交易行为识别方法和交易行为识别系统与流程

本发明涉及智能识别领域，特别涉及交易行为识别方法和交易行为识别系统。

背景技术：

研究商铺中的用户交易(消费)行为的数据，对于商户而言是及其重要的。目前，在对商铺中的消费者进行交易的数据进行采集统计过程中，往往只能通过人工识别、统计，其会耗费大量的时间成本和人力成本。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种交易行为识别方法和交易行为识别系统。

为实现上述目的，本发明提供了一种交易行为识别方法，包括：

步骤101、每隔预设间隔时间采集移动终端的无线信号；

步骤102、基于所述无线信号获取所述移动终端的身份信息和信号强度；

步骤103、根据在有效时间段内获取到的所述移动终端的所述身份信息和无线信号强度，识别所述移动终端对应的用户是否存在交易行为，所述有效时间段为从第一次采集到所述移动终端的无线信号所对应的时间点至最后一次采集到所述移动终端的无线信号所对应的时间点所对应的时间段。

可选地，所述步骤103具体包括：

步骤1031a、对在所述有效时间段内获取到的所述移动终端的无线信号强度，按照预设映射规则映射为对应的信号强度等级，并按照时间先后顺序生成所述移动终端在所述有效时间段内的信号强度等级序列：

{q1，q2，……qn}

其中，n为整数，qn表示在有效时间段内第n次采集到所述移动终端的无线信号对应的信号强度等级.

步骤1032a、建立基于预设隐含状态集合和信号强度等级集合的隐马尔可夫模型；

其中，信号强度等级集合q＝{q1，q2，……qm}；

q1，q2，……qm为预先划分出的m个不同的信号强度等级；

预设隐含状态集合s＝{s1，s2，s3，s4}；

s1、s2、s3、和s4分别对应的隐含状态为：进店状态、等待交易状态、正在交易状态和离店状态；

初始状态概率矩阵π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分别为预设的第一次采集到所述移动终端的无线信号时所述用户处于进店状态、等待交易状态、正在交易状态以及离店状态的概率；

隐含状态转移概率矩阵a

p(si丨sj)表示预设的由前一隐含状态si转移至后一隐含状态sj的概率，其中1≤i≤4，1≤j≤4，i、j均为整数；

观测状态转移概率矩阵b

p(qk丨sj)表示预设的在隐含状态是sj条件下信号强度等级为qk的概率，其中1≤k≤m；

观测状态序列为所述信号强度等级序列；

步骤1033a、基于建立的隐马尔可夫模型采用维特比算法来求解所述观测状态序列对应的隐含状态序列；

步骤1034a、基于求解出的隐含状态序列判断所述移动终端对应的用户是否存在交易行为。

可选地，所述步骤1034a具体包括：

步骤10341a、检测求解出的隐含状态序列中是否存在所述正在交易状态；

若检测出所述隐含状态序列中存在所述正在交易状态，则判断出所述移动终端对应的用户存在交易行为；否则，则判断出所述移动终端对应的用户不存在交易行为。

可选地，在检测出所述隐含状态序列中存在所述正在交易状态之后，还包括：

步骤1035a、获取所述隐含状态序列中位于最后的一个正在交易状态所对应的时间点，并作为所述用户的交易行为的交易时间点。

可选地，在步骤1035a之后还包括：

步骤1036a、建立所述身份信息和所述交易时间点的对应关系，并进行存储。

可选地，所述步骤103具体包括：

步骤1031b、生成无线信号强度在所述有效时间段内随时间的信号强度曲线；

步骤1032b、判断该信所述号强度曲线中是否存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分；

若判断出所述号强度曲线中存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分，则判断出所述移动终端对应的用户存在交易行为；否则，则判断出所述移动终端对应的用户不存在交易行为。

