CN112541786A - 一种网点选址方法、装置、电子设备和存储介质 - Google Patents
一种网点选址方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112541786A CN112541786A CN202011436914.4A CN202011436914A CN112541786A CN 112541786 A CN112541786 A CN 112541786A CN 202011436914 A CN202011436914 A CN 202011436914A CN 112541786 A CN112541786 A CN 112541786A
- Authority
- CN
- China
- Prior art keywords
- target area
- site selection
- neural network
- website
- 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.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种网点选址方法、装置、电子设备和存储介质。所述方法包括:获取目标区域内网点选址关联特征数据;其中所述关联特征数据至少包括目标区域内店铺租金;将所述关联特征数据输入至预设的神经网络模型;其中所述神经网络模型是经过目前网点关联特征数据训练成功的模型;所述神经网络模型输出所述目标区域网点设置的推荐分值;根据所述推荐分值,确定是否在该目标区域内设置网点。本申请实现了网点智能化选址,解决了传统选址带来的选址范围不精准、人力成本高的问题。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种网点选址方法、装置、电子设备和存储介质。
背景技术
目前公司的网点选址,尤其是公共自助性网点选址时主要靠人工流程完成选址,根据人工观察统计查看周围人流量、设置调查问卷进行抽样调查等,再进行投入产出分析,作为此地选址是否可以盈利的标准。这样的方式由于需要进行人工调查及观察,且样本无法完全展示调查结果等几个弊端,可能造成调查结果的不准确,最终导致选址不佳或没有达到预期的营业状况。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一。本申请所采用的技术方案如下:
第一方面,本申请实施例公开了一种网点选址方法,所述方法包括:
获取目标区域内网点选址关联特征数据;其中所述关联特征数据至少包括目标区域内店铺租金;
将所述关联特征数据输入至预设的神经网络模型;其中所述神经网络模型是经过目前网点关联特征数据训练成功的模型;
所述神经网络模型输出所述目标区域网点设置的推荐分值;
根据所述推荐分值,确定是否在该目标区域内设置网点。
进一步地,所述网点选址关联特征数据包括但不限于以下至少一种:目标区域内人流量、目标区域内人均收入、目标区域内人员结构模型、客户占比数量。
进一步地,所述目标区域确定过程为:按照预设的区域划分规则将城区划分为至少包括一个目标区域的集合。
进一步地,所述预设的区域划分规则包括但不限于:按照预设的区域划分单元划分城区为至少一个目标区域;或,以地标性建筑群为中心,以一定的距离为辐射边长形成一个目标区域;其中所述建筑群至少包括一个地标性建筑。
进一步地,获取目标区域内网点选址关联特征数据:
通过导航应用程序获取目标区域人流量数据;和/或,
通过房屋买卖应用程序获取目标区域内商品房价格,根据商品房价格获取目标区域人均收入数据;和/或,
通过目标区域内企业信息数据获取目标区域内人员结构模型。
进一步地,所述方法还包括:当所述目标区域设置网点的推荐分值满足预设阈值时,则在电子地图上目标区域对应的区域处显示网点标志。
第二方面,本申请实施例提供了一种网点选址装置,所述装置包括:通讯模块、存储模块和确定模块;其中,
所述通讯模块,用于获取目标区域内网点选址关联特征数据;其中所述关联特征数据至少包括目标区域内店铺租金;
所述通讯模块,还用于将所述关联特征数据输入至预设的神经网络模型;
所述存储模块,用于存储预设的神经网络模型;其中所述神经网络模型是经过目前网点关联特征数据训练成功的模型;
所述通讯模块,还用于控制所述神经网络模型输出所述目标区域网点设置的推荐分值;
所述确定模块,用于根据所述推荐分值,确定是否在该目标区域内设置网点。
进一步地,所述通讯模块获取的关联特征数据包括但不限于以下至少一种:目标区域内人流量、目标区域内人均收入、目标区域内人员结构模型、客户占比数量。
进一步地,所述装置还包括显示模块,所述显示模块用于按照预设的区域划分规则将城区划分为至少包括一个目标区域的集合。
所述显示模块,还用于当所述目标区域设置网点的推荐分值满足预设阈值时,在电子地图上目标区域对应的区域处显示网点标志。
第三方面,本申请实施例提供了一种电子设备,包括处理器和存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,执行上述任一实施例中所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法。
本申请实施例提供网点选址方案将影响网点选址的关联特征数据输入至已经训练好的神经网络模型中,利用神经网络模型计算出网点推荐值,根据所述推荐值是否满足预期来确定是否在一个区域设立网点。本申请的有益效果包括实现了网点智能化选址,尤其是适合银行自助网点的选址,解决了传统选址带来的选址范围不精准、人力成本高的问题,并得到更好经济效益和社会效益。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种网点选址方法的流程示意图;
图2为本申请实施例提供的一种网点选址装置的示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
需要说明的是本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式,其中的“第一”“第二”等只是为了介绍清楚方案而进行的对象区分定义,并不对对象本身进行限制,当然“第一”和“第二”限定的对象可能是同一个终端、设备和用户等,也可能是同一种终端、设备和用户。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
此外应理解,本申请实施例中“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A 和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一(项)个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a、b或c中的至少一项(个),可以表示:a,b,c,a和b,a和 c,b和c,或a、b和c,其中a、b、c可以是单个,也可以是多个。
图1示出了本申请实施例提供的一种网点选址的流程示意图,如图1 所示,该方法主要可以包括:
S101、获取目标区域内网点选址关联特征数据;其中所述关联特征数据至少包括目标区域内店铺租金;
在本申请实施例中,所述目标区域确定过程为:按照预设的区域划分规则将城区划分为至少包括一个目标区域的集合。
在本申请实施例中,所述预设的区域划分规则包括但不限于:按照预设的区域划分单元划分城区为至少一个目标区域;或,以地标性建筑群为中心,以一定的距离为辐射边长形成一个目标区域;其中所述建筑群至少包括一个地标性建筑。
在本申请实施例中,所述网点选址关联特征数据还包括但不限于以下至少一种:目标区域内人流量、目标区域内人均收入、目标区域内人员结构模型、客户占比数量。其中,上述关联特征数据的获取方式为:
(1)通过导航应用程序获取目标区域人流量数据;例如通过对接地图运营商(百度地图、高德地图)接口,获取指定区域的人流、地铁流量、汽车流量等数据,构建网点交通拥堵指数和人流预估模型。
(2)通过房屋买卖应用程序获取目标区域内商品房价格,构建目标区域人均收入数据;
(3)通过目标区域内企业信息数据获取目标区域内人员结构模型,其中企业信息数据包括该目标区域内企业数量,大企业的数量,大企业的位置,企业集群地址、企业类型等预估区域内人员结构模型从而可以辅助获取该网点的客户量。这些企业信息可以通过例如依据工商注册信息、企查查等互联网数据获取。
(4)客户占比数量可以通过企业内部客户登记信息获取。
本申请实施例中通过该目标区域内的店铺租金、网点设备以及其他网点投入资金来计算出该区域网点的投入,利用目标区域内人流量、目标区域内人均收入和目标区域内人员结构模型等数据来预估该区域网点的产出,构建出该目标区域的网点投入产出模型,将投入产出模型利用在神经网络模型的修正过程中,结合历史网点选址数据来训练神经网络模型。
S102、将所述关联特征数据输入至预设的神经网络模型;其中所述神经网络模型是经过目前网点关联特征数据训练成功的模型;
S103、所述神经网络模型输出所述目标区域网点设置的推荐分值;
S104、根据所述推荐分值,确定是否在该目标区域内设置网点。
在本申请实施例中,所述方法还包括:当所述目标区域设置网点的推荐分值满足预设阈值时,则在电子地图上目标区域对应的区域处显示网点标志。
基于图1所示的网点选址方法,另一方面本申请实施例提供了一种网点选址装置,所述装置如图2所示,所述装置可以包括:201通讯模块、 202存储模块和203确定模块;其中,
所述201通讯模块,用于获取目标区域内网点选址关联特征数据;其中所述关联特征数据至少包括目标区域内店铺租金;
所述201通讯模块,还用于将所述关联特征数据输入至预设的神经网络模型;
所述202存储模块,用于存储预设的神经网络模型;其中所述神经网络模型是经过目前网点关联特征数据训练成功的模型;
所述201通讯模块,还用于控制所述神经网络模型输出所述目标区域网点设置的推荐分值;
所述203确定模块,用于根据所述推荐分值,确定是否在该目标区域内设置网点。
在本申请实施例中,所述201通讯模块获取的关联特征数据包括但不限于以下至少一种:目标区域内人流量、目标区域内人均收入、目标区域内人员结构模型。
在本申请实施例中,所述装置还包括204显示模块,所述204显示模块用于按照预设的区域划分规则将城区划分为至少包括一个目标区域的集合。
所述204显示模块,还用于当所述目标区域设置网点的推荐分值满足预设阈值时,在电子地图上目标区域对应的区域处显示网点标志。
可以理解的是,本实施例中的网点选址装置的上述各组成设备具有实现图1中所示的实施例中的方法相应步骤的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块或系统。上述模块和系统可以是软件和/或硬件,上述各模块和系统可以单独实现,也可以多个模块和系统集成实现。对于上述各模块和系统的功能描述具体可以参见图1中所示实施例中的方法的对应描述,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
可以理解的是,本发明实施例示意的结构并不构成对网点选址装置的具体结构的具体限定。在本申请另一些实施例中,网点选址装置可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
本申请实施例提供了一种电子设备,包括处理器和存储器;
存储器,用于存储操作指令;
处理器,用于通过调用操作指令,执行本申请任一实施方式中所提供的网点选址方法。
作为一个示例,图3示出了本申请实施例所适用的一种电子设备的结构示意图,如图3所示,该电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选的,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304 不限于一个。可以理解的是,本发明实施例示意的结构并不构成对电子设备300的具体结构的具体限定。在本申请另一些实施例中,电子设备300 可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实。可选地,电子设备还可以包括显示屏305,用于显示图像,或需要时接收用户的操作指令。
其中,处理器301应用于本申请实施例中,用于实现上述方法实施例所示的方法。收发器304可以包括接收机和发射机,收发器304应用于本申请实施例中,用于执行时实现本申请实施例的电子设备与其他设备通信的功能。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC (Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
处理器301也可以包括一个或多个处理单元,例如:处理器301可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(graphicsprocessingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(Neural-network Processing Unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。其中,控制器可以是电子设备300的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。处理器301中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器301中的存储器为高速缓冲存储器。该存储器可以保存处理器301刚用过或循环使用的指令或数据。如果处理器301需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器301的等待时间,因而提高了系统的效率。
处理器301可以运行本申请实施例提供的网点选址方法,以便于降低用户的操作复杂度、提高终端设备的智能化程度,提升用户的体验。处理器301可以包括不同的器件,比如集成CPU和GPU时,CPU和GPU可以配合执行本申请实施例提供的网点选址方法,比如网点选址方法中部分算法由CPU执行,另一部分算法由GPU执行,以得到较快的处理效率。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是 PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA (ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3 中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘),也可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件,通用闪存存储器 (universal flashstorage,UFS),或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
可选的,存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现本申请任一实施方式中所提供的网点选址方法。
存储器303可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。处理器301通过运行存储在存储器303的指令,从而执行电子设备300的各种功能应用以及数据处理。存储器303可以包括存储程序区和存储数据区。其中,存储程序区可存储操作系统,应用程序的代码等。存储数据区可存储电子设备300使用过程中所创建的数据(比如相机应用采集的图像、视频等)等。
存储器303还可以存储本申请实施例提供的网点选址方法对应的一个或多个计算机程序。该一个或多个计算机程序被存储在上述存储器303 中并被配置为被该一个或多个处理器301执行,该一个或多个计算机程序包括指令,上述指令可以用于执行上述相应实施例中的各个步骤。
当然,本申请实施例提供的网点选址方法的代码还可以存储在外部存储器中。这种情况下,处理器301可以通过外部存储器接口运行存储在外部存储器中的网点选址方法的代码,处理器301可以控制运行网点选址流程。
显示屏305包括显示面板。显示面板可以采用液晶显示屏(liquid crystaldisplay,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode, FLED),Miniled,MicroLed,Micro-oLed,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,电子设备300可以包括 1个或N个显示屏305,N为大于1的正整数。显示屏305可用于显示由用户输入的信息或提供给用户的信息以及各种图形用户界面(graphical userinterface,GUI)。例如,显示屏305可以显示照片、视频、网页、或者文件等。
本申请实施例提供的电子设备,适用于上述方法任一实施例,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述方法实施例所示的网点选址方法。
本申请实施例提供的计算机可读存储介质,适用于上述方法任一实施例,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
本申请实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例中的方法。本申请实施例提供的计算机程序产品,适用于上述方法任一实施例,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
本申请上述实施例公开的网点选址方案通过将影响网点选址的关联特征数据,包括目标区域内人流量、目标区域内人均收入、目标区域内人员结构模型、店铺租金信息等输入至已经训练好的神经网络模型中,利用神经网络模型计算出网点推荐值,根据所述推荐值是否满足预期来确定是否在一个区域设立网点。本申请的有益效果包括实现了网点智能化选址,尤其是适合银行自助网点的选址,解决了传统选址带来的选址范围不精准、人力成本高的问题,并得到更好经济效益和社会效益。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块或单元的划分,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装置,或一些特征可以丢弃,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
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一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。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,在本申请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。
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,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例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,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等) 或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,还可以做出若干改进和润饰,这些变化、替换、改进和润饰也应视为都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种网点选址方法,其特征在于,所述方法包括:
获取目标区域内网点选址关联特征数据;其中所述关联特征数据至少包括目标区域内店铺租金;
将所述关联特征数据输入至预设的神经网络模型;其中所述神经网络模型是经过目前网点关联特征数据训练成功的模型;
所述神经网络模型输出所述目标区域网点设置的推荐分值;
根据所述推荐分值,确定是否在该目标区域内设置网点。
2.根据权利要求1所述的网点选址方法,其特征在于,所述网点选址关联特征数据包括但不限于以下至少一种:
目标区域内人流量、目标区域内人均收入、目标区域内人员结构模型、客户占比数量。
3.根据权利要求1或2所述的网点选址方法,其特征在于,所述目标区域确定过程为:
按照预设的区域划分规则将城区划分为至少包括一个目标区域的集合。
4.根据权利要求3所述的网点选址方法,其特征在于,所述预设的区域划分规则包括但不限于:
按照预设的区域划分单元划分城区为至少一个目标区域;或,
以地标性建筑群为中心,以一定的距离为辐射边长形成一个目标区域;其中所述建筑群至少包括一个地标性建筑。
5.根据权利要求1或4所述的网点选址方法,其特征在于,获取目标区域内网点选址关联特征数据:
通过导航应用程序获取目标区域人流量数据;和/或,
通过房屋买卖应用程序获取目标区域内商品房价格,根据商品房价格获取目标区域人均收入数据;和/或,
通过目标区域内企业信息数据获取目标区域内人员结构模型。
6.根据权利要求5所述的网点选址方法,其特征在于,所述方法还包括:
当所述目标区域设置网点的推荐分值满足预设阈值时,则在电子地图上目标区域对应的区域处显示网点标志。
7.一种网点选址装置,其特征在于,所述装置包括:通讯模块、存储模块和确定模块;其中,
所述通讯模块,用于获取目标区域内网点选址关联特征数据;其中所述关联特征数据至少包括目标区域内店铺租金;
所述通讯模块,还用于将所述关联特征数据输入至预设的神经网络模型;
所述存储模块,用于存储预设的神经网络模型;其中所述神经网络模型是经过目前网点关联特征数据训练成功的模型;
所述通讯模块,还用于控制所述神经网络模型输出所述目标区域网点设置的推荐分值;
所述确定模块,用于根据所述推荐分值,确定是否在该目标区域内设置网点。
8.根据权利要求7所述的网点选址装置,其特征在于,所述装置还包括显示模块,所述显示模块用于按照预设的区域划分规则将城区划分为至少包括一个目标区域的集合;
所述显示模块,还用于当所述目标区域设置网点的推荐分值满足预设阈值时,在电子地图上目标区域对应的区域处显示网点标志。
9.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,执行权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436914.4A CN112541786A (zh) | 2020-12-11 | 2020-12-11 | 一种网点选址方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436914.4A CN112541786A (zh) | 2020-12-11 | 2020-12-11 | 一种网点选址方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541786A true CN112541786A (zh) | 2021-03-23 |
Family
ID=75019963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011436914.4A Pending CN112541786A (zh) | 2020-12-11 | 2020-12-11 | 一种网点选址方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541786A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128773A (zh) * | 2021-04-23 | 2021-07-16 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
CN113379464A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 基于区块链的网点选址方法、装置、设备和存储介质 |
CN113379462A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 一种网点选址方法、装置、设备和存储介质 |
CN113379463A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 一种网点选址方法、装置、设备和存储介质 |
CN113449922A (zh) * | 2021-07-09 | 2021-09-28 | 中国银行股份有限公司 | 银行网点选址方法及装置 |
CN114611624A (zh) * | 2022-03-22 | 2022-06-10 | 广东贤能数字科技有限公司 | 基于人工智能的商铺或营业厅业务活跃度评价系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255538A (zh) * | 2018-09-12 | 2019-01-22 | 中国联合网络通信集团有限公司 | 银行网点选址的评估方法和系统、服务器、存储介质 |
CN109657883A (zh) * | 2019-01-28 | 2019-04-19 | 重庆邮电大学 | 一种基于多源数据驱动的银行网点选址推荐方法 |
CN111178580A (zh) * | 2019-11-28 | 2020-05-19 | 浙江工业大学 | 一种基于改进bp神经网络的超市选址方法 |
CN111274341A (zh) * | 2020-01-16 | 2020-06-12 | 中国建设银行股份有限公司 | 一种网点选址方法和装置 |
CN111583025A (zh) * | 2020-05-08 | 2020-08-25 | 中国银行股份有限公司 | 一种基于距离的移动柜台选址方法及装置 |
-
2020
- 2020-12-11 CN CN202011436914.4A patent/CN112541786A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255538A (zh) * | 2018-09-12 | 2019-01-22 | 中国联合网络通信集团有限公司 | 银行网点选址的评估方法和系统、服务器、存储介质 |
CN109657883A (zh) * | 2019-01-28 | 2019-04-19 | 重庆邮电大学 | 一种基于多源数据驱动的银行网点选址推荐方法 |
CN111178580A (zh) * | 2019-11-28 | 2020-05-19 | 浙江工业大学 | 一种基于改进bp神经网络的超市选址方法 |
CN111274341A (zh) * | 2020-01-16 | 2020-06-12 | 中国建设银行股份有限公司 | 一种网点选址方法和装置 |
CN111583025A (zh) * | 2020-05-08 | 2020-08-25 | 中国银行股份有限公司 | 一种基于距离的移动柜台选址方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128773A (zh) * | 2021-04-23 | 2021-07-16 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
CN113128773B (zh) * | 2021-04-23 | 2024-03-29 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
CN113379464A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 基于区块链的网点选址方法、装置、设备和存储介质 |
CN113379462A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 一种网点选址方法、装置、设备和存储介质 |
CN113379463A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 一种网点选址方法、装置、设备和存储介质 |
CN113379464B (zh) * | 2021-06-29 | 2023-12-05 | 北京百度网讯科技有限公司 | 基于区块链的网点选址方法、装置、设备和存储介质 |
CN113449922A (zh) * | 2021-07-09 | 2021-09-28 | 中国银行股份有限公司 | 银行网点选址方法及装置 |
CN114611624A (zh) * | 2022-03-22 | 2022-06-10 | 广东贤能数字科技有限公司 | 基于人工智能的商铺或营业厅业务活跃度评价系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541786A (zh) | 一种网点选址方法、装置、电子设备和存储介质 | |
US10796452B2 (en) | Optimizations for structure mapping and up-sampling | |
WO2021082635A1 (zh) | 一种关注区域检测方法、装置、可读存储介质及终端设备 | |
CN108645411B (zh) | 基于粒子群算法的机器人路径规划方法、装置及终端设备 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
US11586903B2 (en) | Method and system of controlling computing operations based on early-stop in deep neural network | |
WO2022179581A1 (zh) | 一种图像处理方法及相关设备 | |
CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
CN109583509B (zh) | 数据生成方法、装置及电子设备 | |
CN111739016B (zh) | 目标检测模型训练方法、装置、电子设备及存储介质 | |
Xiao et al. | Single image dehazing based on learning of haze layers | |
WO2022141858A1 (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN112561973A (zh) | 训练图像配准模型的方法、装置和电子设备 | |
WO2023206904A1 (zh) | 一种行人轨迹跟踪方法、系统及相关装置 | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
CN107393502B (zh) | 用于多遍渲染的技术 | |
CN111583381A (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
US11651191B2 (en) | Methods, apparatuses, and computer program products using a repeated convolution-based attention module for improved neural network implementations | |
CN112541902A (zh) | 相似区域搜索方法、装置、电子设备及介质 | |
CN112182312A (zh) | 一种机构名称匹配方法、装置、电子设备及可读存储介质 | |
CN112330697A (zh) | 一种图像分割方法、装置、电子设备和可读存储介质 | |
CN112184305A (zh) | 一种企业估值方法、装置、电子设备及可读存储介质 | |
CN116363365A (zh) | 基于半监督学习的图像分割方法及相关设备 | |
CN110942056A (zh) | 服饰关键点定位方法、装置、电子设备及介质 | |
CN111476838A (zh) | 图像分析方法以及系统 |
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 |