CN108182240B - 兴趣点新增率预测模型训练及预测方法、装置及存储介质 - Google Patents
兴趣点新增率预测模型训练及预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108182240B CN108182240B CN201711457811.4A CN201711457811A CN108182240B CN 108182240 B CN108182240 B CN 108182240B CN 201711457811 A CN201711457811 A CN 201711457811A CN 108182240 B CN108182240 B CN 108182240B
- Authority
- CN
- China
- Prior art keywords
- poi
- area
- moment
- preset time
- time
- 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
Images
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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了兴趣点新增率预测模型训练及预测方法、装置及存储介质,其中预测方法包括:当需要对任一区域的POI新增率进行预测时,分别获取区域当前时刻的POI维度特征以及情报维度特征;将获取到的特征输入预先训练得到的POI新增率预测模型,得到区域的POI新增率预测结果。应用本发明方案,可准确地预测出不同区域的POI新增率,后续可根据新增率的大小来安排不同区域的更新频率,从而使得更新频率的安排更为合理,进而节省了采集资源等。
Description
【技术领域】
本发明涉及计算机应用技术,特别涉及兴趣点新增率预测模型训练及预测方法、装置及存储介质。
【背景技术】
地图的广泛应用让人们的生活更加便利。地图数据如兴趣点(POI,Point ofInterest)是地图的基础,人们的出行离不开覆盖完整且坐标准确的POI。
现实世界中的POI在不断变化,为了让地图数据更加拟合现实世界,需要不断地通过众包采集、外业采集等方式更新地图上的POI。
目前,还没有一种有效地预测区域POI新增率的方法,地图对于所有区域一视同仁的去更新,这样,就会导致某些变化不大的区域的更新频率与变化较大的区域的更新频率相同,更新频率安排不合理,从而造成采集资源的浪费。
【发明内容】
有鉴于此,本发明提供了POI新增率预测模型训练及预测方法、装置及存储介质。
具体技术方案如下:
一种POI新增率预测模型训练方法,包括:
针对作为训练样本的每个区域,分别获取所述区域的以下信息:
采集时刻所述区域的POI维度特征,所述采集时刻为将当前时刻减去第一预定时长得到的时刻;采集时刻所述区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,所述区域的POI新增率;
根据获取到的作为训练样本的区域的POI维度特征、情报维度特征以及POI新增率,训练得到POI新增率预测模型。
根据本发明一优选实施例,所述采集时刻所述区域的POI维度特征包括以下之一或任意组合:
采集时刻所述区域内的POI数量;
采集时刻所述区域内属于预先定义的易变类型的POI数量;
截至采集时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至采集时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至采集时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
根据本发明一优选实施例,所述采集时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在采集时刻之前曾存在wifi定位信息,但在截至采集时刻的第五预定时长内无wifi定位信息的POI数量;
截至采集时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至采集时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至采集时刻的第八预定时长内,所述区域的POI新增率。
根据本发明一优选实施例,该方法进一步包括:
将全国的城市划分为N个类别,N为大于一的正整数,其中,每个城市分别被切分为一系列预定大小的区域;
针对每个类别,分别训练得到对应的POI新增率预测模型。
根据本发明一优选实施例,所述将全国的城市划分为N个类别包括:
针对每个城市,分别统计截至当前时刻的第九预定时长内所述城市中的所有POI的点击热度之和;
按照统计结果将全国的城市划分为N个类别,其中,属于第i类的城市的统计结果大于属于第i+1类的城市的统计结果,1≤i≤N-1。
一种POI新增率预测方法,包括:
当需要对任一区域的POI新增率进行预测时,分别获取所述区域当前时刻的POI维度特征以及情报维度特征;
将获取到的特征输入预先训练得到的POI新增率预测模型,得到所述区域的POI新增率预测结果。
根据本发明一优选实施例,所述当前时刻的POI维度特征包括以下之一或任意组合:
当前时刻所述区域内的POI数量;
当前时刻所述区域内属于预先定义的易变类型的POI数量;
截至当前时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至当前时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至当前时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
