CN110543999A - 用于门店选址的方法和装置 - Google Patents

用于门店选址的方法和装置 Download PDF

Info

Publication number
CN110543999A
CN110543999A CN201810938636.9A CN201810938636A CN110543999A CN 110543999 A CN110543999 A CN 110543999A CN 201810938636 A CN201810938636 A CN 201810938636A CN 110543999 A CN110543999 A CN 110543999A
Authority
CN
China
Prior art keywords
candidate
candidate geographic
store
geographic
index
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
Application number
CN201810938636.9A
Other languages
English (en)
Other versions
CN110543999B (zh
Inventor
苏广俊
黄翔
张润生
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 Shanshu Network Technology Co Ltd
Shanshu Science And Technology (suzhou) Co Ltd
Shanshu Science And Technology (beijing) Co Ltd
Shenzhen Shanzhi Technology Co Ltd
Original Assignee
Shanghai Shanshu Network Technology Co Ltd
Shanshu Science And Technology (suzhou) Co Ltd
Shanshu Science And Technology (beijing) Co Ltd
Shenzhen Shanzhi Technology Co Ltd
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 Shanshu Network Technology Co Ltd, Shanshu Science And Technology (suzhou) Co Ltd, Shanshu Science And Technology (beijing) Co Ltd, Shenzhen Shanzhi Technology Co Ltd filed Critical Shanghai Shanshu Network Technology Co Ltd
Priority to CN201810938636.9A priority Critical patent/CN110543999B/zh
Publication of CN110543999A publication Critical patent/CN110543999A/zh
Application granted granted Critical
Publication of CN110543999B publication Critical patent/CN110543999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种用于门店选址的方法，包括：针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估，所述营收相关属性至少包括商业生态指数和客流指数；以及至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。利用该方法，通过基于候选地理区块的营收相关属性来对候选地理区块进行评估，能够提高选址决策的准确度以及选址决策速度。

Description

用于门店选址的方法和装置
技术领域
本申请通常涉及大数据应用领域，更具体地，涉及用于门店选址的方法和装置。
背景技术
在零售行业中，门店的选址尤其重要。选址的好坏很大程度上决定了门店的经营状况。对于需要快速扩展的零售店来说，选址更是重中之重。
选址是一个复杂的综合性商业决策过程。传统的选址解决方案是通过扩展人员或扩展团队实体考察并且根据扩展人员的经验或者主观判断来作出选址决策，例如，决定在何处开店、开多少家店、店与店之间的网络结构等。然而，人工选址的成败与否大大依赖于扩展人员的个人经验，而真正有经验的扩展人员非常缺乏，这极大限制了选址的效率。并且，人的主观认知能力是有局限性的，常常无法进行全局考虑。此外，人工决策的准确性也是无法评估的。
因此，如何提高选址效率和准确度成为亟需解决的问题。
发明内容
鉴于上述问题，本申请提供了一种门店选址的方法和装置。利用该方法和装置，通过基于候选地理区块的营收相关属性来对候选地理区块进行评估，可以提高选址效率和精准度。
根据本申请的一个方面，提供了一种用于门店选址的方法，所述方法包括：针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估，所述营收相关属性至少包括商业生态指数和客流指数；以及至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。
利用该方法，通过对候选地理区块的评估来选址，能够大幅度地提升选址决策速度，降低人力以及其他相关成本，同时充分挖掘数据潜在信息，提高决策质量并使其量化可验证，适用于门店快速复制拓展的需求，能够实现迅速科学布局。
可选地，在上述方面的一个示例中，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址包括：至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址。
可选地，在上述方面的一个示例中，所述评估结果和所述人口覆盖数据具有权重值，其中，所述评估结果和所述人口覆盖数据的权重值是基于门店选址目标确定的，以及至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址包括：至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果和各个候选地理区块的人口覆盖数据以及对应的权重值，确定所述一个或多个目标门店地址。
可选地，在上述方面的一个示例中，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址包括：利用目标函数和门店选址约束条件，从所述多个候选地理区块中确定出候选目标门店地址集合，其中，所述目标函数是基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖构建的最大值函数；以及至少部分地基于所述候选目标门店地址集合中的各个候选地理区块的评估结果，从所述候选目标门店地址集合中确定所述一个或多个目标门店地址。
可选地，在上述方面的一个示例中，所述目标函数定义为：
其中，γ1表示总利润在目标函数中的权重值，以及γ2表示总人口覆盖在目标函数中的权重值；fj表示候选地理区块j的评估结果；Cj表示在候选地理区块j开店的成本；Qpi表示候选地理区块i的人口数；xj表示是否在候选地理区块j开店；yi表示候选地理区块i是否被选中开店的地理区块所覆盖，M是被划分的地理区块总数。
可选地，在上述方面的一个示例中，所述营收相关属性还包括以下中的一个或多个：交通便利指数；消费指数；和竞争对手指数。
可选地，在上述方面的一个示例中，对候选地理区块的评估是使用营收预测模型来实现的。
可选地，在上述方面的一个示例中，所述营收预测模型是使用所述营收相关属性的历史统计数据来动态训练的。
可选地，在上述方面的一个示例中，在对候选地理区块进行评估之前，所述方法还包括：基于预定约束策略，对所述多个候选地理区块进行筛选处理。
可选地，在上述方面的一个示例中，所述商业生态指数利用所述候选地理区块内的关联商业设施的数量来表征；以及所述客流指数使用所述候选地理区块内的日间客流人数和夜间客流人数来表征。
可选地，在上述方面的一个示例中，所述交通便利指数利用所述候选地理区块内的交通设施的数量来表征，所述消费指数利用所述候选地理区块内的小区挂牌价、租房租金和/或平均房龄来表征；以及所述竞争对手指数利用所述候选地理区块内的竞争对手的数量来表征。
可选地，在上述方面的一个示例中，所述预定约束策略包括下述中的至少一个：人口规模约束；商业生态指数约束以及相关行业特定设施避让约束。
可选地，在上述方面的一个示例中，基于单店服务范围，对所确定的一个或多个目标门店地址进行筛选处理。
根据本申请的另一方面，提供了一种门店选址的装置，所述装置包括：区块评估单元，用于针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估，所述营收相关属性至少包括商业生态指数和客流指数；以及选址确定单元，用于至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。
可选地，在上述方面的一个示例中，所述选址确定单元用于至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址。
可选地，在上述方面的一个示例中，所述评估结果和所述人口覆盖数据具有权重值，其中，所述评估结果和所述人口覆盖数据的权重值是基于门店选址目标确定的，以及所述选址确定单元用于：至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果和各个候选地理区块的人口覆盖数据以及对应的权重值，确定所述一个或多个目标门店地址。
可选地，在上述方面的一个示例中，所述选址确定单元包括：通过目标函数和约束条件确定所述多个候选地理区块的子集，所确定的所述多个候选地理区块的子集满足约束条件并且使得目标函数最大，其中，所述目标函数至少部分地基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖；以及至少部分地基于所述子集中的各个候选地理区块的评估结果，在所述子集中确定所述一个或多个目标门店地址。
可选地，在上述方面的一个示例中，所述选址确定单元包括：候选目标门店地址集合确定模块，用于利用目标函数和门店选址约束条件，从所述多个候选地理区块中确定出候选目标门店地址集合，其中，所述目标函数是基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖构建的最大值函数；以及目标门店地址确定模块，用于至少部分地基于所述候选目标门店地址集合中的各个候选地理区块的评估结果，从所述候选目标门店地址集合中确定所述一个或多个目标门店地址。
可选地，在上述方面的一个示例中，所述营收相关属性还包括以下中的一个或多个：交通便利指数；消费指数；和竞争对手指数。
可选地，在上述方面的一个示例中，还包括地理区块划分单元，用于将待选址区域划分为所述多个候选地理区块。
可选地，在上述方面的一个示例中，还包括第一筛选单元，用于在对候选地理区块进行评估之前，基于预定约束策略，对所述多个候选地理区块进行筛选处理。
可选地，在上述方面的一个示例中，所述预定约束策略包括下述中的至少一个：人口规模约束；商业生态指数约束以及相关行业特定设施避让约束。
可选地，在上述方面的一个示例中，所述装置还包括第二筛选单元，用于基于单店服务范围，对所确定的一个或多个目标门店地址进行筛选处理。
根据本申请的另一方面，提供了一种计算设备，包括：一个或多个处理器，以及与所述一个或多个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的用于门店选址的方法。
根据本申请的另一方面，提供了一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于门店选址的方法。
附图说明
通过参照下面的附图，有助于对于本公开内容的本质和优点的进一步理解。在附图中，相同的附图标记指示相同或类似组件或特征。
图1示出了根据本公开的实施例的用于门店选址的方法的流程图。
图2示出了根据一个实施例的上海地区的候选地理区块的示例的示意图。
图3示出了根据本公开的实施例的用于门店选址的方法的流程图。
图4示出了根据本公开的实施例的用于门店选址的方法的流程图。
图5示出了根据本公开的实施例的用于门店选址的装置的方框图。
图6示出了根据本公开的实施例的用于门店选址的装置的方框图。
图7示出了根据本公开的实施例的用于门店选址的计算设备的方框图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。
如本文中所使用的，术语“指数”是一种表明社会经济现象动态的统计指标。在本发明的实施例中，使用指数来反映各个社会经济现象的状况。也可以使用其他统计方法来反映现象的状况，均落入本公开内容的保护范围内。
如本文中所使用的，术语“候选地理区块”是可能被选中作为门店地址的地理区块。其中，地理区块能够以各种方式进行定义，包括但不限于地图栅格化。在一种实现方式中，将城市地图栅格化为矩形的区块作为候选地理区块，例如，正方形区块或长方形区块。此外，在本申请中，也可以采用其他合适的地理区块定义方式。
图1示出了根据本公开的实施例的用于门店选址的方法的流程图。
如图1所示，在框S110，针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估。所述营收相关属性至少包括商业生态指数和客流指数。在本申请中，候选地理区块的商业生态指数用于反映该地理区块的商业生态状况。在一个实施例中，候选地理区块的商业生态指数可以利用该候选地理区块内的关联商业设施的数量来表征。例如，在待开门店为便利店的示例中，商业生态指数可以是该候选地理区块内的与便利店相关联的商业设施的数量，例如，将该候选地理区块内的超市、便利店、水果店等计入商业生态指数，相比之下，与便利店的关联很小或者完全不关联的商业设施(例如，五金店、自行车修理店等)的数量则不计入到商业生态指数。在另一实施例中，候选地理区块的商业生态指数可以利用高频业态、中频业态和低频业态的数量来表征，其中，通过示例的方式，高频业态、中频业态和低频业态是按照与待开门店的关联程度来划分的。在其他实施例中，候选地理区块的商业生态指数还可以利用商业综合体、人均商业面积等中的一个或多个来表征。候选地理区块的客流指数反映该地理区块的客流情况。在一个实施例中，候选地理区块的客流指数可以使用该候选地理区块内的日间客流人数和夜间客流人数来表征。在一个实施例中，日间客流人数和夜间客流人数可以是来自人口统计机构的数据，诸如来自城市人流监控机构的统计数据。在另一实施例中，日间客流人数和夜间客流人数可以是来自通信运营商的统计数据。在又一实施例中，日间客流人数和夜间客流人数可以是来自公安系统的城市人流数据。
可选地，在本发明的一个实施例中，营收相关属性还可以包括交通便利指数、消费指数和竞争对手指数中的至少一个。在本申请中，候选地理区块的交通便利指数用于反映该地理区块的交通便利情况。在一个实施例中，候选地理区块的交通便利指数可以利用该候选地理区块内的交通设施的数量来表征。例如，交通便利指数可以是该候选地理区块中的地铁站、公交站或高速出入口等的数量统计，诸如每一类交通设施的数量，或者交通设施的数量加和等。候选地理区块的消费指数用于反映该地理区块的消费情况。在一个实施例中，候选地理区块的消费指数可以利用该候选地理区块内的小区挂牌价、租房租金和/或平均房龄来表征。例如，消费指数可以是该候选地理区块中的小区房屋的每平米售价或每平米年租金等。候选地理区块的竞争对手指数可以利用所述候选地理区块内的竞争对手的数量来表征。例如，在待开门店为一品牌便利店的示例中，竞争对手指数可以是该候选地理区块中的其他品牌便利店的数量。
可选地，在本发明的一个实施例中，在进行候选地理区块营收评估时，除了商业生态指数和客流指数，可以根据商家需求和拓展策略来选择交通便利指数、消费指数和竞争对手指数中的至少一个。例如，在商家是知名度较低的新品牌的情况下，商家可能想要选择竞争对手较少的区块来开店，因而可以将竞争对手指数选择作为营收相关属性中的一个。
表1示出了根据一个实施例的用于对多个候选地理区块中的每个候选地理区块进行评估的营收相关属性。
表1营收相关属性的示例性描述
应当理解的是，在其他实施例中，营收相关属性还可以包括各种其他指数。
可选地，在本发明的一个实施例中，候选地理区块通常是最小选址单位。在本申请中，候选地理区块可以是通过将地图栅格化而得到的，比如，通过将对地图进行栅格化而划分出的每个区域作为选址的最小单位——候选地理区块。在一个实施例中，区块也是需求、服务的最小单位。例如，在上海进行门店选址的实例中，上海城市地图被划分为六万多个250米*250米的区块，这些区块为在上海进行门店选址的最小单位，即，门店选址的目标为在候选区块中选择开店区块。图2示出了根据一个实施例的上海地区的候选地理区块的示例的示意图。
可选地，在本发明的一个实施例中，对候选地理区块的评估是使用营收预测模型来实现的。通过示例而非限制的方式，营收预测模型可以是机器学习模型，例如，回归模型。回归模型包括但不限于线性回归、支持向量机(SVM)、K近邻(KNN)、回归树(DT)、集成模型(ExtraTrees/RF/GBDT)和随机森林模型等。此外，还可以使用其他模型，例如，神经网络模型，包括但不限于，深度神经网络(DNN)、卷积神经网络(CNN)、深度置信网络(DBN)、卷积深度置信网络(CBDN)等。可替代地，可以采用其他方法实现对候选地理区块的评估。
可选地，在本发明的一个实施例中，所述营收预测模型是使用营收相关属性的历史统计数据来训练的，该历史统计数据是针对已经开店的地理区块的统计数据。通过示例而非限制的方式，营收相关属性可以包括客流指数、商业生态指数、交通便利指数。客流指数包括日间客流人数和夜间客流人数，商业生态指数包括高频业态数量、中频业态数量、低频业态数量，交通便利指数包括地铁站数量和公交站数量。在该实施例中，营收相关属性的历史统计数据包括已有店铺所在区块的营收相关属性以及对应的营收值，历史统计数据的具体内容例如下表2所示。
表2历史统计数据
在一个实施例中，采集到的历史统计数据包括101家店铺的历史数据，如上表2所示。其中，每个店铺(例如，1店)的历史数据包括店铺所在的区块信息(例如，区块102)，该区块中的日间客流人数(例如，34560人)、夜间客流人数(例如，56023人)、高频业态数量(例如，25个)、中频业态数量(例如，10个)、低频业态数量(例如，0个)、地铁站数量(例如，1个)和公交站数量(例如，2个)，以及该店铺的每日营收值(例如，13450元/天)。在其他实施例中，可以对历史统计数据进行预处理。这样的101家店铺的历史数据将作为营收预测模型的输入。通过示例而非限制的方式，营收预测模型可以是回归模型。营收预测模型利用历史统计数据学习出区块的各个指标(即，日间客流人数、夜间客流人数、高频业态数量、中频业态数量、低频业态数量、地铁站数量和公交站数量)与营收值的关系。
当通过上述历史统计数据完成对营收预测模型的训练，即，学习出各个指标与营收值的关系，对于尚未开店的区块来说，能够通过该区块的各个指标(即，日间客流人数、夜间客流人数、高频业态数量、中频业态数量、低频业态数量、地铁站数量和公交站数量)来预测出该区块的营收预测值(即，如果在该区块开店，所开店铺可能实现的营收值)。可选地，在本发明的一个实施例中，所述营收预测模型是使用营收相关属性的历史统计数据来动态训练的。例如，由于已开店铺的营收值不断变化，并且新开的店铺也会不断产生新的统计数据，随着已开店铺信息的变化，动态地使用营收相关属性的历史统计数据来对营收预测模型进行训练，动态训练使得所训练出的营收预测模型对营收值的预测更加准确和贴合实际。
在一个实施例中，在使用营收相关属性的历史统计数据来训练营收预测模型之前，还可以对营收相关属性的历史统计数据进行数据预处理。在一个实施例中，数据预处理包括特征归一化，例如，原有特征具有不同的量纲，为了消除量纲对模型的影响，将特征归一化为0到1。此外，所述数据预处理还可以包括将历史统计数据的格式转换为营收预测模型可识别的格式。
再次参考图1，在框S110处进行评估之后，方法进行到框S120，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。在一个实施例中，候选地理区块的评估结果可以是营收预测值(即，如果在该区块开店，所开店铺可能实现的营收值)，诸如上文详细描述的使用营收预测模型而获得的相应区块的营收预测值。在一个实施例中，可以对各个候选地理区块的营收预测值进行排序，从而确定一个或多个目标门店地址，例如，将排序在前一百的区块确定为目标门店地址。在其他实施例中，可以设置针对营收预测值的阈值或其他约束条件，从而确定一个或多个目标门店地址，例如，将预测营收值(元/天)大于10000的区块确定为目标门店地址。
通过对候选地理区块的评估来确定目标门店地址，避免了现有门店选址的盲目性以及人工选址带来的局限性，评估是基于营收相关属性来进行的，选址过程更加清晰可量化，大大提高了选址的效率和可靠性。
图3示出了根据本公开的另一实施例的用于门店选址的方法的流程图。
如图3所示，在框S310处，获得候选地理区块的人口覆盖数据。在一个实施例中，候选地理区块的人口覆盖数据可以是区块内的客流人数，例如，一天的客流数。在一个实施例中，候选地理区块的人口覆盖数据可以是候选地理区块内的日间客流人数和夜间客流人数的平均值，例如，算术平均值等。在一个实施例中，客流人数可以是来自人口统计机构的数据，诸如来自城市人流监控机构的统计数据。在另一实施例中，客流人数可以是来自通信运营商的统计数据。在又一实施例中，客流人数可以是来自公安系统的城市人流数据。可替代地，候选地理区块的人口覆盖数据可以是区块内的客流人数以及与区块距离近的其他区块的客流人数的总和。这里“距离近”可以指的是例如步行可达或者骑车可达的距离，诸如通过统计所计算的阈值距离，示例而非限制地，距离一区块500米(例如，区块中心到区块中心的距离)范围内的其他区块为与该区块距离近的区块。
接着方法进行到框S320，针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估。框S320的操作与参照图1所描述的框S110的操作完全相同，为简要起见在此不做详细描述。
在框S320处进行评估之后，方法进行到框S330，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址。在一个实施例中，候选地理区块的评估结果可以是营收预测值(即，如果在该区块开店，所开店铺可能实现的营收值)，诸如上文详细描述的使用营收预测模型而获得的相应区块的营收预测值。确定目标门店地址时，除了考虑候选地理区块的评估结果，还考虑候选地理区块的人口覆盖，由此使得在选址中有针对性地增加门店的人口覆盖率。与人工选址相比，采用来自各种机构统计数据，使得结果更加准确可信，这使得所基于的信息更加全面客观，而不会主观片面，例如，人工考虑人口覆盖时采用实地考察的方式，考察到的数据可能与考察时间、天气等诸多因素相关而影响判断的准确性。
