CN114386708A - 一种门店客流量的预测方法和系统 - Google Patents
一种门店客流量的预测方法和系统 Download PDFInfo
- Publication number
- CN114386708A CN114386708A CN202210061981.5A CN202210061981A CN114386708A CN 114386708 A CN114386708 A CN 114386708A CN 202210061981 A CN202210061981 A CN 202210061981A CN 114386708 A CN114386708 A CN 114386708A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- store
- stores
- time period
- target time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 2
- 230000008569 process Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000013410 fast food Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
本申请实施例公开了一种门店客流量的预测方法。所述门店客流量的预测方法包括：获取预设范围内的多个门店的相关信息；基于客流量预测模型对多个门店的相关信息以及关联关系进行处理，确定目标门店在目标时间段的客流量；客流量预测模型包括客流量嵌入层和预测层；其中，客流量嵌入层确定多个门店的客流量特征；预测层基于所述多个门店的流量特征，确定目标门店在目标时间段的客流量。
Description
技术领域
本说明书涉及计算机信息处理领域，特别涉及一种门店客流量的预测方法和系统。
背景技术
准确预测未来某个时间段门店的客流量对于门店的运营有重要意义。例如，门店管理人员可以根据预测的客流量来更合理地安排员工排班与营业时间、准备售卖商品的数量、指导零售商的进货和库存计划。但是门店的客流量受很多因素的影响，较难准确预测未来某个时间段的客流量。
因此，需要提供一种门店客流量的预测方法和系统，以较高的效率得到较为准确的门店客流量的预测值。
发明内容
本说明书实施例之一提供一种门店客流量的预测方法，所述门店客流量的预测方法包括：获取预设范围内的多个门店的相关信息，所述多个门店包括目标门店和与所述目标门店存在关联关系的多个关联门店，所述相关信息包括目标时间点之前的历史目标时间段所述多个门店与客流量相关的信息；基于客流量预测模型对所述多个门店的相关信息以及所述关联关系进行处理，确定所述目标门店在所述目标时间点之后的目标时间段的客流量；所述客流量预测模型为机器学习模型，所述客流量预测模型包括客流量嵌入层和预测层；其中，所述客流量嵌入层确定所述多个门店的客流量特征；所述客流量嵌入层为GNN模型，以所述多个门店作为图的节点，以所述关联关系作为所述图的边；所述预测层基于所述多个门店的客流量特征，确定所述目标门店在所述目标时间段的客流量，所述预测层为全连接层；所述客流量预测模型通过端对端的学习方式训练得到。
本说明书实施例之一提供一种门店客流量的预测系统，所述系统包括获取模块和确定模块；所述获取模块用于获取预设范围内的多个门店的相关信息，所述多个门店包括目标门店和与所述目标门店存在关联关系的多个关联门店，所述相关信息包括目标时间点之前的历史目标时间段所述多个门店与客流量相关的信息；所述确定模块用于基于客流量预测模型对所述多个门店的相关信息以及所述关联关系进行处理，确定所述目标门店在所述目标时间点之后的目标时间段的客流量；所述客流量预测模型为机器学习模型，所述客流量预测模型包括客流量嵌入层和预测层；其中，所述客流量嵌入层确定所述多个门店的客流量特征；所述客流量嵌入层为GNN模型，以所述多个门店作为图的节点，以所述关联关系作为所述图的边；所述预测层基于所述多个门店的流量特征，确定所述目标门店在所述目标时间段的客流量，所述预测层为全连接层；所述客流量预测模型通过端对端的学习方式训练得到。
本说明书实施例之一提供一种门店客流量的预测装置，包括处理器，所述处理器用于执行所述门店客流量的预测方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行所述门店客流量的预测方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的门店客流量的预测系统100的应用场景示意图；
图2是根据本说明书一些实施例所示的使用客流量预测模型预测目标门店在目标时间段的客流量的示例性结构流程图；
图3是根据本说明书一些实施例所示的门店流量图的示例性示意图；
图4是根据本说明书一些实施例所示的客流量预测模型的训练方法的示例性流程图；
图5是根据本说明书一些实施例所示的获取当前门店客流量/历史目标时间段客流量的方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的门店客流量的预测系统100的应用场景示意图。
在应用场景中可以包括服务器110、网络120、至少两个门店终端130、数据库140和其他数据源150。服务器110可包含处理设备112。
在一些实施例中，门店客流量的预测系统100可以通过实施本说明书中披露的方法和/或过程来得到目标门店在目标时间点之后的目标时间段的客流量预测值。
在一些应用场景中，使用至少两个门店终端130的用户可以包括门店的店主，也可以包括门店内的服务人员。
在一些实施例中，可以通过至少两个门店终端130和/或其他数据源150，获取多个门店的客流量的相关信息，经服务器110处理后确定目标门店在目标时间点之后的目标时间段的客流量预测值。服务器110在处理时可以获取数据库140上的数据或将数据保存到数据库140。本说明书中的操作可以通过处理设备112执行程序指令进行。上述方式仅为方便理解，本系统亦可以其他可行的操作方式实施本说明书中的方法。
在一些实例中，可以在不同的设备上分别进行不同的功能，比如数据的筛选、查询、预处理、模型的训练、模型的执行等等，在此不作限制。
在一些实施例中，服务器110、至少两个门店终端130以及其他可能的系统组成部分中可以包括数据库140。
在一些实施例中，服务器110、至少两个门店终端130以及其他可能的系统组成部分中可以包括处理设备112。
服务器110与至少两个门店终端130可以通过网络120相连，数据库140可以与服务器110通过网络120相连，也可以直接连接于服务器110或者处于服务器110的内部。数据库140、其他数据源150可与网络120连接以与门店客流量的预测系统100的一个或多个组件通讯。门店客流量的预测系统100的一个或多个组件可通过网络120访问存储于数据库140和其他数据源150中的资料或指令。
服务器110可以用于管理资源以及处理来自本系统至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)，可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，服务器110可包含处理设备112。处理设备112可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本申请中描述的功能。在一些实施例中，处理设备112可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理设备112可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可以连接系统的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点120-1、120-2、…，通过这些进出点，门店客流量的预测系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。
门店终端130指门店内的一个或多个终端设备或软件。在一些实施例中，使用门店终端130的可以是一个或多个用户，可以包括门店的店主，也可以包括其他相关人员。在一些实施例中，门店终端130可以是移动设备、平板计算机、膝上型计算机、台式计算机等其他具有输入和/或输出功能的设备中的一种或其任意组合。
数据库140可以用于存储数据和/或指令。数据库140在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。在一些实施例中，数据库140可包括大容量存储器、可移动存储器、挥发性读写存储器(例如，随机存取存储器RAM)、只读存储器(ROM)等或以上任意组合。示例性的，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，数据库140可在云平台上实现。
其他数据源150可以用于为所述系统提供其他信息的一个或多个来源。其他数据源150可以是一个或多个设备，可以是一个或多个应用程序接口，可以是一个或多个数据库查询接口，可以是一个或多个基于协议的信息获取接口，可以是其他可获取信息的方式，可以是上述方式两种或多种的组合。信息源所提供的信息，可以是在提取信息时已存在的，也可以是在提取信息时临时生成的，也可以是上述方式的组合。在一些实施例中，其他数据源150可以用于为系统提供门店的点评信息、历史目标时间段的订单信息、天气信息以及门店周围交通状况等等。
图2是根据本说明书一些实施例所示的使用客流量预测模型预测目标门店在目标时间段的客流量的示例性结构流程图。如图2所示，流程200包括下述步骤。在一些实施例中，流程200可以由处理设备(例如，处理设备112)执行。
步骤210，获取预设范围内的多个门店的相关信息，多个门店包括目标门店和与目标门店存在关联关系的多个关联门店。在一些实施例中，该步骤可以由获取模块执行。
在一些实施例中，门店可以为将商品或者服务传递给最终消费者或者机构的实体销售服务场所。在一些实施例中，目标门店可以为需要预测其在目标时间段的客流量的门店，关联门店可以为与目标门店存在关联关系的门店。例如，在某一商场中，有面包店、咖啡馆、服装店、快餐店以及电影院等，其中，可以将快餐店作为目标门店，将商场内的其他门店作为关联门店。在一些实施例中，预设范围可以为基于预测需要设置的一个范围。例如，预设范围可以为在某一个商场内。又例如，预设范围可以为以目标门店为中心的一定面积的商业区域。
在一些实施例中，相关信息可以为直接或间接反映门店在目标时间段客流量的数据和/或信息。例如，相关信息可以包括门店的被评价信息。在一些实施例中，相关信息可以包括目标时间点之前的历史目标时间段内多个门店与客流量相关的信息。目标时间点可以为当前或未来的某一个时间点，目标时间段可以为目标时间点之后的某一个时间段，历史目标时间段可以为目标时间点之前的某一个时间段。例如，当前时间为北京时间上午9:00，目标时间段可以为当天的北京时间14:00-15:00或14:30-15:30，历史时间段可以为当天的北京时间10:00-11:00、11:00-12:00等。在一些实施例中，目标时间段和历史时间段可以针对特定时期。例如，目标时间段和历史时间段可以是周末、星期三等。目标时间段和历史时间段可以是一天中特定的时间段。例如，历史时间段可以是下午15:00-17:00，目标时间段可以是晚上吃饭时间段，如，17:00-18:00、18:00-19:00、19:00-20:00等。
在一些实施例中，目标时间段和历史时间段可以针对特定时期。例如，目标时间段和历史时间段可以是周末、星期三等。目标时间段和历史时间段可以是一天中特定的时间段。例如，历史时间段可以是下午15:00-17:00，目标时间段可以是晚上吃饭时间段，如，17:00-18:00、18:00-19:00、19:00-20:00等。
在一些实施例中，相关信息可以包括门店类型、被评价信息、历史目标时间段订单信息、历史目标时间段客流量和当前客流量中的至少一种。
在一些实施例中，可以按照门店经营的商品和/或服务的种类来确定门店类型。例如，门店类型可以包括商场、便利店、超市、咖啡店、餐饮店、图书馆、电影院等。
在一些实施例中，被评价信息可以为消费者对门店的点评记录。例如，被评价信息可以为点评网站、外卖APP等线上平台上展示的与门店相关的点评记录。被评价信息可以反映门店平时的客流量。例如，被评价信息越多，说明去过门店消费的人员越多。又例如，被评价信息中好评所占比率较大，说明未来可能会有更多的人员去门店消费。
在一些实施例中，历史目标时间段可以为已经过去的与目标时间段对应的时间段。例如，当前时间为周二的北京时间上午9:00，目标时间段为周二的北京时间下午5:00～6:00，历史目标时间段可以为周一的北京时间下午5:00～6:00。历史目标时间段订单可以指在历史目标时间段接收和/或完成的订单。在一些实施例中，历史目标时间段订单信息可以包括历史目标时间段内的订单数量、订单完成状态(例如，完成或者取消等)、订单的评价信息(例如，好评或者差评等)、订购商品的种类、订购商品的数量、以及订购商品的金额等，或其任意组合。
在一些实施例中，客流量可以为门店内人员的数量。在一些实施例中，当前客流量可以为当前时间点的客流量。在一些实施例中，历史目标时间段客流量可以为历史目标时间段内的客流量。当前客流量和历史目标时间段客流量可以较大程度的反映未来某个时间段门店的客流量。例如，目标时间段为本周六的用餐高峰期，将上一周周六的用餐高峰期作为历史目标时间段，则历史目标时间段的客流量可以较大程度地反映目标时间段的客流量。
处理设备可以通过多种方式获取门店的相关信息。例如，处理设备可以通过其他数据源150获取的门店的注册信息来获取门店的类型。又例如，处理设备可以通过查询线上平台的相关信息来获取门店的被评价信息和历史目标时间段订单信息等。
关于处理设备获取当前客流量和历史目标时间段客流量的一个实施例可以参见图5及其相关说明。
在一些实施例中，相关信息还包括门店内的无线信号相关信息。无线信号相关信息可以包括但不限于：门店是否提供无线信号、门店内无线信号接入的方式，以及门店某个范围内信号强度大于阈值的个数等。无线信号相关信息在一定程度上可以影响门店内的客流量。例如，在相同的条件下，消费者在提供无线信号的门店内停留的时间可能会更久，因为可以使用门店内的无线信号进行娱乐活动或者工作。又例如，对于需要在门店(例如，咖啡馆)内使用网络的消费者来说，更愿意选择无线信号较强的门店。
在一些实施例中，关联关系可以包括门店之间(例如，目标门店与关联门店之间，关联门店与关联门店之间)的与客流量相关的多种关系。例如，目标门店与关联门店之间业务的相关性。
在一些实施例中，关联关系包括多个门店之间的距离关系、位置关系和/或业务关系。
在一些实施例中，距离关系可以表示门店之间的远近程度。距离关系可以在一定程度上反映门店之间的客流量的相互影响。例如，游乐场的客流量增加，与其相邻的玩具店的客流量也会相应增加。
在一些实施例中，位置关系包括目标门店与关联门店是否在同一建筑物中、是否跨街道、是否属于同一个商圈中的至少一种。位置关系可以在一定程度上反映门店之间的客流量的相互影响。例如，与目标门店处于同一建筑物中的关联门店，相比需要跨街道的关联门店，其客流量对于目标门店的影响更大。
在一些实施例中，业务关系包括业务相似性和/或业务继承性。
在一些实施例中，业务相似性可以为门店之间的业务的相似程度。例如，售卖手机配件的门店之间的业务相似性较高，售卖手机配件的门店与餐饮门店之间的业务相似性则较低。业务相似性可以在一定程度上反映门店之间的客流量的相互影响。例如，目标门店为餐饮店，则同为餐饮店的关联门店，其客流量对目标门店的客流量影响就会较大。
在一些实施例中，业务继承性可以为消费者去一个门店消费时，同时或者后续去其他门店消费的可能性。例如，因为有较大比例的消费者在看完电影后会选择在电影院旁边吃午饭，因此电影院与电影院附近的餐饮店之间的继承性较高。
步骤220，基于客流量预测模型对多个门店的相关信息以及关联关系进行处理，确定目标门店在目标时间点之后的目标时间段的客流量。在一些实施例中，该步骤可以由客流量预测模块执行。
在一些实施例中，客流量预测模型可以为训练好的用于预测未来某个时间段门店客流量的机器学习模型。客流量预测模型可以基于多种机器学习模型构建，例如，长短期记忆网络(Long Short-Term Memory，LSTM)模型、门控循环单元(Gate Recurrent Unit，GRU)模型和图神经网络(Graph Neural Networks，GNN)模型等。
在一些实施例中，客流量预测模型可以包括客流量嵌入层和预测层。
在一些实施例中，客流量嵌入层可以用于处理相关信息和关联关系，提取多个门店的客流量特征。在一些实施例中，客流量嵌入层的输入可以是将相关信息和关联关系进行预处理(例如，归一化、离散化等)得到的特征数据，客流量嵌入层的输出可以是向量形式的多个门店的客流量特征。客流量嵌入层可以基于多种机器学习模型构建。在一些实施例中，客流量嵌入层可以包括但不限于：长短期记忆网络(Long Short-Term Memory，LSTM)模型、门控循环单元(Gate Recurrent Unit，GRU)模型和图神经网络(Graph NeuralNetworks，GNN)模型等。
在一些实施例中，客流量嵌入层为GNN模型，关于该GNN模型的更多描述可以参见图3及其相关说明。
在一些实施例中，预测层可以基于客流量嵌入层提取的目标门店的客流量特征，确定目标门店在目标时间点之后的目标时间段的客流量。在一些实施例中，预测层的输入可以是目标门店的客流量特征，预测层的输出可以是目标门店在目标时间点之后的目标时间段的客流量。预测层输出的客流量可以有多种表示方式。例如，可以使用客流等级来表示客流量。客流等级可以用数字来表示，例如，1表示客流量少于3人，10表示门店的人员数量已经达到饱和的情况。预测层可以基于多种机器学习模型构建。在一些实施例中，预测层可以包括但不限于：决策树(Decision Tree)、随机森林(Random Forest，RF)以及支持向量机(Support Vector Machine，SVM)等。
在一些实施例中，预测层可以为全连接层。该全连接层可以基于客流量嵌入层提取的目标门店的客流量特征，预测目标门店在目标时间点之后的目标时间段的客流量。
在一些实施例中，客流量预测模型通过端对端的学习方式训练得到，关于客流量预测模型的训练方法的更多描述请参见图4及其相关说明。
本说明书的一些实施例所述的方法，在预测目标门店的客流量时，不仅考虑目标门店本身的相关信息，同时也考虑了门店之间客流量的相互影响，因此使得预测结果更加准确。在一些实施例中，使用机器学习模型来处理多个门店的相关信息，以及多个门店之间的关联关系，可以以较高的处理效率得到较为准确的测试结果。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，客流量预测模型的预测层的输入可以为多个门店的客流量特征，输出可以为多个门店在目标时间段的客流量。
图3是根据本说明书一些实施例所示的门店流量图的示例性示意图。
在一些实施例中，客流量预测模型中的客流量嵌入层为GNN模型，该GNN模型以多个门店作为图的节点，以关联关系作为图的边。为了便于描述，在本说明书的一个或多个实施例中，与该GNN模型对应的图称为门店客流量图。
如图3所示，门店客流量图包括多个节点(例如，门店1、门店2等)，其中，门店1为目标门店，其他门店为关联门店。门店客流量图还包括多个边(例如，边1、边2等)，其中，边用于表示多个门店之间的关联关系。
在一些实施例中，门店客流量图的节点特征可以包括相关信息和环境信息。在一些实施例中，环境信息可以包括但不限于：天气信息、门店周围的交通状况等。环境信息在一定程度上可以影响门店的客流量。例如，下雨的天气相对于晴天，门店的客流量可能会相对较少。又例如，门店周围交通拥堵情况下，消费者可能会选择其他交通较为便利的门店去消费，因此也会影响到门店的客流量。关于相关信息的更多描述可以参见图2及其相关说明。
在一些实施例中，处理设备可以将相关信息和环境信息进行预处理后，作为门店客流量图的节点特征。例如，处理器可以使用one-hot编码对门店类型、被评价信息等进行数字化。又例如，处理器可以将订单数量进行分箱处理以使其离散化。
在一些实施例中，门店客流量图的边的特征可以为关联关系。关于关联关系的更多描述可以参见图2及其相关说明。
在一些实施例中，处理设备可以将关联关系进行预处理后，作为门店客流量图的边特征。例如，处理器可以使用one-hot编码对位置关系、业务关系等进行数字化。又例如，处理器可以将门店之间的距离进行分箱处理以使其离散化。
本说明书的一些实施例所述的方法，使用GNN模型处理目标门店的相关信息和关联门店的相关信息，使得客流量嵌入层提取的客流量特征充分融合了关联门店的客流量对目标门店客流量的影响，从而使得目标门店的客流量预测结果更加准确。
图4是根据本说明书一些实施例所示的客流量预测模型的训练方法的示例性流程图。
步骤410，获取训练样本。在一些实施例中，该步骤可以由训练模块执行。
在一些实施例中，训练样本可以包含多个样本门店的样本相关信息和样本环境信息、以及多个样本门店之间的样本关联关系，其中，多个样本门店包括样本目标门店和样本关联门店。训练样本的标签为样本目标门店在样本历史目标时间段的客流量值。训练样本可以为历史真实数据，处理设备可以通过常用的方式来获取训练样本，例如网络下载、数据库提取等方式。
步骤420，基于训练样本对客流量预测模型进行端对端的训练。在一些实施例中，该步骤可以由训练模块执行。
在一些实施例中，可以基于训练样本对客流量预测模型进行端对端的训练。在对客流量预测模型进行端对端的训练过程中，处理设备可以将训练样本数据输入到客流量预测模型的客流量嵌入层，然后基于客流量预测模型的预测层输出的客流量预测值使用损失函数得到误差值，其中，损失函数基于预测值与样本数据的标签构建。然后处理设备可以根据误差值使用反向传播算法(Backpropagation algorithm，BP算法)，计算客流量预测模型中所有需要学习的参数(包括客流量嵌入层的参数、预测层的参数等)对应的梯度，并且结合随机梯度下降算法调整客流量预测模型的参数(包括客流量嵌入层的参数、预测层的参数等)，直到模型收敛。
本说明书的一些实施例所述的方法，在客流量预测模型的训练过程中，通过端到端的学习省去了对客流量嵌入层输出的客流量特征的数据标注过程，节约了大量的数据标注的工作量，减少模型训练的时间周期。同时因为端到端的训练方法可以充分考虑各个处理层参数之间的相互关联关系，因此通过端对端学习得到的客流量预测模型可以更加准确的预测门店的客流量。
应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，步骤420可以拆分为两个步骤420-1和420-2，在步骤420-1中构建损失函数，在步骤420-2中对模型进行训练。
图5是根据本说明书一些实施例所示的获取当前门店客流量/历史目标时间段客流量的方法的示例性流程图。
步骤510，从当前时间段内/历史目标时间段内门店的视频数据中抽取至少一帧图像数据。在一些实施例中，该步骤可以由客流量获取模块执行。
在一些实施例中，处理设备可以通过门店终端130获取门店在当前时间段和/或历史目标时间段的视频数据，其中，视频数据可以由监控设备拍摄得到。处理设备还可以通过其他方式获取视频数据，在此不做限制。视频数据的格式可以包括但不限于：MP4格式，MKV格式，M4A格式，MP3格式，FLV格式以及3GP格式等。
在一些实施例中，处理设备可以从视频数据中抽取至少一帧图像数据用于后续处理。例如，处理设备可以从视频数据中抽取分辨率较高的一张或者多张图像数据。
在一些实施例中，为了获取画面质量较高的图像数据，处理设备可以从视频数据中，抽取码流值大于预设阈值的图像数据。预设阈值可以为按照经验预先设置的码流值。
步骤520，基于训练好的客流量判断模型对至少一帧图像数据进行处理，确定门店的当前客流量/历史目标时间段客流量。在一些实施例中，该步骤可以由客流量获取模块执行。
在一些实施例中，客流量判断模型可以对图像数据进行处理，得到门店的当前客流量和/或历史目标时间段客流量。例如，将与当前时间段对应的图像数据输入客流量判断模型，可以得到门店的当前客流量。又例如，将与历史目标时间段对应的图像数据输入客流量判断模型，可以得到门店的历史目标时间段客流量。
在一些实施例中，客流量判断模型的输入可以为图像数据。在一些实施例中，客流量判断模型的输出可以为客流量。客流量判断模型输出的客流量可以有多种表示方式。例如，可以使用客流等级来表示客流量。又例如，可以使用人数来表示客流量。
在一些实施例中，客流量判断模型可以包括但不限于：卷积神经网络模型、深度神经网络模型等。
在一些实施例中，客流量判断模型为卷积神经网络模型，客流量判断模型的卷积核的参数基于预先训练好的图像识别模型中的卷积核迁移得到。例如，可以使用多组样本数据训练图像识别模型，其中，样本数据包括作为模型输入的图像数据和标签，标签为图像中的人员数量，将训练好的图像识别模型的卷积核作为客流量判断模型的卷积核。在一些实施例中，图像识别模型中的卷积核可以包含多个网络层，对于输入的图像数据可以作以下运算：卷积运算(Convolution，Conv)、归一化运算(Normalization)、激活运算(例如，ReLU函数)以及降维运算(例如，最大池化)等。
本说明书的一些实施例所述的方法，使用卷积神经网络模型处理图像数据，可以得到较为准确的当前客流量/历史目标时间段客流量。
应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，客流量判断模型可以基于深度神经网络模型构建。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种门店客流量的预测方法，其特征在于，所述方法包括：
获取预设范围内的多个门店的相关信息，所述多个门店包括目标门店和与所述目标门店存在关联关系的多个关联门店，所述相关信息包括目标时间点之前的历史目标时间段所述多个门店与客流量相关的信息；
基于客流量预测模型对所述多个门店的相关信息以及所述关联关系进行处理，确定所述目标门店在所述目标时间点之后的目标时间段的客流量；
所述客流量预测模型为机器学习模型，所述客流量预测模型包括客流量嵌入层和预测层；其中，
所述客流量嵌入层确定所述多个门店的客流量特征；所述客流量嵌入层为GNN模型，以所述多个门店作为图的节点，以所述关联关系作为所述图的边；
所述预测层基于所述多个门店的客流量特征，确定所述目标门店在所述目标时间段的客流量，所述预测层为全连接层；
所述客流量预测模型通过端对端的学习方式训练得到。
2.如权利要求1所述的方法，其特征在于，所述相关信息还包括当前客流量和/或所述历史目标时间段客流量，所述当前客流量或者所述历史目标时间段客流量通过以下方式获取：
对于所述多个门店中的每一个，
从当前时间段内或者历史目标时间段内所述门店的视频数据中抽取至少一帧图像数据，其中，所述至少一帧图像数据为所述视频数据中码流值大于预设阈值的图像；
基于训练好的客流量判断模型对所述至少一幅图像数据进行处理，确定所述门店的所述当前客流量或者所述历史目标时间段客流量。
3.如权利要求2所述的方法，其特征在于，所述客流量判断模型为卷积神经网络模型，所述客流量判断模型的卷积核的参数基于预先训练好的图像识别模型中的卷积核迁移得到。
4.如权利要求2所述的方法，其特征在于，所述相关信息还包括门店内无线信号相关信息。
5.一种门店客流量的预测系统，其特征在于，所述系统包括获取模块和确定模块；
所述获取模块用于获取预设范围内的多个门店的相关信息，所述多个门店包括目标门店和与所述目标门店存在关联关系的多个关联门店，所述相关信息包括目标时间点之前的历史目标时间段所述多个门店与客流量相关的信息；
所述确定模块用于基于客流量预测模型对所述多个门店的相关信息以及所述关联关系进行处理，确定所述目标门店在所述目标时间点之后的目标时间段的客流量；
所述客流量预测模型为机器学习模型，所述客流量预测模型包括客流量嵌入层和预测层；其中，
所述客流量嵌入层确定所述多个门店的客流量特征；所述客流量嵌入层为GNN模型，以所述多个门店作为图的节点，以所述关联关系作为所述图的边；
所述预测层基于所述多个门店的客流量特征，确定所述目标门店在所述目标时间段的客流量，所述预测层为全连接层；
所述客流量预测模型通过端对端的学习方式训练得到。
6.如权利要求5所述的系统，其特征在于，所述相关信息还包括当前客流量和/或所述历史目标时间段客流量，所述当前客流量或者所述历史目标时间段客流量通过以下方式获取：
对于所述多个门店中的每一个，
从当前时间段内或者历史目标时间段内所述门店的视频数据中抽取至少一帧图像数据，其中，所述至少一帧图像数据为所述视频数据中码流值大于预设阈值的图像；
基于训练好的客流量判断模型对所述至少一幅图像数据进行处理，确定所述门店的所述当前客流量或者所述历史目标时间段客流量。
7.如权利要求5所述的系统，其特征在于，所述客流量判断模型为卷积神经网络模型，所述客流量判断模型的卷积核的参数基于预先训练好的图像识别模型中的卷积核迁移得到。
8.如权利要求6所述的系统，其特征在于，所述相关信息还包括门店内无线信号相关信息。
9.一种门店客流量的预测装置，包括处理器，其特征在于，所述处理器用于执行权利要求1～4中任一项所述的门店客流量的预测方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4任一项所述的门店客流量的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210061981.5A CN114386708A (zh) | 2022-01-19 | 2022-01-19 | 一种门店客流量的预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210061981.5A CN114386708A (zh) | 2022-01-19 | 2022-01-19 | 一种门店客流量的预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114386708A true CN114386708A (zh) | 2022-04-22 |
Family
ID=81204117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210061981.5A Pending CN114386708A (zh) | 2022-01-19 | 2022-01-19 | 一种门店客流量的预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114386708A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759472A (zh) * | 2022-12-07 | 2023-03-07 | 北京轨道交通路网管理有限公司 | 客流信息的预测方法、装置及电子设备 |
-
2022
- 2022-01-19 CN CN202210061981.5A patent/CN114386708A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759472A (zh) * | 2022-12-07 | 2023-03-07 | 北京轨道交通路网管理有限公司 | 客流信息的预测方法、装置及电子设备 |
| CN115759472B (zh) * | 2022-12-07 | 2023-12-22 | 北京轨道交通路网管理有限公司 | 客流信息的预测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200342550A1 (en) | Methods and systems for generating restaurant recommendations | |
| CN110334289B (zh) | 出行目的地的确定方法和目标用户的确定方法 | |
| CN107835231B (zh) | 反馈信息的处理方法及终端设备 | |
| US9183497B2 (en) | Performance-efficient system for predicting user activities based on time-related features | |
| US11334914B2 (en) | Mapping mobile device interactions and location zones in a venue for use in sending notifications | |
| US20130103539A1 (en) | Intelligent shopping assistant | |
| US11151587B2 (en) | Intelligent marketing using group presence | |
| US10445386B2 (en) | Search result refinement | |
| CN112256977B (zh) | 组件化商品推荐方法、计算设备和计算机存储介质 | |
| WO2018133988A1 (en) | Optimizing human and non-human resources in retail environments | |
| JP7078053B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| JP2023507043A (ja) | データ処理方法、装置、機器、記憶媒体及びコンピュータプログラム | |
| CN109428929A (zh) | 目标对象的位置信息的确定方法、服务器及用户客户端 | |
| JP2023508172A (ja) | リソース割り当て方法、装置、設備、記憶媒体及びコンピュータプログラム | |
| US20190220871A1 (en) | Physical product interaction based session | |
| CN115438261A (zh) | 一种触达任务管理方法、装置、终端设备和可读存储介质 | |
| CN114386708A (zh) | 一种门店客流量的预测方法和系统 | |
| CN111104585B (zh) | 一种问题推荐方法及装置 | |
| US11676184B2 (en) | Subscription based travel service | |
| CN106779245B (zh) | 基于事件的民航需求预测方法和装置 | |
| Deksne et al. | Automated System for Restaurant Services. | |
| KR20220122414A (ko) | 인공지능 기반 유저와 판매자의 마이데이터를 활용하여 정기구독 플랫폼에서 큐레이팅 서비스를 제공하는 방법 | |
| CN116739836A (zh) | 一种基于知识图谱的餐饮数据分析方法及系统 | |
| CN111831892A (zh) | 信息推荐方法、信息推荐装置、服务器及存储介质 | |
| CN113239292A (zh) | 一种信息推荐的方法和装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai Applicant after: Xingrong (Shanghai) Information Technology Co.,Ltd. Address before: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai Applicant before: SHANGHAI XINGRONG INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 10g27, No. 2299, Yan'an west road, Changning District, Shanghai 200336 Applicant after: Xingrong (Shanghai) Information Technology Co.,Ltd. Address before: 200131 3rd floor, building 1, No. 400, Fangchun Road, Pudong New Area pilot Free Trade Zone, Shanghai Applicant before: Xingrong (Shanghai) Information Technology Co.,Ltd. |