根据本发明一优选实施例,所述当前时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在当前时刻之前曾存在wifi定位信息,但在截至当前时刻的第五预定时长内无wifi定位信息的POI数量;
截至当前时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至当前时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至当前时刻的第八预定时长内,所述区域的POI新增率。
根据本发明一优选实施例,所述将获取到的特征输入预先训练得到的POI新增率预测模型包括:
确定所述区域所在城市所属的城市类别;
将获取到的特征输入所述城市类别对应的POI新增率预测模型。
一种POI新增率预测模型训练装置,包括:样本获取单元以及模型训练单元;
所述样本获取单元,用于针对作为训练样本的每个区域,分别获取所述区域的以下信息:采集时刻所述区域的POI维度特征,所述采集时刻为将当前时刻减去第一预定时长得到的时刻;采集时刻所述区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,所述区域的POI新增率;
所述模型训练单元,用于根据获取到的作为训练样本的区域的POI维度特征、情报维度特征以及POI新增率,训练得到POI新增率预测模型。
根据本发明一优选实施例,所述采集时刻所述区域的POI维度特征包括以下之一或任意组合:
采集时刻所述区域内的POI数量;
采集时刻所述区域内属于预先定义的易变类型的POI数量;
截至采集时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至采集时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至采集时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
根据本发明一优选实施例,所述采集时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在采集时刻之前曾存在wifi定位信息,但在截至采集时刻的第五预定时长内无wifi定位信息的POI数量;
截至采集时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至采集时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至采集时刻的第八预定时长内,所述区域的POI新增率。
根据本发明一优选实施例,所述模型训练单元进一步用于,
将全国的城市划分为N个类别,N为大于一的正整数,其中,每个城市分别被切分为一系列预定大小的区域;
针对每个类别,分别训练得到对应的POI新增率预测模型。
根据本发明一优选实施例,所述模型训练单元针对每个城市,分别统计截至当前时刻的第九预定时长内所述城市中的所有POI的点击热度之和,按照统计结果将全国的城市划分为N个类别,其中,属于第i类的城市的统计结果大于属于第i+1类的城市的统计结果,1≤i≤N-1。
一种POI新增率预测装置,包括:特征获取单元以及预测单元;
所述特征获取单元,用于当需要对任一区域的POI新增率进行预测时,分别获取所述区域当前时刻的POI维度特征以及情报维度特征;
所述预测单元,用于将获取到的特征输入预先训练得到的POI新增率预测模型,得到所述区域的POI新增率预测结果。
根据本发明一优选实施例,所述当前时刻的POI维度特征包括以下之一或任意组合:
当前时刻所述区域内的POI数量;
当前时刻所述区域内属于预先定义的易变类型的POI数量;
截至当前时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至当前时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至当前时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
根据本发明一优选实施例,所述当前时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在当前时刻之前曾存在wifi定位信息,但在截至当前时刻的第五预定时长内无wifi定位信息的POI数量;
截至当前时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至当前时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至当前时刻的第八预定时长内,所述区域的POI新增率。
根据本发明一优选实施例,所述预测单元进一步用于,确定出所述区域所在城市所属的城市类别,将获取到的特征输入所述城市类别对应的POI新增率预测模型。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出,采用本发明所述方案,可准确地预测出不同区域的POI新增率,这样,后续即可根据新增率的大小来安排不同区域的更新频率,从而使得更新频率的安排更为合理,进而节省了采集资源等。
【附图说明】
图1为本发明所述POI新增率预测模型训练方法实施例的流程图。
图2为本发明所述切分出的区域示意图。
图3为本发明所述POI新增率预测方法实施例的流程图。
图4为本发明所述POI新增率预测模型训练装置实施例的组成结构示意图。
图5为本发明所述POI新增率预测装置实施例的组成结构示意图。
图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
针对现有技术中存在的问题,本发明中提出一种POI新增率预测方式,预先训练得到POI新增率预测模型,当需要对任一区域的POI新增率进行预测时,分别获取该区域当前时刻的POI维度特征以及情报维度特征,进而将获取到的特征输入POI新增率预测模型,从而得到输出的该区域的POI新增率预测结果。
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案进行进一步说明。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明所述POI新增率预测模型训练方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,针对作为训练样本的每个区域,分别获取区域的以下信息:采集时刻区域的POI维度特征,采集时刻为将当前时刻减去第一预定时长得到的时刻;采集时刻区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,区域的POI新增率。
在102中,根据获取到的作为训练样本的区域的POI维度特征、情报维度特征以及POI新增率,训练得到POI新增率预测模型。
在实际应用中,针对全国的每个城市,可预先分别将其切分为一系列预定大小的区域。其中,对于有路网的地区,可以利用同名道路将地区切分为小的区域,对于没有路网的地区,可直接切分为小的区域。图2为本发明所述切分出的区域示意图。区域大小可根据实际需要而定,比如,可为1km*1km大小。如何进行切分为现有技术。
可选取部分区域作为训练样本,并针对作为训练样本的每个区域,分别获取区域的以下信息:采集时刻区域的POI维度特征,采集时刻为将当前时刻减去第一预定时长得到的时刻;采集时刻区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,区域的POI新增率。以下分别对上述各信息进行详细说明。
一)采集时刻区域的POI维度特征
采集时刻区域的POI维度特征可包括以下1)~5)之一或任意组合,较佳地,包括全部的1)~5)。
1)采集时刻区域内的POI数量;
即统计在采集时刻时,区域内共包括多少个POI。
2)采集时刻区域内属于预先定义的易变类型的POI数量;
即统计在采集时刻时,区域内共包括多少个易变类型的POI;什么类型为易变类型可预先设定,比如,可将美食类、生活服务类POI定义为易变类型的POI。
3)截至采集时刻,区域内建立时长大于第二预定时长的POI数量;
即统计截止到采集时刻,区域内共包括多少个建立时长大于第二预定时长的POI。
4)截至采集时刻,区域内建立时长小于第三预定时长的POI数量;
即统计截止到采集时刻,区域内共包括多少个建立时长小于第三预定时长的POI。
5)截至采集时刻的第四预定时长内,区域内的所有POI的点击热度之和。
即分别统计(采集时刻-第四预定时长)~采集时刻这一时间段内,区域内的各POI的点击热度之和。
上述第一预定时长、第二预定时长、第三预定时长以及第四预定时长的具体取值可根据实际需要而定。比如,第一预定时长可为一个月,第二预定时长可为2年,第三预定时长可为3个月,第四预定时长可为1个月。
假设当前时刻为时刻a,获取采集时刻区域的POI维度特征即指获取(时刻a-1个月)时区域的POI维度特征,可包括:采集时刻区域内的POI数量;采集时刻区域内属于易变类型的POI数量;截至采集时刻区域内建立时长大于2年的POI数量;截至采集时刻区域内建立时长小于3个月的POI数量;(采集时刻-1个月)~采集时刻这一时间段内区域内所有POI的点击热度之和。
POI的点击热度即指POI在地图上的点击量。比如,用户利用百度地图在北京市内搜索某快餐店,共得到10个搜索结果,用户点击了其中的一个搜索结果,那么该搜索结果对应的POI的点击量/点击热度则加一。
二)采集时刻区域的情报维度特征
采集时刻区域的情报维度特征可包括以下1)~4)之一或任意组合,较佳地,包括全部的1)~4)。
1)区域内在采集时刻之前曾存在wifi定位信息,但在截至采集时刻的第五预定时长内无wifi定位信息的POI数量;
即统计区域内共包括多少个符合以下条件的POI:在(采集时刻-第五预定时长)之前曾存在wifi定位信息,但在(采集时刻-第五预定时长)~采集时刻这一时间段内无wifi定位信息。
可按照现有技术将用户获取到的wifi定位信息与地图上的POI相关联,针对某一POI,如果之前曾关联到wifi定位信息,但最近预定时长(以采集时刻作为当前时刻理解的最近预定时长)内未再获取到wifi定位信息,那么很可能意味着这个POI已经不存在了,统计这类POI的数量。
2)截至采集时刻的第六预定时长内,区域内新增wifi定位信息的POI数量;
即统计(采集时刻-第六预定时长)~采集时刻这一时间段内,区域内新增wifi定位信息的POI数量。
比如,获取到了某一POI的wifi定位信息,但是地图上没有这个POI,那么该POI即为新增POI,统计这类POI的数量。
3)截至采集时刻的第七预定时长内,区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
即统计(采集时刻-第七预定时长)~采集时刻这一时间段内,根据获取到的快递订单信息中的发件地址和收件地址确定出的区域内新增POI数量。
可通过合法途径获取快递订单信息,并分析快递订单信息中的发件地址和收件地址是否为地图上已有的POI,若否,则为新增POI,统计这类POI的数量。
4)截至采集时刻的第八预定时长内,区域的POI新增率;
即统计(采集时刻-第八预定时长)~采集时刻这一时间段内,区域的POI新增率。
比如,(采集时刻-第八预定时长)~采集时刻这一时间段内,共对区域投放了两次众包任务,分别要求用户采集区域内的所有POI,根据用户执行完众包任务后上报的任务数据,确定出用户共采集到了100个不同的POI,其中有10个POI为用户上报任务数据时地图上没有的POI,那么这一时间段内区域的POI新增率则为10/100=10%。
上述第五预定时长、第六预定时长、第七预定时长以及第八预定时长的具体取值可根据实际需要而定。比如,第五预定时长可为3个月,第六预定时长、第七预定时长和第八预定时长均可为6个月。
假设当前时刻为时刻a,第一预定时长为1个月,获取采集时刻区域的情报维度特征即指获取(时刻a-1个月)时区域的情报维度特征,可包括:区域内在采集时刻之前曾存在wifi定位信息、但在(采集时刻-三个月)~采集时刻这一时间段内无wifi定位信息的POI数量;(采集时刻-6个月)~采集时刻这一时间段内,区域内新增wifi定位信息的POI数量;(采集时刻-6个月)~采集时刻这一时间段内,区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;(采集时刻-6个月)~采集时刻这一时间段内,区域的POI新增率。
三)从采集时刻到当前时刻的第一预定时长内,区域的POI新增率
比如,(当前时刻-1个月)~当前时刻这一时间段内,共对区域投放了两次众包任务,分别要求用户采集区域内的所有POI,根据用户执行完众包任务后上报的任务数据,确定出用户共采集到了100个不同的POI,其中有10个POI为用户上报任务数据时地图上没有的POI,那么这一时间段内区域的POI新增率则为10/100=10%。
在分别获取到作为训练样本的各区域的上述信息,即采集时刻区域的POI维度特征、采集时刻区域的情报维度特征以及从采集时刻到当前时刻的第一预定时长内区域的POI新增率之后,即可根据获取到的信息训练得到POI新增率预测模型。
由于不同级别的城市,新增率特征分布也可能不同,因此,较佳地,可将全国的城市划分为N类,N为大于一的正整数,针对每类城市,分别训练对应的POI新增率预测模型。
具体地,可针对每个城市,分别统计截至当前时刻的第九预定时长内城市中的所有POI的点击热度之和,进而可按照统计结果将全国的城市划分为N个类别,其中,属于第i类别的城市的统计结果大于属于第i+1类别的城市的统计结果,1≤i≤N-1。
第九预定时长以及N的具体取值均可根据实际需要而定。比如,第九预定时长可为1个月,N可为3。
针对每个城市,可分别统计出(当前时刻-1个月)~当前时刻这一时间段内,城市中的所有POI在地图上的点击热度之和,进而将各城市的统计结果按照取值从大到小的顺序进行排序,将排序后处于前20位的城市判定为第一类别城市,将排序后处于第21~50位的城市判定为第二类别城市,剩余的城市判定为第三类别城市。
针对每类城市,可分别选取其中的部分区域作为训练样本,训练得到这类城市对应的POI新增率预测模型。较佳地,可针对每类城市,分别运用Xgboost学习训练方式,训练得到对应的POI新增率预测模型。
根据训练得到的POI新增率预测模型,即可进行实际的POI新增率预测。
图3为本发明所述POI新增率预测方法实施例的流程图。如图3所示,包括以下具体实现方式。
在301中,当需要对任一区域的POI新增率进行预测时,分别获取区域当前时刻的POI维度特征以及情报维度特征。
在302中,将获取到的特征输入预先训练得到的POI新增率预测模型,得到区域的POI新增率预测结果。
其中,当前时刻的POI维度特征可包括以下之一或任意组合:
1)当前时刻区域内的POI数量;
2)当前时刻区域内属于预先定义的易变类型的POI数量;
3)截至当前时刻,区域内建立时长大于第二预定时长的POI数量;
4)截至当前时刻,区域内建立时长小于第三预定时长的POI数量;
5)截至当前时刻的第四预定时长内,区域内的所有POI的点击热度之和。
当前时刻区域的情报维度特征可包括以下之一或任意组合:
1)区域内在当前时刻之前曾存在wifi定位信息,但在截至当前时刻的第五预定时长内无wifi定位信息的POI数量;
2)截至当前时刻的第六预定时长内,区域内新增wifi定位信息的POI数量;
3)截至当前时刻的第七预定时长内,区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
4)截至当前时刻的第八预定时长内,区域的POI新增率。
各特征的具体含义可参照图1所示实施例中的相关说明,区别主要在于将图1所示实施例中的“采集时刻”替换为了本实施例中的“当前时刻”。
较佳地,在获取到上述特征后,可首先确定出区域所在城市所属的城市类别,进而将获取到的特征输入确定出的城市类别对应的POI新增率预测模型,得到输出的POI新增率预测结果。
如图1所示实施例中所述,可针对不同类别的城市,分别训练对应的POI新增率预测模型,那么本实施例中,即可利用区域所在城市所属的城市类别对应的POI新增率预测模型来对区域的POI新增率进行预测,具体地,当图1所示实施例中的第一预定时长为1个月时,即指对未来1个月的POI新增率进行预测。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
总之,采用上述各方法实施例所述方案,可准确地预测出不同区域的POI新增率,这样,后续可根据新增率的大小来安排不同区域的更新频率,从而使得更新频率的安排更为合理,进而节省了采集资源等。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
图4为本发明所述POI新增率预测模型训练装置实施例的组成结构示意图。如图4所示,包括:样本获取单元401以及模型训练单元402。
样本获取单元401,用于针对作为训练样本的每个区域,分别获取区域的以下信息:采集时刻区域的POI维度特征,采集时刻为将当前时刻减去第一预定时长得到的时刻;采集时刻区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,区域的POI新增率。
模型训练单元402,用于根据获取到的作为训练样本的区域的POI维度特征、情报维度特征以及POI新增率,训练得到POI新增率预测模型。
在实际应用中,针对全国的每个城市,可预先分别将其切分为一系列预定大小的区域。区域大小可根据实际需要而定,比如,可为1km*1km大小。
样本获取单元401可选取部分区域作为训练样本,并针对作为训练样本的每个区域,分别获取区域的以下信息:采集时刻区域的POI维度特征;采集时刻区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,区域的POI新增率。
其中,采集时刻区域的POI维度特征可包括以下之一或任意组合:
1)采集时刻区域内的POI数量;
2)采集时刻区域内属于预先定义的易变类型的POI数量;
