CN110503463B - 一种基于连锁业态的门店选址规划方法 - Google Patents

Abstract

本发明提供一种基于连锁业态的门店选址规划方法，包括三大模块分别为实时空间聚合模块、机会点预测模块、机会区扩散模块；通过中心机会区选举算法在机会区中选举出中心机会区，有效提高了中心机会区的置信度，解决了过去中心机会区定位不准的问题；通过实时空间多类型聚合模块，有效提高了聚合的精度，不同区域使用不同种算法聚合，不断对聚合算法调参，使得聚合区的定位更加精准；通过机会区知识图谱建立的方式，成功建立了机会区与机会区之间的关系，解决了商圈选址时无法确定商圈战略定位的问题。本发明的软件系统，充分运用地理信息数据网格化，周边环境信息数据化等策略，解决了传统选址分析数据量过于复杂的问题。

Description

一种基于连锁业态的门店选址规划方法

技术领域

本发明属于门店选址技术领域，具体涉及一种基于连锁业态的门店选址规划方法。

背景技术

人工智能在零售领域的应用最重要的一条就是门店选址的最优化，线下店策划最优先考虑的因素就是店铺的位置。在当今大数据与人工智能的浪潮下，通过分析历史销售数据，人口经济数据，竞品距离等数据，选址模型被推向了一个新的高度。在现有的技术环境下，当前市场上主流的智能选址产品普遍以数据分析为驱动，将地理数据和人文数据结合分析，通过多条件过滤和多维度排名做聚合。这样的数据分析方式比较粗糙，在数据分析过程中容易忽视特别的维度，导致分析结果往往不是正确的。而现有背景技术报道的合成方法具有如下缺陷：(1)地理空间实时聚合精准率不高，聚合所耗时间过长；(2)机会点预测算法参考维度太少，机会点分布不合理；(3)对机会区扩散方面缺少研究；(4)算法应用过于粗糙；因此需要一种聚合精度高、时间短、机会点预测计算参考维度多、以及当前市场对机会区扩散研究的基于连锁业态的门店选址规划方法。

发明内容

本发明的目的是提供一种基于连锁业态的门店选址规划方法，以解决当前市场现有的地理空间实时聚合精准率不高，聚合所耗时间过长的问题、当前市场现有的机会点预测算法参考维度太少的问题和当前市场对机会区扩散方面缺少研究的问题。

本发明提供了如下的技术方案：

一种基于连锁业态的门店选址规划方法，包括以下步骤：

S1、采用实时空间聚合模块，对客户调研的地区进行商圈聚合，找出适合的商圈；

S2、采用机会点预测模块，对指定的城市网格数据进行分析，按照指标进行过滤和排序，通过查看初步处理过后的数据的分布情况做出推荐；

S3、采用机会区扩散模块，通过推举算法在机会区中找到节点以及存储机会区与机会区之间的关系，将机会区和机会区之间的关系存储为知识图谱。

进一步的，所述S1中实时空间聚合模块包括以下步骤：

S11、根据所选区域选取空间聚合DBSCAN算法和空间聚合K-means算法；S12、根据S1中选取的算法对所选区域进行空间聚合；S13、对空间聚合的结果不断调参，生成最优解并反馈聚合结果；S14、对多因素计算聚合区和聚合区的关系度；S15、根据关系度划分聚合区。

进一步的，所述分析所述区域合适的聚合算法包括在面对大区域范围进行空间聚合时，系统使用了DBSCAN算法，在面对小范围且选定区域形状较为规整的区域范围进行空间聚合时，系统使用K-means算法。

进一步的，所述DBSCAN算法包括，定义：

Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域；

核心对象：如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；

直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；

密度可达：对于样本集合D，给定一串样本点p1,p2…pn，p＝p1,q＝pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；

密度相连：存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联。

进一步的，所述K-means算法包括，随机选取K个对象作为初始的聚类中心，计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类；每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

进一步的，所述S1中机会点预测模块包括以下步骤：

S21、根据指定的阙值筛选，指定的维度排序；S22、对数据进行统计分布；S23、根据统计分布的种类和特征计算出推荐机会点数量；S24、根据推荐输出机会点持久化至表中；

进一步的，所述阙值筛选和维度排序包括使用spark进行计算对当前总数据进行过滤，然后动态选取多种维度，通过使用spark工具选取维度对已有数据进行分布排序。

进一步的，所述S1中机会区扩散模块包括：

S31、通过网络对维度评分，获取聚合区评分；S32、根据聚合区推举核心节点；S33、节点与节点之间生成关系维度；S34、根据关系维度生成聚合区Graph；S35、根据需求进行数字化推荐；

本发明的有益效果是：

本发明一种基于连锁业态的门店选址规划方法，采用三大模块分别为实时空间聚合模块、机会点预测模块、机会区扩散模块；空间聚合算法模块中对于大批量数据处理效果较好，使用DBSCAN算法实时聚合可以将响应时间控制在5S以内，使用K-means聚合时可以将响应时间控制在2S以内；

本发明的空间聚合算法模块可以实现针对不同类型地区采用不同类别聚合算法的功能，对于形状不规则，面积大的地区采用DBSCAN算法聚合，对于面积较小，形状较规整的地区采用K-means聚合。同时可以将两种聚合算法组合使用，比市场上已有产品的聚合效果有了大大提高；

本发明中机会区扩散算法模块对于机会区选举通过参考Fast Leader选举算法，优化了选举机会区中心节点的过程，在探究机会区与机会区的关系上通过neo4j知识图谱的使用，整合了多维度机会区与机会区的关系，以关系为主线进行搜索，结合用户需求，极大程度提高的推荐的准确率和推荐的速度。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明整体结构框图；

图2是本发明整体方法流程示意图；

图3是实时空间聚合模块方法流程示意图；

图4是K-means聚类算法效果图；

图5是实时空间聚合模块时序图；

图6是机会点预测模块方法流程示意图；

图7是机会点预测模块时序图；

图8是机会区扩散模块方法流程示意图；

图9是机会区扩散模块时序图。

具体实施方式

如图1-2所示，一种基于连锁业态的门店选址规划方法，包括以下步骤：

如图3所示，S1、采用实时空间聚合模块，对客户调研的地区进行商圈聚合，找出适合的商圈；包括以下步骤：

S11、根据所选区域选取空间聚合DBSCAN算法和空间聚合K-means算法；

S12、根据S1中选取的算法对所选区域进行空间聚合；

分析区域合适的聚合算法包括在面对大区域范围进行空间聚合时，系统使用了DBSCAN算法，在面对小范围且选定区域形状较为规整的区域范围进行空间聚合时，系统使用K-means算法。

S13、对空间聚合的结果不断调参，生成最优解并反馈聚合结果；

S14、对多因素计算聚合区和聚合区的关系度；

S15、根据关系度划分聚合区。

DBSCAN算法是一种比较有代表性的基于密度的算法，与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状聚类；包括，定义：

Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域；

核心对象：如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；

直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；

密度可达：对于样本集合D，给定一串样本点p1,p2…pn，p＝p1,q＝pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；

密度相连：存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联；

在对全上海TOP1％区域进行空间聚合时，系统将DBSCAN算法参数设定为eps＝0.000565,minpoints设定为5，这样使用DBSCAN算法可以有效的区分出上海地区较好的聚合区。

K-means算法包括，随机选取K个对象作为初始的聚类中心，计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类；每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小；K-means聚类算法效果如图4所示；

如图5所示，实时空间聚合模块时序图，包括1)、客户指定研究区域；2)、传递区域网格数据；3)、存储网格数据至数据库表中，传递表名；4)、针对所选区域地理信息，选取不同聚合算法；5)、传递聚合数据；6)、从多维度计算聚合区与聚合区之间的关系度；7)、传递数据；8)、反馈聚合结束生成的表名；9)、查询表中数据传递至前端；10)、前端渲染聚合区。

例如：

(1)、客户随机选择一片区域，要求查看该区域商圈的聚合效果；

(2)、后台根据客户选择区域的大小范围和形状规则，调用适配的算法对该区域进行聚合；

(3)、后台检测聚合效果，自动调参直至效果最优；

(4)、将聚合区渲染至图层展示给客户。

如图6所示，S2、采用机会点预测模块，对指定的城市网格数据进行分析，按照指标进行过滤和排序，通过查看初步处理过后的数据的分布情况做出推荐；

机会点预测模块包括以下步骤：

S21、根据指定的阙值筛选，指定的维度排序；

阙值筛选和维度排序包括使用spark进行计算对当前总数据进行过滤，然后动态选取多种维度，通过使用spark工具选取维度对已有数据进行分布排序。

S22、对数据进行统计分布；

S23、根据统计分布的种类和特征计算出推荐机会点数量；

S24、根据推荐输出机会点持久化至表中；

机会点预测模块主要实现了自动化寻找用户认为适合的机会点，通过一系列的数据处理最终获取符合用户标准的机会点，并根据机会点分布为用户做出机会点推荐。

机会点预测算法模块是基于网格解决问题，所有数据都被映射到网格上，每一个网格被映射为二维数组分析全上海市的人口、经济、POI聚客点等因素。解决算法上先贪心算法再领域搜索算法。贪心算法的基本思路是从问题的某一个初始解(本问题中给一个初始包含一定网格数的聚合区)出发一步一步地进行，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化的条件。(e.g.调整一个网格里的数据，优化条件即是局部是分数或者研究最好的)若下一个数据和部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止。

邻域搜索是一种用于解决计算上难以优化的问题的启发式方法。邻域搜索可以用于可以被制定为在多个候选解决方案中找到最大化标准的解决方案的问题。通过应用局部变化，邻域搜索算法在候选解决方案(搜索空间)的空间中从找到合适的解决方案。

在具体应用时首先客户设定维度范围标准，通过使用spark进行计算对当前总数据进行过滤，然后客户动态选取多种维度，通过使用spark工具依照客户选取维度对已有数据进行分布排序。在数据排序结束后通过查看数据的分布情况，划分数据分布范围，为客户推荐取出TopN机会点。

如图7所示，机会点预测模块时序图，1)、客户指定字段阙值；2)、传递字段与对应的阙值；3)、传递表明与过滤条件；4)、根据指定字段对应的阙值在对应表中过滤，生成新表；5)、传递筛选结束的表名；6)、查询表中所有数据，传递数据；7)、展示筛选后数据；8)、客户指定排序字段，以及排序方式；9)、传递对应的字段以及排序方式；10)、传递表名，排序字段和排序方式；11)、根据指定排序字段及排序方式对表中字段排序；12)、传递数据；13)、对排序好的数据统计分布情况，计算出最优推荐值；14)、传递表明与机会点推荐值；15)、传递排序表名与机会点推荐值；16)、查询排序表中所有数据，传递数据；17)、渲染展示网格数据。

如图8所示，S3、采用机会区扩散模块，通过推举算法在机会区中找到节点以及存储机会区与机会区之间的关系，将机会区和机会区之间的关系存储为知识图谱。

机会区扩散模块包括：

S31、通过网络对维度评分，获取聚合区评分；

S32、根据聚合区推举核心节点；

S33、节点与节点之间生成关系维度；

S34、根据关系维度生成聚合区Graph；

S35、根据需求进行数字化推荐；

机会区扩散模块主要是为了解决客户挑选机会区困难的问题，面对多个机会区，需要客户理清机会区与机会区之间的关系这是很难的，这一模块就是帮助客户从关系的角度出发探究机会区。

机会区扩散算法模块是基于聚合区解决聚合区与聚合区之间串联的问题，通过网格评分规则对聚合区评分排名，在聚合区中使用推举算法推举出中心节点，从距离、交通、经营关系等维度在节点与节点之间生成关联维度。统一root节点和relationship后生成聚合区graph，在graph中根据用户需求实现对用户经营指数化推荐。

在此模块中核心技术点在于节点选举算法的设计，在节点选举算法上参考了Zookeeper Fast Leader算法的设计，

Fast Leader算法如下：每个服务器在广播自己的选票前，会将自己的投票箱清空。该投票箱记录了所收到的选票。例：服务器2投票给服务器3，服务器3投票给服务器1，则服务器1的投票箱为(2,3),(3,1),(1,1)。票箱中只会记录每一投票者的最后一票，如投票者更新自己的选票，则其它服务器收到该新选票后会在自己票箱中更新该服务器的选票。发送初始化选票，每个服务器最开始都是通过广播把票投给自己。接收外部投票，服务器会尝试从其它服务器获取投票，并记入自己的投票箱内。如果无法获取任何外部投票，则会确认自己是否与集群中其它服务器保持着有效连接。如果是，则再次发送自己的投票；如果否，则马上与之建立连接。判断选举轮次，收到外部投票后，首先会根据投票信息中所包含的logicClock来进行不同处理，外部投票的logicClock大于自己的logicClock。说明该服务器的选举轮次落后于其它服务器的选举轮次，立即清空自己的投票箱并将自己的logicClock更新为收到的logicClock，然后再对比自己之前的投票与收到的投票以确定是否需要变更自己的投票，最终再次将自己的投票广播出去。外部投票的logicClock小于自己的logicClock。当前服务器直接忽略该投票，继续处理下一个投票。外部投票的logicClock与自己的相等。

选票PK是基于(self_id,self_zxid)与(vote_id,vote_zxid)的对比外部投票的logicClock大于自己的logicClock，则将自己的logicClock及自己的选票的logicClock变更为收到的logicClock，若logicClock一致，则对比二者的vote_zxid，若外部投票的vote_zxid比较大，则将自己的票中的vote_zxid与vote_myid更新为收到的票中的vote_zxid与vote_myid并广播出去，另外将收到的票及自己更新后的票放入自己的票箱。如果票箱内已存在(self_myid,self_zxid)相同的选票，则直接覆盖。若二者vote_zxid一致，则比较二者的vote_myid，若外部投票的vote_myid比较大，则将自己的票中的vote_myid更新为收到的票中的vote_myid并广播出去，另外将收到的票及自己更新后的票放入自己的票箱。统计选票，如果已经确定有过半服务器认可了自己的投票(可能是更新后的投票)，则终止投票。否则继续接收其它服务器的投票。投票终止后，服务器开始更新自身状态。若过半的票投给了自己，则将自己的服务器状态更新为LEADING，否则将自己的状态更新为FOLLOWING。

