TWI711983B

TWI711983B - 一種商圈判定方法和裝置

Info

Publication number: TWI711983B
Application number: TW108100523A
Authority: TW
Inventors: 黃凱; 鐘蛵雩; 賈全慧; 泉余
Original assignee: 開曼群島商創新先進技術有限公司
Priority date: 2018-03-20
Filing date: 2019-01-07
Publication date: 2020-12-01
Also published as: TW201941116A; CN108596648B; WO2019179173A1; CN108596648A

Abstract

本說明書實施例提供一種訓練商圈判定模型的方法和裝置、判定商圈的方法和裝置、以及更新商圈判定的方法和裝置，所述訓練商圈判定模型的方法包括：獲取預定地理範圍內的多個店鋪各自的位置資訊和所述多個店鋪各自的商圈標註資訊；根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊；利用所述多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部所述商圈判定資訊相對於全部所述商圈標註資訊的相似度；以及調整ρ、δ及γ各自的閾值，使得所述相似度提高。

Description

一種商圈判定方法和裝置

本說明書實施例關於機器學習領域，更具體地，關於一種訓練商圈判定模型的方法和裝置、判定商圈的方法和裝置以及更新商圈判定的方法和裝置。

近年來，在“新零售”、“新金融”的背景下，離線店鋪得到大力發展。相比於線上商家，離線商家擁有實體店，物以類聚，其在地理位置上具有一定的聚集性，即，可以將這些實體店劃分到各個商圈中。透過商圈資訊，可以加深對店鋪的認識：識別離線行業市場、輔助判斷門店經營狀况等。目前已有的商圈資訊包括：透過離線BD打標的商圈資訊、以及主要來源於爬取的大衆點評商圈結果的商圈資訊。上述商圈資訊都是透過人工標註獲取。因此，需要一種更有效的判定商圈的方案。

本說明書實施例旨在提供一種更有效的判定商圈的方案，以解决現有技術中的不足。為實現上述目的，本說明書一個方面提供一種訓練商圈判定模型的方法，包括：獲取預定地理範圍內的多個店鋪各自的位置資訊和所述多個店鋪各自的商圈標註資訊；根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊；利用所述多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部所述商圈判定資訊相對於全部所述商圈標註資訊的相似度；以及調整ρ、δ及γ各自的閾值，使得所述相似度提高。在一個實施例中，在所述訓練商圈判定模型的方法中，所述多個店鋪中店鋪i的局部密度ρ的值為ρ_i ，其中，

其中，當d_ij -d_c ＜0時，χ(d_ij -d_c )=1，當d_ij -d_c ≥0時，χ(d_ij -d_c )=0，其中d_c 為半徑閾值，d_ij 為所述多個店鋪中的店鋪i與店鋪j之間的距離，i和j為小於等於所述多個店鋪的總店鋪數的自然數，且i≠j。在一個實施例中，在所述訓練商圈判定模型的方法中，所述多個店鋪中店鋪i的局部密度ρ的值為ρ_i ，其中，

其中d_c 為半徑閾值，d_ij 為所述多個店鋪中的店鋪i與店鋪j之間的距離，i和j為小於等於所述多個店鋪的總店鋪數的自然數，且i≠j。在一個實施例中，在所述訓練商圈判定模型的方法中，店鋪i和店鋪j的位置資訊分別以經緯度表示為(Lon_i ，Lat_i )和(Lon_j ，Lat_j )，並且其距離d_ij 如下計算：

