CN111932302B - 一种区域中业务站点数量的确定方法、装置、设备及*** - Google Patents
一种区域中业务站点数量的确定方法、装置、设备及*** Download PDFInfo
- Publication number
- CN111932302B CN111932302B CN202010762393.5A CN202010762393A CN111932302B CN 111932302 B CN111932302 B CN 111932302B CN 202010762393 A CN202010762393 A CN 202010762393A CN 111932302 B CN111932302 B CN 111932302B
- Authority
- CN
- China
- Prior art keywords
- region
- data
- index data
- area
- classification model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013145 classification model Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000015654 memory Effects 0.000 claims description 22
- 238000011161 development Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例涉及大数据技术领域,具体提供了一种区域中业务站点数量的确定方法、装置、设备及***。所述方法包括获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。利用本说明书实施例可以准确确定区域中业务站点的数量,从而提高选址准确度。
Description
技术领域
本申请涉及大数据技术领域,特别涉及一种区域中业务站点数量的确定方法、装置、设备及***。
背景技术
银行网点作为商业银行吸引客户、开展各项业务的基础设施,选址得当不仅能够为客户提供高效的服务,而且还可以带来更高的经济效益。
目前,网点选址方法主要依赖于专家的经验进行分析。这种方式不仅容易受人为主观因素影响,具有一定的主观局限性,而且所能获得的参考信息更是有限,从而使得选址结果不准确。
因此,业内亟需一种可以解决上述技术问题的技术方案。
发明内容
本说明书实施例提供了一种区域中业务站点数量的确定方法、装置、设备及***,可以准确确定区域中业务站点的数量,从而提高选址准确度。
本说明书提供的一种区域中业务站点数量的确定方法、装置、设备及***是包括以下方式实现的。
一种区域中业务站点数量的确定方法,包括:获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。
一种区域归类模型的训练方法,包括:选取目标地域,所述目标地域中包括业务站点;对所述目标地域进行划分,获得所述目标地域中包括的多个区域;依照所述区域中包括所述业务站点的数量,将所述目标地域中包括的区域划分为多个区域类别;其中,不同区域类别对应的业务站点的数量不同;获取所述区域对应的指标数据;所述指标数据表示影响所述业务站点的业务量的因素;利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型。
一种区域中业务站点数量的确定装置,包括:指标数据获取模块,获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;区域类别获得模块,用于将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。
一种区域归类模型的训练装置,包括:选取模块,用于选取目标地域,所述目标地域中包括业务站点;获得模块,用于对所述目标地域进行划分,获得所述目标地域中包括的多个区域;划分模块,用于依照所述区域中包括所述业务站点的数量,将所述目标地域中包括的区域划分为多个区域类别;其中,不同区域类别对应的业务站点的数量不同;获取模块,用于获取所述区域对应的指标数据;所述指标数据表示影响所述业务站点的业务量的因素;训练模块,用于利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型。
一种区域中业务站点数量的确定设备,包括处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括以下步骤:获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。
一种区域中业务站点数量的确定***,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例方法的步骤。
本说明书提供的一种区域中业务站点数量的确定方法、装置、设备及***。一些实施例中通过对目标地域进行划分,根据区域中存在业务站点的数量确定目标地域中包括的多个区域类别,可以获得训练区域归类模型的多组样本数据,从而可以为降低区域归类模型训练误差、提高选址精度提供基础。通过提取特征数据中指标数据,利用指标数据对预设分类模型进行训练,可以充分挖掘大数据潜在价值,从而提高利用模型预测指定区域对应的区域类别的精度。通过预先获得能够进行多类型预测的区域归类模型,可以在确定区域中业务站点数量时直接利用模型进行预测,从而可以提高网点分布格局规划的选择多样性,提高预测精度和处理效率的同时,摆脱对专家经验的依赖,减少主观臆断性,降低资源浪费。采用本说明书提供的实施方案,可以准确确定区域中业务站点数量的同时,提高选址准确度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,并不构成对本说明书的限定。在附图中:
图1是本说明书提供的一种区域中业务站点数量的确定方法的一个实施例的流程示意图;
图2是本说明书提供的一种对目标地域划分后的结果示意图;
图3是本说明书提供的一种区域中业务站点数量的确定方法的一个实施例的流程示意图;
图4是本说明书提供的一种区域中业务站点数量的确定装置的一个实施例的模块结构示意图;
图5是本说明书提供的一种区域归类模型的训练装置的一个实施例的模块结构示意图;
图6是本说明书提供的一种区域中业务站点数量的确定服务器的一个实施例的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书中的一部分实施例,而不是全部的实施例。基于本说明书中的一个或多个实施例,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,都应当属于本说明书实施例保护的范围。
下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的,图1是本说明书提供的一种区域中业务站点数量的确定方法的一个实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。
本说明书提供的一种实施方案可以应用到客户端、服务器等中。所述客户端可以包括终端设备,如智能手机、平板电脑等。所述服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式***的服务器结构等。
需要说明的是,下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示,本说明书提供的一种区域中业务站点数量的确定方法的一种实施例中,所述方法可以包括以下步骤。
S0:获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素。
本说明书一些实施例中,指定区域可以表示一个区域。指定区域可以理解为即将设置业务站点的区域。业务站点可以是银行网点,快递网点等。具体的,如,工行网点、建行网点等。
本说明书一些实施例中,所述获取指定区域对应的指标数据,可以包括:获取所述指定区域的特征数据;计算所述特征数据的关联度;根据所述关联度,选择满足预设条件的特征数据作为所述指定区域对应的指标数据。其中,指标数据可以表示影响业务站点的业务量的因素。预设条件可以根据实际场景进行设定,如,预设条件可以是关联度排序靠前的3个指标数据,也可以是关联度和大于预设值的指标数据等。
一些实施场景中,特征数据可以包括环境因素数据、地理因素数据、市场因素数据等。其中,环境因素数据可以包括人口密度信息、成年人群体占比信息、人口信息、消费信息等。地理因素数据可以包括写字楼信息、商业街信息、电影院信息、娱乐场所信息、地铁站信息、公交站信息等。市场因素数据可以包括竞争信息等。
一些实施场景中,人口信息可以包括居住、工作、流动人口数等。人口密度信息可以基于区域面积和人口数量确定。成年人群体占比信息可以基于区域中不同年龄段人口数量确定。一些实施场景中,由于工作、流动人口变化较大,可以以居住人口数量表示人口信息。
一些实施场景中,消费信息可以通过购买力指数表示。其中,可以通过下述公式计算购买力指数:
BPI=05.Y+0.2P+0.3R (1)
其中,BPI表示购买力指数,Y表示地区国民收入消费额占全国百分比,P表示地区人口数占全国百分比,R表示地区消费品零售额占全国百分比。
一些实施场景中,写字楼信息、商业街信息、电影院信息、娱乐场所信息、地铁站信息、公交站信息等可以通过统计区域内写字楼、商业街、电影院、娱乐场所、地铁站、公交站的数量确定。竞争信息可以通过统计区域内同行竞争者数量确定。
可以理解的是,上述特征数据还可以包括其他数据,本说明书对此不作限定。
一些实施场景中,可以预先将区域对应的特征数据存储在服务器、数据库等中,这样,在需要对某一区域进行业务站点规划时,可以从服务器或者数据库等中获取对应的特征数据。一些实施场景中,对区域对应的特征数据进行存储时,可以为每个区域分配一个唯一标识,然后将唯一标识与区域对应的特征数据进行关联,这样,后续可以通过唯一标识快速的获取对应区域的特征数据。其中,唯一标识可以通过字母、数字等中一个或多个组合获得。
一些实施场景中,由于区域的特征数据中既可以包括对业务站点的业务量影响显著的数据,也可以包括对业务站点的业务量影响不显著的数据,所以为了提高后续预测精度,可以在获得指定区域的特征数据后,从特征数据中提取对业务站点的业务量影响显著的数据作为指定区域的指标数据。
一些实施场景中,在获得指定区域的特征数据后,可以通过预设方法计算不同特征数据的关联度、重要度、权重等,然后根据关联度、重要度、权重等从特征数据中提取对业务站点的业务量影响显著的特征数据作为指定区域的指标数据。其中,预设方法可以包括但不限于灰色关联分析法、PCA(principal components analysis,主成分分析)降维等。
本说明书实施例中,通过获取指定区域对应的指标数据,以便后续基于该指标数据确定指定区域中业务站点信息。
S2:将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。
本说明书实施例中,在获得指定区域对应的指标数据后,可以将其输入预先获得的区域归类模型中,从而获得指定区域对应的区域类别。其中,不同区域类别对应的业务站点的数量不同。
本说明书一些实施例中,区域归类模型的训练方法可以包括:选取目标地域;对所述目标地域进行划分,获得所述目标地域中包括的多个区域;依照所述区域中包括所述业务站点的数量,将所述目标地域中包括的区域划分为多个区域类别;其中,不同区域类别对应的业务站点的数量不同;获取所述区域对应的指标数据;所述指标数据表示影响所述业务站点的业务量的因素;利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型。
一些实施场景中,可以选择满足预设条件的地域作为目标地域。预设条件可以根据实际情况设定,如预设条件可以包括经济发展较好、经济发展平衡等。其中,经济发展较好、经济发展平衡等可以通过表示该区域经济发展的数据与预设阈值进行比较确定。例如,如果该区域经济发展的数据大于第一阈值,则可以表示经济发展较好,若大于第二阈值小于第一阈值,则可以表示该区域经济发展平衡等。第一阈值大于第二阈值,其均可以根据实际场景设定。满足预设条件的地域可以是市区、县区等。例如一些实施场景中,可以选取经济发展较好的某市区作为目标地域。
一些实施场景中,目标地域中可以包括业务站点,业务站点可以是银行网点,快递网点等。例如,选择的目标地域中可以包括已经存在的银行网点。
一些实施场景中,在确定目标地域后,可以对目标地域进行划分,获得目标地域中包括的多个区域。例如一些实施场景中,可以以一定面积为单位将某市区划分为多个网格区域,也可以先将某市区划分为预设部分,然后在不同部分中以不同面积为单位进行划分,还可以以其他为单位将某市区划分为多个网格区域。其中,网格区域可以理解为是区域。每个网格区域中可以包括业务站点,也可以不包括业务站点。每个网格中可以包括一个或多个业务站点。如图2所示,图2是本说明书提供的一种对目标地域划分后的结果示意图,其中,空白网格可以表示不包括银行网点,灰色网格可以表示包括一个或多个银行网点。一些实施场景中,可以将目标地域划分为相同大小的区域,也可以划分为不同大小的区域。优选的,将目标地域划分为相同大小区域。
一些实施场景中,在对目标地域划分获得多个区域后,可以根据区域中存在业务站点的数量,确定不同区域对应的区域类别。例如一些实施场景中,如果一个网格区域为空白,则可以标记该网格区域的区域类别为0,如果一个网格区域包括一个业务站点,则可以标记该网格区域的区域类别为1,如果一个网格区域包括两个业务站点,则可以标记该网格区域的区域类别为2,以此类推,可以标记j个区域类别。需要说明的是,上述区域类别的标记只是进行示例性说明,区域类别的标记还可以是其他方式。一些实施场景中,区域类别至少包括3个。
一些实施场景中,在对目标地域进行划分后,可以获取划分后区域的指标数据。其中,指标数据可以表示影响业务站点的业务量的因素。
一些实施场景中,可以先获取区域对应的特征数据,然后从特征数据中提取出对业务站点的业务量影响显著的数据作为区域的指标数据。可以理解的是,由于区域的特征数据中既可以包括对业务站点的业务量影响显著的数据,也可以包括对业务站点的业务量影响不显著的数据,所以为了提高对区域归类模型的训练精度,可以从特征数据中提取对业务站点的业务量影响显著的数据作为区域的指标数据对预设模型进行训练。其中,特征数据可以包括环境因素数据、地理因素数据、市场因素数据等。环境因素数据可以包括人口密度信息、成年人群体占比信息、流动人口信息、消费信息等;地理因素数据包括写字楼信息、商业街信息、电影院信息、娱乐场所信息、地铁站信息、公交站信息等;市场因素数据包括竞争信息等。需要说明的是,特征数据的获取方式可以参考上述实施例的描述,对此不作赘述。
一些实施场景中,对业务站点的业务量影响是否显著可以通过计算不同特征数据的关联度、重要度、权重等确定。一些实施场景中,在获取区域中的特征数据后,可以通过预设方法计算不同特征数据的关联度、重要度、权重等,然后根据关联度、重要度、权重等从特征数据中提取对业务站点的业务量影响显著的特征数据作为区域的指标数据。其中,预设方法可以包括但不限于灰色关联分析法、PCA(principal components analysis,主成分分析)降维等。
本说明书一些实施例中,获取所述区域对应的指标数据,可以包括:获取所述区域的特征数据;计算所述特征数据的关联度;根据所述关联度,选择满足预设条件的特征数据作为所述区域对应的指标数据。
例如一些实施场景中,可以先通过灰色关联分析法计算特征数据的关联度,然后根据关联度将特征数据进行排序,最后选择满足预设条件的特征数据作为区域对应的指标数据。其中,预设条件可以根据实际场景进行设定,如,预设条件可以是关联度排序靠前的3个指标数据,也可以是关联度和大于预设值的指标数据等。
一些实施场景中,通过灰色关联分析法计算特征数据的关联度,可以包括:确定比较数列和参考数列;根据比较数列和参考数列,计算灰色关联系数;基于灰色关联系数,计算关联度。其中,灰色关联分析法可以理解为根据因素之间发展趋势的相似或相异程度来衡量因素之间关联的程度。
例如一些实施场景中,首先可以以目标地域中包括的区域类别作为参考序列,记为X0=(x0(1),x0(2),…,x0(n)),目标地域中多个区域的特征数据作为比较序列,记为Xt=(xt(1),xt(2),…,xt(n)),其中,t=1,2,…,m,t表示任意一区域,m表示目标地域中包括的区域总数量,n表示特征数据的个数。其次可以采用初始值化方法对序列进行无量纲化处理,获得新序列:X’i=Xi/xi(1)=(x’i(1),x’i(2),…,x’i(n)),其中,i=0,1,2,…,m。然后可以求差序列及其最大值和最小值。其中,X’0和X’i对应分量之差的绝对值序列的计算公式如下:
Δi(k)=|x’0(k)-xi’(k)| (2)
Δi=(Δi(1),Δi(2),…,Δi(n)) (3)
进一步地,可以利用公式(2)求出Δi(k)的最大值和最小值,分别记为:
其中,i=0,1,2,…,m,k=1,2,…,n。
进一步地,可以通过下述公式计算参考序列和比较序列之间的关联系数γ0i(k):
其中,ξ为分辨率系数,ξ∈(0,1),i=0,1,2,,m,k=1,2,,n。本实施例中,ξ=0.5。
进一步地,可以通过下述公式计算关联度,即关联系数的平均值γ0i:
其中,i=0,1,2,…,m,k=1,2,…,n。
最后,可以根据关联度大小对特征数据进行排序,并从排序结果中选取关联度较大的特征数据作为区域的指标数据。相应的,可以舍去关联度较小的特征数据。
一些实施场景中,在获得区域的指标数据后,可以对指标数据进行归一化处理。具体的,可以利用min-max归一化方法对指标数据进行线性变换,映射到[0-1]范围。
其中,min-max归一化方法可以通过下述公式实现:
其中,x’i为归一化后的指标数据,xi为原始指标数据,xmin、xmax分别为指标数据最小值和最大值。
当然,上述只是进行示例性说明,获取指标数据的方式不限于上述举例,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
本说明书实施例中,由于对目标地域进行划分,根据区域中存在业务站点的数量确定目标地域中包括的多个区域类别,可以获得训练区域归类模型的多组样本数据,从而可以为降低区域归类模型训练误差、提高选址精度提供基础。由于指标数据是特征数据中对业务站点的业务量影响显著的数据,这样利用指标数据训练模型,可以有效提高后续预测精度。
本说明书实施例中,在获得区域对应的指标数据和区域类别后,可以将其作为样本数据,对预设分类模型进行训练,从而获得区域归类模型。区域归类模型可以用于确定不同区域对应的区域类别。
本说明书一些实施例中,所述利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型,可以包括:选择不同区域类别中的一个区域类别作为第一类别,剩余区域类别作为第二类别;将所述第一类别对应的区域的指标数据作为第一数据集,将所述第二类别对应的区域的指标数据作为第二数据集;利用所述第一数据集和所述第二数据集,对所述预设分类模型进行训练,获得区域归类模型。其中,预设分类模型可以是SVM(Support Vector Machine,支持向量机)、决策树、人工神经网络等。SVM是一类按监督学***面。
一些实施场景中,由于SVM是一个二分类的算法,只能将样本分为两类,此时,可以采用一对其余规则对SVM模型进行训练,从而获得区域归类模型。具体的,首先可以将区域类别为0对应的样本数据标记为1,其余区域类别对应的样本数据标记为-1,训练分类器0,然后将区域类别为1对应的样本数据标记为1,其余区域类别对应的样本数据标记为-1,训练分类器1,以此类推,直至获得j个分类器,利用j个分类器组成区域归类模型。一些实施场景中,区域归类模型中可以包括1个或多个分类器。这样,训练获得的区域归类模型可以进行多类型预测。其中,若区域归类模型中包括多个分类器时,在将指定区域对应的指标数据输入区域归类模型中后,可以将分类器结果为1对应的区域类别作为该指定区域对应的区域类别。
本说明书实施例中,由于对目标地域划分的方式不同,划分后不同区域中包括的业务站点数量可以包括多种情况,使得根据区域中包括业务站点的数量确定的区域类别可以涵盖更多场景。这样,后续利用多种区域类别对应的数据采用一对其余规则对预设模型进行训练,可以使获得的区域归类模型能够预测更多类型,从而可以提高后续选址准确率。
一些实施场景中,利用指标数据对预设分类模型训练过程中,可以预先设定模型的训练精度,若未达到预设的训练精度,则可以继续训练,直到满足训练精度要求为止。其中,训练精度可以根据实际场景进行设定,本说明书对此不作限定。
本说明书实施例中,由于预先获得区域归类模型能够进行多类型预测,这样在进行选址时可以直接利用该模型进行预测,从而可以在提高网点分布格局规划的选择多样性的同时,摆脱对专家经验的依赖,减少主观臆断性,降低资源浪费。
一些实施场景中,在训练获得区域归类模型后,可以将其保存,以便后续利用该模型预测区域类别,从而根据区域类别进行选址规划。
一些实施场景中,可以定时对区域归类模型进行更新,从而提高预测精度。
本说明书实施例中,在获得区域归类模型后,可以将指定区域对应的指标数据输入区域归类模型,从而获得指定区域对应的区域类别。由于不同区域类别对应的业务站点的数量不同。这样,在获得指定区域对应的区域类别后,可以根据区域类别对指定区域中业务站点的地址进行规划。
例如一些实施场景中,可以将指定网格区域的指标数据输入SVM区域归类模型,预测出该指定网格区域属于哪一种区域类别,然后根据区域类别对该指定网格区域中包括的业务站点的分布格局做进一步规划。
如图3所示,图3是本说明书提供的一种区域中业务站点数量的确定方法的一个实施例的流程示意图。本实施例中,首先将一定地域划分为网格,并获取网格内环境、地理、市场因素等特征数据。进一步地,可以利用灰色关联理论对网格内的环境、地理、市场因素等特征数据进行关联度排序,得出关联度较大的指标数据。进一步地,将关联度较大指标数据进行归一化处理,并将归一化处理后的数据输入SVM模型进行训练。其中,在训练过程中可以判断是否达到训练要求,如果没达到,则继续训练,如果达到,则将指定网格区域的指标数据输入训练好的SVM模型中进行预测。其中,可以将满足训练要求的SVM模型保存。训练要求可以是精度要求,也可以是误差要求,还可以是其他条件。
当然,上述只是进行示例性说明,本说明书实施例不限于上述举例,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
从以上的描述中,可以看出,本申请实施例可以实现如下技术效果:通过对目标地域进行划分,根据区域中存在业务站点的数量确定目标地域中包括的多个区域类别,可以获得训练区域归类模型的多组样本数据,从而可以为降低区域归类模型训练误差、提高选址精度提供基础。通过提取特征数据中指标数据,利用指标数据对预设分类模型进行训练,可以充分挖掘大数据潜在价值,从而提高利用模型预测的精度。通过预先获得能够进行多类型预测的区域归类模型,可以在确定区域中业务站点数量时直接利用模型进行预测,从而可以提高网点分布格局规划的选择多样性,提高预测精度和处理效率的同时,摆脱对专家经验的依赖,减少主观臆断性,降低资源浪费。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参加即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
基于上述所述一种区域中业务站点数量的确定方法,本说明书一个或多个实施例还提供一种区域中业务站点数量的确定装置。所述的装置可以包括使用了本说明书实施例所述方法的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图4是本说明书提供的一种区域中业务站点数量的确定装置的一个实施例的模块结构示意图,如图4所示,本说明书提供的一种区域中业务站点数量的确定装置可以包括:指标数据获取模块120,区域类别获得模块122。
指标数据获取模块120,可以用于获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;
区域类别获得模块122,可以用于将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
具体地,图5是本说明书提供的一种区域归类模型的训练装置的一个实施例的模块结构示意图,如图5所示,本说明书提供的一种区域归类模型的训练装置可以包括:选取模块210,获得模块212,划分模块214,获取模块216,训练模块218。
选取模块210,可以用于选取目标地域,所述目标地域中包括业务站点;
获得模块212,可以用于对所述目标地域进行划分,获得所述目标地域中包括的多个区域;
划分模块214,可以用于依照所述区域中包括所述业务站点的数量,将所述目标地域中包括的区域划分为多个区域类别;其中,不同区域类别对应的业务站点的数量不同;
获取模块216,可以用于获取所述区域对应的指标数据;所述指标数据表示影响所述业务站点的业务量的因素;
训练模块218,可以用于利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书还提供一种区域中业务站点数量的确定设备的实施例,包括处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括以下步骤:获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。
需要说明的,上述所述的设备根据方法或装置实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书还提供一种区域中业务站点数量的确定***的实施例,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤,例如包括:获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同。所述的***可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、***(包括分布式***)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。
本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图6是本说明书提供的一种区域中业务站点数量的确定服务器的一个实施例的硬件结构框图,该服务器可以是上述实施例中的区域中业务站点数量的确定装置或区域中业务站点数量的确定***。如图6所示,服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图6所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图6中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图6所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的区域中业务站点数量的确定方法对应的程序指令/模块,处理器100通过运行存储在存储器200内的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书提供的上述区域中业务站点数量的确定方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作***的c++语言在PC端实现、linux***实现,或其他例如使用android、iOS***程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、设备、***根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把部分模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。
本发明是参照根据本发明实施例的方法、装置、设备、***的流程图和/或方框图来描述的。应理解可由计算机程序指令实现,可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (8)
1.一种区域中业务站点数量的确定方法,其特征在于,包括:
获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;
将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同;
所述获取指定区域对应的指标数据,包括:
获取所述指定区域的特征数据,所述特征数据包括环境因素数据、地理因素数据、市场因素数据;
计算所述特征数据的关联度,所述关联度表征了所述特征数据之间发展趋势的相似或相异的关联程度;
根据所述关联度,选择满足预设条件的特征数据作为所述指定区域对应的指标数据。
2.一种区域归类模型的训练方法,其特征在于,包括:
选取目标地域,所述目标地域中包括业务站点;
对所述目标地域进行划分,获得所述目标地域中包括的多个区域;
依照所述区域中包括所述业务站点的数量,将所述目标地域中包括的区域划分为多个区域类别;其中,不同区域类别对应的业务站点的数量不同;
获取所述区域对应的指标数据;所述指标数据表示影响所述业务站点的业务量的因素;
利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型;
所述获取所述区域对应的指标数据,包括:
获取所述区域的特征数据,所述特征数据包括环境因素数据、地理因素数据、市场因素数据;
计算所述特征数据的关联度,所述关联度表征了所述特征数据之间发展趋势的相似或相异的关联程度;
根据所述关联度,选择满足预设条件的特征数据作为所述区域对应的指标数据。
3.根据权利要求2所述的方法,其特征在于,所述环境因素数据包括人口密度信息、成年人群体占比信息、人口信息、消费信息;
所述地理因素数据包括写字楼信息、商业街信息、电影院信息、娱乐场所信息、地铁站信息、公交站信息;
所述市场因素数据包括竞争信息。
4.根据权利要求2所述的方法,其特征在于,所述利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型,包括:
选择不同区域类别中的一个区域类别作为第一类别,剩余区域类别作为第二类别;
将所述第一类别对应的区域的指标数据作为第一数据集,将所述第二类别对应的区域的指标数据作为第二数据集;
利用所述第一数据集和所述第二数据集,对所述预设分类模型进行训练,获得区域归类模型。
5.一种区域中业务站点数量的确定装置,其特征在于,包括:
指标数据获取模块,用于获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;
区域类别获得模块,用于将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同;
所述指标数据获取模块,具体用于:
获取所述区域的特征数据,所述特征数据包括环境因素数据、地理因素数据、市场因素数据;
计算所述特征数据的关联度,所述关联度表征了所述特征数据之间发展趋势的相似或相异的关联程度;
根据所述关联度,选择满足预设条件的特征数据作为所述区域对应的指标数据。
6.一种区域归类模型的训练装置,其特征在于,包括:
选取模块,用于选取目标地域,所述目标地域中包括业务站点;
获得模块,用于对所述目标地域进行划分,获得所述目标地域中包括的多个区域;
划分模块,用于依照所述区域中包括所述业务站点的数量,将所述目标地域中包括的区域划分为多个区域类别;其中,不同区域类别对应的业务站点的数量不同;
获取模块,用于获取所述区域对应的指标数据;所述指标数据表示影响所述业务站点的业务量的因素;
训练模块,用于利用所述区域对应的指标数据和区域类别,对预设分类模型进行训练,获得区域归类模型;
所述获取模块,具体用于:
获取所述区域的特征数据,所述特征数据包括环境因素数据、地理因素数据、市场因素数据;
计算所述特征数据的关联度,所述关联度表征了所述特征数据之间发展趋势的相似或相异的关联程度;
根据所述关联度,选择满足预设条件的特征数据作为所述区域对应的指标数据。
7.一种区域中业务站点数量的确定设备,其特征在于,包括处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括以下步骤:
获取指定区域对应的指标数据,所述指标数据表示影响所述业务站点的业务量的因素;
将所述指标数据输入区域归类模型,获得所述指定区域对应的区域类别;其中,所述区域归类模型根据区域对应的指标数据和区域对应的区域类别训练获得;所述区域对应的指标数据基于对目标地域划分获得,所述区域对应的区域类别根据所述区域中包括业务站点的数量确定,不同区域类别对应的业务站点的数量不同;
获取指定区域对应的指标数据,包括:
获取所述区域的特征数据,所述特征数据包括环境因素数据、地理因素数据、市场因素数据;
计算所述特征数据的关联度,所述关联度表征了所述特征数据之间发展趋势的相似或相异的关联程度;
根据所述关联度,选择满足预设条件的特征数据作为所述区域对应的指标数据。
8.一种区域中业务站点数量的确定***,其特征在于,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-4中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762393.5A CN111932302B (zh) | 2020-07-31 | 2020-07-31 | 一种区域中业务站点数量的确定方法、装置、设备及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762393.5A CN111932302B (zh) | 2020-07-31 | 2020-07-31 | 一种区域中业务站点数量的确定方法、装置、设备及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932302A CN111932302A (zh) | 2020-11-13 |
CN111932302B true CN111932302B (zh) | 2024-02-13 |
Family
ID=73315579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010762393.5A Active CN111932302B (zh) | 2020-07-31 | 2020-07-31 | 一种区域中业务站点数量的确定方法、装置、设备及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932302B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077181B (zh) * | 2021-04-22 | 2022-11-18 | 上海钧正网络科技有限公司 | 一种停车站点设置方法、装置、介质及电子设备 |
CN113342910B (zh) * | 2021-04-28 | 2024-06-07 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
CN113449922B (zh) * | 2021-07-09 | 2024-06-28 | 中国银行股份有限公司 | 银行网点选址方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019242520A1 (zh) * | 2018-06-20 | 2019-12-26 | 菜鸟智能物流控股有限公司 | 物流配送站点规划方法和服务器 |
CN110689070A (zh) * | 2019-09-25 | 2020-01-14 | 第四范式(北京)技术有限公司 | 一种业务预测模型的训练方法及装置 |
CN111144429A (zh) * | 2018-11-05 | 2020-05-12 | 北京京东金融科技控股有限公司 | 对象分类方法及其***、计算机***及计算机可读介质 |
CN111210158A (zh) * | 2020-01-14 | 2020-05-29 | 上海钧正网络科技有限公司 | 目标地址确定方法、装置、计算机设备和存储介质 |
CN111222916A (zh) * | 2020-01-03 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 投放区域确定方法、装置、模型训练方法及存储介质 |
-
2020
- 2020-07-31 CN CN202010762393.5A patent/CN111932302B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019242520A1 (zh) * | 2018-06-20 | 2019-12-26 | 菜鸟智能物流控股有限公司 | 物流配送站点规划方法和服务器 |
CN111144429A (zh) * | 2018-11-05 | 2020-05-12 | 北京京东金融科技控股有限公司 | 对象分类方法及其***、计算机***及计算机可读介质 |
CN110689070A (zh) * | 2019-09-25 | 2020-01-14 | 第四范式(北京)技术有限公司 | 一种业务预测模型的训练方法及装置 |
CN111222916A (zh) * | 2020-01-03 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 投放区域确定方法、装置、模型训练方法及存储介质 |
CN111210158A (zh) * | 2020-01-14 | 2020-05-29 | 上海钧正网络科技有限公司 | 目标地址确定方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111932302A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932302B (zh) | 一种区域中业务站点数量的确定方法、装置、设备及*** | |
CN107944874A (zh) | 基于迁移学习的风控方法、装置及*** | |
CN106651213B (zh) | 服务订单的处理方法及装置 | |
CN111442778A (zh) | 出行方案推荐方法、装置、设备及计算机可读存储介质 | |
CN111932386B (zh) | 用户账号确定方法及装置、信息推送方法及装置、电子设备 | |
CN105225135B (zh) | 潜力客户识别方法以及装置 | |
CN106021376A (zh) | 用于处理用户信息的方法和设备 | |
CN111967971A (zh) | 银行客户数据处理方法及装置 | |
CN110674636B (zh) | 一种用电行为分析方法 | |
CN112231416B (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
CN111191814A (zh) | 一种电价预测方法、***和计算机可读存储介质 | |
CN109690581A (zh) | 用户指导***及方法 | |
Ahmed et al. | Discovering diverse, high quality design ideas from a large corpus | |
CN112036483B (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN113377880A (zh) | 一种基于bim的建筑模型自动匹配方法及*** | |
Fei et al. | A new deep sparse autoencoder for community detection in complex networks | |
CN112836750A (zh) | 一种***资源分配方法、装置及设备 | |
CN117726884B (zh) | 对象类别识别模型的训练方法、对象类别识别方法及装置 | |
CN113570391B (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
CN112465371B (zh) | 一种资源数据分配方法、装置及设备 | |
CN111417132B (zh) | 小区的划分方法、装置及设备 | |
CN107609570A (zh) | 基于属性分类和多视角特征融合的微视频流行度预测方法 | |
CN116955788A (zh) | 一种内容处理的方法、装置、设备、存储介质及程序产品 | |
Kalra et al. | RETRACTED ARTICLE: Enduring data analytics for reliable data management in handling smart city services | |
CN115482324A (zh) | 多媒体资源生成方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |