- 综合排序
- 最热优先
- 最新优先
- 来自专栏HAUE_LYS'Blog
货仓选址
设仓库选址最佳处为 P，此时在该位置左侧存在 m 个货仓，右侧存在 n 个货仓，总距离为 L。 若更改货仓位置为 P-1，则总长度变为 L - m + n。
54430编辑于 2023-03-01 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
中科星图GVE（案例）——AI实现光伏选址
人工智能可以帮助优化光伏选址过程，以下是一些AI算法和技术可以应用于光伏选址： 数据分析和模型预测：使用机器学习算法对大量的历史气象数据和土地利用数据进行分析，建立气候条件和土地适宜度的预测模型。 通过人工智能的辅助，可以加快选址过程，提高选址的准确性和效率，为光伏发电项目的规划和建设提供科学依据。 函数 gve.Services.AI.PhotovoltaicLocationDetection(image) 光伏选址 方法参数 - image( Image ) image实例 返回值: FeatureCollection 代码 /** * @File : AI_PhotovoltaicLocation_Detection * @Time : 2024/08/26 * @Author : option); // 获取建筑物的FeatureCollection var photovoltaicLocationFeatureCol = gve.Services.AI.PhotovoltaicLocationDetection
43710编辑于 2024-10-15 - 来自专栏布衣者博客
LeetCode-题库(8-9)
给你两个字符串 word1 和 word2 。请你从 word1 开始，通过交替添加字母来合并字符串。如果一个字符串比另一个字符串长，就将多出来的字母追加到合并后字符串的末尾。 返回 合并后的字符串 。
36420编辑于 2022-10-31 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-9 lasso
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节介绍模型正则化的另外一种方式LASSO，依然通过具体的编程实现LASSO，并对α取值与过拟合（拟合曲线）之间的关系进行探讨，进而对LASSO与Ridge进行比较。
1.4K20发布于 2020-01-14 - 来自专栏DT数据侠
看AI破译选址“秘诀”
对生意人来说，店铺的选址一向是个颇为“考究”的事情。在大数据和算法的帮助下，这件事今后或许可以交给机器和模型来完成。 输入：确定哪些是影响咖啡店选址的关键因素 2. 模拟：基于不同的输入，反复进行模型优化 3. 预测：纽约未来的咖啡店的最佳选址是哪儿 ▍影响咖啡店选址因素：价格、距离、人口、竞争、文化等 首先我们来看看，哪些是影响咖啡店选址的主要因素呢？ 作为消费者，决定去哪里买咖啡往往非常简单。 咖啡店C位于区域N时的顾客人数期望值：假设一家咖啡店选址在区域N，我们可以通过将咖啡店选址在区域N内各地区时顾客光临的概率乘以该地区的人口总数进行加和，来估计咖啡店C可能拥有的顾客人数。 值得一提的是，精品咖啡店在每一个地区都表现出选址上的特定趋势：在曼哈顿选址偏向上部，在布鲁克林偏向外部。
1.4K10发布于 2018-08-08 - 来自专栏数据结构与算法
P2605 基站选址
题目描述 有N个村庄坐落在一条直线上，第i(i>1)个村庄距离第1个村庄的距离为Di。需要在这些村庄中建立不超过K个通讯基站，在第i个村庄建立基站的费用为Ci。如果在距离第i个村庄不超过Si的范围内建立了一个通讯基站，那么就村庄被基站覆盖了。如果第i个村庄没有被覆盖，则需要向他们补偿，费用为Wi。现在的问题是，选择基站的位置，使得总费用最小。 输入输出格式 输入格式： 输入文件的第一行包含两个整数N,K，含义如上所述。 第二行包含N-1个整数，分别表示D2,D3,…,DN ，这N-1个数是递增的。 第三行包
1.1K80发布于 2018-04-12 - 来自专栏OI
LuoguP2605 基站选址 题解
LuoguP2605 [ZJOI2010]基站选址 题解 Description 题目链接 有 N 个村庄坐落在一条直线上，第 i(i>1)1 个村庄的距离为 D_i。
71010编辑于 2022-09-19 腾讯地图AI零售选址与商家运营解决方案概要
一、产品定位与核心亮点 AI-Powered Retail Site Selection 技术定义：基于腾讯LBS大数据的智能选址工具，通过自然语言描述（如“在旺角开奶茶店”）自动完成目标定位、居民区检索 三、应用框架和功能介绍 功能框架 AI零售选址：自然语言输入→目标定位→居民区检索→用户画像分析→客户-商户匹配→交互式报告输出。 产品优势 AI零售选址 自然语言分析：用户无需手动选择坐标或填写参数，自然语言触发全流程分析（来源：原文“Conversation as Analysis”）。 四、典型案例 原文未提供具体客户名称及案例细节，仅概括性描述应用场景： AI零售选址：专注于零售连锁店选址（来源：原文“Key Focus: Site selection for retail chain 总结 腾讯地图通过AI零售选址工具与StoreMate商家平台，为企业和商户提供数据驱动的选址决策与运营优化解决方案，核心价值在于 leveraging腾讯生态系统大数据与流量，提升选址效率、曝光量及转化能力
21010编辑于 2026-05-21- 来自专栏趣谈前端
前端进阶第8-9周打卡题目汇总
前端基础打卡已经基本结束了,内容从css基础,动画,js基本算法,作用域,闭包,节流防抖这些基本的web知识大家有没有都掌握了呢?年后会出一个进阶路线规划图,希望笔者可以带着大家,一起进步,一起成长.
86740发布于 2020-02-12 - 来自专栏数据分析之旅
店铺选址的6C评估模型
相比自己构建的店铺选址模型，发现存在更科学的5C评估模型，主要从城市市场评估（city）、核心区域分析（Core Distinct）、竞争分析（Competition）、交通便利性（Convenience ）、成本/收入分析（Cost/Revenue）五个维度更加系统、科学评估选址。 但最终还是可以落实到零售最基本的要素：人、场、人在场的行为数据 基于工作中KA客户的选址分析及选址分析的数据产品，觉得应该再加入一个"C"：Correlation（协同品牌：与待选品牌/店铺相关性高的异业品牌
2.4K52发布于 2020-08-11 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：高级难度（8-9）
2025年的高级难度（难度系数8-9）题目综合考察了选手的算法设计、数学建模、问题分析和代码实现能力。本文将深入解析2025年高级难度的IO竞赛题目，帮助选手们突破极限，冲击更高的竞赛成绩。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-9) → 专家(10) 难度系数 考察重点 核心知识点 学习目标 8-9 算法设计、数学建模、问题分析 高级图论、高级动态规划 （8题） ├── 第四章：高级难度题目解题策略 └── 第五章：顶尖选手的训练方法 第一章：2025年IO竞赛高级难度题目概述 根据2025年NOI修订版大纲，高级难度（NOI级别）的知识点难度系数为8- 容斥原理的公式为：|A1∪A2∪…∪An| = Σ|Ai| - Σ|Ai∩Aj| + Σ|Ai∩Aj∩Ak| - … + (-1)^(n+1)|A1∩A2∩…∩An|。
30210编辑于 2025-11-13 - 来自专栏ml
2015编程之美（资格赛）--基站选址
题目3 : 基站选址 时间限制:2000ms 单点时限:1000ms 内存限制:256MB 描述 需要在一个N × M的网格中建立一个通讯基站，通讯基站仅必须建立在格点上。
86950发布于 2018-03-26 - 来自专栏csdn文章同步
Capacitated Facility Location Problem容量有限设施选址问题
对于设施选址问题，将用户的分配情况列为一个数组，作为解空间，则要在这个解空间内进行搜索。
1.2K20编辑于 2022-06-23 - 来自专栏Python3爬虫100例教程
华为OD机试 新学校选址
新学校选址 ❓ 题目 为了解新学期学生暴涨的问题,小乐村要建立所新学校 考虑到学生上学安全问题,需要所有学生家到学校的距离最短.
60130编辑于 2023-03-11 腾讯云位置大数据门店选址产品技术概要
一、产品定位与核心亮点 腾讯云位置大数据门店选址产品是一款基于AI技术的智能商业选址解决方案。 商业差异化卖点：将传统依赖经验判断的门店选址过程转化为数据驱动的科学决策流程，显著提升选址效率和准确性。 可视化分析平台：地理信息与商业数据结合的可视化展示 核心优势能力 AI驱动决策：通过告诉系统“哪些店开得好”，AI自动学习成功店铺的特征秘诀 多维度评估：综合客群特征、消费能力、竞争环境等深层因素分析 科学选址：从“经验判断”转向“数据驱动”的决策模式 效率提升：实现“更细、更准、更快”的选址决策 技术基础 数据来源：腾讯地图位置大数据 AI模型：基于腾讯云AI能力和DeepSeek双模型 分析维度 ：客群特征、消费能力、竞争环境等多层强化评价体系 四、产品价值体现 核心价值主张 门店选址从“冒险”走向“科学”，实现三大升级： 更细：分析粒度更加精细化 更准：选址准确度显著提升 更快：决策效率大幅提高
15010编辑于 2026-05-29腾讯地图位置大数据门店选址产品概要
一、产品定位与核心亮点 腾讯地图位置大数据门店选址（文中亦称“以店店店”产品）是腾讯云与腾讯地图联合推出的AI驱动的数据化选址解决方案。 其商业差异化卖点在于： 从“探险”到“算数”：彻底改变传统选址模式，实现更细、更准、更快的决策。 AI经验复制：支持用户标记优质门店（“告诉系统‘我的哪些店开得好’”），利用AI版掌握好店成功秘诀，为规划中的门店建设提供类似优质店点的建设方案。 场景：在规划新店布局时，利用AI模型分析目标区域，确保新店布局更好，实现更智能地开店。 2. 产品优势 决策效率提升：通过数据化手段提升店选址效率和准确度，让开店决策更便捷。
13400编辑于 2026-05-29- 来自专栏开心鸭数据分析
CSP201912-2-回收站选址题目解析-Java ,
1.会想要开一个很大的二维数组，比如a[1000000000][1000000000],比如1.0 就用a[1][0]=1，这样赋值的时候内存就会爆掉，所以不可行。需要换一种表示方式a[n][2]，表示1.0就用a[n][0]=1 和a[n][1]=0;
51641发布于 2020-10-26 - 来自专栏NLP小白的学习历程
201912-2 试题名称： 回收站选址CSP
试题编号： 201912-2 试题名称： 回收站选址 时间限制： 1.0s 内存限制： 512.0MB ? ? ? ? ? ? ? ?
61820发布于 2020-11-13 - 来自专栏Piper蛋窝
【LP | TSP | 选址】文献阅读汇报：Routing for an on-demand logistics service
我见到这篇文章后根本无心点开其他文章：LP、选址，太对我的口味了。其实之前泛读过一些这类文章，这次我应该趁机选个偏实证或者综述的文章，跳出舒适区的。 ?
80510发布于 2020-11-19 【腾讯位置服务开发者征文大赛】时空数据智能洞察：基于MCP协议与腾讯位置服务的商业选址AI决策系统实战
、技术亮点与创新点6.1时空数据融合创新6.2MCP协议的行业适配6.3可解释AI七、总结与展望每日一句正能量趁年轻，余额不足可以挣电量不足可以充，时间匆匆不再回来，趁年轻就去多付出，不攀比，不抱怨，不计较 引言：数据驱动的选址革命在商业竞争日益激烈的今天，"位置"仍是决定商业成败的核心要素——但传统的选址方式正面临巨大挑战。 一、核心挑战：传统选址的四大痛点在深入技术实现前，先理解我们要解决的核心问题：痛点传统方式AI+地图解决方案数据维度单一仅看租金、可视性融合人流热力、竞品分布、交通、消费能力、天气关联时空粒度粗糙月度客流统计小时级人流预测 系统分析流程：区域扫描：锁定朝阳区国贸、望京、三里屯，海淀区中关村，西城区金融街五个商圈热力分析：国贸：工作日早8-9点、午12-13点出现明显双峰，符合白领特征望京：晚间热力持续，周末不降反升，偏社区属性中关村 当AI不仅能"看地图"，还能"读懂地图背后的商业逻辑"，每一个开店决策都将更加科学、高效、可控。
32010编辑于 2026-04-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号