CN110837930A - 一种选址方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种选址方法、装置、设备及存储介质，在获取到候选地址的地址信息之后，将该候选地址的地址信息输入预先构建的预测模型，得到该预测模型输出的候选地址的被选热度，并根据该候选地址的被选热度，确定目标被选地址，使得后续能够将目标被选地址应用于相应应用场景中(例如，新店铺、娱乐活动、体育活动、商店或公共建筑等)。其中，因在利用预测模型对候选地址的被选热度进行预测的过程中无需人为参与，使得基于预测模型预测出的被选热度确定的目标地址不会受到人为因素干扰，从而使得基于预测模型的选址过程的客观性较高，如此能够提高选址结果的准确性。

Description

一种选址方法、装置、设备及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种选址方法、装置、设备及存储介质。

背景技术

对于连锁店铺的规划过程、多地区娱乐活动(例如，粉丝线下聚会、游戏玩家线下活动等)的规划过程、多个同类型商店的规划过程、以及多个同功能公共建筑的规划过程等来说，合理地选址是十分重要的。

目前，常用的选址方法是由规划人员到各个候选地址进行实地考察，以便基于考察结果进行选址。其中，因该选址方法是基于规划人员提供的考察结果进行选址的，使得选址结果依赖于规划人员的个人经验，从而使得选址结果的主观性较强，进而使得选址过程缺乏客观性，降低了选址结果的准确性。

发明内容

本申请实施例提供了一种选址方法、装置、设备及存储介质，能够客观地进行选址，提高了选址结果的准确性。

有鉴于此，本申请第一方面提供了一种选址方法，包括：

获取候选地址的地址信息，所述地址信息包括属性信息、环境信息和人群活动信息中的至少一种；

将所述候选地址的地址信息输入预先构建的预测模型，得到所述预测模型输出的所述候选地址的被选热度；所述预测模型是根据历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度训练得到的；

根据所述候选地址的被选热度，确定目标被选地址。

本申请第二方面提供了一种选址装置，包括：

信息获取单元，用于获取候选地址的地址信息，所述地址信息包括属性信息、环境信息和人群活动信息中的至少一种；

热度预测单元，用于将所述候选地址的地址信息输入预先构建的预测模型，得到所述预测模型输出的所述候选地址的被选热度；所述预测模型是根据历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度训练得到的；

地址确定单元，用于根据所述候选地址的被选热度，确定目标被选地址。

本申请第三方面提供了一种设备，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行上述第一方面所述的选址方法。

本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述第一方面所述的选址方法。

本申请第五方面提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的选址方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例提供的选址方法中，在获取到候选地址的地址信息之后，将该候选地址的地址信息输入预先构建的预测模型，得到该预测模型输出的候选地址的被选热度，并根据该候选地址的被选热度，确定目标被选地址，使得后续能够将目标被选地址应用于相应应用场景中(例如，新店铺、娱乐活动、体育活动、商店或公共建筑等)。

其中，因预测模型是根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度训练得到的，使得预测模型能够准确地预测得到不同候选地址的被选热度，从而使得基于不同候选地址的被选热度确定的目标被选地址更符合实际被选地址，如此提高了选址结果的准确性。另外，因在利用预测模型对候选地址的被选热度进行预测的过程中无需人为参与，使得基于预测模型预测出的被选热度确定的目标地址不会受到人为因素干扰，从而使得基于预测模型的选址过程的客观性较高，如此能够提高选址结果的准确性。

附图说明

图1为本申请实施例提供的选址方法的一种应用场景示意图；

图2为本申请实施例提供的选址方法的另一种应用场景示意图；

图3为本申请实施例提供的一种选址方法的流程图；

图4为本申请实施例提供的一种预测模型的构建过程的流程图；

图5为本申请实施例提供的应用于《一起来捉妖》活动的选址方法的流程图；

图6为本申请实施例提供的选址流程示意图；

图7为本申请实施例提供的预测模型的使用示意图；

图8为本申请实施例提供的一种选址装置的结构示意图；

图9为本申请实施例提供的另一种选址装置的结构示意图；

图10为本申请实施例提供的一种终端设备的结构示意图；

图11为本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

相关技术中，通常由规划人员到各个候选地址进行实地考察，以便基于考察结果进行选址。然而，上述选址方法存在以下技术问题：因该选址方法是基于规划人员提供的考察结果进行选址的，使得选址结果依赖于规划人员的个人经验，从而使得选址结果的主观性较强，进而使得选址过程缺乏客观性，降低了选址结果的准确性。