在一个实施例中，多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据如下表3所示。
候选地理区块 评估结果 人口覆盖数据
区块1 12980 40829
区块2 7930 29500
…… …… ……
区块n 14291 57392
表3候选地理区块的评估结果与人口覆盖数据
例如，在本申请的一个示例中，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址可以包括：按照预定算法来基于各个候选地理区块的评估结果和人口覆盖数据计算出各自的选址评估得分；然后基于各个候选地理区块的选址评估得分，确定所述一个或多个目标门店地址。在本申请中，所述预定算法例如可以是求和或者某一预定函数。
可选地，在本发明的一个实施例中，在进行选址评估得分计算时，还可以为所述评估结果和所述人口覆盖数据设置权重值。例如，可以基于ax+by来计算候选地理区块的选址评估得分，其中，x为评估结果，y为人口覆盖数据，a和b分别为x和y的权重值。在一个实施例中，评估结果和人口覆盖数据的权重值可以是固定的。在另一实施例中，评估结果和人口覆盖数据的权重值可以是根据需要调节的，例如，所述评估结果和所述人口覆盖数据的权重值可以基于门店选址目标来确定。例如，在待开门店为一新品牌便利店的示例中，商家可能想要更多的人口覆盖率以尽快打开品牌知名度，那么，可以调高人口覆盖数据的权重值，例如，增加b值；而当该品牌便利店已经具有一定的品牌知名度时，商家可能想要获得更多的营收，那么可以调高评估结果的权重，例如，增加a值。在一个实施例中，基于候选地理区块的评估结果和人口覆盖数据以及各自的权重值能够计算出ax+by的函数值。在其他实施例中，可以对评估结果和人口覆盖数据进行预处理，例如，归一化处理。在一个实施例中，可以对各个候选地理区块的ax+by函数值进行排序，从而确定一个或多个目标门店地址，例如，将排序在前一百的区块确定为目标门店地址。在其他实施例中，可以设置针对ax+by函数值的阈值或其他约束条件，从而确定一个或多个目标门店地址，例如，将ax+by函数值大于10000的区块确定为目标门店地址。
在本申请的另一示例中，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址还可以包括：利用目标函数和门店选址约束条件，从多个候选地理区块中确定出候选目标门店地址集合，其中，所述目标函数是基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖构建的最大值函数；以及至少部分地基于所述候选目标门店地址集合中的各个候选地理区块的评估结果，从所述候选目标门店地址集合中确定所述一个或多个目标门店地址。
在一个实施例中，所述目标函数可以被定义为：
其中，fj表示候选地理区块j的评估结果；Cj表示在候选地理区块j开店的成本；Qpi表示候选地理区块i的人口数；xj表示是否在候选地理区块j开店；yi表示候选地理区块i是否被选中开店的地理区块所覆盖，M是被划分的地理区块总数。在本申请的一个示例中，候选地理区块i被“选中地址(例如，候选地理区块j被选中开店)”覆盖是指该候选地理区块i的中心点与被选中地址(例如，候选地理区块j)的中心点之间的距离小于预定值。所述预定值可以根据情况设定。例如，针对上海地区，在候选地理区块位于内环时，预定值可以被设置为500米，而在候选地理区块位于外环时，预定值可以被设置为1000米。这里要说明的是，对于任一候选地理区块，当该候选地理区块被选中开店时，该地理区块属于被选中地址覆盖的地理区块；当该候选地理区块未被选中开店时，但是该候选地理区块与被选中地理区块之间的距离小于上述预定值，则该地理区块也属于被选中地址覆盖的地理区块。
候选地理区块i是否能够开店需要满足门店选址约束条件，例如，假设门店选址约束条件是任意两个门店的覆盖范围(例如，预定值设置为500米)不能交叠，则如果在与候选地理区块i相距500米的范围内包含被其他选中开店的候选地理区块覆盖的地理区块，则该候选地理区块i不能开店；例如，假设门店选址约束条件是两个门店之间的距离不能小于550米，则如果在与候选地理区块i相距550米的范围内已经选定了一个地理区块来开店，则该候选地理区块i不能开店。可选地，在本发明的一个实施例中，门店选址约束条件可以包括但不限于：关于营收预测值的约束、关于交通便利指数的约束、关于消费指数的约束、关于客流指数的约束、关于竞争对手指数的约束等。通过示例而非限制的方式，约束条件可以设置为区块的营收预测值大于某个值，区块内至少包含1个地铁站，区块内的消费水平大于某个值、区块内的日均客流量超过某个值、区块内包含或不包含竞争对手、相邻区块内不包含已开店铺等。另外或可替代地，约束条件还可以设置为例如两家店应该至少间隔550米、人口规模、商圈业态、对特殊设施的避让(例如，河流、机场、五金市场等特殊设施的避让)等。门店选址约束条件还可以包含各种其他门店选址约束条件。在一个实施例中，门店选址约束条件可以是根据商家的门店扩展需求而设置的。
可替代地，在上述目标函数中，也可以为总利润和总人口覆盖设置对应的权重值。相应地，目标函数可以被定义为：
其中，γ1表示总利润在目标函数中的权重值，以及γ2表示总人口覆盖在目标函数中的权重值。目标函数中的其他参数定义如上所述。
在该实施例中的目标函数从全局上考虑门店选址的规划问题，能够实现在整体区域(例如，上海市区)内总利润和总人口覆盖的最优结果，其中，总利润在所述目标函数中所占权重值和总人口覆盖在所述目标函数中所占权重值可以是固定的，也可以是根据需要调节的。例如，在待开门店为一新品牌便利店的示例中，商家可能想要更多的人口覆盖率以尽快打开品牌知名度，那么，可以调高总人口覆盖在所述目标函数中所占权重值，例如，增加γ2值；而当该品牌便利店已经具有一定的品牌知名度时，商家可能想要获得更多的营收，那么可以调高总利润在所述目标函数中所占权重值，例如，增加γ1值。
在一个实施例中，门店选址约束条件可以是“不重复覆盖”，即，目标门店地址的人口覆盖范围不重叠。例如，假设地理区块的人口覆盖范围为1000米以内，则在将一地理区块设为目标门店地址时，距离该地理区块1000米(例如，区块中心之间的距离)范围内的其他地理区块以及该地理区块本身均被认为已经被覆盖，那么，如果要将另一地理区块设为目标门店地址，则该另一地理区块不应重复覆盖已经被覆盖的地理区块。
可选地，在一个实施例中，利用目标函数和门店选址约束条件，从多个候选地理区块中确定出候选目标门店地址集合可以是最优化问题，例如，求最优解的问题。在一个实施例中，可以通过多维空间的线性规划来获得最优解。可替代地，可以通过整体目标实现程度的算法迭代的方式来获得最优解。在一个实施例中，最优解为满足约束条件和目标函数的xj的值，即，多个候选地理区块中的每个区块是否开店，在最优解中，xj为0则表示在候选地理区块j不开店，xj为1则表示在候选地理区块j开店)。根据最优解所确定的每个候选地理区块是否开店(xj为0还是1)，使得被确定为开店的候选地理区块(xj为1的地理区块)构成候选目标门店地址集合。
在一个实施例中，在确定出候选目标门店地址集合之后，至少部分地基于所述候选目标门店地址集合中的各个候选地理区块的评估结果，从候选目标门店地址集合中确定所述一个或多个目标门店地址。例如，假设候选目标门店地址集合为所述多个候选地理区块中的125个，则基于该125个候选地理区块的评估结果，从中选择100个作为目标门店地址。例如，在候选地理区块的评估结果是营收预测值的情况下，可以基于营收预测值对候选目标门店地址集合中的各个地理区块进行排序，然后确定一个或多个目标门店地址，例如，将排序在前一百的地理区块确定为目标门店地址。在一个实施例中，当候选目标门店地址集合中的地理区块的数目小于目标门店数(例如，想要开100家店，但候选目标门店地址集合中的地理区块只有60个)时，建议缩减目标门店数，或者通过调整目标函数和门店选址约束条件等来增加候选目标门店地址集合中的地理区块数量。
在上述实施例中，通过利用兼顾营收和人口覆盖的目标函数来进行门店选址，能够兼顾人口覆盖和营收，而不仅仅将营收作为选址的唯一标准。并且，由于目标函数是基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖构建的最大值函数，因而，上述实施例中的门店选址能够获得全局最优的选址结果，克服人工选址的局部化思维局限性，能够从全局的角度进行决策，从而提高决策质量并使选址过程量化可验证。
图4示出了根据本公开的另一实施例的用于门店选址的方法的流程图。
如图4所示，在框S410，基于预定约束策略，对多个候选地理区块进行筛选处理。按照这种方式，通过在利用营收预测模型对候选地理区块进行营收预测之前，通过基于预定约束策略来进行筛选处理，从而可以预先排除掉不能被选作门店地址的候选地理区块，由此可以减少营收预测模型的计算量，进而提高门店选址效率。例如，通过对城市栅格化获得100个候选地理区块(可以使用任何获得地理区块的方式，地理区块的获得方式如前所述)，其中，有40个属于不满足预定约束策略的地理区块，则筛选后仅有60个候选地理区块，这为后续的步骤节约了计算量并提高了准确率。
可选地，在一个实施例中，所述预定约束策略包括下述中的至少一个：人口规模约束；商业生态指数约束以及相关行业特定设施避让约束。在一个实施例中，人口规模约束是指地理区块的人口覆盖规模不低于预定人口数量。例如，假设地理区块j的人口规模为500，而人口规模约束条件为不低于1000，则该地理区块j将被筛除掉。在一个实施例中，商业生态指数约束是指商业生态指数不低于预定阈值。在一个实施例中，相关行业特定设施避让约束是指在地理区块中不能存在某类特定设施。例如，在生鲜连锁店的门店选址示例中，大型超市和菜市场是有力的竞争对手，如果在某个地理区块中存在大型超市和菜市场，则该地理区块应该被筛除掉。
在如上进行地理区块筛选处理后，方法进行到框S420处，针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估。框S420的操作与参照图1所描述的框S110的操作完全相同，在此不再描述。
在框S420处进行评估之后，方法进行到框S430，基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。框S430的描述与参照图1所描述的框S120的描述完全相同，在此不再描述。另外地或可替代地，在本申请的另一示例中，框S430的操作也可以被替代为图3中示出的框S330的操作。
接着，在框S440，在一个或多个目标门店地址被确定后，基于单店服务范围，对所确定的一个或多个目标门店地址进行筛选处理。例如，在一个实施例中，假设单店服务范围为550米，则如果在所确定的一个或多个目标门店地址中存在两个目标门店地址之间的距离小于550米，则从该两个目标门店地址中去除一个目标门店地址，例如，去除营收预测值相对较低的目标门店地址。如果两个目标门店地址的营收预测值相同，则随机去除一个目标门店地址。
这里要说明的是，在本申请的其它示例中，可以省略图4中示出的块S410和S440的任何一个或者两者。此外，可选地，在图1、图3和图4中示出的方法中，还可以包括：将待选址区域划分为所述多个候选地理区块。例如，可以通过将待选址区域(例如，某个城市区域)地图栅格化为矩形区块来划分为多个候选地理区块。
以上参照图1到图4描述了根据本公开的实施例的用于门店选址的方法，但根据本公开的实施例的用于门店选址的方法不限于以上所描述的示例。此外，可以对以上示例性方法中的步骤进行顺序调整、删除若干步骤或者添加若干额外的步骤，均在本公开所要求保护的范围。
图5示出了根据本公开的实施例的用于门店选址的装置的方框图(下文中称为选址装置500)。如图5所示，选址装置500包括区块评估单元510和选址确定单元520。
区块评估单元510用于针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估。所述营收相关属性至少包括商业生态指数和客流指数。区块评估单元510的操作类似于上面参照图1中的块S110的操作。
选址确定单元520用于至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。选址确定单元520的操作类似于上面参照图1中的块S120的操作。可替代地，在本申请的另一示例中，选址确定单元520可以至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址。选址确定单元520的操作类似于上面参照图3中的块S330的操作。
在一个实施例中，所述评估结果和所述人口覆盖数据可以具有权重值，其中所述评估结果和所述人口覆盖数据的权重值可以是基于门店选址目标确定的，如上参照图3所述。相应地，选址确定单元520可以至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果、各个候选地理区块的人口覆盖数据以及对应的权重值，确定所述一个或多个目标门店地址。此外，在本申请的一个示例中，选址装置500还可以包括权重确定单元，用于基于门店选址目标确定所述评估结果和所述人口覆盖数据的权重值。
在本申请的一个实施例中，选址确定单元520还可以包括：候选目标门店地址集合确定模块以及目标门店地址确定模块。候选目标门店地址集合确定模块用于利用目标函数和门店选址约束条件，从所述多个候选地理区块中确定出候选目标门店地址集合，其中，所述目标函数是基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖构建的最大值函数，如上参照图3所述。目标门店地址确定模块用于至少部分地基于所述候选目标门店地址集合中的各个候选地理区块的评估结果，从所述候选目标门店地址集合中确定所述一个或多个目标门店地址，如上参照图3所述。
图6示出了根据本公开的另一实施例的选址装置600的方框图。如图6所示，选址装置600可以包括地理区块划分单元610、第一筛选单元620、区块评估单元630、选址确定单元640和第二筛选单元650。
地理区块划分单元610用于将待选址区域划分所述多个候选地理区块。可选地，所述候选地理区块可以是最小选址单位。地理区块划分单元610的操作类似于上面所描述的区块划分操作。
第一筛选单元620用于在对候选地理区块进行评估之前，基于预定约束策略，对所述多个候选地理区块进行筛选处理。第一筛选单元620的操作的类似于上面参照图4中的块S410的操作。
区块评估单元630用于针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估。区块评估单元630的操作类似于上面参照图1中的块S110的操作。
选址确定单元640用于至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。选址确定单元640的操作类似于上面参照图5中的选址确定单元520的操作。
第二筛选单元650用于基于单店服务范围，对所确定的一个或多个目标门店地址进行筛选处理。第二筛选单元650的操作类似于上面参照图4中的块S440的操作。
如上参照图1到图6，对根据本申请的用于门店选址的方法和装置的实施例进行了描述。上面的门店选址装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
在本申请中，门店选址装置可以利用计算设备实现。图7示出了根据本公开的实施例的用于门店选址的计算设备700的方框图。根据一个实施例，计算设备700可以包括一个或多个处理器710，该一个或多个处理器710执行在计算机可读存储介质(即，存储器720)中存储或编码的一个或多个计算机可读指令(即，上述以软件形式实现的元素)。
在一个实施例中，在存储器720中存储计算机可执行指令，其当执行时使得一个或多个处理器710：针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估，所述营收相关属性至少包括商业生态指数和客流指数；以及至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。
应该理解，在存储器720中存储的计算机可执行指令当执行时使得一个或多个处理器710进行本申请的各个实施例中以上结合图1-6描述的各种操作和功能。
根据一个实施例，提供了一种比如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本申请的各个实施例中以上结合图1-6描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (24)

1.一种用于门店选址的方法，所述方法包括：
针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估，所述营收相关属性至少包括商业生态指数和客流指数；以及
至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。
2.根据权利要求1所述的方法，其中，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址包括：
至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址。
3.根据权利要求2所述的方法，其中，所述评估结果和所述人口覆盖数据具有权重值，其中，所述评估结果和所述人口覆盖数据的权重值是基于门店选址目标确定的，以及
至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址包括：
至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果和各个候选地理区块的人口覆盖数据以及对应的权重值，确定所述一个或多个目标门店地址。
4.根据权利要求2所述的方法，其中，至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址包括：
利用目标函数和门店选址约束条件，从所述多个候选地理区块中确定出候选目标门店地址集合，其中，所述目标函数是基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖构建的最大值函数；以及
至少部分地基于所述候选目标门店地址集合中的各个候选地理区块的评估结果，从所述候选目标门店地址集合中确定所述一个或多个目标门店地址。
5.根据权利要求4所述的方法，其中，所述目标函数被定义为：
其中，γ1表示总利润在目标函数中的权重值，以及γ2表示总人口覆盖在目标函数中的权重值；fj表示候选地理区块j的评估结果；Cj表示在候选地理区块j开店的成本；Qpi表示候选地理区块i的人口数；xj表示是否在候选地理区块j开店；yi表示候选地理区块i是否被选中开店的地理区块所覆盖，M是被划分的地理区块总数。
6.根据权利要求1所述的方法，其中，所述营收相关属性还包括以下中的一个或多个：
交通便利指数；
消费指数；和
竞争对手指数。
7.根据权利要求1所述的方法，其中，对候选地理区块的评估是使用营收预测模型来实现的。
8.根据权利要求7所述的方法，其中，所述营收预测模型是使用所述营收相关属性的历史统计数据来动态训练的。
9.根据权利要求1所述的方法，其中，在对候选地理区块进行评估之前，所述方法还包括：
基于预定约束策略，对所述多个候选地理区块进行筛选处理。
10.根据权利要求1所述的方法，其中，所述商业生态指数利用所述候选地理区块内的关联商业设施的数量来表征；以及所述客流指数使用所述候选地理区块内的日间客流人数和夜间客流人数来表征。
11.根据权利要求6所述的方法，其中，所述交通便利指数利用所述候选地理区块内的交通设施的数量来表征，所述消费指数利用所述候选地理区块内的小区挂牌价、租房租金和/或平均房龄来表征；以及所述竞争对手指数利用所述候选地理区块内的竞争对手的数量来表征。
12.根据权利要求9所述的方法，其中，所述预定约束策略包括下述中的至少一个：人口规模约束；商业生态指数约束以及相关行业特定设施避让约束。
13.根据权利要求1到12中任一所述的方法，还包括：
基于单店服务范围，对所确定的一个或多个目标门店地址进行筛选处理。
14.一种用于门店选址的装置，包括：
区块评估单元，用于针对多个候选地理区块中的每个候选地理区块，基于该候选地理区块的营收相关属性来进行评估，所述营收相关属性至少包括商业生态指数和客流指数；以及
选址确定单元，用于至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果，确定一个或多个目标门店地址。
15.根据权利要求14所述的装置，其中，所述选址确定单元用于：至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果以及各个候选地理区块的人口覆盖数据，确定所述一个或多个目标门店地址。
16.根据权利要求15所述的装置，其中，所述评估结果和所述人口覆盖数据具有权重值，其中，所述评估结果和所述人口覆盖数据的权重值是基于门店选址目标确定的，以及
所述选址确定单元用于：至少部分地基于所述多个候选地理区块中的各个候选地理区块的评估结果和各个候选地理区块的人口覆盖数据以及对应的权重值，确定所述一个或多个目标门店地址。
17.根据权利要求15所述的装置，其中，所述选址确定单元包括：
候选目标门店地址集合确定模块，用于利用目标函数和门店选址约束条件，从所述多个候选地理区块中确定出候选目标门店地址集合，其中，所述目标函数是基于与所述多个候选地理区块中的每个候选地理区块是否开店相关联的总利润和总人口覆盖构建的最大值函数；以及
目标门店地址确定模块，用于至少部分地基于所述候选目标门店地址集合中的各个候选地理区块的评估结果，从所述候选目标门店地址集合中确定所述一个或多个目标门店地址。
18.根据权利要求14所述的装置，其中，所述营收相关属性还包括以下中的一个或多个：
交通便利指数；
消费指数；和
竞争对手指数。
19.根据权利要求14所述的装置，还包括：地理区块划分单元，用于将待选址区域划分为所述多个候选地理区块。
20.根据权利要求14所述的装置，还包括：
第一筛选单元，用于在对候选地理区块进行评估之前，基于预定约束策略，对所述多个候选地理区块进行筛选处理。
21.根据权利要求20所述的装置，其中，所述预定约束策略包括下述中的至少一个：人口规模约束；商业生态指数约束以及相关行业特定设施避让约束。
22.根据权利要求14到21中任一所述的装置，还包括：
第二筛选单元，用于基于单店服务范围，对所确定的一个或多个目标门店地址进行筛选处理。
23.一种计算设备，包括：
一个或多个处理器，以及
与所述一个或多个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1到13中任一所述的方法。
24.一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到13中任一所述的方法。
CN201810938636.9A 2018-08-17 2018-08-17 用于门店选址的方法和装置 Active CN110543999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810938636.9A CN110543999B (zh) 2018-08-17 2018-08-17 用于门店选址的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810938636.9A CN110543999B (zh) 2018-08-17 2018-08-17 用于门店选址的方法和装置

Publications (2)

Publication Number Publication Date
CN110543999A true CN110543999A (zh) 2019-12-06
CN110543999B CN110543999B (zh) 2024-03-01

Family

ID=68701256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810938636.9A Active CN110543999B (zh) 2018-08-17 2018-08-17 用于门店选址的方法和装置

Country Status (1)

Country Link
CN (1) CN110543999B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091417A (zh) * 2019-12-12 2020-05-01 拉扎斯网络科技（上海）有限公司 选址方法及装置
CN111680837A (zh) * 2020-06-08 2020-09-18 北京化工大学 一种竞争环境下的多场景多商品连锁便利店选址优化方法
CN111898860A (zh) * 2020-06-28 2020-11-06 福建凯米网络科技有限公司 一种数字视听场所选址及经营策略生成方法及存储介质
CN112651575A (zh) * 2021-01-05 2021-04-13 广东赢商网数据服务股份有限公司 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、系统及存储介质
CN112686460A (zh) * 2021-01-05 2021-04-20 广东赢商网数据服务股份有限公司 一种项目客流量预测方法、系统及计算机可读存储介质
CN112700055A (zh) * 2021-01-05 2021-04-23 广东赢商网数据服务股份有限公司 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、存储介质及店铺选址系统
CN112884224A (zh) * 2021-02-20 2021-06-01 杭州比智科技有限公司 实体对象的选址方法、装置、计算设备及计算机存储介质
CN113240306A (zh) * 2021-05-21 2021-08-10 河南高通物联网有限公司 基于人工智能和大数据的商场选址方法及系统
CN113361957A (zh) * 2021-06-29 2021-09-07 哈尔滨工业大学 基于宜步指数改良的垃圾分类回收设施增设方法及系统
CN113473487A (zh) * 2020-03-31 2021-10-01 中国移动通信集团贵州有限公司 基站区域内门店建设优化方法、装置、设备及存储介质
CN113487341A (zh) * 2021-06-02 2021-10-08 广州数说故事信息科技有限公司 一种城市商业策略数据处理方法
CN113689226A (zh) * 2021-07-08 2021-11-23 深圳市维度数据科技股份有限公司 商业综合体的选址方法、装置、电子设备和存储介质
CN113762683A (zh) * 2020-11-25 2021-12-07 北京京东振世信息技术有限公司 一种门店选址方法和装置
CN113888213A (zh) * 2021-09-29 2022-01-04 平安银行股份有限公司 选址方法、装置、设备及存储介质
CN112884224B (zh) * 2021-02-20 2024-10-29 杭州比智科技有限公司 实体对象的选址方法、装置、计算设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005084769A (ja) * 2003-09-05 2005-03-31 Ysp:Kk 仲介装置及びそのプログラム
US20110307476A1 (en) * 2010-06-15 2011-12-15 Verizon Patent And Licensing Inc. System and method for assessing quality of address information for physical locations
CN104636482A (zh) * 2015-02-16 2015-05-20 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
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
CN108154300A (zh) * 2017-12-25 2018-06-12 东软集团股份有限公司 兴趣点选址方法、装置和计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005084769A (ja) * 2003-09-05 2005-03-31 Ysp:Kk 仲介装置及びそのプログラム
US20110307476A1 (en) * 2010-06-15 2011-12-15 Verizon Patent And Licensing Inc. System and method for assessing quality of address information for physical locations
CN104636482A (zh) * 2015-02-16 2015-05-20 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
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
CN108154300A (zh) * 2017-12-25 2018-06-12 东软集团股份有限公司 兴趣点选址方法、装置和计算机设备

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091417A (zh) * 2019-12-12 2020-05-01 拉扎斯网络科技（上海）有限公司 选址方法及装置
CN111091417B (zh) * 2019-12-12 2023-10-31 拉扎斯网络科技（上海）有限公司 选址方法及装置
CN113473487A (zh) * 2020-03-31 2021-10-01 中国移动通信集团贵州有限公司 基站区域内门店建设优化方法、装置、设备及存储介质
CN113473487B (zh) * 2020-03-31 2022-09-27 中国移动通信集团贵州有限公司 基站区域内门店建设优化方法、装置、设备及存储介质
CN111680837A (zh) * 2020-06-08 2020-09-18 北京化工大学 一种竞争环境下的多场景多商品连锁便利店选址优化方法
CN111680837B (zh) * 2020-06-08 2023-12-08 北京化工大学 一种竞争环境下的多场景多商品连锁便利店选址优化方法
CN111898860A (zh) * 2020-06-28 2020-11-06 福建凯米网络科技有限公司 一种数字视听场所选址及经营策略生成方法及存储介质
CN113762683A (zh) * 2020-11-25 2021-12-07 北京京东振世信息技术有限公司 一种门店选址方法和装置
CN112651575A (zh) * 2021-01-05 2021-04-13 广东赢商网数据服务股份有限公司 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、系统及存储介质
CN112686460B (zh) * 2021-01-05 2024-05-28 广东赢商网数据服务股份有限公司 一种项目客流量预测方法、系统及计算机可读存储介质
CN112700055A (zh) * 2021-01-05 2021-04-23 广东赢商网数据服务股份有限公司 令人工神经网络具备店铺选址能力的训练方法、店铺选址方法、存储介质及店铺选址系统
CN112686460A (zh) * 2021-01-05 2021-04-20 广东赢商网数据服务股份有限公司 一种项目客流量预测方法、系统及计算机可读存储介质
CN112884224B (zh) * 2021-02-20 2024-10-29 杭州比智科技有限公司 实体对象的选址方法、装置、计算设备及计算机存储介质
CN112884224A (zh) * 2021-02-20 2021-06-01 杭州比智科技有限公司 实体对象的选址方法、装置、计算设备及计算机存储介质
CN113240306B (zh) * 2021-05-21 2023-01-13 吴晓冬 基于人工智能和大数据的商场选址方法及系统
CN113240306A (zh) * 2021-05-21 2021-08-10 河南高通物联网有限公司 基于人工智能和大数据的商场选址方法及系统
CN113487341A (zh) * 2021-06-02 2021-10-08 广州数说故事信息科技有限公司 一种城市商业策略数据处理方法
CN113487341B (zh) * 2021-06-02 2024-04-26 广州数说故事信息科技有限公司 一种城市商业策略数据处理方法
CN113361957A (zh) * 2021-06-29 2021-09-07 哈尔滨工业大学 基于宜步指数改良的垃圾分类回收设施增设方法及系统
CN113689226A (zh) * 2021-07-08 2021-11-23 深圳市维度数据科技股份有限公司 商业综合体的选址方法、装置、电子设备和存储介质
CN113888213A (zh) * 2021-09-29 2022-01-04 平安银行股份有限公司 选址方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110543999B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN110543999A (zh) 用于门店选址的方法和装置
Li et al. Heterogeneous fixed fleet vehicle routing problem based on fuel and carbon emissions
Chen et al. Dynamic cluster-based over-demand prediction in bike sharing systems
He et al. Customer preference and station network in the London bike-share system
Zhang et al. Understanding taxi service strategies from taxi GPS traces
Mostafaeipour et al. Prediction of air travel demand using a hybrid artificial neural network (ANN) with Bat and Firefly algorithms: a case study
CN109376935B (zh) 一种基于神经网络的公交客流分时段组合预测方法
CN109544351A (zh) 车辆风险评估方法、装置、计算机设备及存储介质
Araldi et al. Retail fabric assessment: Describing retail patterns within urban space
CN107067076A (zh) 一种基于时滞narx神经网络的客流预测方法
Cascajo et al. Assessment of innovative measures implemented in European bus systems using key performance indicators
CN107610282A (zh) 一种公交客流统计系统
CN111461489A (zh) 路线生成方法、装置、电子设备及可读存储介质
CN114418175A (zh) 一种人员管理方法、装置、电子设备及存储介质
Deng et al. Heterogenous Trip Distance‐Based Route Choice Behavior Analysis Using Real‐World Large‐Scale Taxi Trajectory Data
Siddique et al. Modelling the behavioural response to congestion pricing in Dhaka, Bangladesh
CN106295868A (zh) 交通出行数据处理方法及装置
Jevinger et al. Artificial intelligence for improving public transport: a mapping study
Lu et al. Analyzing the impact of fare-free public transport policies on crowding patterns at stations using crowdsensing data
Carrese et al. An optimization model and genetic-based matheuristic for parking slot rent optimization to carsharing
Ma et al. Modeling the impact of transit fare change on passengers’ accessibility
Kim Discovering spatiotemporal usage patterns of a bike-sharing system by type of pass: a case study from Seoul
Faghih et al. Predicting short-term Uber demand using spatio-temporal modeling: A New York City Case Study
Gupta et al. Lstm based real-time smart parking system
Asadamraji Novel index of budget allocation to practical projects of intelligent transportation systems in a transit corridor

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