TWM626891U - 分行據點的選址裝置 - Google Patents

Abstract

本新型關於一種分行據點的選址裝置，包括：網格劃分模組，用以基於經緯度進行城市區域網格劃分；潛力區域預測模型，用以獲取分行的外部生活資料，預測所述城市的各個區域網格在未來時間範圍內的發展潛力評分；其中，所述潛力區域模型包含：進行極限梯度提升(XGBoost)的基於樹(Tree-based)模型；以及，基於卷積神經網路(CNN)運算的區域特徵提取模型；分行效益評估模型，用以獲取相關分行過去與現有的內部金融活動資料；及圖形化介面，用以建置互動式網頁，以呈現模型的分析結果、相關內外部資料及分行據點推薦資訊。

Description

分行據點的選址裝置

本新型涉及互聯網技術，尤其涉及一種銀行分行據點的選址裝置。

隨著人口的轉變、市場趨勢的發展和其它環境因素的變化，企業隨時都需要藉由搬遷或擴大據點位置，來因應市場的改變與挑戰。由於選址決策具有深遠的影響，因此據點分佈的選擇將是企業經營策略的一大考驗。

銀行業者為了因應金融環境快速變遷與為提高客戶服務的營運網絡，而尋找出分行搬遷選址的關鍵指標，並依序找出各項指標的重要程度，以作為銀行業者訂定分行佈點策略的依據。然而，由於銀行分行搬遷選址所要考量的指標種類眾多，因此，往往很難找到最適決策，以進行分行的選址，使得負責分行據點的評估人員，往往僅能憑經驗、決策者喜好或同業進駐家數多寡等方式來選擇，無法達到有效降低銀行成本，提升分行營運效率的目標。

本新型提供一種分行據點的選址裝置，用以解決現有 技術中分行選址的指標眾多，無法找到最適決策的技術問題。

一個方面，本新型提供一種分行據點的選址裝置，包括：網格劃分模組，用以基於經緯度進行城市區域網格劃分；潛力區域預測模型，用以獲取分行的外部生活資料，預測所述城市的各個區域網格在未來時間範圍內的發展潛力評分；其中，所述潛力區域模型包含：進行極限梯度提升(XGBoost)的基於樹(Tree-based)模型；以及，基於卷積神經網路(CNN)運算的區域特徵提取模型；分行效益評估模型，用以獲取相關分行過去與現有的內部金融活動資料；及圖形化介面，用以建置互動式網頁，以呈現模型的分析結果、相關內外部資料及分行據點推薦資訊。

作為一種可實現的方式，所述選址裝置包括：爬蟲軟體，用以爬取所述外部生活資料，以獲取想要的特定資訊。

作為一種可實現的方式，所述潛力區域預測模型利用地理資訊軟體(Quantum GIS)系統，爬取多個不同道路等級的長度、數量、交叉口數量等路網結構資訊，並且利用圖層的交疊，計算道路與所述網格邊界的交疊，而統計出每個網格延伸向不同方位的道路數量，以確定各網格的交通便利度。

作為一種可實現方式，所述區域特徵提取模型更包含將欲預測的目標網格周圍的5×5網格框列出來，將此25網格作為CNN運算的輸入，以透過卷積層來學習所述目標網格的周邊環境。

作為一種可實現方式，所述區域特徵提取模型在進入CNN運算之前，算出所述周圍的25網格之各特徵值的平均值，並運用通道注意力函數算出權重較高者。

作為一種可實現方式，所述區域特徵提取模型在得知周圍網格中的權重較高者後，使得每個周圍網格對所述目標網格，進行空間注意力函數運算，以取得空間注意力權重。

作為一種可實現方式，所述網格劃分模組將城市劃分為500米×500米為單位的網格。

10:選址裝置

11:網格劃分模組

12:爬蟲軟體

15:圖形化介面

19:分行效益評估模型

20:網路

30:伺服器

32:延伸出去網格的道路

34:交叉路口

40:使用者

100:潛力區域預測模型

120:基於樹模型

140:卷積神經網路模型

142:通道注意力機制

144:空間注意力機制

160:嵌入層

為了更清楚地說明本新型實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本新型的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

[圖1]為可以實施本新型實施例的場景示意圖；[圖2]為依據本新型實施例將城市依經緯度劃分的示意圖； [圖3]為依據本新型實施例之路網結構的連結特徵圖；[圖4]為依據本新型實施例提供的潛力區域預測模型架構圖；及[圖5]為依據本新型之視覺化裝置的應用介面示意圖。

這裡將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的元件。以下示例性實施例中所描述的實施方式並不代表與本新型相一致的所有實施方式。相反，它們僅是與如所附申請專利範圍中所詳述的、本新型的一些方面相一致的裝置和方法的例子。

圖1為本新型說明書揭露的一個實施例之場景示意圖。圖1的實施場景包含：選址裝置10，用以從網路20接收外部生活資料，並將處理過的資訊，經由網路20送至伺服器30，以供使用者40使用。

如圖1所示，本新型選址裝置10包含：網格劃分模組11，用以基於經緯度進行城市區域網格劃分；及爬蟲軟體12，以爬取來自網路20的外部生活資料。所述外部生活資料的例子可以包含透過政府開放資料裝置、Google API、QGIS(Quantum GIS，地理資訊軟體)、OpenStreet Map等眾多應用程式介面(API)爬取將近200種外部資料，涵蓋五大 影響分行據點設置的重要因子：人口資訊、生活機能、商業活動、區域活動、金融機構等。其中，人口資訊可以例如包含：各年齡層人口數、家庭年收入、家庭數、學校間數/人數等；生活機能，則可以例如包含：超商數、餐飲商店數、交通設施、醫療診所、藥妝店數、大型量販店數等；商業活動可以例如包含工廠數量、電信門市數、公司數、房價等；區域活動可以例如包含總用水量、總用電度數/金額、發票數/金額等；及金融機構可以例如包含銀行/郵局數、銀行/郵局ATM數、其他金融機構數等。

為了要讓獲取的外部資料能夠結合所在的地理空間資訊，基於經緯度的城市區域網格劃分，將城市(如圖2的桃園市)按照經緯度方向，劃分指定長寬(如500米×500米)的方形網格，每個網格均具有自己的經緯度範圍，將網格按照由西到東，由北至南的順序，依序編號，以作為資料統計的基礎。

依據本新型實施例，本新型大致可以依據以下四類的城市巨量外部資料，來描述其環境特色與土地利用：

1.周邊路網結構與連結特徵

利用地理資訊軟體(QGIS，Quantum GIS)系統爬取八個不同道路等級的路網結構資訊，包含其長度、數量、交水口數量。另外，為了取得網格之間的連結特性，運用圖層的交疊，計算道路與網格邊界的交疊，進而統計出每個網格延伸向不同方位的道路的數量。如於圖3中示，框32 為延伸出去網格的一條道路，而框34為兩條道路的交叉，即交叉路口。如此，即可以利用圖3所示的路網結構來了解各區域的交通便利度，並也能夠提取出其與其他網格的連結特徵。

2.各個興趣點(POI，Point of Interests)數量

包含各級學校、各大知名商業店家(如：四大超商、生鮮超市...等等)、飲食店家、醫療機構、金融機構、各資本額之公司工廠、各個交通站點(如：公車站、捷運、火車站...等)、停車場的數量及其所包含之停車格數量。以上POI資訊部分又進一步劃分成不同的等級，表現出不同的地區的特性。如，飲食店家共有四種不同的價格等級、公司亦有不同資本額等級。運用這些數值來表示地區的繁榮程度以及其土地運用。

3.地區之經濟條件及人口結構

本新型中所提之地區的經濟條件與人口結構包含了政府所統計的薪資結構、開立的發票、水電使用的狀況等。人口結構則有戶數、及各年齡層的男女比例。

4.周遭人流特徵

除了以上的地理、人口特徵外，也透過Google API抓取人類足跡資料，以了解在不同單位時間候選據點範圍內人群流動的情形。利用API所抓取的打卡數量了解過去有 多少人曾經拜訪過這些範圍內的任何地區可能對於我們評估潛在客戶有所助益。

運用以上所述的巨量外部資料，在圖1的選址裝置10內建立了潛力區域模型100，用以將外部生活資料所篩選出的重要特徵和地理空間位置做結合，配合前述500米×500米為單位的網格，根據各個網格所配合的外部資料透過潛力區域模型100，以預測現有銀行數量，來表示此地區之銀行群聚能力。再減去現有已有分行數，就可以表現出網格的潛力值。

如圖4顯示依據本新型實施例之潛力區域預測模型100的具體實施例。潛力區域預測模型100包含：基於樹模型120、卷積神經網路(CNN)模型140，以及，連接至基於樹模型120與CNN模型140的嵌入(embedding)層160。

為了學習網格內部的特徵值，潛力區域預測模型100使用了一個預訓練的基於樹模型120，來進行目標網格的訓練。為了增加該基於樹模型120的穩定度，以及協助模型找出與「銀行群聚力」高度相關的特徵值，基於樹模型120採用一次預測兩個目標(multi-task)，並利用Filter-based、Wrapper-based、及Embedded-based特徵選擇(Feature Selection)方式，來萃取出數個特徵值，交叉驗證出適合作為第二預測目標的特徵後，分別對第一、第二預測目標訓練一個基於樹模型。透過極限梯度提升(eXtreme Grandient Boosting，XGBoost)進行多次反覆實驗。對兩個樹的所有葉子節點編上一個獨特的識別號，再給予所有識 別號一個獨特的嵌入(embedding)。透過模型對embedding的訓練，來學習不同葉子的意義，即可學習每個網格內部的特徵值，來增加模型的穩定性，並找出與銀行群聚力高度相關的特徵值。

由於基於樹模型120無法學習到區域性的特徵，所以，潛力區域預測模型100中加入CNN模型140，用以將欲預測的目標網格之周圍的5×5的網格匡列出來，各個網格都被當影像中的像素點，並將此25網格當作CNN模型140的輸入。透過卷積層來學習欲預測目標網格的周邊環境。其中，為了更精準的學習不同參數間重要性，分別使用了通道注意力(channel-level attention)機制142與空間層級注意力(spatial-level attention)機制144，來提供模型的效能，並增加模型的可解釋性。

有關此CNN模型140的可解釋性，本新型針對以下三種層面提出說明，以使使用者能夠更理解模型預測：

1.目標網格所經過的決策規則

讓葉子embedding從經過注意力機制的眾多樹中找出最重要的一條路徑，並將路徑上所經過的規則印出。協助使用者了解，對於當前這網格，重要的判斷依據為何。

2.目標網格周圍環境中的重要參數

除了當前網格之外，CNN模型140也致力於找出周圍環境中的重要決定因子。例如，若欲測試之目標網格所在地區鄰近某一科學園區，則此周圍環的重要參數會出現公司、工廠。在模型進入CNN運算之前，算出周圍區域25格 之各特徵值的平均值，並運用通道注意力(channel-wise attention)機制(函數)142運算出通道注意力權重較高者。權重最高的前十名，即為模型篩選出之重要參數。

3.目標網格周圍環境中重要的其他網格

知道一個網格之周邊環境的重要參數之後，模型也進一步計算出，對於此網格而言，哪個鄰近網格有著重大影響力。這項可解釋性可以協助使用者了解，此目標網格與周圍網格的關聯性，進而方便日後觀察其變化。其運算方法為在模型進入CNN運算之前，分別讓每個週邊網格對中間目標網格，進行空間注意力(spatial attention)機制(函數)144運算，以取得空間注意力權重，而得到權重特性圖，並印出權重之熱度圖，以方便使用者觀看。

回到圖1，選址裝置10還包含分行效益評估模型19，從「人(客戶、理專)、場域(分行、ATM)、商品」，3大構面出發及分群，尋找不同態樣、經營模式與地理區域之關聯性，來預測4項分行財富指標：財富手收、理財AUM(Asset Under Management，資產管理規模)滲透率、全體理專理財ROA(Return of Assets，資產報酬率)、財富ROA，配合上周轉率與理專產能，將各分行過去及現有的內部資料，進行資料整理並篩選出重要財富指標影響因子，並把這些重要特徵藉由模型訓練來對分行績效進行評估。

如圖1所示，選址裝置10更包含圖形化介面15，用以將這些模型所產出的結果，以及，內部資料、外部資料， 以視覺化裝置的方式加以呈現，如於圖5所示，以供銀行內部做分行搬遷決策時，能夠提供更有效率且易操作的應用介面。

接著，進一步說明本新型的特徵選擇(Feature Selection)方法的優缺點：

1.Filter-based

此方法不受後續所選用的模型影響，運算成本也最低，通常做為將無關特徵剔除的第一步，也就是刷掉幾近無關的特徵，所以可以視為是一種篩選機制，但過於簡單的選擇方式也經常會將有用的資訊濾掉。基於統計檢定的過濾器容易過濾掉重要訊息，因此，沒有選用。

2.Wrapper-based

此方法基本上是以Greedy-based的概念作成，必須要將選用的特徵子集驗證在選用的模型上，透過不停訓練與驗證，選出有用的特徵，由於此方法為不停迭代的程序，所以時間成本高；然而，因為選取過程中有涉及特徵訓練的部分，所以選取效果相較於filter-based的方式優良。實作上有兩種方式可以選擇，包含forward selection(從空的特徵集合開始逐步添加新的特徵，並予以驗證)、backward elimination(從包含所有特徵的集合開始，逐步刪除較不相關的特徵，並予以驗證)。本新型最後採用forward selection方式。

3.Embedded-based

此方法在訓練模型過程中同時作到特徵選擇，即，選 擇的依據來自於模型本身所給出的參數，例如：線性迴歸(linear regression)中的權重、tree-based模型的特徵重要性，不僅速度比wrapper-based方法快，同時，效果也可以與wrapper-based方法持平。

實驗過後發現embedded-based方法並無優於wrapper-based，所以最後選用filter-based方法初步過濾無關的feature，再利用wrapper-based方法逐步選取feature subset，最後再來與Tree-based model合併，訓練出最終的tree-based model。

接著，說明本新型裝置模組開發的情形。本新型建置互動式網頁，以圖形化介面呈現模型的分析結果、相關內外部資料以及分行據點推薦等詳細資訊。前期將著重於後端資料庫的建置，提供API使前端圖形化介面串接，包含預測結果之資料存取、各地區詳細特徵的下載、各類地標的經緯度等資料。後期則延續此目標，進行前端互動式網頁的架設，提供以GoogleMap為主的預測結果呈現及相關數據於地圖上顯示的功能。除了視覺化呈現外，也將提供詳細數據查看與下載功能，以配合實際使用場景，方便行員作更深層的分析工作。

最後為評估本新型的模型，以損失函數(Loss Function，其數值代表實際值和預測值的差異，因此，此數值越小代表模型表現越好)：均方誤差(mean square error，MSE)以及平均絕對值誤差(mean absolute error，MAE)分數來做評估標準，透過與其他模型比較，其中， 預測目標分成僅針對財管銀行(民營財管+外商財管)預測、所有種類銀行(民營財管+外商財管+公股銀行+民營銀行)預測兩種，如下表1所示本新型的FECNN multi-task模型在所有銀行項目可以具有最低的MSE及MAE，即可以確保本新型的評估與據點決策系統能夠提供最佳的決策輔助參考。

以上所述為具體實施方式，對本新型的目的、技術方 案和有益效果進行了進一步的詳細說明，所應了解的是，以上所述僅是本新型的具體實施方式而已，並不用於限定本新型的申請專利範圍，凡在本新型的技術方案的基礎之上，所做的任何修改、等同替換、改進等，均應包括在本新型的保護範圍之內。

10:選址裝置

11:網格劃分模組

12:爬蟲軟體

15:圖形化介面

19:分行效益評估模型

20:網路

30:伺服器

40:使用者

100:潛力區域預測模型

Claims (7)

1. 一種分行據點的選址裝置，係運作於電腦主機內，包括以下模組：網格劃分模組，用以接收地圖資料，基於經緯度進行城市區域網格劃分；潛力區域預測模型，用以基於所述區域網格劃分，獲取分行的外部生活資料，預測所述城市的各個區域網格在未來時間範圍內的發展潛力評分；其中，所述潛力區域模型包含：進行極限梯度提升(XGBoost)的基於樹(Tree-based)模型；以及，基於卷積神經網路(CNN)運算的區域特徵提取模型；分行效益評估模型，用以獲取相關分行過去與現有的內部金融活動資料；及圖形化介面，用以建置互動式網頁，以呈現所述網格劃分模組、潛力區域預測模型及分行效益評估模型的分析結果、相關內外部資料及分行據點推薦資訊。
2. 根據請求項1所述的選址裝置，還包括：爬蟲軟體，用以爬取所述外部生活資料，以獲取想要的特定資訊。
3. 根據請求項1所述的選址裝置，其中，所述潛力區域預測模型利用地理資訊軟體(Quantum GIS)系統，爬取多個不同道路等級的長度、數量、交叉口數量等路網結構資訊，並且利用圖層的交疊，計算道路與所述網格邊界的交疊，而統計出每個網格延伸向不同方位的道路 數量，以確定各網格的交通便利度。
4. 根據請求項1所述的選址裝置，其中，所述區域特徵提取模型更包含將欲預測的目標網格周圍的5×5網格框列出來，將此25網格作為CNN運算的輸入，以透過卷積層來學習所述目標網格的周邊環境。
5. 根據請求項4所述的選址裝置，其中，所述區域特徵提取模型在進入CNN運算之前，算出所述周圍的25網格之各特徵值的平均值，並運用通道注意力函數算出權重較高者。
6. 根據請求項5所述的選址裝置，其中，所述區域特徵提取模型在得知周圍網格中的權重較高者後，使得每個周圍網格對所述目標網格，進行空間注意力函數運算，以取得空間注意力權重。
7. 根據請求項1所述的選址裝置，其中，所述網格劃分模組將城市劃分為500米×500米為單位的網格。

Images