本發(fā)明涉及智能識別領域，特別涉及交易行為識別方法和交易行為識別系統(tǒng)。

背景技術：

研究商鋪中的用戶交易(消費)行為的數(shù)據(jù)，對于商戶而言是及其重要的。目前，在對商鋪中的消費者進行交易的數(shù)據(jù)進行采集統(tǒng)計過程中，往往只能通過人工識別、統(tǒng)計，其會耗費大量的時間成本和人力成本。

技術實現(xiàn)要素：

本發(fā)明旨在至少解決現(xiàn)有技術中存在的技術問題之一，提出了一種交易行為識別方法和交易行為識別系統(tǒng)。

為實現(xiàn)上述目的，本發(fā)明提供了一種交易行為識別方法，包括：

步驟101、每隔預設間隔時間采集移動終端的無線信號；

步驟102、基于所述無線信號獲取所述移動終端的身份信息和信號強度；

步驟103、根據(jù)在有效時間段內(nèi)獲取到的所述移動終端的所述身份信息和無線信號強度，識別所述移動終端對應的用戶是否存在交易行為，所述有效時間段為從第一次采集到所述移動終端的無線信號所對應的時間點至最后一次采集到所述移動終端的無線信號所對應的時間點所對應的時間段。

可選地，所述步驟103具體包括：

步驟1031a、對在所述有效時間段內(nèi)獲取到的所述移動終端的無線信號強度，按照預設映射規(guī)則映射為對應的信號強度等級，并按照時間先后順序生成所述移動終端在所述有效時間段內(nèi)的信號強度等級序列：

{q1，q2，……qn}

其中，n為整數(shù)，qn表示在有效時間段內(nèi)第n次采集到所述移動終端的無線信號對應的信號強度等級.

步驟1032a、建立基于預設隱含狀態(tài)集合和信號強度等級集合的隱馬爾可夫模型；

其中，信號強度等級集合q＝{q1，q2，……qm}；

q1，q2，……qm為預先劃分出的m個不同的信號強度等級；

預設隱含狀態(tài)集合s＝{s1，s2，s3，s4}；

s1、s2、s3、和s4分別對應的隱含狀態(tài)為：進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)和離店狀態(tài)；

初始狀態(tài)概率矩陣π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分別為預設的第一次采集到所述移動終端的無線信號時所述用戶處于進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)以及離店狀態(tài)的概率；

隱含狀態(tài)轉(zhuǎn)移概率矩陣a

p(si丨sj)表示預設的由前一隱含狀態(tài)si轉(zhuǎn)移至后一隱含狀態(tài)sj的概率，其中1≤i≤4，1≤j≤4，i、j均為整數(shù)；

觀測狀態(tài)轉(zhuǎn)移概率矩陣b

p(qk丨sj)表示預設的在隱含狀態(tài)是sj條件下信號強度等級為qk的概率，其中1≤k≤m；

觀測狀態(tài)序列為所述信號強度等級序列；

步驟1033a、基于建立的隱馬爾可夫模型采用維特比算法來求解所述觀測狀態(tài)序列對應的隱含狀態(tài)序列；

步驟1034a、基于求解出的隱含狀態(tài)序列判斷所述移動終端對應的用戶是否存在交易行為。

可選地，所述步驟1034a具體包括：

步驟10341a、檢測求解出的隱含狀態(tài)序列中是否存在所述正在交易狀態(tài)；

若檢測出所述隱含狀態(tài)序列中存在所述正在交易狀態(tài)，則判斷出所述移動終端對應的用戶存在交易行為；否則，則判斷出所述移動終端對應的用戶不存在交易行為。

可選地，在檢測出所述隱含狀態(tài)序列中存在所述正在交易狀態(tài)之后，還包括：

步驟1035a、獲取所述隱含狀態(tài)序列中位于最后的一個正在交易狀態(tài)所對應的時間點，并作為所述用戶的交易行為的交易時間點。

可選地，在步驟1035a之后還包括：

步驟1036a、建立所述身份信息和所述交易時間點的對應關系，并進行存儲。

可選地，所述步驟103具體包括：

步驟1031b、生成無線信號強度在所述有效時間段內(nèi)隨時間的信號強度曲線；

步驟1032b、判斷該信所述號強度曲線中是否存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分；

若判斷出所述號強度曲線中存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分，則判斷出所述移動終端對應的用戶存在交易行為；否則，則判斷出所述移動終端對應的用戶不存在交易行為。

可選地，所述步驟103具體包括：

步驟1031c、生成無線信號強度在所述有效時間段內(nèi)隨時間的信號強度曲線；

步驟1032c、根據(jù)預先生成的交易行為分類模型來對所述信號強度曲線進行分類匹配；

若所述交易行為分類模型與所述無線信號強度曲線相匹配，則判斷出所述移動終端對應的用戶存在交易行為；否則，則判斷出所述移動終端對應的用戶不存在交易行為。

可選地，所述身份信息為所述移動終端的mac地址。

為實現(xiàn)上述目的，本發(fā)明還提供了一種交易行為識別系統(tǒng)，包括：

采集模塊，用于每隔預設間隔時間采集移動終端的無線信號；

處理模塊，用于基于所述無線信號獲取所述移動終端的身份信息和信號強度；

識別模塊，用于根據(jù)在有效時間段內(nèi)獲取到的所述移動終端的所述身份信息和無線信號強度，識別所述移動終端對應的用戶是否存在交易行為，所述有效時間段為從第一次采集到所述移動終端的無線信號所對應的時間點至最后一次采集到所述移動終端的無線信號所對應的時間點所對應的時間段。

可選地，所述識別模塊包括：

映射單元，用于對在所述有效時間段內(nèi)獲取到的所述移動終端的無線信號強度，按照預設映射規(guī)則映射為對應的信號強度等級，并按照時間先后順序生成所述移動終端在所述有效時間段內(nèi)的信號強度等級序列：

{q1，q2，……qn}

其中，n為整數(shù)，ln表示在有效時間段內(nèi)第n次采集到所述移動終端的無線信號對應的信號強度等級；

模型建立單元，用于建立基于預設隱含狀態(tài)集合和信號強度等級集合的隱馬爾可夫模型；

其中，信號強度等級集合q＝{q1，q2，……qm}；

q1，q2，……qm為預先劃分出的m個不同的信號強度等級；

預設隱含狀態(tài)集合s＝{s1，s2，s3，s4}；

s1、s2、s3、和s4分別對應的隱含狀態(tài)為：進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)和離店狀態(tài)；

初始狀態(tài)概率矩陣π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分別為預設的第一次采集到所述移動終端的無線信號時所述用戶處于進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)以及離店狀態(tài)的概率；

隱含狀態(tài)轉(zhuǎn)移概率矩陣a

p(si丨sj)表示預設的由前一隱含狀態(tài)si轉(zhuǎn)移至后一隱含狀態(tài)sj的概率，其中1≤i≤4，1≤j≤4，i、j均為整數(shù)；

觀測狀態(tài)轉(zhuǎn)移概率矩陣b

p(qk丨sj)表示預設的在隱含狀態(tài)是sj條件下信號強度等級為qk的概率，其中1≤k≤m；

觀測狀態(tài)序列為所述信號強度等級序列；

計算單元，基于建立的隱馬爾可夫模型采用維特比算法來求解所述觀測狀態(tài)序列對應的隱含狀態(tài)序列；

第一判斷單元，基于求解出的隱含狀態(tài)序列判斷所述移動終端對應的用戶是否存在交易行為。

可選地，所述第一判斷單元包括：

檢測子單元，用于檢測求解出的隱含狀態(tài)序列中是否存在所述正在交易狀態(tài)；

若檢測出所述隱含狀態(tài)序列中存在所述正在交易狀態(tài)，則判斷出所述移動終端對應的用戶存在交易行為；否則，則判斷出所述移動終端對應的用戶不存在交易行為。

可選地，所述識別模塊還包括：

獲取單元，用于在所述檢測子單元檢測出所述隱含狀態(tài)序列中存在所述正在交易狀態(tài)之后，獲取所述隱含狀態(tài)序列中位于最后的一個正在交易狀態(tài)所對應的時間點，并作為所述用戶的交易行為的交易時間點。

可選地，所述識別模塊還包括：

存儲單元，用于建立所述身份信息和所述交易時間點的對應關系，并進行存儲。

可選地，所述識別模塊包括：

曲線生成單元，用于生成無線信號強度在所述有效時間段內(nèi)隨時間的信號強度曲線；

第二判斷單元，用于判斷該信所述號強度曲線中是否存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分；

若判斷出所述號強度曲線中存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分，則判斷出所述移動終端對應的用戶存在交易行為；否則，則判斷出所述移動終端對應的用戶不存在交易行為。

可選地，所述識別模塊包括：

曲線生成單元，用于生成無線信號強度在所述有效時間段內(nèi)隨時間的信號強度曲線；

匹配單元，用于根據(jù)預先生成的交易行為分類模型來對所述信號強度曲線進行分類匹配；

若所述交易行為分類模型與所述無線信號強度曲線相匹配，則判斷出所述移動終端對應的用戶存在交易行為；否則，則判斷出所述移動終端對應的用戶不存在交易行為。

可選地，所述身份信息為所述移動終端的mac地址。

本發(fā)明具有以下有益效果：

本發(fā)明提供了一種交易行為識別方法和交易行為識別系統(tǒng)，進入店鋪的用戶是否存在交易行為進行識別，整個識別過程無需人工干預，因此可有效節(jié)約人力成本。

附圖說明

圖1為本發(fā)明實施例一提供的一種交易行為識別方法的流程圖；

圖2為本發(fā)明實施例二提供的一種交易行為識別方法的流程圖；

圖3為本發(fā)明中實施例三提供的一種交易識別系統(tǒng)的結構示意；

圖4為本發(fā)明中實施例四提供的一種交易識別系統(tǒng)的結構示意。

具體實施方式

為使本領域的技術人員更好地理解本發(fā)明的技術方案，下面結合附圖對本發(fā)明提供的交易行為識別方法和交易行為識別系統(tǒng)進行詳細描述。

圖1為本發(fā)明實施例一提供的一種交易行為識別方法的流程圖，如圖1所示，該交易行為識別方法包括：

步驟101、每隔預設間隔時間采集移動終端的無線信號。

在本發(fā)明中，當用戶進入商鋪后，其隨身攜帶的移動終端也會進入商鋪。移動終端包括但不限于手機、平板電腦、筆記本電腦等可以發(fā)射無線信號的設備?？蛇x地，該無線信號為wifi信號。

需要說明的是，本發(fā)明中可以主動式采集或被動式采集的方式以對移動終端的無線信號進行采集。主動式采集是指設置于商鋪中特定位置的采集模塊主動向移動終端發(fā)射信號采集請求，移動終端向該采集模塊反饋相應的無線信號(包含移動終端的身份信息)，以供采集模塊進行采集。被動式采集方式是指用戶的移動終端進入商鋪后主動與采集模塊(例如wifi路由器)進行連接通信，采集模塊可采集到相應的無線信號。

采集模塊的進行信號采集的預設間隔時間可根據(jù)實際需要進行相應設定。本實施例中，可選地，預設間隔時間為30s。

步驟102、基于無線信號獲取移動終端的身份信息和信號強度。

在獲取到無線信號之后，可對該無線信號進行相應的處理，以得到移動終端的身份信息和信號強度。

需要說明的是，當用戶在店鋪內(nèi)進行移動時，其隨時攜帶的移動終端與采集模塊之間的距離會發(fā)生相應的變化，因此獲取單元獲取到的無線信號的信號強度會發(fā)生相應變化，無線信號中攜帶的身份信息不發(fā)生變化。

可選地，該身份信號為移動終端的mac地址。

步驟103、根據(jù)在有效時間段內(nèi)獲取到的移動終端的身份信息和無線信號強度，識別移動終端對應的用戶是否存在交易行為。

其中，有效時間段為從第一次采集到移動終端的無線信號所對應的時間點至最后一次采集到移動終端的無線信號所對應的時間點所對應的時間段。具體地，第一次采集到移動終端的無線信號所對應的時間點為有效時間段的起始點，當采集模塊在某次采集到移動終端之后的預設時長內(nèi)均未采集到該移動終端發(fā)出的無線信號時，則表明該移動終端對應的用戶已經(jīng)離開店鋪，以最后一次采集到該移動終端的無線信號所對應的時間點為有效時間段的終止點。

通過統(tǒng)計在有效時間段內(nèi)某一移動終端(通過身份信息進行確定)的無線信號強度數(shù)據(jù)，可在一定程度上反應出用戶在店鋪內(nèi)的活動路徑，從而可判斷出用戶是否有去過店鋪內(nèi)的收銀臺，進而可判斷用戶存在交易行為。例如，假定用于采集無線信號的采集模塊設置于收銀臺處，即用戶處于收銀臺處時，采集模塊采集到的無線信號的強度較強。因此，若檢測到用戶的移動終端發(fā)出的無線信號的強度較強(可根據(jù)實際情況預先設定相應范圍)，則可識別該用戶存在交易行為。

此外，本實施例中還可以根據(jù)生成無線信號強度在有效時間段內(nèi)隨時間的信號強度曲線來判斷用戶是否存在消費行為。

作為一種可選方案，步驟103具體包括：

步驟1031b、生成無線信號強度在有效時間段內(nèi)隨時間的信號強度曲線。

步驟1032b、判斷該信號強度曲線中是否存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分。

其中，該預設范圍可根據(jù)通過預先測量移動終端從收銀臺處發(fā)射出的無線信號的強度范圍來進行相應設定。

若判斷出號強度曲線中存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分，則判斷出移動終端對應的用戶存在交易行為；否則，則判斷出移動終端對應的用戶不存在交易行為。

作為又一種可選方案，步驟103具體包括：

步驟1031c、生成無線信號強度在有效時間段內(nèi)隨時間的信號強度曲線。

步驟1032c、根據(jù)預先生成的交易行為分類模型來對信號強度曲線進行分類匹配。

其中，可根據(jù)預先確認的存在交易行為的用戶的移動終端的信號強度曲線生成相應的交易行為分類模型。需要說明的是，利用分類模型進行曲線匹配的過程，此處不進行詳細描述。

若交易行為分類模型與無線信號強度曲線相匹配，則判斷出移動終端對應的用戶存在交易行為；否則，則判斷出移動終端對應的用戶不存在交易行為。

需要說明的是，本發(fā)明中還可以基于移動終端的身份信息和無線信號強度并采用其他算法來該移動終端對應的用戶是否存在交易行為，具體算法此處不再一一舉例。

由上述內(nèi)容可見，本發(fā)明的技術方案可對進入店鋪的用戶是否存在交易行為進行識別，整個識別過程無需人工干預，因此可有效節(jié)約人力成本。

圖2為本發(fā)明實施例二提供的一種交易行為識別方法的流程圖，如圖2所示，該交易行為識別方法包括：

步驟101、每隔預設間隔時間采集移動終端的無線信號。

在本實施例中，在采集無線信號時會同步記錄對應的采集時間。

步驟102、基于無線信號獲取移動終端的身份信息和信號強度。

步驟1031a、對在有效時間段內(nèi)獲取到的移動終端的無線信號強度，按照預設映射規(guī)則映射為對應的信號強度等級，并按照時間先后順序生成移動終端在有效時間段內(nèi)的信號強度等級序列。

在本發(fā)明中，可根據(jù)實際需要來將信號強度劃分m個等級，分別記為q1，q2，……qm，并建立信號強度與信號強度等級的映射規(guī)則。例如，信號強度范圍0～20bd映射至等級信號強度等級q1，信號強度范圍20bd～40bd映射至等級信號強度等級q2……以此類推。當然，本實施例中還可采用其他映射規(guī)則，此處不再一一舉例說明。

通過對有效時間段內(nèi)所有的信號強度進行相應的等級映射，并按照時間先后順序生成相應的信號強度等級序列

{q1，q2，……qn}

其中，n為整數(shù)，qn表示在有效時間段內(nèi)第n次采集到移動終端的無線信號對應的信號強度等級。

步驟1032a、建立基于預設隱含狀態(tài)集合和信號強度等級集合的隱馬爾可夫模型。

其中，該隱馬爾可夫模型的對應參數(shù)如下：

1)預設隱含狀態(tài)集合s＝{s1，s2，s3，s4}；

在本實施例中，隱含狀態(tài)包括四種：進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)和離店狀態(tài)，對應真實生活中用戶在店鋪中的四種狀態(tài)。其中，s1對應進店狀態(tài)，表示用戶剛剛進入店鋪；s2對應等待交易狀態(tài)，表示用戶在店鋪內(nèi)進行活動但是未進行交易；s3對應正在交易狀態(tài)，表示用戶正在收銀臺進行交易；s4對應離店狀態(tài)，表示用戶正在離開店鋪。

2)初始狀態(tài)概率矩陣π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分別為預設的第一次采集到移動終端的無線信號時用戶處于進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)以及離店狀態(tài)的概率。

其中，p(s1)+p(s2)+p(s3)+p(s4)＝1

一般而言，在第一次采集到移動終端的無線信號時，用戶是處于進店狀態(tài)，即在實際設計過程中可使得p(s1)的取值趨近于1。

3)隱含狀態(tài)轉(zhuǎn)移概率矩陣a

p(si丨sj)表示預設的由前一隱含狀態(tài)si轉(zhuǎn)移至后一隱含狀態(tài)sj的概率，其中1≤i≤4，1≤j≤4，i、j均為整數(shù)。

其中，隱含狀態(tài)轉(zhuǎn)移概率矩陣a中的各p(si丨sj)的取值，可根據(jù)預先的實驗數(shù)據(jù)進行相應取值。

4)觀測狀態(tài)轉(zhuǎn)移概率矩陣b

p(qk丨sj)表示預設的在隱含狀態(tài)是sj條件下信號強度等級為qk的概率。

其中，觀測狀態(tài)轉(zhuǎn)移概率矩陣b中的各p(pk丨sj)的取值可根據(jù)預先的實驗數(shù)據(jù)進行相應取值，1≤k≤m，1≤j≤4。

5)觀測狀態(tài)序列為信號強度等級序列。

步驟1033a、基于建立的隱馬爾可夫模型采用維特比算法來求解觀測狀態(tài)序列對應的隱含狀態(tài)序列。

對于使用維特比算法(viterbialgorithm)求解隱馬爾可夫模型中的隱含狀態(tài)序列的過程，此處不進行詳細描述。

通過步驟1033a可計算出信號強度等級序列(觀測狀態(tài)序列)對應的隱含狀態(tài)序列記為z＝{z1，z2，……zn}，其中z1，z2，……zn的取值均為s1、s2、s3、s4中一個。

隱含狀態(tài)序列中的元素與信號強度等級序列中的元素一一對應。具體地，q1對應的隱含狀態(tài)為z1，q2對應的隱含狀態(tài)為z2，以此類推

步驟1034a、基于求解出的隱含狀態(tài)序列判斷移動終端對應的用戶是否存在交易行為。

可選地，步驟s1034a包括：

步驟10341a、檢測求解出的隱含狀態(tài)序列中是否存在正在交易狀態(tài)。

若檢測出隱含狀態(tài)序列中存在正在交易狀態(tài)，則判斷出移動終端對應的用戶存在交易行為；否則，則判斷出移動終端對應的用戶不存在交易行為。

可選地，若步驟10341a檢測出隱含狀態(tài)序列中存在正在交易狀態(tài)后，還包括：步驟1035a。

步驟1035a、獲取隱含狀態(tài)序列中位于最后的一個正在交易狀態(tài)所對應的時間點，并作為用戶的交易行為的交易時間點。

可選地，在步驟1035a之后還包括步驟1036a。

步驟1036a、建立身份信息和交易時間點的對應關系，并進行存儲。

由上述內(nèi)容可見，本發(fā)明的技術方案可對進入店鋪的用戶是否存在交易行為進行識別，整個識別過程無需人工干預，因此可有效節(jié)約人力成本。

圖3為本發(fā)明中實施例三提供的一種交易識別系統(tǒng)的結構示意圖，如圖3所示，該交易行為識別系統(tǒng)用于實現(xiàn)上述實施例一提供的交易行為識別方法，該交易行為識別系統(tǒng)包括：采集模塊1、處理模塊2和識別模塊3。

其中，采集模塊1用于每隔預設時間采集移動終端的無線信號。處理模塊2用于基于無線信號獲取移動終端的身份信息和信號強度。識別模塊3用于根據(jù)在有效時間段內(nèi)獲取到的移動終端的身份信息和無線信號強度，識別移動終端對應的用戶是否存在交易行為，有效時間段為從第一次采集到移動終端的無線信號所對應的時間點至最后一次采集到移動終端的無線信號所對應的時間點所對應的時間段。

可選地，身份信息為移動終端的mac地址。

需要說明的是，本實施例中的采集模塊1用于執(zhí)行上述實施例一中的步驟101，處理模塊2用于執(zhí)行上述實施例一中的步驟102，識別模塊3用于執(zhí)行上述實施例一中的步驟103，對于各模塊的具體描述可參見上述實施例一中相應內(nèi)容，此處不再贅述。

本發(fā)明的技術方案可對進入店鋪的用戶是否存在交易行為進行識別，整個識別過程無需人工干預，因此可有效節(jié)約人力成本。

作為本實施例中的一種可選方案，識別模塊3包括：曲線生成單元4和第二判斷單元5。

其中，曲線生成單元4用于生成無線信號強度在有效時間段內(nèi)隨時間的信號強度曲線；第二判斷單元5用于判斷該信號強度曲線中是否存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分。若判斷出號強度曲線中存在在預設持續(xù)時長內(nèi)其對應的無線信號強度始終處于預設范圍的部分，則判斷出移動終端對應的用戶存在交易行為；否則，則判斷出移動終端對應的用戶不存在交易行為。

需要說明的是，本實施例中的曲線生成單元4用于執(zhí)行上述實施例一中的步驟1031b，第二判斷單元5用于執(zhí)行上述實施例一中的步驟1032b，對于各單元的具體描述可參見上述實施例一中相應內(nèi)容，此處不再贅述。

作為本實施例中的又一種可選方案，識別模塊3包括：曲線生成單元4和匹配單元6。

其中，匹配單元6用于根據(jù)預先生成的交易行為分類模型來對信號強度曲線進行分類匹配；若交易行為分類模型與無線信號強度曲線相匹配，則判斷出移動終端對應的用戶存在交易行為；否則，則判斷出移動終端對應的用戶不存在交易行為。

需要說明的是，本實施例中的曲線生成單元4用于執(zhí)行上述實施例一中的步驟1031c，匹配單元6用于執(zhí)行上述實施例一中的步驟1032c，對于各單元的具體描述可參見上述實施例一中相應內(nèi)容，此處不再贅述。

此外，本發(fā)明中的識別模塊可同時包括上述匹配單元和第二判斷單元，并結合兩者的判斷結果以對移動終端對應的用戶存在交易行為進行精準判斷。

圖4為本發(fā)明實施例四提供的一種交易行為識別系統(tǒng)的結構示意圖，如圖4所示，本實施例提供的交易行為識別系統(tǒng)用于實現(xiàn)上述實施例二提供的交易行為識別方法，與上述實施例三中不同的是，本實施例中的識別模塊3包括：映射單元7、模型建立單元8、計算單元9和第一判斷單元10。

其中，映射單元7用于對在有效時間段內(nèi)獲取到的移動終端的無線信號強度，按照預設映射規(guī)則映射為對應的信號強度等級，并按照時間先后順序生成移動終端在有效時間段內(nèi)的信號強度等級序列：

{q1，q2，……qn}

其中，n為整數(shù)，ln表示在有效時間段內(nèi)第n次采集到移動終端的無線信號對應的信號強度等級。

模型建立單元8用于建立基于預設隱含狀態(tài)集合和信號強度等級集合的隱馬爾可夫模型；

其中，信號強度等級集合q＝{q1，q2，……qm}；

q1，q2，……qm為預先劃分出的m個不同的信號強度等級；

預設隱含狀態(tài)集合s＝{s1，s2，s3，s4}；

s1、s2、s3、和s4分別對應的隱含狀態(tài)為：進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)和離店狀態(tài)；

初始狀態(tài)概率矩陣π＝[p(s1)，p(s2)，p(s3)，p(s4)]；

p(s1)、p(s2)、p(s3)和p(s4)分別為預設的第一次采集到移動終端的無線信號時用戶處于進店狀態(tài)、等待交易狀態(tài)、正在交易狀態(tài)以及離店狀態(tài)的概率；

隱含狀態(tài)轉(zhuǎn)移概率矩陣a

p(si丨sj)表示預設的由前一隱含狀態(tài)si轉(zhuǎn)移至后一隱含狀態(tài)sj的概率，其中1≤i≤4，1≤j≤4，i、j均為整數(shù)；

觀測狀態(tài)轉(zhuǎn)移概率矩陣b

p(qk丨sj)表示預設的在隱含狀態(tài)是sj條件下信號強度等級為qk的概率；

觀測狀態(tài)序列為信號強度等級序列。

計算單元9用于基于建立的隱馬爾可夫模型采用維特比算法來求解觀測狀態(tài)序列對應的隱含狀態(tài)序列；

第一判斷單元10用于基于求解出的隱含狀態(tài)序列判斷移動終端對應的用戶是否存在交易行為。

可選地，第一判斷單元10包括：檢測子單元。

檢測子單元用于檢測求解出的隱含狀態(tài)序列中是否存在正在交易狀態(tài)；若檢測出隱含狀態(tài)序列中存在正在交易狀態(tài)，則判斷出移動終端對應的用戶存在交易行為；否則，則判斷出移動終端對應的用戶不存在交易行為。

可選地，識別模塊3還包括：獲取單元11和存儲單元12。

獲取單元11用于在檢測子單元檢測出隱含狀態(tài)序列中存在正在交易狀態(tài)之后，獲取隱含狀態(tài)序列中位于最后的一個正在交易狀態(tài)所對應的時間點，并作為用戶的交易行為的交易時間點。存儲單元12用于建立身份信息和交易時間點的對應關系，并進行存儲，以供后續(xù)進行數(shù)據(jù)分析使用。

需要說明的是，本實施例中的映射單元7用于執(zhí)行上述實施例二中的步驟1031a，模型建立單元8用于執(zhí)行上述實施例二中的步驟1032a，計算單元9用于執(zhí)行上述實施例二中的步驟1033a，第一判斷單元10用于執(zhí)行上述實施例二中的步驟1034a，檢測子單元用于執(zhí)行上述實施例二中的步驟10341a，獲取單元11用于執(zhí)行上述實施例二中的步驟1035a，存儲單元12用于執(zhí)行上述實施例二中的步驟1036a。對于各單元的具體描述可參見上述實施例一中相應內(nèi)容，此處不再贅述。

本發(fā)明的技術方案可對進入店鋪的用戶是否存在交易行為進行識別，整個識別過程無需人工干預，因此可有效節(jié)約人力成本。

可以理解的是，以上實施方式僅僅是為了說明本發(fā)明的原理而采用的示例性實施方式，然而本發(fā)明并不局限于此。對于本領域內(nèi)的普通技術人員而言，在不脫離本發(fā)明的精神和實質(zhì)的情況下，可以做出各種變型和改進，這些變型和改進也視為本發(fā)明的保護范圍。