CN116681470A - 门店选址方法、装置、计算机设备、存储介质和产品 - Google Patents
门店选址方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN116681470A CN116681470A CN202310544394.6A CN202310544394A CN116681470A CN 116681470 A CN116681470 A CN 116681470A CN 202310544394 A CN202310544394 A CN 202310544394A CN 116681470 A CN116681470 A CN 116681470A
- Authority
- CN
- China
- Prior art keywords
- store
- value
- model
- initial
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000000694 effects Effects 0.000 claims abstract description 203
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种门店选址方法、装置、计算机设备、存储介质和产品。所述方法包括：获取选址区域内的各在业门店对应的门店历史数据，将各门店历史数据输入门店模型，得到多个在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。采用本方法能提升门店选址可靠性和效率。
Description
技术领域
本申请涉及门店选址的技术领域，特别是涉及一种门店选址方法、装置、计算机设备、存储介质和产品。
背景技术
随着生活水平的提高，门店的类型和数量也日益增多。商家在开分店或者新店时，通常会考虑待选址区域内的人流量、店面租金、具有竞争关系的门店数量等因素。
传统技术中，为了选择合适的门店地址，会先收集待选址区域内同类型的在业门店的历史数据，历史数据包括店面面积、每月或每天的销售额、人流量、地理位置等信息，再根据历史数据计算得到每个在业门店对应的坪效数据，最后根据坪效数据确定合适的门店地址。
然而，传统方法中，由于天气、商业节庆活动等其他因素都会使得在业门店每月或每天的销售额发生较大的波动，导致根据在业门店的历史数据得到的坪效数据进行门店选址时，可靠性不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高门店选址可靠性的门店选址方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种门店选址方法。方法包括：
获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到各在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；
获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；
迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
在其中一个实施例中，门店历史数据包括用于表征门店类型的类型标识，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值，包括：
将各初始门店模型参数和各初始坪效值输入选址模型；
选址模型根据类型标识对各初始门店模型参数和各初始坪效值分组进行训练，得到在业门店的选址模型预测参数和预测坪效值。
在其中一个实施例中，在迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址之后，还包括：
获取用于表征目标门店选址需求的门店数据设定值，将门店数据设定值输入迭代更新完的选址模型，得到坪效预估值。
在其中一个实施例中，历史数据包括用于表征门店类型的类型标识，门店数据设定值包括门店面积值和门店位置信息，将门店数据设定值输入迭代更新完的选址模型，得到坪效预估值，包括：
根据门店面积值和门店位置信息，确定选址区域内对应的候选门店坐标；
获取与候选门店坐标相邻且具有同一类型标识的在业门店的人流量平均值；
根据门店数据设定值、人流量平均值及迭代更新完的选址模型，得到候选门店坐标对应的坪效预估值。
在其中一个实施例中，在根据门店数据设定值、人流量平均值及迭代更新完的选址模型，得到候选门店坐标对应的坪效预估值之后，还包括：
当候选门店坐标的数量不止一个时，按照坪效预估值从高到低对所有候选门店坐标进行排序；
在坪效预估值大于预设阈值的情况下，将坪效预估值及对应的候选门店坐标添加至推荐列表。
在其中一个实施例中，在坪效预估值大于预设阈值的情况下，将坪效预估值及对应的候选门店坐标添加至推荐列表，包括：
在坪效预估值大于预设阈值时，获取代价设定值，当代价设定值大于或等于坪效预估值对应的候选门店坐标的代价值时，将坪效预估值及对应的候选门店坐标添加至推荐列表。
第二方面，本申请还提供了一种门店选址装置。装置包括：
门店模型参数生成模块，用于获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到多个在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；
门店模型参数更新模块，用于获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；
门店选址参考模块，用于迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到各在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；
获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；
迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到各在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；
获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；
迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到各在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；
获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；
迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
上述门店选址方法、装置、计算机设备、存储介质和产品，获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到各在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。采用上述方法，基于门店模型输出的模型参数、初始坪效值不断对选址模型进行训练更新，基于选址模型输出的模型参数不断对门店模型进行训练更新，直至选址模型输出的预测坪效值与初始坪效值的差值在预设范围内，得到训练完成的选址模型，再根据选址模型输出的更新后的预测坪效值进行门店选址，有助于提升依据门店坪效数据进行门店选址的准确性和可靠性；且方便用户根据更新后的预测坪效值评判预选中的门店是否合适。
附图说明
图1为一个实施例中门店选址方法的应用环境图；
图2为一个实施例中门店选址方法的流程图；
图3为一个实施例中按照类型标识对初始门店模型参数进行分组训练的流程图；
图4为另一个实施例中根据门店数据设定值、人流量平均值得到坪效预估值的流程图；
图5为另一个实施例中根据门店数据设定值生成关于候选门店坐标的推荐列表的流程图；
图6为一个实施例中门店选址装置的结构框图；
图7为一个实施例中计算机设备的内部结构图；
图8为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的门店选址方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。本申请中的终端102是各门店用于存储门店历史数据的本地设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，以该方法应用于图1中的终端为例进行说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤202，获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到各在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数。
其中，选址区域可以是用户想要开设的分店或新店所在的区域，本实施例中的选址区域可以是某个城市，也可以是某个城市中特定的一个或多个区域，用户可以是店主或者企业管理者。在业门店是选址区域中处于正常经营状态的门店。门店历史数据可以是门店的店面面积值、历史时间段内的日均或月均销售额、日均或月均人流量、产品定价等数据。进一步的，本实施例中对于获取到的门店历史数据，可以采用Z-Score标准化方法将门店的销售额和人流量进行归一化处理，以使不同尺度和范围的数据转化为具有相同均值和标准差的标准正态分布，从而提升模型训练的效率。
例如，获取的门店历史数据包括销售额和人流量，其中，第一门店的销售额为500000元，人流量为10000人次，第二门店的销售额为80000元，人流量为15000人次。根据获取的门店历史数据计算销售额和客流量的均值和标准差，表示为：
门店销售额的均值＝(500000+800000)/2＝650000元；
门店销售额的标准差＝sqrt(((500000-650000)2+(800000-650000)2)/2)≈141421.36元；
门店客流量的均值：(10000+15000)/2＝12500人次；
门店客流量的标准差：sqrt(((10000-12500)2+(15000-12500)2)/2)≈2887.91人次；
通过Z-Score公式对每个门店的销售额和客流量进行标准化计算：
第一门店的销售额Z-Score＝(500000-650000)/141421.36≈-1.06
第一门店的客流量Z-Score＝(10000-12500)/2887.91≈-0.87
第二门店的销售额Z-Score＝(800000-650000)/141421.36≈1.06
第二门店的客流量Z-Score＝(15000-12500)/2887.91≈0.87
本实施例通过Z-Score标准化方法，将门店销售额和客流量的原始数据被转化为具有相同均值和标准差的标准正态分布数据，可以提升模型训练的效率。此外，还可以使用主成分分析法对门店历史数据进行降维和特征提取，以减少数据维度和提高数据的可解释性。
门店模型可以是服务器提前分发给各在业门店的门店终端的用于本地训练的模型，初始状态下的门店模型携带有初始化的模型参数，各在业门店将各自的门店历史数据上传至本地训练模型后，进行训练得到模型参数。初始坪效值可以是在业门店根据门店历史数据得到的日均或月均销售额与店面面积值的比值。初始门店模型参数是门店历史数据中的多个特征数据与坪效预测值之间的权重关联关系。
