线下停车记录与线上购买行为融合的个性化商品推荐方法

1.本发明属于数据分析技术领域，涉及一种线下停车记录与线上购买行为融合的个性化商品推荐方法。


背景技术：

2.目前国内外大中城市为了缓解停车难问题，都开发实施了城市级的智慧停车系统，如我国的上海、深圳和成都等城市都已经完成了覆盖城市区域内大部分停车场的智慧停车系统(包括智慧停车app，微信公众号以及小程序)的部署与运行，为出行用户搜索目的地周边可用车位，停车自助缴费和预约车位等提供了便利途径。智慧停车系统是指将无线通信技术、移动终端技术、gps定位技术、gis技术等综合应用于城市区域内各种商业和公共停车场的停车位状态的采集、管理、查询、预订与导航服务，实现停车位资源的实时更新、查询、预订与导航服务一体化。智慧停车系统有效地减少了用户在目的地周边街道低速巡游搜索车位的时间成本，车辆尾气排放和交通拥堵等问题，同时也有效提升了停车资源的利用率。
3.从上个世纪九十年代开始，电商平台已经开始利用用户的在线商品浏览、点击和购买等行为数据，开发了一系列推荐方法，帮助商家为消费者提供个性化和精准的商品推送，增加了广告转化率和电商平台收入。
4.智慧停车系统的广泛使用，也为商家定向推送商品广告提供了新的途径。目前一些智慧停车系统通过与广告商合作，在用户使用系统时推送无差别的商品广告，但未能充分利用用户线下停车记录，针对具体不同的用户推送个性化的商品广告。


技术实现要素：

5.本发明提供了一种线下停车记录与线上购买行为融合的个性化商品推荐方法，该方法利用城市级智慧停车系统记录的用户在一段时间内多个停车场的停车记录以及用户对内嵌于智慧停车系统的商品广告的历史购买行为数据，构建用户停车时空路径相似度计算模型，然后基于用户的历史购买行为数据对目标用户进行协同过滤推荐。
6.本发明采用的技术方案如下：线下停车记录与线上购买行为融合的个性化商品推荐方法，其特征在于，该方法基于多个停车场的用户停车记录，构建用户停车时空路径；再通过用户时空路径相似度计算模型，计算出任意两个用户之间的时空路径相似度，构建用户相似度矩阵；然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户，基于这一组用户对停车系统推送商品的历史购买行为数据，计算出目标用户对停车系统推送的商品的偏好值，按偏好值对目标用户进行协同过滤推荐。
7.所述用户停车时空路径，是指基于一段时间内用户的停车记录，以停车场为节点，按时间顺序构建的一条序列；所述节点具有四个属性：停车场编号、周边兴趣点（point of interest of place, poi）编号、用户到达时间及停留时长。其中，兴趣点（poi）为地理信息
系统范畴中的概念，具体指与人们生活密切相关可以抽象为点的地理实体，如学校、银行、餐馆、医院、超市、公交站等。
8.所述历史购买行为数据，是指停车系统(包括智能手机上的app，微信公众号或小程序等)向用户推送商品后，停车系统记录的用户点击、浏览和购买商品的数据。
9.所述用户停车时空路径相似度计算模型，用于根据用户停车时空路径，计算两个用户之间的最长加权相似子序列的加权长度，进行归一化后得到两个用户之间的时空路径相似度。
10.所述用户停车时空路径相似度计算模型，具体为：定义a用户的停车时空路径为（），b用户的停车时空路径为（），其中，表示a用户停车时空路径中第个节点，，表示b用户停车时空路径中的第个节点，。每个节点均具有四个属性，其中表示对应节点的停车场编号，表示对应节点的兴趣点编号，表示用户在对应节点的到达时间，表示用户在对应节点的停留时长；当a用户和b用户的某一节点的停车场编号相同或者兴趣点编号相同时，则该节点为相似节点。
11.定义a用户前m个节点和b用户前n个节点的最长加权相似子序列的加权长度为；采用递归的方式计算最长加权相似子序列的加权长度，然后计算a用户与b用户之间的时空路径相似度：。
12.优选地，所述最长加权相似子序列的加权长度的计算步骤为：s1、判断a用户第m个节点和b用户第n个节点的停车场编号是否相同；若相同，则转到s2.1，若不同则转到s2.2。
13.s2.1、判断 1**、、这三个值的大小，令取最大值；其中，表示a用户前m
−
1个节点和b用户前n
−
1个节点的最长加权相似子序列的加权长度，参数为a用户在第m个节点和b用户在第n个节点的到达时间相似度，参数为a用户在第m个节点和b用户在第n个节点的停留时长相似度；表示a用户前m
−
1个节点和和b用户前n个节点的最长加权相似子序列的加权长度；表示a用户前m个节点和b用户前n
−
1个节点的最长加权相似子序列的加权长度。
14.s2.2、判断a用户第m个节点和b用户第n个节点的的兴趣点编号是否相同；若兴趣点编号不同，则判断和这两个值的大小，令取较大值；若兴趣点编号相
同，则判断 **、、这三个值的大小，令取最大值，其中为量化两个节点兴趣点相同时空间邻近性的一个预设值。
15.s3、从a用户的第m个节点和b用户的第n个节点一直递归到a用户和b用户的第一个节点的最长加权相似子序列的加权长度，计算得到的值。
16.本发明使用停车场目前暂未有效利用的用户停车记录，分析整理得到用户停车时空路径信息，并构建了一个用户停车时空路径相似度计算模型，来实现对用户进行个性化的商品推荐。首先，获取城市级智慧停车系统所覆盖的停车场的用户停车记录，使用本发明提出的用户停车时空路径相似度计算模型计算出任意两个用户之间的停车时空路径相似度，构建用户相似度矩阵；其次，基于协同过滤算法，从相似度矩阵中提取与目标用户停车行为相似度最高的一组用户，使用这一组用户对系统推送商品的历史购买行为数据，计算出目标用户对系统推送商品的偏好值；最后，对目标用户进行个性化的商品推荐。本发明通过用户的线下停车记录来刻画用户之间的相似度，并以此为基础在智慧停车系统中对用户进行个性化的商品推荐，与当前智慧停车系统中的无差别商品推荐相比，能做到个性化商品推荐和更好的准确性，既能提高转化率和智慧停车系统的收入，创造线下停车记录更多的数据价值，还能为用户推荐更加符合兴趣偏好的商品。
附图说明
17.图1为本发明线下停车记录与线上购买行为融合的个性化商品推荐方法的流程图。
18.图2 为本实施例中a用户和b用户的停车时空路径示意图。
19.附图标号说明：
●
表示a用户的节点，
▲
表示b用户的节点。
具体实施方式
20.为了更好的说明本发明的技术方案及优势，以下结合具体实施例，对本发明作进一步地阐述。图1为本发明线下停车记录与线上购买行为融合的个性化商品推荐方法的流程图，该方法基于多个停车场的用户停车记录，构建用户停车时空路径；再通过用户时空路径相似度计算模型，计算出任意两个用户之间的时空路径相似度，构建用户相似度矩阵；然后从用户相似度矩阵中提取与目标用户停车记录相似度最高的一组用户，基于这一组用户对停车系统推送商品的历史购买行为数据，计算出目标用户对停车系统推送的商品的偏好值，按偏好值对目标用户进行协同过滤推荐。
21.图2 为本实施例中a用户和b用户的停车时空路径示意图，假设在一段时间内，a用户的停车时空路径为（），b用户的停车时空路径为（），其中表示a用户停车时空路径中的第个节点，，表示b用户停车时空路径中的第个节点，。每个节点均具有四个属性，其中表示对应节点的停车场编
号，表示对应节点的兴趣点编号，表示用户在对应节点的到达时间，表示用户在对应节点的停留时长，到达时间和停留时长只表示时分秒属性，范围为0-86399秒。当a用户和b用户的某一节点的停车场编号相同或者兴趣点编号相同时，则该节点为相似节点，其中对于和中的停车场编号相同，定义=，兴趣点编号相同，定义≈。由a用户和b用户的相似节点构成的停车时空路径的相似子序列为=，其中，相似子序列l中的第k个相似节点，k=1,2,..,。
22.在本实施例中，(5,0,28415,7060)，(2,2,31907,5360)，(7,2,43551,2655)，(5,0,38586,2831)，(7,2,27373,3744)，(2,2,55234,3908)。
23.因此，a用户和b用户停车时空路径的相似子序列为l=[(,)]，l=[(,)]，l=[(,)]，l=[(,)]，l=[(,)]，l=[(,), (,)]，l=[(,), (,)]，l=[(,), (,)]，l=[(,), (,)]，l=[(,)，(,)]，l=[(,) ,(,) , (,)]。a用户和b用户时空路径的相似子序列有很多条，本发明提出的用户停车时空路径相似度计算模型不需要找出每一条相似子序列并计算其加权长度，只需要通过递归的方法直接找到最长加权相似子序列的加权长度，而不关注最长加权相似子序列的具体情况，就能刻画两个用户之间的时空路径相似度。
[0024]
定义a用户前3个节点和b用户前3个节点的最长加权相似子序列的加权长度为，作为a用户与b用户之间的时空路径相似性的度量指标；采用递归的方式计算最长加权相似子序列的加权长度，计算公式如下：其中，为量化两个节点兴趣点相同时空间邻近性的一个预设值，本实施例中定为0.5；为到达时间相似度，计算公式如下：
其中，表示a用户在相似节点k的到达时间，表示b用户在相似节点k的到达时间。
[0025]
β为停留时间相似度，计算公式如下：其中，表示a用户在相似节点k的停留时长，表示b用户在相似节点k的停留时长。
[0026]
实际计算过程： = = = = == =0= = * =0.3538== =0.3538= ==0.3538= ==0.6847=0.3538= = =0.9301= =0.3538= ==0.8860== =0.9785。
[0027]
最后计算a用户与b用户之间的时空路径相似度： 0.3262同理可以计算出任意两个用户之间的时空路径相似度，得到用户相似度矩阵。然后结合用户相似度矩阵和用户的历史购买行为数据，对目标用户进行基于协同过滤算法的商品推荐，包括以下步骤：s1，对于目标用户，在用户相似度矩阵中查找到其与已有购买记录的用户的时
空路径相似度。
[0028]
s2，根据时空路径相似度，选取与目标用户最为相似的k个用户，用集合 s(, k) 表示。
[0029]
s3，计算商品的购买可能性：首先将集合s 中用户的历史购买行为数据全部提取，对于每个候选商品，用户对它的购买可能性为：其中，表示购买过商品的用户集合，表示用户是否购买过商品（购买为1，未购买为0）。
[0030]
s4，对上一步骤中计算出的购买可能性，进行降序排列后选择前n个商品，对目标用户进行推荐。