一种店铺估值系统的制作方法

1.本申请涉及一种估值系统，具体是一种店铺估值系统。


背景技术：

2.店铺选址是一种被广泛研究的问题，尤其对于连锁商店而言，新开的门店要衡量一种或两种指标去比较若干个待选的地址，从而确定更优的地址进行新门店的建设。
3.大多数店铺选址只是从有限个待选地址中使用不多于两种的指标进行比较，得出较优的地址，往往只局限于某种特殊的行业。因此，此类模型往往具有一定的局限性和较弱的泛化能力。因此，针对上述问题提出一种店铺估值系统。


技术实现要素：

4.一种店铺估值系统，包括实证模型和机器学习模型，所述实证模型包括店铺的中心性计算模块、群众参与性计算模块和交通便捷性计算模块，所述机器学习模型包括回归模型、决策树模块、支持向量机模块和神经网络模块。
5.进一步地，所述店铺的中心性计算模块主要参考网络分析中的多种中心性指标，衡量一家店铺在整个零售商业系统中的地理价值。
6.进一步地，所述群众参与性计算模块是利用群众的手机打卡定位数据，划定出群众聚集度的热点图，通过热点图和店铺分布图的结合，量化一家店铺的人流量。
7.进一步地，所述交通便捷性计算模块主要参考依据是群众出行的成本和时间，衡量群众到该家店铺消费的意愿。
8.进一步地，所述店铺的中心性计算模块包括接近中心性计算模块、中介中心性计算模块和直度中心性计算模块，以上三种中心性在网络分析中通过不同方式衡量某个节点在系统中的重要性，类比于一家店铺在一个地区的重要性。公式分别如下：
[0009][0010][0011][0012]
其中表示节点和节点之间的最短路径，表示节点和节点之间最短路径的数量，表示最短路径经过节点的数量，表示节点和节点之间的欧氏距离。
[0013]
进一步地，所述机器学习模型主要从定量的角度衡量此问题，根据不同的行业，系统对店铺选址不同的指标去衡量一家店铺的成功度，并通过多种机器学习模型量化店铺成功度和店铺特性以及店铺周围的人口学特征的关系，通过集成学习，进一步提高系统的性能，系统衡量一家店铺成功度的指标如销售额，客流量，效率值等等，根据不同的行业不同
的店铺选择合适的指标作为目标变量用于机器学习模型的训练，机器模型训练的原理是预测的损失函数最小化，即
[0014][0015]
其中为销售额、客流量或者效率值中的一个指标，为该种指标的预测值。该损失函数的极小值可以利用随机梯度下降的优化方式进行求解，从而得到各个影响因素的参数。
[0016]
进一步地，所述回归模型是利用一条表达式为的直线用来确定一种或多种变量之间相互依赖的定量关系的一种机器学习模型。
[0017]
进一步地，所述支持向量机模块与线性回归模型类似，但该模型存在一个阈值α，只计算预测值落在阈值之外的损失函数，即
[0018]
。
[0019]
进一步地，所述神经网络模块是由多个神经元组成，一个神经元的输出成为下一个神经元的输入，最后一层的神经元为预测值，利用损失函数最小化计算各个神经元的参数。单个神经元是一种复杂且非线性的假设模型h(x)＝f(w
t
x)，其中f(x)是一种非线性的激活函数，如relu，f(x)＝max(0，x)等。
[0020]
本申请的有益效果是：本申请提供了一种带有信息提取、医患联系提醒功能的医院智能化管理系统。
附图说明
[0021]
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0022]
图1为本申请一种实施例的整体结构示意图；
[0023]
图2为本申请一种实施例的店铺的中心性计算模块的内部示意图；
[0024]
图3为本申请一种实施例的店铺估值系统的计算流程图示意图；
[0025]
图4为本申请一种实施例的一个基础的神经网络示意图；
[0026]
图5为本申请一种实施例的进行估值的神经网络示意图。
[0027]
图中：1、实证模型，2、机器学习模型，3、店铺的中心性计算模块，4、群众参与性计算模块，5、交通便捷性计算模块，6、回归模型，7、决策树模块，8、支持向量机模块，9、神经网络模块，10、接近中心性计算模块，11、中介中心性计算模块，12、直度中心性计算模块。
具体实施方式
[0028]
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0029]
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
[0031]
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
[0032]
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
[0033]
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0034]
请参阅图1
‑
5所示，一种店铺估值系统，包括实证模型1和机器学习模型2，所述实证模型1包括店铺的中心性计算模块3、群众参与性计算模块4和交通便捷性计算模块5，所述机器学习模型2包括回归模型6、决策树模块7、支持向量机模块8和神经网络模块9。
[0035]
所述店铺的中心性计算模块3主要参考网络分析中的多种中心性指标，衡量一家店铺在整个零售商业系统中的地理价值；所述群众参与性计算模块4是利用群众的手机打卡定位数据，划定出群众聚集度的热点图，通过热点图和店铺分布图的结合，量化一家店铺的人流量；所述交通便捷性计算模块5主要参考依据是群众出行的成本和时间，衡量群众到该家店铺消费的意愿；所述店铺的中心性计算模块3包括接近中心性计算模块10、中介中心性计算模块11和直度中心性计算模块12，以上三种中心性在网络分析中通过不同方式衡量某个节点在系统中的重要性，类比于一家店铺在一个地区的重要性。公式分别如下：
[0036][0037][0038][0039]
其中表示节点和节点之间的最短路径，表示节点和节点之间最短路径的数量，表示最短路径经过节点的数量，表示节点和节点之间的欧氏距离；所述机器学习模型2主要从定量的角度衡量此问题，根据不同的行业，系统对店铺选址不同的指标去衡量一家店铺的成功度，并通过多种机器学习模型量化店铺成功度和店铺特性以及店铺周围的人口学特征
的关系，通过集成学习，进一步提高系统的性能，系统衡量一家店铺成功度的指标如销售额，客流量，效率值等等，根据不同的行业不同的店铺选择合适的指标作为目标变量用于机器学习模型的训练，机器模型训练的原理是预测的损失函数最小化，即
[0040][0041]
其中为销售额、客流量或者效率值中的一个指标，为该种指标的预测值。该损失函数的极小值可以利用随机梯度下降的优化方式进行求解，从而得到各个影响因素的参数；所述回归模型6是利用一条表达式为的直线用来确定一种或多种变量之间相互依赖的定量关系的一种机器学习模型；所述决策树模块7是利用树形结构针对一个指标对数据集进行分支，分支的指标选择为上式中的损失函数，选择的分支指标能使损失函数下降，计算损失函数的预测值为该叶节点所有数据集的均值，直到分支的叶节点中的损失函数无法下降为止；所述支持向量机模块8与线性回归模型类似，但该模型存在一个阈值α，只计算预测值落在阈值之外的损失函数，即神经网络模块9是由多个神经元组成，一个神经元的输出成为下一个神经元的输入，最后一层的神经元为预测值，利用损失函数最小化计算各个神经元的参数。单个神经元是一种复杂且非线性的假设模型考虑变量之间的非线性关系h(x)＝f(w
t
x)，其中f(x)是一种非线性的激活函数，如relu，f(x)＝max(0，x)等。
[0042]
图3是店铺估值系统的计算流程图，首先使用多重中心指标去度量一家店铺在线下店铺分布网络中的多种中心性，以此作为衡量店铺地理位置的指标；第二利用手机gps打卡定位数据，进一步衡量店铺的实际客流量；最后利用到达店铺的交通出行的潜在成本，度量店铺的潜在客流量。以上三种方法均属于传统的店铺选址方法，店铺估值系统将利用以上三个方面(地理中心性，实际客流量，潜在客流量)量化建立估值系统的指标。
[0043]
除传统方法之外，将使用机器学习算法模型，探究店铺指标属性、店铺周围人群社区特点和店铺品牌力(如销售额、效率值等)之间的关系，通过集成学习返回一个或多个特征值衡量店铺的品牌力。
[0044]
最后将得到的上述各种特征指标，运用ranknet进行店铺估值，ranknet的运行原理如图4和图5所示。
[0045]
图4是一个基础的神经网络，通过多层隐藏层对输入的各种指标进行学习而输出一个新的指标，相当于对各种指标进行学习并且降维成一种指标，图5是进行估值的神经网络，输入为两个待比较店铺的指标，该指标是从左部分学习而来，训练的标签为0
‑
1变量衡量两家店铺的品牌力大小，中间隐藏层包括减法运算和sigmoid激活函数。
[0046]
通过ranknet的训练，店铺估值系统可以成功对潜在店铺或现有店铺进行估值，该价值主要由店铺的地理中心性、实际客流量、潜在客流量、店铺指标属性和店铺周围人群社区特点学习而来。
[0047]
本申请的有益之处在于：新概念的提出成功将有限地址基于若干个指标的选址问题拓展为店铺估值系统，针对一个店铺系统地衡量地理位置、店铺特性和周围人口学特征对本身带来的价值。
[0048]
店铺预测的评分可以在多维度衡量一家店铺的成功性，为银行等金融机构提供对于店铺的消费贷、经营贷的利率设置基础。
[0049]
与提出的另一个基于注意力机制的商业需求预测模型结合，可以为工厂提供商品供应量的基础，方便工厂制定生产供应计划。
[0050]
新概念和新系统的提出成功地提高模型的泛化能力，理论上适用于任何行业任何地区的店铺评分。
[0051]
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。