网点选址方法、装置、电子设备及计算机可读存储介质与流程

1.本发明涉及选址技术领域，特别涉及一种网点选址方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着车辆的不断发展与普及，车辆流转网点不断从一二线城市向三四线城市扩展，车辆流转网点的选址需要根据汽贸基础、交通便利性、人口占比、gdp(gross domestic product，国内生产总值)占比与三年内同比增速等大数据进行确定。
3.目前，在对车辆流转网点进行选址时，通常需要人为根据区域信息进行比较分析，进而确定车辆流转网点的选址。
4.但是，车辆流转网点的流转量通常是由诸多因素共同影响的，人为进行比较分析的方式往往存在效率低下，无法对区域信息进行全面分析导致网点选址的合理性较低的问题。


技术实现要素：

5.有鉴于此，本发明旨在提出一种网点选址方法，以解决现有车辆流转网点选址时，存在效率低下，无法对区域信息进行全面分析，导致网点选址的合理性较低的问题。
6.为达到上述目的，本发明的技术方案是这样实现的：
7.一种网点选址方法，所述方法包括：
8.获取目标区域对应的特征信息；
9.根据所述特征信息，确定所述目标区域对应的至少一个目标社区；
10.根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标；
11.根据所述特征指标，确定网点的选址。
12.进一步的，所述根据所述特征信息，确定所述目标区域对应的至少一个目标社区，包括：
13.根据所述特征信息，确定所述目标区域对应的多个节点，并获取各个所述节点的节点特征参数；
14.根据各个所述节点特征参数，确定所述节点对应的节点权重值；
15.遍历所述节点，根据所述节点权重值，对所述节点进行聚合，得到至少一个第一社区，所述第一社区包括至少一个所述节点；
16.遍历所述第一社区，根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区，所述目标社区包括至少一个所述第一社区。
17.进一步的，所述遍历所述节点，根据所述节点权重值，对所述节点进行聚合，得到至少一个第一社区，包括：
18.将多个所述节点确定为多个相互独立的第二社区；
19.根据所述节点权重值，通过社区发现算法计算所述第二社区对应的第一模块度增益值；
20.在所述第一模块度增益值符合第一预设阈值的情况下，将所述第二社区和所述第二社区相连的另一第二社区进行聚合；
21.遍历所述第二社区，在所述第二社区对应的第一模块度增益值均不符合第一预设阈值的情况下，将所述第二社区确定为第一社区。
22.进一步的，在遍历所述第一社区，根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区之前，还包括：
23.根据所述第一社区中所述节点对应的所述节点权重值，确定所述第一社区对应的社区权重值。
24.进一步的，所述根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区，包括：
25.根据所述第一社区对应的社区权重值，通过社区发现算法计算所述第一社区对应的第二模块度增益值；
26.在所述第二模块度增益值符合第二预设阈值的情况下，将所述第一社区和所述第一社区相连的另一第一社区进行聚合；
27.遍历所述第一社区，在所述第一社区对应的第二模块度增益值均不符合第二预设阈值的情况下，将所述第一社区确定为目标社区。
28.进一步的，所述根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标，包括：
29.根据所述目标社区对应的所述特征信息，确定所述目标社区对应的社区特征参数；
30.根据所述社区特征参数，构建与所述目标社区对应的预测模型；
31.根据所述预测模型和所述社区特征参数，确定所述预测模型对应的目标模型参数；
32.根据所述目标模型参数，确定所述目标社区对应的特征指标。
33.进一步的，所述预测模型包括线性回归模型；
34.所述根据所述社区特征参数，构建与所述目标社区对应的预测模型，包括：
35.确定所述社区特征参数的数量；
36.根据所述社区特征参数的数量，构建与所述特征参数的数量对应的线性回归模型；
37.所述根据所述预测模型和所述社区特征参数，确定所述线性回归模型对应的目标模型参数，包括：
38.根据所述线性回归模型，确定与所述线性回归模型对应的损失函数；
39.对所述损失函数求偏导数，获取与所述线性回归模型对应的偏导函数；
40.根据所述偏导函数和所述社区特征参数，确定所述损失函数最小值；
41.将所述损失函数最小值对应的模型参数，确定为所述线性回归模型对应的目标模型参数。
42.相对于现有技术，本发明所述的网点选址方法具有以下优势：
43.本发明实施例中所述的网点选址方法，基于目标区域对应的特征信息，将所述目标区域确定为至少一个目标社区，然后进一步根据特征信息和目标社区，通过预测模型确定目标社区对应的特征指标；并基于预测模型确定的特征指标，确定最终网点的选址。由此，避免了通过人为方式对目标区域对应的大量特征信息的对比分析的同时，通过预测模型对目标模型区域对应的特征指标进行预测，还避免了人为分析时无法对区域信息进行全面分析导致预测的特征指标准确度低的问题，提高了进行网点选址时的选址效率的同时，可以尽可能对目标区域对应的特征信息进行全面分析，提高了预测的准确度，进而提高了网点选址的合理性。
44.本发明的另一目的在于提出一种网点选址装置，以解决现有车辆流转网点选址时，存在效率低下，无法对区域信息进行全面分析，导致网点选址的合理性较低的问题。
45.为达到上述目的，本发明的技术方案是这样实现的：
46.一种网点选址装置，所述装置包括：
47.信息获取模块，用于获取目标区域对应的特征信息；
48.社区确定模块，用于根据所述特征信息，确定所述目标区域对应的至少一个目标社区；
49.特征指标确定模块，用于根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标；
50.网点选址确定模块，用于根据所述特征指标，确定网点的选址。
51.所述网点选址装置与上述网点选址方法相对于现有技术所具有的优势相同，在此不再赘述。
52.本发明的另一目的在于提出一种电子设备，以解决现有车辆流转网点选址时，存在效率低下，无法对区域信息进行全面分析，导致网点选址的合理性较低的问题。
53.为达到上述目的，本发明的技术方案是这样实现的：
54.一种电子设备，所述电子设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，所述处理器执行所述计算机程序时实现如上一项所述的网点选址方法。
55.所述电子设备与上述网点选址方法相对于现有技术所具有的优势相同，在此不再赘述。
56.本发明的另一目的在于提出一种计算机可读存储介质，以解决现有车辆流转网点选址时，存在效率低下，无法对区域信息进行全面分析，导致网点选址的合理性较低的问题。
57.为达到上述目的，本发明的技术方案是这样实现的：
58.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的网点选址方法。
59.所述计算机可读存储介质与上述网点选址方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
60.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实
施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
61.图1为本发明实施例所述的一种网点选址方法的流程图；
62.图2为本发明实施例所述的另一种网点选址方法的流程图；
63.图3为本发明实施例所述的一种图数据库的示意图；
64.图4为本发明实施例所述的一种网点选址装置的逻辑框图。
具体实施方式
65.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
66.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除、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。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，都属于本技术保护的范围。
67.参照图1，图1示出了本发明实施例所述的一种网点选址方法的流程图，该网点选址方法可以包括以下步骤：
68.步骤110、获取目标区域对应的特征信息。
69.其中，目标区域为初步选定的进行网点选址的目标地点所在的区域。例如，目标区域可以为某一地区的区或县，本发明实施例提供的一种网点选址方法可以将该区或县作为目标区域，确定网点的具体选址。
70.网点具体可以为车辆流转网点，包括但不限于车辆销售网点和车辆租赁网点。
71.目标区域对应的特征信息具体可以为该目标区域与网点选址相关的区域信息，可以包括道路信息、人口信息、现有车辆各类设施信息、以及地理信息等。其中，获取特征信息中的道路信息需要获取目标区域对应道路类型、道路宽度、交通状况、速度限制等信息，以了解交通情况及道路的通行能力；获取特征信息中的人口信息需要获取目标区域对应的人口密度、人口流动趋势，以及商业区域、景点等是否会对人口流量产生影响；获取特征信息中的现有车辆各类设施信息需要获取目标区域对应的公共停车场、加油站、汽车修理店、汽车保险公司等，以便为自驾游客提供便利；以及获取特征信息中的地理信息分析目标区域对应的地形和地貌，例如山地、平原等，获取土地利用情况，例如住宅区、工业区、商业区等，获取气候和天气状况，例如降水量、温度等，识别水系，例如河流、湖泊等，获取生态环境信息，例如绿化覆盖率、自然保护区等。
72.在本发明实施例中，获取目标区域对应的特征信息具体可以利用gis(geographic information system，地理信息系统)，定位分析目标区域，获取目标区域对应的原始特征信息，然对原始特征信息进行整合、清洗等处理操作，获得目标区域对应的特征信息。
73.步骤120、根据所述特征信息，将所述目标区域确定为至少一个目标社区。
74.具体的，可以根据步骤110获取特征信息的特征属性，确定分别与不同特征信息对应的特征标签。需要说明的是，一种特征信息对应一个特征标签，多种不同的特征信息可以对应多个不同的特征标签，也可以对应同一个特征标签；参照表1，表1示出了本发明实施例所述的一种特征信息与特征标签对应表。
75.特征信息特征属性特征标签
汽贸基础qb基础条件交通路线tc基础条件区域人口占比rp人口信息gdp占比gdp经济活动gdp三年内同比增速gdpy经济活动主要经济产业mei经济活动区域已有品牌、车型reb竞争信息消费水平cl经济活动低收入人均占比lipc人口信息汽车销量占比cs竞争信息已有网点分布eb竞争信息
76.表1
77.在本发明实施例中，可以根据特征信息对应的特征标签，将具有相同特征标签的特征信息进行聚合，将聚合后的特征信息确定为目标区域对应的至少一个目标社区。
78.需要说明的，目标社区为根据特征信息，确定的目标区域对应的可以作为网点选址的社区。目标社区可以包括与该目标社区对应的道路信息、人口信息、现有车辆各类设施信息、以及地理信息，其中，地理信息可以包括该目标社区对应的地址信息等；现有车辆各类设施信息可以包括目标社区所在地址范围内其他网点对应的车辆流转量信息等；人口信息可以包括gdp(gross domestic product，国内生产总值)信息、消费水平信息等；道路信息可以包括该目标社区对应的交通便利程度信息、主要交通运输方式信息等。
79.目标区域对应的目标社区的数量可以根据聚合后的特征信息的数量确定。示例性的，目标区域对应的特征信息的数量为50个，在目标区域对应的特征信息对应的特征标签各不相同的情况下，无法将特征信息进行聚合，聚合后的特征信息的数量仍为50个，那么此时目标社区的数量也为50个；在目标区域对应的特征信息对应的特征标签部分相同的情况下，可以将部分特征信息进行聚合，聚合后的特征信息的数量可以为30个，那么此时目标社区的数量也为30个；同理，在目标区域
80.对应的特征信息对应的特征标签完全相同的情况下，可以将全部特征信息聚合为一个特征信息，聚合后的特征信息的数量为1个，那么此时目标社区的数量也为1个。
81.步骤130、根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标。
82.其中，预测模型可以包括线性回归模型、趋势外推预测模型、卡尔曼滤波预测模型、以及组合预测模型等。所述目标社区对应的特征指标为与网点属性相关的评价指标；例如，在该网点为车辆流转网点时，目标社区对应的特征指标可以为车辆的流转量；在该网点为车辆销售网点时，目标社区对应的特征指标可以为车辆的销售量。
83.具体的，可以根据特征信息和步骤120确定的目标社区，通过将与目标社区对应的特征信息中的特征参数代入预测模型对预测模型进行训练，通过训练后的预测模型来对目标社区对应的特征指标进行预测。
84.在本发明实施例中，在目标社区的数量为多个的情况下，可以分别针对不同的目标社区建立与该目标社区对应的预测模型，将与不同目标社区对应的不同特征信息中的特
征参数代入与目标社区对应的预测模型中，对预测模型进行训练，通过训练后的预测模型，分别对不同的目标社区对应的特征指标进行预测；当然，在目标社区的数量为多个的情况下，也可以根据特征信息和目标社区，通过同一个预测模型确定多个目标社区对应的特征指标，具体的，可以分别将不同的目标社区对应的特征信息中的特征参数代入该预测模型，对应预测模型进行训练，通过训练后的预测模型来对该目标社区对应的特征指标进行预测，同样的，可以重复执行该操作通过该预测模型分别确定所有目标社区对应的特征指标。
85.步骤140、根据所述特征指标，确定网点的选址。
86.在本发明实施例中，在目标社区的数量为1个的情况下，可以直接将该目标社区对应的地址确定为网点的选址；在目标社区的数量为1个以上的情况下，可以根据目标社区对应的特征指标之间的大小关系，对目标社区进行实地考察，验证本发明实施例提供的网点选址方法确定的网点的选址结果，根据实际考察结果，确定网点的选址；当然，在目标社区的数量为1个以上的情况下，还可以据目标社区对应的特征指标之间的大小关系，将特征指标按照从大到小的顺序进行排序，将最大特征指标对应的目标社区对应的地址确定为网点的选址。本发明实施例对此不作具体限定。
87.参照图2，图2示出了本发明实施例所述的另一种网点选址方法的流程图，该网点选址方法可以包括以下步骤：
88.步骤201、获取目标区域对应的特征信息。
89.该步骤可参考步骤110的详细描述，此处不再赘述。
90.步骤202、根据所述特征信息，确定所述目标区域对应的多个节点，并获取各个所述节点的节点特征参数。
91.具体地，可以根据特征信息的特征属性，确定特征信息对应的特征标签，然后基于特征标签将目标区域对应的节点。其中，目标区域对应的节点的数量可以与特征信息的数量相同。
92.需要说明的是，节点可以为与特征信息对应的特征点。例如，在特征信息包括人口信息、现有车辆各类设施信息、以及地理信息，并且地理信息包括地址信息；现有车辆各类设施信息包括车辆流转量信息；人口信息包括gdp信息、消费水平信息的情况下，第一节点具体可以为地点，该节点对应的节点特征信息为地址信息；第二节点可以为流转量，该节点对应的节点特征信息为车辆流转量信息；第三节点可以为gdp，该节点对应的节点特征信息为gdp信息；以及第四节点可以为消费水平，该节点对应的节点特征信息为消费水平信息。
93.其中，节点特征参数为节点对应的节点特征信息中的具体参数。例如，在节点特征信息为车辆流转量信息的情况下，该节点的节点特征参数为车流转量的具体数值，比如5000辆。
94.步骤203、根据各个所述节点特征参数，确定所述节点对应的节点权重值。
95.在步骤203确定各个节点对应的特征参数之后，可以根据各个节点的节点特征参数，对各个节点进行评分，并将该评分确定为节点的节点权重值。
96.示例性的，在节点特征信息为交通便利程度信息的情况下，该节点的节点特征参数为交通便利度，根据节点特征参数：交通便利度，可以对交通便利度进行评分，例如，可以根据从第一地点到第二地点的交通便捷程度和速度对该节点进行评分，便捷程度高且速度快的节点的评分相对较高，而便捷程度低且速度慢的节点的评分则会相对较低。对于节点
的具体评分基准可以根据与网点相关的实际情况进行评判，本发明实施例对此不作具体限定。
97.参照图3，图3示出了本发明实施例所述的一种图数据库的示意图。如图3所示，在网点为车辆销售网点的情况下，获取的目标区域的特征信息可以包括目标区域中包括汽贸基础、交通路线、区域人口占比、gdp占比、gdp三年内车辆销量占比、已有车辆销售网点分布。那么，基于上述特征信息可以构建如图3所示的图数据，该目标区域对应的多个节点为分别与特征信息：目标区域中包括汽贸基础、交通路线、区域人口占比、gdp占比、gdp三年内车辆销量占比、已有车辆销售网点分布对应的节点，基于确定的节点，可以获取各个节点的节点特征参数，进一步根据各个节点特征参数，确定节点对应的节点权重值。
98.步骤204、遍历所述节点，根据所述节点权重值，对所述节点进行聚合，得到至少一个第一社区。
99.其中，第一社区包括至少一个节点；需要说明的是，遍历目标区域中的所有节点，且节点符合聚合条件的情况下，可以将符合聚合条件的节点进行聚合，聚合后的节点确定的第一社区包括一个以上的节点；在遍历目标区域中的所有节点，且某一节点不符合聚合条件的情况下，则该节点确定的第一社区只包括该节点，则该第一社区只包括一个节点。
100.在本发明实施例中，第一社区包括符合聚合条件并进行聚合后的节点确定的第一社区，以及不符合聚合条件并且未进行聚合的节点确定的第一社区中的至少一项。
101.具体的，在遍历目标区域对应的所有节点之后，在根据节点权重值，对符合聚合条件的节点进行聚合得到聚合后的节点，对不符合聚合条件的节点不作处理之后，可以将当前存在的若干个节点确定为若干个第一社区；其中，当前存在的若干个节点包括聚合后的节点和因不符合聚合条件未进行聚合的节点。
102.在本发明实施例中，根据节点权重值对节点进行聚合具体可以通过louvain(鲁汶)算法、lpa(label propagation algorithm，标签传播算法)算法或者hanp(hop attenuation&node preference，跳跃衰减和节点选择)算法进行计算并聚合。
103.可选的，步骤204可以包括子步骤2041至子步骤2044：
104.子步骤2041、将多个所述节点确定为多个相互独立的第二社区。
105.在本发明实施例中，可以在确定目标区域对应的多个节点之后，将各个节点分别确定为各个相互独立的第二社区，第二社区只包括一个节点，然后基于与多个节点对应的多个相互独立的第二社区执行子步骤2042分别确定每个第二社区对应的第一模块度增益。
106.子步骤2042、根据所述节点权重值，通过社区发现算法计算所述第二社区对应的第一模块度增益值。
107.其中，社区发现算法包括louvain算法、lpa算法和hanp算法。
108.在本发明实施例中，可以通过louvain算法根据节点权重值对节点进行聚合，具体的，可以首先基于子步骤2041确定的第二社区，根据节点权重值，通过社区发现算法-louvain算法计算第二社区对应的第一模块度增益值。
109.可选的，在本发明实施例中，在社区发现算法为louvain算法的情况下，还可以根据节点权重值，通过louvain算法计算第二社区对应的第一模块度值，根据第一模块度值确定第二社区的聚合与否。
110.具体的，可以通过公式1计算第二社区对应的第一模块度：
[0111][0112]
其中，i和j分别表示两个不同的节点，i和j可以为同一社区内的节点可以为处于不同社区的节点，对于第二社区而言，由于每个第二社区只包括一个节点，因此，在子步骤2042中，i和j为处于不同第二社区中的节点；a
i，j
表示i节点和j节点之间的连边权重，i节点和j节点之间的连边权重可以为i节点的节点权重值和j节点的节点权重值之和；m表示图数据库中连边的数量，m＝∑
ijaij
；ki表示所有指向i节点的连边权重之和，ki＝∑
ijai，j
；kj表示所有指向j节点的连边权重之和；δ(ci，cj)为判定值，用于判断，i节点和j节点是否处于同一第二社区，并且在处于同一第二社区的情况下，δ(ci，cj)＝1，反之δ(ci，cj)＝0；ci表示i节点所在的第二社区；，cj表示j节点所在的第二社区；q表示第一模块度。
[0113]
具体的，可以根据公式1，遍历第二社区，分别计算各第二社区对应的第一模块度，如果第一模块度减小或保持不变，则不进行聚合；如果第一模块度增大，则可以执行子步骤2043，将第二社区和第二社区相连的另一第二社区进行聚合；并且直到遍历所有第二社区，第一模块度不再发生变化时，则执行子步骤2044。
[0114]
在本发明实施例中，在社区发现算法为louvain算法的情况下，可以根据公式2和公式3确定第二社区对应的第一模块度增益值：
[0115][0116][0117]
其中，δq标识第一模块度增益值；k
i，in
表示i节点或i节点所在的第二社区ci与要移入的另一第二社区cj之间的连边的权重值之和；∑in表示i节点所在的第二社区ci内部所有节点之间连接边的权重值之和；∑tot表示i节点所在的第二社区ci内部所有节点在图数据库中的连接边的权重值之和；表示随机情况下i节点或i节点所在的第二社区ci在总的加权度为tot*ki的情况下与当前图数据库中上任意的节点或第二社区连接的边的权重的期望值。
[0118]
在第二社区对应的第一模块度增益值大于0的情况下，则可以执行子步骤2403，将第二社区和第二社区相连的另一第二社区进行聚合；并且直到遍历所有第二社区，第一模块度增益值均小于或者等于0的情况下，则执行子步骤2404。
[0119]
子步骤2043、在所述第一模块度增益值符合第一预设阈值的情况下，将所述第二社区和所述第二社区相连的另一第二社区进行聚合。
[0120]
具体的，对应于子步骤2042中，在社区发现算法为基于louvain算法的情况下，第一预设阈值为第一模块度增益大于0；第一模块度增益大于0的情况为第一模块度增益符合第一预设阈值的情况，反之，第一模块度增益小于或等于0的情况为第一模块度增益不符合第一预设阈值的情况。
[0121]
在本发明实施例中，在第一模块度增益值符合第一预设阈值的情况下，将第二社区和该第二社区相连的另一第二社区进行聚合，具体可以为，将当前第二社区中的节点移入与该第二社区相连的另一第二社区，并将当前第二社区销毁，此时，聚合后的第二社区中
节点数量为一个以上；当然，也可以直接将两个第二社区合并为一个第二社区，并将这两个第二社区中包括的所有节点进行合并，作为合并后第二社区中包括的节点。
[0122]
需要说明的是，在第一模块度增益值符合第一预设阈值的情况下，均可执行将第二社区和第二社区相连的另一第二社区进行聚合的操作，对聚合次数不限制，直至遍历所有第二社区之后，第一模块度增益值均不符合第一预设阈值的情况下，执行子步骤2044。
[0123]
子步骤2044、遍历所述第二社区，在所述第二社区对应的第一模块度增益值均不符合第一预设阈值的情况下，将所述第二社区确定为第一社区。
[0124]
在本发明实施例中，在遍历目标区域对应的所有第二社区之后，第一模块度增益值均不符合第一预设阈值的情况下，则可以将这些第二社区确定为第一社区，其中，第一社区的数量与这些第二社区的数量一致。
[0125]
需要说明的是，子步骤2044中遍历的第二社区可以包括聚合后的第二社区，以及第一模块度增益值始终不符合第一预设阈值的未经过聚合的第二社区中的至少一项。
[0126]
步骤205、遍历所述第一社区，根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区。
[0127]
其中，目标社区包括至少一个所述第一社区。需要说明的是，遍历步骤204确定的第一社区，且第一社区符合聚合条件的情况下，可以将符合聚合条件的第一社区进行聚合，聚合后的第一社区确定的目标社区包括至少一个节点；并且，在遍历所有第一社区，且第一社区不符合聚合条件的情况下，可以将该第一社区直接确定为目标社区。
[0128]
在本发明实施例中，目标社区包括符合聚合条件并进行聚合后的第一社区确定的目标社区，以及不符合聚合条件并且未进行聚合的第一社区确定的目标社区中的至少一项。
[0129]
具体的，在遍历所有第一社区之后，在根据社区权重值，对符合聚合条件的第一进行聚合得到聚合后的第一社区，对不符合聚合条件的第一社区不作处理之后，可以将当前存在的若干个第一社区确定为若干个目标社区；其中，当前存在的若干个第一社区包括聚合后的第一社区和因不符合聚合条件未进行聚合的第一社区。
[0130]
可选的，在步骤205之前，还可以包括子步骤2051：
[0131]
子步骤2051、根据所述第一社区中所述节点对应的所述节点权重值，确定所述第一社区对应的社区权重值。
[0132]
具体的，可以将第一社区中所有节点的节点权重值之和确定为第一社区对应的社区权重；也可以将第二社区中所有节点的节点权重值按照加权求和方式确定第一社区对应的社区权重值，其中，加权方式可以根据第一社区中各个节点的节点特征信息进行考量确定。
[0133]
本发明实施例中，对于第一社区对应的社区权重值的确定方式不作具体限定。
[0134]
可选的，步骤205可以包括子步骤2052至子步骤2054：
[0135]
子步骤2052、根据所述第一社区对应的社区权重值，通过社区发现算法计算所述第一社区对应的第二模块度增益值。
[0136]
子步骤2053、在所述第二模块度增益值符合第二预设阈值的情况下，将所述第一社区和所述第一社区相连的另一第一社区进行聚合。
[0137]
子步骤2054、遍历所述第一社区，在所述第一社区对应的第二模块度增益值均不
符合第二预设阈值的情况下，将所述第一社区确定为目标社区。
[0138]
子步骤2052至比步骤2054可参考子步骤2042至子步骤2044的详细描述，此处不再赘述。
[0139]
步骤206、根据所述目标社区对应的所述特征信息，确定所述目标社区对应的社区特征参数。
[0140]
其中，目标社区对应的社区特征参数与目标社区对应的特征参数，不同目标社区对应的社区特征参数不同。社区特征参数包括目标社区中所有节点对应的节点特征参数。
[0141]
在本发明实施例中，具体可以根据特征信息，确定目标社区中节点对应的节点特征参数，并将目标社区中所有节点的节点特征参数按照节点特征参数的类型将节点特征参数进行求和或区平均值确定目标社区对应的社区特征参数。示例性的，在节点特征参数为人均消费水平的情况下，可以将各个节点特征参数的平均值确定为社区特征参数对应的人均消费水平；在节点特征参数为已有网点数量的情况下，可以将各个节点特征参数求和值确定为社区特征参数对应的已有网点数量。
[0142]
步骤207、根据所述社区特征参数，构建与所述目标社区对应的预测模型。
[0143]
在本发明实施例中，在步骤206确定目标社区对应的社区特征参数之后，可以根据社区特征参数中各个社区特征参数，建立与之对应的预测模型。通过该预测模型对目标社区的优劣进行评估。
[0144]
示例性的，目标社区的数量为3个，该3个目标社区对应的社区特征参数包括已有网点的销量值、gdp、人均消费水平等13个社区特征参数，可以根据这13个社区特征参数，构建与目标社区对应的预测模型，并基于13个社区特征参数对预测模型进行训练，然后基于训练后的预测模型对目标社区对应的特征指标进行预测。
[0145]
可选的，可以建立与目标社区中各个社区特征参数对应的预测模型多项式，基于该预测模型多项式，执行步骤208确定预测模型对应的目标模型参数。
[0146]
可选的，步骤207可以包括子步骤2071和子步骤2072：
[0147]
子步骤2071、确定所述社区特征参数的数量。
[0148]
子步骤2072、根据所述社区特征参数的数量，构建与所述特征参数的数量对应的线性回归模型。
[0149]
在本发明实施例中，在预测模型为线性回归模型的情况下，可以根据目标社区对应的社区特征参数的数量，构建与特征参数的数量一致的线性回归多项式。例如，在社区特征参数的数量为1情况下，根据社区特征参数的数量，构建的与特征参数的数量对应的线性回归模型可以为自变量数量为2个，因变量数量1为个的线性回归多项式如公式4所示：
[0150]
y＝w0+w1·
x1(公式4)
[0151]
其中，y表示因变量，在本发明实施例中，y表示目标社区对应的特征指标；w0，w1表示预测模型对应的2个模型参数；x1表示与1个社区特征参数对应的1个自变量。
[0152]
步骤208、根据所述预测模型和所述社区特征参数，确定所述预测模型对应的目标模型参数。
[0153]
在本发明实施例中，对预测模型进行训练具体可以为根据步骤207构建的测模型和社区特征参数，确定预测模型对应的目标模型参数，并且将预测模型对应的模型参数设置为目标模型参数时，预测模型对应的损失值最小，也即预测模型确定的目标社区对应的
特征指标与实际特征指标之间的差异最小，从而保证了在预测模型对应的模型参数设置为目标模型参数时，预测模型确定的目标社区对应的特征指标最接近实际值。
[0154]
示例性的，目标社区的数量为3个，分别根据该3个目标社区对应的社区特征参数构建预测模型，并根据预测模型和社区特征参数，分别确定3个预测模型对应的目标模型参数；然后将预测模型对应的模型参数设置为目标模型参数，确定3个预测模型分别对应的均方误差(mse)分别为『55.32423423，32.2342342，43.23423424]，然后可以按照均方误差的大小关系，将均方误差最小的目标社区对应的预测模型确定为最终的预测模型。
[0155]
可选的，步骤208可以包括子步骤2081至子步骤2084：
[0156]
子步骤2081、根据所述线性回归模型，确定与所述线性回归模型对应的损失函数。
[0157]
子步骤2082、对所述损失函数求偏导数，获取与所述线性回归模型对应的偏导函数。
[0158]
子步骤2083、根据所述偏导函数和所述社区特征参数，确定所述损失函数最小值。
[0159]
子步骤2084、将所述损失函数最小值对应的模型参数，确定为所述线性回归模型对应的目标模型参数。
[0160]
具体的，在预测模型为线性回归模型的情况下，基于公式4，对于已知社区特征参数(x
1*
，y
*
)，单样本误差可以根据公式5确定：
[0161][0162]
其中，loss1表示单样本误差；y表示因变量特征指标；y
*
表示已知特征参数对应的特征指标。
[0163]
对于已知社区特征参数(x
1*
，y
*
)，总体样本误差可以根据公式6确定：
[0164][0165]
其中，loss0表示总体样本误差。
[0166]
因此，预测模型对应的损失函数可以通过公式7确定：
[0167][0168]
其中，loss表示损失函数。
[0169]
在本发明实施例中，需要确定损失函数最小值对应的w0，w1的数值，损失函数最小值对应的w0，w1即为预测模型对应的目标模型参数。
[0170]
具体的，可以将公式7分别对w0，w1求一阶导数，获得分别对应w0，w1的2个偏导函数，具体如公式8所示：
[0171][0172]
其中，表示损失函数对应w0的一阶偏导数；表示损失函数对应w1的一阶偏导数。
[0173]
将已知社区特征参数(x
1*
，y
*
)代入上述公式8求解得到损失函数最小值对应的w0，w1，并将w0，w1确定为预测模型对应的目标模型参数。
[0174]
步骤209、根据所述目标模型参数，确定所述目标社区对应的特征指标。
[0175]
在本发明实施例中，可以将预测模型对应的模型参数设置为步骤208中确定的目标模型参数，将目标社区对应的社区特征参数输入到预测模型中，通过预测模型对目标社区对应的特征指标进行预测，确定目标社区对应的特征指标。
[0176]
步骤210、根据所述特征指标，确定网点的选址。
[0177]
该步骤可参考步骤140的详细描述，此处不再赘述。
[0178]
在本发明实施例中，基于目标区域对应的特征信息，将所述目标区域确定为至少一个目标社区，然后进一步根据特征信息和目标社区，通过预测模型确定目标社区对应的特征指标；并基于预测模型确定的特征指标，确定最终网点的选址。由此，避免了通过人为方式对目标区域对应的大量特征信息的对比分析的同时，通过预测模型对目标模型区域对应的特征指标进行预测，还避免了人为分析时无法对区域信息进行全面分析导致预测的特征指标准确度低的问题，提高了进行网点选址时的选址效率的同时，可以尽可能对目标区域对应的特征信息进行全面分析，提高了预测的准确度，进而提高了网点选址的合理性。
[0179]
参照图4，图4示出了本发明实施例所述的一种网点选址装置的逻辑框图。该网点选址装置具体可以包括：
[0180]
信息获取模块410，用于获取目标区域对应的特征信息；
[0181]
社区确定模块420，用于根据所述特征信息，确定所述目标区域对应的至少一个目标社区；
[0182]
特征指标确定模块430，用于根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标；
[0183]
网点选址确定模块440，用于根据所述特征指标，确定网点的选址。
[0184]
可选的，所述社区确定模块，可以包括：
[0185]
参数获取子模块，用于根据所述特征信息，确定所述目标区域对应的多个节点，并获取各个所述节点的节点特征参数；
[0186]
节点权重值确定子模块，用于根据各个所述节点特征参数，确定所述节点对应的节点权重值；
[0187]
第一社区确定子模块，用于遍历所述节点，根据所述节点权重值，对所述节点进行聚合，得到至少一个第一社区，所述第一社区包括至少一个所述节点；
[0188]
目标社区确定子模块，用于遍历所述第一社区，根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区，所述目标社区包括至少一个所述第一社区。
[0189]
可选的，所述第一社区确定子模块，可以包括：
[0190]
社区确定单元，用于将多个所述节点确定为多个相互独立的第二社区；
[0191]
第一模块度增益值计算单元，用于根据所述节点权重值，通过社区发现算法计算所述第二社区对应的第一模块度增益值；
[0192]
第二社区聚合单元，用于在所述第一模块度增益值符合第一预设阈值的情况下，将所述第二社区和所述第二社区相连的另一第二社区进行聚合；
[0193]
第一社区确定单元，用于遍历所述第二社区，在所述第二社区对应的第一模块度增益值均不符合第一预设阈值的情况下，将所述第二社区确定为第一社区。
[0194]
可选的，所述社区确定模块，还可以包括：
[0195]
社区权重值确定子模块，用于根据所述第一社区中所述节点对应的所述节点权重值，确定所述第一社区对应的社区权重值。
[0196]
可选的，所述目标社区确定子模块，可以包括：
[0197]
第二模块度增益值计算单元，用于根据所述第一社区对应的社区权重值，通过社区发现算法计算所述第一社区对应的第二模块度增益值；
[0198]
第一社区聚合单元，用于在所述第二模块度增益值符合第二预设阈值的情况下，将所述第一社区和所述第一社区相连的另一第一社区进行聚合；
[0199]
目标社区确定单元，用于遍历所述第一社区，在所述第一社区对应的第二模块度增益值均不符合第二预设阈值的情况下，将所述第一社区确定为目标社区。
[0200]
可选的，所述特征指标确定模块，可以包括：
[0201]
社区特征参数确定子模块，用于根据所述目标社区对应的所述特征信息，确定所述目标社区对应的社区特征参数；
[0202]
预测模型构建子模块，用于根据所述社区特征参数，构建与所述目标社区对应的预测模型；
[0203]
模型参数确定子模块，用于根据所述预测模型和所述社区特征参数，确定所述预测模型对应的目标模型参数；
[0204]
特征指标确定子模块，用于根据所述目标模型参数，确定所述目标社区对应的特征指标。
[0205]
可选的，所述预测模型包括线性回归模型，所述预测模型构建子模块，可以包括：
[0206]
参数数量确定单元，用于确定所述社区特征参数的数量；
[0207]
线性回归模型构建单元，用于根据所述社区特征参数的数量，构建与所述特征参数的数量对应的线性回归模型。
[0208]
可选的，所述模型参数确定子模块，可以包括：
[0209]
损失函数确定单元，用于根据所述线性回归模型，确定与所述线性回归模型对应的损失函数；
[0210]
偏导函数确定单元，用于对所述损失函数求偏导数，获取与所述线性回归模型对应的偏导函数；
[0211]
损失函数最小值确定单元，用于根据所述偏导函数和所述社区特征参数，确定所述损失函数最小值；
[0212]
模型参数确定单元，用于将所述损失函数最小值对应的模型参数，确定为所述线性回归模型对应的目标模型参数。
[0213]
在本发明实施例中，基于目标区域对应的特征信息，将所述目标区域确定为至少一个目标社区，然后进一步根据特征信息和目标社区，通过预测模型确定目标社区对应的特征指标；并基于预测模型确定的特征指标，确定最终网点的选址。由此，避免了通过人为方式对目标区域对应的大量特征信息的对比分析的同时，通过预测模型对目标模型区域对应的特征指标进行预测，还避免了人为分析时无法对区域信息进行全面分析导致预测的特征指标准确度低的问题，提高了进行网点选址时的选址效率的同时，可以尽可能对目标区域对应的特征信息进行全面分析，提高了预测的准确度，进而提高了网点选址的合理性。
[0214]
此外，为达到上述目的，本发明还提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，所述处理器执行所述计算机程序时实现如上一项所述的网点选址方法。
[0215]
此外，为达到上述目的，本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的网点选址方法。
[0216]
本发明实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
[0217]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0218]
需要说明的是，本技术实施例中获取各种数据相关过程，都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

技术特征：
1.一种网点选址方法，其特征在于，包括：获取目标区域对应的特征信息；根据所述特征信息，确定所述目标区域对应的至少一个目标社区；根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标；根据所述特征指标，确定网点的选址。2.根据权利要求1所述的方法，其特征在于，所述根据所述特征信息，确定所述目标区域对应的至少一个目标社区，包括：根据所述特征信息，确定所述目标区域对应的多个节点，并获取各个所述节点的节点特征参数；根据各个所述节点特征参数，确定所述节点对应的节点权重值；遍历所述节点，根据所述节点权重值，对所述节点进行聚合，得到至少一个第一社区，所述第一社区包括至少一个所述节点；遍历所述第一社区，根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区，所述目标社区包括至少一个所述第一社区。3.根据权利要求2所述的方法，其特征在于，所述遍历所述节点，根据所述节点权重值，对所述节点进行聚合，得到至少一个第一社区，包括：将多个所述节点确定为多个相互独立的第二社区；根据所述节点权重值，通过社区发现算法计算所述第二社区对应的第一模块度增益值；在所述第一模块度增益值符合第一预设阈值的情况下，将所述第二社区和所述第二社区相连的另一第二社区进行聚合；遍历所述第二社区，在所述第二社区对应的第一模块度增益值均不符合第一预设阈值的情况下，将所述第二社区确定为第一社区。4.根据权利要求2所述的方法，其特征在于，在遍历所述第一社区，根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区之前，还包括：根据所述第一社区中所述节点对应的所述节点权重值，确定所述第一社区对应的社区权重值。5.根据权利要求2所述的方法，其特征在于，所述根据所述第一社区对应的社区权重值，对所述第一社区进行聚合，得到至少一个目标社区，包括：根据所述第一社区对应的社区权重值，通过社区发现算法计算所述第一社区对应的第二模块度增益值；在所述第二模块度增益值符合第二预设阈值的情况下，将所述第一社区和所述第一社区相连的另一第一社区进行聚合；遍历所述第一社区，在所述第一社区对应的第二模块度增益值均不符合第二预设阈值的情况下，将所述第一社区确定为目标社区。6.根据权利要求1所述的方法，其特征在于，所述根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标，包括：根据所述目标社区对应的所述特征信息，确定所述目标社区对应的社区特征参数；
根据所述社区特征参数，构建与所述目标社区对应的预测模型；根据所述预测模型和所述社区特征参数，确定所述预测模型对应的目标模型参数；根据所述目标模型参数，确定所述目标社区对应的特征指标。7.根据权利要求6所述的方法，其特征在于，所述预测模型包括线性回归模型；所述根据所述社区特征参数，构建与所述目标社区对应的预测模型，包括：确定所述社区特征参数的数量；根据所述社区特征参数的数量，构建与所述特征参数的数量对应的线性回归模型；所述根据所述预测模型和所述社区特征参数，确定所述线性回归模型对应的目标模型参数，包括：根据所述线性回归模型，确定与所述线性回归模型对应的损失函数；对所述损失函数求偏导数，获取与所述线性回归模型对应的偏导函数；根据所述偏导函数和所述社区特征参数，确定所述损失函数最小值；将所述损失函数最小值对应的模型参数，确定为所述线性回归模型对应的目标模型参数。8.一种网点选址装置，其特征在于，包括：信息获取模块，用于获取目标区域对应的特征信息；社区确定模块，用于根据所述特征信息，确定所述目标区域对应的至少一个目标社区；特征指标确定模块，用于根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定所述目标社区对应的特征指标；网点选址确定模块，用于根据所述特征指标，确定网点的选址。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，所述处理器执行所述计算机程序时实现如上的权利要求l至7中任一项所述的网点选址方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述的网点选址方法。

技术总结
本发明提供了一种网点选址方法、装置、电子设备及计算机可读存储介质。所述网点选址方法包括：获取目标区域对应的特征信息；根据特征信息，将目标区域确定为至少一个目标社区；根据所述目标社区对应的所述特征信息和所述目标社区，通过预测模型确定目标社区对应的特征指标；根据特征指标，确定网点的选址。提高了进行网点选址时的选址效率的同时，可以尽可能对目标区域对应的特征信息进行全面分析，提高了预测的准确度，进而提高了网点选址的合理性。性。性。


技术研发人员：马宁飞
受保护的技术使用者：长城汽车股份有限公司
技术研发日：2023.04.28
技术公布日：2023/8/6