网点确定方法、装置、服务器、存储介质和程序产品

技术领域

本申请涉及人工智能技术领域，特别是涉及一种网点确定方法、装置、服务器、存储介质和程序产品。

背景技术

随着用户生活水平的提高，越来越多的用户需要去银行办理一些业务，或者通过网上银行办理一些业务，但是部分业务必须去银行现场办理。

考虑到银行网点的设置是非常重要的，相关技术中，通过区域的人流量等因素来确定银行网点的数量。但相关技术中的确定方式不够准确。

发明内容

基于此，有必要针对上述技术问题，提供一种网点确定方法、装置、服务器、存储介质和程序产品。

第一方面，本申请提供了一种网点确定方法，方法包括：

根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域；

根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇；

根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量；其中，核心子区域的聚类半径内的候选子区域的数目大于或等于预设最小聚类数目。

在一个实施例中，根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量，包括：

对于每个候选子区域簇，根据候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数，确定候选子区域簇对应的银行网点的第一数量。

在一个实施例中，根据候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数，确定候选子区域簇对应的银行网点的第一数量，包括：

将候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数输入预设神经网络模型，得到候选子区域簇对应的银行网点的第一数量。

在一个实施例中，根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇，包括：

根据多个候选子区域的位置，确定至少一个聚类半径；

根据至少一个聚类半径和预设最小聚类数目对各候选子区域进行聚类，得到至少一个候选子区域簇。

在一个实施例中，根据至少一个聚类半径和预设最小聚类数目对各候选子区域进行聚类，得到至少一个候选子区域簇，包括：

按照由小到大的顺序依次从至少一个聚类半径中确定目标聚类半径；

依次根据目标聚类半径和预设最小聚类数目，对各候选子区域中未被聚类的子区域进行聚类，得到至少一个候选子区域簇。

在一个实施例中，根据多个候选子区域的位置，确定至少一个聚类半径，包括：

根据多个候选子区域的位置，确定多个候选子区域中的目标候选子区域的k近邻子区域的最大距离曲线；

根据最大距离曲线的拐点，确定至少一个聚类半径。

在一个实施例中，方法还包括：

对于每个候选子区域簇，根据候选子区域簇对应的银行网点的第一数量以及候选子区域簇对应的已有银行网点的第二数量，确定候选子区域簇对应的新增银行网点的第三数量。

在一个实施例中，方法还包括：

根据候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，确定新增银行网点的位置。

在一个实施例中，根据候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，确定新增银行网点的位置，包括：

对每个核心子区域对应的用户登录网上银行的次数按照降序排列；

将位于前N个的核心子区域的位置，作为新增银行网点的位置；N为第三数量。

第二方面，本申请还提供了一种网点确定装置，装置包括：

第一确定模块，用于根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域；

聚类模块，用于根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇；

第二确定模块，用于根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量；其中，核心子区域的聚类半径内的候选子区域的数目大于或等于预设最小聚类数目。

第三方面，本申请还提供了一种服务器，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面的方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的方法的步骤。

第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面的方法的步骤。

上述网点确定方法、装置、服务器、存储介质和程序产品，通过根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域，并根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇；进一步地，根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量。可见，相对于相关技术中根据区域人流量等因素来确定银行网点的方式，本申请实施例中，通过基于目标区域中各子区域中用户登录网上银行的次数确定的多个候选子区域进行聚类，并根据聚类后的各候选子区域簇中的核心子区域，确定各候选子区域簇对应的银行网点的第一数量的方式，综合考虑了用户登录网上银行的次数因素和对应的候选子区域的密集因素，有利于提高确定的银行网点的准确性。

附图说明

图1为本申请实施例提供的应用环境示意图；

图2为本申请一个实施例中网点确定方法的流程示意图；

图3为本申请另一个实施例中网点确定方法的流程示意图；

图4为本申请实施例提供的目标候选子区域的k-dist图的示意图；

图5为本申请实施例提供的多个候选子区域簇的示意图；

图6为本申请另一个实施例中网点确定方法的流程示意图；

图7为本申请另一个实施例中网点确定方法的流程示意图；

图8为本申请一个实施例中网点确定装置的结构示意图；

图9为本申请一个实施例中服务器的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本申请的实施例的描述中，术语“第一”以及“第二”仅仅用于描述的目的，而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”以及“第二”的特征可以明示或者隐含地包括一个或者多个特征。

本申请实施例提供的网点确定方法、装置、服务器、存储介质和程序产品，可以应用于确定银行网点的应用场景，当然还可以应用于确定其它类型网点的应用场景。

为了解决相关技术中网点确定方式不够准确的问题，本申请实施例中提出通过基于目标区域中各子区域中用户登录网上银行的次数确定的多个候选子区域进行聚类，并根据聚类后的各候选子区域簇中的核心子区域，确定各候选子区域簇对应的银行网点的第一数量的方式，综合考虑了用户登录网上银行的次数因素和对应的候选子区域的密集因素，有利于提高确定的银行网点的准确性。

图1为本申请实施例提供的应用环境示意图，如图1所示，第一用户终端101、服务器102和第二用户终端103。示例性地，第一用户终端101可以为普通用户的终端，普通用户通过第一用户终端101可以访问服务器102提供的网上银行页面等；第二用户终端103可以为工作人员的终端，工作人员通过第二用户终端103可以访问服务器102提供的网点确定页面等。

需要说明的是，本申请实施例中的任意用户终端为统称，其可以是一个用户终端或者多个用户终端。

示例性地，本申请实施例中的任意用户终端可以但不限于是各种个人计算机、笔记本电脑、智能手机或者平板电脑。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，图2为本申请一个实施例中网点确定方法的流程示意图，本申请实施例中以该方法应用于图1中的服务器为例进行说明。如图2所示，本申请实施例的方法可以包括以下步骤：

步骤S201、根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域。

本申请实施例中的目标区域可以是指需要进行银行网点确定的区域。示例性地，目标区域中可以包括：按照预设划分方式所划分的多个子区域，其中，预设划分方式可以包括但不限于：按道路划分方式或者按预设区域范围划分方式。

示例性地，服务器可以在接收到第二用户终端发送的网点确定请求的情况下，执行网点确定流程，其中，网点确定请求中可以包括但不限于目标区域。

又一示例性地，服务器可以在检测到满足预设网点确定条件的情况下，执行网点确定流程，其中，预设网点确定条件可以包括但不限于：任意区域中的用户登录网上银行的总次数超过预设次数阈值，或者距离上次网点确定的时间间隔超过预设间隔阈值。

当然，服务器还可以在其它触发条件下执行网点确定流程。

本步骤中，服务器可以获取目标区域中的各子区域中用户登录网上银行的次数，并根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域。应理解，任意子区域的用户登录网上银行的次数越多，可以表示该子区域的网上银行业务越多，该子区域的用户对银行网点的设置需求越大。本申请实施例中涉及的任意候选子区域的用户对银行网点的设置需求比较大。

示例性地，服务器可以将目标区域中的各子区域中用户登录网上银行的次数大于第一预设次数的各子区域确定为候选子区域。

又一示例性地，对于目标区域中的任意子区域，若与该子区域相邻的M个子区域中用户登录网上银行的次数均大于第二预设次数，则将该子区域和相邻的M个子区域确定为候选子区域，其中，M为大于0的整数，第二预设次数小于第一预设次数。

当然，服务器根据目标区域中各子区域中用户登录网上银行的次数，还可以通过其它方式从各子区域中确定多个候选子区域。

步骤S202、根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇。

本步骤中，服务器根据上述步骤S201中确定的多个候选子区域的位置可以对各候选子区域进行聚类，得到至少一个候选子区域簇，其中，任意候选子区域簇中可以包括多个位置上比较密集的候选子区域，多个候选子区域的位置可以满足密度可达、密度直达和/或密度相连。

可见，本申请实施例中，服务器通过根据多个候选子区域的位置对各候选子区域进行聚类的方式，可以将目标区域中的各候选子区域划分1个或多个候选子区域簇，以便于后续分别确定每个候选子区域簇对应的银行网点的数量。

步骤S203、根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量。

本申请实施例中涉及的核心子区域的聚类半径内的候选子区域的数目大于或等于预设最小聚类数目。示例性地，若任意候选子区域簇中的任意子区域的聚类半径内的候选子区域的数目大于或等于预设最小聚类数目，则该子区域属于该候选子区域簇中的一个核心子区域，其中，任意子区域的聚类半径内的候选子区域的数目可以是指以该子区域为中心的聚类半径内的候选子区域的数目。

本步骤中，对于每个候选子区域簇，服务器可以根据该候选子区域簇中的核心子区域的相关信息，确定该候选子区域簇对应的银行网点的第一数量，其中，该候选子区域簇对应的银行网点的第一数量可以是指该候选子区域簇需要设置的银行网点的数量。

示例性地，该候选子区域簇中的核心子区域的相关信息可以包括但不限于：该候选子区域簇中的所有核心子区域的数目，和/或，所有核心子区域对应的用户登录网上银行的次数。

又一示例性地，该候选子区域簇中的核心子区域的相关信息可以包括但不限于：该候选子区域簇中的所有核心子区域的位置，和/或，所有核心子区域对应的用户登录网上银行的次数。

综上，本申请实施例中，通过根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域，并根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇；进一步地，根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量。可见，相对于相关技术中根据区域人流量等因素来确定银行网点的方式，本申请实施例中，通过基于目标区域中各子区域中用户登录网上银行的次数确定的多个候选子区域进行聚类，并根据聚类后的各候选子区域簇中的核心子区域，确定各候选子区域簇对应的银行网点的第一数量的方式，综合考虑了用户登录网上银行的次数因素和对应的候选子区域的密集因素，有利于提高确定的银行网点的准确性。

在一个实施例中，在上述实施例的基础上，本申请实施例对上述步骤S203中“根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量”的相关内容进行介绍。

示例性地，对于每个候选子区域簇，服务器可以根据该候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数，确定该候选子区域簇对应的银行网点的第一数量。

一种可能的实现方式中，对于每个候选子区域簇，服务器可以将该候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数输入预设神经网络模型，得到该候选子区域簇对应的银行网点的第一数量。

示例性地，本申请实施例中涉及的预设神经网络模型可以包括但不限于预先训练好的遗传算法(Genetic Algorithm，GA)-BP(Back Propagation)神经网络模型。应理解，预设神经网络模型可以为服务器采用大量训练样本对初始BP神经网络模型进行训练后，并采用大量测试样本对训练得到的GA-BP神经网络模型的预测准确率进行测试后得到的模型，或者可以为服务器接收其它设备预先训练好的模型。

本申请实施例中涉及的任意训练样本和/或任意测试样本可以包括但不限于：任意历史候选子区域簇中的所有核心子区域的数目、所有核心子区域对应的用户登录网上银行的次数，以及对应的该历史候选子区域簇需要设置的银行网点的数量。

示例性地，采用大量训练样本对初始BP神经网络模型进行训练过程中，通过基于遗传算法对BP神经网络的参数(例如权值参数和/或阈值参数等)进行优化的方式，构建GA-BP神经网络模型。例如，通过遗传算法输出的最优个体作为BP神经网络的初始权值和阈值进行BP神经网络训练和学习，BP神经网络模型在训练过程中通过机器学习方法不断进行自优化，可以提高模型的有效性。

应理解，根据神经网络模型的输入输出个数可以确定BP神经网络结构，进而可以确定遗传算法中需要优化的参数个数。例如，根据强大数(kolmogorov)原理可知一个三层BP神经网络足以完成任意的n维到m维的映射，一般只需要采用一个隐层即可，隐层节点个数可以采用试凑法或者其它方式确定，从而便可以确定BP神经网络结构。其中，n可以代表输入参数的类型数量，m为根据n确定的。例如，由于本申请的输入参数的类型包括：所有核心子区域的数目类型和所有核心子区域对应的用户登录网上银行的次数类型，因此，本申请实施例中的n可以为2，m＝2*n-1。

本实现方式中，对于每个候选子区域簇，服务器可以将该候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数作为输入参数输入到预设神经网络模型，经过预设神经网络模型的运行便可以输出该候选子区域簇对应的银行网点的第一数量。

需要说明的是，服务器可以分批次依次将每个候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数作为输入参数输入到预设神经网络模型进行计算，或者可以同时将每个候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数作为输入参数矩阵输入到预设神经网络模型进行计算。

例如，假设候选子区域簇1中的所有核心子区域的数目为数目1以及所有核心子区域对应的用户登录网上银行的次数为次数1，以及候选子区域簇2中的所有核心子区域的数目为数目2以及所有核心子区域对应的用户登录网上银行的次数为次数2，则服务器同时将每个候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数作为输入参数矩阵

另一种可能的实现方式中，对于每个候选子区域簇，服务器可以根据预设分析算法对该候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数进行数据处理，得到该候选子区域簇对应的银行网点的第一数量。

当然，服务器根据该候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数，还可以通过其它方式确定该候选子区域簇对应的银行网点的第一数量。

本申请实施例中，根据候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数，确定候选子区域簇对应的银行网点的第一数量，可见，通过基于候选子区域簇中候选子区域密集程度较高的核心子区域的数目以及对应的用户登录网上银行的次数确定候选子区域簇对应的银行网点数量的方式，有利于进一步地提供确定的银行网点数量的准确性。

在一个实施例中，图3为本申请另一个实施例中网点确定方法的流程示意图，在上述实施例的基础上，本申请实施例中对上述步骤S202中“根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇”的相关内容进行说明。如图3所示，本申请实施例的方法可以包括以下步骤：

步骤S301、根据多个候选子区域的位置，确定至少一个聚类半径。

本步骤中，服务器可以根据目标区域中的多个候选子区域的位置，确定至少一个聚类半径，以便于根据至少一个聚类半径对多个候选子区域进行聚类。

一种可能的实现方式中，服务器可以根据多个候选子区域的位置，确定多个候选子区域中的目标候选子区域的k近邻子区域的最大距离曲线，并根据最大距离曲线的拐点，确定至少一个聚类半径。

本实现方式中，服务器可以从多个候选子区域中随机选出一个候选子区域作为目标候选子区域，或者可以将多个候选子区域中对应的用户登录网上银行的次数最多的候选子区域作为目标候选子区域，或者可以将多个候选子区域中必须设立银行网点的子区域作为目标候选子区域。

进一步地，服务器可以根据多个候选子区域的位置分别计算目标候选子区域与其它候选子区域之间的距离，并根据目标候选子区域与其它候选子区域之间的距离构建目标候选子区域的k近邻子区域的最大距离曲线k-dist，其中，最大距离曲线k-dist通常会包括至少一个拐点，拐点是指急剧发生变化的位置。

例如，假设目标区域中包含p个候选子区域，服务器可以分别计算任意一个候选子区域(即目标候选子区域)与其它候选子区域之间的距离，得到距离矩阵1*(p-1)，并根据距离矩阵1*(p-1)可以构建如图4所示的目标候选子区域的k-dist图。其中，p为大于1的整数；k-dist图的横坐标表示候选子区域的数量，k-dist图的纵坐标表示具有k个邻居点的任意聚类对象的最小区域半径。

进一步地，服务器可以将最大距离曲线中的每个拐点对应的纵坐标分别作为聚类半径，以便于对目标区域中的各候选子区域进行区域化。如图4所示，服务器可以将图4中的拐点a对应的纵坐标1、拐点b对应的纵坐标2、拐点c对应的纵坐标3以及拐点d对应的纵坐标4均作为聚类半径。

当然，服务器根据多个候选子区域的位置，还可以通过其它方式确定至少一个聚类半径。

步骤S302、根据至少一个聚类半径和预设最小聚类数目对各候选子区域进行聚类，得到至少一个候选子区域簇。

本步骤中，服务器根据上述步骤S301中确定的至少一个聚类半径和预设最小聚类数目可以采用聚类算法(Density-Based Spatial Clustering of Applications withNoise，DBSCAN)对各候选子区域进行聚类，得到至少一个候选子区域簇，以便于后续分别确定每个候选子区域簇对应的银行网点的数量。

一种可能的实现方式中，服务器可以按照由小到大的顺序依次从至少一个聚类半径中确定目标聚类半径，并依次根据目标聚类半径和预设最小聚类数目，对各候选子区域中未被聚类的子区域进行聚类，得到至少一个候选子区域簇。

本实现方式中，服务器可以按照由小到大的顺序依次从至少一个聚类半径中选择聚类半径作为目标聚类半径。例如，假设聚类半径包括：聚类半径eps1、聚类半径eps2和聚类eps3，其中，聚类半径eps1小于聚类半径eps2，聚类半径eps2小于聚类半径eps3，则服务器可以按照由小到大的顺序依次分别将聚类半径eps1、聚类半径eps2和聚类eps3作为目标聚类半径。

进一步地，服务器可以依次根据目标聚类半径和预设最小聚类数目，对各候选子区域中未被聚类的子区域进行聚类，直至遍历所有聚类半径为止，得到至少一个候选子区域簇。

例如，图5为本申请实施例提供的多个候选子区域簇的示意图，如图5所示，服务器将聚类半径eps1作为目标聚类半径，并根据聚类半径eps1和预设最小聚类数目MinPts对各候选子区域进行聚类，寻找密度可达、密度直达和/或密度相连的候选子区域，以得到第一候选子区域簇C1。应理解，服务器在每次聚类过程中可以对已聚类的各子区域进行标记，以使已标记的各子区域不再参与后续的聚类。

进一步地，服务器可以将聚类半径eps2作为目标聚类半径，并根据聚类半径eps2和预设最小聚类数目MinPts对各候选子区域中未被聚类的子区域进行聚类，得到第二候选子区域簇C2。

进一步地，服务器可以将聚类半径eps3作为目标聚类半径，并根据聚类半径eps3和预设最小聚类数目MinPts对各候选子区域中未被聚类的子区域进行聚类，得到第三候选子区域簇C3。其中，由于聚类半径eps3大于聚类半径eps2，聚类半径eps2大于聚类半径eps1，因此，第三候选子区域簇C3的层级高于第二候选子区域簇C2的层级，第二候选子区域簇C2的层级高于第一候选子区域簇C1的层级。

应理解，若在遍历所有聚类半径之后，仍然存在未被标记的子区域，则忽略这些子区域。

当然，服务器根据至少一个聚类半径和预设最小聚类数目，还可以通过其它方式对各候选子区域进行聚类得到至少一个候选子区域簇。

本申请实施例中，通过根据多个候选子区域的位置，确定至少一个聚类半径，并根据至少一个聚类半径和预设最小聚类数目对各候选子区域进行聚类的方式，可以将目标区域中的各候选子区域进行区域化，以便于可以准确地确定每个候选子区域簇对应的银行网点的数量。

在一个实施例中，图6为本申请另一个实施例中网点确定方法的流程示意图，在上述实施例的基础上，考虑到部分候选子区域簇中可能已经设置有一些银行网点了，本申请实施例中对新增银行网点的数量和/或位置的确定方式进行说明。如图6所示，本申请实施例的方法还可以包括以下步骤：

步骤S204、对于每个候选子区域簇，根据候选子区域簇对应的银行网点的第一数量以及候选子区域簇对应的已有银行网点的第二数量，确定候选子区域簇对应的新增银行网点的第三数量。

本步骤中，对于每个候选子区域簇，服务器可以根据该候选子区域簇对应的银行网点的第一数量以及该候选子区域簇对应的已有银行网点的第二数量，确定该候选子区域簇对应的新增银行网点的第三数量。

示例性地，服务器可以将该候选子区域簇对应的银行网点的第一数量与该候选子区域簇对应的已有银行网点的第二数量之间的差值，作为该候选子区域簇对应的新增银行网点的第三数量。

当然，服务器根据该候选子区域簇对应的银行网点的第一数量以及该候选子区域簇对应的已有银行网点的第二数量，还可以通过其它方式确定该候选子区域簇对应的新增银行网点的第三数量。

步骤S205、根据候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，确定新增银行网点的位置。

本步骤中，服务器可以根据该候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，确定该候选子区域簇中的新增银行网点的位置。

一种可能的实现方式中，服务器可以对该候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数按照降序排列，并将位于前N个的核心子区域的位置，作为新增银行网点的位置；N为第三数量。

例如，假设任意候选子区域簇中的核心子区域1对应的用户登录网上银行的次数大于核心子区域2对应的用户登录网上银行的次数，核心子区域2对应的用户登录网上银行的次数大于核心子区域3对应的用户登录网上银行的次数，N为2，则服务器可以将核心子区域1对应的用户登录网上银行的次数、核心子区域2对应的用户登录网上银行的次数和核心子区域3对应的用户登录网上银行的次数按照降序排列，并将位于前2个的核心子区域1的位置和核心子区域2的位置作为新增银行网点的位置。

需要说明的是，若根据排列顺序确定的任意新增银行网点的位置已设置有银行网点，服务器可以将位于前N+1个核心子区域中当前未设置有银行网点的位置，作为新增银行网点的位置。

考虑到用户登录网上银行的次数越多，表示网上银行业务越多，用户对银行网点的设置需求越大，可见，本实现方式中，对于任意候选子区域簇，服务器通过将该候选子区域簇中的用户登录网上银行的次数最多的前N个核心子区域的位置确定为新增银行网点的位置，以便于新增银行网点的位置可以满足用户对银行网点的设置需求，有利于使得新增网点可以得到最大化的利用。

当然，服务器根据该候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，还可以通过其它方式确定该候选子区域簇中的新增银行网点的位置。

本申请实施例中，对于每个候选子区域簇，通过根据候选子区域簇对应的银行网点的第一数量以及候选子区域簇对应的已有银行网点的第二数量，确定候选子区域簇对应的新增银行网点的第三数量，并根据候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，有利于准确地确定新增银行网点的位置，以使新增银行网点的位置可以满足用户对银行网点的设置需求，从而使得新增网点可以得到最大化的利用。

在一个实施例中，图7为本申请另一个实施例中网点确定方法的流程示意图，在上述实施例的基础上，本申请实施例中对网点确定方法的整体流程进行说明。如图7所示，本申请实施例的方法还可以包括以下步骤：

步骤S701、服务器根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域。

步骤S702、服务器根据多个候选子区域的位置，确定至少一个聚类半径。

步骤S703、服务器按照由小到大的顺序依次从至少一个聚类半径中确定目标聚类半径。

步骤S704、服务器依次根据目标聚类半径和预设最小聚类数目，对各候选子区域中未被聚类的子区域进行聚类，得到至少一个候选子区域簇。

步骤S705、对于每个候选子区域簇，服务器将候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数输入预设神经网络模型，得到候选子区域簇对应的银行网点的第一数量。

步骤S706、对于每个候选子区域簇，服务器根据候选子区域簇对应的银行网点的第一数量以及候选子区域簇对应的已有银行网点的第二数量，确定候选子区域簇对应的新增银行网点的第三数量。

步骤S707、对于每个候选子区域簇，服务器根据候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，确定新增银行网点的位置。

需要说明的是，本申请实施例中的各步骤的实现方式可以参考上述实施例中的相关内容，此处不再赘述。

综上，本申请实施例中，通过根据多个候选子区域的位置，确定至少一个聚类半径，并根据至少一个聚类半径和预设最小聚类数目对各候选子区域进行聚类的方式，可以将目标区域中的各候选子区域进行区域化；进一步地，通过基于候选子区域簇中候选子区域密集程度较高的核心子区域的数目以及对应的用户登录网上银行的次数确定候选子区域簇对应的银行网点数量的方式，以便于可以准确地确定每个候选子区域簇对应的银行网点的数量。进一步地，通过结合候选子区域簇中已有银行网点的数量和候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，有利于准确地确定新增银行网点的位置，以使新增银行网点的位置可以满足用户对银行网点的设置需求，从而使得新增网点可以得到最大化的利用。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的网点确定方法的网点确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个网点确定装置实施例中的具体限定可以参见上文中对于网点确定方法的限定，在此不再赘述。

在一个实施例中，图8为本申请一个实施例中网点确定装置的结构示意图，本申请实施例提供的网点确定装置可以应用于服务器中。如图8所示，本申请实施例的网点确定装置，可以包括：第一确定模块801、聚类模块802和第二确定模块803。

其中，第一确定模块801，用于根据目标区域中各子区域中用户登录网上银行的次数，从各子区域中确定多个候选子区域；

聚类模块802，用于根据多个候选子区域的位置对各候选子区域进行聚类，得到至少一个候选子区域簇；

第二确定模块803，用于根据至少一个候选子区域簇中的核心子区域，确定每个候选子区域簇对应的银行网点的第一数量；其中，核心子区域的聚类半径内的候选子区域的数目大于或等于预设最小聚类数目。

在一个实施例中，第二确定模块803具体用于：

对于每个候选子区域簇，根据候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数，确定候选子区域簇对应的银行网点的第一数量。

在一个实施例中，第二确定模块803具体用于：

将候选子区域簇中的所有核心子区域的数目以及所有核心子区域对应的用户登录网上银行的次数输入预设神经网络模型，得到候选子区域簇对应的银行网点的第一数量。

在一个实施例中，聚类模块802包括：

确定单元，用于根据多个候选子区域的位置，确定至少一个聚类半径；

聚类单元，用于根据至少一个聚类半径和预设最小聚类数目对各候选子区域进行聚类，得到至少一个候选子区域簇。

在一个实施例中，聚类单元具体用于：

按照由小到大的顺序依次从至少一个聚类半径中确定目标聚类半径；

依次根据目标聚类半径和预设最小聚类数目，对各候选子区域中未被聚类的子区域进行聚类，得到至少一个候选子区域簇。

在一个实施例中，确定单元具体用于：

根据多个候选子区域的位置，确定多个候选子区域中的目标候选子区域的k近邻子区域的最大距离曲线；

根据最大距离曲线的拐点，确定至少一个聚类半径。

在一个实施例中，网点确定装置还包括：

第三确定模块，用于对于每个候选子区域簇，根据候选子区域簇对应的银行网点的第一数量以及候选子区域簇对应的已有银行网点的第二数量，确定候选子区域簇对应的新增银行网点的第三数量。

在一个实施例中，网点确定装置还包括：

第四确定模块，用于根据候选子区域簇中的每个核心子区域对应的用户登录网上银行的次数，以及新增银行网点的第三数量，确定新增银行网点的位置。

在一个实施例中，第四确定模块具体用于：

对每个核心子区域对应的用户登录网上银行的次数按照降序排列；

将位于前N个的核心子区域的位置，作为新增银行网点的位置；N为第三数量。

本申请实施例提供的网点确定装置可以用于执行本申请上述网点确定方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

上述网点确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于服务器中的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，图9为本申请一个实施例中服务器的结构示意图，如图9所示，本申请实施例提供的服务器可以包括通过系统总线连接的处理器、存储器和通信接口。其中，服务器的处理器用于提供计算和控制能力。服务器的存储器包括非易失性存储介质和内存储器。非易失性存储介质存储有操作系统和计算机程序。内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。服务器的通信接口用于与外部的设备进行有线或无线方式的通信。计算机程序被处理器执行时以实现本申请上述网点确定方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种服务器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现本申请上述网点确定方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请上述网点确定方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请上述网点确定方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(FerroelectricRandom Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandom Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。