CN106649331A - 商圈识别方法及设备 - Google Patents
商圈识别方法及设备 Download PDFInfo
- Publication number
- CN106649331A CN106649331A CN201510724325.9A CN201510724325A CN106649331A CN 106649331 A CN106649331 A CN 106649331A CN 201510724325 A CN201510724325 A CN 201510724325A CN 106649331 A CN106649331 A CN 106649331A
- Authority
- CN
- China
- Prior art keywords
- interest
- point
- commercial circle
- similarity
- commercial
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种商圈识别方法及设备，通过选择目标地区内的所有商业消费类兴趣点作为输入，通过提取兴趣点特征，对其进行聚类分析，聚合形成商圈结构，能够实现基于兴趣点进行商圈的自动识别，可以根据目标地区内大量独立的兴趣点识别出该地区的商圈分布以及各商圈的构成情况，由于地理信息系统中某一目标地区内的兴趣点数量有限，因此本实施例可以快速有效地识别出目标地区的大小商圈分布以及各商圈中的商业兴趣点组合构成情况，从而为商业推广活动、定位数据分析以及城市商业功能区域规划等应用场景提供支持。
Description
技术领域
本申请涉及计算机领域，尤其涉及一种商圈识别方法及设备。
背景技术
兴趣点(Point of Inters t,POI)是指在局部范围内具有地理标志意义的建筑物，细分为机构，商铺和单位等。地理信息系统中的兴趣点是独立的地理标志点，通常按照兴趣点类型组织，兴趣点相互独立，每个兴趣点主要包括类型、名称、地址、地理位置坐标等信息，以提供定位、导航、查询等基于位置的服务(Location Based Service，LBS)，但在商业推广活动及定位数据分析等应用场景下，关注的不仅是独立的兴趣点，更为关注的大量商业消费兴趣点所聚集的热门商圈区域，而这些热门商圈区域的信息难以直接从兴趣点数据中获取。
现有的商圈生成技术主要基于电子地图通过以下步骤生成：
步骤一，根据消费者步行时间和步行速度计算出距离临界值；
步骤二，设定起始中心点，找到地图上所有与中心点的实际道路距离处于临界值的点；
步骤三，将所有临界点连接形成的最小凸包即构成一个商圈。
然而，上述现有基于电子地图的商圈生成方法在实际的操作中较难应用，主要表现为以下两点：
第一，上述现有方法以电子地图作为输入，处理数据量大，尤其是在大型城市中商圈规模和数量较大的情况下，计算成本高；
第二，上述现有方法以指定中心点和步行临界距离构成商圈，忽略了商圈的形成是因为大量商业场所的聚集自然形成，并不是从选定中心点向外等距放射延伸，因此该方法生成的“商圈”严格意义上应该称为已知商圈的范围计算，并不能真正的对实际中的商圈完成自动识别。
发明内容
本申请的一个目的是提供一种用于商圈识别方法及设备，解决目前无法精确、高效识别出该目标地区内的商圈分布以及各商圈的构成情况的问题。
根据本申请的一个方面，提供了一种商圈识别方法，该方法包括：
根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度；
根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈；
根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
进一步的，上述方法中，根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围，包括：
基于所述商圈的兴趣点密度确定删选标准，根据所述删选标准所述对所述商圈包含的所有兴趣点进行筛选，删除所述商圈不符合标准的兴趣点，得到最终的商圈；
根据所述最终的商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
进一步的，上述方法中，基于所述商圈的兴趣点密度确定删选标准，包括：
根据公式M＝n/S计算所述商圈的兴趣点密度，其中，M表示所述商圈的兴趣点密度，n表示所述商圈内的兴趣点数目，S表示所述商圈的面积范围；
所述删选标准包括：以所述圈内每个兴趣点为中心点，如果在该兴趣点周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，其中，ε≥1。
进一步的，上述方法中，所述特征信息包括经度、纬度信息，所述相似度包括根据所述经度、纬度信息计算得到的距离相似度。
进一步的，上述方法中，所述距离相似度根据如下公式Ds＝1-L/Z获取，其中，L表示两个兴趣点间距离，Z表示预设的商圈直径。
进一步的，上述方法中，所述特征信息还包括地址信息，所述相似度还包括根据所述地址信息计算得到的地址相似度。
进一步的，上述方法中，所述特征信息还包括名称信息，所述相似度还包括根据所述名称信息计算得到的名称相似度。
进一步的，上述方法中，根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度，包括：
根据每两个兴趣点的所述经度、纬度、地址和名称信息，计算每两个兴趣点之间的距离、地址和名称相似度；
对距离、地址和名称相似度赋予对应的权重，并将距离、地址和名称相似度根据对应的权重进行加权合成综合相似度；
根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈，包括：
根据所述综合相似度和预设的兴趣点之间的综合相似度阈值将兴趣点进行聚合生成商圈。
进一步的，上述方法中，根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈，包括：
选取所述目标地区内任意未归处理的起始兴趣点，逐步聚合所述目标地区内与所述起始兴趣点满足所述相似度阈值的其他未处理兴趣点，构成所述商圈。
根据本申请的另一个方面，还提供一种商圈识别设备，其中，该设备包括：
兴趣点相似度计算装置，用于根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度；
商圈聚合装置，用于根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈；
商圈整合输出模块，用于根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
进一步的，上述设备中，所述设备还包括误判兴趣点筛选装置，用于基于所述商圈的兴趣点密度确定删选标准，根据所述删选标准所述对所述商圈包含的所有兴趣点进行筛选，删除所述商圈不符合标准的兴趣点，得到最终的商圈；
所述商圈整合输出模块，用于根据所述最终的商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
进一步的，上述设备中，误判兴趣点筛选装置，用于根据公式M＝n/S计算所述商圈的兴趣点密度，其中，M表示所述商圈的兴趣点密度，n表示所述商圈内的兴趣点数目，S表示所述商圈的面积范围；
并确定所述删选标准包括：以所述圈内每个兴趣点为中心点，如果在该兴趣点周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，其中，ε≥1。
进一步的，上述设备中，所述特征信息包括经度、纬度信息，所述相似度包括根据所述经度、纬度信息计算得到的距离相似度。
进一步的，上述设备中，所述兴趣点相似度计算装置，根据如下公式Ds＝1-L/Z获取距离相似度，其中，L表示两个兴趣点间距离，Z表示预设的商圈直径。
进一步的，上述设备中，所述特征信息还包括地址信息，所述相似度还包括根据所述地址信息计算得到的地址相似度。
进一步的，上述设备中，所述特征信息还包括名称信息，所述相似度还包括根据所述名称信息计算得到的名称相似度。
进一步的，上述设备中，所述兴趣点相似度计算装置，用于根据每两个兴趣点的所述经度、纬度、地址和名称信息，计算每两个兴趣点之间的距离、地址和名称相似度；及对距离、地址和名称相似度赋予对应的权重，并将距离、地址和名称相似度根据对应的权重进行加权合成综合相似度；
商圈聚合装置，用于根据所述综合相似度和预设的兴趣点之间的综合相似度阈值将兴趣点进行聚合生成商圈。
进一步的，上述设备中，所述商圈聚合装置，用于选取所述目标地区内任意未归处理的起始兴趣点，逐步聚合所述目标地区内与所述起始兴趣点满足所述相似度阈值的其他未处理兴趣点，构成所述商圈。
与现有技术相比，本申请通过选择目标地区内的所有商业消费类兴趣点作为输入，通过提取兴趣点特征，对其进行聚类分析，聚合形成商圈结构，能够实现基于兴趣点进行商圈的自动识别，可以根据目标地区内大量独立的兴趣点识别出该地区的商圈分布以及各商圈的构成情况，由于地理信息系统中某一目标地区内的兴趣点数量有限，因此本实施例可以快速有效地识别出目标地区的大小商圈分布以及各商圈中的商业兴趣点组合构成情况，从而为商业推广活动、定位数据分析以及城市商业功能区域规划等应用场景提供支持。
进一步的，由于现实中的商圈在地理位置上大多分布形状不规则，而仅根据所述相似度和预设的兴趣点之间的相似度阈值生成的商圈中可能会有误判兴趣点引入，所以本申请通过增加误判兴趣点筛选，可以保证兴趣点归入对应商圈的准确性。
进一步的，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在名称、地址上存在相关性，同时在地理位置上呈现聚集特征，本申请中选取兴趣点的名称、地址和经纬度信息来计算相似度从而得到更精确的相似度，便于后续商圈的聚类。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种商圈识别方法的流程图；
图2示出本申请一实施例的形成的初级商圈的结构图；
图3示出根据本申请一优选的实施例的商圈识别方法的流程图；
图4示出根据本申请一个优选实施例的合成兴趣点的综合相似度的原理图；
图5示出根据本申请一具体的应用实施例的流程图；
图6示出根据本申请另一个方面的商圈识别设备的模块图；
图7示出根据本申请一个优选实施例的商圈识别设备的模块图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
如图1所示，根据本申请的一个方面，提供一种商圈识别方法，该方法包括：
步骤S1，根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度；
步骤S2，根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈；
步骤S3，根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。在此，在目标地区内的大量的兴趣点中，分析其特征信息，如地理位置相似程度，识别出在地理位置上呈现出聚集特点的兴趣点，并将这些有同一聚集特点的兴趣点划分入同一个商圈，以支持相关的应用场景。本实施例步骤S3是进行商圈信息整合输出，对经过前述步骤处理后生成的所有商圈，根据其中兴趣点的特征信息，如地理位置坐标特征，计算确定商圈范围，并将商圈中的兴趣点组织为需要的结构输出。本实施例通过选择目标地区内的所有商业消费类兴趣点作为输入，通过提取兴趣点特征，对其进行聚类分析，聚合形成商圈结构，能够实现基于兴趣点进行商圈的自动识别，可以根据目标地区内大量独立的兴趣点识别出该地区的商圈分布以及各商圈的构成情况，由于地理信息系统中某一目标地区内的兴趣点数量有限，因此本实施例可以快速有效地识别出目标地区的大小商圈分布以及各商圈中的商业兴趣点组合构成情况，从而为商业推广活动、定位数据分析以及城市商业功能区域规划等应用场景提供支持。
本申请的商圈识别方法一优选的实施例中，所述特征信息包括经度、纬度信息，所述相似度包括根据所述经度、纬度信息计算得到的距离相似度，相应的所述相似度阈值包括距离相似度阈值。具体的，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在地理位置上呈现聚集特征，故本实施例中可选取兴趣点经纬度信息来计算相似度。
本申请的商圈识别方法一优选的实施例中，所述距离相似度根据如下公式Ds＝1-L/Z获取，其中，L表示两个兴趣点间距离，Z表示预设的商圈直径。具体的，对于距离相似度的计算，首先根据城市规模设定商圈预估范围的直径Z(可以适当扩大，以尽可能包含商圈内兴趣点)，并计算兴趣点间距离L，然后根据式(1)得到兴趣点距离相似度Ds。
Ds＝1-L/Z (1)
式(1)中，L—兴趣点间距离；Z—预设商圈直径，商圈聚合过程中，在L<Z时，兴趣点距离相似度Ds>0，对于合成相似度S产生正向作用，推动兴趣点的聚合；在L≥Z时，兴趣点距离相似度Ds≤0，对于合成相似度S产生负向作用，阻止兴趣点的聚合。
本申请的商圈识别方法一优选的实施例中，步骤S3，根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围，包括：
基于所述商圈的兴趣点密度确定删选标准，根据所述删选标准所述对所述商圈包含的所有兴趣点进行筛选，删除所述商圈不符合标准的兴趣点，得到最终的商圈；
根据所述最终的商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。具体的，本实施例中，由于现实中的商圈在地理位置上大多分布形状不规则，而仅根据所述相似度和预设的兴趣点之间的相似度阈值生成的商圈中可能会有误判兴趣点引入，所以通过增加误判兴趣点筛选，可以保证兴趣点归入对应商圈的准确性，如距离相似度的引入，使得聚合形成的初级商圈会有以起始兴趣点为中心等距放射分布的特点，生成的商圈中可能会有误判兴趣点引入，因此本实施例中设计了误判兴趣节点筛选过程。
本申请的商圈识别方法一优选的实施例中，基于所述商圈的兴趣点密度确定删选标准，包括：
根据公式M＝n/S计算所述商圈的兴趣点密度，其中，M表示所述商圈的兴趣点密度，n表示所述商圈内的兴趣点数目，S表示所述商圈的面积范围；
所述删选标准包括：以所述圈内每个兴趣点为中心点，如果在该兴趣点周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，其中，ε≥1。具体的，如图2所示，本实施例中首先根据已经形成的初级商圈21的结构考察初级商圈中所有兴趣点22，分别计算经纬度变化区间作为商圈范围，并计算商圈内兴趣点密度M，如式(2)：
M＝n/S (2)
式(2)中，n—初级商圈内兴趣点数目；S—初级商圈面积范围，
对于商圈内的兴趣点，以其自身为中心点，如果在周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，从而得到最终的商圈结构，其中，ε根据分析地区规模和具体应用场景选取，ε≥1。
本申请的商圈识别方法一优选的实施例中，所述特征信息还包括地址信息，所述相似度还包括根据所述地址信息计算得到的地址相似度，相应的所述相似度阈值还包括地址相似度阈值。具体的，同一商圈内的兴趣点通常在名称上类似，如李宁万达店、耐克万达店、阿迪达斯万达店等，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在地址上存在相关性，同时在地理位置上呈现聚集特征，本方案中选取兴趣点的地址和经纬度信息来计算相似度，从而得到更精确的相似度，便于后续商圈的聚类。
本申请的商圈识别方法一优选的实施例中，所述特征信息还包括名称信息，所述相似度还包括根据所述名称信息计算得到的名称相似度，相应的所述相似度阈值还包括名称相似度阈值。具体的，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在名称、地址上存在相关性，同时在地理位置上呈现聚集特征，本方案中选取兴趣点的名称、地址和经纬度信息来计算相似度从而得到更精确的相似度，便于后续商圈的聚类。
如图3所示，本申请的商圈识别方法一优选的实施例中，步骤S1，根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度，包括：
步骤S11，根据每两个兴趣点的所述经度、纬度、地址和名称信息，计算每两个兴趣点之间的距离、地址和名称相似度；
步骤S12，对距离、地址和名称相似度赋予对应的权重，并将距离、地址和名称相似度根据对应的权重进行加权合成综合相似度；
步骤S2，根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈，包括：
步骤S21，根据所述综合相似度和预设的兴趣点之间的综合相似度阈值将兴趣点进行聚合生成商圈。具体的，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在名称、地址上存在相关性，同时在地理位置上呈现聚集特征，如图4所示，本实施例中选取兴趣点的名称、地址和经纬度信息，首先分别构造了名称相似度NS、地址相似度AS以及距离相似度DS，以从三个不同方面兴趣点的聚合标准进行定义，然后可采用AHP(Analytic Hierarchy Process)层次分析法，分析这三个相似度对于商圈的重要程度并确定各相似度的权重，加权合成兴趣点的综合相似度S，如式(3)所示：
S＝αNS+βAS+γDS (3)
式(3)中，NS—兴趣点的名称相似度；AS—兴趣点的地址相似度；DS—兴趣点的距离相似度；α、β、γ—三个相似度的权重，满足α+β+γ＝1。其中，由于兴趣点名称和地址通常为字符串格式，因此，这两种相似度的定义均可采用了字符串相似度。
本申请的商圈识别方法一优选的实施例中，步骤S2，根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈，包括：
选取所述目标地区内任意未归处理的起始兴趣点，逐步聚合所述目标地区内与所述起始兴趣点满足所述相似度阈值的其他未处理兴趣点，构成所述商圈。具体的，本实施例中根据已经计算得到的两两兴趣点相似度和设定的相似度阈值，首先选取任意未处理的起始兴趣点，然后逐步聚合与起始兴趣点满足相似度阈值的其他未处理兴趣点，构成商圈，本实施例可以重复进行多次，从而可能基于多个起始兴趣点生成多个商圈，从而将目标区域内的所有商圈都识别出来，例如，目标区域内有100个兴趣点，第一次执行本步骤时，识别出其中50个兴趣点属于商圈A，还剩余50个兴趣点不属于商圈A，此时，可对剩余50个兴趣点重复执行本步骤，得到剩余50个兴趣点有25个兴趣点属于商圈B，还有25个兴趣点既不属于A也不属于B,后续可重复执行本步骤，判断是否可将剩余的25个兴趣点归于其他商圈，直至剩余的兴趣点无法归入任何商圈才结束重复本步骤。
本申请一具体的应用实施例中，可选取目标地区商业消费相关的兴趣点作为输入，对其进行计算分析，最终得到该目标地区的商圈分布情况，主要由兴趣点相似度计算、初级商圈聚合、误判兴趣点筛选、商圈信息整合输出共四个步骤组合而成，方案流程图如图5所示：
步骤S51，在兴趣点相似度计算中，根据输入兴趣点的名称、地址、经纬度特征计算得到兴趣点之间的相似度矩阵；
步骤S52，在商圈聚合中，根据设定的兴趣点相似度阈值将兴趣点进行聚合形成初级商圈结构；
步骤S53，在误判兴趣点筛选中，对已经形成的初级商圈结构，基于该初级商圈的兴趣点密度，对其包含的所有兴趣点进行筛选，删除不符合标准的兴趣点，得到最终的商圈结构；
步骤S54，在商圈信息整合输出模块中，对已经生成的商圈，根据其内部兴趣点的特征信息，计算商圈的地理范围，标记内部兴趣点，输出结果。
如图6所示，根据本申请的另一面，还提供一种商圈识别设备，该设备100包括：
兴趣点相似度计算装置1，用于根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度；
商圈聚合装置2，用于根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈；
商圈整合输出模块3，用于根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。在此，在目标地区内的大量的兴趣点中，分析其特征信息，如地理位置相似程度，识别出在地理位置上呈现出聚集特点的兴趣点，并将这些有同一聚集特点的兴趣点划分入同一个商圈，以支持相关的应用场景。本实施例商圈整合输出模块3对经过前述装置处理后生成的所有商圈，根据其中兴趣点的特征信息，如地理位置坐标特征，计算确定商圈范围，并将商圈中的兴趣点组织为需要的结构输出。本实施例通过选择目标地区内的所有商业消费类兴趣点作为输入，通过提取兴趣点特征，对其进行聚类分析，聚合形成商圈结构，能够实现基于兴趣点进行商圈的自动识别，可以根据目标地区内大量独立的兴趣点识别出该地区的商圈分布以及各商圈的构成情况，由于地理信息系统中某一目标地区内的兴趣点数量有限，因此本实施例可以快速有效地识别出目标地区的大小商圈分布以及各商圈中的商业兴趣点组合构成情况，从而为商业推广活动、定位数据分析以及城市商业功能区域规划等应用场景提供支持。
本申请的商圈识别设备一优选的实施例中，所述特征信息包括经度、纬度信息，所述相似度包括根据所述经度、纬度信息计算得到的距离相似度，相应的所述相似度阈值包括距离相似度阈值。具体的，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在地理位置上呈现聚集特征，故本实施例中可选取兴趣点经纬度信息来计算相似度。
本申请的商圈识别设备一优选的实施例中，所述兴趣点相似度计算装置1，根据如下公式Ds＝1-L/Z获取距离相似度，其中，L表示两个兴趣点间距离，Z表示预设的商圈直径。具体的，对于距离相似度的计算，首先根据城市规模设定商圈预估范围的直径Z(可以适当扩大，以尽可能包含商圈内兴趣点)，并计算兴趣点间距离L，然后根据式(1)得到兴趣点距离相似度Ds。
Ds＝1-L/Z (1)
式(1)中，L—兴趣点间距离；Z—预设商圈直径，商圈聚合过程中，在L<Z时，兴趣点距离相似度Ds>0，对于合成相似度S产生正向作用，推动兴趣点的聚合；在L≥Z时，兴趣点距离相似度Ds≤0，对于合成相似度S产生负向作用，阻止兴趣点的聚合。
如图7所示，本申请的商圈识别设备一优选的实施例中，所述设备100还包括误判兴趣点筛选装置4，用于基于所述商圈的兴趣点密度确定删选标准，根据所述删选标准所述对所述商圈包含的所有兴趣点进行筛选，删除所述商圈不符合标准的兴趣点，得到最终的商圈；
所述商圈整合输出模块3，用于根据所述最终的商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。具体的，本实施例中，由于现实中的商圈在地理位置上大多分布形状不规则，而仅根据所述相似度和预设的兴趣点之间的相似度阈值生成的商圈中可能会有误判兴趣点引入，所以通过增加误判兴趣点筛选，可以保证兴趣点归入对应商圈的准确性，如距离相似度的引入，使得聚合形成的初级商圈会有以起始兴趣点为中心等距放射分布的特点，生成的商圈中可能会有误判兴趣点引入，因此本实施例中设计了误判兴趣节点筛选过程。
本申请的商圈识别设备一优选的实施例中，误判兴趣点筛选装置4，用于根据公式M＝n/S计算所述商圈的兴趣点密度，其中，M表示所述商圈的兴趣点密度，n表示所述商圈内的兴趣点数目，S表示所述商圈的面积范围；
并确定所述删选标准包括：以所述圈内每个兴趣点为中心点，如果在该兴趣点周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，其中，ε≥1。具体的，如图2所示，本实施例中首先根据已经形成的商圈的结构考察初级商圈中所有兴趣点，分别计算经纬度变化区间作为商圈范围，并计算商圈内兴趣点密度M，如式(2)：
M＝n/S (2)
式(2)中，n—初级商圈内兴趣点数目；S—初级商圈面积范围，
对于商圈内的兴趣点，以其自身为中心点，如果在周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，从而得到最终的商圈结构，其中，ε根据分析地区规模和具体应用场景选取，ε≥1。
本申请的商圈识别设备一优选的实施例中，所述特征信息还包括地址信息，所述相似度还包括根据所述地址信息计算得到的地址相似度，相应的所述相似度阈值还包括地址相似度阈值。具体的，同一商圈内的兴趣点通常在名称上类似，如李宁万达店、耐克万达店、阿迪达斯万达店等，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在地址上存在相关性，同时在地理位置上呈现聚集特征，本方案中选取兴趣点的地址和经纬度信息来计算相似度，从而得到更精确的相似度，便于后续商圈的聚类。
本申请的商圈识别设备一优选的实施例中，所述特征信息还包括名称信息，所述相似度还包括根据所述名称信息计算得到的名称相似度，相应的所述相似度阈值还包括名称相似度阈值。具体的，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在名称、地址上存在相关性，同时在地理位置上呈现聚集特征，本方案中选取兴趣点的名称、地址和经纬度信息来计算相似度从而得到更精确的相似度，便于后续商圈的聚类。
本申请的商圈识别设备一优选的实施例中，所述兴趣点相似度计算装置1，用于根据每两个兴趣点的所述经度、纬度、地址和名称信息，计算每两个兴趣点之间的距离、地址和名称相似度；及对距离、地址和名称相似度赋予对应的权重，并将距离、地址和名称相似度根据对应的权重进行加权合成综合相似度；
所述商圈聚合装置2，用于根据所述综合相似度和预设的兴趣点之间的综合相似度阈值将兴趣点进行聚合生成商圈。具体的，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在名称、地址上存在相关性，同时在地理位置上呈现聚集特征，如图4所示，本实施例中选取兴趣点的名称、地址和经纬度信息，首先分别构造了名称相似度NS、地址相似度AS以及距离相似度DS，以从三个不同方面兴趣点的聚合标准进行定义，然后可采用AHP(Analytic Hierarchy Process)层次分析法，分析这三个相似度对于商圈的重要程度并确定各相似度的权重，加权合成兴趣点的综合相似度S，如式(3)所示：
S＝αNS+βAS+γDS (3)
式(3)中，NS—兴趣点的名称相似度；AS—兴趣点的地址相似度；DS—兴趣点的距离相似度；α、β、γ—三个相似度的权重，满足α+β+γ＝1。其中，由于兴趣点名称和地址通常为字符串格式，因此，这两种相似度的定义均可采用了字符串相似度。
本申请的商圈识别设备一优选的实施例中，所述商圈聚合装置2，用于选取所述目标地区内任意未归处理的起始兴趣点，逐步聚合所述目标地区内与所述起始兴趣点满足所述相似度阈值的其他未处理兴趣点，构成所述商圈。具体的，本实施例中根据已经计算得到的两两兴趣点相似度和设定的相似度阈值，首先选取任意未处理的起始兴趣点，然后逐步聚合与起始兴趣点满足相似度阈值的其他未处理兴趣点，构成商圈，本实施例可以重复进行多次，从而可能基于多个起始兴趣点生成多个商圈，从而将目标区域内的所有商圈都识别出来，例如，目标区域内有100个兴趣点，第一次执行本步骤时，识别出其中50个兴趣点属于商圈A，还剩余50个兴趣点不属于商圈A，此时，可对剩余50个兴趣点重复执行本步骤，得到剩余50个兴趣点有25个兴趣点属于商圈B，还有25个兴趣点既不属于A也不属于B,后续可重复执行本步骤，判断是否可将剩余的25个兴趣点归于其他商圈，直至剩余的兴趣点无法归入任何商圈才结束重复本步骤。
综上所述，本申请通过选择目标地区内的所有商业消费类兴趣点作为输入，通过提取兴趣点特征，对其进行聚类分析，聚合形成商圈结构，能够实现基于兴趣点进行商圈的自动识别，可以根据目标地区内大量独立的兴趣点识别出该地区的商圈分布以及各商圈的构成情况，由于地理信息系统中某一目标地区内的兴趣点数量有限，因此本实施例可以快速有效地识别出目标地区的大小商圈分布以及各商圈中的商业兴趣点组合构成情况，从而为商业推广活动、定位数据分析以及城市商业功能区域规划等应用场景提供支持。
进一步的，由于现实中的商圈在地理位置上大多分布形状不规则，而仅根据所述相似度和预设的兴趣点之间的相似度阈值生成的商圈中可能会有误判兴趣点引入，所以本申请通过增加误判兴趣点筛选，可以保证兴趣点归入对应商圈的准确性。
进一步的，在兴趣点相似度计算方面，兴趣点中包括了类型、名称、地址、经度、纬度等信息特征，考虑到实际商圈中的兴趣点，通常在名称、地址上存在相关性，同时在地理位置上呈现聚集特征，本申请中选取兴趣点的名称、地址和经纬度信息来计算相似度从而得到更精确的相似度，便于后续商圈的聚类。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (18)
1.一种商圈识别方法，其中，该方法包括：
根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度；
根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈；
根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
2.如权利要求1所述的方法，其中，根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围，包括：
基于所述商圈的兴趣点密度确定删选标准，根据所述删选标准所述对所述商圈包含的所有兴趣点进行筛选，删除所述商圈不符合标准的兴趣点，得到最终的商圈；
根据所述最终的商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
3.如权利要求1或2所述的方法，其中，基于所述商圈的兴趣点密度确定删选标准，包括：
根据公式M＝n/S计算所述商圈的兴趣点密度，其中，M表示所述商圈的兴趣点密度，n表示所述商圈内的兴趣点数目，S表示所述商圈的面积范围；
所述删选标准包括：以所述圈内每个兴趣点为中心点，如果在该兴趣点周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，其中，ε≥1。
4.如权利要求1至3任一项所述的方法，其中，所述特征信息包括经度、纬度信息，所述相似度包括根据所述经度、纬度信息计算得到的距离相似度。
5.如权利要求4所述的方法，其中，所述距离相似度根据如下公式Ds＝1-L/Z获取，其中，L表示两个兴趣点间距离，Z表示预设的商圈直径。
6.如权利要求4或5所述的方法，其中，所述特征信息还包括地址信息，所述相似度还包括根据所述地址信息计算得到的地址相似度。
7.如权利要求6所述的方法，其中，所述特征信息还包括名称信息，所述相似度还包括根据所述名称信息计算得到的名称相似度。
8.如权利要求7所述的方法，其中，根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度，包括：
根据每两个兴趣点的所述经度、纬度、地址和名称信息，计算每两个兴趣点之间的距离、地址和名称相似度；
对距离、地址和名称相似度赋予对应的权重，并将距离、地址和名称相似度根据对应的权重进行加权合成综合相似度；
根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈，包括：
根据所述综合相似度和预设的兴趣点之间的综合相似度阈值将兴趣点进行聚合生成商圈。
9.如权利要求1至8任一项所述的方法，其中，根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈，包括：
选取所述目标地区内任意未归处理的起始兴趣点，逐步聚合所述目标地区内与所述起始兴趣点满足所述相似度阈值的其他未处理兴趣点，构成所述商圈。
10.一种商圈识别设备，其中，该设备包括：
兴趣点相似度计算装置，用于根据目标地区内的兴趣点的特征信息，计算每两个兴趣点之间的相似度；
商圈聚合装置，用于根据所述相似度和预设的兴趣点之间的相似度阈值将兴趣点进行聚合生成商圈；
商圈整合输出模块，用于根据所述商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
11.如权利要求10所述的设备，其中，所述设备还包括误判兴趣点筛选装置，用于基于所述商圈的兴趣点密度确定删选标准，根据所述删选标准所述对所述商圈包含的所有兴趣点进行筛选，删除所述商圈不符合标准的兴趣点，得到最终的商圈；
所述商圈整合输出模块，用于根据所述最终的商圈内的兴趣点的特征信息计算并输出所述商圈的地理范围。
12.如权利要求10或11所述的设备，其中，误判兴趣点筛选装置，用于根据公式M＝n/S计算所述商圈的兴趣点密度，其中，M表示所述商圈的兴趣点密度，n表示所述商圈内的兴趣点数目，S表示所述商圈的面积范围；
并确定所述删选标准包括：以所述圈内每个兴趣点为中心点，如果在该兴趣点周围局部εM的范围内没有其他兴趣点存在，则将该兴趣点移出该商圈，其中，δ≥1。
13.如权利要求10至12任一项所述的设备，其中，所述特征信息包括经度、纬度信息，所述相似度包括根据所述经度、纬度信息计算得到的距离相似度。
14.如权利要求13所述的设备，其中，所述兴趣点相似度计算装置，根据如下公式Ds＝1-L/Z获取距离相似度，其中，L表示两个兴趣点间距离，Z表示预设的商圈直径。
15.如权利要求13或14所述的设备，其中，所述特征信息还包括地址信息，所述相似度还包括根据所述地址信息计算得到的地址相似度。
16.如权利要求15所述的设备，其中，所述特征信息还包括名称信息，所述相似度还包括根据所述名称信息计算得到的名称相似度。
17.如权利要求16所述的设备，其中，所述兴趣点相似度计算装置，用于根据每两个兴趣点的所述经度、纬度、地址和名称信息，计算每两个兴趣点之间的距离、地址和名称相似度；及对距离、地址和名称相似度赋予对应的权重，并将距离、地址和名称相似度根据对应的权重进行加权合成综合相似度；
商圈聚合装置，用于根据所述综合相似度和预设的兴趣点之间的综合相似度阈值将兴趣点进行聚合生成商圈。
18.如权利要求10至17任一项所述的设备，其中，所述商圈聚合装置，用于选取所述目标地区内任意未归处理的起始兴趣点，逐步聚合所述目标地区内与所述起始兴趣点满足所述相似度阈值的其他未处理兴趣点，构成所述商圈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510724325.9A CN106649331B (zh) | 2015-10-29 | 2015-10-29 | 商圈识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510724325.9A CN106649331B (zh) | 2015-10-29 | 2015-10-29 | 商圈识别方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106649331A true CN106649331A (zh) | 2017-05-10 |
| CN106649331B CN106649331B (zh) | 2020-09-11 |
Family
ID=58830536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510724325.9A Active CN106649331B (zh) | 2015-10-29 | 2015-10-29 | 商圈识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106649331B (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220308A (zh) * | 2017-05-11 | 2017-09-29 | 百度在线网络技术（北京）有限公司 | Poi的合理性的检测方法及装置、设备及可读介质 |
| CN107463624A (zh) * | 2017-07-06 | 2017-12-12 | 深圳市城市规划设计研究院有限公司 | 一种基于社交媒体数据进行城市兴趣域识别的方法及系统 |
| CN108171529A (zh) * | 2017-12-04 | 2018-06-15 | 昆明理工大学 | 一种地址相似度评估方法 |
| CN108280748A (zh) * | 2018-02-13 | 2018-07-13 | 口口相传(北京)网络技术有限公司 | 聚集店铺信息的推送方法及装置 |
| CN108460631A (zh) * | 2018-02-13 | 2018-08-28 | 口口相传(北京)网络技术有限公司 | 多元化信息的混合推送方法及装置 |
| CN108596648A (zh) * | 2018-03-20 | 2018-09-28 | 阿里巴巴集团控股有限公司 | 一种商圈判定方法和装置 |
| CN108696597A (zh) * | 2018-05-29 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 推送营销信息的方法和装置 |
| CN109101474A (zh) * | 2017-06-20 | 2018-12-28 | 菜鸟智能物流控股有限公司 | 一种地址聚合的方法、包裹聚合的方法以及设备 |
| CN109635047A (zh) * | 2018-10-25 | 2019-04-16 | 口口相传(北京)网络技术有限公司 | 地理网格的信息处理方法、装置、设备及可读存储介质 |
| CN109947865A (zh) * | 2018-09-05 | 2019-06-28 | 中国银联股份有限公司 | 商户分类方法及商户分类系统 |
| CN110335068A (zh) * | 2019-06-18 | 2019-10-15 | 平安普惠企业管理有限公司 | 一种商户聚集区域确定方法及装置 |
| CN110334349A (zh) * | 2019-06-28 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 商圈自动命名的方法、装置、计算机设备及存储介质 |
| CN110362640A (zh) * | 2018-04-02 | 2019-10-22 | 北京四维图新科技股份有限公司 | 一种基于电子地图数据的任务分配方法及装置 |
| CN110597943A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于人工智能的兴趣点处理方法、装置及电子设备 |
| CN110619089A (zh) * | 2019-05-31 | 2019-12-27 | 北京无限光场科技有限公司 | 信息检索方法和装置 |
| CN110727793A (zh) * | 2018-06-28 | 2020-01-24 | 百度在线网络技术（北京）有限公司 | 区域识别的方法、装置、终端和计算机可读存储介质 |
| CN111178975A (zh) * | 2019-12-31 | 2020-05-19 | 北京顺达同行科技有限公司 | 一种商圈的划分方法、装置、电子设备及存储介质 |
| CN111210269A (zh) * | 2020-01-02 | 2020-05-29 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、电子装置及存储介质 |
| CN111369284A (zh) * | 2020-03-03 | 2020-07-03 | 浙江网商银行股份有限公司 | 目标对象类型确定方法及装置 |
| CN111708859A (zh) * | 2020-06-18 | 2020-09-25 | 中科宇图科技股份有限公司 | 一种基于空间数据的商圈边界识别方法 |
| CN111858543A (zh) * | 2019-04-26 | 2020-10-30 | 中国移动通信集团河北有限公司 | 商业地图的质量评估方法、装置及计算设备 |
| CN111954874A (zh) * | 2018-04-11 | 2020-11-17 | 诺基亚技术有限公司 | 标识地理区域内的功能区 |
| CN111985514A (zh) * | 2019-05-23 | 2020-11-24 | 顺丰科技有限公司 | 商圈识别方法、装置、电子设备及存储介质 |
| CN112001384A (zh) * | 2020-08-14 | 2020-11-27 | 广州掌淘网络科技有限公司 | 商圈识别的方法及设备 |
| CN112257970A (zh) * | 2019-07-22 | 2021-01-22 | 山东科技大学 | 一种基于兴趣点大数据的城市功能区自动划分方法 |
| CN112488749A (zh) * | 2020-11-27 | 2021-03-12 | 上海晶确科技有限公司 | 商圈信息评估方法 |
| CN112783992A (zh) * | 2019-11-08 | 2021-05-11 | 腾讯科技（深圳）有限公司 | 一种基于兴趣点的地图功能区域确定方法和装置 |
| CN112862514A (zh) * | 2019-11-27 | 2021-05-28 | 北京沃东天骏信息技术有限公司 | 数据处理方法及装置、电子设备、计算机可读存储介质 |
| CN116402548A (zh) * | 2023-06-09 | 2023-07-07 | 北京大也智慧数据科技服务有限公司 | 基于信令数据和poi数据确定商业区饱和状态的方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101388023A (zh) * | 2008-09-12 | 2009-03-18 | 北京搜狗科技发展有限公司 | 电子地图兴趣点数据冗余检测方法和系统 |
| CN102495856A (zh) * | 2011-11-22 | 2012-06-13 | 南京大学 | 一种基于电子地图的步行商圈生成方法 |
| CN102789467A (zh) * | 2011-05-20 | 2012-11-21 | 腾讯科技（深圳）有限公司 | 一种数据融合的方法、装置及数据处理系统 |
| CN103164512A (zh) * | 2013-02-25 | 2013-06-19 | 百度在线网络技术（北京）有限公司 | 兴趣点的地址信息的处理方法及设备 |
| CN103533501A (zh) * | 2013-10-15 | 2014-01-22 | 厦门雅迅网络股份有限公司 | 一种地理围栏生成方法 |
| CN104077322A (zh) * | 2013-03-30 | 2014-10-01 | 百度在线网络技术（北京）有限公司 | 基于问题的地理信息挖掘方法及系统 |
| CN104978437A (zh) * | 2015-07-22 | 2015-10-14 | 浙江大学 | 一种基于地理位置的推荐方法和推荐系统 |
-
2015
- 2015-10-29 CN CN201510724325.9A patent/CN106649331B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101388023A (zh) * | 2008-09-12 | 2009-03-18 | 北京搜狗科技发展有限公司 | 电子地图兴趣点数据冗余检测方法和系统 |
| CN102789467A (zh) * | 2011-05-20 | 2012-11-21 | 腾讯科技（深圳）有限公司 | 一种数据融合的方法、装置及数据处理系统 |
| CN102495856A (zh) * | 2011-11-22 | 2012-06-13 | 南京大学 | 一种基于电子地图的步行商圈生成方法 |
| CN103164512A (zh) * | 2013-02-25 | 2013-06-19 | 百度在线网络技术（北京）有限公司 | 兴趣点的地址信息的处理方法及设备 |
| CN104077322A (zh) * | 2013-03-30 | 2014-10-01 | 百度在线网络技术（北京）有限公司 | 基于问题的地理信息挖掘方法及系统 |
| CN103533501A (zh) * | 2013-10-15 | 2014-01-22 | 厦门雅迅网络股份有限公司 | 一种地理围栏生成方法 |
| CN104978437A (zh) * | 2015-07-22 | 2015-10-14 | 浙江大学 | 一种基于地理位置的推荐方法和推荐系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李宁 等: "基于QoS感知的Web服务推荐算法", 《计算机工程与设计》 * |
Cited By (41)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220308A (zh) * | 2017-05-11 | 2017-09-29 | 百度在线网络技术（北京）有限公司 | Poi的合理性的检测方法及装置、设备及可读介质 |
| CN107220308B (zh) * | 2017-05-11 | 2021-07-20 | 百度在线网络技术（北京）有限公司 | Poi的合理性的检测方法及装置、设备及可读介质 |
| CN109101474A (zh) * | 2017-06-20 | 2018-12-28 | 菜鸟智能物流控股有限公司 | 一种地址聚合的方法、包裹聚合的方法以及设备 |
| CN109101474B (zh) * | 2017-06-20 | 2022-09-30 | 菜鸟智能物流控股有限公司 | 一种地址聚合的方法、包裹聚合的方法以及设备 |
| CN107463624A (zh) * | 2017-07-06 | 2017-12-12 | 深圳市城市规划设计研究院有限公司 | 一种基于社交媒体数据进行城市兴趣域识别的方法及系统 |
| CN108171529A (zh) * | 2017-12-04 | 2018-06-15 | 昆明理工大学 | 一种地址相似度评估方法 |
| CN108171529B (zh) * | 2017-12-04 | 2021-09-14 | 昆明理工大学 | 一种地址相似度评估方法 |
| CN108280748A (zh) * | 2018-02-13 | 2018-07-13 | 口口相传(北京)网络技术有限公司 | 聚集店铺信息的推送方法及装置 |
| CN108460631A (zh) * | 2018-02-13 | 2018-08-28 | 口口相传(北京)网络技术有限公司 | 多元化信息的混合推送方法及装置 |
| CN108596648A (zh) * | 2018-03-20 | 2018-09-28 | 阿里巴巴集团控股有限公司 | 一种商圈判定方法和装置 |
| CN108596648B (zh) * | 2018-03-20 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 一种商圈判定方法和装置 |
| CN110362640A (zh) * | 2018-04-02 | 2019-10-22 | 北京四维图新科技股份有限公司 | 一种基于电子地图数据的任务分配方法及装置 |
| CN111954874A (zh) * | 2018-04-11 | 2020-11-17 | 诺基亚技术有限公司 | 标识地理区域内的功能区 |
| CN108696597B (zh) * | 2018-05-29 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 推送营销信息的方法和装置 |
| CN108696597A (zh) * | 2018-05-29 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 推送营销信息的方法和装置 |
| CN110727793A (zh) * | 2018-06-28 | 2020-01-24 | 百度在线网络技术（北京）有限公司 | 区域识别的方法、装置、终端和计算机可读存储介质 |
| CN109947865A (zh) * | 2018-09-05 | 2019-06-28 | 中国银联股份有限公司 | 商户分类方法及商户分类系统 |
| CN109635047A (zh) * | 2018-10-25 | 2019-04-16 | 口口相传(北京)网络技术有限公司 | 地理网格的信息处理方法、装置、设备及可读存储介质 |
| CN109635047B (zh) * | 2018-10-25 | 2020-06-02 | 口口相传(北京)网络技术有限公司 | 地理网格的信息处理方法、装置、设备及可读存储介质 |
| CN111858543A (zh) * | 2019-04-26 | 2020-10-30 | 中国移动通信集团河北有限公司 | 商业地图的质量评估方法、装置及计算设备 |
| CN111858543B (zh) * | 2019-04-26 | 2024-03-19 | 中国移动通信集团河北有限公司 | 商业地图的质量评估方法、装置及计算设备 |
| CN111985514A (zh) * | 2019-05-23 | 2020-11-24 | 顺丰科技有限公司 | 商圈识别方法、装置、电子设备及存储介质 |
| CN110619089A (zh) * | 2019-05-31 | 2019-12-27 | 北京无限光场科技有限公司 | 信息检索方法和装置 |
| CN110335068A (zh) * | 2019-06-18 | 2019-10-15 | 平安普惠企业管理有限公司 | 一种商户聚集区域确定方法及装置 |
| CN110334349A (zh) * | 2019-06-28 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 商圈自动命名的方法、装置、计算机设备及存储介质 |
| CN112257970A (zh) * | 2019-07-22 | 2021-01-22 | 山东科技大学 | 一种基于兴趣点大数据的城市功能区自动划分方法 |
| CN110597943A (zh) * | 2019-09-16 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 基于人工智能的兴趣点处理方法、装置及电子设备 |
| CN112783992A (zh) * | 2019-11-08 | 2021-05-11 | 腾讯科技（深圳）有限公司 | 一种基于兴趣点的地图功能区域确定方法和装置 |
| CN112783992B (zh) * | 2019-11-08 | 2023-10-20 | 腾讯科技（深圳）有限公司 | 一种基于兴趣点的地图功能区域确定方法和装置 |
| CN112862514A (zh) * | 2019-11-27 | 2021-05-28 | 北京沃东天骏信息技术有限公司 | 数据处理方法及装置、电子设备、计算机可读存储介质 |
| CN111178975A (zh) * | 2019-12-31 | 2020-05-19 | 北京顺达同行科技有限公司 | 一种商圈的划分方法、装置、电子设备及存储介质 |
| WO2021135105A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、装置、设备及存储介质 |
| CN111210269A (zh) * | 2020-01-02 | 2020-05-29 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、电子装置及存储介质 |
| CN111369284A (zh) * | 2020-03-03 | 2020-07-03 | 浙江网商银行股份有限公司 | 目标对象类型确定方法及装置 |
| CN111369284B (zh) * | 2020-03-03 | 2023-08-15 | 浙江网商银行股份有限公司 | 目标对象类型确定方法及装置 |
| CN111708859A (zh) * | 2020-06-18 | 2020-09-25 | 中科宇图科技股份有限公司 | 一种基于空间数据的商圈边界识别方法 |
| CN111708859B (zh) * | 2020-06-18 | 2023-04-25 | 中科宇图科技股份有限公司 | 一种基于空间数据的商圈边界识别方法 |
| CN112001384A (zh) * | 2020-08-14 | 2020-11-27 | 广州掌淘网络科技有限公司 | 商圈识别的方法及设备 |
| CN112488749A (zh) * | 2020-11-27 | 2021-03-12 | 上海晶确科技有限公司 | 商圈信息评估方法 |
| CN116402548B (zh) * | 2023-06-09 | 2023-10-03 | 广西大也智能数据有限公司 | 基于信令数据和poi数据确定商业区饱和状态的方法和装置 |
| CN116402548A (zh) * | 2023-06-09 | 2023-07-07 | 北京大也智慧数据科技服务有限公司 | 基于信令数据和poi数据确定商业区饱和状态的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106649331B (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106649331A (zh) | 商圈识别方法及设备 | |
| Konowalik et al. | Evaluation metrics and validation of presence-only species distribution models based on distributional maps with varying coverage | |
| CN101702200B (zh) | 一种机载激光雷达点云数据的自动分类方法 | |
| JP6991163B2 (ja) | 情報をプッシュする方法及びデバイス | |
| Herold et al. | The use of remote sensing and landscape metrics to describe structures and changes in urban land uses | |
| CN107330459B (zh) | 一种数据处理方法、装置和电子设备 | |
| CN106488400B (zh) | 生成地理围栏的方法及装置 | |
| CN107316048A (zh) | 点云分类方法及装置 | |
| CN104112284B (zh) | 一种图片的相似度检测方法和设备 | |
| CN107657048A (zh) | 用户识别方法及装置 | |
| WO2019179173A1 (zh) | 一种商圈判定方法和装置 | |
| CN109657697A (zh) | 基于半监督学习和细粒度特征学习的分类优化方法 | |
| US20080091627A1 (en) | Data Learning System for Identifying, Learning Apparatus, Identifying Apparatus and Learning Method | |
| BR112012031816A2 (pt) | avaliação de inventário florestal que usa dados de teledetecção | |
| WO2019069505A1 (ja) | 情報処理装置、結合条件生成方法および結合条件生成プログラム | |
| WO2018045529A1 (zh) | 一种网络站址规划方法及装置 | |
| CN106202098A (zh) | 记录及还原网页中点击位置的方法和装置 | |
| CN107592296A (zh) | 垃圾账户的识别方法和装置 | |
| CN103712628B (zh) | 导航路径描绘方法和终端 | |
| CN111221960A (zh) | 文本检测方法、相似度计算方法、模型训练方法及装置 | |
| CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
| CN107784046A (zh) | Poi信息处理方法和装置 | |
| Eum et al. | Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features | |
| CN110674178A (zh) | 构建用户画像标签的方法及其系统 | |
| KR102558609B1 (ko) | 건축물의 구조적인 무결성을 보장하기 위한 풍속 패턴 평가 방법 및 상기 방법을 수행하는 컴퓨팅 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |