[發(fā)明專利]一種購物中心店鋪分布規(guī)劃的預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201711087840.6
• 申請日: 2017-11-07
• 公開（公告）號: CN109754106A
• 公開（公告）日: 2019-05-14
• 發(fā)明（設(shè)計）人: 鄭豐帆;盧山;曹燕
• 申請（專利權(quán)）人: 營利度富信息系統(tǒng)（上海）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q30/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

隨著大型購物廣場市場競爭越發(fā)激烈，如何吸引客戶，提高提袋率及消費金額成了當(dāng)務(wù)之急。因為租戶的銷售額與經(jīng)過店鋪門口的人流數(shù)量成正比，合理的店鋪規(guī)劃，優(yōu)化人流運動，最大限度的讓人流經(jīng)過盡量多的店鋪，把該顧客所感興趣的店鋪合理的平均規(guī)劃在購物廣場的各個部分，同時又不把距離拉的太長，可以最大程度的促進(jìn)顧客場內(nèi)消費，達(dá)到購物中心利益最大化。本發(fā)明提供了一種大型購物廣場店鋪消費關(guān)系預(yù)測方法。本方法通過數(shù)據(jù)分析手段，找出看似毫無關(guān)聯(lián)的歷史數(shù)據(jù)之間的內(nèi)在關(guān)系，從而一定程度上的幫助團(tuán)隊彌補(bǔ)經(jīng)驗不足的問題，是購物中心管理團(tuán)隊在規(guī)劃店鋪的一個很好的參考和補(bǔ)充。

技術(shù)領(lǐng)域

本發(fā)明涉及店鋪管理、平面規(guī)劃，個人消費數(shù)據(jù)分析，人工智能，人流動線規(guī)劃與預(yù)測。

背景技術(shù)

隨著大型購物廣場市場競爭越發(fā)激烈，如何吸引客戶，提高提袋率及消費金額成了當(dāng)務(wù)之急。

本發(fā)明提供了一種大型購物廣場店鋪消費關(guān)系預(yù)測方法。

發(fā)明內(nèi)容

該發(fā)明通過分析各種指標(biāo)、數(shù)據(jù)，使用關(guān)聯(lián)算法幫助購物中心管理團(tuán)隊發(fā)現(xiàn)各個店鋪之間的隱藏關(guān)聯(lián)，甚至做出簡單的預(yù)測，比如，用戶進(jìn)入過哪類店鋪之后會有很大的幾率進(jìn)入另外哪類店鋪進(jìn)行消費；通過關(guān)聯(lián)分析，建立數(shù)據(jù)模型，可以幫助團(tuán)隊彌補(bǔ)經(jīng)驗不足的問題，是購物中心管理團(tuán)隊在規(guī)劃店鋪的一個很好的參考和補(bǔ)充。

一種基于Apriori算法的改進(jìn)的關(guān)聯(lián)算法：

由Agrawal和Srikant(1994)提出的Apriori算法被認(rèn)為是關(guān)聯(lián)算法中的經(jīng)典。首先找出所有的頻集，這些項集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持度一樣。然后由頻集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度(Support)和最小可信度(Confidence)。然后使用第1步找到的頻集產(chǎn)生期望的規(guī)則，產(chǎn)生只包含集合的項的所有規(guī)則，其中每一條規(guī)則的右部只有一項，這里采用的是中規(guī)則的定義。一旦這些規(guī)則被生成，那么只有那些大于用戶給定的最小可信度的規(guī)則才被留下來。因為反復(fù)與數(shù)據(jù)庫中的事務(wù)(t)記錄比較，要耗費大量的時間與內(nèi)存空間，所以Apriori效率較低，當(dāng)數(shù)據(jù)項目集(k)很大時，很可能耗盡計算機(jī)的所有資源導(dǎo)致計算失敗。針對原始Apriori算法的缺點，本發(fā)明在原始算法的基礎(chǔ)上做出改進(jìn)。在候選頻繁項目集Ck的產(chǎn)生過程中，刪除其中不必要的掃描事務(wù)，壓縮事務(wù)數(shù)據(jù)庫，提高掃描的效率，減少全表掃描的次數(shù)，節(jié)省系統(tǒng)的開銷。

步驟1：找到頻繁項集L2，并對L2中的項按支持度由小到大排序；

步驟2：采用優(yōu)化連接策略生成候選(k-1)項集Ck-1(k＞2)(項集中的項按它在整個數(shù)據(jù)庫中出現(xiàn)的頻率按升序排序)；

步驟3：由最小支持度生成頻繁(k-1)項集Lk-1，再在Lk-1中找出所有單個項目的頻度小于k的單個項目，記為I。在Lk-1中刪除所有包含I中元素的所有頻繁項目集，得到一個新的更小的L′k-1，再連接生成Ck；

步驟4：記IMk為所有k項頻繁項目集的單個項目組成的集合，刪除事務(wù)中所包含的單個項目a∈(IMk-1-IMk)。同時給不包含Ck中的任何項集的事務(wù)分3種情況打上刪除標(biāo)記，并刪除得到新的數(shù)據(jù)庫D1，再掃描數(shù)據(jù)庫D1，計算Ck中各個項集的支持度；

步驟5：將Ck中不滿足最小支持度的項集刪掉，生成Lk；

步驟6重復(fù)步驟5直到不能產(chǎn)生新的頻繁項目集的集合時為止。

改進(jìn)的Apriori算法流程圖參見圖1。

一般最小置信度閾值和最小支持度閾值需要由用戶根據(jù)實際需求調(diào)節(jié)。置信度和支持度大于相應(yīng)最小閾值的規(guī)則被認(rèn)為是有效的、有參考意義的，稱為強(qiáng)關(guān)聯(lián)規(guī)則，反之稱為弱關(guān)聯(lián)規(guī)則。

附圖說明

圖1本發(fā)明所涉及的改進(jìn)的Apriori算法流程圖