CN114782115B - 一种专营店选址推荐方法、系统和终端设备 - Google Patents
一种专营店选址推荐方法、系统和终端设备 Download PDFInfo
- Publication number
- CN114782115B CN114782115B CN202210699088.5A CN202210699088A CN114782115B CN 114782115 B CN114782115 B CN 114782115B CN 202210699088 A CN202210699088 A CN 202210699088A CN 114782115 B CN114782115 B CN 114782115B
- Authority
- CN
- China
- Prior art keywords
- data
- store
- building
- travel
- shop
- 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
Images
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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Abstract
本发明公开了一种专营店选址推荐方法，包括：获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合；处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合；通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合；处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点。由此，可以识别出全国地区最优的专营店建店地址，且能实时地推荐各地区建店地址的情况，提高了专营店建设效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种专营店选址推荐方法、系统和终端设备。
背景技术
营销和售后是汽车厂商的主要收益来源，汽车专营店选址好坏对市场或店面销售力、获利力和竞争力都有很大的影响。一个合适建店位置，是专营店经营成功的重要因素之一。
目前专营店建店位置的选择，汽车厂商主要是通过业务人员实地考察，收集信息，价值评估等方式进行确定。但这种方式不仅人力成本高，而且调查结果往往无法清晰反应区域内的人流和竞争情况。其次人工考察具有时效性，无法实时反映考察结果。另外，目前基于数据分析进行建店选址的方法，都仅仅考虑到新车主购车便捷性和竞争性，即营销收益，未考虑到老用户维修保养的售后收益，而截止到目前，售后维保收益已经超过汽车厂商总收益的60%。因此，如何降低调研人力成本、兼顾营销和售后进行建店选址，是汽车厂商目前亟待解决的问题。
发明内容
本发明的主要目的在于针对现有技术中专营店建店位置的选择，主要是通过业务人员实地考察、收集信息、价值评估等方式进行人工确定因此导致的效率低下的缺点，提供一种专营店选址推荐方法、系统和终端设备。
为实现上述目的，本发明提供一种专营店选址推荐方法，包括以下步骤：
获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合；
处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合；
通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合；
处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点。
在本发明提供的专营店选址推荐方法中，专营店数据至少包括专营店位置经度和专营店位置纬度中的一个或多个，竞品店数据至少包括竞品店位置经度、竞品店位置纬度、竞品名称和竞品店名称中的一个或多个，行程数据至少包括行驶起始时间、行驶停止时间、行驶起始位置经度、行驶起始位置纬度、行驶停止位置经度和行驶停止位置纬度中的一个或多个，获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合的步骤，包括：
从数据库中获取专营店数据、竞品店数据和行程数据，删除不合格的专营店数据、竞品店数据和行程数据，统一专营店数据、竞品店数据和行程数据，得到专营店数据集合。
在本发明提供的专营店选址推荐方法中，处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合的步骤，包括：
获取预处理后的行程数据，通过行程数据生成行程数据集合；
对行程数据集合中的行程数据进行聚类，生成行程数据的聚集点集合；
通过聚集点集合，生成地址数据集合。
在本发明提供的专营店选址推荐方法中，通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合的步骤，包括：
对竞品店数据进行聚类计算，得到竞品店聚集区域集合；
获取竞品店聚集区域集合中的聚集区域，计算各聚集区域的经度平均值和纬度平均值得到聚集中心点，并生成聚集中心点集合；
对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合。
在本发明提供的专营店选址推荐方法中，处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点的步骤，包括：
对地址数据集合和建店候选点集合进行计算，对地址数据集合和聚集中心点集合进行计算，得到驾驶数据；
通过驾驶数据得到建店数据，根据建店数据计算出各个建店候选点的建店综合得分，对建店候选点集合中的建店候选点进行排名，选出最优建店候选点；
将最优建店候选点进行可视化展示。
此外，为实现上述目的，本发明还提供一种专营店选址推荐系统，包括数据处理模块、数据生成模块、数据计算模块、数据分析模块和可视化展示模块；
数据处理模块，用于从数据库中获取专营店数据、竞品店数据和行程数据，删除不合格的专营店数据、竞品店数据和行程数据，统一专营店数据、竞品店数据和行程数据，得到专营店数据集合；
数据生成模块，用于处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合；
数据计算模块，用于通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合；
数据分析模块，用于对地址数据集合和建店候选点集合进行计算，对地址数据集合和聚集中心点集合进行计算，得到驾驶数据，通过驾驶数据得到建店数据，根据建店数据计算出各个建店候选点的建店综合得分，对建店候选点集合中的建店候选点进行排名，选出最优建店候选点；
可视化展示模块，用于将最优建店候选点进行可视化展示。
在本发明提供的专营店选址推荐系统中，数据生成模块包括第一数据生成子模块、第二数据生成子模块和第三数据生成子模块；
第一数据生成子模块，用于将获取的行程数据生成行程数据集合；
第二数据生成子模块，用于生成行程数据集合中的行程数据的聚集点集合；
第三数据生成子模块，用于通过聚集点集合生成地址数据集合。
在本发明提供的专营店选址推荐系统中，数据计算模块包括第一数据计算子模块、第二计数据算子模块、第三数据计算子模块和筛选子模块；
第一数据计算子模块，用于对竞品店数据进行聚类计算，得到竞品店聚集区域集合；
第二数据计算子模块，用于计算竞品店聚集区域集合中的各聚集区域的经度平均值和纬度平均值得到聚集中心点，并生成聚集中心点集合；
第三数据计算子模块，用于对专营店数据集合和聚集中心点集合进行计算；
筛选子模块，用于根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合。
此外，为实现上述目的，本发明还提供一种终端设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上的专营店选址推荐方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上的专营店选址推荐方法的步骤。
本发明提供的专营店选址推荐方法和系统，通过获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合，处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合，通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合，处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点。由此，可以识别出全国地区最优的专营店建店地址，且能实时地推荐各地区建店地址的情况，提高了专营店建设效率。
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，还可以根据提供的附图获得其他的附图：
图1所示为本发明一实施例提供的专营店选址推荐方法的流程示意图。
图2所示为本发明一实施例提供的专营店选址推荐系统的示意图。
图3所示为本发明一实施例提供的专营店选址推荐系统的数据生成模块示意图。
图4所示为本发明一实施例提供的专营店选址推荐系统的数据计算模块示意图。
图5所示为本发明一实施例提供的终端设备的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
参照图1，图1所示为本发明一实施例提供的专营店选址推荐方法的流程示意图，在本实施例中，专营店选址推荐方法，包括：
步骤S10：获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合；
步骤S20：处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合；
步骤S30：通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合；
步骤S40：处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点。
专营店包含但不限于汽车销售服务4S店和汽车专营店，竞品店是指除本品牌外的店，包含但不限于除本品牌外的汽车销售服务4S店。
专营店数据包含但不限于专营店位置经度和专营店位置纬度，竞品店数据包含但不限于竞品店位置经度、竞品店位置纬度、竞品名称和竞品店名称中，行程数据包含但不限于行驶起始时间、行驶停止时间、行驶起始位置经度、行驶起始位置纬度、行驶停止位置经度和行驶停止位置纬度。
通过获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合，处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合，通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合，处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点。由此，可以识别出全国地区最优的专营店建店地址，且能实时地推荐各地区建店地址的情况，极大程度节省了公司运营成本，提高了专营店建设效率。
进一步地，在本发明一实施例中，步骤S10获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合，包括：
步骤S101：从数据库中获取专营店数据、竞品店数据和行程数据，删除不合格的专营店数据、竞品店数据和行程数据，统一专营店数据、竞品店数据和行程数据，得到专营店数据集合。
本实施例以汽车行业举例进行说明，可以但不限于从汽车OEM（汽车原始设备制造商）的数据库中获取当前正在营业的本品牌专营店位置的经度和纬度，并对数据预处理，得到专营店数据集合；
可以但不限于通过调用电子地图API（应用程序编程接口）获取竞品店数据，比如竞品店位置经度、竞品店位置纬度、竞品名称和竞品店名称，再进行数据预处理。表1为部分示例数据；
表1
| 序号 | 竞品店品牌 | 竞品店名 | 经度 | 纬度 |
| 1 | A | A销售服务有限公司 | 113.182223 | 23.380624 |
| 2 |
可以但不限于通过采集车端CAN总线（控制器局域网络）传输的行程数据，获取车辆行程信息，比如车辆的行驶起始时间、行驶停止时间、行驶起始位置经度、行驶起始位置纬度、行驶停止位置经度和行驶停止位置纬度，再进行数据预处理。
数据预处理为删除重复和缺失的经度和纬度，再统一经纬度量纲，即将不同坐标系下的经纬度转为同一坐标系。最后再根据经纬度位置，删除不在国内的数据。
进一步地，在本发明一实施例中，步骤S20处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合，包括：
步骤S201：获取预处理后的行程数据，通过行程数据生成行程数据集合；
步骤S202：对行程数据集合中的行程数据进行聚类，生成行程数据的聚集点集合；
步骤S203：通过聚集点集合，生成地址数据集合。
以下为对上述步骤以车辆为例进行举例说明，提取每辆车一个时间段的行驶记录，如近一个月的车辆行驶记录，并筛选出每天第一条行驶记录的行程数据，该行程数据可以为车辆起始位置经纬度，生成每辆车的行程数据集合，比如车辆起始位置经纬度集合。其中，行驶记录可以为分段式记录，即一段行程是从车辆开始行驶至车辆停止，因此一天一辆车可以有多条行驶记录。
表2为部分示例数据，每天第一条行驶记录即各个车辆（每个车辆有唯一车机码）当天排序为1的记录。
表2
| 排序 | 车机码 | 起始时间 | 结束时间 | 起始位置经度 | 起始位置纬度 | 终点经度 | 终点纬度 |
| 1 | Abc123 | 2022-05-11 11:11:20 | 2022-05-11 11:15:25 | 113.282223 | 23.280624 | 113.242223 | 23.250624 |
| 2 | Abc123 | 2022-05-11 11:22:25 | 2022-05-11 11:29:25 | 113.242223 | 23.250624 | 113.212223 | 23.210624 |
| … | … | … | … | … | … | … | … |
| 1 | Abc456 | 2022-05-11 11:22:25 | 2022-05-11 11:29:25 | 114.242223 | 24.250624 | 114.212223 | 24.210624 |
| 2 | Abc456 | 2022-05-11 11:22:25 | 2022-05-11 11:29:25 | 114.242223 | 24.250624 | 114.212223 | 24.210624 |
| … | … | … | … | … | … | … | … |
以
表示车辆每天的第一条行程的经纬度，
表示经度，
表示纬度，则车辆近一个月的行程数据集合可以表示为
，其中n表示第n辆车，t表示第t天。
通过机器学习中的密度聚类，对每辆车
集合中的经纬度单独进行聚类。其中，集合中样本间的距离，通过经纬度之间的距离计算公式得到，公式为：
其中，R表示地球半径，
和
分别对应两个不同的经纬度，因此i和j两点经纬度的距离可表示为
。
在聚类的基础上找出车辆的聚集点
，
其中，
表示车辆n第b个聚类簇，即聚集点集合，且
。
基于聚集点集合获取地址数据集合，地址数据可以为车主常驻地点。选择
中样本数量最多的聚集点集合
，该聚集点集合是该车辆的常驻区域，即车主的常驻区域。再计算
中经度和维度的平均值
，该经纬度的地点就是车主n的聚集区域中心点，即常驻地点，从而得到所有车主的地址数据集合
。
优选地，可通过设置阈值
过滤异常聚集点，而
分别为车辆n第i个聚集点的样本数量和车辆n总样本数量。
进一步地，在本发明一实施例中，步骤S30通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合，包括：
步骤S301：对竞品店数据进行聚类计算，得到竞品店聚集区域集合；
步骤S302：获取竞品店聚集区域集合中的聚集区域，计算各聚集区域的经度平均值和纬度平均值得到聚集中心点，并生成聚集中心点集合；
步骤S303：对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合。
以下为对上述步骤以车辆进行举例说明，通过机器学习中的密度聚类，对全国竞品经纬度进行聚类。其中，距离计算公式与步骤S20中的
相同，得到竞品店聚集区域集合
，
其中
表示第m个竞品店聚集区域，
表示第j个竞品店的经纬度。
获取
中每个聚集区域，计算各区域的经度平均值和纬度平均值
，该经纬度的地点即是竞品店聚集区域m的中心点，即聚集中心点，从而得到聚集中心点集合
。
通过步骤S10已经获得经过预处理后的专营店数据生成的专营店数据集合
，其中
表示第k个专营店的经纬度。对集合
和聚集中心点集合
中的经纬度两两进行距离计算，计算公式与步骤S20中的
相同。对
中的候选点进行筛选，筛选条件可以为距离，例如候选点3公里内不能出现本品牌的专营店，进而得到最终的建店候选点集合
，
，
表示第v个候选点的经纬度。
进一步地，在本发明一实施例中，步骤S40处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点，包括：
步骤S401：对地址数据集合和建店候选点集合进行计算，对地址数据集合和聚集中心点集合进行计算，得到驾驶数据；
步骤S402：通过驾驶数据得到建店数据，根据建店数据计算出各个建店候选点的建店综合得分，对建店候选点集合中的建店候选点进行排名，选出最优建店候选点；
步骤S403：将最优建店候选点进行可视化展示。
以下为对上述步骤以车辆进行举例说明，可以通过调用电子地图API计算出地址数据集合
经纬度至建店候选点集合
经纬度的驾驶距离和驾驶时长，再计算出地址数据集合
中的经纬度至聚集中心点集合
中的经纬度的驾驶距离和驾驶时长，得到驾驶数据，驾驶数据可以为车主常住地与建店候选点的驾驶距离和驾驶时长和车主常住地与本品牌专营店的驾驶距离和驾驶时长。
建店数据可以为建店候选点自定义范围以内用户数占比、自定义范围以内的竞品店数占比、车主常住地与建店候选点的驾驶距离占比、车主常住地与建店候选点的驾驶时长占比、车主常住地与本品牌专营店的驾驶距离占比和车主常住地与本品牌专营店的驾驶时长占比。
通过综合评分公式，计算出各个建店候选点的综合得分，对建店候选点集合中的建店候选点进行排名，根据排名推荐各省市的建店候选点，将最优建店候选点进行可视化展示。
综合评分公式可以为下列公式但不限于下列公式，以该公式对实施例进行举例说明：
其中
表示建店候选点的得分，
表示建店候选点驾驶距离10km以内用户数占比，
表示1km以内的竞品店数占比，
和
分别表示车主常住地与建店候选点的驾驶距离占比和车主常住地与建店候选点驾驶时长占比，
和
分别表示车主常住地与本品牌专营店的驾驶距离占比和车主常住地与本品牌专营店的驾驶时长占比，
表示各部分权重，且
。占比的计算方式，均为该建店候选点的指标值在全国候选点指标总值的占比。
相应地，本发明还提供一种专营店选址推荐系统，参照图2，专营店选址推荐系统包括数据处理模块201、数据生成模块202、数据计算模块203、数据分析模块204和可视化展示模块205；
数据处理模块201，用于从数据库中获取专营店数据、竞品店数据和行程数据，删除不合格的专营店数据、竞品店数据和行程数据，统一专营店数据、竞品店数据和行程数据，得到专营店数据集合；
数据生成模块202，用于处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合；
数据计算模块203，用于通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合；
数据分析模块204，用于对地址数据集合和建店候选点集合进行计算，对地址数据集合和聚集中心点集合进行计算，得到驾驶数据，通过驾驶数据得到建店数据，根据建店数据计算出各个建店候选点的建店综合得分，对建店候选点集合中的建店候选点进行排名，选出最优建店候选点；
可视化展示模块205，用于将最优建店候选点进行可视化展示。
进一步地，参照图3，在本发明一实施例中，数据生成模块202包括第一数据生成子模块2021、第二数据生成子模块2022和第三数据生成子模块2023；
第一数据生成子模块2021，用于将获取的行程数据生成行程数据集合；
第二数据生成子模块2022，用于生成行程数据集合中的行程数据的聚集点集合；
第三数据生成子模块2023，用于通过聚集点集合生成地址数据集合。
进一步地，参照图4，在本发明一实施例中，数据计算模块203包括第一数据计算子模块2031、第二计数据算子模块2032、第三数据计算子模块2033和筛选子模块2034；
第一数据计算子模块2031，用于对竞品店数据进行聚类计算，得到竞品店聚集区域集合；
第二数据计算子模块2032，用于计算竞品店聚集区域集合中的各聚集区域的经度平均值和纬度平均值得到聚集中心点，并生成聚集中心点集合；
第三数据计算子模块2033，用于对专营店数据集合和聚集中心点集合进行计算；
筛选子模块2034，用于根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合。
参照图5，本发明实施例还提供了一种终端设备100，可以包括：
存储器10，用于存储计算机程序；
处理器20，用于执行上述存储器10存储的计算机程序时可实现如下步骤：
获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合；处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合；通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合；处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现如下步骤；
获取专营店数据、竞品店数据和行程数据，对专营店数据、竞品店数据和行程数据进行预处理，得到专营店数据集合；处理预处理后的行程数据，生成行程数据集合，通过行程数据集合生成地址数据集合；通过竞品店数据得到聚集中心点集合，对专营店数据集合和聚集中心点集合进行计算，根据计算结果对聚集中心点集合进行筛选，得到建店候选点集合；处理地址数据集合得到建店数据，根据建店数据对建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示最优建店候选点。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM) ＞随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (9)
1.一种专营店选址推荐方法，其特征在于，包括以下步骤：
获取专营店数据、竞品店数据和行程数据，对所述专营店数据、所述竞品店数据和所述行程数据进行预处理，得到专营店数据集合；
处理所述预处理后的行程数据，生成行程数据集合，通过所述行程数据集合生成地址数据集合；
通过所述竞品店数据得到聚集中心点集合，对所述专营店数据集合和所述聚集中心点集合进行计算，根据计算结果对所述聚集中心点集合进行筛选，得到建店候选点集合；
处理所述地址数据集合得到建店数据，根据所述建店数据对所述建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示所述最优建店候选点;
所述处理所述地址数据集合得到建店数据，根据所述建店数据对所述建店候选点集合中的建店候选点进行排名，选出最优建店候选点，可视化展示所述最优建店候选点的步骤，包括：
对所述地址数据集合和所述建店候选点集合进行计算，对所述地址数据集合所述和所述聚集中心点集合进行计算，得到驾驶数据；
通过所述驾驶数据得到建店数据，根据所述建店数据计算出各个建店候选点的建店综合得分，对所述建店候选点集合中的所述建店候选点进行排名，选出最优建店候选点；
将所述最优建店候选点进行可视化展示。
2.如权利要求1的所述专营店选址推荐方法，其特征在于，所述专营店数据至少包括专营店位置经度和专营店位置纬度中的一个或多个，所述竞品店数据至少包括竞品店位置经度、竞品店位置纬度、竞品名称和竞品店名称中的一个或多个，所述行程数据至少包括行驶起始时间、行驶停止时间、行驶起始位置经度、行驶起始位置纬度、行驶停止位置经度和行驶停止位置纬度中的一个或多个，
所述获取专营店数据、竞品店数据和行程数据，对所述专营店数据、所述竞品店数据和所述行程数据进行预处理，得到专营店数据集合的步骤，包括：
从数据库中获取所述专营店数据、所述竞品店数据和所述行程数据，删除不合格的所述专营店数据、所述竞品店数据和所述行程数据，统一所述专营店数据、所述竞品店数据和所述行程数据，得到所述专营店数据集合。
3.如权利要求2的所述专营店选址推荐方法，其特征在于，所述处理所述预处理后的行程数据，生成行程数据集合，通过所述行程数据集合生成地址数据集合的步骤，包括：
获取所述预处理后的行程数据，通过所述行程数据生成所述行程数据集合；
对所述行程数据集合中的所述行程数据进行聚类，生成所述行程数据的聚集点集合；
通过所述聚集点集合，生成所述地址数据集合。
4.如权利要求3的所述专营店选址推荐方法，其特征在于，所述通过所述竞品店数据得到聚集中心点集合，对所述专营店数据集合和所述聚集中心点集合进行计算，根据计算结果对所述聚集中心点集合进行筛选，得到所述建店候选点集合的步骤，包括：
对所述竞品店数据进行聚类计算，得到竞品店聚集区域集合；
获取所述竞品店聚集区域集合中的聚集区域，计算各聚集区域的经度平均值和纬度平均值得到聚集中心点，并生成所述聚集中心点集合；
对所述专营店数据集合和所述聚集中心点集合进行计算，根据计算结果对所述聚集中心点集合进行筛选，得到所述建店候选点集合。
5.一种专营店选址推荐系统，其特征在于，所述系统包括数据处理模块、数据生成模块、数据计算模块、数据分析模块和可视化展示模块；
所述数据处理模块，用于从数据库中获取专营店数据、竞品店数据和行程数据，删除不合格的所述专营店数据、所述竞品店数据和所述行程数据，统一所述专营店数据、所述竞品店数据和所述行程数据，得到专营店数据集合；
所述数据生成模块，用于处理预处理后的行程数据，生成行程数据集合，通过所述行程数据集合生成地址数据集合；
所述数据计算模块，用于通过所述竞品店数据得到聚集中心点集合，对所述专营店数据集合和所述聚集中心点集合进行计算，根据计算结果对所述聚集中心点集合进行筛选，得到建店候选点集合；
所述数据分析模块，用于对所述地址数据集合和所述建店候选点集合进行计算，对所述地址数据集合所述和所述聚集中心点集合进行计算，得到驾驶数据，通过所述驾驶数据得到建店数据，根据所述建店数据计算出各个建店候选点的建店综合得分，对所述建店候选点集合中的所述建店候选点进行排名，选出最优建店候选点；
所述可视化展示模块，用于将所述最优建店候选点进行可视化展示。
6.如权利要求5的所述专营店选址推荐系统，其特征在于，所述数据生成模块包括第一数据生成子模块、第二数据生成子模块和第三数据生成子模块；
所述第一数据生成子模块，用于将获取的所述行程数据生成所述行程数据集合；
所述第二数据生成子模块，用于生成所述行程数据集合中的所述行程数据的聚集点集合；
所述第三数据生成子模块，用于通过所述聚集点集合生成所述地址数据集合。
7.如权利要求6的所述专营店选址推荐系统，其特征在于，所述数据计算模块包括第一数据计算子模块、第二计数据算子模块、第三数据计算子模块和筛选子模块；
所述第一数据计算子模块，用于对所述竞品店数据进行聚类计算，得到竞品店聚集区域集合；
所述第二数据计算子模块，用于计算所述竞品店聚集区域集合中的各聚集区域的经度平均值和纬度平均值得到聚集中心点，并生成所述聚集中心点集合；
所述第三数据计算子模块，用于对所述专营店数据集合和所述聚集中心点集合进行计算；
所述筛选子模块，用于根据计算结果对所述聚集中心点集合进行筛选，得到所述建店候选点集合。
8.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据处理程序，所述数据处理程序被所述处理器执行时实现如权利要求1至4中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699088.5A CN114782115B (zh) | 2022-06-20 | 2022-06-20 | 一种专营店选址推荐方法、系统和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699088.5A CN114782115B (zh) | 2022-06-20 | 2022-06-20 | 一种专营店选址推荐方法、系统和终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782115A CN114782115A (zh) | 2022-07-22 |
| CN114782115B true CN114782115B (zh) | 2022-09-13 |
Family
ID=82420381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210699088.5A Active CN114782115B (zh) | 2022-06-20 | 2022-06-20 | 一种专营店选址推荐方法、系统和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782115B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860810B (zh) * | 2023-02-07 | 2023-06-06 | 广州数说故事信息科技有限公司 | 一种行业品牌城市开店策略动态监测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069229A (zh) * | 2020-08-27 | 2020-12-11 | 贵州民族大学 | 一种面向移动轨迹大数据的最佳候车点推荐方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109902845A (zh) * | 2017-12-08 | 2019-06-18 | 宝沃汽车（中国）有限公司 | 车辆服务点的配置方法、装置和系统 |
| CN109086323A (zh) * | 2018-06-28 | 2018-12-25 | 上海中通吉网络技术有限公司 | 用户家庭和工作地址的确定方法和系统 |
| CN110674976B (zh) * | 2019-09-06 | 2022-09-30 | 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 |
| CN112668803B (zh) * | 2021-01-06 | 2023-02-10 | 上海阑途信息技术有限公司 | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 |
| CN113947425A (zh) * | 2021-09-27 | 2022-01-18 | 上海维智卓新信息科技有限公司 | 店铺地址确定方法及装置 |
| CN114565414A (zh) * | 2022-03-02 | 2022-05-31 | 深圳唯爱智云科技有限公司 | 业务区域推荐方法及装置 |
-
2022
- 2022-06-20 CN CN202210699088.5A patent/CN114782115B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069229A (zh) * | 2020-08-27 | 2020-12-11 | 贵州民族大学 | 一种面向移动轨迹大数据的最佳候车点推荐方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于轨迹大数据的电动出租车充电站选址定容研究;何欢;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20220315(第3期);第C034-2122页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782115A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7270262B2 (en) | Collecting and valuating used items for sale | |
| US10380654B2 (en) | System and method for providing a score for a used vehicle | |
| US8694358B2 (en) | Systems, methods, and media for survey management | |
| US20150332411A1 (en) | Insurance Claims and Rate Evasion Fraud System Based Upon Vehicle History | |
| US20140081675A1 (en) | Systems, methods, and apparatus for optimizing claim appraisals | |
| CN111047903A (zh) | 停车位查找方法、系统、存储介质、电子设备及导航方法 | |
| US8065261B2 (en) | Methods and system to compare different options in a decision making process | |
| CN104680453A (zh) | 基于学生属性的课程推荐方法及系统 | |
| CN112884224A (zh) | 实体对象的选址方法、装置、计算设备及计算机存储介质 | |
| CN114782115B (zh) | 一种专营店选址推荐方法、系统和终端设备 | |
| KR102073983B1 (ko) | 전자지도 기반 인테리어 시공사례 광고 서비스 방법 및 그 시스템 | |
| US20170206587A1 (en) | Tire recommendation engine | |
| CN112866759A (zh) | 基于深度学习和云计算的电商直播平台及云通信服务器 | |
| CN113674015A (zh) | 一种车辆快速定损及残值估价方法 | |
| CN111832872A (zh) | 一种车辆调度方法、装置、电子设备和存储介质 | |
| CN111812306A (zh) | 油品监测方法、电子设备及存储介质 | |
| CN110390403B (zh) | 车辆维修厂在线推荐方法、装置、设备和存储介质 | |
| CN115496440A (zh) | 一种二手车库存量的确定方法及装置 | |
| CN114399202A (zh) | 一种城市社区大数据可视化系统 | |
| CN111121803B (zh) | 获取道路常用停靠点的方法及装置 | |
| CN113642841A (zh) | 一种出租汽车服务质量测评方法 | |
| CN111831931A (zh) | 一种上车点排序、信息排序的方法及装置 | |
| CN111126741A (zh) | 基于查勘员画像的理赔案件分配方法、装置、计算机设备及存储介质 | |
| CN117216301A (zh) | 图像资料推荐方法、装置、电子设备及存储介质 | |
| CN111325244B (zh) | 车辆高危地点的检测方法、终端设备及存储介质 |
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 |