CN109903065A - 一种确定候选点的候选分值的方法和装置 - Google Patents
一种确定候选点的候选分值的方法和装置 Download PDFInfo
- Publication number
- CN109903065A CN109903065A CN201711294889.9A CN201711294889A CN109903065A CN 109903065 A CN109903065 A CN 109903065A CN 201711294889 A CN201711294889 A CN 201711294889A CN 109903065 A CN109903065 A CN 109903065A
- Authority
- CN
- China
- Prior art keywords
- point
- candidate
- interest
- target
- information
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种确定候选点的候选分值的方法和装置，所述方法包括：确定在地图中的候选点；确定在所述候选点的预设范围内的目标兴趣点；获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值，减少了在选址过程中的巨大的人力资源耗费；通过按照统一的评价标准对各个候选点进行评分，量化了各个候选点之间的比较，保证了选址的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种确定候选点的候选分值的方法、一种目标候选点的推荐方法、一种决策树模型的构建方法、一种确定候选点的候选分值的装置、一种目标候选点的推荐装置和一种决策树模型的构建装置。
背景技术
商业选址是指在租建商店或商铺之前对店铺的地址进行论证和决策的过程。商业选址对于商家的营业效益具有重大的影响，一直都是传统数据行业以及地图服务行业想要解决的核心问题之一。
通常，传统的公司一般都有自己的选址分析团队，通过线下采集预选地点的人流量、周边设施等信息，然后结合自身行业的经验模型，可以对候选地址作出相应的评估或评分。传统的选址方式最大的缺点就是需要耗费大量的人力资源，而且经验模型的修正并没有一定的理论支撑。如果碰到大型连锁企业需要在全国范围内数十个城市进行选址和开店推荐，耗费的人力和时间成本将会非常巨大，并且人为地采集信息进行选址也无法保证选址的准确性。
发明内容
鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种确定候选点的候选分值的方法、一种目标候选点的推荐方法、一种决策树模型的构建方法、一种确定候选点的候选分值的装置、一种目标候选点的推荐装置和一种决策树模型的构建装置。
为了解决上述问题，本申请公开了一种确定候选点的候选分值的方法，包括：
确定在地图中的候选点；
确定在所述候选点的预设范围内的目标兴趣点；
获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值。
为了解决上述问题，本申请公开了一种确定候选点的候选分值的方法，包括：
确定在地图中的候选点；
确定在所述候选点的预设范围内的目标兴趣点；
依据所述目标兴趣点和预置的决策树模型，确定所述候选点的候选分值。
为了解决上述问题，本申请公开了一种确定候选点的候选分值的方法，包括：
接收用户在预置地图界面中选定的候选点；
确定在所述候选点的预设范围内的目标兴趣点；
获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值；
向所述用户展现所述候选点的候选分值。
为了解决上述问题，本申请公开了一种目标候选点的推荐方法，包括：
接收用户在预置地图界面中选定的多个候选点；
分别确定在所述多个候选点的预设范围内的目标兴趣点；
分别获取所述目标兴趣点与所述多个候选点的距离信息，以及，所述目标兴趣点的数量信息；
依据所述目标兴趣点的距离信息和数量信息，分别确定所述多个候选点的候选分值；
按照所述候选分值对所述多个候选点进行排序；
确定排序后的预设数量的候选点为目标候选点；
向所述用户推荐所述目标候选点。
为了解决上述问题，本申请公开了一种决策树模型的构建方法，包括：
确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
获取目标点的信息；
获取在所述目标点的预设范围内的多个兴趣点；
采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
为了解决上述问题，本申请公开了一种确定候选点的候选分值的装置，包括：
候选点确定模块，用于确定在地图中的候选点；
目标兴趣点确定模块，用于确定在所述候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块，用于获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块，用于依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值。
为了解决上述问题，本申请公开了一种确定候选点的候选分值的装置，包括：
候选点确定模块，用于确定在地图中的候选点；
目标兴趣点确定模块，用于确定在所述候选点的预设范围内的目标兴趣点；
候选分值确定模块，用于依据所述目标兴趣点和预置的决策树模型，确定所述候选点的候选分值。
为了解决上述问题，本申请公开了一种确定候选点的候选分值的装置，包括：
候选点接收模块，用于接收用户在预置地图界面中选定的候选点；
目标兴趣点确定模块，用于确定在所述候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块，用于获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块，用于依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值；
候选分值展现模块，用于向所述用户展现所述候选点的候选分值。
为了解决上述问题，本申请公开了一种目标候选点的推荐装置，包括：
候选点接收模块，用于接收用户在预置地图界面中选定的多个候选点；
目标兴趣点确定模块，用于分别确定在所述多个候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块，用于分别获取所述目标兴趣点与所述多个候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块，用于依据所述目标兴趣点的距离信息和数量信息，分别确定所述多个候选点的候选分值；
候选点排序模块，用于按照所述候选分值对所述多个候选点进行排序；
目标候选点确定模块，用于确定排序后的预设数量的候选点为目标候选点；
目标候选点推荐模块，用于向所述用户推荐所述目标候选点。
为了解决上述问题，本申请公开了一种决策树模型的构建装置，包括：
影响因素确定模块，用于确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
目标点信息获取模块，用于获取目标点的信息；
兴趣点获取模块，用于获取在所述目标点的预设范围内的多个兴趣点；
模型生成模块，用于采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
与背景技术相比，本申请实施例包括以下优点：
本申请实施例，通过确定在候选点的预设范围内的目标兴趣点，并基于目标兴趣点的数量信息，以及与上述候选点的距离信息，从而可以确定出候选点的候选分值，减少了在选址过程中的巨大的人力资源耗费；通过按照统一的评价标准对各个候选点进行评分，量化了各个候选点之间的比较，保证了选址的准确性。
附图说明
图1是本申请的一种确定候选点的候选分值的方法实施例一的步骤流程图；
图2是本申请的一种确定候选点的候选分值的方法实施例二的步骤流程图；
图3是本申请的一种录入餐饮模型的影响因素的示意图；
图4是本申请的一种录入已开店铺信息的示意图；
图5是本申请的一种已开店铺周边的兴趣点的示意图；
图6是本申请的一种确定候选点的候选分值的实现架构图；
图7是本申请的一种确定候选点的候选分值的方法实施例三的步骤流程图；
图8是本申请的一种目标候选点的推荐方法实施例的步骤流程图；
图9是本申请的一种决策树模型的构建方法实施例的步骤流程图；
图10是本申请的一种确定候选点的候选分值的装置实施例一的结构框图；
图11是本申请的一种确定候选点的候选分值的装置实施例二的结构框图；
图12是本申请的一种确定候选点的候选分值的装置实施例三的结构框图；
图13是本申请的一种目标候选点的推荐装置实施例的结构框图；
图14是本申请的一种决策树模型的构建装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1，示出了本申请的一种确定候选点的候选分值的方法实施例一的步骤流程图，具体可以包括如下步骤：
步骤101，确定在地图中的候选点；
在本申请实施例中，候选点可以是用户在电子地图中任意选定的一个地点。例如，某商家计划在某地开设一家店铺，候选点则可以是该商家可能计划用于开设该店铺的具体位置。
步骤102，确定在所述候选点的预设范围内的目标兴趣点；
兴趣点，即POI(Point of Interest)，是基于位置服务的一种数据，该数据可以表示在地图中该点的名称、地址、类别，以及经纬度等信息。在电子地图中，通常采用气泡图来表示POI。电子地图中的景点、政府机构、公司、商场、学校等等都是POI。
通常，在选定任一候选点后，可以获取在该候选点的预设范围内的兴趣点集合，一个兴趣点集合中可以包括在该预设范围内的多个兴趣点。例如，可以包括预设范围内的全部兴趣点，也可以只包括其中的一部分兴趣点。本实施例对预设范围的具体大小以及集合中兴趣点的具体数量不作限定。
在本申请实施例中，目标兴趣点可以是指某一特定类型的兴趣点。例如，学校属于一个类型的兴趣点，而商场则属于另一个类型的兴趣点。
因此，在获取预设范围的兴趣点集合后，通过确定目标兴趣点的目标类型，然后可以从兴趣点集合中提取出具有上述目标类型的目标兴趣点。
例如，若目标兴趣点的目标类型为电影院，则在获得兴趣点集合后，可以进一步提取出集合中的全部电影院。
作为本申请的一种示例，也可以首先将预设范围划分为多个预设子范围。例如，若预设范围为以候选点为圆心，半径为3公里的圆圈所覆盖的范围，则可以将该预设范围划分为三个预设子范围，即距离候选点在0-1公里的第一预设子范围，距离候选点在1-2公里的第二预设子范围和距离候选点在2-3公里的第三预设子范围。当然，上述划分法仅为一种示例，本领域技术人员可以根据实际需要采用其他方法划分预设子范围，本实施例对此不作限定。
然后，可以确定在候选点的预设范围内的各个兴趣点的类型，并通过确定目标兴趣点的目标类型，从而分别获取在各个预设子范围内具有上述目标类型的目标兴趣点。
步骤103，获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
在本申请实施例中，可以分别获取各个目标兴趣点与候选点的距离，然后根据该距离，分别确定在各个预设子范围内的目标兴趣点的数量。
例如，若目标兴趣点为电影院，可以分别确定在候选点的周边三公里范围内的全部电影院，然后分别计算在距离候选点0-1公里范围内的电影院的数量有多少个，在距离候选点1-2公里范围内的电影院的数量有多少个，以及，在距离候选点2-3公里范围内的电影院的数量有多少个。
步骤104，依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值。
在本申请实施例中，当确定出各个目标兴趣点距离候选点的距离，以及在各个预设子范围内目标兴趣点的数量后，可以采用上述距离信息和数量信息进行计算，得到该候选点的候选分值。
候选点的候选分值可以看作是对该候选点的一种评价指标。通常可以认为，一个候选点的候选分值越高，说明该候选点更能符合选址的实际要求。
在具体实现中，可以首先确定各个目标类型的条件因子，以及，任一目标类型对应的各个预设子范围的子条件因子。
各个目标类型的条件因子可以是指针对各个类型的兴趣点的一种评价，每个目标类型对应的条件因子可以并不相同。但是，全部目标类型的条件因子之和应当等于一个特定的数值，如第一预设阈值，该第一预设阈值可以为1。
例如，以目标类型分别为电影院、地铁站和商场为例，其各自对应的条件因子可以并不相同，但三者的条件因子之和应该等于1。
而任一目标类型对应的各个预设子范围的子条件因子则可以是指对某一特定目标类型分别在不同的预设子范围内的一种评价。该目标类型在各个预设子范围内的子条件因子可以各不相同，但任一目标类型对应的全部预设子范围的子条件因子之和应当等于一个特定的数值，如第二预设阈值，该第二预设阈值也可以为1。
需要说明的是，在同一预设子范围内的子条件因子可以包括多个，每个子条件因子根据预先设定的兴趣点的数量的不同而不同。
例如，对于0-1公里这一预设子范围，可以预先设定兴趣点的数量为0-5，6-10和11-20三档，每一档数量对应的子条件也可以各不相同。
因此，对于目标类型为电影院而言，在该因素下，0-1公里范围内的所有可能出现的情况对应的子条件因子、1-2公里范围内的所有可能出现的情况对应的子条件因子，以及，2-3公里范围内的所有可能出现的情况对应的子条件因子三者之和应该等于1。
然后，可以分别确定各个预设子范围内的目标兴趣点的数量对应的匹配因子。匹配因子可以表示在各个预设子范围内的目标兴趣点的数量是否与该预设子范围内预先设定的数量相匹配。
在具体实现中，可以在确定每个预设子范围内的目标兴趣点的数量后，将该数量与预先设定的该子范围内的哪一档数量相匹配。若匹配某一档的数量，则匹配因子可以为1，若未匹配某一档的数量，则匹配因子可以为0。
例如，若将0-1公里范围内兴趣点的数量分为0-5，6-10和11-20三档，实际获得的该范围内的目标兴趣点的数量为7个，则可以认为该数量匹配6-10这一档，从而在这一档的匹配因子为1，而在其他两档的匹配因子为0。
在确定了条件因子、子条件因子，以及，匹配因子后，便可以采用上述条件因子、子条件因子，以及，匹配因子进行计算，确定候选点的候选分值。
在具体实现中，可以采用如下公式计算候选点的候选分值：
其中，score为候选点的候选分值；i为条件因素，即目标兴趣点的类型；j为距离因素，即预设子范围的数量，通常可以将候选点的预设范围划分为三个子范围，因此j的取值可以为1、2、3；k可以是在上述条件因素和距离因素确定的情况下，由用户自定义的其他需要考虑的因素。
Wi的值为条件因子，Wijk的值为子条件因子，F(i,j,k)为匹配因子。其中：
在本申请实施例中，用户在电子地图中选定的候选点可以包括多个。对于每个候选点，均可以按照上述方法确定出该候选点的候选分值，然后可以根据候选分值分别对多个候选点进行排序，并确定排序后的预设数量的候选点为目标候选点。例如，可以按照候选分值由大到小的顺序对全部候选点进行排序，然后选择排序在前的三个候选点为目标候选点。
在本申请实施例中，通过确定在候选点的预设范围内的目标兴趣点，并基于目标兴趣点的数量信息，以及与上述候选点的距离信息，从而可以确定出候选点的候选分值，减少了在选址过程中的巨大的人力资源耗费；通过按照统一的评价标准对各个候选点进行评分，量化了各个候选点之间的比较，保证了选址的准确性。
参照图2，示出了本申请的一种确定候选点的候选分值的方法实施例二的步骤流程图，具体可以包括如下步骤：
步骤201，确定在地图中的候选点；
步骤202，确定在所述候选点的预设范围内的目标兴趣点；
由于本实施例中步骤201-步骤202与实施例一中步骤101-步骤102类似，可以相互参阅，本实施例对此不再赘述。
步骤203，依据所述目标兴趣点和预置的决策树模型，确定所述候选点的候选分值。
在本申请实施例中，在获得候选点的预设范围内的目标兴趣点后，可以基于上述目标兴趣点，采用预置的决策树模型，确定该候选点的候选分值。
需要说明的是，针对不同的目的，预置的决策树模型可以是不同的。例如，对于商业选址，若所选地址后续的用途不同，则选用的决策树模型也会不同。
在本申请实施例中，预置的决策树模型可以通过如下步骤构建：
S1、确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
为了便于理解，本实施例以决策树模型为用于餐饮店铺选址的餐饮模型为例进行后续介绍。
在餐饮模型中，模型的影响因素可以包括影院、商场、地铁站等多种类型的兴趣点，各个兴趣点在预设子范围内的数量信息可以是指在目标点周边三公里范围内存在的上述兴趣点的数量。具体地，可以将目标点周边三公里范围进一步划分为0-1公里范围、1-2公里范围和2-3公里范围三种情况。
需要说明的是，在构建餐饮模型时，各个范围内的兴趣点的数量可以是由模型构建人员根据经验设定的，该数量应当保证包含了在目标点的周边范围内的各个兴趣点的实际数量。
如图3所示，是本申请的一种录入餐饮模型的影响因素的示意图。在图3中，构建模型时选定的影响因素包括影院和商场两种类型的兴趣点。针对每个兴趣点，分别对距离0-1公里、距离1-2公里以及距离2-3公里范围内设定了3个不同的数量条件。例如，对于影院，在距离0-1公里范围内，设定了0-5、5-10，以及，10-15三种数量条件。
S2、获取目标点的信息；
在本申请实施例中，对于餐饮模型，目标点可以是某个已开店铺的地点，因此，目标点的信息可以是目标点的营业信息，即已开店铺的经营数据。例如，翻台率等等。
如图4所示，是本申请的一种录入已开店铺信息的示意图。在图3中，已开店铺可以是由模型构建人员选定的苏州桥店，该店铺的营业信息即翻台率为0.82。
需要说明的是，已开店铺并不是任意选取的，而是与选址用于后续开设的店铺属于同一企业或商家的其他店铺。例如，某企业为了新开一家火锅店，那么已开店铺可以是指该企业旗下的另一家火锅店。
S3、获取在所述目标点的预设范围内的多个兴趣点；
在本申请实施例中，目标点的预设范围内的多个兴趣点可以是指在S2中选定的已开店铺周边一定范围内的兴趣点，该兴趣点可以是匹配S1中录入的影响因素的兴趣点，包括兴趣点的数量以及距离已开店铺的距离等信息。
例如，在S1中录入的影响因素包括影院和商场，那么此时获取的兴趣点也可以是影院和商场。
在具体实现中，在选定已开店铺后，可以直接在电子地图中获取到该店铺周边一定范围，例如三公里内的影院和商场等兴趣点。
如图5所示，是本申请的一种已开店铺周边的兴趣点的示意图。在图5中，圈选的范围内已开店铺半径三公里内，图中以气泡形式展示的各个位置点即为该范围内的兴趣点。
需要说明的是，在获得各个兴趣点与已开店铺的距离后，可以只考虑在S1录入的影响因素中各个距离范围内的数量。
在具体实现中，可以分别判断各个兴趣点与已开店铺之间的距离符合S1中设定的哪一个距离范围，然后统计各个距离范围内的兴趣点的数量。
例如，分别在0-1公里、1-2公里和2-3公里范围内影院的数量，以及，分别在0-1公里、1-2公里和2-3公里范围内商场的数量。
S4、采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
在本申请实施例中，为了计算的统一，需要首先对目标点的营业信息作归一化处理。例如，已开店铺的信息如翻台率可以是0-10之间的一个数值，也可能是0-1或者0-100之间的一个数字。因此，需要将上述翻台率统一归一化在0-1这个区间内。
然后，可以在分别确定在目标点的各个预设子范围内的各个类型的兴趣点的数量后，采用归一化后的目标点的营业信息和各个预设子范围内的各个类型的兴趣点的数量进行回归分析训练，获得各个类型的条件因子，以及，任一类型对应的各个预设子范围的子条件因子。
在具体实现中，可以采用如下公式进行模型训练，并获得各个类型的条件因子，以及，任一类型对应的各个预设子范围的子条件因子：
其中，score为对已开店铺的营业信息作归一化处理后的数值；i为条件因素，即目标兴趣点的类型如影院、商场、地铁站等等；j为距离因素，即预设子范围的数量，通常可以将候选点的预设范围划分为三个子范围如0-1公里范围、1-2公里范围和2-3公里范围，因此j的取值可以为1、2、3；k可以是在上述条件因素和距离因素确定的情况下，由用户自定义的其他需要考虑的因素；F(i,j,k)为匹配因子。
Wi和Wijk即为在进行模型训练时需要获得的条件因子和子条件因子。其中：
需要说明的是，在具体实现中，需要多个已开店铺的信息作为模型训练的数据。
例如，对于某连锁火锅店，其在北京市包括25家店铺，并且有这25加店铺的翻台率数据。则在构建餐饮模型时，可以关心影院、商场、地铁、公交站、大学、KTV这些类型的兴趣点。
首先可以确定这些兴趣点在各家店铺的每公里内的数量。例如，影院在某家店铺的0-1公里内被划分为0-5、6-10、11-20这三档，每一档对应不同的子条件因子。由于拥有了25家店铺的翻台率数据以及上述 这样的约束条件，便可以利用回归方程求解上述条件因子和子条件因子，从而求解出Wi，Wijk的值。
在完成上述公式的求解后，即构建出了相应的决策树模式，从而可以基于用户选定的候选点周边的目标兴趣点，采用上述决策树模型，计算出该候选点的候选分值。
需要说明的是，构建出的决策树模型，根据用户关心的兴趣点的类型不同而不同。例如，若用户如果只关心商场、KTV、影院这三种类型的兴趣点，那么可以构建出由上述三种类型的兴趣点组成的决策树；如果用户关心的是商场、大学、医院、公交站，那么就可以构建出由上述四种类型的兴趣点组成的决策树。本实施例对构建决策树时选择的兴趣点的类型和数量均不作限定。
因此，在采用决策树模型确定候选点的候选分值时，可以首先确定目标决策树模型，目标决策树模型即是包括匹配候选点的多个目标类型的兴趣点的决策树模型。然后，可以采用目标兴趣点和上述目标决策树模型，确定候选点的候选分值。
