Geo-Spotting：挖掘在线基于位置的服务以优化零售店选址

确定新零售店最佳位置的问题一直是过去研究的焦点，特别是在土地经济学领域，因为它对商业成功至关重要。解决该问题的传统方法考虑了人口统计数据、收入以及来自附近或遥远区域的聚合人流统计。然而，相关数据的获取通常成本高昂。随着基于位置的社交网络的发展，描述用户移动性和地点受欢迎程度的细粒度数据最近变得可获取。在本文中，我们通过使用从纽约 Foursquare 收集的数据集，研究了各种机器学习特征对城市中零售店受欢迎程度的预测能力。我们挖掘的特征基于两类通用信号：地理信号（根据附近地点的类型和密度构建特征）和用户移动性信号（包括场所之间的转换或来自遥远区域的移动用户流入）。我们的评估表明，尽管由于零售设施吸引用户方式的异质性可能存在差异，但在分析中考虑的三个不同商业连锁中，表现最佳的特征是通用的。我们还表明，当在监督学习算法中组合多个特征时，性能显著提高，这表明企业的零售成功可能取决于多种因素。