CN107589435A - 一种北斗gps轨迹停留分析方法 - Google Patents
一种北斗gps轨迹停留分析方法 Download PDFInfo
- Publication number
- CN107589435A CN107589435A CN201710790646.8A CN201710790646A CN107589435A CN 107589435 A CN107589435 A CN 107589435A CN 201710790646 A CN201710790646 A CN 201710790646A CN 107589435 A CN107589435 A CN 107589435A
- Authority
- CN
- China
- Prior art keywords
- cluster
- track
- positioning
- big dipper
- calculated
- 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.)
- Pending
Links
Abstract
本发明公开了一种北斗GPS轨迹停留分析方法。所述的方法,采用改进的DBSCAN算法对定位轨迹进行聚类分析;在DBSCAN算法的基础上,通过加入时间属性变量的运算,并结合定位轨迹的时间属性和空间属性,分析得出定位轨迹中的定位对象停留的位置和时长。本发明提供了一种能够自动分析定位设备定位的历史轨迹,并计算出该定位对象停留的位置,以及在该位置停留的时长的方法,为人们的生产、生活决策提供参考依据。
Description
技术领域
本发明涉及定位分析技术,尤其涉及一种北斗GPS轨迹停留分析方法。
背景技术
北斗或GPS定位设备可以安装在大货车、共享单车、特种车辆上,或者佩戴在小孩、老人身上,通过无线数据模块将定位信息按一定频度上报到服务器,监控人员就可以看到车辆、人员的移动轨迹。监控人员通常会查看被监控对象的历史轨迹,以及被监控对象在何时、何地停留以及停留时长,作为生产、生活参考的依据。
基于密度的空间聚类算法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN),将具有足够密度的区域划分为簇,并在具有噪声的空间数据中发现任意形状的簇,并将簇定义为密度相连的点的最大集合,算法利用基于密度聚类的概念,即要求聚类空间中的一定区域内(例如,ε为半径)所包含对象(点或其他空间对象)的数目不小于某一给定阈值(例如,MinPts)。DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类。
在实际应用中,DBSCAN算法是完全基于空间坐标位置,然而设备定位除了具有空间属性外,还具有时间属性。因此,仅采用DBSCAN算法对定位轨迹聚类存在问题,比如,当定位对象从某个位置P1停留了一段时间后出发,经过一段时间T后,回到了位置P1附近,那么时间T后的定位坐标可能会聚集到以P1位置簇心的簇中,但实际上T时间前是一次停留,T时间后是一次停留,没有考虑到时间属性的影响。
发明内容
本发明的目的在于克服现有技术的不足,提供一种北斗GPS轨迹停留分析方法。针对设备定位轨迹的特殊性,结合定位轨迹的时间属性和空间属性,在DBSCAN算法的基础上进行改进,提出了一种结合时间、空间的轨迹停留分析算法,它能够较好地分析出轨迹中定位对象停留的位置和时长。
本申请至少达到,实现一种能够自动分析北斗设备、GPS设备定位的历史轨迹,并计算出该定位对象停留的位置,以及在该位置停留的时长的分析方法,并能够为人们的生产、生活决策提供参考依据。
本发明的目的是通过以下技术方案来实现的:一种北斗GPS轨迹停留分析方法,包括:
采用改进的DBSCAN算法对定位轨迹进行聚类分析;所述的定位轨迹包括北斗定位轨迹和/或GPS定位轨迹;
所述改进的DBSCAN算法,在DBSCAN算法的基础上,通过加入时间属性变量的运算,并结合定位轨迹的时间属性和空间属性,分析得出定位轨迹中的定位对象停留的位置和时长;
所述加入时间属性变量的运算,包括但不限于如下运算:
将定位轨迹中的定位点之间的距离差、和定位轨迹中的定位点之间的时间差,与DBSCAN算法中的聚类半径比较;所述地比较,用于确定DBSCAN算法中的簇;
计算所述的簇的簇心;所述地计算,包括但不限于:
计算得出定位轨迹的停留点,和计算得出停留点的停留时长。
进一步地,包括:
计算簇的阈值的步骤;在该步骤中,采用如下公式计算:
其中,MinPts即为簇的阈值,t为时间,T表示定位轨迹数据上报的频度。
进一步地,包括:
判断并计算的步骤;在该步骤中,如果簇的个数小于等于阈值MinPts,则判定该簇即为定位设备在停留点附近的轨迹集合;否则,丢掉这个簇;
计算得出所有的簇,并计算得出所有簇中的坐标之间距离的均值。
进一步地,包括:包括:
采用K-Means算法,计算簇的簇心。
进一步地,包括:
计算第一聚类半径,所述第一聚类半径为初始聚类半径;根据定位设备的精度,计算得出定位轨迹中相邻两个点之间的距离,并统计所述距离小于设定值的距离值,然后计算统计后的距离值的均值,作为初始聚类半径R1。
进一步地,包括:
计算第二聚类半径,所述第二聚类半径为精确聚类半径;将所有簇中的坐标之间距离的均值中的中值作为精确聚类半径R2。
进一步地,包括:
输入定位轨迹序列的步骤;所述地输入,包括输入北斗定位设备的定位轨迹序列和/或输入GPS定位设备的定位轨迹序列。
进一步地,包括:
输出分析结果的步骤;并在地图上呈现所述分析结果。
本发明的有益效果是:
(1)本发明根据实际应用需要,提供了一种能够自动分析定位设备(包括北斗定位设备、GPS定位设备)定位的历史轨迹,并计算出该定位对象停留的位置,以及在该位置停留的时长的方法,为人们的生产、生活决策提供参考依据。这其中,尤其对DBSCAN算法作出了改进,并将其应用于对定位轨迹的停留点的分析处理技术中,对于DBSCAN算法只对空间位置坐标聚类,难以满足实际应用场景的需要的不足之处,充分考虑了定位轨迹的时间属性和空间属性,能够较好地分析出轨迹中定位对象停留的位置和时长。
(2)本发明基于改进的DBSCAN算法进行聚类分析,提高了精度和效率。
(3)本发明继承了DBSCAN算法的聚类速度快,且能够有效处理噪声点和发现任意形状的优点。
附图说明
图1为某部分定位轨迹在地图上的放大图。
图2为DBSCAN聚类算法的示意图。
图3为本发明改进的DBSCAN聚类算法的示意图。
图4为本发明方法的流程图。
图5为本发明的实施例一的第一分析结果图。
图6为本发明的实施例一的第二分析结果图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
实施例一
如图3,4,5,6,一种北斗GPS轨迹停留分析方法,包括:
采用改进的DBSCAN算法对定位轨迹进行聚类分析;所述的定位轨迹包括北斗定位轨迹和/或GPS定位轨迹;
所述改进的DBSCAN算法,在DBSCAN算法的基础上,通过加入时间属性变量的运算,并结合定位轨迹的时间属性和空间属性,分析得出定位轨迹中的定位对象停留的位置和时长;
所述加入时间属性变量的运算,包括但不限于如下运算:
将定位轨迹中的定位点之间的距离差、和定位轨迹中的定位点之间的时间差,与DBSCAN算法中的聚类半径比较;所述地比较,用于确定DBSCAN算法中的簇;
计算所述的簇的簇心;所述地计算,包括但不限于:
计算得出定位轨迹的停留点,和计算得出停留点的停留时长。
进一步地,包括:
计算簇的阈值的步骤;在该步骤中,采用如下公式计算:
其中,MinPts即为簇的阈值,t为时间,T表示定位轨迹数据上报的频度。
进一步地,包括:
判断并计算的步骤;在该步骤中,如果簇的个数小于等于阈值MinPts,则判定该簇即为定位设备在停留点附近的轨迹集合;否则,丢掉这个簇;
计算得出所有的簇,并计算得出所有簇中的坐标之间距离的均值。
进一步地,包括:包括:
采用K-Means算法,计算簇的簇心。
进一步地,包括:
计算第一聚类半径,所述第一聚类半径为初始聚类半径;根据定位设备的精度,计算得出定位轨迹中相邻两个点之间的距离,并统计所述距离小于设定值的距离值,然后计算统计后的距离值的均值,作为初始聚类半径R1。
进一步地,包括:
计算第二聚类半径,所述第二聚类半径为精确聚类半径;将所有簇中的坐标之间距离的均值中的中值作为精确聚类半径R2。
进一步地,包括:
输入定位轨迹序列的步骤;所述地输入,包括输入北斗定位设备的定位轨迹序列和/或输入GPS定位设备的定位轨迹序列。
进一步地,包括:
输出分析结果的步骤;并在地图上呈现所述分析结果。
在本发明的实施例一中,图1为某部分定位轨迹在地图上放大后的图,从图1中可以看出圆圈P1、P2、P3所标注的区域,可能就是定位对象所停留的位置。
本发明提出的方法,它是在DBSCAN算法的基础上进行改进的。通过将具有足够密度的区域划分为簇,并在具有噪声的空间数据中发现任意形状的簇,将簇定义为密度相连的点的最大集合,算法利用基于密度聚类的概念,即要求聚类空间中的一定区域内(例如,ε为半径)所包含对象(点或其他空间对象)的数目不大于某一给定阈值(例如,MinPts)。例如在图2中,MinPts=4。点A和在点A周围距离最近的五个点是核心点,因为这些点以ε半径范围内至少包含4个点(包括点本身)。它们彼此都是可到达的,所以形成一个簇。点B和C不是核心点,但可以从一个(通过其他核心点)到达,从而属于集群。由于点簇N既不是一个核心点,也不是密度可达的,所以点N是一个噪声点。如果定位设备,如果北斗定位设备或GPS定位设备长时间停留某个位置,在该位置定位的坐标在以该位置为核心、以ε为半径的范围内。DBSCAN算法是完全基于空间坐标位置,然而设备定位除了具有空间属性外,还具有时间属性。因此,仅采用DBSCAN算法对定位轨迹聚类存在问题,比如,当定位对象从某个位置P1停留了一段时间后出发,经过一段时间T后,回到了位置P1附近,那么时间T后的定位坐标可能会聚集到以P1位置簇心的簇中,但实际上T时间前是一次停留,T时间后是一次停留。针对设备定位轨迹的特殊性,结合定位轨迹的时间和空间属性,本发明提出的基于一种结合时间、空间的轨迹停留分析算法,能够较好地分析出轨迹中定位对象停留的位置和时长。进一步描述如下:
如图3所示,有设备某天的定位轨迹{p0,p1,…,p16}。首先计算pi与pi+1的距离差Δd和时间差Δt,如果Δd小于聚类半径ε且Δt小于时间t,那么pi与pi+1属于同一个临时簇C,那么,继续下一组数据pi+1与pi+2的计算,如果满足条件,那么将pi+2也加入簇C,依次类推,当簇C的个数大于等于阈值MinPts时,该簇就是定位设备在停留点附近的轨迹集合;否则,抛弃这个簇。按上述方法,计算出所有的簇{C0,C1,...,Ci,...,Cn-1}。计算所有簇中坐标之间距离的均值,记为n天定位轨迹的簇距离均值记为
簇Ci包含轨迹点{p0,p1,...pi,...pn-1},簇心的计算方法采用K均值聚类(K-Means),K=1,聚类中心就是簇心,即定位设备的停留点。K-Means算法是通用算法,这里不作详细介绍。
MinPts的计算如下公式,时间t,单位为分钟,表示停留的阈值;T表示轨迹上报频度,单位为秒。
聚类半径ε的计算,普通北斗/GPS设备定位精度为15米,计算轨迹中相邻两个点之间的距离,统计距离大于1米或小于30米的距离值,然后计算其均值作为初始聚类半径,记为R1。当定位设备积累了一定的轨迹数据后,取的中值作为聚类半径,记为R2。定位设备积累的定位数据越多,计算所得的聚类半径越精确。
采用改进的DBSCAN算法对某段轨定位迹进行聚类,可将轨迹中停留位置附近的坐标点聚成簇,计算簇的簇心,即轨迹的停留点。
可选的,如图4,包括如下步骤:
S1:输入北斗/GPS定位轨迹序列;
S2:按照等式(1)计算簇阈值MinPts;
S3:计算聚类半径R1或R2;
S4:使用改进的DBSCAN聚类方法进行聚类;
S5:计算簇心,即轨迹停留点,以及在停留点停留的时间;
S6:输出结果。
应用本发明,分析定位设备的历史轨迹中停留点的实验结果如图5,6,图5、图6分别是存在停留点的部分轨迹截图,圆圈部分表示停留点。并计算得到停留点的停留时间如下表:
表1:
本发明根据实际应用需要,提供了一种能够自动分析定位设备(包括北斗定位设备、GPS定位设备)定位的历史轨迹,并计算出该定位对象停留的位置,以及在该位置停留的时长的方法,为人们的生产、生活决策提供参考依据。这其中,尤其对DBSCAN算法作出了改进,并将其应用于对定位轨迹的停留点的分析处理技术中,对于DBSCAN算法只对空间位置坐标聚类,难以满足实际应用场景的需要的不足之处,充分考虑了定位轨迹的时间属性和空间属性,能够较好地分析出轨迹中定位对象停留的位置和时长。
在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种北斗GPS轨迹停留分析方法,其特征在于,包括:
采用改进的DBSCAN算法对定位轨迹进行聚类分析;所述的定位轨迹包括北斗定位轨迹和/或GPS定位轨迹;
所述改进的DBSCAN算法,在DBSCAN算法的基础上,通过加入时间属性变量的运算,并结合定位轨迹的时间属性和空间属性,分析得出定位轨迹中的定位对象停留的位置和时长;
所述加入时间属性变量的运算,包括如下运算:
将定位轨迹中的定位点之间的距离差、和定位轨迹中的定位点之间的时间差,与DBSCAN算法中的聚类半径比较;所述地比较,用于确定DBSCAN算法中的簇;
计算所述的簇的簇心;所述地计算,包括但不限于:
计算得出定位轨迹的停留点,和计算得出停留点的停留时长。
2.根据权利要求1所述的一种北斗GPS轨迹停留分析方法,其特征在于,包括:
计算簇的阈值的步骤;在该步骤中,采用如下公式计算:
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mi>P</mi>
<mi>t</mi>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mn>60</mn>
<mo>&times;</mo>
<mi>t</mi>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
其中,MinPts即为簇的阈值,t为时间,T表示定位轨迹数据上报的频度。
3.根据权利要求2所述的一种北斗GPS轨迹停留分析方法,其特征在于,包括:
判断并计算的步骤;在该步骤中,如果簇的个数小于等于阈值MinPts,则判定该簇即为定位设备在停留点附近的轨迹集合;否则,丢掉这个簇;
计算得出所有的簇,并计算得出所有簇中的坐标之间距离的均值。
4.根据权利要求1、或2、或3中所述的一种北斗GPS轨迹停留分析方法,其特征在于,包括:
采用K-Means算法,计算簇的簇心。
5.根据权利要求4所述的一种北斗GPS轨迹停留分析方法,其特征在于,包括:
计算第一聚类半径,所述第一聚类半径为初始聚类半径;根据定位设备的精度,计算得出定位轨迹中相邻两个点之间的距离,并统计所述距离小于设定值的距离值,然后计算统计后的距离值的均值,作为初始聚类半径R1。
6.根据权利要求5所述的一种北斗GPS轨迹停留分析方法,其特征在于,包括:
计算第二聚类半径,所述第二聚类半径为精确聚类半径;将所有簇中的坐标之间距离的均值中的中值作为精确聚类半径R2。
7.根据权利要求1所述的一种北斗GPS轨迹停留分析方法,其特征在于,包括:
输入定位轨迹序列的步骤;所述地输入,包括输入北斗定位设备的定位轨迹序列和/或输入GPS定位设备的定位轨迹序列。
8.根据权利要求1所述的一种北斗GPS轨迹停留分析方法,其特征在于,包括:
输出分析结果的步骤;并在地图上呈现所述分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710790646.8A CN107589435A (zh) | 2017-09-05 | 2017-09-05 | 一种北斗gps轨迹停留分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710790646.8A CN107589435A (zh) | 2017-09-05 | 2017-09-05 | 一种北斗gps轨迹停留分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107589435A true CN107589435A (zh) | 2018-01-16 |
Family
ID=61051795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710790646.8A Pending CN107589435A (zh) | 2017-09-05 | 2017-09-05 | 一种北斗gps轨迹停留分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107589435A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
CN110503032A (zh) * | 2019-08-21 | 2019-11-26 | 中南大学 | 基于监控摄像头轨迹数据的个体重要场所探测方法 |
CN110689804A (zh) * | 2019-10-10 | 2020-01-14 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110888979A (zh) * | 2018-09-10 | 2020-03-17 | 中国移动通信集团有限公司 | 一种兴趣区域提取方法、装置及计算机存储介质 |
CN111046895A (zh) * | 2018-10-15 | 2020-04-21 | 北京京东尚科信息技术有限公司 | 一种确定目标区域的方法和装置 |
CN111680102A (zh) * | 2020-05-21 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的定位数据处理方法及相关设备 |
CN113742607A (zh) * | 2020-05-28 | 2021-12-03 | 浙江财经大学 | 一种基于当事人地理轨迹的停留位置推荐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005310043A (ja) * | 2004-04-26 | 2005-11-04 | Mitsubishi Heavy Ind Ltd | 移動体の障害物回避方法及び該移動体 |
CN103149577A (zh) * | 2013-02-28 | 2013-06-12 | 山东大学 | “北斗”导航、gps导航和历史数据融合的组合导航方法 |
CN105206041A (zh) * | 2015-08-12 | 2015-12-30 | 东南大学 | 一种考虑时序dbscan的智能手机轨迹链簇识别方法 |
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN107037452A (zh) * | 2017-04-27 | 2017-08-11 | 成都新橙北斗智联有限公司 | 一种基于北斗或gps设备定位轨迹的去噪声方法 |
CN107121690A (zh) * | 2017-03-31 | 2017-09-01 | 景致惠通工程咨询(武汉)有限公司 | 一种基于多运动参数的停留点识别方法和装置 |
-
2017
- 2017-09-05 CN CN201710790646.8A patent/CN107589435A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005310043A (ja) * | 2004-04-26 | 2005-11-04 | Mitsubishi Heavy Ind Ltd | 移動体の障害物回避方法及び該移動体 |
CN103149577A (zh) * | 2013-02-28 | 2013-06-12 | 山东大学 | “北斗”导航、gps导航和历史数据融合的组合导航方法 |
CN105206041A (zh) * | 2015-08-12 | 2015-12-30 | 东南大学 | 一种考虑时序dbscan的智能手机轨迹链簇识别方法 |
CN106650771A (zh) * | 2016-09-29 | 2017-05-10 | 百度在线网络技术(北京)有限公司 | 基于聚类分析的轨迹去噪方法以及装置 |
CN107121690A (zh) * | 2017-03-31 | 2017-09-01 | 景致惠通工程咨询(武汉)有限公司 | 一种基于多运动参数的停留点识别方法和装置 |
CN107037452A (zh) * | 2017-04-27 | 2017-08-11 | 成都新橙北斗智联有限公司 | 一种基于北斗或gps设备定位轨迹的去噪声方法 |
Non-Patent Citations (1)
Title |
---|
权宇澄 等: "基于改进DBSCAN方法的移动对象轨迹停留分析", 《测绘与空间地理信息》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888979A (zh) * | 2018-09-10 | 2020-03-17 | 中国移动通信集团有限公司 | 一种兴趣区域提取方法、装置及计算机存储介质 |
CN111046895A (zh) * | 2018-10-15 | 2020-04-21 | 北京京东尚科信息技术有限公司 | 一种确定目标区域的方法和装置 |
CN111046895B (zh) * | 2018-10-15 | 2023-11-07 | 北京京东振世信息技术有限公司 | 一种确定目标区域的方法和装置 |
CN109788433A (zh) * | 2019-03-13 | 2019-05-21 | 东南大学 | 一种基于深度卷积自编码网络的室内定位轨迹聚类方法 |
CN110503032A (zh) * | 2019-08-21 | 2019-11-26 | 中南大学 | 基于监控摄像头轨迹数据的个体重要场所探测方法 |
CN110503032B (zh) * | 2019-08-21 | 2021-08-31 | 中南大学 | 基于监控摄像头轨迹数据的个体重要场所探测方法 |
CN110689804A (zh) * | 2019-10-10 | 2020-01-14 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111680102A (zh) * | 2020-05-21 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的定位数据处理方法及相关设备 |
WO2021232585A1 (zh) * | 2020-05-21 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的定位数据处理方法及相关设备 |
CN111680102B (zh) * | 2020-05-21 | 2023-12-26 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的定位数据处理方法及相关设备 |
CN113742607A (zh) * | 2020-05-28 | 2021-12-03 | 浙江财经大学 | 一种基于当事人地理轨迹的停留位置推荐方法 |
CN113742607B (zh) * | 2020-05-28 | 2023-12-08 | 浙江财经大学 | 一种基于当事人地理轨迹的停留位置推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107589435A (zh) | 一种北斗gps轨迹停留分析方法 | |
US8224805B2 (en) | Method for generating context hierarchy and system for generating context hierarchy | |
CN106934720A (zh) | 基于物联网的设备保险智能定价方法与系统 | |
CN104239351A (zh) | 一种用户行为的机器学习模型的训练方法及装置 | |
CN107194434A (zh) | 一种基于时空数据的移动对象相似度计算方法及系统 | |
CN106598999A (zh) | 一种计算文本主题归属度的方法及装置 | |
CN103577602A (zh) | 一种二次聚类方法及系统 | |
CN104899228A (zh) | 一种发布网页资源的方法及装置 | |
CN113190653A (zh) | 一种基于区块链的交通数据监测系统 | |
CN104517052A (zh) | 一种入侵检测方法及装置 | |
CN104615881A (zh) | 一种基于移动位置应用的用户常态轨迹分析方法 | |
CN114037219A (zh) | 一种数据评估方法、装置及电子设备 | |
CN113837383B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN110968564A (zh) | 一种数据处理方法及数据状态预测模型的训练方法 | |
TWI677830B (zh) | 模型中關鍵變量的探測方法及裝置 | |
Cai et al. | Tropical cyclone risk assessment for China at the provincial level based on clustering analysis | |
CN108010268A (zh) | 一种基于基站定位的防踩踏事故实时预警方法 | |
CN104850657B (zh) | 一种全息位置地图的迭加方法 | |
CN110472742A (zh) | 一种模型变量确定方法、装置及设备 | |
CN106815320B (zh) | 基于拓展三维直方图的调研大数据可视化建模方法及系统 | |
CN101957941A (zh) | 基于时间趋势的融合显著性和敏感性来识别凸现问题的方法 | |
CN108170837A (zh) | 数据离散化方法、装置、计算机设备及存储介质 | |
CN106934024A (zh) | 一种数据处理方法和装置 | |
CN109344729B (zh) | 一种识别道路中人员运动的方法 | |
CN107908766B (zh) | 一种城市热点事件动态监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |
|
RJ01 | Rejection of invention patent application after publication |