CN113240306B - 基于人工智能和大数据的商场选址方法及系统 - Google Patents

Abstract

本发明提供了一种基于人工智能和大数据的商场选址方法及系统，还方法包括：基于待建商场与现有商场的相似度和竞争关系得到待建商场的若干备选地址；获取现有商场和备选地址的商圈，并对商圈进行调整，基于调整前或调整后的商圈计算现有商场和备选地址的商圈特征得分；计算商圈特征权重；基于备选地址与现有商场间的距离、商圈特征的权重和得分计算现有商场对待建商场的斥力；基于斥力得到待建商场的若干优选地址，在优选地址中选择待建商场的最优地址。本发明基于待建商场与现有商场的相似度和竞争关系对商圈进行调整，保障了后续确定待建商场地址的精确性。

Description

基于人工智能和大数据的商场选址方法及系统

技术领域

本发明涉及大数据领域，具体为一种基于人工智能和大数据的商场选址方法及系统。

背景技术

商场在人们的日常生活必不可少，为满足人们的购买需求，在同一个区域内经常会有多个商场。现有技术中商场的选址往往根据区域中的常住人口情况、交通情况、竞争情况、政策情况进行选址，但是却忽略了不同因素对商场选址的影响程度不同，导致选址结果不准确。

发明内容

为了解决上述问题，本发明提出一种基于人工智能和大数据的商场选址方法，该方法包括：

步骤S1，基于待建商场与现有商场的相似度和竞争关系确定待建商场的若干备选地址；

步骤S2，获取现有商场和备选地址的商圈，基于商圈相邻的商场间的相似度和竞争关系对商场的商圈进行调整，基于所述商圈或调整后的商圈计算现有商场和备选地址的商圈特征得分；

步骤S3，假设在备选地址处建设待建商场，基于备选地址与现有商场间的距离、商圈特征的权重和得分计算现有商场对待建商场的斥力；

步骤S4，根据斥力在备选地址周围探索优选地址，基于优选地址的商圈特征得分在优选地址中选择待建商场的最优地址。

进一步地，基于商场的面积、店铺类型、商场服务质量获取每个商场的特征向量，基于特征向量计算商场与商场的相似度和竞争关系。

进一步地，备选地址的获取方法为：

现有商场为现有离散点，基于现有离散点获取初始泰森多边形；

在初始泰森多边形中将与待建商场相似且竞争关系满足预设条件的现有商场对应的现有离散点和对应的包围现有离散点的边删去；

初始泰森多边形中剩余边的中点为备选地址。

进一步地，现有商场和备选地址的商圈的获取方法为：备选地址为新增离散点，根据基于现有离散点和新增离散点得到的第一泰森多边形获取商圈。

进一步地，商圈特征包括商圈的地理位置特征、商圈内快递公司类别特征和基础设施特征。

进一步地，商圈特征的权重的获取方法为：

基于初始泰森多边形中初始商圈相邻的现有商场间的相似度和竞争关系对每个现有商场的初始商圈进行调整；基于初始商圈或调整后每个现有商场的商圈计算现有商场的商圈特征得分，根据商圈特征得分计算商圈特征的权重。

进一步地，所述调整具体为：

对于每个商场，计算商圈相邻的商场与该商场的相似度和竞争关系，则调整后该商场的商圈包括相似度和竞争关系满足预设条件的商圈相邻的商场的商圈。

进一步地，根据商圈特征得分计算商圈特征的权重具体为：

对于每个商圈特征：基于每个现有商场的商圈特征得分获取该商圈特征与其他商圈特征的相关系数，基于相关系数得到该商圈特征对应的第一数值；基于所有现有商场的该商圈特征的得分计算方差得到第二数值；基于该商圈特征对现有商场盈亏的影响程度得到第三数值；

基于每个商圈特征对应的第一数值、第二数值、第三数值得到每个商圈特征的权重。

进一步地，基于调整前每个商场的商圈计算该现有商场的快递公司类别特征得分和地理位置特征得分，基于调整后每个商场的商圈计算该现有商场的基础设施特征得分。

本发明还提出一种基于人工智能和大数据的商场选址系统，该系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基于人工智能和大数据的商场选址方法的步骤。

本发明的有益效果在于：

1.本发明根据商场的特征向量计算商场与商场之间的相似度和竞争关系，并基于相似度和竞争关系对商场的商圈进行调整，得到精细化的商场商圈，保障后续确定待建商场地址的精确性。

2.本发明基于商圈特征之间的相关性、同一商圈特征对不同位置商场的影响程度以及商圈特征对商场盈亏的影响程度为每个商圈特征分配权重，实现客观准确，符合商场选址任务的权重分配。

附图说明

图1为本发明方法实施流程图。

具体实施方式

为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

实施例一：

该实施例提供了一种基于人工智能和大数据的商场选址方法，该方法实施流程如图1所示，具体地，该方法包括：

步骤S1，基于待建商场与现有商场的相似度和竞争关系得到待建商场的若干备选地址，具体地：

1)基于商场的面积、店铺类型、商场服务质量获取每个商场的特征向量，其中，当商场有多层时，所述商场面积为每层面积之和；商场服务质量可以反映商场售后、管理、卫生等情况，可向消费者进行问卷调查得到商场服务质量，实施例中将商场服务质量划分为5个等级；实施例中店铺类型包括服装、美食、日常用品、母婴、电玩娱乐，对于每种店铺类型，若现有商场包括该种店铺类型，则特征向量中对应位置为1，否则为0，特征向量的维度为1行7列，实施者可根据实际的市场调查确定特征向量中包括的店铺类型。

需要说明，可利用CIM(城市信息模型)获取设定区域内所有商场的分布位置信息，同时商场的特征向量也可存储到CIM中。

2)基于特征向量计算待建商场与现有商场的相似度和竞争关系：

获取待建商场的特征向量，待建商场的特征向量由开发商根据实际情况给出；实施例中相似度为余弦相似度，余弦相似度表征两个特征向量在方向上的差异，设置相似度阈值，当计算得到的余弦相似度大于相似度阈值时，待建商场与现有商场相似，表示待建商场与现有商场间存在竞争关系，余弦相似度越大表示竞争关系越强；需要说明的是，相似度阈值与商场中店铺的种类有关，实施例中相似度阈值设为0.3。

对余弦相似度大于相似度阈值的现有商场进行保留，计算待建商场与保留的每个现有商场之间的竞争关系：待建商场特征向量与现有商场特征向量的模的差值比上待建商场特征向量与现有商场特征向量的模的和为竞争关系；竞争关系反映待建商场竞争力的大小，当竞争关系大于0时表示待建商场的竞争力强于保留的现有商场，当竞争关系小于等于0时表示待建商场的竞争力弱于保留的现有商场。

3)基于所有现有商场构建获取初始泰森多边形，具体地每个现有商场为一个现有离散点，在CIM中构建初始泰森多边形，具体地构建方法本发明不再赘述，初始泰森多边形中每个多边形内仅包含一个现有离散点即一个现有商场，且位于泰森多边形边上的点到其两边的现有离散点的距离相等；CIM中每个泰森多边形覆盖的区域为对应商场的初始商圈。

在初始泰森多边形中将与待建商场相似且竞争力强于待建商场的现有商场对应的现有离散点和对应的包围现有离散点的边删去；初始泰森多边形中剩余边的中点为备选地址。

步骤S2：

1)获取商场商圈的商圈特征和商圈特征的权重：

商圈特征包括商圈的地理位置特征、商圈内快递公司类别特征和基础设施特征。

商圈特征的权重的计算方法为：

a)基于现有商场间的相似度和竞争关系对现有商场的商圈进行调整：

获取初始泰森多边形中现有商场的初始商圈，基于初始商圈相邻的现有商场间的相似度和竞争关系对初始泰森多边形中每个现有商场的商圈进行调整，其中，相似度和竞争关系的计算方法和步骤S1中相同，具体地，每个现有商场商圈的调整过程为：该现有商场为目标商场，与目标商场初始商圈相邻的现有商场为邻域商场，当目标商场与邻域商场相似且目标商场的竞争力强于邻域商场时，对目标商场的商圈进行调整，调整后目标商场的商圈包括目标商场的初始商圈和邻域商场的初始商圈。本发明中还需要根据目标商场与邻域商场之间的相似度和竞争关系计算目标商场的竞争因子，具体地，当目标商场与所有邻域商场不相似，或目标商场与所有邻域商场相似且目标商场的竞争力强于所有邻域商场时，竞争因子w为1，表示邻域商场对目标商场不会产生影响；当目标商场与所有邻域商场相似且存在目标商场的竞争力弱于邻域商场时，竞争因子

其中，m为竞争力强于目标商场的邻域商场的个数，α_i表示目标商场与竞争力强于目标商场的第i个邻域商场的相似度，β_i表示目标商场与竞争力强于目标商场的第i个邻域商场的竞争关系，β_i越小，竞争因子w越小，目标商场的竞争力越弱；需要说明，当竞争因子w小于0时，将其置为0。

b)计算每个现有商场商圈特征的得分：

基于调整前每个商场的商圈计算该现有商场的快递公司类别特征得分S₁和地理位置特征得分S₂：

其中，S₁为一个现有商场的快递公司类别特征得分，n为调整前该现有商场商圈内快递公司的类别数，n_max为所有快递公司的总类别，D为调整前该现有商场商圈内所有快递公司的快递点到该现有商场的最短路程距离的均值，A为调整前该现有商场商圈的面积。

地理位置特征得分S₂由专家评分获得，可以反映地段的成本以及政府对该区域的重视程度。同一个城市中划分为新城区和老城区等不同的区域，且政府对于不同的区域的政策不同的，比如政策扶持、资金补助等等。实施例将地理位置特征得分的取值范围设定为[0,1]。

基于调整后每个商场的商圈计算该现有商场的基础设施特征得分S₃：

本发明中基础设施包括学校、医院、住宅区以及道路等设施；对于每个现有商场，这个各种基础设施与调整后该现有商场的商圈的交并比，若交并比大于0.9，则认为该基础设施位于调整后该现有商场的商圈内，该基础设施的所有面积属于调整后该现有商场的商圈，否则，认为该基础设施属于多个商圈，需计算该基础设施属于调整后得到的该现有商场商圈的面积；具体地：

其中，w为该现有商场的竞争因子，A′为调整后该现有商场商圈的面积，B为调整后该现有商场商圈内除道路设施以外的其他基础设施的面积，C为调整后该现有商场商圈内道路的面积。

c)计算每个商圈特征的权重：

对于每个商圈特征：

基于每个现有商场的商圈特征得分获取该商圈特征与其他商圈特征的相关系数，基于相关系数得到该商圈特征对应的第一数值：

具体地，以快递公司类别特征和地理位置特征为例说明两个商圈特征之间相关系数的计算方法：获取每个现有商场的快递公司类别特征得分和地理位置特征得分，得到两个得分序列，根据两个序列计算该两个商圈特征的皮尔逊相关系数，具体的计算方法是公知的，本发明不再赘述。

按照上述计算快递公司类别特征和地理位置特征间皮尔逊相关系数的方法可以得到快递公司类别特征和基础设施特征间的皮尔逊相关系数和快递公司类别特征和快递公司类别特征间的皮尔逊相关系数，三个皮尔逊相关系数之和为快递公司类别特征对应的第一数值。同理，可以得到地理位置特征和基础设施特征对应的第一数值。

基于所有现有商场的该商圈特征的得分计算方差得到第二数值；以快递公司类别特征为例，获取所有现有商场的快递公司类别特征得分，基于得到的快递公司类别特征得分序列计算方差，该方差为快递公司类别特征对应的第二数值；同理，可得到地理位置特征和基础设施特征对应的第二数值。某一商圈特征对应的第二数值越大，表示不同现有商场对应的该商圈特征得分差异越大，则该商圈特征的参考价值越大。

基于该商圈特征对现有商场盈亏的影响程度得到第三数值：

获取每个商圈特征对现有商场盈亏的影响程度，具体地，利用灰色关联分析法获取每个商圈特征对现有商场盈亏的影响程度：

根据每个现有商场的特征向量对现有商场进行聚类，具体地，根据特征向量进行距离聚类，以特征向量之间的L2距离作为距离指标，将特征向量之间L2距离小于2的现有商场聚为一类，聚类后得到多个簇；需要说明，2为经验阈值，实施者可根据需要进行更改；为了消除特征向量的不同对商场盈亏数据的影响，本发明以簇为单位进行分析得到每个商圈特征的第三数值，具体地：

对每个簇内的现有商场进行分析：灰色关联分析法需要确定母序列和子序列，本发明中根据该簇内现有商场的盈亏数据得到母序列，子序列为根据该簇内现有商场得到的三个商圈特征得分序列，根据母序列和子序列计算三个商圈特征与盈亏数据的关联系数，具体地任意一个商圈特征与盈亏数据的关联系数的计算为：

ξ_u表示商圈特征u与商场盈亏数据间的关联系数，即ξ_u表征商圈特征u对商场盈亏的影响程度，|Y(k)-x_u(k)|表示该簇内第k个现有商场的盈亏数据与第k个现有商场的商圈特征u的得分的差值绝对值；E表示该簇内现有商场的数量；min_u min_k|Y(k)-x_u(k)|和max_umax_k|Y(k)-x_u(k)|分别表示E个差值绝对值中的最小值和最大值；ρ∈(0,∞)，为分辨系数，ρ值越大分辨力越大，实施例中ρ取值为0.5。

对于商圈特征u，根据基于每个簇得到的商圈特征u与现有商场盈亏数据的关联系数计算关联系数均值，该均值为商圈特征u对应的第三数值；同理，可得到其他商圈特征对应的第三数值。

基于每个商圈特征对应的第一数值、第二数值、第三数值得到每个商圈特征的权重：

一个商圈特征对应的第一数值、第二数值、第三数值相乘，三个商圈特征得到三个乘积，三个乘积相加得到一总数值，则每个商圈特征的权重为该商圈特征对应的第一数值、第二数值、第三数值的乘积与总数值的比值；权重值越大，表示对应的商圈特征对商场选址的影响越大；需要说明，每个商圈特征权重的取值范围为[0,1]。

2)获取现有商场和备选地址的商圈，具体地，每个备选地址都对应一个待建商场，备选地址为新增离散点，根据基于现有离散点和新增离散点得到的第一泰森多边形获取商场的商圈；基于商圈相邻的商场间的相似度和竞争关系对第一泰森多边形中商场的商圈进行调整；假设在备选地址处建设待建商场，基于根据第一泰森多边形得到的商圈或调整后的商圈计算现有商场和备选地址处待建商场的商圈特征得分；具体的调整商圈和计算商圈特征得分的方法和步骤S2第1)步中的过程a)和b)相同。

步骤S3，基于备选地址与现有商场间的距离、商圈特征的权重和对第一泰森多边形中商场的商圈进行调整后重新计算的商圈特征得分计算现有商场对待建商场的斥力；对于每个备选地址，假设在该备选地址处建设待建商场，则与待建商场商圈相邻的每个现有商场对待建商场的斥力为：

其中，F为与待建商场商圈相邻的一个现有商场对待建商场的斥力，斥力有方向，L为该现有商场与待建商场间的直线距离，G_j为第j个商圈特征的权重，S_j为该现有商场的第j个商圈特征的得分，S′_j为待建商场的第j个商圈特征的得分；该现有商场的商圈特征得分大于待建商场的商圈特征得分，表示该现有商场对待建商场有排斥作用。

步骤S4，根据斥力在待建商场周围探索优选地址，在优选地址中选择待建商场的最优地址：

基于与待建商场商圈相邻的每个现有商场对待建商场的斥力计算出待建商场处的合力，即得到每个备选地址处的合力；以每个备选地址为起点，利用梯度下降法在每个备选地址周围寻找合力最小的位置，找到的合力最小的位置为优选地址；将合力大于合力阈值的优选地址剔除，实施例中合力阈值为3。

基于现有商场和剔除后剩余的优选地址获取第二泰森多边形，第二泰森多边形的获取方法和获取第一泰森多边形相同，基于商圈相邻的商场间的相似度和竞争关系对第二泰森多边形中商场的商圈进行调整，基于所述商圈或调整后的商圈计算现有商场和位于优选地址的待建商场的商圈特征得分；具体的调整商圈和计算商圈特征得分的方法和步骤S2第1)步中的过程a)和b)相同，获取步骤S2第1)步中的过程c)得到的每个商圈特征的权重，基于权重和重新计算的得分进行加权求和，得到第二泰森多边形中每个优选地址的评分，评分最高的优选地址为待建商场的最优地址。

实施例二：

基于与上述方法实施例相同的发明构思，该实施例提供了一种基于人工智能和大数据的商场选址系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基于人工智能和大数据的商场选址方法的步骤。关于系统实施例，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可；以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。

Claims (6)

1.一种基于人工智能和大数据的商场选址方法，其特征在于，该方法包括：

步骤S1，基于待建商场与现有商场的相似度和竞争关系确定待建商场的若干备选地址；

步骤S2，获取现有商场和备选地址的商圈，假设在备选地址处建设待建商场；基于商圈相邻的商场间的相似度和竞争关系对商场的商圈进行调整；基于所述商圈或调整后的商圈计算现有商场和备选地址的商圈特征得分，商圈特征包括商圈的地理位置特征、商圈内快递公司类别特征和基础设施特征；所述商圈特征得分的获取方法具体为：基于调整前每个商场的商圈计算该商场的快递公司类别特征得分和地理位置特征得分，基于调整后每个商场的商圈计算该商场的基础设施特征得分；所述进行调整的方法具体为：对于每个商场，计算商圈相邻的商场与该商场的相似度和竞争关系，则调整后该商场的商圈包括相似度和竞争关系满足预设条件的商圈相邻的商场的商圈；

步骤S3，假设在备选地址处建设待建商场，基于备选地址与现有商场间的距离、商圈特征的权重和得分计算现有商场对待建商场的斥力：

其中，

为与待建商场商圈相邻的一个现有商场对待建商场的斥力，斥力有方向，

为该现有商场与待建商场间的直线距离，

为第

个商圈特征的权重，

为该现有商场的第

个商圈特征的得分，

为待建商场的第

个商圈特征的得分；

步骤S4，根据斥力在备选地址周围探索优选地址，基于优选地址的商圈特征得分在优选地址中选择待建商场的最优地址。

2.如权利要求1所述的方法，其特征在于，基于商场的面积、店铺类型、商场服务质量获取每个商场的特征向量，基于特征向量计算商场与商场的相似度和竞争关系。

3.如权利要求1所述的方法，其特征在于，所述备选地址的获取方法为：

现有商场为现有离散点，基于现有离散点获取初始泰森多边形；

在初始泰森多边形中将与待建商场相似且竞争关系满足预设条件的现有商场对应的现有离散点和对应的包围现有离散点的边删去；

初始泰森多边形中剩余边的中点为备选地址。

4.如权利要求3所述的方法，其特征在于，所述现有商场和备选地址的商圈的获取方法为：备选地址为新增离散点，根据基于现有离散点和新增离散点得到的第一泰森多边形获取商圈。

5.如权利要求3所述的方法，其特征在于，所述商圈特征的权重的获取方法为：

基于初始泰森多边形中初始商圈相邻的现有商场间的相似度和竞争关系对每个现有商场的初始商圈进行调整；基于初始商圈或调整后每个现有商场的商圈计算现有商场的商圈特征得分，对于每个商圈特征：基于每个现有商场的商圈特征得分获取该商圈特征与其他商圈特征的相关系数，基于相关系数得到该商圈特征对应的第一数值；基于所有现有商场的该商圈特征的得分计算方差得到第二数值；基于该商圈特征对现有商场盈亏的影响程度得到第三数值；

基于每个商圈特征对应的第一数值、第二数值、第三数值得到每个商圈特征的权重。

6.一种基于人工智能和大数据的商场选址系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。

Images