CN115310735A - 商圈边界识别的方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种商圈边界识别的方法、装置、设备及存储介质。具体包括：获取待识别的目标商圈内的基站的第一关键指标数据和所述第一关键指标数据对应的权重值，所述第一关键指标数据包括人群密度数据，驻留时长数据以及常驻地数据，所述目标商圈为网格化的商圈；根据所述第一关键指标数据和所述权重值，确定商圈的中心基站；根据所述第一关键指标数据和所述中心基站的第二关键指标数据，利用预设计算模型，确定商圈的第一边界网格；根据所述第一边界网格的第三关键指标数据，利用预设边界识别算法，确定所述目标商圈的商圈边界。根据本申请实施例，通过基于商圈内多维度数据的识别分析，可以提升对商圈边界识别的准确率。

Description

商圈边界识别的方法、装置、设备及存储介质

技术领域

本申请属于通信技术领域，尤其涉及一种商圈边界识别的方法、装置、设备及存储介质。

背景技术

随着社会经济水平发展，商业活动产生了各式各样的商圈。商圈没有严格的标准定义，一般是指人群发生了频繁的交易活动和社交活动的一个较小区域。

目前，在相关的商圈识别技术中，基于人流商户数据，利用区域网格技术，来识别确定商圈的边界。但是，相关技术仍存在着一些缺陷，导致对商圈边界识别准确率不高。

发明内容

本申请实施例提供一种商圈边界识别的方法、装置、设备及计算机存储介质，能够通过对商圈内多维度的数据的识别分析，可以提升对商圈边界识别的准确率。

第一方面，本申请实施例提供一种商圈边界识别的方法，方法包括：

获取待识别的目标商圈内的基站的第一关键指标数据和所述第一关键指标数据对应的权重值，所述第一关键指标数据包括人群密度数据，驻留时长数据以及常驻地数据，所述目标商圈为网格化的商圈；

根据所述第一关键指标数据和所述权重值，确定商圈的中心基站；

根据所述第一关键指标数据和所述中心基站的第二关键指标数据，利用预设计算模型，确定商圈的第一边界网格；

根据所述第一边界网格的第三关键指标数据，利用预设边界识别算法，确定所述目标商圈的商圈边界。

可选的，所述根据所述第一关键指标数据和所述权重值，确定商圈的中心基站，包括：

根据所述第一关键指标数据和权重值，计算得到所述基站的指标分数；

当所述指标分数不小于预设指标阈值时，将所述基站确定为第一子中心基站；

根据所述第一子中心基站的指标分数和预设距离阈值确定所述中心基站。

可选的，所述基站包括第一基站和第二基站，第一基站为所述商圈内的任一基站；所述第二基站为与所述第一基站的距离小于等于预设距离的基站；

根据所述第一关键指标数据和权重值，计算得到所述基站的指标分数，包括：

根据所述第一基站的第一关键指标数据和权重值，以及第二基站第一关键指标数据和权重值，计算得到所述基站的指标分数。

可选的，所述预设计算模型包括第一计算子模型，第二计算子模型以及第三计算子模型，所述根据所述第一关键指标数据和所述中心基站的第二关键指标数据，利用预设计算模型，确定第一边界网格，包括：

利用所述第一计算子模型，对所述第一关键指标数据中的人群密度数据和所述第二关键指标数据中的人群密度数据进行计算，得到人群密度数据的指标等级；

利用所述第二计算子模型，对所述第一关键指标数据中的驻留时长数据和所述第二关键指标数据中的驻留时长数据进行计算，得到驻留时长数据的指标等级；

利用所述第三计算子模型，对所述第一关键指标数据中的常驻地数据和所述第二关键指标数据中的常驻地数据进行计算，得到常驻地数据的指标等级；

根据所述人群密度指标等级，所述驻留时长指标等级以及所述常驻地指标等级，确定所述第一边界网格。

可选的，所述根据所述第一边界网格的第三关键指标数据，利用预设边界识别算法，确定所述目标商圈的商圈边界，包括：

计算所述第三关键指标数据的指标等级的相似度；

根据所述相似度确定所述第三关键指标数据的权重；

根据所述第三关键指标数据和所述第三关键指标数据对应的所述权重，确定所述第一边界网格的潜力值；

确定所述潜力值满足预设边界条件的所述第一边界网格为所述目标商圈的商圈边界。

可选的，所述确定所述潜力值满足预设边界条件的所述第一边界网格为所述目标商圈的商圈边界，包括：

当所述第一边界网格的潜力值满足预设边界条件时，对所述第一边界网格的所述第三关键指标数据进行回归处理，得到所述目标商圈的商圈边界。

可选的，根据所述第三关键指标数据和所述第三关键指标数据对应的所述权重，确定所述第一边界网格的潜力值，包括：

获取所述第一边界网格内的用户行为数据；

结合所述用户行为数据，以及所述第三关键指标数据和所述第三关键指标数据对应的所述权重，确定所述第一边界网格的潜力值。

可选的，所述计算所述第三关键指标数据的指标等级的相似度，包括：

根据预设指标等级条件，对所述第三关键指标数据的指标等级进行筛选；

计算筛选后的第三关键指标数据的指标等级的相似度。

第二方面，本申请实施例提供了一种商圈边界识别的装置，装置包括：

获取模块，用于获取待识别的目标商圈内的基站的第一关键指标数据和所述第一关键指标数据对应的权重值，所述第一关键指标数据包括人群密度数据，驻留时长数据以及常驻地数据，所述目标商圈为网格化的商圈；

确定模块，用于根据所述第一关键指标数据和所述权重值，确定商圈的中心基站；

计算模块，用于根据所述第一关键指标数据和所述中心基站的第二关键指标数据，利用预设计算模型，确定商圈的第一边界网格；

识别模块，用于根据所述第一边界网格的第三关键指标数据，利用预设边界识别算法，确定所述目标商圈的商圈边界。

第三方面，本申请实施例提供了一种商圈边界识别的设备，设备包括：

处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如第一方面和第一方面可选的任意一项所述的商圈边界识别的方法。

第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面和第一方面可选的任意一项所述的商圈边界识别的方法。

本申请实施例的商圈边界识别的方法、装置、设备及计算机存储介质，能够利用预设计算模型和预设边界识别算法对网格化商圈内的基站的关键指标数据进行分析，完成对网格化的商圈的边界的识别，该关键指标数据可以包括人群密度数据，驻留时长数据以及常驻地数据。由此，通过对商圈内多维度的数据的识别分析，可以提升对商圈边界识别的准确率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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是本申请一些实施例提供的商圈边界识别的方法的流程示意图；

图2是本申请一些实施例提供的商圈边界识别的方法的应用场景的示意图；

图3是本申请一些实施例提供的商圈边界识别的过程的示意图；

图4是本申请一些实施例提供的商圈中心基站位置网格的示意图；

图5是本申请一些实施例提供的人群密度数据的指标等级网格的示意图；

图6是本申请一些实施例提供的驻留时长数据的指标等级网格的示意图；

图7是本申请一些实施例提供的常驻地数据的指标等级网格的示意图；

图8是本申请一些实施例提供的确定商圈边界网格过程的示意图；

图9是本申请一些实施例提供的商圈边界识别的装置的结构示意图；

图10是本申请一些实施例提供的商圈边界识别的设备的硬件结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本申请，并不被配置为限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

随着社会经济水平发展，商业活动产生了各式各样的商圈。商圈没有严格的标准定义，一般是指人群发生了频繁的交易活动和社交活动的一个较小区域，但商圈的范围主要还是存在于主观印象中，其范围对需要依托商圈进行商业活动的用户来说不易确定。

目前，商圈的绘制主要依靠商圈负责人员的经验和认识，手动在电子地图绘制出商圈的范围，或者是基于人流商户数据，利用区域网格技术，来确定商圈的范围边界。

但是，相关技术仍存在着一些缺陷，例如不同的操作人员会划分出不同的商圈范围，参考的数据单一，导致对商圈边界识别准确率不高。

为了解决现有技术问题，本申请实施例提供了一种商圈边界识别的方法、装置、设备及计算机存储介质，通过对商圈内多维度的数据的识别分析，可以提升对商圈边界识别的准确率。

下面结合附图，描述根据本申请实施例提供的商圈边界识别的方法、装置、设备及计算机存储介质。应注意，这些实施例并不是用来限制本申请公开的范围。

下面首先对本申请实施例所提供的商圈边界识别的方法进行介绍。

图1是本申请一些实施例提供的商圈边界识别的方法的流程示意图。如图1所示，在本申请实施例中，该商圈边界识别的方法，可以实施为如下步骤：

S101：获取待识别的目标商圈内的基站的第一关键指标数据和第一关键指标数据对应的权重值。

第一关键指标数据即基站的关键指标数据。该第一关键指标数据可以包括人群密度数据，驻留时长数据以及常驻地数据。

在本申请一些实施例中，基站的关键指标数据可以是根据获取的测量报告(Measurement Report，MR)数据和信令数据确定的。

在本申请一些实施例中，目标商圈可以为网格化的商圈。

S102：根据第一关键指标数据和权重值，确定商圈的中心基站。

S103：根据第一关键指标数据和中心基站的第二关键指标数据，利用预设计算模型，确定商圈的第一边界网格。

第二关键指标数据即可以为中心基站的关键指标数据。该第二关键指标数据也可以包括人群密度数据，驻留时长数据以及常驻地数据。

S104：根据第一边界网格的第三关键指标数据，利用预设边界识别算法，确定目标商圈的商圈边界。

第三关键指标数据即可以为第一边界网格的关键指标数据。该第三关键指标数据也可以包括人群密度数据，驻留时长数据以及常驻地数据。

由此，本申请实施例中的商圈边界识别的方法，能够利用预设计算模型和预设边界识别算法对网格化商圈内的基站的关键指标数据进行分析，完成对网格化的商圈的边界的识别，该关键指标数据可以包括人群密度数据，驻留时长数据以及常驻地数据。由此，通过对商圈内多维度的数据的识别分析，可以提升对商圈边界识别的准确率。

为了更详细的说明本申请实施例中的商圈边界识别的方法，在本申请一些实施例中，该S102可以包括：

首先，根据第一关键指标数据和权重值，计算得到基站的指标分数。

然后，当指标分数不小于预设指标阈值时，将基站确定为第一子中心基站。

最后，根据第一子中心基站的指标分数和预设距离阈值确定中心基站。

在本申请一些实施例中，基站可以包括第一基站和第二基站。第一基站可以为目标商圈内的任一基站。第二基站可以为与第一基站的距离小于等于预设距离的基站。

在本申请一些实施例中，根据第一关键指标数据和权重值，计算得到基站的指标分数可以包括：

根据第一基站的第一关键指标数据和权重值，以及第二基站第一关键指标数据和权重值，计算得到基站的指标分数。

在本申请一些实施例中，可以利用如下公式(1)计算得到基站的指标分数。

其中，i＝1,2，3…,j＝1,2,3…；S_j表示第j个基站的指标分数。q_i表示权重值，k₁表示第一基站的第一关键指标数据，k_i表示第二基站的第一关键指标数据。

当该基站的指标分数不小于预设指标阈值时，将该基站确定为第一子中心基站。

示例性的，预设指标阈值可以为1。当基站的指标分数不小于1时，表示该基站的关键指标优于预设距离范围内的其他基站，即可以将该基站确定为第一子中心基站。

在本申请一些实施例中，第一子中心基站可以表征待定的中心基站。预设距离范围内可以计算得到多个第一子中心基站。

然后，分别将每两个第一子中心基站之间的距离和预设距离阈值进行匹配，可以将距离达到预设距离阈值的第一子中心基站合并，再结合第一子中心基站的指标分数，将指标分数较高的基站作为该商圈的中心基站。

在本申请一些实施例中，还可以根据第一子中心基站属性筛选出符合商圈定义的中心基站。

在本申请一些实施例中，还可以从中心基站维表提取规定地市基站属性信息数据，截取基站有效的地址信息作为商圈的名称。

这里，通过遍历待识别的目标商圈的网格内的基站，计算每个基站的关键指标数据，以确定可以有效地表征目标商圈的中心基站。基于该中心基础进行后续的商圈边界识别时，可以进一步地保证识别的准确性。

在本申请一些实施例中，预设计算模型可以包括第一计算子模型，第二计算子模型以及第三计算子模型，S103可以通过如下方式实施：

利用第一计算子模型，对第一关键指标数据中的人群密度数据和第二关键指标数据中的人群密度数据进行计算，得到人群密度数据的指标等级。

这里，首先，可以依据预设时间段，对第一关键指标数据中的人群密度数据进行时间分类处理。然后，利用第二关键指标数据中的人群密度数据，即中心基站的人群密度数据，确定人群密度指标等级标准。结合人群密度指标等级标准，对时间分类处理后第一关键指标数据中的人群密度数据进行等级标记和筛选，得到目标商圈内每个网格的人群密度数据的指标等级。

示例性的，预设时间段可以包括工作日的各时间段，节假日的各时间段。

利用第二计算子模型，对第一关键指标数据中的驻留时长数据和第二关键指标数据中的驻留时长数据进行计算，得到驻留时长数据的指标等级。

这里，首先，可以依据预设驻留时长，对第一关键指标数据中的驻留时长数据进行时长分类处理。然后，利用第二关键指标数据中的驻留时长数据，即中心基站的驻留时长数据，确定驻留时长指标等级标准。结合驻留时长指标等级标准，对时长分类处理后第一关键指标数据中的驻留时长数据进行等级标记和筛选，得到目标商圈内每个网格的驻留时长数据的指标等级。

利用第三计算子模型，对第一关键指标数据中的常驻地数据和第二关键指标数据中的常驻地数据进行计算，得到常驻地数据的指标等级。

这里，首先，可以依据预设常驻地类型，对第一关键指标数据中的常驻地数据进行分类处理。然后，利用第二关键指标数据中的常驻地数据，即中心基站的常驻地数据，确定常驻地指标等级标准。结合驻地指标等级标准，对分类处理后第一关键指标数据中的常驻地数据进行等级标记和筛选，得到目标商圈内每个网格的常驻地数据的指标等级。

通过上述方式得到各项指标等级后，可以根据人群密度指标等级，驻留时长指标等级以及常驻地指标等级，确定第一边界网格。

在本申请一些实施例中，将标记有人群密度指标等级，驻留时长指标等级以及常驻地指标等级的目标商圈网格重叠，得到具有标记信息的目标商圈网格。基于标记信息的目标商圈网格，可以确定该目标商圈的第一边界网格。示例性的，任意一个网格的相邻的网格若没有标记信息，则该网格可以作为一个第一边界网格。

基于此，本申请实施例的商圈边界识别的方法，将用户的驻留时长数据、常驻地数据以及人群密度的数据作为分析商圈边界的主要特征，即关键指标数据，并通过不同时段的关键指标数据对商圈的影响进行分析。同时，采用了根据对网格用户常驻地种类的计算，实现对网格人群的种类分析，实现多元的商圈数据分析，确保了商圈计算的数据可靠性、数据链的完整性，丰富了数据分析维度，即解决了参考数据较单一的问题。

此外，由于引用了用户驻留时长这一特征行为，降低了因路过人数过多导致的无效人流对商圈边界识别的影响。对工作日、节假日以及时段的人流和人群驻留时长分析，还可以实现部分次级商圈以及商圈边界的识别，也可以提高商圈边界的识别率。

在本申请一些实施例中，该预设计算模型可以包括第一计算子模型，第二计算子模型以及第三计算子模型，S104可以通过如下方式实施：

首先，计算第三关键指标数据的指标等级的相似度。

其次，根据相似度确定第三关键指标数据的权重。

再次，根据第三关键指标数据和第三关键指标数据对应的权重，确定第一边界网格的潜力值。

最后，确定潜力值满足预设边界条件的第一边界网格为目标商圈的商圈边界。

在一些实施例中，可以先对第三关键指标数据进行预处理。

根据预设指标等级条件，对第三关键指标数据的指标等级进行筛选。然后，计算筛选后的第三关键指标数据的指标等级的相似度。

在一些实施例中，预设边界条件可以包括预设潜力值等级。示例性的，预设潜力值等级可以是等级3至5。

在一些实施例中，当第一边界网格的潜力值满足预设边界条件时，对第一边界网格的第三关键指标数据进行回归处理，得到目标商圈的商圈边界。

示例性的，可以对第一边界网格的第三关键指标数据进行回归检验，以得到目标商圈的商圈边界。

在一些实施例中，根据第三关键指标数据和第三关键指标数据对应的权重，确定第一边界网格的潜力值，还可以包括：

获取第一边界网格内的用户行为数据。

结合用户行为数据，以及第三关键指标数据和第三关键指标数据对应的权重，确定第一边界网格的潜力值。

这里，用户行为数据可以是从用户终端获取的行为数据。用户行为数据可以包括用户支付时长数据，用户历史行为数据中的至少一项。

基于此，本申请实施例的商圈边界识别的方法，根据对待识别的商圈内的常驻用户数据分析，如工作人数、居住人数、流动人数的分类分析，并结合对用户在商圈内的交易行为特征进行模拟计算，如使用支付工具等，提高对商圈的边界计算的准确性。

并且，根据商圈网格边界的潜力值以及预设潜力值等级，识别商圈的边界。并再对识别得到商圈边界进行回归处理，降低商圈边界重叠，进一步地提升准确率低等问题。

为了更好的理解本申请实施例中的商圈边界识别的方法，现结合应用实例对该方法详细说明。图2是本申请一些实施例提供的商圈边界识别的方法的应用场景的示意图。如图2所示，商圈边界识别平台可以获取并存储基站的用户轨迹数据，以及商圈边界识别平台可以接收并存储终端的上传用户行为数据。商圈边界识别平台，利用预设计算模型和预设边界识别算法，对用户轨迹数据和用户行为数据等关键指标数据进行识别分析，得到目标商圈的商圈边界。

图3是本申请一些实施例提供的商圈边界识别的过程的示意图。如图3所示，在本申请一些实施例中，商圈边界识别的方法可以应用于商圈边界识别平台，确定商圈边界可以包括如步骤：

S201：确定商圈中心基站。

在本申请一些实施例中，首先，遍历待识别的商圈的每个网格中的基站，计算各基站的关键指标数据的指标分数。

示例性的，选取任意基站为中心点，以该中心点原点，预设距离为半径，圈定覆盖区域。基于中心点基站与覆盖范围内所有基站的关键指标数据，对每项关键指标数据具有预设权重值，计算每个基站的指标分数。若任一基站的指标分数大于圈定的覆盖区域内90％以上的基站，则可以确定该基站为待定中心基站，圈定的覆盖区域内可以包括多个待定中心基站。

然后，根据待定中心基站之间的距离，合并待定中心基站，并根据基站属性筛选出符合商圈定义的中心基站。从基站维表提取规定地市基站属性信息数据，截取基站有效的地址信息作为商圈的名称。

如图4所示，图4是本申请一些实施例提供的商圈中心基站位置网格的示意图。示例性的，位置1，位置2，位置3可以分别表示第一子中心基站位置，即待定中心基站。

可以理解的是，根据待定中心基站之间的距离，还可以将待定中心基站划分至其他商圈。这里，划分出去的待定中心基站可以参与下一次的基站对比。

S202：商圈网格内关键指标数据分析。

其中，关键指标数据分析包括MR位置递归，驻留时长分层，用户交易行为分析以及用户历史数据分析。

图5是本申请一些实施例提供的人群密度数据的指标等级网格的示意图。

如图5所示，示例性的，首先，利用MR数据计算各网格内人群密度数据，并结合工作日的各时间段，节假日的各时间段，对人群密度数据进行分类。例如，工作日的各时间段可以为工作日的6点至12点，12点至19点以及19点至24点。

然后，根据中心基站的人群密度数据设置人群密度数据指标等级标准，例如设置1至5级的指标等级标准。根据该指标等级标准对网格中的指标进行分级，得到每个网格的人群密度数据的指标等级。此外，还可以利用趋势数据分析，清洗异常数据，确保数据离散至符合数据约定。

图6是本申请一些实施例提供的驻留时长数据的指标等级网格的示意图。

如图6所示，示例性的，首先，将获取的MR数据与信令数据进行关联，计算各网格内用户的驻留时长数据。并结合预设时长类型，对驻留时长数据进行分类。例如，预设时长类型可以包括3小时，5小时或者8小时。

然后，根据中心基站的驻留时长数据设置驻留时长指标等级标准，例如设置1至5级的指标等级标准。根据该驻留时长指标等级标准对网格中的指标进行分级，得到每个网格的驻留时长数据的指标等级。此外，还可以利用预设驻留时长模型，剔除路过用户和夜间停留等类型用户的干扰，使数据在置信区间内波动。

图7是本申请一些实施例提供的常驻地数据的指标等级网格的示意图。

如图7所示，示例性的，首先，将获取的MR数据与信令数据进行关联，计算各网格内用户的常驻地数据。并结合预设常驻地类型，对常驻地数据进行分类。例如，预设常驻地类型可以包括工作地，居住地等。

然后，根据中心基站的常驻地数据设置常驻地数据的指标等级标准，例如设置1至5级的指标等级标准。根据该常驻地指标等级标准对网格中的指标进行分级，得到每个网格的常驻地数据的指标等级。此外，还可以利用预设驻留时长模型，剔除路过用户和夜间停留等类型用户的干扰，使数据在置信区间内波动。

S203：确定网格边界潜力值；

S204：判断网格边界潜力值是否大于网格边界阈值。

若为是执行S202。

若为否执行S205：确定商圈边界。

在本申请一些实施例中，图8是本申请一些实施例提供的确定商圈边界网格的示意图。如图8所示，商圈网格内的标记了各项关键指标数据。对商圈网格进行筛选，将关键指标等级低于预设指标等级下限的网格进行剔除。

再对筛选后的网格内的各指标等级计算相似度。根据相似度对各项指标进行赋权，得到对应的权重值。基于网格内的各指标等级和对应的权重值，计算商圈边界网格潜力值。

在本申请一些实施例中，网格内存在缺省的关键指标数据时，可以按照用户常驻类型数>用户驻留时长>人群密度>用户行为数据，例如支付工具app时长进行等级排序，根据该等级排序进行网格边界潜力值计算。

可以理解的是，网格边界潜力值越低，代表网格越不会成为商圈边界，可以在相邻的网格中继续遍历。

对商圈网格潜力值进行排名，选择潜力值满足预设潜力值等级的网络作为边界网格。预设潜力值等级即为网格边界阈值。

为了确保商圈的边界只属于单一商圈，不存在商圈重叠，还可以对商圈边界进行归回检验。

综上，本申请实施例中的商圈边界识别的方法，能够利用预设计算模型和预设边界识别算法对网格化商圈内的基站的关键指标数据进行分析，完成对网格化的商圈的边界的识别，该关键指标数据可以包括人群密度数据，驻留时长数据以及常驻地数据。由此，通过对商圈内多维度的数据的识别分析，可以提升对商圈边界识别的准确率。

基于上述实施例提供的商圈边界识别的方法，相应地，本申请还提供了商圈边界识别的装置的具体实现方式。请参见以下实施例。

图9是本申请另一个实施例提供的商圈边界识别的装置的结构示意图。如图9所示，该商圈边界识别的装置可以包括：

获取模块901，用于获取待识别的目标商圈内的基站的第一关键指标数据和第一关键指标数据对应的权重值，第一关键指标数据包括人群密度数据，驻留时长数据以及常驻地数据，目标商圈为网格化的商圈；

确定模块902，用于根据第一关键指标数据和权重值，确定商圈的中心基站；

计算模块903，用于根据第一关键指标数据和中心基站的第二关键指标数据，利用预设计算模型，确定商圈的第一边界网格；

识别模块904，用于根据第一边界网格的第三关键指标数据，利用预设边界识别算法，确定目标商圈的商圈边界。

综上，在本申请实施例中，该商圈边界识别的装置可以用于执行商圈边界识别的方法，该方法能够利用预设计算模型和预设边界识别算法对网格化商圈内的基站的关键指标数据进行分析，完成对网格化的商圈的边界的识别，该关键指标数据可以包括人群密度数据，驻留时长数据以及常驻地数据。由此，通过对商圈内多维度的数据的识别分析，可以提升对商圈边界识别的准确率。

在本申请一些实施例中，确定模块902，还用于根据第一关键指标数据和权重值，计算得到基站的指标分数；

当指标分数不小于预设指标阈值时，将基站确定为第一子中心基站；

根据第一子中心基站的指标分数和预设距离阈值确定中心基站。

在本申请一些实施例中，基站包括第一基站和第二基站，第一基站为商圈内的任一基站；第二基站为与第一基站的距离小于等于预设距离的基站；

确定模块902，还用于根据第一基站的第一关键指标数据和权重值，以及第二基站第一关键指标数据和权重值，计算得到基站的指标分数。

在本申请一些实施例中，预设计算模型包括第一计算子模型，第二计算子模型以及第三计算子模型。

计算模块903，还用于利用第一计算子模型，对第一关键指标数据中的人群密度数据和第二关键指标数据中的人群密度数据进行计算，得到人群密度数据的指标等级；

利用第二计算子模型，对第一关键指标数据中的驻留时长数据和第二关键指标数据中的驻留时长数据进行计算，得到驻留时长数据的指标等级；

利用第三计算子模型，对第一关键指标数据中的常驻地数据和第二关键指标数据中的常驻地数据进行计算，得到常驻地数据的指标等级；

根据人群密度指标等级，驻留时长指标等级以及常驻地指标等级，确定第一边界网格。

在本申请一些实施例中，识别模块904，用于计算第三关键指标数据的指标等级的相似度；

根据相似度确定第三关键指标数据的权重；

根据第三关键指标数据和第三关键指标数据对应的权重，确定第一边界网格的潜力值；

确定潜力值满足预设边界条件的第一边界网格为目标商圈的商圈边界。

在本申请一些实施例中，识别模块904，用于当第一边界网格的潜力值满足预设边界条件时，对第一边界网格的第三关键指标数据进行回归处理，得到目标商圈的商圈边界。

在本申请一些实施例中，识别模块904，还用于获取第一边界网格内的用户行为数据；

结合用户行为数据，以及第三关键指标数据和第三关键指标数据对应的权重，确定第一边界网格的潜力值。

在本申请一些实施例汇总，识别模块904，还用于根据预设指标等级条件，对第三关键指标数据的指标等级进行筛选；计算筛选后的第三关键指标数据的指标等级的相似度。

图9所示装置中的各个模块/单元具有实现图1和3中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。

基于上述实施例提供的商圈边界识别的方法，相应地，本申请还提供了商圈边界识别的设备的具体实现方式。请参见以下实施例。

图10是本申请一些实施例提供的商圈边界识别的设备的硬件结构示意图。

商圈边界识别的设备可以包括处理器1001以及存储有计算机程序指令的存储器1002。

具体地，上述处理器1001可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器1002可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1002可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1002可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1002可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1002是非易失性固态存储器。在特定实施例中，存储器1002包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器1001通过读取并执行存储器1002中存储的计算机程序指令，以实现上述实施例中的任意一种商圈边界识别的方法。

在一个示例中，商圈边界识别的设备还可包括通信接口1003和总线1010。其中，如图10所示，处理器1001、存储器1002、通信接口1003通过总线1010连接并完成相互间的通信。

通信接口1003，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线1010包括硬件、软件或两者，将商圈边界识别的设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1010可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该商圈边界识别设备可以执行本申请实施例中的商圈边界识别的方法，从而实现结合图1和图3描述的商圈边界识别的方法。

另外，结合上述实施例中的商圈边界识别的方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种商圈边界识别的方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (11)

1.一种商圈边界识别的方法，其特征在于，包括：

获取待识别的目标商圈内的基站的第一关键指标数据和所述第一关键指标数据对应的权重值，所述第一关键指标数据包括人群密度数据，驻留时长数据以及常驻地数据，所述目标商圈为网格化的商圈；

根据所述第一关键指标数据和所述权重值，确定商圈的中心基站；

根据所述第一关键指标数据和所述中心基站的第二关键指标数据，利用预设计算模型，确定商圈的第一边界网格；

根据所述第一边界网格的第三关键指标数据，利用预设边界识别算法，确定所述目标商圈的商圈边界。

2.根据权利要求1所述的方法，其特征在于，

所述根据所述第一关键指标数据和所述权重值，确定商圈的中心基站，包括：

根据所述第一关键指标数据和权重值，计算得到所述基站的指标分数；

当所述指标分数不小于预设指标阈值时，将所述基站确定为第一子中心基站；

根据所述第一子中心基站的指标分数和预设距离阈值确定所述中心基站。

3.根据权利要求2所述的方法，其特征在于，所述基站包括第一基站和第二基站，第一基站为所述商圈内的任一基站；所述第二基站为与所述第一基站的距离小于等于预设距离的基站；

根据所述第一关键指标数据和权重值，计算得到所述基站的指标分数，包括：

根据所述第一基站的第一关键指标数据和权重值，以及第二基站第一关键指标数据和权重值，计算得到所述基站的指标分数。

4.根据权利要求1所述的方法，其特征在于，所述预设计算模型包括第一计算子模型，第二计算子模型以及第三计算子模型，所述根据所述第一关键指标数据和所述中心基站的第二关键指标数据，利用预设计算模型，确定第一边界网格，包括：

利用所述第一计算子模型，对所述第一关键指标数据中的人群密度数据和所述第二关键指标数据中的人群密度数据进行计算，得到人群密度数据的指标等级；

利用所述第二计算子模型，对所述第一关键指标数据中的驻留时长数据和所述第二关键指标数据中的驻留时长数据进行计算，得到驻留时长数据的指标等级；

利用所述第三计算子模型，对所述第一关键指标数据中的常驻地数据和所述第二关键指标数据中的常驻地数据进行计算，得到常驻地数据的指标等级；

根据所述人群密度指标等级，所述驻留时长指标等级以及所述常驻地指标等级，确定所述第一边界网格。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一边界网格的第三关键指标数据，利用预设边界识别算法，确定所述目标商圈的商圈边界，包括：

计算所述第三关键指标数据的指标等级的相似度；

根据所述相似度确定所述第三关键指标数据的权重；

根据所述第三关键指标数据和所述第三关键指标数据对应的所述权重，确定所述第一边界网格的潜力值；

确定所述潜力值满足预设边界条件的所述第一边界网格为所述目标商圈的商圈边界。

6.根据权利要求5所述的方法，其特征在于，所述确定所述潜力值满足预设边界条件的所述第一边界网格为所述目标商圈的商圈边界，包括：

当所述第一边界网格的潜力值满足预设边界条件时，对所述第一边界网格的所述第三关键指标数据进行回归处理，得到所述目标商圈的商圈边界。

7.根据权利要求5所述的方法，其特征在于，根据所述第三关键指标数据和所述第三关键指标数据对应的所述权重，确定所述第一边界网格的潜力值，包括：

获取所述第一边界网格内的用户行为数据；

结合所述用户行为数据，以及所述第三关键指标数据和所述第三关键指标数据对应的所述权重，确定所述第一边界网格的潜力值。

8.根据权利要求5所述的方法，其特征在于，所述计算所述第三关键指标数据的指标等级的相似度，包括：

根据预设指标等级条件，对所述第三关键指标数据的指标等级进行筛选；

计算筛选后的第三关键指标数据的指标等级的相似度。

9.一种商圈边界识别的装置，其特征在于，所述装置包括：

获取模块，用于获取待识别的目标商圈内的基站的第一关键指标数据和所述第一关键指标数据对应的权重值，所述第一关键指标数据包括人群密度数据，驻留时长数据以及常驻地数据，所述目标商圈为网格化的商圈；

确定模块，用于根据所述第一关键指标数据和所述权重值，确定商圈的中心基站；

计算模块，用于根据所述第一关键指标数据和所述中心基站的第二关键指标数据，利用预设计算模型，确定商圈的第一边界网格；

识别模块，用于根据所述第一边界网格的第三关键指标数据，利用预设边界识别算法，确定所述目标商圈的商圈边界。

10.一种商圈边界识别的设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如权利要求1至8任意一项所述的商圈边界识别的方法。

11.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1至8任意一项所述的商圈边界识别的方法。

Images