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
一种基于时空大数据与机器学习算法的药店选址方法 Download PDFInfo
- Publication number
- CN112669094B CN112669094B CN202110123024.6A CN202110123024A CN112669094B CN 112669094 B CN112669094 B CN 112669094B CN 202110123024 A CN202110123024 A CN 202110123024A CN 112669094 B CN112669094 B CN 112669094B
- Authority
- CN
- China
- Prior art keywords
- grid
- density
- data
- population
- commercial
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 9
- 238000010187 selection method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012797 qualification Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000010410 layer Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 7
- 239000002344 surface layer Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract 1
- 238000011835 investigation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123024.6A CN112669094B (zh) | 2021-01-29 | 2021-01-29 | 一种基于时空大数据与机器学习算法的药店选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123024.6A CN112669094B (zh) | 2021-01-29 | 2021-01-29 | 一种基于时空大数据与机器学习算法的药店选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669094A CN112669094A (zh) | 2021-04-16 |
CN112669094B true CN112669094B (zh) | 2024-01-26 |
Family
ID=75414940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110123024.6A Active CN112669094B (zh) | 2021-01-29 | 2021-01-29 | 一种基于时空大数据与机器学习算法的药店选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669094B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254559A (zh) * | 2021-06-07 | 2021-08-13 | 浙江非线数联科技股份有限公司 | 一种基于地理信息系统的设备选址方法 |
CN113393149B (zh) * | 2021-06-29 | 2022-07-26 | 华南理工大学 | 城市民宿选址优化方法、系统、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110047721A (ko) * | 2009-10-30 | 2011-05-09 | 주식회사 하나은행 | 영업중인 의원을 위한 사업성평가 서버 및 그 방법 |
CN106844642A (zh) * | 2017-01-20 | 2017-06-13 | 杭州电子科技大学 | 一种基于gis计算路网网格中人口密度的方法 |
CN108540988A (zh) * | 2017-03-06 | 2018-09-14 | 中国移动通信集团公司 | 一种场景划分方法及装置 |
CN110555539A (zh) * | 2018-06-01 | 2019-12-10 | 珠海横琴盛达兆业科技投资有限公司 | 一种基于导航线路分析的药店精准选址方法 |
CN110675110A (zh) * | 2019-09-30 | 2020-01-10 | 广州大学 | 一种基于地铁网络的快递配送枢纽中心选址方法及装置 |
CN111091417A (zh) * | 2019-12-12 | 2020-05-01 | 拉扎斯网络科技(上海)有限公司 | 选址方法及装置 |
CN112070551A (zh) * | 2020-09-15 | 2020-12-11 | 亿景智联(北京)科技有限公司 | 一种基于区域分析的零售网点选址算法 |
CN112184282A (zh) * | 2020-09-03 | 2021-01-05 | 长安大学 | 影院选址模型建立方法、影院选址方法及影院选址平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150228040A1 (en) * | 2014-02-10 | 2015-08-13 | Patrick Joseph Charland | Health Care Provider Entity Location Selection & Market Capacity Model |
-
2021
- 2021-01-29 CN CN202110123024.6A patent/CN112669094B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110047721A (ko) * | 2009-10-30 | 2011-05-09 | 주식회사 하나은행 | 영업중인 의원을 위한 사업성평가 서버 및 그 방법 |
CN106844642A (zh) * | 2017-01-20 | 2017-06-13 | 杭州电子科技大学 | 一种基于gis计算路网网格中人口密度的方法 |
CN108540988A (zh) * | 2017-03-06 | 2018-09-14 | 中国移动通信集团公司 | 一种场景划分方法及装置 |
CN110555539A (zh) * | 2018-06-01 | 2019-12-10 | 珠海横琴盛达兆业科技投资有限公司 | 一种基于导航线路分析的药店精准选址方法 |
CN110675110A (zh) * | 2019-09-30 | 2020-01-10 | 广州大学 | 一种基于地铁网络的快递配送枢纽中心选址方法及装置 |
CN111091417A (zh) * | 2019-12-12 | 2020-05-01 | 拉扎斯网络科技(上海)有限公司 | 选址方法及装置 |
CN112184282A (zh) * | 2020-09-03 | 2021-01-05 | 长安大学 | 影院选址模型建立方法、影院选址方法及影院选址平台 |
CN112070551A (zh) * | 2020-09-15 | 2020-12-11 | 亿景智联(北京)科技有限公司 | 一种基于区域分析的零售网点选址算法 |
Non-Patent Citations (24)
Title |
---|
"一带一路"视角下基于模糊证据推理的物流园区选址方法;周映筱;赵鹏;;北京交通大学学报(第05期);全文 * |
ArcView GIS空间分析方法的研究――以银行选址为例;季漩;周汝良;;云南地理环境研究(第06期);全文 * |
GIS空间分析技术在葡萄园选址中的应用;翟海翔;张丽娜;卜晓东;焦彩菊;;山西农业科学(第07期);全文 * |
人口因素对零售商业设施规划布局的影响及GIS技术辅助方法的探讨;程珊;;旅游纵览(下半月)(第06期);全文 * |
商业超市立地调查与选址模型构建分析;郑朝洪;;测绘科学(第01期);全文 * |
地图代数在用地选址模拟中的应用――以大庆地区为例;周利军;张淑花;臧淑英;;测绘与空间地理信息(第05期);全文 * |
城市停车换乘两阶段选址模型;许文秀;张珊珊;吴金卓;;交通科技与经济(第01期);全文 * |
基于AHP与GIS技术的24 h便利店选址适宜性评价研究――以厦门市思明区为例;张远翼;万博文;曹浩然;林筠茹;戚荣昊;刘淑虎;;福州大学学报(自然科学版)(第04期);全文 * |
基于AHP和GIS的垃圾中转站选址研究;胡文;范强;史月;;测绘与空间地理信息(第08期);全文 * |
基于GIS和可拓综合优度评价的变电站选址;饶顺斌;;云南电力技术(第01期);全文 * |
基于GIS的废旧纺织品回收站选址分析;刘艳梅;;北京测绘(第03期);全文 * |
基于GIS空间建模的银行网点选址――以山东省青岛市黄岛区为例;韦晶;王萍;郭亚敏;;资源开发与市场(第06期);全文 * |
基于Pareto多目标遗传算法的公共服务设施优化选址研究――以深圳市医院选址为例;刘萌伟;黎夏;;热带地理(第06期);全文 * |
基于地理信息系统技术的医保定点药店增选方法研究;金超;周奕男;姚红;陈海乐;白鸽;李建梅;张明;杜兰珍;温伟军;侯磊;罗力;;中国药房(第04期);全文 * |
基于多源大数据融合的银行网点选址方法;邓轲;冯辉宗;许国良;雒江涛;;重庆邮电大学学报(自然科学版)(第04期);全文 * |
基于模糊层次分析法的装配式建筑PC构件厂选址;罗倩蓉;董茜月;曾德珩;;土木工程与管理学报(第03期);全文 * |
基于空间分析方法的商业选址研究――以珠海市香洲区为例;姜亚莉;蔡心田;丁振兴;;测绘与空间地理信息(第12期);全文 * |
基于边界代数法的矢量栅格化并行算法设计与实现;周琛;陈振杰;张帅;;计算机工程与科学(第04期);全文 * |
多智能体与蚁群算法结合选址模型:长沙市生态用地选址;胡海龙;曾永年;张鸿辉;马昕炜;;资源科学(第06期);全文 * |
大数据视角下的商业中心和热点区分布特征及其影响因素分析――以乌鲁木齐主城区为例;陈洪星;杨德刚;李江月;武荣伟;霍金炜;;地理科学进展(第05期);全文 * |
新时代下的连锁药店市场竞争力评价指标体系研究;王广平;王颖;胡骏;;中国处方药(第05期);全文 * |
第三空间还是无限场景:新零售的区位选择与影响因素研究;汪凡;林玥希;汪明峰;;地理科学进展(第09期);全文 * |
翁璇.中国优秀硕士学位论文全文数据库.(第01期),全文. * |
零售药店选址探讨;李卷仓;原淑芹;;西北药学杂志(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669094A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marzouk et al. | Planning utility infrastructure requirements for smart cities using the integration between BIM and GIS | |
Aletà et al. | Smart mobility and smart environment in the Spanish cities | |
CN112669094B (zh) | 一种基于时空大数据与机器学习算法的药店选址方法 | |
Spaliviero et al. | The Spatial Development Framework to facilitate urban management in countries with weak planning systems | |
Oses et al. | A multidisciplinary sustainability index to assess transport in urban areas: a case study of Donostia-San Sebastian, Spain | |
Tang et al. | Generative design method of the facade of traditional architecture and settlement based on knowledge discovery and digital generation: a case study of Gunanjie Street in China | |
Xuan et al. | Research on Correlation between Spatial Quality of Urban Streets and Pedestrian Walking Characteristics in China Based on Street View Big Data | |
Cherniy et al. | Modern Approach to the Road Traffic Management in Cities of Ukraine: Case Study of Kyiv Municipal Company" Road Traffic Management Center" | |
CN110766589A (zh) | 一种基于通信数据与兴趣点数据推断城市功能的方法 | |
Park | The prioritized design elements for urban regeneration in the era of autonomous vehicles | |
Mantey et al. | Integrated geographic data bases: The GADS experience | |
Pakfetrat et al. | A comprehensive approach in green space site planning: An application of a three-stage multi-criteria decision support system | |
Wang et al. | GIS cloud computing based government Big Data analysis platform | |
Peregrino et al. | Transportation scenario planning with graph neural networks | |
Bin et al. | Decision oriented intelligent transport information platform design research–case study of Hangzhou City | |
Wang et al. | Analysis and Conservation Methods of Traditional Architecture and Settlement Based on Knowledge Discovery and Digital Generation-A Case Study of Gunanjie Street in China | |
Acampa et al. | Study of the Cloisters of the Historical Center of Florence: Methodological Approach for the Definition of Restoration Intervention Priorities | |
Zhao et al. | Out of the Dilemma: Industrial Heritage Value Evaluation and Renewal Suitability Research in Chengdu, China | |
CN117522192B (zh) | 一种支持城市体检的智能出图与形成报告的方法及系统 | |
Živanović et al. | The nature of urban sprawl in Western Balkan cities | |
Kuru et al. | Determining Urban Expansion Areas Using Parcel-Based Estimation Model: Saray Case Study | |
Lin et al. | The Location Evaluation and Relocation of Community & in-Home Care Centers: A Case Study of Fuzhou, China | |
Matseliukh et al. | Intelligent System of Dynamic 2D Visualization of Passenger Flows of Public Transport Routes Based on OpenGL. | |
GHOUCHANİ et al. | Using Spatial Justice in Urban Planning with The Systemic Thinking Approach | |
Zhang et al. | Research of urban digital planning model based on GIS |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 1101, Floor 11, Office Building B, Suzhou Bay Central Plaza, 99 Youxiang Road, Wuzhong District, Suzhou, Jiangsu Applicant after: Yijing Zhilian (Suzhou) Technology Co.,Ltd. Address before: 3015, 3 / F, 6 Chuangye Road, Shangdi Information Industry base, Haidian District, Beijing 100085 Applicant before: Yijing Zhilian (Beijing) Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |