[发明专利]一种基于时间序列分解的商家客流量大数据预测方法

说明书

本发明请求保护一种基于时间序列分解的商家客流量大数据预测方法，属于智能信息处理领域。主要包括步骤：101对历史消费数据进行预处理；102对经过预处理的数据构建特征工程并选取特征；103基于时间序列分解构建客流量预测模型；104对已建立模型进行多模型加权融合，预测商家客流量。本发明能够为商家更为精准的预测客流量，有利于商家更精确的配置资源，提前做好准备以及适时采取宣传措施等。

技术领域

本发明属于智能信息处理领域，具体涉及一种基于时间序列分解的商家客流量大数据预测方法。

背景技术

在信息技术高度发达的当今社会，电子商务将传统的商务流程电子化、数字化，一方面以电子流代替了实物流，可以大量减少人力、物力等方面的支出，降低成本，提高效率。与此同时，产生了大量的数据，合理利用数据信息，挖掘信息内部存在的价值，可以提高对事物的认知和了解，进一步优化资源配置，提高经济和社会效益。以数据为原料的数据挖掘和机器学习技术在生活中发挥着越加重要的作用，通过挖掘数据中的“知识”，达到利用数据的目的。

随着移动定位服务的流行，各个移动支付平台逐渐积累了来自用户和商家的海量线上线下交易数据。比如蚂蚁金服的O2O平台“口碑”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。通过平台上实时产生的数据，包括商家特征数据、用户浏览记录和用户的支付行为等，都能获得有价值的隐藏信息，能够极大地优化以后的服务质量，合理的分配调度服务资源。

现有的方法通过简单的将历史数据处理后作为训练数据构建模型或者基于历史数据构建时间序列的回归模型、使用时间序列加权等方法构建学习模型，来预测商家客流量，由于没有考虑到多种因素对用户消费行为的影响综合程度，这些方法的预测精度并不是很理想，本发明针对这些方面所做的包括时间序列分解、计算周期因子、获取残差作为标签以及获得去周期base等工作大大提高了针对这一预测工作的预测精度。

本发明提出了一种基于时间序列分解的商家客流量大数据预测方法，同时本发明还涉及到了历史数据的预处理、训练集和测试集的划分、特征工程的构建、特征选择和基于时间序列分解构建学习模型，通过将构建好的学习模型得到的结果进行加权融合，来进行商家的客流量预测。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种能够为商家更为精准的预测客流量，有利于商家更精确的配置资源，提前做好准备以及适时采取宣传措施等的基于时间序列分解的商家客流量大数据预测方法。本发明的技术方案如下：

一种基于时间序列分解的商家客流量大数据预测方法，其包括以下步骤：

101、对消费者和商家的历史消费数据进行预处理；

102、对经过预处理的数据构建特征工程，提取商家特征和用户支付行为特征，获取基本特征，并将基本特征按照特征对的方式两两匹配，形成组合特征，针对大量的组合特征，采用特征选择降维；

103、基于时间序列分解构建客流量预测模型；

104、对已建立模型进行多模型加权融合，预测商家客流量。

进一步的，所述步骤101对历史消费数据进行预处理，包括以下步骤：

S1011、将历史数据分为训练集和测试集两部分，统计历史数据中商家信息的缺失值个数，并统计各个商家的缺失比例，对于缺失比例低于80％的商家，使用该商家对应曜日的均值填充；若缺失比例超过80％，如果近7个曜日有值，则只保留近7个曜日的值，否则将商家对应曜日的值全部清空；

S1012、对经过S1011处理的数据，通过数据可视化分析，将含有明显异常数据的那一周的数据全部剔除；

S1013、根据天气影响外出消费的程度由弱到强分别将描述天气的字段数值化，数值越大，外出消费意愿越小。