一种线下场地租赁竞拍定价系统及方法技术方案

本发明专利技术提供了一种线下场地租赁竞拍定价系统及方法，使用的特征：商家，场地，上下文环境的数据获取；商家信息包含：行业，品牌知名度，目标用户消费水平，该商家历史场地成交均价；场地信息包含：该场地历史场地成交均价、该场地历史平均进店率、面积、场地类型、位置类型、开业时长、城市、成交量、客流量、周边人群消费水平、城市。上下文环境包括：天气、季节、节假日、周末、是否有活动；通过以上特征训练XgBoost模型预测不同商家的进店率。本发明专利技术优点为：得到一套竞拍公式用于度量实际获取场地的商家排名，并通过第二出价计算出获得场地的商家实际应该支付多少资金，从而解决了多个商家参与到线下场地竞拍问题。家参与到线下场地竞拍问题。家参与到线下场地竞拍问题。

【技术实现步骤摘要】
一种线下场地租赁竞拍定价系统及方法


[0001]本专利技术涉及线下场地租赁定价领域，具体是一种基于机器学习预测和竞拍规则对线下商业场地进行租赁定价的系统。

技术介绍

[0002]随着线下商业流量越来越收到重视，更多的商业活动在线下场地，如商场，写字楼，园区等等举办活动和营销，对于线下商业空间场地的价格，场地拥有方物业，以及租赁的商家都没有一套共识的定价策略，更多的定价策略还处于比较粗糙的方法，整体定价比较混乱。一是根据该场地历史成交记录价格进行定价，这种方法没有及时察觉到市场的变化，及周边行业的价格调整，容易导致损失客观的利润或者因为价格短期过高，导致损失订单，场地进一步闲置，减少收入；二是由于线下场地行业特殊性，场地价格普遍存在由领导或者老板拍版定价的情况，这种方法比较盲目，受个人意愿影响较大，定价离市场价差距偏大。因此本专利提出使用竞拍规则结合不同商家在这个场地的市场价值来解决场地定价问题，让每个场地达到市场最优最合理的价格，使得物业方和租赁场地的商家，在价格博弈中达到广义的那什均衡。

技术实现思路

[0003]以解决上述
技术介绍
中提出的问题，本专利技术的目的在于提供一种线下场地租赁竞拍定价系统及方法，基于此得到一套竞拍公式用于度量实际获取场地的商家排名，并通过第二出价计算出获得场地的商家实际应该支付多少资金，从而解决了多个商家参与到线下场地竞拍问题。
[0004]为解决上述技术问题，本专利技术提供的技术方案为：
[0005]一种线下场地租赁竞拍定价系统，包括：
[0006]耦合到因特网的不少于一个的定价竞拍的服务器计算机；
[0007]以及耦合到因特网的一个或多个物业服务器计算机的一个或多个数据库；
[0008]其中服务器计算机用于机器学习模型训练和预测不同商家在不同线下场地的进店率，以及处理定价的竞拍程序；以及耦合到因特网获取定价竞拍系统的商家或物业计算机或手机端。
[0009]一种线下场地租赁竞拍定价方法，包括以下具体步骤：
[0010]S1:构建离线数据：包括商家信息、场地信息及上下文环境的数据获取；
[0011]商家信息包含：行业，品牌知名度，目标用户消费水平，该商家历史场地成交均价、该商家历史平均进店率；
[0012]场地信息包含：该场地历史场地成交均价、该场地历史平均进店率、面积、场地类型、位置类型、开业时长、城市、成交量、客流量、周边人群消费水平、城市、城市人口、城市等级、城市人均收入；
[0013]上下文环境的数据包括：天气、季节、节假日、周末、是否有活动；季节分为春晓秋
冬；节假日分为是跟否；周末分为是跟否；
[0014]S2:特征工程：对S1的离线数据和在线获取的数据进行处理加工转换成特征值，用于后续的模型训练或者模型预测，包括以下几个特征处理流程：空缺值处理填充、one
‑
hot编码、数值化及归一化；
[0015]S3：模型训练：将S1的离线数据进行处理加工转换成特征值并拼接起来成特征向量，得到样本集data，使用一定的概率值P(P值范围在[0，1])并随机切分按行样本集data，得到同样列维度但是行数不同的两份子样本集合：训练集train和测试集test；并对训练集train，测试集test中的该商家进店率切分出来作为训练目标label，其余的作为训练样本X或者测试样本X；
[0016]train切分为[X_train，Y_train]，test切分为[X_test，Y_test]；使用XgBoost模型和训练集[X_train，Y_train]进行模型训练，建立Y对X的回归模型，模型参数booster可采用基于树的模型gbtree或者线性模型gbliner；设置eta的值用于减少每一步的权重，提高性能鲁棒性，设置的值在[0，1]，这里使用[0.01，0.3]任意值进行遍历查找局部最优解；采用gbtree模型的同时设置max_depth的深度数值，设置为[3，10]任意值进行遍历查找局部最优解；其余模型参数仍可进行任意调节遍历取值，不断训练模型，使得模型的评估指标达到局部最优；每次模型训练完使用X_test样本进行预测得到Y2_test，评估Y_test和Y2_test的差值；模型的评估指标使用rmse公式来比较，公式如下：
[0017][0018]根据训练集和测试集的rmse结果，选取rmse比较小训练集和测试集的rmse比较接近的模型；保存该模型用于后续竞拍系统定价的进店率预估，通过进店率的预估结合商家的出价来衡量不同商家在该场地的实际价值；
[0019]S4：在线数据获取和特征处理；在线主要获取以下数据：商家端数据、物业端数据和上下文数据；
[0020]通过手机终端或者电脑端获取商家对场地的出价，商家自己输入的或在平台历史的数据：行业，品牌知名度，目标用户消费水平，该商家历史场地成交均价、该商家历史平均进店率；通过手机终端或者电脑端获取物业端场地信息：
[0021]该场地历史场地成交均价、该场地历史平均进店率、面积、场地类型、位置类型、开业时长、城市、成交量、客流量、周边人群消费水平、城市、城市人口、城市等级及城市人均收入；
[0022]通过服务器获取上下文信息：天气、季节、节假日、周末及是否有活动；将在线数据经过S2特征处理后得到在线数据的特征向量，对所有数据拼接起来成特征向量X，用于后续模型的预测；
[0023]S5：竞拍系统定价计算；使用S3阶段训练后保存的最优模型model，加载该模型；获取S4在线数据获取和特征处理后得到的在线数据特征向量X，使用模型model对特征向量X进行预测得到U；不同商家的特征向量会得到不同的预测结果，该结果为该商家在该场地的进店率预估；商家X1经过模型预测后得到进店率u
i
；
[0024]设对于同一场地同一时间段有n个商家有意向，商家i∈{1，2，
…
，n}按进店流量意
愿付费预算为b
i
，其在场地的预估客流进店率为u
i
，则场地对商家i的出价eCPM为u
i
*b
i
；将这n个商家的eCPM从大到小排序，不妨设商家i排第一位，商家i+1为其下家，场地客流量为f，其中eCPM
i
为排序在第i位商家的定价，按照以下公式获得：
[0025]eCPMi＝b
i
*μ
i
；
[0026]在计算该场地属于哪个商家获得时，对所有商家的eCPM进行降序排列，即：
[0027]eCPM
i
＞eCPM
i+1
；
[0028]对排序后的eCPM取得第一位的商家进店率u
i
和第二位商家的进店率u
i+1
和出价b
i+1
，即该场地由排序后的eCPM第一位的商家获得，且该场地定价为P，按照以下公式获得：
[0029][0030本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种线下场地租赁竞拍定价系统，其特征在于，包括：耦合到因特网的不少于一个的定价竞拍的服务器计算机；以及耦合到因特网的一个或多个物业服务器计算机的一个或多个数据库；其中服务器计算机用于机器学习模型训练和预测不同商家在不同线下场地的进店率，以及处理定价的竞拍程序；以及耦合到因特网获取定价竞拍系统的商家或物业计算机或手机端。2.一种线下场地租赁竞拍定价方法，其特征在于，包括以下具体步骤：S1:构建离线数据：包括商家信息、场地信息及上下文环境的数据获取；商家信息包含：行业，品牌知名度，目标用户消费水平，该商家历史场地成交均价、该商家历史平均进店率；场地信息包含：该场地历史场地成交均价、该场地历史平均进店率、面积、场地类型、位置类型、开业时长、城市、成交量、客流量、周边人群消费水平、城市、城市人口、城市等级、城市人均收入；上下文环境的数据包括：天气、季节、节假日、周末、是否有活动；季节分为春晓秋冬；节假日分为是跟否；周末分为是跟否；S2:特征工程：对S1的离线数据和在线获取的数据进行处理加工转换成特征值，用于后续的模型训练或者模型预测，包括以下几个特征处理流程：空缺值处理填充、one
‑
hot编码、数值化及归一化；S3：模型训练：将S1的离线数据进行处理加工转换成特征值并拼接起来成特征向量，得到样本集data，使用一定的概率值P(P值范围在[0,1])并随机切分按行样本集data，得到同样列维度但是行数不同的两份子样本集合：训练集train和测试集test；并对训练集train，测试集test中的该商家进店率切分出来作为训练目标label,其余的作为训练样本X或者测试样本X；train切分为[X_train,Y_train],test切分为[X_test,Y_test]；使用XgBoost模型和训练集[X_train,Y_train]进行模型训练，建立Y对X的回归模型，模型参数booster可采用基于树的模型gbtree或者线性模型gbliner；设置eta的值用于减少每一步的权重，提高性能鲁棒性，设置的值在[0,1]，这里使用[0.01,0.3]任意值进行遍历查找局部最优解；采用gbtree模型的同时设置max_depth的深度数值，设置为[3,10]任意值进行遍历查找局部最优解；其余模型参数仍可进行任意调节遍历取值，不断训练模型，使得模型的评估指标达到局部最优；每次模型训练完使用X_test样本进行预测得到Y2_test，评估Y_test和Y2_test的差值；模型的评估指标使用rmse公式来比较，公式如下：根据训练集和测试集的rmse结果，选取rmse比较小训练集和测试集的rmse比较接近的模型；保存该模型用于后续竞拍系统定价的进店率预估，通过进店率的预估结合商家的出价来衡量不同商家在该场地的实际价值；S4：在线数据获取和特征处理；在线主要获取以下数据：商家端数据、物业端数据和上下文数据；
通过手机终端或者电脑端获取商家对场地的出价，商家自己输入的或在平台历史的数据：行业，品牌知名度，目标用户消费水平，该商家历史场地成交均价、该商家历史平均进店率；通过手机终端或者电脑端获取物业端场地信息：...

【专利技术属性】
技术研发人员：戴晓翔，王振涛，陈特夫，李颖翀，
申请(专利权)人：杭州邻汇网络科技有限公司，
类型：发明
国别省市：