CN111598188B - 目标门店位置的识别的方法和装置、存储介质和电子设备 - Google Patents

目标门店位置的识别的方法和装置、存储介质和电子设备 Download PDF

Info

Publication number
CN111598188B
CN111598188B CN202010598956.1A CN202010598956A CN111598188B CN 111598188 B CN111598188 B CN 111598188B CN 202010598956 A CN202010598956 A CN 202010598956A CN 111598188 B CN111598188 B CN 111598188B
Authority
CN
China
Prior art keywords
target
sample
store
location
area
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.)
Active
Application number
CN202010598956.1A
Other languages
English (en)
Other versions
CN111598188A (zh
Inventor
赵琳琳
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010598956.1A priority Critical patent/CN111598188B/zh
Publication of CN111598188A publication Critical patent/CN111598188A/zh
Application granted granted Critical
Publication of CN111598188B publication Critical patent/CN111598188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29Geographical information databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种目标门店位置的识别的方法和装置、存储介质和电子设备,包括:在第一设备上获取第二设备发送的待识别的目标门店位置;获取目标门店位置的目标区域中的目标特征信息,目标区域以目标门店位置为中心,目标特征信息包括目标区域内的人口特征、目标区域内的目标类型的兴趣点POI的POI特征以及目标区域内的交易特征;在第一设备上将目标门店位置和目标特征信息输入至训练好的目标位置识别模型,得到目标位置识别模型输出的位置识别结果,在第一设备上向第二设备发送位置识别结果。该方案可以应用于大数据领域,采用上述技术方案,解决了相关技术中,在对自动售卖机、门店等进行选址时,存在周期长、成本高、不准确等问题。

Description

目标门店位置的识别的方法和装置、存储介质和电子设备
技术领域
本发明涉及大数据领域,具体而言,涉及一种目标门店位置的识别的方法和装置、存储介质和电子设备。
背景技术
目前,在对自动售卖机进行选址时,主要靠人工来完成:第一步根据市场份额及人工经验圈定候选地理位置;第二步依赖经验丰富的工作人员蹲点观察记录;第三步对候选位置综合评定选出最优位置。
但是,上述方法存在周期长、成本高、不准确等缺点,无法在短时间内完成大批量的自动售卖机的投放。
针对相关技术中,在对自动售卖机、门店等进行选址时,存在周期长、成本高、不准确等问题,尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标门店位置的识别的方法和装置、存储介质和电子设备,以至少解决相关技术中,在对自动售卖机、门店等进行选址时,存在周期长、成本高、不准确的技术问题。
根据本发明实施例的一个方面,提供了一种目标门店位置的识别的方法,包括:在第一设备上获取第二设备发送的待识别的目标门店位置;在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,其中,上述目标区域以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,其中,上述位置识别结果用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征;在上述第一设备上向上述第二设备发送上述位置识别结果,其中,上述位置识别结果用于显示在上述第二设备上。
根据本发明实施例的另一方面,还提供了一种目标门店位置的识别的装置,包括:第一获取单元,用于在第一设备上获取第二设备发送的待识别的目标门店位置;第二获取单元,用于在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,其中,上述目标区域以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;第一处理单元,用于在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,其中,上述位置识别结果用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征;发送单元,用于在上述第一设备上向上述第二设备发送上述位置识别结果,其中,上述位置识别结果用于显示在上述第二设备上。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述目标门店位置的识别的方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述目标门店位置的识别的方法。
在本发明实施例中,在第一设备上获取第二设备发送的获取待识别的目标门店位置,并在第一设备上获取上述目标门店位置的目标区域中的目标特征信息,在第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,能够得到上述目标位置识别模型输出的位置识别结果,然后,在上述第一设备上向上述第二设备发送上述位置识别结果,并在在上述第二设备上显示上述位置识别结果,其中,上述目标区域是以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;上述位置识别结果可以用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征。在对贩售机、门店进行选址时,通过获取到的上述目标特征信息,在目标位置识别模型中对目标门店位置的选址进行预测,可以得到位置识别结果,根据位置识别结果可以得到该目标门店位置是否可以作为候选门店,避免了通过人工长期蹲守,来判断贩售机、门店等的选址是否合理,提高了工作效率,解决了相关技术中,在对自动售卖机、门店等进行选址时,存在周期长、成本高、不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种目标门店位置的识别的方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的目标门店位置的识别的方法的流程示意图;
图3是根据本发明实施例的一种可选的目标区域的示意图;
图4是根据本发明实施例的一种可选的目标决策树的示意图;
图5是根据本发明实施例的另一种可选的目标决策树的示意图;
图6是根据本发明实施例的又一种可选的目标决策树的示意图;
图7是根据本发明实施例的另一种可选的目标门店位置的识别的方法的流程示意图;
图8是根据本发明实施例的一种可选的目标门店位置的识别的装置的结构示意图;
图9是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本发明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。
本发明实施例中涉及到的技术术语包括:
1、基于位置的服务(Location Based Services,简称LBS):是利用各类型的定位技术来获取定位设备当前的所在位置,通过移动互联网向定位设备提供信息资源和基础服务。LBS首先用户可利用定位技术确定自身的空间位置,随后用户便可通过移动互联网来获取与位置相关资源和信息。LBS服务中融合了移动通讯、互联网络、空间定位、位置信息、大数据等多种信息技术,利用移动互联网络服务平台进行数据更新和交互,使用户可以通过空间定位来获取相应的服务。
2、兴趣点(Point of Interest,简称POI):在地理信息系统中,一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。传统的地理信息采集方法需要地图测绘人员采用精密的测绘仪器去获取一个兴趣点的经纬度,然后再标记下来。正因为POI的采集是一个非常费时费事的工作,对一个地理信息系统来说,POI的数量在一定程度代表着整个系统的价值。
3、贩售机(Vending Machine,简称VEM),即自动售货机,是一种能根据投入的钱币自动付货的机器。自动售货机是商业自动化的常用设备,它不受时间、地点的限制,能节省人力、方便交易。是一种全新的商业零售形式,又被称为24小时营业的微型超市。常见的自动售卖机共分为四种:饮料自动售货机、食品自动售货机、综合自动售货机、化妆品自动售卖机。
根据本发明实施例的一个方面,提供了一种目标门店位置的识别的方法。可选地,上述目标门店位置的识别的方法可以但不限于应用于如图1所示的应用环境中。如图1所示,终端设备102获取待识别的目标门店位置,并通过网络将目标门店位置发送给服务器104。服务器104接收到目标门店位置后,获取上述目标门店位置的目标区域中的目标特征信息,其中,上述目标区域以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,其中,上述位置识别结果用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征,并通过网络将位置识别结果发送给终端设备102,并在终端设备102上显示上述位置识别结果。以上仅为一种示例,本申请实施例在此不作限定。
其中,上述终端设备102可以为商家使用的手机、平板、电脑等等,对于上述目标门店位置的获取途径来说,可以为商家通过终端设备102上安装的地图类APP查找感兴趣的位置,并将查找到的感兴趣位置作为上述目标门店位置通过该终端设备102发送给服务器104。或者,商家可以收集一些人流量大、交易流水多的门店,将这些门店的位置,以及这些门店周围的位置,作为上述目标门店的位置。
需要说明的是,上述服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
可选地,本发明实施例涉及云计算、大数据等领域。
需要说明的是,云计算(cloud computing)指IT基础设施的交付和使用模式,指通过网络以按需、易扩展的方式获得所需资源;广义云计算指服务的交付和使用模式,指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关,也可是其他服务。云计算是网格计算(Grid Computing)、分布式计算(DistributedComputing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(NetworkStorage Technologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。
随着互联网、实时数据流、连接设备多样化的发展,以及搜索服务、社会网络、移动商务和开放协作等需求的推动,云计算迅速发展起来。不同于以往的并行分布式计算,云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。
大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临,大数据也吸引了越来越多的关注,大数据需要特殊的技术,以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术,包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
可选地,上述方法可以应用于自动贩售机、商场、门店等的选址场景中,本实施例在此不作任何限定。
可选地,在本实施例中,上述终端设备可以是配置有目标客户端的终端设备,可以包括但不限于以下至少之一:手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices,移动互联网设备)、PAD、台式电脑、智能电视等。目标客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器。上述只是一种示例,本实施例对此不做任何限定。
可选地,在本实施例中,作为一种可选的实施方式,该方法可以由服务器执行,也可以由终端设备执行,或者由服务器和终端设备共同执行,本实施例中,以由服务器(例如,上述服务器104)执行为例进行说明。如图2所示,上述目标门店位置的识别的方法的流程可以包括步骤:
步骤S202,在第一设备上获取第二设备发送的待识别的目标门店位置。
可选地,上述目标门店可以为自动贩售机、商场、门店等,该目标门店位置可以由商户提供。上述第一设备可以为服务器、手机、电脑、平板等,上述第二设备也可以为服务器、手机、电脑、平板等等。
步骤S204,在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,其中,上述目标区域以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征。
可选地,上述目标区域为以目标门店位置为中心所划定的区域,可以包含一个或多个区域。获取该目标区域内的目标特征信息,该目标特征信息可以包括目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征。
可理解,上述仅为一种示例,本实施例在此不作任何限定。
步骤S206,在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,其中,上述位置识别结果用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征。
可选地,将获取到的目标门店位置和目标特征信息输入至训练好的目标位置识别模型中,可以得到由目标位置识别模型输出的位置识别结果,该位置识别结果可以用于表示该目标门店位置是否是候选门店位置,例如,如果该位置识别结果的评分较高,则该目标门店位置可以作为候选门店,如果该位置识别结果的品分较低,则该目标门店位置不作为候选门店。
使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练,能够得到的上述上述目标位置识别模型,其中,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征。
步骤S208,在上述第一设备上向上述第二设备发送上述位置识别结果,其中,上述位置识别结果用于显示在上述第二设备上。
可选地,可以通过上述第一设备向上述第二设备发送位置识别结果,并在第二设备上显示该位置识别结果。
通过本实施例,在第一设备上获取第二设备发送的获取待识别的目标门店位置,并在第一设备上获取上述目标门店位置的目标区域中的目标特征信息,在第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,能够得到上述目标位置识别模型输出的位置识别结果,然后,在上述第一设备上向上述第二设备发送上述位置识别结果,并在在上述第二设备上显示上述位置识别结果,然后,在上述第一设备上向上述第二设备发送上述位置识别结果,并在在上述第二设备上显示上述位置识别结果,其中,上述目标区域是以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;上述位置识别结果可以用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征。在对贩售机、门店进行选址时,通过获取到的上述目标特征信息,在目标位置识别模型中对目标门店位置的选址进行预测,可以得到位置识别结果,根据位置识别结果可以得到该目标门店位置是否可以作为候选门店,避免了通过人工长期蹲守,来判断贩售机、门店等的选址是否合理,提高了工作效率,解决了相关技术中,在对自动售卖机、门店等进行选址时,存在周期长、成本高、不准确的技术问题。
可选地,在本实施例中,在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,包括:在上述目标区域包括多个区域的情况下,获取上述多个区域的区域范围,其中,上述多个区域均以上述目标门店位置为中心,上述多个区域的区域范围彼此不同;获取上述多个区域中的每个区域中的上述目标特征信息。
可选地,以上述目标门店位置为中心,划定目标区域,该目标区域可以包含多个区域。例如,以该目标门店位置为中心划定三级作用域:以目标门店位置为中心,划定r1/r2/r3三个半径不同的同心圆为作用域(目标区域)。r1/r2/r3的选择可以依据城市人口密度,如市中心密集区可以选择:r1=50m/r2=100m/r3=500m;人口稀疏的郊区可以选择r1=100m/r2=500m/r3=2000m。
如图3所示,以贩售机为例,划定目标区域r1=50m,r2=100m,r3=500m。
在获取目标特征信息时,需要多个区域中的每个区域中的上述目标特征信息。
通过本实施例,可以以目标门店位置为中心,划定区域范围彼此不同的多个区域,通过获取多个区域中的每个区域中的目标特征信息,能够依据不同的区域范围统计不同的目标特征信息,使得对目标门店位置的位置识别结果更加准确,提高了门店位置识别的准确率。
可选地,在本实施例中,上述方法还包括:在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,包括以下至少之一:获取上述目标区域内的居住人口统计特征,其中,上述目标区域内的人口特征包括上述居住人口统计特征,上述居住人口统计特征用于表示上述目标区域内的居住人口数量;获取上述目标区域内的工作人口统计特征,其中,上述目标区域内的人口特征包括上述工作人口统计特征,上述工作人口统计特征用于表示上述目标区域内的工作人口数量;获取上述目标区域内预设时间段内的人口流动统计特征,其中,上述目标区域内的人口特征包括上述人口流动统计特征,上述人口流动统计特征用于表示上述目标区域内预设时间段内的人口流动数量。
可选地,获取目标门店位置的目标区域中的目标特征信息,可以包括以下至少之一:
1、获取目标区域内的居住人口统计特征,其中,上述目标区域内的人口特征包括上述居住人口统计特征,上述居住人口统计特征用于表示上述目标区域内的居住人口数量。
在目标区域包括多个区域的情况下,获取多个区域中每个区域内的居住人口统计特征。
2、获取上述目标区域内的工作人口统计特征,其中,上述目标区域内的人口特征包括上述工作人口统计特征,上述工作人口统计特征用于表示上述目标区域内的工作人口数量。
在目标区域包括多个区域的情况下,获取多个区域中每个区域内的工作人口统计特征。
3、获取上述目标区域内预设时间段内的人口流动统计特征,其中,上述目标区域内的人口特征包括上述人口流动统计特征,上述人口流动统计特征用于表示上述目标区域内预设时间段内的人口流动数量。
在目标区域包括多个区域的情况下,获取多个区域中每个区域内的人口流动统计特征。
可理解,上述仅为一种示例,本实施例在此不作任何限定。
可选地,在本实施例中,获取上述目标区域内预设时间段内的人口流动统计特征,包括:获取上述目标区域内上述预设时间段内的视频监控信息;根据上述视频监控信息确定上述人口流动统计特征。
可选地,上述预设时间段可以为一个月,两周等等。
例如,在上述预设时间段为一个月时,调取该目标门店位置的目标区域内的一周内的视频监控信息,统计该一周内的人口流动的总数量,以该一周内的人口流动的总数量来预测一个月的总的人口流动总数量,将该一个月的总的人口流动总数量确定为上述人口流动统计特征。可理解,上述仅为一种示例,本实施例在此不作任何限定。
通过本实施例,避免了工作人员蹲点观察记录,提高了工作效率。
可选地,在本实施例中,在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,包括:获取上述目标区域内所包含的上述目标类型中每个POI类型的POI的数量,其中,上述目标区域内的上述目标类型的POI的POI特征包括上述目标类型中每个POI类型的POI的数量,上述目标类型包括一个或多个POI类型。
可选地,上述目标类型为上述POI的类型,如POI的类型可以为商场、超市、便利店、医院、学校等等,获取目标区域内包含的目标类型中的每个POI类型的POI的数量。
通过本实施例,由于判断目标门店位置的优劣性需要参考周围的POI的数量,通过获取不同POI类型的POI数量,不仅提高了目标特征信息的丰富性,通过这种地理特征对目标门店位置进行预测,还提高了位置识别结果的合理性。
可选地,在本实施例中,在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,包括:获取上述目标区域内预设时间段内的支付信息,其中,上述目标区域内的交易特征包括上述支付信息,上述支付信息包括以下至少之一:一个或多个支付数量区间中的每个支付数量区间内的支付次数,一个或多个支付数量区间中的每个支付数量区间内的支付人数。
可选地,目标门店位置的优劣与交易信息息息相关,在获取目标门店位置的目标区域中的目标特征信息时,可以获取目标区域内预设时间段内的支付信息。
可以设置一个或多个支付数量区间,支付信息包括以下至少之一:该一个或多个支付数量区间中的每个支付数量区间内的支付次数,一个或多个支付数量区间中的每个支付数量区间内的支付人数。
可理解,上述仅为一种示例,本实施在此不作任何限定。
通过本实施例,由于判断目标门店位置的优劣性需要参考支付信息,通过获取的支付信息对目标门店位置的优劣性进行预测,提高了位置识别结果的准确性。