比如,可将美食类、生活服务类POI定义为易变类型的POI;
3)截至采集时刻,区域内建立时长大于第二预定时长的POI数量;
4)截至采集时刻,区域内建立时长小于第三预定时长的POI数量;
5)截至采集时刻的第四预定时长内,区域内的所有POI的点击热度之和。
较佳地,第一预定时长可为一个月,第二预定时长可为2年,第三预定时长可为3个月,第四预定时长可为1个月。
假设当前时刻为时刻a,获取采集时刻区域的POI维度特征即指获取(时刻a-1个月)时区域的POI维度特征,可包括:采集时刻区域内的POI数量;采集时刻区域内属于易变类型的POI数量;截至采集时刻区域内建立时长大于2年的POI数量;截至采集时刻区域内建立时长小于3个月的POI数量;(采集时刻-1个月)~采集时刻这一时间段内区域内所有POI的点击热度之和。
采集时刻区域的情报维度特征可包括以下之一或任意组合:
1)区域内在采集时刻之前曾存在wifi定位信息,但在截至采集时刻的第五预定时长内无wifi定位信息的POI数量;
2)截至采集时刻的第六预定时长内,区域内新增wifi定位信息的POI数量;
3)截至采集时刻的第七预定时长内,区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
4)截至采集时刻的第八预定时长内,区域的POI新增率。
较佳地,第五预定时长可为3个月,第六预定时长、第七预定时长和第八预定时长均可为6个月。
假设当前时刻为时刻a,第一预定时长为1个月,获取采集时刻区域的情报维度特征即指获取(时刻a-1个月)时区域的情报维度特征,可包括:区域内在采集时刻之前曾存在wifi定位信息、但在(采集时刻-三个月)~采集时刻这一时间段内无wifi定位信息的POI数量;(采集时刻-6个月)~采集时刻这一时间段内,区域内新增wifi定位信息的POI数量;(采集时刻-6个月)~采集时刻这一时间段内,区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;(采集时刻-6个月)~采集时刻这一时间段内,区域的POI新增率。
模型训练单元402可根据样本获取单元401获取到的作为训练样本的区域的POI维度特征、情报维度特征以及POI新增率,训练得到POI新增率预测模型。
由于不同级别的城市,新增率特征分布也可能不同,因此,较佳地,模型训练单元402可将全国的城市划分为N类,N为大于一的正整数,针对每类城市,分别训练对应的POI新增率预测模型。
具体地,模型训练单元402可针对每个城市,分别统计截至当前时刻的第九预定时长内城市中的所有POI的点击热度之和,按照统计结果将全国的城市划分为N个类别,其中,属于第i类别的城市的统计结果大于属于第i+1类别的城市的统计结果,1≤i≤N-1。
较佳地,第九预定时长可为1个月,N可为3。
针对每个城市,分别统计(当前时刻-1个月)~当前时刻这一时间段内,城市中的所有POI在地图上的点击热度之和,进而将各城市的统计结果按照取值从大到小的顺序进行排序,将排序后处于前20位的城市判定为第一类别城市,将排序后处于第21~50位的城市判定为第二类别城市,剩余的城市判定为第三类别城市。
图5为本发明所述POI新增率预测装置实施例的组成结构示意图。如图5所示,包括:特征获取单元501以及预测单元502。
特征获取单元501,用于当需要对任一区域的POI新增率进行预测时,分别获取区域当前时刻的POI维度特征以及情报维度特征。
预测单元502,用于将获取到的特征输入预先训练得到的POI新增率预测模型,得到区域的POI新增率预测结果。
其中,当前时刻的POI维度特征可包括以下之一或任意组合:
1)当前时刻区域内的POI数量;
2)当前时刻区域内属于预先定义的易变类型的POI数量;
3)截至当前时刻,区域内建立时长大于第二预定时长的POI数量;
4)截至当前时刻,区域内建立时长小于第三预定时长的POI数量;
5)截至当前时刻的第四预定时长内,区域内的所有POI的点击热度之和。
当前时刻区域的情报维度特征可包括以下之一或任意组合:
1)区域内在当前时刻之前曾存在wifi定位信息,但在截至当前时刻的第五预定时长内无wifi定位信息的POI数量;
2)截至当前时刻的第六预定时长内,区域内新增wifi定位信息的POI数量;
3)截至当前时刻的第七预定时长内,区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
4)截至当前时刻的第八预定时长内,区域的POI新增率。
特征获取单元501获取到上述特征后,预测单元502可首先确定出区域所在城市所属的城市类别,进而将获取到的特征输入城市类别对应的POI新增率预测模型,从而得到区域的POI新增率预测结果。
图4和图5所示装置实施例的具体工作流程请参照前述方法实施例中的相应说明,不再赘述。
图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图6显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器(处理单元)16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现图1或3所示实施例中的方法。
本发明同时公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时将实现如图1或3所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法等,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (20)
1.一种兴趣点POI新增率预测模型训练方法,其特征在于,包括:
针对作为训练样本的每个区域,分别获取所述区域的以下信息:
采集时刻所述区域的POI维度特征,所述采集时刻为将当前时刻减去第一预定时长得到的时刻;采集时刻所述区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,所述区域的POI新增率;
根据获取到的作为训练样本的区域的POI维度特征、情报维度特征以及POI新增率,训练得到POI新增率预测模型。
2.根据权利要求1所述的方法,其特征在于,
所述采集时刻所述区域的POI维度特征包括以下之一或任意组合:
采集时刻所述区域内的POI数量;
采集时刻所述区域内属于预先定义的易变类型的POI数量;
截至采集时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至采集时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至采集时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
3.根据权利要求1所述的方法,其特征在于,
所述采集时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在采集时刻之前曾存在wifi定位信息,但在截至采集时刻的第五预定时长内无wifi定位信息的POI数量;
截至采集时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至采集时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至采集时刻的第八预定时长内,所述区域的POI新增率。
4.根据权利要求1所述的方法,其特征在于,
该方法进一步包括:
将全国的城市划分为N个类别,N为大于一的正整数,其中,每个城市分别被切分为一系列预定大小的区域;
针对每个类别,分别训练得到对应的POI新增率预测模型。
5.根据权利要求4所述的方法,其特征在于,
所述将全国的城市划分为N个类别包括:
针对每个城市,分别统计截至当前时刻的第九预定时长内所述城市中的所有POI的点击热度之和;
按照统计结果将全国的城市划分为N个类别,其中,属于第i类别的城市的统计结果大于属于第i+1类别的城市的统计结果,1≤i≤N-1。
6.一种兴趣点POI新增率预测方法,其特征在于,包括:
当需要对任一区域的POI新增率进行预测时,分别获取所述区域当前时刻的POI维度特征以及情报维度特征;
将获取到的特征输入预先训练得到的POI新增率预测模型,得到所述区域的POI新增率预测结果。
7.根据权利要求6所述的方法,其特征在于,
所述当前时刻的POI维度特征包括以下之一或任意组合:
当前时刻所述区域内的POI数量;
当前时刻所述区域内属于预先定义的易变类型的POI数量;
截至当前时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至当前时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至当前时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
8.根据权利要求6所述的方法,其特征在于,
所述当前时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在当前时刻之前曾存在wifi定位信息,但在截至当前时刻的第五预定时长内无wifi定位信息的POI数量;
截至当前时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至当前时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至当前时刻的第八预定时长内,所述区域的POI新增率。
9.根据权利要求6所述的方法,其特征在于,
所述将获取到的特征输入预先训练得到的POI新增率预测模型包括:
确定所述区域所在城市所属的城市类别;
将获取到的特征输入所述城市类别对应的POI新增率预测模型。
10.一种兴趣点POI新增率预测模型训练装置,其特征在于,包括:样本获取单元以及模型训练单元;
所述样本获取单元,用于针对作为训练样本的每个区域,分别获取所述区域的以下信息:采集时刻所述区域的POI维度特征,所述采集时刻为将当前时刻减去第一预定时长得到的时刻;采集时刻所述区域的情报维度特征;从采集时刻到当前时刻的第一预定时长内,所述区域的POI新增率;
所述模型训练单元,用于根据获取到的作为训练样本的区域的POI维度特征、情报维度特征以及POI新增率,训练得到POI新增率预测模型。
11.根据权利要求10所述的装置,其特征在于,
所述采集时刻所述区域的POI维度特征包括以下之一或任意组合:
采集时刻所述区域内的POI数量;
采集时刻所述区域内属于预先定义的易变类型的POI数量;
截至采集时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至采集时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至采集时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
12.根据权利要求10所述的装置,其特征在于,
所述采集时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在采集时刻之前曾存在wifi定位信息,但在截至采集时刻的第五预定时长内无wifi定位信息的POI数量;
截至采集时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至采集时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至采集时刻的第八预定时长内,所述区域的POI新增率。
13.根据权利要求10所述的装置,其特征在于,
所述模型训练单元进一步用于,
将全国的城市划分为N个类别,N为大于一的正整数,其中,每个城市分别被切分为一系列预定大小的区域;
针对每个类别,分别训练得到对应的POI新增率预测模型。
14.根据权利要求13所述的装置,其特征在于,
所述模型训练单元针对每个城市,分别统计截至当前时刻的第九预定时长内所述城市中的所有POI的点击热度之和,按照统计结果将全国的城市划分为N个类别,其中,属于第i类别的城市的统计结果大于属于第i+1类别的城市的统计结果,1≤i≤N-1。
15.一种兴趣点POI新增率预测装置,其特征在于,包括:特征获取单元以及预测单元;
所述特征获取单元,用于当需要对任一区域的POI新增率进行预测时,分别获取所述区域当前时刻的POI维度特征以及情报维度特征;
所述预测单元,用于将获取到的特征输入预先训练得到的POI新增率预测模型,得到所述区域的POI新增率预测结果。
16.根据权利要求15所述的装置,其特征在于,
所述当前时刻的POI维度特征包括以下之一或任意组合:
当前时刻所述区域内的POI数量;
当前时刻所述区域内属于预先定义的易变类型的POI数量;
截至当前时刻,所述区域内建立时长大于第二预定时长的POI数量;
截至当前时刻,所述区域内建立时长小于第三预定时长的POI数量;
截至当前时刻的第四预定时长内,所述区域内的所有POI的点击热度之和。
17.根据权利要求15所述的装置,其特征在于,
所述当前时刻所述区域的情报维度特征包括以下之一或任意组合:
所述区域内在当前时刻之前曾存在wifi定位信息,但在截至当前时刻的第五预定时长内无wifi定位信息的POI数量;
截至当前时刻的第六预定时长内,所述区域内新增wifi定位信息的POI数量;
截至当前时刻的第七预定时长内,所述区域内根据获取到的快递订单信息中的发件地址和收件地址确定出的新增POI数量;
截至当前时刻的第八预定时长内,所述区域的POI新增率。
18.根据权利要求15所述的装置,其特征在于,
所述预测单元进一步用于,确定出所述区域所在城市所属的城市类别,将获取到的特征输入所述城市类别对应的POI新增率预测模型。
19.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~9中任一项所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711457811.4A CN108182240B (zh) | 2017-12-28 | 2017-12-28 | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711457811.4A CN108182240B (zh) | 2017-12-28 | 2017-12-28 | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182240A CN108182240A (zh) | 2018-06-19 |
CN108182240B true CN108182240B (zh) | 2022-02-25 |
Family
ID=62548130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711457811.4A Active CN108182240B (zh) | 2017-12-28 | 2017-12-28 | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182240B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522470A (zh) * | 2018-11-06 | 2019-03-26 | 汪浩 | 一种视频热度预测方法、装置、设备及存储介质 |
CN111986552B (zh) * | 2019-05-24 | 2022-04-15 | 北京四维图新科技股份有限公司 | 地图数据质量鲜度获取方法、装置及存储介质 |
CN110399445A (zh) * | 2019-07-25 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 一种兴趣点的处理方法、装置及设备 |
CN111553279B (zh) * | 2020-04-28 | 2023-05-05 | 北京百度网讯科技有限公司 | 兴趣点的表征学习、识别方法、装置、设备及存储介质 |
CN111782978A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 兴趣点数据的处理方法及装置、电子设备、可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221562A (zh) * | 2007-01-08 | 2008-07-16 | 华硕电脑股份有限公司 | 网络地图服务平台的数据更新方法及其系统 |
CN101601025A (zh) * | 2006-11-13 | 2009-12-09 | 电子地图北美公司 | 用于向多个参与者提供对地理关注点的中心访问入口的系统和方法 |
CN102141406A (zh) * | 2010-02-02 | 2011-08-03 | 北京四维图新科技股份有限公司 | 导航电子地图的描绘方法和服务器 |
CN102479229A (zh) * | 2010-11-29 | 2012-05-30 | 北京四维图新科技股份有限公司 | 一种兴趣点poi数据产生方法和系统 |
WO2016166309A1 (en) * | 2015-04-15 | 2016-10-20 | Tomtom Navigation B.V. | Methods of obtaining point of interest data |
CN106203694A (zh) * | 2016-07-07 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 场所拥挤度预测模型建立、场所拥挤度预测方法和装置 |
CN106503238A (zh) * | 2016-11-07 | 2017-03-15 | 王昱淇 | 一种强化学习驱动的网络地图区域聚类预取方法 |
JP2017134251A (ja) * | 2016-01-28 | 2017-08-03 | アイシン・エィ・ダブリュ株式会社 | 地図情報更新システム、地図情報更新装置及びコンピュータプログラム |
-
2017
- 2017-12-28 CN CN201711457811.4A patent/CN108182240B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101601025A (zh) * | 2006-11-13 | 2009-12-09 | 电子地图北美公司 | 用于向多个参与者提供对地理关注点的中心访问入口的系统和方法 |
CN101221562A (zh) * | 2007-01-08 | 2008-07-16 | 华硕电脑股份有限公司 | 网络地图服务平台的数据更新方法及其系统 |
CN102141406A (zh) * | 2010-02-02 | 2011-08-03 | 北京四维图新科技股份有限公司 | 导航电子地图的描绘方法和服务器 |
CN102479229A (zh) * | 2010-11-29 | 2012-05-30 | 北京四维图新科技股份有限公司 | 一种兴趣点poi数据产生方法和系统 |
WO2016166309A1 (en) * | 2015-04-15 | 2016-10-20 | Tomtom Navigation B.V. | Methods of obtaining point of interest data |
JP2017134251A (ja) * | 2016-01-28 | 2017-08-03 | アイシン・エィ・ダブリュ株式会社 | 地図情報更新システム、地図情報更新装置及びコンピュータプログラム |
CN106203694A (zh) * | 2016-07-07 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 场所拥挤度预测模型建立、场所拥挤度预测方法和装置 |
CN106503238A (zh) * | 2016-11-07 | 2017-03-15 | 王昱淇 | 一种强化学习驱动的网络地图区域聚类预取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108182240A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182240B (zh) | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 | |
US10281284B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
US20210209938A1 (en) | Method, apparatus, system, and computer-readable medium for traffic pattern prediction | |
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
CN110008300B (zh) | Poi别名的确定方法、装置、计算机设备和存储介质 | |
CN109215372B (zh) | 路网信息更新方法、装置及设备 | |
CN109543909B (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
CN107220308B (zh) | Poi的合理性的检测方法及装置、设备及可读介质 | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN111291071B (zh) | 数据处理方法、装置及电子设备 | |
WO2011094341A2 (en) | System and method for social networking | |
CN109257703B (zh) | 司机聚集点的展示方法、装置、电子设备、存储介质 | |
CN108180922B (zh) | 一种导航时间测评方法、装置、设备和介质 | |
CN111597279B (zh) | 基于深度学习的信息预测方法及相关设备 | |
JP2023015230A (ja) | 高精度マップを生成する方法及び装置、電子機器並びに記憶媒体 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
WO2016037346A1 (en) | Measuring and diagnosing noise in urban environment | |
CN110895543B (zh) | 人口迁徙跟踪展示方法、装置及存储介质 | |
CN111859172A (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN111694914A (zh) | 用户常驻区域确定方法及装置 | |
CN111126120B (zh) | 城市区域分类方法、装置、设备和介质 | |
CN115456691A (zh) | 线下广告位的推荐方法、装置、电子设备及存储介质 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
JP7260463B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
CN111125272B (zh) | 一种区域特征获取方法、装置、计算机设备及介质 |
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 |