一种地址信息生成方法和装置与流程

本发明涉及计算机
技术领域：
，尤其涉及一种地址信息生成方法和装置。
背景技术：
：随着电子商务技术的发展，大型电商企业积累了大量技术实力，同时以相对低廉的价格和快捷方便的服务受到了广大消费者的喜爱，并积累了大量线上数据。但线下门店也有其不可比拟的优势，对于一些商品价格低、购买频次高或者日常急需的商品，消费者更青睐于在线下门店进行购买，能在节省运费的同时，更快的获取所需的商品。对于电商企业而言，通过前期积累的大量线下数据，通过选址技术，开发线下体验店，增加了商品的销售渠道，填补了部分物品线上销售量低的空白，同时，对于品牌传播，也有非常重要的意义。门店的选址是电商企业开拓线下智能门店面临的首要问题，如果选址不恰当，将引起管理成本过高、客流量不充足等问题。电商企业可以利用已经积累的大量线上数据，通过商品的需求地理分布，结合地理环境数据，选择需求较为集中、人流密集且交通方便的区域，进行线下智能门店的选址。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：目前电商企业的选址主要有两类主流技术：一是通过收集地理环境数据(线下数据)，预估线下智能门店开业后可能的日均营业额(日均人流量*入店率*客单价),再减去相应的运营成本，通过收益最大化的原则进行选址。一是采用电商企业以往的线上数据，通过线上数预估日均营业额，再通过收益最大化的原则进行选址。但是，单纯的线上数据或者下线数据都没有完整的反应消费者需求：仅利用线下数据，无法利用电商企业已积累的线上数据优势，后续当电商将线上流程整合至线下时可能会出现线下经营的“水土不服”。仅利用线上数据，因线上数据不可能完整的记录所有相关地理环境数据，因此可能导致选取的门店并不符合线下需求。技术实现要素：有鉴于此，本发明实施例提供一种地址信息生成方法和装置，可以解决现有技术中线下门店选取的地址不准确，效率低的问题。为实现上述目的，根据本发明实施例的一个方面，提供了一种地址信息生成方法，包括获取线上对象需求数据和线下地理环境数据；利用聚类算法分别对所述线上对象需求数据和所述线下地理环境数据进行聚合，以获得初始的聚集数据点；根据所述初始的聚集数据点，确定最终聚集数据点。可选地，所述根据所述初始聚集数据点，确定最终聚集数据点，包括：计算线上对象需求数据点与初始的聚集数据点的距离，以确定所述线上对象需求数据点的分类；以及计算线下地理环境需求数据点与聚集数据点的距离，以确定所述线下地理环境需求数据点的分类；其中，线上对象需求数据包括线上对象需求数据点；根据线上对象需求数据点分类和线下地理环境需求数据点分类，以获取最终聚集数据点。可选地，计算线上对象需求数据点与初始的聚集数据点的距离，以确定所述线上对象需求数据点的分类，包括：计算每个线上对象需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线上对象需求数据点距离最近的聚集数据点作为所述线上对象需求数据点的分类；另外，计算线下地理环境需求数据点与聚集数据点的距离，以确定所述线下地理环境需求数据点的分类，包括：计算每个线下地理环境需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线下地理环境需求数据点距离最近的聚集数据点作为所述线下地理环境需求数据点的分类。可选地，所述根据线上对象需求数据点分类和线下地理环境需求数据点分类，以获取最终聚集数据点，包括：对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心；根据所有线上对象需求数据点的质心和所有线下地理环境需求数据点的质心，以获取最终聚集数据点。可选地，根据线上对象需求数据点分类和线下地理环境需求数据点分类，迭代更新聚集数据点直至达到预设条件，以获取最终聚集数据点。可选地，根据线上对象需求数据点分类和线下地理环境需求数据点分类，迭代更新聚集数据点，包括：对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心a1′(xa1′,ya1′)、b1′(xb1′,yb1′)、c1′(xc1′,yc1′)、d1′(xd1′,yd1′)……；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心a1″(xa1″,ya1″)、b1″(xb1″,yb1″)、c1″(xc1″,yc1″)、d1″(xd1″,yd1″)……；确定下一轮迭代的聚集数据点：n1(x,y)＝[n′1(x′n1,y′n1)+β×n″1(x″n1,y″n1)]÷2其中：n∈{a,b,c,d……}β＞1时：线下地理环境需求数据点的影响大于线上对象需求数据点的影响；β＜1时：线下地理环境需求数据点的影响小于线上对象需求数据点的影响；β＝1时：线下地理环境需求数据点的影响等于线上对象需求数据点的影响。可选地，所述预设条件为：更新后聚集数据点与更新前聚集数据点的距离小于误差距离，或者循环次数大于或等于设定的循环最大次数阈值。可选地，所述聚类算法采用k-means聚类算法。另外，根据本发明实施例的一个方面，提供了一种地址信息生成装置，包括获取模块，用于获取线上对象需求数据和线下地理环境数据；计算模块，用于利用聚类算法分别对所述线上对象需求数据和所述线下地理环境数据进行聚合，以获得初始的聚集数据点；选取模块，用于根据所述初始的聚集数据点，确定最终聚集数据点。可选地，所述选取模块根据所述初始聚集数据点，确定最终聚集数据点，包括：计算线上对象需求数据点与初始的聚集数据点的距离，以确定所述线上对象需求数据点的分类；以及计算线下地理环境需求数据点与聚集数据点的距离，以确定所述线下地理环境需求数据点的分类；其中，线上对象需求数据包括线上对象需求数据点；根据线上对象需求数据点分类和线下地理环境需求数据点分类，以获取最终聚集数据点。可选地，所述选取模块计算线上对象需求数据点与初始的聚集数据点的距离，以确定所述线上对象需求数据点的分类，包括：计算每个线上对象需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线上对象需求数据点距离最近的聚集数据点作为所述线上对象需求数据点的分类；另外，所述计算模块计算线下地理环境需求数据点与初始的聚集数据点的距离，以确定所述线下地理环境需求数据点的分类，包括：计算每个线下地理环境需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线下地理环境需求数据点距离最近的聚集数据点作为所述线下地理环境需求数据点的分类。可选地，所述选取模块根据线上对象需求数据点分类和线下地理环境需求数据点分类，以获取最终聚集数据点，包括：对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心；根据所有线上对象需求数据点的质心和所有线下地理环境需求数据点的质心，以获取最终聚集数据点。可选地，所述选取模块根据线上对象需求数据点分类和线下地理环境需求数据点分类，迭代更新聚集数据点直至达到预设条件，以获取最终聚集数据点。可选地，所述选取模块根据线上对象需求数据点分类和线下地理环境需求数据点分类，迭代更新聚集数据点，包括：对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心a1′(xa1′,ya1′)、b1′(xb1′,yb1′)、c1′(xc1′,yc1′)、d1′(xd1′,yd1′)……；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心a1″(xa1″,ya1″)、b1″(xb1″,yb1″)、c1″(xc1″,yc1″)、d1″(xd1″,yd1″)……；确定下一轮迭代的聚集数据点：n1(x,y)＝[n′1(x′n1,y′n1)+β×n″1(x″n1,y″n1)]÷2其中：n∈{a,b,c,d……}β＞1时：线下地理环境需求数据点的影响大于线上对象需求数据点的影响；β＜1时：线下地理环境需求数据点的影响小于线上对象需求数据点的影响；β＝1时：线下地理环境需求数据点的影响等于线上对象需求数据点的影响。可选地，所述预设条件为：更新后聚集数据点与更新前聚集数据点的距离小于误差距离，或者循环次数大于或等于设定的循环最大次数阈值。可选地，所述聚类算法采用k-means聚类算法。根据本发明实施例的另一个方面，还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一地址信息生成实施例所述的方法。根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一地址信息生成实施例所述的方法。上述发明中的一个实施例具有如下优点或有益效果：因为采用了结合电商企业的线上订单需求数据以及线下地理环境数据，进行线下门店地址信息生成的技术手段，所以实现了线下门店的利益最大化，同时可以提升电商企业的品牌效应。上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。附图说明附图用于更好地理解本发明，不构成对本发明的不当限定。其中：图1是根据本发明实施例的地址信息生成方法的主要流程的示意图；图2是根据本发明可参考实施例的地址信息生成方法的主要流程的示意图；图3是根据本发明实施例的地址信息生成装置的主要模块的示意图；图4是本发明实施例可以应用于其中的示例性系统架构图；图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。具体实施方式以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1是根据本发明实施例的地址信息生成方法，如图1所示，所述地址信息生成方法包括：步骤s101，获取线上对象需求数据和线下地理环境数据。其中，所述的线上对象需求数据包括线上对象的订单数据、以及该订单数据对应的经纬度坐标信息即线上对象需求数据点。步骤s102，利用聚类算法分别对所述线上对象需求数据和所述线下地理环境数据进行聚合，以获得初始的聚集数据点。其中，初始化聚类算法，以获取初始的聚集数据点。步骤s103，根据所述初始的聚集数据点，确定最终聚集数据点。具体的实施过程包括：其中，线上对象需求数据包括线上对象需求数据点。步骤一：计算线上对象需求数据点与初始的聚集数据点的距离，以确定所述线上对象需求数据点的分类；以及计算线下地理环境需求数据点与聚集数据点的距离，以确定所述线下地理环境需求数据点的分类。较佳地，在执行步骤一时，可以通过计算每个线上对象需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线上对象需求数据点距离最近的聚集数据点作为所述线上对象需求数据点的分类。同理，可以通过计算每个线下地理环境需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线下地理环境需求数据点距离最近的聚集数据点作为所述线下地理环境需求数据点的分类。步骤二：根据线上对象需求数据点分类和线下地理环境需求数据点分类，以获取最终聚集数据点。较佳地，对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心；然后根据所有线上对象需求数据点的质心和所有线下地理环境需求数据点的质心，以获取最终聚集数据点。另一个较佳地实施例，根据线上对象需求数据点分类和线下地理环境需求数据点分类，迭代更新聚集数据点直至达到预设条件，以获取最终聚集数据点。具体的实施过程包括：在执行步骤三时，可以对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心a1′(xa1′,ya1′)、b1′(xb1′,yb1′)、c1′(xc1′,yc1′)、d1′(xd1′,yd1′)……；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心a1″(xa1″,ya1″)、b1″(xb1″,yb1″)、c1″(xc1″,yc1″)、d1″(xd1″,yd1″)……；确定下一轮迭代的聚集数据点：n1(x,y)＝[n′1(x′n1,y′n1)+β×n″1(x″n1,y″n1)]÷2其中：n∈{a,b,c,d……}β＞1时：线下地理环境需求数据点的影响大于线上对象需求数据点的影响；β＜1时：线下地理环境需求数据点的影响小于线上对象需求数据点的影响；β＝1时：线下地理环境需求数据点的影响等于线上对象需求数据点的影响。