论文推送 | 《基于深度强化学习的便利店地理空间位置优化分析》被ACM SIGSPATIAL2024成功接收并应邀做报告发言

便利店作为新型零售业态对提升居民生活便利性、提高新型城镇化的质量有着积极的作用，便利店的选址不仅直接影响消费者消费的便利性，还与自身品牌商业利润和物流成本密切相关。如何在加快品牌连锁便利店发展的同时，结合各地居民生活圈，高效利用公共资源，优化已有店铺布局并拓展新店，成为一个值得关注的现实问题。研究表明，便利店的选址往往受到多个因素的影响，包括人口密度、交通可达性、建筑密度等，通过定量分析人口密度等关键因素的对便利店选址影响，可以助力便利店的选址优化过程。深度强化学习在求解选址优化问题方面展现了显著优势，它能够在动态环境中通过持续的反馈和学习，不断优化决策过程。对西安市“每一天”便利店的空间分布、影响因素及选址优化的进行研究不仅有助于提升门店布局的科学性和运营效率，满足消费者需求，还能通过优化选址最大化商业利润，进一步巩固其在区域市场的领先地位，为其他城市的扩展提供借鉴。

本研究以西安市主城区“每一天”便利店为研究对象，分析其在特定区域内空间分布情况及其影响因素，并使用深度强化学习方法对便利店的选址问题进行求解，为便利店的空间布局优化提供科学依据。研究主要使用了人口数据、道路数据、兴趣点（POI）数据和建筑数据，其中人口、道路和POI数据主要用于计算需求权重，而建筑数据则用于生成备选设施点的位置。

便利店选址属于商业选址，同时受到多种因素的联合影响，与其他城市设施的分布情况关系密切，因此研究使用人口数据，道路数据，POI数据和建筑数据等多源数据用于分析西安市主城区“每一天”便利店的优化选址。为实现便利店选址优化，首先需掌握目前便利店的情况，使用核密度、最邻近和缓冲区分析对便利店的位置信息进行空间分析，评估目前便利店点位的整体布局。

选址工作目标是最大化覆盖需求量，采用网格化处理，统计每个网格中的人口数量、POI密度和道路因素，并利用熵权法和加权求和计算每个网格的需求强度并映射到网格中心点；为了更加合理地反映城市空间结构和人口活动的实际状况，选用建筑点作为设施备选点；在此基础上使用遗传算法和深度强化学习方法完成最大覆盖需求点的求解，获得优化选址结果，具体研究工作流程如图1所示。

便利店空间分布格局

使用核密度分析方法对西安市主城区648个“每一天”便利店进行分析，结果表明便利店的分布呈现出典型的中心聚集现象。碑林区、雁塔区等核心城区由于人口密集、商业活动频繁，便利店分布密集，而未央区和莲湖区则处于中等密度分布状态，郊区如灞桥区则便利店分布较为稀疏。西安市主城区的便利店分布格局与城市的人口密度、经济活动水平以及交通条件有密切关系，便利店倾向于在人流量大、需求高的区域密集选址。

图2 西安市“每一天”便利店空间分布格局图

使用最邻近分析对西安市主城区便利店的点位情况进行分析，西安市主城区的“每一天”便利店分布表现出明显的非随机高度聚集现象，集中在商业区、居民密集区及交通便利的地区，而在其他区域分布较少。这种分布模式与主城区的经济活动、居民需求、交通条件等因素密切相关，便利店的选址倾向于在高需求地区密集开设店面，以便更好地满足市场需求。

对“每一天”便利店的空间分布格局的研究表明，便利店的空间分布呈现高度的聚集特征，在西安市主城区分布不均，这样的布局虽然很好的满足了城市中心区域的需求，但是城市其他区域的并不能享受便利服务，因此需要对便利店的布局进行配置优化研究。

需求分析

为确保需求强度计算的科学性和数据统计尺度的一致性，本研究对西安市主城区采用了网格化处理，将研究区域划分为1km×1km的标准格网，并以每个网格的中心点作为需求点进行后续分析。

人口数据以标准网格为基础进行分析，将每个网格内的人口数量进行汇总统计，并赋值至该网格的中心点，作为需求点权重计算的因子。

为评估城市中各类设施、店铺和机构对便利店选址的影响，通过高德API获取了西安市内14类POI数据，使用区域筛选与相关性分析保留与便利店选址高度相关的POI数据，最终聚合为6个主要类别，共计203,212条，对每一条POI数据完成矢量化处理，并在网格尺度下对各类别POI数据进行统计。

道路因素与商店选址关系密切，在本研究中引入道路密度和需求点到道路的距离作为需求强度计算的影响因素。

将所得道路密度值赋予每个网格内的需求点，以此量化道路网络对便利店服务覆盖范围的影响。

计算每个需求点至最近道路的距离，并采用距离倒数作为需求强度，距离越近的需求点赋予更高权重，反映了其在可达性方面对便利店选址的影响。

为了综合评估各类数据在便利店选址决策中的重要性，采用熵权法对每一类数据进行权重计算，熵权法通过评估每类数据的信息熵，确定其在选址决策中的相对重要性并赋予权重，对所有影响因素的权重进行加权求和，获得最终的需求强度信息，映射至网格中心需求点作为需求权重。

设施点选择

设施点的选择基于建筑数据，更准确地反映城市中可能设置便利店位置。本文首先对现有的便利店点位进行了缓冲区分析，对于已被现有便利店有效覆盖的建筑点，将其从设施备选点中排除，从而聚焦于未被覆盖的区域，识别需要新增设施的地点。在确定最终的设施点数量时，考虑了现有便利店的覆盖比例，以此为基准进行规模换算，根据覆盖比例和服务需求优化，确定设施点的数量为619个。

遗传算法与深度强化学习求解

本研究采用深度强化学习方法求解最大覆盖选址模型。虽然前期分析均在西安市主城区范围内进行，但由于计算资源的限制，训练模型时对选址规模进行了简化，在初始阶段需要处理的13万多个候选设施点和619个目标设施点的规模过大，无法在有限的计算资源下完成训练。因此，最终模型的部署与验证聚焦于一个较小的区域，确定了20个便利店的部署区域，每个服务区域的半径为200米。

在模型求解过程中，设施点和需求点数据被导入并随机抽样，生成了12800个样本集和2000个验证集。训练参数设置为epoch size为12800，batch size为640，以提高训练效率。经过反复训练和验证，模型在499次实验后停止，损失函数逐渐收敛至最小值，最终达到了最大化覆盖需求的目标。

为评估深度强化学习（DRL）算法的性能，本研究对比了在相同条件下（设施数量 P=20，服务半径 R=200 米）遗传算法（GA）与DRL的求解效率，如图4和表3所示。 比较结果显示，GA的求解时间高于DRL，DRL在处理相同问题时具备更快的求解速度。 在本研究中，MCLP模型的优化目标为最大化需求覆盖，我们统计了两者对需求点需求强度的覆盖情况，DRL的覆盖率为高于GA， DRL在覆盖效率上的也有一定优势。

为了深入探讨各因素在便利店选址中的影响力，本研究进一步进行了对比实验，去除了与道路相关的因素，并重新计算权重，在相同计算条件下进行模型求解与验证。实验结果与没有去除道路因素的结果基本一致，两种算法在需求强度覆盖上均出现了下降，但DRL的下降幅度相对较小，对于MCLP模型所寻求的最大化覆盖需求量这一目标来说，DRL算法的求解相较于传统GA算法求解时间更短，需求覆盖率更高。

通过对比实验，我们发现与道路相关的因素是便利店选址决策过程中的一个重要影响因素。道路因素的引入更有利于便利店优化选址决策的制定，在便利店选址过程中有着重要作用。

考虑到解决时间、覆盖量和覆盖率的整体表现，深度强化学习在解决效率和覆盖能力上均优于遗传算法，深度强化学习能够有效地求解配置优化问题，即使在计算资源有限的情况下，也能提供更优的便利店布局策略。关于本研究的源代码的更多细节，可以访问 https://github.com/HIGISX/HiSpot。