在互联网经济快速发展的今天,实体企业最近几年却在不断的消亡。目前实体经济宣传的方式依旧是以发传单和登广告为主,这些宣传方式无法较为准确地推送到受众群体中,宣传的最终效果往往也不尽人意。为了更好地刺激实体店经济,使用推荐系统来宣传是很好的方式,但目前大多数的推荐系统针对的是互联网经济场景,并不太适用于实体店消费场景,因为实体经济对地理位置等情景因素的敏感性远远超过互联网场景。另外目前推荐系统的推荐方案基本由平台统一配置,商户无法对其进行操作。综上所述,本论文设计了一套更加关注于地理位置等情景因素的推荐系统,并将推荐系统的推荐方案的操作权限开放给商户。本论文针对到店营销场景,设计了一套基于情景预测的实时营销系统。本论文系统的主要功能为:商户使用本系统作为营销工具发起营销推荐方案,用户的浏览事件触发系统实时处理并对其作出实时响应。本论文的主要内容和成果如下:1)本文对基于情景预测的实时营销系统进行了需求分析并给出系统的设计与实现方案,系统采用Kafka作为消息队列接收用户行为事件,使用Flink和Spark作为系统计算框架处理数据,Spark用于做离线预处理,Flink用于做实时处理,使用TiDB作为数据仓库以及Redis作为缓存;2)在传统协同过滤推荐算法流程中引入情景预测来提高推荐算法准确度;3)引入消费周期对用户画像的用户偏好得分进行修正,使用户偏好得分随时间产生变化;4)最后对系统进行了功能测试和性能测试,功能测试为测试系统需求分析时的功能点完成情况,性能测试为测试系统的实时性和推荐效率,系统实时性通过对用户行为的实时处理和响应来保证,推荐算法效果通过与传统协同过滤推荐算法比较准确率、召回率和F值指标来验证,测试所得数据结果表明系统能在100ms内完成响应,且与传统协同过滤推荐算法相比提升了约10%的精准度,验证了系统的实时性和推荐算法的高效。