CN110675177A - 门店选址方法和装置 - Google Patents
门店选址方法和装置 Download PDFInfo
- Publication number
- CN110675177A CN110675177A CN201810718995.3A CN201810718995A CN110675177A CN 110675177 A CN110675177 A CN 110675177A CN 201810718995 A CN201810718995 A CN 201810718995A CN 110675177 A CN110675177 A CN 110675177A
- Authority
- CN
- China
- Prior art keywords
- store
- block
- target
- degree
- demand
- 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
- 238000010187 selection method Methods 0.000 title claims description 20
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002860 competitive effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (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
本发明提出一种门店选址方法和装置，其中，方法包括：根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度；根据目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度；根据每个区块的目标门店需求度和每个区块的目标门店竞争度，计算每个区块的选址匹配度；根据每个区块的选址匹配度确定目标门店的选址区块。由此，同时结合需求度和竞争度来确定门店的选址区块，提高了门店选址效率较和准确性。
Description
技术领域
本发明涉及电子地图技术领域，尤其涉及一种门店选址方法和装置。
背景技术
随着智慧城市的发展，消费者对于商家的需求主要是便利性，商家为了更好服务于消费者，关键在于如何为门店进行选址。现有技术中，针对门店选址，可以采用人工采集线下位置的各种打分，并通过经验公式汇总打分，以及存在对于某些类型的门店，定义一些比较关键的强特征，然后更多地依赖这一两个比较强的特征来指导选址。但这种选址方式，效率比较低以及结果不够全面，因此，现有技术中的门店选址效率较低且不够准确。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种门店选址方法，由此，同时结合需求度和竞争度来确定门店的选址区块，提高了门店选址效率较和准确性。
本发明的第二个目的在于提出一种门店选址装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的，本发明第一方面实施例提出了一种门店选址方法，包括：
根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度；
根据所述目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度；
根据所述每个区块的目标门店需求度和所述每个区块的目标门店竞争度，计算每个区块的选址匹配度；
根据所述每个区块的选址匹配度确定所述目标门店的选址区块。
本发明实施例的门店选址方法，通过根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中获取每个区块的目标门店需求度，以及根据目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中获取每个区块的目标门店竞争度，从而根据每个区块的目标门店需求度和每个区块的目标门店竞争度计算每个区块的选址匹配度，最后根据每个区块的选址匹配度确定目标门店的选址区块。由此，同时结合需求度和竞争度来确定门店的选址区块，提高了门店选址效率较和准确性。
为达上述目的，本发明第二方面实施例提出了一种门店选址装置，包括：
第一获取模块，用于根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度；
第二获取模块，用于根据所述目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度；
计算模块，用于根据所述每个区块的目标门店需求度和所述每个区块的目标门店竞争度，计算每个区块的选址匹配度；
确定模块，用于根据所述每个区块的选址匹配度确定所述目标门店的选址区块。
本发明实施例的门店选址装置，通过根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中获取每个区块的目标门店需求度，以及根据目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中获取每个区块的目标门店竞争度，从而根据每个区块的目标门店需求度和每个区块的目标门店竞争度计算每个区块的选址匹配度，最后根据每个区块的选址匹配度确定目标门店的选址区块。由此，同时结合需求度和竞争度来确定门店的选址区块，提高了门店选址效率较和准确性。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行第一方面实施例所述的门店选址方法。
为了实现上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明第一方面实施例所述的门店选址方法。
为了实现上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现如本发明第一方面实施例所述的门店选址方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例一所提供的一种门店选址方法的流程示意图；
图2为本发明实施例二所提供的一种门店选址方法的流程示意图；
图3为本发明实施例所提供的一种门店选址装置的结构示意图；以及
图4示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的门店选址方法和装置。
图1为本发明实施例一所提供的一种门店选址方法的流程示意图。
如图1所示，该门店选址方法包括以下步骤：
步骤101，根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度。
通常，品牌或者渠道为了更好在城市内布局线下目标门店，或者是为新开目标店门店选择合适的区域，目标门店的类型不同对于区域内用户需求、周边竞争等关注不同。因此，为了便于门店选址，预先需要将目标区域比如是一个城市、一个行政区等进行分割成区块。
需要说明的是，可以按照预设的分割算法(比如GeoHash算法)将目标区域分割成多个区块，其分割后的每个区块可以是均匀的也可以是不均匀的，一般为了提高门店选址的准确性，选择均匀分割成多个区块。
具体地，门店需求特征可以是每个区块的基本属性特征，比如地理位置特征、兴趣点分布特征等等，也可以是与目标门店相关的目标属性特征，比如常驻人群对目标门店的用户行为特征、到访人群对目标门店的用户行为特征等等，根据实际应用需求选择可以选取一个或者多个属性特征作为门店需求特征。
从而，可以在确定好需要的门店需求特征后，通过采用相对应的方式进行提取，举例说明如下：
作为一种示例，直接提取每个区块的基本属性特征作为每个区块的门店需求特征。
作为另一种示例，提取每个区块的基本属性特征和提取每个区块与目标门店相关的目标属性特征，将每个区块的基本属性特征和与目标门店相关的目标属性特征进行融合，生成每个区块的门店需求特征。
从而，将门店需求特征输入到预先训练的门店选址需求模型中可以获取每个区块的目标门店需求度。即门店需求特征作为输入通过门店选址需求模型进行处理就可以输出目标门店需求度比如为0.25。
其中，门店选址需求模型是预先训练好的，为了提高输出结果更加准确，通常需要提高样本的数量以及多样性，以便确保门店选址需求模型处理的结果能够有效。因此，可以根据实际应用需求，选择合适的方式训练门店选址需求模型，比如可以将有门店的区块作为正样本，将没有门店的区块作为负样本训练门店选址需求模型，以及还可以针对连锁门店，以销量排前的作为正样本，以销量排后的作为负样本等等方式训练门店选址需求模型。
需要说明的是，训练好的门店选址需求模型可以根据样本的更新不断调整，保证其实时性从而有利选址的准确性。
步骤102，根据目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度。
具体地，以目标门店举例，选定的一些竞争品牌作为考察的门店(比如大润发为当前门店，选定一些比如家乐福、物美竞争品牌考察的门店)，借助现有门店的布局来定义竞争，可以分别借助店铺间的距离，以及门店兴趣点的数目等等来定义竞争。因此门店竞争特征可以是竞争门店数量等。
具体地，可以在确定好需要的门店竞争特征后，通过采用相对应的方式进行获取，作为一种示例，获取每个区块内与目标门店相关的当前门店，以当前门店的位置为参考位置，根据参考位置和预设的参考距离确定参考范围；获取参考范围内与当前门店对应的竞争门店数量作为门店竞争特征。
从而，将门店竞争特征输入到预先训练的门店选址竞争模型中可以获取每个区块的目标门店竞争度。即门店竞争特征作为输入通过门店选址竞争模型进行处理就可以输出目标门店竞争度比如为0.5。
其中，门店选址竞争模型是预先训练好的，为了提高输出结果更加准确，通常需要提高样本的数量以及多样性，以便确保门店选址竞争模型处理的结果能够有效。因此，可以根据实际应用需求，选择合适的方式训练门店选址需求模型，比如可以针对相同品牌、相似品牌进行统一处理作为同一样本进行处理，或者是根据门店相似度的多少赋予不同的权重等方式门店选址竞争模型。
需要说明的是，训练好的门店选址竞争模型可以根据样本的更新不断调整，保证其实时性从而有利选址的准确性。
步骤103，根据每个区块的目标门店需求度和每个区块的目标门店竞争度，计算每个区块的选址匹配度。
步骤104，根据每个区块的选址匹配度确定目标门店的选址区块。
具体地，在获取每个区块的目标门店需求度和每个区块的目标门店竞争度可以计算得到每个区块的选址匹配度的方式有很多种，可以根据实际应用需求进行选择设置，举例说明如下：
第一种示例，直接将目标门店需求度和目标门店竞争度进行叠加确定选址匹配度。
第二种示例，更加侧重于需求度对于门店选址的，通过赋予目标门店需求度更大的权重，赋予目标门店竞争度小的权重进行计算选址匹配度。
从而，根据每个区块的选址匹配度确定目标门店的选址区块。
本发明实施例的门店选址方法，通过根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中获取每个区块的目标门店需求度，以及根据目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中获取每个区块的目标门店竞争度，从而根据每个区块的目标门店需求度和每个区块的目标门店竞争度计算每个区块的选址匹配度，最后根据每个区块的选址匹配度确定目标门店的选址区块。由此，同时结合需求度和竞争度来确定门店的选址区块，提高了门店选址效率较和准确性。
为了清楚说明上一实施例，本实施例提供了一种门店选址方法的流程示意图，图2为本发明实施例二所提供的一种门店选址方法的流程示意图。
如图2所示，该门店选址方法可以包括以下步骤：
步骤201，按照预设的分割算法，将目标区域分割成多个区块。
需要说明的是，可以按照预设的分割算法(比如GeoHash算法)将目标区域分割成多个区块，其分割后的每个区块可以是均匀的也可以是不均匀的，一般为了提高门店选址的准确性，选择均匀分割成多个区块。
步骤202，提取每个区块的基本属性特征。
其中，每个区块的基本属性特征可以包含但不限于地理位置特征、兴趣点分布特征、常驻人群画像特征、到访人群画像特征中的一种或者几种特征组合。
具体地，能够把互联网上大量体现的位置特征利用进来，比如用VGG-16，ResNet等CNN(Convolutional Neural Network,卷积神经网络)模型把每个区块的卫星图和地图加以表示，把它们的中间层作为多维特征(比如，1024维)作为地理位置特征。
具体地，以每个区块下各种不同POI(Point of interest，兴趣点)类型、不同POI的数量作为兴趣点分布特征。
具体地，每个区块下常驻人群，即家和工作地在每个区块内的人群的用户画像特征，包括性别、年龄段、收入水平等，以及人群的兴趣标签等作为区块的常驻人群画像特征。
具体地，每个区块下一段时间内的到访人群的用户画像特征，包括性别、年龄段、收入水平等。以及人群的兴趣标签等作为区块的到访人群画像特征。
步骤203，提取每个区块与目标门店相关的目标属性特征。
其中，每个区块与目标门店相关的目标属性特征可以包含但不限于常驻人群对目标门店的用户行为特征，和/或，到访人群对目标门店的用户行为特征中的一种或者多种。
具体地，每个区块下常驻人群的线上行为特征，比如和客户品牌相关的搜索数目作为常驻人群对目标门店的用户行为特征。
具体地，每个区块下到访人群的线上行为特征，比如和客户品牌相关的搜索数目作为到访人群对目标门店的用户行为特征。
步骤204，将每个区块的基本属性特征和与目标门店相关的目标属性特征进行融合，生成每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度。
步骤205，获取每个区块内与目标门店相关的当前门店。
步骤206，以当前门店的位置为参考位置，根据参考位置和预设的参考距离确定参考范围。
步骤207，获取参考范围内与当前门店对应的竞争门店数量作为每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度。
具体地，以当前门店举例，选定的一些竞争品牌作为考察的门店(比如大润发为当前门店，选定一些比如家乐福、物美竞争品牌考察的门店)，借助现有门店的布局来定义竞争，可以分别借助店铺间的距离，以及门店兴趣点的数目等等来定义竞争。
更具体地，从每一个当前门店i出发，在距离为x内出现的竞争门店数量(不包含当前门店)定义为comp(x,i)，距离x内出现的所有门店的数量为total(x,i)。定义advantage(x,i)＝total(x,i)/comp(x,i)。因为每个目标门店的存在，所以comp(x,i)始终不为0。从而，所有同类型门店i的均值advantage(x)＝Average(advantage(x,i)).作为该类型门店在距离x内的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度。
需要说明的是，该竞争性的定义也可以做些调整。比如，不考虑其他兴趣点的数目而只考虑距离。
步骤208，根据目标门店的类型获取与目标门店需求度对应的第一权重，以及与目标门店竞争度对应的第二权重。
步骤209，根据每个区块的目标门店需求度和第一权重，以及每个区块的目标门店竞争度和第二权重，计算每个区块的选址匹配度。
步骤2010，根据每个区块的选址匹配度确定目标门店的选址区块。
具体地，因为不同类型的门店以及不同的客户对于竞争的关注程度不同，可以设定一个参数来权衡竞争和需求之间的权重，也就是说赋予每个区块的目标门店需求度和每个区块的目标门店竞争度不同的权重重新计算每个区块的选址匹配度。
举例而言，更加关注需求度，因此，赋予每个区块的目标门店需求度对应第一权重为0.8，每个区块的目标门店竞争度对应第二权重0.2，从而计算每个区块的选址匹配度；更加关注竞争度，因此，赋予每个区块的目标门店需求度对应第一权重为0.7，每个区块的目标门店竞争度对应第二权重0.3，从而计算每个区块的选址匹配度等等，都可以根据需求进行调整，进一步提高门店选址的自主性，以及使得门店选址的结果更加满足客户需求。
本发明实施例的门店选址方法，通过按照预设的分割算法，将目标区域分割成多个区块，接着提取每个区块的基本属性特征和提取每个区块与目标门店相关的目标属性特征，并将每个区块的基本属性特征和与目标门店相关的目标属性特征进行融合，生成每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中获取每个区块的目标门店需求度，同时获取每个区块内与目标门店相关的当前门店，并以当前门店的位置为参考位置，根据参考位置和预设的参考距离确定参考范围，以及获取参考范围内与当前门店对应的竞争门店数量作为每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中获取每个区块的目标门店竞争度，从而根据目标门店的类型获取与目标门店需求度对应的第一权重，以及与目标门店竞争度对应的第二权重，以及根据每个区块的目标门店需求度和第一权重，以及每个区块的目标门店竞争度和第二权重，计算每个区块的选址匹配度，最后根据每个区块的选址匹配度确定目标门店的选址区块。由此，同时结合需求度和竞争度来确定门店的选址区块，提高了门店选址效率较和准确性。另外能够根据需求和竞争的具体要求进行权重调整，进一步满足门店的选址需求和效率。
为了实现上述实施例，本发明还提出一种门店选址装置。
图3为本发明实施例提供的一种门店选址装置的结构示意图。
如图3所示，该门店选址装置包括：第一获取模块310、第二获取模块320、计算模块330、确定模块340。
第一获取模块310，用于根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度。
需要说明的是，可以按照预设的分割算法(比如GeoHash算法)将目标区域分割成多个区块，其分割后的每个区块可以是均匀的也可以是不均匀的，一般为了提高门店选址的准确性，选择均匀分割成多个区块。
第一获取模块310，具体用于提取每个区块的基本属性特征和提取每个区块与目标门店相关的目标属性特征，并将每个区块的基本属性特征和与目标门店相关的目标属性特征进行融合，生成每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中获取每个区块的目标门店需求度。
第二获取模块320，用于根据目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度。
第二获取模块320，具体用于获取每个区块内与目标门店相关的当前门店，并以当前门店的位置为参考位置，根据参考位置和预设的参考距离确定参考范围，以及获取参考范围内与当前门店对应的竞争门店数量作为每个区块的门店竞争特征，输入到预先训练的门店选址竞争模型中获取每个区块的目标门店竞争度。
计算模块330，用于根据每个区块的目标门店需求度和每个区块的目标门店竞争度，计算每个区块的选址匹配度。
计算模块330，具体用于根据目标门店的类型获取与目标门店需求度对应的第一权重，以及与目标门店竞争度对应的第二权重，以及根据每个区块的目标门店需求度和第一权重，以及每个区块的目标门店竞争度和第二权重，计算每个区块的选址匹配度。
确定模块340，用于根据每个区块的选址匹配度确定目标门店的选址区块。
本发明实施例的门店选址装置，通过根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中获取每个区块的目标门店需求度，以及根据目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中获取每个区块的目标门店竞争度，从而根据每个区块的目标门店需求度和每个区块的目标门店竞争度计算每个区块的选址匹配度，最后根据每个区块的选址匹配度确定目标门店的选址区块。由此，同时结合需求度和竞争度来确定门店的选址区块，提高了门店选址效率较和准确性。
需要说明的是，前述对门店选址方法实施例的解释说明也适用于该实施例的门店选址装置，此处不再赘述。
为了实现上述实施例，本发明还提出一种计算机设备，包括：处理器，以及用于存储所述处理器可执行指令的存储器。
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如本发明前述实施例提出的门店选址方法。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得处理器能够执行本发明前述实施例提出的门店选址方法。
为了实现上述实施例，本发明还提出一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行实现本发明前述实施例提出的门店选址方法。
图4示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图4显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的门店选址方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种门店选址方法，其特征在于，包括以下步骤：
根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度；
根据所述目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度；
根据所述每个区块的目标门店需求度和所述每个区块的目标门店竞争度，计算每个区块的选址匹配度；
根据所述每个区块的选址匹配度确定所述目标门店的选址区块。
2.如权利要求1所述的方法，其特征在于，还包括：
按照预设的分割算法，将目标区域分割成多个区块。
3.如权利要求1所述的方法，其特征在于，所述根据待选址的目标门店提取每个区块的门店需求特征，包括：
提取每个区块的基本属性特征；
提取每个区块与所述目标门店相关的目标属性特征；
将所述每个区块的基本属性特征和与所述目标门店相关的目标属性特征进行融合，生成每个区块的门店需求特征。
4.如权利要求3所述的方法，其特征在于，
所述基本属性特征包括：地理位置特征、兴趣点分布特征、常驻人群画像特征、到访人群画像特征中的一种或者几种特征组合；
所述与所述目标门店相关的目标属性特征包括：常驻人群对所述目标门店的用户行为特征，和/或，到访人群对所述目标门店的用户行为特征。
5.如权利要求1所述的方法，其特征在于，所述根据所述目标门店提取每个区块的门店竞争特征，包括：
获取每个区块内与所述目标门店相关的当前门店；
以所述当前门店的位置为参考位置，根据所述参考位置和预设的参考距离确定参考范围；
获取所述参考范围内与所述当前门店对应的竞争门店数量。
6.如权利要求1-5任一所述的方法，其特征在于，所述根据所述每个区块的目标门店需求度和所述每个区块的目标门店竞争度，计算每个区块的选址匹配度，包括：
根据所述目标门店的类型获取与所述目标门店需求度对应的第一权重，以及与所述目标门店竞争度对应的第二权重；
根据所述每个区块的目标门店需求度和所述第一权重，以及所述每个区块的目标门店竞争度和所述第二权重，计算每个区块的选址匹配度。
7.一种门店选址装置，其特征在于，所述装置包括：
第一获取模块，用于根据待选址的目标门店提取每个区块的门店需求特征，并输入到预先训练的门店选址需求模型中，获取每个区块的目标门店需求度；
第二获取模块，用于根据所述目标门店提取每个区块的门店竞争特征，并输入到预先训练的门店选址竞争模型中，获取每个区块的目标门店竞争度；
计算模块，用于根据所述每个区块的目标门店需求度和所述每个区块的目标门店竞争度，计算每个区块的选址匹配度；
确定模块，用于根据所述每个区块的选址匹配度确定所述目标门店的选址区块。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-6中任一所述的门店选址。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的门店选址方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，执行如权利要求1-6中任一所述的门店选址方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810718995.3A CN110675177A (zh) | 2018-07-03 | 2018-07-03 | 门店选址方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810718995.3A CN110675177A (zh) | 2018-07-03 | 2018-07-03 | 门店选址方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110675177A true CN110675177A (zh) | 2020-01-10 |
Family
ID=69065383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810718995.3A Pending CN110675177A (zh) | 2018-07-03 | 2018-07-03 | 门店选址方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675177A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274341A (zh) * | 2020-01-16 | 2020-06-12 | 中国建设银行股份有限公司 | 一种网点选址方法和装置 |
| CN111598188A (zh) * | 2020-06-28 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 目标门店位置的识别的方法和装置、存储介质和电子设备 |
| CN111680837A (zh) * | 2020-06-08 | 2020-09-18 | 北京化工大学 | 一种竞争环境下的多场景多商品连锁便利店选址优化方法 |
| CN112036940A (zh) * | 2020-08-25 | 2020-12-04 | 深圳前海微众银行股份有限公司 | 数据的处理方法、装置、设备和存储介质 |
| CN112308603A (zh) * | 2020-10-13 | 2021-02-02 | 深圳坤湛科技有限公司 | 基于相似性扩展的快速门店选址方法及装置、存储介质 |
| CN112308597A (zh) * | 2020-08-14 | 2021-02-02 | 西安工程大学 | 一种在竞争环境中根据影响运动用户选择设施地址的方法 |
| CN112785233A (zh) * | 2021-01-28 | 2021-05-11 | 湖南汽车工程职业学院 | 一种基于区块链技术的汽车零部件分配中心选址方法 |
| CN113128773A (zh) * | 2021-04-23 | 2021-07-16 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
| CN113240306A (zh) * | 2021-05-21 | 2021-08-10 | 河南高通物联网有限公司 | 基于人工智能和大数据的商场选址方法及系统 |
| CN113473487A (zh) * | 2020-03-31 | 2021-10-01 | 中国移动通信集团贵州有限公司 | 基站区域内门店建设优化方法、装置、设备及存储介质 |
| CN113627975A (zh) * | 2021-07-28 | 2021-11-09 | 南京苏宁软件技术有限公司 | 门店选址方法、装置、计算机设备和存储介质 |
| CN113947425A (zh) * | 2021-09-27 | 2022-01-18 | 上海维智卓新信息科技有限公司 | 店铺地址确定方法及装置 |
| CN114596127A (zh) * | 2022-05-10 | 2022-06-07 | 北京百炼智能科技有限公司 | 门店选址分析方法、装置、电子设备及存储介质 |
| CN114648357A (zh) * | 2022-03-17 | 2022-06-21 | 北京零点远景网络科技有限公司 | 基于多源数据的烟草制品销售网路优化方法和装置 |
| CN114820039A (zh) * | 2022-04-01 | 2022-07-29 | 上海维智卓新信息科技有限公司 | 商业门店选址方法及装置 |
| CN115049439A (zh) * | 2022-07-08 | 2022-09-13 | 北京京东拓先科技有限公司 | 一种数据处理方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术（北京）有限公司 | 用于确定目标地址的方法和装置 |
| CN107025246A (zh) * | 2016-02-02 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 一种目标地理区域的识别方法和装置 |
| CN107146129A (zh) * | 2017-04-06 | 2017-09-08 | 浙江大学 | 一种基于用户画像的智能车辆多层次共享机制 |
| CN107203523A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 一种确定地理位置的属性信息的方法及装置 |
| CN107909105A (zh) * | 2017-11-13 | 2018-04-13 | 上海交通大学 | 一种商业选址方法及系统 |
| CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
-
2018
- 2018-07-03 CN CN201810718995.3A patent/CN110675177A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104965920A (zh) * | 2015-07-08 | 2015-10-07 | 百度在线网络技术（北京）有限公司 | 用于确定目标地址的方法和装置 |
| CN107025246A (zh) * | 2016-02-02 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 一种目标地理区域的识别方法和装置 |
| CN107203523A (zh) * | 2016-03-16 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 一种确定地理位置的属性信息的方法及装置 |
| CN107146129A (zh) * | 2017-04-06 | 2017-09-08 | 浙江大学 | 一种基于用户画像的智能车辆多层次共享机制 |
| CN107909105A (zh) * | 2017-11-13 | 2018-04-13 | 上海交通大学 | 一种商业选址方法及系统 |
| CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274341A (zh) * | 2020-01-16 | 2020-06-12 | 中国建设银行股份有限公司 | 一种网点选址方法和装置 |
| CN113473487A (zh) * | 2020-03-31 | 2021-10-01 | 中国移动通信集团贵州有限公司 | 基站区域内门店建设优化方法、装置、设备及存储介质 |
| CN113473487B (zh) * | 2020-03-31 | 2022-09-27 | 中国移动通信集团贵州有限公司 | 基站区域内门店建设优化方法、装置、设备及存储介质 |
| CN111680837A (zh) * | 2020-06-08 | 2020-09-18 | 北京化工大学 | 一种竞争环境下的多场景多商品连锁便利店选址优化方法 |
| CN111680837B (zh) * | 2020-06-08 | 2023-12-08 | 北京化工大学 | 一种竞争环境下的多场景多商品连锁便利店选址优化方法 |
| CN111598188B (zh) * | 2020-06-28 | 2022-05-24 | 腾讯科技（深圳）有限公司 | 目标门店位置的识别的方法和装置、存储介质和电子设备 |
| CN111598188A (zh) * | 2020-06-28 | 2020-08-28 | 腾讯科技（深圳）有限公司 | 目标门店位置的识别的方法和装置、存储介质和电子设备 |
| CN112308597A (zh) * | 2020-08-14 | 2021-02-02 | 西安工程大学 | 一种在竞争环境中根据影响运动用户选择设施地址的方法 |
| CN112308597B (zh) * | 2020-08-14 | 2023-07-18 | 西安工程大学 | 一种在竞争环境中根据影响运动用户选择设施地址的方法 |
| CN112036940A (zh) * | 2020-08-25 | 2020-12-04 | 深圳前海微众银行股份有限公司 | 数据的处理方法、装置、设备和存储介质 |
| CN112036940B (zh) * | 2020-08-25 | 2024-07-12 | 深圳前海微众银行股份有限公司 | 数据的处理方法、装置、设备和存储介质 |
| CN112308603A (zh) * | 2020-10-13 | 2021-02-02 | 深圳坤湛科技有限公司 | 基于相似性扩展的快速门店选址方法及装置、存储介质 |
| CN112785233A (zh) * | 2021-01-28 | 2021-05-11 | 湖南汽车工程职业学院 | 一种基于区块链技术的汽车零部件分配中心选址方法 |
| CN112785233B (zh) * | 2021-01-28 | 2023-08-22 | 湖南汽车工程职业学院 | 一种基于区块链技术的汽车零部件分配中心选址方法 |
| CN113128773B (zh) * | 2021-04-23 | 2024-03-29 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
| CN113128773A (zh) * | 2021-04-23 | 2021-07-16 | 中国工商银行股份有限公司 | 地址预测模型的训练方法、地址预测方法及装置 |
| CN113240306B (zh) * | 2021-05-21 | 2023-01-13 | 吴晓冬 | 基于人工智能和大数据的商场选址方法及系统 |
| CN113240306A (zh) * | 2021-05-21 | 2021-08-10 | 河南高通物联网有限公司 | 基于人工智能和大数据的商场选址方法及系统 |
| CN113627975A (zh) * | 2021-07-28 | 2021-11-09 | 南京苏宁软件技术有限公司 | 门店选址方法、装置、计算机设备和存储介质 |
| CN113947425A (zh) * | 2021-09-27 | 2022-01-18 | 上海维智卓新信息科技有限公司 | 店铺地址确定方法及装置 |
| CN114648357A (zh) * | 2022-03-17 | 2022-06-21 | 北京零点远景网络科技有限公司 | 基于多源数据的烟草制品销售网路优化方法和装置 |
| CN114820039A (zh) * | 2022-04-01 | 2022-07-29 | 上海维智卓新信息科技有限公司 | 商业门店选址方法及装置 |
| CN114596127A (zh) * | 2022-05-10 | 2022-06-07 | 北京百炼智能科技有限公司 | 门店选址分析方法、装置、电子设备及存储介质 |
| CN115049439A (zh) * | 2022-07-08 | 2022-09-13 | 北京京东拓先科技有限公司 | 一种数据处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675177A (zh) | 门店选址方法和装置 | |
| CN107330023B (zh) | 基于关注点的文本内容推荐方法和装置 | |
| CN107577687B (zh) | 图像检索方法及装置 | |
| CN108154300A (zh) | 兴趣点选址方法、装置和计算机设备 | |
| CN111442778A (zh) | 出行方案推荐方法、装置、设备及计算机可读存储介质 | |
| CN111954175B (zh) | 一种兴趣点到访判别方法和相关装置 | |
| WO2012132418A1 (ja) | 属性推定装置 | |
| CN113282687A (zh) | 数据展示方法、装置、计算机设备及存储介质 | |
| CN110020144B (zh) | 一种推荐模型建立方法及其设备、存储介质、服务器 | |
| CN110647886A (zh) | 兴趣点标注方法、装置、计算机设备和存储介质 | |
| CN107506499A (zh) | 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器 | |
| CN110069654A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
| CN107430631A (zh) | 从位置报告确定语义地点名称 | |
| CN110727816A (zh) | 兴趣点类别确定方法和装置 | |
| CN112381616A (zh) | 物品推荐引导方法、装置及计算机设备 | |
| JP2015132539A (ja) | 日照量計算装置、経路提案装置および日照量計算方法 | |
| JP2014044675A (ja) | 魅力度評価装置及び魅力度調整装置、並びに魅力度を評価するためのコンピュータプログラム、魅力度を調整するためのコンピュータプログラム | |
| JP2008020225A (ja) | 自己位置推定プログラム、自己位置推定方法および自己位置推定装置 | |
| CN110096609A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
| CN110866168A (zh) | 信息推荐方法、装置、终端及服务器 | |
| CN110286988B (zh) | 书籍阅读进度条的展示方法、计算设备及计算机存储介质 | |
| CN110942056A (zh) | 服饰关键点定位方法、装置、电子设备及介质 | |
| CN105376714B (zh) | 一种定位方法和装置 | |
| JP5946552B1 (ja) | 新規出店候補地選定システム、方法、及びプログラム | |
| CN109388781A (zh) | 测量数据的处理方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |