CN111383052A - 一种智能柜选址模型建模方法、装置、服务器及存储介质 - Google Patents

一种智能柜选址模型建模方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111383052A
CN111383052A CN202010142564.4A CN202010142564A CN111383052A CN 111383052 A CN111383052 A CN 111383052A CN 202010142564 A CN202010142564 A CN 202010142564A CN 111383052 A CN111383052 A CN 111383052A
Authority
CN
China
Prior art keywords
target
nodes
site selection
intelligent cabinet
point evaluation
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
Application number
CN202010142564.4A
Other languages
English (en)
Inventor
姜东晓
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.)
Shenzhen Hive Box Technology Co Ltd
Original Assignee
Shenzhen Hive Box 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 Shenzhen Hive Box Technology Co Ltd filed Critical Shenzhen Hive Box Technology Co Ltd
Priority to CN202010142564.4A priority Critical patent/CN111383052A/zh
Publication of CN111383052A publication Critical patent/CN111383052A/zh
Pending legal-status Critical Current

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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明公开了一种智能柜选址模型建模方法、装置、服务器及存储介质，该方法包括：基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。本发明的技术方案实现了提高智能柜选址的全局性和准确性的效果。

Description

一种智能柜选址模型建模方法、装置、服务器及存储介质
技术领域
本发明实施例涉及智能柜领域，尤其涉及一种智能柜选址模型建模方法、装置、服务器及存储介质。
背景技术
选址是围绕丰巢智能柜一系列决策的入口和起点，只有确认了某一小区可投放柜机，才会有后续各类决策的产生，如规格预测、定价、广告投放、营收预测、竞品博弈等。所以选址决策的质量尤为重要，它的影响是长期的，会波及后续所有序贯决策。目前实践中多采用基于经验的单点评分方式，即人工去评价每一个备选小区的收益潜力，给予其中高潜力小区更多的被选优先级。但即便是这种简化的方式，依然需要运营人员对备选小区快递量、社区人口、租金、周边竞品等因素综合判断，既要顾及局部、眼前的收益，也要把握全局、长远的趋势，非常考验决策者的综合判断能力。同时，几百万的潜在小区完全交给人工来选址，全局性、准确性、有效性都很难保证。
发明内容
本发明提供一种智能柜选址模型建模方法、装置、服务器及存储介质，以实现提高智能柜选址的全局性和准确性的效果。
第一方面，本发明实施例提供了一种智能柜选址模型建模方法，其特征在于，包括：
基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
第二方面，本发明实施例还提供了一种智能柜选址模型建模装置，其特征在于，包括：
备选节点收益确定模块，用于基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
目标节点收益获取模块，用于获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
选址模型生成模块，用于根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
第三方面，本发明实施例还提供了一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的智能柜选址模型建模方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的智能柜选址模型建模方法。
本发明的技术方案通过基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型，解决了现有选址方式决策精度不稳定、无标准的问题，达到了提高智能柜选址的全局性和准确性的效果。
附图说明
图1是本发明实施例一中的一种智能柜选址模型建模方法的流程图。
图2是本发明实施例一中的节点和边的图拓扑结构的示意图。
图3是本发明实施例一中的节点单点评价方式的示意图。
图4是本发明实施例二中的一种智能柜选址模型建模方法的流程图。
图5是本发明实施例三中的一种智能柜选址模型建模装置的结构示意图。
图6是本发明实施例四中的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一模型为第二模型，且类似地，可将第二模型称为第一模型。第一模型和第二模型两者都是模型，但其不是同一模型。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的智能柜选址模型建模方法的流程图，本实施例可适用于智能柜选址模型建模情况，该方法具体包括如下步骤：
S110、基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
本实施例中，备选节点为备选小区转化的拓扑结构，即将小区网络转化成节点与边的图拓扑结构。可以将备选小区的柜机投放与否转化成备选节点的选择与否。备选节点是否被选中影响到与其他节点连接的边的数量。本发明定义直线距离在预设距离阈值500米内的两个小区之间存在地理空间上的联系，即存在基于拓扑结构上的边。示例性的，如图2所示，图2中节点A和B代表两个备选小区，图2-1和图2-2分别展示了备选节点A选与不选时网络拓扑结构的区别。单点评价数据即该备选小区投放柜机能得到的价值，这里的“价值”是一种抽象的概念，可以表示柜机收益、柜机周转率等。备选节点的价值是由已存在节点传播来的，且这种传播来的价值随着节点间“距离”而衰减，类似电流传导过程。如图3所示，空心备选节点31受到来自周围实心已投放节点32的价值注入，箭头33表示价值的流动。这意味着周围实心已投放节点的价值越大，或者与实心已投放节点的距离越近，那这个空心备选节点的价值也会越大。空间覆盖数据是可以控制柜机分布的数据，示例性的，有的城市需要尽量渗透到比较稀疏的区域，而有的城市需要更加集中的规模效应。
S120、获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
本实施例中，目标节点为用户选择的智能柜投放的小区位置对应的节点，当在目标节点对应的小区投放智能柜后，该目标节点小区在预设距离阈值内的已投放小区节点的影响下投放价值的变化为目标单点评价数据，在该目标节点对应的小区预设距离阈值内的已投放小区的数量参数影响则为目标空间覆盖数据。
S130、根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
本实施例中，预设的选址规则为一个或多个目标节点与目标单点评价数据以及目标空间覆盖数据结合与选址的总评分之间的关系。示例性的，目标节点的评分为该节点的单点评价在空间覆盖数据代表的空间覆盖效果的影响下的最终评分。因此，可以基于目标节点的选择、因目标节点的选择产生的单点价值数据以及目标节点所在的空间覆盖数据建立一个智能柜选址模型以输出选址评分，即可根据评分高低选定最佳智能柜选址。本实施例智能柜选址时不光考虑最大的潜在价值收益，还兼具合理空间分布的效果。
本发明实施例的技术方案通过基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型，解决了现有选址方式决策精度不稳定、无标准的问题，达到了提高智能柜选址的全局性和准确性的效果。
实施例二
图4为本发明实施例二提供的智能柜选址模型建模方法的流程图，本实施例在上述实施例的基础上进一步优化，该方法具体包括：
S210、基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
本实施例中，备选节点为备选小区转化的拓扑结构，即将小区网络转化成节点与边的图拓扑结构。单点评价数据即该备选小区投放柜机能得到的价值，这里的“价值”是一种抽象的概念，可以表示柜机收益、柜机周转率等。空间覆盖数据是可以控制柜机分布的数据。
S220、获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
本实施例中，目标节点为用户选择的智能柜投放的小区位置，当在目标节点小区投放智能柜后，该目标节点小区在预设距离阈值内的已投放小区节点的影响下投放价值的变化为目标单点评价数据，在该目标节点小区预设距离阈值内的已投放小区的数量参数影响则为目标空间覆盖数据。
S230、根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
本实施例中，基于目标节点的选择、因目标节点的选择产生的单点价值数据以及目标节点所在的空间覆盖数据建立一个智能柜选址模型以输出选址评分，即可根据评分高低选定最佳智能柜选址。可选的，所述智能柜选址模型包括：
Max Score＝∑(Vi+λCi)·xi，其中xi∈(0,1) (1)
Ci＝deg(i) (2)
∑xi＝p (3)
其中，Score为评分，xi是所述备选节点的选中与否，Vi是所述单点评价数据，Ci是所述空间覆盖数据，p是所述备选节点的个数。
本实施例中，如公式(1)所示，xi是节点i被选中与否的二元决策变量，1表示选中，0表示未选中。Vi是用图论电流距离中心性模型得到的单点价值向量，Ci是该点起到的空间覆盖效果，由公式(2)来定义，表示为图论中每个节点的度，即与其他柜机点连接的频度。连接频度越大的节点，说明它越集中在柜机分布较多处，反之越是柜机分布较稀疏处。公式(1)中的λ是超参，可以根据城市的需求灵活调整两个目标的比例，λ是正数时看重更大子图(柜机分布密集处)中的备选点，是负数时看重更小子图(柜机分布稀疏处)的备选点。这里的约束是选到的备选点个数由用户输入的限制p决定，比如在深圳市南山区选择50台进行投放，就是p＝50，用公式(3)来表达。最终的目标是评价指标Score达到最大时，找到相应的图拓扑解x*，作为宏观全局选址策略输出。
这样便完成了智能柜选址模型的备选解评价，我们再通过枚举所有可能的备选解并计算评分后，找出最大评分值对应的拓扑结构x*，视为最优解，用数学语言表达如下。
x*＝argmaxx,V,C(Score) (4)
S240、根据遗传算法对所述智能柜选址模型进行遗传操作以选出最佳选址结果。
本实施例中，遗传算法(Genetic Algorithm)是借鉴进化生物学提出的元启发式算法，用于解决运筹规划的最优化问题。列举出所有备选解比想象的要困难的多，原因在于这些备选节点选还是不选的组合会造成备选解数爆炸般的增长。考虑到实际应用中不管是计算资源还是计算时间都不能允许我们去穷尽所有备选解，那便要使用运筹中的元启发式算法来高效求解。遗传算法的操作可以在多项式时间内将问题求解到比较好的准最优解，即便是100个备选节点的运行时间也可以在秒级完成最佳选址结果的计算。可选的，所述根据遗传算法对所述智能柜选址模型进行遗传操作以选出所述最佳选址结果包括：将所述备选节点建模成染色体；随机选择所述染色体中的一代样本输入到所述智能柜选址模型中以求出优秀样本；将所述优秀样本进行遗传操作以生成遗传样本；将所述遗传样本输入到所述智能柜选址模型中进行计算得出评分以选出所述最佳选址结果。可选的，所述染色体以二进制的形式进行基因取值。
本实施例中，将备选解(拓扑结构)抽象为染色体，一个染色体代表一组节点决策向量X，染色体上的基因取值为1或0的二进制形式分别代表对应的节点被选中还是未被选中。然后使用通过上述智能柜选址模型挑选出优秀染色体，再对优秀染色体进行遗传操作，使种群向更好的染色体进化。进化完成时最大的评价值所对应的染色体，就是最优拓扑结构即最佳选址结果。可选的，所述遗传操作包括基于所述染色体的交叉、变异、次代生成。
本实施例中，遗传算法中起核心作用的是遗传操作的交叉算子。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。变异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动。次代生成则是根据每一次迭代生成保留优良基因的下一代。
可选的，所述根据评分选出所述最佳选址结果包括：判断所述评分是否满足预设评分阈值；若是，则终止所述遗传操作以输出所述评分对应的计算结果；若否，则继续对所述染色体进行遗传操作并输入到所述智能柜选址模型中进行计算。
本实施例中，智能柜选址可以值选择最佳的选址方案，也可以设定一个预设评分阈值，可以对超过该预设评分阈值的多个选址方案进行进一步基于其他方面因素的排序以选择选址方案。示例性的，可以基于周围住户的意见反映。
替代实施例中，本发明进一步提供一种利用上述任一一种智能柜选址模型建模方法获取的智能柜选址模型来进行智能柜选址的方法。
本发明实施例的技术方案通过基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型根据遗传算法对所述智能柜选址模型进行遗传操作以选出最佳选址结果，解决了通过枚举对模型计算难以执行的问题，达到了基于选址模型具有快速计算的效果。
实施例三
图5所示为本发明实施例三提供的智能柜选址模型建模装置300的结构示意图，本实施例可适用于智能柜选址模型建模情况，具体结构如下：
备选节点收益确定模块310，用于基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
目标节点收益获取模块320，用于获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
选址模型生成模块330，用于根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
可选的，所述智能柜选址模型包括：
Max Score＝∑(Vi+λCi)·xi，其中xi∈(0,1)
Ci＝deg(i)
∑xi＝p
其中，Score为评分，xi是所述备选节点的选中与否，Vi是所述单点评价数据，Ci是所述空间覆盖数据，p是所述备选节点的个数。
可选的，装置300还包括遗传计算模块，用于根据遗传算法对所述智能柜选址模型进行遗传操作以选出最佳选址结果。
可选的，遗传计算模块包括建模单元、优秀样本生成单元、遗传样本生成单元和计算单元，
建模单元用于将所述备选节点建模成染色体；
优秀样本生成单元用于随机选择所述染色体中的一代样本输入到所述智能柜选址模型中以求出优秀样本；
遗传样本生成单元用于将所述优秀样本进行遗传操作以生成遗传样本；
计算单元用于将所述遗传样本输入到所述智能柜选址模型中进行计算以根据所述评分选出所述最佳选址结果。
可选的，所述遗传操作包括基于所述染色体的交叉、变异、次代生成。
可选的，所述根据评分选出所述最佳选址结果包括：
判断所述评分是否满足预设评分阈值；
若是，则终止所述遗传操作以输出所述评分对应的计算结果；
若否，则继续对所述染色体进行遗传操作并输入到所述智能柜选址模型中进行计算。
可选的，所述染色体以二进制的形式进行基因取值。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6是本发明实施例四提供的一种服务器的结构示意图。图6示出了适于用来实现本发明实施方式的示例性服务器512的框图。图6显示的服务器512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，服务器512以通用服务器的形式表现。服务器512的组件可以包括但不限于：一个或者多个处理器516，存储装置528，连接不同系统组件(包括存储装置528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
服务器512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)530和/或高速缓存存储器532。终端512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储装置528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
服务器512也可以与一个或多个外部设备514(例如键盘、指向终端、显示器524等)通信，还可与一个或者多个使得用户能与该服务器512交互的终端通信，和/或与使得该服务器512能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，服务器512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器520通过总线518与服务器512的其它模块通信。应当明白，尽管图中未示出，可以结合服务器512使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在存储装置528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种智能柜选址模型建模方法，该方法可以包括：
基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的一种智能柜选址模型建模方法，该方法可以包括：
基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种智能柜选址模型建模方法，其特征在于，包括：
基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
2.根据权利要求1所述的智能柜选址方法，其特征在于，所述智能柜选址模型包括：
Max Score＝Σ(Vi+λCi)·xi，其中xi∈(0,1)
Ci＝deg(i)
Σxi＝p
其中，Score为评分，xi是所述备选节点的选中与否，Vi是所述单点评价数据，Ci是所述空间覆盖数据，p是所述备选节点的个数。
3.根据权利要求2所述的智能柜选址方法，其特征在于，所述根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型之后，还包括：
根据遗传算法对所述智能柜选址模型进行遗传操作以选出最佳选址结果。
4.根据权利要求3所述的智能柜选址方法，其特征在于，所述根据遗传算法对所述智能柜选址模型进行遗传操作以选出最佳选址结果包括：
将所述备选节点建模成染色体；
随机选择所述染色体中的一代样本输入到所述智能柜选址模型中以求出优秀样本；
将所述优秀样本进行遗传操作以生成遗传样本；
将所述遗传样本输入到所述智能柜选址模型中进行计算以根据所述评分选出所述最佳选址结果。
5.根据权利要求3所述的智能柜选址方法，其特征在于，所述遗传操作包括基于所述染色体的交叉、变异、次代生成。
6.根据权利要求4所述的智能柜选址方法，其特征在于，所述根据评分选出所述最佳选址结果包括：
判断所述评分是否满足预设评分阈值；
若是，则终止所述遗传操作以输出所述评分对应的计算结果；
若否，则继续对所述染色体进行遗传操作并输入到所述智能柜选址模型中进行计算。
7.根据权利要求4所述的智能柜选址方法，其特征在于，所述染色体以二进制的形式进行基因取值。
8.一种智能柜选址模型建模装置，其特征在于，包括：
备选节点收益确定模块，用于基于多个备选节点与多个已投放节点的位置关系确定每个备选节点的单点评价数据和空间覆盖数据；
目标节点收益获取模块，用于获取用户从所述多个备选节点中确认的一个或多个目标节点、所述目标节点对应的目标单点评价数据和所述目标节点对应的目标空间覆盖数据；
选址模型生成模块，用于根据预设的选址规则和所述一个或多个目标节点、所述目标单点评价数据以及所述目标空间覆盖数据生成智能柜选址模型。
9.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的智能柜选址模型建模方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的智能柜选址模型建模方法。
CN202010142564.4A 2020-03-04 2020-03-04 一种智能柜选址模型建模方法、装置、服务器及存储介质 Pending CN111383052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010142564.4A CN111383052A (zh) 2020-03-04 2020-03-04 一种智能柜选址模型建模方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010142564.4A CN111383052A (zh) 2020-03-04 2020-03-04 一种智能柜选址模型建模方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN111383052A true CN111383052A (zh) 2020-07-07

Family

ID=71218595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010142564.4A Pending CN111383052A (zh) 2020-03-04 2020-03-04 一种智能柜选址模型建模方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111383052A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949096A (zh) * 2021-04-14 2021-06-11 杭州电力设备制造有限公司 一种工器具柜布局规划的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009099283A2 (ko) * 2008-02-04 2009-08-13 Yeongchae Hong 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법
US20120250963A1 (en) * 2009-11-25 2012-10-04 International Business Machines Corporation Predicting States of Subjects
CN109102868A (zh) * 2018-08-13 2018-12-28 中南大学 一种震后医疗应急设施的选址方法
CN109377265A (zh) * 2018-09-21 2019-02-22 金蝶蝶金云计算有限公司 选址方法、装置、设备及存储介质
CN110675189A (zh) * 2019-09-20 2020-01-10 东北大学 一种基于Wide&Deep模型和遗传算法的无人货架选址方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009099283A2 (ko) * 2008-02-04 2009-08-13 Yeongchae Hong 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법
US20120250963A1 (en) * 2009-11-25 2012-10-04 International Business Machines Corporation Predicting States of Subjects
CN109102868A (zh) * 2018-08-13 2018-12-28 中南大学 一种震后医疗应急设施的选址方法
CN109377265A (zh) * 2018-09-21 2019-02-22 金蝶蝶金云计算有限公司 选址方法、装置、设备及存储介质
CN110675189A (zh) * 2019-09-20 2020-01-10 东北大学 一种基于Wide&Deep模型和遗传算法的无人货架选址方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949096A (zh) * 2021-04-14 2021-06-11 杭州电力设备制造有限公司 一种工器具柜布局规划的方法及系统

Similar Documents

Publication Publication Date Title
Nguyen et al. A hybrid genetic programming algorithm for automated design of dispatching rules
JP5479431B2 (ja) バイオマーカー抽出装置および方法
Gupta et al. Landscape synergy in evolutionary multitasking
Stenz et al. Exploring tree-like and non-tree-like patterns using genome sequences: an example using the inbreeding plant species Arabidopsis thaliana (L.) Heynh
Cuevas et al. A cuckoo search algorithm for multimodal optimization
JP7125358B2 (ja) 計算機システム及び入力データに対する予測結果の根拠に関する情報の提示方法
CN105929690B (zh) 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
CN110971659A (zh) 推荐消息的推送方法、装置及存储介质
Yuan et al. Directed partial correlation: inferring large-scale gene regulatory network through induced topology disruptions
CN116501711A (zh) 一种基于“存算分离”架构的算力网络任务调度方法
Arasteh et al. ARAZ: A software modules clustering method using the combination of particle swarm optimization and genetic algorithms
CN113190670A (zh) 一种基于大数据平台的信息展示方法及系统
Seridi et al. Using multiobjective optimization for biclustering microarray data
Kilinc et al. Finding plausible optimal solutions in engineering problems using an adaptive genetic algorithm
CN112836794B (zh) 一种图像神经架构的确定方法、装置、设备及存储介质
CN111383052A (zh) 一种智能柜选址模型建模方法、装置、服务器及存储介质
Xiong et al. A multi-modal multi-objective evolutionary algorithm based on dual decomposition and subset selection
CN113919510A (zh) 一种样本特征选择方法、装置、设备及介质
Gao et al. A distance and cosine similarity-based fitness evaluation mechanism for large-scale many-objective optimization
Agrawal et al. Differential evolution with nearest better clustering for multimodal multiobjective optimization
CN111695967A (zh) 一种报价的确定方法、装置、设备及存储介质
CN112580885A (zh) 一种配件合格率的预测方法、装置、设备及存储介质
CN116257758A (zh) 模型训练方法、人群拓展方法、介质、装置和计算设备
CN108256694A (zh) 基于重复遗传算法的模糊时间序列预测系统、方法及装置
Mohammadpour et al. Efficient recommendations in collaborative filtering recommender system: A multi-objective evolutionary approach based on NSGA-II algorithm

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