在本申请实施例中，通过用户录入构建决策树时的条件因子以及已有店铺的关键信息(例如餐饮行业的翻台率、服装行业的销售额等等)，然后利用回归分析方法构建决策树模型，使得后续的所有候选点均可以利用构建出的决策树模型来计算得到该候选点的得分，便于指导用户进行商业选址。
为了便于理解，下面以一个完整的示例对本实施例的确定候选点的候选分值的方法作一介绍。
如图6所示，是本申请的一种确定候选点的候选分值的实现架构图。在图6中，可以包括两类用户，即A类用户和B类用户。其中，A类用户可以是店铺选址的管理人员，A类用户可以辅助系统构建出决策树模型。
首先，A类用户可以在地图服务系统中录入构建决策树模型的条件(如图3所示的各类影响因素)，以及录入当前已开店铺的信息(如图4所示的餐饮行业已开店铺的翻台率)。
在录入完成后，地图服务系统可以根据A类用户录入的上述模型条件，以及在地图上选择的已开店铺的位置，得到该店铺周边的POI信息(如图5所示的兴趣点)。已开店铺周边的各类POI信息包含了符合用户输入的条件(0-1公里内，1-2公里内，2-3公里内)的POI个数。然后，可以利用如下公式对获得的数据进行回归分析训练，得到决策树模型中的各个条件因子Wi，以及每个条件中的子条件因子Wijk，从而完成决策树的构建。
其中，score为对已开店铺的营业信息作归一化处理后的数值；i为条件因素，即目标兴趣点的类型如影院、商场、地铁站等等；j为距离因素，即预设子范围的数量，通常可以将候选点的预设范围划分为三个子范围如0-1公里范围、1-2公里范围和2-3公里范围，因此j的取值可以为1、2、3；k可以是在上述条件因素和距离因素确定的情况下，由用户自定义的其他需要考虑的因素；F(i,j,k)为匹配因子。
对于B类用户，当需要确定某个候选点的候选分值时，B类用户可以在地图上点击一个候选点，并挑选适合的决策树模型，进行模型计算。需要说明的是，在挑选决策树时，需要根据实际情况来确定。例如，当用户在一个三线城市想要开店，就可以选择没有地铁站这个因子的决策树。从而才能够根据符合城市情况的决策树来进行后续的模型计算。
在选定候选点和具体的决策树模型后，地图服务系统首先会获取该候选点周边的POI信息，然后根据用户选择的决策树模型来计算该候选点的得分。
例如，用户在地图服务系统中选定一个候选点后，该候选点周边的POI信息如下：
距离该点0-1公里内有影院7家，1-2公里内有影院12家，2-3公里内有影院13家；
距离该点0-1公里内有大学4个，1-2公里内有大学6个，2-3公里内有大学10个；
距离该点0-1公里内有地铁站3个，1-2公里内有地铁站10个，2-3公里内有地铁站14个。
根据上述这些实际的POI个数，带入到公式中，可以知道选取的决策树中的条件因子等数值，并计算出总得分：
总得分＝影院因子*(0-1公里内符合7家的子条件因子+1-2公里内符合12家的子条件因子+2-3公里内符合13家的子条件因子)+大学因子*(0-1公里内符合4个的子条件因子+1-2公里内符合6个的子条件因子+2-3公里内符合10个的子条件因子)+地铁站因子*(0-1公里内符合3个的子条件因子+1-2公里内符合10个的子条件因子+2-3公里内符合14个的子条件因子)
B类用户在得到全部选定的候选点的得分后，可以将各个候选点得分进行排序，然后挑选出最有潜力的地方作为备选开店地址。
本申请实施例利用商家已有店铺的营业信息，再结合店铺所在位置周边的POI信息，生成决策树模型。基于生成的决策树模型，用户可以轻松的计算地图上任意一个候选点的得分，从而帮助用户评估候选点，并且POI信息是所有的地图产品中已经存在的，不需要额外的开发和存储成本。本发明实施例具有通用性，可以应用在多个行业的选址过程中，并且只需要极少量的人力。
参照图7，示出了本申请的一种确定候选点的候选分值的方法实施例三的步骤流程图，具体可以包括如下步骤：
步骤701，接收用户在预置地图界面中选定的候选点；
步骤702，确定在所述候选点的预设范围内的目标兴趣点；
步骤703，获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
步骤704，依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值；
步骤705，向所述用户展现所述候选点的候选分值。
在本申请实施例中，可以提供一地图服务系统，该系统可以具有相应的显示界面。在显示界面中可以预置有地图界面，用户可以直接在地图界面中选定候选点进行候选分值的计算。
在具体实现中，当用户在选定某一候选点后，地图服务系统可以针对该候选点进行模型计算，从而得到该候选点的候选分值。
由于针对候选点确定出该候选点的候选分值的方式与上述实施例一、实施例二中确定候选点的候选分值的方式类似，可以相互参阅，本实施例对此不再赘述。
当确定出用户选定的候选点的候选分值后，地图服务系统可以将该候选分值显示在显示界面中，方便用户直观地了解该候选点的评分。
参照图8，示出了本申请的一种目标候选点的推荐方法实施例的步骤流程图，具体可以包括如下步骤：
步骤801，接收用户在预置地图界面中选定的多个候选点；
步骤802，分别确定在所述多个候选点的预设范围内的目标兴趣点；
步骤803，分别获取所述目标兴趣点与所述多个候选点的距离信息，以及，所述目标兴趣点的数量信息；
步骤804，依据所述目标兴趣点的距离信息和数量信息，分别确定所述多个候选点的候选分值；
步骤805，按照所述候选分值对所述多个候选点进行排序；
步骤806，确定排序后的预设数量的候选点为目标候选点；
步骤807，向所述用户推荐所述目标候选点。
在本申请实施例中，可以提供一地图服务系统，该系统可以具有相应的显示界面。在显示界面中可以预置有地图界面，用户可以直接在地图界面中选定候选点进行候选分值的计算。
在具体实现中，用户可以在地图界面中选定多个候选点。在选定后，地图服务系统可以针对各个候选点进行模型计算，从而得到每个候选点的候选分值。
由于针对候选点确定出该候选点的候选分值的方式与上述实施例一、实施例二中确定候选点的候选分值的方式类似，可以相互参阅，本实施例对此不再赘述。
当确定出用户选定的全部候选点的候选分值后，地图服务系统可以按照候选分值对各个候选点进行排序，然后确定一定数量的候选点作为目标候选点，并通过系统的显示界面，将确定的目标候选点推荐给用户。系统推荐给用户的目标候选点可以是在评估时，候选分值得分相对较高的候选点。从而方便用户对多个候选点进行比较，以确定出最佳的选址地点。
参照图9，示出了本申请的一种决策树模型的构建方法实施例的步骤流程图，具体可以包括如下步骤：
步骤901，确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
步骤902，获取目标点的信息；
步骤903，获取在所述目标点的预设范围内的多个兴趣点；
步骤904，采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
由于本实施例中步骤901-步骤904构建决策树的方法与实施例二中步骤S1-S4类似，可以相互参阅，本实施例对此不再赘述。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图10，示出了本申请的一种确定候选点的候选分值的装置实施例一的结构框图，具体可以包括如下模块：
候选点确定模块1001，用于确定在地图中的候选点；
目标兴趣点确定模块1002，用于确定在所述候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块1003，用于获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块1004，用于依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值。
在本申请实施例中，所述目标兴趣点确定模块1002具体可以包括如下子模块：
兴趣点获取子模块，用于获取在所述候选点的预设范围内的兴趣点集合；
第一目标类型确定子模块，用于确定目标兴趣点的目标类型；
目标兴趣点提取子模块，用于从所述兴趣点集合中提取具有所述目标类型的目标兴趣点。
在本申请实施例中，所述预设范围可以包括多个预设子范围，所述目标兴趣点信息获取模块1003具体可以包括如下子模块：
距离获取子模块，用于分别获取各个目标兴趣点与所述候选点的距离；
第一数量确定子模块，用于根据所述距离分别确定在各个预设子范围内的目标兴趣点的数量。
在本申请实施例中，所述目标兴趣点确定模块1002还可以包括如下子模块：
兴趣点类型确定子模块，用于确定在所述候选点的预设范围内的各个兴趣点的类型，所述预设范围包括多个预设子范围；
第二目标类型确定子模块，用于确定目标兴趣点的目标类型；
目标兴趣点获取子模块，用于分别获取在所述各个预设子范围内具有所述目标类型的目标兴趣点。
在本申请实施例中，所述目标兴趣点信息获取模块1003还可以包括如下子模块：
第二数量确定子模块，用于分别确定在所述各个预设子范围内的目标兴趣点的数量。
在本申请实施例中，所述候选分值确定模块1004具体可以包括如下子模块：
条件因子确定子模块，用于确定各个目标类型的条件因子；以及，
子条件因子确定子模块，用于确定任一目标类型对应的各个预设子范围的子条件因子，其中，全部目标类型的条件因子之和等于第一预设阈值，任一目标类型对应的全部预设子范围的子条件因子之和等于第二预设阈值；
匹配因子确定子模块，用于分别确定各个预设子范围内的目标兴趣点的数量对应的匹配因子；
候选分值确定子模块，用于采用所述条件因子、子条件因子，以及，匹配因子，确定所述候选点的候选分值。
在本申请实施例中，所述候选点可以包括多个，所述装置还可以包括如下模块：
候选点排序模块，用于根据候选分值分别对多个候选点进行排序；
目标候选点确定模块，用于确定排序后的预设数量的候选点为目标候选点。
参照图11，示出了本申请的一种确定候选点的候选分值的装置实施例二的结构框图，具体可以包括如下模块：
候选点确定模块1101，用于确定在地图中的候选点；
目标兴趣点确定模块1102，用于确定在所述候选点的预设范围内的目标兴趣点；
候选分值确定模块1103，用于依据所述目标兴趣点和预置的决策树模型，确定所述候选点的候选分值。
在本申请实施例中，所述决策树模型可以通过调用如下模块生成：
影响因素确定模块，用于确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
目标点信息获取模块，用于获取目标点的信息；
兴趣点获取模块，用于获取在所述目标点的预设范围内的多个兴趣点；
模型生成模块，用于采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
在本申请实施例中，所述目标点的信息可以包括目标点的营业信息，所述模型生成模块具体可以包括如下子模块：
归一化子模块，用于对所述目标点的营业信息作归一化处理；
数量确定子模块，用于分别确定在所述目标点的各个预设子范围内的各个类型的兴趣点的数量；
训练子模块，用于采用所述归一化后的目标点的营业信息和各个预设子范围内的各个类型的兴趣点的数量进行回归分析训练，获得各个类型的条件因子，以及，任一类型对应的各个预设子范围的子条件因子。
在本申请实施例中，所述决策树模型可以包括多个，所述候选分值确定模块1103具体可以包括如下子模块：
模型确定子模块，用于确定目标决策树模型，所述目标决策树模型包括匹配所述候选点的多个目标类型的兴趣点；
候选分值确定子模块，用于采用所述目标兴趣点和所述目标决策树模型，确定所述候选点的候选分值。
参照图12，示出了本申请的一种确定候选点的候选分值的装置实施例三的结构框图，具体可以包括如下模块：
候选点接收模块1201，用于接收用户在预置地图界面中选定的候选点；
目标兴趣点确定模块1202，用于确定在所述候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块1203，用于获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块1204，用于依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值；
候选分值展现模块1205，用于向所述用户展现所述候选点的候选分值。
参照图13，示出了本申请的一种目标候选点的推荐装置实施例的结构框图，具体可以包括如下模块：
候选点接收模块1301，用于接收用户在预置地图界面中选定的多个候选点；
目标兴趣点确定模块1302，用于分别确定在所述多个候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块1303，用于分别获取所述目标兴趣点与所述多个候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块1304，用于依据所述目标兴趣点的距离信息和数量信息，分别确定所述多个候选点的候选分值；
候选点排序模块1305，用于按照所述候选分值对所述多个候选点进行排序；
目标候选点确定模块1306，用于确定排序后的预设数量的候选点为目标候选点；
目标候选点推荐模块1307，用于向所述用户推荐所述目标候选点。
参照图14，示出了本申请的一种决策树模型的构建装置实施例的结构框图，具体可以包括如下模块：
影响因素确定模块1401，用于确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
目标点信息获取模块1402，用于获取目标点的信息；
兴趣点获取模块1403，用于获取在所述目标点的预设范围内的多个兴趣点；
模型生成模块1404，用于采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，所述计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非持续性的电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种确定候选点的候选分值的方法、一种目标候选点的推荐方法、一种决策树模型的构建方法、一种确定候选点的候选分值的装置、一种目标候选点的推荐装置和一种决策树模型的构建装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (19)
1.一种确定候选点的候选分值的方法，其特征在于，包括：
确定在地图中的候选点；
确定在所述候选点的预设范围内的目标兴趣点；
获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值。
2.根据权利要求1所述的方法，其特征在于，所述确定在所述候选点的预设范围内的目标兴趣点的步骤包括：
获取在所述候选点的预设范围内的兴趣点集合；
确定目标兴趣点的目标类型；
从所述兴趣点集合中提取具有所述目标类型的目标兴趣点。
3.根据权利要求2所述的方法，其特征在于，所述预设范围包括多个预设子范围，所述获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息的步骤包括：
分别获取各个目标兴趣点与所述候选点的距离；
根据所述距离分别确定在各个预设子范围内的目标兴趣点的数量。
4.根据权利要求1所述的方法，其特征在于，所述确定在所述候选点的预设范围内的目标兴趣点的步骤包括：
确定在所述候选点的预设范围内的各个兴趣点的类型，所述预设范围包括多个预设子范围；
确定目标兴趣点的目标类型；
分别获取在所述各个预设子范围内具有所述目标类型的目标兴趣点。
5.根据权利要求4所述的方法，其特征在于，所述获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息的步骤包括：
分别确定在所述各个预设子范围内的目标兴趣点的数量。
6.根据权利要求3或5所述的方法，其特征在于，所述依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值的步骤包括：
确定各个目标类型的条件因子，以及，任一目标类型对应的各个预设子范围的子条件因子，其中，全部目标类型的条件因子之和等于第一预设阈值，任一目标类型对应的全部预设子范围的子条件因子之和等于第二预设阈值；
分别确定各个预设子范围内的目标兴趣点的数量对应的匹配因子；
采用所述条件因子、子条件因子，以及，匹配因子，确定所述候选点的候选分值。
7.根据权利要求1所述的方法，其特征在于，所述候选点包括多个，所述方法还包括：
根据候选分值分别对多个候选点进行排序；
确定排序后的预设数量的候选点为目标候选点。
8.一种确定候选点的候选分值的方法，其特征在于，包括：
确定在地图中的候选点；
确定在所述候选点的预设范围内的目标兴趣点；
依据所述目标兴趣点和预置的决策树模型，确定所述候选点的候选分值。
9.根据权利要求8所述的方法，其特征在于，所述决策树模型通过如下步骤生成：
确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
获取目标点的信息；
获取在所述目标点的预设范围内的多个兴趣点；
采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
10.根据权利要求9所述的方法，其特征在于，所述目标点的信息包括目标点的营业信息，所述采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型的步骤包括：
对所述目标点的营业信息作归一化处理；
分别确定在所述目标点的各个预设子范围内的各个类型的兴趣点的数量；
采用所述归一化后的目标点的营业信息和各个预设子范围内的各个类型的兴趣点的数量进行回归分析训练，获得各个类型的条件因子，以及，任一类型对应的各个预设子范围的子条件因子。
11.根据权利要求8-10任一所述的方法，其特征在于，所述决策树模型包括多个，所述依据所述目标兴趣点和预置的决策树模型，确定所述候选点的候选分值的步骤包括：
确定目标决策树模型，所述目标决策树模型包括匹配所述候选点的多个目标类型的兴趣点；
采用所述目标兴趣点和所述目标决策树模型，确定所述候选点的候选分值。
12.一种确定候选点的候选分值的方法，其特征在于，包括：
接收用户在预置地图界面中选定的候选点；
确定在所述候选点的预设范围内的目标兴趣点；
获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值；
向所述用户展现所述候选点的候选分值。
13.一种目标候选点的推荐方法，其特征在于，包括：
接收用户在预置地图界面中选定的多个候选点；
分别确定在所述多个候选点的预设范围内的目标兴趣点；
分别获取所述目标兴趣点与所述多个候选点的距离信息，以及，所述目标兴趣点的数量信息；
依据所述目标兴趣点的距离信息和数量信息，分别确定所述多个候选点的候选分值；
按照所述候选分值对所述多个候选点进行排序；
确定排序后的预设数量的候选点为目标候选点；
向所述用户推荐所述目标候选点。
14.一种决策树模型的构建方法，其特征在于，包括：
确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
获取目标点的信息；
获取在所述目标点的预设范围内的多个兴趣点；
采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
15.一种确定候选点的候选分值的装置，其特征在于，包括：
候选点确定模块，用于确定在地图中的候选点；
目标兴趣点确定模块，用于确定在所述候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块，用于获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块，用于依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值。
16.一种确定候选点的候选分值的装置，其特征在于，包括：
候选点确定模块，用于确定在地图中的候选点；
目标兴趣点确定模块，用于确定在所述候选点的预设范围内的目标兴趣点；
候选分值确定模块，用于依据所述目标兴趣点和预置的决策树模型，确定所述候选点的候选分值。
17.一种确定候选点的候选分值的装置，其特征在于，包括：
候选点接收模块，用于接收用户在预置地图界面中选定的候选点；
目标兴趣点确定模块，用于确定在所述候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块，用于获取所述目标兴趣点与所述候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块，用于依据所述目标兴趣点的距离信息和数量信息，确定所述候选点的候选分值；
候选分值展现模块，用于向所述用户展现所述候选点的候选分值。
18.一种目标候选点的推荐装置，其特征在于，包括：
候选点接收模块，用于接收用户在预置地图界面中选定的多个候选点；
目标兴趣点确定模块，用于分别确定在所述多个候选点的预设范围内的目标兴趣点；
目标兴趣点信息获取模块，用于分别获取所述目标兴趣点与所述多个候选点的距离信息，以及，所述目标兴趣点的数量信息；
候选分值确定模块，用于依据所述目标兴趣点的距离信息和数量信息，分别确定所述多个候选点的候选分值；
候选点排序模块，用于按照所述候选分值对所述多个候选点进行排序；
目标候选点确定模块，用于确定排序后的预设数量的候选点为目标候选点；
目标候选点推荐模块，用于向所述用户推荐所述目标候选点。
19.一种决策树模型的构建装置，其特征在于，包括：
影响因素确定模块，用于确定模型的影响因素，所述影响因素包括一个或多个类型的兴趣点信息，以及，各个兴趣点在多个预设子范围内的数量信息；
目标点信息获取模块，用于获取目标点的信息；