可选地,在本实施例中,在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,包括:通过上述目标位置识别模型中训练好的目标决策树,对上述目标特征信息进行决策操作,得到上述目标位置识别模型输出的位置识别结果,其中,上述目标决策树用于根据上述目标特征信息确定上述目标门店位置对应的上述位置识别结果。
可选地,决策树是一种常用的机器学习算法,顾名思义,它是基于树结构来进行决策的,图4所示的为“今天是否去户外游玩”的决策过程。
其中,如图4所示,最顶端的矩形判断节点(是否下雨),被称为树的根节点;中间右侧的矩形判断节点(是否高温),被称为树的内部节点;其它的椭圆形节点(不去),是树的终止模块,也就是决策结果,被称为树的叶节点。一般来说,一棵决策树包含一个根节点、若干个内部节点和若干个叶节点。决策树学习的关键是如何选择最优划分属性,即如何选择根节点和各内部节点对应的属性,以及确定什么时候停止得到目标状态即叶子节点。常用的选择划分属性的指标有:信息、信息熵、信息增益、基尼系数、均方差。
可理解,以上仅为一种示例,本实施例在此不作任何限定。
可选地,在将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型之后,可以通过目标位置识别模型中训练好的目标决策树,来对目标特征信息进行决策操作,从而得到目标位置识别模型输出的位置识别结果。
通过本实施例,通过目标决策树对目标特征信息进行决策操作,能够得到位置识别结果,通过这种决策树判断的方式,使得位置识别结果更加准确,提高了准确率。
可选地,在本实施例中,上述通过上述目标位置识别模型中训练好的目标决策树,对上述目标特征信息进行决策操作,得到上述目标位置识别模型输出的位置识别结果,包括:判断上述目标特征信息中的上述目标区域内的人口特征是否满足上述目标决策树中的第一节点上设置的第一决策条件;在上述目标特征信息中的上述目标区域内的人口特征满足上述第一决策条件的情况下,判断上述目标特征信息中的上述目标区域内的目标类型的兴趣点POI的POI特征是否满足上述目标决策树中的第二节点上设置的第二决策条件;在上述目标特征信息中的上述目标区域内的目标类型的兴趣点POI的POI特征满足上述第二决策条件的情况下,判断上述目标特征信息中的上述目标区域内的交易特征是否满足上述目标决策树中的第三节点上设置的第三决策条件;在上述目标特征信息中的上述目标区域内的交易特征满足上述第三决策条件,确定出上述目标门店位置的第一位置识别结果,其中,上述目标门店位置的第一位置识别结果用于表示上述目标门店位置为候选门店位置,上述目标位置识别模型输出的位置识别结果包括上述第一位置识别结果。
可选地,在上述第一设备上,可以通过目标位置识别模型中训练好的目标决策树,对上述目标特征信息进行决策操作,得到位置识别结果,具体过程如下:
首先,判断目标特征信息中的目标区域内的人口特征是否满足目标决策树中第一节点上设置的第一决策条件,若满足第一决策条件,则判断目标特征信息中目标区域内的目标类型的兴趣点POI的POI特征是否满足目标决策树中第二节点上设置的第二决策条件,若满足第二决策条件,则判断目标特征信息中目标区域内的交易特征是否满足目标决策树中的第三节点上设置的第三决策条件,若满足第三决策条件,确定出目标门店位置的第一位置识别结果,该第一位置识别结果用于表示目标门店位置是候选门店位置,上述位置识别结果包括该第一位置识别结果。
可理解,上述仅为一种示例,本实施例在此不作任何限定。
通过本实施例,可以依次判断目标特征信息中的人口特征、地理特征(目标类型的兴趣点POI的POI特征)、交易特征是否满足目标决策树中的决策条件,在满足的情况下,得到上述第一位置识别结果,通过这种方式,避免了人工长期蹲守判断目标门店位置是否为候选门店,提高了工作效率,且通过决策树的精确判断,提高了准确率。
可选地,在本实施例中,上述通过上述目标位置识别模型中训练好的目标决策树,对上述目标特征信息进行决策操作,得到上述目标位置识别模型输出的位置识别结果,包括:在上述目标区域包括多个区域的情况下,判断上述目标特征信息中的第一区域内的人口特征是否满足上述目标决策树中的第四节点上设置的第四决策条件,其中,上述多个区域均以上述目标门店位置为中心,上述多个区域的区域范围彼此不同,上述多个区域中的上述第一区域的区域范围最小;在上述目标特征信息中的上述第一区域内的人口特征满足上述第四决策条件的情况下,判断上述目标特征信息中的上述第一区域内的目标类型的兴趣点POI的POI特征是否满足上述目标决策树中的第五节点上设置的第五决策条件;在上述目标特征信息中的上述第一区域内的目标类型的兴趣点POI的POI特征满足上述第五决策条件的情况下,判断上述目标特征信息中的上述第一区域内的交易特征是否满足上述目标决策树中的第六节点上设置的第六决策条件;在上述目标特征信息中的上述第一区域内的交易特征满足上述第六决策条件,确定出上述目标门店位置的第二位置识别结果,其中,上述目标门店位置的第二位置识别结果用于表示上述目标门店位置为候选门店位置,上述目标位置识别模型输出的位置识别结果包括上述第二位置识别结果。
可选地,在上述第一设备上,可以通过目标位置识别模型中训练好的目标决策树,对上述目标特征信息进行决策操作,得到位置识别结果,具体过程如下:
在目标区域包括多个区域的情况下,判断上述目标特征信息中的第一区域内的人口特征是否满足上述目标决策树中的第四节点上设置的第四决策条件,其中,上述多个区域均以上述目标门店位置为中心,上述多个区域的区域范围彼此不同,上述多个区域中的上述第一区域的区域范围最小,若满足第四决策条件,则判断上述目标特征信息中的上述第一区域内的目标类型的兴趣点POI的POI特征是否满足上述目标决策树中的第五节点上设置的第五决策条件,若满足第五决策条件,判断上述目标特征信息中的上述第一区域内的交易特征是否满足上述目标决策树中的第六节点上设置的第六决策条件,若满足述第六决策条件,确定出上述目标门店位置的第二位置识别结果,其中,上述目标门店位置的第二位置识别结果用于表示上述目标门店位置为候选门店位置,上述目标位置识别模型输出的位置识别结果包括上述第二位置识别结果。
通过本实施,在目标区域包含多个区域的情况下,只要满足该多个区域中的区域范围最小的第一区域的决策条件,即可确定出上述目标门店位置为候选门店,通过这种方式,能够快速的确定出目标门店位置是否为候选门店,提高了识别速度。
可选地,在本实施例中,在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,包括:在上述目标门店位置包括多个门店位置的情况下,将上述多个门店位置对应的多个目标特征信息一一输入至上述目标位置识别模型,得到上述目标位置识别模型输出的多个位置识别结果,其中,上述多个门店位置与上述多个位置识别结果一一对应。
可选地,当目标门店位置包括多个门店位置时,在上述第一设备上,可以将该多个门店位置对应的多个目标特征信息一一输入目标位置识别模型中,从而得到目标位置识别模型输出的与该多个门店位置一一对应的多个位置识别结果。
通过本实施例,可以对多个门店位置进行预测,判断出该多个门店位置是否为候选门店,避免了对多个门店通过人工分别蹲守判断门店位置的优劣性,提高了工作效率。
可选地,在本实施例中,在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果之前,上述方法还包括:获取训练样本集合以及上述样本门店位置的实际位置识别结果,其中,上述训练样本集合包括上述一组具有对应关系的上述样本门店位置和上述样本特征信息,上述训练样本集合和上述实际位置识别结果用于对上述待训练的位置识别模型中的待训练决策树进行训练,上述待训练决策树包括呈树状结构的一组节点以及上述一组节点中在非叶子节点上设置的决策条件;重复执行以下步骤,直到上述待训练决策树输出的预测位置识别结果与上述实际位置识别结果满足预定损失条件:将上述训练样本集合中的N个样本门店位置和对应的N个样本特征信息输入至上述待训练决策树,得到根据上述N个样本特征信息和上述与非叶子节点对应的决策条件分别确定出的N个预测位置识别结果;在上述N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件的情况下,对上述待训练决策树中的部分或全部决策条件进行调整,其中,N为1,或,N为大于或等于2的自然数。
可选地,在上述第一设备上,对待训练的位置识别模型中的待训练决策树进行训练的过程具体如下:
首先,获取训练样本集合以及样本门店位置的实际位置识别结果,其中,训练样本集合中包括一组具有对应关系的样本门店位置和样本特征信息,训练样本集合和实际位置识别结果用于对待训练的位置识别模型中的待训练决策树进行训练,待训练决策树包括呈树状结构的一组节点以及一组节点中在非叶子节点上设置的决策条件。
可选地,在训练待训练决策树时,在N为1的情况下,可以从练样本集合中挑选一个样本门店位置和对应的一个样本特征信息输入待训练决策树中,得到根据该一个样本特征信息和与非叶子节点对应的决策条件确定出的一个预测位置识别结果,如果该一个预测位置识别结果与对应的一个实际位置识别结果不满足预定损失条件,则对待训练决策树中的部分或全部决策条件进行调整。也就是说,可以通过一次输入一个样本特征信息的方式,对待训练决策树进行训练。
可选地,在训练待训练决策树时,在N为大于或等于2的自然数的情况下,可以从练样本集合中挑选N个(如1000个)样本门店位置和对应的N个(如1000个)样本特征信息输入待训练决策树中,得到根据该N个样本特征信息和与非叶子节点对应的决策条件确定出的N个(如1000个)预测位置识别结果,如果该N个(如1000个)预测位置识别结果与对应的N个(如1000个)实际位置识别结果不满足预定损失条件,则对待训练决策树中的部分或全部决策条件进行调整。也就是说,可以通过一次输入多个样本特征信息的方式,对待训练决策树进行训练。
可理解,上述仅为一种示例,本实施例在此不作任何限定。
通过本实施例,通过训练样本集合训练待训练决策树,并对待训练决策树中的部分或全部决策条件进行调整的方式,提高了训练精度。
可选地,在本实施例中,获取上述N个预测位置识别结果与对应的N个上述实际位置识别结果之间相同的识别结果的数量M,其中,M小于或等于N;在M与N的比值小于第一阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件;在M与N的比值大于或等于上述第一阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果满足上述预定损失条件;或者在N个上述实际位置识别结果包括S个类型的识别结果的情况下,获取上述N个预测位置识别结果与对应的N个上述实际位置识别结果之间在每个类型下相同的识别结果的数量,共得到S个数量,其中,S为大于或等于2的自然数;在上述S个数量中的每个数量与上述S个类型中对应的一个类型的识别结果的数量之间的比值不是都大于或等于第二阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件;在上述S个数量中的每个数量与上述S个类型中对应的一个类型的识别结果的数量之间的比值都大于或等于上述第二阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果满足上述预定损失条件。
可选地,N个预测位置识别结果和对应的N个实际位置识别之间识别结果相同的数量为M,如果M和N的比值小于第一阈值(如0.8),确定N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件;如果M和N的比值大于或等于上述第一阈值(如0.8),确定出N个预测位置识别结果与对应的N个上述实际位置识别结果满足上述预定损失条件。或者
上述S个类型可以包括三种类型,如好店、一般店、差店,在N个上述实际位置识别结果包括好店、一般店、差店的识别结果店为例进行说明:
假设N个预测位置识别结果与对应的N个上述实际位置识别结果之间在好店类型下相同的识别结果的数量为S1,假设N个预测位置识别结果与对应的N个上述实际位置识别结果之间在一般店类型下相同的识别结果的数量为S2,假设N个预测位置识别结果与对应的N个上述实际位置识别结果之间在差店类型下相同的识别结果的数量为S3,在上述S个数量(如上述S1,S2,S3)中的每个数量与上述S个类型中对应的一个类型的识别结果的数量之间的比值不是都大于或等于第二阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件;在上述S个数量(如上述S1,S2,S3)中的每个数量与上述S个类型中对应的一个类型的识别结果的数量之间的比值都大于或等于上述第二阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果满足上述预定损失条件。
可选地,在本实施例中,上述将上述训练样本集合中的N个样本门店位置和对应的N个样本特征信息输入至上述待训练决策树,得到根据上述N个样本特征信息和上述与非叶子节点对应的决策条件分别确定出的N个预测位置识别结果,包括:对于上述N个样本门店位置中的每个样本门店位置和上述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,上述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:判断上述当前样本特征信息中的上述样本区域内的人口特征是否满足上述待训练决策树中的第一节点上设置的第一决策条件;在上述当前样本特征信息中的上述样本区域内的人口特征满足上述第一决策条件的情况下,判断上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征是否满足上述待训练决策树中的第二节点上设置的第二决策条件;在上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征满足上述第二决策条件的情况下,判断上述当前样本特征信息中的上述样本区域内的交易特征是否满足上述待训练决策树中的第三节点上设置的第三决策条件;在上述当前样本特征信息中的上述样本区域内的交易特征满足上述第三决策条件,确定出上述当前样本门店位置的预测位置识别结果,其中,上述当前样本门店位置的预测位置识别结果用于表示上述当前样本门店位置为候选门店位置。
可选地,如图5所示,在上述第一设备上,对于上述N个样本门店位置中的每个样本门店位置和上述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,上述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:
判断上述当前样本特征信息中的上述样本区域内的人口特征是否满足上述待训练决策树中的第一节点上设置的第一决策条件(如100m内人口流量大于1000);
在上述当前样本特征信息中的上述样本区域内的人口特征满足上述第一决策条件(如100m内人口流量大于1000)的情况下,判断上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征是否满足上述待训练决策树中的第二节点上设置的第二决策条件(如100m内POI数量大于20);在上述当前样本特征信息中的上述样本区域内的人口特征不满足上述第一决策条件(如100m内人口流量大于1000)的情况下,判断上述当前样本特征信息中的上述样本区域内的人口特征是否满足上述待训练决策树中的第二节点上设置的第七决策条件(如100m内人口流量大于500),如果满足第七决策条件,可以确定出上述当前样本门店位置的预测位置识别结果为一般店,如果不满足第七决策条件,可以确定出上述当前样本门店位置的预测位置识别结果为差店。
在上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征满足上述第二决策条件(如100m内POI数量大于20)的情况下,判断上述当前样本特征信息中的上述样本区域内的交易特征是否满足上述待训练决策树中的第三节点上设置的第三决策条件(如100m内一天的交易总量大于2万);在上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征不满足上述第二决策条件(如100m内POI数量大于20)的情况下,判断上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征是否满足上述待训练决策树中的第二节点上设置的第八决策条件(如100m内POI数量大于10),如果满足第八决策条件,可以确定出上述当前样本门店位置的预测位置识别结果为一般店,如果不满足第七决策条件,可以确定出上述当前样本门店位置的预测位置识别结果为差店。
在上述当前样本特征信息中的上述样本区域内的交易特征满足上述第三决策条件(如100m内一天的交易总量大于2万),确定出上述当前样本门店位置的预测位置识别结果为好店;在上述当前样本特征信息中的上述样本区域内的交易特征不满足上述第三决策条件(如100m内一天的交易总量大于2万),判断上述当前样本特征信息中的上述样本区域内的交易特征是否满足上述待训练决策树中的第七节点上设置的第九决策条件(如100m内一天的交易总量大于1万),如果满足第九决策条件,可以确定出上述当前样本门店位置的预测位置识别结果为一般店,如果不满足第九决策条件,可以确定出上述当前样本门店位置的预测位置识别结果为差店。
其中,上述当前样本门店位置的预测位置识别结果用于表示上述当前样本门店位置为候选门店位置。
可理解,上述仅为一种示例,本实施例在此不作任何限定。
通过本实施例,可以通过决策树一层层进行判决,确定出不同结果的预测位置识别结果,提高了对门店位置识别结果的准确率。
可选地,在本实施例中,对上述待训练决策树中的部分或全部决策条件进行调整,包括以下至少之一:调整上述第一决策条件;调整上述第二决策条件;调整上述第三决策条件。
可选地,在上述第一设备上,对上述待训练决策树中的部分或全部决策条件进行调整时,可以调整第一决策条件、第二决策条件、第三决策条件中的一个或全部。例如,如果第一决策条件、第二决策条件、第三决策条件对预测位置识别结果的影响为第一决策条件>第二决策条件>第三决策条件,可以先调整第三决策条件,如果调整第三决策条件之后,预测位置识别结果的效果仍然较差,则调整第二决策条件,如果调整第二决策条件之后,预测位置识别结果的效果仍然较差,则调整第一决策条件。可理解,上述仅为一种示例,本实施例在此不作任何限定。
通过本实施例,通过调整决策条件的方式,能够使最终得到的目标位置识别模型更加准确,提高了目标位置识别模型识别的准确率。
可选地,在本实施例中,上述将上述训练样本集合中的N个样本门店位置和对应的N个样本特征信息输入至上述待训练决策树,得到根据上述N个样本特征信息和上述与非叶子节点对应的决策条件分别确定出的N个预测位置识别结果,包括:对于上述N个样本门店位置中的每个样本门店位置和上述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,上述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:在上述当前样本门店位置的样本区域包括多个样本区域的情况下,判断上述当前样本特征信息中的第一样本区域内的人口特征是否满足上述待训练决策树中的第四节点上设置的第四决策条件,其中,上述多个样本区域均以上述当前样本门店位置为中心,上述当前样本门店位置的区域范围彼此不同,上述多个样本区域中的上述第一样本区域的区域范围最小;在上述当前样本特征信息中的上述第一样本区域内的人口特征满足上述第四决策条件的情况下,判断上述当前样本特征信息中的上述第一样本区域内的上述目标类型的POI的POI特征是否满足上述待训练决策树中的第五节点上设置的第五决策条件;在上述当前样本特征信息中的上述第一样本区域内的上述目标类型的POI的POI特征满足上述第五决策条件的情况下,判断上述当前样本特征信息中的上述第一样本区域内的交易特征是否满足上述待训练决策树中的第六节点上设置的第六决策条件;在上述当前样本特征信息中的上述第一样本区域内的交易特征满足上述第六决策条件,确定出上述当前样本门店位置的预测位置识别结果,其中,上述当前样本门店位置的预测位置识别结果用于表示上述当前样本门店位置为候选门店位置。
可选地,如图6所示,在上述第一设备上,对于上述N个样本门店位置中的每个样本门店位置和上述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,上述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:
在上述当前样本门店位置的样本区域包括多个样本区域的情况下,判断上述当前样本特征信息中的第一样本区域内的人口特征是否满足上述待训练决策树中的第四节点上设置的第四决策条件(如50m内人口流量是否大于1000),其中,上述多个样本区域均以上述当前样本门店位置为中心,上述当前样本门店位置的区域范围彼此不同,上述多个样本区域中的上述第一样本区域的区域范围最小;
在上述当前样本特征信息中的上述第一样本区域内的人口特征满足上述第四决策条件(如50m内人口流量是否大于1000)的情况下,判断上述当前样本特征信息中的上述第一样本区域内的上述目标类型的POI的POI特征是否满足上述待训练决策树中的第五节点上设置的第五决策条件(如50m内POI数量是否大于20);
在上述当前样本特征信息中的上述第一样本区域内的上述目标类型的POI的POI特征满足上述第五决策条件(如50m内POI数量是否大于20)的情况下,判断上述当前样本特征信息中的上述第一样本区域内的交易特征是否满足上述待训练决策树中的第六节点上设置的第六决策条件(如50m内一天的交易总量是否大于2万);
在上述当前样本特征信息中的上述第一样本区域内的交易特征满足上述第六决策条件(如50m内一天的交易总量是否大于2万),确定出上述当前样本门店位置的预测位置识别结果,其中,上述当前样本门店位置的预测位置识别结果用于表示上述当前样本门店位置为候选门店位置。
通过本实施例,可以通过决策树一层层进行判决,确定出不同结果的预测位置识别结果,提高了对门店位置识别结果的准确率。
位置识别结果,提高了对门店位置识别结果的准确率。
可选地,在本实施例中,在上述第一设备上对上述待训练决策树中的部分或全部决策条件进行调整,包括以下至少之一:调整上述第四决策条件;调整上述第五决策条件;调整上述第六决策条件。
