CN107909105A - 一种商业选址方法及系统 - Google Patents

一种商业选址方法及系统 Download PDF

Info

Publication number
CN107909105A
CN107909105A CN201711117740.3A CN201711117740A CN107909105A CN 107909105 A CN107909105 A CN 107909105A CN 201711117740 A CN201711117740 A CN 201711117740A CN 107909105 A CN107909105 A CN 107909105A
Authority
CN
China
Prior art keywords
data
feature
satellite
objective
site selection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711117740.3A
Other languages
English (en)
Inventor
徐亚南
朱燕民
沈艳艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201711117740.3A priority Critical patent/CN107909105A/zh
Publication of CN107909105A publication Critical patent/CN107909105A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Remote Sensing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种商业选址方法及系统，该方法包括如下步骤：获取卫星数据和城市数据；根据收集到的卫星数据和城市数据对目标地点抽取特征；使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型；使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业，本发明实现了自动商业选址的目的。

Description

一种商业选址方法及系统
技术领域
本发明涉及一种商业选址方法及系统，特别是涉及一种基于卫星数据和城市数据的商业选址方法及系统。
背景技术
对于商业的成功而言，选择一个好的店铺位置是十分重要的。好的店铺位置可以给商家带来很多顾客，实现商业的成功。而较差的店铺选址的错误在开业之后却是几乎不能改正的。因此商业选址对商家来说至关重要。然而商业选址的过程费时又费力，需要人们搜集和调研各种类型的数据，例如交通状况、潜在顾客的多少、租金状况、员工的来源等等
传统的商业选址方法包括调研、询问专业的咨询公司。一些研究工作在探索使用用户在网络上的签到数据、用户连接实体店wifi的记录、在电子地图上的查询数据等来进行商业选址分析。然而，这些方法都存在一些问题，一方面这些方法使用的数据获取比较难，另一方面使用的数据可能会涉及到用户的隐私问题。
随着科技的发展，卫星数据(如灯光数据、卫星图片数据等)和一些城市数据(如城市路网、汽车轨迹等)变得越来越容易获取。这些数据从一些方面反映了一个地点的商业潜力，例如城市灯光的强度反映了一个地区人口的密度和商业的繁荣程度，卫星图片可以反映地面建筑用地和绿地的比例，对于城市数据，城市路网反映了各个地区交通的便利程度，汽车轨迹反映了人群的移动情况。不同类型的商业对地点的需求可能不同，如大型商场偏向于在繁华的地方，以吸引尽可能多的顾客，而篮球馆等因为占地面积比较大，考虑到租金的问题，会选择租金便宜，距离城市中心一段距离的地方，因此，本发明从卫星数据和城市数据出发，提出一种基于卫星数据和城市数据的商业选址技术，以解决上述问题。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种商业选址方法及系统，以解决传统的调研方法成本较高，而且时间较长的问题，实现自动商业选址的目的。
为达上述及其它目的，本发明提出一种商业选址方法，包括如下步骤：
步骤一，获取卫星数据和城市数据；
步骤二，根据收集到的卫星数据和城市数据对目标地点抽取特征；
步骤三，使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型；
步骤四，使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业。
进一步地，所述卫星数据包括灯光强度数据、卫星可见红外扫描辐射计数据以及卫星图像数据，所述卫星可见红外扫描辐射计数据包括地表温度、植被覆盖率、地表反射率。
进一步地，所述城市数据包括城市路网数据和汽车轨迹数据。
进一步地，步骤二进一步包括：
针对灯光强度采样数据，对目标地点计算平均灯光强度，根据灯光强度采样数据进行聚类，得到城市中一些商业中心的位置，并计算目标地点到这些商业中心的距离和这些距离中的最小值；将平均灯光强度和到聚类中心的距离作为灯光强度数据的特征；
针对卫星可见红外扫描辐射计的数据，分别计算目标地点平均地表温度、平均植被覆盖率、平均地表反射率，以及该些特征在一年中不同月份的变化情况；
针对卫星图像数据，利用卷积神经网络从卫星图像中抽取特征。
进一步地，步骤二还包括：
对于城市数据中的城市路网数据，统计目标地点的各类道路长度，总长度，以及交叉点的数目作为特征；
针对汽车轨迹数据，统计目标地点各个时间段的GPS记录的数目和访问次数作为特征向量。
进一步地，步骤三还包括：
将抽取到的同一地点的特征拼合成一个向量，作为自编码器的输入和输出，训练自编码器；
待训练完成，使用其中的编码器部分对特征向量进行降维；
使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型。
进一步地，所述自编码器的训练过程为最小化输入x〔i〕和输出f(x〔i〕)的偏差：
其中，其中x表示前面抽取到的特征拼接成的特征向量，下标i表示第i个训练样本，w和b为神经网络中的权重和偏置，σ为神经网络中的激活函数。
进一步地，所述自编码器的输出z〔i〕计算公式如下：
为达到上述目的，本发明还提供一种商业选址系统，包括：
数据获取单元，用于获取卫星数据和城市数据；
特征抽取单元，用于根据收集到的卫星数据和城市数据对目标地点抽取特征；
模型训练单元，用于使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型；
预测单元，用于使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业。
进一步地，所述卫星数据包括灯光强度数据、卫星可见红外扫描辐射计数据以及卫星图像数据，所述卫星可见红外扫描辐射计数据包括地表温度、植被覆盖率、地表反射率，所述城市数据包括城市路网数据和汽车轨迹数据。
与现有技术相比，本发明一种商业选址方法及系统通过卫星数据和一些城市数据，对一个给定地点抽取特征，使用自编码器对抽取到的特征进行降维和去噪，最后使用经典的分类或者拟合模型根据处理过的特征，判断该地点是否合适开某类的店铺，实现了自动商业选址的目的。
附图说明
图1为本发明一种商业选址方法的步骤流程图；
图2为本发明一种商业选址系统的系统架构图；
图3为本发明具体实施例之商业选址系统的结构示意图；
图4为本发明具体实施例中卷积神经网络结构图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种商业选址方法的步骤流程图。如图1所示，本发明一种商业选址方法，包括如下步骤：
步骤101，获取卫星数据和城市数据。在本发明具体实施例中，卫星数据包括灯光强度数据、卫星可见红外扫描辐射计数据(如地表温度、植被覆盖率、地表反射率等)以及卫星图像数据，城市数据包括城市路网数据和汽车轨迹数据。
步骤102，根据收集到的卫星数据和城市数据对目标地点抽取特征。
具体地，步骤102进一步包括：
针对灯光强度采样数据，对目标地点计算平均灯光强度，根据灯光强度采样数据进行聚类，得到城市中一些商业中心的位置，并计算目标地点到这些商业中心的距离和这些距离中的最小值；将平均灯光强度和到聚类中心的距离作为灯光强度数据的特征；
针对卫星可见红外扫描辐射计的数据，分别计算目标地点平均地表温度、平均植被覆盖率、平均地表反射率等，以及这些特征在一年中不同月份的变化情况；
针对卫星图像数据，因为图像是由像素组成的，直接定义特征比较困难，这里利用比较流行的卷积神经网络从卫星图像中抽取特征。该神经网络模型使用卫星图像作为输入，各类POI(Point of Interest，兴趣点)的数目作为输出，该卷积神经网络模型架构如图2所示，最后两层是全连接层。当模型训练完成时，删掉最后一层，使用最后的隐藏层输出作为特征向量，即给定目标地点的图像，输出最后一个隐藏层的值作为卫星图像的特征向量；
对于城市数据中的城市路网数据，统计目标地点的各类道路长度，总长度，以及交叉点的数目作为特征；
针对汽车轨迹数据，统计目标地点各个时间段的GPS记录的数目和访问次数作为特征向量。
步骤103，使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型。具体地，首先将抽取到的同一地点的特征拼合成一个向量，作为自编码器的输入和输出，训练自编码器；待模型训练完成，使用其中的编码器部分对特征向量进行降维；使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型。
步骤104，使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业，即给定一个地点，输入抽取的特征，输出该地点是否适合该类型的店铺。
图2为本发明一种商业选址系统的系统架构图。如图2所示，本发明一种商业选址系统，包括：
数据获取单元201，用于获取卫星数据和城市数据。在本发明具体实施例中，卫星数据包括灯光强度数据、卫星可见红外扫描辐射计数据(如地表温度、植被覆盖率、地表反射率等)以及卫星图像数据，城市数据包括城市路网数据和汽车轨迹数据。
特征抽取单元202，用于根据收集到的卫星数据和城市数据对目标地点抽取特征。其中，特征抽取单元202具体用于：
针对灯光强度数据，对目标地点计算平均灯光强度，根据灯光强度数据进行聚类，得到城市中一些商业中心的位置，并计算目标地点到这些商业中心的距离和这些距离中的最小值；将平均灯光强度和到聚类中心的距离作为灯光强度数据的特征；
针对卫星可见红外扫描辐射计的数据，分别计算目标地点平均地表温度、平均植被覆盖率、平均地表反射率等，以及这些特征在一年中不同月份的变化情况；
针对卫星图像数据，因为图像是由像素组成的，直接定义特征比较困难，这里利用比较流行的卷积神经网络从卫星图像中抽取特征。该神经网络模型使用卫星图像作为输入，各类POI的数目作为输出，该卷积神经网络模型架构如图4所示，最后两层是全连接层(图示为全连接层和输出层)。当模型训练完成时，删掉最后一层，使用最后的隐藏层输出作为特征向量，即给定目标地点的图像，输出最后一个隐藏层的值作为卫星图像的特征向量；
对于城市数据中的城市路网数据，统计目标地点的各类道路长度，总长度，以及交叉点的数目作为特征；
针对汽车轨迹数据，统计目标地点各个时间段的GPS记录的数目和访问次数作为特征向量。
模型训练单元203，用于使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型。具体地，模型训练单元203首先将抽取到的同一地点的特征拼合成一个向量，作为自编码器的输入和输出，训练自编码器；待模型训练完成，使用其中的编码器部分对特征向量进行降维；使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型。
预测单元204，用于使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业，即给定一个地点，输入抽取的特征，输出该地点是否适合该类型的店铺。
以下将通过一具体实施例来说明本发明之商业选址方法：
首先定义一个地点l＝(lng，lat，r)，其中lng和lat是该地点的经纬度，r是考虑的l周边地区的半径，这里设置r为定值。本发明之目标是给定一个地点，判断其是否适合开某种类型的店铺。这里根据是否有无该类型的店铺设置标记变量y，如果有该类型的店铺，标记设置为1，否则设置为0。例如，考虑开一个餐馆，给定地点l，如果该地点有餐馆类的POI，则标记为1，否则标记为0，图3为本发明具体实施例之商业选址系统的系统架构图。下面将配合图3详细描述如何抽取各类特征，然后根据抽取到的特征训练分类模型或者拟合模型来判断这些地点是否适合某种类型的店铺。
一、卫星数据
1、灯光强度数据的特征
1)平均灯光强度
首先从光污染地图上采样得到灯光的强度值，每隔50m一个采样点。然后根据这些采样点，计算目标地点的平均灯光强度：
其中N(l，r)表示处于地点l半径r以内的采样点集合，表示集合内一个采样点的灯光强度。
2)到商业中心距离
灯光强度反映了人们经济活动的强度，因此可以根据灯光强度来找到商业中心。而与这些商业中心的距离则反映了该地点的商业潜力。首先可以使用聚类的方法来发现这些商业中心。设置一个阈值，把所有大于该阈值的采样点进行聚类，得到的聚类结果之后，计算各个类的地理中心。聚类方法可以采用简单K means方法。得到这些商业中心后，可以计算目标地点到各个商业中心的距离fdis＝[d1，d2，...]，以及这些距离中的最小值fmdis。
2、地表温度特征
1)平均地表温度
卫星将地表根据经纬度划分成很多格子，这里用pl＝(lng，lat)表示一个格子。对格子pl，在t时刻的值可以用表示。lst是经过反演得到的地表温度，CH4和CH5是传感器获取的地表发射率。卫星每隔10天产生一次数据。定义位于地点l半径范围r的所有采样点为集合分别对lst,CH4和CH5计算平均值，记为计算公式如下：
为了简化模型，这里只抽取了六月份白天和夜晚，以及十二月份白天和夜晚的平均值作为特征，记为
2)地表温度方差
计算十二月份和六月份的差值，对应于白天和晚上分别记为DJ(fld)和DJ(fln)。计算方法如下：
3、植被覆盖率特征
植被覆盖数据的一个采样点记为pv＝(lng，lat)，对应该采样点t时刻的数据为CH1-CH6是不同波长的地表反射率，ndvi是地表的植被覆盖情况。与地表温度的数据同理，可以计算植被覆盖特征的平均值，对应于六月和十二月分别用和表示。
4、反射率和发射率特征
1)平均反射率和发射率
风云气象卫星还提供了关于地表反射率和发射率的数据。与前两种数据类似，一个采样点记为pθ，对应t时刻的数据记为Emissive表示EarthView Emissive Bands Scaled Integers。RefSB表示Earth View Reflective SolarBands Scaled Integers。lc表示地表覆盖物情况，是一个取值在0-17间的离散值。同样可以对一个地点的emissive和RefSB计算出六月份和十二月份的平均值，记为和
2)地表覆盖物
其中地表覆盖lc是一个离散值，不能直接计算平均值。这里使用出现次数最多的lc值，作为目标地点l的地表覆盖特征，计算公式如下：
5、卫星图像特征
首先根据目标地点选择卫星图像，然后将该图像作为卷积神经网络的输入。神经网络的输出是该目标地点附近各类POI的数目。神经网络的结构如图4所示，包括2个卷积层，2个下采样层(即池化层)和2个全连接层(图示为全连接层和输出层)。在模型训练完成之后，模型的最后一个隐藏层的输出将作为抽取到的图像特征fi。
二、城市数据特征
城市数据包括城市中各种方式获得的数据，包括汽车轨迹、交通状况、气象和空气状况等。这里仅考虑城市路网和汽车轨迹两种数据。
1、路网特征
1)道路长度针对目标地点l半径r范围内的道路，计算不同等级道路的长度作为路网的特征。
2)道路总长度获取不同等级道路长度之后，可以计算所有类型道路的总长度。
3)交叉点的数目在路网中，可以统计道路交叉点的数目，一般来说，交叉点的数目越多，居住的人口数目越大。
2、汽车轨迹特征
汽车的轨迹反映了人们的出行状况，这些信息与商家的顾客数目紧密相关。根据汽车轨迹，我们将一天分为24个不重叠的时间段，获取以下两种特征：
1)GPS点的个数统计各个小时出现在地点l附近的GPS点的个数，作为特征
2)访问的次数汽车进入地点l半径r范围内，可以认为是一次访问。统计一天中各个小时访问地点l汽车数目作为特征
三、降噪和降维
本发明抽取到的特征维度比较高，可以使用降噪自编码器对抽取到的特征进行去噪和降维。以简单的三层自编码器神经网络(本发明具体实施例中为有监督学习的自编码器神经网络)为例，输出如下：其中x表示前面抽取到的特征拼接成的特征向量，下标i表示第i个训练样本，W和b是神经网络中的权重和偏置。σ是神经网络中的激活函数，这里使用Sigmoid函数，自编码器的训练过程为最小化输入x〔i〕和输出f(x〔i〕)的偏差。
模型训练好之后，使用模型的编码器部分对输入特征进行降维，编码器的输出z〔i〕计算公式如下：
四、选址判断
在降维之后，可以根据特征，使用分类模型或者拟合模型来判断一个地点是否适合开某种类型的店铺。以岭回归为例，输入为降维后的特征z〔i〕，下标表示第i个训练样本。损失函数定义如下：
其中W和λ是模型的参数，||W||2是正则化项，防止模型过拟合。y〔i〕是目标地点的标签，如果有目标类型的店铺则为1，没有则为0。编码器和岭回归的参数可以交替优化来提高判断结果的精度。具体做法是先固定编码器的参数，得到最优的岭回归模型参数。然后固定岭回归模型参数，使用梯度下降法进一步优化编码器。梯度可以由求导的链式法则得到，即和
模型训练完成后，给定一个地点，抽取该地点的特征，特征通过编码器的降维，得到z。最后的输出用如下公式计算：
具体地，可以设定一个阈值，当大于该阈值时，可以认为该地点适合该类型的店铺。
综上所述，本发明一种商业选址方法及系统通过卫星数据和一些城市数据，对一个给定地点抽取特征，使用自编码器对抽取到的特征进行降维和去噪，最后使用经典的分类或者拟合模型根据处理过的特征，判断该地点是否合适开某类的店铺，实现了自动商业选址的目的。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (10)

1.一种商业选址方法，包括如下步骤：
步骤一，获取卫星数据和城市数据；
步骤二，根据收集到的卫星数据和城市数据对目标地点抽取特征；
步骤三，使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型；
步骤四，使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业。
2.如权利要求1所述的一种商业选址方法，其特征在于：所述卫星数据包括灯光强度数据、卫星可见红外扫描辐射计数据以及卫星图像数据，所述卫星可见红外扫描辐射计数据包括地表温度、植被覆盖率、地表反射率。
3.如权利要求1所述的一种商业选址方法，其特征在于：所述城市数据包括城市路网数据和汽车轨迹数据。
4.如权利要求2所述的一种商业选址方法，其特征在于：步骤二进一步包括：
针对灯光强度采样数据，对目标地点计算平均灯光强度，根据灯光强度采样数据进行聚类，得到城市中一些商业中心的位置，并计算目标地点到这些商业中心的距离和这些距离中的最小值；将平均灯光强度和到聚类中心的距离作为灯光强度数据的特征；
针对卫星可见红外扫描辐射计的数据，分别计算目标地点平均地表温度、平均植被覆盖率、平均地表反射率，以及该些特征在一年中不同月份的变化情况；
针对卫星图像数据，利用卷积神经网络从卫星图像中抽取特征。
5.如权利要求3所述的一种商业选址方法，其特征在于，步骤二还包括：
对于城市数据中的城市路网数据，统计目标地点的各类道路长度，总长度，以及交叉点的数目作为特征；
针对汽车轨迹数据，统计目标地点各个时间段的GPS记录的数目和访问次数作为特征向量。
6.如权利要求1所述的一种商业选址方法，其特征在于，步骤三还包括：
将抽取到的同一地点的特征拼合成一个向量，作为自编码器的输入和输出，训练自编码器；
待训练完成，使用其中的编码器部分对特征向量进行降维；
使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型。
7.如权利要求6所述的一种商业选址方法，其特征在于，所述自编码器的训练过程为最小化输入x(i)和输出f(x(i))的偏差：
其中，其中x表示前面抽取到的特征拼接成的特征向量，下标i表示第i个训练样本，W和b为神经网络中的权重和偏置，σ为神经网络中的激活函数。
8.如权利要求7所述的一种商业选址方法，其特征在于，所述自编码器的输出z(i)计算公式如下：
。
9.一种商业选址系统，包括：
数据获取单元，用于获取卫星数据和城市数据；
特征抽取单元，用于根据收集到的卫星数据和城市数据对目标地点抽取特征；
模型训练单元，用于使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型；
预测单元，用于使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业。
10.如权利要求9所述的一种商业选址系统，其特征在于：所述卫星数据包括灯光强度数据、卫星可见红外扫描辐射计数据以及卫星图像数据，所述卫星可见红外扫描辐射计数据包括地表温度、植被覆盖率、地表反射率，所述城市数据包括城市路网数据和汽车轨迹数据。
CN201711117740.3A 2017-11-13 2017-11-13 一种商业选址方法及系统 Pending CN107909105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711117740.3A CN107909105A (zh) 2017-11-13 2017-11-13 一种商业选址方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711117740.3A CN107909105A (zh) 2017-11-13 2017-11-13 一种商业选址方法及系统

Publications (1)

Publication Number Publication Date
CN107909105A true CN107909105A (zh) 2018-04-13

Family

ID=61845284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711117740.3A Pending CN107909105A (zh) 2017-11-13 2017-11-13 一种商业选址方法及系统

Country Status (1)

Country Link
CN (1) CN107909105A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876509A (zh) * 2018-05-11 2018-11-23 上海赢科信息技术有限公司 利用poi分析用户标签的方法及系统
CN109034239A (zh) * 2018-07-23 2018-12-18 北京金风科创风电设备有限公司 遥感影像分类方法、分布式风电场的选址方法和设备
CN109165690A (zh) * 2018-09-03 2019-01-08 安徽优思天成智能科技有限公司 一种城市路网尾气污染分布预测的方法及系统
CN109214570A (zh) * 2018-09-03 2019-01-15 安徽优思天成智能科技有限公司 一种基于深度时空修正模型的城市区域尾气污染预测方法
CN109598336A (zh) * 2018-12-05 2019-04-09 国网江西省电力有限公司信息通信分公司 一种基于栈式降噪自编码神经网络的数据约简方法
CN110413722A (zh) * 2019-08-06 2019-11-05 京东城市(北京)数字科技有限公司 地址选择方法、装置以及非瞬时性存储介质
CN110675177A (zh) * 2018-07-03 2020-01-10 百度在线网络技术（北京）有限公司 门店选址方法和装置
CN110991914A (zh) * 2019-12-09 2020-04-10 朱递 一种基于图卷积神经网络的设施选址方法
CN111145452A (zh) * 2019-12-31 2020-05-12 中国银行股份有限公司 一种可取火车票自助存取款机选址方法及装置
CN111368312A (zh) * 2020-02-17 2020-07-03 山东师范大学 一种隐藏位置信息的设施选址方法及系统
CN111432417A (zh) * 2020-03-27 2020-07-17 哈尔滨工业大学 一种基于手机信令数据的体育中心选址方法
CN112308594A (zh) * 2019-09-29 2021-02-02 北京京东尚科信息技术有限公司 选址系统、方法、电子设备及存储介质
CN112990976A (zh) * 2021-03-29 2021-06-18 华南理工大学 基于开源数据挖掘的商业网点选址方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787501A (zh) * 2015-12-17 2016-07-20 武汉大学 输电线路走廊区域自动选择特征的植被分类方法
CN106952105A (zh) * 2017-04-26 2017-07-14 浙江大学 一种基于迁移学习的商铺最优化选址方法
CN107220676A (zh) * 2017-06-28 2017-09-29 梧州市兴能农业科技有限公司 一种智慧城市规划系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787501A (zh) * 2015-12-17 2016-07-20 武汉大学 输电线路走廊区域自动选择特征的植被分类方法
CN106952105A (zh) * 2017-04-26 2017-07-14 浙江大学 一种基于迁移学习的商铺最优化选址方法
CN107220676A (zh) * 2017-06-28 2017-09-29 梧州市兴能农业科技有限公司 一种智慧城市规划系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵娜: "基于神经网络的金融网点选址系统的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876509B (zh) * 2018-05-11 2022-07-05 上海赢科信息技术有限公司 利用poi分析用户标签的方法及系统
CN108876509A (zh) * 2018-05-11 2018-11-23 上海赢科信息技术有限公司 利用poi分析用户标签的方法及系统
CN110675177A (zh) * 2018-07-03 2020-01-10 百度在线网络技术（北京）有限公司 门店选址方法和装置
CN109034239B (zh) * 2018-07-23 2021-01-26 北京金风科创风电设备有限公司 遥感影像分类方法、分布式风电场的选址方法和设备
CN109034239A (zh) * 2018-07-23 2018-12-18 北京金风科创风电设备有限公司 遥感影像分类方法、分布式风电场的选址方法和设备
CN109165690A (zh) * 2018-09-03 2019-01-08 安徽优思天成智能科技有限公司 一种城市路网尾气污染分布预测的方法及系统
CN109214570A (zh) * 2018-09-03 2019-01-15 安徽优思天成智能科技有限公司 一种基于深度时空修正模型的城市区域尾气污染预测方法
CN109598336A (zh) * 2018-12-05 2019-04-09 国网江西省电力有限公司信息通信分公司 一种基于栈式降噪自编码神经网络的数据约简方法
CN110413722A (zh) * 2019-08-06 2019-11-05 京东城市(北京)数字科技有限公司 地址选择方法、装置以及非瞬时性存储介质
CN110413722B (zh) * 2019-08-06 2021-03-30 京东城市(北京)数字科技有限公司 地址选择方法、装置以及非瞬时性存储介质
CN112308594A (zh) * 2019-09-29 2021-02-02 北京京东尚科信息技术有限公司 选址系统、方法、电子设备及存储介质
CN110991914A (zh) * 2019-12-09 2020-04-10 朱递 一种基于图卷积神经网络的设施选址方法
CN110991914B (zh) * 2019-12-09 2024-04-16 朱递 一种基于图卷积神经网络的设施选址方法
CN111145452A (zh) * 2019-12-31 2020-05-12 中国银行股份有限公司 一种可取火车票自助存取款机选址方法及装置
CN111368312A (zh) * 2020-02-17 2020-07-03 山东师范大学 一种隐藏位置信息的设施选址方法及系统
CN111368312B (zh) * 2020-02-17 2022-08-09 山东师范大学 一种隐藏位置信息的设施选址方法及系统
CN111432417A (zh) * 2020-03-27 2020-07-17 哈尔滨工业大学 一种基于手机信令数据的体育中心选址方法
CN111432417B (zh) * 2020-03-27 2021-07-16 哈尔滨工业大学 一种基于手机信令数据的体育中心选址方法
CN112990976A (zh) * 2021-03-29 2021-06-18 华南理工大学 基于开源数据挖掘的商业网点选址方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN107909105A (zh) 一种商业选址方法及系统
Grigoraș et al. Land use/land cover changes dynamics and their effects on surface urban heat island in Bucharest, Romania
Perz et al. Trans-boundary infrastructure and land cover change: Highway paving and community-level deforestation in a tri-national frontier in the Amazon
Rao et al. A web-based GIS Decision Support System for managing and planning USDA's Conservation Reserve Program (CRP)
McPherson et al. Million trees Los Angeles canopy cover and benefit assessment
Ward et al. Geospatial methods provide timely and comprehensive urban forest information
Evans et al. Spatial integration of social and biophysical factors related to landcover change
CN106779804A (zh) 用于广阔地域上的多样化资源基础的测绘建模的系统和方法
McPherson et al. Los Angeles 1-million tree canopy cover assessment
Liu et al. Establishing a citywide street tree inventory with street view images and computer vision techniques
Hu et al. Estimating impervious surfaces from medium spatial resolution imagery: A comparison between fuzzy classification and LSMA
Vorovencii Assessment of some remote sensing techniques used to detect land use/land cover changes in South-East Transilvania, Romania
Ara et al. Impact of tourism on LULC and LST in a coastal island of Bangladesh: A geospatial approach on St. Martin’s Island of Bay of Bengal
Goldreich Ground and top of canopy layer urban heat island partitioning on an airborne image
Wood Tree inventories and GIS in urban forestry
van Der Merwe et al. An efficient method for estimating dormant season grass biomass in tallgrass prairie from ultra-high spatial resolution aerial imaging produced with small unmanned aircraft systems
Maithani et al. Simulation of land surface temperature patterns over future urban areas—a machine learning approach
Cheng Digital Landscape Architecture Methodology
Azzopardi Effect of distance measures and feature representations on distance-based accessibility measures
Gitau Analysis of land use land cover change and its implication on peri-urban agriculture: Case study; Kiambu Sub-county in Kiambu county, Kenya.
Bashir et al. Detection and delineation of agricultural land losses in minna, Niger State, Nigeria
Anwar Land use change dynamics: A dynamic spatial simulation
Blackman Long-term urban forest cover change detection with object based image analysis and random point based assessment
Shakeel Homeowners as Urban Forest Managers-Examining the Role of Property-level Variables in Predicting Variations in Urban Forest Quantity Using Advanced Remote Sensing and GIS Methodologies
Santarsiero SPATIAL ANALYSES AND REMOTE SENSING FOR LAND COVER CHANGE DYNAMICS: ASSESSING IN A SPATIAL PLANNING

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180413