[发明专利]一种基于稀疏回归的商家客流量多因素分析与预测方法

摘要

本发明涉及一种稀疏回归的商家客流量多因素分析与预测方法，包括步骤：步骤一、历史客流数据预处理；步骤二、商家客流量多因素字典构建；步骤三、稀疏系数的求解和预测。本发明的有益效果是：本发明提出的多因素稀疏回归预测方法要明显好于其他几种对比的预测方法；相比于没有增加因素的稀疏回归模型，多因素稀疏回归预测方法的预测效果提高了4.86％；当误差为0.2和0.3时，多因素稀疏回归预测方法相比其他方法，在商家数量上有着10％‑50％的提升；稀疏回归模型和多因素稀疏回归模型的训练时间以及预测时间都要远远少于其他两个模型；本发明提出的多因素稀疏回归预测模型的性能更加优越。

主权项

1.一种基于稀疏回归的商家客流量多因素分析与预测方法，其特征在于，包括如下步骤：步骤一、历史客流数据预处理1)针对每一个商家客流数据，去除为0的数据；2)计算每个商家客流数据的上四分位点和下四分位点；3)计算每个商家客流数据异常数据的上边界和下边界；4)根据异常数据的上下边界，去除每个商家的异常数据；5)对去除噪声数据后的客流量数据进行标准化；步骤二、商家客流量多因素字典构建分析影响商家客流量的外部因素，包括节假日因素，温度因素和天气因素；根据时间建立节假日字典，对于温度因素和天气因素，根据每个商家所处城市，分别构建温度因素字典和天气因素字典，最后结合正交DCT‑II字典以及Kronecker Delta函数完成商家客流量多因素字典的构建，公式为：D＝[DCT,K,H,T,W]其中，D表示商家客流量多因素字典，DCT表示正交DCT‑II字典，K表示Kronecker Delta函数产生的字典，H表示节假日因素，T表示温度因素，W表示天气因素；在步骤一中去除的噪声数据在节假日因素、温度因素、天气因素字典中对应时间的数据也需要删除，确保商家客流量数据和多因素数据时间上一一对应；步骤三、稀疏系数的求解和预测使用步骤二中建立的多因素字典对每个商家客流量数据进行稀疏分解，求解稀疏系数，最后使用求得的稀疏系数结合多因素字典来预测未来一段时间的客流量。