[發明專利]基于空間聚類的選址方法、裝置、計算機設備及存儲介質

有效

• 申請號: 201910295425.2
• 申請日: 2019-04-12
• 公開（公告）號: CN110019568B
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 洪晶;陳宇
• 申請（專利權）人: 深圳市和訊華谷信息技術有限公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/29
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 馮筠

1.一種基于空間聚類的選址方法，其特征在于，包括以下步驟：

針對目標城市，以城市網格GID為粒度，構建城市網格為主鍵的網格畫像數據，建立城市網格知識圖譜，建立體系化的各類屬性的網格特征數據M；

從網格特征數據M中提取出：行業特征數據M1，所述行業特征數據M1反應該行業的現狀，用戶特征數據M2，所述用戶特征數據M2反應該行業的用戶需求現狀；

針對特征數據M1，建立空間聚類模型，確定目標城市該行業聚集結果，獲得城市的n個該行業位置聚集小區，計算每個小區的店鋪數量的均值，基于均值細分為高度聚集、中度聚集、輕度聚集、無聚集四類；

針對特征數據M2，建立空間聚類模型，確定目標城市該行業需求聚集結果，獲得城市的m個需求位置聚集小區，計算每個小區的用戶數量的均值，基于均值細分為高度需求、中度需求、輕度需求、無需求四類；以及

將步驟“針對特征數據M1，建立空間聚類模型，確定目標城市該行業聚集結果，獲得城市的n個該行業位置聚集小區，計算每個小區的店鋪數量的均值，基于均值細分為高度聚集、中度聚集、輕度聚集、無聚集四類”和步驟“針對特征數據M2，建立空間聚類模型，確定目標城市該行業需求聚集結果，獲得城市的m個需求位置聚集小區，計算每個小區的用戶數量的均值，基于均值細分為高度需求、中度需求、輕度需求、無需求四類”進行映射，將需求量高于供應量的小區篩選為候選地址小區。

2.如權利要求1所述的基于空間聚類的選址方法，其特征在于，所述步驟“針對特征數據M1，建立空間聚類模型，確定目標城市該行業聚集結果，獲得城市的n個該行業位置聚集小區，計算每個小區的店鋪數量的均值，基于均值細分為高度聚集、中度聚集、輕度聚集、無聚集四類”和步驟“針對特征數據M2，建立空間聚類模型，確定目標城市該行業需求聚集結果，獲得城市的m個需求位置聚集小區，計算每個小區的用戶數量的均值，基于均值細分為高度需求、中度需求、輕度需求、無需求四類”均采用Kmeans聚類算法，所述Kmeans聚類算法包括以下步驟：

選取K個點作為質心；

計算剩余的點到質心的距離并將點歸到最近的質心所在的類；

重新計算各類的質心；

重復進行步驟“計算剩余的點到質心的距離并將點歸到最近的質心所在的類和重新計算各類的質心”直至新質心與原質心的距離小于指定閾值或達到迭代上限：

利用肘部法則得到不同K值的成本函數值，根據成本函數值得到最優分類值。

3.如權利要求2所述的基于空間聚類的選址方法，其特征在于，所述步驟“計算剩余的點到質心的距離并將點歸到最近的質心所在的類”中距離計算公式為球面計算。

4.如權利要求1所述的基于空間聚類的選址方法，其特征在于，所述步驟“將步驟“針對特征數據M1，建立空間聚類模型，確定目標城市該行業聚集結果，獲得城市的n個該行業位置聚集小區，計算每個小區的店鋪數量的均值，基于均值細分為高度聚集、中度聚集、輕度聚集、無聚集四類”和步驟“針對特征數據M2，建立空間聚類模型，確定目標城市該行業需求聚集結果，獲得城市的m個需求位置聚集小區，計算每個小區的用戶數量的均值，基于均值細分為高度需求、中度需求、輕度需求、無需求四類”進行映射，將需求量高于供應量的小區篩選為候選地址小區”之后還包括：

基于歷史客流的時序模型預測候選地址小區白天時段、夜間時段的客流量的步驟。

5.如權利要求1所述的基于空間聚類的選址方法，其特征在于，所述步驟“針對目標城市，以城市網格GID為粒度，構建城市網格為主鍵的網格畫像數據，建立城市網格知識圖譜，建立體系化的各類屬性的網格特征數據M”中網格畫像的維度包括：網格基本屬性、網格資源屬性和網格人口屬性。