CN113449800A - 训练模型的方法、位置确定方法、装置、电子设备及介质 - Google Patents

训练模型的方法、位置确定方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113449800A
CN113449800A CN202110759574.7A CN202110759574A CN113449800A CN 113449800 A CN113449800 A CN 113449800A CN 202110759574 A CN202110759574 A CN 202110759574A CN 113449800 A CN113449800 A CN 113449800A
Authority
CN
China
Prior art keywords
training
set corresponding
data
sample set
target area
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.)
Pending
Application number
CN202110759574.7A
Other languages
English (en)
Inventor
孟靖祥
雷志亮
李策凡
范维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110759574.7A priority Critical patent/CN113449800A/zh
Publication of CN113449800A publication Critical patent/CN113449800A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0204Market segmentation
    • G06Q30/0205Location or geographical consideration

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例提供了训练模型的方法、位置确定方法、装置、电子设备及介质。可应用于人工智能技术领域。训练模型的方法包括:获取与源区域对应的源网点选址模型,其中,源网点选址模型是利用与源区域对应的训练样本集训练得到的;以及利用与目标区域对应的训练样本集对源网点选址模型进行训练,得到与目标区域对应的目标网点选址模型,其中,与源区域对应的训练样本集所包括的训练样本的样本量大于与目标区域对应的训练样本集所包括的训练样本的样本量。

Description

训练模型的方法、位置确定方法、装置、电子设备及介质
技术领域
本公开涉及人工智能技术领域,更具体地,涉及一种用于训练网点选址模型的方法、位置确定方法、用于训练网点选址模型的装置、位置确定装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着社会经济发展,金融机构的业务也不断发展,为了有效保证业务的发展,金融机构可以通过不断扩展网点来实现。其中,金融机构可以包括银行。
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如下问题:网点选址的准确性不高。
发明内容
有鉴于此,本公开实施例提供了一种用于训练网点选址模型的方法、位置确定方法、用于训练网点选址模型的装置、位置确定装置、电子设备、计算机可读存储介质及计算机程序产品。
本公开实施例的一个方面提供了一种用于训练网点选址模型的方法,包括:获取与源区域对应的源网点选址模型,其中,上述源网点选址模型是利用与上述源区域对应的训练样本集训练得到的;以及,利用与目标区域对应的训练样本集对上述源网点选址模型进行训练,得到与上述目标区域对应的目标网点选址模型,其中,与上述源区域对应的训练样本集所包括的训练样本的样本量大于与上述目标区域对应的训练样本集所包括的训练样本的样本量。
根据本公开的实施例,用于训练网点选址模型的方法还包括:获取与上述目标区域对应的初始训练样本集;以及,对与上述目标区域对应的初始训练样本集进行处理,得到与上述目标区域对应的训练样本集,其中,与上述目标区域对应的训练样本集包括多个上述训练样本,每个上述训练样本包括样本网点的真实位置和样本网点特征数据,上述样本网点特征数据包括如下至少一项:上述样本网点的人口密度数据、交通拥堵数据、已存在网点数量数据和消费情况数据。
根据本公开的实施例,上述交通拥堵数据用车流量表征,其中,上述车流量是根据在预设时间段内,通过与上述样本网点对应的预设路段的车辆的数量确定的;上述消费情况数据是对与上述样本网点对应的用户的金融行为数据进行处理得到的,其中,上述金融行为数据包括如下至少一项:用户流水数据、用户风险评估数据和金融产品数据。
根据本公开的实施例,上述利用与目标区域对应的训练样本集对上述源网点选址模型进行训练,得到与上述目标区域对应的目标网点选址模型,包括:将上述样本网点的样本网点特征数据输入上述源网点选址模型,输出上述样本网点的预测位置;将上述样本网点的预测位置和真实位置输入损失函数,输出输出值;根据上述输出值,调整上述源网点选址模型的模型参数,直至上述输出值收敛;以及,将在上述输出值收敛的情况下得到的源网点选址模型,确定为上述目标网点选址模型。
根据本公开的实施例,上述对与上述目标区域对应的初始训练样本集进行处理,得到与上述目标区域对应的训练样本集,包括:对与上述目标区域对应的初始训练样本集进行预处理,得到与上述目标区域对应的训练样本集,其中,上述预处理包括如下至少一项:数据清洗、数据补充、数据类型转换和数据标准化。
根据本公开的实施例,上述样本网点的真实位置和已存在网点数量数据是利用爬虫工具从地图应用程序中获取的。
本公开实施例的另一个方面提供了一种位置确定方法,包括:获取目标区域的候选网点的网点特征数据;以及,将上述候选网点的网点特征数据输入目标网点选址模型,输出上述候选网点的预测位置,其中,上述目标网点选址模型是利用根据上述的方法训练的。
本公开实施例的另一个方面提供了一种用于训练网点选址模型的装置,包括:第一获取模块,用于获取与源区域对应的源网点选址模型,其中,上述源网点选址模型是利用与上述源区域对应的训练样本集训练得到的;以及,训练模块,用于利用与目标区域对应的训练样本集对上述源网点选址模型进行训练,得到与上述目标区域对应的目标网点选址模型,其中,与上述源区域对应的训练样本集所包括的训练样本的样本量大于与上述目标区域对应的训练样本集所包括的训练样本的样本量。
本公开实施例的另一个方面提供了一种位置确定装置,包括:第二获取模块,用于获取目标区域的候选网点的网点特征数据;以及,输出模块,用于将上述候选网点的网点特征数据输入目标网点选址模型,输出上述候选网点的预测位置,其中,上述目标网点选址模型是利用根据上述的方法训练的。
本公开实施例的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序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所述的方法。
本公开实施例的另一个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所述的方法。
本公开实施例的另一个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所述的方法。
根据本公开的实施例,由于源网点选址模型是利用与源区域对应的训练样本集训练得到的,而与源区域对应的训练样本集的样本量大于目标区域对应的训练样本集的样本量,其是较为充足的,使得利用与目标区域对应的训练样本集对源网点选址模型进行训练得到的模型的预测效果得到了提高,因此,至少部分地克服了网点选址的准确性不高的技术问题,进而达到了提高网点选址模型的预测效果的技术效果。
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应用用于训练网点选址模型的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用于训练网点选址模型的方法的流程图;
图3示意性示出了根据本公开实施例的利用与目标区域对应的训练样本集对源网点选址模型进行训练,得到与目标区域对应的目标网点选址模型的流程图;
图4示意性示出了根据本公开实施例的位置确定方法的流程图;
图5示意性示出了根据本公开实施例的位置确定方法的应用场景示意图;
图6示意性示出了根据本公开实施例的用于训练网点选址模型的装置的框图;
图7示意性示出了根据本公开实施例的位置确定装置的框图;以及
图8示意性示出了根据本公开实施例的实现用于训练网点选址模型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。
在使用种似于“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)。在使用种似于“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)。
金融机构的网点选址方法可以包括人工调研法或专家打分法等。
在实现本公开构思的过程中,发现网点选址的准确性不高。
为此,发现可以利用选址模型来实现。而如果网点选址模型能够达到较好的预测效果,则需要使得用于训练网点选址模型的训练样本集的样本量较为充足,而与目标区域对应的训练样本集包括的样本量较小,因此,可能直接利用与目标区域对应的训练样本集训练的方式得到的网点选址模型的预测效果欠佳。
进一步发现,由于与源区域对应的训练样本集的样本量较大,因此,可以利用与源区域对应的训练样本集训练与源区域对应的源网点选址模型,再利用与目标区域对应的训练样本集对源网点选址模型进行训练,得到与目标区域对应的目标网点选址模型。
由于源网点选址模型是利用与源区域对应的训练样本集训练得到的,而与源区域对应的训练样本集的样本量大于目标区域对应的训练样本集的样本量,其是较为充足的,使得利用与目标区域对应的训练样本集对源网点选址模型进行训练得到的模型的预测效果得到了提高,即提高了网点选址的准确性。
有鉴于此,本公开的实施例提供了一种用于训练网点选址模型的方法、位置确定方法、用于训练网点选址模型的装置、位置确定装置、电子设备、计算机可读存储介质及计算机程序产品。用于训练网点选址模型的方法包括获取与源区域对应的源网点选址模型和利用与目标区域对应的训练样本集对源网点选址模型进行训练,得到与目标区域对应的目标网点选址模型。
需要说明的是,本公开提供的方法和装置可用于人工智能领域领域,例如可以为银行,也可用于除人工智能领域之外的任意领域,例如可以为医院等卫生领域,因此,本公开提供的用于训练网点选址模型的方法、位置确定方法、用于训练网点选址模型的装置和位置确定装置的应用领域不做限定。
同时,在本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
图1示意性示出了根据本公开实施例的可以应用用于训练网点选址模型的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。
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,例如网点选址应用、网页浏览器应用、搜索种应用、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。
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用于训练网点选址模型的方法可以由终端设备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用于训练网点选址模型的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。或者,本公开实施例所提供的用于训练网点选址模型的方法一般也可以由服务器105执行。相应地,本公开实施例所提供的用于训练网点选址模型的装置一般可以设置于服务器105中。本公开实施例所提供的用于训练网点选址模型的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用于训练网点选址模型的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。
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用于训练网点选址模型的方法的流程图。
如图2所示,该方法可以包括操作S210~S220。
在操作S210,获取与源区域对应的源网点选址模型,其中,源网点选址模型是利用与源区域对应的训练样本集训练得到的。
在操作S220,利用与目标区域对应的训练样本集对源网点选址模型进行训练,得到与目标区域对应的目标网点选址模型,其中,与源区域对应的训练样本集所包括的训练样本的样本量大于与目标区域对应的训练样本集所包括的训练样本的样本量。
根据本公开的实施例,源区域可以包括规模较大的城市,目标区域可以包括规模较小的城市。
根据本公开的实施例,训练样本集中的训练样本包括样本网点的真实位置和样本网点特征数据,样本网点特征数据包括如下至少一项:样本网点的人口密度数据、交通拥堵数据、已存在网点数量数据和消费情况数据。
根据本公开的实施例,利用源区域对应的训练样本集训练源网点选址模型,可以得到训练好的源网点选址模型。利用目标区域对应的训练样本集再次对该源网点选址模型进行训练,以得到与目标区域对应的目标网点选址模型。
根据本公开的实施例,由于源网点选址模型是利用与源区域对应的训练样本集训练得到的,而与源区域对应的训练样本集的样本量大于目标区域对应的训练样本集的样本量,其是较为充足的,使得利用与目标区域对应的训练样本集对源网点选址模型进行训练得到的模型的预测效果得到了提高,因此,至少部分地克服了网点选址的准确性不高的技术问题,进而达到了提高网点选址模型的预测效果的技术效果。
根据本公开的实施例,用于训练网点选址模型的方法还可以包括如下操作。
获取与目标区域对应的初始训练样本集。对与目标区域对应的初始训练样本集进行处理,得到与目标区域对应的训练样本集,其中,与目标区域对应的训练样本集包括多个训练样本,每个训练样本包括样本网点的真实位置和样本网点特征数据,样本网点特征数据包括如下至少一项:样本网点的人口密度数据、交通拥堵数据、已存在网点数量数据和消费情况数据。
根据本公开的实施例,真实位置可以使用经纬度进行变换得到的16位的二级制数来表征。样本网点特征数据还可以包括商业发展水平数据。
人口密度可以通过单位时间内移动用户的数量来表征。人口密度数据则通过将人口密度转换为16位的二级制数进行表征。人口密度数据反应了源区域或目标区域的移动用户的数量。
已存在网点数量用源区域或目标区域内已经存在的银行网点数量表征。统计出该数字之后,转换为16位二进制数来表征已存在网点数量数据。
商业发展水平可以通过源区域或目标区域的平均房价来表征。统计出源区域或目标区域的平均房价之后,四舍五入取整,并转换为16位二进制数来表征商业发展水平数据。
消费情况数据是对与样本网点对应的用户的金融行为数据进行处理得到的,其中,金融行为数据包括如下至少一项:用户流水数据、用户风险评估数据和金融产品数据。
消费水平通过统计该区域的用户流水数据、用户风险评估数据和/或金融产品数据来表征。统计得到平均的用户流水数据、用户风险评估数据和/或金融产品数据之后,四舍五入取整,通过16位二进制数表征消费情况数据。
根据本公开的实施例,获取与目标区域对应的初始训练样本集,并将初始训练样本集转换为对应的16位二进制数,以获得目标区域对应的训练样本集。
根据本公开的实施例,交通拥堵数据用车流量表征,其中,车流量是根据在预设时间段内,通过与样本网点对应的预设路段的车辆的数量确定的。
根据本公开的实施例,交通信息用来表征源区域或目标区域的交通拥堵情况,随机选取一定数量的路段,统计每天指定时间段的车流量,然后取平均得到交通拥堵指数。在指定区域选取k个路段,总共统计n天,则交通拥堵情况可以通过平均车流量M来表征,计算方式如公式(1)所示。
Figure BDA0003148262660000101
其中,xij表征第i天第j个路段的车流量,交通拥堵数据通过平均车流量M转换为16位二进制数来表征。
图3示意性示出了根据本公开实施例的利用与目标区域对应的训练样本集对源网点选址模型进行训练,得到与目标区域对应的目标网点选址模型的流程图。
如图3所示,该方法可以包括操作S310~S340。
在操作S310,将样本网点的样本网点特征数据输入源网点选址模型,输出样本网点的预测位置。
在操作S320,将样本网点的预测位置和真实位置输入损失函数,输出输出值。
在操作S330,根据输出值,调整源网点选址模型的模型参数,直至输出值收敛。
在操作S340,将在输出值收敛的情况下得到的源网点选址模型,确定为目标网点选址模型。
根据本公开的实施例,损失函数可以包括但不限于二进制交叉熵损失函数或多标签分类损失函数。
根据本公开的实施例,将目标区域的样本网点特征数据输入源网点选址模型,以预测样本网点的位置。根据预测位置和真实位置计算损失函数的输出值,以便于根据该输出值调整源网点选址模型的模型参数。调整好模型参数的源网点选址模型即为目标网点选址模型。
根据本公开的实施例,对与目标区域对应的初始训练样本集进行处理,得到与目标区域对应的训练样本集,可以包括如下操作。
对与目标区域对应的初始训练样本集进行预处理,得到与目标区域对应的训练样本集,其中,预处理可以包括如下至少一项:数据清洗、数据补充、数据类型转换和数据标准化。
根据本公开的实施例,数据清洗可以包括删除缺失率大于或等于缺失率阈值的训练样本集和/或删除无关的特征数据,例如,缺失率阈值可以包括50%,无关的特征数据可以包括交通限速信息。
根据本公开的实施例,数据补充可以用于对训练样本集中缺少的特征数据进行补充,数据补充可以包括均值补充、中位数补充或众数补充。例如,针对训练样本集中的道路名称的缺失,可以采用均值补充的方式。
根据本公开的实施例,数据类型转换可以包括二进制化,即将非二进制数字特征转换为二进制数字特征,例如,将人口密度等转化为对应的二进制数字。
根据本公开的实施例,数据标准化可以包括最值归一化或均值方差归一化。
根据本公开的实施例,样本网点的真实位置和已存在网点数量数据可以是利用爬虫工具从地图应用程序中获取的。
根据本公开的实施例,爬虫工具可以包括但不限于八爪鱼工具、Scraper工具或Python工具等。
图4示意性示出了根据本公开实施例的位置确定方法的流程图。
如图4所示,位置确定方法可以包括操作S401~S402。
在操作S401,获取目标区域的候选网点的网点特征数据。
在操作S402,将候选网点的网点特征数据输入目标网点选址模型,输出候选网点的预测位置,其中,目标网点选址模型是利用根据上述的方法训练的。
根据本公开的实施例,该目标区域为需要进行网点选址预测的区域。将目标区域的候选网点的网点特征数据输入至目标网点选址模型中,以便于利用目标网点选址模型预测候选网点的位置,该目标网点选址模型为调整好模型参数的源网点选址模型。
根据本公开的实施例,由于使用目标区域对应的训练样本集对源网点选址模型进行训练,以便于生成目标网点选址模型,利用目标网点选址模型预测候选网点的预测位置,其预测效果得到了提高的技术手段,因此,至少部分地克服了网点选址的准确性不高的技术问题,进而达到了提高网点选址模型的预测效果的技术效果。
图5示意性示出了根据本公开实施例的位置确定方法的应用场景示意图。
如图5所示,获取源区域和目标区域的初始训练样本集,并对初始训练进行预处理,以得到对应的训练样本集,使用源区域的训练样本集对网点选址模型进行训练,得到源区域的网点选址模型。
根据本公开的实施例,使用源区域的网点选址模型对目标区域的训练样本集进行预测位置,并同目标区域的训练样本集中的真实位置一起输入至损失函数,根据损失函数的输出值调整源区域网点选址模型的参数的调整,以得到目标网点选址模型。
根据本公开的实施例,从目标区域内获取候选网点,并将其输入至目标网点选址模型中,以预测候选网点的预测位置。
图6示意性示出了根据本公开实施例的用于训练网点选址模型的装置的框图。
如图6所示,用于训练网点选址模型的装置600可以包括第一获取模块610和训练模块620。
第一获取模块610,用于获取与源区域对应的源网点选址模型,其中,源网点选址模型是利用与源区域对应的训练样本集训练得到的。
训练模块620,用于利用与目标区域对应的训练样本集对源网点选址模型进行训练,得到与目标区域对应的目标网点选址模型,其中,与源区域对应的训练样本集所包括的训练样本的样本量大于与目标区域对应的训练样本集所包括的训练样本的样本量。
根据本公开的实施例,由于源网点选址模型是利用与源区域对应的训练样本集训练得到的,而与源区域对应的训练样本集的样本量大于目标区域对应的训练样本集的样本量,其是较为充足的,使得利用与目标区域对应的训练样本集对源网点选址模型进行训练得到的模型的预测效果得到了提高的,因此,至少部分地克服了网点选址的准确性不高的技术问题,进而达到了提高网点选址模型的预测效果的技术效果。
根据本公开的实施例,用于训练网点选址模型的装置600还可以包括第二获取模块和处理模块。
第二获取模块,用于获取与目标区域对应的初始训练样本集。
处理模块,用于对与目标区域对应的初始训练样本集进行处理,得到与目标区域对应的训练样本集,其中,与目标区域对应的训练样本集包括多个训练样本,每个训练样本包括样本网点的真实位置和样本网点特征数据,样本网点特征数据包括如下至少一项:样本网点的人口密度数据、交通拥堵数据、已存在网点数量数据和消费情况数据。
根据本公开的实施例,交通拥堵数据用车流量表征,其中,车流量是根据在预设时间段内,通过与样本网点对应的预设路段的车辆的数量确定的。
消费情况数据是对与样本网点对应的用户的金融行为数据进行处理得到的,其中,金融行为数据可以包括如下至少一项:用户流水数据、用户风险评估数据和金融产品数据。
根据本公开的实施例,训练模块620可以包括预测单元、计算单元、调整单元和确定单元。
预测单元,用于将样本网点的样本网点特征数据输入源网点选址模型,输出样本网点的预测位置。
计算单元,用于将样本网点的预测位置和真实位置输入损失函数,输出输出值。
调整单元,用于根据输出值,调整源网点选址模型的模型参数,直至输出值收敛。
确定单元,用于将在输出值收敛的情况下得到的源网点选址模型,确定为目标网点选址模型。
根据本公开的实施例,处理模块可以包括预处理单元。
预处理单元,用于对与目标区域对应的初始训练样本集进行预处理,得到与目标区域对应的训练样本集,其中,预处理包括如下至少一项:数据清洗、数据补充、数据类型转换和数据标准化。
根据本公开的实施例,样本网点的真实位置和已存在网点数量数据可以是利用爬虫工具从地图应用程序中获取的。
图7示意性示出了根据本公开实施例的位置确定装置的框图。
如图7所示,位置确定装置700可以包括第二获取模块710和输出模块720。
第二获取模块710,用于获取目标区域的候选网点的网点特征数据。
输出模块720,用于将候选网点的网点特征数据输入目标网点选址模型,输出候选网点的预测位置,其中,目标网点选址模型是利用根据上述的方法训练的。
根据本公开的实施例,由于使用目标区域对应的训练样本集对源网点选址模型进行训练,以便于生成目标网点选址模型,利用目标网点选址模型预测候选网点的预测位置,其预测效果得到了提高,因此,至少部分地克服了网点选址的准确性不高的技术问题,进而达到了提高网点选址模型的预测效果的技术效果。
根据本公开的实施例的模块、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、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、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(Field Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Arrays,PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(Application Specific Integrated Circuit,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、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,第一获取模块610和训练模块620中的任意多个可以合并在一个模块/单元中实现,或者其中的任意一个模块/单元可以被拆分成多个模块/单元。或者,这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元的至少部分功能相结合,并在一个模块/单元中实现。根据本公开的实施例,第一获取模块610和训练模块620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,第一获取模块610和训练模块620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。
需要说明的是,本公开的实施例中用于训练网点选址模型的装置部分与本公开的实施例中用于训练网点选址模型的方法部分是相对应的,用于训练网点选址模型的装置部分的描述具体参考用于训练网点选址模型的方法部分,在此不再赘述。本公开的实施例中位置确定装置部分与本公开的实施例中位置确定方法部分是相对应的,位置确定装置部分的描述具体参考位置确定方法部分,在此不再赘述。
图8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8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8所示,根据本公开实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(Read-Only Memory,ROM)802中的程序或者从存储部分808加载到随机访问存储器(Random Access Memory,RAM)803中的程序而执行各种适当的动作和处理。处理器801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801还可以包括用于缓存用途的板载存储器。处理器801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 803中,存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803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 802和RAM 803以外的一个或多个存储器中。处理器801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800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
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809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801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(Erasable Programmable Read Only Memory,EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory,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 802和/或RAM 803和/或ROM 802和RAM 803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用于训练网点选址模型的方法或位置确定方法。
在该计算机程序被处理器801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809被下载和安装,和/或从可拆卸介质811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”语言或种似的程序设计语言。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种的网络,包括局域网(Local Area Network,LAN)或广域网(Wide Area Networks,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,两个接连地表征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 (12)

1.一种用于训练网点选址模型的方法,包括:
获取与源区域对应的源网点选址模型,其中,所述源网点选址模型是利用与所述源区域对应的训练样本集训练得到的;以及
利用与目标区域对应的训练样本集对所述源网点选址模型进行训练,得到与所述目标区域对应的目标网点选址模型,其中,与所述源区域对应的训练样本集所包括的训练样本的样本量大于与所述目标区域对应的训练样本集所包括的训练样本的样本量。
2.根据权利要求1所述的方法,还包括:
获取与所述目标区域对应的初始训练样本集;以及
对与所述目标区域对应的初始训练样本集进行处理,得到与所述目标区域对应的训练样本集,其中,与所述目标区域对应的训练样本集包括多个所述训练样本,每个所述训练样本包括样本网点的真实位置和样本网点特征数据,所述样本网点特征数据包括如下至少一项:所述样本网点的人口密度数据、交通拥堵数据、已存在网点数量数据和消费情况数据。
3.根据权利要求2所述的方法,其中,所述交通拥堵数据用车流量表征,其中,所述车流量是根据在预设时间段内,通过与所述样本网点对应的预设路段的车辆的数量确定的;
所述消费情况数据是对与所述样本网点对应的用户的金融行为数据进行处理得到的,其中,所述金融行为数据包括如下至少一项:用户流水数据、用户风险评估数据和金融产品数据。
4.根据权利要求2或3所述的方法,其中,所述利用与目标区域对应的训练样本集对所述源网点选址模型进行训练,得到与所述目标区域对应的目标网点选址模型,包括:
将所述样本网点的样本网点特征数据输入所述源网点选址模型,输出所述样本网点的预测位置;
将所述样本网点的预测位置和真实位置输入损失函数,输出输出值;
根据所述输出值,调整所述源网点选址模型的模型参数,直至所述输出值收敛;以及
将在所述输出值收敛的情况下得到的源网点选址模型,确定为所述目标网点选址模型。
5.根据权利要求2或3所述的方法,其中,所述对与所述目标区域对应的初始训练样本集进行处理,得到与所述目标区域对应的训练样本集,包括:
对与所述目标区域对应的初始训练样本集进行预处理,得到与所述目标区域对应的训练样本集,其中,所述预处理包括如下至少一项:数据清洗、数据补充、数据类型转换和数据标准化。
6.根据权利要求2或3所述的方法,其中,所述样本网点的真实位置和已存在网点数量数据是利用爬虫工具从地图应用程序中获取的。
7.一种位置确定方法,包括:
获取目标区域的候选网点的网点特征数据;以及
将所述候选网点的网点特征数据输入目标网点选址模型,输出所述候选网点的预测位置,其中,所述目标网点选址模型是利用根据权利要求1~6中任一项所述的方法训练的。
8.一种用于训练网点选址模型的装置,包括:
第一获取模块,用于获取与源区域对应的源网点选址模型,其中,所述源网点选址模型是利用与所述源区域对应的训练样本集训练得到的;以及
训练模块,用于利用与目标区域对应的训练样本集对所述源网点选址模型进行训练,得到与所述目标区域对应的目标网点选址模型,其中,与所述源区域对应的训练样本集所包括的训练样本的样本量大于与所述目标区域对应的训练样本集所包括的训练样本的样本量。
9.一种位置确定装置,包括:
第二获取模块,用于获取目标区域的候选网点的网点特征数据;以及
输出模块,用于将所述候选网点的网点特征数据输入目标网点选址模型,输出所述候选网点的预测位置,其中,所述目标网点选址模型是利用根据权利要求1~6中任一项所述的方法训练的。
10.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序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1~6中任一项或权利要求7所述的方法。
11.一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1~6中任一项或权利要求7所述的方法。
12.一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时用于实现权利要求1~6中任一项或权利要求7所述的方法。
CN202110759574.7A 2021-07-05 2021-07-05 训练模型的方法、位置确定方法、装置、电子设备及介质 Pending CN113449800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110759574.7A CN113449800A (zh) 2021-07-05 2021-07-05 训练模型的方法、位置确定方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110759574.7A CN113449800A (zh) 2021-07-05 2021-07-05 训练模型的方法、位置确定方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN113449800A true CN113449800A (zh) 2021-09-28

Family

ID=77815570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110759574.7A Pending CN113449800A (zh) 2021-07-05 2021-07-05 训练模型的方法、位置确定方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113449800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331206A (zh) * 2022-01-06 2022-04-12 重庆紫光华山智安科技有限公司 点位选址方法、装置、电子设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331206A (zh) * 2022-01-06 2022-04-12 重庆紫光华山智安科技有限公司 点位选址方法、装置、电子设备及可读存储介质
CN114331206B (zh) * 2022-01-06 2022-11-01 重庆紫光华山智安科技有限公司 点位选址方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
US20190147539A1 (en) Method and apparatus for outputting information
US20190147540A1 (en) Method and apparatus for outputting information
CN110148053B (zh) 用户信贷额度评估方法、装置、电子设备和可读介质
CN113159934A (zh) 一种网点客流量的预测方法、系统、电子设备及存储介质
CN113409090A (zh) 广告点击率预测模型的训练方法、预测方法及装置
CN113128773B (zh) 地址预测模型的训练方法、地址预测方法及装置
CN114462532A (zh) 模型训练方法、预测交易风险的方法、装置、设备及介质
CN113393299A (zh) 推荐模型训练方法、装置、电子设备和存储介质
CN113610230A (zh) 训练方法、预测方法、装置、计算机系统及存储介质
CN113507419B (zh) 流量分发模型的训练方法、流量分发方法及装置
CN110245684B (zh) 数据处理方法、电子设备和介质
CN109978594B (zh) 订单处理方法、装置及介质
CN113449800A (zh) 训练模型的方法、位置确定方法、装置、电子设备及介质
CN116109374A (zh) 资源位展示方法、装置、电子设备和计算机可读介质
US20220253509A1 (en) Network-based customized browsing notifications
CN113609018A (zh) 测试方法、训练方法、装置、设备、介质和程序产品
CN113112352A (zh) 风险业务检测模型训练方法、风险业务检测方法及装置
CN113010666A (zh) 摘要生成方法、装置、计算机系统及可读存储介质
CN113011410A (zh) 字符识别模型的训练方法、字符识别方法及装置
CN117172632B (zh) 一种企业异常行为检测方法、装置、设备及存储介质
CN116246175B (zh) 土地利用信息生成方法、电子设备和计算机可读介质
US12001489B1 (en) Ethics-based multi-modal user post monitoring
CN114328891A (zh) 信息推荐模型的训练方法、信息推荐方法及装置
CN116450950A (zh) 产品组合推荐方法、装置、设备及介质
CN114692970A (zh) 用户意向预测模型训练方法、用户意向预测方法及装置

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