兴趣点获取模块，用于获取在所述目标点的预设范围内的多个兴趣点；
模型生成模块，用于采用所述影响因素、目标点的信息，以及，目标点的预设范围内的多个兴趣点进行回归分析训练，以生成决策树模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711294889.9A CN109903065B (zh) | 2017-12-08 | 2017-12-08 | 一种确定候选点的候选分值的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711294889.9A CN109903065B (zh) | 2017-12-08 | 2017-12-08 | 一种确定候选点的候选分值的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109903065A true CN109903065A (zh) | 2019-06-18 |
| CN109903065B CN109903065B (zh) | 2023-05-26 |
Family
ID=66940375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711294889.9A Active CN109903065B (zh) | 2017-12-08 | 2017-12-08 | 一种确定候选点的候选分值的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903065B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288263A (zh) * | 2019-07-03 | 2019-09-27 | 北京首汽智行科技有限公司 | 一种基于用车行为的共享汽车停车网点确定方法 |
| CN110415051A (zh) * | 2019-08-07 | 2019-11-05 | 广东圣火传媒科技股份有限公司 | 一种店铺陈列选址方法及装置 |
| CN111026937A (zh) * | 2019-11-13 | 2020-04-17 | 百度在线网络技术（北京）有限公司 | 提取poi名称的方法、装置、设备和计算机存储介质 |
| CN111369284A (zh) * | 2020-03-03 | 2020-07-03 | 浙江网商银行股份有限公司 | 目标对象类型确定方法及装置 |
| CN111772544A (zh) * | 2020-06-28 | 2020-10-16 | 深圳拓邦股份有限公司 | 一种扫地机回充候选点生成方法、装置及扫地机回充系统 |
| CN111985576A (zh) * | 2020-09-02 | 2020-11-24 | 南宁师范大学 | 基于决策树的店铺选址方法 |
| CN112990779A (zh) * | 2021-04-27 | 2021-06-18 | 上海钐昆网络科技有限公司 | 一种对候选地址评分的方法、装置、设备及存储介质 |
| CN113537808A (zh) * | 2021-07-27 | 2021-10-22 | 石家庄开发区天远科技有限公司 | 基于时空大数据的工程机械配件库选址的方法 |
| CN113569149A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技（上海）有限公司 | 信息处理方法、装置、电子设备 |
| CN113792107A (zh) * | 2021-09-15 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 区域识别方法和装置 |
| TWI844140B (zh) * | 2022-10-17 | 2024-06-01 | 淡江大學學校財團法人淡江大學 | 開店地址選擇系統及店家詞向量模型之訓練方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102740309A (zh) * | 2012-06-18 | 2012-10-17 | 常州大学 | 一种移动通信基站的多目标灰色选址方法 |
| CN104219680A (zh) * | 2013-05-29 | 2014-12-17 | 中国移动通信集团设计院有限公司 | 一种基站站址确定方法及装置 |
| CN104680428A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 一种电网客户满意度模型的构建方法 |
| CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术（北京）有限公司 | 用于确定目标地址的方法和装置 |
| CN105303418A (zh) * | 2015-12-09 | 2016-02-03 | 北京京东尚科信息技术有限公司 | 一种选址方法和装置 |
| CN106202471A (zh) * | 2016-07-18 | 2016-12-07 | 上海河广信息科技有限公司 | 营业厅候选点筛选方法及系统 |
| CN107133825A (zh) * | 2017-05-19 | 2017-09-05 | 上海斐讯数据通信技术有限公司 | 一种商家客流量的预测方法及装置 |
-
2017
- 2017-12-08 CN CN201711294889.9A patent/CN109903065B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102740309A (zh) * | 2012-06-18 | 2012-10-17 | 常州大学 | 一种移动通信基站的多目标灰色选址方法 |
| CN104219680A (zh) * | 2013-05-29 | 2014-12-17 | 中国移动通信集团设计院有限公司 | 一种基站站址确定方法及装置 |
| CN104680428A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 一种电网客户满意度模型的构建方法 |
| CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术（北京）有限公司 | 用于确定目标地址的方法和装置 |
| CN105303418A (zh) * | 2015-12-09 | 2016-02-03 | 北京京东尚科信息技术有限公司 | 一种选址方法和装置 |
| CN106202471A (zh) * | 2016-07-18 | 2016-12-07 | 上海河广信息科技有限公司 | 营业厅候选点筛选方法及系统 |
| CN107133825A (zh) * | 2017-05-19 | 2017-09-05 | 上海斐讯数据通信技术有限公司 | 一种商家客流量的预测方法及装置 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288263A (zh) * | 2019-07-03 | 2019-09-27 | 北京首汽智行科技有限公司 | 一种基于用车行为的共享汽车停车网点确定方法 |
