[发明专利]一种商家客流量的预测方法及装置

说明书

技术领域

本发明涉及数据处理领域，尤指一种商家客流量的预测方法及装置。

背景技术

随着移动定位服务的流行，大型电商平台积累了来自用户和商家的海量线上线下交易数据。商家平台用这些数据为商家提供了包括交易统计，销售分析和销售建议等定制的后端商业智能服务。比如，电商平台可以为每个商家提供销售预测。基于预测结果，商家可以优化运营，降低成本，并改善用户体验。

通常情况下，预测一般针对交通流，天气等比较庞大复杂的系统，对于商家的客流量的预测，目前国内外研究得较少，一般通过简单的历史数据统计，使用一些时间序列方法进行预测，这样的方法预测结果和实际结果往往差距很大。由于影响客流量的因素有多种多样，因此这种仅仅依据历史数据对客流量进行预测的方法会导致预测的精准度尤其是短期预测的精准度比较低。综上所述，现有技术中的商家客流量的预测方法预测的客流量的精准度比较低。

发明内容

本发明的目的是提供一种商家客流量的预测方法及装置，实现更加精准的预测商家的客流量，便于商家优化运营。

本发明提供的技术方案如下：

本发明提供一种商家客流量的预测方法，包括：S100获取用户消费数据和影响客流量的特征属性信息；S200根据所述用户消费数据和所述特征属性信息，分别构建决策树模型和目标ARIMA模型，预测各个商家未来的客流量。

进一步的，所述S200包括：S210根据所述特征属性信息和各个商家对应的固定消费者的用户消费数据，构建各个商家对应的各个固定消费者的决策树模型；S220根据各个商家对应的随机消费者的用户消费数据，构建各个商家的目标ARIMA模型；S230通过所述决策树模型和所述目标ARIMA模型，预测各个商家未来的客流量。

进一步的，所述S100之后包括：S110根据所述用户消费数据，统计各个消费者在各个商家的消费次数；S120判断当前消费者在当前商家的消费次数在预设检测时间周期内是否达到预设消费次数；若是，判定当前消费者是当前商家的固定消费者；若否，判定当前消费者是当前商家的随机消费者。

进一步的，所述S210包括：S211根据所述特征属性信息和每个固定消费者对应的用户消费数据，分别构建每个固定消费者的决策树模型；S212根据每个固定消费者的决策树模型，分别预测每个固定消费者在各个商家的预测消费次数；S213分别统计各个商家对应的所有固定消费者的预测消费次数得到第一消费次数预测值；所述S220包括：S221根据各个商家对应的随机消费者的用户消费数据，分别构建各个商家的目标ARIMA模型；S222根据各个商家的目标ARIMA模型，分别预测各个商家的第二消费次数预测值；所述S230包括：S231运算各个商家对应的所述第一消费次数预测值和所述第二消费次数预测值的和值，得到各个商家未来的客流量。

进一步的，所述特征属性信息包括：消费时间信息、商家类型信息、消费者评分信息、价格信息和气象信息中的任意多种。

本发明提供一种商家客流量的预测装置，包括：获取模块，获取用户消费数据和影响客流量的特征属性信息；处理模块，根据所述获取模块获取的所述用户消费数据和所述特征属性信息，分别构建决策树模型和目标ARIMA模型，预测各个商家未来的客流量。

进一步的，所述处理模块包括：第一构建子模块，根据所述特征属性信息和各个商家对应的固定消费者的用户消费数据，构建各个商家对应的各个固定消费者的决策树模型；第二构建子模块，根据各个商家对应的随机消费者的用户消费数据，构建各个商家的目标ARIMA模型；运算子模块，根据所述第一构建子模块构建的所述决策树模型和所述第二构建子模块构建的所述目标ARIMA模型，预测各个商家未来的客流量。

进一步的，还包括：统计模块，根据所述获取模块获取的所述用户消费数据，统计各个消费者的在各个商家的消费次数信息；判断模块，判断所述统计模块统计的当前消费者在当前商家的消费次数在预设检测时间周期内是否达到预设消费次数；若是，判定当前消费者是当前商家的固定消费者；若否，判定当前消费者是当前商家的随机消费者。