网点选址方法、装置、存储介质和设备与流程

1.本技术涉及大数据领域，尤其涉及一种网点选址方法、装置、存储介质和设备。


背景技术：

2.随着金融科技的快速发展，各个银行之间的竞争也逐渐变大。而除手机银行等线上办理业务方式，银行网点作为银行向客户直接提供服务的唯一来源，其地址选择的重要性不言而喻，与银行的盈利能力紧密相连。因此，对网点进行科学而合理的布局，是提高核心竞争力、降低运营成本的必然选择。
3.但是目前而言，银行对网点地址的选择多依靠于人工方式，根据查看选址附近的人流量、同业竞争等方面再进行比较分析，从而得到最后的决策。然而，现有的选址方式的整个实施考察流程过长、效率不高，且主要基于人的主观经验分析，最终所选择的网点地址并不可靠。


技术实现要素：

4.本技术提供了一种网点选址方法、装置、存储介质和设备，目的在于提高网点选址的可靠性。
5.为了实现上述目的，本技术提供了以下技术方案：
6.一种网点选址方法，包括：
7.获取用户输入的各个网点候选地址的地理位置数据；
8.对于每个所述网点候选地址，对所述网点候选地址的地理位置数据进行特征提取，得到所述网点候选地址的地址特征集合；所述网点候选地址的地址特征集合包括与所述网点候选地址关联的地址特征；
9.将各个所述网点候选地址的地址特征输入至地址分类模型中，得到所述地址分类模型输出的分类结果；所述地址分类模型基于样本网点的地址特征作为输入，并依据人工针对所述样本网点设置的类型标签作为训练目标，预先训练得到；所述类型标签包括好网点和坏网点中的任意一项；所述分类结果包括各个所述网点候选地址的类型；
10.通过预设界面向所述用户展示各个所述网点候选地址的类型。
11.可选的，所述将各个所述网点候选地址的地址特征输入至地址分类模型中，得到所述地址分类模型输出的分类结果，包括：
12.对所述网点候选地址的地址特征进行特征预处理，得到所述网点候选地址的候选地址特征；
13.对所述网点候选地址的候选地址特征进行特征预处理，得到所述网点候选地址的备用地址特征；
14.对所述网点候选地址的备用地址特征进行特征降维，得到所述网点候选地址的有效地址特征；
15.将各个所述网点候选地址的有效地址特征输入至地址分类模型中，得到所述地址
分类模型输出的分类结果。
16.可选的，所述基于样本网点的地址特征作为输入，并依据人工针对所述样本网点设置的类型标签作为训练目标，预先训练得到所述地址分类模型的过程，包括：
17.预先获取各个样本网点的地理位置数据，以及人工针对每个所述样本网点预先设置的类型标签；
18.对于每个所述样本网点，对所述样本网点的地理位置数据进行特征提取，得到所述样本网点的地址特征集合；所述样本网点的地址特征集合包括与所述样本网点所在地址关联的各个地址特征；
19.对各个所述地址特征进行相关性分析，得到各个所述地址特征的相关性；
20.将所述相关性大于预设数值的地址特征进行删除，并将保留下来的地址特征，标识为所述样本网点的候选地址特征；
21.对所述样本网点的候选地址特征进行特征预处理，得到所述样本网点的备用地址特征；
22.对所述样本网点的备用地址特征进行特征降维，得到所述样本网点的有效地址特征；
23.将各个所述样本网点的有效地址特征作为预设初始模型的输入，得到所述预设初始模型的输出结果，并依据各个所述样本网点的类型标签作为训练目标，不断调整所述预设初始模型中的各项参数，直至所述输出结果的正确率大于预设阈值，确定所述地址分类模型训练完成；所述输出结果包括：各个所述样本网点的预测类型；所述正确率为目标样本网点的数量与样本网点总数之间的比值；所述目标样本网点为：预测类型与自身类型标签所示的类型相同的样本网点。
24.可选的，所述通过预设界面向所述用户展示各个所述网点候选地址的类型，包括：
25.基于类型为好网点的网点候选地址，构建第一列表；
26.基于类型为坏网点的网点候选地址，构建第二列表；
27.通过预设界面向所述用户展示所述第一列表和第二列表。
28.一种网点选址装置，包括：
29.数据获取单元，用于获取用户输入的各个网点候选地址的地理位置数据；
30.特征提取单元，用于对于每个所述网点候选地址，对所述网点候选地址的地理位置数据进行特征提取，得到所述网点候选地址的地址特征集合；所述网点候选地址的地址特征集合包括与所述网点候选地址关联的地址特征；
31.分类单元，用于将各个所述网点候选地址的地址特征输入至地址分类模型中，得到所述地址分类模型输出的分类结果；所述地址分类模型基于样本网点的地址特征作为输入，并依据人工针对所述样本网点设置的类型标签作为训练目标，预先训练得到；所述类型标签包括好网点和坏网点中的任意一项；所述分类结果包括各个所述网点候选地址的类型；
32.展示单元，用于通过预设界面向所述用户展示各个所述网点候选地址的类型。
33.可选的，所述分类单元具体用于：
34.对所述网点候选地址的地址特征进行特征预处理，得到所述网点候选地址的候选地址特征；
35.对所述网点候选地址的候选地址特征进行特征预处理，得到所述网点候选地址的备用地址特征；
36.对所述网点候选地址的备用地址特征进行特征降维，得到所述网点候选地址的有效地址特征；
37.将各个所述网点候选地址的有效地址特征输入至地址分类模型中，得到所述地址分类模型输出的分类结果。
38.可选的，所述分类单元具体用于：
39.预先获取各个样本网点的地理位置数据，以及人工针对每个所述样本网点预先设置的类型标签；
40.对于每个所述样本网点，对所述样本网点的地理位置数据进行特征提取，得到所述样本网点的地址特征集合；所述样本网点的地址特征集合包括与所述样本网点所在地址关联的各个地址特征；
41.对各个所述地址特征进行相关性分析，得到各个所述地址特征的相关性；
42.将所述相关性大于预设数值的地址特征进行删除，并将保留下来的地址特征，标识为所述样本网点的候选地址特征；
43.对所述样本网点的候选地址特征进行特征预处理，得到所述样本网点的备用地址特征；
44.对所述样本网点的备用地址特征进行特征降维，得到所述样本网点的有效地址特征；
45.将各个所述样本网点的有效地址特征作为预设初始模型的输入，得到所述预设初始模型的输出结果，并依据各个所述样本网点的类型标签作为训练目标，不断调整所述预设初始模型中的各项参数，直至所述输出结果的正确率大于预设阈值，确定所述地址分类模型训练完成；所述输出结果包括：各个所述样本网点的预测类型；所述正确率为目标样本网点的数量与样本网点总数之间的比值；所述目标样本网点为：预测类型与自身类型标签所示的类型相同的样本网点。
46.可选的，所述展示单元具体用于：
47.基于类型为好网点的网点候选地址，构建第一列表；
48.基于类型为坏网点的网点候选地址，构建第二列表；
49.通过预设界面向所述用户展示所述第一列表和第二列表。
50.一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行所述的网点选址方法。
51.一种网点选址设备，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
52.所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行所述的网点选址方法。
53.本技术提供的技术方案，获取用户输入的各个网点候选地址的地理位置数据。对于每个网点候选地址，对网点候选地址的地理位置数据进行特征提取，得到网点候选地址的地址特征集合。将各个网点候选地址的地址特征输入至地址分类模型中，得到地址分类模型输出的分类结果。通过预设界面向用户展示各个网点候选地址的类型。利用本技术所
示方案，基于网点候选地址的地理位置数据作为分类依据，并利用地址分类模型区分各个网点候选地址的类型，为网点选址提供客观参考依据，辅助用户进行网点选址，从而有效提高网点选址的可靠性。
附图说明
54.为了更清楚地说明本技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
55.图1a为本技术实施例提供的一种网点选址方法的流程示意图；
56.图1b为本技术实施例提供的一种网点选址方法的流程示意图；
57.图2为本技术实施例提供的另一种网点选址方法的流程示意图；
58.图3为本技术实施例提供的一种网点选址装置的架构示意图。
具体实施方式
59.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
60.如图1a和图1b所示，为本技术实施例提供的一种网点选址方法的流程示意图，包括如下步骤：
61.s101：预先获取各个样本网点的地理位置数据，以及人工针对每个样本网点预先设置的类型标签。
62.其中，可通过访问各个样本网点，来获取各个样本网点的地理位置数据，当然，也可以从数据库中直接获取技术人员预先输入的各个样本网点的地理位置数据。
63.需要说明的是，类型标签包括好网点和坏网点中的任意一项。
64.一般来讲，可以将月均收益高于预设数值的样本网点，标识为好网点，将月均收益不高于预设数值的样本网点，标识为坏网点。
65.s102：对于每个样本网点，对样本网点的地理位置数据进行特征提取，得到样本网点的地址特征集合。
66.其中，样本网点的地址特征集合包括与样本网点所在地址关联的地址特征，地址特征的类型包括但不限于为：地点可见性、人流量、人口收入、交通情况、同行竞争情况等。
67.s103：对地址特征进行相关性分析，得到各个地址特征的相关性。
68.其中，相关性分析的具体实现原理，为本领域技术人员所熟悉的公知常识，这里不再赘述。
69.s104：将相关性大于预设数值的地址特征进行删除，并将保留下来的地址特征，标识为样本网点的候选地址特征。
70.s105：对样本网点的候选地址特征进行特征预处理，得到样本网点的备用地址特征。
71.其中，特征预处理的具体实现原理，为本领域技术人员所熟悉的公知常识，这里不再赘述。
72.s106：对样本网点的备用地址特征进行特征降维，得到样本网点的有效地址特征。
73.其中，特征降维的具体实现原理，为本领域技术人员所熟悉的公知常识，这里不再赘述。
74.s107：将各个样本网点的有效地址特征作为预设初始模型的输入，得到预设初始模型的输出结果，并依据各个样本网点的类型标签作为训练目标，不断调整预设初始模型中的各项参数，直至输出结果的正确率大于预设阈值，确定地址分类模型训练完成。
75.其中，预设初始模型包括但不限于为支持向量回归(support vector regression，svr)模型。预设初始模型的输出结果包括：各个样本网点的预测类型。正确率为目标样本网点的数量与样本网点总数之间的比值，目标样本网点为：预测类型与自身类型标签所示的类型相同的样本网点。
76.需要说明的是，预设初始模型的具体表达形式，如公式(1)所示。
77.y＝f(x)＝f(x1,x2,
…
,xm)
ꢀꢀꢀ
(1)
78.在公式(1)中，y代表输出结果(即样本网点的预测类型)，f(x)以及f(x1,x2,...,xm)均代表支持向量回归函数，x＝{x1,x2,...,xm}，x1,x2,...,xm均代表有效地址特征。
79.在本技术实施例中，f(x1,x2,...,xm)可以理解为基于将各个有效地址特征映射至高维的特征空间中所建立的线性回归函数f(x)，具体的，f(x)的具体表达式如公式(2)所示。
80.f(x)＝w
t
φ(x)+b
ꢀꢀꢀ
(2)
81.在公式(2)中，w代表预设权重系数，φ(x)代表非线性映射，b代表预设系数。
82.为了防止线性回归函数过拟合，在线性回归函数中引入惩罚因子，得到公式(3)。
[0083][0084]
在公式(3)中，j代表代价函数，c代表惩罚函数(用于确定线性回归函数的拟合程度)，|y
i-f(xi)|代表预测类型与类型标签所示类型的偏差，n代表样本网点总数，i代表样本网点的索引。
[0085]
为了防止代价函数过于敏感，在代价函数中引入敏感因子，得到公式(4)和公式(5)。
[0086][0087][0088]
在公式(4)和(5)中，minj代表目标函数，ζi以及均代表松弛因子，ε代表不敏感损失函数，一般来讲，只有在|y
i-f(xi)|＞ε时才计算目标函数的损失。
[0089]
进一步的，为了减少目标函数的复杂度，以提高预设初始模型的训练效率，在目标函数中引入核函数，得到公式(6)和(7)，以将高维空间的内积运算转换为低维空间的核函
数运算。
[0090][0091][0092]
在公式(6)和(7)中，αi以及代表lagrange乘子，k(xi,xj)代表核函数，且k(xi,xj)＝φ(xi)φ(xj)。经由公式(6)和(7)，推导得到公式(8)。
[0093][0094]
经由公式(8)进行简化，则可直接得到公式(1)。
[0095]
s108：获取用户输入的各个网点候选地址的地理位置数据。
[0096]
s109：对于每个网点候选地址，对网点候选地址的地理位置数据进行特征提取，得到网点候选地址的地址特征集合。
[0097]
其中，网点候选地址的地址特征集合包括与网点候选地址关联的地址特征。
[0098]
s110：对网点候选地址的地址特征进行特征预处理，得到网点候选地址的候选地址特征。
[0099]
s111：对网点候选地址的候选地址特征进行特征预处理，得到网点候选地址的备用地址特征。
[0100]
s112：对网点候选地址的备用地址特征进行特征降维，得到网点候选地址的有效地址特征。
[0101]
s113：将各个网点候选地址的有效地址特征输入至地址分类模型中，得到地址分类模型输出的分类结果。
[0102]
其中，分类结果包括各个网点候选地址的类型。
[0103]
s114：基于类型为好网点的网点候选地址，构建第一列表。
[0104]
s115：基于类型为坏网点的网点候选地址，构建第二列表。
[0105]
s116：通过预设界面向用户展示第一列表和第二列表。
[0106]
综上所述，利用本实施例所示方案，基于网点候选地址的地理位置数据作为分类依据，并利用地址分类模型区分各个网点候选地址的类型，为网点选址提供客观参考依据，辅助用户进行网点选址，从而有效提高网点选址的可靠性。
[0107]
需要说明的是，上述实施例提及的s101，为本技术所示网点选址方法的一种可选的实现方式。此外，上述实施例提及的s115，也为本技术所示网点选址方法的一种可选的实现方式。为此，上述实施例提及的流程，可以概括为图2所示的方法。
[0108]
如图2所示，为本技术实施例提供的另一种网点选址方法的流程示意图，包括如下步骤：
[0109]
s201：获取用户输入的各个网点候选地址的地理位置数据。
[0110]
s202：对于每个网点候选地址，对网点候选地址的地理位置数据进行特征提取，得到网点候选地址的地址特征集合。
[0111]
其中，网点候选地址的地址特征集合包括与网点候选地址关联的地址特征。
[0112]
s203：将各个网点候选地址的地址特征输入至地址分类模型中，得到地址分类模型输出的分类结果。
[0113]
其中，地址分类模型基于样本网点的地址特征作为输入，并依据人工针对样本网点设置的类型标签作为训练目标，预先训练得到；类型标签包括好网点和坏网点中的任意一项；分类结果包括各个网点候选地址的类型。
[0114]
s204：通过预设界面向用户展示各个网点候选地址的类型。
[0115]
综上所述，利用本实施例所示方案，基于网点候选地址的地理位置数据作为分类依据，并利用地址分类模型区分各个网点候选地址的类型，为网点选址提供客观参考依据，辅助用户进行网点选址，从而有效提高网点选址的可靠性。
[0116]
需要说明的是，本发明提供的网点选址方法可用于人工智能领域、区块链领域、分布式领域、云计算领域、大数据领域、物联网领域、移动互联领域、网络安全领域、芯片领域、虚拟现实领域、增强现实领域、全息技术领域、量子计算领域、量子通信领域、量子测量领域、数字孪生领域或金融领域。上述仅为示例，并不对本发明提供的网点选址方法的应用领域进行限定。
[0117]
本发明提供的网点选址方法可用于金融领域或其他领域，例如，可用于金融领域中的交易应用场景。其他领域为除金融领域之外的任意领域，例如，电力领域。上述仅为示例，并不对本发明提供的网点选址方法的应用领域进行限定。
[0118]
与上述本技术实施例提供的网点选址方法相对应，本技术实施例还提供了一种网点选址装置。
[0119]
如图3所示，为本技术实施例提供的一种网点选址装置的架构示意图，包括：
[0120]
数据获取单元100，用于获取用户输入的各个网点候选地址的地理位置数据。
[0121]
特征提取单元200，用于对于每个网点候选地址，对网点候选地址的地理位置数据进行特征提取，得到网点候选地址的地址特征集合；网点候选地址的地址特征集合包括与网点候选地址关联的地址特征。
[0122]
分类单元300，用于将各个网点候选地址的地址特征输入至地址分类模型中，得到地址分类模型输出的分类结果；地址分类模型基于样本网点的地址特征作为输入，并依据人工针对样本网点设置的类型标签作为训练目标，预先训练得到；类型标签包括好网点和坏网点中的任意一项；分类结果包括各个网点候选地址的类型。
[0123]
可选的，分类单元300具体用于：对网点候选地址的地址特征进行特征预处理，得到网点候选地址的候选地址特征；对网点候选地址的候选地址特征进行特征预处理，得到网点候选地址的备用地址特征；对网点候选地址的备用地址特征进行特征降维，得到网点候选地址的有效地址特征；将各个网点候选地址的有效地址特征输入至地址分类模型中，得到地址分类模型输出的分类结果。
[0124]
分类单元300具体用于：预先获取各个样本网点的地理位置数据，以及人工针对每个样本网点预先设置的类型标签；对于每个样本网点，对样本网点的地理位置数据进行特
征提取，得到样本网点的地址特征集合；样本网点的地址特征集合包括与样本网点所在地址关联的各个地址特征；对各个地址特征进行相关性分析，得到各个地址特征的相关性；将相关性大于预设数值的地址特征进行删除，并将保留下来的地址特征，标识为样本网点的候选地址特征；对样本网点的候选地址特征进行特征预处理，得到样本网点的备用地址特征；对样本网点的备用地址特征进行特征降维，得到样本网点的有效地址特征；将各个样本网点的有效地址特征作为预设初始模型的输入，得到预设初始模型的输出结果，并依据各个样本网点的类型标签作为训练目标，不断调整预设初始模型中的各项参数，直至输出结果的正确率大于预设阈值，确定地址分类模型训练完成；输出结果包括：各个样本网点的预测类型；正确率为目标样本网点的数量与样本网点总数之间的比值；目标样本网点为：预测类型与自身类型标签所示的类型相同的样本网点。
[0125]
展示单元400，用于通过预设界面向用户展示各个网点候选地址的类型。
[0126]
可选的，展示单元400具体用于：基于类型为好网点的网点候选地址，构建第一列表；基于类型为坏网点的网点候选地址，构建第二列表；通过预设界面向用户展示第一列表和第二列表。
[0127]
综上所述，利用本实施例所示方案，基于网点候选地址的地理位置数据作为分类依据，并利用地址分类模型区分各个网点候选地址的类型，为网点选址提供客观参考依据，辅助用户进行网点选址，从而有效提高网点选址的可靠性。
[0128]
本技术还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，程序执行上述本技术提供的网点选址方法。
[0129]
本技术还提供了一种网点选址设备，包括：处理器、存储器和总线。处理器与存储器通过总线连接，存储器用于存储程序，处理器用于运行程序，其中，程序运行时执行上述本技术提供的网点选址方法，包括如下步骤：
[0130]
获取用户输入的各个网点候选地址的地理位置数据；
[0131]
对于每个所述网点候选地址，对所述网点候选地址的地理位置数据进行特征提取，得到所述网点候选地址的地址特征集合；所述网点候选地址的地址特征集合包括与所述网点候选地址关联的地址特征；
[0132]
将各个所述网点候选地址的地址特征输入至地址分类模型中，得到所述地址分类模型输出的分类结果；所述地址分类模型基于样本网点的地址特征作为输入，并依据人工针对所述样本网点设置的类型标签作为训练目标，预先训练得到；所述类型标签包括好网点和坏网点中的任意一项；所述分类结果包括各个所述网点候选地址的类型；
[0133]
通过预设界面向所述用户展示各个所述网点候选地址的类型。
[0134]
具体的，在上述实施例的基础上，所述将各个所述网点候选地址的地址特征输入至地址分类模型中，得到所述地址分类模型输出的分类结果，包括：
[0135]
对所述网点候选地址的地址特征进行特征预处理，得到所述网点候选地址的候选地址特征；
[0136]
对所述网点候选地址的候选地址特征进行特征预处理，得到所述网点候选地址的备用地址特征；
[0137]
对所述网点候选地址的备用地址特征进行特征降维，得到所述网点候选地址的有效地址特征；
[0138]
将各个所述网点候选地址的有效地址特征输入至地址分类模型中，得到所述地址分类模型输出的分类结果。
[0139]
具体的，在上述实施例的基础上，所述基于样本网点的地址特征作为输入，并依据人工针对所述样本网点设置的类型标签作为训练目标，预先训练得到所述地址分类模型的过程，包括：
[0140]
预先获取各个样本网点的地理位置数据，以及人工针对每个所述样本网点预先设置的类型标签；
[0141]
对于每个所述样本网点，对所述样本网点的地理位置数据进行特征提取，得到所述样本网点的地址特征集合；所述样本网点的地址特征集合包括与所述样本网点所在地址关联的各个地址特征；
[0142]
对各个所述地址特征进行相关性分析，得到各个所述地址特征的相关性；
[0143]
将所述相关性大于预设数值的地址特征进行删除，并将保留下来的地址特征，标识为所述样本网点的候选地址特征；
[0144]
对所述样本网点的候选地址特征进行特征预处理，得到所述样本网点的备用地址特征；
[0145]
对所述样本网点的备用地址特征进行特征降维，得到所述样本网点的有效地址特征；
[0146]
将各个所述样本网点的有效地址特征作为预设初始模型的输入，得到所述预设初始模型的输出结果，并依据各个所述样本网点的类型标签作为训练目标，不断调整所述预设初始模型中的各项参数，直至所述输出结果的正确率大于预设阈值，确定所述地址分类模型训练完成；所述输出结果包括：各个所述样本网点的预测类型；所述正确率为目标样本网点的数量与样本网点总数之间的比值；所述目标样本网点为：预测类型与自身类型标签所示的类型相同的样本网点。
[0147]
具体的，在上述实施例的基础上，所述通过预设界面向所述用户展示各个所述网点候选地址的类型，包括：
[0148]
基于类型为好网点的网点候选地址，构建第一列表；
[0149]
基于类型为坏网点的网点候选地址，构建第二列表；
[0150]
通过预设界面向所述用户展示所述第一列表和第二列表。
[0151]
本技术实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本技术实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0152]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0153]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。