面向新零售场景需求的即时预测关键技术研究

New retail is a new industry with deep integration of online and offline experience, which has become a typical model of new consumption. Because this emerging industry has broken the boundaries between online and offline, real-time demand prediction can effectively achieve efficient collaboration between online intelligent analysis and offline real-time services, so it is the core technology supporting new retail. Real-time demand prediction need to calculate users' requirements with large differences and fast change under complex and dynamic offline scenarios, this prediction is facing with the problems of super sparse scenario data, inaccurate scenario features, and difficult to aggregate scenario preference. To solve the above problems, this project put forward low latency and high-density scenario data discovery, fine granularity and high precision recognition, high availability and low overhead scenario preference aggregation, to enhance the ability of the discovery, processing and utilization on scenario data. And it provides theoretical and technical support for high precision, low delay, and highly available scene requirement prediction, which has important practical significance for promoting the expansion of intelligent services from online to offline and the new development to promote the new retail industry.

新零售是线上服务与线下体验深度融合的新兴行业，已成为消费新业态的典型。由于这一新兴行业打破了线上和线下的边界，而即时需求预测能够有效实现线上智能分析与线下即时服务的高效协同，因此是支撑新零售的核心技术。即时需求预测需要在复杂动态的线下场景中，实时预测出差异大、变化快的用户需求，面临场景数据超稀疏、场景特征不精确、场景偏好难聚合等科学问题。为解决上述问题，本项目提出了低时延高密度的场景数据发现、细粒度高精准的场景特征提取、高可用低开销的场景偏好聚合三大关键技术，以全面提升对实时场景数据的发现、处理和利用能力，为实现高精准、低时延、高可用的场景需求预测提供理论和技术支撑，对于促进智能服务从线上到线下的拓展，以及新零售业的全新发展具有重要的现实意义。

新零售是线上服务与线下体验深度融合的新兴行业，打破了线上和线下的边界，而即时需求预测能够有效实现线上智能分析与线下即时服务的高效协同，因此是支撑新零售的核心技术。即时需求预测需要在复杂动态的线下场景中，实时预测出差异大、变化快的用户需求，面临场景数据超稀疏、场景特征不精确、场景偏好难聚合等科学问题。项目将实时场景数据、社交关系等与即时需求预测的各环节相融合，以分布式感知、深度学习、多视图学习等为理论支撑，实现高精准、低开销的即时需求预测方法。主要包括：利用分布式回归建立基于传感器网络的场景数据现场感知框架，充分挖掘和利用同一区域传感器节点的测量值，实验验证了在不影响接收成功率的情况下，提高了单窗口的编码密度，提高速率，降低延迟，进而实现新零售场景下的数据无源高效感知；提出了基于基准相似空间自适应修正的场景特征优化方法，根据近似程度的分布特征获取需求中心点，并基于需求行为近似程度距需求中心点的行为距离获取平均相似幅度，进而生成基准相似空间，通过建立基于平均近邻与异常评分交互影响的修正模型，获取到更精确的场景特征，实验验证所提出的方法比GBCR提升近12.4%，比CACF提升近19.7%；此外，为挖掘多场景之间的特征关联关系，基于社交关系网络与个体认知行为，从社会化认知的角度获取用户认知行为间的关联关系，建立了包含认知依赖、认知风险、群集认知等因素的认知关系网络模型，并从用户属性、认知关系、项目认知价值等视图出发，通过特征融合、投影变换并引入Fisher判别准则，建立基于多视图优化的偏好获取模型。在大规模真实数据集上的实验结果显示，相比于现有方法推荐准确率平均提升了20.19%，多样性提高近44.89%。通过上述方法，项目组组探索出一种解决复杂动态的线上线下融合领域智能服务的新路径，并通过在真实环境中的实验验证了课题所研究的方法，以期为即时需求提供新的方法和理论支撑，能够促进智能服务从线上到线下的拓展。