，其中R為地球半徑。在一個實施例中，在所述訓練商圈判定模型的方法中，所述相似度以參數WFS表示，其中，

，

，其中i為0到A的整數，j為0到B的整數，A為標註商圈的商圈數，B為判定商圈的商圈數，N_i 為第i個標註商圈包含的店鋪數，N為所述多個店鋪的總店鋪數， P_ij 為關於第i個標註商圈和第j個判定商圈的精確率，R_ij 為關於第i個標註商圈和第j個判定商圈的召回率，其中將包括標註零散店鋪的集合設定為第0個標註商圈，將包括判定零散店鋪的集合設定為第0個判定商圈，其中所述標註零散店鋪為不屬於任何標註商圈的標註店鋪，所述判定零散店鋪為不屬於任何判定商圈的判定店鋪。在一個實施例中，在所述訓練商圈判定模型的方法中，調整ρ、δ及γ各自的閾值，使得所述相似度提高包括，調整ρ、δ及γ各自的閾值，使得所述相似度最大。本說明書另一方面提供一種判定商圈的方法，包括：獲取預定地理範圍內的多個店鋪各自的位置資訊；根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個店鋪判定商圈。在一個實施例中，在所述判定商圈的方法中，所述預定地理範圍為預定城市。本說明書另一方面提供一種更新商圈判定的方法，包括：獲取預定地理範圍內的多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離；獲取所述預定地理範圍內的至少一個第二店鋪各自的第二位置資訊；利用所述第一位置資訊和第二位置資訊，計算所述各個第二店鋪之間第二距離、第二店鋪中任一店鋪與第一店鋪中任一店鋪之間的第三距離；根據CFSFDP叢集演算法，基於所述第一距離、第二距離和第三距離，計算所述多個第一店鋪和至少一個第二店鋪各自的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個第一店鋪和至少一個第二店鋪判定商圈。在一個實施例中，所述更新商圈判定的方法每預定時段執行一次。本說明書另一方面提供一種訓練商圈判定模型的裝置，包括：第一獲取單元，配置為，獲取預定地理範圍內的多個店鋪各自的位置資訊和所述多個店鋪各自的商圈標註資訊；第一計算單元，配置為，根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；第二獲取單元，配置為，根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊；第二計算單元，配置為，利用所述多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部所述商圈判定資訊相對於全部所述商圈標註資訊的相似度；以及閾值調整單元，配置為，調整ρ、δ及γ各自的閾值，使得所述相似度提高。本說明書另一方面提供一種判定商圈的裝置，包括：獲取單元，配置為，獲取預定地理範圍內的多個店鋪各自的位置資訊；計算單元，配置為，根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及判定單元，配置為，透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個店鋪判定商圈。本說明書另一方面提供一種更新商圈判定的裝置，包括：第一獲取單元，配置為，獲取預定地理範圍內的多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離；第二獲取單元，配置為，獲取所述預定地理範圍內的至少一個第二店鋪各自的第二位置資訊；第一計算單元，配置為，利用所述第一位置資訊和第二位置資訊，計算所述各個第二店鋪之間第二距離、第二店鋪中任一店鋪與第一店鋪中任一店鋪之間的第三距離；第二計算單元，配置為，根據CFSFDP叢集演算法，基於所述第一距離、第二距離和第三距離，計算所述多個第一店鋪和至少一個第二店鋪各自的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及判定單元，配置為，透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個第一店鋪和至少一個第二店鋪判定商圈。透過根據本說明書實施例的判定商圈的方案，可快速準確地判定商圈，同時可保證判定結果的穩定性。並且，本說明書實施例還有效降低了計算複雜度，優化了計算時間。

下面將結合附圖描述本說明書實施例。圖1示出了根據本說明書實施例的用於判定商圈的系統100的示意圖。如圖1所示，系統100包括叢集模組11、評估模組12和閾值調整模組13。在訓練階段，將訓練樣本輸入到叢集模組11。訓練樣本包括店鋪各自的位置資訊和店鋪各自的商圈標註資訊。叢集模組11根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值，根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊。之後，叢集模組11將上述商圈判定資訊傳送給評估模組12。評估模組12利用所述多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部所述商圈判定資訊相對於全部所述商圈標註資訊的相似度作為評估分數，並將該評估分數傳送給閾值調整模組13。閾值調整模組13根據評估分數對叢集模組11中的參數ρ、δ和γ的閾值進行調整，以提高評估分數，並在多次調整之後，使得評估分數達到最大。在透過對叢集模組11的訓練達到其最優的參數閾值之後，可透過該距離模組11對全量店鋪資訊進行叢集，以獲取商圈判定結果。圖2示出了根據本說明書實施例的訓練商圈判定模型的方法流程圖。如圖2所示，所述方法包括：在步驟S21，獲取預定地理範圍內的多個店鋪各自的位置資訊和所述多個店鋪各自的商圈標註資訊；在步驟S22，根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；在步驟S23，根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊；在步驟S24，利用所述多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部所述商圈判定資訊相對於全部所述商圈標註資訊的相似度；以及在步驟S25，調整ρ、δ及γ各自的閾值，使得所述相似度提高。首先，在步驟S21，獲取預定地理範圍內的多個店鋪各自的位置資訊和所述多個店鋪各自的商圈標註資訊。預定地理範圍例如可以是包括100多個商圈的地理範圍，例如城市的區、縣等。為了參數的準確性，多個店鋪的店鋪數例如可以為幾千的量級，例如3000個。較佳地，所述多個店鋪覆蓋的多個商圈包括多種位置關係，例如，商圈與商圈相鄰、相交、遠離等。店鋪的位置資訊可以以已知的各種形式表示，例如，店鋪的位置資訊可以是店鋪經緯度，或者，店鋪的位置資訊可以是城市坐標等。店鋪的商圈標註資訊包括：店鋪是否屬於某個商圈，店鋪屬於哪個商圈等。例如，可以以標註商圈字段表示店鋪的商圈標註資訊，當該字段為0時，表示店鋪為不屬於任何商圈的零散店鋪，當該字段為自然數時，表示該店鋪屬於以該自然數標識的商圈。在步驟S22，根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值。首先說明對本說明書實施例中使用的CFSFDP演算法中的參數局部密度ρ的值的計算。在一個實施例中，所述多個店鋪中店鋪i的局部密度ρ的值為ρ_i ，其中，透過以下公式(1)計算ρ_i ：

其中，當d_ij -d_c ＜0時，χ(d_ij -d_c )=1，當d_ij -d_c ≥0時，χ(d_ij -d_c )=0，其中d_c 為半徑閾值，d_ij 為所述多個店鋪中的店鋪i與店鋪j之間的距離，i和j為小於等於所述多個店鋪的總店鋪數的自然數，且i≠j。在本說明書實施例中，使用CFSFDP叢集演算法來判定商圈，即對店鋪點進行叢集，由於商圈的形狀一般比較固定，因此將d_c 為設定為0.2(即200m)。透過該設定，極大地提高了叢集結果的穩定性。所述店鋪i與店鋪j之間的距離d_ij 可根據店鋪位置資訊的不同形式而采用不同的公式。例如，在店鋪i和店鋪j的位置資訊分別以經緯度表示為(Lon_i ，Lat_i )和(Lon_j ，Lat_j )時，透過如下公式(2)計算距離d_ij ：

(2)。透過公式(2)計算的d_ij 是球面上兩點間的距離，其中R為地球半徑，可取平均值6371km。在另一個實例中，d_ij 可以是歐式距離、明氏(Minkowsky)距離、馬氏(Manhattan)距離等。在另一個實例中，店鋪i和店鋪j的位置資訊分別以城市坐標系中的三維或二維坐標表示，從而可透過店鋪i和店鋪j的坐標計算其之間的例如歐式距離作為d_ij 。在計算中，可透過例如上述公式(2)計算各個d_ij ，從而獲得距離矩陣。根據公式(1)，當店鋪i與店鋪j之間的距離小於d_c (即0.2(km))時，即，當店鋪j在店鋪i的200m半徑範圍內時，χ(d_ij -d_c )的值為1，當店鋪j在店鋪i的200m半徑範圍以外時，χ(d_ij -d_c )的值為0。也就是說，這裏的ρ_i 為距離店鋪i的一定半徑(200m)範圍內的店鋪數量。在另一個較佳實施例中，引入基於高斯核函數的距離計算公式，透過以下公式(3)計算ρ_i ，

其中d_c 為半徑閾值，d_ij 為所述多個店鋪中的店鋪i與店鋪j之間的距離，i和j為小於等於所述多個店鋪的總店鋪數的自然數，且i≠j。其中d_c 和d_ij 可與上述公式(1)中的相同參數同樣地獲取。透過公式(3)計算的局部密度ρ_i 表示的是關於d_ij (d_ij ＜d_c )與d_c 的比值的函數，其可視為在店鋪i的200m範圍內的店鋪的距離增益之和。透過公式(3)更合理準確地描述了店鋪的局部密度。接下來，說明對本說明書實施例中使用的CFSFDP演算法中的參數與更高密度店鋪的最小距離δ的值的計算。店鋪i的δ的值可表示為δ_i ，可透過以下公式(4)計算δ_i ：

