一种线下场地租赁竞拍定价系统及方法

技术领域

本发明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。

背景技术

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。

发明内容

以解决上述背景技术中提出的问题，本发明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。

为解决上述技术问题，本发明提供的技术方案为：

一种线下场地租赁竞拍定价系统，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。

一种线下场地租赁竞拍定价方法，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：

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；

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；

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

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

eCPMi＝b

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：

eCPM

对排序后的eCPM取得第一位的商家进店率u

其中Δ为最小结算单位，且为常数。

作为改进，所述步骤S2包括以下具体步骤：

S21:数值类型特征空缺值使用均值填充：对该商家历史场地成交均价、该商家历史平均进店率、面积、成交量、客流量、城市人均收入、开业时长、该场地历史场地成交均价、该场地历史平均进店率统计均值，并对空缺部分使用该特征的均值填充；样本均值计算公式：

S22：one-hot编码：对S1的离线数据和在线获取的数据部分枚举型数据进行编码，对特征统计类别个数n，然后将单行数据处理成一个n维度的数组，一个在原类别为1，其余都是0的数组；如对城市这个特征进行one-hot编码，’上海市’被编码成:[1，0，0，0，....0，0，0]，城市类别有672个，所以生成一个672长度的数组，1代表是上海市，0代表不是该城市；季节中的春天编码为：[1，0，0，0]；同理，不同特征因为类别个人不同，生成不同长度的数组，但是只有一个类别为1，其余都为0；经过one-hot编码特征有城市、行业、位置类型、季节；

S23：数值化处理：对S1的离线数据和在线获取的数据部分枚举型数据进行数值转化，将字符串转化成相应的数字，使得字符串之间距离有了可衡量可计算的可能；将目标用户消费水平：高端、中高端、中端、中低端、低端，转换成1，2，3，4，5；将周边人群消费水平转换成：高端、中高端、中端、中低端、低端，转换成1，2，3，4，5；将城市等级：一线城市、二线城市、三线城市、四线及以下城市转换成1，2，3，4.需要数值化处理的特征包括：天气、季节、节假日、周末、是否有活动、位置类型。

本发明的有益效果是：

本发明通过线下场地租赁定价中不同商家的商业价值预估方法，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、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。

定价拍卖中的表达性出价，其中表达性出价包含了不同商家在该场地的商家价值，活动效果，不同商家商业价值使用以下公式衡量，并使用eCPM排序后的第二出价参与到公式计算商家实际支付的价格。

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。

附图说明

图1为本发明系统结构示意图；

图2为本发明流程结构示意图。

具体实施方式

下面用具体实施例说明本发明，并不是对本发明的限制。

如图所示，一种用于线下场地租赁的定价竞拍系统；

耦合到因特网的一个或多个包括但不仅限用于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；

其中所述一个或多个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。

用于线下场地租赁的定价竞拍的具体方法为：

S1:构建离线数据。主要涉及三个方面：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、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；场地类型包括商场，园区，地铁，写字楼；位置类型包括：中庭、连廊、外广场、电梯口，过道。城市等级包括一线城市、二线城市、三线城市、四线及以下城市，该场地历史平均成交价是指场地历史每天的平均营业额。该场地历史平均进店率是指在场地通过摄像头监测识别得到的进店人数/人流量；该商家历史场地成交均价是指商家历史在每个场地的平均成本，该商家进店率是指该商家所有场地通过摄像头监测识别得到的进店人数/人流量。

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，主要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，归一化；

S21:数值类型特征空缺值使用均值填充，对该商家历史场地成交均价、该商家历史平均进店率、面积、成交量、客流量、城市人均收入、开业时长、该场地历史场地成交均价、该场地历史平均进店率统计均值，并对空缺部分使用该特征的均值填充；样本均值计算公式：

S22：one-hot编码。对S1的离线数据和在线获取的数据部分枚举型数据进行编码，对特征统计类别个数n，然后将单行数据处理成一个n维度的数组，一个在原类别为1，其余都是0的数组；如对城市这个特征进行one-hot编码，“上海市”被编码成:[1，0，0，0，....0，0，0]，城市类别有672个，所以生成一个672长度的数组，1代表是上海市，0代表不是该城市；季节中的春天编码为：[1，0，0，0]。同理，不同特征因为类别个人不同，生成不同长度的数组，但是只有一个类别为1，其余都为0。经过one-hot编码特征有城市、行业、位置类型、季节。

S23：数值化处理。对S1的离线数据和在线获取的数据部分枚举型数据进行数值转化，将字符串转化成相应的数字，使得字符串之间距离有了可衡量可计算的可能；将目标用户消费水平：高端、中高端、中端、中低端、低端，转换成1，2，3，4，5；将周边人群消费水平转换成：高端、中高端、中端、中低端、低端，转换成1，2，3，4，5；将城市等级：一线城市、二线城市、三线城市、四线及以下城市转换成1，2，3，4；需要数值化处理的特征包括：天气、季节、节假日、周末、是否有活动、位置类型。

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，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，设置的值可在[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，物业端和上下文数据；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：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。通过服务器获取上下文信息：天气、季节、节假日、周末、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。

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；如商家X1经过模型预测后得到进店率u

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

eCPMi＝b

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：

eCPM

对排序后的eCPM取得第一位的商家进店率u

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：

其中，Δ为最小结算单位，取一常数值，如1分。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。