CN112069281B - 兴趣点位置的确定方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及数据分析技术领域，提供一种兴趣点位置的确定方法、装置、计算机设备及存储介质，所述方法包括：获取每一待选网格的地块特征，其中，地块特征用于表征该待选网格的关注度；获取每一待选网格的干扰特征，其中，干扰特征用于表征该待选网格与已选网格之间的影响度；将多个待选网格的地块特征及干扰特征均输入至预设评估模型中，得到每一待选网格的评估值；将待选网格中评估值最大的目标网格作为目标兴趣点的位置。通过对目标兴趣点所属的区域地图进行网格划分，并根据划分后的每一网格的地块特征以及网格之间的干扰特征对每一网格进行评估，以从待选址区域中多个网格中确定目标兴趣点的位置。

Description

兴趣点位置的确定方法、装置、计算机设备及存储介质

技术领域

本发明涉及数据分析技术领域，具体而言，涉及一种兴趣点位置的确定方法、装置、计算机设备及存储介质。

背景技术

兴趣点POI(Point of Information，POI)也称为信息点，是地理信息系统中的一个术语，泛指一切可以抽象为点的地理对象，尤其是一些与人们生活密切相关的地理实体，如学校、银行、餐馆、加油站、医院、超市等。现有技术中尚未有基于兴趣点所属的区域地图的地域特征确定兴趣点位置的有效方法。

发明内容

本发明的目的在于提供了一种兴趣点位置的确定方法、装置、计算机设备及存储介质，其能够通过对目标兴趣点所属的区域地图进行网格划分，并根据划分后的每一网格的地块特征以及网格之间的干扰特征对每一网格进行评估，以从待选址区域中多个网格中确定目标兴趣点的位置。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明提供一种兴趣点位置的确定方法，待确定位置的目标兴趣点所属的区域地图预先被划分为多个网格，每一网格中至多存在一个兴趣点，多个网格包括多个未存在兴趣点的待选网格和存在兴趣点的已选网格，所述方法包括：获取每一待选网格的地块特征，其中，地块特征用于表征该待选网格的关注度；获取每一待选网格的干扰特征，其中，干扰特征用于表征该待选网格与已选网格之间的影响度；将多个待选网格的地块特征及干扰特征均输入至预设评估模型中，得到每一待选网格的评估值；将待选网格中评估值最大的目标网格作为目标兴趣点的位置。

第二方面，本发明提供一种兴趣点位置的确定装置，待确定位置的目标兴趣点所属的区域地图预先被划分为多个网格，每一网格中至多存在一个兴趣点，多个网格包括多个未存在兴趣点的待选网格和存在兴趣点的已选网格，所述装置包括获取模块、评估模块及确定模块，其中，获取模块用于：获取每一待选网格的地块特征，其中，地块特征用于表征该待选网格的关注度；获取每一待选网格的干扰特征，其中，干扰特征用于表征该待选网格与已选网格之间的影响度；评估模块用于将多个待选网格的地块特征及干扰特征均输入至预设评估模型中，得到每一待选网格的评估值；确定模块用于将待选网格中评估值最大的目标网格作为目标兴趣点的位置。

第三方面，本发明提供一种计算机设备，所述计算机设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述的兴趣点位置的确定方法。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的兴趣点位置的确定方法。

相对于现有技术，本发明通过对目标兴趣点所属的区域地图进行网格划分，并根据划分后的每一网格的地块特征以及网格之间的干扰特征对每一网格进行评估，以从待选址区域中多个网格中确定目标兴趣点的位置。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1示出了本发明实施例提供的一种兴趣点位置的确定方法的流程图。

图2示出了本发明实施例提供的另一种兴趣点位置的确定方法的流程图。

图3示出了本发明实施例提供的另一种兴趣点位置的确定方法的流程图。

图4示出了本发明实施例提供的另一种兴趣点位置的确定方法的流程图。

图5示出了本发明实施例提供的兴趣点位置的确定装置。

图6示出了本发明实施例提供的计算机设备的方框示意图。

图标：10-计算机设备；11-处理器；12-存储器；13-总线；14-通信接口；100-兴趣点位置的确定装置；110-获取模块；120-评估模块；130-确定模块；140-更新模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。

请参考图1，图1示出了本发明实施例提供的一种兴趣点位置的确定方法的流程图，该方法包括以下步骤：

步骤S100，获取每一待选网格的地块特征，其中，地块特征用于表征该待选网格的关注度。

在本实施例中，首先将待确定位置的目标兴趣点所属的区域地图预先划分为多个网格，划分网格可以采用GeoHash算法，该算法本质上是空间索引的一种方式，其基本原理是将地球理解为一个二维平面，将平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码。根据精度的不同，GeoHash的分段级别一般为1～12级，其中，1～12代表网格编码的字符串长度，长度越大，精度也越高，本发明实施例可以根据实际需要采用不同的分段级别，例如，采用7级GeoHash的分段级别，即字符串长度为7。

在本实施例中，地块特征可以是衡量该待选网格的关注度的一维指标，也可以是多维指标的组合。例如，该待选网格内的人流量，该待选网格内交通站点的数量等。

步骤S110，获取每一待选网格的干扰特征，其中，干扰特征用于表征该待选网格与已选网格之间的影响度。

在本实施例中，已选网格的关注度可以影响到其所在区域的待选网格的关注度，干扰特征用于评估待选网格与已选网格之间的影响度。

步骤S120，将多个待选网格的地块特征及干扰特征均输入至预设评估模型中，得到每一待选网格的评估值。

在本实施例中，预设评估模型预先通过样本数据进行训练而成，训练预设评估模型的训练数据为打了预设标签的多个已选网格的地块特征、干扰特征及实际的网格综合值，训练完成的预设评估模型的最终输出为每一待选网格的评估值及按照评估值进行排序的待选网格的列表。

步骤S130，将待选网格中评估值最大的目标网格作为目标兴趣点的位置。

本发明实施例提供的上述兴趣点位置的确定方法，通过对目标兴趣点所属的区域地图进行网格划分，并根据划分后的每一网格的地块特征以及网格之间的干扰特征对每一网格进行评估，以从待选址区域中多个网格中确定目标兴趣点的位置。

在图1的基础上，本发明实施例还提供了一种获取干扰特征的具体实现方式，请参照图2，图2示出了本发明实施例提供的另一种兴趣点位置的确定方法的流程图，步骤S110包括以下子步骤：

子步骤S110-10，获取已选网格的数量、已选网格的兴趣点面积、已选网格的第一热度值及每一待选网格的第二热度值。

在本实施例中，已选网格的兴趣点面积可以是已选网格内兴趣点表征的预设类型的建筑物或者实体的面积。第一热度值和第二热度值可以是对应网格在预设时间段内监测到的流量数据，例如，人流量、上传流量或者下载流量等。

子步骤S110-11，依据已选网格的数量、已选网格的兴趣点面积、第一热度值及第二热度值，计算每一待选网格的兴趣点面积，其中，已选网格的兴趣点面积为已选网格中兴趣点的面积，每一待选网格的兴趣点面积为目标兴趣点创建于该待选网格中的面积。

在本实施例中，待选网格的兴趣点和已选网格的兴趣点代表的实体类型在具体的应用场景中是相同的，例如，兴趣点为加油站或者兴趣点为公交站等。

在本实施例中，待选网格的兴趣点面积为若将目标兴趣点创建在该待选网格中时该目标兴趣点的面积。待选网格不同，该待选网格的第二热度值也可能不一样，因而计算得到的该待选网格的兴趣点面积也可能不同。

在本实施例中，作为一种具体实现方式，可以采用如下公式计算待选网格的兴趣点面积：

其中，S_i代表第i个待选网格的兴趣点面积，popu_i代表第i个待选网格的第二热度值，n代表已选网格的数量，j代表第j个已选网格，S_j代表第j个已选网格的兴趣点面积，popu_j代表第j个已选网格的第一热度值。

子步骤S110-12，依据已选网格的数量、已选网格的兴趣点面积、每一待选网格的兴趣点面积及每一待选网格与已选网格之间的距离，得到每一待选网格的干扰特征。

在本实施例中，每一待选网格与已选网格之间的距离可以是该待选网格的中心位置与已选网格的中心位置之间的欧式距离，或者是曼哈顿距离等。

在本实施例中，作为一种具体实现方式，可以采用如下公式计算计算任一待选网格的干扰特征：

其中，A_i代表第i个待选网格的干扰特征，n代表已选网格的数量，k代表调整参数规模的系数，j代表第j个已选网格，S_j代表第j个已选网格的兴趣点面积，S_i代表第i个待选网格的兴趣点面积，r_ij代表第i个待选网格和第j个已选网格之间的距离。

本发明实施例提供的上述兴趣点位置的确定方法，通过已选网格和待选网格的热度值以及已选网格的兴趣点面积计算待选网格的兴趣点面积，进一步根据已选网格和待选网格的兴趣点面积及其之间的距离计算待选网格的干扰特征，使得得到的干扰特征与实际场景更加接近，最终保证了确定的目标兴趣点的位置的准确性。

在图1的基础上，本发明实施例还提供了一种获取待选网格评估值的具体实现方式，请参照图3，图3示出了本发明实施例提供的另一种兴趣点位置的确定方法的流程图，步骤S120包括以下子步骤：

子步骤S120-10，将多个待选网格的地块特征及干扰特征分别输入第一模型和第二模型，得到第一模型输出的每一待选网格的第一评估值和第二模型输出的每一待选网格的第二评估值。

在本实施例中，第一模型可以是二分类模型，可以采用RandomForest随机森林算法对其进行训练。第二模型可以是排序模型，可以采用RankNet算法对其进行训练，第一模型和第二模型训练时可以独立训练，二者相互不干扰，可以同时进行。

子步骤S120-11，根据同一个待选网格的第一评估值和第二评估值，得到该待选网格的评估值。

在本实施例中，待选网格的评估值可以是将该待选网格的第一评估值和第二评估值相加得到，也可以根据实际应用场景，对第一评估值和第二评估值分别设置不同的权重，根据二者的权重，最终计算得到该待选网格的评估值。例如，第一评估值的权重为第一权重，第二评估值的权重为第二权重，则待选网格的评估值＝第一评估值*第一权重+第二评估值*第二权重。

本发明实施例提供的上述兴趣点位置的确定方法，通过将第一模型和第二模型的评估结果进行综合，使得最终的待选网格的评估值更合理，最终保证了确定的目标兴趣点的位置的准确性。

需要说明的是，图2中的子步骤S110-10～S110-12也可以替换图3和图4中的步骤S110，图3中的子步骤S120-10～S120-11也可以替换图2和图4中的步骤S120。

在本实施例中，当目标兴趣点为多个时，为了在确定目标兴趣点时，使当前已确定位置的目标兴趣点对待确定的目标兴趣点的影响也考虑在内，使得所有目标兴趣点的评估均更加合理，本发明实施例在图1的基础上，还提供了一种根据已确定位置的目标兴趣点更新其余待选网格的干扰特征的方法，请参照图4，图4示出了本发明实施例提供的另一种兴趣点位置的确定方法的流程图，该方法还包括：

步骤S140：基于目标网格更新多个待选网格中除目标网格之外的其余待选网格的干扰特征，以便于再次基于预设评估模型从除目标网格之外的其余待选网格确定其他目标兴趣点的位置。

在本实施例中，当目标兴趣点为多个时，对于已经确定目标兴趣点的目标网格可以将其当做新的已选网格，在确定下一个目标兴趣点时，基于新的已选网格和之前的已选网格更新当前待选网格的干扰特征，以便从当前待选网格中确定其他目标兴趣点的位置。

本发明实施例提供的上述兴趣点位置的确定方法，当目标兴趣点为多个时，将当前已确定位置的目标兴趣点对待确定的目标兴趣点的影响也考虑在内，使得所有目标兴趣点的评估均更加合理。

本发明实施例描述的上述兴趣点位置的确定方法可以应用于如下场景，例如，门店选址，即在预设区域中为待选址门店选择一个合理的位置。

现有的门店选址的方法通常基于的理论有：零售引力理论和商圈饱和理论。

零售引力理论是零售商业选址理论的最基础理论，描述了a和b两个城市对中间地带人口的吸引力，最早由美国学者雷利提出。零售引力理论的基本假设为不同城市的商业经营能力相同，交通可达性情况也相同，核心思想为某一城市能够吸引的中间地带消费者数量取决于该城市的人口和其距离中间地带的距离。前者反映了该城市的商业类型完备程度，后者则反映了消费者的通勤成本。零售引力理论不仅适用于相邻两城市间的商业吸引力分析，也适用于更微观尺度的两商圈间商业吸引力分析，但难以适用于对某一具体的业态进行分析。该理论简化了商圈的影响因子，为后续理论发展提供了重要基石。该理论常用的公式为：

