(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210800014.6 (22)申请日 2022.07.06 (71)申请人 信雅达科技股份有限公司 地址 310051 浙江省杭州市滨江区江南大 道3888号信雅达科技大厦 (72)发明人 夏天舒　张珊　李宇豪　宣明辉　 (74)专利代理 机构 杭州裕阳联合专利代理有限 公司 33289 专利代理师 吴文杰 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 40/02(2012.01) (54)发明名称 基于级联集成学习的银行网点选址方法、 装 置、 设备及 介质 (57)摘要 本发明公开了一种基于级联集成学习的银 行网点选址方法， 包括： 获取银行网点周边数据 和银行网点运营数据， 构建数据集， 按比例将数 据集划分为训练数据集和预测数据集； 根据训练 数据集构建级联集成学习模型， 对级联集成学习 模型进行训练； 获取区域内各个目标点的周边数 据， 应用预先训练好的级 联集成学习模型对每个 目标点的未来运营进行预测， 得到各个目标点的 未来运营数据， 根据各个目标点的未来运营数据 选择出最佳银行网点选址地点。 本发 明用少样本 集成学习的级联结构对银行网点选址数据进行 建模， 级联结构对多目标特征进行联合建模， 极 大地提高模 型准确率， 能够 有效避免人为主观决 策的问题， 为银行 管理者决策提供 科学依据。 权利要求书2页 说明书6页 附图2页 CN 115169887 A 2022.10.11 CN 115169887 A 1.一种基于级联集成学习的银 行网点选 址方法， 其特 征在于， 包括： 获取银行网点周边数据和银行网点运营数据， 构建数据集， 按比例将数据集划分为训 练数据集和预测数据集； 根据训练数据集构建级联集成学习模型， 对级联集成学习模型进行训练； 获取区域内各个目标点的周边数据， 应用预先训练好的级联集成学习 模型对每个目标 点的未来运营进行预测， 得到各个目标点的未来运营数据， 根据各个目标点的未来运营数 据选择出最佳银行网点选 址地点。 2.根据权利要求1所述的一种基于级联集成学习的银行网点选址方法， 其特征在于， 所 述级联集成学习模型包括： 利用bagging算法训练多个第一级预测器； 对不同第一级预测器的预测目标 特征进行随机组合， 训练多个第二级预测器； 对所有第二级预测器的预测目标 特征取平均值， 得到预测结果。 3.根据权利要求2所述的一种基于级联集成学习的银行网点选址方法， 其特征在于， 所 述利用ba gging算法训练多个第一级预测器包括： 利用bagging算法对训练数据集的进行重复采样， 生成u个样本数量一致的训练子集， 用u个训练子集分别训练u个第一级 预测器， 第一级 预测器的输入为训练子集X， 第一级 预测 器的输出为训练子集X的预测目标 特征A1i， 如下式(1)， 在第一级预测器训练过程中的损失函数L oss1i(w)如下式(2)， 其中P1i为第i个第一级预测器， n为第i个第一级预测器对应的训练子集的样本个数， m 为训练子集的输出特征， 为第i个第一级预测器对第n个样本的第m个输出特征的预测 值。 4.根据权利要求3所述的一种基于级联集成学习的银行网点选址方法， 其特征在于， 所 述对不同第一级预测器的预测目标 特征进行随机组合， 训练多个第二级预测器包括： 使用多元线性回归对第一级预测器输出进行特征组合训练v个第二级预测器， 第二级 预测器的输入为第一级预测器中预测目标特征A1i的随机组合， 第二级预测器的输出为 特征 组合的预测目标 特征 如下式(3)， 其中Rj为第二级预测器线性组合随机挑选的v个第一级预测器的集 合； 第一级预测器输出堆叠后形成的结果矩阵 如下式(4)，权　利　要　求　书 1/2 页 2 CN 115169887 A 2其中flat ten(A)为将第一层预测器输出的二维结果矩阵压缩成一维向量的压缩函数； 在第二级预测器训练过程中的损失函数L oss2j(w)如下式(5)， W2j的计算方式如下式(6)， 其中 为 的转置矩阵， Y为涉及到的训练数据集的真实输出 特征数据矩阵。 5.根据权利要求4所述的一种基于级联集成学习的银行网点选址方法， 其特征在于， 所 述对所有第二级预测器的预测目标 特征取平均值， 得到预测结果 如下式(7)， 6.根据权利要求1至5中任意一项所述的一种基于级联集成学习的银行网点选址方法， 其特征在于， 所述银行网点周边数据包括网点规模、 网点建设及 装修费用、 网点楼层及利用 率、 网点营业面积、 周围 同业网点及全部网点个数及密度、 周围 同业同类型及行业同类型的 网点个数及密度、 周围自动存 取款机的个数及密度、 周围公司、 政府机 关、 事业单位、 商铺及 商圈的数量及 密度、 周围人口密度、 是否有停车位中的至少两类数据。 7.根据权利要求1至5中任意一项所述的一种基于级联集成学习的银行网点选址方法， 其特征在于， 所述银行网点运营数据包括网点评分、 现在不同档位的客户占比、 过去不同时 间段内的业 务收入、 存款 余额、 贷款余额、 总盈利金额中的至少两类数据。 8.一种装置， 其特 征在于， 包括： 接收模块， 用于 接收区域内各个目标点的周边数据； 计算模块， 基于各个目标点的周边数据， 计算各个目标点的未来 运营数据； 生成模块， 根据各个目标点的未来 运营数据生成最佳 银行网点选 址地点。 9.一种银行网点选址设备， 其特征在于， 所述设备包括处理器以及存储有计算机程序 指令的存储器； 所述处理器执行所述计算机程序指 令时实现如权利要求 1至7中任意一项 所 述的银行网点选 址方法。 10.一种计算机存储介质， 其特征在于， 所述计算机存储介质上存储有计算机程序指 令， 所述计算机程序指令被处理器执行时实现如权利要求 1至7中任意一项所述的银行网点 选址方法。权　利　要　求　书 2/2 页 3 CN 115169887 A 3