本發(fā)明屬于營銷，涉及一種時空車輛活躍性分析與營銷推薦方法。

背景技術：

1、車輛活躍性分析及基于此技術的營銷推薦系統(tǒng)在智能交通和智慧城市的背景下具有顯著的商業(yè)價值和社會意義。通過精確分析特定區(qū)域內(nèi)車輛的活躍模式，這類系統(tǒng)不僅能夠幫助企業(yè)理解消費者的行為習慣，還能夠基于這些習慣提供個性化的營銷策略，從而提高營銷效率和效果。例如，通過分析晚間頻繁進出某商業(yè)園區(qū)的車輛，企業(yè)可以針對性地推廣夜宵送餐服務或夜間便利設施，直接對特定需求群體進行營銷。

2、現(xiàn)有的的車輛活躍性分析技術通常依賴于傳統(tǒng)的數(shù)據(jù)分析方法與簡單的統(tǒng)計模型，如頻率統(tǒng)計、聚類分析等，用于識別特定時間段內(nèi)車輛的活躍模式。這些分析往往依賴于預設的閾值或簡單的模式識別，缺乏深度的行為理解。隨著深度學習技術的興起，一些方法嘗試結合深度神經(jīng)網(wǎng)絡來解決該問題，然而這些方法在處理復雜的時空數(shù)據(jù)時往往存在局限性。特別是在需要分析車輛在特定時間和地點的動態(tài)行為模式時，如何從大量的時空數(shù)據(jù)中有效地提取和利用這些信息成為了一大挑戰(zhàn)。此外，現(xiàn)有方法在預測車輛行為模式時往往缺乏精確性，無法有效地識別和預測特定環(huán)境下車輛的行為趨勢，具體表現(xiàn)在以下幾方面：（1）無法有效應對數(shù)據(jù)的非結構性和復雜性帶來的挑戰(zhàn)：車輛活躍性數(shù)據(jù)通常包括大量的時空信息，這些數(shù)據(jù)在時間和空間上具有高度的非結構性，傳統(tǒng)的深度神經(jīng)網(wǎng)絡（如全連接網(wǎng)絡或標準卷積神經(jīng)網(wǎng)絡）通常需要預定義的、規(guī)則的數(shù)據(jù)結構，而難以直接處理非結構化的圖形數(shù)據(jù)或復雜的時空數(shù)據(jù)；（2）時空關系的捕捉不足：車輛之間的時空間關系對于分析其行為模式以及真實活躍度至關重要。例如，多輛車在特定時間頻繁出現(xiàn)在同一地點可能暗示著特定事件或需求，傳統(tǒng)的神經(jīng)網(wǎng)絡模型主要設計用于處理獨立同分布的數(shù)據(jù)，往往無法有效捕捉和利用這種復雜的空間關系；（3）動態(tài)特性的處理困難：車輛行為的動態(tài)性是分析的另一個挑戰(zhàn)。車輛的活動模式可能隨時間、地點、外部事件等因素而變化，傳統(tǒng)的深度學習模型在處理這種動態(tài)變化時，尤其是在沒有足夠時間序列數(shù)據(jù)的支持下，可能難以做出準確的長期行為預測。

技術實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術存在的確實，設計提供一種時空車輛活躍性分析與營銷推薦方法，通過深入分析車輛的時空數(shù)據(jù)，采用圖卷積網(wǎng)絡（gcns）來捕捉車輛間的復雜空間和時間關系，同時利用變分自編碼器（vaes）進一步提取深層行為特征并增強預測的泛化能力，實時識別特定的行為模式，并自動生成個性化的營銷推薦，極大地提高營銷活動的針對性和效果。

2、為實現(xiàn)上述目的，本發(fā)明采用以下技術方案：

3、一種時空車輛活躍性分析與營銷推薦方法，具體包括以下步驟：

4、s1、車輛數(shù)據(jù)收集：收集gps追蹤器、交通監(jiān)控設備、移動應用或傳感器采集的車輛數(shù)據(jù)，并對車輛數(shù)據(jù)進行數(shù)據(jù)清洗和數(shù)據(jù)標準化處理；

5、s2、圖數(shù)據(jù)建模：將車輛表示為圖中的節(jié)點，車輛間的相互作用或行為相似性表示為圖中的邊進行圖數(shù)據(jù)建模；

6、s3、圖模型構建：基于圖卷積網(wǎng)絡構建圖模型，圖卷積網(wǎng)絡對節(jié)點特征進行處理，學習節(jié)點間的依賴關系，獲得車輛行為數(shù)據(jù)；

7、s4、特征提?。豪米兎肿跃幋a器處理并提煉s3獲得的車輛行為數(shù)據(jù)，得到車輛的高維特征向量；

8、s5、車輛活躍度分析：對車輛的高維特征向量，訓練基于神經(jīng)網(wǎng)絡的回歸模型計算活躍度分數(shù)，使用k-means聚類算法識別不同的行為模式，使用自回歸積分滑動平均模型（arima）對車輛的活躍度時間趨勢進行預測；

9、s6、營銷策略生成：根據(jù)步驟s5得到的活躍度分數(shù)、行為模式和趨勢預測，識別最具潛力的目標客戶群體，并為不同的車輛群體設計定制化的營銷策略，對不同的營銷策略進行a/b測試，以評估哪些策略最有效，并據(jù)此調(diào)整優(yōu)化。

10、作為本發(fā)明的進一步技術方案，步驟s1所述車輛數(shù)據(jù)包括地理位置坐標、時間戳、行駛速度、頻繁停留地點、交通狀況數(shù)據(jù)，數(shù)據(jù)清洗包括去除噪聲和異常值以及缺失值處理，數(shù)據(jù)標準化包括時間同步和空間標準化。

11、作為本發(fā)明的進一步技術方案，步驟s2所述節(jié)點的定義為：每個節(jié)點代表一個車輛實體，節(jié)點的特征向量由步驟s1處理后的車輛數(shù)據(jù)構成，車輛數(shù)據(jù)包括車輛的行駛速度、當前位置、歷史位置；邊的定義為：邊代表車輛和間的相互關系，相互關系基于地理距離、行駛路徑交叉、時間重疊因素設定，邊的權重根據(jù)車輛間的相互接近度確定，使用高斯核來衡量：，其中是車輛和之間的距離，是高斯核的標準差，用于控制權重的衰減速度。

12、作為本發(fā)明的進一步技術方案，步驟s3所述圖卷積網(wǎng)絡通過鄰居節(jié)點的特征更新節(jié)點的特征表示，節(jié)點在每次卷積后的新特征通過以下公式計算：，其中，是節(jié)點i的鄰居節(jié)點集合，和是第層的權重矩陣和偏置向量，是非線性激活函數(shù)，是歸一化常數(shù)，表示鄰居的數(shù)量,為鄰居節(jié)點的特征，經(jīng)過圖卷積操作后，使用最大值聚合函數(shù)，通過匯總鄰居節(jié)點的信息來更新每個節(jié)點的特征，捕捉節(jié)點間的空間關系，從而得到車輛行為數(shù)據(jù)。

13、作為本發(fā)明的進一步技術方案，步驟s4所述變分自編碼器包括編碼器和解碼器兩部分，編碼器由多層全連接層組成的神經(jīng)網(wǎng)絡構成，將輸入的車輛行為數(shù)據(jù)轉(zhuǎn)換為潛在變量，輸出潛在變量的均值和方差,解碼器的結構與編碼器對稱，解碼器基于潛在變量重構輸入數(shù)據(jù)，其中編碼器輸出的潛在變量的后驗分布設為高斯分布：,其中和是神經(jīng)網(wǎng)絡基于輸入計算的均值和方差，潛在變量的先驗分布設為標準正態(tài)分布：；解碼器基于潛在變量重構輸入數(shù)據(jù)的分布為，其中和是解碼器輸出的均值和方差；變分自編碼器（vaes）的目標是最大化證據(jù)下界，其損失函數(shù)由兩部分組成：，其中第一項是重構誤差，反映重構數(shù)據(jù)的質(zhì)量；第二項是kl散度，度量編碼后的潛在變量分布與其先驗分布之間的差異，通過以上步驟，得到車輛的高維特征向量。

14、作為本發(fā)明的進一步技術方案，步驟s5所述基于神經(jīng)網(wǎng)絡的回歸模型的第個隱藏層用公式表示為：，其中，和分別是第層的權重矩陣和偏置向量，是relu激活函數(shù),回歸模型輸出預測的活躍度分數(shù)，其中是隱藏層的數(shù)量。

15、作為本發(fā)明的進一步技術方案，步驟s5所述k-means聚類算法的目標為最小化簇內(nèi)方差：，其中是簇的數(shù)量，是第個簇中的樣本集合，是簇的中心，根據(jù)聚類結果對車輛行為模式進行標注和分析，識別出特定時間活動的車輛群體或頻繁訪問某地點的車輛。

16、作為本發(fā)明的進一步技術方案，步驟s5所述使用自回歸積分滑動平均模型（arima）對車輛的活躍度時間趨勢進行預測時，先將得到的各車輛節(jié)點的高維特征向量按時間順序排列，構建時間序列數(shù)據(jù)集，預測結果為：,其中是自回歸項的階數(shù)，是差分階數(shù)，是滑動平均項的階數(shù)，是滯后算子，是時間的觀測值，是誤差項,通過自回歸積分滑動平均模型，從高維時間序列數(shù)據(jù)中進行未來趨勢預測。

17、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

18、（1）通過構建反映車輛間空間和時間關系的圖模型，利用gcns精確捕捉車輛在特定時間和地點的動態(tài)互動，從而有效揭示車輛群體的行為模式和趨勢，同時，vaes被用來深入挖掘車輛行為的潛在特征，提升模型對復雜時空數(shù)據(jù)的處理能力和預測準確性。

19、（2）通過聚類分析可以識別出車輛在特定時間和地點的行為模式，通過連續(xù)監(jiān)測和分析車輛的位置和時間數(shù)據(jù)，能夠預測車輛行為的未來趨勢，實時更新車輛行為的動態(tài)變化，有助于企業(yè)及時調(diào)整營銷策略，以適應市場和客戶行為的變化；不僅能夠提供對車輛活躍度分析的更為深入的理解，還能實時地預測和識別特定的行為模式，如頻繁進出特定區(qū)域的車輛，在智能交通系統(tǒng)和智慧城市管理中，能夠幫助相關企業(yè)和機構通過精確的數(shù)據(jù)分析，制定更有效的營銷策略，從而優(yōu)化資源分配，提高服務質(zhì)量和經(jīng)濟效益。