其中，B_a表示城市a对中间地带人口的吸引力，B_b表示城市b对中间地带人口的吸引力，P_a表示城市a的人口数量，P_b表示城市b的人口数量，D_a表示中间地带到城市a的距离，D_b表示中间地带到城市b的距离，N表示吸引力因子敏感度的经验数值，n表示距离因子敏感度的经验数值。

零售引力理论对多种业态综合商业吸引力的研究，而商圈饱和理论通过计算商圈内的某一业态饱和程度反映商圈对该业态潜在投资者的吸引力。业态的饱和程度由供给端和需求端的对比决定，其中供给端通过商圈内该业态的总营业面积进行评估，需求端通过商圈内的家庭数量和平均的家庭购买力进行评估。这一理论与通过坪效评估零售商经营业绩的理论一脉相承，将区域竞争关系通过总业态面积进行了刻画，为量化区域竞争格局提供了重要思路。该理论常用的公式为：

其中，IRS_i表示被衡量业态的饱和指数，H_i表示地区内的家庭数量，RE_i表示地区内每个家庭在被衡量业态上的消费，RF_i表示地区内被衡量业态的总业态面积。

上述两种理论对于宏观的门店选址具有参考意义，但微场景下的门店选址无法进行合理的推荐，并且选址参考的维度过于单一，无法满足现有商业体综合选址的需求。

随着智慧城市的发展，在进行门店选址时可以参考的数据也越来越丰富，常规的选址方案，从观察目标地段的位置，是否是热门商圈，与居民区、学校、商业区的距离，还有调查人流量、交通方式等要素入手，通过专家打分后得出最终结果，而这种专家选址的办法，利用一些已有的经典选址理论(商业区位论、中心区位论和地价理论)在圈定的范围内选择相对较好的地点，但是受到了主观经验、多方的信息整合能力等因素的影响，得到的选址与实际的场景应用相差较大，选址结果并不理想。

将上述实施例应用于门店选址场景，能够通过对待选址门店所属的待选址区域进行网格划分，并根据划分后的每一网格的地块特征以及网格之间的干扰特征对每一网格进行评估，以从待选址区域中多个网格中找到最佳的待选址门店的地址。

上述实施例中的兴趣点可以是门店，目标兴趣点可以是待选址的门店，地块特征表征的待选网格的关注度可以是待选网格的多维指标，多维指标可选取与店面相关的指标内容，如工作日均客流量、周末日均客流量、月客流量总量、夜间客流量、到访客流年龄结构、周边餐饮门店数量、公共设施数量、通勤站点数量等，但不限于上述指标，也可以是上述多个指标进行交叉运算出的数据。干扰特征表征的网格之间的影响度可以是处于网格中的门店之间的竞争强度，已选网格的兴趣点面积可以是已选网格中已创建门店的面积，待选网格的兴趣点面积可以是将待选址门店创建于待选网格中的面积，热度值可以是上述多维指标中的一个或者多个指标的组合，例如，已选网格的第一热度值可以是已选网格覆盖的到访量，待选网格的第二热度值可以是待选网格覆盖的到访量，网格覆盖的到访量可以通过手机与基站的通信进行定位获取，或者通过互联网公司的app中的GPS定位功能获取，到访量可以是一个月内网格的日均人流量，或者一年内网格的人流量之和，或者一年内网格的日均人流量。除人流量之外，热度值还可以通讯数据、上网数据、消费数据、交通数据、营业额数据甚至房价数据中的一种或者几种，或者是对这些数据进行清洗或者归一化处理后得到数据。

具体处理过程以营业厅门店的选址为例、且其所属区域网格划分如表1为例进行简要介绍，具体细节可以参照上述实施例中的详细描述。

表1

A11	A12	A13
			A21	A22	A23
A31	A32	A33

表1中共包括A11、A12、A13；A21、A22、A23；A31、A32、A33共9个网格，其中，A12和A32为已经建立有营业厅门店的已选网格，其余为未建立营业厅门店的待选网格。目标营业厅门店为2个，分别为a和b，即需要从待选网格中选择两个网格分别作为a，b营业厅门店的地址。

对于a的选址过程如下：

首先，获取A11、A13、A21、A22、A23、A31、A33这7个网格的地块特征和干扰特征，以热度值为到访量为例，计算A11的干扰特征的计算过程可以是：(1)获取已选网格的数量(即2)、已选网格的兴趣点面积(即A12中营业厅门店的面积和A32中营业厅门店的面积)、已选网格的第一热度值(即A12覆盖的到访量和A32覆盖的到访量)、待选网格的第二热度值(即A11的第二热度值)；(2)根据已选网格的数量2、A12中营业厅门店的面积和A32中营业厅门店的面积、A12覆盖的到访量和A32覆盖的到访量、A11的第二热度值计算得到A11的营业厅门店的面积，即将a创建于A11内时a的面积；(3)根据已选网格的数量2、A12中营业厅门店的面积和A32中营业厅门店的面积、A11的营业厅门店的面积及A11和A12之间的距离、A11和A32之间的距离，计算得到A11的干扰特征。

其次，将A11、A13、A21、A22、A23、A31、A33这7个网格的地块特征和干扰特征输入预设评估模型，得到这7个网格的评估值。

最后，将7个网格的评估值中的最大值作为a的地址，此处假设A31为目标网格，意思是a的地址选择在A31网格中。

对于b的选址过程与a类似，只不过此时的已选网格数量为3(A12、A31和A32)，待选网格为A11、A13、A21、A22、A23、A33这6个网格，计算着6个网格的干扰特征时，需要按照已选网格为3进行计算，此时，A31中营业厅门店的面积为在进行a选址时计算的将a创建与A31中的面积。其余的处理过程与a的处理过程类似，此处不再赘述。

需要说明的是，对预设评估模型进行训练时，对于二分类模型进行训练时，训练数据可以是已选网格的地块特征、干扰特征，以及已选网格中打了分类标签的营业厅收入数据，例如，若营业厅收入大于预设阈值，标记为1，代表选择的概率为1，否则标记为0，代表选择的概率为0。对于排序模型进行训练时，训练数据可以是已选网格的地块特征、干扰特征，以及按照已选网格中的营业厅收入数据进行排序的序列编号或者营业厅收入数据的值。

由于在利用上述方法进行门店选址时同时考虑了门店所处区域中网格的多个维度的指标已经门店之间的相互影响，因而，利用上述方法得到的选址结果更加合理，使得选址结果整体上更加贴合于实际的场景应用，同时，由于整个处理过程基于预设评估模型并由计算机自动完成，突破了传统理论的经验不可复制的局限，更利于本方法的推广应用。

为了执行上述实施例及各个可能的实施方式中的相应步骤，下面给出一种兴趣点位置的确定装置100的实现方式。请参照图5，图5示出了本发明实施例提供的兴趣点位置的确定装置100的方框示意图。需要说明的是，本实施例所提供的兴趣点位置的确定装置100，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及指出。

兴趣点位置的确定装置100包括获取模块110、评估模块120、确定模块130及更新模块140。

获取模块110，用于：获取每一待选网格的地块特征，其中，地块特征用于表征该待选网格的关注度；获取每一待选网格的干扰特征，其中，干扰特征用于表征该待选网格与已选网格之间的影响度。

作为一种具体实施方式，获取模块110具体用于：获取已选网格的数量、已选网格的兴趣点面积、已选网格的第一热度值及每一待选网格的第二热度值；依据已选网格的数量、已选网格的兴趣点面积、第一热度值及第二热度值，计算每一待选网格的兴趣点面积，其中，已选网格的兴趣点面积为已选网格中兴趣点的面积，每一待选网格的兴趣点面积为目标兴趣点创建于该待选网格中的面积；依据已选网格的数量、已选网格的兴趣点面积、每一待选网格的兴趣点面积及每一待选网格与已选网格之间的距离，得到每一待选网格的干扰特征。

作为一种具体实施方式，获取模块110在依据已选网格的数量、已选网格的兴趣点面积、第一热度值及第二热度值，计算每一待选网格的兴趣点面积时，具体用于：采用公式

计算待选网格的兴趣点面积，其中，S_i代表第i个待选网格的兴趣点面积，popu_i代表第i个待选网格的第二热度值，n代表已选网格的数量，j代表第j个已选网格，S_j代表第j个已选网格的兴趣点面积，popu_j代表第j个已选网格的第一热度值。

作为一种具体实施方式，获取模块110依据已选网格的数量、已选网格的兴趣点面积、每一待选网格的兴趣点面积及每一待选网格与已选网格之间的距离，得到每一待选网格的干扰特征时，具体用于：采用公式

计算任一待选网格的干扰特征，其中，A_i代表第i个待选网格的干扰特征，n代表已选网格的数量，k代表调整参数规模的系数，j代表第j个已选网格，S_j代表第j个已选网格的兴趣点面积，S_i代表第i个待选网格的兴趣点面积，r_ij代表第i个待选网格和第j个已选网格之间的距离。

评估模块120，用于将多个待选网格的地块特征及干扰特征均输入至预设评估模型中，得到每一待选网格的评估值。

作为一种具体实施方式，预设评估模型包括第一模型和第二模型，评估模块120具体用于：将多个待选网格的地块特征及干扰特征分别输入第一模型和第二模型，得到第一模型输出的每一待选网格的第一评估值和第二模型输出的每一待选网格的第二评估值；根据同一个待选网格的第一评估值和第二评估值，得到该待选网格的评估值。

确定模块130，用于将待选网格中评估值最大的目标网格作为目标兴趣点的位置。

更新模块140，用于基于目标网格更新多个待选网格中除目标网格之外的其余待选网格的干扰特征，以便于再次基于预设评估模型从除目标网格之外的其余待选网格确定其他目标兴趣点的位置。

基于上文描述的兴趣点位置的确定方法，本发明实施例还提供一种用于实现上述图1～图4兴趣点位置的确定方法的计算机设备10的方框示意图，请参照图6，图6示出了本发明实施例提供的计算机设备10的方框示意图，计算机设备10包括处理器11、存储器12、总线13、通信接口14。处理器11、存储器12通过总线13连接，处理器11通过通信接口14与外部设备通信连接。

处理器11可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

存储器12用于存储程序，例如图5中的兴趣点位置的确定装置100，兴趣点位置的确定装置100包括至少一个可以软件或固件(firmware)的形式存储于存储器12中的软件功能模块，处理器11在接收到执行指令后，执行所述程序以实现上述的兴趣点位置的确定方法。

存储器12可能包括高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非易失存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器12可以是内置于处理器11中的存储装置，也可以是独立于处理器11的存储装置。

总线13可以是ISA总线、PCI总线或EISA总线等。图6仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的兴趣点位置的确定方法。

综上所述，本发明实施例提供了一种兴趣点位置的确定方法、装置、计算机设备及存储介质，待确定位置的目标兴趣点所属的区域地图预先被划分为多个网格，每一网格中至多存在一个兴趣点，多个网格包括多个未存在兴趣点的待选网格和存在兴趣点的已选网格，所述方法包括：获取每一待选网格的地块特征，其中，地块特征用于表征该待选网格的关注度；获取每一待选网格的干扰特征，其中，干扰特征用于表征该待选网格与已选网格之间的影响度；将多个待选网格的地块特征及干扰特征均输入至预设评估模型中，得到每一待选网格的评估值；将待选网格中评估值最大的目标网格作为目标兴趣点的位置。相对于现有技术，本发明通过对目标兴趣点所属的区域地图进行网格划分，并根据划分后的每一网格的地块特征以及网格之间的干扰特征对每一网格进行评估，以从待选址区域中多个网格中确定目标兴趣点的位置。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种兴趣点位置的确定方法，其特征在于，待确定位置的目标兴趣点所属的区域地图预先被划分为多个网格，每一所述网格中至多存在一个兴趣点，所述多个网格包括多个未存在兴趣点的待选网格和存在兴趣点的已选网格，所述方法包括：

获取每一所述待选网格的地块特征，其中，所述地块特征用于表征该待选网格的关注度；

获取所述已选网格的数量、所述已选网格的兴趣点面积、所述已选网格的第一热度值及每一所述待选网格的第二热度值；

依据所述已选网格的数量、所述已选网格的兴趣点面积、所述第一热度值及所述第二热度值，计算每一所述待选网格的兴趣点面积，其中，所述已选网格的兴趣点面积为所述已选网格中兴趣点的面积，每一所述待选网格的兴趣点面积为所述目标兴趣点创建于该待选网格中的面积；

依据所述已选网格的数量、所述已选网格的兴趣点面积、每一所述待选网格的兴趣点面积及每一所述待选网格与所述已选网格之间的距离，得到每一所述待选网格的干扰特征，其中，所述干扰特征用于表征该待选网格与所述已选网格之间的影响度；

将多个所述待选网格的所述地块特征及所述干扰特征分别输入预设评估模型的第一模型和第二模型，得到所述第一模型输出的每一所述待选网格的第一评估值和所述第二模型输出的每一所述待选网格的第二评估值；

根据同一个所述待选网格的所述第一评估值和所述第二评估值，得到该待选网格的评估值，以得到每一所述待选网格的评估值；

将所述待选网格中评估值最大的目标网格作为所述目标兴趣点的位置。

2.如权利要求1所述的兴趣点位置的确定方法，其特征在于，所述依据所述已选网格的数量、所述已选网格的兴趣点面积、所述第一热度值及所述第二热度值，计算每一所述待选网格的兴趣点面积的步骤包括：

采用公式

计算所述待选网格的兴趣点面积，其中，S_i代表第i个所述待选网格的兴趣点面积，popu_i代表第i个所述待选网格的第二热度值，n代表所述已选网格的数量，j代表第j个所述已选网格，S_j代表第j个所述已选网格的兴趣点面积，popu_j代表第j个所述已选网格的第一热度值。

3.如权利要求1所述的兴趣点位置的确定方法，其特征在于，所述依据所述已选网格的数量、所述已选网格的兴趣点面积、每一所述待选网格的兴趣点面积及每一所述待选网格与所述已选网格之间的距离，得到每一所述待选网格的干扰特征的步骤包括：

采用公式

计算任一所述待选网格的干扰特征，其中，A_i代表第i个所述待选网格的干扰特征，n代表所述已选网格的数量，k代表调整参数规模的系数，j代表第j个所述已选网格，S_j代表第j个所述已选网格的兴趣点面积，S_i代表第i个所述待选网格的兴趣点面积，r_ij代表第i个所述待选网格和第j个所述已选网格之间的距离。

4.如权利要求1所述的兴趣点位置的确定方法，其特征在于，所述方法还包括：

基于所述目标网格更新多个所述待选网格中除所述目标网格之外的其余待选网格的干扰特征，以便于再次基于所述预设评估模型从所述除所述目标网格之外的其余待选网格确定其他目标兴趣点的位置。

5.一种兴趣点位置的确定装置，其特征在于，待确定位置的目标兴趣点所属的区域地图预先被划分为多个网格，每一所述网格中至多存在一个兴趣点，所述多个网格包括多个未存在兴趣点的待选网格和存在兴趣点的已选网格，所述装置包括：

获取模块，用于：获取每一所述待选网格的地块特征，其中，所述地块特征用于表征该待选网格的关注度；获取所述已选网格的数量、所述已选网格的兴趣点面积、所述已选网格的第一热度值及每一所述待选网格的第二热度值；依据所述已选网格的数量、所述已选网格的兴趣点面积、所述第一热度值及所述第二热度值，计算每一所述待选网格的兴趣点面积，其中，所述已选网格的兴趣点面积为所述已选网格中兴趣点的面积，每一所述待选网格的兴趣点面积为所述目标兴趣点创建于该待选网格中的面积；依据所述已选网格的数量、所述已选网格的兴趣点面积、每一所述待选网格的兴趣点面积及每一所述待选网格与所述已选网格之间的距离，得到每一所述待选网格的干扰特征，其中，所述干扰特征用于表征该待选网格与所述已选网格之间的影响度；

评估模块，用于：将多个所述待选网格的所述地块特征及所述干扰特征分别输入预设评估模型的第一模型和第二模型，得到所述第一模型输出的每一所述待选网格的第一评估值和所述第二模型输出的每一所述待选网格的第二评估值；根据同一个所述待选网格的所述第一评估值和所述第二评估值，得到该待选网格的评估值，以得到每一所述待选网格的评估值；

确定模块，用于将所述待选网格中评估值最大的目标网格作为所述目标兴趣点的位置。

6.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一项所述的兴趣点位置的确定方法。

7.一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，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的兴趣点位置的确定方法。

Images