[发明专利]门店选址方法、装置、电子设备及存储介质

权利要求书

1.一种门店选址方法，其特征在于，所述方法包括：

确定目标区域内的多个待选地块；

获取每个待选地块的特征数据，其中，每个所述待选地块的特征数据包括待选地块内的POI信息、人群特征和竞对门店信息中的至少一者；

调用预设的选址模型，根据每个所述待选地块的特征数据对每个所述待选地块打分，得到每个所述待选地块的目标评分，其中，所述选址模型根据样本地块的样本特征对预设的分类模型训练得到，所述样本特征包括样本地块内的POI信息、人群特征和竞对门店信息中的至少一者；

从多个所述待选地块中获取所述目标评分最高的目标待选地块，以作为所述目标区域的门店选址地点。

2.根据权利要求1所述的门店选址方法，其特征在于，所述分类模型包括决策树模型、逻辑回归模型、深度学习模型中的至少一者。

3.根据权利要求2所述的门店选址方法，其特征在于，所述分类模型包括决策树模型的情况下，所述方法还包括：

获取训练数据集，其中，所述训练数据集包括样本区块的样本特征和样本标签，所述样本标签用于指示样本区块为正样本或负样本；

采用所述训练数据集对所述决策树模型进行训练得到所述选址模型，其中，在训练过程中，所述样本特征被表征为目标编码格式的编码特征、或者深度学习模型基于所述编码特征表征的向量特征。

4.根据权利要求2所述的门店选址方法，其特征在于，所述分类模型包括逻辑回归模型的情况下，所述方法还包括：

获取训练数据集，其中，所述训练数据集包括样本区块的样本特征和样本标签，所述样本标签用于指示样本区块为正样本或负样本；

采用所述训练数据集对所述逻辑回归模型进行训练得到所述选址模型，其中，在训练过程中，所述样本特征被表征为包括目标编码格式的编码特征、或者深度学习模型基于所述编码特征表征的向量特征，所述编码特征包括决策树基于所述样本特征输出的节点组合特征、或目标编码格式的样本特征。

5.根据权利要求2所述的门店选址方法，其特征在于，所述选址模型包括第一选址模型、第二选址模型和第三选址模型中的至少一者，所述第一选址模型、第二选址模型、第三选址模型分别基于所述决策树模型、所述逻辑回归模型、深度学习模型训练得到；

所述调用预设的选址模型，根据每个待选地块的特征数据对每个所述待选地块打分，得到每个所述待选地块的目标评分，包括：

调用所述第一选址模型、所述第二选址模型和第三选址模型中至少一者，根据每个所述待选地块的特征数据对每个所述待选地块打分，得到所述待选地块的目标评分，其中，所述第一选址模型根据每个所述待选地块的特征数据对每个所述待选地块打分得到每个所述待选地块的第一评分，所述第二选址模型根据每个所述待选地块的特征数据对每个所述待选地块打分得到每个所述待选地块的第二评分，所述第三选址模型根据每个所述待选地块的特征数据对每个所述待选地块打分得到每个所述待选地块的第三评分，所述目标评分根据所述第一评分、所述第二评分和所述第三评分中的至少一者确定。

6.根据权利要求1所述的门店选址方法，其特征在于，所述选址模型还用于根据每个所述待选地块的特征数据输出每个所述待选地块的分类结果，所述分类结果用于指示所述待选地块是否适合做所述目标区域的门店选址地点。

7.根据权利要求1-6任一项所述的门店选址方法，其特征在于，所述待选地块内的人群特征根据所述待选地块中目标特征的群体占比与目标区域中所述目标特征的群体占比确定，所述样本地块内的人群特征根据所述样本地块中目标特征的群体占比与样本区域中所述目标特征的群体占比确定。