CN111383051A - 实体对象的选址方法、装置、计算设备及计算机存储介质 - Google Patents

实体对象的选址方法、装置、计算设备及计算机存储介质 Download PDF

Info

Publication number
CN111383051A
CN111383051A CN202010136581.7A CN202010136581A CN111383051A CN 111383051 A CN111383051 A CN 111383051A CN 202010136581 A CN202010136581 A CN 202010136581A CN 111383051 A CN111383051 A CN 111383051A
Authority
CN
China
Prior art keywords
nodes
node
addressing
data
circulation
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
CN202010136581.7A
Other languages
English (en)
Other versions
CN111383051B (zh
Inventor
刘忠强
赵梦云
何徐麒
吴银环
刘名卓
骆晓广
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.)
Hangzhou Bizhi Technology Co ltd
Original Assignee
Hangzhou Bizhi 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 Hangzhou Bizhi Technology Co ltd filed Critical Hangzhou Bizhi Technology Co ltd
Priority to CN202010136581.7A priority Critical patent/CN111383051B/zh
Publication of CN111383051A publication Critical patent/CN111383051A/zh
Application granted granted Critical
Publication of CN111383051B publication Critical patent/CN111383051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种实体对象的选址方法、装置、计算设备及计算机存储介质，其中，方法包括：获取目标区域的GIS数据，将GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，输出结果包括以下至少两个结果项的数据：目标区域的多个节点、多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息；响应于实体对象的选址需求，判断选址需求是否为单实体对象选址需求，根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定实体对象的目标选址节点。由此可见，本发明方案，基于依据GIS数据得到的引力模型并结合实际的选址需求进行选址处理，可以高效、准确用于单实体对象或多实体对象的选址。

Description

实体对象的选址方法、装置、计算设备及计算机存储介质
技术领域
本发明涉及互联网技术领域，具体涉及一种实体对象的选址方法、装置、计算设备及计算机存储介质。
背景技术
随着时代发展，人们的日常需求也越来越丰富，随之产生的则有满足这些需求的实体店铺，例如，超市、商城、汽车店。与此同时，实体店铺的选址不同，面临着覆盖人群、周边环境等的不同，可见，选址具有极其重要的意义。
在现有技术中，传统的选址模型大致可归为离散型选址模型和连续型选址模型两种，针对不同选址对象，这两种模型有其不同的约束条件：
其中，连续型选址模型，即待选区域是一个平面，空间内所有点都是可能的选址位置，从所有点中选择最优点作为选址结果，主要有精确重心法、运筹学数学规划方法等。该模型侧重适用于使用折线距离(城市距离)来进行城市小范围内选址问题，例如在一条大街上确定零售商店或者报刊亭的位置；以及，适用于使用直线距离(欧几里德距离)来进行大范围城市间选址问题，例如在多个原料地之间确定新工厂的位置。
以及，离散型选址模型，即在有限的候选位置里面，选出最为合适的一个或者一组位置为最优方案，主要有覆盖模型和P-中值模型。已有的模型可以解决同一座城市有多个选址的需求，基本思路是先给出简单的初始解，然后用渐次逼近的方法，根据已知的一些条件加入相关参数，逐步达到最优解。模型以选址的个数、城市相关条件等多个结构化因素的影响，方法保证了一定的准确性和有操作性。例如，已知若干个需求点(客户)的位置和需求量，需要从一组候选的地点中选择数个位置作为节点，使得这些节点尽可能满足需求点的服务。
然而，发明人在实施本发明实施例的过程中发现，现有技术中的如上两种模型至少具有如下缺陷：连续型选址模型，其主要根据需求点的位置和需求进行选址，在待选区域内选择最优点，这种模型无法有效用于已知特定、离散的区域内的选址，例如，汽车展厅需要在特定的、离散的商圈内进行选址；以及，离散型选址模型，其适用于对需求计算运输成本的行业进行选址，而无法解决对曝光量以及关联性的需求。
发明内容
鉴于上述问题，提出了本发明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实体对象的选址方法、装置、计算设备及计算机存储介质。
根据本发明实施例的一个方面，提供了一种实体对象的选址方法，包括：
获取目标区域的GIS数据，将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，所述输出结果包括以下至少两个结果项的数据：所述目标区域的多个节点、所述多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息；
响应于实体对象的选址需求，判断所述选址需求是否为单实体对象选址需求，根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点。
根据本发明实施例的另一方面，提供了一种实体对象的选址装置，包括：
引力数据输出模块，适于获取目标区域的GIS数据，将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，所述输出结果包括以下至少两个结果项的数据：所述目标区域的多个节点、所述多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息；
判断模块，适于响应于实体对象的选址需求，判断所述选址需求是否为单实体对象选址需求；
选址模块，适于根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述实体对象的选址方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述实体对象的选址方法对应的操作。
根据本发明的实体对象的选址方法、装置、计算设备及计算机存储介质，通过将目标区域的GIS数据和预设的聚类数据输入至引力模型，而由引力模型处理并输出得到目标区域的多个节点、该多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数和/或节点之间的紧密度信息；响应于选址需求，先判定选址需求为单实体对象选址需求还是多实体对象，并根据选址需求的不同从引力模型输出的结果项中选择相应信息作为选址依据，使得选出的目标选址节点满足不同选址需求对曝光量或者关联性的要求。由此可见，本实施例方案，通过引力模型可输出得到作为曝光量和关联性计算参考的信息，进而可满足单实体对象和多实体对象的选址需求分别对曝光量和关联性的选址需求。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的实体对象的选址方法的流程图；
图2示出了本发明另一个实施例提供的实体对象的选址方法的流程图；
图3示出了本发明一个具体示例中3个节点的流通性参数的示意图；
图4示出了汽车展厅选址方法的流程图；
图5示出了汽车展厅选址示例中的候选节点示意图；
图6示出了汽车展厅选址示例中关联品牌筛选后的候选区域示意图；
图7示出了本发明实施例提供的实体对象的选址装置的结构示意图；
图8示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的实体对象的选址方法的流程图。该方法用于对曝光量和区域间关联性(流通性和紧密性)具有设定要求的实体对象进行选址，在本发明中，主要以实体对象为汽车展厅进行说明，但是实际实施时，并不以此为限。并且，该方法可由任意具有数据处理能力的计算设备来执行。
如图1所示，该方法包括以下步骤：
步骤S110：获取目标区域的GIS数据，将该GIS数据和预设的聚类数值输入至引力模型，得到输出结果。其中，该输出结果包括以下至少两个结果项的数据：该目标区域的多个节点、该多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息。
其中，目标区域是指选址所针对的区域，例如，要在城市a进行选址，则城市a所在的地理区域为目标区域。以及，GIS(Geographic Information System，地理信息系统)数据是指反映目标城市中各个地理位置点的相关信息的数据，包括但不限于人流量、热力、交通、兴趣点(Point of Information，简称POI)等数据。
在本发明实施例中，通过引力模型来得到实体对象选址所需的信息，其中，输入至引力模型的数据包括GIS数据和预设的聚类数值，其中，预设的聚类数值是指预设的目标区域被划分的节点的数量。
以及，引力模型依据聚类数值和GIS数据对目标区域包含的多个地理位置点进行聚类，得到多个节点，并在此基础上进一步对GIS数据进行分析计算，得到一项或多项如下信息：该多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息。其中，层级关系反映节点的吸引力大小，节点属性是指节点主要适宜的产业类型，例如，金融、娱乐等，流通性参数是指反映节点之间人口流动信息的参数，紧密度信息是指反映节点之间的联系性强弱的信息。
步骤S120：响应于实体对象的选址需求，判断该选址需求是否为单实体对象选址需求。
在引力模型得到输出结果后，判断选址需求为单实体对象选址需求还是多实体对象选址需求，选址需求不同，需要考虑的因素也不同。
步骤S130：根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定该实体对象的目标选址节点。
具体地，若为单实体对象，则主要以反映节点曝光量的信息作为参考，例如，节点所属的层级，节点之间的流通性参数等；若为多实体对象，则主要以反映节点之间的关联关系的信息作为参考，例如，节点属性、节点之间的流通性参数、节点之间的紧密度信息等。
以汽车展厅选址为例来说，若仅选择一个展厅地址，则可选择流入人口最多的节点作为目标选址节点；若需要选择一组展厅地址，则可依据紧密度信息将与周边节点的联系不紧密的节点中选择多个目标选址节点，以尽量减少多个选址之间的人群重合度。
根据本实施例提供的实体对象的选址方法，通过将目标区域的GIS数据和预设的聚类数据输入至引力模型，而由引力模型处理并输出得到目标区域的多个节点、该多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数和/或节点之间的紧密度信息；响应于选址需求，先判定选址需求为单实体对象选址需求还是多实体对象，并根据选址需求的不同从引力模型输出的结果项中选择相应信息作为选址依据，使得选出的目标选址节点满足不同选址需求对曝光量或者关联性的要求。由此可见，本实施例方案，通过引力模型可输出得到作为曝光量和关联性计算参考的信息，进而可满足单实体对象和多实体对象的选址需求分别对曝光量和关联性的选址需求。
图2示出了本发明另一个实施例提供的实体对象的选址方法的流程图。如图2所示，该方法包括以下步骤：
步骤S210：获取目标区域的GIS数据。
其中，目标区域可由需求提出方指定，或者可通过公开的城市相关数据，例如GDP、人口数量、发展资源、相关政策等，并经数据分析得到城市发展指数，在全国范围内来选定目标区域。
在本发明的一些可选的实施例中，在获取到GIS数据后，使用ANN对GIS数据进行预处理，以时间、地理位置点和/或数据种类的顺序记录GIS数据，得到有序化的GIS数据。其中，ANN(Artificial Neural Network，人工神经网络)不需要明确输入输出之间的确切关系，不需要大量参数，而只需知道引起输出变化的非恒定因素即可；与传统算法相比，ANN在处理模糊数据、随机性数据、非线性数据方面具有明显优势，对规模大、结构复杂、信息不明确的系统特别适用。通过ANN对GIS数据进行预处理得到有序化的GIS数据，利于后续引力模型进行处理。
步骤S220：将该GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，该输出结果包括以下至少两个结果项的数据：该目标区域的多个节点、该多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息。
引力模型依据输入的GIS数据和预设的聚类数值进行数据处理，得到反映曝光量和关联性的选址信息，以适应不同的选址需求。
具体地，引力模型的数据处理过程包括以下几个过程：
一，聚类处理过程：
其中，输入至引力模型的可以为一个预设的聚类数值或者为多个预设的聚类数值，其中，预设的聚类数值k是指期望经过聚类处理后得到的分组数k。当为一个预设的聚类数值时，则引力模型按照目标区域中多个地理位置点按照GIS数据进行聚类处理，得到与该预设的聚类数值相同的节点即可，本文中不做过多说明，可参见下文中多个预设的聚类数值的情况中针对任一聚类数值k的处理过程。当为多个预设的聚类数值时，则需针对每个聚类数值进行聚类处理的基础上，进一步按照聚类的效果从多个预设的聚类数值中进行选择，下面针对这种情况进行说明。
步骤一，针对任一聚类数值k，根据该GIS数据中的多种数据的数据值聚类得到k个聚类中心；其中，目标区域中任意两个位置点的距离计算公式如下：
Figure BDA0002397536500000071
式中，d(x,y)为目标区域中位置点x和位置点y的距离，n为多种数据的种类，xi为位置点x第i种数据的数据值，yi为位置点y第i种数据的数据值。
其中，从目标区域包含的地理位置点中随机选择k个数据点作为质心(Centroid)，针对目标区域中的各个位置点，计算该位置点与多个质心分别的距离，将该位置点归属于目标距离最近的质心；在应用上述公式进行计算时，则可将位置点x设为质心，位置点y设为当前位置点，并且，多种数据是指人流量、热力、交通、兴趣点等数据。在处理文本数据时，使用余弦相似度函数：
Figure BDA0002397536500000072
处理绝对距离数据时使用曼哈顿距离作为度量：
Figure BDA0002397536500000073
每经过一轮距离计算，则每一个质心周围聚集了许多位置点，通过算法选出新的质心。
重复以上计算距离并选取质心的步骤，直至质心的位置变化趋于收敛时停止迭代。
经过步骤一后，对于该聚类数值k，则可得到k个聚类中心，则多个预设的聚类数值，可得到多组聚类中心。
步骤二，根据k个聚类中心的多种数据值评估该聚类数值k的聚类效果参数；根据聚类数值k的聚类效果参数从多个聚类数值中确定目标聚类数值k0，并将该目标聚类数值k0对应的k0个聚类分组确定为k0个节点。
任一聚类数值的聚类效果评估公式如下：
Figure BDA0002397536500000081
式中，SSE为聚类效果参数，k为聚类数值，Ci为第i个聚类中心的值，x为第i个聚类中心对应的簇中的位置点的值。
选择聚类效果参数最小的聚类数值为目标聚类数值k0，并将该目标聚类数值k0对应的k0个簇确定为k0个节点，即每个节点为一个位置区域。
二，节点层级划分过程：
依据GIS数据中该k0个节点的吸引力数据将k0个节点划分为主节点、普通节点和边缘节点三个层级的节点。通过设置吸引力阈值，将大于或等于第一吸引力值的节点划分为主节点，将大于或等于第二吸引力阈值且小于第一吸引力阈值的节点划分为普通节点，将小于第二吸引力阈值的节点划分为边缘节点。需要在此说明的是，吸引力数据可以为多种类型的数据，例如，兴趣点数量、人流量等。
三，流通性参数计算过程：
其中，该流通性参数包括流通分、流通方向、流通趋势和/或流通速度。
针对任一节点，将GIS数据中该节点的工作人口数量、娱乐人口数量、购物人口数量和/或居住人口数量进行加权求和计算，得到该节点的流通分，其中，各种类型的人口数量的权重可依据实体对象类别进行设置，例如，对于娱乐场所的选址，则设置娱乐人口数量的权重最大，对于汽车展厅的选址，则设置购物人口数量的权重最大。
以汽车展厅选址举例来说，节点n1的购物、娱乐、工作以及居住的人口数量分别为4万，2万，5万以及6万，且分别设置的权重依次为1,0.6,0.3以及0.1，则该节点n1的流通分s1＝(4*1+3*0.6+6*0.5+12*0.1)万＝10万。
在计算得到各个节点的流通分之后，针对任意两个节点，计算该任意两个节点的流通分差值；根据该任意两个节点之间的距离以及流通分差值计算该任意两个节点之间的流通方向、流通趋势和/或流通速度。其中，流通方向是从流通分低的节点至流通分高的节点，流通趋势和/或流通速度与流通分差值以及节点之间的距离相关，以及，流通分差值越大，流通趋势和/或流通速度越大，节点之间的距离越大，流通趋势和/或流通速度越小。在计算流通趋势和/或流通速度时，可分别为流通分和距离赋予不用的权重，并加权得到流通速度，或者也可以流通分差值除以距离而得到流通速度；流通速度可作为流通趋势的具体量化表示，例如，将大于预设速度阈值的流通速度均记为流通趋势强。