| CN110415051A (zh) * | 2019-08-07 | 2019-11-05 | 广东圣火传媒科技股份有限公司 | 一种店铺陈列选址方法及装置 |
| CN111026937A (zh) * | 2019-11-13 | 2020-04-17 | 百度在线网络技术（北京）有限公司 | 提取poi名称的方法、装置、设备和计算机存储介质 |
| US11768892B2 (en) | 2019-11-13 | 2023-09-26 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for extracting name of POI, device and computer storage medium |
| CN111369284B (zh) * | 2020-03-03 | 2023-08-15 | 浙江网商银行股份有限公司 | 目标对象类型确定方法及装置 |
| CN111369284A (zh) * | 2020-03-03 | 2020-07-03 | 浙江网商银行股份有限公司 | 目标对象类型确定方法及装置 |
| CN111772544A (zh) * | 2020-06-28 | 2020-10-16 | 深圳拓邦股份有限公司 | 一种扫地机回充候选点生成方法、装置及扫地机回充系统 |
| CN111772544B (zh) * | 2020-06-28 | 2022-01-04 | 深圳拓邦股份有限公司 | 一种扫地机回充候选点生成方法、装置及扫地机回充系统 |
| CN111985576A (zh) * | 2020-09-02 | 2020-11-24 | 南宁师范大学 | 基于决策树的店铺选址方法 |
| CN111985576B (zh) * | 2020-09-02 | 2023-11-03 | 南宁师范大学 | 基于决策树的店铺选址方法 |
| CN112990779A (zh) * | 2021-04-27 | 2021-06-18 | 上海钐昆网络科技有限公司 | 一种对候选地址评分的方法、装置、设备及存储介质 |
| CN113537808A (zh) * | 2021-07-27 | 2021-10-22 | 石家庄开发区天远科技有限公司 | 基于时空大数据的工程机械配件库选址的方法 |
| CN113569149A (zh) * | 2021-07-30 | 2021-10-29 | 拉扎斯网络科技（上海）有限公司 | 信息处理方法、装置、电子设备 |
| CN113569149B (zh) * | 2021-07-30 | 2024-01-19 | 拉扎斯网络科技（上海）有限公司 | 信息处理方法、装置、电子设备 |
| CN113792107A (zh) * | 2021-09-15 | 2021-12-14 | 北京沃东天骏信息技术有限公司 | 区域识别方法和装置 |
| TWI844140B (zh) * | 2022-10-17 | 2024-06-01 | 淡江大學學校財團法人淡江大學 | 開店地址選擇系統及店家詞向量模型之訓練方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109903065B (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903065A (zh) | 一种确定候选点的候选分值的方法和装置 | |
| JP6784308B2 (ja) | 施設特性を更新するプログラム、施設をプロファイリングするプログラム、コンピュータ・システム、及び施設特性を更新する方法 | |
| Thompson | What makes a city ‘smart’? | |
| JP2019508766A (ja) | 地理的エリアのヒートマップを生成するシステム、方法、およびデバイス | |
| CN110009379A (zh) | 一种选址模型构建和选址方法、装置及设备 | |
| CN108898351A (zh) | 配送方选择方法、系统、介质和计算设备 | |
| CN110765272A (zh) | 基于知识图谱的签约方法、装置、计算机设备及计算机存储介质 | |
| CN107391509A (zh) | 标签推荐方法及装置 | |
| CN110019835A (zh) | 资源编排方法、装置以及电子设备 | |
| Fuchs et al. | Applying business intelligence for knowledge generation in tourism destinations–A case study from Sweden | |
| CN103365906A (zh) | 一种实现基于位置的搜索和推荐的系统和方法 | |
| CN109242288A (zh) | 绩效数据匹配方法及系统 | |
| CN111626777B (zh) | 选址方法、选址决策系统、存储介质及电子设备 | |
| US10102774B2 (en) | Systems and methods for organizing and presenting skill progressions | |
| Smarzaro et al. | Could Data from Location-Based Social Networks Be Used to Support Urban Planning? | |
| US11250037B2 (en) | Location based data mining comparative analysis index | |
| CN107426610A (zh) | 视频信息同步方法及装置 | |
| CN107391533A (zh) | 生成图形数据库查询结果的方法及装置 | |
| CN112395486B (zh) | 一种宽带业务推荐方法、系统、服务器和存储介质 | |
| Fine et al. | Evolution in the clustering strength of radio galaxies | |
| Aldahdouh et al. | Social media network analysis with NodeXL | |
| CN111611469A (zh) | 标识信息确定方法及装置、电子设备和存储介质 | |
| CN109062945A (zh) | 一种社交网络的信息推荐方法、装置及系统 | |
| Zhang et al. | Decoding the association between urban streetscape skeletons and urban activities: experiments in Beijing using Dazhong Dianping data | |
| Bruggmann et al. | Spatializing time in a history text corpus |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |