[发明专利]一种基于连锁业态的门店选址规划方法

说明书

本发明提供一种基于连锁业态的门店选址规划方法，包括三大模块分别为实时空间聚合模块、机会点预测模块、机会区扩散模块；通过中心机会区选举算法在机会区中选举出中心机会区，有效提高了中心机会区的置信度，解决了过去中心机会区定位不准的问题；通过实时空间多类型聚合模块，有效提高了聚合的精度，不同区域使用不同种算法聚合，不断对聚合算法调参，使得聚合区的定位更加精准；通过机会区知识图谱建立的方式，成功建立了机会区与机会区之间的关系，解决了商圈选址时无法确定商圈战略定位的问题。本发明的软件系统，充分运用地理信息数据网格化，周边环境信息数据化等策略，解决了传统选址分析数据量过于复杂的问题。

技术领域

本发明属于门店选址技术领域，具体涉及一种基于连锁业态的门店选址规划方法。

背景技术

人工智能在零售领域的应用最重要的一条就是门店选址的最优化，线下店策划最优先考虑的因素就是店铺的位置。在当今大数据与人工智能的浪潮下，通过分析历史销售数据，人口经济数据，竞品距离等数据，选址模型被推向了一个新的高度。在现有的技术环境下，当前市场上主流的智能选址产品普遍以数据分析为驱动，将地理数据和人文数据结合分析，通过多条件过滤和多维度排名做聚合。这样的数据分析方式比较粗糙，在数据分析过程中容易忽视特别的维度，导致分析结果往往不是正确的。而现有背景技术报道的合成方法具有如下缺陷：(1)地理空间实时聚合精准率不高，聚合所耗时间过长；(2)机会点预测算法参考维度太少，机会点分布不合理；(3)对机会区扩散方面缺少研究；(4)算法应用过于粗糙；因此需要一种聚合精度高、时间短、机会点预测计算参考维度多、以及当前市场对机会区扩散研究的基于连锁业态的门店选址规划方法。

发明内容

本发明的目的是提供一种基于连锁业态的门店选址规划方法，以解决当前市场现有的地理空间实时聚合精准率不高，聚合所耗时间过长的问题、当前市场现有的机会点预测算法参考维度太少的问题和当前市场对机会区扩散方面缺少研究的问题。

本发明提供了如下的技术方案：

一种基于连锁业态的门店选址规划方法，包括以下步骤：

S1、采用实时空间聚合模块，对客户调研的地区进行商圈聚合，找出适合的商圈；

S2、采用机会点预测模块，对指定的城市网格数据进行分析，按照指标进行过滤和排序，通过查看初步处理过后的数据的分布情况做出推荐；

S3、采用机会区扩散模块，通过推举算法在机会区中找到节点以及存储机会区与机会区之间的关系，将机会区和机会区之间的关系存储为知识图谱。

进一步的，所述S1中实时空间聚合模块包括以下步骤：

S11、根据所选区域选取空间聚合DBSCAN算法和空间聚合K-means算法；S12、根据S1中选取的算法对所选区域进行空间聚合；S13、对空间聚合的结果不断调参，生成最优解并反馈聚合结果；S14、对多因素计算聚合区和聚合区的关系度；S15、根据关系度划分聚合区。

进一步的，所述分析所述区域合适的聚合算法包括在面对大区域范围进行空间聚合时，系统使用了DBSCAN算法，在面对小范围且选定区域形状较为规整的区域范围进行空间聚合时，系统使用K-means算法。

进一步的，所述DBSCAN算法包括，定义：

Ε邻域：给定对象半径为Ε内的区域称为该对象的Ε邻域；

核心对象：如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；

直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；

密度可达：对于样本集合D，给定一串样本点p1,p2…pn，p＝p1,q＝pn,假如对象pi从pi-1直接密度可达，那么对象q从对象p密度可达；