CN110648161A - 商业选址的效益评估方法、装置及存储介质 - Google Patents
商业选址的效益评估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110648161A CN110648161A CN201910718422.5A CN201910718422A CN110648161A CN 110648161 A CN110648161 A CN 110648161A CN 201910718422 A CN201910718422 A CN 201910718422A CN 110648161 A CN110648161 A CN 110648161A
- Authority
- CN
- China
- Prior art keywords
- benefit
- time period
- data
- training
- 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
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明实施例涉及通信技术领域,公开了一种商业选址的效益评估方法,获取待选区域的连续三个时间段的选址特征,其中,连续三个时间段包括:当前时间段、当前时间段的前一时间段、以及前一时间段的再前一时间段;将连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值。本发明中提供的一种商业选址的效益评估方法、装置及存储介质,使得预测得到的效益评估值更加准确,从而为商业选址提供可靠的参考依据。
Description
技术领域
本发明实施例涉及通信技术领域,特别涉及一种商业选址的效益评估方法、装置及存储介质。
背景技术
线下商业形态中,门店选址对商家而言是一个非常重要的行为,会影响到门店的定位、商品的类型以及经营的效果。
目前常用的商业选址方案主要包括:方式一:基于经验构建选址评分规则,目前大多数选址方案都是基于经验构建具体的选址规则,具体分以下步骤:第一步:基于经验选出对选址有较大影响的选址特征;第二步:基于经验构建出评价每个待选区域得分的计算规则,将各个待选区域的多个选址特征指标进行融合,得到一个评分值;第三步:对待选区域的评分值排序,找到得分最高的区域为选址推荐区域。但上述基于经验构建选址评分规则对经验要求较高,选址特征和选址规则均依据经验设定,主观影响较大,计算得到的评分结果并不准确。
方式二:基于传统的机器学习方法,具体分以下步骤:第一步:对可能影响商业店铺选址结果的因素进行调研与分析;第二步:结合已有的相关多源数据集,从中选择一些可能对商业店铺选址产生影响的特征指标,给出选址决策评价指标体系;第三步:引入支持向量机(SVM)模型,通过样本数据训练出选址评分模型,不再依据人工主观设置评分规则。但基于传统的机器学习方法,仅考虑当前选址特征,未考虑到选址特征的历史数据,预测的待选区域的评分也并不准确。
上述两种商业选址的方式预测得到的待选区域的评分结果并不准确,因此对于商家而言,并不能够作为商业选址的可靠依据。
发明内容
本发明实施方式的目的在于提供一种商业选址的效益评估方法、装置及存储介质,使得预测得到的效益评估值更加准确,从而为商业选址提供可靠的参考依据。
为解决上述技术问题,本发明的实施方式提供了一种商业选址的效益评估方法,获取待选区域的连续三个时间段的选址特征,其中,连续三个时间段包括:当前时间段、当前时间段的前一时间段、以及前一时间段的再前一时间段;将连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值。
本发明的实施方式还提供了一种效益评估装置,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述的商业选址的效益评估方法。
本发明的实施方式还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述商业选址的效益评估方法。
本发明实施方式相对于现有技术而言,提供了一种商业选址的效益评估方法,通过将待选区域的连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值,其中,连续三个时间段包括:当前时间段、当前时间段的前一时间段、以及前一时间段的再前一时间段,本发明实施方式中对输入数据加入了时间序列的概念,考虑到了选址特征的变化趋势,使得得到的预测效益值更加的准确;且利用预先训练好的长短期记忆神经网络自动实现选址特征的构造和选择,减少了主观因素的影响,使得预测效益值更加客观、准确,从而为商业选址提供可靠的参考依据。
另外,预先训练好的长短期记忆神经网络通过以下步骤进行训练:获取样本数据,样本数据中至少包括训练样本,训练样本包括:至少一个目标区域内已有店铺的连续三个时间段的选址特征,以及已有店铺的当前时间段的实际效益值,其中,待选区域位于目标区域内;将训练样本输入长短期记忆神经网络中进行训练计算损失函数值;当损失函数值满足预设条件时,结束训练,该方案中给出了长短期记忆神经网络的具体训练方式。
另外,选址特征至少包括:目标区域内的客流情况数据、客户群体画像数据、竞争饱和度数据以及区域环境数据;获取样本数据,具体包括:从至少一个目标区域的移动运营商的基站获取至少一个目标区域内已有店铺的连续三个时间段的客流情况数据和客户群体画像数据;从网络地图获取至少一个目标区域内已有店铺的连续三个时间段的竞争饱和度数据和区域环境数据。该方案中选址特征包括:目标区域内的客流情况数据、客户群体画像数据、竞争饱和度数据以及区域环境数据,更加全面地考虑到影响选址的各种因素,从而使得后续的预测效益值更加的准确。
另外,目标区域为多个;获取样本数据,具体包括:获取每个目标区域的训练样本数据;将满足预设条件的训练样本数据作为样本数据。该方案中剔除不满足预设条件的训练样本数据,从而进一步保证长短期记忆神经网络的预测结果的准确性。
另外,待选区域为多个,多个待选区域位于目标区域内;将连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值之后,还包括:将多个待选区域的预测效益值排序后展示给用户。该方案中依照预测效益值大小将待选区域进行排序后展示给用户,从而方便用户直接根据排序结果方便、快捷地获知各个区域的效益值情况。
另外,样本数据还包括:验证样本;结束训练之前,还包括:将验证样本输入长短期记忆神经网络中得到验证样本的预测效益值,其中,损失函数值满足预设条件;若预测效益值与实际效益值的差值在预设范围内,则再执行结束训练的步骤。该方案中利用验证样本验证长短期记忆神经网络的训练结果,并在验证样本的预测效益值与实际效益值的差值在预设范围内时,再结束训练,进一步保证了该长短期记忆神经网络预测结果的准确性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本发明第一实施方式的商业选址的效益评估方法的流程示意图;
图2是根据本发明第二实施方式的效益评估装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种商业选址的效益评估方法,本实施方式的核心在于:获取待选区域的连续三个时间段的选址特征,其中,连续三个时间段包括:当前时间段、当前时间段的前一时间段、以及前一时间段的再前一时间段;将连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值。本发明实施方式中对输入数据加入了时间序列的概念,考虑到了选址特征的变化趋势,使得得到的预测效益值更加的准确;且利用预先训练好的长短期记忆神经网络自动实现选址特征的构造和选择,减少了主观因素的影响,使得预测效益值更加客观、准确,从而为商业选址提供可靠的参考依据。
下面对本实施方式的商业选址的效益评估方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
本实施方式中的商业选址的效益评估方法的流程示意图如图1所示:
步骤101:获取待选区域的连续三个时间段的选址特征。
具体地说,将地图网格化划分成多个区域,地图上的任意一点属于且仅属于一个区域,给予每一个区域一个唯一的识别号ID,具体地,可以将地图划分为多个预设边长的正方形网格,每一个正方形网格代表一个区域,本实施方式中所有提及的区域均是以此步得到的正方形网格为基础进行选址特征的计算和分析的。其中,预设边长可根据用户的选址需要进行设定,例如:200米、500米或1000米。
本实施方式中确定用户选定的待选区域后,获取该待选区域内连续三个时间段的选址特征,其中,连续三个时间段包括:当前时间段、当前时间段的前一时间段、以及前一时间段的再前一时间段。可选地,连续三个时间段为连续三个月或连续三个季度,例如:若当月为6月,则连续三个时间段为:4月、5月和6月;若当前季度为第四季度,则连续三个时间段为第二季度、第三季度和第四季度。本实施方式中将时间序列概念加入到选址特征中,考虑到了选址特征的变化趋势,从而使得预测结果更加准确。
步骤102:将连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值。
具体地说,长短期记忆模型(long-short term memory,LSTM)是一种特殊的循环神经网络(Recurrent Neural Network,RNN)模型,是为了解决RNN模型梯度弥散的问题而提出的,其适合于处理和预测时间序列中间隔和延迟非常长的重要事件。本实施方式中将连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络,自动实现选址特征的构造和选择,从而减少了主观因素的影响,使得预测效益值更加客观、准确,从而为商业选址提供可靠的参考依据。
本实施方式中预先训练好的长短期记忆神经网络通过以下步骤进行训练:获取样本数据,样本数据中至少包括训练样本,训练样本包括:至少一个目标区域内已有店铺的连续三个时间段的选址特征,以及已有店铺的当前时间段的实际效益值,其中,待选区域位于目标区域内;将训练样本输入长短期记忆神经网络中进行训练计算损失函数值;当损失函数值满足预设条件时,结束训练。
具体地说,在训练长短期记忆神经网络时,首先,获取样本数据,样本数据中至少包括训练样本,训练样本包括:至少一个目标区域内已有店铺的连续三个时间段的选址特征(t时间段的特征数据、t-1时间段的特征数据、以及t-2时间段的特征数据)、以及已有店铺的当前时间段的实际效益值(t时间段的实际效益值),其中,待选区域位于目标区域内。值得说明的是,一个区域内的已有店铺可能为多个,可获取该多个已有店铺中每个店铺的实际效益值,从而进一步保证预测效益值的准确性。将训练样本依次输入长短期记忆神经网络中进行训练并计算损失函数值,并依据得到的损失函数值调整长短期记忆神经网络的参数,直至损失函数值满足预设条件时,结束该长短期记忆神经网络的训练。本实施方式中的预设条件可以为损失函数值小于一预设阈值,当损失函数小于该预设阈值时即认为训练完成;预设条件也可以为损失函数值的变化幅度处于预设范围内,当在训练时损害函数值一直在该预设范围内时即认为训练完成。其中,预设阈值可以为一较小值,预设范围可以为一较小范围,预设阈值和预设范围均可由用户根据实际情况设置。
本实施方式中选址特征包括:目标区域内的客流情况数据、客户群体画像数据、竞争饱和度数据以及区域环境数据,更加全面地考虑到影响选址的各种因素,从而使得后续的预测效益值更加的准确。其中,目标区域内的客流情况数据至少包括:该目标区域内已有店铺在营业时间段内每天的总人流量数目、该区域内的居住人口数目、工作人口数目、常驻人口数目(常驻人口数目=居住人口数目+工作人口数目)、每天的途径人口数目(途径人口数目=总人流量数目-居住人口数目-工作人口数目)、每小时的人流量数目(可根据营业时间段内已有店铺的每小时人流量数目来统计)、逗留时长分布(可按小时分段统计);客户群体画像数据至少包括:年龄、性别、入网年限、消费层次(消费层级包括:每个月内每用户平均收入、每个月内平均每户每月通话时长、以及手机终端价格档次)、行为偏好(可根据用户终端同业APP使用数目来确定);竞争饱和度数据至少包括:区域内自身网点数目、区域内竞争对手网点数目、区域周边2千米内自身网点数目、以及区域周边2千米内竞争对手网点数目;区域环境数据至少包括:交通便利程度数据(可根据区域内公交站数目和地铁站数目、以及区域周边公交车站数目和地铁站数目来统计)、区域业态数据(可根据区域内城市商业综合体数目、医院数目、大中小学数目、园区数目、写字楼数目等来统计)、区域经济发展数据(可根据区域周边小区或写字楼平均房价来统计)。
值得说明的是,本是实施方式中具体可从该目标区域内的移动运营商的基站获取至少一个目标区域内已有店铺的连续三个时间段的客流情况数据和客户群体画像数据;从网络地图获取该目标区域内已有店铺的连续三个时间段的竞争饱和度数据和区域环境数据。
本实施方式中长短期记忆神经网络的损失函数值L通过以下公式(1)进行计算:
其中,所述n为训练样本的数目、i为第i个已有店铺、yi为第i个已有店铺的实际效益值、yei为第i个已有店铺的预测效益值。
进一步地,样本数据还包括:验证样本;结束训练之前,还包括:将验证样本输入长短期记忆神经网络中得到验证样本的预测效益值,其中,损失函数值满足预设条件;若预测效益值与实际效益值的差值在预设范围内,则再执行结束训练的步骤。
具体地说,在采集样本数据时,还可以采集一部分选址特征作为验证样本,当利用训练样本训练使得损失函数值满足预设条件时,将验证样本输入训练后的长短期记忆神经网络中,得到验证样本的预测效益值,若预测效益值与实际效益值的差值在预设范围内,则表明该长短期记忆神经网络的预测结果与实际结果相差较小,此时再结束该长短期记忆神经网络的训练;若预测效益值与实际效益值的差值不在预设范围内,则表明该长短期记忆神经网络的预测结果与实际结果相差较大,此时需要重新获取训练样本,继续训练该长短期记忆神经网络,直至该长短期记忆神经网络的预测结果与实际结果的差值在预设范围内。该方案中利用验证样本验证长短期记忆神经网络的训练结果,并在验证样本的预测效益值与实际效益值的差值在预设范围内时,再结束训练,进一步保证了该长短期记忆神经网络预测结果的准确性。
进一步地,目标区域为多个;获取样本数据,具体包括:获取每个目标区域的训练样本数据;将满足预设条件的训练样本数据作为样本数据。
具体地说,目标区域可以为多个,在获取样本数据时,需要获取每个目标区域内的训练样本数据,将满足预设条件的训练样本数据作为样本数据,即就是说,对采集到的训练样本数据进行清洗、去除异常值。这是由于若样本数据中出现某一目标区域内某已有店铺的实际效益值较其他已有店铺的实际效益值过大或过小时,表征该样本数据出现了异常,若依旧利用该样本数据对长短期记忆神经网络进行训练,可能导致该长短期记忆神经网络的预测结果不够准确,因此,本实施方式中剔除样本数据中出现异常的训练样本数据,从而进一步保证长短期记忆神经网络的预测结果的准确性。本实施方式中的预设条件可以为该训练样本数据中实际效益值处于预设范围内,该预设范围可由用户根据实采集的训练样本数据的所有实际效益值来确定。
进一步地,待选区域为多个,多个待选区域位于目标区域内;将连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值之后,还包括:将多个待选区域的预测效益值排序后展示给用户。
具体地说,当待选区域为多个时,将每个待选区域的连续三个时间段的选址特征分别输入预先训练好的长短期记忆神经网络中,得到每个待选区域的当前时间段的预测效益值之后,依照预测效益值大小将待选区域进行排序后展示给用户,从而方便用户直接根据排序结果方便、快捷地获知各个区域的效益值情况。此外,还可以将该多个待选区域中预测效益值最大的待选区域作为推荐区域推荐给用户。
值得说明的是,本实施方式中的商业选址的效益评估方法,通用于不同行业领域选址的效益评估,针对于不同行业领域的选址,可以在训练长短期记忆神经网络时,将表征该行业领域特征的选址特征加入训练数据中,便可得到该细分行业领域的定制化的选址模型,从而可以实现对待选区域准确、高效的效益评估。
与现有技术相比,本发明实施方式中提供了一种商业选址的效益评估方法,通过将待选区域的连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到待选区域的当前时间段的预测效益值,其中,连续三个时间段包括:当前时间段、当前时间段的前一时间段、以及前一时间段的再前一时间段,本发明实施方式中对输入数据加入了时间序列的概念,考虑到了选址特征的变化趋势,使得得到的预测效益值更加的准确;且利用预先训练好的长短期记忆神经网络自动实现选址特征的构造和选择,减少了主观因素的影响,使得预测效益值更加客观、准确,从而为商业选址提供可靠的参考依据。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第二实施方式涉及一种效益评估装置,如图2所示,包括至少一个处理器201;以及,与至少一个处理器201通信连接的存储器202;其中,存储器202存储有可被至少一个处理器201执行的指令,指令被至少一个处理器201执行,以使至少一个处理器201能够执行上述的商业选址的效益评估方法。
其中,存储器202和处理器201采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器201和存储器202的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器201处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器201。
处理器201负责管理总线和通常的处理,还可以提供各种功能,包括定时、外围接口、电压调节、电源管理以及其他控制功能。而存储器202可以被用于存储处理器201在执行操作时所使用的数据。
本发明的第三实施方式还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述商业选址的效益评估方法。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种商业选址的效益评估方法,其特征在于,包括:
获取待选区域的连续三个时间段的选址特征,其中,所述连续三个时间段包括:当前时间段、所述当前时间段的前一时间段、以及所述前一时间段的再前一时间段;
将所述连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到所述待选区域的当前时间段的预测效益值。
2.根据权利要求1所述的商业选址的效益评估方法,其特征在于,所述预先训练好的长短期记忆神经网络通过以下步骤进行训练:
获取样本数据,所述样本数据中至少包括训练样本,所述训练样本包括:至少一个目标区域内已有店铺的连续三个时间段的选址特征,以及所述已有店铺的所述当前时间段的实际效益值,其中,所述待选区域位于所述目标区域内;
将所述训练样本输入长短期记忆神经网络中进行训练计算损失函数值;
当所述损失函数值满足预设条件时,结束训练。
3.根据权利要求2所述的商业选址的效益评估方法,其特征在于,所述长短期记忆神经网络的损失函数值L通过以下公式进行计算:
其中,所述n为所述训练样本的数目、所述i为第i个已有店铺、所述yi为第i个已有店铺的实际效益值、所述yei为第i个已有店铺的预测效益值。
4.根据权利要求2所述的商业选址的效益评估方法,其特征在于,所述选址特征至少包括:所述目标区域内的客流情况数据、客户群体画像数据、竞争饱和度数据以及区域环境数据;
所述获取样本数据,具体包括:
从所述至少一个目标区域的移动运营商的基站获取所述至少一个目标区域内已有店铺的连续三个时间段的客流情况数据和客户群体画像数据;
从网络地图获取所述至少一个目标区域内已有店铺的连续三个时间段的竞争饱和度数据和区域环境数据。
5.根据权利要求2所述的商业选址的效益评估方法,其特征在于,所述目标区域为多个;所述获取样本数据,具体包括:
获取每个所述目标区域的训练样本数据;
将满足预设条件的所述训练样本数据作为所述样本数据。
6.根据权利要求2所述的商业选址的效益评估方法,其特征在于,所述待选区域为多个,多个所述待选区域位于所述目标区域内;
所述将所述连续三个时间段的选址特征输入预先训练好的长短期记忆神经网络中,得到所述待选区域的当前时间段的预测效益值之后,还包括:将所述多个待选区域的预测效益值排序后展示给用户。
7.根据权利要求1所述的商业选址的效益评估方法,其特征在于,所述连续三个时间段为连续三个月或连续三个季度。
8.根据权利要求2所述的商业选址的效益评估方法,其特征在于,所述样本数据还包括:验证样本;所述结束训练之前,还包括:
将所述验证样本输入长短期记忆神经网络中得到所述验证样本的预测效益值,其中,所述损失函数值满足所述预设条件;
若所述预测效益值与所述实际效益值的差值在预设范围内,则再执行所述结束训练的步骤。
9.一种效益评估装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一所述的商业选址的效益评估方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一所述的商业选址的效益评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718422.5A CN110648161A (zh) | 2019-08-05 | 2019-08-05 | 商业选址的效益评估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718422.5A CN110648161A (zh) | 2019-08-05 | 2019-08-05 | 商业选址的效益评估方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110648161A true CN110648161A (zh) | 2020-01-03 |
Family
ID=68989996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910718422.5A Pending CN110648161A (zh) | 2019-08-05 | 2019-08-05 | 商业选址的效益评估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648161A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288554A (zh) * | 2020-11-27 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置、存储介质及电子装置 |
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 |
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 |
CN113128773A (zh) * | 2021-04-23 | 2021-07-16 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
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 |
CN114004661A (zh) * | 2021-12-29 | 2022-02-01 | 杭州铭信信息科技有限公司 | 门店信息处理方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106651392A (zh) * | 2016-12-07 | 2017-05-10 | 中国联合网络通信集团有限公司 | 一种智能商业选址方法、装置及系统 |
US20180285510A1 (en) * | 2017-04-04 | 2018-10-04 | Globalfoundries Inc. | Sraf insertion with artificial neural network |
CN108898239A (zh) * | 2018-05-29 | 2018-11-27 | 贵州黔驰信息股份有限公司 | 一种基于数据分析的配电变压器选址方法 |
CN108960912A (zh) * | 2018-06-27 | 2018-12-07 | 北京京东金融科技控股有限公司 | 用于确定目标位置的方法和装置 |
-
2019
- 2019-08-05 CN CN201910718422.5A patent/CN110648161A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106651392A (zh) * | 2016-12-07 | 2017-05-10 | 中国联合网络通信集团有限公司 | 一种智能商业选址方法、装置及系统 |
US20180285510A1 (en) * | 2017-04-04 | 2018-10-04 | Globalfoundries Inc. | Sraf insertion with artificial neural network |
CN108898239A (zh) * | 2018-05-29 | 2018-11-27 | 贵州黔驰信息股份有限公司 | 一种基于数据分析的配电变压器选址方法 |
CN108960912A (zh) * | 2018-06-27 | 2018-12-07 | 北京京东金融科技控股有限公司 | 用于确定目标位置的方法和装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112288554A (zh) * | 2020-11-27 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置、存储介质及电子装置 |
CN112288554B (zh) * | 2020-11-27 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置、存储介质及电子装置 |
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 |
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 |
CN113128773A (zh) * | 2021-04-23 | 2021-07-16 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
CN113128773B (zh) * | 2021-04-23 | 2024-03-29 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
CN114004661A (zh) * | 2021-12-29 | 2022-02-01 | 杭州铭信信息科技有限公司 | 门店信息处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648161A (zh) | 商业选址的效益评估方法、装置及存储介质 | |
CN110909880B (zh) | 一种基于深度知识追踪的众包任务预测方法 | |
CN111854779B (zh) | 一种路线规划方法、装置、电子设备及可读存储介质 | |
WO2017127592A1 (en) | System, method, and device for generating a geographic area heat map | |
CN110322169B (zh) | 一种任务发布的方法及装置 | |
Mattila et al. | Maintenance scheduling of a fleet of fighter aircraft through multi-objective simulation-optimization | |
CN112966189B (zh) | 一种基金产品推荐系统 | |
CN108765094A (zh) | 保险数据处理方法、装置、计算机设备和存储介质 | |
CN107067282B (zh) | 一种消费品返利销售营销管理系统及其使用方法 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
KR101028810B1 (ko) | 광고 대상 분석 장치 및 그 방법 | |
CN111062774B (zh) | 活动投放方法、装置、电子设备和计算机可读介质 | |
Becker | Non-wage job characteristics and the case of the missing margin | |
CN109087124A (zh) | 一种应用程序价值预测方法及装置 | |
CN111046156B (zh) | 奖励数据的确定方法、装置和服务器 | |
Haas et al. | A parsimonious heuristic for the discrete network design problem | |
CN111753386B (zh) | 一种数据处理方法及装置 | |
CN112700055A (zh) | 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 | |
US10915839B2 (en) | Matching apparatus | |
KR20230081604A (ko) | 기업 정보에 기반하여 인큐베이팅 대상 기업을 선정하는 기업 인큐베이팅 시스템 | |
CN112365302B (zh) | 产品推荐网络的训练方法、装置、设备及介质 | |
CN114298870A (zh) | 一种路径规划方法、装置、电子设备及计算机可读介质 | |
CN113222524A (zh) | 一种基于大数据的项目申报评估方法及系统 | |
CN111695919B (zh) | 评价数据处理方法、装置、电子设备及存储介质 | |
CN111523614B (zh) | 小区相似判断方法及装置 |
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 |
Application publication date: 20200103 |
|
RJ01 | Rejection of invention patent application after publication |