CN113763045B - 一种基于多源数据融合的门店选址可视化分析方法及系统 - Google Patents
一种基于多源数据融合的门店选址可视化分析方法及系统 Download PDFInfo
- Publication number
- CN113763045B CN113763045B CN202111036757.2A CN202111036757A CN113763045B CN 113763045 B CN113763045 B CN 113763045B CN 202111036757 A CN202111036757 A CN 202111036757A CN 113763045 B CN113763045 B CN 113763045B
- Authority
- CN
- China
- Prior art keywords
- data
- store
- site selection
- fusion
- analysis method
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 230000000007 visual effect Effects 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据融合的门店选址可视化分析方法及系统，该分析方法是采集互联网、基站、实体店、视频、交通等行业流量相关数据，将行业流量多源数据进行融合分析并整理，通过数据采集，系统分析算法及前端图表展示等相关技术，按行业需求，将关键指标数据进行存储，最终通过加权算法进行门店选址综合评价分析。本发明的一种基于多源数据融合的门店选址可视化分析方法和现有技术相比，具有能高效采集归类多源海量数据，从中筛选有用数据，对选址分析进行量化，并且分析速度高效的特点，解决了目前许多企业为全面了解市场动态情况、提高选址科学性及高效性，只能通过人工查找数据，且无法进行定量分析的难题。
Description
技术领域
本发明涉及数据可视化领域，尤其涉及一种基于多源数据融合的门店选址可视化分析方法及系统。
背景技术
门店选址是各类商业生态拓展线下门店要做的第一步，也是至关重要的一步。成功的门店选址不仅对于商家来说，可以根据人流量采取不同的销售策略，对于顾客来说，还可以根据人流量快速筛选所需的店铺。目前大部分门店选址主要依靠线上查询商圈信息、线下商圈实地调研并结合经验进行人工评估决策，这种方法人为因素干扰大，考虑的因素不全面，参考的数据依据少且缺乏实时性，导致门店选址不够科学严谨。此外，通过实地考察等方式进行评估耗费大量人力和时间，成本较高。因此我们提出一种基于多源数据融合的门店选址可视化分析方法，以便于解决上述问题。
发明内容
有鉴于此，本发明提出了一种基于多源数据融合的门店选址可视化分析方法及系统，旨在解决现有技术通常由于参考的数据依据少且缺乏实时性，导致门店选址不够科学严谨的问题。本发明通过对有关门店的多源数据进行处理，并结合3D模型进行理解分析，参考客观数据，使得门店选址更加科学严谨。
本发明的技术方案是这样实现的：
第一方面，本发明提出了一种基于多源数据融合的门店选址可视化分析方法，其包括以下步骤：
S1，采集行业流量数据，进行转换匹配分类，按照各区域和地点进行划分；
S2，根据不同的算法模型，对划分后的行业流量数据进行预处理操作；
S3，采用多源数据融合算法，将预处理后的行业流量数据进行分析融合，并将分析融合结果存储入库，供系统查询检索；
S4，在系统上设置门店检索条件，可视化展示相匹配的门店信息。
优选的，步骤S1中，所述采集行业流量数据，具体包括，
利用Kafka高吞吐量的分布式发布订阅系统，接收每秒数百万的消息；
利用Flink分布式数据流引擎，实时处理数据流；
利用Hadoop分布式文件系统，实现数据存储。
进一步优选的，所述行业流量数据，包括但不限于，互联网、基站、门店、视频和其它综合体信息。
优选的，步骤S2中，所述根据不同的算法模型，对划分后的行业流量数据进行预处理操作，包括以下步骤：
S21，对行业流量数据进行归一化处理，采用低方差滤波对行业流量数据进行数据过滤，转至步骤S22；
S22，将行业流量数据进行属性构造处理，根据已有属性集构造新的属性，对行业流量数据进行数据转换，转至步骤S23；
S23，对行业流量数据进行加权计算，筛选出权重大于预设阈值的行业流量数据。
优选的，步骤S3中，所述采用多源数据融合算法，将预处理后的行业流量数据进行分析融合，具体包括，
S31，根据互联网采集区域热力信息，标注区域位置、区域人群第一区域热力值；
S32，通过叠加互联网和基站信息，对第一区域热力值进行修正，得到第二区域热力值；
S33，根据门店和视频数据获取位置、消费信息和第三区域热力值，通过第三区域热力值对第二区域热力值做纠偏和校对，得到最终的区域热力值，根据最终的区域热力值确定区域内人流分布和人流停留时长；
S34，根据外卖数据监测获得位置，店面类型和消费信息，并与根据门店和视频数据获取的位置、消费信息整合；
S35，基于以上位置、区域内人流分布、人流停留时长、各经营店铺的人流分布、人流停留时长和消费信息，为店面选址提供基础数据支撑。
优选的，所述区域热力信息包括但不限于互联网的GPS、基站、门店、视频数据和外卖数据。
进一步优选的，得到最终的区域热力值，包括以下步骤：
将采集互联网的GPS、基站、门店和视频数据，转换为各类型点位空间数据存储；
各类型点位空间数据中，基站数据是根据IMEI匹配的数据，以GPS坐标为基准对互联网的第一区域热力值进行纠偏，将纠偏后的坐标作为点位坐标，存入最全点位空间表中，得到第二区域热力值；
以门店和视频数据为基准获取第三区域热力值，比对、校验和纠偏最全点位空间数据，将纠偏后的最全点位空间数据作为热力基准数据；
根据热力基准数据，利用DBSCAN算法计算点位密度值，将点位密度值作为最终的区域热力值供可视化展示，所述DBSCAN算法采用的公式为：
在以上方案的基础上，优选的，所述定位区域内人流量信息，所述人流量信息包括但不限于人流分布和人流停留时长，具体包括：
将互联网的GPS和基站信息同时叠加对比，精准确定区域内人流分布和人流停留时长；
根据门店和视频数据获取精确的位置和店面类型信息，根据采集的外卖数据，获取消费信息，结合所述人流分布和人流停留时长，共同分析人流量信息，并进行纠偏和校对。
优选的，步骤S4中，具体包括：
实时展示人流，人群，消费信息和活跃度信息统计，可统计工作日和节假日期间的行业流量数据，展示历史流量数据和预测未来流量数据供选址参考；
采用3D模型和视频融合展示，精确定位，3D展示选址位置、门店和商业综合体实景，可实时播放叠加视频展示。
第二方面，本发明提出了一种基于多源数据融合的门店选址可视化分析系统，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的一种基于多源数据融合的门店选址可视化分析方法程序，所述一种基于多源数据融合的门店选址可视化分析方法程序配置为实现如前文第一方面所述的一种基于多源数据融合的门店选址可视化分析方法的步骤。
本发明的一种基于多源数据融合的门店选址可视化分析方法及系统相对于现有技术具有以下有益效果：
(1)本发明采用多种技术对行业流量数据进行采集，其中包括接收、处理和存储，保证了多源数据的海量数据量，使得后续可视化分析有着足够的数据支撑，解决了现有技术参考数据依据少的问题；
(2)本发明采用多源数据融合方法，结合多源数据绘制区域热力图，基于区域热力图上确定位置的人流、停留时长、各经营店铺的人流量和消费信息，为店面选址提供基础数据支撑，保证了数据的实时性的同时，也使得选址的考虑因素变广；
(3)本发明中用到的区域热力方法，是将互联网采集到的信息进行空间数据存储，然后两两进行第一次纠偏，存入最全点位空间表，而后为了进一步减少偏差，进行第二次纠偏，随后作为热力基准数据，计算后用作可视化展示，两次纠偏保证了数据的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种基于多源数据融合的门店选址可视化分析方法的流程图；
图2是本发明一种基于多源数据融合的门店选址可视化分析系统的结构示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明提供了一种基于多源数据融合的门店选址可视化分析方法的具体实施例，以下是实施例的具体内容。
步骤1，采集行业流量数据，进行转换匹配分类，按照各区域和地点进行划分。
优选的，步骤1中，所述采集行业流量数据，具体包括，
利用Kafka高吞吐量的分布式发布订阅系统，接收每秒数百万的消息；
利用Flink分布式数据流引擎，实时处理数据流；
利用Hadoop分布式文件系统，实现数据存储。
需要理解的是，本实施例需要收集海量的数据来对后续的可视化展示作数据支撑。所以在这里采取了三段式的“分工合作”，首先优选Kafka，利用高吞吐量的特点，实时处理数百万条数据，大大节省了人工处理数据的时间；然后Flink作为分布式计算引擎，将所述数百万条数据进行流处理，流处理支持多窗口且高性能低时延；最后利用Hadoop的超大集群，实现对海量数据的存储，保证了后续数据读取的可行性。
进一步优选的，所述行业流量数据，包括但不限于，互联网、基站、门店、视频和其它综合体信息。
需要理解的是，既然是门店选址，自然需要高效且准确的信息，所以从多个角度获取全方面的信息，互联网数据，从顾客的评价可以分析出这块区域的人流密度；基站数据，门店还需配置相应的网络，以保证从网上展开相应的服务，且快速响应顾客的诉求；门店数据，比如门店大小、内部区域划分以及周边环境等等，均可作为参考的标准；视频数据，这个可以通过不同的网站搜索视频了解到有关区域的具体情况，以一种客观的角度来分析选址；其他综合体信息，任何与门店选址有一定影响的数据信息等等。
步骤2，根据不同的算法模型，对划分后的行业流量数据进行预处理操作。
优选的，步骤2中，所述根据不同的算法模型，对划分后的行业流量数据进行预处理操作，包括以下步骤：
步骤2.1，对行业流量数据进行归一化处理，采用低方差滤波对行业流量数据进行数据过滤，转至步骤2.2；
步骤2.2，将行业流量数据进行属性构造处理，根据已有属性集构造新的属性，对行业流量数据进行数据转换，转至步骤2.3；
步骤2.3，对行业流量数据进行加权计算，筛选出权重大于预设阈值的行业流量数据。
需要理解的是，收集到数据后，还应该通过一些算法模型对数据进行预处理，便于排除掉相关度不高的非必要因素，从而保证了选址时的判断尽可能地准确，首先，低方差滤波算法默认，数据列变化非常小的列包含的信息量少，也就是说我们可以通过算法模型，先过滤掉信息量少的数据，保留一定信息量的数据再进一步处理；随后，属性构造方法，将现有的数据转换成另一种表现形式，为后面的步骤做准备；最后，使用加权计算，给每个数据赋予权重，由于之前有将信息转换成数据，所以这里可以分别算出每个信息的占比，也就是权重，设定好一个阈值，筛选出大于或等于该阈值的行业流量数据。
步骤3，采用多源数据融合算法，将预处理后的行业流量数据进行分析融合，并将分析融合结果存储入库，供系统查询检索。
优选的，步骤3中，所述采用多源数据融合算法，将预处理后的行业流量数据进行分析融合，具体包括，
步骤3.1，根据互联网采集区域热力信息，标注区域位置、区域人群第一区域热力值；
步骤3.2，通过叠加互联网和基站信息，对第一区域热力值进行修正，得到第二区域热力值；
步骤3.3，根据门店和视频数据获取位置、消费信息和第三区域热力值，通过第三区域热力值对第二区域热力值做纠偏和校对，得到最终的区域热力值，根据最终的区域热力值确定区域内人流分布和人流停留时长；
步骤3.4，根据外卖数据监测获得位置，店面类型和消费信息，并与根据门店和视频数据获取的位置、消费信息整合；
步骤3.5，基于以上位置、区域内人流分布、人流停留时长、各经营店铺的人流分布、人流停留时长和消费信息，为店面选址提供基础数据支撑。
需要理解的是，所述区域热力信息包括但不限于互联网的GPS、基站、门店、视频数据和外卖数据，这里的各项数据与步骤1中行业流量数据对应，且可根据需要进行选择替换，得到最终的区域热力值，这里分别以基站、GPS、门店和视频数据举例说明，包括以下步骤：
将采集互联网的GPS、基站、门店和视频数据，转换为各类型点位空间数据存储；
各类型点位空间数据中，基站数据是根据IMEI匹配的数据，以GPS坐标为基准对互联网的第一区域热力值进行纠偏，将纠偏后的坐标作为点位坐标，存入最全点位空间表中，得到第二区域热力值；
以门店和视频数据为基准获取第三区域热力值，比对、校验和纠偏最全点位空间数据，将纠偏后的最全点位空间数据作为热力基准数据；
根据热力基准数据，利用DBSCAN算法计算点位密度值，将点位密度值作为最终的区域热力值供可视化展示，所述DBSCAN算法采用的公式为：
在经过两次纠偏后，待计算的热力基准数据是较为准确的数值，根据公式从而计算出区域热力值，为后续的可视化展示做准备。
需要理解的是，所述定位区域内人流量信息，所述人流量信息包括但不限于人流分布和人流停留时长，这里是以人流分布和人流停留时长举例说明，具体包括：将互联网的GPS和基站信息同时叠加对比，精准确定区域内人流分布和人流停留时长；根据门店和视频数据获取精确的位置和店面类型信息，根据采集的外卖数据，获取消费信息，结合所述人流分布和人流停留时长，共同分析人流量信息，并进行纠偏和校对。
步骤4，在系统上设置门店检索条件，可视化展示相匹配的门店信息。
需要理解的是，所述设置门店检索条件，包括：实时展示人流，人群，消费信息和活跃度信息统计，可统计工作日和节假日期间的行业流量数据，展示历史流量数据和预测未来流量数据供选址参考；
而可视化展示的方法，主要采用3D模型和视频融合展示，精确定位，3D展示选址位置、门店和商业综合体实景，可实时播放叠加视频展示。
如图2所示，本发明还提出了一种基于多源数据融合的门店选址可视化分析系统，具体包括以下模块，
数据采集模块，数据预处理模块，数据分析融合以及存储的交互模块和可视化模块，分别对应着前文所述的一种基于多源数据融合的门店选址可视化分析方法中的步骤1-4。
需要理解的是，所述一种基于多源数据融合的门店选址可视化分析系统，首先根据数据采集模块，采集到多源数据，随后进入数据预处理模块，将多源数据进行预处理操作，接着是数据分析融合和存储的交互模块，尽可能地将海量数据全部分析融合，进行存储，最后在可视化模块中，设置好门店检索条件，便于检索选址信息以及可视化展示。
总而言之，本发明采用多种技术对行业流量数据进行采集，其中包括接收、处理和存储，保证了多源数据的海量数据量，使得后续可视化分析有着足够的数据支撑，解决了现有技术参考数据依据少的问题；采用多源数据融合方法，结合多源数据绘制区域热力图，基于区域热力图上确定位置的人流、停留时长、各经营店铺的人流量和消费信息，为店面选址提供基础数据支撑，保证了数据的实时性的同时，也使得选址的考虑因素变广；用到的区域热力方法，是将互联网采集到的信息进行空间数据存储，然后两两进行第一次纠偏，存入最全点位空间表，而后为了进一步减少偏差，进行第二次纠偏，随后作为热力基准数据，计算后用作可视化展示，两次纠偏保证了数据的准确性。
本说明书中未作详细描述的内容，如各种算法中运用的数学公式等，属于本领域专业技术人员公知的现有技术。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，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 (6)
1.一种基于多源数据融合的门店选址可视化分析方法，其特征在于：包括以下步骤：
S1，采集行业流量数据，进行转换匹配分类，按照各区域和地点进行划分；所述行业流量数据，包括互联网数据、基站数据、门店数据和视频数据，互联网数据为顾客的评价数据；
S2，根据不同的算法模型，对划分后的行业流量数据进行预处理操作；
S3，采用多源数据融合算法，将预处理后的行业流量数据进行分析融合，并将分析融合结果存储入库，供系统查询检索；步骤S3中，所述采用多源数据融合算法，将预处理后的行业流量数据进行分析融合，具体包括，
S31，根据互联网采集区域热力信息，标注区域位置、区域人群第一区域热力值；
S32，通过叠加互联网和基站信息，对第一区域热力值进行修正，得到第二区域热力值；
S33，根据门店和视频数据获取位置、消费信息和第三区域热力值，通过第三区域热力值对第二区域热力值做纠偏和校对，得到最终的区域热力值，根据最终的区域热力值确定区域内人流分布和人流停留时长；
S34，根据外卖数据监测获得位置，店面类型和消费信息，并与根据门店和视频数据获取的位置、消费信息整合；
S35，基于以上位置、区域内人流分布、人流停留时长、各经营店铺的人流分布、人流停留时长和消费信息，为店面选址提供基础数据支撑；
S4，在系统上设置门店检索条件，可视化展示相匹配的门店信息。
2.如权利要求1所述的一种基于多源数据融合的门店选址可视化分析方法，其特征在于：步骤S1中，所述采集行业流量数据，具体包括，
利用Kafka高吞吐量的分布式发布订阅系统，接收消息；
利用Flink分布式数据流引擎，实时处理数据流；
利用Hadoop分布式文件系统，实现数据存储。
3.如权利要求1所述的一种基于多源数据融合的门店选址可视化分析方法，其特征在于：步骤S2中，所述根据不同的算法模型，对划分后的行业流量数据进行预处理操作，包括以下步骤：
S21，对行业流量数据进行归一化处理，采用低方差滤波对行业流量数据进行数据过滤，转至步骤S22；
S22，将行业流量数据进行属性构造处理，根据已有属性集构造新的属性，对行业流量数据进行数据转换，转至步骤S23；
S23，对行业流量数据进行加权计算，筛选出权重大于预设阈值的行业流量数据。
4.如权利要求1所述的一种基于多源数据融合的门店选址可视化分析方法，其特征在于：得到最终的区域热力值，包括以下步骤：
将采集互联网的GPS、基站、门店和视频数据，转换为各类型点位空间数据存储；
各类型点位空间数据中，基站数据是根据IMEI匹配的数据，以GPS坐标为基准对互联网的第一区域热力值进行纠偏，将纠偏后的坐标作为点位坐标，存入最全点位空间表中，得到第二区域热力值；
以门店和视频数据为基准获取第三区域热力值，比对、校验和纠偏最全点位空间数据，将纠偏后的最全点位空间数据作为热力基准数据；
根据热力基准数据，利用DBSCAN算法计算点位密度值，将点位密度值作为最终的区域热力值供可视化展示，所述DBSCAN算法采用的公式为：
；
其中，点位p的密度值densit(p)定义为点位p的k个最近邻与p的平均距离倒数，distance(p,i)定义为点位p和第i个最近邻之间的距离函数，k值由交叉验证法求得，i的取值范围为除0外的自然数。
5.如权利要求1所述的一种基于多源数据融合的门店选址可视化分析方法，其特征在于：步骤S4中，具体包括：
实时展示人流，人群，消费信息和活跃度信息统计，包括统计工作日和节假日期间的行业流量数据，展示历史流量数据和预测未来流量数据供选址参考；
采用3D模型和视频融合展示，精确定位，3D展示选址位置、门店和商业综合体实景，实时播放叠加视频展示。
6.一种基于多源数据融合的门店选址可视化分析系统，其特征在于，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的一种基于多源数据融合的门店选址可视化分析方法程序，所述一种基于多源数据融合的门店选址可视化分析方法程序配置为实现如权利要求1至5任一项所述的一种基于多源数据融合的门店选址可视化分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036757.2A CN113763045B (zh) | 2021-09-06 | 2021-09-06 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111036757.2A CN113763045B (zh) | 2021-09-06 | 2021-09-06 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113763045A CN113763045A (zh) | 2021-12-07 |
| CN113763045B true CN113763045B (zh) | 2024-02-23 |
Family
ID=78793014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111036757.2A Active CN113763045B (zh) | 2021-09-06 | 2021-09-06 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763045B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114092164A (zh) * | 2022-01-24 | 2022-02-25 | 亿景智联(北京)科技有限公司 | 一种基于联邦学习的门店销量预测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203840A (zh) * | 2016-07-13 | 2016-12-07 | 欧阳张睿 | 方案信息自动生成方法 |
| CN106844376A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 推荐兴趣点的方法及装置 |
| CN107563803A (zh) * | 2017-08-24 | 2018-01-09 | 北京工商大学 | 一种基于耗费距离栅格的商圈划分方法 |
| CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
| CN108616919A (zh) * | 2016-12-08 | 2018-10-02 | 腾讯科技（深圳）有限公司 | 一种公共区域人流监控方法及装置 |
| CN109447374A (zh) * | 2018-11-17 | 2019-03-08 | 朱学庆 | 一种基于大数据分析的新店快速选址方法和装置 |
| CN110334070A (zh) * | 2019-05-21 | 2019-10-15 | 中国人民财产保险股份有限公司 | 数据处理方法、系统、设备及存储介质 |
| CN110674976A (zh) * | 2019-09-06 | 2020-01-10 | 爱易优(上海)信息科技有限公司 | 一种基于车辆时空分布的汽修门店选址方法 |
| CN111432417A (zh) * | 2020-03-27 | 2020-07-17 | 哈尔滨工业大学 | 一种基于手机信令数据的体育中心选址方法 |
| CN111629335A (zh) * | 2020-05-29 | 2020-09-04 | 四川亨通网智科技有限公司 | 基于大数据实现景区实时人流热力图的方法、系统 |
| CN112070623A (zh) * | 2019-05-22 | 2020-12-11 | 北京京东尚科信息技术有限公司 | 热力分析方法、装置和系统 |
| CN112785582A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
-
2021
- 2021-09-06 CN CN202111036757.2A patent/CN113763045B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106844376A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 推荐兴趣点的方法及装置 |
| CN106203840A (zh) * | 2016-07-13 | 2016-12-07 | 欧阳张睿 | 方案信息自动生成方法 |
| CN108616919A (zh) * | 2016-12-08 | 2018-10-02 | 腾讯科技（深圳）有限公司 | 一种公共区域人流监控方法及装置 |
| CN107563803A (zh) * | 2017-08-24 | 2018-01-09 | 北京工商大学 | 一种基于耗费距离栅格的商圈划分方法 |
| CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
| CN109447374A (zh) * | 2018-11-17 | 2019-03-08 | 朱学庆 | 一种基于大数据分析的新店快速选址方法和装置 |
| CN110334070A (zh) * | 2019-05-21 | 2019-10-15 | 中国人民财产保险股份有限公司 | 数据处理方法、系统、设备及存储介质 |
| CN112070623A (zh) * | 2019-05-22 | 2020-12-11 | 北京京东尚科信息技术有限公司 | 热力分析方法、装置和系统 |
| CN110674976A (zh) * | 2019-09-06 | 2020-01-10 | 爱易优(上海)信息科技有限公司 | 一种基于车辆时空分布的汽修门店选址方法 |
| CN111432417A (zh) * | 2020-03-27 | 2020-07-17 | 哈尔滨工业大学 | 一种基于手机信令数据的体育中心选址方法 |
| CN111629335A (zh) * | 2020-05-29 | 2020-09-04 | 四川亨通网智科技有限公司 | 基于大数据实现景区实时人流热力图的方法、系统 |
| CN112785582A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113763045A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2016054908A1 (zh) | 基于物联网大数据平台的智能用户画像方法及装置 | |
| CN102541999B (zh) | 对象敏感的图像搜索 | |
| CN105678591A (zh) | 一种基于视频分析的商业智能化经营决策支撑系统和方法 | |
| KR20170122836A (ko) | 이미지로부터 상가 발견 | |
| CN111949834A (zh) | 选址方法和选址平台 | |
| Liu et al. | Scale computation on high spatial resolution remotely sensed imagery multi-scale segmentation | |
| CN108230016B (zh) | 一种农产品市场价格传递分析方法及分析装置 | |
| CN104657503A (zh) | 一种基于统计判别法对电商销售额异常值的预处理方法 | |
| CN113763045B (zh) | 一种基于多源数据融合的门店选址可视化分析方法及系统 | |
| Waldner et al. | The impact of training class proportions on binary cropland classification | |
| CN109359686A (zh) | 一种基于校园网流量的用户画像方法及系统 | |
| Prabha et al. | A survey on customer relationship management | |
| JP5337673B2 (ja) | 画像検索システム | |
| Mayer et al. | Estimating building energy efficiency from street view imagery, aerial imagery, and land surface temperature data | |
| CN112579845A (zh) | 工业大数据展示地理信息系统平台 | |
| CN115456695A (zh) | 一种店铺选址的分析方法、装置、系统及介质 | |
| KR101435096B1 (ko) | 소셜 네트워크 서비스 데이터에 기반한 상품 수요 예측 장치 및 방법 | |
| CN110119675B (zh) | 一种产品识别方法和装置 | |
| CN111159559A (zh) | 根据用户需求和用户行为构建推荐引擎的方法 | |
| CN108647189B (zh) | 一种识别用户人群属性的方法及装置 | |
| CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
| CN114693367A (zh) | 一种农产品价格大数据监测与可视化系统及方法 | |
| CN112148945A (zh) | 一种异常房源信息的识别方法 | |
| CN111611322A (zh) | 一种用户信息关联的方法及系统 | |
| KR102478555B1 (ko) | 농산물 원산지 단속 후보 선정을 수행하는 서버 및 이의 동작 방법 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |