选址方法、装置、设备及存储介质与流程

本发明涉及大数据应用领域，尤其涉及一种选址方法、装置、设备及存储介质。

背景技术：

随着大数据技术的发展，大数据的应用深入到了人们生活的方方面面，尤其是在商业领域尤为突出。其中，利用大数据实现对商业门店的地址选择成为了现下比较热门的方式。

目前，对商业门店的地址选择方法主要是基于行业资深从业人员或者专家学者咨询的层次分析和模糊综合评价方法，即通过相关领域专家根据其经验对选址的相关因素的重要性作出评价，再结合层次分析法和模糊综合评价方法得到每个预选地址的综合得分，根据综合得分得到确定适合程度最优的地址。

但是，上述选址方法过于依赖人为经验，准确性较低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够有效提高选址准确性的方法、装置、计算机设备和存储介质。

第一方面，一种选址方法，所述方法包括：

获取第一预测信息；所述第一预测信息包括每个位置点的物品需求信息；

根据所述第一预测信息确定各所述位置点的特征信息；所述特征信息包括用户特征信息和环境特征信息；

根据所述特征信息和目标优化模型，确定目标地址；所述目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。

在其中一个实施例中，所述根据所述特征信息和目标优化模型，确定目标地址，包括：

根据所述特征信息确定所述目标优化模型的输入参数；所述输入参数用于辅助选址；

采用预设的智能优化算法，根据所述输入参数求解所述目标优化模型，得到所述目标地址。

在其中一个实施例中，所述目标优化模型包括目标函数和约束条件；所述约束条件用于对所述目标函数进行约束，使得所述目标函数输出的物品需求价值最大且资源消耗成本最小。

在其中一个实施例中，所述目标函数用于获取物品需求价值最大值和资源消耗成本最小值；

所述约束条件包括以下：

所述目标地址的覆盖范围不大于用户经营能力的辐射范围；

需求地址与所述目标地址之间的距离小于所述覆盖范围的半径；所述需求地址为所述覆盖范围内的地址；

所述目标地址的资源消耗成本小于用户可用资源；

所述目标地址为备选库中的地址；所述备选库包括根据所述特征信息生成的备选地址。

在其中一个实施例中，所述目标函数包括和

其中，m表示物品需求价值；i为1到n中的任一整数值，i表示需求选址点，其中的n表示预选区域包含的所述需求选址点的个数；j为1到l中的任一整数值，j表示所述目标地址点，其中的l表示预选区域包含的目标地址点的个数；xi,j等于1表示所述目标选址点j覆盖所述需求地址点i，xi,j等于0表示所述目标选址点j没有覆盖所述需求地址点i；vi表示第i个所述需求地址点对应的线上价值指数，wj表示第j个所述目标选址点对应的线下价值指数；u表示资源消耗成本,yj等于1表示点j为所述目标选址点，yj等于0表示点j不是所述目标选址点,cj表示所述目标选址点j的资源消耗成本系数,δj表示用户在第j个所述目标选址点进行资源消耗时的情感指数；

所述约束条件包括rj-fk≥0,j＝1,2,…l；其中，rj表示所述目标选址点j的覆盖半径，fk为第k个所述用户经营能力的辐射范围；k为1到h中的任一整数值，k表示用户个体，其中的h表示所述用户个体的个数；

所述约束条件包括其中，ei＝(lati,loni)表示所述需求地址点i的坐标,lati表示所述需求地址点i的纬度值，loni表示所述需求地址点i的经度值，dj＝(latj,lonj)表示所述目标选址点j的坐标，latj表示所述目标选址点j的纬度值，lonj表示所述目标选址点j的经度值，dis(ei,dj)表示所述点坐标ei与所述点坐标dj的欧式距离；

所述第三约束条件包括cj表示所述目标选址点j的资源消耗成本，γk表示第k个用户的租金成本系数，ck表示第k个用户的最大资源消耗值；

所述约束条件包括y＝{d1,d2,…dm}；其中，y为选址点的备选库，d1,d2,.....dm为备选库中的备选地址；其中的m为整数值，m表示所述备选库中的所述备选地址的个数。

