CN112308594A - 选址系统、方法、电子设备及存储介质 - Google Patents
选址系统、方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112308594A CN112308594A CN201910934915.2A CN201910934915A CN112308594A CN 112308594 A CN112308594 A CN 112308594A CN 201910934915 A CN201910934915 A CN 201910934915A CN 112308594 A CN112308594 A CN 112308594A
- Authority
- CN
- China
- Prior art keywords
- addressing
- model
- factors
- target
- influence
- 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
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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种选址系统、方法、设备及存储介质。所述选址系统包括:目标输入模块,用于选定选址目标及影响选址的影响因子;数据准备模块,用于获取样本数据,所述样本数据包括选址样本对应所述影响因子的值及选址结果;模型计算模块,用于构建离散选择模型,利用所述样本数据求解影响系数,将所述选址目标对应所述影响因子的值输入至构建完成的所述离散选择模型,所述离散选择模型输出所述选址目标的选择概率;决策确认模块,用于根据所述选择概率决策是否选择所述选址目标。本发明综合考量各种主客观因素,通过离散选择模型指导选址决策,具有灵活方便、可扩展性强等优点。
Description
技术领域
本发明属于计算机领域,尤其涉及一种选址系统、方法、电子设备及存储介质。
背景技术
为了得到合理的区域规划或更好的商业发展,在实体店铺选址时,不可避免的需要尽可能全面的考察线下实地环境,具体的选址方法也纷繁多样,但结合传统经验、市场概况以及技术演进等,总结如下几种选址相关的场景。
情况一:中、大型店铺或连锁店铺经营者依据主观选址经验形成选址决策,依据选址决策进行线下实地考察,做出选址决定。例如,在便利店选址时,优先选择离居民生活区较近的地方或是办公楼和学校附近的地方。这种选址方式过多地依赖经营者自身的主观经验,往往因为主观性而考察不全面,导致店铺经营的效果不理想。
情况二:个体经营者无法凭经验选择店铺地址,在有一定条件的情况下,或诉诸于第三方咨询。第三方咨询通常以选址专家的形态出现,结合相关因素,通过专家评分的方式实现,将评分最高的作为最终选址方案。虽然诉诸于科学决策的初衷,但第三方咨询过程多数仍是以主观经验为主,依专家或咨询团体侧重的选址因素的不同而不同,受限于第三方的主观经验和专业程度,选址准确性难于保证,并且选址成本较高。
情况三:线上产品形态,多是信息汇总和中介平台提供店铺出租或转让信息。这是一种间接选址的方法,可结合地图部分涵盖店铺及周边信息,低成本的获取店铺选择的相关信息。但信息汇总和中介平台仅仅是提供了稍多些的店铺情况,并不是纯粹的选址产品,通常不涵盖系统性的选址决策方法,对具体的地址选取缺乏逻辑性的分析与对比,并且存在很多信息不对称的弊端。
关于选址的如上三种情况,其中的方法或思路略有不同,但大部分具体的选址场景受到主观经验偏颇的影响较大,缺乏系统性、客观性的选址全面考量;即使依靠线上产品,提供选址的服务也不够全面,最终仍依赖于主观的分析、抉择。
发明内容
本发明要解决的技术问题是为了克服现有技术中选址主要依赖主观经验而缺乏系统性、客观性的全面考量和分析的缺陷,提供一种选址系统、方法、电子设备及存储介质。
本发明是通过以下技术方案解决上述技术问题的:
一种基于离散选择模型的选址系统,所述选址系统包括:
目标输入模块,用于选定选址目标及影响选址的影响因子;
数据准备模块,用于获取样本数据,所述样本数据包括选址样本对应所述影响因子的值及选址结果;
模型计算模块,用于构建离散选择模型,所述离散选择模型以所述影响因子为自变量,以选址结果为因变量;还用于利用所述样本数据求解所述自变量的影响系数;还用于将所述选址目标对应所述影响因子的值输入至构建完成的所述离散选择模型,所述离散选择模型输出所述选址目标的选择概率;
决策确认模块,用于根据所述选择概率决策是否选择所述选址目标。
较佳地,所述离散选择模型采用Logit(离散选择模型中的一种)模型。
较佳地,所述影响因子按照对选址影响的利弊划分为正向因素、负向因素和辅助因素;所述模型计算模块在构建离散选择模型时,属于正向因素和辅助因素的影响因子与所述因变量正相关,属于负向因素的影响因子与所述因变量负相关;
和/或,所述影响因子按照值的类型划分为定量指标和定性指标;所述模型计算模块在构建离散选择模型时,将属于定量指标的影响因子作为所述离散选择模型的解释变量,将属于定性指标的影响因子作为所述离散选择模型的虚拟解释变量。
较佳地,所述选址结果包括是否选择所述选址样本。
较佳地,所述数据准备模块还用于对所述选址样本对应所述影响因子的值、所述选址结果和所述选址目标对应所述影响因子的值进行量化和标准化。
较佳地,所述决策确认模块还用于将所述选择概率提供给决策主体,接收所述决策主体的反馈信息,所述反馈信息包括是否选择所述选址目标。
一种基于离散选择模型的选址方法,所述选址方法包括:
选定选址目标及影响选址的影响因子;
获取样本数据,所述样本数据包括选址样本对应所述影响因子的值及选址结果;
构建离散选择模型,所述离散选择模型以所述影响因子为自变量,以选址结果为因变量,利用所述样本数据求解所述自变量的影响系数;
将所述选址目标对应所述影响因子的值输入至构建完成的所述离散选择模型,所述离散选择模型输出所述选址目标的选择概率;
根据所述选择概率决策是否选择所述选址目标。
较佳地,所述离散选择模型采用Logit模型。
较佳地,所述影响因子按照对选址影响的利弊划分为正向因素、负向因素和辅助因素;所述选址方法还包括:在构建离散选择模型时,属于正向因素和辅助因素的影响因子与所述因变量正相关,属于负向因素的影响因子与所述因变量负相关;
和/或,所述影响因子按照值的类型划分为定量指标和定性指标;所述选址方法还包括:在构建离散选择模型时,将属于定量指标的影响因子作为所述离散选择模型的解释变量,将属于定性指标的影响因子作为所述离散选择模型的虚拟解释变量。
较佳地,所述选址结果包括是否选择所述选址样本。
较佳地,所述选址方法还包括:在获取样本数据后,对所述选址样本对应所述影响因子的值、所述选址结果和所述选址目标对应所述影响因子的值进行量化和标准化。
较佳地,所述选址方法还包括:将所述选择概率提供给决策主体,接收所述决策主体的反馈信息,所述反馈信息包括是否选择所述选址目标。
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,所述处理器执行所述程序时实现如上所述的基于离散选择模型的选址方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的基于离散选择模型的选址方法的步骤。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:本发明容纳地理信息技术和大数据分析技术,基于多元因素的离散决策模型,综合考量各种主客观因素,以概率性质的决策参数决定“是”/“否”选址,实现一个基于灵活目标的多元决策过程,其中,允许决策主体按照既定目标自由选取侧重因素,并通过离散选择模型指导选址决策,具有灵活方便、可扩展性强等优点。
附图说明
图1为本发明实施例1的一种基于离散选择模型的选址系统。
图2为线性概率模型的一般形态曲线。
图3为Logit模型概率分布曲线。
图4为本发明实施例2的一种基于离散选择模型的选址方法的流程图。
图5为本发明实施例3的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1示出了本实施例的一种基于离散选择模型的选址系统。所述选址系统可以应用于实体店铺或其他商业机构的选址,还可以应用于学校、办公场所、医疗机构、制造工厂等各种场所的选址。所述选址系统包括:目标输入模块11、数据准备模块12、模型计算模块13和决策确认模块14。
所述目标输入模块11用于选定选址目标及影响选址的影响因子。其中,所述选址目标代表了需要被评定是否选择的地址,所述影响因子代表了影响是否所述选择选址目标的因素,所述影响因子的数量不限,可以为一个、两个、三个、甚至更多。所述选址目标和所述影响因子可以由决策主体(包括店铺经营者、第三方咨询机构,甚至可以包括其它分析系统或计算机应用程序)设定,决策主体可以根据具体的选址场景和自身的选址要求而定:例如,对于商业店铺的选址,影响因子可以涵盖是否依附核心商圈、周边居民区密集程度、交通便利程度、同行业集中度或竞争性等诸多方面;又例如,对于医疗机构的选址,影响因子可以涵盖周围居民区密集程度、交通便利程度、常住人口年龄分布等诸多方面。对于决策主体不能明确应该具体设定何种影响因子的情况,所述目标输入模块11可以为决策主体提供默认影响因子或若干备选影响因子以供参考,其中默认或备选影响因子通常为在决策主体需要决策的选址场景中常用或影响较大的因素。
所述数据准备模块12用于获取样本数据,所述样本数据包括选址样本对应所述影响因子的值及选址结果。所述样本数据应当足够丰富,其中,一个选址样本表示一个地址,选址样本对应所述影响因子的值及选址结果是已知的。选址样本对应所述影响因子的值最优是实时动态更新的,可以借助各类公共资源或有偿数据库资源获取,如宏观数据库、市政统计、交通信息数据库等,具体的数据获取过程采用现有技术即可实现,在此不再详细赘述。所述选址结果具体可以包括是否选择所述选址样本。
所述模型计算模块13用于构建离散选择模型,所述离散选择模型以所述影响因子为自变量,以选址结果为因变量。所述模型计算模块13还用于利用所述样本数据求解所述自变量的影响系数。所述模型计算模块13还用于将所述选址目标对应所述影响因子的值输入至构建完成的所述离散选择模型,所述离散选择模型输出所述选址目标的选择概率。所述选择概率体现了选择所述选址目标的可能性。
所述决策确认模块14用于根据所述选择概率决策是否选择所述选址目标。所述决策确认模块14具体可以设定标准概率阈值(如50%或其他),利用所述选择概率与所述标准概率阈值的大小关系确定是否选择所述选址目标。当然所述决策确认模块14还可以不直接给出是否选择所述选址目标的结论,而是将所述选择概率提供给决策主体以供参考,接收所述决策主体的反馈信息,所述反馈信息包括是否选择所述选址目标。若决策主体还有其它需求,则决策主体可以在所述决策确认模块14中依据所述决策主体的意愿重新调用所述目标输入模块11选定新的选址目标和/或影响因子,再由所述数据准备模块12、所述模型计算模块13重新获取样本数据、构建模型、求解新的影响系数、计算新的选址目标的选择概率;上述过程可以循环多次。当然,考虑到决策主体的主观意愿,在一定范围内,当计算出多个地址的选择概率后,也不一定必须选定选择概率最大的地址,例如,地址A的概率为80%,地址B的概率为75%,但地址B距离决策主体理想的位置更加接近,那么即使地址A的选择概率更高,也会选择地址B。
本实施例中,所述影响因子可以按照对选址影响的利弊划分为正向因素、负向因素和辅助因素。所述模型计算模块13在构建离散选择模型时,属于正向因素和辅助因素的影响因子与所述因变量正相关,属于负向因素的影响因子与所述因变量负相关。以店铺选址为例,所述正向因素可以包括但不限于店铺地址的辐射区域内常住人口、商圈规模、居民区数量和公司数量中的至少一种;所述负向因素可以包括但不限于店铺地址的辐射区域内同质店铺个数、店铺更换频率、店铺地址与商圈中心的距离和店铺地址与交通站点的距离中的至少一种;所述辅助因素可以包括但不限于店铺地址是否位于大型商圈、是否靠近商场、是否人流密集和是否靠近主干道中的至少一种。
另外,所述影响因子也可以按照值的类型划分为定量指标和定性指标。其中,数值型的影响因子通常属于定量指标,二分类或多元分类的影响因子通常属于定性指标。所述模型计算模块13在构建离散选择模型时,将属于定量指标的影响因子作为所述离散选择模型的解释变量,将属于定性指标的影响因子作为所述离散选择模型的虚拟解释变量。还是以店铺选址为例,所述定量指标可以包括但不限于店铺地址的辐射区域内常住人口、商圈规模、居民区数量和公司数量、店铺地址的辐射区域内同质店铺个数、店铺更换频率、店铺地址与商圈中心的距离和店铺地址与交通站点的距离中的至少一种;所述定性指标可以包括但不限于店铺地址是否位于大型商圈、是否靠近商场、是否人流密集和是否靠近主干道中的至少一种。
由于影响因子的种类众多,为了能够对所有影响因子统一处理、更好地训练模型、减小数据误差,所述数据准备模块12还用于对所述选址样本对应所述影响因子的值、所述选址结果和所述选址目标对应所述影响因子的值进行量化和标准化。其中,量化和标准化具体的处理可按照实际要求进行。
对于所述选址样本对应所述影响因子的值和所述选址目标对应所述影响因子的值的量化和标准化可以包括但不限于定量指标去量纲、定性指标的量化(如若值为是则为1,若值为否则为0)、正负指标处理(如上述的正向因素和辅助因素设置为正,负向因素设置为负)等。
一般情况下,对于所述选址结果的量化可以包括:若所述选址结果为选择所述选址样本,则所述因变量的取值为1,若所述选址结果为不选择所述选址样本,则所述因变量的取值为0。相应地,所述模型计算模块13输出的选择概率越高,则所述选址目标被选择的可能性越高,反之,所述选择概率越低,则所述选址目标被选择的可能性越低,所述决策确认模块14优选选择概率大于标准概率阈值的选址目标。
本实施例中,所述离散选择模型优选采用Logit模型。线性概率模型和Logit模型都是离散选择模型的典型模型,但是Logit模型能以概率形式更好的解释带有选择性的问题。下面结合线性概率模型说明应用Logit模型实现选址的思想原理和具体实现:
假设选址的线性概率模型形如:
yi=α+βxi+μi (1)
其中,μi是不受控制的随机误差项,xi是可定量的影响因子的解释变量,α是常数项,β是影响系数,yi则是二元选择变量。一般有:
即yi的值取两个值,服从两点分布,图2示出了线性概率模型的一般形态。
把yi取1的概率记为pi,则yi取0的概率记为1-pi,对yi=α+βxi+μi取期望,因此有:
E(yi)=α+βxi=1(pi)+0(1-pi)=pi (2)
(2)式说明,yi的样本值是1或0,但预测值是概率。
以pi=-0.2+0.05xi为例,影响因子xi每增加1个单位,选“是”的概率增加5%。
线性概率模型的实际意义是试图找到一种变换方法,使得对于所有的影响因子xi,所有的预测概率值pi均落在(0,1)之间,并且随着xi的增加或减少而单调的增加或减少。
P(yi=1|Xi,β)=1-F(-X′iβ)
很方便的得到预测概率pi由F(X′iβ)定义,且F(X′iβ)表示μi的累计概率分布(logistics分布)。因此可得到:
对(4)式进一步变形为:
其意义在于线性模型(3)的最终预测值是对数形式的某个具体选择的机会占比,Logit模型的优点是把(0,1)区间上预测概率问题转化为在实数上预测一个事件发生机会比的问题。在选址问题中,则表示,如果某个地址预测的机会比比较大,则代表该选址策略有较多可能的优势。图3示出了Logit模型概率分布曲线。由于在数理上,图3表示的分布曲线的斜率在pi=0.5附近最大,说明对于pi=0.5附近因子xi的变化对概率的变化影响较大,据此可认为50%的概率可作为选择的标准概率阈值,做决定的基本保证是选址目标的选择概率至少在50%以上。
关于Logit模型在选址中的应用,举例说明如下:
定义变量
Y:某个选址样本被选中为1,未被选中为0;
flow:简化的核心影响因子——日均人流量;
D1:虚拟解释变量——1为靠近商圈中心,0为远离商圈。
输入样本数据后,Logit模型的求解结果为:
其中,-0.8576是常数项,0.0016是日均人流量的影响系数,0.1741是虚拟解释变量的影响系数。
假设选址目标的日均人流量为1000人,靠近商圈中心,带入上述模型结果,可得
即,选址目标被选取的概率为71.43%,理论上应该被选取。
本实施例的选址系统,所述目标输入模块11和所述决策确认模块14允许决策主体有较多的个性化初衷,数据准备模块12和模型计算模块13则以后台技术运行为主。四个模块的过程并不一定完整严格,每个模块均可能直接影响最终的决策范围。该过程也不一定唯一有效,可多次运行,循环对比和确认。针对设定的影响因子,利用大数据技术训练模型,提供客观的决策参考,配置灵活、可扩展性强,能够用于多种场合的选址应用中。
实施例2
图4示出了本实施例的一种基于离散选择模型的选址方法。所述选址方法可以应用于实体店铺或其他商业机构的选址,还可以应用于学校、办公场所、医疗机构、制造工厂等各种场所的选址。所述选址方法包括:
步骤21:选定选址目标及影响选址的影响因子。其中,所述选址目标代表了需要被评定是否选择的地址,所述影响因子代表了影响是否所述选择选址目标的因素,所述影响因子的数量不限,可以为一个、两个、三个、甚至更多。所述选址目标和所述影响因子可以由决策主体(包括店铺经营者、第三方咨询机构,甚至可以包括其它分析系统或计算机应用程序)设定,决策主体可以根据具体的选址场景和自身的选址要求而定:例如,对于商业店铺的选址,影响因子可以涵盖是否依附核心商圈、周边居民区密集程度、交通便利程度、同行业集中度或竞争性等诸多方面;又例如,对于医疗机构的选址,影响因子可以涵盖周围居民区密集程度、交通便利程度、常住人口年龄分布等诸多方面。对于决策主体不能明确应该具体设定何种影响因子的情况,步骤21可以为决策主体提供默认影响因子或若干备选影响因子以供参考,其中默认或备选影响因子通常为在决策主体需要决策的选址场景中常用或影响较大的因素。
步骤22:获取样本数据,所述样本数据包括选址样本对应所述影响因子的值及选址结果。所述样本数据应当足够丰富,其中,一个选址样本表示一个地址,选址样本对应所述影响因子的值及选址结果是已知的。选址样本对应所述影响因子的值最优是实时动态更新的,可以借助各类公共资源或有偿数据库资源获取,如宏观数据库、市政统计、交通信息数据库等,具体的数据获取过程采用现有技术即可实现,在此不再详细赘述。所述选址结果具体可以包括是否选择所述选址样本。
步骤23:构建离散选择模型,所述离散选择模型以所述影响因子为自变量,以选址结果为因变量,利用所述样本数据求解所述自变量的影响系数。
步骤24:将所述选址目标对应所述影响因子的值输入至构建完成的所述离散选择模型,所述离散选择模型输出所述选址目标的选择概率。所述选择概率体现了选择所述选址目标的可能性。
步骤25:根据所述选择概率决策是否选择所述选址目标。具体可以设定标准概率阈值(如50%或其他),利用所述选择概率与所述标准概率阈值的大小关系确定是否选择所述选址目标。
当然所述选址方法还可以不直接给出是否选择所述选址目标的结论,而是将所述选择概率提供给决策主体以供参考,接收所述决策主体的反馈信息,所述反馈信息包括是否选择所述选址目标。若决策主体还有其它需求,则决策主体可以依据所述决策主体的意愿利用步骤21重新选定新的选址目标和/或影响因子,再执行步骤22-24重新获取样本数据、构建模型、求解新的影响系数、计算新的选址目标的选择概率;上述过程可以循环多次。当然,考虑到决策主体的主观意愿,在一定范围内,当计算出多个地址的选择概率后,也不一定必须选定选择概率最大的地址,例如,地址A的概率为80%,地址B的概率为75%,但地址B距离决策主体理想的位置更加接近,那么即使地址A的选择概率更高,也会选择地址B。
本实施例中,所述影响因子可以按照对选址影响的利弊划分为正向因素、负向因素和辅助因素。步骤23在构建离散选择模型时,属于正向因素和辅助因素的影响因子与所述因变量正相关,属于负向因素的影响因子与所述因变量负相关。以店铺选址为例,所述正向因素可以包括但不限于店铺地址的辐射区域内常住人口、商圈规模、居民区数量和公司数量中的至少一种;所述负向因素可以包括但不限于店铺地址的辐射区域内同质店铺个数、店铺更换频率、店铺地址与商圈中心的距离和店铺地址与交通站点的距离中的至少一种;所述辅助因素可以包括但不限于店铺地址是否位于大型商圈、是否靠近商场、是否人流密集和是否靠近主干道中的至少一种。
另外,所述影响因子也可以按照值的类型划分为定量指标和定性指标。其中,数值型的影响因子通常属于定量指标,二分类或多元分类的影响因子通常属于定性指标。步骤23在构建离散选择模型时,将属于定量指标的影响因子作为所述离散选择模型的解释变量,将属于定性指标的影响因子作为所述离散选择模型的虚拟解释变量。还是以店铺选址为例,所述定量指标可以包括但不限于店铺地址的辐射区域内常住人口、商圈规模、居民区数量和公司数量、店铺地址的辐射区域内同质店铺个数、店铺更换频率、店铺地址与商圈中心的距离和店铺地址与交通站点的距离中的至少一种;所述定性指标可以包括但不限于店铺地址是否位于大型商圈、是否靠近商场、是否人流密集和是否靠近主干道中的至少一种。
由于影响因子的种类众多,为了能够对所有影响因子统一处理、更好地训练模型、减小数据误差,步骤22在获取样本数据后,可以对所述选址样本对应所述影响因子的值、所述选址结果和所述选址目标对应所述影响因子的值进行量化和标准化。其中,量化和标准化具体的处理可按照实际要求进行。
对于所述选址样本对应所述影响因子的值和所述选址目标对应所述影响因子的值的量化和标准化可以包括但不限于定量指标去量纲、定性指标的量化(如若值为是则为1,若值为否则为0)、正负指标处理(如上述的正向因素和辅助因素设置为正,负向因素设置为负)等。
一般情况下,对于所述选址结果的量化可以包括:若所述选址结果为选择所述选址样本,则所述因变量的取值为1,若所述选址结果为不选择所述选址样本,则所述因变量的取值为0。相应地,输出的选择概率越高,则所述选址目标被选择的可能性越高,反之,所述选择概率越低,则所述选址目标被选择的可能性越低,优选选择概率大于标准概率阈值的选址目标。
本实施例中,所述离散选择模型优选采用Logit模型。Logit模型能以概率形式更好的解释带有选择性的问题。
关于Logit模型在选址中的应用,举例说明如下:
定义变量
Y:某个选址样本被选中为1,未被选中为0;
flow:简化的核心影响因子——日均人流量;
D1:虚拟解释变量——1为靠近商圈中心,0为远离商圈。
输入样本数据后,Logit模型的求解结果为:
其中,-0.8576是常数项,0.0016是日均人流量的影响系数,0.1741是虚拟解释变量的影响系数。
假设选址目标的日均人流量为1000人,靠近商圈中心,带入上述模型结果,可得
即,选址目标被选取的概率为71.43%,理论上应该被选取。
本实施例的选址方法,步骤21和步骤25允许决策主体有较多的个性化初衷,步骤22-24则以后台技术运行为主。上述步骤的过程并不一定完整严格,各步骤均可能直接影响决策。该过程也不一定唯一有效,可多次运行,循环对比和确认。针对设定的影响因子,利用大数据技术训练模型,提供客观的决策参考,配置灵活、可扩展性强,能够用于多种场合的选址应用中。
实施例3
