CN113128773A - 地址预测模型的训练方法、地址预测方法及装置 - Google Patents

Abstract

本公开提供了一种地址预测模型的训练方法，应用于金融领域、人工智能领域或其它领域。地址预测模型的训练方法包括确定用于训练待训练的地址预测模型的已有金融网点的地址数据；获取在已有金融网点的预设范围内的多源数据，其中，多源数据包括多种来源且类型不同的数据，多源数据用于表征预设范围内的经济发展水平；以及利用多源数据和地址数据训练待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。本公开还提供了一种地址预测方法、地址预测模型的训练装置、地址预测装置、电子设备、计算机可读存储介质及计算机程序产品。

Description

地址预测模型的训练方法、地址预测方法及装置

技术领域

本公开涉及金融领域或人工智能技术领域，更具体地，涉及一种地址预测模型的训练方法、地址预测方法及装置、电子设备、计算机可读存储介质以及计算机程序产品。

背景技术

相关技术中，在对银行网点地址进行选择时，一般通过人工采集数据的方式，来判断与选择适合开设银行网点的地址，在实现本公开构思的过程中，发明人发现相关技术中至少存在需要大量投入人力、物力，以及选址效率低、选择不够准确的技术问题。

发明内容

有鉴于此，本公开提供了一种地址预测模型的训练方法、地址预测方法及装置、电子设备、计算机可读存储介质以及计算机程序产品。

本公开的一个方面提供了一种地址预测模型的训练方法，包括：确定用于训练待训练的地址预测模型的已有金融网点的地址数据；

获取在上述已有金融网点的预设范围内的多源数据，其中，上述多源数据包括多种来源且类型不同的数据，上述多源数据用于表征上述预设范围内的经济发展水平；以及

利用上述多源数据和上述地址数据训练上述待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。

根据本公开的实施例，获取在上述已有金融网点的预设范围内的多源数据包括：

获取在上述已有金融网点预设范围内的多种原始数据；

对上述多种原始数据分别进行预处理，得到上述多源数据。

根据本公开的实施例，上述原始数据包括以下至少之一：人口密度数据、交通信息数据、商业发展状态数据、消费水平数据以及已有的第一商户数，其中，上述第一商户包括与上述金融网点有竞争关系的商户。

根据本公开的实施例，对上述多种原始数据分别进行预处理，得到多源数据包括：

对上述人口密度数据进行预处理，得到第一特征数据；

对上述交通信息数据进行预处理，得到第二特征数据；

对上述商业发展状态数据进行预处理，得到第三特征数据；

对上述消费水平数据进行预处理，得到第四特征数据；

对上述已有的第一商户数进行预处理，得到第五特征数据；

其中，上述多源数据包括上述第一特征数据、上述第二特征数据、上述第三特征数据、上述第四特征数据以及上述第五特征数据。

根据本公开的实施例，上述第一特征数据、上述第二特征数据、上述第三特征数据、上述第四特征数据以及上述第五特征数据均为16位的二进制数。

根据本公开的实施例，上述待训练的地址预测模型包括特征融合模块和预测模块，将上述地址数据作为标签信息；上述利用多源数据和上述地址数据训练上述待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型包括：

对述多源数据以及上述地址数据进行融合，得到中间特征数据；

将上述中间特征数据输入特征融合模块，输出融合特征数据；

将上述融合特征数据输入预测模块，输出预测结果；

将上述预测结果和上述标签信息输入损失函数，输出损失结果；

根据上述损失结果调整上述地址预测模型的网络参数，直至上述损失函数或迭代次数满足预设条件；

将上述损失函数或迭代次数满足预设条件时得到的模型作为地址预测模型。

根据本公开的实施例，上述交通信息数据用于表征上述已有金融网点的预设范围内的交通拥堵指数。

根据本公开的实施例，上述交通拥堵指数通过以下方法计算得到：

选取上述已有金融网点的预设范围内的若干个路段；

统计若干天中每天的预设时间段内，上述若干个路段中每个路段的车流量；

根据上述每个路段的车流量、统计天数以及选取的路段数来计算上述交通拥堵指数。

本公开的另一个方面提供了一种地址预测方法，包括：

获取候选位置；

获取上述候选位置预设范围内的多源数据；以及

将上述候选位置和上述多源数据输入地址预测模型，输出预测结果，其中，上述地址预测模型通过上述地址预测模型的训练方法训练得到。

本公开的另一个方面提供了一种地址预测模型的训练装置，包括：

确定模块，用于确定用于训练待训练的地址预测模型的已有金融网点的地址数据；

第一获取模块，用于获取在上述已有金融网点的预设范围内的多源数据，其中，上述多源数据包括多种来源且类型不同的数据，上述多源数据用于表征上述预设范围内的经济发展水平；以及

训练模块，利用上述多源数据和上述地址数据训练上述待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。

本公开的另一个方面提供了地址预测装置，包括：

第二获取模块，用于获取候选位置；

第三获取模块，用于获取上述候选位置预设范围内的多源数据；以及

预测模块，用于将上述候选位置和上述多源数据输入地址预测模型，输出预测结果，其中，上述地址预测模型通过上述地址预测模型的训练方法训练得到。

本公开的另一方面提供了电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如上述的方法。

本公开的另一方面提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现如上述的方法。

根据本公开的实施例，通过将已有金融网点预设范围内的多源数据以及金融网点的地址数据作为训练样本，训练得到地址预测模型。当用地址预测模型进行金融网点的地址预测时，可以综合考虑多方面的因素，所以至少部分地克服了相关技术中预测精度较低以及耗费人力物力的技术问题，进而达到了提高预测准确度的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用地址预测模型的训练方法的示例性系统架构；

图2示意性示出了根据本公开实施例的地址预测模型的训练方法的流程图；

图3示意性示出了根据本公开实施例的获取在已有金融网点的预设范围内的多源数据的流程图；

图4示意性示出了根据本公开实施例的计算交通拥堵指数的流程图；

图5示意性示出了根据本公开实施例的对多种原始数据分别进行预处理，得到多源数据的流程图；

图6示意性示出了根据本公开实施例的待训练的地址预测模型的整体框架图；

图7示意性示出了根据本公开实施例的利用多源数据和地址数据训练待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型的流程图；

图8示意性示出了根据本公开的实施例的地址预测方法的流程图；

图9示意性示出了根据本公开的实施例的地址预测模型的训练装置的框图；

图10示意性示出了根据本公开的实施例的地址预测装置的框图；以及

图11示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开提供了一种地址预测模型的训练方法，应用于金融领域、人工智能领域或其它领域。地址预测模型的训练方法包括确定用于训练待训练的地址预测模型的已有金融网点的地址数据；获取在已有金融网点的预设范围内的多源数据，其中，多源数据包括多种来源且类型不同的数据，多源数据用于表征预设范围内的经济发展水平；以及利用多源数据和地址数据训练待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。本公开还提供了一种地址预测方法、地址预测模型的训练装置、地址预测装置、电子设备、计算机可读存储介质及计算机程序产品。

图1示意性示出了根据本公开实施例的可以应用地址预测模型的训练方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的地址预测模型的训练方法一般可以由服务器105执行。相应地，本公开实施例所提供的地址预测模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的地址预测模型的训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的地址预测模型的训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的地址预测模型的训练方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的地址预测模型的训练装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，已有金融网点的地址数据以及多源数据可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的地址预测模型的训练方法，或者将已有金融网点的地址数据以及多源数据发送到其他终端设备、服务器、或服务器集群，并由接收已有金融网点的地址数据以及多源数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的地址预测模型的训练方法。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的地址预测模型的训练方法的流程图。

需要说明的是，本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序，或者不同操作在技术实现上存在执行的先后顺序，否则，多个操作之间的执行顺序可以不分先后，多个操作也可以同时执行。

如图2所示，该方法包括操作S201～S203。

在操作S201，确定用于训练待训练的地址预测模型的已有金融网点的地址数据。

根据本公开的实施例，已有金融网点可以包括在已经发展成熟的地区已经经营一段时间的金融网点。

根据本公开的实施例，金融网点可以是银行网点等实体店铺的形式，还可以是自动柜员机(Automated Teller Machine，ATM)等设备的形式，本公开实施例对金融网点的形式不做限定。

根据本公开的实施例，本领域技术人员可以合理的将本公开实施例提供的方法拓展到除金融领域之外的其它领域。例如，除金融网点以外，本公开实施例提供的方法还可以适用于各种类型的商户，例如零售店、餐饮店、大型超市以及其他类型的店铺与设备。

在操作S202，获取在已有金融网点的预设范围内的多源数据，其中，多源数据包括多种来源且类型不同的数据，多源数据用于表征预设范围内的经济发展水平。

根据本公开的实施例，多源数据的来源不限。多源数据中的每种数据可以均来自于同一个数据源，但不限于此，多源数据中的每种数据还可以分别来自于不同的数据源。

根据本公开的实施例，提供多源数据的数据源例如可以包括外部数据源，还可以包括内部数据源。

根据本公开的实施例，外部数据源的数据可以通过数据采集程序从网络资源中采集，例如，可以使用编写的数据采集程序对网络资源进行数据采集。一般的，数据采集程序是一种按照一定的规则，自动地抓取网络信息的程序或者脚本。数据采集程序可驻留在服务器上，通过给定的一些URL(Uniform Resource Locator，统一资源定位符)，利用HTTP(Hyper Text Transfer Protocol，超文本传输协议)等标准协议读取相应文档，然后以文档中包括的所有未访问过的URL作为新的起点，继续进行漫游，直到没有满足条件的新URL为止。

根据本公开的实施例，本公开不对预设范围做具体限定。预设范围可以根据实际应用情况做灵活选取，例如，预设范围可以包括以该已有金融网点为中心的方圆50米、200米或500米等覆盖距离范围，也可以是该金融网点所在的平方0.5公里左右、1公里左右等面积范围的街区等。本领域技术人员可以根据金融网点所在的行政区域的具体规划方案，确定适合的预设范围设定方案。

在操作S203，利用多源数据和地址数据训练待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。

根据本公开的实施例，待训练的地址预测模型可以包括特征融合模块和预测模块。

根据本公开的实施例，特征融合模块例如可以为包括两层神经元的神经网络；预测模块例如可以为包括两层神经元的神经网络。需要说明的是，上述特征融合模块和预测模块的结构仅仅是示意性的，本公开对特征融合模块和预测模块的结构不做限定。

本公开实施例提供了一种地址预测模型的训练方法，通过将已有金融网点预设范围内的多源数据以及金融网点的地址数据作为训练样本，训练得到地址预测模型，当用地址预测模型进行金融网点的地址预测时，可以综合考虑多方面的因素，实现了提高预测准确度的技术效果。

下面参考图3～图7，结合具体实施例对图2所示的方法做进一步说明。

图3示意性示出了根据本公开实施例的获取在已有金融网点的预设范围内的多源数据的流程图。

如图3所示，该方法包括操作S301～S302。

在操作S301，获取在已有金融网点预设范围内的多种原始数据。

根据本公开的实施例，由于多种原始数据中可能会存在大量无效或者异常的数据，而这些无效或者异常的数据可能是重复的数据、不完整的数据或者错误的数据，这些无效的数据不仅会造成后续数据处理的困难，还可能会对后续的数据处理造成干扰或者污染，影响数据处理结果的可信度和有效性，因此，在获取多种原始数据后，可以对多种原始数据分别进行预处理。

在操作S302，对多种原始数据分别进行预处理，得到多源数据。

根据本公开的实施例，原始数据经过预处理后，剔除了原始数据中的重复的数据、不完整的数据以及错误的数据，得到了具有较高数据有效性的多源数据。

根据本公开的实施例，原始数据包括以下至少之一：人口密度数据、交通信息数据、商业发展状态数据、消费水平数据以及已有的第一商户数，其中，第一商户包括与金融网点有竞争关系的商户。

根据本公开的实施例，人口密度数据可以通过单位时间内已有银行网点预设范围内的移动用户的位置数据来表示。人口密度数据可以表征单位时间内已有银行网点预设范围内的移动用户数量，从而可以体现已有银行网点预设范围内潜在消费者的数量。

根据本公开的实施例，商业发展状态数据可以通过已有银行网点预设范围内的房价表示。

根据本公开的实施例，已有银行网点预设范围内的房价可以包括从房地产中介公司网站或者房地产开发商网站以及城市房管部门主管的房产登记网站等获取的房价信息。其中，房价信息包括但不限于可供出租/售卖的房源信息、近期房产交易信息以及价格走势等。

根据本公开的实施例，消费水平数据可以通过已有银行网点预设范围内的人均收入表示。

根据本公开的实施例，交通信息数据用于表征已有金融网点的预设范围内的交通拥堵指数。

图4示意性示出了根据本公开实施例的计算交通拥堵指数的流程图。

如图4所示，该方法包括操作S401～S403。

在操作S401，选取已有金融网点的预设范围内的若干个路段。

在操作S402，统计若干天中每天的预设时间段内，若干个路段中每个路段的车流量。

在操作S403，根据每个路段的车流量、统计天数以及选取的路段数来计算交通拥堵指数。

根据本公开的实施例，交通拥堵指数可以通过如下公式(1)计算得到。

其中，M表示交通拥堵指数，k表示选取的路段数，n表示统计的天数，x_ij表示第i天第j个路段的车流量。

图5示意性示出了根据本公开实施例的对多种原始数据分别进行预处理，得到多源数据的流程图。

如图5所示，该方法包括操作S501～S505。

在操作S501，对人口密度数据进行预处理，得到第一特征数据。

在操作S502，对交通信息数据进行预处理，得到第二特征数据。

在操作S503，对商业发展状态数据进行预处理，得到第三特征数据。

在操作S504，对消费水平数据进行预处理，得到第四特征数据。

在操作S505，对已有的第一商户数进行预处理，得到第五特征数据。

其中，多源数据包括第一特征数据、第二特征数据、第三特征数据、第四特征数据以及第五特征数据。

根据本公开的实施例，第一特征数据、第二特征数据、第三特征数据、第四特征数据以及第五特征数据均为16位的二进制数。

根据本公开的实施例，原始数据中的每种数据的获取方式可以均不相同，并且原始数据中的每种数据表达的含义也并不相同，但是，原始数据中的每种数据都可以采用数字类型的数据进行表示。因此，可以将数字类型的原始数据分别进行预处理后，得到16位的二进制数，从而减少后续数据处理的过程中的数据处理复杂程度。

根据本公开的实施例，待训练的地址预测模型包括特征融合模块和预测模块，将地址数据作为标签信息。

根据本公开的实施例，可以先确定用于训练待训练的地址预测模型的已有金融网点的原始地址数据，原始地址数据可以用经纬度来表示；然后可以将原始地址数据进行预处理，将原始地址数据的经纬度转换为16位的二进制数，得到地址数据。

图6示意性示出了根据本公开实施例的待训练的地址预测模型的整体框架图。

根据本公开的实施例，图6中data1可以表示人口密度数据，data2可以表示交通信息数据，data3可以表示商业发展状态数据，data4可以表示消费水平数据，data5可以表示已有第一商户数。本领域技术人员应当了解，图6中示出的神经网络中每层的神经元的数量均作为示例，而并非对本公开实施例的任何形式的限制。

图7示意性示出了根据本公开实施例的利用多源数据和地址数据训练待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型的流程图。

如图7所示，该方法包括操作S701～S706。

根据本公开的实施例，原始数据经过预处理后，得到了均为16位二进制数的第一特征数据、第二特征数据、第三特征数据、第四特征数据以及第五特征数据；原始地址数据经过预处理后，得到了以16位二进制数表示的地址数据。由于第一特征数据、第二特征数据、第三特征数据、第四特征数据、第五特征数据和地址数据均为单独存在的数据，不便于后续的数据处理，因此可以先将第一特征数据、第二特征数据、第三特征数据、第四特征数据、第五特征数据和地址数据进行融合。

在操作S701，对多源数据以及地址数据进行融合，得到中间特征数据。

根据本公开的实施例，将第一特征数据、第二特征数据、第三特征数据、第四特征数据、第五特征数据和地址数据进行融合，得到中间特征数据。

根据本公开的实施例，可以将第一特征数据、第二特征数据、第三特征数据、第四特征数据、第五特征数据和地址数据进行拼接处理，以得到中间特征数据。

根据本公开的实施例，经过将第一特征数据、第二特征数据、第三特征数据、第四特征数据、第五特征数据和地址数据进行拼接处理得到的中间特征数据为96位的特征数据，若直接将中间特征数据输入神经网络的全连接层中，那么神经网络的输入层需要96个神经元用于分别接收中间特征数据中的96位数据，而神经元数量过多将会增大模型训练的困难程度，因此，可以先对中间特征数据进行特征降维。

在操作S702，将中间特征数据输入特征融合模块，输出融合特征数据。

根据本公开的实施例，将中间特征数据输入特征融合模块后，可以输出融合特征数据，融合特征数据的数据维度小于中间特征数据的数据维度，从而实现了对中间特征数据的降维，进而可以减少神经网络中的网络参数，降低后续的训练难度。

根据本公开的实施例，经过简单拼接得到的中间特征数据的特征较为稀疏，不利于后续的模型训练，因此中间特征数据经过特征融合模块的处理，还可以对中间特征数据进行特征提取，剔除中间特征数据中的噪声。

根据本公开的实施例，特征融合模块可以为包括两层神经元的神经网络。

在操作S703，将融合特征数据输入预测模块，输出预测结果。

根据本公开的实施例，预测模块可以为包括两层神经元的神经网络。

根据本公开的实施例，预测模块的输出层可以仅包括一个输出神经元。

根据本公开的实施例，预测模块的输出神经元的激活函数可以为sigmoid激活函数，从而输出神经元的输出值可以为介于0到1之间的小数。

在操作S704，将预测结果和标签信息输入损失函数，输出损失结果。

根据本公开的实施例，损失函数可以用下列公式(2)表示。

其中，x_i表示中间特征数据，θ表示地址预测模型的网络参数，g_θ(x_i)表示地址预测模型的输出神经元的输出值，L_i表示标签信息。

在操作S705，根据损失结果调整地址预测模型的网络参数，直至损失函数或迭代次数满足预设条件。

根据本公开的实施例，可以利用根据损失结果，利用梯度下降算法调整地址预测模型的网络参数。

在操作S706，将损失函数或迭代次数满足预设条件时得到的模型作为地址预测模型。

根据本公开的实施例，可以将损失函数收敛时得到的模型作为地址预测模型，还可以将迭代次数满足预设条件时得到的模型作为地址预测模型，本公开不对迭代次数做具体限制，本领域技术人员可以根据期望地址预测模型的预测精度进行灵活调整。

图8示意性示出了根据本公开的实施例的地址预测方法的流程图。

如图8所示，该方法包括操作S801～S803。

在操作S801，获取候选位置。

根据本公开的实施例，候选位置可以包括经过人工初步筛选的适合开设金融网点的位置。例如，位于商场或广场中的位置，或位于学校、医院、车站附近的位置等。

根据本公开的实施例，候选位置还可以包括对人工初步筛选的位置进行进一步筛选之后得到的位置。具体的，可以首先人工初步筛选若干个初始候选位置，并获得若干初始候选位置的位置信息。

根据本公开的实施例，在若干个初始候选位置中，可以存在一些具有一定重复性的位置，例如，根据人工经验，商场更适合开设金融网点，因此可以在一个商场区域内选取多个初始候选位置。然后通过人工实地考察等方式将一个商场区域内的多个初始候选位置进行进一步筛选，在一个商场区域内仅保留一个候选位置。

在操作S802，获取候选位置预设范围内的多源数据。

根据本公开的实施例，可以先获取候选位置预设范围内的多种原始数据，然后对多种原始数据分别进行预处理，得到多源数据。

根据本公开的实施例，原始数据可以包括以下至少之一：人口密度数据、交通信息数据、商业发展状态数据、消费水平数据以及已有的第一商户数，其中，第一商户包括与金融网点有竞争关系的商户。

根据本公开的实施例，经过对多种原始数据分别进行预处理，可以得到以16位二进制表示的多源数据。

在操作S803，将候选位置和多源数据输入地址预测模型，输出预测结果，其中，地址预测模型通过本公开实施例提供的地址预测模型的训练方法训练得到。

根据本公开的实施例，预测结果可以为介于0到1之间的小数，当预测结果大于预设阈值时，取值为1，表示候选位置适合开设金融网点；当预测结果小于预设阈值时，取值为0，表示候选位置不适合开设金融网点。本公开实施例不对预设阈值做具体限定，本领域技术人员可以根据实际应用需求灵活调整。

图9示意性示出了根据本公开的实施例的地址预测模型的训练装置900的框图。

如图9所示，地址预测模型的训练装置900包括确定模块901、第一获取模块902和训练模块903。

确定模块901，用于确定用于训练待训练的地址预测模型的已有金融网点的地址数据。

第一获取模块902，用于获取在已有金融网点的预设范围内的多源数据，其中，多源数据包括多种来源且类型不同的数据，多源数据用于表征预设范围内的经济发展水平。

训练模块903，利用多源数据和地址数据训练待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。

根据本公开的实施例，地址预测模型的训练装置900还包括第四获取模块和预处理模块。

第四获取模块，用于获取在已有金融网点预设范围内的多种原始数据。

预处理模块，用于对多种原始数据分别进行预处理，得到多源数据。

根据本公开的实施例，原始数据包括以下至少之一：人口密度数据、交通信息数据、商业发展状态数据、消费水平数据以及已有的第一商户数，其中，第一商户包括与金融网点有竞争关系的商户。

根据本公开的实施例，预处理模块包括第一处理单元、第二处理单元、第三处理单元、第四处理单元和第五处理单元。

第一处理单元，用于对人口密度数据进行预处理，得到第一特征数据。

第二处理单元，用于对交通信息数据进行预处理，得到第二特征数据。

第三处理单元，用于对商业发展状态数据进行预处理，得到第三特征数据。

第四处理单元，用于对消费水平数据进行预处理，得到第四特征数据。

第五处理单元，用于对已有的第一商户数进行预处理，得到第五特征数据。

根据本公开的实施例，多源数据包括第一特征数据、第二特征数据、第三特征数据、第四特征数据以及第五特征数据。

根据本公开的实施例，第一特征数据、第二特征数据、第三特征数据、第四特征数据以及第五特征数据均为16位的二进制数。

根据本公开的实施例，待训练的地址预测模型包括特征融合模块和预测模块，将地址数据作为标签信息。

根据本公开的实施例，训练模块包括数据融合单元、特征融合单元、损失计算单元、参数调整单元以及确定单元。对述多源数据以及地址数据进行融合，得到中间特征数据。

数据融合单元，用于将中间特征数据输入特征融合模块，输出融合特征数据。

特征融合单元，用于将融合特征数据输入预测模块，输出预测结果。

损失计算单元，用于将预测结果和标签信息输入损失函数，输出损失结果。

参数调整单元，用于根据损失结果调整地址预测模型的网络参数，直至损失函数或迭代次数满足预设条件。

确定单元，用于将损失函数或迭代次数满足预设条件时得到的模型作为地址预测模型。

根据本公开的实施例，交通信息数据用于表征已有金融网点的预设范围内的交通拥堵指数。

根据本公开的实施例，第四获取模块包括选取单元、统计单元以及计算单元。

选取单元，用于选取已有金融网点的预设范围内的若干个路段。

统计单元，用于统计若干天中每天的预设时间段内，若干个路段中每个路段的车流量。

计算单元，用于根据每个路段的车流量、统计天数以及选取的路段数来计算交通拥堵指数。

图10示意性示出了根据本公开的实施例的地址预测装置1000的框图。

如图10所示，地址预测装置1000包括第二获取模块1001、第三获取模块1002和预测模块1003。

第二获取模块1001，用于获取候选位置。

第三获取模块1002，用于获取候选位置预设范围内的多源数据。

预测模块1003，用于将候选位置和多源数据输入地址预测模型，输出预测结果，其中，地址预测模型通过本公开实施例提供的地址预测模型的训练方法训练得到。

需要说明的是，本公开的实施例中地址预测装置部分与本公开的实施例中地址预测方法部分是相对应的，地址预测装置部分的描述具体参考地址预测方法部分，在此不再赘述。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，确定模块901、第一获取模块902、训练模块903、第二获取模块1001、第三获取模块1002和预测模块1003中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，确定模块901、第一获取模块902、训练模块903、第二获取模块1001、第三获取模块1002和预测模块1003中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，确定模块901、第一获取模块902、训练模块903、第二获取模块1001、第三获取模块1002和预测模块1003中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图11示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1100还可以包括输入/输出(I/O)接口1105，输入/输出(I/O)接口305也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的字符识别模型的训练方法和字符识别方法。

在该计算机程序被处理器1101执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，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公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种地址预测模型的训练方法，包括：

确定用于训练待训练的地址预测模型的已有金融网点的地址数据；

获取在所述已有金融网点的预设范围内的多源数据，其中，所述多源数据包括多种来源且类型不同的数据，所述多源数据用于表征所述预设范围内的经济发展水平；以及

利用所述多源数据和所述地址数据训练所述待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。

2.根据权利要求1所述的方法，其中，获取在所述已有金融网点的预设范围内的多源数据包括：

获取在所述已有金融网点预设范围内的多种原始数据；

对所述多种原始数据分别进行预处理，得到所述多源数据。

3.根据权利要求2所述的方法，其中，

所述原始数据包括以下至少之一：人口密度数据、交通信息数据、商业发展状态数据、消费水平数据以及已有的第一商户数，其中，所述第一商户包括与所述金融网点有竞争关系的商户。

4.根据权利要求3所述的方法，其中，对所述多种原始数据分别进行预处理，得到多源数据包括：

对所述人口密度数据进行预处理，得到第一特征数据；

对所述交通信息数据进行预处理，得到第二特征数据；

对所述商业发展状态数据进行预处理，得到第三特征数据；

对所述消费水平数据进行预处理，得到第四特征数据；

对所述已有的第一商户数进行预处理，得到第五特征数据；

其中，所述多源数据包括所述第一特征数据、所述第二特征数据、所述第三特征数据、所述第四特征数据以及所述第五特征数据。

5.根据权利要求4所述的方法，其中，所述第一特征数据、所述第二特征数据、所述第三特征数据、所述第四特征数据以及所述第五特征数据均为16位的二进制数。

6.根据权利要求1所述的方法，其中，所述待训练的地址预测模型包括特征融合模块和预测模块，将所述地址数据作为标签信息；所述利用多源数据和所述地址数据训练所述待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型包括：

对述多源数据以及所述地址数据进行融合，得到中间特征数据；

将所述中间特征数据输入特征融合模块，输出融合特征数据；

将所述融合特征数据输入预测模块，输出预测结果；

将所述预测结果和所述标签信息输入损失函数，输出损失结果；

根据所述损失结果调整所述地址预测模型的网络参数，直至所述损失函数或迭代次数满足预设条件；

将所述损失函数或迭代次数满足预设条件时得到的模型作为地址预测模型。

7.根据权利要求3所述的方法，其中，所述交通信息数据用于表征所述已有金融网点的预设范围内的交通拥堵指数。

8.根据权利要求7所述的方法，其中，所述交通拥堵指数通过以下方法计算得到：

选取所述已有金融网点的预设范围内的若干个路段；

统计若干天中每天的预设时间段内，所述若干个路段中每个路段的车流量；

根据所述每个路段的车流量、统计天数以及选取的路段数来计算所述交通拥堵指数。

9.一种地址预测方法，包括：

获取候选位置；

获取所述候选位置预设范围内的多源数据；以及

将所述候选位置和所述多源数据输入地址预测模型，输出预测结果，其中，所述地址预测模型通过权利要求1至8任一项地址预测模型的训练方法训练得到。

10.一种地址预测模型的训练装置，包括：

确定模块，用于确定用于训练待训练的地址预测模型的已有金融网点的地址数据；

第一获取模块，用于获取在所述已有金融网点的预设范围内的多源数据，其中，所述多源数据包括多种来源且类型不同的数据，所述多源数据用于表征所述预设范围内的经济发展水平；以及

训练模块，利用所述多源数据和所述地址数据训练所述待训练的地址预测模型，得到用于对待选址金融网点进行选址的地址预测模型。

11.一种地址预测装置，包括：

第二获取模块，用于获取候选位置；

第三获取模块，用于获取所述候选位置预设范围内的多源数据；以及

预测模块，用于将所述候选位置和所述多源数据输入地址预测模型，输出预测结果，其中，所述地址预测模型通过权利要求1至8任一项地址预测模型的训练方法训练得到。

12.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个指令，

其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至9中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至9中任一项所述的方法。

14.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现权利要求1至9中任一项所述的方法。

Images