示例性的，在服务器获取到选址区域内的各在业门店对应的门店历史数据后，将门店历史数据上传至门店模型进行训练，得到各在业门店的初始坪效值及对应的初始门店模型参数。
步骤204，获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值。
其中，选址模型可以是指用于存储和汇总所有门店模型的模型参数的中央模型。初始时，选址模型可以是一个随机初始化的模型，也是基于联邦学习算法建立的一种学习模型。联邦学习算法是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡。选址模型预测参数是选址模型经过联邦学习训练后得到的对初始门店模型参数进行更新的参数。
示例性的，服务器获取到各门店模型上传的初始门店模型参数和初始坪效值后，将各门店模型的模型参数和初始坪效值上传至选址模型，并基于联邦学习算法进行训练，得到各在业门店的选址模型预测参数和预测坪效值，并将选址模型预测参数返回各门店模型继续训练，得到更新后的初始门店模型参数，再将更新后的初始门店模型参数发送至选址模型，以更新选址模型预测参数，并通过选址模型得到更新后的预测坪效值。
在一种实现方式中，本申请在利用联邦学习算法对门店模型和选址模型进行训练时，还可以利用各门店历史数据的梯度信息对选址模型进行更新。示例性的，梯度信息是模型参数如何调整以最小化损失函数的方向信息，在本申请的联邦学习过程中，各在业门店使用本地的门店历史数据计算出的梯度信息可以用于训练和更新选址模型。在训练过程中，服务器主要是将收到的来自各门店模型的梯度信息进行加权平均，加权的系数可依据经验设定，也可依据各在业门店的门店历史数据对选址模型的贡献程度进行设定，使得选址模型基于加权平均后的梯度信息进行训练和更新，且上述训练过程重复迭代，直到达到预定的训练轮数或更新后的预测坪效值与初始坪效值的差值在预设的范围内。此外，还可以通过人工经验设置的超参数，对联邦学习训练的过程进行优化，超参数一般为学习率和收敛值。
步骤206，迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
示例性的，服务器基于门店模型输出的模型参数、初始坪效值不断对选址模型进行训练更新，基于选址模型输出的模型参数不断对门店模型进行训练更新，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，即更新后的预测坪效值已经很接近初始坪效值，此时，选址模型已基本训练完成，再根据更新后的预测坪效值进行门店选址，有助于提升依据门店坪效数据进行门店选址的准确性和可靠性。
值得注意的是，本实施中的门店模型、选址模型的训练是一个持续更新优化的过程，随着时间变化、门店经营数据更新等因素的影响，门店模型和选址模型也需要及时更新，当选址区域内的在业门店的门店历史数据发生变化时，系统可以进行模型的自主学习优化，根据变化后的门店历史数据对门店模型、选址模型进行更新。此外，在门店模型和选址模型的迭代更新过程中，可采用差分隐私技术对门店模型和选址模型产生的模型参数进行加噪处理，以保护门店模型和选址模型的隐私性和安全性。
上述门店选址方法中，基于门店模型输出的模型参数、初始坪效值不断对选址模型进行训练更新，基于选址模型输出的模型参数不断对门店模型进行训练更新，直至选址模型输出的预测坪效值与初始坪效值的差值在预设范围内，得到基本训练完成的选址模型，再根据选址模型输出的初始坪效值进行门店选址，从而提升依据门店坪效数据进行门店选址的准确性和可靠性。
在一个实施例中，门店历史数据包括用于表征门店类型的类型标识，如图3所示，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值，包括：
步骤302，将各初始门店模型参数和各初始坪效值输入选址模型。
步骤304，选址模型根据类型标识对各初始门店模型参数和各初始坪效值分组进行训练，得到在业门店的选址模型预测参数和预测坪效值。
示例性的，由于选址区域内的在业门店的类型各不相同，例如有餐饮类、零食类、家居用品类等，使得不同类型的在业门店的历史数据特征值间差距较大，导致在利用在业门店的历史数据训练门店模型和选址模型时，有对门店模型、选址模型的学习结果的准确性产生影响的可能，所以为了保证选址模型训练后的可靠性，依据类型标识对各初始门店模型参数和各初始坪效值分组进行训练，以得到较为准确的在业门店的选址模型预测参数和预测坪效值。
本实施例中，根据类型标识对各初始门店模型参数和各初始坪效值分组进行训练，能够得到较为准确的在业门店的选址模型预测参数和预测坪效值，从而保证选址模型的可靠性。
在另一个实施例中，在迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址之后，还包括：
获取用于表征目标门店选址需求的门店数据设定值，将门店数据设定值输入迭代更新完的选址模型，得到坪效预估值。
其中，门店数据设定值可以是通过键盘等终端输入的门店数据假设值，门店数据设定值包括打算开设的店面的门店面积值、门店位置信息、人流量数值。
示例性的，在选址模型迭代更新完成后，服务器获取门店数据设定值，将门店数据设定值上传至选址模型后，得到坪效预估值。具体地，服务器在获取门店数据设定值时，可能会获取到一个或多个门店数据设定值，此时对应的坪效预估值就有一个或多个，根据坪效预估值与初始坪效值的比较，或者多个坪效预估值之间的比较，便于更精确地进行选址。
本实施例中，通过门店数据设定值得到坪效预估值，能够实现根据门店相关特征数据的设定得到较为精准的坪效预估结果，从而提升坪效预估值的参考价值。
在另一个实施例中，历史数据包括用于表征门店类型的类型标识，门店数据设定值包括门店面积值和门店位置信息，如图4所示，将门店数据设定值输入迭代更新完的选址模型，得到坪效预估值，包括：
步骤402，根据门店面积值和门店位置信息，确定选址区域内对应的候选门店坐标。
其中，门店面积值可以是一个固定值，也可以是一个范围值，门店位置信息可以是某个市区或某条街道的位置信息，也可以是某个商场的位置信息。候选门店坐标是同时符合门店面积值和门店位置信息的门店的所在位置信息，且备选门店是选址区域内的待租门店或转租门店。
示例性的，系统中提前存储有选址区域内的各类门店的面积、所在地理位置等信息，在获取到门店数据设定值中的门店面积值和门店位置信息后，服务器根据门店位置信息和门店面积值确定选址区域内对应的候选门店坐标，候选门店坐标可能是一个，也可能是多个。
步骤404，获取与候选门店坐标相邻且具有同一类型标识的在业门店的人流量平均值。
示例性的，由于备选门店为待租或转租门店，难以统计备选门店的人流量数据，且不同类型的门店的人流量数据也存在较大差别，所以在确定候选门店坐标后，服务器根据候选门店坐标查找候选门店坐标附近的且具有同一类型标识的在业门店的日均人流量值或周均人流量值，本申请中以日均人流量值作为此处的人流量平均值。当与候选门店坐标相邻且具有同一类型标识的在业门店的数量只有一个时，将该在业门店的日均人流量值作为候选门店坐标对应的人流量平均值；当与候选门店坐标相邻且具有同一类型标识的在业门店的数量不止一个时，将这些在业门店的日均人流量值相加后再平均得到的平均值作为候选门店坐标对应的人流量平均值。
步骤406，根据门店数据设定值、人流量平均值及迭代更新完的选址模型，得到候选门店坐标对应的坪效预估值。
示例性的，服务器获取到门店数据设定值、人流量平均值后，将门店数据设定值、人流量平均值上传至迭代更新完的选址模型，选址模型输出对应的坪效预估值。
本实施例中，通过设定的门店面积值和门店位置信息，确认选址区域中的候选门店坐标，虽然上述实施例中的人流量平均值也可设定，但是本实施例中以与候选门店坐标相邻且具有同一类型标识的在业门店的人流量平均值作为参考，使得输入选址模型中的人流量平均值更加精准，从而提升最终得到的坪效预估值的准确性。
在另一个实施例中，如图5所示，在根据门店数据设定值、人流量平均值及迭代更新完的选址模型，得到候选门店坐标对应的坪效预估值之后，还包括：
步骤502，当候选门店坐标的数量不止一个时，按照坪效预估值从高到低对所有候选门店坐标进行排序。
示例性的，当符合门店数据设定值的备选门店不止一个时，备选门店对应的坪效预估值也可能不止一个，此时，服务器按照坪效预估值从高到低对所有候选门店坐标进行排序；且为了方便后续确定选址，可将排序结果生成备选门店推荐页，然后将该备选门店推荐页发送至门店数据设定值对应的用户终端。
步骤504，在坪效预估值大于预设阈值的情况下，将坪效预估值及对应的候选门店坐标添加至推荐列表。
示例性的，为了进一步方便确定选址，在对坪效预估值从高到低进行排序后，服务器将坪效预估值与预设阈值比较，当坪效预估值大于预设阈值时，将坪效预估值及对应的候选门店坐标添加值推荐列表，此处的推荐列表与上述的备选门店推荐页相同；当坪效预估值小于预设阈值时，服务器不动作。
例如，小型餐饮类的门店的坪效数据一般为10000元，当坪效预估值大于10000元时，将大于10000元的坪效预估值及对应的候选门店坐标添加值推荐列表；否则，服务器不动作。
本实施例中，通过坪效预估值与预设阈值的比较，方便服务器根据比较结果对候选门店坐标进一步筛选，有助于提升选址效率。
在另一个实施例中，在坪效预估值大于预设阈值的情况下，将坪效预估值及对应的候选门店坐标添加至推荐列表，包括：
在坪效预估值大于预设阈值时，获取代价设定值，当代价设定值大于或等于坪效预估值对应的候选门店坐标的代价值时，将坪效预估值及对应的候选门店坐标添加至推荐列表。
其中，代价设定值可以是租金预算值，候选门店坐标的代价值可以是候选门店的租金值。
示例性的，当坪效预估值大于预设阈值时，服务器先将坪效预估值对应的候选门店坐标设为待选门店地址，再获取通过键盘等终端输入的代价设定值，当代价设定值大于或等于待选门店地址对应的代价值时，将待选门店地址及对应的坪效预估值添加至推荐列表。
本实施例中，通过代价设定值对候选门店坐标进一步筛选，有助于进一步提升门店选址的效率。
本实施例采用上述方法，通过在业门店历史数据、初始坪效值对门店模型和选址模型进行训练，并通过门店模型输出的模型参数、初始坪效值不断对选址模型进行训练更新，通过选址模型输出的模型参数不断对门店模型进行训练更新，直至选址模型输出的预测坪效值与初始坪效值的差值在预设范围内，得到基本训练完成的选址模型，再根据选址模型输出的初始坪效值进行门店选址；此外，还可根据门店数据设定值、人流量平均值确定候选门店坐标，并依据坪效预估值确定选址；进一步地，还可根据代价设定值对候选门店坐标进行筛选，从而提升选址效率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的门店选址方法的门店选址装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个门店选址装置实施例中的具体限定可以参见上文中对于门店选址方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种门店选址装置，包括：门店模型参数生成模块602、门店模型参数更新模块604和门店选址参考模块606，其中：
门店模型参数生成模块602，用于获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到多个在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；
门店模型参数更新模块604，用于获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；
门店选址参考模块606，用于迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
在一个实施例中，门店历史数据包括用于表征门店类型的类型标识，该装置还用于：
获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型；
在选址模型内，按照类型标识对各初始门店模型参数和各初始坪效值分组进行训练，得到在业门店的选址模型预测参数和预测坪效值。
在另一个实施例中，该装置还用于：
获取门店数据设定值，将门店数据设定值输入迭代更新完的选址模型，得到坪效预估值。
在另一个实施例中，历史数据包括用于表征门店类型的类型标识，门店数据设定值包括门店面积值和门店位置信息，该装置还用于：
根据门店面积值和门店位置信息，确定选址区域内对应的候选门店坐标；
获取紧邻候选门店坐标且具有同一类型标识的在业门店的人流量平均值；
根据门店数据设定值、人流量平均值及迭代更新完的选址模型，得到候选门店坐标对应的坪效预估值。
在另一个实施例中，该装置还用于：
当候选门店坐标的数量不止一个时，按照坪效预估值从高到低对所有候选门店坐标进行排序；
在坪效预估值大于预设阈值的情况下，将坪效预估值及对应的候选门店坐标添加至推荐列表。
在另一个实施例中，该装置还用于：
在坪效预估值大于预设阈值时，获取代价设定值，当代价设定值大于或等于坪效预估值对应的候选门店坐标的代价值时，将坪效预估值及对应的候选门店坐标添加至推荐列表。
上述门店选址装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储在业门店历史数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种门店选址方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种门店选址方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7、图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种门店选址方法，其特征在于，所述方法包括：
获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各所述门店历史数据输入所述门店模型，得到各所述在业门店的初始坪效值以及所述初始坪效值对应的初始门店模型参数；
获取选址模型，将各所述初始门店模型参数和各所述初始坪效值输入所述选址模型，得到所述在业门店的选址模型预测参数和预测坪效值；并将所述选址模型预测参数返回各所述门店模型，得到更新后的初始门店模型参数，以更新所述选址模型预测参数，得到所述更新后的初始门店模型参数对应的更新后的预测坪效值；
迭代更新所述选址模型预测参数，直至所述更新后的预测坪效值与所述初始坪效值的差值在预设范围内，根据所述更新后的预测坪效值进行门店选址。
2.根据权利要求1所述的方法，其特征在于，所述门店历史数据包括用于表征门店类型的类型标识，所述将各所述初始门店模型参数和各所述初始坪效值输入所述选址模型，得到所述在业门店的选址模型预测参数和预测坪效值，包括：
将各所述初始门店模型参数和各所述初始坪效值输入所述选址模型；
所述选址模型根据所述类型标识对各所述初始门店模型参数和各所述初始坪效值分组进行训练，得到所述在业门店的选址模型预测参数和预测坪效值。
3.根据权利要求1所述的方法，其特征在于，在所述迭代更新所述选址模型预测参数，直至所述更新后的预测坪效值与所述初始坪效值的差值在预设范围内，根据所述更新后的预测坪效值进行门店选址之后，还包括：
获取用于表征目标门店选址需求的门店数据设定值，将所述门店数据设定值输入迭代更新完的所述选址模型，得到坪效预估值。
4.根据权利要求3所述的方法，其特征在于，所述历史数据包括用于表征门店类型的类型标识，所述门店数据设定值包括门店面积值和门店位置信息，所述将所述门店数据设定值输入迭代更新完的所述选址模型，得到坪效预估值，包括：
根据所述门店面积值和门店位置信息，确定所述选址区域内对应的候选门店坐标；
获取与所述候选门店坐标相邻且具有同一所述类型标识的所述在业门店的人流量平均值；
根据所述门店数据设定值、人流量平均值及迭代更新完的所述选址模型，得到所述候选门店坐标对应的坪效预估值。
5.根据权利要求4所述的方法，其特征在于，在所述根据所述门店数据设定值、人流量平均值及迭代更新完的所述选址模型，得到所述候选门店坐标对应的坪效预估值之后，还包括：
当所述候选门店坐标的数量不止一个时，按照所述坪效预估值从高到低对所有候选门店坐标进行排序；
在所述坪效预估值大于预设阈值的情况下，将所述坪效预估值及对应的候选门店坐标添加至推荐列表。
6.根据权利要求5所述的方法，其特征在于，所述在所述坪效预估值大于预设阈值的情况下，将所述坪效预估值及对应的候选门店坐标添加至推荐列表，包括：
在所述坪效预估值大于预设阈值时，获取代价设定值，当所述代价设定值大于或等于所述坪效预估值对应的候选门店坐标的代价值时，将所述坪效预估值及对应的候选门店坐标添加至推荐列表。
7.一种门店选址装置，其特征在于，所述装置包括：
门店模型参数生成模块，用于获取选址区域内的各在业门店对应的门店历史数据和门店模型，将各门店历史数据输入门店模型，得到各在业门店的初始坪效值以及初始坪效值对应的初始门店模型参数；
门店模型参数更新模块，用于获取选址模型，将各初始门店模型参数和各初始坪效值输入选址模型，得到在业门店的选址模型预测参数和预测坪效值；并将选址模型预测参数返回各门店模型，得到更新后的初始门店模型参数，以更新选址模型预测参数，得到更新后的初始门店模型参数对应的更新后的预测坪效值；
门店选址参考模块，用于迭代更新选址模型预测参数，直至更新后的预测坪效值与初始坪效值的差值在预设范围内，根据更新后的预测坪效值进行门店选址。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310544394.6A CN116681470A (zh) | 2023-05-15 | 2023-05-15 | 门店选址方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310544394.6A CN116681470A (zh) | 2023-05-15 | 2023-05-15 | 门店选址方法、装置、计算机设备、存储介质和产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116681470A true CN116681470A (zh) | 2023-09-01 |
Family
ID=87777829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310544394.6A Pending CN116681470A (zh) | 2023-05-15 | 2023-05-15 | 门店选址方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116681470A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952671A (zh) * | 2024-01-18 | 2024-04-30 | 中移雄安信息通信科技有限公司 | 一种选址方法、装置及电子设备 |
-
2023
- 2023-05-15 CN CN202310544394.6A patent/CN116681470A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952671A (zh) * | 2024-01-18 | 2024-04-30 | 中移雄安信息通信科技有限公司 | 一种选址方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105320724A (zh) | 用于优化用于学习排序的非凸函数的新探索 | |
| CN114077912A (zh) | 数据预测方法以及数据预测装置 | |
| CN116681470A (zh) | 门店选址方法、装置、计算机设备、存储介质和产品 | |
| CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN116415957A (zh) | 异常交易对象识别方法、装置、计算机设备和存储介质 | |
| CN116258923A (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
| CN114925290A (zh) | 自助式用户群扩展方法、装置、计算机设备和存储介质 | |
| CN115660786A (zh) | 服务推荐方法、装置、计算机设备、存储介质和程序产品 | |
| CN113379482B (zh) | 一种物品推荐方法、计算设备以及存储介质 | |
| JP2019159666A (ja) | 不動産情報提供システム | |
| CN117853198A (zh) | 模型推荐方法、装置、计算机设备及存储介质 | |
| CN116862683A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
| CN117114278A (zh) | 网点选址方法、装置、计算机设备和存储介质 | |
| CN116719994A (zh) | 媒体对象推荐方法、装置、计算机设备及存储介质 | |
| CN116050816A (zh) | 行为调整策略的确定方法、装置、计算机设备和存储介质 | |
| CN115409576A (zh) | 产品推荐方法、装置、计算机设备及其存储介质 | |
| CN116823384A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 | |
| CN114065042A (zh) | 用户需求预测方法、装置、电子设备及可读存储介质 | |
| CN117036050A (zh) | 车险理赔处理方法、系统、计算机设备和存储介质 | |
| CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN117033591A (zh) | 问题解答方法、装置、计算机设备和存储介质 | |
| CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
| CN116151896A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
| CN117436973A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 |
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 |