可选地,在上述第一设备上,对上述待训练决策树中的部分或全部决策条件进行调整时,可以调整第四决策条件、第五决策条件、第六决策条件中的一个或全部。例如,如果第四决策条件、第五决策条件、第六决策条件对预测位置识别结果的影响为第四决策条件>第五决策条件>第六决策条件,可以先调整第六决策条件,如果调整第六决策条件之后,预测位置识别结果的效果仍然较差,则调整第五决策条件,如果调整第五决策条件之后,预测位置识别结果的效果仍然较差,则调整第四决策条件。可理解,上述仅为一种示例,本实施例在此不作任何限定。
通过本实施例,通过调整决策条件的方式,能够使最终得到的目标位置识别模型更加准确,提高了目标位置识别模型识别的准确率。
需要说明的是,目前自动售卖机选址主要靠人工蹲点观察然后凭经验选出最优位置,存在选址工作周期长、效率低,无法在短时间内完成大批量自动售卖机的投放(比如一个月内在某一个城市完成10w台贩售机投放场景)。
为了解决上述问题,下面结合可选示例对目标门店位置的识别的方法的流程进行说明。如图7所示,为本发明实施例提供的一种目标门店位置的识别的整体业务流程图。
在一种可选的实施例中,以对贩售机进行选址为例进行说明。
首先,假设以下因素会对贩售机的选址有影响:
1、假设贩售机周边居民数量、人流量对贩售机销售额有影响;
2、假设贩售机周边居民及人流的消费习惯对贩售机销售额有影响;
3、假设贩售机周边的POI兴趣点类型会对贩售机销售额产生影响,如便利店、超市会对其产生竞争压力。
4、忽略销售机局部位置差异的影响:如一台贩售机安装在商业门里面or外面一般会对销售额产生影响,本发明实施例中的模型不考虑这种影响。
如图7所示,在确定好对贩售机选址有影响的因素之后,开始构建预测贩售机选址的好坏的模型,具体过程如下:
第一步:构造样本集和测试集,样本集用于模型训练,测试集用于模型评价,具体过程如下:
步骤1,对商户提供的贩售机数据进行清洗(剔除异常交易数据,错误数据)。
步骤2,对贩售机样本进行评价分类,如将样本按交易量划分为好店、一般店、差店三类。
步骤3,将上述步骤的样本随机抽样,划分为训练集与测试集。一般测试集占总体样本的1%-10%。
第二步:通过构造好的样本集和测试集,对模型进行训练。
步骤1,划定作用域:圈定每个样本的三级作用域:以样本为中心,划定r1/r2/r3三个半径不同的同心圆为作用域。r1/r2/r3的选择依据城市人口密度,一个简单选择方法如:市中心密集区可以选择:r1=50m/r2=100m/r3=500m;人口稀疏的郊区可以选择r1=100m/r2=500m/r3=2000m。
步骤2,构建特征工程:依据地理大数据/移动交易大数据构建样本特征,包括如下几类:
表1
Figure BDA0002558519290000271
步骤3,模型参数训练:对待训练的位置识别模型进行训练,学习模型参数,即输出决策树。
步骤4,作用测试集对训练模型进行评价。如使用训练模型对1500个测试集样本进行预测,比如预测分类与真实分类的效果:
表2
Figure BDA0002558519290000281
上述表1的准确率如下:
(1)整体准确率:
70.1%=[(20+439+592)/(20+49+6+7+439+222+0+165+592)]
(2)好店准确率:74.1%=[20/(20+7)]
(3)好店+一般店的准确率:
75.7%=[(20+49+7+439)/(20+49+7+439+0+165)]
第三步:候选位置预测输出结果。
步骤1,商户提供候选位置。
步骤2,数据清洗,格式统一。
步骤3,划定三级作用域,与“第二步”步骤1中的划分规则一致。
步骤4,候选位置特征工程,与“第二步”步骤2中的标准一致。
步骤5,使用“第二步”训练得到的模型对候选数据进行预测,输出预测值,如表3所示,为不同候选位置id的预测结果。
表3
候选位置id 预测结果
Id_1 一般店
Id_2 差店
Id_3 好店
Id_4 一般店
…… ……
通过本实施例,依托移动支付大数据对传统人力密集型选址工作赋能,能够快速找出可以投放的优良候选位置,大大缩短了贩售机投放的周期,助力市场快速扩张,极大地提高了选址效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的又一方面,还提供了一种目标门店位置的识别的装置,如图8所示,该装置包括:
第一获取单元802,用于在第一设备上获取第二设备发送的待识别的目标门店位置;
第二获取单元804,用于在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,其中,上述目标区域以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;
第一处理单元806,用于在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,其中,上述位置识别结果用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征;
发送单元808,用于在上述第一设备上向上述第二设备发送上述位置识别结果,其中,上述位置识别结果用于显示在上述第二设备上。
通过本实施例,在第一设备上获取第二设备发送的获取待识别的目标门店位置,并在第一设备上获取上述目标门店位置的目标区域中的目标特征信息,在第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,能够得到上述目标位置识别模型输出的位置识别结果,然后,在上述第一设备上向上述第二设备发送上述位置识别结果,并在在上述第二设备上显示上述位置识别结果,然后,在上述第一设备上向上述第二设备发送上述位置识别结果,并在在上述第二设备上显示上述位置识别结果,其中,上述目标区域是以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;上述位置识别结果可以用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征。在对贩售机、门店进行选址时,通过获取到的上述目标特征信息,在目标位置识别模型中对目标门店位置的选址进行预测,可以得到位置识别结果,根据位置识别结果可以得到该目标门店位置是否可以作为候选门店,避免了通过人工长期蹲守,来判断贩售机、门店等的选址是否合理,提高了工作效率,解决了相关技术中,在对自动售卖机、门店等进行选址时,存在周期长、成本高、不准确的技术问题。
作为一种可选的技术方案,上述第二获取单元,包括:
第一获取模块,用于在上述目标区域包括多个区域的情况下,获取上述多个区域的区域范围,其中,上述多个区域均以上述目标门店位置为中心,上述多个区域的区域范围彼此不同;第二获取模块,用于获取上述多个区域中的每个区域中的上述目标特征信息。
作为一种可选的技术方案,上述第二获取单元,包括以下至少之一:第三获取模块,用于获取上述目标区域内的居住人口统计特征,其中,上述目标区域内的人口特征包括上述居住人口统计特征,上述居住人口统计特征用于表示上述目标区域内的居住人口数量;第四获取模块,用于获取上述目标区域内的工作人口统计特征,其中,上述目标区域内的人口特征包括上述工作人口统计特征,上述工作人口统计特征用于表示上述目标区域内的工作人口数量;第五获取模块,用于获取上述目标区域内预设时间段内的人口流动统计特征,其中,上述目标区域内的人口特征包括上述人口流动统计特征,上述人口流动统计特征用于表示上述目标区域内预设时间段内的人口流动数量。
作为一种可选的技术方案,上述第五获取模块,还用于上述获取上述目标区域内预设时间段内的人口流动统计特征,包括:获取上述目标区域内上述预设时间段内的视频监控信息;根据上述视频监控信息确定上述人口流动统计特征。
作为一种可选的技术方案,上述第二获取单元,包括:第六获取模块,用于获取上述目标区域内所包含的上述目标类型中每个POI类型的POI的数量,其中,上述目标区域内的上述目标类型的POI的POI特征包括上述目标类型中每个POI类型的POI的数量,上述目标类型包括一个或多个POI类型。
作为一种可选的技术方案,上述第二获取单元,包括:第七获取模块,用于获取上述目标区域内预设时间段内的支付信息,其中,上述目标区域内的交易特征包括上述支付信息,上述支付信息包括以下至少之一:一个或多个支付数量区间中的每个支付数量区间内的支付次数,一个或多个支付数量区间中的每个支付数量区间内的支付人数。
作为一种可选的技术方案,上述第一处理单元,还用于通过上述目标位置识别模型中训练好的目标决策树,对上述目标特征信息进行决策操作,得到上述目标位置识别模型输出的位置识别结果,其中,上述目标决策树用于根据上述目标特征信息确定上述目标门店位置对应的上述位置识别结果。
作为一种可选的技术方案,上述第一处理单元,包括:第一判断模块,用于判断上述目标特征信息中的上述目标区域内的人口特征是否满足上述目标决策树中的第一节点上设置的第一决策条件;第二判断模块,用于在上述目标特征信息中的上述目标区域内的人口特征满足上述第一决策条件的情况下,判断上述目标特征信息中的上述目标区域内的目标类型的兴趣点POI的POI特征是否满足上述目标决策树中的第二节点上设置的第二决策条件;第三判断模块,用于在上述目标特征信息中的上述目标区域内的目标类型的兴趣点POI的POI特征满足上述第二决策条件的情况下,判断上述目标特征信息中的上述目标区域内的交易特征是否满足上述目标决策树中的第三节点上设置的第三决策条件;第一确定模块,用于在上述目标特征信息中的上述目标区域内的交易特征满足上述第三决策条件,确定出上述目标门店位置的第一位置识别结果,其中,上述目标门店位置的第一位置识别结果用于表示上述目标门店位置为候选门店位置,上述目标位置识别模型输出的位置识别结果包括上述第一位置识别结果。
作为一种可选的技术方案,上述第一处理单元,包括:第四判断模块,用于在上述目标区域包括多个区域的情况下,判断上述目标特征信息中的第一区域内的人口特征是否满足上述目标决策树中的第四节点上设置的第四决策条件,其中,上述多个区域均以上述目标门店位置为中心,上述多个区域的区域范围彼此不同,上述多个区域中的上述第一区域的区域范围最小;第五判断模块,用于在上述目标特征信息中的上述第一区域内的人口特征满足上述第四决策条件的情况下,判断上述目标特征信息中的上述第一区域内的目标类型的兴趣点POI的POI特征是否满足上述目标决策树中的第五节点上设置的第五决策条件;第六判断模块,用于在上述目标特征信息中的上述第一区域内的目标类型的兴趣点POI的POI特征满足上述第五决策条件的情况下,判断上述目标特征信息中的上述第一区域内的交易特征是否满足上述目标决策树中的第六节点上设置的第六决策条件;第二确定模块,用于在上述目标特征信息中的上述第一区域内的交易特征满足上述第六决策条件,确定出上述目标门店位置的第二位置识别结果,其中,上述目标门店位置的第二位置识别结果用于表示上述目标门店位置为候选门店位置,上述目标位置识别模型输出的位置识别结果包括上述第二位置识别结果。
作为一种可选的技术方案,上述第一处理单元,还用于在上述目标门店位置包括多个门店位置的情况下,将上述多个门店位置对应的多个目标特征信息一一输入至上述目标位置识别模型,得到上述目标位置识别模型输出的多个位置识别结果,其中,上述多个门店位置与上述多个位置识别结果一一对应。
作为一种可选的技术方案,上述装置还包括:第三获取单元,用于获取训练样本集合以及上述样本门店位置的实际位置识别结果,其中,上述训练样本集合包括上述一组具有对应关系的上述样本门店位置和上述样本特征信息,上述训练样本集合和上述实际位置识别结果用于对上述待训练的位置识别模型中的待训练决策树进行训练,上述待训练决策树包括呈树状结构的一组节点以及上述一组节点中在非叶子节点上设置的决策条件;第二处理单元,用于重复执行以下步骤,直到上述待训练决策树输出的预测位置识别结果与上述实际位置识别结果满足预定损失条件:将上述训练样本集合中的N个样本门店位置和对应的N个样本特征信息输入至上述待训练决策树,得到根据上述N个样本特征信息和上述与非叶子节点对应的决策条件分别确定出的N个预测位置识别结果;在上述N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件的情况下,对上述待训练决策树中的部分或全部决策条件进行调整,其中,N为1,或,N为大于或等于2的自然数。
作为一种可选的技术方案,上述装置还包括:第四获取单元,用于获取上述N个预测位置识别结果与对应的N个上述实际位置识别结果之间相同的识别结果的数量M,其中,M小于或等于N;在M与N的比值小于第一阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件;在M与N的比值大于或等于上述第一阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果满足上述预定损失条件;或者,第三处理单元,用于在N个上述实际位置识别结果包括S个类型的识别结果的情况下,获取上述N个预测位置识别结果与对应的N个上述实际位置识别结果之间在每个类型下相同的识别结果的数量,共得到S个数量,其中,S为大于或等于2的自然数;在上述S个数量中的每个数量与上述S个类型中对应的一个类型的识别结果的数量之间的比值不是都大于或等于第二阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果不满足上述预定损失条件;在上述S个数量中的每个数量与上述S个类型中对应的一个类型的识别结果的数量之间的比值都大于或等于上述第二阈值的情况下,确定出上述N个预测位置识别结果与对应的N个上述实际位置识别结果满足上述预定损失条件。
作为一种可选的技术方案,上述第二处理单元,包括:第七判断模块,用于对于上述N个样本门店位置中的每个样本门店位置和上述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,上述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:判断上述当前样本特征信息中的上述样本区域内的人口特征是否满足上述待训练决策树中的第一节点上设置的第一决策条件;第八判断模块,用于在上述当前样本特征信息中的上述样本区域内的人口特征满足上述第一决策条件的情况下,判断上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征是否满足上述待训练决策树中的第二节点上设置的第二决策条件;第九判断模块,用于在上述当前样本特征信息中的上述样本区域内的上述目标类型的POI的POI特征满足上述第二决策条件的情况下,判断上述当前样本特征信息中的上述样本区域内的交易特征是否满足上述待训练决策树中的第三节点上设置的第三决策条件;第三确定模块,用于在上述当前样本特征信息中的上述样本区域内的交易特征满足上述第三决策条件,确定出上述当前样本门店位置的预测位置识别结果,其中,上述当前样本门店位置的预测位置识别结果用于表示上述当前样本门店位置为候选门店位置。
作为一种可选的技术方案,上述第二处理单元,包括以下至少之一:第一调整模块,用于调整上述第一决策条件;第二调整模块,用于调整上述第二决策条件;第三调整模块,用于调整上述第三决策条件。
作为一种可选的技术方案,上述第二处理单元,包括:第十判断模块,用于对于上述N个样本门店位置中的每个样本门店位置和上述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,上述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:在上述当前样本门店位置的样本区域包括多个样本区域的情况下,判断上述当前样本特征信息中的第一样本区域内的人口特征是否满足上述待训练决策树中的第四节点上设置的第四决策条件,其中,上述多个样本区域均以上述当前样本门店位置为中心,上述当前样本门店位置的区域范围彼此不同,上述多个样本区域中的上述第一样本区域的区域范围最小;第十一判断模块,用于在上述当前样本特征信息中的上述第一样本区域内的人口特征满足上述第四决策条件的情况下,判断上述当前样本特征信息中的上述第一样本区域内的上述目标类型的POI的POI特征是否满足上述待训练决策树中的第五节点上设置的第五决策条件;第十二判断模块,用于在上述当前样本特征信息中的上述第一样本区域内的上述目标类型的POI的POI特征满足上述第五决策条件的情况下,判断上述当前样本特征信息中的上述第一样本区域内的交易特征是否满足上述待训练决策树中的第六节点上设置的第六决策条件;第四确定模块,用于在上述当前样本特征信息中的上述第一样本区域内的交易特征满足上述第六决策条件,确定出上述当前样本门店位置的预测位置识别结果,其中,上述当前样本门店位置的预测位置识别结果用于表示上述当前样本门店位置为候选门店位置。
作为一种可选的技术方案,上述第二处理单元,包括以下至少之一:第四调整模块,用于调整上述第四决策条件;第五调整模块,用于调整上述第五决策条件;第六调整模块,用于调整上述第六决策条件。
根据本发明的实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,在第一设备上获取第二设备发送的待识别的目标门店位置;
S2,在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,其中,上述目标区域以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;
S3,在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,其中,上述位置识别结果用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征;
S4,在上述第一设备上向上述第二设备发送上述位置识别结果,其中,上述位置识别结果用于显示在上述第二设备上。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来命令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取器)、磁盘或光盘等。
根据本发明实施例的又一个方面,还提供了一种用于实施上述目标门店位置的识别的方法的电子设备,该电子设备可以是图2所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图9所示,该电子设备包括存储器902和处理器904,该存储器902中存储有计算机程序,该处理器904被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,在第一设备上获取第二设备发送的待识别的目标门店位置;
S2,在上述第一设备上获取上述目标门店位置的目标区域中的目标特征信息,其中,上述目标区域以上述目标门店位置为中心,上述目标特征信息包括上述目标区域内的人口特征、上述目标区域内的目标类型的兴趣点POI的POI特征以及上述目标区域内的交易特征;
S3,在上述第一设备上将上述目标门店位置和上述目标特征信息输入至训练好的目标位置识别模型,得到上述目标位置识别模型输出的位置识别结果,其中,上述位置识别结果用于表示上述目标门店位置是否为候选门店位置,上述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,上述样本特征信息是以上述样本门店位置为中心的样本区域中的特征信息,上述样本特征信息包括上述样本区域内的人口特征,上述样本区域内的上述目标类型的POI的POI特征以及上述样本区域内的交易特征;
S4,在上述第一设备上向上述第二设备发送上述位置识别结果,其中,上述位置识别结果用于显示在上述第二设备上。
可选地,本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图9中所示更多或者更少的组件(如网络接口等),或者具有与图9所示不同的配置。
其中,存储器902可用于存储软件程序以及模块,如本发明实施例中的目标门店位置的识别的方法和装置对应的程序命令/模块,处理器904通过运行存储在存储器902内的软件程序以及模块,从而执行各种功能应用以及目标门店位置的识别的,即实现上述的目标门店位置的识别的方法。存储器902可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器902可进一步包括相对于处理器904远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。作为一种示例,如图9所示,上述存储器902中可以但不限于包括上述目标门店位置的识别的装置中的第一获取单元802,第二获取单元804、第一处理单元806、发送单元808。此外,还可以包括但不限于上述目标门店位置的识别的装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置906包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置906为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器908,用于显示上述位置识别结果;和连接总线910,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来命令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的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,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明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存储介质中,包括若干命令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
上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,在本发明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。
以上上述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种目标门店位置的识别的方法,其特征在于,包括:
在第一设备上获取第二设备发送的待识别的目标门店位置;
在所述第一设备上获取所述目标门店位置的目标区域中的目标特征信息,其中,所述目标区域以所述目标门店位置为中心,所述目标特征信息包括所述目标区域内的人口特征、所述目标区域内的目标类型的兴趣点POI的POI特征以及所述目标区域内的交易特征,在所述目标区域包括多个作用域的情况下,获取所述多个作用域中的每个作用域中的所述目标特征信息,以根据所述多个作用域中的每个作用域范围统计所述目标特征信息,其中,所述多个作用域是根据区域范围划分的多级作用域,所述多个作用域是均以所述目标门店位置为中心,具有不同半径的多个同心圆的区域;
在所述第一设备上将所述目标门店位置和所述目标特征信息输入至训练好的目标位置识别模型,得到所述目标位置识别模型输出的位置识别结果,其中,所述位置识别结果用于表示所述目标门店位置是否为候选门店位置,所述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,所述样本特征信息是以所述样本门店位置为中心的样本区域中的特征信息,所述样本特征信息包括所述样本区域内的人口特征,所述样本区域内的所述目标类型的POI的POI特征以及所述样本区域内的交易特征;
其中,所述在所述第一设备上获取所述目标门店位置的目标区域中的目标特征信息,包括:
获取所述目标区域内的所述多个作用域中的每个作用域中的预设时间段内的支付信息,其中,所述目标区域内的交易特征包括所述支付信息,所述支付信息包括以下至少之一:一个或多个支付数量区间中的每个支付数量区间内的支付次数,一个或多个支付数量区间中的每个支付数量区间内的支付人数;所述多个作用域的作用域范围彼此不同,所述多个作用域中的第一作用域的区域范围最小;
所述在所述第一设备上将所述目标门店位置和所述目标特征信息输入至训练好的目标位置识别模型,得到所述目标位置识别模型输出的位置识别结果,包括:判断所述第一作用域内的所述目标特征信息中的人口特征是否满足所述目标决策树中的第四节点上设置的第四决策条件,若满足第四决策条件,则判断所述第一作用域内的所述目标特征信息中的目标类型的兴趣点POI的POI特征是否满足所述目标决策树中的第五节点上设置的第五决策条件,若满足第五决策条件,判断所述第一作用域内的所述目标特征信息中的交易特征是否满足所述目标决策树中的第六节点上设置的第六决策条件,若满足述第六决策条件,确定出所述目标门店位置的第二位置识别结果,其中,所述目标门店位置的第二位置识别结果用于表示所述目标门店位置为候选门店位置,所述目标位置识别模型输出的位置识别结果包括所述第二位置识别结果;
在所述第一设备上向所述第二设备发送所述位置识别结果,其中,所述位置识别结果用于显示在所述第二设备上。
2.根据权利要求1所述的方法,其特征在于,所述在所述第一设备上获取所述目标门店位置的目标区域中的目标特征信息,包括以下至少之一:
获取所述目标区域内的居住人口统计特征,其中,所述目标区域内的人口特征包括所述居住人口统计特征,所述居住人口统计特征用于表示所述目标区域内的居住人口数量;
获取所述目标区域内的工作人口统计特征,其中,所述目标区域内的人口特征包括所述工作人口统计特征,所述工作人口统计特征用于表示所述目标区域内的工作人口数量;
获取所述目标区域内预设时间段内的人口流动统计特征,其中,所述目标区域内的人口特征包括所述人口流动统计特征,所述人口流动统计特征用于表示所述目标区域内预设时间段内的人口流动数量。
3.根据权利要求1所述的方法,其特征在于,所述在所述第一设备上获取所述目标门店位置的目标区域中的目标特征信息,包括:
获取所述目标区域内所包含的所述目标类型中每个POI类型的POI的数量,其中,所述目标区域内的所述目标类型的POI的POI特征包括所述目标类型中每个POI类型的POI的数量,所述目标类型包括一个或多个POI类型。
4.根据权利要求1所述的方法,其特征在于,所述在所述第一设备上将所述目标门店位置和所述目标特征信息输入至训练好的目标位置识别模型,得到所述目标位置识别模型输出的位置识别结果,包括:
通过所述目标位置识别模型中训练好的目标决策树,对所述目标特征信息进行决策操作,得到所述目标位置识别模型输出的位置识别结果,其中,所述目标决策树用于根据所述目标特征信息确定所述目标门店位置对应的所述位置识别结果。
5.根据权利要求4所述的方法,其特征在于,所述通过所述目标位置识别模型中训练好的目标决策树,对所述目标特征信息进行决策操作,得到所述目标位置识别模型输出的位置识别结果,包括:
判断所述目标特征信息中的所述目标区域内的人口特征是否满足所述目标决策树中的第一节点上设置的第一决策条件;
在所述目标特征信息中的所述目标区域内的人口特征满足所述第一决策条件的情况下,判断所述目标特征信息中的所述目标区域内的目标类型的兴趣点POI的POI特征是否满足所述目标决策树中的第二节点上设置的第二决策条件;
在所述目标特征信息中的所述目标区域内的目标类型的兴趣点POI的POI特征满足所述第二决策条件的情况下,判断所述目标特征信息中的所述目标区域内的交易特征是否满足所述目标决策树中的第三节点上设置的第三决策条件;
在所述目标特征信息中的所述目标区域内的交易特征满足所述第三决策条件,确定出所述目标门店位置的第一位置识别结果,其中,所述目标门店位置的第一位置识别结果用于表示所述目标门店位置为候选门店位置,所述目标位置识别模型输出的位置识别结果包括所述第一位置识别结果。
6.根据权利要求4所述的方法,其特征在于,所述通过所述目标位置识别模型中训练好的目标决策树,对所述目标特征信息进行决策操作,得到所述目标位置识别模型输出的位置识别结果,包括:
在所述目标区域包括多个区域的情况下,判断所述目标特征信息中的第一区域内的人口特征是否满足所述目标决策树中的第四节点上设置的第四决策条件,其中,所述多个区域均以所述目标门店位置为中心,所述多个区域的区域范围彼此不同,所述多个区域中的所述第一区域的区域范围最小;
在所述目标特征信息中的所述第一区域内的人口特征满足所述第四决策条件的情况下,判断所述目标特征信息中的所述第一区域内的目标类型的兴趣点POI的POI特征是否满足所述目标决策树中的第五节点上设置的第五决策条件;
在所述目标特征信息中的所述第一区域内的目标类型的兴趣点POI的POI特征满足所述第五决策条件的情况下,判断所述目标特征信息中的所述第一区域内的交易特征是否满足所述目标决策树中的第六节点上设置的第六决策条件;
在所述目标特征信息中的所述第一区域内的交易特征满足所述第六决策条件,确定出所述目标门店位置的第二位置识别结果,其中,所述目标门店位置的第二位置识别结果用于表示所述目标门店位置为候选门店位置,所述目标位置识别模型输出的位置识别结果包括所述第二位置识别结果。
7.根据权利要求1至6中任一项所述的方法,其特征在于,在所述第一设备上将所述目标门店位置和所述目标特征信息输入至训练好的目标位置识别模型,得到所述目标位置识别模型输出的位置识别结果之前,所述方法还包括:
获取训练样本集合以及所述样本门店位置的实际位置识别结果,其中,所述训练样本集合包括所述一组具有对应关系的所述样本门店位置和所述样本特征信息,所述训练样本集合和所述实际位置识别结果用于对所述待训练的位置识别模型中的待训练决策树进行训练,所述待训练决策树包括呈树状结构的一组节点以及所述一组节点中在非叶子节点上设置的决策条件;
重复执行以下步骤,直到所述待训练决策树输出的预测位置识别结果与所述实际位置识别结果满足预定损失条件:将所述训练样本集合中的N个样本门店位置和对应的N个样本特征信息输入至所述待训练决策树,得到根据所述N个样本特征信息和所述非叶子节点对应的决策条件分别确定出的N个预测位置识别结果;在所述N个预测位置识别结果与对应的N个所述实际位置识别结果不满足所述预定损失条件的情况下,对所述待训练决策树中的部分或全部决策条件进行调整,其中,N为1,或,N为大于或等于2的自然数。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
获取所述N个预测位置识别结果与对应的N个所述实际位置识别结果之间相同的识别结果的数量M,其中,M小于或等于N;在M与N的比值小于第一阈值的情况下,确定出所述N个预测位置识别结果与对应的N个所述实际位置识别结果不满足所述预定损失条件;在M与N的比值大于或等于所述第一阈值的情况下,确定出所述N个预测位置识别结果与对应的N个所述实际位置识别结果满足所述预定损失条件;或者
在N个所述实际位置识别结果包括S个类型的识别结果的情况下,获取所述N个预测位置识别结果与对应的N个所述实际位置识别结果之间在每个类型下相同的识别结果的数量,共得到S个数量,其中,S为大于或等于2的自然数;在所述S个数量中的每个数量与所述S个类型中对应的一个类型的识别结果的数量之间的比值不是都大于或等于第二阈值的情况下,确定出所述N个预测位置识别结果与对应的N个所述实际位置识别结果不满足所述预定损失条件;在所述S个数量中的每个数量与所述S个类型中对应的一个类型的识别结果的数量之间的比值都大于或等于所述第二阈值的情况下,确定出所述N个预测位置识别结果与对应的N个所述实际位置识别结果满足所述预定损失条件。
9.根据权利要求7所述的方法,其特征在于,所述将所述训练样本集合中的N个样本门店位置和对应的N个样本特征信息输入至所述待训练决策树,得到根据所述N个样本特征信息和所述非叶子节点对应的决策条件分别确定出的N个预测位置识别结果,包括:
对于所述N个样本门店位置中的每个样本门店位置和所述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,所述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:
判断所述当前样本特征信息中的所述样本区域内的人口特征是否满足所述待训练决策树中的第一节点上设置的第一决策条件;
在所述当前样本特征信息中的所述样本区域内的人口特征满足所述第一决策条件的情况下,判断所述当前样本特征信息中的所述样本区域内的所述目标类型的POI的POI特征是否满足所述待训练决策树中的第二节点上设置的第二决策条件;
在所述当前样本特征信息中的所述样本区域内的所述目标类型的POI的POI特征满足所述第二决策条件的情况下,判断所述当前样本特征信息中的所述样本区域内的交易特征是否满足所述待训练决策树中的第三节点上设置的第三决策条件;
在所述当前样本特征信息中的所述样本区域内的交易特征满足所述第三决策条件,确定出所述当前样本门店位置的预测位置识别结果,其中,所述当前样本门店位置的预测位置识别结果用于表示所述当前样本门店位置为候选门店位置。
10.根据权利要求7所述的方法,其特征在于,所述将所述训练样本集合中的N个样本门店位置和对应的N个样本特征信息输入至所述待训练决策树,得到根据所述N个样本特征信息和所述非叶子节点对应的决策条件分别确定出的N个预测位置识别结果,包括:
对于所述N个样本门店位置中的每个样本门店位置和所述N个样本特征信息中对应的样本特征信息,执行以下步骤,其中,在执行以下步骤时,所述样本门店位置和对应的样本特征信息分别被视为当前样本门店位置和当前样本特征信息:
在所述当前样本门店位置的样本区域包括多个样本区域的情况下,判断所述当前样本特征信息中的第一样本区域内的人口特征是否满足所述待训练决策树中的第四节点上设置的第四决策条件,其中,所述多个样本区域均以所述当前样本门店位置为中心,所述当前样本门店位置的区域范围彼此不同,所述多个样本区域中的所述第一样本区域的区域范围最小;
在所述当前样本特征信息中的所述第一样本区域内的人口特征满足所述第四决策条件的情况下,判断所述当前样本特征信息中的所述第一样本区域内的所述目标类型的POI的POI特征是否满足所述待训练决策树中的第五节点上设置的第五决策条件;
在所述当前样本特征信息中的所述第一样本区域内的所述目标类型的POI的POI特征满足所述第五决策条件的情况下,判断所述当前样本特征信息中的所述第一样本区域内的交易特征是否满足所述待训练决策树中的第六节点上设置的第六决策条件;
在所述当前样本特征信息中的所述第一样本区域内的交易特征满足所述第六决策条件,确定出所述当前样本门店位置的预测位置识别结果,其中,所述当前样本门店位置的预测位置识别结果用于表示所述当前样本门店位置为候选门店位置。
11.一种目标门店位置的识别的装置,其特征在于,包括:
第一获取单元,用于在第一设备上获取第二设备发送的待识别的目标门店位置;
第二获取单元,用于在所述第一设备上获取所述目标门店位置的目标区域中的目标特征信息,其中,所述目标区域以所述目标门店位置为中心,所述目标特征信息包括所述目标区域内的人口特征、所述目标区域内的目标类型的兴趣点POI的POI特征以及所述目标区域内的交易特征,在所述目标区域包括多个作用域的情况下,获取所述多个作用域中的每个作用域中的所述目标特征信息,以根据所述多个作用域中的每个作用域范围统计所述目标特征信息,其中,所述多个作用域是根据区域范围划分的多级作用域,所述多个作用域为均以所述目标门店位置为中心,具有不同半径的多个同心圆的区域;
第一处理单元,用于在所述第一设备上将所述目标门店位置和所述目标特征信息输入至训练好的目标位置识别模型,得到所述目标位置识别模型输出的位置识别结果,其中,所述位置识别结果用于表示所述目标门店位置是否为候选门店位置,所述目标位置识别模型是使用一组具有对应关系的样本门店位置和样本特征信息对待训练的位置识别模型进行训练得到的模型,所述样本特征信息是以所述样本门店位置为中心的样本区域中的特征信息,所述样本特征信息包括所述样本区域内的人口特征,所述样本区域内的所述目标类型的POI的POI特征以及所述样本区域内的交易特征;
其中,所述在所述第一设备上获取所述目标门店位置的目标区域中的目标特征信息,包括:
获取所述目标区域内的所述多个作用域中的每个作用域中的预设时间段内的支付信息,其中,所述目标区域内的交易特征包括所述支付信息,所述支付信息包括以下至少之一:一个或多个支付数量区间中的每个支付数量区间内的支付次数,一个或多个支付数量区间中的每个支付数量区间内的支付人数;所述多个作用域的作用域范围彼此不同,所述多个作用域中的第一作用域的区域范围最小;
所述在所述第一设备上将所述目标门店位置和所述目标特征信息输入至训练好的目标位置识别模型,得到所述目标位置识别模型输出的位置识别结果,包括:判断所述第一作用域内的所述目标特征信息中的人口特征是否满足所述目标决策树中的第四节点上设置的第四决策条件,若满足第四决策条件,则判断所述第一作用域内的所述目标特征信息中的目标类型的兴趣点POI的POI特征是否满足所述目标决策树中的第五节点上设置的第五决策条件,若满足第五决策条件,判断所述第一作用域内的所述目标特征信息中的交易特征是否满足所述目标决策树中的第六节点上设置的第六决策条件,若满足述第六决策条件,确定出所述目标门店位置的第二位置识别结果,其中,所述目标门店位置的第二位置识别结果用于表示所述目标门店位置为候选门店位置,所述目标位置识别模型输出的位置识别结果包括所述第二位置识别结果;
发送单元,用于在所述第一设备上向所述第二设备发送所述位置识别结果,其中,所述位置识别结果用于显示在所述第二设备上。
12.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至10任一项中所述的方法。
13.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至10任一项中所述的方法。
CN202010598956.1A 2020-06-28 2020-06-28 目标门店位置的识别的方法和装置、存储介质和电子设备 Active CN111598188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010598956.1A CN111598188B (zh) 2020-06-28 2020-06-28 目标门店位置的识别的方法和装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010598956.1A CN111598188B (zh) 2020-06-28 2020-06-28 目标门店位置的识别的方法和装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN111598188A CN111598188A (zh) 2020-08-28
CN111598188B true CN111598188B (zh) 2022-05-24

Family

ID=72186528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010598956.1A Active CN111598188B (zh) 2020-06-28 2020-06-28 目标门店位置的识别的方法和装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN111598188B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
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
CN110009379A (zh) * 2018-11-27 2019-07-12 阿里巴巴集团控股有限公司 一种选址模型构建和选址方法、装置及设备
CN110675177A (zh) * 2018-07-03 2020-01-10 百度在线网络技术(北京)有限公司 门店选址方法和装置
CN111144429A (zh) * 2018-11-05 2020-05-12 北京京东金融科技控股有限公司 对象分类方法及其系统、计算机系统及计算机可读介质
CN111260392A (zh) * 2020-01-07 2020-06-09 广州大学 一种基于多源大数据的自动售货机选址方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750539B (zh) * 2012-06-06 2016-05-18 深圳市海亿达能源科技股份有限公司 一种对区域空间人群进行统计的装置及其统计方法
CN103164512A (zh) * 2013-02-25 2013-06-19 百度在线网络技术(北京)有限公司 兴趣点的地址信息的处理方法及设备
CN110347761B (zh) * 2015-09-02 2023-07-28 创新先进技术有限公司 一种确定兴趣点poi布设需求的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN110675177A (zh) * 2018-07-03 2020-01-10 百度在线网络技术(北京)有限公司 门店选址方法和装置
CN111144429A (zh) * 2018-11-05 2020-05-12 北京京东金融科技控股有限公司 对象分类方法及其系统、计算机系统及计算机可读介质
CN110009379A (zh) * 2018-11-27 2019-07-12 阿里巴巴集团控股有限公司 一种选址模型构建和选址方法、装置及设备
CN111260392A (zh) * 2020-01-07 2020-06-09 广州大学 一种基于多源大数据的自动售货机选址方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器学习算法的连锁餐饮店选址研究;周馨匀;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20200315;J156-29 *

Also Published As

Publication number Publication date
CN111598188A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN106991576B (zh) 一种地理区域的热力展现方法和装置
CN104965920B (zh) 用于确定目标地址的方法和装置
CN110929162B (zh) 基于兴趣点的推荐方法、装置、计算机设备和存储介质
JP6141393B2 (ja) 目標位置を確定するための方法及び装置
CN104573042B (zh) Poi信息的确定方法及装置
CN111949834A (zh) 选址方法和选址平台
CN112069281B (zh) 兴趣点位置的确定方法、装置、计算机设备及存储介质
CN110009379A (zh) 一种选址模型构建和选址方法、装置及设备
CN109151890A (zh) 一种移动终端定位方法及装置
CN110049079A (zh) 信息推送及模型训练方法、装置、设备及存储介质
CN110268279A (zh) 无线电地图构建方法
CN108717676A (zh) 基于多数据融合的不同尺度下的职住空间评价方法及系统
CN109949063A (zh) 一种地址确定方法、装置、电子设备及可读存储介质
CN110688589A (zh) 到店识别方法、装置、电子设备及可读存储介质
CN111723959A (zh) 区域的划分方法、装置、存储介质及电子装置
CN107767153A (zh) 一种数据处理方法及装置
CN110781256B (zh) 基于发送位置数据确定与Wi-Fi相匹配的POI的方法及装置
KR20200084884A (ko) 시간 및 공간에서의 유입들을 결정하기 위해 이종 데이터를 프로세싱하기 위한 디바이스 및 방법
CN111598188B (zh) 目标门店位置的识别的方法和装置、存储介质和电子设备
KR20120124680A (ko) 웹-지도정보 기반 상권분석 자동화시스템 및 자동화방법
JP5536531B2 (ja) ユーザ属性推定装置、ユーザ属性推定方法、およびプログラム
CN110060089A (zh) 一种用户画像构建方法及装置
KR20030038178A (ko) 데이터베이스를 활용한 인터넷 상권분석 방법
CN107977764A (zh) 索引文件的生成、配送员信息的查询方法、装置和服务器
EP1388824A2 (en) Communication terminal and information processing apparatus of a payment system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40027411

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant