一种运营商的终端数量、使用至少一种软件的终端数量、使用至少一种操作系统的终端数量和至少一种品牌的终端数量中的至少一种。其中,运营商包括但不限于:中国移动、中国联通、中国电信等运营商,软件包括但不限于:百度视频、网易音乐、腾讯视频、微信等软件,操作系统包括但不限于:ios,android,鸿蒙系统等操作系统,品牌包括但不限于:苹果,华为,荣耀,魅族,三星,小米,oppo,vivo,一加,锤子等品牌。
可见,通过实施该可选的实施方式,可以根据感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息,确定店铺的区域内人群通信特征,从而能够确定出每一店铺对应的区域内人群通信特征,进而在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,在上述步骤103中的,确定任一店铺在对应的店铺子区域内的区域店铺特征,包括:
确定任一店铺在对应的店铺子区域内的人群信息;
根据预设的画像匹配数据库,以及人群信息,确定店铺在对应的店铺子区域内的区域内人群画像特征。
可选的,确定任一店铺在对应的店铺子区域内的人群信息可以通过上述感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息确定出店铺子区域内的所有通信终端,并根据每一通信终端匹配出所有的用户信息。
可选的,确定任一店铺在对应的店铺子区域内的人群信息也可以为根据摄像头等图像获取设备确定出店铺子区域内的所有的人脸图像信息,并根据每一人脸图像信息匹配出所有的用户信息。
可选的,画像匹配数据库可以包括有多个用户的设备信息或图像信息与用户的画像特征的对应关系,其中用户的画像特征可以包括但不限于用户的性别、职业、爱好、特长、兴趣、年龄、居住地、消费水平、出行记录和手机软件使用记录等信息。
可选的,最终确定出的区域内人群画像特征可以包括人群常住流动人口统计信息、人群设备品牌统计信息、人群人口属性统计信息、人群居住相关统计信息、人群工作职业统计信息、人群经济消费资产水平统计信息、人群出行统计信息、人群行为偏好统计信息、人群常去设施类别统计信息和人群软件使用类别统计信息中的至少一种。
例如,人群常住流动人口统计信息可以包括区域内人群的常住人口和流动人口统计信息,人群人口属性统计信息可以包括但不限于人群的性别分布、年龄分布、婚姻状态、子女情况、人生阶段、学历等信息,人群居住相关统计信息可以包括人群的住地城市级别、常住城市级别、住地房价水平等信息,人群经济消费资产水平统计信息可以包括人群的经济状况、消费水平和资产水平统计信息,人群行为偏好统计信息可以包括人群行为的餐饮、生活兴趣、运动、生活服务、教育培训、购物、景区、学校、健康医疗、汽车、基础设施、酒店宾馆、休闲、公司企业、金融服务、社会团体、政府机构、居住、周末购物特征、周末行为特征等偏好信息,人群常去设施类别统计信息可以包括但不限于人群的常去学校、常驻小区、常去医院、常去景点、常去运动场所、常去机场车站、常去政府机构、常去酒店、常去银行、常去汽车相关场所等信息,人群软件使用类别统计信息可以包括但不限于人群的金融理财、网上购物、学习教育、旅游出行、实用工具、新闻阅读、影视音乐、社交通讯、生活健康、摄影摄像、育儿亲子、商务办公、游戏等软件类别使用信息。
可见,通过实施该可选的实施方式,可以根据感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息,确定店铺的区域内人群通信特征,从而能够确定出每一店铺对应的区域内人群通信特征,进而在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,销售效果预测网络模型可以包括有预测输出层和同时连接至预测输出层的深层网络特征提取层和浅层网络特征提取层,其中一种示例即Wide&Deep架构网络模型,具体的,其可以包括wide部分和deep部分以及一个最终的LogLoss输出层,其中,wide部分就是一个浅层网络特征提取层,其具体的是一个简单的线性模型y=wx+b。y是我们的预测目标,x是d个特征的向量,w是模型的参数,b是偏差。这里的d个特征包括原始的输入特征和经过转换的特征,具体的,经过转换的特征为交叉积转换(cross-product转换)特征,其目的是为了获取交叉特征对预测目标的影响,给线性模型增加非线性。而deep部分是一个深层网络特征提取层,其具体可以是一个前馈神经网络模型,包括有依次连接的连接层、1024维的ReLU全连接层、512维的ReLU全连接层和256维的ReLU全连接层。
可选的,在上述步骤104中的,将店铺对应的区域店铺特征输入至销售效果预测网络模型中,以确定出店铺的预计销售效果,包括:
将店铺对应的区域店铺特征中的区域内人群画像特征输入至深层网络特征提取层;
将店铺对应的除区域内人群画像特征外的其他区域店铺特征输入至浅层网络特征提取层;
获取预测输出层输出的预测结果,根据预测结果确定店铺的预计销售效果。
具体的,上述步骤的一个目的在于,因为的除区域内人群画像特征外的其他区域店铺特征,例如店铺物理特征、区域内人群通信特征、区域内设施特征或区域竞品特征,与店铺的销售效果的直接关联性较大,特征提取深度不需要太深,因此将其放入浅层网络特征提取层中,而区域内人群画像特征与店铺的销售效果的直接关联性较小,需要通过深层网络特征提取层来进行特征提取,以增强模型的记忆能力和泛化能力。
具体的,预测输出层输出的可以是不同销售级别对应的概率值,可以选取概率值最高的销售级别,确定为店铺的预计销售效果。可选的,销售效果预测网络模型可以通过包括有多个已知销售效果级别的训练店铺及对应的区域店铺参数的多级别样本训练集训练得到,具体的,其通过以下步骤被训练:
确定训练模型;其中,训练模型包括有销售效果预测网络模型和参数优化层;
将多级别样本训练集输入至训练模型进行训练,通过参数优化层不断优化销售效果预测网络模型的模型参数,直至销售效果预测网络模型的预测输出层的预测销售效果级别和已知的销售效果级别之间的损失函数值达到收敛,以得到训练好的销售效果预测网络模型。
可选的,多级别样本训练集可以为五级别样本训练集,例如可以将不同店铺的销售额分为五个级别,分别为很好,好,中,差,很差,例如在历史时间段的销售额小于50000元的级别为很差,销售额为50000至100000元的级别为差,销售额为100000至150000元的级别为中,销售额为150000至200000元的级别为好,销售额大于200000元的级别为很好。可选的,基于上述示例,多级别样本训练集也可以为六级别样本训练集或七级别样本训练集,其定义方式和确定方式均可以参照上述示例,事实上任何可以用于实现分类目的的样本训练集的定义方式均应被认为是包括在本发明的保护范围之内的。
可见,通过实施该可选的实施方式,可以将区域内人群画像特征输入至深层网络特征提取层,以及将其他区域店铺特征输入至浅层网络特征提取层,以充分利用不同的网络结构去处理不同特点的特征,从而充分提取出区域店铺特征中的特征信息,进而能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于区域划分的店铺销售效果预测装置的结构示意图。其中,图2所描述的基于区域划分的店铺销售效果预测装置应用于店铺潜力评估预测系统的预测芯片、预测终端或预测服务器(其中,该预测服务器可以为本地服务器或云服务器)中。如图2所示,该基于区域划分的店铺销售效果预测装置可以包括:
区域确定模块201,用于确定包括有多个店铺的目标区域。
可选的,目标区域可以为城市中的商圈区域等有大量店铺集中的区域,如商业广场、地下购物城或大型超市等区域。可选的,目标区域的选择可以根据实际的销售效果分析需求进行确定,例如选择区域中存在待预测销售效果的店铺的区域作为目标区域,也可以根据不同区域的人流量变化或店铺销售量变化进行确定,例如可以在多个区域中选择单位时间内人流量变化最大或店铺销售量变化最大的区域作为目标区域。
区域划分模块202,用于根据每一店铺的位置,对目标区域进行区域划分,得到多个店铺分别对应的店铺子区域。
可选的,可以将以每一店铺的位置为圆心,半径为预设半径距离的圆确定为该店铺对应的店铺子区域。可选的,预设半径距离可以与该店铺的销售额成正比,以使得最终确定出的店铺子区域可以有效表征出该店铺的人流覆盖范围或营业影响范围。在一个可选的实施例中,可以根据目标区域的总区域面积除以所有店铺的总数量的结果的平方根,确定为平均半径距离。接着将每一店铺的销售额与所有店铺的销售额平均值之间的比值,确定为该店铺对应的半径参数。最后确定该店铺的预设半径距离为该平均半径距离与该半径参数之间的乘积。
可选的,将每一店铺的位置所在的地理网格确定为该店铺对应的店铺子区域。可选的,地理网格可以为特定经纬度边距的经纬度网格。可选的,每一店铺的位置所在的地理网格的经纬度边距可以与该店铺的销售额成正比,以使得最终确定出的店铺子区域可以有效表征出该店铺的人流覆盖范围或营业影响范围。在一个可选的实施例中,可以根据目标区域的总区域面积除以所有店铺的总数量的结果的平方根,确定为参考经纬度边距。接着将每一店铺的销售额与所有店铺的销售额平均值之间的比值,确定为该店铺对应的经纬度边距参数。最后确定该店铺的经纬度边距为该参考经纬度边距与该经纬度边距参数之间的乘积。
特征确定模块203,用于确定任一店铺在对应的店铺子区域内的区域店铺特征。
可选的,区域店铺特征包括店铺物理特征、区域内人群通信特征、区域内人群画像特征、区域内设施特征和区域竞品特征中的至少一种。可选的,店铺物理特征包括店铺面积、店铺位置和店铺地理形态的至少一种。可选的,店铺地理形态可以为店铺的形状。
可选的,区域内设施特征可以包括区域内设施的数量和/或区域内设施与店铺位置之间的距离参数。可选的,区域内设施可以为POI(point of interest,兴趣点)或AOI(area of interest,兴趣面),其类型包括但不限于:运动休闲、餐饮、生活服务、科教文化、购物、交通出行、国家政府、住宿、企业商务、健康医疗/保健、公共设施等。可选的,区域内竞品特征可以包括区域内竞品店铺的数量和/或区域内竞品店铺与店铺位置之间的距离参数。可选的,距离参数可以包括直接距离、平均距离、最大距离和最小距离中的至少一种。
销售预测模块204,用于将店铺对应的区域店铺特征输入至销售效果预测网络模型中,以确定出店铺的预计销售效果。
可选的,销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。可选的,销售效果预测网络模型可以包括DeepCrossing架构网络模型和Wide&Deep架构网络模型中的至少一种。
可选的,销售效果或预计销售效果可以为具体销售额或销售级别,例如可以根据不同的销售额区间定义多个销售级别。
可选的,Deep Crossing架构网络模型可以用于预测具体的销售额或销售级别,而Wide&Deep架构网络模型一般用于预测销售级别。
可选的,Deep Crossing架构网络模型可以包括Stacking层、Multiple ResidualUnits层和Scoring层,其中,Stacking层用于将输入的区域店铺特征进行拼接形成Multiple Residual Units层的输入向量,Multiple Residual Units层采用了标准的18层残差网络(ResNet 18)结构,Scoring层采用逻辑回归,将预测结果转换成一个概率值进行输出,同时,Deep Crossing架构网络模型的损失函数为对数损失函数。具体的,在一个实施例中,区域店铺特征中的店铺物理特征、区域内人群通信特征、区域内人群画像特征、区域内设施特征或区域竞品特征均为统计信息量,因此属于稠密特征,所以该实施例中,DeepCrossing架构网络模型没有嵌入(Embedding)层。
可见,上述发明实施例能够对区域内的多个店铺进行区域划分得到每一个店铺对应的区域,并根据待预测的店铺在区域内的店铺特征,结合人工智能算法模型,来预测店铺的销售效果,从而能够解决店铺的区域划分问题,使得店铺在区域中的更有针对性的店铺特征被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,区域划分模块202根据每一店铺的位置,对目标区域进行区域划分,得到多个店铺分别对应的店铺子区域的具体方式,包括:
将所有店铺的位置确定为多个离散点;
根据维诺图生成算法,基于多个离散点,确定出多个离散点对应的维诺图;
将维诺图中每一离散点对应的划分区域,确定为离散点对应的店铺对应的店铺子区域。
可选的,根据维诺图生成算法,基于多个离散点,确定出多个离散点对应的维诺图,可以为采用德劳内三角剖分算法,基于多个离散点,运算生成德劳内三角网,再根据德劳内三角网,确定出多个离散点对应的维诺图。具体的,可以包括以下步骤:
基于多个离散点,运算生成德劳内三角网;
计算德劳内三角网中每个三角形的外接圆圆心,并对计算出的多个外接圆圆心进行记录;
对于任一三角形,遍历德劳内三角网中的所有三角形,寻找与该三角形任一条边共边的相邻三角形;
如果找到相邻三角形,则把寻找到的相邻三角形的外心与该三角形的外心连接,形成一条维诺边,若找不到,则求出最外边的中垂线射线形成一条维诺边;
重复上述步骤,确定出所有维诺边,根据所有维诺边绘制出维诺图。
可见,通过实施该可选的实施方式,可以根据维诺图生成算法,基于多个离散点,确定出多个离散点对应的维诺图,并将维诺图中每一离散点对应的划分区域,确定为离散点对应的店铺对应的店铺子区域,从而能够合理确定出每一店铺对应的店铺区域,进而店铺在区域中的更有针对性的店铺特征在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,特征确定模块203确定任一店铺在对应的店铺子区域内的区域店铺特征的具体方式,包括:
确定任一店铺在对应的店铺子区域内的多个目标设施;
确定店铺的所在位置与任一目标设施的距离参数;
将所有目标设施对应的距离参数确定为店铺的区域内设施特征。
本发明实施例中,可选的,目标设施,可以为店铺在对应的店铺子区域内的商业设施,例如商场或写字楼,如服装、百货、建材、装饰材料大市场或者综合性大商场,或其他大型的餐饮、娱乐、休闲设施,商业广场以及商业街等标志性的与民众生活密切相关的商业设施。
可选的,店铺的所在位置与任一目标设施的距离参数,可以包括直线距离或可步行距离中的一种或两种。可选的,店铺的所在位置与任一目标设施的直线距离可以通过计算店铺的所在位置与任一目标设施的所在位置之间的连线的距离来确定。例如,店铺的所在位置与任一目标设施的可步行距离,可以根据预设的区域地图模型,确定出店铺的所在位置与任一目标设施的所在位置在区域地图模型之间的步行路径的长度,以确定店铺的所在位置与任一目标设施的可步行距离。
可见,通过实施该可选的实施方式,可以将所有目标设施对应的距离参数确定为店铺的区域内设施特征,从而能够合理确定出每一店铺对应的区域内设施特征,进而在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,特征确定模块203确定任一店铺在对应的店铺子区域内的区域店铺特征的具体方式,包括:
确定任一店铺在对应的店铺子区域周围的多个竞品店铺;
确定店铺的所在位置距离任一竞品店铺的距离参数;
将所有竞品店铺对应的距离参数确定为店铺的区域竞品特征。
本发明实施例中,可选的,竞品店铺,可以为店铺在对应的店铺子区域周围的竞品店铺,其中,竞品店铺可以为服务领域与店铺对应的店铺服务领域有交集的周边店铺,或是上架商品的商品参数与店铺对应的预设上架商品的商品参数有交集的周边店铺。可选的,竞品店铺的确定方式可以包括:
获取店铺在对应的店铺子区域外的第二距离范围内的所有其他店铺;
确定店铺和任一其他店铺对应的店铺参数;其中,店铺参数可以包括服务领域集合和/或上架商品的商品参数;
计算店铺对应的店铺参数与任一其他店铺对应的店铺参数之间的相似度;
将与店铺对应的店铺参数之间的相似度高于预设的相似度阈值的其他店铺确定为竞品店铺。
可选的,店铺的所在位置与任一竞品店铺的距离参数,可以包括直线距离或可步行距离中的一种或两种。可选的,店铺的所在位置与任一竞品店铺的直线距离可以通过计算店铺的所在位置与任一竞品店铺的所在位置之间的连线的距离来确定。例如,店铺的所在位置与任一竞品店铺的可步行距离,可以根据预设的区域地图模型,确定出店铺的所在位置与任一竞品店铺的所在位置在区域地图模型之间的步行路径的长度,以确定店铺的所在位置与任一竞品店铺的可步行距离。
可见,通过实施该可选的实施方式,可以将所有竞品店铺对应的距离参数确定为店铺的区域竞品特征,从而能够合理确定出每一店铺对应的区域竞品特征,在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,特征确定模块203确定任一店铺在对应的店铺子区域内的区域店铺特征的具体方式,包括:
获取感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息;
根据设备通信信息,确定店铺在对应的店铺子区域内的区域内人群通信特征。
可选的,感知设备可以包括无线AP,蓝牙设备,无线探针设备以及其他具有设备感知功能的物联网设备中的至少一种。可选的,设备通信信息中可以包括设备的软件信息、操作系统信息、通信运营商信息和设备品牌信息中的至少一种,以便于后续用于统计出不同感知维度的通信终端数量。可选的,区域内人群通信特征可以包括使用至少一种运营商的终端数量、使用至少一种软件的终端数量、使用至少一种操作系统的终端数量和至少一种品牌的终端数量中的至少一种。其中,运营商包括但不限于:中国移动、中国联通、中国电信等运营商,软件包括但不限于:百度视频、网易音乐、腾讯视频、微信等软件,操作系统包括但不限于:ios,android,鸿蒙系统等操作系统,品牌包括但不限于:苹果,华为,荣耀,魅族,三星,小米,oppo,vivo,一加,锤子等品牌。
可见,通过实施该可选的实施方式,可以根据感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息,确定店铺的区域内人群通信特征,从而能够确定出每一店铺对应的区域内人群通信特征,进而在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,特征确定模块203确定任一店铺在对应的店铺子区域内的区域店铺特征的具体方式,包括:
确定任一店铺在对应的店铺子区域内的人群信息;
根据预设的画像匹配数据库,以及人群信息,确定店铺在对应的店铺子区域内的区域内人群画像特征。
可选的,确定任一店铺在对应的店铺子区域内的人群信息可以通过上述感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息确定出店铺子区域内的所有通信终端,并根据每一通信终端匹配出所有的用户信息。
可选的,确定任一店铺在对应的店铺子区域内的人群信息也可以为根据摄像头等图像获取设备确定出店铺子区域内的所有的人脸图像信息,并根据每一人脸图像信息匹配出所有的用户信息。
可选的,画像匹配数据库可以包括有多个用户的设备信息或图像信息与用户的画像特征的对应关系,其中用户的画像特征可以包括但不限于用户的性别、职业、爱好、特长、兴趣、年龄、居住地、消费水平、出行记录和手机软件使用记录等信息。
可选的,最终确定出的区域内人群画像特征可以包括人群常住流动人口统计信息、人群设备品牌统计信息、人群人口属性统计信息、人群居住相关统计信息、人群工作职业统计信息、人群经济消费资产水平统计信息、人群出行统计信息、人群行为偏好统计信息、人群常去设施类别统计信息和人群软件使用类别统计信息中的至少一种。
例如,人群常住流动人口统计信息可以包括区域内人群的常住人口和流动人口统计信息,人群人口属性统计信息可以包括但不限于人群的性别分布、年龄分布、婚姻状态、子女情况、人生阶段、学历等信息,人群居住相关统计信息可以包括人群的住地城市级别、常住城市级别、住地房价水平等信息,人群经济消费资产水平统计信息可以包括人群的经济状况、消费水平和资产水平统计信息,人群行为偏好统计信息可以包括人群行为的餐饮、生活兴趣、运动、生活服务、教育培训、购物、景区、学校、健康医疗、汽车、基础设施、酒店宾馆、休闲、公司企业、金融服务、社会团体、政府机构、居住、周末购物特征、周末行为特征等偏好信息,人群常去设施类别统计信息可以包括但不限于人群的常去学校、常驻小区、常去医院、常去景点、常去运动场所、常去机场车站、常去政府机构、常去酒店、常去银行、常去汽车相关场所等信息,人群软件使用类别统计信息可以包括但不限于人群的金融理财、网上购物、学习教育、旅游出行、实用工具、新闻阅读、影视音乐、社交通讯、生活健康、摄影摄像、育儿亲子、商务办公、游戏等软件类别使用信息。
可见,通过实施该可选的实施方式,可以根据感知设备在任一店铺对应的店铺子区域内感知到的设备通信信息,确定店铺的区域内人群通信特征,从而能够确定出每一店铺对应的区域内人群通信特征,进而在后续能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
作为一个可选的实施方式,销售效果预测网络模型可以包括有预测输出层和同时连接至预测输出层的深层网络特征提取层和浅层网络特征提取层,其中一种示例即Wide&Deep架构网络模型,具体的,其可以包括wide部分和deep部分以及一个最终的LogLoss输出层,其中,wide部分就是一个浅层网络特征提取层,其具体的是一个简单的线性模型y=wx+b。y是我们的预测目标,x是d个特征的向量,w是模型的参数,b是偏差。这里的d个特征包括原始的输入特征和经过转换的特征,具体的,经过转换的特征为交叉积转换(cross-product转换)特征,其目的是为了获取交叉特征对预测目标的影响,给线性模型增加非线性。而deep部分是一个深层网络特征提取层,其具体可以是一个前馈神经网络模型,包括有依次连接的连接层、1024维的ReLU全连接层、512维的ReLU全连接层和256维的ReLU全连接层。
可选的,销售预测模块204将店铺对应的区域店铺特征输入至销售效果预测网络模型中,以确定出店铺的预计销售效果的具体方式,包括:
将店铺对应的区域店铺特征中的区域内人群画像特征输入至深层网络特征提取层;
将店铺对应的除区域内人群画像特征外的其他区域店铺特征输入至浅层网络特征提取层;
获取预测输出层输出的预测结果,根据预测结果确定店铺的预计销售效果。
具体的,上述步骤的一个目的在于,因为的除区域内人群画像特征外的其他区域店铺特征,例如店铺物理特征、区域内人群通信特征、区域内设施特征或区域竞品特征,与店铺的销售效果的直接关联性较大,特征提取深度不需要太深,因此将其放入浅层网络特征提取层中,而区域内人群画像特征与店铺的销售效果的直接关联性较小,需要通过深层网络特征提取层来进行特征提取,以增强模型的记忆能力和泛化能力。
具体的,预测输出层输出的可以是不同销售级别对应的概率值,可以选取概率值最高的销售级别,确定为店铺的预计销售效果。可选的,销售效果预测网络模型可以通过包括有多个已知销售效果级别的训练店铺及对应的区域店铺参数的多级别样本训练集训练得到,具体的,其通过以下步骤被训练:
确定训练模型;其中,训练模型包括有销售效果预测网络模型和参数优化层;
将多级别样本训练集输入至训练模型进行训练,通过参数优化层不断优化销售效果预测网络模型的模型参数,直至销售效果预测网络模型的预测输出层的预测销售效果级别和已知的销售效果级别之间的损失函数值达到收敛,以得到训练好的销售效果预测网络模型。
可选的,多级别样本训练集可以为五级别样本训练集,例如可以将不同店铺的销售额分为五个级别,分别为很好,好,中,差,很差,例如在历史时间段的销售额小于50000元的级别为很差,销售额为50000至100000元的级别为差,销售额为100000至150000元的级别为中,销售额为150000至200000元的级别为好,销售额大于200000元的级别为很好。可选的,基于上述示例,多级别样本训练集也可以为六级别样本训练集或七级别样本训练集,其定义方式和确定方式均可以参照上述示例,事实上任何可以用于实现分类目的的样本训练集的定义方式均应被认为是包括在本发明的保护范围之内的。
可见,通过实施该可选的实施方式,可以将区域内人群画像特征输入至深层网络特征提取层,以及将其他区域店铺特征输入至浅层网络特征提取层,以充分利用不同的网络结构去处理不同特点的特征,从而充分提取出区域店铺特征中的特征信息,进而能够被用于店铺销售效果的预测,以实现更精确更高效的销售效果预测。
实施例三
请参阅图3,图3是本发明实施例公开的又一种基于区域划分的店铺销售效果预测装置。图3所描述的基于区域划分的店铺销售效果预测装置应用于店铺潜力评估预测系统的预测芯片、预测终端或预测服务器(其中,该预测服务器可以为本地服务器或云服务器)中。如图3所示,该基于区域划分的店铺销售效果预测装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
其中,处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一或实施例二所描述的基于区域划分的店铺销售效果预测方法的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一或实施例二所描述的基于区域划分的店铺销售效果预测方法的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的基于区域划分的店铺销售效果预测方法的步骤。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种基于区域划分的店铺销售效果预测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于区域划分的店铺销售效果预测方法,其特征在于,所述方法包括:
确定包括有多个店铺的目标区域;
根据每一所述店铺的位置,对所述目标区域进行区域划分,得到多个所述店铺分别对应的店铺子区域;
确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征;
将所述店铺对应的所述区域店铺特征输入至销售效果预测网络模型中,以确定出所述店铺的预计销售效果;所述销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。
2.根据权利要求1所述的基于区域划分的店铺销售效果预测方法,其特征在于,所述根据每一所述店铺的位置,对所述目标区域进行区域划分,得到多个所述店铺分别对应的店铺子区域,包括:
将所有所述店铺的位置确定为多个离散点;
根据维诺图生成算法,基于所述多个离散点,确定出所述多个离散点对应的维诺图;
将所述维诺图中每一所述离散点对应的划分区域,确定为所述离散点对应的所述店铺对应的店铺子区域。
3.根据权利要求1所述的基于区域划分的店铺销售效果预测方法,其特征在于,所述区域店铺特征包括店铺物理特征、区域内人群通信特征、区域内人群画像特征、区域内设施特征和区域竞品特征中的至少一种;所述店铺物理特征包括店铺面积、店铺位置和店铺地理形态的至少一种。
4.根据权利要求1所述的基于区域划分的店铺销售效果预测方法,其特征在于,所述确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征,包括:
确定任一所述店铺在对应的所述店铺子区域内的多个目标设施;
确定所述店铺的所在位置与任一所述目标设施的距离参数;
将所述所有所述目标设施对应的所述距离参数确定为所述店铺的区域内设施特征;
和/或,
确定任一所述店铺在对应的所述店铺子区域周围的多个竞品店铺;
确定所述店铺的所在位置距离任一所述竞品店铺的距离参数;
将所述所有所述竞品店铺对应的所述距离参数确定为所述店铺的区域竞品特征。
5.根据权利要求1所述的基于区域划分的店铺销售效果预测方法,其特征在于,所述确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征,包括:
获取感知设备在任一所述店铺对应的所述店铺子区域内感知到的设备通信信息;
根据所述设备通信信息,确定所述店铺在对应的所述店铺子区域内的区域内人群通信特征;
和/或,
确定任一所述店铺在对应的所述店铺子区域内的人群信息;
根据预设的画像匹配数据库,以及所述人群信息,确定所述店铺在对应的所述店铺子区域内的区域内人群画像特征。
6.根据权利要求5所述的基于区域划分的店铺销售效果预测方法,其特征在于,所述区域内人群通信特征包括使用至少一种运营商的终端数量、使用至少一种软件的终端数量、使用至少一种操作系统的终端数量和至少一种品牌的终端数量中的至少一种;和/或,所述区域内人群画像特征包括人群常住流动人口统计信息、人群设备品牌统计信息、人群人口属性统计信息、人群居住相关统计信息、人群工作职业统计信息、人群经济消费资产水平统计信息、人群出行统计信息、人群行为偏好统计信息、人群常去设施类别统计信息和人群软件使用类别统计信息中的至少一种。
7.根据权利要求1所述的基于区域划分的店铺销售效果预测方法,其特征在于,所述销售效果预测网络模型包括Deep Crossing架构网络模型和Wide&Deep架构网络模型中的至少一种。
8.根据权利要求3所述的基于区域划分的店铺销售效果预测方法,其特征在于,所述销售效果预测网络模型包括有预测输出层和同时连接至所述预测输出层的深层网络特征提取层和浅层网络特征提取层;所述将所述店铺对应的所述区域店铺特征输入至销售效果预测网络模型中,以确定出所述店铺的预计销售效果,包括:
将所述店铺对应的所述区域店铺特征中的所述区域内人群画像特征输入至所述深层网络特征提取层;
将所述店铺对应的除所述区域内人群画像特征外的其他所述区域店铺特征输入至所述浅层网络特征提取层;
获取所述预测输出层输出的预测结果,根据所述预测结果确定所述店铺的预计销售效果。
9.一种基于区域划分的店铺销售效果预测装置,其特征在于,所述装置包括:
区域确定模块,用于确定包括有多个店铺的目标区域;
区域划分模块,用于根据每一所述店铺的位置,对所述目标区域进行区域划分,得到多个所述店铺分别对应的店铺子区域;
特征确定模块,用于确定任一所述店铺在对应的所述店铺子区域内的区域店铺特征;
销售预测模块,用于将所述店铺对应的所述区域店铺特征输入至销售效果预测网络模型中,以确定出所述店铺的预计销售效果;所述销售效果预测网络模型为通过包括有多个销售效果已知的训练店铺及对应的区域店铺特征的训练数据集训练得到。
10.一种基于区域划分的店铺销售效果预测装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-8任一项所述的基于区域划分的店铺销售效果预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502125.0A CN114239946A (zh) | 2021-12-09 | 2021-12-09 | 基于区域划分的店铺销售效果预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502125.0A CN114239946A (zh) | 2021-12-09 | 2021-12-09 | 基于区域划分的店铺销售效果预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239946A true CN114239946A (zh) | 2022-03-25 |
Family
ID=80754455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111502125.0A Pending CN114239946A (zh) | 2021-12-09 | 2021-12-09 | 基于区域划分的店铺销售效果预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239946A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
-
2021
- 2021-12-09 CN CN202111502125.0A patent/CN114239946A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
CN116777508B (zh) * | 2023-06-25 | 2024-03-12 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lies | Marketing intelligence and big data: Digital marketing techniques on their way to becoming social engineering techniques in marketing | |
Siła-Nowicka et al. | Analysis of human mobility patterns from GPS trajectories and contextual information | |
US8880097B1 (en) | Systems and methods for statistically associating mobile devices to households | |
CN106462627B (zh) | 根据多个位置数据报告分析语义地点和相关数据 | |
Yaeli et al. | Understanding customer behavior using indoor location analysis and visualization | |
Dao et al. | A novel recommendation model of location-based advertising: Context-Aware Collaborative Filtering using GA approach | |
CN105532030B (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
CN114239947A (zh) | 基于多特征的店铺销售效果预测方法及装置 | |
TW201933232A (zh) | 店鋪資訊推薦方法、裝置及用戶端 | |
US20230297813A1 (en) | Machine-based prediction of visitation caused by viewing | |
CN108334647A (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
CN108896051B (zh) | 购物导航方法及其装置、电子设备、存储介质 | |
CN108566615A (zh) | 信息推送方法、装置及客户端 | |
WO2020224263A1 (zh) | 商品推荐 | |
CN110148013B (zh) | 一种用户标签分布预测方法、装置及系统 | |
US9635507B2 (en) | Mobile device analytics | |
CN110060085B (zh) | 一种解析广告目标人群线下分布的方法、系统及设备 | |
CN115187311A (zh) | 适用于多行业的店铺选址方法及装置 | |
Tasse et al. | Using user-generated content to understand cities | |
Zhao et al. | Mobile crowd location prediction with hybrid features using ensemble learning | |
Smith | Metrics, locations, and lift: Mobile location analytics and the production of second-order geodemographics | |
CN114239946A (zh) | 基于区域划分的店铺销售效果预测方法及装置 | |
CN111597279A (zh) | 基于深度学习的信息预测方法及相关设备 | |
Rahimipour et al. | A hybrid of neuro-fuzzy inference system and hidden Markov Model for activity-based mobility modeling of cellphone users | |
Celik et al. | Semantic place prediction from crowd-sensed mobile phone data |
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 |