支持跨城市的地块级商业选址方法及装置

技术领域

本发明涉及商业连锁店选址和机器学习技术领域，尤其涉及一种支持跨城市的地块级商业选址方法及装置。

背景技术

线下商业连锁店的跨城市选址是线下企业发展的重要内容之一，其选址方法也是地理信息科学的经典问题。但如何基于商业数据和多源时空数据，以实现合理的跨城市选址目标，仍需要不断探索。重力模型、线性回归和决策树等传统机器学习方法，通常用于基于多个数据集(如客流量、销售额和路网数据)确定选址的适宜性。然而，考虑到社会经济条件在地理空间上的不均匀分布，传统的机器学习方法在跨不同城市和不同部门传递知识时不能直接采用。在这种情况下，迁移学习可能是一种可行的解决方案，特别是当目标区域中很少或没有样本数据可用时，利用现有知识可以巧妙地解决不同但相关的领域中的问题。已有研究表明，迁移学习将源城市中特定业务的知识转移到目标城市，实现了以网格为单位的较为粗略的选址目标。然而，对于实际的选址应用，由于地块特征类型的明确性和精细程度，规划地块规模下的选址评估将更加实用和合理，而且选址问题可能还与城市土地利用之间存在联系，因此地块规模的选址评估具有较大的研究意义，同时分析城市商业与功能结构相关性也具有较大研究价值。

发明内容

本发明的目的是提供一种支持跨城市的地块级商业选址方法及装置，用于高效准确的完成地块级精细尺度下跨城市的商业选址。

为实现上述目的，本发明提供了如下方案：提供了一种支持跨城市的地块级商业选址方法及装置。

根据本发明的一个方面，本发明提供了一种支持跨城市的地块级商业选址方法，所述地块级商业选址方法包括以下步骤：

获取源城市的多源时空数据和目标城市的多源时空数据；

从所述源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的特征向量；

从所述目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的特征向量；

获取所述源地块和所述目标地块内的N个连锁店铺的评分值；

根据所述源地块的特征向量和所述目标地块的特征向量，得到源地块与目标地块之间的相似地块对；

通过结合所述相似地块对和N个连锁店铺的评分值，分别形成所述源地块的店铺评级矩阵和所述目标地块的店铺评级矩阵；

采用奇异值分解方法，将所述源地块的店铺评级矩阵分解得到源城市的店铺评分特征和地块特征，将所述目标地块的店铺评级矩阵分解得到目标城市的店铺评分特征和地块特征；

构建选址模型，将所述源城市的店铺评分特征和地块特征、以及所述目标城市的店铺评分特征和地块特征带入所述选址模型，并引入店铺的偏差参数和地块的偏差参数来调整预测评分，计算得到的各预测评分值组成的目标城市所有地块的评分迁移矩阵；

根据所述评分迁移矩阵，提取出目标地块的预测得分，根据所述预测得分进行商业选址。

进一步地，所述从源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的特征向量，从所述目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的特征向量的步骤，包括：

从所述源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的多维特征向量；

从目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的多维特征向量；

对所述源地块的多维特征向量和所述目标地块的多维特征向量分别进行降维操作，得到源地块的地块特征向量和目标地块的地块特征向量。

进一步地，所述地理和商业特征具体包括：

从原始兴趣点数据中，提取地块尺度的兴趣点数量特征，包括：行政地标、政府机构、公司企业、医疗卫生、教育、生活设施、地理标识、娱乐设置、餐馆、交通设施、购物、居住小区、金融、道路标识、汽车服务、宾馆旅店、商业建筑、旅游景点、绿地和自然山；

从时序人口密度数据中，提取包括工作日和节假日的0至24小时的地块内人口密度特征；

从基础地理数据中，计算得到地块的面积和周长特征、到公交站和地铁站的距离特征；

从路网数据中，提取路网密度特征，以及到主干道的距离特征；

还计算了用于表征地块功能多样性的兴趣点混合度，计算公式具体为：

其中，M靰x幸d

进一步地，所述根据源地块的特征向量和所述目标地块的特征向量，得到源地块与目标地块之间的相似地块对的步骤，包括：

根据所述源地块的特征向量和所述目标地块的特征向量，计算得到所述源地块和所述目标地块之间的皮尔逊相关系数；

根据所述皮尔逊相关系数，得到各所述源地块与各所述目标地块的特征相似程度；

按照所述特征相似程度从高到低对各地块进行排序，得到源地块与目标地块相互对应的相似地块对。

进一步地，所述根据皮尔逊相关系数，得到各所述源地块与各所述目标地块特征的相似程度的步骤，包括：

在跨城市范围，根据皮尔逊相关系数寻找目标地块在源城市和目标城市的最为相似的地块集。

进一步地，所述构建选址模型，将所述源城市的店铺评分特征和地块特征、以及目标城市的店铺评分特征和地块特征带入所述选址模型，并引入店铺的偏差参数和地块的偏差参数来调整预测评分，计算得到的各预测评分值组成的目标城市所有地块的评分迁移矩阵的步骤中，具体的计算公式为：

其中，i表示地块的序数，j表示共有j种类型的店铺，

进一步地，在所述根据预测得分进行商业选址的步骤之后，还包括：

通过将所述目标地块的预测得分与实际评分对比，进行精度评价。

进一步地，所述通过将目标地块的预测得分与实际评分对比，进行精度评价的步骤，具体包括：

基于目标地块的预测得分和实际评分构建损失函数，根据所述损失函数进行精度评价，所述损失函数的计算公式具体为：

其中，

此外，根据本发明的另一方面，本发明提供了一种支持跨城市的地块级商业选址装置，包括以下模块：

数据获取模块，用于获取源城市的多源时空数据和目标城市的多源时空数据；

特征提取模块，用于从所述源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的特征向量；

所述特征提取模块，还用于从所述目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的特征向量；

评分获取模块，用于获取所述源地块和所述目标地块内的N个连锁店铺的评分值；

相似地块对模块，用于根据所述源地块的特征向量和所述目标地块的特征向量，得到源地块与目标地块之间的相似地块对；

店铺评级矩阵形成模块，用于通过结合所述相似地块对和N个连锁店铺的评分值，分别形成所述源地块的店铺评级矩阵和所述目标地块的店铺评级矩阵；

奇异值分解模块，用于采用奇异值分解方法，将所述源地块的店铺评级矩阵分解得到源城市的店铺评分特征和地块特征，将所述目标地块的店铺评级矩阵分解得到目标城市的店铺评分特征和地块特征；

模块构建模块，用于构建选址模型，将所述源城市的店铺评分特征和地块特征、以及目标城市的店铺评分特征和地块特征带入所述选址模型，并引入店铺的偏差参数和地块的偏差参数来调整预测评分，计算得到的各预测评分值组成的目标城市所有地块的评分迁移矩阵；

选址模块，用于根据所述评分迁移矩阵，提取出目标地块的预测得分，根据所述预测得分进行商业选址；

精度评价模块，用于通过将目标地块的预测得分与实际评分对比，进行精度评价。

本发明公开的技术方案具有以下有益效果：

本发明根据所述源地块和目标地块的地理和商业特征向量、源地块和目标地块内的有限个连锁店铺的评分值构建选址模型；通过所述选址模型对所述目标店铺在所述目标地块进行选址，本发明将源地块的有限个连锁店铺的评分值迁移到无店铺评分值的目标地块，该评分数据能够表征地块的选址适宜性，合理融合的地理特征和商业特征，克服了不同城市的时空异质性，解决了连锁店铺进新城市时所遇到的无评分数据的冷启动问题，用于高效准确的完成地块级精细尺度下跨城市的商业选址。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例提供的一种支持跨城市的地块级商业选址方法流程图；

图2为本发明实施例提供的一种支持跨城市的地块级商业选址装置的结构框图。

具体实施方式

下面将结合本发明实施中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

本发明的目的是提供一种支持跨城市的地块级商业选址方法及装置，用于高效准确的完成地块级精细尺度下跨城市的商业选址。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明进一步详细的说明。

参考图1，图1为本发明实施例提供的一种支持跨城市的地块级商业选址方法流程图，本实施例提供了一种支持跨城市的地块级商业选址方法，包括以下步骤：

获取源城市的多源时空数据和目标城市的多源时空数据；

从所述源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的特征向量；

从所述目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的特征向量；

获取所述源地块和所述目标地块内的N(N>2)个连锁店铺的评分值；

根据所述源地块的特征向量和所述目标地块的特征向量，得到源地块与目标地块之间的相似地块对；

通过结合所述相似地块对和N个连锁店铺的评分值，分别形成所述源地块的店铺评级矩阵和所述目标地块的店铺评级矩阵；

采用奇异值分解方法，将所述源地块的店铺评级矩阵分解得到源城市的店铺评分特征和地块特征，将所述目标地块的店铺评级矩阵分解得到目标城市的店铺评分特征和地块特征；

构建选址模型，将所述源城市的店铺评分特征和地块特征、以及所述目标城市的店铺评分特征和地块特征带入所述选址模型，并引入店铺的偏差参数和地块的偏差参数来调整预测评分，计算得到的各预测评分值组成的目标城市所有地块的评分迁移矩阵；

根据所述评分迁移矩阵，提取出目标地块的预测得分，根据所述预测得分进行商业选址。

具体地，进一步地，所述从源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的特征向量，从所述目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的特征向量的步骤，包括：

从所述源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的多维特征向量；

从目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的多维特征向量；

对所述源地块的多维特征向量和所述目标地块的多维特征向量分别进行降维操作，得到源地块的地块特征向量和目标地块的地块特征向量。

在本实施例中，采用的主成分分析法进行特征降维。

主成分分析法包括三个步骤，原数据集变换、计算主成分矩阵以及提取主成分；用到本发明的公式如下，

将数据集中的每个样本作为列向量，按列排成一个n行m列的矩阵；再将矩阵的每一个行向量(每个变量)都减去该行向量的均值，从而使得新行向量的均值为0，得到新的数据集矩阵X。

求X的协方差矩阵，并求出协方差矩阵的特征值λ和单位特征向量幸；按照特征值从大到小的顺序，将单位特征向量排列成矩阵，得到转换矩阵P，并按P计算出主成分矩阵，X的协方差矩阵的具体计算公式为：

主成分矩阵可以由协方差矩阵的单位特征向量和原始变量进行线性组合得到，即实现对原特征矩阵的降维处理，解决了数据特征维数过高和特征稀疏的问题。

P

Y

第一主成分的方差是最大的，第二主成分应满足：和第一主成分正交，且在剩余的其他主成分中方差最大，第二主成分表达式为：

Y

同理，第k个主成分的表达式如下，同时第k个主成分的方差为λ

Y

根据所述源地块的特征向量和所述目标地块的特征向量，得到源地块与目标地块之间的相似地块对的步骤，包括：

计算所述源地块和所述目标地块之间的皮尔逊相关系数；

根据所述皮尔逊相关系数，得到各所述源地块与各所述目标地块的特征相似程度，并按照特征的相似程度从高到低对各个地块进行排序，得到源地块与目标地块相互对应的相似地块对，计算公式具体为：

其中，n为地块的数量，X

通过结合所述相似地块对和所述多个连锁店铺的评分值，分别形成所述源地块和所述目标地块的店铺评级矩阵。具体而言，对于源城市S的地块中有店铺的企业

其中，i表示地块的序数，j表示共有j种类型的店铺。

采用奇异值分解方法，将所述店铺评级矩阵Y分解为店铺特征矩阵s和地块特征矩阵p；同时，在构建选址模型中，由于不同城市和不同店铺的评级标准不同，引入店铺i的偏差参数BS

其中，

根据预测得分进行商业选址的步骤之后，通过将所述目标地块的预测得分与实际评分对比，进行精度评价。具体包括：

基于目标地块的预测得分和实际评分构建损失函数，根据所述损失函数进行精度评价，所述损失函数的计算公式具体为：

其中，

参考图2，本发明还提供了一种支持跨城市的地块级商业选址装置，包括以下模块：

数据获取模块，用于获取源城市的多源时空数据和目标城市的多源时空数据；

特征提取模块，用于从所述源城市的多源时空数据中提取源地块的地理和商业特征，拼接得到源地块的特征向量；

所述特征提取模块，还用于从所述目标城市的多源时空数据中提取目标地块的地理和商业特征，拼接得到目标地块的特征向量；

评分获取模块，用于获取所述源地块和所述目标地块内的N个连锁店铺的评分值；

相似地块对模块，用于根据所述源地块的特征向量和所述目标地块的特征向量，得到源地块与目标地块之间的相似地块对；

店铺评级矩阵形成模块，用于通过结合所述相似地块对和N个连锁店铺的评分值，分别形成所述源地块的店铺评级矩阵和所述目标地块的店铺评级矩阵；

奇异值分解模块，用于采用奇异值分解方法，将所述源地块的店铺评级矩阵分解得到源城市的店铺评分特征和地块特征，将所述目标地块的店铺评级矩阵分解得到目标城市的店铺评分特征和地块特征；

模块构建模块，用于构建选址模型，将所述源城市的店铺评分特征和地块特征、以及目标城市的店铺评分特征和地块特征带入所述选址模型，并引入店铺的偏差参数和地块的偏差参数来调整预测评分，计算得到的各预测评分值组成的目标城市所有地块的评分迁移矩阵；

选址模块，用于根据所述评分迁移矩阵，提取出目标地块的预测得分，根据所述预测得分进行商业选址；

精度评价模块，用于通过将目标地块的预测得分与实际评分对比，进行精度评价。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。