[发明专利]基于电子标签数据分析的无人值守门店货架布局优化方法

说明书

技术领域

本发明包括一种对于无人值守门店商品数据分析的货架布局优化方法，具体涉及电子标签商品实时数据采集、关联挖掘算法、频繁项集挖掘等领域的知识。尤其适用于分析及处理无人值守门店商品实时数据，并且借助电子标签进行商品数据收集，利用关联分析算法，从优化频繁集项的角度尽可能提高算法性能，采用改进的兴趣度算法，从而准确找出商品之间的关联，来指导无人值守门店货架布局的优化。

技术背景

随着信息的爆炸式增长，大数据时代下，数据在企业中正成为管理变革过程中提供重要决策依据的关键资产。同时，基于智慧商业的发展，无人值守门店也逐渐步入人们的视野，它带动了电子标签、RFID等技术在商业中的运用。利用关联规则挖掘技术对无人值守门店的海量交易数据进行分析，发现客户的购物模式，进行货架的陈列优化，将是很有必要的研究。目前大部分关联分析采用简单的Apriori算法，这种算法最小支持度难以设定，尤其对于稠密数据而言，频繁项集挖掘结果数量规模过大。本文采取一种基于节点集Top-K频繁项集挖掘算法，对于规避以上问题很有帮助。

针对于商品数据的实时分析，关联规则的频繁项集挖掘算法有很多，各种算法改进层出不穷，频繁项集挖掘算法中无论是Apriori算法还是FP-Growth算法，都是使用最小支持度阈值挖掘频繁项集。此方法虽然简单清晰，但是存在致命缺陷：如何设置最小支持度。用户对数据库的未知增加了设置支持度的难度。如果支持度太大会导致得不到想要的结果，相反如果支持度太小会导致满足条件的候选集或者FP-Tree规模巨大，挖掘生成的频繁项集过多，而TOP-k频繁项集能解决以上问题。同时，针对简单的支持度与置信度产生的关联规则，挖掘的结果不一定有趣，为了表征关联规则使人感兴趣的程度，引入兴趣度。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于电子标签数据分析的无人值守门店货架布局优化方法。

本发明提出的基于电子标签数据分析的无人值守门店货架布局优化方法，包括以下步骤：

步骤1.商品实时数据采集：无人值守门店内安装有电子标签与RFID技术，利用电子价格标签采集每个商品销售数据和销售价格，以及商品的货架位置，并将电子标签系统所存储的数据导入SQL数据库；

步骤2.数据预处理：通过数据清理操作删除原始数据中杂乱数据，纠正错误数据，除去空白数据、噪声和无关数据等；如删除退货信息、将多个表进行连接查询、商品进行归类；

步骤3.挖掘频繁项集：利用Top-K频繁项集来挖掘频繁项，用户只需要设置期望挖掘项集的个数K，K表示用户想要挖掘的K个最频繁项集；无需针对不同数据库设置不同支持数；

31)构造POC-Tree：根节点标记为null，每个节点由4个参数组成：NodeName，NOdeCount，Children-list，Order，POC-Tree节点数据图如图1所示；POC-Tree是一种前缀树的变形，每一条分支上的项按照支持度递减排序通过共享前缀的方式压缩事务数据集；前序遍历整个POC-Tree为每个节点N设置前序编号N.NodeName＝p.Name，那么N.Count＝N.Count+1，否则创建一个节点N使得N.NodeName＝p.NodeName且N.NodeCount＝1，Q.Children-list＝N；

32)节点集：对于POC-Tree的一个节点N，将它的先序遍历序号和支持度定义为该节点的N-info，即N-info(N)＝(Order，NOdecount)；

相同项的节点信息集合，称为该项的节点集(Nodeset)，设置节点集为：

item.Nodestets＝∪N_i.info,N_i.NodeName＝item(1)

设定i的节点集：

Nodesets＝{(od₁,a₁),(od₂,a₂)......(od_n,a_n)}(2)