本发明属于移动通信技术领域，具体涉及一种基于移动通信网的商圈客流来源分析方法。
背景技术：
移动通信网络中移动台的定位方法是近年来新兴的技术，随着移动通信用户数量的增加和用户需求的不断扩大，快速、精准、有效实用的定位技术已经得到实现。
商圈客流决定着商圈的发展，传统的商圈客流来源调查分析一般只能通过抽样调查问卷的形式加以实现。这种传统的抽样调查问卷形式测试周期比较长，需要耗费大量的人力成本和时间成本来进行数据的采集，而且需要被访者的配合，效率低下。其调查分析的准确性完全依赖于被访者填写调查问卷的真实程度，往往分析结果的准确性不高。由于其测试的周期长，分析难度大，不能对数据进行实时的快速获取，更新数据的过程也相对漫长，因此，调查分析结果的参考性和实用性都不够理想。
技术实现要素：
本发明的目的在于针对现有技术中存在的问题，提供一种基于移动通信网的商圈客流来源分析方法，通过对商圈内顾客手机进行定位，高效精确的确定商圈的客流来源。
本发明的技术方案如下：一种基于移动通信网的商圈客流来源分析方法，包括如下步骤：
(1)获取出现在商圈内的移动端的数据信息；
(2)对所获取的数据进行预处理；
(3)针对预处理后的数据，选取判定是否为商圈顾客以及商圈顾客的居住地的决定性因素；
(4)对数据进行分类，根据顾客居住地的判定结果将顾客分到不同的区县；
(5)通过数据对分类模型进行训练，直至模型的正确率大于设定的阈值。
进一步，如上所述的基于移动通信网的商圈客流来源分析方法，步骤(1)中所述的移动端的数据信息包括手机号码信息、各手机信号在商圈的停留时长、各手机信号一周内夜间的定位信息。
进一步，如上所述的基于移动通信网的商圈客流来源分析方法，步骤(2)中所述的预处理包括对信息不全的数据进行筛选剔除，对停留在商圈时长少于30分钟的手机信号进行剔除。
进一步，如上所述的基于移动通信网的商圈客流来源分析方法，步骤(3)中所述的决定性因素包括各顾客在商圈的停留时长，顾客最后出现在居住地的时间段。
更进一步，步骤(3)中，当移动端在商圈内的停留时间达到或超过半小时以上，就将其视为商圈顾客。一天中时间段0:00-5:00内和用户手机发生信号互动的基站覆盖的区域，且一周内用户有5天及以上出现在该区域，此区域则被判定为该用户的居住地。
进一步，如上所述的基于移动通信网的商圈客流来源分析方法，步骤(4)中通过将顾客分类到不同的区县，从而确定商圈客流来自各个区县的比例。
进一步，如上所述的基于移动通信网的商圈客流来源分析方法，步骤(5)中所述的分类模型采用决策树分类模型，所述的阈值为80％。
本发明的有益效果如下：本发明所提供的方法利用移动通信网对顾客手机进行时时定位，从而判断出顾客的居住地，进一步分类顾客所属的区县，最后得到商圈顾客所在的区县比例。商圈可以根据分类结果进行精准营销，从而更高效的提升商圈的经济效益。顾客也会更及时的得到商场的折扣信息，从而提升顾客的购物效率。
附图说明
图1为本发明所提供的基于移动通信网的商圈客流来源分析方法流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的介绍。
本发明在移动通信网技术的大力发展、用户普及度节节攀升的背景下，结合用户的上网数据、定位信息等，实现了对用户的时时定位。结合大数据处理技术，对海量数据进行时时处理，不断优化算法模型，提升模型的分类精度，从而将商圈的顾客来源按照区县进行分类。
如图1所示，本发明提供的基于移动通信网的商圈客流来源分析方法，包括如下步骤：
(1)获取出现在商圈内的移动端的数据信息；
移动端的数据包括：出现在商圈范围内的手机号码信息、各个手机信号在商圈的停留时长、各个手机信号一周内夜间(夜间休息时段)的定位信息。可以通过分析运营商基站的信令获得移动端的这些数据信息，这属于本领域的公知技术。
(2)对所获取的数据进行预处理；
预处理包括对信息不全的数据进行筛选剔除，对停留在商圈时长少于30分钟的手机信号进行剔除。
由于获取的移动端的信息数据可能并不完整，因此，需要将这些不完整的数据进行剔除，比如说数据显示只有某一时刻用户出现在商圈范围内。
(3)针对预处理后的数据，选取判定是否为商圈顾客以及商圈顾客的居住地的决定性因素；
决定性因素包括顾客的停留时长、顾客最后出现在居住地的时间段等。
一般来说，当移动端在商圈内的停留时间达到或超过半小时以上，就将其视为商圈顾客。
以普通人的作息规律为例，一天中时间段0:00-5:00内和用户手机发生信号互动的基站覆盖的区域，且一周内用户有5天及以上出现在该区域，此区域则被判定为该用户的居住地。
(4)对数据进行分类，根据顾客居住地的判定结果将顾客分到不同的区县；
该方法可以把地区划分为更小的范围，因为通过手机信号定位了顾客的居住位置坐标，然后将顾客分类到各个区县中，从而确定商圈客流来自各个区县的比例。
(5)通过数据对分类模型进行训练，直至模型的正确率大于设定的阈值。
本实施例中，分类模型可以采用公知的决策树分类模型，将顾客按照区县分成几类，设定正确率的阈值为80％，每一类顾客的判定正确率在80％之上为合格，即停止训练模型。
本发明弥补了传统的数据采集方式的不足，为区分区域常驻人口和流动人口提供了更为高效精准的方法和思路。
实施例
现在通信技术已经进入了4g时代，4g网基站覆盖范围已经可以达到城市的各个角落，基于4g基站的分布规律，距离精度大致为200米以内。
例如，某小区被四个4g基站的信号完全覆盖，因此当用户处于该小区时，同一时刻一定会和这四个基站中的一个基站发生信号互动，且该数据都会以基站的坐标位置以及时刻的形式储存起来。通过分析运营商基站的信令就可以获得移动端的数据信息。
通过获取出现在某个商圈内的移动端的数据信息，包括出现在商圈范围内的手机号码信息、各个手机信号在商圈的停留时长、各个手机信号一周内夜间(夜间休息时段)的定位信息，便可以对这些数据信息进行处理和分析。
一般来说，当移动端在商圈内的停留时间达到或超过半小时以上，就将其视为商圈顾客，因此，将停留在商圈时长少于半个小时的手机信号进行剔除。以普通人的作息规律为例，一天中时间段0:00-5:00内和用户手机发生信号互动的基站覆盖的区域，且一周内用户有5天及以上出现在该区域，此区域则被判定为该用户的居住地。本方法以此为依据，将被判定为商圈顾客的移动端信息数据进行分类，根据顾客居住地的判定结果将顾客分到不同的区县。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。