CN111985576B - 基于决策树的店铺选址方法 - Google Patents

基于决策树的店铺选址方法 Download PDF

Info

Publication number
CN111985576B
CN111985576B CN202010910154.XA CN202010910154A CN111985576B CN 111985576 B CN111985576 B CN 111985576B CN 202010910154 A CN202010910154 A CN 202010910154A CN 111985576 B CN111985576 B CN 111985576B
Authority
CN
China
Prior art keywords
information
decision tree
existing
store
profit
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
CN202010910154.XA
Other languages
English (en)
Other versions
CN111985576A (zh
Inventor
潘颖
赖晓聪
李雄
蒋雪玲
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.)
Nanning Normal University
Original Assignee
Nanning Normal University
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 Nanning Normal University filed Critical Nanning Normal University
Priority to CN202010910154.XA priority Critical patent/CN111985576B/zh
Publication of CN111985576A publication Critical patent/CN111985576A/zh
Application granted granted Critical
Publication of CN111985576B publication Critical patent/CN111985576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于决策树的店铺选址方法，实现过程包括：获取与欲开设店铺同类型的已有店铺的第一信息并进行数据预处理；使用聚类算法对已有店铺进行聚类，通过店铺簇的影响范围确定潜力区域，寻找欲开设店铺的候选地址；使用已有店铺的多个第一信息通过皮尔森相关系数、方差的方法构建CART决策树模型；将候选地址通过CART决策树模型进行训练，根据所占比值进行推荐。本发明通过缩小选址的区域范围，减少地址分析的工作量，在确定潜力区域的基础上进行地址分析，更快定位店铺候选地址。

Description

基于决策树的店铺选址方法
技术领域
本发明涉及数据挖掘技术领域。更具体地说，本发明涉及一种基于决策树的店铺选址方法。
背景技术
选址对于店铺经营优劣是一个至关重要的因素，如何借鉴同类型的店铺经验来提高选址的准确度，过去采用市场调查、发放问卷等，耗费大量的人力与物力，所得的分析结果相对较差。在中心商圈的店铺竞争愈加激烈的情况下，中心商圈逐渐出现劣势，如：人群拥挤、交通拥挤等。因此，急需一种店铺选址方法，通过采用对现有数据进行深度挖掘得出具有很大潜力的店铺地址。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于决策树的店铺选址方法，利用聚类等方法寻找候选地址集，通过训练出CART决策树模型对候选地址集进行归类，以此分析得最优开店地址。
为了实现根据本发明的这些目的和其它优点，提供了一种基于决策树的店铺选址方法，其包括：
在预设范围内获取与欲开设店铺相同类型的已有店铺的多个第一信息，多个第一信息中包括外卖送达最远距离和地理位置；
通过可视化聚类的方法对已有店铺进行聚类，以将已有店铺分为k个簇，得到簇集A＝{A1、A2、…、Ak}，每个簇包含符合相应簇条件的多个已有店铺；
根据外卖送达最远距离划定每个簇的影响范围Ω，获取两个或两个以上簇影响范围相交区域的集合i∈[1,k]，j∈[1,k]；
获取所有处于两个或两个以上簇影响范围相交区域中的待出租门面的多个第一信息；
使用已有店铺的多个第一信息构建CART决策树模型；
将待出租门面的多个第一信息输入CART决策树模型，得到最佳店铺选址。
优选的是，多个第一信息中还包括盈利额，使用已有店铺的多个第一信息构建CART决策树模型的过程包括：
S1、以盈利额为因变量因素，以其他第一信息为自变量因素，通过计算皮尔森相关系数的方法得出已有店铺的多个第一信息中，盈利额分别与其他第一信息的相关系数；
S2、计算已有店铺的每个其他第一信息的数据集方差，选择方差小于第一预设值且相关系数大于第二预设值的其他第一信息，组成特征集Z；
S3、从特征集Z中选择方差最小的其他第一信息作为CART决策树结点，在该结点数据集中选择能使分裂后左右子数据集的总方差最小的数值进行结点分裂；
S4、重复S3，直至当分裂后，结点的数据量小于第三预设值时，结点停止分裂。
优选的是，将待出租门面的多个第一信息输入CART决策树模型，得到最佳店铺选址的过程包括：
将每一待出租门面的多个第一信息输入CART决策树模型中，得到该待出租门面的环境分支归类，统计每个环境分支归类中包含的待出租门面的数量，选取包含最多待出租门面数量的环境分支归类作为最佳店铺选址环境，而最佳店铺选址环境中包含的待出租门面地理位置即均为最佳店铺选址。
优选的是，获取已有店铺的多个第一信息后，还对已有店铺的多个第一信息进行归一化处理。
优选的是，所述第一信息还包括：人流量、交通情况和顾客消费信息；
其中，所述地理位置为经纬度，所述人流量为预设时长内每天采集到的门前道路人流量数据的平均值，所述交通情况为预设时长内每天采集到的门前道路交通堵塞值的平均值，所述交通堵塞值为门前道路每天堵塞时长与24h的比值，所述顾客消费信息为预设时长内每天采集到的交易订单总数的平均值，所述盈利额为预设时长内每天采集到的盈利额数据的平均值；
将每一待出租门面的多个第一信息输入CART决策树模型时，待出租门面的盈利额由待出租门面所在簇中的多个已有店铺的盈利额均值替代，待出租门面的顾客消费信息由待出租门面所在簇中的多个已有店铺的顾客消费信息均值替代。
优选的是，S1中盈利额与其他第一信息的相关系数的计算公式为：
其中，x(q)为第q个其他第一信息，y为盈利额，xpq为第p个已有店铺的第q个其他第一信息，yp为第p个已有店铺的盈利额值，为所有已有店铺的第q个其他第一信息的数据均值，/>为所有已有店铺的盈利额的数据均值，n为第q个其他第一信息的数据量，/>为第q个第一信息的数据标准差，σy为盈利额的数据标准差。
优选的是，S2中已有店铺的每个其他第一信息的数据集方差的计算公式为：
优选的是，所述第一预设值为其中，m为除盈利额外的其他第一信息的种类总数。
优选的是，所述第二预设值为0.6。
优选的是，所述第三预设值为10。
本发明至少包括以下有益效果：
1、通过聚类方法将相邻店铺进行聚类形成各店铺簇，给每一个店铺簇设定影响范围，将重叠区域称为潜力区域，相比于同时对每一个候选地址进行分析，本发明通过挖掘出潜力区域并对该区域的候选地址进行分析，大大减少对地址分析的工作量，同时潜力区域是在分析店铺簇中潜在顾客的基础上进行定义的，相比随机对某一候选地址进行分析，会更快定位合适开设门店的潜在地址集。
2、CART决策树模型中的结点是根据相关系数以及方差结合的方法进行筛选，通过相关系数从店铺信息集中筛选对盈利额有较强相关性的特征属性，再通过方差大小将分布较集中的数据集优先进行分裂，以此构建与店铺盈利额密切相关的CART决策树模型。
3、本发明通过CART决策树模型的构建，各分支即表示在各类环境下开设店铺的情况，提供了一个更全面分析各类候选地址的能力。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述店铺选址方法的流程图；
图2为本发明所述店铺选址方法中构建CART决策树模型的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供一种基于决策树的店铺选址方法，其包括：
S101、在预设范围内获取与欲开设店铺相同类型的已有店铺的多个第一信息，多个第一信息中包括外卖送达最远距离和地理位置；
这里的预设范围可以是一个城市或者城市中的一个区。
这里外卖送达最远距离实际上表示了已有店铺的影响力半径，在该影响力半径范围边缘仍存在着客户需求，因此，这些影响力半径范围边缘区域仍然是具有潜在商机的店铺选址区域。
这里第一信息还可以包括：盈利额、人流量、交通情况和顾客消费信息；
其中，所述地理位置为一般为经纬度，所述人流量为预设时长内每天采集到的店铺门前道路人流量数据的平均值，所述交通情况为预设时长内每天采集到的店铺门前道路交通堵塞值的平均值，所述交通堵塞值为店铺门前道路每天堵塞时长与24h的比值，所述顾客消费信息为预设时长内每天采集到的交易订单总数的平均值，所述盈利额为预设时长内每天采集到的盈利额数据的平均值。
这里预设时长可自行设置，但是为了更准确的反映已有店铺的各类信息，可以在店铺门前道路无施工、店铺周边无同类店铺开张或者倒闭及无突发公共性卫生安全问题等情形时，采集一段时间的第一信息数据，这个时间段长度可以为90天或者半年或者一年等。
这里所有已有店铺的同种第一信息组成了该第一信息的数据集，如表1所示：
表1
由于这里获取的第一信息数据的数值差额可能较大，不方便第一信息间的计算，故采取归一化处理的方式，将各第一信息中包含的数据分别转换到特定的区间内，如：将盈利额、人流量等数据通过归一化转换到[0,1]区间。
S102、通过可视化聚类的方法对已有店铺进行聚类，以将已有店铺分为k个簇，得到簇集A＝{A1、A2、…、Ak}，每个簇包含符合相应簇条件的多个已有店铺；
这里可以使用现有的地图API对已有店铺进行可视化聚类，实现在地图上直观的看到聚类结果，如使用百度地图API的“海量点”和“点聚合”功能。这里可视化聚类的聚类规则由现有的地图API提供，故不作详细描述。
这里将已有店铺进行可视化聚类分为k个簇，实际上是按照不同的分类规则将已有店铺进行分类，每一簇代表一种分类规则，每个簇包含的已有店铺实际上是指满足该簇代表的分类规则的已有店铺。
这里可能存在不符合所有分类规则的已有店铺，即该已有店铺不在簇集A的任何一个子集中，因此该已有店铺属于离散店铺，离散店铺的信息可能会对CART决策树的构建进行干扰，所以选择对其进行忽略。
S103、根据外卖送达最远距离划定每个簇的影响范围Ω，获取两个或两个以上簇影响范围相交区域的集合i∈[1,k]，j∈[1,k]；
这里每个簇的影响范围是指每个簇中包含的已有店铺的影响力半径范围的并集；
当某一区域被两个或两个簇的影响范围包裹着时，说明该区域虽处于影响范围的边缘区域，但存在潜在顾客的优势，被多个簇的影响范围包裹着，则优势更大，说明该区域存在潜在商机。
S104、获取所有处于两个或两个以上簇影响范围相交区域中的待出租门面的多个第一信息；
这里将处于两个或两个以上簇影响范围相交区域中的待出租门面作为欲开设店铺的候选地址，相比于往常所有待出租门面的全范围选址方式可以缩小分析的范围，更大程度上减少分析地址适合度的工作。
S105、使用已有店铺的多个第一信息构建CART决策树模型；
在已有店铺的大量第一信息中，需要挑选与盈利额相关的第一信息，利用皮尔森相关系数的方法计算可得。同时，为了更好的进行CART决策树的构建，计算各第一信息的方差，选出与盈利额有强相关关系且方差值较小的第一信息，说明该第一信息对盈利额有影响作用并且数据分布比较集中，方便结点进行分裂。
这里构建CART决策树模型的过程具体包括：
S201、以盈利额为因变量因素，以其他第一信息为自变量因素，通过计算皮尔森相关系数的方法得出已有店铺的多个第一信息中，盈利额分别与其他第一信息的相关
系数；
这里盈利额与其他第一信息的相关系数的计算公式为：
其中，x(q)为第q个其他第一信息，y为盈利额，xpq为第p个已有店铺的第q个其他第一信息，yp为第p个已有店铺的盈利额值，为所有已有店铺的第q个其他第一信息的数据均值，/>为所有已有店铺的盈利额的数据均值，n为第q个其他第一信息的数据量，/>为第q个第一信息的数据标准差，σy为盈利额的数据标准差。
通过皮尔森相关系数公式的计算，得出已有店铺的盈利额与其他第一信息之间的相关系数，相关系数的大小表示各其他第一信息对盈利额的影响力强弱。
S202、计算已有店铺的每个其他第一信息的数据集方差，选择方差小于第一预设值且相关系数大于第二预设值的其他第一信息，组成特征集Z；
这里已有店铺的每个其他第一信息的数据集方差的计算公式为：
第一预设值为其中，m为除盈利额外的其他第一信息的种类总数；第二预设值为0.6，即选择方差小于/>且相关系数大于0.6的其他第一信息，组成特征集Z。
实际上这里相关系数大于等于0.8时，可认为盈利额与某一其他第一信息间极高度相关；相关系数大于等于0.6且小于0.8时，可认为盈利额与某一其他第一信息高度相关；相关系数大于等于0.4且小于0.6时，可认为盈利额与某一其他第一信息中度相关；相关系数大于等于0.2且小于0.4时，可认为盈利额与某一其他第一信息低度相关；相关系数小于0.2时，可认为盈利额与某一其他第一信息基本不相关。所以采用相关系数大于0.6表示对盈利额大小有强相关性影响的其他第一信息。
S203、从特征集Z中选择方差最小的其他第一信息作为CART决策树结点，在该结点数据集中选择能使分裂后左右子数据集的总方差最小的数值进行结点分裂；
S204、重复S203，直至当分裂后，结点的数据量小于第三预设值时，结点停止分裂，这里第三预设值可以设置为10。
这里由于数据量过少时，再次分裂可能会产生过拟合的现象，所以为了提高决策树的精确度，故设置结点的停止分裂条件。
S106、将待出租门面的多个第一信息输入CART决策树模型，得到最佳店铺选址。
这里得到最佳店铺选址的过程包括：
将每一待出租门面的多个第一信息输入CART决策树模型中，得到该待出租门面的环境分支归类，统计每个环境分支归类中包含的待出租门面的数量，选取包含最多待出租门面数量的环境分支归类作为最佳店铺选址环境，而最佳店铺选址环境中包含的待出租门面地理位置即均为最佳店铺选址。
上述店铺选址方法中，通过聚类方法将相邻店铺进行聚类形成各店铺簇，给每一个店铺簇设定影响范围，将重叠区域称为潜力区域，相比于同时对每一个候选地址进行分析，本发明通过挖掘出潜力区域并对该区域的候选地址进行分析，大大减少对地址分析的工作量，同时潜力区域是在分析店铺簇中潜在顾客的基础上进行定义的，相比随机对某一候选地址进行分析，会更快定位合适开设门店的潜在地址集。
上述店铺选址方法中，CART决策树模型中的结点是根据相关系数以及方差结合的方法进行筛选，通过相关系数从店铺信息集中筛选对盈利额有较强相关性的特征属性，再通过方差大小将分布较集中的数据集优先进行分裂，以此构建与店铺盈利额密切相关的CART决策树模型。
上述店铺选址方法中，通过CART决策树模型的构建，各分支归类即表示在各类环境下开设店铺的情况，提供了一个更全面分析各类候选地址的能力。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.基于决策树的店铺选址方法，其特征在于，包括：
在预设范围内获取与欲开设店铺相同类型的已有店铺的多个第一信息，多个第一信息中包括外卖送达最远距离和地理位置；
通过可视化聚类的方法对已有店铺进行聚类，以将已有店铺分为k个簇，得到簇集A＝{A1、A2、…、Ak}，每个簇包含符合相应簇条件的多个已有店铺；
根据外卖送达最远距离划定每个簇的影响范围Ω，获取两个或两个以上簇影响范围相交区域的集合
获取所有处于两个或两个以上簇影响范围相交区域中的待出租门面的多个第一信息；
使用已有店铺的多个第一信息构建CART决策树模型；
将待出租门面的多个第一信息输入CART决策树模型，得到最佳店铺选址；
多个第一信息中还包括盈利额，使用已有店铺的多个第一信息构建CART决策树模型的过程包括：
S1、以盈利额为因变量因素，以其他第一信息为自变量因素，通过计算皮尔森相关系数的方法得出已有店铺的多个第一信息中，盈利额分别与其他第一信息的相关系数；
S2、计算已有店铺的每个其他第一信息的数据集方差，选择方差小于第一预设值且相关系数大于第二预设值的其他第一信息，组成特征集Z；
S3、从特征集Z中选择方差最小的其他第一信息作为CART决策树结点，在该结点数据集中选择能使分裂后左右子数据集的总方差最小的数值进行结点分裂；
S4、重复S3，直至当分裂后，结点的数据量小于第三预设值时，结点停止分裂；
将待出租门面的多个第一信息输入CART决策树模型，得到最佳店铺选址的过程包括：
将每一待出租门面的多个第一信息输入CART决策树模型中，得到该待出租门面的环境分支归类，统计每个环境分支归类中包含的待出租门面的数量，选取包含最多待出租门面数量的环境分支归类作为最佳店铺选址环境，而最佳店铺选址环境中包含的待出租门面地理位置即均为最佳店铺选址。
2.如权利要求1所述的基于决策树的店铺选址方法，其特征在于，获取已有店铺的多个第一信息后，还对已有店铺的多个第一信息进行归一化处理。
3.如权利要求1所述的基于决策树的店铺选址方法，其特征在于，所述第一信息还包括：人流量、交通情况和顾客消费信息；
其中，所述地理位置为经纬度，所述人流量为预设时长内每天采集到的门前道路人流量数据的平均值，所述交通情况为预设时长内每天采集到的门前道路交通堵塞值的平均值，所述交通堵塞值为门前道路每天堵塞时长与24h的比值，所述顾客消费信息为预设时长内每天采集到的交易订单总数的平均值，所述盈利额为预设时长内每天采集到的盈利额数据的平均值；
将每一待出租门面的多个第一信息输入CART决策树模型时，待出租门面的盈利额由待出租门面所在簇中的多个已有店铺的盈利额均值替代，待出租门面的顾客消费信息由待出租门面所在簇中的多个已有店铺的顾客消费信息均值替代。
4.如权利要求1所述的基于决策树的店铺选址方法，其特征在于，S1中盈利额与其他第一信息的相关系数的计算公式为：
其中，x(q)为第q个其他第一信息，y为盈利额，xpq为第p个已有店铺的第q个其他第一信息，yp为第p个已有店铺的盈利额值，为所有已有店铺的第q个其他第一信息的数据均值，/>为所有已有店铺的盈利额的数据均值，n为第q个其他第一信息的数据量，σx(q)为第q个第一信息的数据标准差，σy为盈利额的数据标准差。
5.如权利要求4所述的基于决策树的店铺选址方法，其特征在于，S2中已有店铺的每个其他第一信息的数据集方差的计算公式为：
6.如权利要求5所述的基于决策树的店铺选址方法，其特征在于，所述第一预设值为其中，m为除盈利额外的其他第一信息的种类总数。
7.如权利要求6所述的基于决策树的店铺选址方法，其特征在于，所述第二预设值为0.6。
8.如权利要求7所述的基于决策树的店铺选址方法，其特征在于，所述第三预设值为10。
CN202010910154.XA 2020-09-02 2020-09-02 基于决策树的店铺选址方法 Active CN111985576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910154.XA CN111985576B (zh) 2020-09-02 2020-09-02 基于决策树的店铺选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910154.XA CN111985576B (zh) 2020-09-02 2020-09-02 基于决策树的店铺选址方法

Publications (2)

Publication Number Publication Date
CN111985576A CN111985576A (zh) 2020-11-24
CN111985576B true CN111985576B (zh) 2023-11-03

Family

ID=73447318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910154.XA Active CN111985576B (zh) 2020-09-02 2020-09-02 基于决策树的店铺选址方法

Country Status (1)

Country Link
CN (1) CN111985576B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113301138B (zh) * 2021-05-20 2024-05-07 苏州达家迎信息技术有限公司 目标服务节点的位置确定方法、装置及电子设备
CN117435824B (zh) * 2023-12-22 2024-03-15 山东科技职业学院 一种基于互联网的选址筛选系统

Citations (12)

* 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
CN105243114A (zh) * 2015-09-25 2016-01-13 中国农业银行股份有限公司 一种选址分析方法及装置
JP2016167149A (ja) * 2015-03-09 2016-09-15 Kddi株式会社 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法
AU2017100904A4 (en) * 2017-07-03 2017-08-03 Kavungal Kunnumpurath, Abdul Jaleel MR An innovative method, system and software application (web & mobile) for retail merchants to discover potential consumers and present shopping offers on their mobile devices
CN109886962A (zh) * 2019-03-27 2019-06-14 南京林业大学 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法
CN109903065A (zh) * 2017-12-08 2019-06-18 阿里巴巴集团控股有限公司 一种确定候选点的候选分值的方法和装置
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
CN110135913A (zh) * 2019-05-20 2019-08-16 智慧足迹数据科技有限公司 店铺选址模型的训练方法、店铺选址方法及装置
CN111132010A (zh) * 2019-12-25 2020-05-08 Oppo广东移动通信有限公司 设备定位方法、装置、存储介质及电子设备
CN111222719A (zh) * 2020-02-27 2020-06-02 云南电网有限责任公司电力科学研究院 一种电网区域划分方法及装置
CN111241162A (zh) * 2020-01-16 2020-06-05 同济大学 高速铁路成网条件下旅客出行行为分析方法及存储介质
CN111539764A (zh) * 2020-04-17 2020-08-14 南京邮电大学 基于次模函数的大数据多址选择方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016167149A (ja) * 2015-03-09 2016-09-15 Kddi株式会社 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法
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
CN105243114A (zh) * 2015-09-25 2016-01-13 中国农业银行股份有限公司 一种选址分析方法及装置
AU2017100904A4 (en) * 2017-07-03 2017-08-03 Kavungal Kunnumpurath, Abdul Jaleel MR An innovative method, system and software application (web & mobile) for retail merchants to discover potential consumers and present shopping offers on their mobile devices
CN109903065A (zh) * 2017-12-08 2019-06-18 阿里巴巴集团控股有限公司 一种确定候选点的候选分值的方法和装置
CN109886962A (zh) * 2019-03-27 2019-06-14 南京林业大学 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法
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
CN110135913A (zh) * 2019-05-20 2019-08-16 智慧足迹数据科技有限公司 店铺选址模型的训练方法、店铺选址方法及装置
CN111132010A (zh) * 2019-12-25 2020-05-08 Oppo广东移动通信有限公司 设备定位方法、装置、存储介质及电子设备
CN111241162A (zh) * 2020-01-16 2020-06-05 同济大学 高速铁路成网条件下旅客出行行为分析方法及存储介质
CN111222719A (zh) * 2020-02-27 2020-06-02 云南电网有限责任公司电力科学研究院 一种电网区域划分方法及装置
CN111539764A (zh) * 2020-04-17 2020-08-14 南京邮电大学 基于次模函数的大数据多址选择方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
云环境下基于线性回归算法的PM10—能见度—湿度相关性研究;李敏 等;《安徽师范大学学报(自然科学版)》;第42卷(第4期);第335-340页 *
基于AHP的"互联网+智慧生鲜"项目选址研究;黄浈钫 等;《中国物流与采购》(第11期);第60页 *
基于大数据的城市连锁店选址问题研究;崔安瑶;《中国优秀硕士学位论文全文数据库 信息科技辑》(第1期);第I138-836页 *

Also Published As

Publication number Publication date
CN111985576A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
Daams et al. The effect of natural space on nearby property prices: accounting for perceived attractiveness
Wu et al. Housing submarket classification: The role of spatial contiguity
Soltani et al. Housing price variations using spatio-temporal data mining techniques
De Juan The independent submarkets model: an application to the Spanish retail banking market
Singleton et al. Mapping the geodemographics of digital inequality in Great Britain: An integration of machine learning into small area estimation
CN111985576B (zh) 基于决策树的店铺选址方法
Kimes et al. Selecting profitable hotel sites at La Quinta motor inns
Kopczewska et al. Spatio-temporal stability of housing submarkets. Tracking spatial location of clusters of geographically weighted regression estimates of price determinants
McCord et al. Understanding rental prices in the UK: a comparative application of spatial modelling approaches
Hu et al. A novel approach to examining urban housing market segmentation: Comparing the dynamics between sales submarkets and rental submarkets
Wolfgang et al. Bayesian methods for completing data in spatial models
Renigier-Biłozor et al. Modern challenges of property market analysis-homogeneous areas determination
Wang Job access and homicide patterns in Chicago: An analysis at multiple geographic levels based on scale-space theory
Grekousis et al. Fuzzy clustering analysis in geomarketing research
Sun et al. Using improved RFM model to classify consumer in big data environment
Alexiou et al. The geography of online retail behaviour
Dimitriou et al. Exploring the temporal stability of global road safety statistics
Qian et al. Application of data mining technology and wireless network sensing technology in sports training index analysis
Viggiano et al. Journey-based characterization of multi-modal public transportation networks
Zhang et al. Dynamic time warp-based clustering: Application of machine learning algorithms to simulation input modelling
Met et al. Branch efficiency and location forecasting: Application of Ziraat bank
Hu et al. Quantified understanding of Syrian refugee integration in Turkey
Tabacco Airline Economics: An Empirical Analysis of Market Structure and Competition in the US Airline Industry
CN110400160B (zh) 识别竞品用户的方法、装置、电子设备和存储介质
Trubint A GIS application to explore postal retail outlet locations

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