在其中一个实施例中，所述采用预设的智能优化算法，根据所述输入参数求解所述目标优化模型，得到所述目标地址，包括：

采用预设的编码方法对第一候选地址集合进行编码，得到第二候选地址集合；所述第二候选地址集合包括多个候选地址坐标；

将所述第二候选地址集合中的各候选地址坐标和所述输入参数，输入所述目标优化模型中，得到第一输出结果；所述第一输出结果包括物品需求价值和资源消耗成本；

根据所述第一输出结果和预设适应度值，获取所述目标地址；所述适应度包括所述物品需求价值最大值和所述资源消耗成本最小值。

在其中一个实施例中，所述根据所述第一输出结果和预设适应度值，获取所述目标地址，包括：

若所述第一输出结果满足所述预设适应度值，则将所述第一输出结果对应的候选地址坐标确定为所述目标地址；

若所述第一输出结果不满足所述预设适应度值，则根据预设的遗传算法、所述第二候选地址集合和所述目标优化模型，获取所述目标地址；所述第三候选地址集合包括不满足所述预设适应度值的候选地址坐标。

在其中一个实施例中，所述根据预设的遗传算法、所述第二候选地址集合和所述目标优化模型，获取所述目标地址，包括：

根据预设算子，对所述第二候选地址集合进行预处理，得到第三候选地址集合；所述预设算子包括选择算子、交叉算子和变异算子中的至少一个；

将所述第三候选地址集合中的各候选地址坐标和所述输入参数，输入所述目标优化模型中，得到第二输出结果；

根据所述第二输出结果和所述预设适应度值，获取所述目标地址。

在其中一个实施例中，所述根据预设的遗传算法、所述第二候选地址集合和所述目标优化模型，获取所述目标地址，包括：

根据所述预设的遗传算法和预设的迭代条件，对所述第二候选地址集合进行迭代计算，确定目标地址；所述迭代条件包括预设的迭代次数，或，所述第二候选地址集合中的地址与所述目标地址之间的相似度阈值。

在其中一个实施例中，所述方法还包括：

根据所述特征信息和所述目标地址生成推荐列表；所述特征信息包括用户财务信息、商圈信息和用户行为日志。

第二方面，一种选址装置，所述装置包括：

获取模块，用于获取第一预测信息；所述第一预测信息包括每一个位置点的物品需求信息；

第一确定模块，用于根据所述第一预测信息确定各所述位置点的特征信息；所述特征信息包括用户特征信息和环境特征信息；

第二确定模块，用于根据所述特征信息和目标优化模型，确定目标地址；所述目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。

第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取第一预测信息；所述第一预测信息包括每一个位置点的物品需求信息；

根据所述第一预测信息确定各所述位置点的特征信息；所述特征信息包括用户特征信息和环境特征信息；

根据所述特征信息和目标优化模型，确定目标地址；所述目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。

第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取第一预测信息；所述第一预测信息包括每一个位置点的物品需求信息；

根据所述第一预测信息确定各所述位置点的特征信息；所述特征信息包括用户特征信息和环境特征信息；

根据所述特征信息和目标优化模型，确定目标地址；所述目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。

本申请提出的选址方法，计算机设备获取第一预测信息；第一预测信息包括每一个位置点的物品需求信息；根据第一预测信息确定各位置点的特征信息；特征信息包括用户特征信息和环境特征信息；根据特征信息和目标优化模型，确定目标地址；目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。在此选址方法中，由于计算机设备根据特征信息构建的目标优化模型，对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小，因此，由该目标模型确定的目标地址为最优结果，而且，该选址方法不依赖人为经验，所以解算结果的准确性较高。

附图说明

图1为一个实施例提供的计算机设备的内部结构示意图；

图2为一个实施例提供的一种选址方法的流程图；

图3为图2实施例中s103的实现方式的流程图；

图4为图3实施例中s202的实现方式的流程图；

图5为图4实施例中s303的实现方式的流程图；

图6为图5实施例中s402的实现方式的流程图；

图7为一个实施例提供的推荐系统示意图；

图8为一个实施例提供的推荐系统的流程示意图；

图9为一个实施例提供的选址装置的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的一种选址方法可适用于各类终端设备、服务器等；其中，终端设备可以但不限于是各种大型计算机、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。以计算机设备为例，本申请实施例提供的选址方法可应用于如图1所示的计算机设备中。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种选址方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

目前，利用传统的选址方法实现对商业门店的地址选择，过于依赖人为经验，准确性较低。本申请提供一种选址方法，旨在解决现有技术的选址方法准确性较低的问题。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的一种选址方法的流程图。本实施例涉及的是计算机设备结合预测信息和特征信息，采用构建的目标优化模型进行地址选择的具体过程。该方法的执行主体为计算机设备。如图2所示，该方法包括以下步骤：

s101、获取第一预测信息；第一预测信息包括每个位置点的物品需求信息。

其中，每个位置点是指预测区域中预选择的每一个门店地址。物品需求信息是指在具体门店地址上出售物品时，客户对物品的实际需求量、需求频率。第一预测信息是指在预测区域中预选择的每一个门店地址上对物品的需求量、需求频率。该第一预测信息可以根据预测模型解算得到。

本实施例中，计算机设备从数据库中获取，或者利用网络信息爬取，可以得到每一个位置点上的全品类商品的历史销量数据、商品生命周期特征、地理特征信息、实时商品需求规律信息等数据，将这些信息作为第一预测信息。或者，计算机设备可以采用一些预测方法建立预测模型，再将上述每一个位置点上的全品类商品的历史销量数据、商品生命周期特征、地理特征信息、实时商品需求规律信息等数据输入到预测模型中，计算得到第一预测信息。本实施例涉及到的预测模型的构建方法可以采用经典统计模型预测方法、流行的机器学习方法、高端的深度学习方法中的至少一种方法，或者这几种方法的综合算法，本实施例对此不做限制。

s102、根据第一预测信息确定各位置点的特征信息；特征信息包括用户特征信息和环境特征信息。

其中，特征信息用于表示用户、商圈、社区、交通、环境、地理位置等与门店地址相关的信息。用户特征信息可以表示客群分析信息、人流量信息、用户财务信息等与用户相关的一种或多种信息；环境特征信息可以表示商圈、社区、交通、环境、地理位置、门店资源消耗财务等与环境场景相关的一种或多种信息。这些信息可以由计算机设备从历史数据库中获取，或者由计算机设备通过网络信息爬取。

在本实施例中，可选地，当计算机设备获取到特征信息时，可以进一步的根据该特征信息构建特征数据库，该特征数据库用来存放用户特征信息和环境特征信息。例如，计算机设备可以根据门店出售物品的类型和需求量预估出购买该物品的客群画像信息，以及客群的财务购买信息。

s103、根据特征信息和目标优化模型，确定目标地址；目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。

其中，目标优化模型用于根据特征信息求解目标地址，使求解出的目标地址能够满足对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。物品需求价值是指客户对物品的需求量，资源消耗成本是指门店的开店成本。

在本实施例中，可以预先根据大量的用户特征信息和环境大特征信息，以地址覆盖范围内的物品需求价值最大且资源消耗成本最小等条件作为约束条件，采用模型构建方法构建该目标优化模型，计算机设备在根据当前的特征信息和预先建立的目标优化模型，求解出最优的目标地址，而在该目标地址所覆盖的范围内的物品需求价值最大且资源消耗成本最小。例如，计算机设备根据目标优化模型解算出一个最优门店地址，则该最优门店地址可以实现以最小的开店成本出售的最大的物品量。

上述实施例中，计算机设备获取第一预测信息；第一预测信息包括每一个位置点的物品需求信息；根据第一预测信息确定各位置点的特征信息；特征信息包括用户特征信息和环境特征信息；根据特征信息和目标优化模型，确定目标地址；目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。在此选址方法中，由于计算机设备根据特征信息构建的目标优化模型，对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小，因此，由该目标模型确定的目标地址为最优结果，而且，该选址方法不依赖人为经验，所以解算结果的准确性较高。

图3为图2实施例中s103的实现方式的流程图。该实施例涉及的是计算机设备根据建立的目标优化模型解算目标地址的具体过程。在上述实施例的基础上，如图3所示，上述s103“根据所述特征信息和目标优化模型，确定目标地址”，可以包括如下步骤：

s201、根据特征信息确定目标优化模型的输入参数；输入参数用于辅助选址。

其中，目标优化模型为多目标优化方程，通常用于解决多目标的最优化问题。而该多目标优化方程的最优解定义为pareto前沿解，即本实施例选择的目标地址。根据上述输入参数构建目标优化模型，即多目标优化方程，以使计算机设备可以通过解算多目标优化方程，得到pareto前沿解，以确定选择出的最优的目标地址。

本实施例中，输入参数可以包括目标选址点、需求地址点、目标选址点覆盖需求地址点的指数、需求地址点的线上价值指数、目标选址点对应的线下价值指数、目标选址点的资源消耗成本系数、用户在目标选址点进行资源消耗时的情感指数、目标选址点的覆盖半径、用户消费水平的辐射范围、需求地址点的坐标、目标选址点的坐标、需求地址点的坐标与目标选址点的坐标之间的欧氏距离、用户的租金成本系数、用户的最大资源消耗值和/或备选库中的备选地址等，其中，目标选址点的资源消耗成本系数用于表示开店成本系数，用户消费水平的辐射范围用于表示用户的财务水平指数，用户的最大资源消耗用于表示用户的财务水平所能付出的最大投入。这些输入参数可以根据特征信息确定，例如，需求地址点的线上价值指数可以通过线上相关物品的消费金额、数量、频次等特征信息计算得到。再例如，目标选址点对应的线下价值指数可以通过线下交通、人流量、商圈、社区价值等特征信息计算得到。

s202、采用预设的智能优化算法，根据输入参数求解目标优化模型，得到目标地址。

其中，智能优化算法是用于求解上述多目标优化问题的智能方法，其可以包括遗传算法、粒子群算法、蚁群算法等智能优化算法中的至少一种算法。

本实施例中，将预选区域中的多个候选地址和上述输入参数，带入到目标优化模型中进行解算，得到解算结果，再将该解算结果与预设结果进行比较分析，若该解算结果符合预设结果，则将该解算结果对应的候选地址确定为目标地址，若该解算结果不符合预设结果，则采用预设的智能优化算法，对该解算结果进行进一步的优化处理，将优化处理后的解算结果重新带入到目标优化模型中进行解算，得到新的解算结果，进一步根据该新的解算结果确定目标地址。

示例性地，上述实施例涉及到的目标优化模型包括目标函数和约束条件；约束条件用于对目标函数进行约束，使得目标函数输出的物品需求价值最大且资源消耗成本最小。

示例性地，目标优化模型中的目标函数用于获取物品需求价值最大值和资源消耗成本最小值；目标函数具体可以包括如下关系式(1)和关系式(2)：

其中，m表示物品需求价值；i为1到n中的任一整数值，i表示需求选址点，其中的n表示预选区域包含的所述需求选址点的个数；j为1到l中的任一整数值，j表示所述目标地址点，其中的l表示预选区域包含的目标地址点的个数；xi,j等于1表示所述目标选址点j覆盖所述需求地址点i，xi,j等于0表示所述目标选址点对应的点j没有覆盖所述需求地址点i；vi表示第i个所述需求地址点对应的线上价值指数，wj表示第j个所述目标选址点对应的线下价值指数；u表示资源消耗成本,yj等于1表示点j为所述目标选址点，yj等于0表示点j不是所述目标选址点,cj表示所述目标选址点j的资源消耗成本系数,δj表示用户在第j个所述目标选址点进行资源消耗时的情感指数，该情感指数可以表示用户对于目标选址点所在区域的倾向程度，倾向程度的高低可以用权重数值进行表达。例如，用户对于在广州地区进行选址的倾向程度比较高，则权重数值可以为0.8，而对于在北京地区进行选址的倾向程度比较低，则权重数值可以为0.2。

示例性地，目标优化模型中的约束条件包括以下4个约束条件：

第一个约束条件：目标地址的覆盖范围不大于用户消费水平的辐射范围，该约束条件包括的关系式(3)：

rj-fk≥0,j＝1,2,...l(3)；

其中，rj表示目标选址点j的覆盖半径，fk为第k个用户经营能力的辐射范围。k为1到h中的任一整数值，k表示用户个体，其中的h表示所述用户个体的个数；

第二个约束条件：需求地址与目标地址之间的距离小于所述覆盖范围的半径；需求地址为覆盖范围内的地址，该约束条件包括的关系式(4)：

其中，ei＝(lati,loni)表示所述需求地址点i的坐标,lati表示所述需求地址点i的纬度值，loni表示所述需求地址点i的经度值，dj＝(latj,lonj)表示所述目标选址点j的坐标，latj表示所述目标选址点j的纬度值，lonj表示所述目标选址点j的经度值，dis(ei,dj)表示所述点坐标ei与所述点坐标dj的欧式距离；

第三个约束条件：目标地址的资源消耗成本小于用户可用资源，该约束条件包括的关系式(5)：

其中，cj表示目标选址点j的资源消耗成本，γk表示第k个用户的租金成本系数，ck表示第k个用户的最大资源消耗值。

第四个约束条件：目标地址为备选库中的地址；备选库包括根据所述特征信息生成的备选地址，该约束条件包括的关系式(6)：

y＝{d1,d2,...dm}(6)；

其中，y为选址点的备选库，d1,d2,.....dm为备选库中的备选地址。其中的m为整数值，m表示备选库中的备选地址的个数。

上述实施例中，根据特征信息确定目标优化模型的输入参数；输入参数用于辅助选址；采用预设的智能优化算法，根据输入参数求解目标优化模型，得到目标地址。在该选址过程中，利用智能优化算法求解目标优化模型，可以求解出在一定区域范围内的最优地址，从而可以提高预选择的目标地址的准确性，使得选出的目标地址更加的符合用户的需求。

在上述实施例完成构建多目标优化模型的基础上，以下实施例涉及根据目标优化模型，采用智能优化算法进行多目标优化求解的过程。

图4为图3实施例中s202的实现方式的流程图。该实施例涉及的是计算机设备采用预设的智能优化算法求解目标优化模型，得到最优的目标地址的过程。如图4所示，上述s202“采用预设的智能优化算法，根据输入参数求解目标优化模型，得到目标地址”，可以包括如下步骤：

s301、采用预设的编码方法对第一候选地址集合进行编码，得到第二候选地址集合；第二候选地址集合包括多个候选地址坐标。

其中，第一候选地址集合包括预选区域范围内的多个位置点的地址信息。第二候选地址集合包括多个候选地址坐标，其中的地址坐标为地理位置的经纬度坐标。预设的编码方法可以采用二进制编码方式，可选地，也可以采用行列号编码方式。

示例性地，本实施例中采用行列号编码方式，该编码方式是基于地理位置的经纬度特征的编码表示方法，以使通过该编码方式求解的目标地址精度更高。其编码的具体方法为：设置一个r×u的网格，该网格表示预选区域范围，r表示预选区域范围对应的最大维度值，u表示该预选区域范围对应的最大经度值。网格单元q在该网格上的空间位置表示为q(a,b)，该网格单元q表示地址对应的点坐标。其中，a为该网格单元q的行号，即维度值，b为该网格单元q的列号，即经度值，1≤a≤r，1≤b≤u。当采用预设的编码方法对第一候选地址集合进行编码后，得到的第二候选地址集合g可以包括p个候选地址坐标，即p个网格单元q，第二候选地址集合g具体的可以表示为：g(a1,b1；a2,b2；.......；ap,bp)，其中p大于等于1小于等于r×u。

s302、将第二候选地址集合中的各候选地址坐标和输入参数，输入目标优化模型中，得到第一输出结果；第一输出结果包括物品需求价值和资源消耗成本。

本实施例中，将第二候选地址集合g(a1,b1；a2,b2；.......；ap,bp)，和获取到的各输入参数，带入到关系式和求解，得到包括m和u的第一输出结果。m表示物品需求价值，u表示资源消耗成本。

s303、根据第一输出结果和预设适应度值，获取目标地址；预设适应度值包括物品需求价值最大值和资源消耗成本最小值。

其中，预设适应度值是一个预先设置好的能够满足期望适应度的预设值。所述适应度是在计算机设备采用智能优化算法搜索最优解的过程中，用于衡量搜索结果的优劣的评估参数。适应度通常由适应函数求解得到，本实施采用的适应函数为上述关系式和

在本实施例中，当计算机设备获取到该预设适应度值时，将该预设适应度值作为评估目标地址优劣的标准参数，对获取到的第一输出结果和预设适应度值进行比较，从而判断出与第一输出结果是否满足物品需求价值最大、资源消耗成本最小的约束条件。

可选地，图5为图4实施例中s303的实现方式的流程图。该实施例涉及的是计算机设备根据第一输出结果确定目标地址的过程。如图5所示，该方法包括以下步骤：

s401、若第一输出结果满足所述预设适应度值，则将第一输出结果对应的候选地址坐标确定为目标地址。

本实施例中，预设适应度值包括物品需求价值的预设值和资源消耗成本预设值，当第一输出结果中的物品需求价值大于或是等于物品需求价值的预设值，且第一输出结果中的资源消耗成本小于等于资源消耗成本预设值时，将与第一输出结果对应的候选地址坐标确定为目标地址，即为选择出的最优的目标地址。

s402、若第一输出结果不满足预设适应度值，则根据预设的遗传算法、第二候选地址集合和目标优化模型，获取目标地址。

其中，第一输出结果不满足预设适应度值的情况有三种，第一种是第一输出结果中的物品需求价值小于物品需求价值的预设值，且同时第一输出结果中的资源消耗成本大于资源消耗成本预设值；第二种是第一输出结果中的物品需求价值小于物品需求价值的预设值，而第一输出结果中的资源消耗成本小于等于资源消耗成本预设值；第三种是第一输出结果中的物品需求价值大于等于物品需求价值的预设值，而第一输出结果中的资源消耗成本大于资源消耗成本预设值。

本实施例中，在第一输出结果不满足预设适应度值的情况下，需要采用预设的遗传算法，进一步地对第二候选地址集合中的各候选地址坐标进行优化，得到优化后的候选地址集合，再根据优化后的候选地址集合和目标优化模型再一次的确定目标地址，从而得到能够满足预设适应度值的候选地址坐标。例如，采用遗传算法对第二候选集合中的地址坐标进行优化处理，生成新的地址坐标，再将该新的地址坐标重新代入目标优化模型进行解算，根据目标优化模型的输出结果判断该新的地址坐标是否符合物品需求价值最大、资源消耗成本最小的约束条件，从而确定目标地址。

可选地，图2实施例中的步骤s303“根据预设的遗传算法、第二候选地址集合和目标优化模型，获取所述目标地址”，还可以包括：根据预设的遗传算法和预设的迭代条件，对第二候选地址集合进行迭代计算，确定目标地址；所述迭代条件包括预设的迭代次数，或，第二候选地址集合中的地址与目标地址的之间的相似度阈值。

其中，迭代条件用于指示计算机设备利用遗传算法，对第二候选地址集合进行迭代计算时对应的迭代终止条件。该迭代终止条件可以包括预设的迭代次数，或，第二候选地址集合中的地址与目标地址之间的相似度阈值。其中的迭代次数可以是预先设置好的阈值，可选地，迭代次数也可以根据人为经验值进行自定义。相似度阈值表示第二候选地址集合中的地址与目标地址的之间的相似程度，相似度阈值可以根据实际需求预先自定义。

本实施例中，当计算机设备通过编码获取到第二候选地址集合时，可以采用预设的遗传算法对第二候选地址集合进行迭代计算，得到迭代计算结果。若该迭代计算结果满足预设的迭代条件时(即迭代次数达到了预设迭代次数，或者第二候选地址集合中的地址与目标地址之间的相似度达到了相似度阈值)，则终止迭代计算；若迭代计算结果不满足预设的迭代条件时，则继续迭代计算，直到迭代计算结果能够满足预设的迭代条件为止，以最终实现输出的迭代计算结果为最优结果，即满足物品需求价值最大、资源消耗成本最小的用户需求目标。

上述实施例中，若第一输出结果满足所述预设适应度值，则将第一输出结果对应的候选地址坐标确定为目标地址；若第一输出结果不满足所述预设适应度值，则根据预设的遗传算法、所述第二候选地址集合和所述目标优化模型，获取所述目标地址。由于在该过程中，根据预设适应度值评估候选地址的优劣性，将能够满足预设适应度值的候选地址确定为目标地址，将不满足预设适应度值的候选地址进行优化处理，以使得到最优的目标地址，所以采用该方法得到的目标地址的准确性较高。

可选地，图6为图5实施例中402的实现方式的流程图。该实施例涉及的是步骤“根据预设的遗传算法、第二候选地址集合和目标优化模型，获取目标地址”的过程。如图6所示，该方法包括以下步骤：

s501、根据预设算子，对第二候选地址集合进行预处理，得到第三候选地址集合；预设算子包括选择算子、交叉算子和变异算子中的至少一个。

其中，预设算子表示一个函数空间到另一个函数空间上的映射关系，本实施例涉及到的预设算子为第二候选地址集合与第三候选地址集合之间的映射关系。具体的预设算子可以包括选择算子、交叉算子和变异算子等算子中的至少一个，或者全部包括这三种算子。

示例性地，选择算子用于实现对各候选地址进行选择操作，以实现对选址空间中所包含的各候选地址进行筛选。具体方法为：先将第二候选地址集合中的各候选地址进行分级处理，按照等级的高低将第二候选地址集合中的各候选地址进行先后顺序的排列，再计算第二候选地址集合中的各相邻候选地址之间的拥挤距离，按照拥挤距离的大小进行先后顺序的排列，最终在排列好的候选地址集合中选择出排练在前的n个候选地址,n为正整数。其中，拥挤距离是指相邻候选地址之间的距离，可以通过目标函数计算得到。拥挤距离越大，候选地址越优；候选地址的等级越高，候选地址越优。

示例性地，交叉算子用于对第二候选地址集合中的各候选地址进行交叉处理，以实现对选址空间的局部深度搜索。本实施例采用双点重组的方法实现交叉操作，具体的方法为：在第二候选地址集合中随机选取两个候选地址进行交换位置，形成新的交叉后的候选地址集合。可选地，也本实施例也可以采用其它重组方法，例如，随机选择三个候选地址，随后进行三个候选地址的位置交换，关于重组方法可以根据实际需求进行选择，本实施例对此不做限制。

示例性地，变异算子用于对第二候选地址集合中的各候选地址进行变异处理，以满足实际环境中存在变异可能性的要求。本实施例采用单点变异的方法实现变异操作，具体方法为：在第二候选地址集合中随机选取一个候选地址作为待变异的位置点，再在该第二候选地址集合中随机选取另一个候选地址替换掉待变异的位置点，完成变异操作。可选地，变异操作也可以采用多点变异的方法实现变异操作，只要能够满足实际变异概率的条件即可。本实施例对此不做限制。

本实施例中，计算机设备在获取到第二候选地址集合后，可以分别采用选择算子对第二候选地址集合进行选择操作，采用交叉算子对第二候选地址集合进行交叉操作，采用变异算子对第二候选地址集合进行变异算子操作，以实现对第二候选地址集合的预处理操作，达到优化第二候选地址集合的目的。可选地，计算机设备在获取到第二候选地址集合后，也可以同时采用选择算子对第二候选地址集合进行选择操作，采用交叉算子对选择后的第二候选地址集合进行交叉操作，采用变异算子对交叉后的第二候选地址集合进行变异算子操作，对于上述的算子之间的先后顺序，可以任意组合进行处理，本实施例对此不做限制。

s502、将第三候选地址集合中的各候选地址坐标和输入参数，输入目标优化模型中，得到第二输出结果。

本实施例中，第三候选地址集合为第二候选地址集合的优化结果。将第三候选地址集合和获取到的各输入参数，带入到关系式和进行求解，得到包括m和u的第二输出结果。

s503、根据第二输出结果和预设适应度值，获取目标地址。

本实施例涉及到的目标地址的获取过程可以参见上述实施例中的步骤s303、s401、s402。其具体实现方法一致，在此不做累赘说明。

上述实施例中，计算机设备根据预设算子，对第二候选地址集合进行预处理，得到第三候选地址集合；预设算子包括选择算子、交叉算子和变异算子中的至少一个；将第三候选地址集合中的各候选地址坐标和输入参数，输入目标优化模型中，得到第二输出结果；根据第二输出结果和预设适应度值，获取目标地址；在此利用智能优化算法对目标地址进行解算的过程中，由于预设算子是对第二候选地址集合中的各候选地址的进一步优化处理，所以通过该方法得到的目标地址精度较高。

在一个实施例中，计算机设备根据目标优化模型解算出目标地址之后还可以包括：根据特征信息和目标地址生成推荐列表；特征信息包括用户财务信息、商圈信息和用户行为日志。

本实施例中，应用如图7所示的推荐系统实现根据特征信息和目标地址生成推荐列表。该系统包括处理模块、特征数据库、解算地址数据库、用户日志模块、客户端、用户交互界面、推荐模块。处理模块用于根据获取到的第一预测信息确定特征信息，处理模块还用于根据目标优化模型和特征信息解算出目标地址；特征数据库用于存放特征信息，包括用户财务信息、商圈信息；解算地址数据库用于存放计算机设备根据目标优化模型解算出的多个目标地址。用户日志模块用于存放用户的行为日志信息，例如，用户在某一时间段内浏览网页时所涉猎到的购买物品种类、兴趣等与物品相关的信息。用户交互界面用于计算机设备根据用户界面爬取用户的行为日志信息。客户端通过用户交互界面向计算机设备提供用户信息。推荐模块用户结合用户财务信息、商圈信息、用户的行为日志信息，对解算地址数据库中的多个目标地址做进一步的优化处理，从而生成新的优化后的目标地址，并以推荐列表的形式展示出来。具体的展示画面可以包含多个最优的目标地址，可以展示在计算机设备的显示屏中的显示区域中，方便用户查看。

应用如图7所示的推荐系统，实现根据特征信息和目标地址生成推荐列表，如图8所示，可以包括如下步骤：

s601、用户日志模块通过用户交互界面，爬取客户端在用户界面上留存的行为信息，并将该用户的行为信息传送给推荐模块。

s602、处理模块根据获取到的第一预测信息确定特征信息，并将该特征信息存储在特征信息库中。

s603、处理模块根据目标优化模型和特征信息解算出目标地址，并将该目标地址存储在解算地址数据库中。

s604、推荐模块分别从解算地址数据库中获取目标地址，从特征信息库中获取特征信息。

s605、推荐模块根据获取到的用户的行为信息和特征信息，对获取到的目标地址进行进一步的优化处理，以生成最优目标地址的推荐列表。

上述实施例中，计算机设备根据目标优化模型解算出目标地址之后还可以根据特征信息和目标地址生成推荐列表；所述特征信息包括用户财务信息、商圈信息和用户行为日志。此步骤实现了对目标地址的进一步优化处理，结合用户财务信息、商圈信息和用户行为日志生成的推荐列表中的地址，更能符合用户需求，从而提高了本申请提出的选址方法的准确性，且以推荐列表的形式展示在计算机设备上，可以使用户更直观的获知所选择的目标地址内容。

应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。

图9为一个实施例提供的选址装置的示意图，如图9所示，所述装置包括：获取模块11、第一确定模块12和第二确定模块13，其中：

获取模块11，用于获取第一预测信息；所述第一预测信息包括每一个位置点的物品需求信息；

第一确定模块12，用于根据所述第一预测信息确定各所述位置点的特征信息；所述特征信息包括用户特征信息和环境特征信息；

第二确定模块13，用于根据所述特征信息和目标优化模型，确定目标地址；所述目标优化模型对应的地址覆盖范围内的物品需求价值最大且资源消耗成本最小。

关于选址装置的具体限定可以参见上文中对于选址方法的限定，在此不再赘述。上述选址装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种选址方法。

该计算机设备，其处理器执行程序时，通过实现如上述各实施例中的任意一种选址方法，从而可以提高选址的准确性。

在一个实施例中，还提供一种存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种选址方法。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。该计算机存储介质，其存储的计算机程序，通过实现包括如上述各选址方法的实施例的流程，从而可以提高选址的准确性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双倍数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。