CN116228316A - 投放选址的确定方法、装置、电子设备及可读存储介质 - Google Patents

投放选址的确定方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN116228316A
CN116228316A CN202111463308.6A CN202111463308A CN116228316A CN 116228316 A CN116228316 A CN 116228316A CN 202111463308 A CN202111463308 A CN 202111463308A CN 116228316 A CN116228316 A CN 116228316A
Authority
CN
China
Prior art keywords
address
target
alternative
effect
information
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
CN202111463308.6A
Other languages
English (en)
Inventor
谢茵
朱静涛
彭辰
王茹
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.)
SF Technology Co Ltd
Original Assignee
SF Technology Co Ltd
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 SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN202111463308.6A priority Critical patent/CN116228316A/zh
Publication of CN116228316A publication Critical patent/CN116228316A/zh
Pending legal-status Critical Current

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
    • G06Q30/0241—Advertisements
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请提供一种投放选址的确定方法、装置、电子设备及计算机可读存储介质。该投放选址的确定方法包括：获取目标区域的各备选地址的投放参考信息；对各备选地址的投放参考信息进行数据预处理，得到各备选地址的目标入模参数，目标入模参数包括基于商品销量信息确定的第一入模参数、基于用户基础信息确定的第二入模参数、基于POI信息的确定第三入模参数中的至少一者；基于各备选地址的目标入模参数对各备选地址进行投放效果预测，得到各备选地址的目标投放效果；根据各备选地址的目标投放效果，从各备选地址中确定目标区域的目标投放地址。本申请中可以从大面积区域中选取出广告投放效果相对较高的地址，降低了信息的传达成本。

Description

投放选址的确定方法、装置、电子设备及可读存储介质
技术领域
本申请涉及数据处理技术领域，具体涉及一种投放选址的确定方法、装置、电子设备及计算机可读存储介质。
背景技术
线下广告是服务提供方向用户传达信息的重要方式，一般来说，通过线下广告可以在一定程度上提高用户转化率。
以往线下广告投放的选址主要依赖于广告投放人员的个人经验和渠道资源，然而，一方面，投放效果因人而异，因此通常会出现广告投放位置的投放效果较低情况；另一方面，调研投放选址也会消耗大量的人力物力。可见，现有的广告投放的选址方式存在投放效果较低、信息的传达成本较高的问题。
因此，如何从大面积区域中选取出广告投放效果相对较高的地址，以降低信息的传达成本，仍是亟待解决的问题。
发明内容
本申请提供一种投放选址的确定方法、装置、电子设备及计算机可读存储介质，旨在解决现有的广告投放的选址方式存在投放效果较低、信息的传达成本较高的问题。
第一方面，本申请提供一种投放选址的确定方法，所述方法包括：
获取目标区域的各备选地址的投放参考信息，其中，所述投放参考信息包括所述各备选地址的商品销量信息、用户基础信息、POI信息中的至少一者；
对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，其中，所述目标入模参数包括基于所述商品销量信息确定的第一入模参数、基于所述用户基础信息确定的第二入模参数、基于所述POI信息的确定第三入模参数中的至少一者；
基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址。
在本申请的一些实施例中，所述各备选地址的目标入模参数包括所述各备选地址的第一入模参数、第二入模参数和第三入模参数；
所述对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，包括：
对所述各备选地址的商品销量信息进行数据预处理，得到所述各备选地址的第一入模参数；
对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数；
对所述各备选地址的POI信息进行数据预处理，得到所述各备选地址的第三入模参数；
融合所述各备选地址的第一入模参数、第二入模参数和第三入模参数，得到所述各备选地址的目标入模参数。
在本申请的一些实施例中，所述第一入模参数包括所述各备选地址的历史销量指数、销量集中度指数和销量趋势指数中的至少一者，所述对所述各备选地址的商品销量信息进行数据预处理，得到所述各备选地址的第一入模参数，包括：
基于所述各备选地址的商品销量信息确定所述各备选地址的历史销量指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的商品销量信息确定所述各备选地址的商品销量集中度指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的商品销量信息确定所述各备选地址的商品销量趋势指数，得到所述各备选地址的第一入模参数。
在本申请的一些实施例中，所述第二入模参数包括所述各备选地址的群体指数，所述对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数，包括：
基于所述各备选地址的用户基础信息，获取所述各备选地址的各类别群体的占比；
基于所述各备选地址的用户基础信息，获取所述目标区域的各类别群体的占比；
基于所述各备选地址的各类别群体的占比和所述目标区域的各类别群体的占比，确定所述各备选地址的群体指数。
在本申请的一些实施例中，所述基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果，包括：
通过预先训练好的效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
所述方法还包括：
获取训练数据集，其中，所述训练数据集包括各样本地址的样本参考信息、以及所述各样本地址的样本投放效果；
对所述各样本地址的样本参考信息进行数据预处理，得到所述样本参考信息的样本入模参数；
基于所述样本投放效果和所述样本入模参数，对预设回归模型进行训练，得到所述效果预测模型。
在本申请的一些实施例中，所述预设回归模型包括L个，所述基于所述样本投放效果和所述样本入模参数，对预设回归模型进行训练，得到所述效果预测模型，包括：
基于所述样本投放效果和所述样本入模参数，分别对L个预设回归模型进行训练，得到L个所述效果预测模型；
所述通过预先训练好的效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果，包括：
通过预先训练好的L个效果预测模型中的每个效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，确定所述每个效果预测模型对应的投放效果，得到所述各备选地址的L个投放效果；
基于所述各备选地址的L个投放效果，确定所述各备选地址的目标投放效果。
在本申请的一些实施例中，所述各备选地址的目标投放效果包括所述各备选地址的销量提升量，所述根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址，包括：
从所述各备选地址中确定所述销量提升量符合预设条件的目标备选地址；
将所述目标备选地址作为所述目标投放地址。
第二方面，本申请提供一种投放选址的确定装置，所述投放选址的确定装置包括：
获取单元，用于获取目标区域的各备选地址的投放参考信息，其中，所述投放参考信息包括所述各备选地址的销量信息、用户基础信息、POI信息中的至少一者；
处理单元，用于对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，其中，所述目标入模参数包括基于所述销量信息确定的第一入模参数、基于所述用户基础信息确定的第二入模参数、基于所述POI信息的确定第三入模参数中的至少一者；
预测单元，用于基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
选址单元，用于根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址。
在本申请的一些实施例中，所述各备选地址的目标入模参数包括所述各备选地址的第一入模参数、第二入模参数和第三入模参数，所述处理单元具体用于：
对所述各备选地址的销量信息进行数据预处理，得到所述各备选地址的第一入模参数；
对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数；
对所述各备选地址的POI信息进行数据预处理，得到所述各备选地址的第三入模参数；
融合所述各备选地址的第一入模参数、第二入模参数和第三入模参数，得到所述各备选地址的目标入模参数。
在本申请的一些实施例中，所述第一入模参数包括所述各备选地址的历史销量指数、销量集中度指数和销量趋势指数中的至少一者，所述处理单元具体用于：
基于所述各备选地址的销量信息确定所述各备选地址的历史销量指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的销量信息确定所述各备选地址的销量集中度指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的销量信息确定所述各备选地址的销量趋势指数，得到所述各备选地址的第一入模参数。
在本申请的一些实施例中，所述第二入模参数包括所述各备选地址的群体指数，所述处理单元具体用于：
基于所述各备选地址的用户基础信息，获取所述各备选地址的各类别群体的占比；
基于所述各备选地址的用户基础信息，获取所述目标区域的各类别群体的占比；
基于所述各备选地址的各类别群体的占比和所述目标区域的各类别群体的占比，确定所述各备选地址的群体指数。
在本申请的一些实施例中，所述预测单元具体用于：
通过预先训练好的效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
在本申请的一些实施例中，所述投放选址的确定装置还包括训练单元，所述训练单元具体用于：
获取训练数据集，其中，所述训练数据集包括各样本地址的样本参考信息、以及所述各样本地址的样本投放效果；
对所述各样本地址的样本参考信息进行数据预处理，得到所述样本参考信息的样本入模参数；
基于所述样本投放效果和所述样本入模参数，对预设回归模型进行训练，得到所述效果预测模型。
在本申请的一些实施例中，所述预设回归模型包括L个，所述训练单元具体用于：
基于所述样本投放效果和所述样本入模参数，分别对L个预设回归模型进行训练，得到L个所述效果预测模型；
在本申请的一些实施例中，所述预测单元具体用于：
通过预先训练好的L个效果预测模型中的每个效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，确定所述每个效果预测模型对应的投放效果，得到所述各备选地址的L个投放效果；
基于所述各备选地址的L个投放效果，确定所述各备选地址的目标投放效果。
在本申请的一些实施例中，所述各备选地址的目标投放效果包括所述各备选地址的销量提升量，所述选址单元具体用于：
从所述各备选地址中确定所述销量提升量符合预设条件的目标备选地址；
将所述目标备选地址作为所述目标投放地址。
第三方面，本申请还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行本申请提供的任一种投放选址的确定方法中的步骤。
第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的投放选址的确定方法中的步骤。
本申请通过对各备选地址的销量信息、用户基础信息、POI信息中的至少一者进行数据预处理，得到各备选地址的目标入模参数；将各备选地址的目标入模参数对各备选地址进行投放效果预测，得到各备选地址的目标投放效果；根据各备选地址的目标投放效果，从各备选地址中确定目标区域的目标投放地址；由于销量信息、用户基础信息、POI信息等投放参考信息在一定程度上反映了广告投放价值，因此可以从大面积区域中自动选取出广告投放效果相对较高的地址，而无需消耗大量的人力物力调研投放选址，降低了信息的传达成本。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例所提供的投放选址的确定系统的场景示意图；
图2是本申请实施例提供的投放选址的确定方法的一种流程示意图；
图3是本申请实施例中目标区域的各备选地址的一个场景示意图；
图4是本申请实施例中基于一个效果预测模型预测目标投放效果的一种场景示意图；
图5是本申请实施例中基于多个效果预测模型预测目标投放效果的一种场景示意图；
图6是本申请实施例中提供效果预测模型的训练过程示意图；
图7是本申请实施例中提供的投放选址的确定装置的一个实施例结构示意图；
图8是本申请实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的过程进行详细阐述，以避免不必要的细节使本申请实施例的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例投放选址的确定方法的执行主体可以为本申请实施例提供的投放选址的确定装置，或者集成了该投放选址的确定装置的服务器设备、物理主机或者用户设备(User Equipment，UE)等不同类型的电子设备，其中，投放选址的确定装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant，PDA)等终端设备。
该电子设备可以采用单独运行的工作方式，或者也可以采用设备集群的工作方式。
参见图1，图1是本申请实施例所提供的投放选址的确定系统的场景示意图。其中，该投放选址的确定系统可以包括电子设备100，电子设备100中集成有投放选址的确定装置。例如，该电子设备可以获取目标区域的各备选地址的投放参考信息，其中，所述投放参考信息包括所述各备选地址的销量信息、用户基础信息、POI信息中的至少一者；对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，其中，所述目标入模参数包括基于所述销量信息确定的第一入模参数、基于所述用户基础信息确定的第二入模参数、基于所述POI信息的确定第三入模参数中的至少一者；基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址。
另外，如图1所示，该投放选址的确定系统还可以包括存储器200，用于存储数据，如存储销量信息、用户基础信息、POI信息等数据。
需要说明的是，图1所示的投放选址的确定系统的场景示意图仅仅是一个示例，本申请实施例描述的投放选址的确定系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着投放选址的确定系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
下面，开始介绍本申请实施例提供的投放选址的确定方法，本申请实施例中以电子设备作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体。
参照图2，图2是本申请实施例提供的投放选址的确定方法的一种流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。该投放选址的确定方法包括步骤201～204，其中：
201、获取目标区域的各备选地址的投放参考信息。
其中，所述投放参考信息包括所述各备选地址的销量信息、用户基础信息、POI信息中的至少一者。
其中，目标区域是指待进行投放选址的区域，例如，一个城市、一个行政区、一个县等。
其中，备选地址是指目标区域内的各个地址。目标区域的各备选地址可以预先设定的，也可以是按照预设的划分策略对目标区域进行划分得到目标区域的各备选地址。示例性地，如图3所示，可以将目标区域划分为若干个对边长度为n(例如，为了控制选址的颗粒度以及栅格地块涉及的用户量级，n＝250米)的栅格，如图3中所示，每个栅格作为目标区域的一个备选地址，从而得到目标区域的各备选地址。
此处，目标区域的各备选地址仅为举例，目标区域的各备选地址可以根据实际情况而设置，本申请实施例中对目标区域的各备选地址的具体选定方式不做限制。
其中，投放参考信息是指取自备选地址内的、用于评估备选地址的广告投放效果的信息。例如，备选地址内的销量信息、用户基础信息和POI信息。
其中，销量信息是指备选地址内的商品物流销量数据，例如，备选地址内近n＝12个月某消费品类的销量数量。由于品类销量信息可以在一定程度上反映商品销量，进而可以反映备选地址的广告投放价值，通过以备选地址内的销量信息评估备选地址的广告投放效果，可以在一定程度上提高广告投放效果的评估准确度，进而提高目标区域的投放选址准确度。
用户基础信息是指备选地址内的销量的用户总数，例如，备选地址内n个月收件的用户总数；又如，备选地址内n个月收件的各次级群体用户总数，各次级群体用户可以基于性别、年龄、生活状态(学生、未婚、已婚无娃、已婚有娃、未知)拆分或筛选不同条件进行组合形成。由于用户基础信息可以在一定程度上反映人群的喜好偏向，进而可以反映备选地址的广告投放价值，通过以备选地址内的用户基础信息评估备选地址的广告投放效果，可以在一定程度上提高广告投放效果的评估准确度，进而提高目标区域的投放选址准确度。
POI信息用于指示备选地址内是否存在地理兴趣点、以及地理兴趣点的数量，例如，公共交通设施(如公交线路和站点、公交始发站点、地铁线路和站点、停车场、火车站、机场、轮渡码头、高架路、主干道等)、商业服务设施(如大型购物中心、社区商业中心、便利店、菜场等)、公共服务设施(如医院、银行、学校、行政办公设施等)、商务办公设施(如办公楼宇等)、居民住宅(如小区等)、市政设施(如垃圾处理厂、污水处理厂、垃圾转运站、高压线廊道等)、工业设施(如工厂、工业园区等)等等地理兴趣点是否存在、以及地理兴趣点的数量。由于POI信息可以在一定程度上反映地理信息，进而可以反映备选地址的广告投放价值，通过以备选地址内的POI信息评估备选地址的广告投放效果，可以在一定程度上提高广告投放效果的评估准确度，进而提高目标区域的投放选址准确度。
202、对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数。
其中，所述目标入模参数包括基于所述销量信息确定的第一入模参数、基于所述用户基础信息确定的第二入模参数、基于所述POI信息的确定第三入模参数中的至少一者。
针对投放参考信息的不同，步骤202中确定目标入模参数的方式的方式有多种，下面以目标入模参数分别是第一入模参数、第二入模参数、第三入模参数为例，说明步骤202中确定目标入模参数的方式。
(1)投放参考信息为销量信息。此时，目标入模参数具体是指基于销量信息确定的第一入模参数。步骤202具体可以包括如下步骤2021A：
2021A、对所述各备选地址的销量信息进行数据预处理，得到所述各备选地址的第一入模参数。
其中，第一入模参数是指对备选地址内的销量信息进行数据预处理后，所得到的入模参数。其中，可以按照预设的销量信息处理规则对备选地址的销量信息进行预处理，例如，可以将销量信息处理为历史销量指数、销量集中度指数和销量趋势指数。下面分别以将销量信息处理为历史销量指数、销量集中度指数和销量趋势指数为例，即以第一入模参数分别是历史销量指数、销量集中度指数、销量趋势指数为例，说明第一入模参数的确定过程。
①投放参考信息为销量信息，第一入模参数是历史销量指数。此时，步骤2021A具体可以包括：基于所述各备选地址的销量信息确定所述各备选地址的历史销量指数，得到所述各备选地址的第一入模参数。
示例性地，为了步骤203中可以精准地确定某个消费品类广告在备选地址的投放效果，历史销量指数可以定义为X个历史周期内(如近X＝12个月内)的各消费品类的销量均值，用于反映备选地址内不同品类的销量级。此时，可以基于步骤201中获取到的各备选地址内的销量信息，统计在每个历史周期(如每个月)各备选地址内的某个消费品类的销量；然后，计算在X个历史周期(如X＝12个月)各备选地址内的某个消费品类的周期销量均值(如月销量均值)，进而可以得到各备选地址的历史销量指数。
此处，历史销量指数的定义仅为举例，具体可以根据实际需求而设置历史销量指数的具体计算方式，不以此处为限制。
②投放参考信息为销量信息，第一入模参数是销量集中度指数。此时，步骤2021A具体可以包括：于所述各备选地址的销量信息确定所述各备选地址的销量集中度指数，得到所述各备选地址的第一入模参数。
示例性地，为了步骤203中可以精准地确定某个消费品类广告在备选地址的投放效果，如下公式(1)所示，销量集中度指数可以定义为在目标周期(如近X个月)各备选地址内某个消费品类的销量占比、与在目标周期(如近X个月)目标区域内某个消费品类的销量占比之间的百分比，销量集中度指数用于反映备选地址内不同消费品类的销量集中程度。此时，可以基于步骤201中获取到的各备选地址内的销量信息，一方面统计在目标周期(如近X个月)各备选地址内的总销量以及某个消费品类的销量，另一方面统计在目标周期(如近X个月)目标区域内的总销量以及某个消费品类的销量；然后，一方面，基于在目标周期(如近X个月)各备选地址内的总销量以及某个消费品类的销量，计算在目标周期(如近X个月)各备选地址内某个消费品类的销量占比；另一方面，基于在目标周期(如近X个月)目标区域内的总销量以及某个消费品类的销量，计算在目标周期(如近X个月)目标区域内某个消费品类的销量占比；进而根据如下公式(1)可以计算得到各备选地址的销量集中度指数。
Figure BDA0003390118890000121
此处，销量集中度指数的定义仅为举例，具体可以根据实际需求而设置销量集中度指数的具体计算方式，不以此处为限制。
③投放参考信息为销量信息，第一入模参数是销量趋势指数。此时，步骤2021A具体可以包括：基于所述各备选地址的销量信息确定所述各备选地址的销量趋势指数，得到所述各备选地址的第一入模参数。
示例性地，为了步骤203中可以精准地确定某个消费品类广告在备选地址的投放效果，如下公式(2)所示，销量趋势指数可以定义为各备选地址内某个消费品类未来Y个周期(如未来Y个月)的预测销量、与各备选地址内某个消费品类历史Y个周期(如历史Y个月)的历史销量，销量趋势指数用于反映备选地址内不同消费品类未来的销售趋势。此时，可以基于步骤201中获取到的各备选地址内的销量信息，一方面统计各备选地址内某个消费品类历史Y个周期(如历史Y个月)的历史销量，另一方面预测各备选地址内某个消费品类未来Y个周期(如未来Y个月)的预测销量；进而根据如下公式(2)可以计算得到各备选地址的销量趋势指数。
Figure BDA0003390118890000131
其中，示例性地，可以基于各消费品类历史m个周期(如m个月)的销量数据，构建基于Prophet的时间序列模型，用于预测各备选地址内某个消费品类未来Y个周期(如未来Y个月)的预测销量。
此处，销量趋势指数的定义仅为举例，具体可以根据实际需求而设置销量趋势指数的具体计算方式，不以此处为限制。
上面以第一入模参数分别是历史销量指数、销量集中度指数、销量趋势指数为例，说明第一入模参数的确定过程。可以理解的是，第一入模参数还可以包括历史销量指数、销量集中度指数、销量趋势指数或者基于销量信息确定的其他指数中的至少两者，例如，第一入模参数包括历史销量指数、销量集中度指数、销量趋势指数，此时，步骤2021A具体可以包括：
基于所述各备选地址的销量信息确定所述各备选地址的历史销量指数；
基于所述各备选地址的销量信息确定所述各备选地址的销量集中度指数；
基于所述各备选地址的销量信息确定所述各备选地址的销量趋势指数；
根据所述各备选地址的历史销量指数、所述各备选地址的销量集中度指数和所述各备选地址的销量趋势指数，得到所述各备选地址的第一入模参数。
由于历史销量指数可以反映备选地址内不同品类的销量级、销量集中度指数可以反映备选地址内不同消费品类的销量集中程度、可以销量趋势指数，而销量级、销量集中程度和销售趋势可以在一定程度上反映广告投放价值，通过以历史销量指数、销量集中度指数和销量趋势指数，确定各备选地址的第一入模参数，可以融合更全面的销量信息用于后续投放效果的确定，从而可以提高目标投放效果的确定准确度。
(2)投放参考信息为用户基础信息。此时，目标入模参数具体是指基于用户基础信息确定的第二入模参数。步骤202具体可以包括如下步骤2021B：
2021B、对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数。
其中，第二入模参数是指对备选地址内的用户基础信息进行数据预处理后，所得到的入模参数。其中，可以按照预设的用户基础信息处理规则对备选地址的用户基础信息进行预处理，例如，可以将用户基础信息处理为群体指数。下面以将用户基础信息处理为群体指数为例，即以第一入模参数是群体指数为例，说明第一入模参数的确定过程。
示例性地，如下公式(3)所示，群体指数可以定义为各备选地址的各类别群体的占比和目标区域的各类别群体的占比之间的百分比。此时，步骤2021B具体可以包括：基于所述各备选地址的用户基础信息，获取所述各备选地址的各类别群体的占比；基于所述各备选地址的用户基础信息，获取所述目标区域的各类别群体的占比；基于所述各备选地址的各类别群体的占比和所述目标区域的各类别群体的占比，确定所述各备选地址的群体指数。
例如，可以基于步骤201中获取到的各备选地址内的用户基础信息，一方面统计在X个历史周期(如近X个月)各备选地址内收件的总用户数以及各次级群体用户总数，另一方面统计在X个历史周期内(如近X个月)目标区域内收件的总用户数以及各次级群体用户总数；然后，一方面，基于在X个历史周期(如近X个月)各备选地址内收件的总用户数以及各次级群体用户总数，计算在X个历史周期(如近X个月)各备选地址的各类别群体的占比；另一方面，基于在X个历史周期内(如近X个月)目标区域内收件的总用户数以及各次级群体用户总数，计算在X个历史周期(如近X个月)目标区域的各类别群体的占比；进而根据如下公式(3)可以计算得到各备选地址的群体指数。
Figure BDA0003390118890000141
由于群体指数可以在一定程度上反映广告投放价值与用户群体之间的关联，通过以各备选地址的群体指数，确定各备选地址的第二入模参数，可以融合对投放效果有利的用户基础信息用于后续投放效果的确定，从而可以提高目标投放效果的确定准确度。
(3)投放参考信息为POI信息。此时，目标入模参数具体是指基于用户基础信息确定的第二入模参数。步骤202具体可以包括如下步骤2021C：
2021C、对所述各备选地址的POI信息进行数据预处理，得到所述各备选地址的第三入模参数。
其中，第三入模参数是指对备选地址内的POI信息进行数据预处理后，所得到的入模参数。其中，可以按照预设的POI信息处理规则对备选地址的POI信息进行预处理。例如，针对步骤201中获取的POI信息，可以将数值型的POI信息保留为原值作为第三入模参数；将非数值型的POI信息处理为数值作为第三入模参数，如存在垃圾处理厂则将POI信息用1表示、不存在垃圾处理厂则将POI信息用0表示。
上面以目标入模参数分别是第一入模参数、第二入模参数、第三入模参数为例，说明了步骤202中确定目标入模参数的方式。可以理解的是，目标入模参数还可以包括基于销量信息确定的第一入模参数、基于用户基础信息确定的第二入模参数、基于POI信息的确定第三入模参数、或者基于其他投放参考信息确定的其他入模参数中的至少两者，例如，目标入模参数包括第一入模参数、第二入模参数和第三入模参数，此时，步骤202具体可以包括如下步骤2021D～2024D：
2021D、对所述各备选地址的销量信息进行数据预处理，得到所述各备选地址的第一入模参数。
2022D、对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数。
2023D、对所述各备选地址的POI信息进行数据预处理，得到所述各备选地址的第三入模参数。
2024D、将各备选地址的第一入模参数、第二入模参数和第三入模参数融合成为各备选地址的目标入模参数。
步骤2021D～2023D的实现与上述步骤2021A、2021B和2021C类似，具体可以参照上述相关说明，此处不再赘述。
本申请实施例的发明人在实际研发应用过程中发现：销量信息、用户基础信息、POI信息等投放参考信息之间的组合也会在一定程度上影响广告投放效果，通过同时结合由销量信息确定的第一入模参数、由用户基础信息确定的第二入模参数和由POI信息的确定第三入模参数作为目标入模参数，可以融合更全面的销量信息、用户基础信息、POI信息用于衡量广告投放效果，从而可以提高目标投放效果的确定准确度。
203、基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果。
其中，目标投放效果用于指示在备选地址进行广告投放前后的指标提升值。目标投放效果的衡量指标有多种，示例性地，目标投放效果具体可以是销量提升值，例如，在备选地址进行广告投放前后，备选地址的销量提升值。
本申请实施例中，通过预先构建的效果预测模型，根据各备选地址的目标入模参数对各备选地址进行投放效果预测，得到各备选地址的目标投放效果。其中，可以预先构建1个效果预测模型用于预测目标投放效果，也可以预先构建多个效果预测模型用于预测目标投放效果，以下分别举例说明。
(1)基于1个效果预测模型预测目标投放效果。其中，效果预测模型可以通过如下步骤601～603训练得到。此时，步骤203具体可以包括如下步骤2031A：
2031A、通过预先训练好的效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果。
其中，通过如下步骤601～603，效果预测模型可以学习到反映目标投放效果与目标入模参数之间关系的模型参数。如图4所示，步骤2031A，将各备选地址的目标入模参数作为效果预测模型的输入特征，输入至预先训练好的效果预测模型中；然后，效果预测模型根据自身学习到的模型参数和各备选地址的目标入模参数，进行投放效果预测得到各备选地址的目标投放效果。
(2)基于L个效果预测模型预测L个投放效果，L个投放效果取平均值或加权和，作为目标投放效果。例如，可以通过如下步骤6032训练得到的L个效果预测模型分别预测L个投放效果来确定目标投放效果，此时，步骤203具体可以包括如下步骤2031B～2032B：
2031B、通过预先训练好的L个效果预测模型中的每个效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，确定所述每个效果预测模型对应的投放效果，得到所述各备选地址的L个投放效果。
例如，如图5所示，采用通过如下步骤603中训练得到L＝3个效果预测模型：预测模型1、预测模型2、预测模型3，分别基于各备选地址(如备选地址a)的目标入模参数对各备选地址进行投放效果预测，得到每个效果预测模型对应的投放效果，得到各备选地址的L＝3个投放效果，如下：
预测模型1基于备选地址a的目标入模参数对备选地址a进行投放效果预测，得到预测模型1对应的投放效果a1。
预测模型2基于备选地址a的目标入模参数对备选地址a进行投放效果预测，得到预测模型2对应的投放效果a2。
预测模型3基于备选地址a的目标入模参数对备选地址a进行投放效果预测，得到预测模型3对应的投放效果a3。
2032B、基于所述各备选地址的L个投放效果，确定所述各备选地址的目标投放效果。
在一些实施例中，可以将各备选地址的L个投放效果求平均值，作为各备选地址的目标投放效果。为方便理解，接以上步骤2031B和图5的例子继续说明。例如，可以将备选地址a的L＝3个投放效果求平均值：(a1+a2+a3)/3，作为备选地址a的目标投放效果。
在一些实施例中，可以依据各效果预测模型的精度，确定各效果预测模型预测的投放效果的权重值；按照各效果预测模型预测的投放效果的权重值，对各备选地址的L个投放效果求加权和，作为各备选地址的目标投放效果。为方便理解，接以上步骤2031B和图5的例子继续说明。例如，预测模型1、2、3的精度分别80％、90％、95％，可以确定预测模型1、2、3预测的投放效果的权重值分别为0.2、0.3、0.5；按照预测模型1、2、3预测的投放效果的权重值，将备选地址a的L＝3个投放效果求加权和：(0.2*a1+0.3*a2+0.5*a3)，作为备选地址a的目标投放效果。
由于效果预测模型的预测精度存在一定波动，通过采用预先训练好的L个效果预测模型中的每个效果预测模型，进行投放效果预测得到各备选地址的L个投放效果来确定目标投放效果，可以避免效果预测模型的预测精度存在波动问题，从而在一定程度上提高目标投放效果的预测精度，进而可以从大面积区域中选取出广告投放效果相对较高的地址，降低了信息的传达成本。
204、根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址。
其中，目标投放地址是指目标区域中待投放广告的地址。
步骤204中确定目标投放地址的方式有多种，示例性地，包括：
(1)选取目标投放效果最高的备选地址作为目标投放地址。此时，步骤204中，从目标区域的各备选地址中，选取目标投放效果最高的备选地址，作为目标投放地址。
(2)选取目标投放效果排名前N的备选地址作为目标投放地址。此时，步骤204中，从目标区域的各备选地址中，选取目标投放效果排名前N的备选地址，作为目标投放地址。此处N的具体取值可以根据实际业务场景需求而设置，此处对N的具体取值不做限制。
(3)选取目标投放效果大于预设投放效果阈值的备选地址作为目标投放地址。此时，步骤204中，从目标区域的各备选地址中，选取目标投放效果大于预设投放效果阈值的备选地址，作为目标投放地址。其中，预设投放效果阈值的具体取值可以根据实际业务场景需求而设置，此处对预设投放效果阈值的具体取值不做限制。
下面以目标投放效果是销量提升值为例，说明步骤204确定目标投放地址的过程。此时，步骤204具体可以包括：从所述各备选地址中确定所述销量提升量符合预设条件的目标备选地址；将所述目标备选地址作为所述目标投放地址。
例如，预设条件是广告投放前后的销量提升量最高，此时，可以从目标区域的各备选地址中，选取销量提升量最高的目标备选地址，作为目标区域的目标投放地址。
又如，预设条件是广告投放前后的销量提升量排名前N，此时，可以从目标区域的各备选地址中，选取销量提升量排名前N的目标备选地址，作为目标区域的目标投放地址。
再如，预设条件是广告投放前后的销量提升量大于预设提升量阈值，此时，可以从目标区域的各备选地址中，选取销量提升量大于预设提升量阈值的目标备选地址，作为目标区域的目标投放地址。
由于备选地址的销量提升量可以在一定程度上反映备选地址的广告投放价值，通过结合销量提升量是否符合预设条件来选取目标投放地址，可以在一定程度上提高目标投放选址的广告投放效果，降低信息的传达成本。
由以上内容可以看出，本申请实施例中，由于商品销量信息、用户基础信息、POI信息等投放参考信息在一定程度上反映了广告投放价值，通过对各备选地址的销量信息、用户基础信息、POI信息中的至少一者进行数据预处理，得到各备选地址的目标入模参数；将各备选地址的目标入模参数对各备选地址进行投放效果预测，得到各备选地址的目标投放效果；根据各备选地址的目标投放效果，从各备选地址中确定目标区域的目标投放地址；可以从大面积区域中自动选取出广告投放效果相对较高的地址，因此无需消耗大量的人力物力调研投放选址，降低了信息的传达成本。
下面介绍本申请实施例中提供的效果预测模型的训练方式，如图6，该效果预测模型可以通过如下步骤601～603训练得到：
601、获取训练数据集。
其中，所述训练数据集包括各样本地址的样本参考信息、以及所述各样本地址的样本投放效果。
其中，样本区域是指对应参考信息用于训练效果预测模型的区域，例如，一个城市、一个行政区、一个县等。
其中，样本地址是指样本区域内的各个地址，训练数据集中的各样本地址可以是来自相同或不同样本区域的地址。各样本地址的设定方式与备选地址的设定方式类似，具体可以参照上述备选地址的相关说明，此处不再赘述。
其中，样本投放效果用于指示在样本地址进行广告投放前后的指标提升值。样本投放效果由样本地址在进行广告投放前的指标值、样本地址在进行广告投放后的指标值计算得到。
602、对所述各样本地址的样本参考信息进行数据预处理，得到所述样本参考信息的样本入模参数。
其中，样本入模参数是指对样本地址的样本参考信息进行数据预处理后，所得到的入模参数。
样本入模参数的确定方式与上述步骤202目标入模参数的确定方式类似，具体可以参照上述步骤202的相关说明，此处不再赘述。
603、基于所述样本投放效果和所述样本入模参数，对预设回归模型进行训练，得到所述效果预测模型。
示例性地，预设回归模型可以是模型参数为默认值的开源LightGBM模型。此时，可以将样本入模参数作为LightGBM模型的特征输入、将样本投放效果作为LightGBM模型的预测输出，对LightGBM模型进行训练，使得LightGBM模型可以学习到反映入模参数和投放效果之间关系的模型参数，从而得到训练好的效果预测模型。此时，训练好的效果预测模型可用于步骤203根据目标入模参数预测目标投放效果。
此处，预设回归模型仅为举例，预设回归模型也可以是其他开源的回归网络，或者是未来出现的可用于回归任务的网络，不以此为限定。
通过采用本投放效果和所述样本入模参数，对预设回归模型进行训练得到效果预测模型，使得效果预测模型可以学习到反映入模参数和投放效果之间关系的模型参数，使得后续可以应用效果预测模型根据目标入模参数准确地预测出目标投放效果。
进一步地，在步骤603之后，还可以基于模型提供的重要特征筛选功能，从投放参考信息中筛选出特征重要性较高的信息，对效果预测模型再次进行训练，以提高效果预测模型的预测精度。
由于输入数据的不同会导致效果预测模型的预测精度存在一定波动，为此可以分别训练多个效果预测模型用于预测投放效果，并求加权和或请平均值作为最终的投放效果，以提高对备选地址的投放效果预测精度。具体地，在模型应用阶段，取L个效果预测模型分别预测的投放效果的平均值或加权和，作为最终的投放效果。此时，在模型训练阶段，可以对L个预设回归模型进行训练，以得到。步骤603具体可以包括：基于所述样本投放效果和所述样本入模参数，分别对L个预设回归模型进行训练，得到L个所述效果预测模型。其中，L个预设回归模型中各模型初始的模型参数不同，以学习出针对不同输入数据的预测精度存在互补的L个效果预测模型。
通过基于样本投放效果和样本入模参数，分别对模型参数不同的L个预设回归模型进行训练，得到L个效果预测模型，由于学习出针对不同输入数据的预测精度存在互补的L个效果预测模型，进而训练得到的L个效果预测模型用于预测投放效果时的预测准确度相对较高。因此，采用投放效果预测准确度相对较高的L个效果预测模型预测各备选地址的目标投放效果，从而可以从目标区域中选取出更高投放效果的目标投放地址。
为了更好实施本申请实施例中投放选址的确定方法，在投放选址的确定方法基础之上，本申请实施例中还提供一种投放选址的确定装置，如图7所示，为本申请实施例中投放选址的确定装置的一个实施例结构示意图，该投放选址的确定装置700包括：
获取单元701，用于获取目标区域的各备选地址的投放参考信息，其中，所述投放参考信息包括所述各备选地址的销量信息、用户基础信息、POI信息中的至少一者；
处理单元702，用于对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，其中，所述目标入模参数包括基于所述销量信息确定的第一入模参数、基于所述用户基础信息确定的第二入模参数、基于所述POI信息的确定第三入模参数中的至少一者；
预测单元703，用于基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
选址单元704，用于根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址。
在本申请的一些实施例中，所述各备选地址的目标入模参数包括所述各备选地址的第一入模参数、第二入模参数和第三入模参数，所述处理单元702具体用于：
对所述各备选地址的销量信息进行数据预处理，得到所述各备选地址的第一入模参数；
对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数；
对所述各备选地址的POI信息进行数据预处理，得到所述各备选地址的第三入模参数；
融合所述各备选地址的第一入模参数、第二入模参数和第三入模参数，得到所述各备选地址的目标入模参数。
在本申请的一些实施例中，所述第一入模参数包括所述各备选地址的历史销量指数、销量集中度指数和销量趋势指数中的至少一者，所述处理单元702具体用于：
基于所述各备选地址的销量信息确定所述各备选地址的历史销量指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的销量信息确定所述各备选地址的销量集中度指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的销量信息确定所述各备选地址的销量趋势指数，得到所述各备选地址的第一入模参数。
在本申请的一些实施例中，所述第二入模参数包括所述各备选地址的群体指数，所述处理单元702具体用于：
基于所述各备选地址的用户基础信息，获取所述各备选地址的各类别群体的占比；
基于所述各备选地址的用户基础信息，获取所述目标区域的各类别群体的占比；
基于所述各备选地址的各类别群体的占比和所述目标区域的各类别群体的占比，确定所述各备选地址的群体指数。
在本申请的一些实施例中，所述预测单元703具体用于：
通过预先训练好的效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
在本申请的一些实施例中，所述投放选址的确定装置700还包括训练单元(图中未示出)，所述训练单元具体用于：
获取训练数据集，其中，所述训练数据集包括各样本地址的样本参考信息、以及所述各样本地址的样本投放效果；
对所述各样本地址的样本参考信息进行数据预处理，得到所述样本参考信息的样本入模参数；
基于所述样本投放效果和所述样本入模参数，对预设回归模型进行训练，得到所述效果预测模型。
在本申请的一些实施例中，所述预设回归模型包括L个，所述训练单元具体用于：
基于所述样本投放效果和所述样本入模参数，分别对L个预设回归模型进行训练，得到L个所述效果预测模型；
在本申请的一些实施例中，所述预测单元703具体用于：
通过预先训练好的L个效果预测模型中的每个效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，确定所述每个效果预测模型对应的投放效果，得到所述各备选地址的L个投放效果；
基于所述各备选地址的L个投放效果，确定所述各备选地址的目标投放效果。
在本申请的一些实施例中，所述各备选地址的目标投放效果包括所述各备选地址的销量提升量，所述选址单元704具体用于：
从所述各备选地址中确定所述销量提升量符合预设条件的目标备选地址；
将所述目标备选地址作为所述目标投放地址。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由于该投放选址的确定装置可以执行本申请如图1至图6对应任意实施例中投放选址的确定方法中的步骤，因此，可以实现本申请如图1至图6对应任意实施例中投放选址的确定方法所能实现的有益效果，详见前面的说明，在此不再赘述。
此外，为了更好实施本申请实施例中投放选址的确定方法，在投放选址的确定方法基础之上，本申请实施例还提供一种电子设备，参阅图8，图8示出了本申请实施例电子设备的一种结构示意图，具体的，本申请实施例提供的电子设备包括处理器801，处理器801用于执行存储器802中存储的计算机程序时实现如图1至图6对应任意实施例中投放选址的确定方法的各步骤；或者，处理器801用于执行存储器802中存储的计算机程序时实现如图7对应实施例中各单元的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器802中，并由处理器801执行，以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
电子设备可包括，但不仅限于处理器801、存储器802。本领域技术人员可以理解，示意仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子备还可以包括输入输出设备、网络接入设备、总线等，处理器801、存储器802、输入输出设备以及网络接入设备等通过总线相连。
处理器801可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
存储器802可用于存储计算机程序和/或模块，处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块，以及调用存储在存储器802内的数据，实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的投放选址的确定装置、电子设备及其相应单元的具体工作过程，可以参考如图1至图6对应任意实施例中投放选址的确定方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1至图6对应任意实施例中投放选址的确定方法中的步骤，具体操作可参考如图1至图6对应任意实施例中投放选址的确定方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1至图6对应任意实施例中投放选址的确定方法中的步骤，因此，可以实现本申请如图1至图6对应任意实施例中投放选址的确定方法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请实施例所提供的一种投放选址的确定方法、装置、电子设备及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种投放选址的确定方法，其特征在于，所述方法包括：
获取目标区域的各备选地址的投放参考信息，其中，所述投放参考信息包括所述各备选地址的商品销量信息、用户基础信息、POI信息中的至少一者；
对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，其中，所述目标入模参数包括基于所述商品销量信息确定的第一入模参数、基于所述用户基础信息确定的第二入模参数、基于所述POI信息的确定第三入模参数中的至少一者；
基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址。
2.根据权利要求1所述的投放选址的确定方法，其特征在于，所述各备选地址的目标入模参数包括所述各备选地址的第一入模参数、第二入模参数和第三入模参数；
所述对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，包括：
对所述各备选地址的商品销量信息进行数据预处理，得到所述各备选地址的第一入模参数；
对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数；
对所述各备选地址的POI信息进行数据预处理，得到所述各备选地址的第三入模参数；
融合所述各备选地址的第一入模参数、第二入模参数和第三入模参数，得到所述各备选地址的目标入模参数。
3.根据权利要求2所述的投放选址的确定方法，其特征在于，所述第一入模参数包括所述各备选地址的历史销量指数、销量集中度指数和销量趋势指数中的至少一者，所述对所述各备选地址的商品销量信息进行数据预处理，得到所述各备选地址的第一入模参数，包括：
基于所述各备选地址的商品销量信息确定所述各备选地址的历史销量指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的商品销量信息确定所述各备选地址的销量集中度指数，得到所述各备选地址的第一入模参数；
或者，基于所述各备选地址的商品销量信息确定所述各备选地址的销量趋势指数，得到所述各备选地址的第一入模参数。
4.根据权利要求2所述的投放选址的确定方法，其特征在于，所述第二入模参数包括所述各备选地址的群体指数，所述对所述各备选地址的用户基础信息进行数据预处理，得到所述各备选地址的第二入模参数，包括：
基于所述各备选地址的用户基础信息，获取所述各备选地址的各类别群体的占比；
基于所述各备选地址的用户基础信息，获取所述目标区域的各类别群体的占比；
基于所述各备选地址的各类别群体的占比和所述目标区域的各类别群体的占比，确定所述各备选地址的群体指数。
5.根据权利要求1所述的投放选址的确定方法，其特征在于，所述基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果，包括：
通过预先训练好的效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
所述方法还包括：
获取训练数据集，其中，所述训练数据集包括各样本地址的样本参考信息、以及所述各样本地址的样本投放效果；
对所述各样本地址的样本参考信息进行数据预处理，得到所述样本参考信息的样本入模参数；
基于所述样本投放效果和所述样本入模参数，对预设回归模型进行训练，得到所述效果预测模型。
6.根据权利要求5所述的投放选址的确定方法，其特征在于，所述预设回归模型包括L个，所述基于所述样本投放效果和所述样本入模参数，对预设回归模型进行训练，得到所述效果预测模型，包括：
基于所述样本投放效果和所述样本入模参数，分别对L个预设回归模型进行训练，得到L个所述效果预测模型；
所述通过预先训练好的效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果，包括：
通过预先训练好的L个效果预测模型中的每个效果预测模型，基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，确定所述每个效果预测模型对应的投放效果，得到所述各备选地址的L个投放效果；
基于所述各备选地址的L个投放效果，确定所述各备选地址的目标投放效果。
7.根据权利要求1-6任一项所述的投放选址的确定方法，其特征在于，所述各备选地址的目标投放效果包括所述各备选地址的销量提升量，所述根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址，包括：
从所述各备选地址中确定所述销量提升量符合预设条件的目标备选地址；
将所述目标备选地址作为所述目标投放地址。
8.一种投放选址的确定装置，其特征在于，所述投放选址的确定装置包括：
获取单元，用于获取目标区域的各备选地址的投放参考信息，其中，所述投放参考信息包括所述各备选地址的商品销量信息、用户基础信息、POI信息中的至少一者；
处理单元，用于对所述各备选地址的投放参考信息进行数据预处理，得到所述各备选地址的目标入模参数，其中，所述目标入模参数包括基于所述商品销量信息确定的第一入模参数、基于所述用户基础信息确定的第二入模参数、基于所述POI信息的确定第三入模参数中的至少一者；
预测单元，用于基于所述各备选地址的目标入模参数对所述各备选地址进行投放效果预测，得到所述各备选地址的目标投放效果；
选址单元，用于根据所述各备选地址的目标投放效果，从所述各备选地址中确定所述目标区域的目标投放地址。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的投放选址的确定方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的投放选址的确定方法中的步骤。
CN202111463308.6A 2021-12-02 2021-12-02 投放选址的确定方法、装置、电子设备及可读存储介质 Pending CN116228316A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111463308.6A CN116228316A (zh) 2021-12-02 2021-12-02 投放选址的确定方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111463308.6A CN116228316A (zh) 2021-12-02 2021-12-02 投放选址的确定方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN116228316A true CN116228316A (zh) 2023-06-06

Family

ID=86575482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111463308.6A Pending CN116228316A (zh) 2021-12-02 2021-12-02 投放选址的确定方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116228316A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843393A (zh) * 2023-07-18 2023-10-03 北京吉欣科技有限公司 智能广告管理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843393A (zh) * 2023-07-18 2023-10-03 北京吉欣科技有限公司 智能广告管理方法及系统
CN116843393B (zh) * 2023-07-18 2024-04-19 成都红户里科技有限公司 智能广告管理方法及系统

Similar Documents

Publication Publication Date Title
JP6702092B2 (ja) 住宅需要反応におけるクーポンの最適化及び配信
Guo et al. Parking spaces repurchase strategy design via simulation optimization
Bhattacharjee et al. Spatial interactions in hedonic pricing models: the urban housing market of Aveiro, Portugal
Bone et al. Modeling-in-the-middle: bridging the gap between agent-based modeling and multi-objective decision-making for land use change
CN109949063B (zh) 一种地址确定方法、装置、电子设备及可读存储介质
CN108304935A (zh) 机器学习模型训练方法、装置和计算机设备
Zhang et al. Analysing inter-provincial urban migration flows in China: A new multilevel gravity model approach
Blecic et al. How much past to see the future: a computational study in calibrating urban cellular automata
US9805321B2 (en) Eco score analytics system
Yu et al. Good consumer or bad consumer: Economic information revealed from demand profiles
Gradus et al. The effects of market concentration on costs of local public services: empirical evidence from Dutch waste collection
CN110874788A (zh) 产品推荐方法、装置及计算机存储介质
CN116050947A (zh) 车辆调度效果的评价方法、装置、计算机设备和存储介质
Rolfe et al. Testing benefit transfer of reef protection values between local case studies: The Great Barrier Reef in Australia
CN112084223A (zh) 一种用户画像的生成方法、装置、设备和存储介质
Wang et al. A survey on distributed optimisation approaches and applications in smart grids
Roth et al. Uncertainty matters: Bayesian probabilistic forecasting for residential smart meter prediction, segmentation, and behavioral measurement and verification
Sciarra et al. A network approach to rank countries chasing sustainable development
CN116228316A (zh) 投放选址的确定方法、装置、电子设备及可读存储介质
Liaquat et al. Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee
CN111512326A (zh) 基于负载形状分析的能量计划通信控制系统及方法
Gendy et al. Green Crowdsensing with Comprehensive Reputation Awareness and Predictive Device-Application Matching Using a New Real-Life Dataset
CN115130889A (zh) 一种供应链管理方法、装置、电子设备及介质
CN111782948A (zh) 目标对象的业务推荐方法、装置和设备及存储介质
CN111598630A (zh) 小区画像构建方法、装置及存储介质

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