CN112668803B - 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 - Google Patents
一种基于LightGBM模型的汽车服务连锁企业开店选址方法 Download PDFInfo
- Publication number
- CN112668803B CN112668803B CN202110015599.6A CN202110015599A CN112668803B CN 112668803 B CN112668803 B CN 112668803B CN 202110015599 A CN202110015599 A CN 202110015599A CN 112668803 B CN112668803 B CN 112668803B
- Authority
- CN
- China
- Prior art keywords
- store
- sample
- grid
- prediction model
- income
- 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
Links
Images
Abstract
本发明公开了一种基于LightGBM模型的汽车服务连锁企业开店选址方法。该方法采用H3编码对每个门店样本进行样本扩充,对扩充后的每个样本分别以所述区域网格、样本门店、城市作为粒度进行多层次多粒度的特征构造,并根据构造的特征收集对应的数值型特征数据;由扩充后的每个样本在最近一定时间段内产生的收益以及其对应的特征数据构成数据集对lightGBM模型进行训练得出开店选址收益预测模型。利用将开店候选点对应的特征数据输入到所述开店选址收益预测模型进行收益预测。本发明的方案通过H3编码进行样本扩充以克服机器学习样本不足导致的过拟合问题,使训练后的模型泛化能力强。
Description
技术领域
本发明涉及机器学习方法应用领域,特别涉及一种基于LightGBM模型的汽车服务连锁企业开店选址方法。该方法主要用于开店候选点位的收益预测,指导选址业务人员进行开店选址。
背景技术
随着数据获取的成本越来越低,位置信息、导航数据、人口分布、人群画像数据、竞对信息均可通过一定的渠道以可控的成本获取。如何从城市海量的信息中获取到有效信息,挖掘其中的价值以指导开店选址,变得尤为迫切。
目前基于机器学习开店选址方法通常基于历史已开门店的特征和销售情况,并采用核回归的方法对选址点位的未来一年的销售额进行量化预估。核回归是一种常用的非参数局部估计方法,将估计问题转换为数据的局部特征,靠近中心的样本比远离中心的样本权重高。其基本思想是基于近邻的思想,利用相似的连锁历史店的信息对新址的销售额进行量化预测,适用于样本小的情况。门店特征主要选取了四个方面:商圈基本信息、商圈内的人口参数、选址点的特征和竞争参数,并将这四类的特征具体细化为40个特征指标。数据收集的过程中,根据选址点所在的商圈人群类型,对商圈进行分类,定性地分为固定人口类型和流动人口类型。固定人口类型商圈的店面定性地为居家、工作和学校三种类型店面,流动人口商圈的店面定性地为商业区型和交通枢纽型店面。基于相似性的考虑,尽可能收集与选址点同类型的历史店的数据。
现有技术对于开店候选点特征,尤其是店面四周环境特征(例如商圈)采用定性的方式进行划分,从客观实际来看,有些实际上收益不同的门店在相关特征上并没有差别,人为经验的主观成分比较大。而仅汇总到达商圈的人口信息作为统计特征会忽略开店候选点周边大量的空间分布特征对开店候选点的影响。最后,由于机器学习算法相关模型的训练需要大量的样本,实际情况往往由于样本量不足造成数据过拟合,模型的泛化能力差。
发明内容
为了克服现有技术存在的上述缺点,本发明旨在提供一种基于LightGBM(LightGradient Boosting Machine:轻量级提升机制)模型的汽车服务连锁企业开店选址方法。该方法采用H3编码对每个门店样本进行样本扩充,对于每个样本分别以所述区域网格、样本门店、城市作为粒度进行多层次多粒度的特征构造,并根据构造好的特征收集对应的数值型特征数据。将扩充后所有样本对应的收益以及其对应的特征数据构成数据集,使用所述数据集对lightGBM模型进行训练得出开店选址收益预测模型。利用将开店候选点对应的特征数据输入到所述开店选址收益预测模型进行收益预测。
H3网格编码是一种基于六边形网格的空间索引方式,在该编码方式下全球会被且分为更接近于圆形的六边形,适合于大多数的汇总分析场景。相对于Geohash以及GoogleS2等其他投影技术,H3网格编码具有以下优势:1.无变形的投影。2.六边形更接近于圆形,其中心点相对于周边的六边形距离相等。LightGBM是对GBDT(梯度提升树)的高效实现,原理上采用损失函数的负梯度作为当前决策树的残差近似值,去拟合新的决策树。因其具有训练效率高、内存使用低、可直接使用类别特征等优势,而广泛使用在机器学习项目中。
本发明提供的技术方案具体实现为:
一种基于LightGBM模型的汽车服务连锁企业开店选址方法,该方法包括:
a、将任一家样本门店的位置信息、和该家样本门店下单用户在注册时填写的居住/办公地址进行六边形网格边长为固定值的H3编码,得到该家样本门店所处的地理网格和其下单用户居住/办公地址的地理网格;将居住/办公地址位于围绕该家样本门店所处地理网格四周形成N层环状分布、且包括该样本门店所处的地理网格在内的多个区域网格、最近一定时间段内的下单用户产生的收益,合并到相关用户各自居住/办公地址所处的一个所述区域网格中;其中、所述区域网格与该样本门店的地理网格形状、大小一致,每个所述区域网络的收益作为一个收益样本;
b、对于每个收益样本分别以所述区域网格、样本门店、城市作为粒度进行多层次多粒度的特征构造,并根据构造好的特征收集对应的特征数据;
c.将所有的所述收益样本以及其对应的特征数据构成数据集,使用所述数据集对lightGBM模型进行训练、基于该模型输出的不同特征重要程度进行特征筛选,采用筛选后的特征作为预测特征集合;
d.从每个所述收益样本以及其对应的特征数据构成数据集抽取所述预测特征集合中每个特征对应的特征数据值构成开店选址收益预测模型训练数据集,使用所述开店选址收益预测模型训练数据集对lightGBM模型进行训练得到开店选址收益预测模型;
e.对所述开店候选点进行与步骤a中相同的H3编码,收集开店候选点所处地理网格四周形成N层环状分布、且包含该家样本门店所处地理网格的多个边长为所述固定值的六边形区域网格内、所述最近一定时间段内对应于所述预测特征集合中每个特征对应的特征数据构成开店候选点特征数据集,将所述开店候选点特征数据集输入到所述开店选址收益预测模型预测开店候选点产生的收益。
进一步地、使用所述开店选址收益预测模型训练数据集对lightGBM模型进行训练得到开店选址收益预测模型,包括:使用所述开店选址收益预测模型训练数据集对lightGBM模型进行训练得到初步开店选址收益预测模型;将部分实际收益样本对应于所述预测特征集合中每个特征对应的特征数据构成测试特征数据集对所述初步开店选址收益预测模型进行测试,调整所述初步开店选址收益预测模型的参数、当其预测结果与所述部分实际收益样本最接近时,将所述初步开店选址收益预测模型作为开店选址收益预测模型。
对所述开店候选点进行上述相同的H3编码,收集开店候选点所处地理网格四周形成N层环状分布、且包含该家样本门店所处地理网格的多个边长为所述固定值的六边形区域网格内、对应于所述预测特征集合中每个特征对应的特征数据构成开店候选点特征数据集,将所述开店候选点特征数据集输入到所述开店选址收益预测模型预测开店候选点产生的收益。
优选地、所述H3编码的六边形网格边长设为461米;所述若干区域网格具体为包括该样本门店所处的地理网格在内的169个区域网格,围绕该家样本门店所处地理网格四周大约半径5公里范围的7层环状六边形网格。
进一步地、所述以所述区域网格粒度进行特征构造包括:每个区域网格内的人群特征、竞争对手特征、每个区域网格到该样本门店的交通便利性以及每个区域网格的属性。每个所述区域网格内人群特征包括:在具体区域网格内该样本门店的注册用户总数,小区户数、建筑数、建筑物的平均年代、平均房价。每个区域网格的竞争对手特征包括:分别以所述每个区域网格中心为中心点,分别汇总半径1公里、3公里、5公里范围内的汽修门店数、洗车美容店数量以及4S汽车店数。每个区域网格到该样本门店的交通便利性包括:每个区域网格中心到该样本门店的直线距离(定义为每个区域网格中心点到所述样本门店所处的地理网格中心点的直线距离)、导航距离以及所述导航距离和所述直线距离的比值。由于不同导航软件在城市中导航的距离差别不大,这里不强调具体采用哪一款导航软件获取导航距离。每个区域网格属性包括:该区域网格内住宅户数,购物中心数量,办公楼和酒店的数量。
所述以样本门店粒度进行特征构造包括:收集该样本门店周边的人群数据、该样本门店周边竞争对手水平,以及该样本门店周边服务水平。该样本门店周边的人群数据包括:该样本门店注册用户总数,该样本门店周边半径1km、3km以及5km内小区户数、建筑数、建筑物的平均年代以及平均房价。该样本门店的竞争对手水平包括:以该样本门店所处的地理网格中心为中心点,分别汇总半径1公里、3公里、5公里范围内的汽修门店数、洗车美容门店数据以及4S汽车店数。所述该样本门店周边的水平包括:以该样本门店为中心,半径500米、1公里范围内的餐饮门店数量、便利店数以及商场超市数。
所述以城市粒度进行特征构造,包括:收集该样本门店所在城市的基础数据,汽修服务水平以及该汽车服务连锁企业旗下在该城市的所有连锁店的用户数据。该样本门店所在城市的基础数据包括:该城市的汽车保有量、人口数量、GDP和城市面积。该样本门店所在城市的汽修服务水平包括:汽修门店数、洗车美容门店数以及4S汽车店数。该汽车服务连锁企业旗下在该城市的所有连锁店的用户数据包括:该汽车服务连锁企业旗下在该城市所有连锁店的注册用户数,在所述一定时段内的下单用户数、不同业务线订单数以及不同业务线订单平均客单价。
附图说明
图1为本发明提供的汽车服务连锁企业开店选址方法的框架示意图;
图2为以区域网格粒度进行特征构造的示意图;
图3为以样本门店粒度进行特征构造的示意图;
图4为以城市粒度进行特征构造的示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案以及有益效果更加清楚明白,以下结合附图对本发明进行进一步详细说明。应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于LightGBM模型的汽车服务连锁企业开店选址方法,该方法的一个实施例如下所述。
如图1所示,该方法主要包括:样本门店收益网格化,多层次多粒度的特征构造,lightGBM模型训练以及开店候选点收益预测。
样本门店收益网格化:将任一家样本门店的位置信息、和该家样本门店下单用户注册时填写的居住/办公地址进行六边形网格边长为461米的H3编码,得到该家样本门店所处的地理网格和其下单用户居住/办公地址的地理网格。将居住/办公地址位于围绕该家样本门店所处地理网格四周大约半径5公里范围内形成7层分布,且包括该样本门店所处的地理网格在内的169个区域网格内,在最近8个月内的下单用户产生的收益,合并到相关用户各自居住/办公地址所处的一个所述区域网格中。其中、所述区域网格与该样本门店的地理网格形状、大小一致,每个所述区域网络的收益作为一个收益样本。通过样本门店收益网格化,对应于一个样本门店可以扩充成169个样本网格,一个门店收益扩展成169个样本收益。当然、上述H3编码的六边形网格的边长、网绕样本门店区域网格的环状层数以及区域网格个数以及所述下单用户产生收益的时间期限都可以根据实际需要进行设定。
多层次多粒度的特征构造:对于每个收益样本分别以所述区域网格、样本门店、城市作为粒度进行多层次多粒度的特征构造,并根据构造好的特征收集对应特征数据。
如图2所示、所述以所述区域网格粒度进行特征构造包括:每个区域网格内的人群特征、竞争对手特征、每个区域网格到该样本门店的交通便利性以及每个区域网格的属性。每个所述区域网格内人群特征包括:在具体区域网格内该样本门店的注册用户总数,小区户数、建筑数、建筑物的平均年代、平均房价。每个区域网格的竞争对手特征包括:分别以所述每个区域网格中心为中心点,分别汇总半径1公里、3公里、5公里范围内的汽修门店数、洗车美容店数量以及4S汽车店数。每个区域网格到该样本门店的交通便利性包括:每个区域网格中心到该样本门店的直线距离(定义为每个区域网格中心点到所述样本门店所处的地理网格中心点的直线距离)、导航距离以及所述导航距离和所述直线距离的比值。由于不同导航软件在城市中导航的距离差别不大,这里不强调具体采用哪一款导航软件获取导航距离。每个区域网格属性包括:该区域网格内住宅户数,购物中心数量,办公楼和酒店的数量。
如图3所示、所述以样本门店粒度进行特征构造包括:收集该样本门店周边的人群数据、该样本门店周边竞争对手水平,以及该样本门店周边服务水平。该样本门店周边的人群数据包括:该样本门店注册用户总数,该样本门店周边半径1km、3km以及5km内小区户数、建筑数、建筑物的平均年代以及平均房价。该样本门店的竞争对手水平包括:以该样本门店所处的地理网格中心为中心点,分别汇总半径1公里、3公里、5公里范围内的汽修门店数、洗车美容门店数据以及4S汽车店数。所述该样本门店周边的水平包括:以该样本门店为中心,半径500米、1公里范围内的餐饮门店数量、便利店数以及商场超市数。
如图4所示、所述以城市粒度进行特征构造,包括:收集该样本门店所在城市的基础数据,汽修服务水平以及该汽车服务连锁企业旗下在该城市的所有连锁店的用户数据。该样本门店所在城市的基础数据包括:该城市的汽车保有量、人口数量、GDP和城市面积。该样本门店所处城市的汽修服务水平包括:汽修门店数、洗车美容门店数以及4S汽车店数。该汽车服务连锁企业旗下在该城市的所有连锁店的用户数据包括:该汽车服务连锁企业旗下在该城市所有连锁店的注册用户数,最近8个月内的下单用户数、不同业务线订单数以及不同业务线订单平均客单价。
lightGBM模型训练:将上述过程获取的所有所述收益样本以及其对应的特征数据构成数据集,使用所述数据集对lightGBM模型进行训练。在对lightGBM模型训练后,该模型将输出不同特征的重要程度,基于该模型输出的不同特征重要程度进行特征筛选,去掉一些重要性比较低的特征后将剩下的特征作为预测特征集合。然后、从每个所述收益样本以及其对应的特征数据构成数据集抽取所述预测特征集合中每个特征对应的特征数据值,构成开店选址收益预测模型训练数据集重新对lightGBM分类模型进行训练得到初步开店选址收益预测模型。将部分实际收益样本对应的特征数据构成测试数据集对所述初步开店选址收益预测模型进行测试,调整所述初步开店选址收益预测模型的参数、当其预测结果与所述部分实际收益样本最接近时,将所述初步开店选址收益预测模型作为开店选址收益预测模型。
开店候选点收益预测:收集开店候选点对应的所述预测特征集合中每个特征对应的特征数据构成开店候选点特征数据集,将所述开店候选点特征数据集输入到所述开店选址收益预测模型预测开店候选点产生的8个月内的收益。收集开店候选点对应于所述预测特征集合中每个特征对应的特征数据构成开店候选点特征数据集,将所述开店候选点特征数据集输入到所述开店选址收益预测模型预测开店候选点产生的收益。由于该预测模型是将一个样本门店的收益扩充成该样本门店周边169个、边长为461米六边形网格(即大约半径5公里)范围内的网格收益样本,因此、在预测一个开店候选点的收益时需要采集包含该候选点周围169个、边长为461米六边形网格(即大约半径5公里)范围内的相关特征数据输入到所述开店选址收益预测模型预测开店候选点产生的收益。
本发明提供的技术方案采用H3编码进行样本扩充以克服机器学习样本不足,过拟合的问题,使训练后的模型泛化能力强。同时对于每个样本分别以所述区域网格、样本门店、城市作为粒度进行多层次多粒度的数值型特征构造,并收集相关特征数据进行预测模型训练能够降低特征数据人为主观随意性的影响。
Claims (6)
1.一种基于LightGBM模型的汽车服务连锁企业开店选址方法,其特征在于,该方法包括:
a、将任一家样本门店的位置信息、和该家样本门店下单用户在注册时填写的居住/办公地址进行六边形网格边长为固定值的H3编码,得到该家样本门店所处的地理网格和其下单用户居住/办公地址所属的地理网格;将居住/办公地址位于围绕该家样本门店所处地理网格四周形成N层环状分布、且包括该样本门店所处的地理网格在内的多个区域网格、最近一定时间段内的下单用户产生的收益,合并到相关用户各自居住/办公地址所处的一个所述区域网格中;其中、所述区域网格与该样本门店的地理网格形状、大小一致,每个所述区域网格的收益作为一个收益样本;
b、对于每个收益样本分别以所述区域网格、样本门店、城市作为粒度进行多层次多粒度的特征构造,并根据构造好的特征收集对应的特征数据;
c.将所有的所述收益样本以及其对应的特征数据构成数据集,使用所述数据集对lightGBM模型进行训练、基于该模型输出的不同特征重要程度进行特征筛选,采用筛选后的特征作为预测特征集合;
d.从每个所述收益样本以及其对应的特征数据构成数据集抽取所述预测特征集合中每个特征对应的特征数据值构成开店选址收益预测模型训练数据集,使用所述开店选址收益预测模型训练数据集对lightGBM模型进行训练得到开店选址收益预测模型;
e.对所述开店候选点进行与步骤a中相同的H3编码,收集开店候选点所处地理网格四周形成N层环状分布、且包含该家样本门店所处地理网格的多个边长为所述固定值的六边形区域网格内、所述最近一定时间段内对应于所述预测特征集合中每个特征对应的特征数据构成开店候选点特征数据集,将所述开店候选点特征数据集输入到所述开店选址收益预测模型预测开店候选点产生的收益。
2.如权利要求1所述的方法,其特征在于,所述使用所述开店选址收益预测模型训练数据集对lightGBM模型进行训练得到开店选址收益预测模型,包括:使用所述开店选址收益预测模型训练数据集对lightGBM分类模型进行训练得到初步开店选址收益预测模型;将部分实际收益样本对应于所述预测特征集合中每个特征对应的特征数据构成测试特征数据集对所述初步开店选址收益预测模型进行测试,调整所述初步开店选址收益预测模型的参数、当其预测结果与所述部分实际收益样本最接近时,将所述初步开店选址收益预测模型作为开店选址收益预测模型。
3.如权利要求1或2所述的方法,其特征在于,所述步骤a中,所述六边形网格边长设为461米;所述将居住/办公地址位于围绕该家样本门店所处地理网格四周形成N层环状分布的多个区域网格内的下单用户产生的收益,合并到每个用户相关用户各自居住/办公地址所处的一个区域网格中,具体为:将居住/办公地址位于围绕该家样本门店所处地理网格四周形成7层分布、且包含该家样本门店所处地理网格在内的169个区域网格内,在所述最近一定时间段内的下单用户产生的收益,合并到相关用户各自居住/办公地址所处的一个所述区域网格内。
4.如权利要求1或2所述的方法,其特征在于,所述步骤b中以所述区域网格作为粒度进行特征构造包括:每个区域网格内的人群特征、竞争对手特征、每个区域网格到该样本门店的交通便利性以及每个区域网格的商住属性;每个所述区域网格内人群特征包括:用户总数,小区户数、建筑物数、建筑物的平均年代、平均房价;每个区域网格的竞争对手特征包括:分别以所述每个区域网格中心为中心点,分别汇总半径1公里、3公里、5公里范围内的汽修门店数、洗车美容门店数据以及4S汽车店数;每个区域网格到该样本门店的交通便利性包括:该区域网格中心点到所述样本门店所在地理网格中心点的直线距离、导航距离以及所述导航距离和所述直线距离的比值。
5.如权利要求1或2所述的方法,其特征在于,所述步骤b中以样本门店作为粒度进行特征构造包括收集该样本门店所在的区域网格内的人群特征、竞争对手特征,以及该样本门店为中心一定半径范围内的服务行业特征;该样本门店所在区域网格内人群特征包括:用户总数,小区户数、建筑物数、建筑物的平均年代、平均房价;该样本门店所在区域网格内的竞争对手特征包括:以该区域网格中心为中心点,分别汇总半径1公里、3公里、5公里范围内的汽修门店数、洗车美容门店数据以及4S汽车店数;所述该样本门店为中心一定半径范围内的服务行业特征包括:以该样本门店为中心,半径500米、1公里范围内的餐饮门店数量、便利店数以及商场超市数。
6.如权利要求1或2所述的方法,其特征在于,所述步骤b中以城市作为粒度进行特征构造,包括:收集该样本门店所在城市的基础特征,汽修服务水平以及该汽车服务连锁企业旗下在该城市的所有连锁店的用户特征;该样本门店所在城市的基础特征包括:该城市的汽车保有量、人口数量、GDP和城市面积;该样本门店所在城市的汽修服务水平包括:汽修门店数、洗车美容门店数以及4S汽车店数;该汽车服务连锁企业旗下在该城市的所有连锁店的用户特征包括:该汽车服务连锁企业旗下在该城市所有连锁店的注册用户数,在所述最近一定时间段内的下单用户数、不同业务线订单数以及不同业务线订单平均客单价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015599.6A CN112668803B (zh) | 2021-01-06 | 2021-01-06 | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015599.6A CN112668803B (zh) | 2021-01-06 | 2021-01-06 | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668803A CN112668803A (zh) | 2021-04-16 |
CN112668803B true CN112668803B (zh) | 2023-02-10 |
Family
ID=75413224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015599.6A Active CN112668803B (zh) | 2021-01-06 | 2021-01-06 | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668803B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379465A (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 |
CN114782115B (zh) * | 2022-06-20 | 2022-09-13 | 深圳联友科技有限公司 | 一种专营店选址推荐方法、系统和终端设备 |
CN115345530A (zh) * | 2022-10-18 | 2022-11-15 | 广州数说故事信息科技有限公司 | 商场地址推荐方法、装置、设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674976A (zh) * | 2019-09-06 | 2020-01-10 | 爱易优(上海)信息科技有限公司 | 一种基于车辆时空分布的汽修门店选址方法 |
CN110837930A (zh) * | 2019-11-07 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 一种选址方法、装置、设备及存储介质 |
-
2021
- 2021-01-06 CN CN202110015599.6A patent/CN112668803B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674976A (zh) * | 2019-09-06 | 2020-01-10 | 爱易优(上海)信息科技有限公司 | 一种基于车辆时空分布的汽修门店选址方法 |
CN110837930A (zh) * | 2019-11-07 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 一种选址方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
"An Empirical Research on Selecting Location of Chain Convenience Store";Meng Xiaohua 等;《2008 4th International Conference on Wireless Communications, Networking and Mobile Computing》;20081231;全文 * |
"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;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112668803A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668803B (zh) | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 | |
Xiao et al. | Urban configuration, accessibility, and property prices: A case study of Cardiff, Wales | |
Bostancı et al. | Investigating the satisfaction of citizens in municipality services using fuzzy modelling | |
CN110111084A (zh) | 一种政务服务热线分析方法及系统 | |
Boufidis et al. | Development of a station-level demand prediction and visualization tool to support bike-sharing systems’ operators | |
Brauer et al. | The state of the art in smart city research–A literature analysis on green IS solutions to foster environmental sustainability | |
Chang et al. | Understanding user’s travel behavior and city region functions from station-free shared bike usage data | |
CN111784084B (zh) | 基于梯度提升决策树的出行生成预测方法、系统及装置 | |
CN107292484A (zh) | 基于城市空间大数据的城市再开发土地识别方法及系统 | |
CN110458668A (zh) | 确定产品推荐算法的方法及装置 | |
CN111539764B (zh) | 基于次模函数的大数据多址选择方法 | |
Fang et al. | Agglomeration and/or differentiation at regional scale? Geographic spatial thinking of hotel distribution–a case study of Guangdong, China | |
Natera Orozco et al. | Quantifying life quality as walkability on urban networks: The case of Budapest | |
CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
Tekiner | Small hotel location selection problem: The case of Cappadocia | |
CN110633401A (zh) | 一种门店数据的预测模型及其建立方法 | |
CN113421037A (zh) | 一种多源协同建设规划编制方法和装置 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
Zeydan et al. | A rule-based decision support approach for site selection of Automated Teller Machines (ATMs) | |
Roussel et al. | Analyzing Geospatial Key Factors and Predicting Bike Activity in Hamburg | |
Kim et al. | A comparative study of aggregate and disaggregate gravity models using Seoul metropolitan subway trip data | |
CN113408867A (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 | |
Bollenbach et al. | Using machine learning to predict POI occupancy to reduce overcrowding | |
Dong et al. | Underload and overload communities: Revealing the conflicts between population distribution and carrying capacity at an inner-city community scale | |
Wilson et al. | Comparing apples with apples: how different are recent residential development patterns in Portland and Charlotte? |
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 |