可选地，所述步骤103具体包括：

步骤1031c、生成无线信号强度在所述有效时间段内随时间的信号强度曲线；

步骤1032c、根据预先生成的交易行为分类模型来对所述信号强度曲线进行分类匹配；

若所述交易行为分类模型与所述无线信号强度曲线相匹配，则判断出所述移动终端对应的用户存在交易行为；否则，则判断出所述移动终端对应的用户不存在交易行为。

可选地，所述身份信息为所述移动终端的mac地址。

为实现上述目的，本发明还提供了一种交易行为识别系统，包括：

采集模块，用于每隔预设间隔时间采集移动终端的无线信号；

处理模块，用于基于所述无线信号获取所述移动终端的身份信息和信号强度；

识别模块，用于根据在有效时间段内获取到的所述移动终端的所述身份信息和无线信号强度，识别所述移动终端对应的用户是否存在交易行为，所述有效时间段为从第一次采集到所述移动终端的无线信号所对应的时间点至最后一次采集到所述移动终端的无线信号所对应的时间点所对应的时间段。

可选地，所述识别模块包括：

映射单元，用于对在所述有效时间段内获取到的所述移动终端的无线信号强度，按照预设映射规则映射为对应的信号强度等级，并按照时间先后顺序生成所述移动终端在所述有效时间段内的信号强度等级序列：

{q1，q2，……qn}

其中，n为整数，ln表示在有效时间段内第n次采集到所述移动终端的无线信号对应的信号强度等级；

模型建立单元，用于建立基于预设隐含状态集合和信号强度等级集合的隐马尔可夫模型；

其中，信号强度等级集合q＝{q1，q2，……qm}；

q1，q2，……qm为预先划分出的m个不同的信号强度等级；

预设隐含状态集合s＝{s1，s2，s3，s4}；

s1、s2、s3、和s4分别对应的隐含状态为：进店状态、等待交易状态、正在交易状态和离店状态；

初始状态概率矩阵π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分别为预设的第一次采集到所述移动终端的无线信号时所述用户处于进店状态、等待交易状态、正在交易状态以及离店状态的概率；

隐含状态转移概率矩阵a

p(si丨sj)表示预设的由前一隐含状态si转移至后一隐含状态sj的概率，其中1≤i≤4，1≤j≤4，i、j均为整数；

观测状态转移概率矩阵b

p(qk丨sj)表示预设的在隐含状态是sj条件下信号强度等级为qk的概率，其中1≤k≤m；

观测状态序列为所述信号强度等级序列；

计算单元，基于建立的隐马尔可夫模型采用维特比算法来求解所述观测状态序列对应的隐含状态序列；

第一判断单元，基于求解出的隐含状态序列判断所述移动终端对应的用户是否存在交易行为。

可选地，所述第一判断单元包括：

检测子单元，用于检测求解出的隐含状态序列中是否存在所述正在交易状态；

若检测出所述隐含状态序列中存在所述正在交易状态，则判断出所述移动终端对应的用户存在交易行为；否则，则判断出所述移动终端对应的用户不存在交易行为。

可选地，所述识别模块还包括：

获取单元，用于在所述检测子单元检测出所述隐含状态序列中存在所述正在交易状态之后，获取所述隐含状态序列中位于最后的一个正在交易状态所对应的时间点，并作为所述用户的交易行为的交易时间点。

可选地，所述识别模块还包括：

存储单元，用于建立所述身份信息和所述交易时间点的对应关系，并进行存储。

可选地，所述识别模块包括：

曲线生成单元，用于生成无线信号强度在所述有效时间段内随时间的信号强度曲线；

第二判断单元，用于判断该信所述号强度曲线中是否存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分；

若判断出所述号强度曲线中存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分，则判断出所述移动终端对应的用户存在交易行为；否则，则判断出所述移动终端对应的用户不存在交易行为。

可选地，所述识别模块包括：

曲线生成单元，用于生成无线信号强度在所述有效时间段内随时间的信号强度曲线；

匹配单元，用于根据预先生成的交易行为分类模型来对所述信号强度曲线进行分类匹配；

若所述交易行为分类模型与所述无线信号强度曲线相匹配，则判断出所述移动终端对应的用户存在交易行为；否则，则判断出所述移动终端对应的用户不存在交易行为。

可选地，所述身份信息为所述移动终端的mac地址。

本发明具有以下有益效果：

本发明提供了一种交易行为识别方法和交易行为识别系统，进入店铺的用户是否存在交易行为进行识别，整个识别过程无需人工干预，因此可有效节约人力成本。

附图说明

图1为本发明实施例一提供的一种交易行为识别方法的流程图；

图2为本发明实施例二提供的一种交易行为识别方法的流程图；

图3为本发明中实施例三提供的一种交易识别系统的结构示意；

图4为本发明中实施例四提供的一种交易识别系统的结构示意。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的交易行为识别方法和交易行为识别系统进行详细描述。

图1为本发明实施例一提供的一种交易行为识别方法的流程图，如图1所示，该交易行为识别方法包括：

步骤101、每隔预设间隔时间采集移动终端的无线信号。

在本发明中，当用户进入商铺后，其随身携带的移动终端也会进入商铺。移动终端包括但不限于手机、平板电脑、笔记本电脑等可以发射无线信号的设备。可选地，该无线信号为wifi信号。

需要说明的是，本发明中可以主动式采集或被动式采集的方式以对移动终端的无线信号进行采集。主动式采集是指设置于商铺中特定位置的采集模块主动向移动终端发射信号采集请求，移动终端向该采集模块反馈相应的无线信号(包含移动终端的身份信息)，以供采集模块进行采集。被动式采集方式是指用户的移动终端进入商铺后主动与采集模块(例如wifi路由器)进行连接通信，采集模块可采集到相应的无线信号。

采集模块的进行信号采集的预设间隔时间可根据实际需要进行相应设定。本实施例中，可选地，预设间隔时间为30s。

步骤102、基于无线信号获取移动终端的身份信息和信号强度。

在获取到无线信号之后，可对该无线信号进行相应的处理，以得到移动终端的身份信息和信号强度。

需要说明的是，当用户在店铺内进行移动时，其随时携带的移动终端与采集模块之间的距离会发生相应的变化，因此获取单元获取到的无线信号的信号强度会发生相应变化，无线信号中携带的身份信息不发生变化。

可选地，该身份信号为移动终端的mac地址。

步骤103、根据在有效时间段内获取到的移动终端的身份信息和无线信号强度，识别移动终端对应的用户是否存在交易行为。

其中，有效时间段为从第一次采集到移动终端的无线信号所对应的时间点至最后一次采集到移动终端的无线信号所对应的时间点所对应的时间段。具体地，第一次采集到移动终端的无线信号所对应的时间点为有效时间段的起始点，当采集模块在某次采集到移动终端之后的预设时长内均未采集到该移动终端发出的无线信号时，则表明该移动终端对应的用户已经离开店铺，以最后一次采集到该移动终端的无线信号所对应的时间点为有效时间段的终止点。

通过统计在有效时间段内某一移动终端(通过身份信息进行确定)的无线信号强度数据，可在一定程度上反应出用户在店铺内的活动路径，从而可判断出用户是否有去过店铺内的收银台，进而可判断用户存在交易行为。例如，假定用于采集无线信号的采集模块设置于收银台处，即用户处于收银台处时，采集模块采集到的无线信号的强度较强。因此，若检测到用户的移动终端发出的无线信号的强度较强(可根据实际情况预先设定相应范围)，则可识别该用户存在交易行为。

此外，本实施例中还可以根据生成无线信号强度在有效时间段内随时间的信号强度曲线来判断用户是否存在消费行为。

作为一种可选方案，步骤103具体包括：

步骤1031b、生成无线信号强度在有效时间段内随时间的信号强度曲线。

步骤1032b、判断该信号强度曲线中是否存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分。

其中，该预设范围可根据通过预先测量移动终端从收银台处发射出的无线信号的强度范围来进行相应设定。

若判断出号强度曲线中存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分，则判断出移动终端对应的用户存在交易行为；否则，则判断出移动终端对应的用户不存在交易行为。

作为又一种可选方案，步骤103具体包括：

步骤1031c、生成无线信号强度在有效时间段内随时间的信号强度曲线。

步骤1032c、根据预先生成的交易行为分类模型来对信号强度曲线进行分类匹配。

其中，可根据预先确认的存在交易行为的用户的移动终端的信号强度曲线生成相应的交易行为分类模型。需要说明的是，利用分类模型进行曲线匹配的过程，此处不进行详细描述。

若交易行为分类模型与无线信号强度曲线相匹配，则判断出移动终端对应的用户存在交易行为；否则，则判断出移动终端对应的用户不存在交易行为。

需要说明的是，本发明中还可以基于移动终端的身份信息和无线信号强度并采用其他算法来该移动终端对应的用户是否存在交易行为，具体算法此处不再一一举例。

由上述内容可见，本发明的技术方案可对进入店铺的用户是否存在交易行为进行识别，整个识别过程无需人工干预，因此可有效节约人力成本。

图2为本发明实施例二提供的一种交易行为识别方法的流程图，如图2所示，该交易行为识别方法包括：

步骤101、每隔预设间隔时间采集移动终端的无线信号。

在本实施例中，在采集无线信号时会同步记录对应的采集时间。

步骤102、基于无线信号获取移动终端的身份信息和信号强度。

步骤1031a、对在有效时间段内获取到的移动终端的无线信号强度，按照预设映射规则映射为对应的信号强度等级，并按照时间先后顺序生成移动终端在有效时间段内的信号强度等级序列。

在本发明中，可根据实际需要来将信号强度划分m个等级，分别记为q1，q2，……qm，并建立信号强度与信号强度等级的映射规则。例如，信号强度范围0～20bd映射至等级信号强度等级q1，信号强度范围20bd～40bd映射至等级信号强度等级q2……以此类推。当然，本实施例中还可采用其他映射规则，此处不再一一举例说明。

通过对有效时间段内所有的信号强度进行相应的等级映射，并按照时间先后顺序生成相应的信号强度等级序列

{q1，q2，……qn}

其中，n为整数，qn表示在有效时间段内第n次采集到移动终端的无线信号对应的信号强度等级。

步骤1032a、建立基于预设隐含状态集合和信号强度等级集合的隐马尔可夫模型。

其中，该隐马尔可夫模型的对应参数如下：

1)预设隐含状态集合s＝{s1，s2，s3，s4}；

在本实施例中，隐含状态包括四种：进店状态、等待交易状态、正在交易状态和离店状态，对应真实生活中用户在店铺中的四种状态。其中，s1对应进店状态，表示用户刚刚进入店铺；s2对应等待交易状态，表示用户在店铺内进行活动但是未进行交易；s3对应正在交易状态，表示用户正在收银台进行交易；s4对应离店状态，表示用户正在离开店铺。

2)初始状态概率矩阵π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分别为预设的第一次采集到移动终端的无线信号时用户处于进店状态、等待交易状态、正在交易状态以及离店状态的概率。

其中，p(s1)+p(s2)+p(s3)+p(s4)＝1

一般而言，在第一次采集到移动终端的无线信号时，用户是处于进店状态，即在实际设计过程中可使得p(s1)的取值趋近于1。

3)隐含状态转移概率矩阵a

p(si丨sj)表示预设的由前一隐含状态si转移至后一隐含状态sj的概率，其中1≤i≤4，1≤j≤4，i、j均为整数。

其中，隐含状态转移概率矩阵a中的各p(si丨sj)的取值，可根据预先的实验数据进行相应取值。

4)观测状态转移概率矩阵b

p(qk丨sj)表示预设的在隐含状态是sj条件下信号强度等级为qk的概率。

其中，观测状态转移概率矩阵b中的各p(pk丨sj)的取值可根据预先的实验数据进行相应取值，1≤k≤m，1≤j≤4。

5)观测状态序列为信号强度等级序列。

步骤1033a、基于建立的隐马尔可夫模型采用维特比算法来求解观测状态序列对应的隐含状态序列。

对于使用维特比算法(viterbialgorithm)求解隐马尔可夫模型中的隐含状态序列的过程，此处不进行详细描述。

通过步骤1033a可计算出信号强度等级序列(观测状态序列)对应的隐含状态序列记为z＝{z1，z2，……zn}，其中z1，z2，……zn的取值均为s1、s2、s3、s4中一个。

隐含状态序列中的元素与信号强度等级序列中的元素一一对应。具体地，q1对应的隐含状态为z1，q2对应的隐含状态为z2，以此类推

步骤1034a、基于求解出的隐含状态序列判断移动终端对应的用户是否存在交易行为。

可选地，步骤s1034a包括：

步骤10341a、检测求解出的隐含状态序列中是否存在正在交易状态。

若检测出隐含状态序列中存在正在交易状态，则判断出移动终端对应的用户存在交易行为；否则，则判断出移动终端对应的用户不存在交易行为。

可选地，若步骤10341a检测出隐含状态序列中存在正在交易状态后，还包括：步骤1035a。

步骤1035a、获取隐含状态序列中位于最后的一个正在交易状态所对应的时间点，并作为用户的交易行为的交易时间点。

可选地，在步骤1035a之后还包括步骤1036a。

步骤1036a、建立身份信息和交易时间点的对应关系，并进行存储。

由上述内容可见，本发明的技术方案可对进入店铺的用户是否存在交易行为进行识别，整个识别过程无需人工干预，因此可有效节约人力成本。

图3为本发明中实施例三提供的一种交易识别系统的结构示意图，如图3所示，该交易行为识别系统用于实现上述实施例一提供的交易行为识别方法，该交易行为识别系统包括：采集模块1、处理模块2和识别模块3。

其中，采集模块1用于每隔预设时间采集移动终端的无线信号。处理模块2用于基于无线信号获取移动终端的身份信息和信号强度。识别模块3用于根据在有效时间段内获取到的移动终端的身份信息和无线信号强度，识别移动终端对应的用户是否存在交易行为，有效时间段为从第一次采集到移动终端的无线信号所对应的时间点至最后一次采集到移动终端的无线信号所对应的时间点所对应的时间段。

可选地，身份信息为移动终端的mac地址。

需要说明的是，本实施例中的采集模块1用于执行上述实施例一中的步骤101，处理模块2用于执行上述实施例一中的步骤102，识别模块3用于执行上述实施例一中的步骤103，对于各模块的具体描述可参见上述实施例一中相应内容，此处不再赘述。

本发明的技术方案可对进入店铺的用户是否存在交易行为进行识别，整个识别过程无需人工干预，因此可有效节约人力成本。

作为本实施例中的一种可选方案，识别模块3包括：曲线生成单元4和第二判断单元5。

其中，曲线生成单元4用于生成无线信号强度在有效时间段内随时间的信号强度曲线；第二判断单元5用于判断该信号强度曲线中是否存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分。若判断出号强度曲线中存在在预设持续时长内其对应的无线信号强度始终处于预设范围的部分，则判断出移动终端对应的用户存在交易行为；否则，则判断出移动终端对应的用户不存在交易行为。

需要说明的是，本实施例中的曲线生成单元4用于执行上述实施例一中的步骤1031b，第二判断单元5用于执行上述实施例一中的步骤1032b，对于各单元的具体描述可参见上述实施例一中相应内容，此处不再赘述。

作为本实施例中的又一种可选方案，识别模块3包括：曲线生成单元4和匹配单元6。

其中，匹配单元6用于根据预先生成的交易行为分类模型来对信号强度曲线进行分类匹配；若交易行为分类模型与无线信号强度曲线相匹配，则判断出移动终端对应的用户存在交易行为；否则，则判断出移动终端对应的用户不存在交易行为。

需要说明的是，本实施例中的曲线生成单元4用于执行上述实施例一中的步骤1031c，匹配单元6用于执行上述实施例一中的步骤1032c，对于各单元的具体描述可参见上述实施例一中相应内容，此处不再赘述。

此外，本发明中的识别模块可同时包括上述匹配单元和第二判断单元，并结合两者的判断结果以对移动终端对应的用户存在交易行为进行精准判断。

图4为本发明实施例四提供的一种交易行为识别系统的结构示意图，如图4所示，本实施例提供的交易行为识别系统用于实现上述实施例二提供的交易行为识别方法，与上述实施例三中不同的是，本实施例中的识别模块3包括：映射单元7、模型建立单元8、计算单元9和第一判断单元10。

其中，映射单元7用于对在有效时间段内获取到的移动终端的无线信号强度，按照预设映射规则映射为对应的信号强度等级，并按照时间先后顺序生成移动终端在有效时间段内的信号强度等级序列：

{q1，q2，……qn}

其中，n为整数，ln表示在有效时间段内第n次采集到移动终端的无线信号对应的信号强度等级。

模型建立单元8用于建立基于预设隐含状态集合和信号强度等级集合的隐马尔可夫模型；

其中，信号强度等级集合q＝{q1，q2，……qm}；

q1，q2，……qm为预先划分出的m个不同的信号强度等级；

预设隐含状态集合s＝{s1，s2，s3，s4}；

s1、s2、s3、和s4分别对应的隐含状态为：进店状态、等待交易状态、正在交易状态和离店状态；

初始状态概率矩阵π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分别为预设的第一次采集到移动终端的无线信号时用户处于进店状态、等待交易状态、正在交易状态以及离店状态的概率；

隐含状态转移概率矩阵a

p(si丨sj)表示预设的由前一隐含状态si转移至后一隐含状态sj的概率，其中1≤i≤4，1≤j≤4，i、j均为整数；

观测状态转移概率矩阵b

p(qk丨sj)表示预设的在隐含状态是sj条件下信号强度等级为qk的概率；

观测状态序列为信号强度等级序列。

计算单元9用于基于建立的隐马尔可夫模型采用维特比算法来求解观测状态序列对应的隐含状态序列；

第一判断单元10用于基于求解出的隐含状态序列判断移动终端对应的用户是否存在交易行为。

可选地，第一判断单元10包括：检测子单元。

检测子单元用于检测求解出的隐含状态序列中是否存在正在交易状态；若检测出隐含状态序列中存在正在交易状态，则判断出移动终端对应的用户存在交易行为；否则，则判断出移动终端对应的用户不存在交易行为。

可选地，识别模块3还包括：获取单元11和存储单元12。

获取单元11用于在检测子单元检测出隐含状态序列中存在正在交易状态之后，获取隐含状态序列中位于最后的一个正在交易状态所对应的时间点，并作为用户的交易行为的交易时间点。存储单元12用于建立身份信息和交易时间点的对应关系，并进行存储，以供后续进行数据分析使用。

需要说明的是，本实施例中的映射单元7用于执行上述实施例二中的步骤1031a，模型建立单元8用于执行上述实施例二中的步骤1032a，计算单元9用于执行上述实施例二中的步骤1033a，第一判断单元10用于执行上述实施例二中的步骤1034a，检测子单元用于执行上述实施例二中的步骤10341a，获取单元11用于执行上述实施例二中的步骤1035a，存储单元12用于执行上述实施例二中的步骤1036a。对于各单元的具体描述可参见上述实施例一中相应内容，此处不再赘述。

本发明的技术方案可对进入店铺的用户是否存在交易行为进行识别，整个识别过程无需人工干预，因此可有效节约人力成本。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。