CN115187311A - 适用于多行业的店铺选址方法及装置 - Google Patents
适用于多行业的店铺选址方法及装置 Download PDFInfo
- Publication number
- CN115187311A CN115187311A CN202210926714.XA CN202210926714A CN115187311A CN 115187311 A CN115187311 A CN 115187311A CN 202210926714 A CN202210926714 A CN 202210926714A CN 115187311 A CN115187311 A CN 115187311A
- Authority
- CN
- China
- Prior art keywords
- industry
- data
- site selection
- space
- 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.)
- Pending
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Library & Information Science (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种适用于多行业的店铺选址方法及装置,该方法包括:获取选址用户输入的选址行业和选址区域;根据所述选址区域,以及预设的区域位置数据库,确定出所述选址区域内的多个候选位置点;根据所述选址行业,从预设的行业时空数据库中,确定出每一所述候选位置点对应的所述选址行业的时空特征数据;将每一所述候选位置点对应的所述选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一所述候选位置点对应的选址评分参数;根据所有所述候选位置点对应的选址评分参数,确定所述选址用户对应的目标店铺选址。可见,本发明能够为用户提供更加高效的店铺选址服务,从而可以有效提高用户店铺选址的效率,提高用户店铺的盈利。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种适用于多行业的店铺选址方法及装置。
背景技术
随着线下店铺的更新迭代加快,以及数据分析技术的发展,企业在选择线下店铺的位置时开始考虑更多的因素,也慢慢开始使用一些数据分析技术来辅助企业选择盈利更高受众更多的线下店铺位置。但现有技术在提供店铺选址的技术服务时,没有考虑到不同行业的特点以及店铺位置的时空数据,因此选址效果较差,效率较低。可见,现有的店铺选址方法存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种适用于多行业的店铺选址方法及装置,能够为用户提供更加高效的店铺选址服务,从而可以有效提高用户店铺选址的效率,提高用户店铺的盈利。
为了解决上述技术问题,本发明第一方面公开了一种适用于多行业的店铺选址方法,所述方法包括:
获取选址用户输入的选址行业和选址区域;
根据所述选址区域,以及预设的区域位置数据库,确定出所述选址区域内的多个候选位置点;
根据所述选址行业,从预设的行业时空数据库中,确定出每一所述候选位置点对应的所述选址行业的时空特征数据;
将每一所述候选位置点对应的所述选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一所述候选位置点对应的选址评分参数;所述选址评分算法模型根据包括有多个所述选址行业对应的训练店铺位置和训练时空特征数据的训练数据集训练得到;
根据所有所述候选位置点对应的选址评分参数,确定所述选址用户对应的目标店铺选址。
作为一个可选的实施方式,在本发明第一方面中,在所述获取选址用户输入的选址行业和选址区域之前,所述方法还包括:
对于任一行业,获取该行业的多个店铺信息;
确定每一所述店铺信息对应的位置信息和区域信息;
根据每一所述店铺信息对应的所述区域信息,确定每一所述店铺信息对应的时空特征数据;
将每一所述行业的所述店铺信息的所述位置信息与对应的所述时空特征数据,确定为行业时空数据库。
作为一个可选的实施方式,在本发明第一方面中,在所述获取选址用户输入的选址行业和选址区域之前,所述方法还包括:
对于任一行业,获取该行业的多个店铺信息;
确定每一所述店铺信息对应的位置信息和区域信息;
将每一所述区域信息与对应的区域中的所有所述行业的所述店铺信息的位置信息,确定为区域位置数据库。
作为一个可选的实施方式,在本发明第一方面中,所述时空特征数据包括地理特征数据、商业特征数据和用户特征数据中的至少一种;所述地理特征数据包括点位密集程度特征、公共交通便利性特征和道路可达性特征中的至少一种;所述商业特征数据包括各个商业类别的占比特征,竞争性水平特征,商业多样性水平特征以及商业口碑分布特征中的至少一种;所述用户特征数据包括常驻人口分布特征、工作人口分布特征、用户年龄段分布特征和不同时段的聚合轨迹特征中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述根据每一所述店铺信息对应的所述区域信息,确定每一所述店铺信息对应的时空特征数据,包括:
根据每一所述店铺信息对应的所述区域信息,从预设的区域时空数据库中,确定每一所述店铺信息对应的区域时空数据;
将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的时空特征数据。
作为一个可选的实施方式,在本发明第一方面中,所述区域时空数据包括POI点位数据、交通站点数据、路网结构数据、业态分布数据、人口统计数据、店铺点评数据、人流轨迹数据、物流轨迹数据和车流轨迹数据中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述选址评分算法模型包括GBDT算法模型、MLP算法模型、ResNet算法模型、NODE算法模型、TabNet算法模型和基于Transformer架构的算法模型中的至少一种。
作为一个可选的实施方式,在本发明第一方面中,所述方法还包括:
在训练所述选址评分算法模型时,利用所述选址评分算法模型中的特征评估算法模型,对所述训练时空特征数据进行评估筛选,以得到重要性水平更高的优选特征数据;
以及,所述将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的时空特征数据,包括:
将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的多个候选时空特征数据;
将每一所述店铺信息对应的多个候选时空特征数据中与所述优选特征数据的数据参数相同的候选时空特征数据,确定为每一所述店铺信息对应的时空特征数据。
本发明第二方面公开了一种适用于多行业的店铺选址装置,所述装置包括:
输入获取模块,用于获取选址用户输入的选址行业和选址区域;
第一确定模块,用于根据所述选址区域,以及预设的区域位置数据库,确定出所述选址区域内的多个候选位置点;
第二确定模块,用于根据所述选址行业,从预设的行业时空数据库中,确定出每一所述候选位置点对应的所述选址行业的时空特征数据;
选址评分模块,用于将每一所述候选位置点对应的所述选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一所述候选位置点对应的选址评分参数;所述选址评分算法模型根据包括有多个所述选址行业对应的训练店铺位置和训练时空特征数据的训练数据集训练得到;
选址确定模块,用于根据所有所述候选位置点对应的选址评分参数,确定所述选址用户对应的目标店铺选址。
作为一个可选的实施方式,在本发明第二方面中,所述装置还包括时空数据库确定模块,用于在所述输入获取模块获取选址用户输入的选址行业和选址区域之前,执行以下步骤:
对于任一行业,获取该行业的多个店铺信息;
确定每一所述店铺信息对应的位置信息和区域信息;
根据每一所述店铺信息对应的所述区域信息,确定每一所述店铺信息对应的时空特征数据;
将每一所述行业的所述店铺信息的所述位置信息与对应的所述时空特征数据,确定为行业时空数据库。
作为一个可选的实施方式,在本发明第二方面中,所述装置还包括区域数据库确定模块,用于在所述输入获取模块获取选址用户输入的选址行业和选址区域之前,执行以下步骤:
对于任一行业,获取该行业的多个店铺信息;
确定每一所述店铺信息对应的位置信息和区域信息;
将每一所述区域信息与对应的区域中的所有所述行业的所述店铺信息的位置信息,确定为区域位置数据库。
作为一个可选的实施方式,在本发明第二方面中,所述时空特征数据包括地理特征数据、商业特征数据和用户特征数据中的至少一种;所述地理特征数据包括点位密集程度特征、公共交通便利性特征和道路可达性特征中的至少一种;所述商业特征数据包括各个商业类别的占比特征,竞争性水平特征,商业多样性水平特征以及商业口碑分布特征中的至少一种;所述用户特征数据包括常驻人口分布特征、工作人口分布特征、用户年龄段分布特征和不同时段的聚合轨迹特征中的至少一种。
作为一个可选的实施方式,在本发明第二方面中,所述时空数据库确定模块根据每一所述店铺信息对应的所述区域信息,确定每一所述店铺信息对应的时空特征数据的具体方式,包括:
根据每一所述店铺信息对应的所述区域信息,从预设的区域时空数据库中,确定每一所述店铺信息对应的区域时空数据;
将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的时空特征数据。
作为一个可选的实施方式,在本发明第二方面中,所述区域时空数据包括POI点位数据、交通站点数据、路网结构数据、业态分布数据、人口统计数据、店铺点评数据、人流轨迹数据、物流轨迹数据和车流轨迹数据中的至少一种。
作为一个可选的实施方式,在本发明第二方面中,所述选址评分算法模型包括GBDT算法模型、MLP算法模型、ResNet算法模型、NODE算法模型、TabNet算法模型和基于Transformer架构的算法模型中的至少一种。
作为一个可选的实施方式,在本发明第二方面中,所述装置还包括特征评估模块,用于在训练所述选址评分算法模型时,利用所述选址评分算法模型中的特征评估算法模型,对所述训练时空特征数据进行评估筛选,以得到重要性水平更高的优选特征数据;
以及,所述时空数据库确定模块将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的时空特征数据的具体方式,包括:
将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的多个候选时空特征数据;
将每一所述店铺信息对应的多个候选时空特征数据中与所述优选特征数据的数据参数相同的候选时空特征数据,确定为每一所述店铺信息对应的时空特征数据。
本发明第三方面公开了另一种适用于多行业的店铺选址装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的适用于多行业的店铺选址方法中的部分或全部步骤。
本发明第四方面公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行本发明第一方面公开的适用于多行业的店铺选址方法中的部分或全部步骤。
与现有技术相比本发明实施例具有以下有益效果:
本发明实施例中,公开了一种适用于多行业的店铺选址方法及装置,该方法包括:获取选址用户输入的选址行业和选址区域;根据所述选址区域,以及预设的区域位置数据库,确定出所述选址区域内的多个候选位置点;根据所述选址行业,从预设的行业时空数据库中,确定出每一所述候选位置点对应的所述选址行业的时空特征数据;将每一所述候选位置点对应的所述选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一所述候选位置点对应的选址评分参数;所述选址评分算法模型根据包括有多个所述选址行业对应的训练店铺位置和训练时空特征数据的训练数据集训练得到;根据所有所述候选位置点对应的选址评分参数,确定所述选址用户对应的目标店铺选址。可见,本发明实施例能够根据用户输入的行业和区域,结合多个候选点的时空特征数据和算法模型,为用户提供更加高效的店铺选址服务,从而可以有效提高用户店铺选址的效率,提高用户店铺的盈利。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例公开的一种适用于多行业的店铺选址方法的流程示意图。
图2是本发明实施例公开的一种适用于多行业的店铺选址装置的结构示意图。
图3是本发明实施例公开的另一种适用于多行业的店铺选址装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第二”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种适用于多行业的店铺选址方法及装置,能够根据用户输入的行业和区域,结合多个候选点的时空特征数据和算法模型,为用户提供更加高效的店铺选址服务,从而可以有效提高用户店铺选址的效率,提高用户店铺的盈利。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种适用于多行业的店铺选址方法的流程示意图。其中,图1所描述的适用于多行业的店铺选址方法应用于适用于店铺选址的数据处理芯片、处理终端或处理服务器(其中,该服务器可以为本地服务器或云服务器)中。如图1所示,该适用于多行业的店铺选址方法可以包括以下操作:
101、获取选址用户输入的选址行业和选址区域。
可选的,选址行业可以为采用不同标准划分的行业类型,如餐饮业、酒店业或零售业等,本发明不做限定。可选的,选址区域可以为选址用户选定想要开设店铺的区域,其可以为预设的区域划分规则下的特定区域,例如在行政区域划分规则下的特定市、县、区等,也可以为采用特定的空间表达关系限制下的特定区域,例如XX位置点为圆心的特定半径内的区域,本发明不做限定。
102、根据选址区域,以及预设的区域位置数据库,确定出选址区域内的多个候选位置点。
可选的,区域位置数据库中保存了不同区域对应的其中的可供考虑的多个候选位置点,这些候选位置点可以为当前具备开设店铺条件的位置,其可以为具体的地理位置,或是选址区域根据网格划分得到的特定网格。
103、根据选址行业,从预设的行业时空数据库中,确定出每一候选位置点对应的选址行业的时空特征数据。
可选的,行业时空数据库中保存了不同选址行业对应的多个候选位置点的时空特征数据,这些时空特征数据用于指示对应的候选位置点在历史时间段内的地理特征、商业特征或用户特征,后续可以根据这些数据来判断这些位置点在作为店铺地址时的优劣。
104、将每一候选位置点对应的选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一候选位置点对应的选址评分参数。
具体的,选址评分算法模型根据包括有多个选址行业对应的训练店铺位置和训练时空特征数据的训练数据集训练得到。可选的,选址评分算法模型可以包括GBDT算法模型、MLP算法模型、ResNet算法模型、NODE算法模型、TabNet算法模型和基于Transformer架构的算法模型中的至少一种。
在一个具体的实施方案中,设计了一个多源算法库来建模选址评分算法模型,其中,多源算法库包含了机器学习算法和深度学习算法。在机器学习算法中,我们选择了当前主流的GBDT系列算法,包括XGBoost、LightGBM和CatBoost,他们各自有其不同的特点。对于GBDT系列的算法我们分别采用了基于高斯过程和基于TPE过程的贝叶斯参数搜索。对于近些年迅速发展的深度学习算法,我们从不同角度选取了几个具有代表性的算法。首先是模型架构较为简单的多层感知机MLP算法模型,其次是在计算机视觉领域发挥了重要作用的ResNet算法,以及通用深度学习来集成决策树的NODE(Neural Oblivious DecisionEnsembles)算法和TabNet算法。近几年,基于Transformer架构的算法在各个领域都取得巨大了成功,刷新了多个SOTA指标。本发明中也将Transformer算法纳入了多源算法库中,由于原始Transformer是面向seq2seq结构设计的,因此我们选择了基于Transformer改造的FT-Transformer(Feature Tokenizer+Transformer)算法来适配我们的数据,其中数值型和类别型变量都会通过Feature Tokenizer网络转化成Embedding(嵌入)输入Transformer网络。进一步的,在完成多个模型的训练后,可以筛选其中表现的较好的算法进行下一步的处理,例如,把表现较好的算法模型确定为最终拿来预测的模型。
105、根据所有候选位置点对应的选址评分参数,确定选址用户对应的目标店铺选址。
可选的,可以将所有候选位置点按照选址评分参数从大到小进行排列得到位置列表,并将位置列表展示给选址用户以供其选择目标店铺选址,或是直接将位置列表的前预设数量个候选位置点,确定为选址用户对应的目标店铺选址。
在一个具体的实施方案中,用户输入希望进行选址的店铺以及所在的区域。这个区域可以是一系列候选的地址点位也可以是一个行程区域例如街道、区县、城市,将所选区域根据地理位置映射到对应的空间网格中,然后从行业特征库中抽取对应的网格所对应的特征构成待预测的时空特征数据,将所有网格和对应的时空特征数据输入选址评分算法模型,得到区域中所有网格的评估分数和排序列表,最终将得分靠前的位置信息显示到实时大屏中以展示给用户看。
可见,上述发明实施例能够根据用户输入的行业和区域,结合多个候选点的时空特征数据和算法模型,为用户提供更加高效的店铺选址服务,从而可以有效提高用户店铺选址的效率,提高用户店铺的盈利。
作为一个可选的实施方式,上述步骤101中的,在获取选址用户输入的选址行业和选址区域之前,该方法还包括:
对于任一行业,获取该行业的多个店铺信息;
确定每一店铺信息对应的位置信息和区域信息;
根据每一店铺信息对应的区域信息,确定每一店铺信息对应的时空特征数据;
将每一行业的店铺信息的位置信息与对应的时空特征数据,确定为行业时空数据库。
本实施方式的其中一个目的在于,收集多个行业的店铺信息并确定出对应的时空数据,以得到行业时空数据库,该数据库除了在预测时可以用于确定出候选位置点的时空特征数据外,还可以在训练模型时用于快速得计算得到训练数据集。
可选的,时空特征数据包括地理特征数据、商业特征数据和用户特征数据中的至少一种,其中,地理特征数据包括点位密集程度特征、公共交通便利性特征和道路可达性特征中的至少一种。其中,商业特征数据包括各个商业类别的占比特征,竞争性水平特征,商业多样性水平特征以及商业口碑分布特征中的至少一种,其中,用户特征数据包括常驻人口分布特征、工作人口分布特征、用户年龄段分布特征和不同时段的聚合轨迹特征中的至少一种。
可见,通过实施该可选的实施方式,能够确定每一店铺信息对应的时空特征数据,并将每一行业的店铺信息的位置信息与对应的时空特征数据,确定为行业时空数据库,从而能够得到准确的行业时空数据库,后续在预测或训练时可以快速高效地计算得到时空特征数据,提高预测效率。
作为一个可选的实施方式,上述步骤101中的,在获取选址用户输入的选址行业和选址区域之前,该方法还包括:
对于任一行业,获取该行业的多个店铺信息;
确定每一店铺信息对应的位置信息和区域信息;
将每一区域信息与对应的区域中的所有行业的店铺信息的位置信息,确定为区域位置数据库。
本实施方式的其中一个目的在于,收集多个行业的店铺信息的位置信息并确定出对应的区域信息,以得到区域位置数据库该数据库在预测时可以用于确定出区域中包含的候选位置点。
在一个具体的实施方案中,针对需要建模的行业,在自有的行业库中查询该行业的中的所有品牌及其店铺的位置信息,将当前行业中已经开设店铺的地理位置作为正例,对于每一个正例样本,我们在其半径范围内筛选非当前行业的店铺位置作为负例。在获取到正负样例后,通过地理位置信息(经纬度)将点位映射到150m*150m的地理空间网格上(grid),以得到区域对应的多个位置信息。
可见,通过实施该可选的实施方式,能够将每一区域信息与对应的区域中的所有行业的店铺信息的位置信息,确定为区域位置数据库,从而能够得到准确的区域位置数据库,后续在预测时可以快速高效地计算得到候选位置点,提高预测效率。
作为一个可选的实施方式,上述步骤中的,根据每一店铺信息对应的区域信息,确定每一店铺信息对应的时空特征数据,包括:
根据每一店铺信息对应的区域信息,从预设的区域时空数据库中,确定每一店铺信息对应的区域时空数据;
将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的时空特征数据。
可选的,区域时空数据包括POI点位数据、交通站点数据、路网结构数据、业态分布数据、人口统计数据、店铺点评数据、人流轨迹数据、物流轨迹数据和车流轨迹数据中的至少一种。
在一个具体的实施方案中,通过Hive数据仓库工具从多源数据仓库中抽取对应网格的区域时空数据,区域时空数据主要可以分成静态时空数据和动态时空数据。其中,静态时空数据主要包括POI点位数据、交通站点数据、路网结构数据、业态分布数据、人口统计数据以及店铺点评数据,动态时空数据主要包括人流、物流、车流等轨迹信息。在获取到网格上的时空数据后,通过Spark框架构建分布式的特征工程管道,用于处理特征数据以及构建高阶特征。具体的,可以通过该特征工程管道,基于区域时空数据,计算得到三个类别的时空特征数据,首先是地理空间相关的特征,主要包括点位密集程度、公共交通便利性,道路可达性等;其次是商业特征,主要包括各个商业类别的占比,竞争性水平,商业多样性水平以及商业口碑分布等;最后是人相关特征,主要包括场常驻人口分布、工作人口分布、年龄段分布、不同时段的聚合轨迹等特征。在特征工程后得到模型预测或训练需要的行业数据集,整个数据准备过程都是在离线分布式状态下完成。
可见,通过实施该可选的实施方式,能够将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的时空特征数据,从而能够高效快速地计算得到准确的时空特征数据,提高后续预测的效率和准确率。
作为一个可选的实施方式,该方法还包括:
在训练选址评分算法模型时,利用选址评分算法模型中的特征评估算法模型,对训练时空特征数据进行评估筛选,以得到重要性水平更高的优选特征数据。
可选的,特征评估算法模型包括GBDT算法模型和TabNet算法模型中的至少一种。
相应的,上述步骤中的,将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的时空特征数据,包括:
将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的多个候选时空特征数据;
将每一店铺信息对应的多个候选时空特征数据中与优选特征数据的数据参数相同的候选时空特征数据,确定为每一店铺信息对应的时空特征数据。
在一个具体的实施方案中,对于GBDT系列算法或TabNet算法等可以对原始特征重要性进行评估的算法,利用其对训练模型所产生的数据特征进行特征分析,筛选出重要性水平较高的特征,用于进一步指导特征工程,优化模型。
可见,通过该可选的实施方式,可以利用特征评估算法模型评估筛选得到重要性水平更高的优选特征数据,并在后续将每一店铺信息对应的多个候选时空特征数据中与优选特征数据的数据参数相同的候选时空特征数据,确定为每一店铺信息对应的时空特征数据,从而能够借用部分算法模型进行特征评估操作,以最终得到重要性水平更高的时空特征数据,提高预测的准确率。
实施例二
请参阅图2,图2是本发明实施例公开的一种适用于多行业的店铺选址装置的结构示意图。其中,图2所描述的适用于多行业的店铺选址装置应用于适用于店铺选址的数据处理芯片、处理终端或处理服务器(其中,该服务器可以为本地服务器或云服务器)中。如图2所示,该适用于多行业的店铺选址装置可以包括:
输入获取模块201,用于获取选址用户输入的选址行业和选址区域。
可选的,选址行业可以为采用不同标准划分的行业类型,如餐饮业、酒店业或零售业等,本发明不做限定。可选的,选址区域可以为选址用户选定想要开设店铺的区域,其可以为预设的区域划分规则下的特定区域,例如在行政区域划分规则下的特定市、县、区等,也可以为采用特定的空间表达关系限制下的特定区域,例如XX位置点为圆心的特定半径内的区域,本发明不做限定。
第一确定模块202,用于根据选址区域,以及预设的区域位置数据库,确定出选址区域内的多个候选位置点。
可选的,区域位置数据库中保存了不同区域对应的其中的可供考虑的多个候选位置点,这些候选位置点可以为当前具备开设店铺条件的位置,其可以为具体的地理位置,或是选址区域根据网格划分得到的特定网格。
第二确定模块203,用于根据选址行业,从预设的行业时空数据库中,确定出每一候选位置点对应的选址行业的时空特征数据。
可选的,行业时空数据库中保存了不同选址行业对应的多个候选位置点的时空特征数据,这些时空特征数据用于指示对应的候选位置点在历史时间段内的地理特征、商业特征或用户特征,后续可以根据这些数据来判断这些位置点在作为店铺地址时的优劣。
选址评分模块204,用于将每一候选位置点对应的选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一候选位置点对应的选址评分参数。
具体的,选址评分算法模型根据包括有多个选址行业对应的训练店铺位置和训练时空特征数据的训练数据集训练得到。可选的,选址评分算法模型可以包括GBDT算法模型、MLP算法模型、ResNet算法模型、NODE算法模型、TabNet算法模型和基于Transformer架构的算法模型中的至少一种。
在一个具体的实施方案中,设计了一个多源算法库来建模选址评分算法模型,其中,多源算法库包含了机器学习算法和深度学习算法。在机器学习算法中,我们选择了当前主流的GBDT系列算法,包括XGBoost、LightGBM和CatBoost,他们各自有其不同的特点。对于GBDT系列的算法我们分别采用了基于高斯过程和基于TPE过程的贝叶斯参数搜索。对于近些年迅速发展的深度学习算法,我们从不同角度选取了几个具有代表性的算法。首先是模型架构较为简单的多层感知机MLP算法模型,其次是在计算机视觉领域发挥了重要作用的ResNet算法,以及通用深度学习来集成决策树的NODE(Neural Oblivious DecisionEnsembles)算法和TabNet算法。近几年,基于Transformer架构的算法在各个领域都取得巨大了成功,刷新了多个SOTA指标。本发明中也将Transformer算法纳入了多源算法库中,由于原始Transformer是面向seq2seq结构设计的,因此我们选择了基于Transformer改造的FT-Transformer(Feature Tokenizer+Transformer)算法来适配我们的数据,其中数值型和类别型变量都会通过Feature Tokenizer网络转化成Embedding(嵌入)输入Transformer网络。进一步的,在完成多个模型的训练后,可以筛选其中表现的较好的算法进行下一步的处理,例如,把表现较好的算法模型确定为最终拿来预测的模型。
选址确定模块205,用于根据所有候选位置点对应的选址评分参数,确定选址用户对应的目标店铺选址。
可选的,可以将所有候选位置点按照选址评分参数从大到小进行排列得到位置列表,并将位置列表展示给选址用户以供其选择目标店铺选址,或是直接将位置列表的前预设数量个候选位置点,确定为选址用户对应的目标店铺选址。
在一个具体的实施方案中,用户输入希望进行选址的店铺以及所在的区域。这个区域可以是一系列候选的地址点位也可以是一个行程区域例如街道、区县、城市,将所选区域根据地理位置映射到对应的空间网格中,然后从行业特征库中抽取对应的网格所对应的特征构成待预测的时空特征数据,将所有网格和对应的时空特征数据输入选址评分算法模型,得到区域中所有网格的评估分数和排序列表,最终将得分靠前的位置信息显示到实时大屏中以展示给用户看。
可见,上述发明实施例能够根据用户输入的行业和区域,结合多个候选点的时空特征数据和算法模型,为用户提供更加高效的店铺选址服务,从而可以有效提高用户店铺选址的效率,提高用户店铺的盈利。
作为一个可选的实施方式,该装置还包括时空数据库确定模块,用于在输入获取模块201获取选址用户输入的选址行业和选址区域之前,执行以下步骤:
对于任一行业,获取该行业的多个店铺信息;
确定每一店铺信息对应的位置信息和区域信息;
根据每一店铺信息对应的区域信息,确定每一店铺信息对应的时空特征数据;
将每一行业的店铺信息的位置信息与对应的时空特征数据,确定为行业时空数据库。
本实施方式的其中一个目的在于,收集多个行业的店铺信息并确定出对应的时空数据,以得到行业时空数据库,该数据库除了在预测时可以用于确定出候选位置点的时空特征数据外,还可以在训练模型时用于快速得计算得到训练数据集。
可选的,时空特征数据包括地理特征数据、商业特征数据和用户特征数据中的至少一种,其中,地理特征数据包括点位密集程度特征、公共交通便利性特征和道路可达性特征中的至少一种。其中,商业特征数据包括各个商业类别的占比特征,竞争性水平特征,商业多样性水平特征以及商业口碑分布特征中的至少一种,其中,用户特征数据包括常驻人口分布特征、工作人口分布特征、用户年龄段分布特征和不同时段的聚合轨迹特征中的至少一种。
可见,通过实施该可选的实施方式,能够确定每一店铺信息对应的时空特征数据,并将每一行业的店铺信息的位置信息与对应的时空特征数据,确定为行业时空数据库,从而能够得到准确的行业时空数据库,后续在预测或训练时可以快速高效地计算得到时空特征数据,提高预测效率。
作为一个可选的实施方式,该装置还包括区域数据库确定模块,用于在输入获取模块201获取选址用户输入的选址行业和选址区域之前,执行以下步骤:
对于任一行业,获取该行业的多个店铺信息;
确定每一店铺信息对应的位置信息和区域信息;
将每一区域信息与对应的区域中的所有行业的店铺信息的位置信息,确定为区域位置数据库。
本实施方式的其中一个目的在于,收集多个行业的店铺信息的位置信息并确定出对应的区域信息,以得到区域位置数据库该数据库在预测时可以用于确定出区域中包含的候选位置点。
在一个具体的实施方案中,针对需要建模的行业,在自有的行业库中查询该行业的中的所有品牌及其店铺的位置信息,将当前行业中已经开设店铺的地理位置作为正例,对于每一个正例样本,我们在其半径范围内筛选非当前行业的店铺位置作为负例。在获取到正负样例后,通过地理位置信息(经纬度)将点位映射到150m*150m的地理空间网格上(grid),以得到区域对应的多个位置信息。
可见,通过实施该可选的实施方式,能够将每一区域信息与对应的区域中的所有行业的店铺信息的位置信息,确定为区域位置数据库,从而能够得到准确的区域位置数据库,后续在预测时可以快速高效地计算得到候选位置点,提高预测效率。
作为一个可选的实施方式,时空数据库确定模块根据每一店铺信息对应的区域信息,确定每一店铺信息对应的时空特征数据的具体方式,包括:
根据每一店铺信息对应的区域信息,从预设的区域时空数据库中,确定每一店铺信息对应的区域时空数据;
将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的时空特征数据。
可选的,区域时空数据包括POI点位数据、交通站点数据、路网结构数据、业态分布数据、人口统计数据、店铺点评数据、人流轨迹数据、物流轨迹数据和车流轨迹数据中的至少一种。
在一个具体的实施方案中,通过Hive数据仓库工具从多源数据仓库中抽取对应网格的区域时空数据,区域时空数据主要可以分成静态时空数据和动态时空数据。其中,静态时空数据主要包括POI点位数据、交通站点数据、路网结构数据、业态分布数据、人口统计数据以及店铺点评数据,动态时空数据主要包括人流、物流、车流等轨迹信息。在获取到网格上的时空数据后,通过Spark框架构建分布式的特征工程管道,用于处理特征数据以及构建高阶特征。具体的,可以通过该特征工程管道,基于区域时空数据,计算得到三个类别的时空特征数据,首先是地理空间相关的特征,主要包括点位密集程度、公共交通便利性,道路可达性等;其次是商业特征,主要包括各个商业类别的占比,竞争性水平,商业多样性水平以及商业口碑分布等;最后是人相关特征,主要包括场常驻人口分布、工作人口分布、年龄段分布、不同时段的聚合轨迹等特征。在特征工程后得到模型预测或训练需要的行业数据集,整个数据准备过程都是在离线分布式状态下完成。
可见,通过实施该可选的实施方式,能够将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的时空特征数据,从而能够高效快速地计算得到准确的时空特征数据,提高后续预测的效率和准确率。
作为一个可选的实施方式,该装置还包括特征评估模块,用于在训练选址评分算法模型时,利用选址评分算法模型中的特征评估算法模型,对训练时空特征数据进行评估筛选,以得到重要性水平更高的优选特征数据。
可选的,特征评估算法模型包括GBDT算法模型和TabNet算法模型中的至少一种。
相应的,时空数据库确定模块将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的时空特征数据的具体方式,包括:
将每一店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一店铺信息对应的多个候选时空特征数据;
将每一店铺信息对应的多个候选时空特征数据中与优选特征数据的数据参数相同的候选时空特征数据,确定为每一店铺信息对应的时空特征数据。
在一个具体的实施方案中,对于GBDT系列算法或TabNet算法等可以对原始特征重要性进行评估的算法,利用其对训练模型所产生的数据特征进行特征分析,筛选出重要性水平较高的特征,用于进一步指导特征工程,优化模型。
可见,通过该可选的实施方式,可以利用特征评估算法模型评估筛选得到重要性水平更高的优选特征数据,并在后续将每一店铺信息对应的多个候选时空特征数据中与优选特征数据的数据参数相同的候选时空特征数据,确定为每一店铺信息对应的时空特征数据,从而能够借用部分算法模型进行特征评估操作,以最终得到重要性水平更高的时空特征数据,提高预测的准确率。
实施例三
请参阅图3,图3是本发明实施例公开的又一种适用于多行业的店铺选址装置。图3所描述的适用于多行业的店铺选址装置应用于适用于店铺选址的数据处理芯片、处理终端或处理服务器(其中,该服务器可以为本地服务器或云服务器)中。如图3所示,该适用于多行业的店铺选址装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
其中,处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的适用于多行业的店铺选址方法的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的适用于多行业的店铺选址方法的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的适用于多行业的店铺选址方法的步骤。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种适用于多行业的店铺选址方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种适用于多行业的店铺选址方法,其特征在于,所述方法包括:
获取选址用户输入的选址行业和选址区域;
根据所述选址区域,以及预设的区域位置数据库,确定出所述选址区域内的多个候选位置点;
根据所述选址行业,从预设的行业时空数据库中,确定出每一所述候选位置点对应的所述选址行业的时空特征数据;
将每一所述候选位置点对应的所述选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一所述候选位置点对应的选址评分参数;所述选址评分算法模型根据包括有多个所述选址行业对应的训练店铺位置和训练时空特征数据的训练数据集训练得到;
根据所有所述候选位置点对应的选址评分参数,确定所述选址用户对应的目标店铺选址。
2.根据权利要求1所述的适用于多行业的店铺选址方法,其特征在于,在所述获取选址用户输入的选址行业和选址区域之前,所述方法还包括:
对于任一行业,获取该行业的多个店铺信息;
确定每一所述店铺信息对应的位置信息和区域信息;
根据每一所述店铺信息对应的所述区域信息,确定每一所述店铺信息对应的时空特征数据;
将每一所述行业的所述店铺信息的所述位置信息与对应的所述时空特征数据,确定为行业时空数据库。
3.根据权利要求1所述的适用于多行业的店铺选址方法,其特征在于,在所述获取选址用户输入的选址行业和选址区域之前,所述方法还包括:
对于任一行业,获取该行业的多个店铺信息;
确定每一所述店铺信息对应的位置信息和区域信息;
将每一所述区域信息与对应的区域中的所有所述行业的所述店铺信息的位置信息,确定为区域位置数据库。
4.根据权利要求1-3任一项所述的适用于多行业的店铺选址方法,其特征在于,所述时空特征数据包括地理特征数据、商业特征数据和用户特征数据中的至少一种;所述地理特征数据包括点位密集程度特征、公共交通便利性特征和道路可达性特征中的至少一种;所述商业特征数据包括各个商业类别的占比特征,竞争性水平特征,商业多样性水平特征以及商业口碑分布特征中的至少一种;所述用户特征数据包括常驻人口分布特征、工作人口分布特征、用户年龄段分布特征和不同时段的聚合轨迹特征中的至少一种。
5.根据权利要求2所述的适用于多行业的店铺选址方法,其特征在于,所述根据每一所述店铺信息对应的所述区域信息,确定每一所述店铺信息对应的时空特征数据,包括:
根据每一所述店铺信息对应的所述区域信息,从预设的区域时空数据库中,确定每一所述店铺信息对应的区域时空数据;
将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的时空特征数据。
6.根据权利要求5所述的适用于多行业的店铺选址方法,其特征在于,所述区域时空数据包括POI点位数据、交通站点数据、路网结构数据、业态分布数据、人口统计数据、店铺点评数据、人流轨迹数据、物流轨迹数据和车流轨迹数据中的至少一种。
7.根据权利要求1所述的适用于多行业的店铺选址方法,其特征在于,所述选址评分算法模型包括GBDT算法模型、MLP算法模型、ResNet算法模型、NODE算法模型、TabNet算法模型和基于Transformer架构的算法模型中的至少一种。
8.根据权利要求5所述的适用于多行业的店铺选址方法,其特征在于,所述方法还包括:
在训练所述选址评分算法模型时,利用所述选址评分算法模型中的特征评估算法模型,对所述训练时空特征数据进行评估筛选,以得到重要性水平更高的优选特征数据;
以及,所述将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的时空特征数据,包括:
将每一所述店铺信息对应的区域时空数据输入至基于Spark框架的计算模型中,以计算得到每一所述店铺信息对应的多个候选时空特征数据;
将每一所述店铺信息对应的多个候选时空特征数据中与所述优选特征数据的数据参数相同的候选时空特征数据,确定为每一所述店铺信息对应的时空特征数据。
9.一种适用于多行业的店铺选址装置,其特征在于,所述装置包括:
输入获取模块,用于获取选址用户输入的选址行业和选址区域;
第一确定模块,用于根据所述选址区域,以及预设的区域位置数据库,确定出所述选址区域内的多个候选位置点;
第二确定模块,用于根据所述选址行业,从预设的行业时空数据库中,确定出每一所述候选位置点对应的所述选址行业的时空特征数据;
选址评分模块,用于将每一所述候选位置点对应的所述选址行业的时空特征数据,输入至训练好的选址评分算法模型中,以得到每一所述候选位置点对应的选址评分参数;所述选址评分算法模型根据包括有多个所述选址行业对应的训练店铺位置和训练时空特征数据的训练数据集训练得到;
选址确定模块,用于根据所有所述候选位置点对应的选址评分参数,确定所述选址用户对应的目标店铺选址。
10.一种适用于多行业的店铺选址装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-8任一项所述的适用于多行业的店铺选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926714.XA CN115187311A (zh) | 2022-08-03 | 2022-08-03 | 适用于多行业的店铺选址方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926714.XA CN115187311A (zh) | 2022-08-03 | 2022-08-03 | 适用于多行业的店铺选址方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187311A true CN115187311A (zh) | 2022-10-14 |
Family
ID=83520598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210926714.XA Pending CN115187311A (zh) | 2022-08-03 | 2022-08-03 | 适用于多行业的店铺选址方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187311A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151839A (zh) * | 2023-04-18 | 2023-05-23 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
CN116451963A (zh) * | 2023-04-21 | 2023-07-18 | 中国测绘科学研究院 | 一种基于集成学习的多因子养老服务设施优化配置的方法 |
CN116595978A (zh) * | 2023-07-14 | 2023-08-15 | 腾讯科技(深圳)有限公司 | 对象类别识别方法、装置、存储介质及计算机设备 |
-
2022
- 2022-08-03 CN CN202210926714.XA patent/CN115187311A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151839A (zh) * | 2023-04-18 | 2023-05-23 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
CN116151839B (zh) * | 2023-04-18 | 2023-06-27 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
CN116451963A (zh) * | 2023-04-21 | 2023-07-18 | 中国测绘科学研究院 | 一种基于集成学习的多因子养老服务设施优化配置的方法 |
CN116451963B (zh) * | 2023-04-21 | 2023-11-07 | 中国测绘科学研究院 | 一种基于集成学习的多因子养老服务设施优化配置的方法 |
CN116595978A (zh) * | 2023-07-14 | 2023-08-15 | 腾讯科技(深圳)有限公司 | 对象类别识别方法、装置、存储介质及计算机设备 |
CN116595978B (zh) * | 2023-07-14 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 对象类别识别方法、装置、存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115187311A (zh) | 适用于多行业的店铺选址方法及装置 | |
CN108876032A (zh) | 一种对象选址的数据处理方法、装置、设备及系统 | |
TW201933232A (zh) | 店鋪資訊推薦方法、裝置及用戶端 | |
CN108418825A (zh) | 风险模型训练、垃圾账号检测方法、装置以及设备 | |
CN107358247B (zh) | 一种确定流失用户的方法及装置 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN110119860A (zh) | 一种垃圾账号检测方法、装置以及设备 | |
CN110826894A (zh) | 超参数确定方法、装置及电子设备 | |
CN114239947A (zh) | 基于多特征的店铺销售效果预测方法及装置 | |
CN111597279B (zh) | 基于深度学习的信息预测方法及相关设备 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
CN115187772A (zh) | 目标检测网络的训练及目标检测方法、装置及设备 | |
CN112559575A (zh) | 一种搜索处理方法、客服信息处理方法及装置 | |
CN117215728A (zh) | 一种基于代理模型的仿真模拟方法、装置及电子设备 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN107016044B (zh) | 一种数据可视化处理的方法及装置 | |
CN115204311A (zh) | 店铺选址模型训练方法及装置 | |
KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
CN114239944A (zh) | 真实人群数量预测方法及装置 | |
CN113205377A (zh) | 一种信息推荐的方法及装置 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN113902356A (zh) | 区域流量数据分析方法及装置 | |
CN114820039A (zh) | 商业门店选址方法及装置 | |
CN115641430B (zh) | 一种兴趣面确定方法、装置、介质及计算机设备 |
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 |