图5为本发明实施例3提供的一种电子设备的结构示意图。所述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,所述处理器执行所述程序时实现实施例2的选址方法。图5显示的电子设备30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5所示,电子设备30可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备30的组件可以包括但不限于:上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器,例如随机存取存储器(RAM)321和/或高速缓存存储器322,还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325,这样的程序模块324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。
处理器31通过运行存储在存储器32中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例2所提供的选址方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且,模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备30使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例2所提供的选址方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例2所述的选址方法中的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (14)
1.一种基于离散选择模型的选址系统,其特征在于,所述选址系统包括:
目标输入模块,用于选定选址目标及影响选址的影响因子;
数据准备模块,用于获取样本数据,所述样本数据包括选址样本对应所述影响因子的值及选址结果;
模型计算模块,用于构建离散选择模型,所述离散选择模型以所述影响因子为自变量,以选址结果为因变量;还用于利用所述样本数据求解所述自变量的影响系数;还用于将所述选址目标对应所述影响因子的值输入至构建完成的所述离散选择模型,所述离散选择模型输出所述选址目标的选择概率;
决策确认模块,用于根据所述选择概率决策是否选择所述选址目标。
2.如权利要求1所述的选址系统,其特征在于,所述离散选择模型采用Logit模型。
3.如权利要求1或2所述的选址系统,其特征在于,所述影响因子按照对选址影响的利弊划分为正向因素、负向因素和辅助因素;所述模型计算模块在构建离散选择模型时,属于正向因素和辅助因素的影响因子与所述因变量正相关,属于负向因素的影响因子与所述因变量负相关;
和/或,所述影响因子按照值的类型划分为定量指标和定性指标;所述模型计算模块在构建离散选择模型时,将属于定量指标的影响因子作为所述离散选择模型的解释变量,将属于定性指标的影响因子作为所述离散选择模型的虚拟解释变量。
4.如权利要求1所述的选址系统,其特征在于,所述选址结果包括是否选择所述选址样本。
5.如权利要求1或4所述的选址系统,其特征在于,所述数据准备模块还用于对所述选址样本对应所述影响因子的值、所述选址结果和所述选址目标对应所述影响因子的值进行量化和标准化。
6.如权利要求1所述的选址系统,其特征在于,所述决策确认模块还用于将所述选择概率提供给决策主体,接收所述决策主体的反馈信息,所述反馈信息包括是否选择所述选址目标。
7.一种基于离散选择模型的选址方法,其特征在于,所述选址方法包括:
选定选址目标及影响选址的影响因子;
获取样本数据,所述样本数据包括选址样本对应所述影响因子的值及选址结果;
构建离散选择模型,所述离散选择模型以所述影响因子为自变量,以选址结果为因变量,利用所述样本数据求解所述自变量的影响系数;
将所述选址目标对应所述影响因子的值输入至构建完成的所述离散选择模型,所述离散选择模型输出所述选址目标的选择概率;
根据所述选择概率决策是否选择所述选址目标。
8.如权利要求7所述的选址方法,其特征在于,所述离散选择模型采用Logit模型。
9.如权利要求7或8所述的选址方法,其特征在于,所述影响因子按照对选址影响的利弊划分为正向因素、负向因素和辅助因素;所述选址方法还包括:在构建离散选择模型时,属于正向因素和辅助因素的影响因子与所述因变量正相关,属于负向因素的影响因子与所述因变量负相关;
和/或,所述影响因子按照值的类型划分为定量指标和定性指标;所述选址方法还包括:在构建离散选择模型时,将属于定量指标的影响因子作为所述离散选择模型的解释变量,将属于定性指标的影响因子作为所述离散选择模型的虚拟解释变量。
10.如权利要求7所述的选址方法,其特征在于,所述选址结果包括是否选择所述选址样本。
11.如权利要求1或10所述的选址方法,其特征在于,所述选址方法还包括:在获取样本数据后,对所述选址样本对应所述影响因子的值、所述选址结果和所述选址目标对应所述影响因子的值进行量化和标准化。
12.如权利要求7所述的选址方法,其特征在于,所述选址方法还包括:将所述选择概率提供给决策主体,接收所述决策主体的反馈信息,所述反馈信息包括是否选择所述选址目标。
13.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现权利要求7至12中任一项所述的基于离散选择模型的选址方法。
14.一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,所述程序被处理器执行时实现权利要求7至12中任一项所述的基于离散选择模型的选址方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934915.2A CN112308594A (zh) | 2019-09-29 | 2019-09-29 | 选址系统、方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934915.2A CN112308594A (zh) | 2019-09-29 | 2019-09-29 | 选址系统、方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308594A true CN112308594A (zh) | 2021-02-02 |
Family
ID=74486742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910934915.2A Pending CN112308594A (zh) | 2019-09-29 | 2019-09-29 | 选址系统、方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308594A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990573A (zh) * | 2021-03-12 | 2021-06-18 | 东南大学 | 基于非对称离散选择模型的路径选择方法 |
CN113538115A (zh) * | 2021-09-15 | 2021-10-22 | 杭州牧童曲数智科技有限公司 | 创业孵化器的智能匹配方法、系统、装置及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039983A1 (en) * | 2012-08-03 | 2014-02-06 | Knowledge Support Systems Ltd. | Location evaluation |
CN107909105A (zh) * | 2017-11-13 | 2018-04-13 | 上海交通大学 | 一种商业选址方法及系统 |
CN108874801A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种配送站选址的方法和装置 |
CN110110859A (zh) * | 2019-04-30 | 2019-08-09 | 京东城市(南京)科技有限公司 | 确定企业选址的方法、装置、电子设备及介质 |
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 |
-
2019
- 2019-09-29 CN CN201910934915.2A patent/CN112308594A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039983A1 (en) * | 2012-08-03 | 2014-02-06 | Knowledge Support Systems Ltd. | Location evaluation |
CN108874801A (zh) * | 2017-05-09 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 一种配送站选址的方法和装置 |
CN107909105A (zh) * | 2017-11-13 | 2018-04-13 | 上海交通大学 | 一种商业选址方法及系统 |
CN110110859A (zh) * | 2019-04-30 | 2019-08-09 | 京东城市(南京)科技有限公司 | 确定企业选址的方法、装置、电子设备及介质 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990573A (zh) * | 2021-03-12 | 2021-06-18 | 东南大学 | 基于非对称离散选择模型的路径选择方法 |
CN112990573B (zh) * | 2021-03-12 | 2021-11-09 | 东南大学 | 基于非对称离散选择模型的路径选择方法 |
CN113538115A (zh) * | 2021-09-15 | 2021-10-22 | 杭州牧童曲数智科技有限公司 | 创业孵化器的智能匹配方法、系统、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220343432A1 (en) | Machine learning architecture for risk modelling and analytics | |
CN110782129B (zh) | 一种业务进度监控方法、装置、系统及计算机可读存储介质 | |
Costa et al. | Agent-based model for post-earthquake housing recovery | |
US9870596B2 (en) | Predicting community development trends | |
CN101421953A (zh) | 控制服务容量 | |
CN113822488B (zh) | 融资租赁的风险预测方法、装置、计算机设备及存储介质 | |
CN105786681A (zh) | 数据中心的服务器性能评估及服务器更新方法 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN112308594A (zh) | 选址系统、方法、电子设备及存储介质 | |
Javedani Sadaei et al. | Multilayer stock forecasting model using fuzzy time series | |
Mehdizadeh Khorrami et al. | Forecasting heating and cooling loads in residential buildings using machine learning: A comparative study of techniques and influential indicators | |
Godsoe et al. | Assessing Canada’s disaster baselines and projections under the Sendai Framework for Disaster Risk Reduction: A modeling tool to track progress | |
Li | [Retracted] Research on Market Stock Index Prediction Based on Network Security and Deep Learning | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN113743667A (zh) | 一种台区用电量预测方法、装置、设备及存储介质 | |
Peters et al. | AR6 scenarios database: an assessment of current practices and future recommendations | |
Guo et al. | A data-driven multi-fidelity simulation optimization for medical staff configuration at an emergency department in Hong Kong | |
Jiang et al. | An optimization framework for worker allocation in aircraft final assembly lines based on simulation alternative modelling and historical data | |
CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
WO2022271431A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
KR102207494B1 (ko) | 인공 지능망을 이용한 재물보험 가입 심사 시스템 | |
CN113570204A (zh) | 用户行为预测方法、系统和计算机设备 | |
CN113298353A (zh) | 一种基于用户生存模型的资源调整方法、装置和系统 |
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 |