CN106952105A - 一种基于迁移学习的商铺最优化选址方法 - Google Patents

Abstract

本发明公开了一种基于迁移学习的商铺最优化选址方法，根据城市路网划分区域；然后利用每个区域内的社交媒体和传感器数据构造特征，利用城市规划等数据构造规则特征，考虑距离等因素乘以相应的权重，并利用多视图学习进行特征融合。利用迁移学习将数据量丰富的大城市选址知识转移到相对较小的城市，训练小城市的最优化商铺选址模型。最后将规则特征和训练好的模型进行融合得到最终的最优选址模型。本发明多视图学习对不同视图数据进行融合，可有效扩展其他来源的数据，同时本发明基于迁移学习技术，对拥有较小样本的小城市也能取得较好的效果。

Description

一种基于迁移学习的商铺最优化选址方法

技术领域

本发明属于数据挖掘与城市计算领域，具体涉及一种基于迁移学习的商铺最优化选址方法。

背景技术

商铺最优化选址能带来很强的经济效益。最优化的选址比随机选址通常能吸引更多的顾客。例如一个新的咖啡店可以开在道路的交叉口附近，通常交叉口拥有便利的交通和较好的客流，然而交通拥堵等因素也可能会给这个选址带来负面影响。随着城市计算的不断发展，利用城市中的海量数据进行商铺的最优化选址成为了可能。传统的最优化选址通常利用一个区域本身特点例如人流量、购买力、交通等来构建模型。然而人不一定会一直停留在某些特定的区域。例如在大城市，早上有部分人会从很远的市郊到市中心上班，人处在一定的流动中。一个区域本身拥有的功能(例如是不是商圈)也会对选址的优劣产生影响。此外，区域内的同种类型的商铺所带来的竞争因素也需要值得考虑。

一个最优的选址应当是一个能够吸引最多用户的区域。考虑到综上所述的因素，通常在大城市采集相应的数据是能够建立出最优的选址模型的。然而，城市中的某些区域或对于某些小城市，部分数据例如社交媒体等数据是相当稀疏的，单独利用这些区域或城市本身的数据建立的模型不能够取得很好的效果。由此可见，利用迁移学习技术将大城市选址的知识转移到小城市或小区域来建立模型是相当可行的。

发明内容

有鉴于此，本发明提供了一种基于迁移学习的商铺最优化选址方法。相比其他方法，本发明实现了对数据量稀疏和丰富的城市的最优化选址分析，而且成本较为低廉。

一种基于迁移学习的商铺最优化选址方法，包括：

(1)以每个城市的道路路网为边界，将城市划分成若干个相邻的区域；

(2)采集每个区域的社交媒体数据和物理传感器数据组成数据样本，并利用数据样本构造每个区域内与选址相关的社交媒体特征和物理传感器特征组成特征数据；

(3)对每个区域的特征数据进行处理融合处理，得到融合特征；

(4)利用政府公告、城市规划数据构造每个区域的规则特征；

(5)选择需要选址的城市作为目标城市，选取相对于目标城市样本数据和特征数据更多的城市构造来源城市，利用目标城市与来源城市的融合特征对分类器进行训练，得到城市商铺最优化预选址模型；

(6)将城市商铺最优化预选址模型分别与每个区域的规则特征叠加，得到多个区域商铺最优化选址模型；

(7)利用目标城市中的每个区域商铺最优化选址模型分别对区域商铺最优化选址模型对应的区域进行测试，最终确定商铺选址最优区域。

步骤(1)中，将每个城市分成多个区域，每个城市区域是一个商铺的待选位置，这样可以方便确定最优选址区域。对于区域中过小的区域如每边道路都小于100米等情况，会将其和周边类似的区域进行合并，区域大小(仅考虑城市范围内的区域，不考虑郊区)无上限。

步骤(2)中，所述的社交媒体数据指的是从微博、大众点评以及其他社交媒体获得的社交媒体文本。并以分析社交媒体文本获得的词向量、词频率以及用户对区域内商铺的环境、服务的评分作为社交媒体特征。

步骤(2)中，所述的物理传感器数据指的是从交通、公交车、房地产价格、兴趣点以及商业圈获得数据。并以计算得到的区域内每天不同时间段(6点～10点、11点～15点、16点～20点)交通状况均值作为交通特征；以计算得到的区域内公交车班数和车流量作为公交特征；以计算得到的区域内房价均值作为房价特征；以计算得到的区域内要开的商铺的同类商铺和总商铺比值作为竞争特征；交通特征、公交特征、房价特征以及竞争特征组成物理传感器特征。

所述步骤(3)的具体步骤为：

(3-1)根据数据采集点所在位置与数据采集点相邻的目标区域之间的距离或数据采集点所在的区域与该所在区域相邻的目标区域之间的面积对该数据采集点采集得到的特征数据设置相应的权重；得到预处理特征数据；

(3-2)并利用多视图算法对每个区域内不同种类的预处理特征数据进行融合，得到融合特征。

步骤(3-1)中，考虑一个目标区域的选址情况时，一般会考虑周边区域的数据和目标区域的数据，周边区域的数据受距离等因素对目标区域产生的一定的影响，距离较远，影响较小，因此对特征设置相应的权重。作为优选，本发明以数据采集点与该采集点相邻的目标区域之间的距离的倒数；或，数据采集点所在区域与该所在区域相邻的目标区域之间的面积比值，作为该数据采集点采集得到的特征数据的权重。

步骤(3-2)中，利用多视图分析合并社交媒体特征和物理传感器特征，有助于数据的可扩展性。多视图数据融合后的特征向量按照区域来区分。比如说对于某区域两个视图的特征(RegionId，F_social)、(RegionId，F_physical)，多视图分析后的特征向量是(RegionId，F_middle)。

步骤(4)中，对于规则特征，如果某些区域未来可能要修地铁站、进行拆迁、规划新商圈等，因此，作为优选，所述的规则特征Condition为修地铁站、进行拆迁或规划新商圈，且每个规则特征的数据值是经验值，通过统计经验得到，取值范围0～2，数据值越大，表示实现该规则特征的可能性越大。实际上，这些规则特征在所有区域中只占有很小一部分(以杭州为例5％)，通过该事件对未来造成影响的范围(影响几个区域)来决定每种情况对目标选址得分的影响。例如一个区域修地铁站，则Condition₁＝1.6。

所述步骤(5)的具体步骤为：

(5-1)选择需要选址的城市作为目标城市，选取相对于目标城市样本数据和特征数据更多的城市构造来源城市；

(5-2)判断目标城市与来源城市的特征相对熵是否小于阈值，若是，执行步骤(5-3)，若否，执行步骤(5-4)；

(5-3)将来源城市中的每个区域的融合特征数据与目标城市中每个区域的融合特征数据合并组成样本集，将来源城市与目标城市中每个区域的兴趣点组成真值集，并将样本集作为分类器的输入，将真值集作为分类器的输出，训练分类器，得到商铺最优化预选址模型；

(5-4)利用自编码器将目标城市中每个区域的融合特征与来源城市中每个区域的融合特性合并到一个中间公共特征空间，以中间公共特征空间的向量作为分类器的输入，以向量对应的真实兴趣点客流作为分类器的真值标签，对分类器进行训练，得到商铺最优化预选址模型。

步骤(5-2)中，相对熵又称KL散度，衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是：在相同事件空间里，概率分布P(x)的事件空间，若用概率分布Q(x)编码时，平均每个基本事件x编码长度增加了多少比特。用D(P||Q)表示KL距离，计算公式如下：

当两个概率分布完全相同时，即P(x)＝Q(x)，其相对熵为0，X为基本事件集，本发明中，相对熵阈值的取值范围为0～0.2。

步骤(6)中，本发明通过以下融合方式得到商铺最优化选址模型：

其中，是区域得分的最终预测值，y是区域通过商铺最优化预选址模型得到的预测值，w_i表示第i个规则特征和区域选址之间的相关性，取值-1或1，即若相关，w_i为1，若不相关，w_i为-1；Condition_i是第i个规则特征所属的影响值，取值范围为0～2，α和γ都是超参数，主要作用是平衡预测值使其在一定的范围内，m为规则特征的个数。

所述步骤(7)的具体过程为：

首先，利用目标城市中的每个区域商铺最优化选址模型分别对区域商铺最优化选址模型对应的区域进行测试，得到目标城市中每个区域的未来吸引客流量概率值；

最后，对目标城市中所有区域的客流量概率值进行降次排序，选择客流量概率值排在前n的区域作为最优的选址区域，n表示自然数。

传统的对商铺最优化选址分析，面对较小的样本或者较少的标记数据具有重大缺陷；而本发明基于迁移学习，可以利用大城市的选址数据对小城市的选址进行建模。具体优势体现如下：

(1)本发明利用了多视图算法对不用来源的数据进行特征融合，提高了算法的可扩展性，可以扩充新的数据。

(2)本发明利用大城市的选址数据，小城市本很只需要获取较少的数据，利用迁移学习技术将大城市的知识迁移到小城市来训练小城市的商铺最优选址模型。

附图说明

图1为本发明基于迁移学习的商铺最优化选址方法流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

参见图1，本发明基于迁移学习的商铺最优化选址方法的过程包括：

S01，以每个城市的道路路网为边界，将城市划分成若干个相邻的区域。

S02，采集每个区域的社交媒体数据和物理传感器数据组成数据样本，并利用数据样本构造每个区域内与选址相关的社交媒体特征和物理传感器特征组成特征数据。

S03，根据数据采集点所在位置与数据采集点相邻的目标区域之间的距离或数据采集点所在的区域与该所在区域相邻的目标区域之间的面积对该数据采集点采集得到的特征数据设置相应的权重；得到预处理特征数据，并利用多视图算法对每个区域内不同种类的预处理特征数据进行融合，得到融合特征。

S04，利用政府公告、城市规划数据构每个区域的造规则特征。

S05，选择需要选址的城市作为目标城市，选取相对于目标城市样本数据和特征数据更多的城市构造来源城市；

S06，判断目标城市与来源城市的特征相对熵是否小于阈值，若是，执行S07，若否，执行S08；

S07，将来源城市中的每个区域的融合特征数据与目标城市中每个区域的融合特征数据合并组成样本集，将来源城市与目标城市中每个区域的兴趣点组成真值集，并将样本集作为分类器的输入，将真值集作为分类器的输出，训练分类器，得到商铺最优化预选址模型；

S08，利用自编码器将目标城市中每个区域的融合特征与来源城市中每个区域的融合特性合并到一个中间公共特征空间，以中间公共特征空间的向量作为分类器的输入，以向量对应的真实兴趣点客流作为分类器的真值标签，对分类器进行训练，得到商铺最优化预选址模型。

S09，将城市商铺最优化预选址模型分别与每个区域的规则特征叠加，得到多个区域商铺最优化选址模型。

S10，利用目标城市中的每个区域商铺最优化选址模型分别对区域商铺最优化选址模型对应的区域进行测试，最终确定商铺选址最优区域。

S10的具体过程为：

首先，利用目标城市中的每个区域商铺最优化选址模型分别对区域商铺最优化选址模型对应的区域进行测试，得到目标城市中每个区域的未来吸引客流量概率值；

最后，对目标城市中所有区域的客流量概率值进行降次排序，选择客流量概率值排在前n的区域作为最优的选址区域，n表示自然数。

实施例1

本实施例以北京、上海、广州、武汉、深圳、这几个城市作为来源城市，以杭州作为选址的目标城市。根据杭州路网情况，对杭州划分成4315个的区域，每一个区域都是选址的待选区域。

社交媒体数据选的是微博、大众点评文本，物理传感器数据选取的是是交通、公交车、房地产价格、兴趣点以及商业圈数据。

根据城市规划数据选取杭州市中每个区域中的修地铁站、进行拆迁以及规划新商业圈构造规则特征，相对熵阈值取值0.1。

分析北京、上海、广州、武汉、深圳这几个城市的特征和杭州的数据特征服从不同分布，所以将来源城市和目标城市数据映射到中间公共特征空间，然后训练得到商铺最优化预选址模型，最后将训练好的模型与目标城市中每个区域规则特征进行融合，得到最终商铺选址模型。

利用训练完成的商铺选址模型，对杭州的未知区域进行商铺选址分析，得到预测的人流量。对所有区域按人流量倒序排列，前几名为最优的商铺选址。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于迁移学习的商铺最优化选址方法，包括：

(1)以每个城市的道路路网为边界，将城市划分成若干个相邻的区域；

(2)采集每个区域的社交媒体数据和物理传感器数据组成数据样本，并利用数据样本构造每个区域内与选址相关的社交媒体特征和物理传感器特征组成特征数据；

(3)对每个区域的特征数据进行处理融合处理，得到融合特征；

(4)利用政府公告、城市规划数据构造每个区域的规则特征；

(5)选择需要选址的城市作为目标城市，选取相对于目标城市样本数据和特征数据更多的城市构造来源城市，利用目标城市与来源城市的融合特征对分类器进行训练，得到商铺最优化预选址模型；

(6)将城市商铺最优化预选址模型分别与目标城市中每个区域的规则特征叠加，得到多个区域商铺最优化选址模型；

(7)利用目标城市中的每个区域商铺最优化选址模型分别对区域商铺最优化选址模型对应的区域进行测试，最终确定商铺选址最优区域。

2.如权利要求1所述的基于迁移学习的商铺最优化选址方法，其特征在于，所述的社交媒体数据指的是从微博、大众点评获得的社交媒体文本，并以分析社交媒体文本获得的词向量、词频率以及用户对区域内商铺的环境、服务的评分作为社交媒体特征。

3.如权利要求1所述的基于迁移学习的商铺最优化选址方法，其特征在于，所述的物理传感器数据指的是从交通、公交车、房地产价格、兴趣点以及商业圈获得数据。

4.如权利要求3所述的基于迁移学习的商铺最优化选址方法，其特征在于，以计算得到的区域内每天不同时间段交通状况均值作为交通特征；以计算得到的区域内公交车班数和车流量作为公交特征；以计算得到的区域内房价均值作为房价特征；以计算得到的区域内要开的商铺的同类商铺和总商铺比值作为竞争特征。

5.如权利要求1所述的基于迁移学习的商铺最优化选址方法，其特征在于，所述步骤(3)的具体步骤为：

(3-1)根据数据采集点所在位置与数据采集点相邻的目标区域之间的距离或数据采集点所在的区域与该所在区域相邻的目标区域之间的面积对该数据采集点采集得到的特征数据设置相应的权重；得到预处理特征数据；

(3-2)利用多视图算法对每个区域内不同种类的预处理特征数据进行融合，得到融合特征。

6.如权利要求5所述的基于迁移学习的商铺最优化选址方法，其特征在于，以数据采集点与该采集点相邻的目标区域之间的距离的倒数；或，数据采集点所在区域与该所在区域相邻的目标区域之间的面积比值，作为该数据采集点采集得到的特征数据的权重。

7.如权利要求1所述的基于迁移学习的商铺最优化选址方法，其特征在于，所述的规则特征Condition为修地铁站、进行拆迁或规划新商圈，且每个规则特征的数据值是经验值，通过统计经验得到，取值范围0～2。

8.如权利要求1所述的基于迁移学习的商铺最优化选址方法，其特征在于，所述步骤(5)的具体步骤为：

(5-1)选择需要选址的城市作为目标城市，选取相对于目标城市样本数据和特征数据更多的城市构造来源城市；

(5-2)判断目标城市与来源城市的特征相对熵是否小于阈值，若是，执行步骤(5-3)，若否，执行步骤(5-4)；

(5-3)将来源城市中的每个区域的融合特征数据与目标城市中每个区域的融合特征数据合并组成样本集，将来源城市与目标城市中每个区域的兴趣点组成真值集，并将样本集作为分类器的输入，将真值集作为分类器的输出，训练分类器，得到商铺最优化预选址模型；

(5-4)利用自编码器将目标城市中每个区域的融合特征与来源城市中每个区域的融合特性合并到一个中间公共特征空间，以中间公共特征空间的向量作为分类器的输入，以向量对应的真实兴趣点客流作为分类器的真值标签，对分类器进行训练，得到商铺最优化预选址模型。

9.如权利要求1所述的基于迁移学习的商铺最优化选址方法，其特征在于，步骤(6)中，本发明通过以下融合方式得到商铺最优化选址模型：

$\hat{y}=\mathrm{\α}y+\underset{i=1}{\overset{m}{\Σ}}\left(w_i{\mathrm{condition}}_i\right)+\mathrm{\γ}$

其中，是区域得分的最终预测值，y是区域通过商铺最优化预选址模型得到的预测值，w_i表示第i个规则特征和区域选址之间的相关性，取值-1或1，即若相关，w_i为1，若不相关，w_i为-1；Condition_i是第i个规则特征所属的影响值，取值范围为0～2，α和γ都是超参数，主要作用是平衡预测值使其在一定的范围内，m为规则特征的个数。

10.如权利要求1所述的基于迁移学习的商铺最优化选址方法，其特征在于，所述步骤(7)的具体过程为：

首先，利用目标城市中的每个区域商铺最优化选址模型分别对区域商铺最优化选址模型对应的区域进行测试，得到目标城市中每个区域的未来吸引客流量概率值；

最后，对目标城市中所有区域的客流量概率值进行降次排序，选择客流量概率值排在前n的区域作为最优的选址区域，n表示自然数。