CN112669094B - 一种基于时空大数据与机器学习算法的药店选址方法 - Google Patents

Abstract

本发明公开了一种基于时空大数据与机器学习算法的药店选址方法，其特征在于：包括如下步骤：S1、加载基础地理底图，提供基础地理底图引擎加载模块，使用者可根据自身喜好，加载测绘资质的互联网公开地图瓦片，形成画布层，提供坐标系转换工具，支持不同来源的基础底图无缝切换，应用数据的归一化展示及分析，本发明更高效率，更低成本，更精准的决策，模型迭代，经验传承，通过人机交互的模式，允许使用者根据喜好在机器计算结果的基础上进行人工监督、微调，并将结果存成自定义模型，快速完成不同区域成功经验的复制、数据共享，结果直观，以地图加报告的方式显示选址区域，不再是大段的文字，研究表明，人们更容易接受图形化的信息。

Description

一种基于时空大数据与机器学习算法的药店选址方法

技术领域

本发明涉及大数据技术领域，具体为一种基于时空大数据与机器学习算法的药店选址方法。

背景技术

对于药品经营企业市场开拓策略的决策来说，选址是关键问题，直接决定经营的成功与否，毋庸置疑，正确的选址能够有效的控制风险，降低成本，为企业带来超预期的收益，传统的选址需要先依靠经验拟定模糊地点，再花费大量的人力通过实地调研，询问调查等方式获得选址的变量，如地理条件、人口特征等形成调查报告，存在试错成本高、费时费力、现势性滞后等弊端。

发明内容

本发明提供一种基于时空大数据与机器学习算法的药店选址方法，可以有效解决上述背景技术中提出传统的选址需要先依靠经验拟定模糊地点，再花费大量的人力通过实地调研，询问调查等方式获得选址的变量，如地理条件、人口特征等形成调查报告，存在试错成本高、费时费力、现势性滞后等弊端的问题。

为实现上述目的，本发明提供如下技术方案：一种基于时空大数据与机器学习算法的药店选址方法，其特征在于：包括如下步骤：

S1、加载基础地理底图，提供基础地理底图引擎加载模块，使用者可根据自身喜好，加载测绘资质的互联网公开地图瓦片，形成画布层，提供坐标系转换工具，支持不同来源的基础底图无缝切换，应用数据的归一化展示及分析；

S2、根据地理范围，生成该市的地理栅格，每个栅格元中包含一个栅格值，用于表示该栅格元对应的区域的“选址得分；

S3、依次计算所有栅格元表达的“选址得分”，得到所有区域的药店选址得分栅格数据集，评估出每个栅格内居住密度指数、商业密度指数、交通便利度、同业态饱和度、非选址区域指数、优选区域指数各维度数据，得到不同维度栅格数据集；

S4、分析结果展示：基于K1，K2，K3，K4，K5，K6以及Kn数据集，提供多种展示方式；

S5、使用者可以通过缩放，查看选址结果的统计报告，包括但不限于，周边常住人口数、交通便利程度的具体数值，完成人工监督和核验。

根据上述技术方案，所述S2中包括如下步骤：

a、从基础数据中检索该市的地理范围，并生成该市区所在区域的外接矩形；

b、以左上角(L，T)为起点，右下角为终点，对外接矩形进行剖分，剖分间距即栅格分辨率为20米，从而生成一系列的栅格元；

c、每个栅格元，以GeoHash进行唯一性编码，在栅格元中填充0作为默认的栅格值，指代该区域的“选址得分”；

d、就生成初步的“某市药店选址得分数据”，后续的分析也将以数据为基础展开。

根据上述技术方案，所述S3中具体的计算方法如下：

a、生成居住密度栅格数据集K1；

b、生成商业人口密度栅格数据集K2

c、生成交通便利程度栅格数据集K3；

d、生成同业态饱和度栅格数据集K4；

e、生成非选址区域栅格数据集K5；

f、生成优选区域栅格数据集K6；

g、融合各层数据，生成最终药店选址得分栅格数据集Kn。

根据上述技术方案，所述a中还包括如下步骤：

A1、计算居民区各AOI面对象的人口数，将居民区AOI面图层进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，每个栅格元Z值取被包含及相交的居民小区的人口数填充，形成居民区密度栅格数据K11；

A2、同上述居住密度K11的计算方法，计算学校的居住密度栅格数据K12；

A3、进行栅格代数运算，将学校的人口密度和居民区的人口密度相加，形成居住密度K1：K1＝K11+K12；

A4、将居住密度进行栅格重分级，分段方式为等间距，段数设置为5，进行重分级后，对应居住密度栅格数据的像元值为1、2、3、4、5。

根据上述技术方案，所述b中还包括如下步骤：

B1、计算商业写字楼各AOI面对象的人口数，将商业写字楼AOI面图层进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，每个栅格元Z值取被包含及相交的商业写字楼的办公人口数填充，形成办公密度栅格数据K21；

B2、同上述商业写字楼密度计算方法，以购物中心日均人流量为Z值生成购物中心人口密度栅格数据K2；

B3、进行栅格代数运算，将商业写字楼的人口密度和购物中心人口密度相加，形成商业密度K2：K2＝K21+K22；

B4、将商业密度进行栅格重分级，分段方式为等间距，段数设置为5，进行重分级后，对应商业密度栅格数据的像元值为1、2、3、4、5。

与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便，更高效率，更低成本，本发明内置更新及时、内容丰富的大数据资源，经过验证的选址模型，量化评估，以SaaS形态快速交付，即拿即用，快速响应使用需求，解决人工调研耗时长、成本高的问题，助力企业降本增效；

更精准的决策，本发明以选址关键要素—地理位置为载体，围绕地理位置，叠加各类与选址相关的商业和经济数据，如地理要素、业务变量、人口特征，将地理信息科学在选址过程中的优势发挥到极致，这些不同渠道、不同类型的数据经过除噪、降维处理，形成评估体系度量指标的可量化，科学计算，精准决策，优化资源配置，打破信息孤岛，全面提升选址的正确率和准确率；

模型迭代，经验传承，通过人机交互的模式，允许使用者根据喜好在机器计算结果的基础上进行人工监督、微调，并将结果存成自定义模型，快速完成不同区域成功经验的复制、数据共享,有利于连锁经营使用者的信息化建设；

结果直观，以地图加报告的方式显示选址区域，不再是大段的文字，研究表明，人们更容易接受图形化的信息。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的药店选址关键步骤示意图；

图2是本发明的计算药店选址得分栅格数据集工作流程示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1-2所示，本发明提供技术方案，一种基于时空大数据与机器学习算法的药店选址方法，包括如下步骤：

S1、加载基础地理底图，提供基础地理底图引擎加载模块，使用者可根据自身喜好，加载测绘资质的互联网公开地图瓦片，形成画布层，提供坐标系转换工具，支持不同来源的基础底图无缝切换，应用数据的归一化展示及分析；

S2、根据地理范围，生成该市的地理栅格，每个栅格元中包含一个栅格值，用于表示该栅格元对应的区域的“选址得分；

S3、依次计算所有栅格元表达的“选址得分”，得到所有区域的药店选址得分栅格数据集，评估出每个栅格内居住密度指数、商业密度指数、交通便利度、同业态饱和度、非选址区域指数、优选区域指数各维度数据，得到不同维度栅格数据集；

S4、分析结果展示：基于K1，K2，K3，K4，K5，K6以及Kn数据集，提供多种展示方式：其一是将Kn数据集渲染成地图(支持热力图，网格图，栅格分段专题图等渲染方式)再叠加上基础地理数据，通过可视化方式，直观地展示不同区域，其二是：将K1，K2，K3，K4，K5，K6以及Kn数据集矢量化，生成矢量瓦片，支持用户选择某个区域，查看该区域具体的药店选址指数，及其关联指数(如商业人口密度指数，居住密度指数等)，其三是基于Kn数据统计出前N个最适合的药店建址位置，高亮显示；

S5、使用者可以通过缩放，查看选址结果的统计报告，包括但不限于，周边常住人口数、交通便利程度的具体数值，完成人工监督和核验。

根据上述技术方案，S2中包括如下步骤：

a、从基础数据中检索该市的地理范围，并生成该市区所在区域的外接矩形；

b、以左上角(L，T)为起点，右下角为终点，对外接矩形进行剖分，剖分间距即栅格分辨率为20米，从而生成一系列的栅格元；

c、每个栅格元，以GeoHash进行唯一性编码，在栅格元中填充0作为默认的栅格值，指代该区域的“选址得分”；

d、就生成初步的“某市药店选址得分数据”，后续的分析也将以数据为基础展开。

根据上述技术方案，S3中具体的计算方法如下：

a、生成居住密度栅格数据集K1；

b、生成商业人口密度栅格数据集K2

c、生成交通便利程度栅格数据集K3：以公交站点、地铁站点、火车站为中心分别生成200米、500米、1000米、2000米、3000米的缓冲区面对象，并以这些缓冲半径为Z值，生成交通便利程度栅格数据，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，半径200米，对应Z值为5，半径500米，对应Z值为4，半径1000米，对应Z值为3，半径2000米，对应Z值为2，半径3000米，对应Z值为1，

d、生成同业态饱和度栅格数据集K4:用同业态(以药监局备案经营范围为准)药店进行服务区分析，生成骑车10分钟药店的服务范围面图层S4，计算S4中各服务区面对象的空间关系，将2个及以上服务区面对象的相交区域设置为饱和区域，其饱和度设置为5，没有与任何服务区面对象相交为中等区域，其饱和度设置为3，其余区域设置为0，将图层S4进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，形成饱和度图层K4；

e、生成非选址区域栅格数据集K5：将医院AOI面生成200M半径的缓冲区，将缓冲区进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，形成非选址区域图层K5，所有被医院AOI缓冲区覆盖的栅格像元值均为-100，没有被医院AOI覆盖像元值为0；

f、生成优选区域栅格数据集K6:加载城市道路网(主干路、次干路、支路)的边界，生成右侧缓冲区，缓冲半径10米，将路网缓冲区图层进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，生成优选区域图层K6，所有缓冲区覆盖的区域，栅格元值为5，道路交叉点(有两个以上缓冲区覆盖的区域)栅格元值为10，其他区域值为0；

g、融合各层数据，生成最终药店选址得分栅格数据集Kn：该栅格数据集由K1、K2、K3、K4、K5和K6融合而来，鉴于K1…K6这些栅格数据的栅格剖分规则一致，且栅格分辨率相同，可通过栅格代数运算计算最终栅格值，针对具体某个栅格，计算其栅格值Knv的规则如下：Knv＝K1v+K2v+K3v+K6v*2+K5v-K4v；

其中K1v…K6v表示K1…K6等栅格数据集某栅格的值

根据上述技术方案，a中还包括如下步骤：

计算居民区各AOI面对象的人口数，将居民区AOI面图层进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，每个栅格元Z值取被包含及相交的居民小区的人口数填充，形成居民区密度栅格数据K11；

同上述居住密度K11的计算方法，计算学校的居住密度栅格数据K12；

进行栅格代数运算，将学校的人口密度和居民区的人口密度相加，形成居住密度K1：K1＝K11+K12；

将居住密度进行栅格重分级，分段方式为等间距，段数设置为5，进行重分级后，对应居住密度栅格数据的像元值为1、2、3、4、5。

根据上述技术方案，b中还包括如下步骤：

计算商业写字楼各AOI面对象的人口数，将商业写字楼AOI面图层进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，每个栅格元Z值取被包含及相交的商业写字楼的办公人口数填充，形成办公密度栅格数据K21；

同上述商业写字楼密度计算方法，以购物中心日均人流量为Z值生成购物中心人口密度栅格数据K2；

进行栅格代数运算，将商业写字楼的人口密度和购物中心人口密度相加，形成商业密度K2：K2＝K21+K22；

将商业密度进行栅格重分级，分段方式为等间距，段数设置为5，进行重分级后，对应商业密度栅格数据的像元值为1、2、3、4、5。

与现有技术相比，本发明的有益效果：本发明结构科学合理，使用安全方便，更高效率，更低成本，本发明内置更新及时、内容丰富的大数据资源，经过验证的选址模型，量化评估，以SaaS形态快速交付，即拿即用，快速响应使用需求，解决人工调研耗时长、成本高的问题，助力企业降本增效；

更精准的决策，本发明以选址关键要素—地理位置为载体，围绕地理位置，叠加各类与选址相关的商业和经济数据，如地理要素、业务变量、人口特征，将地理信息科学在选址过程中的优势发挥到极致，这些不同渠道、不同类型的数据经过除噪、降维处理，形成评估体系度量指标的可量化，科学计算，精准决策，优化资源配置，打破信息孤岛，全面提升选址的正确率和准确率；

模型迭代，经验传承，通过人机交互的模式，允许使用者根据喜好在机器计算结果的基础上进行人工监督、微调，并将结果存成自定义模型，快速完成不同区域成功经验的复制、数据共享,有利于连锁经营使用者的信息化建设；

结果直观，以地图加报告的方式显示选址区域，不再是大段的文字，研究表明，人们更容易接受图形化的信息。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于时空大数据与机器学习算法的药店选址方法，其特征在于：包括如下步骤：

S1、加载基础地理底图，提供基础地理底图引擎加载模块，使用者可根据自身喜好，加载测绘资质的互联网公开地图瓦片，形成画布层，提供坐标系转换工具，支持不同来源的基础底图无缝切换，应用数据的归一化展示及分析；

S2、根据地理范围，生成该市的地理栅格，每个栅格元中包含一个栅格值，用于表示该栅格元对应的区域的“选址得分；

S3、依次计算所有栅格元表达的“选址得分”，得到所有区域的药店选址得分栅格数据集，评估出每个栅格内居住密度指数、商业密度指数、交通便利度、同业态饱和度、非选址区域指数、优选区域指数各维度数据，得到不同维度栅格数据集；

S4、分析结果展示：基于K1，K2，K3，K4，K5，K6以及Kn数据集，提供多种展示方式；

S5、使用者可以通过缩放，查看选址结果的统计报告，包括但不限于，周边常住人口数、交通便利程度的具体数值，完成人工监督和核验；

所述S3中具体的计算方法如下：

a、生成居住密度栅格数据集K1；

b、生成商业人口密度栅格数据集K2

c、生成交通便利程度栅格数据集K3；

d、生成同业态饱和度栅格数据集K4；

e、生成非选址区域栅格数据集K5；

f、生成优选区域栅格数据集K6；

g、融合各层数据，生成最终药店选址得分栅格数据集Kn。

2.根据权利要求1所述的一种基于时空大数据与机器学习算法的药店选址方法，其特征在于，所述S2中包括如下步骤：

a、从基础数据中检索该市的地理范围，并生成该市区所在区域的外接矩形；

b、以左上角(L，T)为起点，右下角为终点，对外接矩形进行剖分，剖分间距即栅格分辨率为20米，从而生成一系列的栅格元；

c、每个栅格元，以GeoHash进行唯一性编码，在栅格元中填充0作为默认的栅格值，指代该区域的“选址得分”；

d、就生成初步的“某市药店选址得分数据”，后续的分析也将以数据为基础展开。

3.根据权利要求1所述的一种基于时空大数据与机器学习算法的药店选址方法，其特征在于，所述a中还包括如下步骤：

A1、计算居民区各AOI面对象的人口数，将居民区AOI面图层进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，每个栅格元Z值取被包含及相交的居民小区的人口数填充，形成居民区密度栅格数据K11；

A2、同上述居住密度K11的计算方法，计算学校的居住密度栅格数据K12；

A3、进行栅格代数运算，将学校的人口密度和居民区的人口密度相加，形成居住密度K1：K1＝K11+K12；

A4、将居住密度进行栅格重分级，分段方式为等间距，段数设置为5，进行重分级后，对应居住密度栅格数据的像元值为1、2、3、4、5。

4.根据权利要求3所述的一种基于时空大数据与机器学习算法的药店选址方法，其特征在于，所述b中还包括如下步骤：

B1、计算商业写字楼各AOI面对象的人口数，将商业写字楼AOI面图层进行栅格化，计算范围、起点与分辨率、唯一性编码设置同该市的地理栅格，每个栅格元Z值取被包含及相交的商业写字楼的办公人口数填充，形成办公密度栅格数据K21；

B2、同上述商业写字楼密度计算方法，以购物中心日均人流量为Z值生成购物中心人口密度栅格数据K2；

B3、进行栅格代数运算，将商业写字楼的人口密度和购物中心人口密度相加，形成商业密度K2：K2＝K21+K22；

B4、将商业密度进行栅格重分级，分段方式为等间距，段数设置为5，进行重分级后，对应商业密度栅格数据的像元值为1、2、3、4、5。