本發(fā)明涉及大數(shù)據(jù)處理
技術(shù)領(lǐng)域：
，特別涉及一種商場品牌組合預(yù)測方法及預(yù)測服務(wù)器。
背景技術(shù)：
：隨著移動互聯(lián)網(wǎng)的不斷發(fā)展，越來越多的人開始使用如智能手機(jī)、平板電腦等移動終端設(shè)備。同時(shí)，移動互聯(lián)網(wǎng)的廣泛普及也促使移動應(yīng)用的發(fā)展更加迅猛，當(dāng)用戶在移動終端上使用所安裝的移動應(yīng)用時(shí)，會產(chǎn)生一系列狀態(tài)數(shù)據(jù)，例如應(yīng)用信息、移動設(shè)備信息、環(huán)境信息、位置信息等。大量移動設(shè)備的使用產(chǎn)生了海量的數(shù)據(jù)，通過對海量數(shù)據(jù)的處理即可以實(shí)現(xiàn)數(shù)據(jù)變現(xiàn)。在數(shù)據(jù)變現(xiàn)中，提取用戶畫像(即用戶的特征分布情況)、尤其是某些特定圍欄區(qū)域內(nèi)的用戶畫像，對零售商、房產(chǎn)商以及消費(fèi)者都有重要的意義。例如，通過統(tǒng)計(jì)某個(gè)商場內(nèi)的用戶畫像，商場的經(jīng)營者可以分析消費(fèi)者的性別、年齡構(gòu)成，從而可以實(shí)現(xiàn)更精準(zhǔn)、定向的銷售活動。然而，就現(xiàn)有方法而言，線上積累的大量商場室內(nèi)定位數(shù)據(jù)和商場線下銷售活動并沒有得到完美的結(jié)合，難以對商場客群特征、商場內(nèi)品牌組合實(shí)現(xiàn)精準(zhǔn)、有效的分析及預(yù)測處理。技術(shù)實(shí)現(xiàn)要素：為此，本發(fā)明提供一種商場品牌組合預(yù)測的技術(shù)方案，以力圖解決或者至少緩解上面存在的問題。根據(jù)本發(fā)明的一個(gè)方面，提供一種商場品牌組合預(yù)測方法，適于在預(yù)測服務(wù)器中執(zhí)行，預(yù)測服務(wù)器包括數(shù)據(jù)存儲設(shè)備，數(shù)據(jù)存儲設(shè)備中存儲有持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息、各品牌的品牌信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，用戶地理位置信息包括用戶標(biāo)識、經(jīng)緯度、時(shí)間戳和樓層，品牌信息包括品牌名稱、品牌地理位置信息、品牌商品信息和品牌售賣信息，該方法包括如下步驟：從數(shù)據(jù)存儲設(shè)備中獲取用戶地理位置信息和品牌信息，并對其進(jìn)行處理以獲取用戶特征信息和第一品牌特征信息，用戶特征信息包括用戶購買行為和商場內(nèi)行走路線；從數(shù)據(jù)存儲設(shè)備中獲取基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，對品牌信息、用戶特征信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理，以獲取第二品牌特征信息；分別構(gòu)建第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)；將用戶特征信息、第一品牌特征信息和第二品牌特征信息作為第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、用戶購買行為作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲取各品牌的用戶購買概率；將用戶特征信息、第二品牌特征信息和用戶購買概率作為第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、商場內(nèi)行走路線作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以預(yù)測用戶購買概率最大的品牌組合?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，品牌商品信息包括品牌旗下商品名稱、商品價(jià)格、商品數(shù)量、商品上架時(shí)間、商品預(yù)計(jì)下架時(shí)間和是否應(yīng)季?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，品牌售賣信息包括品牌旗下商品名稱、商品售出價(jià)格、商品售出數(shù)量和用戶標(biāo)識?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)包括年齡、性別、收入水平和所屬行業(yè)。可選地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，獲取用戶特征信息和第一品牌特征信息包括：對品牌名稱、品牌地理位置信息和用戶地理位置信息進(jìn)行處理，獲取品牌總停留時(shí)長、單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線；對品牌售賣信息進(jìn)行處理，結(jié)合單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線，獲取用戶特征信息；對品牌總停留時(shí)長、商場內(nèi)行走路線進(jìn)行處理以獲取第一品牌特征信息?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，用戶特征信息還包括：商品平均購買價(jià)格、單個(gè)品牌停留時(shí)長和購買品牌的頻繁項(xiàng)集?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，第一品牌特征信息包括品牌平均停留時(shí)長、品牌總停留時(shí)長占比和最優(yōu)商場行走路線，最優(yōu)商場行走路線為商場行走路線中重復(fù)率最高的前K個(gè)，其中K為不小于1的整數(shù)?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，第二品牌特征信息包括：品牌旗下商品平均價(jià)格、品牌知名度、品牌目標(biāo)用戶信息、品牌地理位置信息、品牌售出商品平均價(jià)格、品牌售出標(biāo)價(jià)最高商品數(shù)量、品牌售出標(biāo)價(jià)最低商品數(shù)量。可選地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，還包括：根據(jù)特定事件，分別對用戶特征信息和第一品牌特征信息進(jìn)行加權(quán)處理?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，還包括：對用戶特征信息、第一品牌特征信息和第二品牌特征信息進(jìn)行編碼處理?？蛇x地，在根據(jù)本發(fā)明的商場品牌組合預(yù)測方法中，還包括：獲取各移動終端的移動終端地理位置信息；連接商場地理位置坐標(biāo)以形成商場地理圍欄；通過商場地理圍欄對移動終端地理位置信息進(jìn)行過濾，將過濾后得到的移動終端地理位置信息作為持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息。根據(jù)本發(fā)明的又一個(gè)方面，提供一種預(yù)測服務(wù)器，包括數(shù)據(jù)存儲設(shè)備、第一處理模塊、第二處理模塊、構(gòu)建模塊、第一訓(xùn)練模塊和第二訓(xùn)練模塊。其中，數(shù)據(jù)存儲設(shè)備存儲有持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息、各品牌的品牌信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，用戶地理位置信息包括用戶標(biāo)識、經(jīng)緯度、時(shí)間戳和樓層，品牌信息包括品牌名稱、品牌地理位置信息、品牌商品信息和品牌售賣信息；第一處理模塊適于從數(shù)據(jù)存儲設(shè)備中獲取用戶地理位置信息和品牌信息，并對其進(jìn)行處理以獲取用戶特征信息和第一品牌特征信息，用戶特征信息包括用戶購買行為和商場內(nèi)行走路線；第二處理模塊適于從數(shù)據(jù)存儲設(shè)備中獲取基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，對品牌信息、用戶特征信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理，以獲取第二品牌特征信息；構(gòu)建模塊適于分別構(gòu)建第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)；第一訓(xùn)練模塊適于將用戶特征信息、第一品牌特征信息和第二品牌特征信息作為第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、用戶購買行為作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲取各品牌的用戶購買概率；第二訓(xùn)練模塊適于將用戶特征信息、第二品牌特征信息和用戶購買概率作為第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、商場內(nèi)行走路線作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以預(yù)測用戶購買概率最大的品牌組合。根據(jù)本發(fā)明的又一個(gè)方面，還提供一種計(jì)算設(shè)備，包括至少一個(gè)處理器以及包括計(jì)算機(jī)程序指令的至少一個(gè)存儲器，至少一個(gè)存儲器和計(jì)算機(jī)程序指令被配置為與至少一個(gè)處理器一起使得計(jì)算設(shè)備執(zhí)行根據(jù)本發(fā)明的商場品牌組合預(yù)測方法。根據(jù)本發(fā)明的商場品牌組合預(yù)測的技術(shù)方案，首先對用戶地理位置信息和品牌信息進(jìn)行處理，以獲取用戶特征信息和第一品牌特征信息，再對品牌信息、用戶特征信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理，以獲取第二品牌特征信息，然后將用戶特征信息、第一品牌特征信息和第二品牌特征信息輸入到第一深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲取各品牌的用戶購買概率，最后將用戶特征信息、第二品牌特征信息和用戶購買概率輸入到第二深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以預(yù)測用戶購買概率最大的品牌組合。在上述技術(shù)方案中，對用戶地理位置信息、品牌信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理以獲取用戶和品牌的相關(guān)特征信息，對這些特征信息進(jìn)行加權(quán)處理、編碼處理等進(jìn)一步處理以提高特征信息的有效性，再利用構(gòu)建好的第一深度學(xué)習(xí)網(wǎng)絡(luò)對用戶特征信息進(jìn)行分析，以便獲取精確的商場客群的用戶畫像，最后通過構(gòu)建好的第二深度學(xué)習(xí)網(wǎng)絡(luò)來預(yù)測商場品牌組合，從而指導(dǎo)商場規(guī)劃更高效更合理的品牌組合來迎合用戶需求，進(jìn)而提供定向精度更準(zhǔn)的銷售活動，實(shí)現(xiàn)了線上積累的大量商場室內(nèi)定位數(shù)據(jù)和商場線下銷售活動的完美結(jié)合。附圖說明為了實(shí)現(xiàn)上述以及相關(guān)目的，本文結(jié)合下面的描述和附圖來描述某些說明性方面，這些方面指示了可以實(shí)踐本文所公開的原理的各種方式，并且所有方面及其等效方面旨在落入所要求保護(hù)的主題的范圍內(nèi)。通過結(jié)合附圖閱讀下面的詳細(xì)描述，本公開的上述以及其它目的、特征和優(yōu)勢將變得更加明顯。遍及本公開，相同的附圖標(biāo)記通常指代相同的部件或元素。圖1示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的商場品牌組合預(yù)測方法100的流程圖；圖2示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的預(yù)測服務(wù)器200的示意圖；圖3示出了根據(jù)本發(fā)明又一個(gè)實(shí)施例的預(yù)測服務(wù)器300的示意圖；圖4示出了根據(jù)本發(fā)明又一個(gè)實(shí)施例的預(yù)測服務(wù)器400的示意圖；以及圖5圖3示出了根據(jù)本發(fā)明又一個(gè)實(shí)施例的預(yù)測服務(wù)器500的示意圖。具體實(shí)施方式下面將參照附圖更詳細(xì)地描述本公開的示例性實(shí)施例。雖然附圖中顯示了本公開的示例性實(shí)施例，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開而不應(yīng)被這里闡述的實(shí)施例所限制。相反，提供這些實(shí)施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。圖1示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的商場品牌組合預(yù)測方法100的流程圖。商場品牌組合預(yù)測方法100適于在預(yù)測服務(wù)器中執(zhí)行，該預(yù)測服務(wù)器包括數(shù)據(jù)存儲設(shè)備，該數(shù)據(jù)存儲設(shè)備中存儲有持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息、各品牌的品牌信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)。商場品牌組合預(yù)測方法100正是通過對上述各類數(shù)據(jù)進(jìn)行處理來獲取與用戶及品牌相關(guān)的特征信息，再利用該特征信息訓(xùn)練構(gòu)建好的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，以預(yù)測用戶購買概率最大的品牌組合。如圖1所示，方法100始于步驟S110。在步驟S110中，首先從數(shù)據(jù)存儲設(shè)備中獲取用戶地理位置信息和品牌信息，用戶地理位置信息包括用戶標(biāo)識、經(jīng)緯度、時(shí)間戳和樓層，品牌信息包括品牌名稱、品牌地理位置信息、品牌商品信息和品牌售賣信息。表1示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的1個(gè)用戶的用戶地理位置信息存儲示例，具體如下所示：表1表1中展示了用戶標(biāo)識為A1的用戶于2016年12月內(nèi)在商場S中進(jìn)行活動時(shí)的用戶地理位置信息，為便于描述，以用戶A1表示用戶標(biāo)識為A1的用戶。根據(jù)該實(shí)施方式，2016年12月內(nèi)在商場S中活動的用戶數(shù)量共計(jì)50000，各用戶的用戶標(biāo)識分別為A1、A2、A3、……、A50000。如表1所示，用戶的用戶標(biāo)識為A1，用于唯一確定并標(biāo)識該用戶，經(jīng)緯度為B1～B260，分別表示用戶A1在對應(yīng)時(shí)間戳下所處的經(jīng)緯度，每個(gè)經(jīng)緯度均包括一個(gè)經(jīng)度和一個(gè)緯度的數(shù)值，樓層表示用戶A1于當(dāng)前時(shí)間戳?xí)r所在的樓層層數(shù)，商場S共計(jì)5層。從表1中可以發(fā)現(xiàn)，當(dāng)用戶A1位于樓層2時(shí)，時(shí)間戳C1～C15所對應(yīng)的經(jīng)緯度保持在B1不變，說明該用戶在時(shí)間戳C1～C15對應(yīng)的時(shí)間段內(nèi)，在商場S的第2層中經(jīng)緯度B1所對應(yīng)的位置處停留。當(dāng)然，其他用戶的用戶地理位置信息也如上述表1中的存儲示例一般存儲于數(shù)據(jù)存儲設(shè)備中。表2示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的1個(gè)品牌的品牌信息存儲示例，品牌信息中的品牌商品信息包括品牌旗下商品名稱、商品價(jià)格、商品數(shù)量、商品上架時(shí)間、商品預(yù)計(jì)下架時(shí)間和是否應(yīng)季，品牌售賣信息包括品牌旗下商品名稱、商品售賣價(jià)格、商品售賣數(shù)量和用戶標(biāo)識，其中涉及價(jià)格的單位均為元，具體如下所示：表2表2中展示了商城S中品牌名稱為P1的品牌的品牌信息，為便于描述，以品牌P1表示品牌名稱為P1的品牌。其中，品牌P1的品牌地理位置信息為F2-03，表示該品牌對應(yīng)的商鋪為商城S中第2層的3號商鋪，從品牌商品信息可看出，該品牌旗下商品名稱共計(jì)50種，分別為N1、N2、……、N50。以商品名稱為N1的商品為例，為便于描述，以商品N1表示商品名稱為N1的商品，以此類推。則，商品N1的價(jià)格為20元，商品數(shù)量為15，商品上架時(shí)間為2016年9月12日，商品預(yù)計(jì)下架時(shí)間為2017年2月3日，為應(yīng)季商品。而從品牌售賣信息可知，商品N1～N50的商品售出價(jià)格與商品價(jià)格不完全一致，比如商品N3的商品售出價(jià)格為32元，而其商品價(jià)格為36元，說明該商品在售賣時(shí)可能為打折等促銷活動的相應(yīng)商品。商品N3對應(yīng)的用戶標(biāo)識均為A20，而商品售出數(shù)量為4，表明4個(gè)商品N3售賣給了同一用戶A20。而商品N1對應(yīng)的用戶標(biāo)識分別為A1和A2，表明售賣給了不同的2位用戶，用戶標(biāo)識A1所對應(yīng)的商品售出價(jià)格為20元，商品售出數(shù)量為1，用戶標(biāo)識A2所對應(yīng)的商品售出價(jià)格為18元，商品售出數(shù)量為1，說明用戶A1購買了1個(gè)商品N1，且購買時(shí)的價(jià)格為20元，用戶A2也購買了1個(gè)商品N1，但購買時(shí)的價(jià)格為18元。從表2中還可以發(fā)現(xiàn)，商品N50的商品售出數(shù)量為0，那么該商品的商品售賣價(jià)格與用戶標(biāo)識均為空。根據(jù)該實(shí)施方式，商場S中入駐有101個(gè)品牌，對應(yīng)的品牌名稱為P1、P2、……、P101，其他品牌的品牌信息也如上述表2中的存儲示例一般存儲于數(shù)據(jù)存儲設(shè)備中。需要說明的是，用戶地理位置信息是基于商場各層安裝的Wi-Fi探針設(shè)備獲取到的定位數(shù)據(jù)進(jìn)行處理后生成的，具體的處理方法在此處暫且不表，后面再予以解釋說明。而各品牌的品牌信息一般由商場直接提供，但其中的品牌地理位置信息也可以利用Wi-Fi探針設(shè)備獲得，即在Wi-Fi探針設(shè)備收集數(shù)據(jù)的過程中采集各品牌的相對位置，以Wi-Fi探針設(shè)備的編號代表品牌地理位置信息。在步驟S110中，從數(shù)據(jù)存儲設(shè)備中獲取到用戶地理位置信息和品牌信息后，對其進(jìn)行處理以獲取用戶特征信息和第一品牌特征信息，用戶特征信息包括用戶購買行為和商場內(nèi)行走路線。根據(jù)本發(fā)明的一個(gè)實(shí)施例，可以通過以下方式來獲取用戶特征信息和第一品牌特征信息。首先，對品牌名稱、品牌地理位置信息和用戶地理位置信息進(jìn)行處理，獲取品牌總停留時(shí)長、單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線。以表2中的品牌P1為例，其品牌地理位置信息為F2-03，即第2層3號商鋪，與該商鋪的面積對應(yīng)有一個(gè)地理圍欄，當(dāng)用戶的經(jīng)緯度處理該地理圍欄時(shí)說明該用戶在該品牌停留。對于用戶A1，當(dāng)其處于樓層2時(shí)，時(shí)間戳C1～C15所對應(yīng)的經(jīng)緯度保持在B1不變，而經(jīng)緯度B1正好落入品牌名稱為P1的品牌的地理圍欄中，說明該用戶在時(shí)間戳C1～C15對應(yīng)的時(shí)間段內(nèi)，在該品牌處停留，其停留時(shí)長為C15-C1，將用戶A1的單個(gè)品牌停留時(shí)長表示為“A1:T1”，其中T1為C15-C1的值換算成以分鐘為單位的數(shù)值。根據(jù)這一計(jì)算方法，一方面獲取用戶A1在其他各品牌所停留的時(shí)長，另一方面將其他用戶在品牌P1處所停留的時(shí)長進(jìn)行統(tǒng)計(jì)并疊加，最終獲得了品牌P1的品牌總停留時(shí)長。對于商場S中的其他用戶和其他品牌，利用以上處理方法獲取各用戶在各品牌的單個(gè)品牌停留時(shí)長和所有用戶在各品牌的品牌總停留時(shí)長。對于用戶A1而言，若要獲得其商場內(nèi)行走路線，則先獲取該用戶在商場內(nèi)所停留過的品牌。在上述計(jì)算各用戶在各品牌的單個(gè)品牌停留時(shí)長的步驟中，已經(jīng)對判斷用戶是否在某品牌處停留進(jìn)行了相關(guān)說明，此處不予以贅述。而考慮到商場內(nèi)行走路線是對用戶一天內(nèi)在商場中活動的路線進(jìn)行描述，因此需要根據(jù)商場每天的營業(yè)時(shí)間將用戶地理位置信息中的時(shí)間戳進(jìn)行分段劃分，最終得到對應(yīng)各天的時(shí)間戳分段序列，基于各時(shí)間戳分段序列獲得各天的商場內(nèi)行走路線。以表1為例，時(shí)間戳序列C1～C500由用戶A1于2016年12月內(nèi)在商場S中活動所記錄的各時(shí)間戳組成，商場S在12月中每天的營業(yè)時(shí)間為10:00～22:00，即從上午10點(diǎn)至晚上22點(diǎn)，將每天的營業(yè)時(shí)間結(jié)合當(dāng)天日期轉(zhuǎn)換成對應(yīng)的每日營業(yè)時(shí)間戳，根據(jù)每日營業(yè)時(shí)間戳將時(shí)間戳序列C1～C500進(jìn)行分段劃分，得到用戶A1于12月內(nèi)在商場S中活動的各天的時(shí)間戳分段序列，分別是C1～C89、C90～C187、C188～C260和C261～C500，依次對應(yīng)2016年12月3日、15日、18日和24日。這一結(jié)果說明，在2016年12月3日、15日、18日和24日這4天，用戶A1均在商場S中進(jìn)行過活動。基于上述時(shí)間戳分段序列和其對應(yīng)的經(jīng)緯度、樓層以及各品牌的品牌地理位置信息，得到用戶A1在以上4天內(nèi)分別停留過的品牌，最終得到12月內(nèi)用戶A1的商場內(nèi)行走路線。以12月3日為例，該天內(nèi)用戶逐一停留過的品牌的品牌名稱為P1、P5、P16、P24和P12，以此構(gòu)成用戶A1于12月3日內(nèi)在商場S中的商場內(nèi)行走路線，將其表示為“A1:[P1,P5,P16,P24,P12]”。接下來，對品牌售賣信息進(jìn)行處理，結(jié)合單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線，獲取用戶特征信息。根據(jù)該實(shí)施方式，用戶特征信息中的用戶購買行為包括購買品牌旗下商品的平均價(jià)格和數(shù)量。對某一個(gè)用戶，首先從該用戶購買過的某個(gè)品牌的品牌售賣信息中，獲取該用戶的用戶標(biāo)識對應(yīng)的商品名稱、商品售出價(jià)格和商品售出數(shù)量。比如參見表2可知，用戶A1在品牌P1停留并購買了商品，從品牌P1的品牌售賣信息中獲取用戶標(biāo)識A1對應(yīng)的商品名稱N1和N2，商品N1的商品售出價(jià)格為20元，商品售出數(shù)量為1，商品N2的商品售出價(jià)格為30元，商品售出數(shù)量為1。隨后，累計(jì)該用戶所購買的同一品牌的商品總價(jià)和商品總數(shù)，對于用戶A1，其購買的品牌P1的商品總價(jià)為20+30＝50元，商品總數(shù)為1+1＝2。最后，將商品總數(shù)作為購買品牌旗下商品的數(shù)量，將商品總價(jià)除以商品總數(shù)作為購買品牌旗下商品的平均價(jià)格，用戶A1購買品牌P1旗下商品的平均價(jià)格為50/2＝25元，購買品牌P1旗下商品的數(shù)量為2，將用戶A1的用戶購買行為表示為“A1:P1,25,2”。對于商場S中的其他用戶，利用以上處理方法獲取各用戶的用戶購買行為。根據(jù)本發(fā)明的又一個(gè)實(shí)施例，用戶特征信息還包括商品平均購買價(jià)格、單個(gè)品牌停留時(shí)長和購買品牌的頻繁項(xiàng)集。在該實(shí)施方式中，可以通過以下方式來獲取商品平均購買價(jià)格。對某一個(gè)用戶，從該用戶購買過的所有品牌的品牌售賣信息中，獲取該用戶的用戶標(biāo)識對應(yīng)的商品名稱、商品售出價(jià)格和商品售出數(shù)量，累計(jì)該用戶所購買的所有商品的商品總價(jià)和商品總數(shù)，將該商品總價(jià)除以該商品總數(shù)作為商品平均購買價(jià)格。例如對用戶A1，該用戶購買過品牌P1和品牌P15的商品，從品牌P1的品牌售賣信息中獲取用戶標(biāo)識A1對應(yīng)的商品名稱N1和N2，商品N1的商品售出價(jià)格為20元，商品售出數(shù)量為1，商品N2的商品售出價(jià)格為30元，商品售出數(shù)量為1，從品牌P15的品牌售賣信息中獲取用戶標(biāo)識A1對應(yīng)的商品名稱Q1，商品Q1的商品售出價(jià)格為70元，商品售出數(shù)量為3。累計(jì)該用戶所購買的所有商品的商品總價(jià)和商品總數(shù)，該商品總價(jià)為20+30+70×3＝260元，該商品總數(shù)為1+1+3＝5，將該商品總價(jià)除以該商品總數(shù)作為商品平均購買價(jià)格，其值為260/5＝52元，將用戶A1的商品平均購買價(jià)格表示為“A1:52”。對于商場S中的其他用戶，利用以上處理方法獲取各用戶的商品平均購買價(jià)格。單個(gè)品牌停留時(shí)長的獲取方法已經(jīng)在前面進(jìn)行了說明，而購買品牌的頻繁項(xiàng)集，可以根據(jù)Apriori算法進(jìn)行計(jì)算，或者其他頻繁相機(jī)的算法進(jìn)行計(jì)算，所有這些對于了解本發(fā)明方案的技術(shù)人員來說是可以容易想到的，并且也在本發(fā)明的保護(hù)范圍之內(nèi)，此處均不予以贅述。對于用戶購買品牌的頻繁項(xiàng)集的表示方法，以用戶A1為例進(jìn)行說明，該用戶的購買品牌的頻繁項(xiàng)集表示為“[P1,P15]:0.3”，[P1,P15]代表品牌項(xiàng)集，而0.3代表支持度。在前面提到品牌信息通常由商場提供，但有時(shí)商場未提供某個(gè)品牌的品牌信息中的品牌售賣信息，那么根據(jù)本發(fā)明的又一個(gè)實(shí)施例，可以利用用戶在該品牌的單個(gè)品牌停留時(shí)長來估計(jì)在停留期間是否存在付費(fèi)行為。估計(jì)方法包括如下兩種，一種是預(yù)設(shè)停留時(shí)長閾值，判斷用戶在某個(gè)品牌的單個(gè)品牌停留時(shí)長是否大于該停留時(shí)長閾值，如果大于則說明用戶存在購買行為，另一種是通過其他提供了品牌售賣信息的品牌的品牌信息進(jìn)行回歸預(yù)測。如果根據(jù)上述兩種方法判定用戶購買了某個(gè)品牌的某個(gè)商品，則再進(jìn)一步結(jié)合用戶地理位置信息和該品牌的品牌信息獲取用戶特性信息。最后，對品牌總停留時(shí)長、商場內(nèi)行走路線進(jìn)行處理以獲取第一品牌特征信息。根據(jù)本發(fā)明的一個(gè)實(shí)施例，第一品牌特征信息包括品牌平均停留時(shí)長、品牌總停留時(shí)長占比和最優(yōu)商場行走路線，最優(yōu)商場行走路線為商場行走路線中重復(fù)率最高的前K個(gè)，其中K為不小于1的整數(shù)。根據(jù)該實(shí)施方式，可以通過以下方式來獲取品牌平均停留時(shí)長，對每個(gè)品牌，統(tǒng)計(jì)在該品牌停留過的用戶數(shù)量，將對應(yīng)的品牌總停留時(shí)長除以停留過的用戶數(shù)量，以獲得該品牌的品牌平均停留時(shí)長，將其表示為“P1:品牌平均停留時(shí)長”，以小時(shí)為計(jì)量單位。根據(jù)該實(shí)施方式，可以通過以下方式來獲取品牌總停留時(shí)長占比。在獲取到各品牌的品牌總停留時(shí)長后，結(jié)合各品牌的品牌地理位置信息，對每一個(gè)品牌，獲取將該品牌的品牌總停留時(shí)長與該品牌左右品牌的品牌總停留時(shí)長的比值，將該比值作為該品牌的品牌總停留時(shí)長占比。比如，對于品牌P1，該品牌的品牌總停留時(shí)長為1000小時(shí)，品牌P1的品牌地理位置為F2-03，則品牌地理位置信息為F2-02的品牌是品牌P1左邊的品牌，對應(yīng)的品牌總停留時(shí)長為1200小時(shí)，品牌地理位置信息為F2-04的品牌是品牌P1右邊的品牌，對應(yīng)的品牌總停留時(shí)長為800小時(shí)，則品牌P1的品牌總停留時(shí)長占比為1000/(1200+800)＝0.5，將其表示為“P1:0.5”。根據(jù)該實(shí)施方式，可以通過以下方式來獲取最優(yōu)商場行走路線。在獲取了各用戶的商場內(nèi)行走路線后，從中選出重復(fù)率最高的前K個(gè)作為最優(yōu)商場行走路線，K優(yōu)選為20。下面給出最優(yōu)商場行走路線的一個(gè)示例，將其表示為“[P1,P24,P26,P30]”，P1、P24、P26和P30分別為品牌名稱。隨后，進(jìn)入步驟S120，首先從數(shù)據(jù)存儲設(shè)備中獲取基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，表3示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)存儲示例，基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)包括年齡、性別、收入水平和所屬行業(yè)，具體如下所示：年齡(歲)性別收入水平(元)所屬行業(yè)251475021200045175204……………………70020000表3關(guān)于基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，其中，年齡和收入水平的取值為不小于0的整數(shù)，性別以1表示男性，0表示女性，所屬行業(yè)分類遵從《國名經(jīng)濟(jì)行業(yè)分類》國家標(biāo)準(zhǔn)，由于該標(biāo)準(zhǔn)中所有行業(yè)的門類分為A、B、……、T共計(jì)20類，為便于描述，將A～T類依次對應(yīng)行業(yè)代碼1～20類，并將未工作人群如學(xué)生等的行業(yè)代碼定義為0。由此可知，表3的第一條數(shù)據(jù)對應(yīng)一個(gè)25歲、收入水平為4750元、從事2類行業(yè)的男性，后面的數(shù)據(jù)以此類推即可。然后，在步驟S120中，對品牌信息、用戶特征信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理，以獲取第二品牌特征信息，第二品牌特征信息包括品牌旗下商品平均價(jià)格、品牌知名度、品牌目標(biāo)用戶信息、品牌地理位置信息、品牌售出商品平均價(jià)格、品牌售出標(biāo)價(jià)最高商品數(shù)量、品牌售出標(biāo)價(jià)最低商品數(shù)量。其中，品牌地理位置信息的獲取過程已在上文中予以說明，此處不再予以贅述。根據(jù)本發(fā)明的一個(gè)實(shí)施例，可以通過以下方式獲取品牌旗下商品平均價(jià)格。根據(jù)各品牌的品牌信息中的品牌商品信息，累計(jì)各品牌旗下商品的價(jià)格和數(shù)量，獲得各品牌旗下商品價(jià)格總和與商品總數(shù)，通過品牌旗下商品價(jià)格總和除以品牌旗下商品總數(shù)計(jì)算得出品牌旗下商品平均價(jià)格。比如對于品牌P1，根據(jù)表2中的數(shù)據(jù)累計(jì)品牌P1旗下50種商品的價(jià)格和數(shù)量，得到品牌P1旗下商品價(jià)格總和為27000元，品牌P1旗下商品總數(shù)為750，則品牌P1旗下商品的平均價(jià)格為27000/750＝36元，將其表示為“P1:36”。根據(jù)該實(shí)施方式，品牌知名度可按照網(wǎng)絡(luò)搜索量進(jìn)行評分處理獲取，知名度評分的分值范圍為0～100。例如，商場S中有P1～P101共計(jì)101個(gè)品牌，將各品牌以對應(yīng)的網(wǎng)絡(luò)搜索量從小到大的順序進(jìn)行排列，進(jìn)而依次獲取分值0～100作為該品牌的知名度評分。品牌P1在以上排列中處于第89位，則獲取分值88作為該品牌的知名度評分，表示為“P1:88”。根據(jù)該實(shí)施方式，通過用戶特征信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理，以獲取品牌目標(biāo)用戶信息。表3給出了基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)的示例，實(shí)際上，表3中的每一條數(shù)據(jù)均與唯一一個(gè)用戶標(biāo)識關(guān)聯(lián)。由用戶特征信息中各用戶的商場內(nèi)行走路線可知各用戶所停留過的品牌，進(jìn)而得到各品牌所停留過的用戶及其用戶標(biāo)識。對于每一個(gè)品牌，利用該品牌所停留過的用戶的用戶標(biāo)識，獲取與該用戶標(biāo)識關(guān)聯(lián)的基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)并對其進(jìn)行處理，以獲得光顧該品牌的用戶的用戶平均年齡，性別中男性與女性的數(shù)量、收入水平的中值以及行業(yè)分布情況，最終得到品牌目標(biāo)用戶信息，品牌目標(biāo)用戶信息包括品牌名稱、性別、年齡、收入水平和行業(yè)代號。對品牌目標(biāo)用戶信息而言，性別和行業(yè)代號的定義與基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)中性別與行業(yè)代號相同，而年齡分為10個(gè)區(qū)間，以數(shù)字0～9作為代號表示，分別對應(yīng)0～9歲、10～19歲、20～29歲、30～39歲、40～49歲、50～59歲、60～69歲、70～79歲、80～89歲和90歲及以上這10個(gè)年齡段。品牌目標(biāo)用戶信息中的收入水平分為9個(gè)等級，以數(shù)字1～9表示等級1～9，等級1～9對應(yīng)9個(gè)階段的收入，分別是0元、0～2000元、2000～4000元、4000～6000元、6000～8000元、8000～10000元、10000～15000元、15000～20000元和20000元及以上。以品牌P1為例，在品牌P1停留過的用戶的用戶標(biāo)識為A1、A2、A13、A20、A105、A2056和A13524，獲取與這7個(gè)用戶關(guān)聯(lián)的基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，根據(jù)該基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)計(jì)算用戶平均年齡、統(tǒng)計(jì)性別中男性與女性的數(shù)量、獲取收入水平的中值以及行業(yè)分布情況，則在光顧過品牌P1的用戶中，用戶平均年齡為30歲，性別中男性數(shù)量為1，女性數(shù)量為6，收入水平的中值為5421元，行業(yè)分布情況為3類共計(jì)5人，1類共計(jì)1人，7類共計(jì)1人。用戶平均年齡30歲落入年齡區(qū)間的第4個(gè)區(qū)間，對應(yīng)的代號為3，性別中女性數(shù)量占多數(shù)，因此性別以0表示，收入水平的中值5421元落入收入水平等級的第4個(gè)等級，對應(yīng)的代號為4，行業(yè)分布情況為3類人數(shù)最多，則行業(yè)代號為3，最終得到品牌P1的品牌目標(biāo)用戶信息為：品牌名稱P1、性別0、年齡3、收入水平4和行業(yè)代號3，將其表示為“P1:0,3,4,3”。根據(jù)該實(shí)施方式，可以通過以下方式獲取品牌售出商品平均價(jià)格。根據(jù)各品牌的品牌信息中的品牌售賣信息，累計(jì)各品牌旗下商品的商品售出價(jià)格和售出數(shù)量，獲得各品牌旗下商品售出價(jià)格總和與商品售出總數(shù)，通過品牌旗下商品售出價(jià)格總和除以品牌旗下商品售出總數(shù)計(jì)算得出品牌售出商品平均價(jià)格。比如對于品牌P1，根據(jù)表2中的數(shù)據(jù)累計(jì)品牌P1旗下商品的售出價(jià)格和售出數(shù)量，得到品牌P1旗下商品售出價(jià)格總和為7500元，品牌P1旗下商品售出總數(shù)為200，則品牌P1的品牌售出商品平均價(jià)格為7500/200＝37.5元，將其表示為“P1:37.5”。根據(jù)該實(shí)施方式，可以通過以下方式獲取品牌售出標(biāo)價(jià)最高商品數(shù)量和品牌售出標(biāo)價(jià)最低商品數(shù)量。從各品牌的品牌商品信息中獲取商品價(jià)格最高和最低的商品的商品名稱，根據(jù)該商品名稱從品牌售賣信息中獲取該商品的商品售出數(shù)量，將商品價(jià)格最高的商品的商品售出數(shù)量作為品牌售出標(biāo)價(jià)最高商品數(shù)量，商品價(jià)格最低的商品的商品售出數(shù)量作為品牌售出標(biāo)價(jià)最低商品數(shù)量。以品牌P1為例，如表2所示，商品N50的商品價(jià)格最高，為120元，對應(yīng)的商品售出數(shù)量為0，商品N1的商品價(jià)格最低，為20元，對應(yīng)的商品售出數(shù)量為2，則品牌P1的品牌售出標(biāo)價(jià)最高商品數(shù)量為0，品牌售出標(biāo)價(jià)最低商品數(shù)量2，組合在一起表示為“P1:0,2”。為進(jìn)一步提高深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，通常會對該網(wǎng)絡(luò)的輸入數(shù)據(jù)預(yù)先進(jìn)行離散化處理，根據(jù)本發(fā)明的又一個(gè)實(shí)施例，在步驟S110和S120執(zhí)行完畢后，對用戶特征信息、第一品牌特征信息和第二品牌特征信息進(jìn)行編碼處理。根據(jù)該實(shí)施方式，可以對上述特征信息中涉及時(shí)長的信息、價(jià)格的信息和地理位置的信息等進(jìn)行One-Hot編碼。One-Hot編碼是一種處理數(shù)據(jù)的方式，使用X位狀態(tài)寄存器來對X個(gè)狀態(tài)進(jìn)行編碼，每個(gè)狀態(tài)都有其獨(dú)立的寄存器位，并且在任意時(shí)候，其中只有一位有效。例如，將單個(gè)品牌停留時(shí)長按照5分鐘進(jìn)行分段劃分，一共分為10段，初始化各段為0000000000，將單個(gè)品牌停留時(shí)長落在某一個(gè)段內(nèi)的數(shù)從0置為1即可。此時(shí)，若單個(gè)品牌停留時(shí)長小于5分鐘，則其對應(yīng)的編碼為1000000000，若單個(gè)品牌停留時(shí)長為5～10分鐘，則其對應(yīng)的編碼為0100000000。接下來，在步驟S230中，分別構(gòu)建第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。根據(jù)本發(fā)明的一個(gè)實(shí)施例，通過TensorFlow框架構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入信息的情況，將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的層數(shù)設(shè)置為5～9層，每一層均為卷積層，每一層的具體參數(shù)在訓(xùn)練過程中需要調(diào)整。在每一層卷積層計(jì)算結(jié)束后，利用ELU函數(shù)作為激活函數(shù)，將最后一層卷積層激活后接入全連接層，并輸入到Softmax函數(shù)進(jìn)行處理，從而構(gòu)建出第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。在后續(xù)訓(xùn)練過程中，將Softmax函數(shù)的預(yù)測結(jié)果和真實(shí)的標(biāo)簽值作為輸入，利用Cross-entropy算法計(jì)算對應(yīng)的loss值，將loss值輸入到Momentum優(yōu)化方法計(jì)算梯度，并更新深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的模型參數(shù)。關(guān)于構(gòu)建第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的示例代碼如下所示：defconv(inputs,diameter,Nin,Nout,name):fan_in＝diameter*diameter*Ninprint"WARNING:USINGDIFFERENTSTDDEVFORCONV！"stddev＝math.sqrt(1.0/fan_in)kernel＝tf.Variable(tf.truncated_normal([diameter,diameter,Nin,Nout],stddev＝stddev),name＝name+'_kernel')returntf.nn.conv2d(inputs,kernel,[1,1,1,1],padding＝'SAME')definference(self,feature_planes,N,Nfeat):NK＝192NKfirst＝192conv1＝ELU_conv_pos_dep_bias(feature_planes,5,Nfeat,NKfirst,N,'conv1')conv2＝ELU_conv_pos_dep_bias(conv1,3,NKfirst,NK,N,'conv2')conv3＝ELU_conv_pos_dep_bias(conv2,3,NK,NK,N,'conv3')conv4＝ELU_conv_pos_dep_bias(conv3,3,NK,NK,N,'conv4')conv5＝ELU_conv_pos_dep_bias(conv4,3,NK,NK,N,'conv5')conv6＝ELU_conv_pos_dep_bias(conv5,3,NK,NK,N,'conv6')conv7＝ELU_conv_pos_dep_bias(conv6,3,NK,NK,N,'conv7')conv8＝ELU_conv_pos_dep_bias(conv7,3,NK,NK,N,'conv8')conv9＝ELU_conv_pos_dep_bias(conv8,3,NK,NK,N,'conv9')在完成第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的構(gòu)建后，進(jìn)入步驟S240，將用戶特征信息、第一品牌特征信息和第二品牌特征信息作為第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、用戶購買行為作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲取各品牌的用戶購買概率。根據(jù)本發(fā)明的一個(gè)實(shí)施例，對于基于TensorFlow框架的第一深度學(xué)習(xí)網(wǎng)絡(luò)，其模型輸入?yún)?shù)包括：filter大小(1,2,4)，filter的數(shù)量(64,128,192)，訓(xùn)練步長(0.001-0.01)，訓(xùn)練迭代次數(shù)(60萬-1000萬)，batch的大小(16,64,128,256)。根據(jù)該實(shí)施方式，在對第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲取了用戶購買品牌P1～P100的概率。最后，在步驟S250中，將用戶特征信息、第二品牌特征信息和用戶購買概率作為第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、商場內(nèi)行走路線作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以預(yù)測用戶購買概率最大的品牌組合。根據(jù)本發(fā)明的一個(gè)實(shí)施例，對于基于TensorFlow框架的第二深度學(xué)習(xí)網(wǎng)絡(luò)，其模型輸入?yún)?shù)包括：filter大小(1,2,4)，filter的數(shù)量(64,128,192)，訓(xùn)練步長(0.001-0.01)，訓(xùn)練迭代次數(shù)(60萬-1000萬)，batch的大小(16,64,128,256)。根據(jù)該實(shí)施方式，在對第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，預(yù)測用戶購買概率最大的品牌組合為P5、P20和P77，將其表示為[P5,P20,P77]。關(guān)于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的構(gòu)建及訓(xùn)練方法，在以TensorFlow框架為基礎(chǔ)的實(shí)現(xiàn)過程可通過已有的成熟的技術(shù)方法執(zhí)行，此處不予以贅述。若第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)或第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果不夠理想，可以考慮通過規(guī)定權(quán)重以規(guī)范數(shù)據(jù)的方式對輸入的信息進(jìn)行加權(quán)處理，但在使用時(shí)需要控制好權(quán)重，充分考慮商場或品牌舉辦活動、季節(jié)、特殊情況對用戶行為的影響，避免對數(shù)據(jù)產(chǎn)生破壞。根據(jù)本發(fā)明的又一個(gè)實(shí)施例，根據(jù)特定事件，分別對用戶特征信息和第一品牌特征信息進(jìn)行加權(quán)處理。上述特定事件可以理解為在季節(jié)變更、節(jié)慶假日時(shí)商場或品牌開展的相關(guān)活動等類似的影響用戶行為的事件，當(dāng)有這樣的特定事件發(fā)生時(shí)，對于用戶特征信息和第一品牌特征信息而言，應(yīng)保留或放大某些正向誘因，包含但不限于季節(jié)，節(jié)日時(shí)間等，去除或減小某些負(fù)向誘因，包含但不限于特殊情況如流行病等。具體來說，如果一個(gè)品牌在舉行活動，那么品牌總停留時(shí)長、品牌平均停留時(shí)長、用戶購買行為和商品平均購買價(jià)格等，都可能產(chǎn)生峰值，為了平滑數(shù)據(jù)，需要在這些數(shù)據(jù)前面乘以一個(gè)小于1大于0的權(quán)重作為懲罰。相反，如果有特殊情況發(fā)生，以上數(shù)據(jù)可能會產(chǎn)生低谷，為了平滑數(shù)據(jù)，需要乘以一個(gè)大于1的權(quán)重。根據(jù)本發(fā)明的又一個(gè)實(shí)施例，數(shù)據(jù)存儲設(shè)備中存儲的用戶地理位置信息是由預(yù)測服務(wù)器基于商場各層安裝的Wi-Fi探針設(shè)備獲取到的定位數(shù)據(jù)進(jìn)行處理后生成的，這里的定位數(shù)據(jù)為Wi-Fi探針設(shè)備在預(yù)定范圍內(nèi)所探測到的各移動終端的移動終端地理位置信息。預(yù)測服務(wù)器在獲取各移動終端的移動終端地理位置信息后，連接商場地理位置坐標(biāo)以形成商場地理圍欄，通過商場地理圍欄對移動終端地理位置信息進(jìn)行過濾，將過濾后得到的移動終端地理位置信息作為持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息。圖2示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的預(yù)測服務(wù)器200的示意圖。如圖2所示，預(yù)測服務(wù)器200包括數(shù)據(jù)存儲設(shè)備210、第一處理模塊220、第二處理模塊230、構(gòu)建模塊240、第一訓(xùn)練模塊250和第二訓(xùn)練模塊260。數(shù)據(jù)存儲設(shè)備210存儲有持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息、各品牌的品牌信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，用戶地理位置信息包括用戶標(biāo)識、經(jīng)緯度、時(shí)間戳和樓層，品牌信息包括品牌名稱、品牌地理位置信息、品牌商品信息和品牌售賣信息。其中，品牌商品信息包括品牌旗下商品名稱、商品價(jià)格、商品數(shù)量、商品上架時(shí)間、商品預(yù)計(jì)下架時(shí)間和是否應(yīng)季，品牌售賣信息包括品牌旗下商品名稱、商品售出價(jià)格、商品售出數(shù)量和用戶標(biāo)識，基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)包括年齡、性別、收入水平和所屬行業(yè)。第一處理模塊220與數(shù)據(jù)存儲設(shè)備210相連，適于從數(shù)據(jù)存儲設(shè)備210中獲取用戶地理位置信息和品牌信息，并對其進(jìn)行處理以獲取用戶特征信息和第一品牌特征信息，用戶特征信息包括用戶購買行為和商場內(nèi)行走路線。第一處理模塊220進(jìn)一步適于對品牌名稱、品牌地理位置信息和用戶地理位置信息進(jìn)行處理，獲取品牌總停留時(shí)長、單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線；對品牌售賣信息進(jìn)行處理，結(jié)合單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線，獲取用戶特征信息；對品牌總停留時(shí)長、商場內(nèi)行走路線進(jìn)行處理以獲取第一品牌特征信息。其中，用戶特征信息還包括購買品牌旗下商品的平均價(jià)格、單個(gè)品牌停留時(shí)長和購買品牌的頻繁項(xiàng)集，第一品牌特征信息包括品牌平均停留時(shí)長、品牌總停留時(shí)長占比和最優(yōu)商場行走路線，最優(yōu)商場行走路線為商場行走路線中重復(fù)率最高的前K個(gè)，其中K為不小于1的整數(shù)。第二處理模塊230與數(shù)據(jù)存儲設(shè)備210相連，適于從數(shù)據(jù)存儲設(shè)備210中獲取基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，對品牌信息、用戶特征信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理，以獲取第二品牌特征信息。其中，第二品牌特征信息包括品牌旗下商品平均價(jià)格、品牌知名度、品牌目標(biāo)用戶信息、品牌地理位置信息、品牌售出商品平均價(jià)格、品牌售出標(biāo)價(jià)最高商品數(shù)量、品牌售出標(biāo)價(jià)最低商品數(shù)量。構(gòu)建模塊240適于分別構(gòu)建第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。第一訓(xùn)練模塊250分別與第一處理模塊220、第二處理模塊230和構(gòu)建模塊240相連，適于將從第一處理模塊220獲取到的用戶特征信息、第一品牌特征信息和從第二處理模塊230獲取到的第二品牌特征信息作為構(gòu)建模塊240構(gòu)建出的第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、從第一處理模塊220獲取到的用戶購買行為作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第一深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲取各品牌的用戶購買概率。第二訓(xùn)練模塊260分別與第一處理模塊220、第二處理模塊230、構(gòu)建模塊240和第一訓(xùn)練模塊250相連，適于將從第一處理模塊220獲取到的用戶特征信息、從第二處理模塊230獲取到的第二品牌特征信息和從第一訓(xùn)練模塊250獲取到的用戶購買概率作為構(gòu)建模塊240構(gòu)建出的第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入、從第一處理模塊220獲取到商場內(nèi)行走路線作為監(jiān)督學(xué)習(xí)的標(biāo)簽，對第二深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以預(yù)測用戶購買概率最大的品牌組合。圖3示出了根據(jù)本發(fā)明又一個(gè)實(shí)施例的預(yù)測服務(wù)器300的示意圖。如圖3所示，預(yù)測服務(wù)器300的數(shù)據(jù)存儲設(shè)備310、第一處理模塊320、第二處理模塊330、構(gòu)建模塊340、第一訓(xùn)練模塊350和第二訓(xùn)練模塊360，分別與圖2中預(yù)測服務(wù)器200的數(shù)據(jù)存儲設(shè)備210、第一處理模塊220、第二處理模塊230、構(gòu)建模塊240、第一訓(xùn)練模塊250和第二訓(xùn)練模塊260一一對應(yīng)，是一致的，并新增了加權(quán)模塊370。其中，加權(quán)模塊370分別與第一處理模塊320、第一訓(xùn)練模塊350、第二訓(xùn)練模塊360相連，適于根據(jù)特定事件，分別對從第一處理模塊350獲取到的用戶特征信息和第一品牌特征信息進(jìn)行加權(quán)處理。圖4示出了根據(jù)本發(fā)明又一個(gè)實(shí)施例的預(yù)測服務(wù)器400的示意圖。如圖4所示，預(yù)測服務(wù)器400的數(shù)據(jù)存儲設(shè)備410、第一處理模塊420、第二處理模塊430、構(gòu)建模塊440、第一訓(xùn)練模塊450和第二訓(xùn)練模塊460，分別與圖2中預(yù)測服務(wù)器200的數(shù)據(jù)存儲設(shè)備210、第一處理模塊220、第二處理模塊230、構(gòu)建模塊240、第一訓(xùn)練模塊250和第二訓(xùn)練模塊260一一對應(yīng)，是一致的，并新增了編碼模塊480。編碼模塊480分別與第一處理模塊420、第二處理模塊430、第一訓(xùn)練模塊450和第二訓(xùn)練模塊460相連，適于對從第一處理模塊420獲取到的用戶特征信息、第一品牌特征信息和從第二處理模塊430獲取到的第二品牌特征信息進(jìn)行編碼處理。圖5示出了根據(jù)本發(fā)明又一個(gè)實(shí)施例的預(yù)測服務(wù)器500的示意圖。如圖5所示，預(yù)測服務(wù)器500的數(shù)據(jù)存儲設(shè)備510、第一處理模塊520、第二處理模塊530、構(gòu)建模塊540、第一訓(xùn)練模塊550和第二訓(xùn)練模塊560，分別與圖2中預(yù)測服務(wù)器200的數(shù)據(jù)存儲設(shè)備210、第一處理模塊220、第二處理模塊230、構(gòu)建模塊240、第一訓(xùn)練模塊250和第二訓(xùn)練模塊260一一對應(yīng)，是一致的，并新增了過濾模塊590。過濾模塊590與數(shù)據(jù)存儲設(shè)備510相連，適于獲取各移動終端的移動終端地理位置信息，連接商場地理位置坐標(biāo)以形成商場地理圍欄，通過商場地理圍欄對移動終端地理位置信息進(jìn)行過濾，將過濾后得到的移動終端地理位置信息作為持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息，并存儲用戶地理位置信息至數(shù)據(jù)存儲設(shè)備510。關(guān)于商場品牌組合預(yù)測的具體步驟以及實(shí)施例，在基于圖1的描述中已經(jīng)詳細(xì)公開，此處不再贅述。就現(xiàn)有的商場品牌組合預(yù)測方法而言，沒有實(shí)現(xiàn)線上積累的大量商場室內(nèi)定位數(shù)據(jù)和商場線下銷售活動的完美結(jié)合，難以對商場客群特征、商場內(nèi)品牌組合實(shí)現(xiàn)精準(zhǔn)、有效的分析及預(yù)測處理。根據(jù)本發(fā)明實(shí)施例的商場品牌組合預(yù)測的技術(shù)方案，首先對用戶地理位置信息和品牌信息進(jìn)行處理，以獲取用戶特征信息和第一品牌特征信息，再對品牌信息、用戶特征信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理，以獲取第二品牌特征信息，然后將用戶特征信息、第一品牌特征信息和第二品牌特征信息輸入到第一深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲取各品牌的用戶購買概率，最后將用戶特征信息、第二品牌特征信息和用戶購買概率輸入到第二深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以預(yù)測用戶購買概率最大的品牌組合。在上述技術(shù)方案中，對用戶地理位置信息、品牌信息和基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)進(jìn)行處理以獲取用戶和品牌的相關(guān)特征信息，對這些特征信息進(jìn)行加權(quán)處理、編碼處理等進(jìn)一步處理以提高特征信息的有效性，再利用構(gòu)建好的第一深度學(xué)習(xí)網(wǎng)絡(luò)對用戶特征信息進(jìn)行分析，以便獲取精確的商場客群的用戶畫像，最后通過構(gòu)建好的第二深度學(xué)習(xí)網(wǎng)絡(luò)來預(yù)測商場品牌組合，從而指導(dǎo)商場規(guī)劃更高效更合理的品牌組合來迎合用戶需求，進(jìn)而提供定向精度更準(zhǔn)的銷售活動，實(shí)現(xiàn)了線上積累的大量商場室內(nèi)定位數(shù)據(jù)和商場線下銷售活動的完美結(jié)合。A9.如A1-8中任一項(xiàng)所述的方法，還包括：根據(jù)特定事件，分別對所述用戶特征信息和第一品牌特征信息進(jìn)行加權(quán)處理。A10.如A1-9中任一項(xiàng)所述的方法，還包括：對所述用戶特征信息、第一品牌特征信息和第二品牌特征信息進(jìn)行編碼處理。A11.如A1-10中任一項(xiàng)所述的方法，還包括：獲取各移動終端的移動終端地理位置信息；連接商場地理位置坐標(biāo)以形成商場地理圍欄；通過所述商場地理圍欄對所述移動終端地理位置信息進(jìn)行過濾，將過濾后得到的移動終端地理位置信息作為持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息。B13.如B12所述的預(yù)測服務(wù)器，所述品牌商品信息包括品牌旗下商品名稱、商品價(jià)格、商品數(shù)量、商品上架時(shí)間、商品預(yù)計(jì)下架時(shí)間和是否應(yīng)季。B14.如B12或13所述的預(yù)測服務(wù)器，所述品牌售賣信息包括品牌旗下商品名稱、商品售出價(jià)格、商品售出數(shù)量和用戶標(biāo)識。B15.如B12-14中任一項(xiàng)所述的預(yù)測服務(wù)器，所述基本人口統(tǒng)計(jì)學(xué)數(shù)據(jù)包括年齡、性別、收入水平和所屬行業(yè)。B16.如B12-15中任一項(xiàng)所述的預(yù)測服務(wù)器，所述第一處理模塊進(jìn)一步適于：對所述品牌名稱、品牌地理位置信息和用戶地理位置信息進(jìn)行處理，獲取品牌總停留時(shí)長、單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線；對所述品牌售賣信息進(jìn)行處理，結(jié)合所述單個(gè)品牌停留時(shí)長和商場內(nèi)行走路線，獲取所述用戶特征信息；對所述品牌總停留時(shí)長、商場內(nèi)行走路線進(jìn)行處理以獲取第一品牌特征信息。B17.如B12-16中任一項(xiàng)所述的預(yù)測服務(wù)器，所述用戶特征信息還包括：商品平均購買價(jià)格、單個(gè)品牌停留時(shí)長和購買品牌的頻繁項(xiàng)集。B18.如B12-17中任一項(xiàng)所述的預(yù)測服務(wù)器，所述第一品牌特征信息包括品牌平均停留時(shí)長、品牌總停留時(shí)長占比和最優(yōu)商場行走路線，所述最優(yōu)商場行走路線為所述商場行走路線中重復(fù)率最高的前K個(gè)，其中K為不小于1的整數(shù)。B19.如B12-18中任一項(xiàng)所述的預(yù)測服務(wù)器，所述第二品牌特征信息包括：品牌旗下商品平均價(jià)格、品牌知名度、品牌目標(biāo)用戶信息、品牌地理位置信息、品牌售出商品平均價(jià)格、品牌售出標(biāo)價(jià)最高商品數(shù)量、品牌售出標(biāo)價(jià)最低商品數(shù)量。B20.如B12-19中任一項(xiàng)所述的預(yù)測服務(wù)器，還包括加權(quán)模塊，適于：根據(jù)特定事件，分別對所述用戶特征信息和第一品牌特征信息進(jìn)行加權(quán)處理。B21.如B12-20中任一項(xiàng)所述的預(yù)測服務(wù)器，還包括編碼模塊，適于：對所述用戶特征信息、第一品牌特征信息和第二品牌特征信息進(jìn)行編碼處理。B22.如B12-21中任一項(xiàng)所述的預(yù)測服務(wù)器，還包括過濾模塊，適于：獲取各移動終端的移動終端地理位置信息；連接商場地理位置坐標(biāo)以形成商場地理圍欄；通過所述商場地理圍欄對所述移動終端地理位置信息進(jìn)行過濾，將過濾后得到的移動終端地理位置信息作為持有移動終端的各用戶在商場內(nèi)的用戶地理位置信息。在此處所提供的說明書中，說明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實(shí)施例可以在沒有這些具體細(xì)節(jié)的情況下被實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對本說明書的理解。類似地，應(yīng)當(dāng)理解，為了精簡本公開并幫助理解各個(gè)發(fā)明方面中的一個(gè)或多個(gè)，在上面對本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個(gè)特征有時(shí)被一起分組到單個(gè)實(shí)施例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個(gè)權(quán)利要求中所明確記載的特征更多特征。更確切地說，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個(gè)實(shí)施例的所有特征。因此，遵循具體實(shí)施方式的權(quán)利要求書由此明確地并入該具體實(shí)施方式，其中每個(gè)權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。本領(lǐng)域那些技術(shù)人員應(yīng)當(dāng)理解在本文所公開的示例中的設(shè)備的模塊或單元或組件可以布置在如該實(shí)施例中所描述的設(shè)備中，或者可替換地可以定位在與該示例中的設(shè)備不同的一個(gè)或多個(gè)設(shè)備中。前述示例中的模塊可以組合為一個(gè)模塊或者此外可以分成多個(gè)子模塊。本領(lǐng)域那些技術(shù)人員可以理解，可以對實(shí)施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們設(shè)置在與該實(shí)施例不同的一個(gè)或多個(gè)設(shè)備中?？梢园褜?shí)施例中的模塊或單元或組件組合成一個(gè)模塊或單元或組件，以及此外可以把它們分成多個(gè)子模塊或子單元或子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設(shè)備的所有過程或單元進(jìn)行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的每個(gè)特征可以由提供相同、等同或相似目的的替代特征來代替。此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實(shí)施例包括其它實(shí)施例中所包括的某些特征而不是其它特征，但是不同實(shí)施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實(shí)施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實(shí)施例的任意之一都可以以任意的組合方式來使用。此外，所述實(shí)施例中的一些在此被描述成可以由計(jì)算機(jī)系統(tǒng)的處理器或者由執(zhí)行所述功能的其它裝置實(shí)施的方法或方法元素的組合。因此，具有用于實(shí)施所述方法或方法元素的必要指令的處理器形成用于實(shí)施該方法或方法元素的裝置。此外，裝置實(shí)施例的在此所述的元素是如下裝置的例子：該裝置用于實(shí)施由為了實(shí)施該發(fā)明的目的的元素所執(zhí)行的功能。這里描述的各種技術(shù)可結(jié)合硬件或軟件，或者它們的組合一起實(shí)現(xiàn)。從而，本發(fā)明的方法和設(shè)備，或者本發(fā)明的方法和設(shè)備的某些方面或部分可采取嵌入有形媒介，例如軟盤、CD-ROM、硬盤驅(qū)動器或者其它任意機(jī)器可讀的存儲介質(zhì)中的程序代碼(即指令)的形式，其中當(dāng)程序被載入諸如計(jì)算機(jī)之類的機(jī)器，并被所述機(jī)器執(zhí)行時(shí)，所述機(jī)器變成實(shí)踐本發(fā)明的設(shè)備。在程序代碼在可編程計(jì)算機(jī)上執(zhí)行的情況下，計(jì)算設(shè)備一般包括處理器、處理器可讀的存儲介質(zhì)(包括易失性和非易失性存儲器和/或存儲元件)，至少一個(gè)輸入裝置，和至少一個(gè)輸出裝置。其中，存儲器被配置用于存儲程序代碼；處理器被配置用于根據(jù)該存儲器中存儲的所述程序代碼中的指令，執(zhí)行本發(fā)明的商場品牌組合預(yù)測方法。以示例而非限制的方式，計(jì)算機(jī)可讀介質(zhì)包括計(jì)算機(jī)存儲介質(zhì)和通信介質(zhì)。計(jì)算機(jī)可讀介質(zhì)包括計(jì)算機(jī)存儲介質(zhì)和通信介質(zhì)。計(jì)算機(jī)存儲介質(zhì)存儲諸如計(jì)算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊或其它數(shù)據(jù)等信息。通信介質(zhì)一般以諸如載波或其它傳輸機(jī)制等已調(diào)制數(shù)據(jù)信號來體現(xiàn)計(jì)算機(jī)可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序模塊或其它數(shù)據(jù)，并且包括任何信息傳遞介質(zhì)。以上的任一種的組合也包括在計(jì)算機(jī)可讀介質(zhì)的范圍之內(nèi)。如在此所使用的那樣，除非另行規(guī)定，使用序數(shù)詞“第一”、“第二”、“第三”等等來描述普通對象僅僅表示涉及類似對象的不同實(shí)例，并且并不意圖暗示這樣被描述的對象必須具有時(shí)間上、空間上、排序方面或者以任意其它方式的給定順序。盡管根據(jù)有限數(shù)量的實(shí)施例描述了本發(fā)明，但是受益于上面的描述，本
技術(shù)領(lǐng)域：
內(nèi)的技術(shù)人員明白，在由此描述的本發(fā)明的范圍內(nèi)，可以設(shè)想其它實(shí)施例。此外，應(yīng)當(dāng)注意，本說明書中使用的語言主要是為了可讀性和教導(dǎo)的目的而選擇的，而不是為了解釋或者限定本發(fā)明的主題而選擇的。因此，在不偏離所附權(quán)利要求書的范圍和精神的情況下，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說許多修改和變更都是顯而易見的。對于本發(fā)明的范圍，對本發(fā)明所做的公開是說明性的，而非限制性的，本發(fā)明的范圍由所附權(quán)利要求書限定。當(dāng)前第1頁1 2 3