基于手机移动支付的用户位置预测

发布时间：2023-04-02 05:49

　　近年来,智能设备的发展迅猛。在现有条件下,令智能设备获取用户到准确的房间定位,成为一个研究热门。本文针对室内在多WIFI信号覆盖下,伴随着WIFI设备的位置移动、信号衰减等不稳定因素的现实环境,对手机用户进行准确的室内房间定位。本文选取研究场合为商场,利用手机移动支付的大数据,将用户定位至准确的商店。随着智能手机移动设备的普及,O2O(Online to Offline)消费模式得到了快速的发展。线下商场中精准的广告投放是O2O的一种重要营销手段,但对于线下商店,随机投放会对商场中的多数用户造成无意义的干扰,同时也增加了商家的营销成本。因此,在线下商场里,利用手机用户的信息,实时预测手机用户所在的商店,在广告精准投放中显得尤为重要。由于移动支付普及,在线下商场里,用户利用阿里平台支付时产生的大量手机信息及位置标签,其数据易于采集且数据量大,位置信息准确且不需要人工进行标注,利用大数据及机器学习的方法对其进行挖掘,并对用户在商场里的所在商店进行预测,具备实时性预测条件以及推广条件。由于现实商场环境中,WIFI设备型号众多,信号发射强度与位置各异,手机经纬度信息不准确程度高,因此获取到的手...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 论文研究的主要思路和内容
    1.4 论文组织架构
第二章 手机移动用户数据分析
    2.1 手机用户数据简介
        2.1.1 数据获取
        2.1.2 数据属性介绍
    2.2 用户数据属性分析
        2.2.1 空间属性分析
        2.2.2 时间属性分析
        2.2.3 WIFI信号属性分析
        2.2.4 商店标签属性
    2.3 本章小结
第三章 用户定位预测理论
    3.1 传统分类算法原理
        3.1.1 逻辑回归算法
        3.1.2 SVM算法
    3.2 随机森林算法原理
        3.2.1 决策树算法
        3.2.2 随机森林的bagging策略与随机性
        3.2.3 优缺点
    3.3 XGBoost算法原理
        3.3.1 提升树
        3.3.2 XGBoost参数估计
        3.3.3 树生成过程
        3.3.4 优缺点
    3.4 基于贝叶斯的模型融合算法
        3.4.1 先验假设
        3.4.2 算法结构
        3.4.3 优化收敛过程
        3.4.4 优缺点
    3.5 本章小结
第四章 系统建立生成及结果分析
    4.1 系统建立生成
        4.1.1 训练数据划分
        4.1.2 商店标签编码方式
        4.1.3 算法模型评价标准
    4.2 实验过程及结果分析
        4.2.1 传统模型结果分析
        4.2.2 随机森林结果分析
        4.2.3 XGBoost结果分析
        4.2.4 贝叶斯结果分析
    4.3 本章小结
总结与展望
    总结
    展望
参考文献
攻读学位期间发表论文
致谢



本文编号：3778671