图3示出了本发明一个具体示例中3个节点的流通性参数的示意图。其中，节点n1，n2和n3分别的流通分为10万，7万和1万。如图3所示，节点n1，n2和n3的流通分依次递减，则流通方向为节点n3流向节点n2和节点n1，节点n2流向节点n1，节点n1分别与节点n2和节点n3的距离为6千米和3千米，节点n2和节点n3的距离为5千米，则通过为流通分和距离分为赋予权重0.7和0.3，计算得到节点n2流向节点n1的流通速度为(10-7)/6，节点n3流向节点n1的流通速度为(10-1)/3，节点n3流向节点n2的流通速度为(7-1)/5，若设置流通速度大于或等于2，则流通趋势为强，反之为弱，则节点n3流向节点n1的流通趋势为强，而节点n3流向节点n2，以及节点n2流向节点n1的流通趋势均为弱。
四，紧密度信息计算过程：
针对任意两个节点，根据GIS数据中该任意两个节点之间的关联数据计算得到该任意两个节点之间的紧密度信息。其中，关联数据包括地域关联数据和/或历史活动关联数据，例如，节点n3隶属于节点n1管辖，则节点n1和节点n3具有地域上的关联，又如，历史活动数据表明节点n1和节点n3的社会活动中经常有大量对方节点的人群参与，则节点n1和节点n3具有活动上的关联。
以及，两个节点之间的紧密度与人群重复率成正相关，即紧密度越高，则人群重复率越高。
步骤S230：响应于实体对象的选址需求，判断该选址需求是否为单实体对象选址需求；若是，则执行步骤S240；若否，则执行步骤S250。
在接受到选择需求后，解析出选址需求中实体对象的选址数量，判定实体对象的选址数量为一个或多个，其中，选址数量为一个时，则执行步骤S240，以选取满足曝光量的节点，选址需求为多个时，则执行步骤S250，以选取兼顾曝光量和关联关系的节点。
步骤S240：若该选址需求为多实体对象选址需求，则依据节点之间的流通性参数、节点之间的紧密度信息以及各个节点的节点属性从多个节点中选择出多个目标选址节点作为多个实体对象的选址节点组。
针对多实体对象的选址需求，需要从曝光量和关联关系两方面对各个节点进行评分，并最终选出评分高的节点组。具体地，依据流通性参数来评估，按照流通分、流通方向、流通趋势和/或流通速度反应的人群流入量的程度由高至低为各个节点评分，得到各个节点对应的曝光量分值，其中，人群流入量的程度与曝光量分值成正相关；以及，依据节点之间的紧密度信息以及节点属性(包括偏向工作、居住、金融和/或娱乐)反映的节点与周边节点的紧密程度为各个节点评分，得到各个节点的关联性分值，其中，紧密程度与关联性评分成正相关，例如，节点n3与周边节点的紧密程度较高，包括与周边节点的紧密度值高，以及与周边节点的节点属性相同或相近(如，同为工作属性)，则该节点n3的关联性得分较高。
进一步的，在选取节点时，权衡曝光量分值和关联性分值，其中，曝光量分值越高，则将该节点作为目标选址节点可获得越高的曝光量，以及，关联性分值越低，则将该节点作为目标选址节点可避免更多的人群重复，基于此，并结合对曝光量和关联性的侧重情况，选择兼顾曝光量和关联性的多个目标选址节点，以最大程度提升多个选址的曝光量和访问量。
步骤S250：若该选址需求为单实体对象选址需求，则根据流通分从多个主节点中选择目标选址节点。
针对单实体对象的选址需求，将主节点按照流通分由高至低的顺序进行排序，并从中选择排序靠前的预设数量的主节点作为目标选址节点，例如，选择流通分最高的节点作为目标选址节点，继而获得最多的曝光量。
另外，在本发明的一些可选的实施例中，在选出目标选址节点后，可进一步将实体对象的目标人群定位信息，与各个目标选址节点中包含的品牌的人群定位信息进行匹配，根据匹配结果对目标选址节点进行过滤处理，过滤掉人群定位信息与目标人群定位信息差异值由高至低的预设数量的目标选址节点，进而使最终剩余的目标选址节点可以进一步符合实体对象的定位。
为便于对本实施例的实施过程以及效果的理解，下面以一个完整的示例来说明实体对象的选址方法，该示例以汽车展厅选址进行说明，图4示出了汽车展厅选址方法的流程图。如图4所示，该方法包括：
步骤S410，通过公开的城市相关数据，例如GDP、人口数量、发展资源、相关政策等，通过数据分析得到城市发展指数，在全国范围内来选定目标城市。
步骤S420，引力模型处理。
使用选定城市内的GIS数据输入引力模型,得到节点之间的人口流动方向、节点之间联系的紧密度、节点自身的属性和层级关系并规约为候选节点(区域)。图5示出了汽车展厅选址示例中的候选节点示意图。在图5中，横坐标为经度，纵坐标为纬度，不同颜色的区域代表不同层级的节点，其中，黑色区域为主节点，其吸引力最高。黑线是节点区域之间的边，包含了流动方向、流动趋势、流动速度等一系列信息。
步骤S430，判断选址需求是单展厅选址还是多展厅选址，根据需求进行对应的步骤操作。
步骤S440，选址需求是进行单个展厅的选址，选取主节点(区域)，主节点日人群净流入量较大，可以获得最多的曝光量。
步骤S450，选址需求是进行多个展厅的选址，那么要选择候选节点(区域)之间联系的紧密度较小的节点(区域)(可以曝光给更多的人群)、人群流动方向选择日人群净流入大的节点(区域)(可以最大的获得周围节点(区域)的人群曝光)和节点自身的偏向属性(工作、居住、金融、娱乐等)进行评分，选择出最合适的节点组，最大程度上的提升多个展厅的曝光量和访问量。
步骤S460，汽车展厅根据其市场定位，其需求的人群属性和某些品牌的顾客有共同的人群属性，因此在引力模型得到的候选节点(区域)内动态筛选包含关联品牌在内的节点(区域)。图6示出了汽车展厅选址示例中关联品牌筛选后的候选区域示意图。
步骤S470，输出最终的节点(区域)。
根据本实施例提供的实体对象的选址方法，通过将目标区域的GIS数据和预设的聚类数据输入至引力模型，而由引力模型处理并输出得到目标区域的多个节点、该多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数和/或节点之间的紧密度信息；响应于选址需求，先判定选址需求为单实体对象选址需求还是多实体对象，并根据选址需求的不同从引力模型输出的结果项中选择相应信息作为选址依据，使得选出的目标选址节点满足不同选址需求对曝光量或者关联性的要求。由此可见，本实施例方案，通过引力模型可输出得到作为曝光量和关联性计算参考的信息，进而可满足单实体对象和多实体对象的选址需求分别对曝光量和关联性的选址需求。
图7示出了本发明实施例提供的实体对象的选址装置的结构示意图。如图7所示，该装置包括：
引力数据输出模块710，适于获取目标区域的GIS数据，将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，所述输出结果包括以下至少两个结果项的数据：所述目标区域的多个节点、所述多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息；
判断模块720，适于响应于实体对象的选址需求，判断所述选址需求是否为单实体对象选址需求；
选址模块730，适于根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点。
在一种可选的方式中，所述引力数据输出模块进一步适于：
将所述GIS数据和多个预设的聚类数值输入至引力模型；
针对任一聚类数值k，根据所述GIS数据中的多种数据的数据值聚类得到k个聚类中心；其中，目标区域中任意两个位置点的距离计算公式如下：
Figure BDA0002397536500000131
式中，d(x,y)为目标区域中位置点x和位置点y的距离，n为多种数据的种类，xi为位置点x第i种数据的数据值，yi为位置点y第i种数据的数据值；
根据k个聚类中心的多种数据值评估所述聚类数值k的聚类效果参数；
根据聚类数值k的聚类效果参数从多个聚类数值中确定目标聚类数值k0，并将所述目标聚类数值k0对应的k0个聚类分组确定为k0个节点。
在一种可选的方式中，所述引力数据输出模块进一步适于：
依据GIS数据中所述k0个节点的吸引力数据将k0个节点划分为主节点、普通节点和边缘节点三个层级的节点。
在一种可选的方式中，所述流通性参数包括流通分、流通方向、流通趋势和/或流通速度；所述引力数据输出模块进一步适于：
针对任一节点，将GIS数据中该节点的工作人口数量、娱乐人口数量、购物人口数量和/或居住人口数量进行加权求和计算，得到该节点的流通分；
针对任意两个节点，计算该任意两个节点的流通分差值；根据所述任意两个节点之间的距离以及流通分差值计算所述任意两个节点之间的流通方向、流通趋势和/或流通速度。
在一种可选的方式中，所述引力数据输出模块进一步适于：
针对任意两个节点，根据GIS数据中所述任意两个节点之间的关联数据计算得到所述任意两个节点之间的紧密度信息。
在一种可选的方式中，所述选址模块进一步适于：
若所述选址需求为单实体对象选址需求，则根据流通分从多个主节点中选择目标选址节点。
在一种可选的方式中，所述选址模块进一步适于：
若所述选址需求为多实体对象选址需求，则依据节点之间的流通性参数、节点之间的紧密度信息以及各个节点的节点属性从多个节点中选择出多个目标选址节点作为多个实体对象的选址节点组。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的实体对象的选址方法。
图8示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图8所示，该计算设备可以包括：处理器(processor)802、通信接口(Communications Interface)804、存储器(memory)806、以及通信总线808。
其中：处理器802、通信接口804、以及存储器806通过通信总线808完成相互间的通信。通信接口804，用于与其它设备比如客户端或其它服务器等的网元通信。处理器802，用于执行程序810，具体可以执行上述用于计算设备的实体对象的选址方法实施例中的相关步骤。
具体地，程序810可以包括程序代码，该程序代码包括计算机操作指令。
处理器802可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器806，用于存放程序810。存储器806可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序810具体可以用于使得处理器802执行以下操作：
获取目标区域的GIS数据，将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，所述输出结果包括以下至少两个结果项的数据：所述目标区域的多个节点、所述多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息；
响应于实体对象的选址需求，判断所述选址需求是否为单实体对象选址需求，根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点。
在一种可选的方式中，所述程序810使所述处理器802执行以下操作：
将所述GIS数据和多个预设的聚类数值输入至引力模型；
针对任一聚类数值k，根据所述GIS数据中的多种数据的数据值聚类得到k个聚类中心；其中，目标区域中任意两个位置点的距离计算公式如下：
Figure BDA0002397536500000151
式中，d(x,y)为目标区域中位置点x和位置点y的距离，n为多种数据的种类，xi为位置点x第i种数据的数据值，yi为位置点y第i种数据的数据值；
根据k个聚类中心的多种数据值评估所述聚类数值k的聚类效果参数；
根据聚类数值k的聚类效果参数从多个聚类数值中确定目标聚类数值k0，并将所述目标聚类数值k0对应的k0个聚类分组确定为k0个节点。
在一种可选的方式中，所述程序810使所述处理器802执行以下操作：
依据GIS数据中所述k0个节点的吸引力数据将k0个节点划分为主节点、普通节点和边缘节点三个层级的节点。
在一种可选的方式中，所述程序810使所述处理器802执行以下操作：
所述流通性参数包括流通分、流通方向、流通趋势和/或流通速度；
所述程序810使所述处理器802执行以下操作：
针对任一节点，将GIS数据中该节点的工作人口数量、娱乐人口数量、购物人口数量和/或居住人口数量进行加权求和计算，得到该节点的流通分；
针对任意两个节点，计算该任意两个节点的流通分差值；根据所述任意两个节点之间的距离以及流通分差值计算所述任意两个节点之间的流通方向、流通趋势和/或流通速度。
在一种可选的方式中，所述程序810使所述处理器802执行以下操作：
针对任意两个节点，根据GIS数据中所述任意两个节点之间的关联数据计算得到所述任意两个节点之间的紧密度信息。
在一种可选的方式中，所述程序810使所述处理器802执行以下操作：
若所述选址需求为单实体对象选址需求，则根据流通分从多个主节点中选择目标选址节点。
在一种可选的方式中，所述程序810使所述处理器802执行以下操作：
若所述选址需求为多实体对象选址需求，则依据节点之间的流通性参数、节点之间的紧密度信息以及各个节点的节点属性从多个节点中选择出多个目标选址节点作为多个实体对象的选址节点组。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种实体对象的选址方法，包括：
获取目标区域的GIS数据，将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，所述输出结果包括以下至少两个结果项的数据：所述目标区域的多个节点、所述多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息；
响应于实体对象的选址需求，判断所述选址需求是否为单实体对象选址需求，根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点。
2.根据权利要求1所述的方法，其中，所述将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果进一步包括：
将所述GIS数据和多个预设的聚类数值输入至引力模型；
针对任一聚类数值k，根据所述GIS数据中的多种数据的数据值聚类得到k个聚类中心；其中，目标区域中任意两个位置点的距离计算公式如下：
Figure FDA0002397536490000011
式中，d(x,y)为目标区域中位置点x和位置点y的距离，n为多种数据的种类，xi为位置点x第i种数据的数据值，yi为位置点y第i种数据的数据值；
根据k个聚类中心的多种数据值评估所述聚类数值k的聚类效果参数；
根据聚类数值k的聚类效果参数从多个聚类数值中确定目标聚类数值k0，并将所述目标聚类数值k0对应的k0个聚类分组确定为k0个节点。
3.根据权利要求2所述的方法，其中，所述将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果进一步包括：
依据GIS数据中所述k0个节点的吸引力数据将k0个节点划分为主节点、普通节点和边缘节点三个层级的节点。
4.根据权利要求2或3所述的方法，其中，所述流通性参数包括流通分、流通方向、流通趋势和/或流通速度；所述将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果进一步包括：
针对任一节点，将GIS数据中该节点的工作人口数量、娱乐人口数量、购物人口数量和/或居住人口数量进行加权求和计算，得到该节点的流通分；
针对任意两个节点，计算该任意两个节点的流通分差值；根据所述任意两个节点之间的距离以及流通分差值计算所述任意两个节点之间的流通方向、流通趋势和/或流通速度。
5.根据权利要求1-4任一项所述的方法，其中，所述将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果进一步包括：
针对任意两个节点，根据GIS数据中所述任意两个节点之间的关联数据计算得到所述任意两个节点之间的紧密度信息。
6.根据权利要求1-5任一项所述的方法，其中，所述根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点进一步包括：
若所述选址需求为单实体对象选址需求，则根据流通分从多个主节点中选择目标选址节点。
7.根据权利要求1-5任一项所述的方法，其中，所述根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点进一步包括：
若所述选址需求为多实体对象选址需求，则依据节点之间的流通性参数、节点之间的紧密度信息以及各个节点的节点属性从多个节点中选择出多个目标选址节点作为多个实体对象的选址节点组。
8.一种实体对象的选址装置，包括：
引力数据输出模块，适于获取目标区域的GIS数据，将所述GIS数据和预设的聚类数值输入至引力模型，得到输出结果；其中，所述输出结果包括以下至少两个结果项的数据：所述目标区域的多个节点、所述多个节点的层级关系、各个节点的节点属性、节点之间的流通性参数以及节点之间的紧密度信息；
判断模块，适于响应于实体对象的选址需求，判断所述选址需求是否为单实体对象选址需求；
选址模块，适于根据判断结果选择相应结果项的数据进行选址处理，从多个节点中确定所述实体对象的目标选址节点。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的实体对象的选址方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的实体对象的选址方法对应的操作。
CN202010136581.7A 2020-03-02 2020-03-02 实体对象的选址方法、装置、计算设备及计算机存储介质 Active CN111383051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010136581.7A CN111383051B (zh) 2020-03-02 2020-03-02 实体对象的选址方法、装置、计算设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010136581.7A CN111383051B (zh) 2020-03-02 2020-03-02 实体对象的选址方法、装置、计算设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111383051A true CN111383051A (zh) 2020-07-07
CN111383051B CN111383051B (zh) 2023-05-30

Family

ID=71217034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010136581.7A Active CN111383051B (zh) 2020-03-02 2020-03-02 实体对象的选址方法、装置、计算设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111383051B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541624A (zh) * 2020-12-03 2021-03-23 中邮信息科技(北京)有限公司 一种揽投网点的选址方法、装置、介质及电子设备
CN113052393A (zh) * 2021-04-09 2021-06-29 新奥数能科技有限公司 一种企业选址方法及装置
CN113139694A (zh) * 2021-05-11 2021-07-20 北京理工大学前沿技术研究院 一种加氢站选址方法及系统
CN113313315A (zh) * 2021-06-11 2021-08-27 北京市富通环境工程有限公司 基于gis的农产品产地批发市场规划方法及系统
CN113988628A (zh) * 2021-10-28 2022-01-28 中国银行股份有限公司 一种atm机位置确定方法及系统
CN116069891A (zh) * 2023-03-15 2023-05-05 北京东方广厦模块化房屋有限公司 一种装配式建筑建设选址分析方法及系统
CN113313315B (zh) * 2021-06-11 2024-05-28 北京中农大农业规划设计院有限公司 基于gis的农产品产地批发市场规划方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020059273A1 (en) * 2000-05-24 2002-05-16 International Business Machines Corporation Region calculation method, spatial data mining apparatus, geographical information display apparatus, spatial data mining system and storage medium
WO2009099283A2 (ko) * 2008-02-04 2009-08-13 Yeongchae Hong 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법
CN103440589A (zh) * 2013-09-17 2013-12-11 上海商学院 门店选址系统及方法
US20150006279A1 (en) * 2013-06-27 2015-01-01 Google Inc. Systems and methods of generating a valid location cluster based on a location of a commercial entity
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
CN105138668A (zh) * 2015-09-06 2015-12-09 中山大学 基于poi数据的城市商业中心与零售业态集聚区识别方法
CN109145462A (zh) * 2018-08-28 2019-01-04 电子科技大学 一种基于力导引的异形区域拓扑布局算法
CN109359162A (zh) * 2018-08-28 2019-02-19 浙江工业大学 一种基于gis的学校选址方法
WO2019128355A1 (zh) * 2017-12-29 2019-07-04 北京京东尚科信息技术有限公司 确定精确地理位置的方法和装置
CN110019568A (zh) * 2019-04-12 2019-07-16 深圳市和讯华谷信息技术有限公司 基于空间聚类的选址方法、装置、计算机设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020059273A1 (en) * 2000-05-24 2002-05-16 International Business Machines Corporation Region calculation method, spatial data mining apparatus, geographical information display apparatus, spatial data mining system and storage medium
WO2009099283A2 (ko) * 2008-02-04 2009-08-13 Yeongchae Hong 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법
US20150006279A1 (en) * 2013-06-27 2015-01-01 Google Inc. Systems and methods of generating a valid location cluster based on a location of a commercial entity
CN103440589A (zh) * 2013-09-17 2013-12-11 上海商学院 门店选址系统及方法
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
CN105138668A (zh) * 2015-09-06 2015-12-09 中山大学 基于poi数据的城市商业中心与零售业态集聚区识别方法
WO2019128355A1 (zh) * 2017-12-29 2019-07-04 北京京东尚科信息技术有限公司 确定精确地理位置的方法和装置
CN109145462A (zh) * 2018-08-28 2019-01-04 电子科技大学 一种基于力导引的异形区域拓扑布局算法
CN109359162A (zh) * 2018-08-28 2019-02-19 浙江工业大学 一种基于gis的学校选址方法
CN110019568A (zh) * 2019-04-12 2019-07-16 深圳市和讯华谷信息技术有限公司 基于空间聚类的选址方法、装置、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王信波;俞立;张贵军;: "聚类算法分析及在GIS中心选址中的仿真研究" *
王信波;俞立;张贵军;: "聚类算法分析及在GIS中心选址中的仿真研究", 计算机仿真 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541624A (zh) * 2020-12-03 2021-03-23 中邮信息科技(北京)有限公司 一种揽投网点的选址方法、装置、介质及电子设备
CN112541624B (zh) * 2020-12-03 2024-02-27 中邮信息科技(北京)有限公司 一种揽投网点的选址方法、装置、介质及电子设备
CN113052393A (zh) * 2021-04-09 2021-06-29 新奥数能科技有限公司 一种企业选址方法及装置
CN113052393B (zh) * 2021-04-09 2024-03-08 新奥数能科技有限公司 一种企业选址方法及装置
CN113139694A (zh) * 2021-05-11 2021-07-20 北京理工大学前沿技术研究院 一种加氢站选址方法及系统
CN113313315A (zh) * 2021-06-11 2021-08-27 北京市富通环境工程有限公司 基于gis的农产品产地批发市场规划方法及系统
CN113313315B (zh) * 2021-06-11 2024-05-28 北京中农大农业规划设计院有限公司 基于gis的农产品产地批发市场规划方法及系统
CN113988628A (zh) * 2021-10-28 2022-01-28 中国银行股份有限公司 一种atm机位置确定方法及系统
CN116069891A (zh) * 2023-03-15 2023-05-05 北京东方广厦模块化房屋有限公司 一种装配式建筑建设选址分析方法及系统

Also Published As

Publication number Publication date
CN111383051B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN111383051A (zh) 实体对象的选址方法、装置、计算设备及计算机存储介质
US11238065B1 (en) Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis
CN111738628B (zh) 一种风险群组识别方法及装置
Dramowicz Retail trade area analysis using the Huff model
CN108446281B (zh) 确定用户亲密度的方法、装置及存储介质
Pace et al. Using the spatial configuration of the data to improve estimation
CN106595665B (zh) 一种障碍空间中移动对象时空轨迹的预测方法
CN108491827B (zh) 一种车辆检测方法、装置及存储介质
Pavlis et al. A modified DBSCAN clustering method to estimate retail center extent
CN112861972B (zh) 一种展业区域的选址方法、装置、计算机设备和介质
CN111461410B (zh) 一种基于迁移学习的空气质量的预测方法及装置
CN112069281B (zh) 兴趣点位置的确定方法、装置、计算机设备及存储介质
CN108446944B (zh) 一种常驻城市的确定方法、装置及电子设备
CN108540988B (zh) 一种场景划分方法及装置
CN109033170A (zh) 停车场的数据修补方法、装置、设备及存储介质
US20170236226A1 (en) Computerized systems, processes, and user interfaces for globalized score for a set of real-estate assets
CN114708521A (zh) 基于街景图像目标关系感知网络的城市功能区识别方法及系统
CN114548811A (zh) 一种机场可达性的检测方法、装置、电子设备及存储介质
CN116046008A (zh) 基于态势感知的路线规划方法、系统及效能评估装置
CN106886934A (zh) 用于确定商家品类的方法、系统和装置
CN117435819A (zh) 时空动态感知的兴趣点推荐方法、系统和存储介质
CN114565092A (zh) 一种神经网络结构确定方法及其装置
CN116542692A (zh) 网点选址方法、装置、电子设备及计算机可读存储介质
Chandio et al. Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories
CN113032514B (zh) 兴趣点数据处理方法及装置

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
GR01 Patent grant
GR01 Patent grant