[發明專利]一種基于連鎖業態的門店選址規劃方法

有效

• 申請號: 201910730846.3
• 申請日: 2019-08-08
• 公開（公告）號: CN110503463B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 吳乃岡;田瀟;唐超;張睿;戴佩武;唐成
• 申請（專利權）人: 江蘇榮澤信息科技股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62
• 代理公司: 南京常青藤知識產權代理有限公司 32286
• 代理人: 毛洪梅

本發明提供一種基于連鎖業態的門店選址規劃方法，包括三大模塊分別為實時空間聚合模塊、機會點預測模塊、機會區擴散模塊；通過中心機會區選舉算法在機會區中選舉出中心機會區，有效提高了中心機會區的置信度，解決了過去中心機會區定位不準的問題；通過實時空間多類型聚合模塊，有效提高了聚合的精度，不同區域使用不同種算法聚合，不斷對聚合算法調參，使得聚合區的定位更加精準；通過機會區知識圖譜建立的方式，成功建立了機會區與機會區之間的關系，解決了商圈選址時無法確定商圈戰略定位的問題。本發明的軟件系統，充分運用地理信息數據網格化，周邊環境信息數據化等策略，解決了傳統選址分析數據量過于復雜的問題。

技術領域

本發明屬于門店選址技術領域，具體涉及一種基于連鎖業態的門店選址規劃方法。

背景技術

人工智能在零售領域的應用最重要的一條就是門店選址的最優化，線下店策劃最優先考慮的因素就是店鋪的位置。在當今大數據與人工智能的浪潮下，通過分析歷史銷售數據，人口經濟數據，競品距離等數據，選址模型被推向了一個新的高度。在現有的技術環境下，當前市場上主流的智能選址產品普遍以數據分析為驅動，將地理數據和人文數據結合分析，通過多條件過濾和多維度排名做聚合。這樣的數據分析方式比較粗糙，在數據分析過程中容易忽視特別的維度，導致分析結果往往不是正確的。而現有背景技術報道的合成方法具有如下缺陷：(1)地理空間實時聚合精準率不高，聚合所耗時間過長；(2)機會點預測算法參考維度太少，機會點分布不合理；(3)對機會區擴散方面缺少研究；(4)算法應用過于粗糙；因此需要一種聚合精度高、時間短、機會點預測計算參考維度多、以及當前市場對機會區擴散研究的基于連鎖業態的門店選址規劃方法。

發明內容

本發明的目的是提供一種基于連鎖業態的門店選址規劃方法，以解決當前市場現有的地理空間實時聚合精準率不高，聚合所耗時間過長的問題、當前市場現有的機會點預測算法參考維度太少的問題和當前市場對機會區擴散方面缺少研究的問題。

本發明提供了如下的技術方案：

一種基于連鎖業態的門店選址規劃方法，包括以下步驟：

S1、采用實時空間聚合模塊，對客戶調研的地區進行商圈聚合，找出適合的商圈；

S2、采用機會點預測模塊，對指定的城市網格數據進行分析，按照指標進行過濾和排序，通過查看初步處理過后的數據的分布情況做出推薦；

S3、采用機會區擴散模塊，通過推舉算法在機會區中找到節點以及存儲機會區與機會區之間的關系，將機會區和機會區之間的關系存儲為知識圖譜。

進一步的，所述S1中實時空間聚合模塊包括以下步驟：

S11、根據所選區域選取空間聚合DBSCAN算法和空間聚合K-means算法；S12、根據S1中選取的算法對所選區域進行空間聚合；S13、對空間聚合的結果不斷調參，生成最優解并反饋聚合結果；S14、對多因素計算聚合區和聚合區的關系度；S15、根據關系度劃分聚合區。

進一步的，所述分析所述區域合適的聚合算法包括在面對大區域范圍進行空間聚合時，系統使用了DBSCAN算法，在面對小范圍且選定區域形狀較為規整的區域范圍進行空間聚合時，系統使用K-means算法。

進一步的，所述DBSCAN算法包括，定義：

Ε鄰域：給定對象半徑為Ε內的區域稱為該對象的Ε鄰域；

核心對象：如果給定對象Ε鄰域內的樣本點數大于等于MinPts，則稱該對象為核心對象；

直接密度可達：對于樣本集合D，如果樣本點q在p的Ε鄰域內，并且p為核心對象，那么對象q從對象p直接密度可達；

密度可達：對于樣本集合D，給定一串樣本點p1,p2…pn，p＝p1,q＝pn,假如對象pi從pi-1直接密度可達，那么對象q從對象p密度可達；