CN106372212B - 面向配网规划的海量数据多指标综合可视化方法 - Google Patents
面向配网规划的海量数据多指标综合可视化方法 Download PDFInfo
- Publication number
- CN106372212B CN106372212B CN201610802196.5A CN201610802196A CN106372212B CN 106372212 B CN106372212 B CN 106372212B CN 201610802196 A CN201610802196 A CN 201610802196A CN 106372212 B CN106372212 B CN 106372212B
- Authority
- CN
- China
- Prior art keywords
- index
- value
- point
- sample
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000009877 rendering Methods 0.000 abstract description 3
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000006731 degradation reaction Methods 0.000 abstract 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向配网规划的海量数据多指标综合可视化方法,包括针对多个指标的综合值计算、地图上渲染的数量降级与优化。本发明解决了基于GIS的大规模配网数据可视化的合理性和性能问题,达到更佳的展示效果。
Description
技术领域
本发明涉及一种面向配网规划的海量数据多指标综合可视化方法。
背景技术
在配网规划中,数据量大,结构复杂,常常采用基于GIS的展现方式来表达配网对象的信息、状态。利用经纬度信息在地图上叠加元素点,利用点的大小、颜色等信息来表示综合指标的数值,这个数值通过综合计算与加工得出。在地图缩放时,当地图缩到较小的层级,地图可视范围内的点数据量会较大,可能会有上万个、几十万个点需要渲染,目前一般的浏览器在处理这个规模的点的渲染都比较吃力,因此,如何优化大数据量的展示,具有较大的意义。
本发明通过聚类方法,把在地图上地理位置在一定范围内比较接近的融合为一个点,点的值通过多指标的主观、客观的权重计算,得出综合的数值,点的位置通过k‐means聚类算法计算得出,这样,将点的数据级降低一个层级,能大大提高系统的性能。
发明内容
本发明的目的在于提供一种解决基于GIS的大规模配网数据可视化的合理性和性能问题,达到更佳展示效果的面向配网规划的海量数据多指标综合可视化方法。
本发明的技术解决方案是:
一种面向配网规划的海量数据多指标综合可视化方法,其特征是:(一)针对多个指标的综合值计算:假设配网对象有指标X1、X2、X3、…、Xn,同时具有经纬度坐标X、Y;赋予三个指标基于专家分析的主观权重a1、a2、…、an,同时计算基于方差贡献度的客观权重b1、b2、…、bn,通过基于最小二乘法的优化模型结合专家和方差贡献度模型计算出综合权重c1、c2、…、cn,最终得出具体的综合值
(二)地图上渲染的数量降级与优化:对于地图某一级缩放层级S,根据每个需要渲染的点的X、Y值进行分类,利用各个点之间的距离,结合缩放层级,运用k‐means聚类方法,该算法的目标是最小化对象到质心的距离的平方和,即:来衡量一个类簇的紧凑程度;其中x是空间中的样本点,Cj是第i个类簇的中心点;将在一定范围内的点进行合并,计算出合并之后的点的经纬度和数值,最终依据合并后的点来渲染。
假设配网对象有指标:电压合格率、线损合格率、负荷率,用X1、X2、X3、…、Xn来表示,同时具有经纬度坐标X、Y;具体步骤如下:
(1)结合业务需求,给各个指标赋予不同的权重,专家分析的主观权重设定为a1、…、an;
具体计算方法如下:
综合k个专家对各个指标的打分,可以得到每个指标Xi的平均得分为:
基于方差贡献度的方法,根据指标的相对波动大小来决定指标的权重,相对波动越大的指标具有较大的权重;
S1.选取指标体系中的m个样本,n个指标,xij代表第i个样本的第j个指标值,其中:(i=1,2,3,…,m;j=1,2,3,…,n);
S2.计算第j项指标下第i个样本的得分:
当指标有最佳值时,样本在这个指标上的得分为:
当指标没有最佳值时,且该指标为正向指标,那么样本在这个指标上的得分为:
S3.指标归一化处理,异质指标同质化;由于正向指标和负向指标的数值代表的含义不同,正向指标值越大越好,负向指标值越小越好,下面采取不同的方法将其归一化;
正向指标:
负向指标:
S4.计算第j个指标值的方差:
S5.计算第j个指标值的权重:
从而得到各个指标的客观权重b1、b2、…、bn;
为了同时考虑主观经验偏好以及客观信息的真实性,实现客观与主观的统一,应使最终求得的综合权重与主观、客观权重偏差越小越好;为此,建立最小二乘法优化模型:
计算出综合权重c1、c2、…、cn;式中,aj为求得的主观权重,bj为求得的客观权重,ti j为不同样本各指标的得分;
根据上述运算,最终得出具体的每一个对象的综合值V1、V2、…,公式如下:并得出最大值Vmax与最小值Vmin;
对于地图某一缩放层级S,需要渲染的每个点为P0、P1、P2…Pn,每个点的经纬度坐标为(x0,y0)、(x1,y1)、(x2,y2)…(xn,yn),通过k‐means算法按各点的距离进行聚类,具体步骤如下:
S1.根据缩放的层级,确定聚类的个数K;
S2.从所有要展示的对象中随机选取K个点作为初始质心;
S3.指派剩余的对象到离它最近的质心;
S4.利用均值等方法更新该类的中心值;
S5.重复S1、S2、S3、S4,直到K个中心点不再发生变化;
对聚类后的每一簇点,Pa、Pb、Pc…Pn,按距离远近作为权重值,计算中心点的坐标(X0,X0),值为Vc,计算步骤如下:
S1.确定样本序列
根据上面步骤的聚类结果,分别计算每一类别里各样本点与质心的距离,并按照距离从大到小进行排列,记作:
Yi=[yi1,yi2,…,yik]
其中,i是指聚类后的第i类,k是第i类包含的样本个数,是第i类中各样本与中心点的距离,且yi1≥yi2≥…≥yik≥0;
S2.确定样本修正系数
根据距离越大样本点对该类的贡献度越小的原则确定各样本点的权重,首先计算距离的倒数,即上表中的修正系数:
Y*i=[1/yi1,1/yi2,…,1/yik];
S3.确定样本权重
将S2得到的修正系数进行归一化处理,结果记作权重:
S4.确定各类指标值
对应类别i的每一个样本点(Xcj,Ycj)(j=1,2,…,k)有指标值Vij,综合S3计算的权重,类别i对应的指标值应为:
将最大值Vmax与最小值Vmin对应到颜色红色Vmax(rgb(255,0,0))与绿色Vmin(rgb(0,255,0)),根据对应关系,将每一个中心点的值对应到颜色,以此颜色与其经纬度坐标渲染点;具体步骤如下表:
S1.确定各类别指标值Vi *在所有指标值的位置,即计算上表
S2.按照上表分别计算各类别指标值对应的RGB值,
R值:255×(1-μi),i=1,2,…,K
G值:255×μi,i=1,2,…,K。
所述配网对象指标为电压合格率。
所述配网对象指标为线损合格率。
所述配网对象指标为负荷率。
对聚类后的每一簇点,Pa、Pb、Pc…Pn,按距离远近作为权重值,计算中心点的坐标(X0,X0),值为Vc。
本发明解决了基于GIS的大规模配网数据可视化的合理性和性能问题,达到更佳的展示效果。
下面结合实施例对本发明作进一步说明。
具体实施方式
假设配网对象有指标,如电压合格率、线损合格率、负荷率等,用X1、X2、X3、…、Xn来表示,同时具有经纬度坐标X、Y。具体步骤如下:
结合业务需求,给各个指标赋予不同的权重,如在配网运维管理中,比较关注电压合格率,那么电压合格率的权重就大一些。专家分析的主观权重设定为a1、…、an。
具体计算方法如下:
综合k个专家对各个指标的打分,可以得到每个指标Xi的平均得分为:
基于方差贡献度的方法,根据指标的相对波动大小来决定指标的权重,相对波动越大的指标具有较大的权重。
S1.选取指标体系中的m个样本,n个指标,xij代表第i个样本的第j个指标值,其中:(i=1,2,3,…,m;j=1,2,3,…,n);
S2.计算第j项指标下第i个样本的得分:
当指标有最佳值时,样本在这个指标上的得分为:
当指标没有最佳值时,且该指标为正向指标,那么样本在这个指标上的得分为:
S3.指标归一化处理,异质指标同质化。由于正向指标和负向指标的数值代表的含义不同(正向指标值越大越好,负向指标值越小越好),下面采取不同的方法将其归一化。
正向指标:
负向指标:
S4.计算第j个指标值的方差:
S5.计算第j个指标值的权重:
从而得到各个指标的客观权重b1、b2、…、bn。
为了同时考虑主观经验偏好以及客观信息的真实性,实现客观与主观的统一,应使最终求得的综合权重与主观、客观权重偏差越小越好。为此,建立最小二乘法优化模型:
计算出综合权重c1、c2、…、cn。式中,aj为求得的主观权重,bj为求得的客观权重,tij为不同样本各指标的得分。
根据上述运算,最终得出具体的每一个对象的综合值V1、V2、…,公式如下:并得出最大值Vmaxn与最小值Vminn。
对于地图某一缩放层级S,需要渲染的每个点为P0、P1、P2…Pn,每个点的经纬度坐标为(x0,y0)、(x1,y1)、(x2,y2)…(xn,yn),通过k‐means算法按各点的距离进行聚类,具体步骤如下:
S1.根据缩放的层级,确定聚类的个数K;
S2.从所有要展示的对象中随机选取K个点作为初始质心;
S3.指派剩余的对象到离它最近的质心;
S4.利用均值等方法更新该类的中心值;
S5.重复S1、S2、S3、S4,直到K个中心点不再发生变化。
对聚类后的每一簇点,Pa、Pb、Pc…Pn,按距离远近作为权重值,计算中心点的坐标(X0,X0),值为Vc,计算步骤如下:
S1.确定样本序列
根据上面步骤的聚类结果,分别计算每一类别里各样本点与质心的距离,并按照距离从大到小进行排列,记作:
Yi=[yi1,yi2,…,yik]
其中,i是指聚类后的第i类,k是第i类包含的样本个数,是第i类中各样本与中心点的距离,且yi1≥yi2≥…≥yik≥0;
S2.确定样本修正系数
根据距离越大样本点对该类的贡献度越小的原则确定各样本点的权重,首先计算距离的倒数,即上表中的修正系数:
Y* i=[1/yi1,1/yi2,…,1/yik];
S3.确定样本权重
将S2得到的修正系数进行归一化处理,结果记作权重:
S4.确定各类指标值
对应类别i的每一个样本点(Xcj,Ycj)(j=1,2,…,k)有指标值Vij,综合S3计算的权重,类别i对应的指标值应为:
将最大值Vmaxn与最小值Vminn对应到颜色红色Vmaxn(rgb(255,0,0))与绿色Vminn(rgb(0,255,0)),根据对应关系,将每一个中心点的值对应到颜色,以此颜色与其经纬度坐标渲染点。具体步骤如下表:
S1.确定各类别指标值Vi *在所有指标值的位置,即计算上表
S2.按照上表分别计算各类别指标值对应的RGB值,
R值:255×(1-μi),i=1,2,…,K
G值:255×μi,i=1,2,…,K。
Claims (5)
1.一种面向配网规划的海量数据多指标综合可视化方法,其特征是:(一)针对多个指标的综合值计算:假设配网对象有指标X1、X2、X3、…、Xn,同时具有经纬度坐标X、Y;赋予多个指标基于专家分析的主观权重a1、a2…an,同时计算基于方差贡献度的客观权重b1、b2、…、bn,通过基于最小二乘法的优化模型结合专家和方差贡献度模型计算出综合权重c1、c2、…、cn,最终得出具体的综合值
(二)地图上渲染的数量降级与优化:对于地图某一级缩放层级S,根据每个需要渲染的点的X、Y值进行分类,利用各个点之间的距离,结合缩放层级,运用k-means聚类方法,该算法的目标是最小化对象到质心的距离的平方和,即:来衡量一个类簇的紧凑程度;其中x是空间中的样本点,Ci是第i个类簇的中心点;K为聚类的个数;将在一定范围内的点进行合并,计算出合并之后的点的经纬度和数值,最终依据合并后的点来渲染。
2.根据权利要求1所述的面向配网规划的海量数据多指标综合可视化方法,其特征是:具体步骤如下:
(1)结合业务需求,给各个指标赋予不同的权重,专家分析的主观权重设定为a1、…、an;
具体计算方法如下:
综合k个专家对各个指标的打分,可以得到每个指标Xi的平均得分为:
基于方差贡献度的方法,根据指标的相对波动大小来决定指标的权重,相对波动越大的指标具有较大的权重;
S1.选取指标体系中的m个样本,n个指标,xij代表第i个样本的第j个指标值,其中:i=1,2,3,…,m;j=1,2,3,…,n;
S2.计算第j项指标下第i个样本的得分:
当指标有最佳值时,样本在这个指标上的得分为:
当指标没有最佳值时,且该指标为正向指标,那么样本在这个指标上的得分为:
S3.指标归一化处理,异质指标同质化;由于正向指标和负向指标的数值代表的含义不同,正向指标值越大越好,负向指标值越小越好,下面采取不同的方法将其归一化;
正向指标:
负向指标:
S4.计算第j个指标值的方差:
S5.计算第j个指标值的权重:
从而得到各个指标的客观权重b1、b2、…、bn;
为了同时考虑主观经验偏好以及客观信息的真实性,实现客观与主观的统一,应使最终求得的综合权重与主观、客观权重偏差越小越好;为此,建立最小二乘法优化模型:
计算出综合权重c1、c2、…、cn;式中,aj为求得的主观权重,bj为求得的客观权重,tij为不同样本各指标的得分;
根据上述运算,最终得出具体的每一个对象的综合值V1、V2、…,公式如下:并得出最大值Vmax与最小值Vmin;
对于地图某一缩放层级S,需要渲染的每个点为P0、P1、P2、…Pn,每个点的经纬度坐标为(x0,y0)、(x1,y1)、(x2,y3)…(xn,yn),通过k-means算法按各点的距离进行聚类,具体步骤如下:
S1.根据缩放的层级,确定聚类的个数K;
S2.从所有要展示的对象中随机选取K个点作为初始质心;
S3.指派剩余的对象到离它最近的质心;
S4.利用均值方法更新该类的中心值;
S5.重复S1、S2、S3、S4,直到K个中心点不再发生变化;
对聚类后的每一簇点,Pa、Pb、Pc…Pn,按距离远近作为权重值,计算中心点的坐标(xc,yc),值为Vc,计算步骤如下:
S1.确定样本序列
根据上面步骤的聚类结果,分别计算每一类别里各样本点与质心的距离,并按照距离从大到小进行排列,记作:
Yi=[yi1,yi2,…,yik]
其中,i是指聚类后的第i类,k是第i类包含的样本个数,是第i类中各样本与中心点的距离,且yi1≥yi2≥…≥yik≥0;
S2.确定样本修正系数
根据距离越大样本点对该类的贡献度越小的原则确定各样本点的权重,首先计算距离的倒数,即上表中的修正系数:
Y*i=[1/yi1,1/yi2,…,1/yik];
S3.确定样本权重
将S2得到的修正系数进行归一化处理,结果记作权重:
S4.确定各类指标值
对应类别i的每一个样本点(Xcj,Ycj),j=1,2…k有指标值Vij,综合S3计算的权重,类别i对应的指标值应为:
将最大值Vmax与最小值Vmin对应到颜色红色Vmax(rgb(255,0,0))与绿色Vmin(rgb(0,255,0)),根据对应关系,将每一个中心点的值对应到颜色,以此颜色与其经纬度坐标渲染点;具体步骤如下表:
S1.确定各类别指标值Vi *在所有指标值的位置,即计算上表
S2.按照上表分别计算各类别指标值对应的RGB值,
R值:255×(1-μi),i=1,2,…,k
G值:255×μi,i=1,2,…,k。
3.根据权利要求1所述的面向配网规划的海量数据多指标综合可视化方法,其特征是:所述配网对象指标为电压合格率。
4.根据权利要求1所述的面向配网规划的海量数据多指标综合可视化方法,其特征是:所述配网对象指标为线损合格率。
5.根据权利要求1所述的面向配网规划的海量数据多指标综合可视化方法,其特征是:所述配网对象指标为负荷率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610802196.5A CN106372212B (zh) | 2016-09-05 | 2016-09-05 | 面向配网规划的海量数据多指标综合可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610802196.5A CN106372212B (zh) | 2016-09-05 | 2016-09-05 | 面向配网规划的海量数据多指标综合可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106372212A CN106372212A (zh) | 2017-02-01 |
CN106372212B true CN106372212B (zh) | 2019-08-16 |
Family
ID=57900250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610802196.5A Active CN106372212B (zh) | 2016-09-05 | 2016-09-05 | 面向配网规划的海量数据多指标综合可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372212B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632203A (zh) * | 2013-09-23 | 2014-03-12 | 国家电网公司 | 一种基于综合评价的配电网供电区域划分方法 |
CN104252686A (zh) * | 2014-08-15 | 2014-12-31 | 国家电网公司 | 一种电网安全综合指标确定方法 |
CN105046584A (zh) * | 2015-08-10 | 2015-11-11 | 国家电网公司 | 一种基于k-means算法的理想线损率的计算方法 |
CN105303468A (zh) * | 2015-11-20 | 2016-02-03 | 国网天津市电力公司 | 一种基于主成分聚类分析的智能电网建设综合评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070112867A1 (en) * | 2005-11-15 | 2007-05-17 | Clairvoyance Corporation | Methods and apparatus for rank-based response set clustering |
-
2016
- 2016-09-05 CN CN201610802196.5A patent/CN106372212B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632203A (zh) * | 2013-09-23 | 2014-03-12 | 国家电网公司 | 一种基于综合评价的配电网供电区域划分方法 |
CN104252686A (zh) * | 2014-08-15 | 2014-12-31 | 国家电网公司 | 一种电网安全综合指标确定方法 |
CN105046584A (zh) * | 2015-08-10 | 2015-11-11 | 国家电网公司 | 一种基于k-means算法的理想线损率的计算方法 |
CN105303468A (zh) * | 2015-11-20 | 2016-02-03 | 国网天津市电力公司 | 一种基于主成分聚类分析的智能电网建设综合评价方法 |
Non-Patent Citations (1)
Title |
---|
配电网规划的综合评价指标体系与方法;肖峻等;《电力系统自动化》;20080810;第32卷(第15期);第36-40页 |
Also Published As
Publication number | Publication date |
---|---|
CN106372212A (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020151528A1 (zh) | 一种综合业态大数据与建筑形态的城市用地自动识别系统 | |
CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
CN105243398B (zh) | 基于线性判别分析准则的改进卷积神经网络性能的方法 | |
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
CN106097222A (zh) | 顾及用户特征的公共设施空间可达性分析方法及装置 | |
CN104516897B (zh) | 一种针对应用对象进行排序的方法和装置 | |
CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 | |
CN104299047B (zh) | 一种基于模糊综合评价法的飞机航路评价指标体系的建立方法 | |
CN103886168A (zh) | 基于层次分析法的多渠道分析方法及装置 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN106407349A (zh) | 一种产品推荐方法及装置 | |
US10984518B2 (en) | Methods and systems for assessing the quality of geospatial data | |
CN106156067B (zh) | 用于为关系数据创建数据模型的方法和系统 | |
CN108540988A (zh) | 一种场景划分方法及装置 | |
CN109272487A (zh) | 一种基于视频的公共区域内人群的数量统计方法 | |
CN104331613B (zh) | 多个类型的通信设备抗干扰能力的评价方法 | |
Eikelboom et al. | A spatial optimization algorithm for geodesign | |
CN105404942A (zh) | 一种旅游数据最优权组合预测模型 | |
CN106599291B (zh) | 数据分组方法及装置 | |
CN108765540A (zh) | 一种基于图像与集成学习的重光照方法 | |
CN107451617A (zh) | 一种图转导半监督分类方法 | |
CN103310205B (zh) | 一种手写体数字识别方法及装置 | |
CN107300907A (zh) | 结合综合评估与假设检验的飞行器控制系统性能评定方法 | |
CN106372212B (zh) | 面向配网规划的海量数据多指标综合可视化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |