CN114463054A - 基于一卡通的园区门店客流量预测方法及系统 - Google Patents

Abstract

本发明公开了基于一卡通的园区门店客流量预测方法及系统，属于大数据技术领域，本发明要解决的技术问题为如何根据客流量调整产品库存，帮助高校、工业园区等商户更好经营，采用的技术方案为：该方法是根据园区内总人数，结合用户的消费时间及每个时段的消费人数，根据当日门店总消费人数及各个时间段客流量，统计各个门店日均客流量及分时段客流量，进而预测对应门店及对应时段的客流量。该系统包括获取模块、确定模块、计算模块、预测模块及优化模块。

Description

基于一卡通的园区门店客流量预测方法及系统

技术领域

本发明涉及大数据技术领域，具体地说是一种基于一卡通的园区门店客流量预测方法及系统。

背景技术

在信息技术发展的时代，一卡通成为高校、工业园区等数字化建设的重要组成部分。一卡通集身份认证、数据共享、金融消费等功能为一体的信息集成系统，为用户提供方便快捷的服务的同时，系统自身也积累了大量的流水记录信息。因高校、工业园区等人流量大、人均消费水平高、消费周期短、门店竞争压力小，同时加上一卡通的应用，使得用户消费局限在园区内，这意味着人流量固定，因此很多商户乐意在园区内开店。对商户来说，虽然园区内消费群体固定，但是如何根据客流量调整产品库存，帮助高校、工业园区等商户更好经营是目前亟待解决的技术问题。

发明内容

本发明的技术任务是提供一种基于一卡通的园区门店客流量预测方法及系统，来解决如何根据客流量调整产品库存，帮助高校、工业园区等商户更好经营的问题。

本发明的技术任务是按以下方式实现的，一种基于一卡通的园区门店客流量预测方法，该方法是根据园区内总人数，结合用户的消费时间及每个时段的消费人数，根据当日门店总消费人数及各个时间段客流量，统计各个门店日均客流量及分时段客流量，进而预测对应门店及对应时段的客流量。

作为优选，该方法具体如下：

获取消费总人数和各门店消费总人数：基于一卡通流水数据，获取一卡通用户的消费时间和消费地点，并根据每个时段消费人数统计消费总人数和各门店消费总人次；

确定预测周期，并将预测周期加上标签区分；

计算预测系数：基于园区总人次之内，根据历史消费总人数和各门店消费总人次，计算预测系数；

预测客流量：根据历史每个时段消费人数及预测系数预测客流量。

更优地，获取消费总人数和各门店消费总人数具体如下：

基于一卡通流水数据，获取一卡通用户的消费时间和消费时间和消费地点数据；

将一日时间段分为早餐点、上午点、午餐点、下午点、晚餐点、夜宵点及其他点，并根据用户一卡通流水数据中的消费时间和消费地点数据，统计各个门店各个时间段消费总人次；

基于各个时间段消费总人次，统计各门店当日消费总人次N，公式如下：

N＝M_早+M_上+M_午+M_下+M_晚+M_夜+M_其他；

其中，M_早表示早餐点消费人次；M_上表示上午点消费人次；M_午表示午餐点消费人次；M_下表示下午点消费人次；M_晚表示晚餐点消费人次；M_夜表示夜宵点消费人次；M_其他表示其他时间点消费人次。

更优地，预测周期为一天内的任一时间段、任一天、任一周或任一月；

将预测周期加上标签区分是指在确定预测周期后，在预测周期上打上工作日、非工作日及节假日标签，并支持用户自定义标签。

更优地，计算预测系数具体如下：

根据预测周期，计算预测周期内实际客流量的均值，公式如下：

其中，n表示预测周期；N₁、N₂、···N_n表示预测周期内对应门店各时间段客流量；N_均表示预测周期内实际客流量的均值；

根据最靠近预测周期的实际客流量及预测周期内实际客流量的均值计算预测系数，公式如下：

其中，P表示预测系数；Nn表示最靠近预测周期的实际客流量；N_均表示预测周期内实际客流量的均值。

更优地，预测客流量具体如下：

用户参考园区内总人数数据，提出预测周期内理想消费总人次N_理；

根据不同标签预测周期下计算出来的预测系数P，计算预测客流量，公式如下：

N_预＝N_理*P；

其中，N_预表示预测客流量。

更优地，当获取新的历史数据后，优化预测系数；具体如下：

当历史数据不断增加时，剔除历史数据中最前端的实际消费总人数和各门店消费总人次，加入最新实际消费总人数，重新确定预测周期n取值，并重新计算预测系数；

其中，预测周期n取值的确定，以历史数据为基础，通过设定n为不同值的情况下，计算预测客流量与实际值客流量之间的误差，当相对误差小时，取此时n的取值为预测时n的取值。

一种基于一卡通的园区门店客流量预测系统，该系统包括，

获取模块，用于获取消费总人数和各门店消费总人数：基于一卡通流水数据，获取一卡通用户的消费时间和消费地点，并根据每个时段消费人数统计消费总人数和各门店消费总人次；

确定模块，用于确定预测周期，并将预测周期加上标签区分；

计算模块，用于基于园区总人次之内，根据历史消费总人数和各门店消费总人次，计算预测系数；

预测模块，用于根据历史每个时段消费人数及预测系数预测客流量；

优化模块，用于在历史数据不断增加时，剔除历史数据中最前端的实际消费总人数和各门店消费总人次，加入最新实际消费总人数，重新确定预测周期n取值，并优化预测系数。

作为优选，获取模块的工作过程具体如下：

(一)、基于一卡通流水数据，获取一卡通用户的消费时间和消费时间和消费地点数据；

(二)、将一日时间段分为早餐点、上午点、午餐点、下午点、晚餐点、夜宵点及其他点，并根据用户一卡通流水数据中的消费时间和消费地点数据，统计各个门店各个时间段消费总人次；

(三)、基于各个时间段消费总人次，统计各门店当日消费总人次N，公式如下：

N＝M_早+M_上+M_午+M_下+M_晚+M_夜+M_其他；

其中，M_早表示早餐点消费人次；M_上表示上午点消费人次；M_午表示午餐点消费人次；M_下表示下午点消费人次；M_晚表示晚餐点消费人次；M_夜表示夜宵点消费人次；M_其他表示其他时间点消费人次。

更优地，计算模块的工作过程具体如下：

(1)、根据预测周期，计算预测周期内实际客流量的均值，公式如下：

其中，n表示预测周期；N₁、N₂、···N_n表示预测周期内对应门店各时间段客流量；N_均表示预测周期内实际客流量的均值；

(2)、根据最靠近预测周期的实际客流量及预测周期内实际客流量的均值计算预测系数，公式如下：

其中，P表示预测系数；Nn表示最靠近预测周期的实际客流量；N_均表示预测周期内实际客流量的均值；

预测模块的工作过程具体如下：

①、用户参考园区内总人数数据，提出预测周期内理想消费总人次N_理；

②、根据不同标签预测周期下计算出来的预测系数P，计算预测客流量，公式如下：

N_预＝N_理*P；

其中，N_预表示预测客流量。

本发明的基于一卡通的园区门店客流量预测方法及系统具有以下优点：

(一)本发明基于用户在园区内消费流水数据，进行数据挖掘和分析，预测未来园区内商家门店客流量，确保商户根据客流量调整产品库存，帮助高校、工业园区等商户更好经营；

(二)本发明通过提取一卡通用户的消费时间和消费地点，计算不同门店下某一时间消费总人次，并通过设置的预测周期和理想预测周期内消费总人数，计算出预测系数；预测系数需根据数据量增大及时动态调整，使计算结果更加精确；

(三)本发明关注的是以往很少人关注的支持一卡通消费的园区，帮助园区内商家预测客流量来调整自身经营策略；

(四)本发明通过统计一段时间的消费人数，计算门店日均客流量，分时段客流量,获取预测客流量，帮助园区内商户更好经营。

附图说明

下面结合附图对本发明进一步说明。

附图1为基于一卡通的园区门店客流量预测方法的流程框图。

具体实施方式

参照说明书附图和具体实施例对本发明的基于一卡通的园区门店客流量预测方法及系统作以下详细地说明。

实施例1：

如附图1所示，本发明的基于一卡通的园区门店客流量预测方法，该方法是根据园区内总人数，结合用户的消费时间及每个时段的消费人数，根据当日门店总消费人数及各个时间段客流量，统计各个门店日均客流量及分时段客流量，进而预测对应门店及对应时段的客流量；具体如下：

S1、获取消费总人数和各门店消费总人数：基于一卡通流水数据，获取一卡通用户的消费时间和消费地点，并根据每个时段消费人数统计消费总人数和各门店消费总人次；

S2、确定预测周期，并将预测周期加上标签区分；

S3、计算预测系数：基于园区总人次之内，根据历史消费总人数和各门店消费总人次，计算预测系数；

S4、预测客流量：根据历史每个时段消费人数及预测系数预测客流量。

本实施例步骤S1中的获取消费总人数和各门店消费总人数具体如下：

S101、基于一卡通流水数据，获取一卡通用户的消费时间和消费时间和消费地点数据；

S102、将一日时间段分为早餐点、上午点、午餐点、下午点、晚餐点、夜宵点及其他点，并根据用户一卡通流水数据中的消费时间和消费地点数据，统计各个门店各个时间段消费总人次；

S103、基于各个时间段消费总人次，统计各门店当日消费总人次N，公式如下：

N＝M_早+M_上+M_午+M_下+M_晚+M_夜+M_其他；

其中，M_早表示早餐点消费人次；M_上表示上午点消费人次；M_午表示午餐点消费人次；M_下表示下午点消费人次；M_晚表示晚餐点消费人次；M_夜表示夜宵点消费人次；M_其他表示其他时间点消费人次。

本实施例预测周期为一天内的任一时间段、任一天、任一周或任一月；

将预测周期加上标签区分是指在确定预测周期后，在预测周期上打上工作日、非工作日及节假日标签，并支持用户自定义标签。例如一日内某一时间段，如早餐点；或打上工作日，节假日标签；或周几；或是某月，某个季节。

本实施例步骤S3中的计算预测系数具体如下：

S301、根据预测周期，计算预测周期内实际客流量的均值，公式如下：

其中，n表示预测周期；N₁、N₂、···N_n表示预测周期内对应门店各时间段客流量；N_均表示预测周期内实际客流量的均值；

S302、根据最靠近预测周期的实际客流量及预测周期内实际客流量的均值计算预测系数，公式如下：

其中，P表示预测系数；Nn表示最靠近预测周期的实际客流量；N_均表示预测周期内实际客流量的均值。

本实施例步骤S4中的预测客流量具体如下：

S401、用户参考园区内总人数数据，提出预测周期内理想消费总人次N_理；

S402、根据不同标签预测周期下计算出来的预测系数P，计算预测客流量，公式如下：

N_预＝N_理*P；

其中，N_预表示预测客流量。

当获取新的历史数据后，优化预测系数；具体如下：

当历史数据不断增加时，剔除历史数据中最前端的实际消费总人数和各门店消费总人次，加入最新实际消费总人数，重新确定预测周期n取值，并重新计算预测系数；

其中，预测周期n取值的确定，以历史数据为基础，通过设定n为不同值的情况下，计算预测客流量与实际值客流量之间的误差，当相对误差小时，取此时n的取值为预测时n的取值。

实施例2：

本发明的基于一卡通的园区门店客流量预测系统，该系统包括，

获取模块，用于获取消费总人数和各门店消费总人数：基于一卡通流水数据，获取一卡通用户的消费时间和消费地点，并根据每个时段消费人数统计消费总人数和各门店消费总人次；

确定模块，用于确定预测周期，并将预测周期加上标签区分；

计算模块，用于基于园区总人次之内，根据历史消费总人数和各门店消费总人次，计算预测系数；

预测模块，用于根据历史每个时段消费人数及预测系数预测客流量；

优化模块，用于在历史数据不断增加时，剔除历史数据中最前端的实际消费总人数和各门店消费总人次，加入最新实际消费总人数，重新确定预测周期n取值，并优化预测系数。

本实施例中的获取模块的工作过程具体如下：

(一)、基于一卡通流水数据，获取一卡通用户的消费时间和消费时间和消费地点数据；

(二)、将一日时间段分为早餐点、上午点、午餐点、下午点、晚餐点、夜宵点及其他点，并根据用户一卡通流水数据中的消费时间和消费地点数据，统计各个门店各个时间段消费总人次；

(三)、基于各个时间段消费总人次，统计各门店当日消费总人次N，公式如下：

N＝M_早+M_上+M_午+M_下+M_晚+M_夜+M_其他；

其中，M_早表示早餐点消费人次；M_上表示上午点消费人次；M_午表示午餐点消费人次；M_下表示下午点消费人次；M_晚表示晚餐点消费人次；M_夜表示夜宵点消费人次；M_其他表示其他时间点消费人次。

本实施例中的计算模块的工作过程具体如下：

(1)、根据预测周期，计算预测周期内实际客流量的均值，公式如下：

其中，n表示预测周期；N₁、N₂、···N_n表示预测周期内对应门店各时间段客流量；N_均表示预测周期内实际客流量的均值；

(2)、根据最靠近预测周期的实际客流量及预测周期内实际客流量的均值计算预测系数，公式如下：

其中，P表示预测系数；Nn表示最靠近预测周期的实际客流量；N_均表示预测周期内实际客流量的均值；

本实施例中的预测模块的工作过程具体如下：

①、用户参考园区内总人数数据，提出预测周期内理想消费总人次N_理；

②、根据不同标签预测周期下计算出来的预测系数P，计算预测客流量，公式如下：

N_预＝N_理*P；

其中，N_预表示预测客流量。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于一卡通的园区门店客流量预测方法，其特征在于，该方法是根据园区内总人数，结合用户的消费时间及每个时段的消费人数，根据当日门店总消费人数及各个时间段客流量，统计各个门店日均客流量及分时段客流量，进而预测对应门店及对应时段的客流量。

2.根据权利要求1所述的基于一卡通的园区门店客流量预测方法，其特征在于，该方法具体如下：

获取消费总人数和各门店消费总人数：基于一卡通流水数据，获取一卡通用户的消费时间和消费地点，并根据每个时段消费人数统计消费总人数和各门店消费总人次；

确定预测周期，并将预测周期加上标签区分；

计算预测系数：基于园区总人次之内，根据历史消费总人数和各门店消费总人次，计算预测系数；

预测客流量：根据历史每个时段消费人数及预测系数预测客流量。

3.根据权利要求1或2所述的基于一卡通的园区门店客流量预测方法，其特征在于，获取消费总人数和各门店消费总人数具体如下：

基于一卡通流水数据，获取一卡通用户的消费时间和消费时间和消费地点数据；

将一日时间段分为早餐点、上午点、午餐点、下午点、晚餐点、夜宵点及其他点，并根据用户一卡通流水数据中的消费时间和消费地点数据，统计各个门店各个时间段消费总人次；

基于各个时间段消费总人次，统计各门店当日消费总人次N，公式如下：

N＝M_早+M_上+M_午+M_下+M_晚+M_夜+M_其他；

其中，M_早表示早餐点消费人次；M_上表示上午点消费人次；M_午表示午餐点消费人次；M_下表示下午点消费人次；M_晚表示晚餐点消费人次；M_夜表示夜宵点消费人次；M_其他表示其他时间点消费人次。

4.根据权利要求3所述的基于一卡通的园区门店客流量预测方法，其特征在于，预测周期为一天内的任一时间段、任一天、任一周或任一月；

将预测周期加上标签区分是指在确定预测周期后，在预测周期上打上工作日、非工作日及节假日标签，并支持用户自定义标签。

5.根据权利要求4所述的基于一卡通的园区门店客流量预测方法，其特征在于，计算预测系数具体如下：

根据预测周期，计算预测周期内实际客流量的均值，公式如下：

其中，n表示预测周期；N₁、N₂、···N_n表示预测周期内对应门店各时间段客流量；N_均表示预测周期内实际客流量的均值；

根据最靠近预测周期的实际客流量及预测周期内实际客流量的均值计算预测系数，公式如下：

其中，P表示预测系数；Nn表示最靠近预测周期的实际客流量；N_均表示预测周期内实际客流量的均值。

6.根据权利要求5所述的基于一卡通的园区门店客流量预测方法，其特征在于，预测客流量具体如下：

用户参考园区内总人数数据，提出预测周期内理想消费总人次N_理；

根据不同标签预测周期下计算出来的预测系数P，计算预测客流量，公式如下：

N_预＝N_理*P；

其中，N_预表示预测客流量。

7.根据权利要求6所述的基于一卡通的园区门店客流量预测方法，其特征在于，当获取新的历史数据后，优化预测系数；具体如下：

当历史数据不断增加时，剔除历史数据中最前端的实际消费总人数和各门店消费总人次，加入最新实际消费总人数，重新确定预测周期n取值，并重新计算预测系数；

其中，预测周期n取值的确定，以历史数据为基础，通过设定n为不同值的情况下，计算预测客流量与实际值客流量之间的误差，当相对误差小时，取此时n的取值为预测时n的取值。

8.一种基于一卡通的园区门店客流量预测系统，其特征在于，该系统包括，

获取模块，用于获取消费总人数和各门店消费总人数：基于一卡通流水数据，获取一卡通用户的消费时间和消费地点，并根据每个时段消费人数统计消费总人数和各门店消费总人次；

确定模块，用于确定预测周期，并将预测周期加上标签区分；

计算模块，用于基于园区总人次之内，根据历史消费总人数和各门店消费总人次，计算预测系数；

预测模块，用于根据历史每个时段消费人数及预测系数预测客流量；

优化模块，用于在历史数据不断增加时，剔除历史数据中最前端的实际消费总人数和各门店消费总人次，加入最新实际消费总人数，重新确定预测周期n取值，并优化预测系数。

9.根据权利要求8所述的基于一卡通的园区门店客流量预测系统，其特征在于，获取模块的工作过程具体如下：

(一)、基于一卡通流水数据，获取一卡通用户的消费时间和消费时间和消费地点数据；

(二)、将一日时间段分为早餐点、上午点、午餐点、下午点、晚餐点、夜宵点及其他点，并根据用户一卡通流水数据中的消费时间和消费地点数据，统计各个门店各个时间段消费总人次；

(三)、基于各个时间段消费总人次，统计各门店当日消费总人次N，公式如下：

N＝M_早+M_上+M_午+M_下+M_晚+M_夜+M_其他；

其中，M_早表示早餐点消费人次；M_上表示上午点消费人次；M_午表示午餐点消费人次；M_下表示下午点消费人次；M_晚表示晚餐点消费人次；M_夜表示夜宵点消费人次；M_其他表示其他时间点消费人次。

10.根据权利要求8或9所述的基于一卡通的园区门店客流量预测系统，其特征在于，计算模块的工作过程具体如下：

(1)、根据预测周期，计算预测周期内实际客流量的均值，公式如下：

其中，n表示预测周期；N₁、N₂、···N_n表示预测周期内对应门店各时间段客流量；N_均表示预测周期内实际客流量的均值；

(2)、根据最靠近预测周期的实际客流量及预测周期内实际客流量的均值计算预测系数，公式如下：

其中，P表示预测系数；Nn表示最靠近预测周期的实际客流量；N_均表示预测周期内实际客流量的均值；

预测模块的工作过程具体如下：

①、用户参考园区内总人数数据，提出预测周期内理想消费总人次N_理；

②、根据不同标签预测周期下计算出来的预测系数P，计算预测客流量，公式如下：

N_预＝N_理*P；

其中，N_预表示预测客流量。

Images