一种基于深度学习的人群动线图动态调整方法与流程

本发明涉及信息，尤其涉及一种基于深度学习的人群动线图动态调整方法。

背景技术：

1、随着人口不断迁移和城市化进程的加速，不同地区和不同群体之间的人口转移不可避免地会对商圈竞争趋势产生深远的影响。传统的商圈竞争分析通常仅基于传统市场调查，收集广泛的商业数据，分析市场研究和其他商业因素来探究商圈竞争趋势，并进行预测。然而，这些方法忽略了人口流动也也会让其他商家了解到相关机会，并产生竞争的影响，无法全面解释商圈竞争趋势的本质。因此，如何基于空间信息和人口数据，深入分析人口流动对商圈竞争的影响，已成为商业领域中热门的研究方向之一。

技术实现思路

1、本发明提供了一种基于深度学习的人群动线图动态调整方法，主要包括：

2、获取人群数据，实现人群动线图绘制；通过实时的人群流动趋势预测，识别人群流动的突发事件和瞬态规律，所述通过实时的人群流动趋势预测，识别人群流动的突发事件和瞬态规律，具体包括：arima预测算法预测突发事件对人群流动的影响趋势，对人群瞬态流动进行预测和商机推荐；根据商家群体动线图移动趋势，判断人群移动是否同时带来商家移动，判断移动是瞬态竞争还是长久性的竞争；在不同地区、不同群体之间进行有效的模型转移，确保人群动线图趋势模型的普遍适用性；分析人群移动后所在区域群体的消费行为，频次忠诚度及生命周期价值，判断人群广告价值；结合商家移动和人群价值，对转移后商圈竞争趋势和广告投入产出比的变化，进行预测；根据人群动线图的实时变化，进行广告策略的动态调整，输出线下广告推荐结果。

3、进一步可选地，所述获取人群数据，实现人群动线图绘制包括：

4、根据街道和卫星摄像数据，采用图像识别技术，获取特定区域内的人群数量；通过对人的图像进行监测和跟踪，获取人群的移动方向和速度；跟踪和计算人群的移动情况，获得移动人群数量；通过对人群的移动轨迹进行分析，得出人群在不同区域之间的分流情况，从而确定分流百分比；根据人群数量、移动方向和移动人群数量的数据，结合分流百分比，实现450m*450m的小颗粒度展示人群移动情况。

5、进一步可选地，所述通过实时的人群流动趋势预测，识别人群流动的突发事件和瞬态规律包括：

6、根据人群数量、时间、地点、人群属性、交通工具、天气和事件作为影响因素，采用实时数据监测和预测算法来预测人群流动趋势；首先，通过获取人群数量、时间和地点信息，确定预测的范围和时间段；其次，根据人群属性、交通工具和天气因素，确定人群流动的特征；然后，通过事件的分析和判断，识别突发事件对人群流动的影响，并进行实时监测和预测；采用arima算法作为预测算法，arima算法针对影响因素和历史数据以及季节性特征进行数据预处理、特征提取、模型构建、模型评估以及实时预测，判断出人群流动是常规情况还是瞬态特殊情况；最后，通过输出预测结果来确定人群流动的趋势和规律；包括：arima预测算法预测突发事件对人群流动的影响趋势；对人群瞬态流动进行预测和商机推荐；

7、所述arima预测算法预测突发事件对人群流动的影响趋势，具体包括：

8、通过将突发事件信息与人群流动信息进行比较和判断，利用统计学和机器学习算法预测突发事件对人群流动的影响趋势，具体包括：采用arima预测算法来预测人群流动的趋势和规模：从事件监测系统中获取事件类型、事件发生地点、事件规模和事件持续时间数据。对事件数据进行检查，如果数据不平稳，则需要进行差分处理，使其平稳。使用acf和pacf来确定arima模型的参数，包括ar模型的阶数p、差分次数d和ma模型的阶数q。使用确定的参数来拟合arima模型，得到对事件数据的拟合结果。从人群流动监测系统中获取人群特征、人群数量和人群流动趋势数据。将事件数据和人群流动数据进行对比和判断，分析事件对人群流动的影响。根据拟合的arima模型和人群流动数据，预测事件对人群流动的影响趋势和规模。对拟合的模型进行检验，确保其符合平稳性和白噪声的假设，以保证预测结果的准确性。通过arima预测算法，得到预测结果，包括事件对人群流动的影响趋势和规模的预测值。

9、所述对人群瞬态流动进行预测和商机推荐，具体包括：

10、对人群瞬态流动进行预测和商机推荐数据进行预处理，根据人群特征、地理位置信息和行为轨迹数据，获取并清洗数据，融合不同数据源，提取特征，得到预处理后的数据。模型选择根据预处理后的数据，选择适合的预测算法，采用基于深度学习的算法。模型训练采用神经网络方法，对所选算法进行训练，并根据训练结果进行参数调整和模型优化，得到优化模型。预测和推荐通过采用已训练好的深度学习模型，对新的数据进行预测和推荐，获得人群的瞬态流动信息，并推荐相应的商机。

11、进一步可选地，所述根据商家群体动线图移动趋势，判断人群移动是否同时带来商家移动，判断移动是瞬态竞争还是长久性的竞争包括：

12、首先，采集商家和人群的移动趋势数据，获取商家和人群的移动路径，并进行对比分析；通过对比商家和人群的移动趋势图，确定人群移动是否同时带来商家移动；接着，根据商家和人群的移动趋势，确定商家和人群的移动目的；通过分析商家的移动聚集周期、商家群体类型集中度、产品差异化，判断商家的移动趋势是否是长久性的竞争。

13、进一步可选地，所述在不同地区、不同群体之间进行有效的模型转移，确保人群动线图趋势模型的普遍适用性。包括：

14、通过获取地区的人口数据、城市规划数据和交通数据，确定不同地区的人群活动范围和出行方式，以及各个地区之间的出行和活动联系；针对不同群体的特征进行分析，包括年龄、性别、收入、职业因素；确定不同群体的活动范围和出行方式，以及各个群体之间的出行和活动联系；判断不同群体之间的差异性，以确保模型的准确性；判断不同地区和不同群体之间的文化和习惯差异，包括风俗习惯、节假日文化、消费习惯因素，不同地区的经济发展水平、消费能力、物价水平，将这些因素作为模型特殊值，判断这些因素对人群动线的影响；通过以上判断条件作为模型的输入特征，训练一个贝叶斯分类模型，标签值为通用和特殊两种分类；通过数据标注后，就能训练一个模型普遍适用性模型来判别原始模型的适用性。

15、进一步可选地，所述分析人群移动后所在区域群体的消费行为，频次忠诚度及生命周期价值，判断人群广告价值。包括：

16、获取新移动来的人群的购买力、消费习惯、消费偏好信息，以及对不同产品或服务的态度和反应数据；根据人群的消费轨迹，获取他们的消费频次和忠诚度数据；判断人群对某个品牌或产品的信任度和重复购买的机会；用于评估人群的商业价值，并为品牌或产品的广告投放提供数据基础；采用关联规则算法进行人群消费行为、忠诚度和生命周期价值之间的关系分析，并获取人群广告价值；首先，进行数据预处理，包括对数据的清洗、去重和离散化；其次，采用挖掘频繁项集的方法，寻找项集出现的频率超过预设阈值的组合，并生成关联规则；根据关联规则算法，得到人群消费行为、忠诚度和生命周期价值之间的关联性信息；通过分析频繁项集和关联规则，判断哪些商品常一起被购买，哪些商品对于提高忠诚度和生命周期价值具有作用；同时，通过关联规则算法获取人群广告价值包含有哪些相关属性，包括人群的兴趣爱好、生活方式、地域；根据分析结果，确定人群广告价值的相关属性，并制定精准的广告营销策略；包括根据消费行为和忠诚度，为不同的消费群体设计不同的广告营销方案，针对不同的属性进行推广，为广告主提供定向精准的广告投放策略。

17、进一步可选地，所述结合商家移动和人群价值，对转移后商圈竞争趋势和广告投入产出比的变化，进行预测。包括：

18、根据商家的移动目的地和人群价值的分类，获取历史数据并进行时间序列分析，来预测商圈竞争趋势和广告投入产出比的变化；首先，收集商家的移动目的地和人群价值分类信息，以此为基础将商圈划分为不同的区域；接着，收集历史数据，包括各时间段内商圈内商家的销售数据、广告投入数据、竞争对手的数量信息；将带有这些时间序列的数据特征作为输入，进行时间序列分析，包括时间序列的平稳性检验、白噪声检验、自相关函数和偏自相关函数的分析；根据时间序列分析结果，选择模型进行预测，包括arima模型、指数平滑模型；预测未来一段时间内商圈竞争趋势和广告投入产出比的变化情况；根据预测结果，判断投入产出比的变化情况；如果商家移动后，新的商圈竞争激烈程度降低，预计广告投入产出比会提高；这种情况下，则采取增加广告投放范围和形式的策略，以提高投入产出比；如果商家移动后，目的地人群价值低，预计广告投入产出比会下降；这种情况下，则通过调整广告投放的策略和范围，以减少不必要的投入，从而提高投入产出比；如果商家移动后，广告投入虽然增加，但由于竞争激烈，投入产出比并没有明显提高，则通过减少广告投放范围和调整投放时段等策略，以提高投入产出比。

19、进一步可选地，所述根据人群动线图的实时变化，进行广告策略的动态调整，输出线下广告推荐结果包括：

20、根据人群动线图的实时变化，采用基于地理位置、人群属性、行为习惯和偏好特征的算法对广告进行推荐，以动态调整广告策略；首先，通过获取人群的地理位置信息，判断人群所在区域的特征和趋势，以及人群的流动和分布；获取人群当前所在位置；采用基于lbs地理位置的方法，确定人群当前所在位置，获得人群的经纬度信息，通过地图api将经纬度信息转换为具体的地址信息，确定人群当前所在位置，以及随着时间序列的后续位置预测；通过分析行为轨迹，判断人群常去的地方，以及在何时何地停留的时间；针对不同区域的特征和趋势，推荐相应的广告，以吸引人群的关注。

21、本发明实施例提供的技术方案可以包括以下有益效果：

22、本发明分析和预测人群动线图，对人群的瞬态流动进行了挖掘，避免了人群流动的错误预测，以及对瞬态流动的迅速反应提供帮助。同时在捕获人群动线图后，判断周围商圈商家动态，判断未来的竞争趋势，以保障商圈分析的精准预测。