CN119850253B 一种商业空间内不同场景的用户消费行为分析方法及系统 （杭州邻汇网络科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119850253B(45)授权公告日2025.07.08

(21)申请号202510316020.8

(22)申请日2025.03.18

(65)同一申请的已公布的文献号申请公布号CN119850253A

(43)申请公布日2025.04.18

(73)专利权人杭州邻汇网络科技有限公司

地址311100浙江省杭州市余杭区五常街

道西溪八方城11幢207室-210室

(72)发明人李颖肿施可陈特夫

(74)专利代理机构杭州润涞知识产权代理事务所(特殊普通合伙)33358

专利代理师王杰

(51)Int.CI.

GO6Q30/0202(2023.01)

GO6T17/00(2006.01)

GO6K17/00(2006.01)

(56)对比文件

CN

111798260

A,2020.10.20

CN

119600521

A,2025.03.11

CN

111148035

A,2020.05.12

审查员张滔

权利要求书3页说明书8页附图2页

(54)发明名称

一种商业空间内不同场景的用户消费行为分析方法及系统

(57)摘要

CN119850253B本发明涉及空间行为分析技术领域，本发明公开了一种商业空间内不同场景的用户消费行为分析方法及系统，包括通过无线定位装置和分布式环境传感器获取用户行为数据；将多源异构数据进行时空对齐，并融合交易系统的商品粒度数据构建三维轨迹模型；基于三维轨迹模型识别用户的驻留特征与移动模式，关联商品分布生成动态热力图；根据热力图的密度梯度与用户属性层级调整导引策略及环境参数；整合支付特征数据与用户行为数据更新用户标签，生成跨区域关联策略，本方法提供了全面、灵活且高效的商业空间用户消费行为分析方法，解决了现有技术对

CN119850253B

CN119850253B权利要求书1/3页

2

1.一种商业空间内不同场景的用户消费行为分析方法，其特征在于：包括，

通过无线定位装置和分布式环境传感器获取用户行为数据；

将多源异构数据进行时空对齐，通过用户的活动轨迹与存储在数据库中的动态环境数据建立联结，计算时间戳和位置标识在空间和时间上的相似性，动态关联数据，构建三维轨迹模型；

基于三维轨迹模型识别用户的驻留特征与移动模式，关联商品分布生成动态热力图；

所述识别用户的驻留特征与移动模式包括，从用户行为数据中提取驻留时间、频率和移动速度的行为特征，构建用户活动模型；

用户活动模型的输入层接收多种状态信息，包括：

用户位置信息，即当前坐标(x,y),即用户在商业空间内的实时坐标位置；

时间戳，用于捕捉用户行为的时间特征；

用户历史行为，帮助用户活动模型捕获用户的习惯；

用户活动模型的隐藏层使用3-5层的全连接隐藏层，每层包含多个神经元：

使用ReLU激活函数，以引入非线性，并加速收敛；采用Dropout来减少过拟合的风险，提高泛化能力；

输出层用于预测用户的下一个行为：

进行粗略行为预测时，当作二分类问题输出两个节点，分别表示“移动”和“停留”的概率，其中，移动/停留分类的F1-score≥0.92;

进行精确的下一位置预测时，创建一个回归层输出用户的下一个位置坐标(x,y),提供用户预期行为的具体位置；

预测位置与真实坐标的欧氏距离误差均值MAE,当MAE≤0.5米时判定收敛；计算方式：

其中，N为样本总数，Xpred、Ypred分别为预测位置横纵坐标值，Xreal、Yreal分别为真实位置横纵坐标值；

应用增强学习中的行为克隆方法，模拟用户在商业空间的典型移动模式，通过实时数据反馈机制，持续监控用户行为数据的变化，采用流数据分析技术，实时捕捉用户行为趋势，调整用户活动模型参数；

通过增量学习方法，在用户活动模型不进行重新训练的情况下，仅基于新增数据进行参数调整，使用户活动模型始终反映最新的用户行为特征；

使用正则化损失函数计算新增数据对当前模型的误差梯度，公式为：

Vθ=α*(VLnew+|OII);

其中，▽为误差梯度，αa为动态学习率，λ为正则化系数，▽Lnew为新数据损失函数的梯度，0为输入数据；

CN119850253B权利要求书