针对上述技术问题，本申请实施例提供了一种选址方法，该选址方法无需依赖规划人员的考察结果，提高了选址过程的客观性，从而提高了选址结果的准确性。

具体的，在本申请实施例提供的选址方法中，在获取到候选地址的地址信息之后，将该候选地址的地址信息输入预先构建的预测模型，得到该预测模型输出的候选地址的被选热度，并根据该候选地址的被选热度，确定目标被选地址，使得后续能够将目标被选地址应用于相应应用场景中(例如，新店铺、娱乐活动、体育活动、商店或公共建筑等)。

在本申请实施例提供的选址方法中，因预测模型是根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度训练得到的，使得预测模型能够准确地预测得到不同候选地址的被选热度，从而使得基于不同候选地址的被选热度确定的目标被选地址更符合实际被选地址，如此提高了选址结果的准确性。另外，因在利用预测模型对候选地址的被选热度进行预测的过程中无需人为参与，使得基于预测模型预测出的被选热度确定的目标地址不会受到人为因素干扰，从而使得基于预测模型的选址过程的客观性较高，如此能够提高选址结果的准确性。

应理解，本申请实施例提供的选址方法可以应用于数据处理设备，如终端设备、服务器等；其中，终端设备具体可以为智能手机、计算机、个人数字助理(Personal DigitalAssitant，PDA)、平板电脑等；服务器具体可以为应用服务器，也可以为Web服务器，在实际部署时，该服务器可以为独立服务器，也可以为集群服务器。

若本申请实施例提供的选址方法由终端设备执行时，则终端设备可以直接利用预测模型对候选地址的被选热度进行预测，并基于预测的候选地址的被选热度确定目标被选地址。如此，终端设备执行该选址方法能够借助预测模型预测的被选热度确定目标被选地址，提高了选址过程的客观性，从而提高了选址准确性。若本申请实施例提供的选址方法由服务器执行时，则服务器先利用预测模型对候选地址的被选热度进行预测，并基于预测的候选地址的被选热度确定目标被选地址，再将确定的目标被选地址发送给终端设备，以便终端设备利用或显示接收的目标被选地址。

为了便于理解本申请实施例提供的技术方案，下面结合图1以本申请实施例提供的选址方法应用于终端设备为例，对本申请实施例提供的选址方法适用的应用场景进行示例性介绍。其中，图1为本申请实施例提供的选址方法的一种应用场景示意图。

如图1所示，该应用场景包括：终端设备101和用户102；终端设备101用于执行本申请实施例提供的选址方法，并将确定的选址结果(例如，目标被选地址)显示给用户102。

终端设备101在获取到候选地址的地址信息之后，将该候选地址的地址信息输入预先构建的预测模型，得到该预测模型输出的候选地址的被选热度，并根据该候选地址的被选热度，确定目标被选地址。如此用户102能够在终端设备101上查看该目标被选地址。

应理解，在实际应用中，也可以将本申请实施例提供的选址方法应用于服务器，参见图2，该图为本申请实施例提供的选址方法的另一种应用场景示意图。如图2所示，服务器201能够利用预测模型预测得到候选地址的被选热度，并将根据候选地址的被选热度确定的目标被选地址发送给终端设备202，使得用户能够在终端设备202上查看目标被选地址。

应理解，图1和图2所示的应用场景仅为示例，在实际应用中，本申请实施例提供的选址方法还可以应用于其他进行选址的应用场景，在此不对本申请实施例提供的选址方法做任何限定。

下面通过实施例对本申请提供的选址方法进行介绍。

方法实施例一

参见图3，该图为本申请实施例提供的一种选址方法的流程图。

本申请实施例提供的选址方法，包括步骤S301-S303：

S301：获取候选地址的地址信息。

候选地址是指在选址过程中待评估的地址；而且，本申请实施例不限定候选地址的获取方式，例如，候选地址可以预先设定，也可以依据预设规则筛选得到，还可以根据历史被选地址确定。另外，候选地址可以为预设地图上的兴趣点(Point of Interest，POI)。为了便于理解和解释，下面结合示例进行说明。

作为第一示例，当在北京进行选址时，候选地址可以包括北京地图上的各个POI。

作为第二示例，当基于历史被选地址进行地址扩充或替换时，候选地址可以包括基于历史被选地址及其周围区域(例如，1000米的周围区域)确定的预设地图上的POI。

以上为候选地址的相关内容，另外，需要说明的是，候选地址可以包括至少一个地址，尤其可以包括多个地址。

地址信息用于表征地址的特征信息，而且地址信息可以包括属性信息、环境信息和人群活动信息中的至少一种。

属性信息用于表征地址自身所具有的特征信息；而且，属性信息可以包括地址用途类型、与距离最近的历史被选地址之间的距离、历史应用于类似项目的被选热度和周围地址应用于类似项目的被选热度中的至少一种。其中，地址用途类型用于表征地址的使用信息(例如，地址用途类型可以是商铺、美食服务、生活服务、办公场所等)。与距离最近的历史被选地址之间的距离是指与历史被选地址之间的最近距离。历史类似项目的被选热度用于表征地址在历史类似项目中对应的被选热度；而且，历史类似项目是根据选址方法的应用场景确定的(例如，若选址方法应用于第一游戏活动的选址，则历史类似项目可以包括在历史时刻下第二游戏活动的选址、第三游戏活动的选址、……)。

环境信息用于表征地址所处环境的特征信息；而且，环境信息可以包括地址所属城市的城市线级(例如，一线、二线、……)、地址所属城市的人口数及人口密度、地址所在地区的应用属性(例如，住宅区、商业区、办公区、工厂、学校或公园等)和地址周围的地理环境中的至少一种。其中，地址周围的地理环境可以包括地址周围的地形信息(例如，水域、山区或森林等)、地址周围的地区应用属性(例如，住宅区、商业区、办公区、工厂、学校或公园等)。

人群活动信息用于表征地址所在地区的人群生活信息；而且，人群活动信息包括地址预设范围内的基础人流密度、交通情况与娱乐活动参与情况中的至少一种。其中，预设范围是预先设定的，尤其可以根据应用场景设定。

基于上述内容可知，在本申请中，在确定了候选地址之后，可以获取候选地址的地址信息，以便后续能够基于候选地址的地址信息确定各个候选地址的被选热度。

需要说明的是，本申请实施例不限定地址信息的获取方式，例如，可以直接从预设存储空间中读取，也可以接收用户提供的地址信息，还可以从其他网络应用软件(例如，打车软件、导航软件、外卖软件等)中获取。

S302：将候选地址的地址信息输入预先构建的预测模型，得到预测模型输出的候选地址的被选热度。

被选热度用于表征地址应用于目标应用场景时所产生的效益大小，使得被选热度能够用于衡量地址被选中的可能性大小；而且，不同应用场景下被选热度可以包括不同内容。例如，被选热度可以包括商业店铺营业额，顾客人数，利润率，活动参与人数，平均每人的参与次数等中的至少一种。其中，目标应用场景可以是连锁店铺中新店铺的选址、多地区娱乐活动的选址、多地区体育活动的选址、多个同类型商店的选址、以及多个同功能公共建筑的选址中的任一种。

预测模型可以用于基于候选地址的地址信息预测候选地址的被选热度；而且，预测模型是根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度训练得到的。

另外，本申请实施例还提供了一种预测模型的构建过程，如图4所示，预测模型的构建过程可以包括步S401-S405：

S401：根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度，生成训练数据。

本申请实施例中，可以根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度，生成训练数据。其中，训练数据可以被拆分为训练集和验证集。训练集用于对模型进行训练，而且验证集用于对训练好的模型进行验证。

另外，因不同层次下数据个数的差异较大，使得具有较少数据的层次中的所有数据易只被划分训练集或验证集中，导致无法准确地衡量模型的优劣性。基于此，在将训练数据集拆分为训练集和验证集时，可以将训练数据按照预设层次(例如，地理层次等)拆分为训练集和验证集，使得训练集和验证集中均具有相同层次的数据，以便提高对模型的衡量能力。

此外，在利用历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度，生成训练数据之前，可以先对历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度进行预处理，而且该预处理可以包括数据清洗处理(例如，对缺失值进行推测或填充、无效数据的删除等处理)和数据特征整合处理(例如，特征离散化、合并小类别、计算时间窗口聚合统计量等处理)。

需要说明的是，在训练数据中，历史被选地址的被选热度作为标签存在。

S402：利用训练数据对候选模型进行训练及验证，得到候选模型对应的验证结果。

候选模型可以包括至少一个模型；而且，候选模型可以包括套索算法、脊回归算法、随机森林算法、极短梯度提升算法和神经网络算法中的至少一个。

本申请实施例中，在获取到训练数据集之后，可以利用该训练数据集对候选模型进行训练及验证，以便得到候选模型对应的验证结果。例如，当候选模型包括一个模型时，则可以基于训练数据对该候选模型进行训练及验证，得到该候选模型对应的验证结果即可。然而，当候选模型包括两个以上模型时，可以基于训练数据集对每个候选模型进行训练及验证，以便得到每个候选模型对应的验证结果。需要说明的是，本申请实施不限定不同候选模型的训练及验证之间的执行顺序。

S403：判断候选模型是否达到预设条件，若是，则执行S405；若否，则执行S404。

预设条件是预先设定的，尤其可以根据应用场景设定。例如，预设条件可以包括候选模型对应的验证结果达到第一阈值，也可以包括候选模型对应的验证结果的变化率达到第二阈值，还可以包括候选模型的更新次数达到第三阈值。

本申请实施例中，在对候选模型进行训练及验证之后，可以判断候选模型是否达到预设条件，具体为：①若候选模型包括一个模型，则可以判断该候选模型是否达到预设条件，以便在确定该候选模型达到预设条件时执行S405，并在确定该候选模型未达到预设条件时执行S404。②若候选模型包括多个模型，则可以判断各个候选模型是否达到预设条件，以便在确定各个候选模型均达到预设条件时，则确定候选模型达到预设条件并执行S405；然而，在确定存在候选模型未达到预设条件时，则可以确定候选模型未达到预设条件并执行S404。

S404：根据候选模型对应的验证结果更新候选模型，并继续执行S402。

本申请实施例不限定模型更新过程，可以采用每种模型对应的更新方式进行更新。另外，当部分候选模型未达到预设条件时，则在执行S404时可以只更新这些未达到预设条件的候选模型，无需更新那些已达到预设条件的候选模型。

S405：根据候选模型确定预测模型。

本申请实施例中，在确定候选模型达到预设条件之后，可以根据候选模型确定预测模型，具体为：①若候选模型包括一个模型，则可以直接将该候选模型作为预测模型。②若候选模型包括多个模型，则可以从多个候选模型中选择一个候选模型作为预测模型，例如，可以根据多个候选模型(例如，套索算法、脊回归算法、随机森林算法、极短梯度提升算法和神经网络算法)对应的验证结果进行筛选，将验证结果达到第四阈值的候选模型(例如，随机森林算法和极短梯度提升算法)作为预测模型。

以上为本申请实施例提供的预测模型的构建过程，在该过程中，可以利用历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度对候选模型进行训练，得到预测模型。

基于上述内容可知，在本申请实施例中，在获取到候选地址的地址信息之后，可以将候选地址的地址信息输入到预测模型中进行被选热度预测，得到预测模型输出的候选地址对应的被选热度。例如，若候选地址包括多个地址，则将该多个候选地址的地址信息输入到预测模型中进行预测，得到预测模型输出的各个候选地址的被选热度。

S303：根据候选地址的被选热度，确定目标被选地址。

本申请实施例中，在获取到候选地址的被选热度之后，可以根据候选地址的被选热度，确定目标被选地址，其具体可以为：将被选热度达到预设热度阈值的候选地址作为目标被选地址。其中，预设热度阈值是预先设定的，尤其可以根据应用场景设定。需要说明的是，目标被选地址可以包括至少一个地址。

上述确定的目标被选地址可以用于作为新的被选地址添加到应用场景中，也可以用于替换该应用场景中已存在的被选地址，以便保证应用场景中存在的被选地址能够达到较高的效果。

基于此，本申请实施例还提供了另一种选址方法，该选址方法除了包括S301-S303以外，还包括：当与目标被选地址距离最近的历史被选地址的被选热度低于目标被选地址时，利用目标被选地址替换与该目标被选地址距离最近的历史被选地址，并删除与目标被选地址距离最近的历史被选地址。

在该实施方式中，在确定与目标被选地址距离最近的历史被选地址的被选热度低于目标被选地址的被选热度时，可以确定与目标被选地址距离最近的历史被选地址达到的效果低于目标被选地址，此时为了提高选址效果，可以利用目标被选地址替换与该目标被选地址距离最近的历史被选地址，并删除与目标被选地址距离最近的历史被选地址，以便保证应用场景中存在的被选地址均能够达到较高的效果。

以上为本申请实施例提供的选址方法的具体实施方式，在该实施方式中，在获取到候选地址的地址信息之后，将该候选地址的地址信息输入预先构建的预测模型，得到该预测模型输出的候选地址的被选热度，并根据该候选地址的被选热度，确定目标被选地址，使得后续能够将目标被选地址应用于相应应用场景中(例如，新店铺、娱乐活动、体育活动、商店或公共建筑等)。

其中，因预测模型是根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度训练得到的，使得预测模型能够准确地预测得到不同候选地址的被选热度，从而使得基于不同候选地址的被选热度确定的目标被选地址更符合实际被选地址，如此提高了选址结果的准确性。另外，因在利用预测模型对候选地址的被选热度进行预测的过程中无需人为参与，使得基于预测模型预测出的被选热度确定的目标地址不会受到人为因素干扰，从而使得基于预测模型的选址过程的客观性较高，如此能够提高选址结果的准确性。

另外，本申请实施例不限定选址方法的应用场景，例如，本申请实施例提供的选址方法可以应用于连锁店铺中新店铺的选址、多地区娱乐活动的选址、多地区体育活动的选址、多个同类型商店的选址、以及多个同功能公共建筑的选址中的任一种。

此外，本申请实施例中选址方法的执行设备与预测模型的构建过程的执行设备可以是同一个执行设备，也可以是不同的执行设备，本申请实施例对此不做具体限定。

为了便于进一步理解本申请实施例提供的选址方法，方法实施例二将结合图5对本申请实施例提供的选址方法进行整体介绍。

方法实施例二

方法实施例二是对方法实施例一提供的选址方法的示例性介绍，为了简要起见，方法实施例二中与方法实施例一中部分内容相同，在此不再赘述，该内容相同的部分的技术详情请参照方法实施例一中的相关内容。

参见图5，该图为本申请实施例提供的应用于《一起来捉妖》活动的选址方法的流程图。其中，《一起来捉妖》是一款融合了虚拟现实技术的实景手机游戏，而且玩家在真实地图上寻找并捕捉虚拟妖灵并培养它们与其他玩家进行各种社交、对战活动。

本申请实施例提供的选址方法，可以包括S501-S507：

S501：获取各个历史被选地址、历史被选地址的地址信息、以及历史被选地址的被选热度。

本申请实施例中，可以根据历史类似或相似活动的相关信息，来确定各个历史被选地址、历史被选地址的地址信息、以及历史被选地址的被选热度。例如，可以基于最近一次或多次的《一起来捉妖》活动(或类似于《一起来捉妖》活动的活动)的活动数据，确定各个历史被选地址、历史被选地址的地址信息、以及历史被选地址的被选热度。

其中，活动数据用于表征活动的各种特征数据，而且，活动数据可以包括活动举办地点信息、玩家参与数据、和活动举办地点的相关地理信息。其中，玩家参与数据可以包括每个游戏点的玩家参与总人数，每名玩家的游戏次数等信息。活动举办地点的相关地理信息可以包括：游戏点所属城市的线级(一线到四线)，游戏点的社会属性(如餐饮，购物商场等)，地形属性如(水域，森林等)，游戏点所在网格区域的人流量，游戏点附近的相关手机游戏的热度(相关或类似活动信息)。

需要说明的是，在本申请实施例中，被选热度可以指活动效果，此时被选热度可以根据玩家参与数据来确定。

S502：利用各个历史被选地址、历史被选地址的地址信息、以及历史被选地址的被选热度，生成训练数据。

本申请实施例中，在获取到历史被选地址、历史被选地址的地址信息、以及所述历史被选地址的被选热度之后，可以先对这些数据进行数据清洗以及特征整合等预处理，再利用与处理后的各个历史被选地址、历史被选地址的地址信息、以及所述历史被选地址的被选热度，生成训练数据，以便后续能够将该训练数据按照预设层次(例如，地理层次)拆分为模型训练集和模型验证集，使得模型训练集和模型验证集均能够包括每一层次中的数据，从而避免了因不同类别属性下的游戏活动点数目差异较大导致模型训练集或模型验证集缺少某些层次的数据(例如，A类型地理环境下可能仅有几个游戏点，而它们极有可能被一致地分到训练集或验证集)而产生不良影响。

S503：利用训练数据对候选模型进行训练、验证及筛选，得到预测模型。

候选模型可以包括套索算法、脊回归算法、随机森林算法、极短梯度提升算法和神经网络算法。

本申请实施例中，如图6所示，在获取到训练数据之后，首先，可以利用训练数据按照图4所示的训练过程分别对套索算法、脊回归算法、随机森林算法、极短梯度提升算法和神经网络算法进行多轮训练及验证，得到训练好的套索算法、训练好的脊回归算法、训练好的随机森林算法、训练好的极短梯度提升算法和训练好的神经网络算法。然后，比较训练好的套索算法、训练好的脊回归算法、训练好的随机森林算法、训练好的极短梯度提升算法和训练好的神经网络算法之间的性能优劣性，将性能较优的模型(例如，随机森林算法和训练好的极短梯度提升算法)作为预测模型。

需要说明的是，图6中的三花鼓点表示历史被选地址，热度表示被选热度。

S504：获取各个候选地址。

本申请实施例中，可以根据选址目的来确定候选地址，其具体为：若选址目的包括更新现有的被选地址(也就是，历史被选地址)，则各个候选地址可以包括根据现有的被选地址的一定范围(例如，1000米)内的POI以及该现有的被选地址确定的地址。若选址目的包括增加新的被选地址，则各个候选地址可以包括根据各个城市中的POI确定的地址。

需要说明的是，为了提高选址效率，可以先将各个城市的地图进行网格化并确定各个网格区的代表POI，再基于各个网格区的代表POI确定各个候选地址。

S505：获取各个候选地址的地址信息。

需要说明的是，S505的技术详情请参见上述步骤S301。

S506：将各个候选地址的地址信息输入预先构建的预测模型，得到预测模型输出的各个候选地址的被选热度。

本申请实施例中，如图7所示，在获取到各个候选地址的地址信息之后，可以将各个候选地址的地址信息输入预测模型中进行被选热度预测，得到预测模型输出的各个候选地址的被选热度。

S507：根据各个候选地址的被选热度，确定目标被选地址。

需要说明的是，S505的技术详情请参见上述步骤S303。

另外，在本申请实施例中，在获取到目标被选地址之后，可以选择用周围效果较好(也就是被选热度较高)的POI替换一些效果较差(也就是被选热度较低)的已有游戏点(也就是历史被选地址)亦或者直接添加效果较好的POI作为本次(或未来)游戏活动的地址。注意在选择替换点时，有些活动选址存在选址密度要求。一般来说，不宜选择设置距离过近的活动点(也就是被选地址)，即使这些点的预测效果俱佳。当然，不同的活动对此限制的容忍程度不同。

以上为本申请实施例提供的应用于《一起来捉妖》活动的选址方法的具体实施方式，在该实施方式中，在获取到各个候选地址的地址信息之后，将该各个候选地址的地址信息输入预先构建的预测模型，得到该预测模型输出的各个候选地址的被选热度，并根据该各个候选地址的被选热度，确定目标被选地址，使得该目标被选地址可以用于替换已有活动点或添加新的活动点。其中，因预测模型是根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度训练得到的，使得预测模型能够准确地预测得到不同候选地址的被选热度，从而使得基于不同候选地址的被选热度确定的目标被选地址更符合实际被选地址，如此提高了选址结果的准确性。另外，因在利用预测模型对候选地址的被选热度进行预测的过程中无需人为参与，使得基于预测模型预测出的被选热度确定的目标地址不会受到人为因素干扰，从而使得基于预测模型的选址过程的客观性较高，如此能够提高选址结果的准确性。

另外，在模型建立之后，选址开始之前，我们根据每个活动点最近一次已开展活动的热度将全国总共18万个点定义为高活跃点(以下简称高活点)。高活点的历史活动热度居于所有游戏点热度分布的前54％。同时，我们也将历史活动热度居于整体末尾18％的活动点定义为游戏活动的低活动点(以下简称低活点)。低活点根据模型结果用周边新点进行替换而高活点保持不变。在接下来一次的游戏活动活动中，我们发现高活点的玩家平均参与次数由2.66下降到1.74而低活点与替换点则由2.01下降到1.87。低活点替换之后玩家参与热度的下降幅度远小于作为对照的高活点(手机游戏，尤其是非爆款游戏，玩家总体活跃度在推出一定时间后随时间的下降是正常)。此外，我们还发现高活点参与的玩家总人数由约1763000下降约70％至约505000人，但低活点在优化替换之后，参与的总人数反而提升了约1000人。综合以上两方面来看，我们基于模型的选点替换工作对游戏活跃度的保持有显著的增益效果。

此外，对零售行业来说，我们可以依照上述实施例，从行业切实需求出发，在智慧新零售场景中，结合用户兴趣信息，助力商户进行场地选址、运营分析和体验升级等，并帮助商户通过空间定位信息服务(Location-based Service，LBS)大数据进行有的放矢地营销。本发明所推荐的选址策略将会更好地实现资源与配置优化。

其它行业的增益效果包括发掘不同消费群体的消费兴趣点和营销敏感度，以地理信息为依据将他们合理引导至可以最大化活动收益同时最优化参与者活动体验的地点，例如不同类型音乐节或演奏会的场馆选择问题。

基于上述方法实施例提供的选址方法，本申请还提供了对应的选址装置，以使得上述方法实施例提供的选址方法在实际中得以应用和实现。

装置实施例

需要说明的是，本实施例提供的选址装置的技术详情可以参照上述方法实施例提供的选址方法。

参见图8，该图为本申请实施例提供的一种选址装置的结构示意图。

本申请实施例提供的选址装置800，包括：

信息获取单元801，用于获取候选地址的地址信息，所述地址信息包括属性信息、环境信息和人群活动信息中的至少一种；

热度预测单元802，用于将所述候选地址的地址信息输入预先构建的预测模型，得到所述预测模型输出的所述候选地址的被选热度；所述预测模型是根据历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度训练得到的；

地址确定单元803，用于根据所述候选地址的被选热度，确定目标被选地址。

可选的，在图8所示的选址装置800的基础上，所述预测模型的构建过程，包括：

根据所述历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度，生成训练数据；

利用所述训练数据对候选模型进行训练及验证，得到所述候选模型对应的验证结果；

根据所述候选模型对应的验证结果更新所述候选模型，并继续执行所述利用所述训练数据对候选模型进行训练及验证，直至所述候选模型达到预设条件时，根据所述候选模型确定预测模型。

可选的，在图8所示的选址装置800的基础上，所述候选模型可以包括套索算法、脊回归算法、随机森林算法、极短梯度提升算法和神经网络算法中的至少一个。

可选的，在图8所示的选址装置800的基础上，所述地址确定单元803，具体用于：将被选热度达到预设热度阈值的候选地址作为目标被选地址。

可选的，在图8所示的选址装置800的基础上，所述候选地址为预设地图上的兴趣点；

和/或，

所述属性信息包括地址用途类型、与距离最近的历史被选地址之间的距离、历史应用于类似项目的被选热度和周围地址应用于类似项目的被选热度中的至少一种；

和/或，

所述环境信息包括地址所属城市的城市线级、地址所属城市的人口数及人口密度、地址所在地区的应用属性和地址周围的地理环境中的至少一种；

和/或，

所述人群活动信息包括地址预设范围内的基础人流密度、交通情况与娱乐活动参与情况中的至少一种。

可选的，在图8所示的选址装置800的基础上，本申请实施例还提供了另一种选址装置，如图9所示，该选址装置800还包括：

地址替换模块804，用于当与所述目标被选地址距离最近的历史被选地址的被选热度低于所述目标被选地址时，利用所述目标被选地址替换所述与所述目标被选地址距离最近的历史被选地址，并删除所述与所述目标被选地址距离最近的历史被选地址。

可选的，在图8或图9所示的选址装置800的基础上，所述选址装置应用于连锁店铺中新店铺的选址、多地区娱乐活动的选址、多地区体育活动的选址、多个同类型商店的选址、以及多个同功能公共建筑的选址中的任一种。

以上本申请实施例提供的选址装置800的具体实施方式，在该实施方式中，在获取到候选地址的地址信息之后，将该候选地址的地址信息输入预先构建的预测模型，得到该预测模型输出的候选地址的被选热度，并根据该候选地址的被选热度，确定目标被选地址，使得后续能够将目标被选地址应用于相应应用场景中(例如，新店铺、娱乐活动、体育活动、商店或公共建筑等)。

其中，因预测模型是根据历史被选地址、历史被选地址的地址信息以及历史被选地址的被选热度训练得到的，使得预测模型能够准确地预测得到不同候选地址的被选热度，从而使得基于不同候选地址的被选热度确定的目标被选地址更符合实际被选地址，如此提高了选址结果的准确性。另外，因在利用预测模型对候选地址的被选热度进行预测的过程中无需人为参与，使得基于预测模型预测出的被选热度确定的目标地址不会受到人为因素干扰，从而使得基于预测模型的选址过程的客观性较高，如此能够提高选址结果的准确性。

本申请实施例还提供了一种用于选址的终端设备和服务器，下面将从硬件实体化的角度对本申请实施例提供的用于选址的终端设备和服务器进行介绍。

参见图10，为本申请实施例提供的一种终端设备的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(英文全称：Personal DigitalAssistant，英文缩写：PDA)、销售终端(英文全称：Point of Sales，英文缩写：POS)、车载电脑等任意终端设备，以终端为平板电脑为例：

图10示出的是与本申请实施例提供的终端相关的平板电脑的部分结构的框图。参考图10，平板电脑包括：射频(英文全称：Radio Frequency，英文缩写：RF)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(英文全称：wireless fidelity，英文缩写：WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解，图10中示出的平板电脑结构并不构成对平板电脑的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储器1020可用于存储软件程序以及模块，处理器1080通过运行存储在存储器1020的软件程序以及模块，从而执行平板电脑的各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据平板电脑的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器1080是平板电脑的控制中心，利用各种接口和线路连接整个平板电脑的各个部分，通过运行或执行存储在存储器1020内的软件程序和/或模块，以及调用存储在存储器1020内的数据，执行平板电脑的各种功能和处理数据，从而对平板电脑进行整体监控。可选的，处理器1080可包括一个或多个处理单元；优选的，处理器1080可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1080中。

在本申请实施例中，该终端所包括的处理器1080还具有以下功能：

获取候选地址的地址信息，所述地址信息包括属性信息、环境信息和人群活动信息中的至少一种；

将所述候选地址的地址信息输入预先构建的预测模型，得到所述预测模型输出的所述候选地址的被选热度；所述预测模型是根据历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度训练得到的；

根据所述候选地址的被选热度，确定目标被选地址。

可选的，所述处理器1080还用于执行本申请实施例提供的选址方法的任意一种实现方式的步骤。

本申请实施例还提供了一种服务器，图11是本申请实施例提供的一种服务器的结构示意图，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)1122(例如，一个或一个以上处理器)和存储器1132，一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储设备)。其中，存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1122可以设置为与存储介质1130通信，在服务器1100上执行存储介质1130中的一系列指令操作。

服务器1100还可以包括一个或一个以上电源1126，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1158，和/或，一个或一个以上操作系统1141，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

上述实施例中由服务器所执行的步骤可以基于该图11所示的服务器结构。

其中，CPU 1122用于执行如下步骤：

获取候选地址的地址信息，所述地址信息包括属性信息、环境信息和人群活动信息中的至少一种；

将所述候选地址的地址信息输入预先构建的预测模型，得到所述预测模型输出的所述候选地址的被选热度；所述预测模型是根据历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度训练得到的；

根据所述候选地址的被选热度，确定目标被选地址。

可选的，CPU 1122还可以用于执行本申请实施例中选址方法的任意一种实现方式的步骤。

本申请实施例还提供一种计算机可读存储介质，用于存储计算机程序，该计算机程序用于执行前述各个实施例所述的一种选址方法中的任意一种实施方式。

本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例所述的一种选址方法中的任意一种实施方式。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)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(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种选址方法，其特征在于，包括：

获取候选地址的地址信息，所述地址信息包括属性信息、环境信息和人群活动信息中的至少一种；

将所述候选地址的地址信息输入预先构建的预测模型，得到所述预测模型输出的所述候选地址的被选热度；所述预测模型是根据历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度训练得到的；

根据所述候选地址的被选热度，确定目标被选地址。

2.根据权利要求1所述的方法，其特征在于，所述预测模型的构建过程，包括：

根据所述历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度，生成训练数据；

利用所述训练数据对候选模型进行训练及验证，得到所述候选模型对应的验证结果；

根据所述候选模型对应的验证结果更新所述候选模型，并继续执行所述利用所述训练数据对候选模型进行训练及验证，直至所述候选模型达到预设条件时，根据所述候选模型确定预测模型。

3.根据权利要求2所述的方法，其特征在于，所述候选模型可以包括套索算法、脊回归算法、随机森林算法、极短梯度提升算法和神经网络算法中的至少一个。

4.根据权利要求1所述的方法，其特征在于，所述根据所述候选地址的被选热度，确定目标被选地址，包括：将被选热度达到预设热度阈值的候选地址作为目标被选地址。

5.根据权利要求1所述的方法，其特征在于，所述候选地址为预设地图上的兴趣点；

和/或，

所述属性信息包括地址用途类型、与距离最近的历史被选地址之间的距离、历史应用于类似项目的被选热度和周围地址应用于类似项目的被选热度中的至少一种；

和/或，

所述环境信息包括地址所属城市的城市线级、地址所属城市的人口数及人口密度、地址所在地区的应用属性和地址周围的地理环境中的至少一种；

和/或，

所述人群活动信息包括地址预设范围内的基础人流密度、交通情况与娱乐活动参与情况中的至少一种。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当与所述目标被选地址距离最近的历史被选地址的被选热度低于所述目标被选地址时，利用所述目标被选地址替换所述与所述目标被选地址距离最近的历史被选地址，并删除所述与所述目标被选地址距离最近的历史被选地址。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述选址方法应用于连锁店铺中新店铺的选址、多地区娱乐活动的选址、多地区体育活动的选址、多个同类型商店的选址、以及多个同功能公共建筑的选址中的任一种。

8.一种选址装置，其特征在于，包括：

信息获取单元，用于获取候选地址的地址信息，所述地址信息包括属性信息、环境信息和人群活动信息中的至少一种；

热度预测单元，用于将所述候选地址的地址信息输入预先构建的预测模型，得到所述预测模型输出的所述候选地址的被选热度；所述预测模型是根据历史被选地址、所述历史被选地址的地址信息以及所述历史被选地址的被选热度训练得到的；

地址确定单元，用于根据所述候选地址的被选热度，确定目标被选地址。

9.一种设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储计算机程序；

所述处理器用于根据所述计算机程序执行权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-7中任一项所述的方法。

Images