基于粒子群的自动柜员机选址方法和装置

技术领域

本申请涉及大数据技术领域，特别是涉及一种基于粒子群的自动柜员机选址方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着时代进步，机器无处不在，使用机器代替人工作业早已成为趋势。银行最典型的自助式机器就是ATM机(Automatic Teller Machine)。ATM机又称为自动柜员机，是一种高度精密的机电一体智能装备，利用磁卡实现常用交易服务，能够替代大量简单但繁重的人工劳动。与建立营业网点相比，建立自动柜员机的成本很低、管理方便、效率高。因此，自动柜员机的选址对于银行等金融机构就显得尤为重要。

传统的自动柜员机选址方法，主要是依据相关工作人员的工作经验决定自动柜员机的选址和数量，使得自动柜员机的设置具有较强的主观意愿，缺乏科学性，工作人员的自动柜员机选址经验不足时，容易导致自动柜员机选址的精准性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高自动柜员机的选址的精准性的基于粒子群的自动柜员机选址方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种基于粒子群的自动柜员机选址方法。所述方法包括：

获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址；

根据所述候选地址与所述各用户终端的终端地址之间的距离，确定所述用户终端的个体评价信息；

根据所述个体评价信息的最小值，确定所述用户终端集合的群体评价信息；

通过所述个体评价信息和所述群体评价信息，对所述各用户终端的终端地址进行粒子群处理，得到所述用户终端集合的目标终端地址；

根据所述目标终端地址，从所述候选地址中筛选得到所述自动柜员机的目标选址。

在其中一个实施例中，所述根据所述候选地址与所述各用户终端的终端地址之间的距离，确定所述用户终端的个体评价信息，包括：

分别确定所述候选地址与所述各用户终端的终端地址之间的地址距离差值；

通过对所述地址距离差值进行求和处理，得到所述用户终端的个体评价信息。

在其中一个实施例中，通过所述个体评价信息和所述群体评价信息，对所述各用户终端的终端地址进行粒子群处理，得到所述用户终端集合的目标终端地址，包括：

根据所述各用户终端的当前移动速度，对所述各用户终端的终端地址进行更新，得到所述各用户终端的更新后终端地址；

根据所述各用户终端的更新后终端地址，对所述个体评价信息进行更新，得到所述各用户终端的更新后个体评价信息；

根据所述各用户终端的更新后个体评价信息，对所述群体评价信息进行更新，得到所述用户终端集合的更新后群体评价信息；

根据所述更新后群体评价信息，确定所述用户终端集合的目标群体评价信息；

在检测到满足预设终止条件的情况下，将所述目标群体评价信息对应的更新后终端地址，作为所述用户终端集合的目标终端地址。

在其中一个实施例中，根据所述更新后群体评价信息，确定所述用户终端集合的目标群体评价信息，包括：

获取所述用户终端集合的历史群体评价信息；

将所述更新后群体评价信息与所述历史群体评价信息进行比较，得到所述用户终端集合的目标群体评价信息。

在其中一个实施例中，根据所述各用户终端的当前移动速度，对所述各用户终端的终端地址进行更新，得到所述各用户终端的更新后终端地址，包括：

将所述粒子群参数、所述各用户终端的终端地址和所述当前移动速度，输入到速度更新模型中，得到所述各用户终端的更新后移动速度；

将所述更新后移动速度和所述各用户终端的终端地址，输入到地址更新模型中，得到所述各用户终端的更新后终端地址。

在其中一个实施例中，根据所述目标终端地址，从所述候选地址中筛选得到所述自动柜员机的目标选址，包括：

确定出与所述目标终端地址距离最近的候选地址；

将与所述目标终端地址距离最近的候选地址，作为所述自动柜员机的目标地址。

第二方面，本申请还提供了一种基于粒子群的自动柜员机选址装置。所述装置包括：

初始终端地址获取模块，用于获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址；

个体评价信息确定模块，用于根据所述候选地址与所述各用户终端的终端地址之间的距离，确定所述用户终端的个体评价信息；

群体评价信息确定模块，用于根据所述个体评价信息的最小值，确定所述用户终端集合的群体评价信息；

目标终端地址确定模块，用于通过所述个体评价信息和所述群体评价信息，对所述各用户终端的终端地址进行粒子群处理，得到所述用户终端集合的目标终端地址；

目标选址筛选模块，用于根据所述目标终端地址，从所述候选地址中筛选得到所述自动柜员机的目标选址。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址；

根据所述候选地址与所述各用户终端的终端地址之间的距离，确定所述用户终端的个体评价信息；

根据所述个体评价信息的最小值，确定所述用户终端集合的群体评价信息；

通过所述个体评价信息和所述群体评价信息，对所述各用户终端的终端地址进行粒子群处理，得到所述用户终端集合的目标终端地址；

根据所述目标终端地址，从所述候选地址中筛选得到所述自动柜员机的目标选址。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址；

根据所述候选地址与所述各用户终端的终端地址之间的距离，确定所述用户终端的个体评价信息；

根据所述个体评价信息的最小值，确定所述用户终端集合的群体评价信息；

通过所述个体评价信息和所述群体评价信息，对所述各用户终端的终端地址进行粒子群处理，得到所述用户终端集合的目标终端地址；

根据所述目标终端地址，从所述候选地址中筛选得到所述自动柜员机的目标选址。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址；

根据所述候选地址与所述各用户终端的终端地址之间的距离，确定所述用户终端的个体评价信息；

根据所述个体评价信息的最小值，确定所述用户终端集合的群体评价信息；

通过所述个体评价信息和所述群体评价信息，对所述各用户终端的终端地址进行粒子群处理，得到所述用户终端集合的目标终端地址；

根据所述目标终端地址，从所述候选地址中筛选得到所述自动柜员机的目标选址。

上述基于粒子群的自动柜员机选址方法、装置、计算机设备、存储介质和计算机程序产品，获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址；根据候选地址与各用户终端的终端地址之间的距离，确定用户终端的个体评价信息；根据个体评价信息的最小值，确定用户终端集合的群体评价信息；通过个体评价信息和群体评价信息，对各用户终端的终端地址进行粒子群处理，得到用户终端集合的目标终端地址；根据目标终端地址，从候选地址中筛选得到自动柜员机的目标选址。相较于传统的基于人工经验进行自动柜员机选址的方法，本方法通过考虑各用户终端的终端地址移动特性的粒子群算法，从自动柜员机的候选地址中筛选出最优的目标选址，提高了自动柜员机的选址精准性。

附图说明

图1为一个实施例中基于粒子群的自动柜员机选址方法的应用环境图；

图2为一个实施例中基于粒子群的自动柜员机选址方法的流程示意图；

图3为一个实施例中得到用户终端集合的目标终端地址步骤的流程示意图；

图4为一个实施例中对各用户终端的终端地址进行粒子群处理的流程示意图；

图5为另一个实施例中基于粒子群的自动柜员机选址方法的流程示意图；

图6为一个实施例中基于粒子群的自动柜员机选址装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

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。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

需要说明的是，本申请提供的基于粒子群的自动柜员机选址的方法和装置可用于金融领域在自动柜员机选址方面的应用，也可用于除金融领域之外的任意领域，例如大数据技术领域，本申请对基于粒子群的自动柜员机选址方法和装置的应用领域不做限定。

本申请实施例提供的基于粒子群的自动柜员机选址方法，可以应用于如图1所示的应用环境中。其中，用户终端101通过网络与银行终端102进行通信。数据存储系统可以存储银行终端102需要处理的数据。数据存储系统可以集成在银行终端102上，也可以放在云上或其他网络银行终端上。银行终端102获取自动柜员机的候选地址和用户终端集合中各用户终端101的终端地址；根据候选地址与各用户终端101的终端地址之间的距离，确定用户终端101的个体评价信息；根据个体评价信息的最小值，确定用户终端集合的群体评价信息；通过个体评价信息和群体评价信息，对各用户终端101的终端地址进行粒子群处理，得到用户终端集合的目标终端地址；根据目标终端地址，从候选地址中筛选得到自动柜员机的目标选址。其中，用户终端101、银行终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。

在一个实施例中，如图2所示，提供了一种基于粒子群的自动柜员机选址方法，以该方法应用于图1中的银行终端102为例进行说明，包括以下步骤：

步骤S201，获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址。

其中，候选地址是指预先筛选的某一区域内符合自动柜员机的基本要求(如环境要求、构建要求)的选址点。终端地址是指持有用户终端的用户的所处的地理位置；例如，可以通过经纬度表征终端地址，还可以通过x-y坐标轴表征终端地址。

具体地，银行终端预先确定自动柜员机的选址区域；其中选址区域为二维平面区域；然后对选址区域内各选址点的环境信息、影响因素、制约条件和建造信息等约束信息进行量化，得到选址区域内各选址点的量化值；根据各选址点的量化值，从选址点中筛选出自动柜员机的候选地址。其中，影响因素可以包括在选址点构建自动柜员机所需的覆盖区域面积、选址点的人流平均密度、人群分布特点、可服务的最大人数和交通便利程度等；建造信息包括建造成本信息和建造时长等。进一步地，银行终端通过合法途径，获取位于上述选址区域内的各用户终端的终端地址。

步骤S202，根据候选地址与各用户终端的终端地址之间的距离，确定用户终端的个体评价信息。

其中，个体评价信息指的是基于单个用户终端的终端地址评价候选地址的优劣程度的信息。

具体地，银行终端依次将各个候选地址与各用户终端的终端地址之间的距离，输入至个体评价模型中，以通过个体评价模型计算得到用户终端的个体评价信息。

步骤S203，根据个体评价信息的最小值，确定用户终端集合的群体评价信息。

其中，群体评价信息指的是基于用户终端集合中所有的用户终端的终端地址评价候选地址的优劣程度的信息。可以理解的是，个体评价信息是从个体(即单个用户终端)角度进行评价，群体评价信息是从整体(即整个用户终端集合)角度进行评价。

具体地，群体评价信息可以反映出在本轮迭代中得到的最优的个体评价信息，因此银行终端可以将个体评价信息中的最小值，确定为用户终端集合的群体评价信息。

在实际应用中，群体评价信息f

f

式中，f

步骤S204，通过个体评价信息和群体评价信息，对各用户终端的终端地址进行粒子群处理，得到用户终端集合的目标终端地址。

其中，目标终端地址是指经过寻优处理后得到的最佳的终端地址。

具体地，银行终端将个体评价信息和群体评价信息，输入至改进后的粒子群算法；进而通过改进后的粒子群算法，对各用户终端的终端地址进行地址寻优处理，将经过地址寻优处理得到的终端地址确定为用户终端集合的目标终端地址。

步骤S205，根据目标终端地址，从候选地址中筛选得到自动柜员机的目标选址。

其中，目标选址是指从候选地址中筛选出的建造自动柜员机的最佳位置。

可以理解的是，上述改进后的粒子群算法会使各用户终端的终端地址在自动柜员机的选址区域内进行寻优移动，从而找到目标终端地址的最优解，但是，得到的目标终端地址可能并不是能够建造自动柜员机的地址，比如说，寻优找到的目标终端地址可能位于选址区域的马路中央，在自动柜员机选址场景中，基本是不会在马路中央中建造一个自动柜员机的，所以还需借助目标终端地址，从候选地址中筛选得到自动柜员机的目标选址。

具体地，银行终端可以根据目标终端地址与各个候选地址之间的远近程度、各个候选地址的量化值的大小关系，来筛选出综合各方面均满足预设条件的候选地址，将其设为自动柜员机的目标选址。在实际应用中，由于改进的粒子群算法计算简便，所以上述银行终端102对计算机内存和中央处理器(Central Processing Unit，CPU)要求较低，在硬件性能较低的设备上，也能精准获取自动柜员机的目标选址。

上述基于粒子群的自动柜员机选址方法中，获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址；根据候选地址与各用户终端的终端地址之间的距离，确定用户终端的个体评价信息；根据个体评价信息的最小值，确定用户终端集合的群体评价信息；通过个体评价信息和群体评价信息，对各用户终端的终端地址进行粒子群处理，得到用户终端集合的目标终端地址；根据目标终端地址，从候选地址中筛选得到自动柜员机的目标选址。相较于传统的基于人工经验进行自动柜员机选址的方法，本方法通过考虑各用户终端的终端地址移动特性的粒子群算法，从自动柜员机的候选地址中筛选出最优的目标选址，提高了自动柜员机的选址精准性。

在一个实施例中，上述步骤S202，根据候选地址与各用户终端的终端地址之间的距离，确定用户终端的个体评价信息，具体包括如下步骤：分别确定候选地址与各用户终端的终端地址之间的地址距离差值；通过对地址距离差值进行求和处理，确定得到用户终端的个体评价信息。

其中，地址距离差值用于表示两个终端地址之间相差的距离。

具体地，银行终端将候选地址和各用户终端的终端地址输入至个体评价函数中，个体评价函数先计算用户终端的终端地址分别与每个候选地址之间的地址距离差值，然后所有的地址距离差值进行绝对值求和，进而得到该用户终端的个体评价信息；同理银行终端处理得到各用户终端的个体评价信息。在实际应用中，个体评价信息f

f

式中，X

本实施例中，通过分别确定候选地址与各用户终端的终端地址之间的地址距离差值；通过对地址距离差值进行求和处理，确定得到用户终端的个体评价信息，通过考虑自动柜员机的选址特点，合理地确定出各个用户终端的个体评价信息，使得后续的粒子群优化步骤基于个体评价信息去优化调整各个用户终端的终端地址。

在一个实施例中，如图3所示，上述步骤S204，通过个体评价信息和群体评价信息，对各用户终端的终端地址进行粒子群处理，得到用户终端集合的目标终端地址，具体包括如下步骤：

步骤S301，根据各用户终端的当前移动速度，对各用户终端的终端地址进行更新，得到各用户终端的更新后终端地址。

其中，当前移动速度是指粒子群处理过程中本轮迭代时用户终端的移动速度。在首轮迭代时当前移动速度就是初始化设置的移动速度，在后续迭代中的当前移动速度就是上一轮处理得到的更新后移动速度。

具体地，银行终端预先初始化粒子群参数；其中，粒子群参数包括粒子群规模(用于表征用户终端的数量)，粒子维度(用于表示终端地址的数据维度)，粒子群处理的最大迭代次数，惯性权重(用于控制用户终端的终端地址保持上一轮更新状态的能力)，学习因子(用于控制终端地址向曾经去过的最优地址移动)，迭代步长范围(用于控制终端地址每次更新的幅度)。银行终端进行粒子群的首轮迭代时，需初始化各用户终端的当前移动速度、个体评价信息和用户终端集合的群体评价信息，并获取各用户终端初始的终端地址；若是未获取到各用户终端的终端地址，也可以通过随机初始化的方式确定各用户终端的终端地址，然后再根据各用户的终端地址与候选地址之间的距离去确定对应的个体评价信息以及群体评价信息。

图4为对各用户终端的终端地址进行粒子群处理的流程示意图，进一步地，银行终端根据粒子群群参数中的学习因子、各用户终端的终端地址和随机数，对各用户终端的当前移动速度进行更新处理，得到各用户终端的更新后移动速度；其中，首轮迭代时终端地址就是初始化设置的终端地址，或者银行终端从本地存储中获取得到的终端地址，在后续迭代中的终端地址就是上一轮处理得到的更新后终端地址。随机数用于增加粒子群寻优搜索的随机性，即增加对移动速度更新的随机性。然后银行终端根据更新后移动速度，对各用户终端的终端地址进行更新，得到各用户终端的更新后终端地址。

步骤S302，根据各用户终端的更新后终端地址，对个体评价信息进行更新，得到各用户终端的更新后个体评价信息。

具体地，银行终端将各用户终端的更新后终端地址输入上述公式(2)所示的个体评价函数中，以通过上述个体评价函数根据候选地址与各用户终端的更新后终端地址之间的距离，计算得到各用户终端的更新后个体评价信息。

步骤S303，根据各用户终端的更新后个体评价信息，对群体评价信息进行更新，得到用户终端集合的更新后群体评价信息。

具体地，银行终端将所有用户终端的更新后个体评价信息输入上述公式(1)所示的群体评价函数中，进而群体评价函数将所有用户终端的更新后个体评价信息中的最小值，输出为用户终端集合的更新后群体评价信息。

步骤S304，根据更新后群体评价信息，确定用户终端集合的目标群体评价信息。

具体地，银行终端可以从群体评价信息和历史群体评价信息中，筛选出用户终端集合的目标群体评价信息。其中，目标群体评价信息是指当前时刻已得到的所有群体评价信息中最优的群体评价信息。如图4所示，在粒子群处理完成一轮迭代后，还可以对粒子群参数进行更新，以便下一轮处理时，使用新的粒子群参数。

步骤S305，在检测到满足预设终止条件的情况下，将目标群体评价信息对应的更新后终端地址，设为用户终端集合的目标终端地址。

其中，预设终止条件可以设置为上述粒子群处理的最大迭代次数，还可以设置为目标群体评价信息小于预设的最小评价阈值。

具体地，银行终端检测到当前迭代次数满足预设的最大迭代次数或者目标群体评价信息小于预设的最小评价阈值时，银行终端可以将目标群体评价信息对应的更新后终端地址，作为用户终端集合的目标终端地址。如图4所示，当银行终端检测到当前没有满足预设终止条件时，则对各用户终端的移动速度进行更新，进而跳转到上述步骤S301，根据各用户终端的当前移动速度，对各用户终端的终端地址进行更新，得到各用户终端的更新后终端地址。

在本实施例中，首先根据各用户终端的移动速度来更新各用户终端的终端地址；进而根据更新后终端地址来更新各用户终端的个体评价信息；然后根据更新后个体评价信息来更新用户终端集合的群体评价信息；在检测到满足预设终止条件的情况下，将更新后得到的目标群体评价信息对应的更新后终端地址，设为用户终端集合的目标终端地址，通过粒子群处理寻找到了选址区域内的最佳目标终端地址，使得后续步骤中能够以目标终端地址为依据处理得到自动柜员机的目标选址，相较于传统技术中通过固定的人流密度来确定自动柜员机选址的方法，通过考虑用户终端的动态移动来确定自动柜员机的目标选址，具有更高的精准性。

在一个实施例中，上述步骤S304，根据更新后群体评价信息，确定用户终端集合的目标群体评价信息，具体包括如下内容：获取所述用户终端集合的历史群体评价信息；将更新后群体评价信息与历史群体评价信息进行比较，得到用户终端集合的目标群体评价信息。

其中，历史群体评价信息是指历史时刻下已得到的所有群体评价信息中最优的群体评价信息。

具体地，银行终端获取所述用户终端集合的历史群体评价信息，并将更新后群体评价信息与历史群体评价信息进行比较；当更新后群体评价信息小于历史群体评价信息，将更新后群体评价信息设为目标群体评价信息；当更新后群体评价信息大于或等于历史群体评价信息，将历史群体评价信息设为目标群体评价信息。此外，银行终端还可以获取各用户终端的历史个体评价信息，将更新后个体评价信息与历史个体评价信息进行比较，进而银行终端得到各用户终端的目标个体评价信息；例如，当更新后个体评价信息小于历史个体评价信息，将更新后个体评价信息设为目标个体评价信息；当更新后个体评价信息大于或等于历史个体评价信息，将历史个体评价信息设为目标个体评价信息。在后续处理中，银行终端还可以结合目标终端地址和各个用户终端的目标个体信息，从候选地址中筛选得到自动柜员机的目标选址。

在本实施例中，通过比较用户终端集合的更新后群体评价信息与历史群体评价信息，实现了当前最优的目标群体评价信息的合理确定，以便后续步骤中，将目标群体评价信息对应的终端地址确定为寻找到的最优终端地址，提高了自动柜员机选址的精准性。

在一个实施例中，上述步骤S301，根据各用户终端的当前移动速度，对各用户终端的终端地址进行更新，得到各用户终端的更新后终端地址，具体包括如下内容：将粒子群参数、各用户终端的终端地址和当前移动速度，输入到速度更新模型中，得到各用户终端的更新后移动速度；将更新后移动速度和各用户终端的终端地址，输入到地址更新模型中，得到各用户终端的更新后终端地址。

具体地，银行终端获取粒子群参数；其中，粒子群参数是指当前最新的粒子群参数，例如，首轮迭代时粒子群参数就是初始化设置的粒子群参数，而后续迭代中的粒子群参数就是上一轮处理得到的更新后的粒子群参数。银行终端通过速度更新模型，根据各用户终端的终端地址、当前移动速度、个体评价信息和群体评价信息，对各用户终端的当前移动速度进行更新处理，得到各用户终端的更新后移动速度。在实际应用中，终端地址可以表示为X

式中，

进一步地，银行终端通过地址更新模型，根据更新后移动速度和各用户终端的终端地址，对各用户终端的终端地址进行更新，得到各用户终端的更新后终端地址。在实际应用中，地址更新模型可以通过如下所示的公式(4)进行表示：

式中，

在本实施例中，通过将各用户终端的终端地址和当前移动速度，输入到速度更新模型中，计算得到各用户终端的更新后移动速度；进而将粒子群参数、更新后移动速度和各用户终端的终端地址，输入到地址更新模型中，计算得到各用户终端的更新后终端地址，实现了用户终端动态移动过程的模拟，从而在动态移动过程中寻找到距离候选地址位置最好的目标终端地址，通过动态移动过程而非静态密度进行地址寻优，大大提高了自动柜员机选址的精准性。

在一个实施例中，上述步骤S205，根据目标终端地址，从候选地址中筛选得到自动柜员机的目标选址，具体包括如下内容：确定出与目标终端地址距离最近的候选地址；将与目标终端地址距离最近的候选地址，作为自动柜员机的目标地址。

具体地，在目标终端地址与任意一个候选地址均不相同的情况下，确定目标终端地址与各候选地址之间的距离，然后筛选出与目标终端地址距离最近的候选地址，作为自动柜员机的目标地址。若与目标终端地址距离最近的候选地址的数量有两个或者两个以上，银行终端还可以利用上述各选址点的量化值，即根据候选地址的量化值，从与目标终端地址距离最近的多个候选地址中，筛选出量化值最高的候选地址，作为自动柜员机的目标地址。

在本实施例中，通过将与目标终端地址距离最近的候选地址，作为自动柜员机的目标地址，而非直接将目标终端地址设为自动柜员机的目标地址，一方面，能够将自动柜员机设置在场景中的合理位置，避免目标终端地址在实际场景中不适合构建自动柜员机，另一方面，候选地址为选址区域内预先确定出的较为合适的自动柜员机构建位置，在此基础上进一步确定出目标地址，能够进一步提高自动柜员机的选址精准性。

在一个实施例中，如图5所示，提供了另一种基于粒子群的自动柜员机选址方法，以该方法应用于图1中的银行终端为例进行说明，包括以下步骤：

步骤S501，获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址。

步骤S502，分别确定候选地址与各用户终端的终端地址之间的地址距离差值；通过对地址距离差值进行求和处理，得到用户终端的个体评价信息。

步骤S503，根据个体评价信息的最小值，确定用户终端集合的群体评价信息。

步骤S504，将粒子群参数、各用户终端的终端地址和当前移动速度，输入到速度更新模型中，得到各用户终端的更新后移动速度。

步骤S505，将更新后移动速度和各用户终端的终端地址，输入到地址更新模型中，得到各用户终端的更新后终端地址。

步骤S506，根据各用户终端的更新后终端地址，对个体评价信息进行更新，得到各用户终端的更新后个体评价信息。

步骤S507，根据各用户终端的更新后个体评价信息，对群体评价信息进行更新，得到用户终端集合的更新后群体评价信息。

步骤S508，获取用户终端集合的历史群体评价信息；将更新后群体评价信息与历史群体评价信息进行比较，得到用户终端集合的目标群体评价信息。

步骤S509，在检测到满足预设终止条件的情况下，将目标群体评价信息对应的更新后终端地址，作为用户终端集合的目标终端地址。

步骤S510，确定出与目标终端地址距离最近的候选地址；将与目标终端地址距离最近的候选地址，作为自动柜员机的目标地址。

上述基于粒子群的自动柜员机选址方法，能够实现以下有益效果：相较于传统的基于人工经验进行自动柜员机选址的方法，本方法通过考虑各用户终端的终端地址移动特性的粒子群算法，从自动柜员机的候选地址中筛选出最优的目标选址，提高了自动柜员机的选址精准性。

为了更清晰阐明本公开实施例提供的基于粒子群的自动柜员机选址方法，以下以一个具体的实施例对上述基于粒子群的自动柜员机选址方法进行具体说明。提供了又一种基于粒子群的自动柜员机选址方法，可以应用于图1中的银行终端，具体包括如下内容：

首先收集自动柜员机的选址区域的内外部信息并加以量化，初筛符合条件的候选地址；然后建立粒子群算法的个体评价函数和群体评价函数，明确粒子群参数和约束条件；假设有N个持有用户终端并计划前往自动柜员机进行交易的用户，可以通过粒子群算法动态模拟用户终端的前进移动路线，并基于该前进移动路线进行位置寻优，从而搜索到最佳的目标终端地址，最后更加目标终端地址，从候选地址中确定出选址区域内，最适合建造自动柜员机的目标选址。在本实施例中，解决了自动柜员机的选址精准性较低的问题，为银行建造、搬迁自动柜员机提供了较好的解决方案，且可行性较高，提高了自动柜员机的选址精准性。此外，上述方法需要调整的参数少，原理简单，易实现，并且收敛速度快，对计算机内存和CPU要求低，在硬件性能较低的设备上，也能精准获取用户终端的目标终端地址。

应该理解的是，虽然如上所述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，如上所述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基于粒子群的自动柜员机选址方法的基于粒子群的自动柜员机选址装置。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基于粒子群的自动柜员机选址装置实施例中的具体限定可以参见上文中对于基于粒子群的自动柜员机选址方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种基于粒子群的自动柜员机选址装置600，包括：初始终端地址获取模块601、个体评价信息确定模块602、群体评价信息确定模块603、目标终端地址确定模块604和目标选址筛选模块605，其中：

初始终端地址获取模块601，用于获取自动柜员机的候选地址和用户终端集合中各用户终端的终端地址。

个体评价信息确定模块602，用于根据候选地址与各用户终端的终端地址之间的距离，确定用户终端的个体评价信息。

群体评价信息确定模块603，用于根据个体评价信息的最小值，确定用户终端集合的群体评价信息。

目标终端地址确定模块604，用于通过个体评价信息和群体评价信息，对各用户终端的终端地址进行粒子群处理，得到用户终端集合的目标终端地址。

目标选址筛选模块605，用于根据目标终端地址，从候选地址中筛选得到自动柜员机的目标选址。

在一个实施例中，个体评价信息确定模块602，还用于分别确定候选地址与各用户终端的终端地址之间的地址距离差值；通过对地址距离差值进行求和处理，得到用户终端的个体评价信息。

在一个实施例中，目标终端地址确定模块604，还用于根据各用户终端的当前移动速度，对各用户终端的终端地址进行更新，得到各用户终端的更新后终端地址；根据各用户终端的更新后终端地址，对个体评价信息进行更新，得到各用户终端的更新后个体评价信息；根据各用户终端的更新后个体评价信息，对群体评价信息进行更新，得到用户终端集合的更新后群体评价信息；根据更新后群体评价信息，确定用户终端集合的目标群体评价信息；在检测到满足预设终止条件的情况下，将目标群体评价信息对应的更新后终端地址，作为用户终端集合的目标终端地址。

在一个实施例中，基于粒子群的自动柜员机选址装置600还包括目标群体评价信息获取模块，用于获取用户终端集合的历史群体评价信息；将更新后群体评价信息与历史群体评价信息进行比较，得到用户终端集合的目标群体评价信息。

在一个实施例中，基于粒子群的自动柜员机选址装置600更新后终端地址获取模块，用于将粒子群参数、各用户终端的终端地址和当前移动速度，输入到速度更新模型中，得到各用户终端的更新后移动速度；将更新后移动速度和各用户终端的终端地址，输入到地址更新模型中，得到各用户终端的更新后终端地址。

在一个实施例中，目标选址筛选模块605，还用于确定出与目标终端地址距离最近的候选地址；将与目标终端地址距离最近的候选地址，作为自动柜员机的目标地址。

上述基于粒子群的自动柜员机选址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计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，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，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于粒子群的自动柜员机选址方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7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计算机设备的限定，具体的计算机设备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，还提供了一种计算机设备，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上述各方法实施例中的步骤。

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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

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上述各方法实施例中的步骤。

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，所述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、数据库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-OnlyMemory，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(Ferroelectric Random 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(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。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。

以上所述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。