在参考Fast Leader算法后，每一块聚合区会进行选举投票并广播消息至所有聚合区，通过综合投票对leader进行选举。在选举出节点后，根据客户的需求确定节点与节点之间的关系，关系维度可以是营收额、距离、交通等。将数据在图数据库Neo4j中生成知识图谱，通过Cypher对节点与节点之间的关系进行查询。结合用户需求做出指数化推荐。

如图9所示，机会区扩散模块时序图，1)、客户指定研究区域；2)、传递区域网格信息；3)、根据网格信息在数据库中查询网格中数据，并将数据储存在表中；4)、传递表名；5)、分析表中数据，对表中位置做聚合，并应用网格数据指标，获取机会区数据指示；6)、依据机会区数据指标，对机会区做选举，选出机会区的节点；7)、数据分析机会区与机会区之间的关系，汇总关系存入Neo4j中，生成机会区知识图谱；8)、返回聚合数据的表名；9)、传递网点数据；10)、渲染网格数据；11)、用户查询机会区与机会区之间关系，要求推荐机会区；12)、传递用户查询条件；13)、传递用户查询条件；14)、在知识图谱中根据关系查询机会区；15)、返回查询结果；16)、返回查询结果；17)、返回查询结果；

例如：

(1)、客户要求获取指定范围内的最佳机会点；

(2)、后台筛选出该片区域内所有的网格数据；

(3)、根据客户指定的筛选排序条件对网格数据进行处理；

(4)、从多维度划分网格数据指标的分布；

(5)、根据网格数据指标分布情况获取最优的网格；

(6)、向用户推荐网格。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于连锁业态的门店选址规划方法，其特征在于，包括以下步骤：

S1、采用实时空间聚合模块，对客户调研的地区进行商圈聚合，找出适合的商圈，实时空间聚合模块包括以下步骤：

S11、根据所选区域选取空间聚合DBSCAN算法和空间聚合K-means算法；

S12、根据S11中选取的算法对所选区域进行空间聚合；

S13、对空间聚合的结果不断调参，生成最优解并反馈聚合结果；

S14、对多因素计算聚合区和聚合区的关系度；

S15、根据关系度划分聚合区；

S2、采用机会点预测模块，对指定的城市网格数据进行分析，按照指标进行过滤和排序，通过查看初步处理过后的数据的分布情况做出推荐，机会点预测模块包括以下步骤：

S21、根据指定的阙值筛选，指定的维度排序；

S22、对数据进行统计分布；

S23、根据统计分布的种类和特征计算出推荐机会点数量；

S24、根据推荐输出机会点持久化至表中；

S3、采用机会区扩散模块，通过推举算法在机会区中找到节点以及存储机会区与机会区之间的关系，将机会区和机会区之间的关系存储为知识图谱，机会区扩散模块包括：

S31、通过网络对维度评分，获取聚合区评分；

S32、根据聚合区推举核心节点；

S33、节点与节点之间生成关系维度；

S34、根据关系维度生成聚合区Graph；

S35、根据需求进行数字化推荐。

2.根据权利要求1所述的一种基于连锁业态的门店选址规划方法，其特征在于，分析区域合适的聚合算法包括在面对大区域范围进行空间聚合时，系统使用了DBSCAN算法，在面对小范围且选定区域形状较为规整的区域范围进行空间聚合时，系统使用K-means算法。

3.根据权利要求2所述的一种基于连锁业态的门店选址规划方法，其特征在于，所述DBSCAN算法包括，定义：

Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域；

核心对象：如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；

直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；

密度可达：对于样本集合D，给定一串样本点p1,p2…pn，p= p1,q= pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；

密度相连：存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联。

4.根据权利要求2所述的一种基于连锁业态的门店选址规划方法，其特征在于，所述K-means算法包括，随机选取K个对象作为初始的聚类中心，计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类；每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复直到满足某个终止条件，终止条件是没有或最小数目对象被重新分配给不同的聚类，没有或最小数目聚类中心再发生变化，同时误差平方和局部最小。

5.根据权利要求1所述的一种基于连锁业态的门店选址规划方法，其特征在于，所述阙值筛选和维度排序包括使用spark进行计算对当前总数据进行过滤，然后动态选取多种维度，通过使用spark工具选取维度对已有数据进行分布排序。

Images