(4) 透過公式(4)可以得出，當ρ_i 為最高密度的店鋪點時，δ_i 為d_ij (其中j為除i之外的任一個店鋪)中的最大值，當ρ_i 不是最高密度的店鋪點時，δ_i 等於店鋪i與更高密度的店鋪之間的距離中的最小距離。在確定各個店鋪點的ρ_i 和δ_i 之後，可透過繪製ρ_- δ分布圖來確定商圈中心。圖3示出了ρ-δ分布圖的示例。如圖3所示，ρ-δ分布圖中的橫坐標為ρ，縱坐標為δ。如本領域技術人員所知，在CFSFDP演算法中，類中心具有較高的局部密度值ρ和較高的高密度距離δ，因此，在ρ-δ分布圖中位於圖中右上部分中的點有可能是叢集中心。例如，在圖3所示的ρ-δ分布圖中，除黑色點之外的不同灰度的點都有可能是商圈中心。另外，在確定各個店鋪點的ρ_i 和δ_i 之後，還可以計算其乘積γ_i =ρ_i *δ_i ，然後，可對全部店鋪各自的γ_i 進行排序，並在γ分布圖中按照各個γ_i 從大到小的順序繪製γ分布圖。圖4示意示出了γ分布圖的示例。如圖4所示，圖中縱坐標為γ，橫坐標為店鋪i根據γ_i 大小進行排序後的序列號，其中每個序列號對應一個店鋪。γ越大，代表ρ*δ越大，即該點對應的店鋪成為商圈中心的可能性較大。再回到圖2，在步驟S23，根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊。在本說明書實施例中，透過結合例如圖3的ρ_- δ分布圖和例如圖4的γ分布圖，根據設定的ρ、δ和γ的閾值，判定成為商圈中心的店鋪。例如，在圖3中，垂直於ρ軸的虛線代表ρ的閾值，垂直於δ軸的虛線代表δ的閾值，在圖4中，垂直於γ軸的虛線代表γ的閾值。在畫出閾值線之後，在圖3中，在ρ閾值線與δ閾值線交點右上方中的點為第一商圈中心，在圖4中，在γ閾值線上方的點為第二商圈中心。再結合圖3和圖4，取根據圖3判定的第一商圈中心與根據圖4判定的第二商圈中心的交集，從而獲取最終作為商圈中心的店鋪。在獲取商圈中心之後，對所述多個店鋪中的每個店鋪進行叢集，即，將其劃分到某個商圈中。具體是，在一個實施例中，將每個店鋪歸類到距離其最近的並且密度比其高的店鋪點所屬的商圈中。在一個實施例中，將每個店鋪歸類到距離其最近的商圈中心所述商圈中。當店鋪距離任一密度比其高的店鋪的距離太遠，或者店鋪距離任一商圈中心的距離太遠時，例如超過2km時，可認為該店鋪為零散店鋪，不屬於任一商圈，或者可認為該店鋪屬於商圈標識號為0的商圈。從而獲得每個店鋪的商圈判定資訊。在步驟S24，利用所述多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部所述商圈判定資訊相對於全部所述商圈標註資訊的相似度。所述相似度是表示商圈判定資訊與商圈標註資訊相似的程度。可透過多種形式來計算相似度，以評估判定結果。例如，精確率(Precision)、召回率(Recall)、AUC分數、對數損失、準確率(Accuracy)等，都可以用來表示相似度。在本說明書一個實施例中，以WFS分數表示相似度，其中，透過公式(5)計算WFS，

(5)，其中透過公式(6)計算f_ij ，

(6)，其中i為0到A的整數，j為0到B的整數，A為標註商圈的商圈數，B為判定商圈的商圈數，N_i 為第i個標註商圈包含的店鋪數，N為所述多個店鋪的總店鋪數， P_ij 為關於第i個標註商圈和第j個判定商圈的精確率，R_ij 為關於第i個標註商圈和第j個判定商圈的召回率，其中將包括標註零散店鋪的集合設定為第0個標註商圈，將包括判定零散店鋪的集合設定為第0個判定商圈，其中所述標註零散店鋪為不屬於任何標註商圈的標註店鋪，所述判定零散店鋪為不屬於任何判定商圈的判定店鋪。具體地，可透過以下公式(7)計算P_ij ，可透過以下公式(8)計算R_ij ：

(7)，

(8)，其中，i為0到A的整數，j為0到B的整數，A為標註商圈的商圈數，B為判定商圈的商圈數。x_ij 為第i個標註商圈中的店鋪被分配到第j個判定商圈中的店鋪數。其中，假設包括零散標註店鋪的集合為第0個標註商圈(即，i=0)，假設包括零散判定店鋪的集合為第0個判定商圈(即，j=0)，以便於透過上述公式(7)和(8)統一計入零散店鋪。在步驟S25，調整ρ、δ及γ各自的閾值，使得所述相似度提高。再參考圖3和圖4，可在圖3和圖4中的三條閾值線的至少一條閾值線的上下方移動所述至少一條閾值線，以獲得調整後的閾值。在進行所述移動之後，與上述步驟S23和S24中同樣地，根據ρ、δ和γ各自的調整後的閾值，獲取各個店鋪的調整後的商圈判定資訊，並利用商圈標註資訊和調整後的商圈判定資訊計算調整後的相似度。可依據所述相似度的變化，在使得相似度變大的方向上對所述閾值線進行多次移動，以不斷地調整ρ、δ及γ各自的閾值，從而使得相似度不斷提高。在一個實施例中，調整ρ、δ及γ各自的閾值，使得相似度最大，從而獲得最優的ρ、δ及γ各自的閾值。圖5示出了根據本說明書實施例的判定商圈的方法流程圖，包括以下步驟：在步驟S51，獲取預定地理範圍內的多個店鋪各自的位置資訊；在步驟S52，根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及，在步驟S53，透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個店鋪判定商圈。在圖5所示的方法中，所述預定地理範圍可以是預定城市範圍，即，以城市為單位來判定商圈。步驟S52的過程與圖2中的步驟S22基本相同，步驟S53的過程與圖2中的步驟S23基本相同，在此不再贅述。圖6示出了根據本說明書實施例的一種更新商圈判定的方法流程圖，包括：在步驟S61，獲取預定地理範圍內的多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離；在步驟S62，獲取所述預定地理範圍內的至少一個第二店鋪各自的第二位置資訊；在步驟S63，利用所述第一位置資訊和第二位置資訊，計算所述各個第二店鋪之間第二距離、第二店鋪中任一店鋪與第一店鋪中任一店鋪之間的第三距離；在步驟S64，根據CFSFDP叢集演算法，基於所述第一距離、第二距離和第三距離，計算所述多個第一店鋪和至少一個第二店鋪各自的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及在步驟S65，透過根據申請專利範圍第1-6項中任一項所述的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個第一店鋪和至少一個第二店鋪判定商圈。圖6所示的方法是一種增量迭代的方法。由於離線商家在不斷拓展，店鋪數不斷擴大，直接計算距離矩陣將面臨O(N² )的計算複雜度。因此，透過圖6所示的方法，減少計算量，以加快計算速度。具體地，首先，在步驟S61，獲取預定地理範圍內的多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離。所述預定地理範圍例如可以是預定城市。在一個實例中，可在初始月份M₀ ，獲取多個店鋪的位置資訊，並如上所述計算各個店鋪之間的距離，從而獲取距離矩陣N₀ 。而在M₀ 下一個月份M₁ ，新增了至少一個店鋪，或者已有的多個店鋪中有店鋪的位置資訊發生了變更。可將新增的店鋪或者位置發生變更的店鋪記為第二店鋪，或者 x_新，從而上述多個店鋪中與第二店鋪無關的店鋪為第一店鋪，或者x_老。例如，當第二店鋪為新增店鋪時，則第一店鋪為在M₀ 月獲取的全部店鋪。在另一個實例中，當第二店鋪為已有店鋪的位置發生變更的店鋪時，則第一店鋪為從在M₀ 月獲取的全部店鋪除去該位置變更的店鋪所剩下的店鋪。當在M₁ 月對商圈判定進行更新時，可從在M₀ 月獲取的店鋪位置資訊及計算的距離矩陣N₀ 直接獲取多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離，所述第一距離即為店鋪x_老與x_老之間的距離。在步驟S62，獲取所述預定地理範圍內的至少一個第二店鋪各自的第二位置資訊。在如上所述實例中，當在M₀ 下一個月份M₁ ，新增了至少一個第二店鋪時，獲取新增的第二店鋪的位置資訊。或者，當在M₁ 月，已有店鋪中的第二店鋪的位置資訊發生變更時，獲取第二店鋪的變更後的位置資訊。在步驟S63，利用所述第一位置資訊和第二位置資訊，計算所述各個第二店鋪之間第二距離、第二店鋪中任一店鋪與第一店鋪中任一店鋪之間的第三距離。即，利用所述第一位置資訊和第二位置資訊，計算x_新與x_新之間的第二距離以及x_新與x_老之間的第三距離。在步驟S64，根據CFSFDP叢集演算法，基於所述第一距離、第二距離和第三距離，計算所述多個第一店鋪和至少一個第二店鋪各自的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值。所述第一距離、第二距離和第三距離一起構成新的距離矩陣，從而可如上所述計算包括第一店鋪和第二店鋪的多個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值。最後，在步驟S65，透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個第一店鋪和至少一個第二店鋪判定商圈。該步驟與圖2中的步驟S23和圖5中的步驟S53基本相同，在此不再贅述。上述更新商圈判定的方法可每預定時段執行一次，例如每月執行一次，從而可定期更新對商圈的判定。並且該更新方法至少降低了兩個量級的計算複雜度。圖7示出了根據本說明書實施例的一種訓練商圈判定模型的裝置700，包括：第一獲取單元71，配置為，獲取預定地理範圍內的多個店鋪各自的位置資訊和所述多個店鋪各自的商圈標註資訊；第一計算單元72，配置為，根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；第二獲取單元73，配置為，根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊；第二計算單元74，配置為，利用所述多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部所述商圈判定資訊相對於全部所述商圈標註資訊的相似度；以及閾值調整單元75，配置為，調整ρ、δ及γ各自的閾值，使得所述相似度提高。圖8示出了根據本說明書實施例的一種判定商圈的裝置800，包括：獲取單元81，配置為，獲取預定地理範圍內的多個店鋪各自的位置資訊；計算單元82，配置為，根據CFSFDP叢集演算法，利用所述位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及判定單元83，配置為，透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個店鋪判定商圈。圖9示出了一種更新商圈判定的裝置900，包括：第一獲取單元91，配置為，獲取預定地理範圍內的多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離；第二獲取單元92，配置為，獲取所述預定地理範圍內的至少一個第二店鋪各自的第二位置資訊；第一計算單元93，配置為，利用所述第一位置資訊和第二位置資訊，計算所述各個第二店鋪之間第二距離、第二店鋪中任一店鋪與第一店鋪中任一店鋪之間的第三距離；第二計算單元94，配置為，根據CFSFDP叢集演算法，基於所述第一距離、第二距離和第三距離，計算所述多個第一店鋪和至少一個第二店鋪各自的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及判定單元95，配置為，透過根據上述訓練商圈判定模型的方法獲取的ρ、δ及γ各自的調整後的閾值，針對所述多個第一店鋪和至少一個第二店鋪判定商圈。可透過計算Sil分數來評估根據本說明書實施例的商圈判定模型。可透過以下公式(9)-(11)計算SIL分數：

其中c_k 表示第k個叢集結果的集合，a(i)表示點i到圈內所有點的平均距離，b(i)表示點i到距離最近的商圈p內所有點的平均距離。假設各個商圈大小一致，此時位於兩商圈分界處的點對應s(i)值為0，因此評估整體係數時，統計s(i)大於0的店鋪所占比即為有效分類店鋪數的占比，作為最終的SIL分數。透過該SIL分數評估，驗證了根據本說明書實施例的商圈判定模型擁有較好的判定性能。本說明書實施例方法只需在輸入端獲取全量店鋪的地理位置資訊，即可對其判定商圈，而無需人工的一一判定，經實測本方法的商圈覆蓋率可達92.5%，其中未被覆蓋店鋪基本為孤立點或髒資料點。本說明書實施例方法中使用的CFSFDP演算法無需預先定義，而是透過閾值限定的方法直接求取商圈中心。本說明書實施例方法從兩個方面增强了穩定性：首先，使用已知的高準確率標註商圈資訊預先訓練出最優參數，保證了參數的穩定性；其次，在參數穩定的情况下，使用閾值限定的方式獲取商圈中心，可保證在資料不變或改變較小的情况下，商圈發現結果的穩定。另外，本說明書實施例方法引入基於城市分區和增量迭代的方式構建距離矩陣，利用了店鋪演變的時序性，有效的降低了計算複雜度，實測中計算時間優化了約10倍。本領域普通技術人員應該還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及演算法步驟，能够以電子硬體、計算機軟體或者二者的結合來實現，為了清楚地說明硬體和軟體的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬體還是軟體方式來執軌道，取决於技術方案的特定應用和設計約束條件。本領域普通技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本申請的範圍。結合本文中所公開的實施例描述的方法或演算法的步驟可以用硬體、處理器執軌道的軟體模組，或者二者的結合來實施。軟體模組可以置於隨機記憶體(RAM)、內存、唯讀記憶體(ROM)、電可程式化ROM、電可擦除可程式化ROM、暫存器、硬碟、可行動磁碟、CD-ROM、或技術領域內所公知的任意其它形式的儲存媒體中。以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。

100‧‧‧系統 11‧‧‧叢集模組 12‧‧‧評估模組 13‧‧‧閾值調整模組 S21‧‧‧步驟 S22‧‧‧步驟 S23‧‧‧步驟 S24‧‧‧步驟 S25‧‧‧步驟 S51‧‧‧步驟 S52‧‧‧步驟 S53‧‧‧步驟 S61‧‧‧步驟 S62‧‧‧步驟 S63‧‧‧步驟 S64‧‧‧步驟 S65‧‧‧步驟 700‧‧‧裝置 71‧‧‧第一獲取單元 72‧‧‧第一計算單元 73‧‧‧第二獲取單元 74‧‧‧第二計算單元 75‧‧‧閾值調整單元 800‧‧‧裝置 81‧‧‧獲取單元 82‧‧‧計算單元 83‧‧‧判定單元 900‧‧‧裝置 91‧‧‧第一獲取單元 92‧‧‧第二獲取單元 93‧‧‧第一計算單元 94‧‧‧第二計算單元 95‧‧‧判定單元

透過結合附圖描述本說明書實施例，可以使得本說明書實施例更加清楚：圖1示出了根據本說明書實施例的用於判定商圈的系統100的示意圖；圖2示出了根據本說明書實施例的訓練商圈判定模型的方法流程圖；圖3示意示出了ρ_- δ分布圖的示例；圖4示意示出了γ分布圖的示例；圖5示出了根據本說明書實施例的判定商圈的方法流程圖；圖6示出了根據本說明書實施例的一種更新商圈判定的方法流程圖；圖7示出了根據本說明書實施例的一種訓練商圈判定模型的裝置700；圖8示出了根據本說明書實施例的一種判定商圈的裝置800；以及圖9示出了根據本說明書實施例的一種更新商圈判定的裝置900。

Claims

一種訓練商圈判定模型的方法，包括：獲取預定地理範圍內的多個店鋪各自的位置資訊和該多個店鋪各自的商圈標註資訊；根據CFSFDP叢集演算法，利用該位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊；利用該多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部該商圈判定資訊相對於全部該商圈標註資訊的相似度作為評估分數；以及調整ρ、δ及γ各自的閾值，使得該相似度提高，其中，該相似度提高是藉由傳送該評估分數，並根據該評估分數對ρ、δ及γ的閾值進行調整以提高該評估分數，在多次調整之後，使得該評估分數達到最大。
根據請求項1之訓練商圈判定模型的方法，其中，該多個店鋪中店鋪i的局部密度ρ的值為ρ_i，其中，ρ _i=Σ_j χ(d _ij-d _c),其中，當d_ij-d_c<0時，χ(d_ij-d_c)=1，當d_ij-d_c
0時，χ(d_ij-d_c)=0，其中d_c為半徑閾值，d_ij為該多個店鋪中的店鋪i與店鋪j之間的距離，i和j為小於等於該多個店鋪的總店鋪數的自然數，且i≠j。
根據請求項1之訓練商圈判定模型的方法，其中，該多個店鋪中店鋪i的局部密度ρ的值為ρ_i，其中，
其中d_c為半徑閾值，d_ij為該多個店鋪中的店鋪i與店鋪j之間的距離，i和j為小於等於該多個店鋪的總店鋪數的自然數，且i≠j。
根據請求項2或3之訓練商圈判定模型的方法，其中，店鋪i和店鋪j的位置資訊分別以經緯度表示為(Lon_i，Lat_i)和(Lon_j，Lat_j)，並且其距離d_ij如下計算：
其中R為地球半徑。
根據請求項1之訓練商圈判定模型的方法，其中，該相似度以參數WFS表示，其中，
其中，
, 其中i為0到A的整數，j為0到B的整數，A為標註商圈的商圈數，B為判定商圈的商圈數，N_i為第i個標註商圈包含的店鋪數，N為該多個店鋪的總店鋪數，P_ij為關於第i個標註商圈和第j個判定商圈的精確率，R_ij為關於第i個標註商圈和第j個判定商圈的召回率，其中將包括標註零散店鋪的集合設定為第0個標註商圈，將包括判定零散店鋪的集合設定為第0個判定商圈，其中該標註零散店鋪為不屬於任何標註商圈的標註店鋪，該判定零散店鋪為不屬於任何判定商圈的判定店鋪。
根據請求項1之訓練商圈判定模型的方法，其中調整ρ、δ及γ各自的閾值，使得該相似度提高包括，調整ρ、δ及γ各自的閾值，使得該相似度最大。
一種判定商圈的方法，包括：獲取預定地理範圍內的多個店鋪各自的位置資訊；根據CFSFDP叢集演算法，利用該位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；透過根據請求項1-6中任一項之方法獲取的ρ、δ及γ各自的調整後的閾值，針對該多個店鋪判定商圈。
根據請求項7之判定商圈的方法，其中該預定地理範圍為預定城市。
一種更新商圈判定的方法，包括：獲取預定地理範圍內的多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離；獲取該預定地理範圍內的至少一個第二店鋪各自的第二位置資訊；利用該第一位置資訊和第二位置資訊，計算該各個第二店鋪之間第二距離、第二店鋪中任一店鋪與第一店鋪中任一店鋪之間的第三距離；根據CFSFDP叢集演算法，基於該第一距離、第二距離和第三距離，計算該多個第一店鋪和至少一個第二店鋪各自的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及透過根據請求項1-6項中任一之方法獲取的ρ、δ及γ各自的調整後的閾值，針對該多個第一店鋪和至少一個第二店鋪判定商圈。
根據請求項9之更新商圈判定的方法，該方法每預定時段執行一次。
一種訓練商圈判定模型的裝置，包括：第一獲取單元，配置為，獲取預定地理範圍內的多個店鋪各自的位置資訊和該多個店鋪各自的商圈標註資訊；第一計算單元，配置為，根據CFSFDP叢集演算法，利用該位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；第二獲取單元，配置為，根據ρ、δ和γ各自的當前閾值，獲取各個店鋪的商圈判定資訊；第二計算單元，配置為，利用該多個店鋪各自的商圈判定資訊和商圈標註資訊，計算全部該商圈判定資訊相對於全部該商圈標註資訊的相似度作為評估分數；以及閾值調整單元，配置為，調整ρ、δ及γ各自的閾值，使得該相似度提高，其中，該相似度提高是藉由該請求項二計算單元將該評估分數傳送給該閾值調整單元，該閾值調整單元根據該評估分數對該請求項一計算單元中的ρ、δ及γ的閾值進行調整，以提高該評估分數，並在多次調整之後，使得該評估分數達到最大。
根據請求項11之訓練商圈判定模型的裝置，其中，該多個店鋪中店鋪i的局部密度ρ的值為ρ_i，其中，ρ _i=Σ_j χ(d _ij-d _c),其中，當d_ij-d_c<0時，χ(d_ij-d_c)=1，當d_ij-d_c
0時，χ(d_ij-d_c)=0，其中d_c為半徑閾值，d_ij為該多個店鋪中的店鋪i與店鋪 j之間的距離，i和j為小於等於該多個店鋪的總店鋪數的自然數，且i≠j。
根據請求項11之訓練商圈判定模型的裝置，其中，該多個店鋪中店鋪i的局部密度ρ的值為ρ_i，其中，
其中d_c為半徑閾值，d_ij為該多個店鋪中的店鋪i與店鋪j之間的距離，i和j為小於等於該多個店鋪的總店鋪數的自然數，且i≠j。
根據請求項12或13之訓練商圈判定模型的裝置，其中，店鋪i和店鋪j的位置資訊分別以經緯度表示為(Lon_i，Lat_i)和(Lon_j，Lat_j)，並且其距離d_ij如下計算：
其中R為地球半徑。
根據請求項11之訓練商圈判定模型的裝置，其中，該相似度以參數WFS表示，其中，
其中，
, 其中i為0到A的整數，j為0到B的整數，A為標註商圈的商圈數，B為判定商圈的商圈數，N_i為第i個標註商圈包含的店鋪數，N為該多個店鋪的總店鋪數，P_ij為關於第i個標註商圈和第j個判定商圈的精確率，R_ij為關於第i個標註商圈和第j個判定商圈的召回率，其中將包括標註零散店鋪的集合設定為第0個標註商圈，將包括判定零散店鋪的集合設定為第0個判定商圈，其中該標註零散店鋪為不屬於任何標註商圈的標註店鋪，該判定零散店鋪為不屬於任何判定商圈的判定店鋪。
根據請求項11之訓練商圈判定模型的裝置，其中該閾值調整單元還配置為，調整ρ、δ及γ各自的閾值，使得該相似度最大。
一種判定商圈的裝置，包括：獲取單元，配置為，獲取預定地理範圍內的多個店鋪各自的位置資訊；計算單元，配置為，根據CFSFDP叢集演算法，利用該位置資訊，計算各個店鋪的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及判定單元，配置為，透過根據請求項1-6中任一項之方法獲取的ρ、δ及γ各自的調整後的閾值，針對該多個店鋪判定商圈。
根據請求項17之判定商圈的裝置，其中該預定地理範圍為預定城市。
一種更新商圈判定的裝置，包括：請求項一獲取單元，配置為，獲取預定地理範圍內的多個第一店鋪各自的第一位置資訊和各個第一店鋪之間的第一距離；第二獲取單元，配置為，獲取該預定地理範圍內的至少一個第二店鋪各自的第二位置資訊；第一計算單元，配置為，利用該第一位置資訊和第二位置資訊，計算該各個第二店鋪之間第二距離、第二店鋪中任一店鋪與第一店鋪中任一店鋪之間的第三距離；第二計算單元，配置為，根據CFSFDP叢集演算法，基於該第一距離、第二距離和第三距離，計算該多個第一店鋪和至少一個第二店鋪各自的局部密度ρ的值、與更高密度店鋪的最小距離δ的值及其乘積γ的值；以及判定單元，配置為，透過根據請求項1-6中任一項之方法獲取的ρ、δ及γ各自的調整後的閾值，針對該多個第一店鋪和至少一個第二店鋪判定商圈。
根據請求項19之更新商圈判定的裝置，該裝置每預定時段實施一次。