[发明专利]一种购物中心店铺分布规划的预测方法

说明书

随着大型购物广场市场竞争越发激烈，如何吸引客户，提高提袋率及消费金额成了当务之急。因为租户的销售额与经过店铺门口的人流数量成正比，合理的店铺规划，优化人流运动，最大限度的让人流经过尽量多的店铺，把该顾客所感兴趣的店铺合理的平均规划在购物广场的各个部分，同时又不把距离拉的太长，可以最大程度的促进顾客场内消费，达到购物中心利益最大化。本发明提供了一种大型购物广场店铺消费关系预测方法。本方法通过数据分析手段，找出看似毫无关联的历史数据之间的内在关系，从而一定程度上的帮助团队弥补经验不足的问题，是购物中心管理团队在规划店铺的一个很好的参考和补充。

技术领域

本发明涉及店铺管理、平面规划，个人消费数据分析，人工智能，人流动线规划与预测。

背景技术

随着大型购物广场市场竞争越发激烈，如何吸引客户，提高提袋率及消费金额成了当务之急。

本发明提供了一种大型购物广场店铺消费关系预测方法。

发明内容

该发明通过分析各种指标、数据，使用关联算法帮助购物中心管理团队发现各个店铺之间的隐藏关联，甚至做出简单的预测，比如，用户进入过哪类店铺之后会有很大的几率进入另外哪类店铺进行消费；通过关联分析，建立数据模型，可以帮助团队弥补经验不足的问题，是购物中心管理团队在规划店铺的一个很好的参考和补充。

一种基于Apriori算法的改进的关联算法：

由Agrawal和Srikant(1994)提出的Apriori算法被认为是关联算法中的经典。首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度(Support)和最小可信度(Confidence)。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。因为反复与数据库中的事务(t)记录比较，要耗费大量的时间与内存空间，所以Apriori效率较低，当数据项目集(k)很大时，很可能耗尽计算机的所有资源导致计算失败。针对原始Apriori算法的缺点，本发明在原始算法的基础上做出改进。在候选频繁项目集Ck的产生过程中，删除其中不必要的扫描事务，压缩事务数据库，提高扫描的效率，减少全表扫描的次数，节省系统的开销。

步骤1：找到频繁项集L2，并对L2中的项按支持度由小到大排序；

步骤2：采用优化连接策略生成候选(k-1)项集Ck-1(k＞2)(项集中的项按它在整个数据库中出现的频率按升序排序)；

步骤3：由最小支持度生成频繁(k-1)项集Lk-1，再在Lk-1中找出所有单个项目的频度小于k的单个项目，记为I。在Lk-1中删除所有包含I中元素的所有频繁项目集，得到一个新的更小的L′k-1，再连接生成Ck；

步骤4：记IMk为所有k项频繁项目集的单个项目组成的集合，删除事务中所包含的单个项目a∈(IMk-1-IMk)。同时给不包含Ck中的任何项集的事务分3种情况打上删除标记，并删除得到新的数据库D1，再扫描数据库D1，计算Ck中各个项集的支持度；

步骤5：将Ck中不满足最小支持度的项集删掉，生成Lk；

步骤6重复步骤5直到不能产生新的频繁项目集的集合时为止。

改进的Apriori算法流程图参见图1。

一般最小置信度阈值和最小支持度阈值需要由用户根据实际需求调节。置信度和支持度大于相应最小阈值的规则被认为是有效的、有参考意义的，称为强关联规则，反之称为弱关联规则。

附图说明

图1本发明所涉及的改进的Apriori算法流程图