一种时空车辆活跃性分析与营销推荐方法与流程

本发明属于营销，涉及一种时空车辆活跃性分析与营销推荐方法。

背景技术：

1、车辆活跃性分析及基于此技术的营销推荐系统在智能交通和智慧城市的背景下具有显著的商业价值和社会意义。通过精确分析特定区域内车辆的活跃模式，这类系统不仅能够帮助企业理解消费者的行为习惯，还能够基于这些习惯提供个性化的营销策略，从而提高营销效率和效果。例如，通过分析晚间频繁进出某商业园区的车辆，企业可以针对性地推广夜宵送餐服务或夜间便利设施，直接对特定需求群体进行营销。

2、现有的的车辆活跃性分析技术通常依赖于传统的数据分析方法与简单的统计模型，如频率统计、聚类分析等，用于识别特定时间段内车辆的活跃模式。这些分析往往依赖于预设的阈值或简单的模式识别，缺乏深度的行为理解。随着深度学习技术的兴起，一些方法尝试结合深度神经网络来解决该问题，然而这些方法在处理复杂的时空数据时往往存在局限性。特别是在需要分析车辆在特定时间和地点的动态行为模式时，如何从大量的时空数据中有效地提取和利用这些信息成为了一大挑战。此外，现有方法在预测车辆行为模式时往往缺乏精确性，无法有效地识别和预测特定环境下车辆的行为趋势，具体表现在以下几方面：（1）无法有效应对数据的非结构性和复杂性带来的挑战：车辆活跃性数据通常包括大量的时空信息，这些数据在时间和空间上具有高度的非结构性，传统的深度神经网络（如全连接网络或标准卷积神经网络）通常需要预定义的、规则的数据结构，而难以直接处理非结构化的图形数据或复杂的时空数据；（2）时空关系的捕捉不足：车辆之间的时空间关系对于分析其行为模式以及真实活跃度至关重要。例如，多辆车在特定时间频繁出现在同一地点可能暗示着特定事件或需求，传统的神经网络模型主要设计用于处理独立同分布的数据，往往无法有效捕捉和利用这种复杂的空间关系；（3）动态特性的处理困难：车辆行为的动态性是分析的另一个挑战。车辆的活动模式可能随时间、地点、外部事件等因素而变化，传统的深度学习模型在处理这种动态变化时，尤其是在没有足够时间序列数据的支持下，可能难以做出准确的长期行为预测。

技术实现思路

1、本发明的目的在于克服现有技术存在的确实，设计提供一种时空车辆活跃性分析与营销推荐方法，通过深入分析车辆的时空数据，采用图卷积网络（gcns）来捕捉车辆间的复杂空间和时间关系，同时利用变分自编码器（vaes）进一步提取深层行为特征并增强预测的泛化能力，实时识别特定的行为模式，并自动生成个性化的营销推荐，极大地提高营销活动的针对性和效果。

2、为实现上述目的，本发明采用以下技术方案：

3、一种时空车辆活跃性分析与营销推荐方法，具体包括以下步骤：

4、s1、车辆数据收集：收集gps追踪器、交通监控设备、移动应用或传感器采集的车辆数据，并对车辆数据进行数据清洗和数据标准化处理；

5、s2、图数据建模：将车辆表示为图中的节点，车辆间的相互作用或行为相似性表示为图中的边进行图数据建模；

6、s3、图模型构建：基于图卷积网络构建图模型，图卷积网络对节点特征进行处理，学习节点间的依赖关系，获得车辆行为数据；

7、s4、特征提取：利用变分自编码器处理并提炼s3获得的车辆行为数据，得到车辆的高维特征向量；

8、s5、车辆活跃度分析：对车辆的高维特征向量，训练基于神经网络的回归模型计算活跃度分数，使用k-means聚类算法识别不同的行为模式，使用自回归积分滑动平均模型（arima）对车辆的活跃度时间趋势进行预测；

9、s6、营销策略生成：根据步骤s5得到的活跃度分数、行为模式和趋势预测，识别最具潜力的目标客户群体，并为不同的车辆群体设计定制化的营销策略，对不同的营销策略进行a/b测试，以评估哪些策略最有效，并据此调整优化。

10、作为本发明的进一步技术方案，步骤s1所述车辆数据包括地理位置坐标、时间戳、行驶速度、频繁停留地点、交通状况数据，数据清洗包括去除噪声和异常值以及缺失值处理，数据标准化包括时间同步和空间标准化。

11、作为本发明的进一步技术方案，步骤s2所述节点的定义为：每个节点代表一个车辆实体，节点的特征向量由步骤s1处理后的车辆数据构成，车辆数据包括车辆的行驶速度、当前位置、历史位置；边的定义为：边代表车辆和间的相互关系，相互关系基于地理距离、行驶路径交叉、时间重叠因素设定，边的权重根据车辆间的相互接近度确定，使用高斯核来衡量：，其中是车辆和之间的距离，是高斯核的标准差，用于控制权重的衰减速度。

12、作为本发明的进一步技术方案，步骤s3所述图卷积网络通过邻居节点的特征更新节点的特征表示，节点在每次卷积后的新特征通过以下公式计算：，其中，是节点i的邻居节点集合，和是第层的权重矩阵和偏置向量，是非线性激活函数，是归一化常数，表示邻居的数量,为邻居节点的特征，经过图卷积操作后，使用最大值聚合函数，通过汇总邻居节点的信息来更新每个节点的特征，捕捉节点间的空间关系，从而得到车辆行为数据。

13、作为本发明的进一步技术方案，步骤s4所述变分自编码器包括编码器和解码器两部分，编码器由多层全连接层组成的神经网络构成，将输入的车辆行为数据转换为潜在变量，输出潜在变量的均值和方差,解码器的结构与编码器对称，解码器基于潜在变量重构输入数据，其中编码器输出的潜在变量的后验分布设为高斯分布：,其中和是神经网络基于输入计算的均值和方差，潜在变量的先验分布设为标准正态分布：；解码器基于潜在变量重构输入数据的分布为，其中和是解码器输出的均值和方差；变分自编码器（vaes）的目标是最大化证据下界，其损失函数由两部分组成：，其中第一项是重构误差，反映重构数据的质量；第二项是kl散度，度量编码后的潜在变量分布与其先验分布之间的差异，通过以上步骤，得到车辆的高维特征向量。

14、作为本发明的进一步技术方案，步骤s5所述基于神经网络的回归模型的第个隐藏层用公式表示为：，其中，和分别是第层的权重矩阵和偏置向量，是relu激活函数,回归模型输出预测的活跃度分数，其中是隐藏层的数量。

15、作为本发明的进一步技术方案，步骤s5所述k-means聚类算法的目标为最小化簇内方差：，其中是簇的数量，是第个簇中的样本集合，是簇的中心，根据聚类结果对车辆行为模式进行标注和分析，识别出特定时间活动的车辆群体或频繁访问某地点的车辆。

16、作为本发明的进一步技术方案，步骤s5所述使用自回归积分滑动平均模型（arima）对车辆的活跃度时间趋势进行预测时，先将得到的各车辆节点的高维特征向量按时间顺序排列，构建时间序列数据集，预测结果为：,其中是自回归项的阶数，是差分阶数，是滑动平均项的阶数，是滞后算子，是时间的观测值，是误差项,通过自回归积分滑动平均模型，从高维时间序列数据中进行未来趋势预测。

17、与现有技术相比，本发明具有以下有益效果：

18、（1）通过构建反映车辆间空间和时间关系的图模型，利用gcns精确捕捉车辆在特定时间和地点的动态互动，从而有效揭示车辆群体的行为模式和趋势，同时，vaes被用来深入挖掘车辆行为的潜在特征，提升模型对复杂时空数据的处理能力和预测准确性。

19、（2）通过聚类分析可以识别出车辆在特定时间和地点的行为模式，通过连续监测和分析车辆的位置和时间数据，能够预测车辆行为的未来趋势，实时更新车辆行为的动态变化，有助于企业及时调整营销策略，以适应市场和客户行为的变化；不仅能够提供对车辆活跃度分析的更为深入的理解，还能实时地预测和识别特定的行为模式，如频繁进出特定区域的车辆，在智能交通系统和智慧城市管理中，能够帮助相关企业和机构通过精确的数据分析，制定更有效的营销策略，从而优化资源分配，提高服务质量和经济效益。

技术特征：

1.一种时空车辆活跃性分析与营销推荐方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述时空车辆活跃性分析与营销推荐方法，其特征在于，步骤s1所述车辆数据包括地理位置坐标、时间戳、行驶速度、频繁停留地点、交通状况数据，数据清洗包括去除噪声和异常值以及缺失值处理，数据标准化包括时间同步和空间标准化。

3.根据权利要求2所述时空车辆活跃性分析与营销推荐方法，其特征在于，步骤s2所述节点的定义为：每个节点代表一个车辆实体，节点的特征向量由步骤s1处理后的车辆数据构成，车辆数据包括车辆的行驶速度、当前位置、历史位置；边的定义为：边代表车辆和间的相互关系，相互关系基于地理距离、行驶路径交叉、时间重叠因素设定，边的权重根据车辆间的相互接近度确定，使用高斯核来衡量：，其中是车辆和之间的距离，是高斯核的标准差，用于控制权重的衰减速度。

4.根据权利要求3所述时空车辆活跃性分析与营销推荐方法，其特征在于，步骤s3所述图卷积网络通过邻居节点的特征更新节点的特征表示，节点在每次卷积后的新特征通过以下公式计算：，其中，是节点i的邻居节点集合，和是第层的权重矩阵和偏置向量，是非线性激活函数，是归一化常数，表示邻居的数量,为邻居节点的特征，经过图卷积操作后，使用最大值聚合函数，通过汇总邻居节点的信息来更新每个节点的特征，捕捉节点间的空间关系，从而得到车辆行为数据。

5.根据权利要求4所述时空车辆活跃性分析与营销推荐方法，其特征在于，步骤s4所述变分自编码器包括编码器和解码器两部分，编码器由多层全连接层组成的神经网络构成，将输入的车辆行为数据转换为潜在变量，输出潜在变量的均值和方差,解码器的结构与编码器对称，解码器基于潜在变量重构输入数据，其中编码器输出的潜在变量的后验分布设为高斯分布：,其中和是神经网络基于输入计算的均值和方差，潜在变量的先验分布设为标准正态分布：；解码器基于潜在变量重构输入数据的分布为，其中和是解码器输出的均值和方差；变分自编码器（vaes）的目标是最大化证据下界，其损失函数由两部分组成：，其中第一项是重构误差，反映重构数据的质量；第二项是kl散度，度量编码后的潜在变量分布与其先验分布之间的差异，通过以上步骤，得到车辆的高维特征向量。

6.根据权利要求5所述时空车辆活跃性分析与营销推荐方法，其特征在于，步骤s5所述基于神经网络的回归模型的第个隐藏层用公式表示为：，其中，和分别是第层的权重矩阵和偏置向量，是relu激活函数,回归模型输出预测的活跃度分数，其中是隐藏层的数量。

7.根据权利要求6所述时空车辆活跃性分析与营销推荐方法，其特征在于，步骤s5所述k-means聚类算法的目标为最小化簇内方差：，其中是簇的数量，是第个簇中的样本集合，是簇的中心，根据聚类结果对车辆行为模式进行标注和分析，识别出特定时间活动的车辆群体或频繁访问某地点的车辆。

8.根据权利要求7所述时空车辆活跃性分析与营销推荐方法，其特征在于，步骤s5所述使用自回归积分滑动平均模型对车辆的活跃度时间趋势进行预测时，先将得到的各车辆节点的高维特征向量按时间顺序排列，构建时间序列数据集，预测结果为：,其中是自回归项的阶数，是差分阶数，是滑动平均项的阶数，是滞后算子，是时间的观测值，是误差项,通过自回归积分滑动平均模型，从高维时间序列数据中进行未来趋势预测。

技术总结
本发明属于营销推荐技术领域，涉及一种时空车辆活跃性分析与营销推荐方法，通过深入分析车辆的时空数据，采用图卷积网络来捕捉车辆间的复杂空间和时间关系，同时利用变分自编码器进一步提取深层行为特征并增强预测的泛化能力，实时识别特定的行为模式，并自动生成个性化的营销推荐，极大地提高营销活动的针对性和效果，不仅能够提供对车辆活跃度分析的更为深入的理解，还能实时地预测和识别特定的行为模式，在智能交通系统和智慧城市管理中，能够帮助相关企业和机构通过精确的数据分析，制定更有效的营销策略，从而优化资源分配，提高服务质量和经济效益。

技术研发人员：刘寒松,王永,刘瑞,李越,董玉超,焦安健,刘志强
受保护的技术使用者：松立控股集团股份有限公司
技术研发日：
技术公布日：2024/12/5