面向移動互聯網的位置營銷關鍵技術與方法研究

中國聯通研究院 北京 100032

引言

以手機為代表的移動終端能力越來越強，不僅體現在計算能力和存儲能力的提升，還體現在對越來越多通信方式的支持，比如GPS、GSM、CDMA、LTE、Wi-Fi、Bluetooth等，此外，加速度傳感器、數字指南針、陀螺儀、磁力計、光照傳感器等也逐漸成為移動終端的基本配置，這為更加精準地獲取移動終端位置提供更加豐富的數據支持。

與此同時，ICT資源越來越如水電一樣容易獲取，軟件工具也越來越趨向于開源與開放，這大大促進了移動互聯網應用的創新發展，不斷推陳出新的移動互聯網應用真可謂百花齊放、百家爭鳴。在用戶使用移動互聯網應用的過程中，移動互聯網應用平臺通常會以文本、圖片、語音、視頻等多媒體形式記錄用戶的使用行為，這些行為記錄成為商家實現精準化營銷的大數據基礎。與此同時，海量的數據、越來越快的數據形成速度、移動用戶位置的實時變動等也對應用平臺提出更大的挑戰，要求應用平臺既要保證服務提供的實時性，還要處理好隱私保護、信息安全、電量消耗、成本效益等問題。

基于位置的服務(Location Based Service，LBS)分為位置獲取和服務提供兩個階段。對于面向特定用戶的精準化營銷而言，需要實時、準確地掌握用戶在某個時點或者時間段所處的場景，包括時間、空間、人物這三個位置相關的關鍵信息[1]，滿足用戶在特定時間、特定地點的實際需求。位置獲取與服務提供具有很強的時效性要求，如果服務在用戶離開商家后再提供，那么服務提供的效果就會大打折扣，甚至會轉變成對客戶的騷擾。

Storm、Spark是兩個典型的分布式計算框架，可以解決服務提供的海量數據處理和實時性問題。其中，Storm屬于事件驅動的實時處理框架，處理性能可達秒級，例如用戶興趣點統計等實時應用；Spark為基于內存的計算框架，中間處理結果放置在內存而不是磁盤，因此，適用于內存承載數據、迭代式計算以及交互式查詢。位置營銷要結合用戶近期搜索、點擊等互聯網使用行為來預測用戶興趣點，同時，還要結合用戶實時位置和用戶興趣預測推送滿足用戶需求的服務，因此，需要綜合使用Storm和Spark技術。

1 位置營銷業務需求及典型應用場景

實現精準化營銷的關鍵是將位置三要素(時間、空間、人物)精準匹配。時間可以切分為多個時間點或者多個時間段，地點可以分為地理數據和屬性數據，地理數據描述空間的絕對位置，屬性數據描述地名、空間功能、空間類型等地理位置對應的特征信息，人物則需要描述客戶的消費偏好。時間、地點和客戶偏好可以組成不計其數的個性化情境。如圖1所示。

圖1 移動客戶營銷情境

由圖1可見，實現基于位置的精準營銷需要把時間、空間、人物三者緊密地結合起來，在某個時點、特定的位置，將營銷信息傳遞給恰當的人。比如，當客戶在家庭居住區域內的非工作時間(比如晚上或者周末)可以向用戶推送一些居家用商品的營銷信息；當客戶處于乘坐地鐵等公共交通工具并且是上下班時段，商家可以在推送商品信息的同時推送一些讓人輕松或提示性的信息，比如冷笑話或者天氣變化等；當客戶處于商場或者超市等購物環境時，可以根據用戶年齡、性別、以往購買歷史等為用戶推薦商品與優惠券等信息?？傊?，要結合客戶所在的時空屬性，推送客戶最可能需要的服務。

2 無線通信技術與移動用戶位置獲取

2.1 主流無線通信技術特點分析

日常生活中，我們通常會借助各種無線通信技術在不同的出行場景訪問移動互聯網：在上下班的途中乘坐地鐵，會上網瀏覽、閱讀電子書、觀看視頻短片等；在外面游玩時，會通過地圖軟件查詢周圍的餐飲店以及打折促銷信息；在登山或者輪船上休息時，您或許希望商家提供戶外商品的營銷信息；在商品琳瑯滿目、商家眾多的商場里，您或許希望快速找到自己想要的商品。移動生活的各種場景如圖2所示。

圖2 使用各種無線通信技術的移動生活場景

從圖2可以看出，移動終端、通信網絡、云端應用構成了滿足各種使用場景的技術支撐體系。無線通信技術多個維度的對比如表1所示。

從表1可以看出，不同的無線通信或者移動通信技術具有不同的特點，它們在滿足人們工作與生活的各種需求方面相互補充。比如，地上的無線通信可以采用移動通信和衛星通信，地下隧道內的無線通信需要采用泄露電纜作為信號收發天線；在人口密集的區域，通常采用無線基站(含室內)滿足移動通信需求，而在高山、海洋、高速公路等遮擋物少、難以架設無線基站的地方則采用衛星通信；在有建筑物遮擋的區域采用鋪設Wi-Fi、ZigBee無線網絡的方式；在小于10米的近距離通信場景下，采用藍牙、NFC、RFID等近距離通信方式。

表1 典型的無線通信技術特征與能力對比

不同的無線通信技術都有其適用的場景。比如衛星通信可以實現全球范圍7×24小時的覆蓋，地球上幾乎所有室外環境都可以覆蓋，但是到了森林、隧道、辦公室等室內或者地下環境它就無能為力了；對于無線基站這樣的移動通信技術，在不同的區域其定位能力也不同，通常人口稠密的城市或地區會架設更多的基站，因此，定位精度較高；而對于人口稀少的鄉村地區由于無線基站數量少，定位精度也就低得多；Wi-Fi是無線局域網(WLAN)的典型通信技術，可以鋪設在家庭、辦公室、商場、機場等場所，可以達到1米以下的定位精度。從無線通信技術對于通信需求滿足的角度看，不同的通信技術具有互補性。

2.2 移動終端位置獲取思路與方法

目前，大多數移動終端集成了各式無線通信模塊，移動終端逐漸成為人與環境的接口，成為用戶的貼身秘書，可以說，獲得移動終端位置就意味著找到了客戶的位置。

獲取移動終端的位置有多種物理測量方法，比如按照測量精度從高到低可以分為：距離測量、角度測量、區域測量、跳數測量以及鄰居測量。三種典型的測距數據模型為：基于接收信號強度的測距模型(Received Signal Strength，RSS)、基于信號到達時間的測距模型(Time of Arrival，ToA)、基于信號到達時間差的測距模型(Time Difference of Arrival，TDoA)。由于每種測距模型都具有各自的優缺點，位置計算通常會綜合多種測距模型來實現。

下面介紹典型的無線通信技術獲取移動終端位置的思路與方法。

1）通過通信衛星的位置定位獲取。通過移動終端到通信衛星的擴頻信號傳播時間算出移動終端到通信衛星的距離(ToA)，然后，再結合衛星廣播的星歷信息計算衛星的空間位置，完成定位計算。當有3顆衛星時，就可以實現二維定位；當有4顆衛星時，就可以實現三維定位；移動終端可以根據接收的多顆衛星的導航信息，計算出自己的三維位置(經緯度與海拔高度)、運行速度與方向以及精確的時間信息[2]。

2）通過無線基站的位置獲取。通過測量移動終端到無線基站的下行導頻信號的時間或者時間差，結合無線基站的坐標，采用三角公式估計算法，就可以得到移動終端的位置。還可以采用基于通信網絡的定位技術，通信記錄中記錄了時間戳、位置區域代碼(LAC)、基站小區(cell-ID)等信息[3]，可以獲取移動用戶的位置與運動軌跡，定位精度最高可達到150米，誤差通常大于125米，在人口稀少的地區電信運營商架設的基站通常較少，定位誤差可能會超過1千米。

3）通過Wi-Fi的位置獲取。Wi-Fi無線網絡主要應用于室內環境，在室內定位中，受設備及成本限制，通常都采用基于RSS的測距[1]。如果采用無線信號的定位技術，由于室內環境復雜多變，無線信號在室內環境下的衰減、多徑和衍射等效應導致無線信號強度的波動，進而帶來定位誤差[1]。相比于室外，室內空間通常分為多個功能區，因此，對于定位精度的要求更高。

4）通過泄漏電纜的位置獲取。地鐵通信環境由站廳層、站臺層和雙向隧道區間3個部分組成[4]，地鐵站之間的隧道內部通常是采用兩條泄漏電纜分別向隧道中間延伸的方式，隧道內信號從地鐵站口到隧道內部逐步減弱，因此，可以采用RSS的物理距離測量方式，借助泄漏電纜的信號強度確定移動終端在地鐵隧道內部的位置[5]，由于地下隧道有轉彎、高低等地形變化，會影響到獲取移動終端位置的準確性。

融合通信是指同一臺移動終端借助移動通信(GSM/CDMA/LTE等)、Wi-Fi、藍牙、紅外、衛星通信等多種無線通信技術與外部同時通信的場景。在多種無線通信技術同時使用的情況下，由于不同的無線通信技術的定位能力不同，最理想的情況是獲取盡可能多的與位置計算相關的數據，為位置計算模型提供更多的輔助數據，讓位置計算結果更為準確。例如，衛星信號通常無法覆蓋到室內，但是當移動終端偶爾處于室內能夠接收衛星信號的位置，比如靠近窗戶、大門等，就可以利用這些偶爾獲取的數據提升位置獲取的能力。

此外，信號反射、散射、遮蔽等信號傳播動態特性也會影響位置計算的精度，因此，需要實施誤差控制，將移動終端位置精度控制在一定范圍之內。

3 分布式實時流式計算關鍵技術與位置服務提供

要實現融合通信場景下移動終端的混合定位，對移動終端和位置服務平臺的計算能力有非常高的要求。一方面，按照就近計算原則，移動終端應當采集并計算出自身的絕對位置，如果移動終端首先獲取的是相對于參照物的相對位置，還需要根據參照物絕對位置算出自身的絕對位置。另一方面，移動終端應當將自身絕對位置和位置誤差區間傳遞到位置服務平臺，位置服務平臺模糊匹配客戶所在位置與預先分析出來的消費傾向，將匹配結果以服務的形式推送給客戶。

位置服務需要解決客戶興趣分析和在特定場景下的消費行為預測與服務投遞兩大問題，由于客戶所處位置經常變化，因此，需要位置服務平臺實時地解決以上兩大問題。例如，如果客戶在商家附近使用手機搜索某些關鍵詞，那么這些關鍵詞通常就是客戶迫切需求的信息，具有非常高的時效性特征，這就要求位置服務平臺具備快速匹配供需的能力，以便及時有效地為客戶推送商品與服務信息。由開源組織阿帕奇(Apache)開源的實時流式計算框架Storm和Spark，可以幫助解決以上兩大問題。

Storm將分布式計算環境稱為拓撲(Topology)，拓撲由數據流、Spouts(Stream Producers)、Bolts(Operations)組成[6]。Storm的核心數據結構為元組(Tuple)。Spouts是Storm拓撲主要的數據入口點，Spouts承擔數據源適配器的角色，它將數據轉換為元組并且將元組作為數據流發送。Bolts被視為計算的運算符(operators)或者函數(functions)，Bolts常用的函數包括過濾元組、聯合與聚合、計算、數據庫讀/寫。采用Storm流式計算過程如圖3所示。

圖3 Storm流式計算過程

Storm屬于事件驅動的流式計算模型，適用于單個數據量小的分析計算場景，其存放中間運算結果的磁盤占用了大量的I/O，這種實現方式降低了數據處理效率。與Storm相比，Spark將中間運算結果置于內存之內，更適用于存放中間結果數據的迭代運算；其采用與MapReduce類似的計算模型，更適用于內存容量可以承載的批量數據處理應用；其采用時間片(缺省為0.1s)切割數據的方式，具有更長的時間延遲，并同時支持SQL、機器學習、圖形處理、流式計算等計算模型，是一款通用的計算引擎[7]。

Spark采用彈性分布式數據集(Resilient Distributed Datasets，RDD)的方式管理數據，Spark流計算模型將輸入的數據流以時間片(0.5秒到幾秒)為單位進行拆分，然后再以類似批處理的方式處理每個時間片數據，由于每個數據流代表某個時間到達的RDDs序列，故稱之為離散式數據流(Discretized Stream，DStream)。Spark流計算過程如圖4所示。

根據對兩種分布式流式計算技術的特點分析，可以將兩種技術結合起來使用。對于類似用戶搜索、瀏覽、點擊等行為，由于產生的數據量小，對以上行為的分析可以發現用戶最新需求，因此，可以考慮采用Storm技術；對于來自于電信、金融、交通、公共事業等反映用戶行為的數據，由于數據量大，實時性要求高，可以考慮基于內存計算的Spark計算，通過機器學習挖掘用戶消費行為偏好，根據用戶位置變化實時查詢和匹配用戶需求并推送滿足需求的服務。

4 精準化營銷平臺架構設計方案

位置營銷屬于移動電子商務的核心功能，移動電子商務主要包括5個需要實時完成的活動，即位置(人或物)、導航(到達路線)、跟蹤(移動軌跡)、繪圖(圖形化展示)、時間(從A位置到B位置的時長)；其基礎架構包括9個組成部分，即位置發現(定位)組件、移動定位中心、用戶、移動終端、移動通信網絡、服務或應用提供商、數據或內容提供商、地理信息系統、選擇性加入應用[8]。精準化移動營銷平臺總體架構如圖5所示。

圖4 Spark流計算過程

圖5 精準化移動營銷平臺總體架構

從圖5可以看出，移動終端首先基于各種通信模塊計算移動終端的絕對位置或者相對位置，然后以移動終端位置為輸入，借助精準化移動營銷平臺查詢/匹配適合于用戶的需求，并將需求對應的服務推送給用戶，而精準化移動營銷平臺則基于客戶大數據、空間大數據等形成位置三要素的營銷用基礎數據集，成為實現位置服務的前提和基礎。

5 總結

移動終端借助藍牙、Wi-Fi、GSM、CDMA、GPS等各種無線通信模塊以及各式傳感器在運行過程中形成數據，為更加精確地完成位置計算提供了前提和基礎。通過在融合通信環境下的混合位置計算，可以為基于位置的精準化營銷提供有力支持。

客戶的購物偏好是提供位置服務的需求預測基礎，是實現精準化營銷的三大要素之一，應當融合移動用戶位置、用戶偏好、營銷服務推送策略，實時地為客戶提供營銷信息，提高營銷的成功概率，同時，由于位置服務的時效性特征明顯，需要借助實時分布式流式計算技術，才能快速地完成位置獲取與服務提供。

制定位置營銷方案還需要在如下三個方面進行權衡和取舍：第一，需要平衡定位精度和資金投入，保證較高的成本效益；第二，需要平衡位置計算算法的復雜度和移動終端用電消耗；第三，需要平衡服務質量和隱私觸犯與信息安全問題。

參考文獻

[1] 楊崢,吳陳沭,劉云浩.位置計算:無線網絡定位與可定位性[M].北京:清華大學出版社,2014:2-4,112,116

[2] 李勇,徐小濤,楊志紅,等.位置信息服務(LBS)關鍵技術及應用[M].北京：人民郵電出版社,2013:49,62

[3] 李福東,黃文良,羅云彬. 基于目標IP大數據分析提升移動用戶上網體驗研究[J]. 郵電設計技術,2014(12):65-67

[4] 黃艷福,戚喜成,姚賽彬,等. 地鐵移動通信無線網絡建設研究[J].郵電設計技術,2011(1):23-25

[5] 張柯軍.論基站定位功能在地鐵中的應用[J].通信設計與應用,2015(3):9

[6] Jonathan Leibiusky,Gabriel Eisbruch,Dario Simonassi.Getting Started with Storm[J]. O'Reilly Media,2012(9):1

[7] Holden Karau,Andy Konwinski,Patrick Wendell,et al.Learning Spark[J].O'Reilly Media,2015(1):276

[8] Efraim Turban,David King,Jae Kyu Lee,et al. Electronic Commerce:A Managerial and Social Networks Perspective,Eighth Edition[M].Springer International Publishing AG,2015(2):281-282