[发明专利]一种融合历史均值与提升树的商家客流量预测方法

说明书

本发明涉及一种融合历史均值与提升树的商家客流量预测方法，其特征在于，包括以下步骤：对某一时间段的商家完整行为数据进行预处理；对经过预处理的数据构建特征；基于历史均值与提升树构建客流量预测模型；进行客流量预测。本发明提出了历史均值与提升树融合的互联网商家客流量预测模型。该模型的本质是提升树模型与历史均值模型，按照计算公式所求出的权重系数，按照一定比例而融合的加权和。本发明不仅考虑了如何提高模型的预测精度，而且还考虑了客流量的预测与时间的依赖关系，并且对不同模型的预测结果做出了对比分析。

技术领域

本发明涉及一种融合历史均值与提升树的客流量预测模型，属于智能信息处理和机器学习领域。

背景技术

移动定位服务的发展使得互联网商家“线上线下”的交易数据急剧增长。对比传统的零售行业，互联网商家的营销对用户消费给予了更多的关注，在产品详情页的介绍、客服服务、便捷的移动支付等方面都致力于为用户带来更好的消费体验。比如，某些商业智能服务平台可以为每个商家提供销售预测。基于预测结果，商家可以与用户建立信任关系，吸引到更多忠实的用户并优化运营决策、降低成本、改善用户体验。

现有的销售预测技术一般通过历史数据，简单地使用时间加权序列方法进行预测。但在实际生活中，用户的消费行为往往受到节假日、天气等因素的影响，此时，现有的技术无法及时预测出商家的客流量，可能导致预测精度并不理想，预测出的客流量在很大程度上偏离商家的实际客流量。

发明内容

本发明的目的是提供一种能够更为精度地预测出客流量的方法。

为了达到上述目的，本发明的技术方案是提供了一种融合历史均值与提升树的商家客流量预测方法，其特征在于，包括以下步骤：

步骤1、对某一时间段的商家完整行为数据进行预处理，商家完整行为数据包括商家特征数据、用户支付行为数据和用户浏览行为数据；

步骤2、对经过预处理的数据构建特征，增加节假日数据及天气特征数据；

步骤3、基于历史均值与提升树构建客流量预测模型，包括以下步骤：

步骤301、分别对XGBoost与GBDT构建2个学习模型，对2个学习模型调整树的深度、学习率以及迭代次数的参数，确定XGBoost学习模型的学习率以及树的最大深度时，引入XGBoost学习模型中内置的cv函数；

步骤302、利用步骤2得到的数据对XGBoost学习模型与GBDT学习模型进行训练，设定预测日，计算预测日之前到某一天的平均客流量、销量增量；。

步骤4、把过去某一时间段的历史销量的相关度矩阵作为步骤3已训练的客流量预测模型的输入，将未来某一时间段的销量和XGBoost学习模型与GBDT学习模型的模型融合的权重系数Credit作为输出：

式中，是过去某一时间段的平均销量；Fus_last是过去某一时间段的销量，由此，将XGBoost学习模型、GBDT学习模型和历史均值模型得到的过去某一时间段的平均销量和销量值，分别代入权重系数Credit公式当中，求出相应的权重系数，最终，将训练得到的2组XGBoost学习模型和2组GBDT学习模型的不同结果分别与历史均值模型分别按求出的相应的权重系数的比例融合，得到预测未来某一时间段的客流量。

优选地，步骤1中所述预处理包括以下步骤：

步骤101、剔除商家完整行为数据中商家开业前7天的数据以及销量中断前后3天的数据，将剩余数据分为训练集和测试集；

步骤102、去除训练集和测试集中的重复数据，利用基于规则的方法对训练集和测试集中去重后的数据进行归一化处理，从而消除短时间内单个用户大量购买而造成的异常数据；