[发明专利]基于次模函数的大数据多址选择方法

说明书

本发明提供一种基于次模函数的大数据多址选择方法，包括：步骤1：采集待选址区域内已有门店的能够影响选址好坏的若干个特征，构造样本集；步骤2：利用样本集先训练出若干个基学习器的评估模型，将若干个基学习器运用bagging的集成方法组合为强学习器，即最终的选址模型；步骤3：将待选址区域内若干个候选门店的特征分别输入选址模型，最大输出值对应的候选门店为目标门店；步骤4：去除已选定的目标门店以及其影响半径内其它的候选门店，重复步骤3，得到下一个目标门店。本发明构建能够覆盖范围更广的选址模型，最终实现科学化、标准化以及可持续性强的选址策略。

技术领域

本发明涉及机器学习和大数据领域，具体涉及一种基于次模函数的大数据多址选择方法。

背景技术

随着社会经济的发展，连锁业方兴未艾。无论是在餐饮、零售还是酒店行业中，连锁经营企业在其中都日趋活跃。选址对于一家连锁企业是一件非常重要的事，甚至可能是决定企业经营成败的重要环节，因为很多其他影响企业经营情况的要素，例如营销、人员服务、价格等都可以根据当前的情况进行较快的更迭，以更好地适应当前的发展状况，而一旦选址结束，位置就不能轻易变更，同时商铺本身覆盖的顾客群体也大多确定下了。因而，在准备开始一家新店时，初期的选址工作是最值得重视的，因为这往往能决定这家店铺的生死存亡。

在中小型连锁企业中，选址更多的是靠着企业多年来选址的经验来判断其好坏，缺乏科学性和标准化。这种举措一是没有科学依据，成败都有一定的偶然性和很大的风险性；二是即使一家或是几家连锁门店成功，也不具备快速再次复制的可能性。另外其他少部分企业，能够建立一个相对科学和标准化的选址方式，他们用人工的方式搜集一些有关的数据，例如候选店铺周边的商圈情况，人流量的情况，以及周边的交通路况等与选址结果的成败息息相关的因素。然后对这些数据进行整理和分析，最终选出一个相对合适的地址。这种方案无疑比前面那种纯粹以经验的方式寻址好很多，但也有一些固有的缺点，一是以人工的方式搜集数据，周期较长，同时数据的全面性和准确性不是很高，难以快速复制到其他门店的选址上。第二则是连锁门店选址固有的难题，多个门店所造成的相互之间的干扰的问题，当门店数量多了，相互之间势必存在影响范围相重叠的现象，单一门店的收益就会收到负面的影响。

目前已经有一些人对传统的选址方法进行优化，特别是在当今大数据和人工智能迅速发展的情况下。在一种选址方法及设备(申请公布号：108984561A，申请号：201710405595.2)，该系统通过获得和分析用户的时空数据生成用户的频繁轨迹，来确定备选地址。该策略片面强调了人流量对选址的影响，无法分析和衡量其他情况对选址的影响。在另外的一种选址模型构建和选址方法、装置及设备(申请公布号：110009379A，申请号：201811428103.2)中，该系统将商户的经营状况进行评级作为标签，将位置信息和交易特征作为特征值来训练出模型。该方法只适用于像支付宝这样提供付款方法的公司，因为国家以及企业是不会公布单一的门店的经营情况的，所以不适用于想要进行选址分析的个人以及小微企业。在一种基于GIS的公交站点选址方法(申请公布号：108388970A，申请号：201810238719.7)中，以自定义在距离评估值作为输出，搜集相关影响因素后运用线性回归的方法进行选址。该方法使用线性模型进行分析，忽略了特征之间相互的影响以及非线性的因果关系，容易受到偏差较大的数据的影响，导致模型不能很好地反映的真实的情况。在一种商业选址方法及系统中(申请公布号：107909105A，申请号：201711117740.3)，通过对卫星数据和城市数据的特征分析，来判断某处是否合适作为选址地点。该方法使用逻辑回归的方式判断该区域是否合适某种类型的店铺开设，将所有具有该类型的区域设为1，忽略了在很多行业的店铺遍地开花的现状，而且逻辑回归的结果难以在多个合适的预选区域中选择一个更好的地点。