基于用户数据的智能停车导航与商业引导系统、方法与流程

1.本发明涉及停车平台技术领域，具体涉及基于用户数据的智能停车导航与商业引导系统、方法。


背景技术：

2.如今，自驾出行已成为首选，特别是前往大型购物商场进行采购的时候。现今的大型商场也都是以“一站式采购”为目标，以庞大的商场规模确保商场内的购物品类应有具有。由此，大型商场内的停车场大多具有车位紧张、规模庞大、结构复杂、区域相似度高的特点。特别是商场地下停车场，仅靠地下指示线和车道上方悬挂的指示标识，加之光线不足和区域构造上的高度相似。用户在进入停车场后，基本上无法将地下停车场与楼上的商场在区域位置上相对应起来，更是难以就近停泊在靠近采购目标的电梯口附近。更甚者，大多数用户进入停车场后，往往优先就近寻找空闲停车位，这就容易导致靠近停车场入口处的停车位高度紧张，甚至造成拥堵，而远离停车场的停车位，特别是实际上更靠近采购目标的停车位长时间处于闲置状态。
3.可见，用户进入大型商场后，基本上是随机停泊在就近的空闲停车位上。这对用户而言，即存在停车难和停车效率低的问题，又存在进入商场后对所处位置未知或不确定的问题，若用户拥有明确的购物习惯或购物目标，将给用户带来不知如何前往目的地或增加行程和时间的困恼。而对于大型商场而言，由于用户进入商场的位置是随机的，将不利于提高用户购买欲望，高效促成客户预期订单，从而提高商场业绩。


技术实现要素：

4.本发明所要解决的技术问题是：提供一种基于用户数据的智能停车导航与商业引导系统、方法，即能够提高用户泊车效率，又能方便用户购物。
5.为了解决上述技术问题，本发明采用的技术方案为：
6.基于用户数据的智能停车导航与商业引导系统，包括：云端服务器和用户端；所述云端服务器包括mysql数据库和停车管理平台，所述mysql数据库与所述停车管理平台连接；
7.所述停车管理平台包括：画像服务子系统、监控子系统以及停车服务子系统；其中，所述监控子系统分别与所述停车服务子系统和所述用户端连接，所述停车服务子系统与所述画像服务子系统连接；
8.所述画像服务子系统包括：
9.商圈确定模块，用于分别以商场内各电梯所在的位置为中心，预设距离为辐射半径，确定各电梯对应的商圈；
10.画像构建模块，用于依据各商圈内所包含商店的商店信息，构建对应电梯的电梯画像；以及用于依据从用户端采集的用户的商场行为和活动数据构建用户画像；
11.所述监控子系统，包括：
12.围栏构建模块，用于构建商场停车场对应的电子围栏；
13.检测模块，用于当检测到一用户对应的用户端进入所述电子围栏后，则触发停车子系统从画像服务子系统获取所述一用户的用户画像；
14.所述停车服务子系统，包括：
15.匹配模块，用于接收到用户画像后，匹配所述用户画像与各电梯画像，确定与所述一用户匹配度最高的电梯画像；
16.停车位获取模块，用于获取与匹配模块确定的电梯画像对应的电梯距离最近的一空闲停车位；
17.导航模块，用于依据停车位获取模块获取的空闲停车位和所述一用户的当前位置，生成导航信息，并发送至所述一用户对应的用户端。
18.可选的，所述画像构建模块包括：
19.商店画像构建单元，用于依据商店的商店信息生成商店的商店画像；
20.电梯画像构建单元，用于依据各商圈所包含商店的商店画像，获取各商圈对应电梯的电梯画像。
21.可选的，所述商店画像构建单元包括：
22.第一数据处理层，用于将一商店的商店信息中的数据对照预设的特征数据字段进行分类整理，以获取原始店铺特征信息，其中，所述特征数据字段包括商店名称、售卖商品、交易数据以及公共设备环境参数；
23.第一标签体系构建层，用于依据原始店铺特征信息构建店铺标签体系，其中，所述店铺标签体系中的特征标签类别包括受众群体、商品结构、客单价以及服务功能；
24.商店画像构建层，用于使用k
‑
means聚类算法对所述店铺标签体系进行聚类处理，并以聚类结果作为商店画像的标签，生成所述一商店的商店画像。
25.可选的，所述电梯画像构建单元包括：
26.画像获取层，用于获取一商圈内所包含商店的商店画像；
27.电梯画像构建层，用于使用fast unfolding聚类算法对所获取的所有商店的商店画像进行聚类处理，并以聚类结果作为电梯画像的标签，生成所述一商圈对应的电梯的电梯画像。
28.可选的，所述画像构建模块包括：
29.用户画像构建单元，用于依据用户的商场行为和活动数据构建用户画像；
30.所述用户画像构建单元，包括：
31.第二数据处理层，用于将一用户的商场行为和活动数据对照预设的特征数据字段进行分类整理，以获取原始用户特征信息，其中，所述特征数据字段包括用户名、已购商品、交易数据以及各店驻留情况；
32.第二标签体系构建层，用于依据原始用户特征信息构建用户标签体系，其中，所述用户标签体系中的特征标签类别包括群体定位、兴趣商品、消费能力以及购物习惯；
33.用户画像构建层，用于使用k
‑
means聚类算法对所述用户标签体系进行聚类处理，并以聚类结果作为用户画像的标签，生成所述一用户的用户画像。
34.本发明提供的另一个技术方案为：
35.基于用户数据的智能停车导航与商业引导方法，包括：
36.分别以商场内各电梯所在的位置为中心，预设距离为辐射半径，确定各电梯对应的商圈；
37.依据各商圈内所包含商店的商店信息，构建对应电梯的电梯画像；
38.依据用户的商场行为和活动数据构建用户画像；
39.构建商场停车场对应的电子围栏；
40.检测到一用户对应的用户端进入所述电子围栏后，获取所述一用户的用户画像；
41.匹配所述一用户的用户画像与各电梯画像，确定与所述一用户匹配度最高的电梯画像；获取与所确定的电梯画像对应的电梯距离最近的一空闲停车位；
42.依据所述一空闲停车位和所述一用户的当前位置，生成导航信息。
43.可选的，所述依据各商圈内所包含商店的商店信息，构建对应电梯的电梯画像，包括：
44.依据商店的商店信息生成商店的商店画像；
45.依据各商圈所包含商店的商店画像，获取各商圈对应电梯的电梯画像。
46.可选的，所述依据商店的商店信息生成商店的商店画像，包括：
47.将一商店的商店信息中的数据对照预设的特征数据字段进行分类整理，以获取原始店铺特征信息，其中，所述特征数据字段包括商店名称、售卖商品、交易数据以及公共设备环境参数；
48.依据原始店铺特征信息构建店铺标签体系，其中，所述店铺标签体系中的特征标签类别包括受众群体、商品结构、客单价以及服务功能；
49.使用k
‑
means聚类算法对所述店铺标签体系进行聚类处理，并以聚类结果作为商店画像的标签，生成所述一商店的商店画像。
50.可选的，所述依据各商圈内所包含商店的商店信息，构建对应电梯的电梯画像，包括：
51.获取一商圈内所包含商店的商店画像；
52.使用fast unfolding聚类算法对所获取的所有商店的商店画像进行聚类处理，并以聚类结果作为电梯画像的标签，生成所述一商圈对应的电梯的电梯画像。
53.可选的，所述依据用户的商场行为和活动数据构建用户画像，包括：
54.将一用户的商场行为和活动数据对照预设的特征数据字段进行分类整理，以获取原始用户特征信息，其中，所述特征数据字段包括用户名、已购商品、交易数据以及各店驻留情况；
55.依据原始用户特征信息构建用户标签体系，其中，所述用户标签体系中的特征标签类别包括群体定位、兴趣商品、消费能力以及购物习惯；
56.使用k
‑
means聚类算法对所述用户标签体系进行聚类处理，并以聚类结果作为用户画像的标签，生成所述一用户的用户画像。
57.本发明的有益效果在于：本发明首先分别以各个电梯为中心向外辐射一定区域范围，将大型商场划分成多个与电梯对应的商圈；然后对应各个商圈分别构建以其商店信息为分析对象而得到的电梯画像。由此，实现了对大型商场以电梯辐射的商圈为目标进行多维度消费属性的分析，获取各个电梯对应的消费属性。同时，本发明也将对车辆用户基于其商场行为和活动数据进行用户画像的构建，以获取用户的消费属性。最后，在通过电子围栏
检测到用户进入停车场后，立即调取该用户的用户画像，通过与各个电梯的电梯画像进行匹配，确定与该用户的消费属性最接近的“商圈”，引导该用户泊车至该“商圈”对应电梯附近的空闲停车位。至此，本发明实现了在用户进入停车场后便能接收到对应明确空闲停车位的泊车引导。对于用户而言，能够免去用户苦寻空闲车位的时间和精力，提高用户停车的便捷性，对于商场管理而言，能够优化停车管理，优化用户体验。同时，本发明还能够实现将停车位与电梯位置之间的关系，以及电梯位置及其对应商圈之间的关系，通过用户消费属性与商圈消费属性进行关联，以进一步实现基于用户的消费倾向性将其准确引导至商场的兴趣区域，即方便用户购物，优化用户购物体验；又能提高用户购买欲，提高商场业绩，从而获取双向优化的效果。
附图说明
58.图1为本发明实施例一种基于用户数据的智能停车导航与商业引导系统的架构组成示意图；
59.图2为本发明实施例中以一停车场电梯所在位置为中心获取的商圈示意图；
60.图3为本发明实施例一种基于用户数据的智能停车导航与商业引导方法的流程示意图；
61.图4为本发明实施例二中构建用户/电梯画像的流程示意图。
62.标号说明：
63.1、用户端；2、云端服务器；
64.21、停车管理平台；22、mysql数据库；
65.211、监控子系统；212、停车服务子系统；213、画像服务子系统；
66.2111、围栏构建模块；2112、检测模块；
67.2121、匹配模块；2122、停车位获取模块；2123、导航模块；
68.2131、商圈确定模块；2132、画像构建模块。
具体实施方式
69.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
70.实施例一
71.本实施例提供一种基于用户数据的智能停车导航与商业引导方法，如图3所示，方法包括以下步骤：
72.s1：分别以商场内各电梯所在的位置为中心，预设距离为辐射半径，确定各电梯对应的商圈。
73.其中，所述电梯指的是设于停车场内，作为商场入口的电梯。所述电梯所在的位置指的是电梯井的中心点。请参阅图2，对应多楼层的商场，则电梯m所在的位置指的是贯穿多楼层的电梯井的中心线位置，由电梯m所确定的商圈m’实际上是一个以该电梯的前述“中心线”为中心轴线的“圆柱体”，。可以理解为，电梯对应的商圈是由以该电梯在停车场内所在的位置为圆心，预设距离为半径构成的圆为底面，向上平移至顶层，所经过的空间范围构成。
74.另外，优选所述预设距离依据商场总面积和各电梯所在的位置确定，以使得所有商圈构成的总的空间范围能够覆盖商场所有商店。
75.在此，本实施例实现了将商场内的每一个停车场电梯都辐射出一个商圈。
76.s2：依据各商圈内所包含商店的商店信息，构建对应电梯的电梯画像。
77.其中，所述商店信息包括商店名称、经营范围(包括商品类别、品种及服务项目)、订单信息(包括每一笔订单及其中的商品单价、成交价以及商品数量)、规模以及场地规划等信息。其中，所述场地规划的获取用于确认商店能够提供的服务功能，例如提供茶歇服务，可以依据场地规划有休闲座椅等配套设施确定。优选地，所述商店信息还包括会员信息。
78.所述电梯画像能够使用精准的标签将电梯对应的商圈内的所有商店的商业特征属性转化联结起来。通过电梯画像，能够直观地了解电梯对应商圈的商业性特点。
79.在一具体示例中，所述电梯画像的标签类别包括受众群体、商品结构、客单价以及服务功能。
80.需要说明的是，本实施例中限定的商店信息的具体内容，与用户的商场行为和活动具有直接的关系。基于该直接关系，便能够使基于商店信息构建的电梯画像与基于用户商店行为和活动数据构建的用户画像在标签属性上具有关联性或对应性。由此，便可在后续步骤通过将电梯画像与用户画像进行匹配，而将“用户”与“商圈”关联起来。
81.在一具体实例中，可以通过限定商店的商店信息的时效性，进一步提高电梯画像的准确性。也就是说，可以通过限定用于分析电梯画像的商店信息是对应近期某一特定时间段内的，以确保作为分析基础数据的商店信息具有较高时效性，据此得出的电梯画像也更具准确性。所述近期某一特定时间段，优选为过去半个月、过去一个月，过去三个月等时间段。
82.s3：依据用户的商场行为和活动数据构建用户画像。
83.其中，所述用户特指有需求将车辆停泊在商场内的驾驶员。
84.其中，所述商场行为和活动数据，可以从用户端(手机)采集得到(所采集数据可以包括商场内的定位信息和消费记录)，还可以通过商场各处的监控设备采集获取，甚至可以结合各商店的订单信息(每一笔订单的支付账号信息、商品单价、成交价以及商品数量等)。当然，也可以同时基于上述三种渠道所采集的数据来获取用户的商场行为和活动数据。
85.在一具体示例中，还将同时依据用户的app行为数据构建所述用户画像。所述app行为数据从用户端采集得到，指的是用户日常在用户端上的app中操作生成的数据，操作包括点赞、订阅、播放等。所述app行为数据直接体现了用户的日常关注。例如，通过一用户的app行为数据可知其日常对家居用品兴趣浓厚，同时对护肤美妆也具有深入研究。
86.在一具体实例中，可以基于本实施例的方法实现一特定app，通过在该特定app中完成注册并授权进行数据采集，成为本实施例方法中的“用户”。
87.在一具体示例中，所述用户画像的标签类别包括群体定位、兴趣商品、消费能力以及购物习惯。例如，用户a的用户画像信息包括群体定位：20
‑
30岁之间的精致时髦女生；兴趣商品：美妆、服饰、娱乐用品及其对应的最感兴趣的几个品牌名称；消费能力：客单价为50
‑
200，月平均支出为1000
‑
3000；购物习惯：先逛za*a，后在星*克消费并驻留半小时以上。
88.通过所述用户画像，能够直观地了解用户在商场内的行为和活动特点。
89.在一具体实例中，同样可以通过限定所使用的商场行为和活动数据以及app行为数据(若有)的时效性，以进一步提高所构建得到的用户画像的准确性。优选地，可以限定所使用的商场行为和活动数据以及app行为数据(若有)对应近期某一特定时间段。可选的，所述特定时间段为过去一周、半个月、过去一个月，过去三个月等时间段。
90.s4：构建商场停车场对应的电子围栏。
91.具体而言，将预先在商场的停车场配置监控子系统，基于该监控子系统，构建对应商场停车场的封闭电子围栏，以使得对能够实时地判断任一用户端的实时位置是否位于所述电子围栏内。
92.s5：当检测到一用户对应的用户端进入所述电子围栏后，获取所述一用户的用户画像。
93.在一具体示例中，可以依据用户端的定位信息判断其是否进入电子围栏。对于云端服务器而言，将在得到授权后实时对用户端的定位信息进行采集和判断，确认其是否进入电子围栏；若进入，则云端服务器将即可调用该用户端对应的用户的用户画像。
94.s6：匹配所述一用户的用户画像与各电梯画像，确定与所述一用户匹配度最高的电梯画像；获取与所确定的电梯画像对应的电梯距离最近的一空闲停车位。
95.对应上述具体示例，用户画像的标签类别包括群体定位、兴趣商品、消费能力以及购物习惯；电梯画像的标签类别包括受众群体、商品结构、客单价以及服务功能。其中，所述群体定位对应所述受众群体；所述兴趣商品对应所述商品结构；所述消费能力对应所述客单价；所述购物习惯对应所述服务功能。因此，通过匹配，便可获取与所述一用户的商场内行为和活动特点最接近的商圈，若将所述一用户从停车场的该商圈电梯引导进入商场，则能够最大概率迎合该用户的购物喜好，激发其购物欲望，从而实现用户兴趣的精准投放，不仅便于用户购物，提升购物体验；而且能够有效提高商场业绩。
96.s7：依据所述一空闲停车位和所述一用户的当前位置，生成导航信息。
97.导航信息的投递，能够方便用户快速抵达目标停车位，免去苦寻车位的烦恼和时间消耗，实现高效停车。
98.实施例二
99.请参阅图4，本实施例在实施例一的基础上做进一步限定，具体限定了构建画像的过程。
100.具体而言，实施例一中的步骤s2：依据各商圈内所包含商店的商店信息，构建对应电梯的电梯画像，具体可以通过以下子步骤实现：
101.s21：依据商店的商店信息生成商店的商店画像；
102.下面，以其中一家商店生成其对应的商店画像的过程为例进行详细说明。
103.首先，对该商店的商店信息进行整理，将商店信息中的数据对照预设的特征数据字段进行分割和归整，以获取原始店铺特征信息。其中，所述特征数据字段至少包括商店名称、售卖商品、交易数据以及公共设备环境参数。
104.然后，依据原始店铺特征信息构建店铺标签体系。其中，所述店铺标签体系中的特征标签类别至少包括受众群体、商品结构、客单价以及服务功能。也就是说，最终生成的店铺画像中的特征标签内容，分别归属于上述各个类别。
105.最后，使用k
‑
means聚类算法对所述店铺标签体系进行聚类处理，并以聚类结果作
为商店画像的标签，生成所述一商店的商店画像。其中，所述k
‑
means聚类算法具有易于实现、收敛速度快、聚类效果优秀以及算力较小等特点，在本实施例中的运用，能够提高画像构建的效率和准确率。
106.在此，上述使用k
‑
means聚类算法对所述店铺标签体系进行聚类并得出聚类结果的过程可以具体化为：
107.将原始店铺特征信息中对应一个特征标签类别的所有原始数据作为样本数据，设定为样本数据集合为：a＝{b1,b2,
…
,b
n
}，其聚类类别数目为k；
108.设定聚类类别k的初始系数为{μ1,μ2,
…
,μ
n
},设定聚类中心为c；
109.则样本数据b
i
到均系数μ
j
之间的距离d为：
110.d＝(b
i
‑
μ
j
)2ꢀꢀ
公式(1)；
111.其中，所述i＝1,2，
…
，n；所述j＝1,2，
…
，n；
112.依据公式(1)确定b
i
的簇标标记：
113.b
i
＝argmin d
ꢀꢀ
公式(2)；
114.将样本数据代入上述公式(2)中，以对样本数据进行划分，并计算出新的均值数据：
[0115][0116]
将计算得到的数据作为更新数据，对样本数据展开迭代计算，完成信息聚类，并将聚类结果作为对应上述一特征标签类别的标签内容，即用户画像的标签之一。其他特征标签类别对应的标签获取类同，所有特征标签列类别下的标签内容构成了商店的商店画像。
[0117]
s22:依据各商圈所包含商店的商店画像，获取各商圈对应电梯的电梯画像。
[0118]
下面，以其中一个电梯对应的电梯画像的构建过程为例进行说明：
[0119]
先获取该电梯对应的商圈内所包含的所有商店的商店画像；然后使用fast unfolding聚类算法对所获取的所有商店的商店画像进行聚类处理，并以聚类结果作为电梯画像的标签，生成所述一商圈对应的电梯的电梯画像。所述fast unfolding聚类算法非常适用于具有已知社区结构(相当于本实施例中已知的各个商店画像)的聚类分析，同时具有多层次特点，能够准确、高效地得出多个复杂店铺标签体系的特性。
[0120]
与之类似的，实施例一中步骤s3所述依据用户的商场行为和活动数据构建用户画像，也是基于k
‑
means聚类算法获取。下面，以构建一用户的用户画像为例说明其过程：
[0121]
s31：将一用户的商场行为和活动数据对照预设的特征数据字段进行分类整理，以获取原始用户特征信息。其中，所述特征数据字段包括用户名、已购商品、交易数据以及各店驻留情况。可见，所述特征数据字段虽然与上述商店画像构建过程的特征数据字段在内容上不完全一致，但实际上具有直接对应关系，属于不同对象上的相同特性。
[0122]
s32：依据原始用户特征信息构建用户标签体系，其中，所述用户标签体系中的特征标签类别包括群体定位、兴趣商品、消费能力以及购物习惯。同样的，用户标签体系的特征标签类别也与电梯标签体系中的特征标签类别具有对应关系。
[0123]
s33：使用k
‑
means聚类算法对所述用户标签体系进行聚类处理，并以聚类结果作为用户画像的标签，生成所述一用户的用户画像。该步骤中使用k
‑
means聚类算法进行聚类处理的所涉及的公式计算与上述使用k
‑
means聚类算法对所述店铺标签体系进行聚类的公
式计算实质相同，请参考上述针对这部分的记载，在此不进行累述。
[0124]
在本实施例中，即针对每个车辆用户的商场行为和活动特性构建了用户画像，同时也基于实施例一划定的各个商圈分别进行特征属性分析和总结，高效获取准确的电梯画像，从而实现将商场分区标签化，以进一步实现通过停车导航，而将车辆用户精准投放其兴趣商圈，由此同时获取高效停车、优化停车管理、提升用户购物体验以及提高商场业绩等多项效果。
[0125]
实施例三
[0126]
本实施例对应实施例一，提供一种基于用户数据的智能停车导航与商业引导系统，请参阅图1，包括：云端服务器2和用户端1；所述云端服务器2包括mysql数据库22和停车管理平台21，所述mysql数据库22与所述停车管理平台21连接；
[0127]
所述停车管理平台21包括：画像服务子系统213、监控子系统211以及停车服务子系统212；其中，所述监控子系统211分别与所述停车服务子系统212和所述用户端1连接，所述停车服务子系统212与所述画像服务子系统213连接；
[0128]
所述画像服务子系统213包括：
[0129]
商圈确定模块2131，用于分别以商场内各电梯所在的位置为中心，预设距离为辐射半径，确定各电梯对应的商圈；其中，所述预设距离依据商场总面积和各电梯所在的位置确定，以使得所有商圈能够覆盖商场所有商店；
[0130]
画像构建模块2132，用于依据各商圈内所包含商店的商店信息，构建对应电梯的电梯画像；以及用于依据从用户端采集的用户的商场行为和活动数据构建用户画像；
[0131]
所述监控子系统211，包括：
[0132]
围栏构建模块2111，用于构建商场停车场对应的电子围栏；
[0133]
检测模块2112，用于当检测到一用户对应的用户端进入所述电子围栏后，则触发停车子系统从画像服务子系统获取所述一用户的用户画像；
[0134]
所述停车服务子系统212，包括：
[0135]
匹配模块2121，用于接收到用户画像后，匹配所述用户画像与各电梯画像，确定与所述一用户匹配度最高的电梯画像；
[0136]
停车位获取模块2122，用于获取与匹配模块确定的电梯画像对应的电梯距离最近的一空闲停车位；
[0137]
导航模块2123，用于依据停车位获取模块获取的空闲停车位和所述一用户的当前位置，生成导航信息，并发送至所述一用户对应的用户端。
[0138]
在一具体示例中，所述画像构建模块包括：
[0139]
商店画像构建单元，用于依据商店的商店信息生成商店的商店画像；
[0140]
电梯画像构建单元，用于依据各商圈所包含商店的商店画像，获取各商圈对应电梯的电梯画像。
[0141]
在另一具体示例中，所述商店画像构建单元包括：
[0142]
第一数据处理层，用于将一商店的商店信息中的数据对照预设的特征数据字段进行分类整理，以获取原始店铺特征信息，其中，所述特征数据字段包括商店名称、售卖商品、交易数据以及公共设备环境参数；
[0143]
第一标签体系构建层，用于依据原始店铺特征信息构建店铺标签体系，其中，所述
店铺标签体系中的特征标签类别包括受众群体、商品结构、客单价以及服务功能；
[0144]
商店画像构建层，用于使用k
‑
means聚类算法对所述店铺标签体系进行聚类处理，并以聚类结果作为商店画像的标签，生成所述一商店的商店画像。
[0145]
具体地，所述电梯画像构建单元包括：
[0146]
画像获取层，用于获取一商圈内所包含商店的商店画像；
[0147]
电梯画像构建层，用于使用fast unfolding聚类算法对所获取的所有商店的商店画像进行聚类处理，并以聚类结果作为电梯画像的标签，生成所述一商圈对应的电梯的电梯画像。
[0148]
与之相应的，所述画像构建模块包括：
[0149]
用户画像构建单元，用于依据用户的商场行为和活动数据构建用户画像；
[0150]
所述用户画像构建单元，包括：
[0151]
第二数据处理层，用于将一用户的商场行为和活动数据对照预设的特征数据字段进行分类整理，以获取原始用户特征信息，其中，所述特征数据字段包括用户名、已购商品、交易数据以及各店驻留情况；
[0152]
第二标签体系构建层，用于依据原始用户特征信息构建用户标签体系，其中，所述用户标签体系中的特征标签类别包括群体定位、兴趣商品、消费能力以及购物习惯；
[0153]
用户画像构建层，用于使用k
‑
means聚类算法对所述用户标签体系进行聚类处理，并以聚类结果作为用户画像的标签，生成所述一用户的用户画像。
[0154]
由上述可知，本实施例提供的基于用户数据的智能停车导航与商业引导系统，能够基于画像服务子系统，将商场依据停车入口电梯划分出多个商圈，并依据商圈内所有商店的信息构建出电梯画像，而后构建出车辆用户的用户画像；当监控子系统监控到车辆用户进入商场停车场后，即可获取该用户的用户画像，再由停车服务子系统将其与各个电梯画像进行匹配，从而确定与该用户兴趣最为贴近的商圈，并通过导航信息将其引导至距离该商圈最近的空闲停车位泊车。可见，本实施例提供的系统不仅能够为用户提供高效停车的服务，同时更有利于商场的停车管理；而且能够投其所好，为用户提供优质的购物体验，高效满足其购物需求；进一步地，还能提高商场的业绩，可谓一举多得。
[0155]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。