进一步地，所述预设条件为：更新后聚集数据点与更新前聚集数据点的距离小于误差距离，或者循环次数大于或等于设定的循环最大次数阈值。根据上面的各种实施例，可以看出所述的地址信息生成方法，可以通过线上商品需求数据的聚合，需找最佳商品聚集点。并且，结合线下地理环境信息，对于最佳门店位置进行调整。另外，本发明还提供了人工选址的余量，通过调整参数，可以使地址信息生成技术最后确定的门店总数略多于最终方案，最后再通过考虑社会因素，进行最终门店的筛选。图2是根据本发明可参考实施例的地址信息生成方法的主要流程的示意图，所述地址信息生成方法可以包括：步骤s201，获取线上对象需求数据和线下地理环境数据。在实施例中，可以采集线上对象的订单数据，以通过线上订单数据反映对象的需求情况。较佳地，也可以对线上对象进行一下选择，将选择的对象作为可以进行线下门店售卖的对象。进一步地，获取对象在选取的门店选址区域的经纬度坐标(即对象在门店选址区域内总销售量对应的经纬度坐标)，同时统计预设时期内在该区域每个对象的线上总销售量。其中，所述门店选址区域的经纬度坐标精确到小数点后三位。例如：可以参见表1，其中每个对象(在该实施例中对象表示为商品)表示为一个数据行。将每一行作为一个数据点，对于第i个数据点，其中经度为xi，纬度为yi，商品总利润(可以是单位利润乘以总销量数)为wi，较佳地可以去掉总利润为0的数据点。另外，商品采用sku表示，而sku全称为stockkeepingunit(库存量单位)，即库存进出计量的单位，可以是以件、盒、托盘等为单位。sku这是对于大型连锁超市或者配送中心物流管理的一个必要的方法。现在已经被引申为商品统一编号的简称，每种商品均对应有唯一的sku号。例如：需要在北京地区进行智能门店的选址，通过历史数据查询，统计近两年内北京地区的所有相关对象的订单数据，可以得出以下历史商品需求统计表。需要说明的是，统计时经纬度精度越高，那么同种对象越不容易聚集，用于辅助地址信息生成的订单数据量越大；经纬度的精度越低，数据量越小。但是不一定数据量大最后算法的结果就会好。优选地，选择经纬度坐标小数点后三位，即半径约为0.15km的订单数据会被认为是同一位置的数据。表1历史商品需求数据统计表商品sku经度(xi)纬度(yi)总利润(wi)10000001116.35339.983510000001116.34540.662310000002116.12539.1128…………89245922116.34939.0241另外，获取的线下地理环境数据即门店地址区域中的客流量相对较大的信息数据，其中所述的信息数据包括经度、纬度以及根据客流量设置的每个坐标的客流权重。例如地铁信息、商圈信息以及住宅区信息等客流量较大的区域，更细化的例如地铁站(如表2所示：每个地铁站，通过线上地图api获取经纬度坐标，并依据各地铁站的客流量，设置不同的权重vj。)、公交站、小区等。表2地铁分布数据统计表地铁站序号地铁站名称经度(xj)纬度(yj)客流权重(vj)1经海路116.56939.78952肖村116.45439.84013五道口116.34439.99810……………步骤s202，初始化k-means算法，以获得初始聚集数据点。其中，所述k-means算法，即k-means聚类算法是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。作为实施例，随意选取k个初始聚集数据点即从线下地理环境数据点中选取k个数据点作为初始聚集数据点，进一步地，可以设置：k需要选择的智能门店个数m调整参数u其中：u为调整参数，目的为选出m+u个智能线下门店，并在所有选出的门店中，再综合考虑各方面外部因素(例如：热门商圈、热门购物中心可以增加企业品牌效应)。u＝0时，表示不做调整，完全信赖k-means算法进行地址信息生成。在上述例子中，假设需要选择2个门店，设置u＝2,则选择a0(xa0,ya0)、b0(xb0,yb0)、c0(xc0,yc0)、d0(xd0,yd0)四个点为初始聚集数据点。较佳地，为了使算法快速收敛，也可以先进行历史对象需求点绘图，在需求点聚集较为密的区域选择初始聚集数据点。步骤s203，计算线上对象需求数据点与初始聚集数据点的距离，以确定所述线上对象需求数据点的分类。作为实施例，对于每个对象需求数据点i通过经纬度，计算每个对象需求数据点与选择的初始聚集数据点的初始距离rai0、rbi0、rci0、rdi0……。并根据初始距离，计算初始加权距离rai1、rbi1、rci1、rdi1……：rai1＝rai0/1+α×wi)其中参数α可以调节，α越大，地址信息生成时对于利润越敏感，α的范围为(0,+∞)，优选地，可以选择α略大于1。wi为总利润。根据计算出的初始加权距离rai1、rbi1、rci1、rdi1……，选取与对象需求数据点i距离最近的初始聚集数据点为该对象需求数据点i的初始分类，例如，对于对象需求数据点i，计算得出rbi1为最小值，则此商品需求数据点分类为b。步骤s204，计算线下地理环境需求数据点与初始聚集数据点的距离，以确定所述线下地理环境需求数据点的分类。作为实施例，利用与步骤s203的算法，对于每个线下地理环境需求数据点j，通过经纬度，和客流权重(vi)计算该线下地理环境需求数据点j与选择的初始聚集点的初始加权距离raj1、rbj1、rcj1、rdj1……。并根据初始加权距离，同样对于每个线下地理环境需求点j，依据步骤s203的分类方法，计算每个线下地理环境需求点j的初始分类。步骤s205，根据线上对象需求数据点分类和线下地理环境需求数据点分类，迭代更新聚集数据点直至达到预设的条件，以获得最终聚集数据点。作为实施例，对于每个线上对象需求数据点分类的位置信息，计算半径为r以内的所有线上对象需求数据点的质心(根据坐标取平均值)，确定为a1′(xa1′,ya1′)、b1′(xb1′,yb1′)、c1′(xc1′,yc1′)、d1′(xd1′,yd1′)。同样，对于每一个线下地理环境需求数据点分类的位置信息，也是计算质心a1″(xa1″,ya1″)、b1″(xb1″,yb1″)、c1″(xc1″,yc1″)、d1″(xd1″,yd1″)。其中，对于r的选择：可以先对线上对象需求数据点或线下地理环境需要数据点进行绘图，然后结合所述绘图和实际情况确定r的取值。优选地，可以初始时选择为5km，即设定此门店的受众范围为5km以内的客户，后续可通过实体店开业后积累的数据，调整r，再计算新门店地址信息。然后，确定下一轮迭代的聚集数据点：n1(x,y)＝[n′1(x′n1,y′n1)+β×n″1(x″n1,y″n1）]÷2其中：n∈{a,b,c,d……}β可以等于1、略大于1或略小于1，其中：β＞1时：线下地理环境需求数据点的影响大于线上对象需求数据点的影响。β＜1时：线下地理环境需求数据点的影响小于线上对象需求数据点的影响。β＝1时：线下地理环境需求数据点的影响等于线上对象需求数据点的影响。最后，根据计算出的新的聚集数据点a1,b1,c1,d1……，返回步骤s203再次循环迭代，计算出a2,b2,c2,d2……。当循环迭代优化，达到预设条件时则可以结束循环，获得最终确定的聚集数据点即最后选取的线下门店位置。其中，所述的优化条件可以为新计算出的聚集数据点与旧的聚集数据点(前一轮迭代出的数据聚集点)距离小于误差距离s时，或者循环次数大于或等于设定的循环最大次数阈值t。具体地，循环停止条件为：distance(nq,nq-1)＜s或者q≥tq:循环次数s：提前设定的误差距离t：提前设定的最大循环次数阈值步骤s206，根据最终确定的聚集数据点，以获得选取的地址。在实施例中，通过步骤s205最后获得k个线下门店即最终确定的聚集数据点，然后根据调整参数u最终确定需要选择的智能门店个数m。在上述具体实施例中，从最终通过k-means算法得出的4个门店地址中，综合各类因素，最终选取2个门店。另外，在本发明可参考实施例中所述地址信息生成方法的具体实施内容，在上面所述地址信息生成方法中已经详细说明了，故在此重复内容不再说明。图3是根据本发明实施例的地址信息生成装置，如图3所示，所述地址信息生成装置300包括获取模块301、计算模块302以及选取模块303。其中，获取模块301获取线上对象需求数据和线下地理环境数据。然后，计算模块302利用聚类算法分别对所述线上对象需求数据和所述线下地理环境数据进行聚合，以获得初始的聚集数据点。最后，选取模块303根据所述初始的聚集数据点，确定最终聚集数据点。作为一个较佳地的实施例，选取模块303根据所述初始的聚集数据点，确定最终聚集数据点，以获得选取的地址。具体实施过程包括：步骤一：计算线上对象需求数据点与初始的聚集数据点的距离，以确定所述线上对象需求数据点的分类；以及计算线下地理环境需求数据点与聚集数据点的距离，以确定所述线下地理环境需求数据点的分类。较佳地，在执行步骤一时，可以通过计算每个线上对象需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线上对象需求数据点距离最近的聚集数据点作为所述线上对象需求数据点的分类。同理，可以通过计算每个线下地理环境需求数据点与初始的聚集数据点的距离；根据所述距离，计算加权距离，以确定与线下地理环境需求数据点距离最近的聚集数据点作为所述线下地理环境需求数据点的分类。步骤二：根据线上对象需求数据点分类和线下地理环境需求数据点分类，以获取最终聚集数据点。较佳地，对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心；然后根据所有线上对象需求数据点的质心和所有线下地理环境需求数据点的质心，以获取最终聚集数据点。另一个较佳地实施例，根据线上对象需求数据点分类和线下地理环境需求数据点分类，迭代更新聚集数据点直至达到预设条件，以获取最终聚集数据点。具体的实施过程包括：在执行步骤三时，可以对于每个线上对象需求数据点分类的位置信息，计算预设半径以内的所有线上对象需求数据点的质心a1′(xa1′,ya1′)、b1′(xb1′,yb1′)、c1′(xc1′,yc1′)、d1′(xd1′,yd1′)……；同样，对于每一个线下地理环境需求数据点分类的位置信息，计算预设半径以内的所有线下地理环境需求数据点的质心a1″(xa1″,ya1″)、b1″(xb1″,yb1″)、c1″(xc1″,yc1″)、d1″(xd1″,yd1″)……；确定下一轮迭代的聚集数据点：n1(x,y)＝[n′1(x′n1,y′n1)+β×n″1(x″n1,y″n1)]÷2其中：n∈{a,b,c,d……}β＞1时：线下地理环境需求数据点的影响大于线上对象需求数据点的影响；β＜1时：线下地理环境需求数据点的影响小于线上对象需求数据点的影响；β＝1时：线下地理环境需求数据点的影响等于线上对象需求数据点的影响。进一步地，所述预设条件为：更新后聚集数据点与更新前聚集数据点的距离小于误差距离，或者循环次数大于或等于设定的循环最大次数阈值。需要说明的是，在本发明所述地址信息生成装置的具体实施内容，在上面所述地址信息生成方法中已经详细说明了，故在此重复内容不再说明。图4示出了可以应用本发明实施例的地址信息生成方法或地址信息生成装置的示例性系统架构400。或者图4示出了可以应用本发明实施例的地址信息生成方法或地址信息生成装置的示例性系统架构400。如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。需要说明的是，本发明实施例所提供的地址信息生成方法一般由服务器405执行，相应地，地址信息生成装置一般设置于服务器405中。应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本发明的系统中限定的上述功能。需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、计算模块以及选取模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取线上对象需求数据和线下地理环境数据；利用聚类算法分别对所述线上对象需求数据和所述线下地理环境数据进行聚合，以获得初始的聚集数据点；根据所述初始的聚集数据点，确定最终聚集数据点。根据本发明实施例的技术方案，因为采用了结合电商企业的线上订单需求数据以及线下地理环境数据，进行线下门店地址信息生成的技术手段，所以实现了线下门店的利益最大化，同时可以提升电商企业的品牌效应。。上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。当前第1页12