CN109003107B - 区域划分方法及装置 - Google Patents
区域划分方法及装置 Download PDFInfo
- Publication number
- CN109003107B CN109003107B CN201710418203.6A CN201710418203A CN109003107B CN 109003107 B CN109003107 B CN 109003107B CN 201710418203 A CN201710418203 A CN 201710418203A CN 109003107 B CN109003107 B CN 109003107B
- Authority
- CN
- China
- Prior art keywords
- area
- unit area
- target unit
- target
- homogeneous
- 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
- 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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种区域划分方法及装置,涉及计算机技术领域,所述方法的一具体实施方式包括:获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;获取所述每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域。该实施方式使得区域的划分更具合理性,从而有利于提高区域性管理的效率。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种区域划分方法及装置。
背景技术
目前来说,大数据以及互联网技术发展迅猛,在大数据以及互联网技术的应用过程中,有时需要根据某些预测统计指标进行区域性管理。以O2O(Online To Offline,在线离线/线上到线下)服务为例,有时可能需要根据诸如服务需求、服务供给等指标进行区域性管理,例如,进行区域性运力调度,或者进行区域性动态调价等等。目前,一般由人为划分一些区域,然后预测出每个划分的区域的预测统计指标,并基于上述预测统计指标进行区域性管理。但是,人为划分区域具有一定的局限性,使得区域的划分缺乏合理性,从而也影响了区域性管理的效率。
发明内容
为了解决上述技术问题,本申请提供了一种区域划分方法及装置。
根据本申请实施例的第一方面,提供一种区域划分方法,包括:
获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;
获取所述每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;
基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;
基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域。
根据本申请实施例的第二方面,提供一种区域划分装置,包括:
第一获取单元,被配置为获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;
第二获取单元,被配置为获取所述每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;
聚类单元,被配置为基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;
划分单元,被配置为基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域。
根据本申请实施例的第三方面,提供一种计算机存储介质,所述存储介质中存储有程序指令,所述指令包括:
获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;
获取所述每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;
基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;
基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的区域划分方法和装置,通过获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合,获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合。基于第一数据集合以及第二数据集合对目标单元区域进行聚类,并基于聚类得到的结果对对象区域进行划分,以得到多个分区域。使得区域的划分更具合理性,从而有利于提高区域性管理的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例性实施例示出的一种区域划分方法的流程图;
图2是本申请根据一示例性实施例示出的一种区域划分的场景示意图;
图3是本申请根据一示例性实施例示出的另一种区域划分的场景示意图;
图4是本申请根据一示例性实施例示出的另一种区域划分方法的流程图;
图5是本申请根据一示例性实施例示出的一种区域划分装置框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示,图1是根据一示例性实施例示出的一种区域划分方法的流程图,该方法可以应用于终端设备中,也可以应用于服务器中。该方法包括以下步骤:
在步骤101中,获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合。
在本实施例中,对象区域即为待划分的区域,可以是任意合理的行政区域(例如,全国,省,市,或者区等),或者地理区域等等,本申请对对象区域具体类别和属性方面不限定。具体来说,可以预先将指定的范围(该指定的范围足够大,至少能够包含对象区域)划分为多个紧密相连的正多边形区域,形成正多边形网状结构,每个正多边形区域作为一个单元区域。该正多边形区域可以是正六边形区域(如蜂窝状),也可以是正三角形区域,还可以是正四角形区域。可以理解,还可以通过其它任意合理的方式划分单元区域,本申请对此方面不限定。
在本实施例中,目标单元区域为从预先划分的单元区域中选取的满足预设条件的单元区域。具体来说,满足预设条件的单元区域可以包括:在预设历史时间段内对应的指定统计数据超过目标阈值的单元区域。其中,预设历史时间段可以是当前之前的预设时间段,例如,前一周,或者前一个月,或者前一年等等。本申请对预设历史时间段的具体设置方面不限定。指定统计数据可以是任意合理的统计数据,例如,针对某些O2O服务,某个单元区域在预设历史时间段内对应的指定统计数据可以是该单元区域在预设历史时间段内所产生的订单总数量。可以理解,本申请对指定统计数据的具体类型方面不限定。
在本实施例中,目标阈值为针对一个单元区域在预设历史时间段内对应的指定统计数据得到的一个阈值。在一种实现方式中,可以预先根据经验针对一个单元区域在预设历史时间段内对应的指定统计数据设定一个固定的阈值作为目标阈值。
在另一种实现方式中,还可以首先统计所有单元区域在预设历史时间段内对应的指定统计数据的总和,可以根据经验设定一个比例阈值,将该总和与该比例阈值的乘积作为目标阈值。例如,假设将待划分区域划分为100个单位区域,预先设定一个比例阈值为2%,统计在前一个月所有单元区域对应的订单总数为1000,计算出1000*2%=20,可以将20作为目标阈值。
在又一种实现方式中,还可以统计每个单元区域在预设历史时间段内对应的指定统计数据,并按照对应的指定统计数据从大到小的顺序对单元区域进行排序。统计所有单元区域在预设历史时间段内对应的指定统计数据的总和,并设定一个比例阈值,计算该总和与该比例阈值的乘积作为参考值。找到单元区域N,使得排在单元区域N之前的单元区域在预设历史时间段内对应的指定统计数据的和,等于或者接近该参考值。将单元区域N在预设历史时间段内对应的指定统计数据作为目标阈值。如,假设将待划分区域划分为100个单位区域,预先设定一个比例阈值为90%,统计在前一个月所有单元区域对应的订单总数为1000,计算出1000*90%=900。统计在前一个月每个单元区域对应的订单数,并按照对应的指定统计数据从大到小的顺序对单元区域进行排序。找到单元区域N,使得排在单元区域N之前的单元区域在预设历史时间段内对应的指定统计数据的和,等于或者接近900。假设单元区域N在前一个月对应的订单数为30,则可以将30作为目标阈值。
可以理解,还可以通过其它方式确定目标阈值,本申请对目标阈值的具体取值方面不限定。
在本实施例中,可以预先按照上述原则从预先划分的单元区域中选取目标单元区域,并将目标单元区域的标识信息以及对应的位置信息存储下来。当对对象区域进行划分时,可以从预先存储的数据中获取每个被对象区域覆盖的目标单元区域的位置信息,以得到第一数据集合。
在步骤102中,获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合。
在本实施例中,可以预测每个目标单元区域在指定时段内所对应的预定指标数据作为对应的预测值,将每个目标单元区域对应的预测值的集合作为第二数据集合。可选地,可以采用机器学习的方式预测每个目标单元区域在指定时段内所对应的预定指标数据。可以理解,还可以通过对每个目标单元区域所对应的预定指标历史数据进行统计计算(例如,均值计算等等),从而预测每个目标单元区域在指定时段内所对应的预定指标数据。本申请对预测上述预定指标数据的具体方式方面不限定。
在本实施例中,可以预先将一天的时间均匀划分成多个单位时段,每个单位时段的时长相等,例如,每个单位时段的时长可以是5分钟,或者10分钟,或者15分钟等等。然后,对每个单位时段设定一个唯一性标识,以对不同的单位时段进行标记,从而区分不同的单位时段。本实施例中的指定时段为当天未来的某个单位时段,一般为当前所处时段或者当前时段的下一个时段,可以采用时段标识标记指定时段。
在本实施例中,预定指标数据可以是针对指定O2O(Online To Offline,在线离线/线上到线下)服务的指标数据。其中,指定O2O服务可以是请求车辆的服务(例如,快车服务,或者专车服务,或者顺风车服务,或者代驾服务等等),还可以是外卖配送服务等等。可以理解,指定O2O服务可以是其它类型的服务,本申请对指定O2O服务的具体类型方面不限定。
在本实施例中,预定指标数据可以包括以下一项或多项:指定O2O服务的服务资源供给数据;指定O2O服务的服务资源需求数据;指定O2O服务的服务资源供给缺口数据;其中,供给缺口数据为上述需求数据减去上述供给数据之差。例如,以请求车辆的服务为例,预定指标数据可以包括以下一项或多项:运力数据;订单发单的数量;以及运力缺口数据,运力缺口数据为订单发单的数量减去运力数据之差。
在步骤103中,基于第一数据集合以及第二数据集合对目标单元区域进行聚类。
在本实施例中,可以根据第一数据集合以及第二数据集合对目标单元区域进行聚类,以得到多组同类集合。每组同类集合可以包括一个目标单元区域,或者多个同类的目标单元区域。其中,多个同类的目标单元区域对应的预测值相互之间相差不大于预设阈值,并且多个同类的目标单元区域构成连通区域。例如,目标单元区域A、目标单元区域B、目标单元区域C为同类的目标单元区域。它们对应的预测值分别为a、b、c,则∣a-b∣、∣a-c∣、∣b-c∣均小于预设阈值,并且目标单元区域A、目标单元区域B、目标单元区域C可以构成一个连通区域。需要说明的是,上述预设阈值可以是任意合理的数值,可以是根据经验设置的,本申请对预设阈值的具体设置方面以及具体取值方面不限定。
在本实施例中,可以采用任意合理的聚类算法进行聚类,以得到满足上述要求的多组同类集合。本申请对聚类时所采用的具体算法方面不限定。在一种实现方式中,可以通过重复执行以下步骤对目标单元区域进行聚类:首先,可以根据第二数据集合中每个目标单元区域在指定时段内所对应的预定指标数据的预测值,从当前不属于任意同类集合的目标单元区域中选取预测值最大/最小的单元区域作为起始单元区域。接着,根据第一数据集合中的每个目标单元区域的位置信息,从该起始单元区域周围选取与该起始单元区域同类的目标单元区域。如果能够选出一个或多个与该起始单元区域同类的目标单元区域,则可以将该起始单元区域以及同类的目标单元区域作为一组同类集合。如果未能选出与该起始单元区域同类的目标单元区域,则可以将该起始单元区域作为一组同类集合。当当前不存在不属于任意同类集合的目标单元区域时,停止执行以上步骤,完成聚类。
具体地,可以通过以下方式从起始单元区域周围选取与起始单元区域同类的目标单元区域:首先,将起始单元区域作为参考区域,接着,执行选取步骤,该选取步骤可以包括从与参考区域相邻的目标单元区域中选取预测值最大/最小的单元区域作为待定区域。当未满足停止条件时,可以将该待定区域确定为与该起始单元区域同类的目标单元区域,并将该待定区域合并到参考区域中,重新执行上述选取步骤。当满足停止条件时,停止执行上述选取步骤。从而得该起始单元区域周围所有同类的目标单元区域。其中,在待定区域对应的预测值与起始单元区域对应的预测值相差大于预设阈值时,可以确定满足停止条件。可选地,在当前选取步骤的执行次数等于预设次数时,也可以确定满足停止条件。
例如,首先可以确定在待定区域对应的预测值与起始单元区域对应的预测值相差是否大于预设阈值,当相差大于预设阈值时,直接可以确定满足停止条件。当相差不大于预设阈值时,接着确定当前选取步骤的执行次数是否等于预设次数。当执行次数等于预设次数时,可以确定满足停止条件,当执行次数小于预设次数时,可以确定未满足停止条件。
在步骤104中,基于上述聚类得到的结果对对象区域进行划分,以得到多个分区域。
在本实施例中,上述聚类得到的结果可以包括多组同类集合,每组同类集合包括一个目标单元区域,或者多个同类的目标单元区域。可以将包括一个目标单元区域的同类集合作为第一同类集合,将包括多个目标单元区域的同类集合作为第二同类集合。针对每组第一同类集合,可以将其包括的一个目标单元区域划分为一个分区域。针对每组第二同类集合,可以将其包括的多个目标单元区域构成的连通区域划分为一个分区域。
如图2所示,第一同类集合M包括一个目标单元区域201,则可以将目标单元区域201确定的区域205划分为一个分区域。第二同类集合N包括目标单元区域202、203、204,则可以将目标单元区域202、203、204构成的连通区域206划分为一个分区域。
本申请的上述实施例提供的区域划分方法,通过获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合,获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合。基于第一数据集合以及第二数据集合对目标单元区域进行聚类,并基于聚类得到的结果对对象区域进行划分,以得到多个分区域。使得区域的划分更具合理性,从而有利于提高区域性管理的效率。
图3是本申请根据一示例性实施例示出的一种区域划分的场景示意图。如图3所示,每个正六边形区域为一个单元区域,标有数字的单元区域为目标单元区域,标记的数字为该目标单元区域在指定时段内所对应的预定指标数据的预测值,可以将目标单元区域记为Sn,其中,n为目标单元区域对应的预测值。设预设阈值为6,预设次数为11,对图2中的目标单元区域进行聚类的过程如下(以取最大预测值为例):首先,从所有目标单元区域中选取预测值最大的单元区域作为起始单元区域,可知该起始单元区域对应的预测值为19.1,可以记为S19.1。将S19.1确定为参考区域,执行选取步骤,从与该参考区域相邻的目标单元区域中选取预测值最大的单元区域S14.2。计算S19.1与S14.2对应的预测值相差4.9,由于4.9小于预设阈值6,并且选取步骤只执行了1次,执行次数小于预设次数10,因此,确定未满足停止条件,将S14.2确定为与S19.1同类的目标单元区域。接着,将S14.2与S19.1连在一起构成的区域确定为参考区域,继续执行选取步骤,从与该参考区域相邻的目标单元区域中选取预测值最大的单元区域S16.3。计算S19.1与S16.3对应的预测值相差2.8,并且选取步骤只执行了2次,因此,确定未满足停止条件,将S16.3确定为与S19.1同类的目标单元区域。接着,S16.3、S14.2与S19.1连在一起构成的区域确定为参考区域,继续执行选取步骤,从与该参考区域相邻的目标单元区域中选取预测值最大的单元区域S12.0。由于S19.1与S12.0对应的预测值相差6.9,大于预设阈值6,因此,确定满足停止条件,停止执行选取步骤。将S16.3、S14.2与S19.1作为一组同类集合A,并将S16.3、S14.2与S19.1构成的连通区域划分为一个分区域。
继而,进行下一次的聚类,从除同类集合A中的目标单元区域以外的目标单元区域中选取预测值最大的单元区域作为起始单元区域,可知该起始单元区域对应的预测值为17.6,可以记为S17.6。将S17.6确定为参考区域,执行选取步骤,从与该参考区域相邻的目标单元区域中选取预测值最大的单元区域S10.5。由于S17.6与S10.5对应的预测值相差7.1,大于预设阈值6,因此,确定满足停止条件,停止执行选取步骤。将S17.6作为一组同类集合B,并将S17.6划分为一个分区域。
接着,再进行下一次的聚类,从除同类集合A、B中的目标单元区域以外的目标单元区域中选取预测值最大的单元区域作为起始单元区域,可知该起始单元区域对应的预测值为12.0,可以记为S12.0。将S12.0确定为参考区域,执行选取步骤,从与该参考区域相邻的目标单元区域中选取预测值最大的单元区域S8.1。由于S12.0与S8.1对应的预测值相差小于预设阈值6,并且选取步骤执行次数小于预设次数10,因此,确定未满足停止条件,将S8.1确定为与S12.0同类的目标单元区域。接着,将S12.0与S8.1连在一起构成的区域确定为参考区域,继续执行选取步骤,从与该参考区域相邻的目标单元区域中选取预测值最大的单元区域S11.4。确定未满足停止条件,将S11.4确定为与S12.0同类的目标单元区域。接着,继续执行选取步骤,分别选取S7.5、S9.4、S10.9、S6.9、S6.5、S7.0、S7.5。直到第11次执行选取步骤,选取区域S7.8。S7.8与S8.1对应的预测值相差小于预设阈值6,但是,选取步骤执行次数等于预设次数11,因此,确定满足停止条件。停止执行选取步骤,将S12.0、S8.1、S11.4、S7.5、S9.4、S10.9、S6.9、S6.5、S7.0与S7.5作为一组同类集合C,并将上述同类的目标单元区域构成的连通区域划分为一个分区域。
然后,接着再进行下一次的聚类,直到当当前不存在不属于任意同类集合的目标单元区域时,完成聚类。
图4是根据一示例性实施例示出的另一种区域划分方法的流程图,该实施例详细描述了对目标单元区域进行聚类的过程,该方法可以应用于终端设备中,也可以应用于服务器中。该方法可以包括以下步骤:
在步骤401中,获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合。
在步骤402中,获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合。
在步骤403中,根据第二数据从当前不属于任意同类集合的目标单元区域中选取预测值最大/最小的单元区域作为起始单元区域。
在步骤404中,将该起始单元区域确定为参考区域。
在步骤405中,根据第一数据集合以及第二数据集合,从与参考区域相邻的目标单元区域中选取预测值最大/最小的单元区域作为待定区域。
在步骤406中,判断是否满足停止条件。
在步骤407中,如果未满足停止条件,将待定区域确定为与起始单元区域同类的目标单元区域,并将待定区域合并到参考区域,重新执行步骤405。
在步骤408中,如果满足停止条件,判断当当前是否存在不属于任意同类集合的目标单元区域。如果存在不属于任意同类集合的目标单元区域,重新执行步骤403。
在步骤409中,如果不存在不属于任意同类集合的目标单元区域,完成聚类,并基于聚类得到的结果对对象区域进行划分,以得到多个分区域。
需要说明的是,对于与图1实施例中相同的步骤,在上述图4实施例中不再进行赘述,相关内容可参见图1实施例。
本申请的上述实施例提供的区域划分方法,通过获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合,获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合。基于第一数据集合以及第二数据集合对目标单元区域进行聚类,并基于聚类得到的结果对对象区域进行划分,以得到多个分区域。使得区域的划分更具合理性,从而有利于提高区域性管理的效率。
应当注意,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
与前述区域划分方法实施例相对应,本申请还提供了区域划分装置的实施例。
如图5所示,图5是本申请根据一示例性实施例示出的一种区域划分装置框图,该装置包括:第一获取单元501,第二获取单元502,聚类单元503以及划分单元504。
其中,第一获取单元501,被配置为获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合。
在本实施例中,对象区域即为待划分的区域,可以是任意合理的行政区域(例如,全国,省,市,或者区等),或者地理区域等等,本申请对对象区域具体类别和属性方面不限定。具体来说,可以预先将指定的范围(该指定的范围足够大,至少能够包含对象区域)划分为多个紧密相连的正多边形区域,形成正多边形网状结构,每个正多边形区域作为一个单元区域。该正多边形区域可以是正六边形区域(如蜂窝状),也可以是正三角形区域,还可以是正四角形区域。可以理解,还可以通过其它任意合理的方式划分单元区域,本申请对此方面不限定。
在本实施例中,目标单元区域为从预先划分的单元区域中选取的满足预设条件的单元区域。具体来说,满足预设条件的单元区域可以包括:在预设历史时间段内对应的指定统计数据超过目标阈值的单元区域。其中,预设历史时间段可以是当前之前的预设时间段,例如,前一周,或者前一个月,或者前一年等等。本申请对预设历史时间段的具体设置方面不限定。指定统计数据可以是任意合理的统计数据,例如,针对某些O2O服务,某个单元区域在预设历史时间段内对应的指定统计数据可以是该单元区域在预设历史时间段内所产生的订单总数量。可以理解,本申请对指定统计数据的具体类型方面不限定。
在本实施例中,目标阈值为针对一个单元区域在预设历史时间段内对应的指定统计数据得到的一个阈值。在一种实现方式中,可以预先根据经验针对一个单元区域在预设历史时间段内对应的指定统计数据设定一个固定的阈值作为目标阈值。
在另一种实现方式中,还可以首先统计所有单元区域在预设历史时间段内对应的指定统计数据的总和,可以根据经验设定一个比例阈值,将该总和与该比例阈值的乘积作为目标阈值。例如,假设将待划分区域划分为100个单位区域,预先设定一个比例阈值为2%,统计在前一个月所有单元区域对应的订单总数为1000,计算出1000*2%=20,可以将20作为目标阈值。
在又一种实现方式中,还可以统计每个单元区域在预设历史时间段内对应的指定统计数据,并按照对应的指定统计数据从大到小的顺序对单元区域进行排序。统计所有单元区域在预设历史时间段内对应的指定统计数据的总和,并设定一个比例阈值,计算该总和与该比例阈值的乘积作为参考值。找到单元区域N,使得排在单元区域N之前的单元区域在预设历史时间段内对应的指定统计数据的和,等于或者接近该参考值。将单元区域N在预设历史时间段内对应的指定统计数据作为目标阈值。如,假设将待划分区域划分为100个单位区域,预先设定一个比例阈值为90%,统计在前一个月所有单元区域对应的订单总数为1000,计算出1000*90%=900。统计在前一个月每个单元区域对应的订单数,并按照对应的指定统计数据从大到小的顺序对单元区域进行排序。找到单元区域N,使得排在单元区域N之前的单元区域在预设历史时间段内对应的指定统计数据的和,等于或者接近900。假设单元区域N在前一个月对应的订单数为30,则可以将30作为目标阈值。
可以理解,还可以通过其它方式确定目标阈值,本申请对目标阈值的具体取值方面不限定。
在本实施例中,可以预先按照上述原则从预先划分的单元区域中选取目标单元区域,并将目标单元区域的标识信息以及对应的位置信息存储下来。当对对象区域进行划分时,可以从预先存储的数据中获取每个被对象区域覆盖的目标单元区域的位置信息,以得到第一数据集合。
第二获取单元502,被配置为获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合。
在本实施例中,可以预测每个目标单元区域在指定时段内所对应的预定指标数据作为对应的预测值,将每个目标单元区域对应的预测值的集合作为第二数据集合。可选地,可以采用机器学习的方式预测每个目标单元区域在指定时段内所对应的预定指标数据。可以理解,还可以通过对每个目标单元区域所对应的预定指标历史数据进行统计计算(例如,均值计算等等),从而预测每个目标单元区域在指定时段内所对应的预定指标数据。本申请对预测上述预定指标数据的具体方式方面不限定。
在本实施例中,可以预先将一天的时间均匀划分成多个单位时段,每个单位时段的时长相等,例如,每个单位时段的时长可以是5分钟,或者10分钟,或者15分钟等等。然后,对每个单位时段设定一个唯一性标识,以对不同的单位时段进行标记,从而区分不同的单位时段。本实施例中的指定时段为当天未来的某个单位时段,一般为当前所处时段或者当前时段的下一个时段,可以采用时段标识标记指定时段。
在本实施例中,预定指标数据可以是针对指定O2O(Online To Offline,在线离线/线上到线下)服务的指标数据。其中,指定O2O服务可以是请求车辆的服务(例如,快车服务,或者专车服务,或者顺风车服务,或者代驾服务等等),还可以是外卖配送服务等等。可以理解,指定O2O服务可以是其它类型的服务,本申请对指定O2O服务的具体类型方面不限定。
在本实施例中,预定指标数据可以包括以下一项或多项:指定O2O服务的服务资源供给数据;指定O2O服务的服务资源需求数据;指定O2O服务的服务资源供给缺口数据;其中,供给缺口数据为上述需求数据减去上述供给数据之差。例如,以请求车辆的服务为例,预定指标数据可以包括以下一项或多项:运力数据;订单发单的数量;以及运力缺口数据,运力缺口数据为订单发单的数量减去运力数据之差。
聚类单元503,被配置为基于第一数据集合以及第二数据集合对目标单元区域进行聚类。
在本实施例中,可以根据第一数据集合以及第二数据集合对目标单元区域进行聚类,以得到多组同类集合。每组同类集合可以包括一个目标单元区域,或者多个同类的目标单元区域。其中,多个同类的目标单元区域对应的预测值相互之间相差不大于预设阈值,并且多个同类的目标单元区域构成连通区域。例如,目标单元区域A、目标单元区域B、目标单元区域C为同类的目标单元区域。它们对应的预测值分别为a、b、c,则∣a-b∣、∣a-c∣、∣b-c∣均小于预设阈值,并且目标单元区域A、目标单元区域B、目标单元区域C可以构成一个连通区域。需要说明的是,上述预设阈值可以是任意合理的数值,可以是根据经验设置的,本申请对预设阈值的具体设置方面以及具体取值方面不限定。
在本实施例中,可以采用任意合理的聚类算法进行聚类,以得到满足上述要求的多组同类集合。本申请对聚类时所采用的具体算法方面不限定。在一种实现方式中,可以通过重复执行以下步骤对目标单元区域进行聚类:首先,可以根据第二数据集合中每个目标单元区域在指定时段内所对应的预定指标数据的预测值,从当前不属于任意同类集合的目标单元区域中选取预测值最大/最小的单元区域作为起始单元区域。接着,根据第一数据集合中的每个目标单元区域的位置信息,从该起始单元区域周围选取与该起始单元区域同类的目标单元区域。如果能够选出一个或多个与该起始单元区域同类的目标单元区域,则可以将该起始单元区域以及同类的目标单元区域作为一组同类集合。如果未能选出与该起始单元区域同类的目标单元区域,则可以将该起始单元区域作为一组同类集合。当当前不存在不属于任意同类集合的目标单元区域时,停止执行以上步骤,完成聚类。
具体地,可以通过以下方式从起始单元区域周围选取与起始单元区域同类的目标单元区域:首先,将起始单元区域作为参考区域,接着,执行选取步骤,该选取步骤可以包括从与参考区域相邻的目标单元区域中选取预测值最大/最小的单元区域作为待定区域。当未满足停止条件时,可以将该待定区域确定为与该起始单元区域同类的目标单元区域,并将该待定区域合并到参考区域中,重新执行上述选取步骤。当满足停止条件时,停止执行上述选取步骤。从而得该起始单元区域周围所有同类的目标单元区域。其中,在待定区域对应的预测值与起始单元区域对应的预测值相差大于预设阈值时,可以确定满足停止条件。可选地,在当前选取步骤的执行次数等于预设次数时,也可以确定满足停止条件。
例如,首先可以确定在待定区域对应的预测值与起始单元区域对应的预测值相差是否大于预设阈值,当相差大于预设阈值时,直接可以确定满足停止条件。当相差不大于预设阈值时,接着确定当前选取步骤的执行次数是否等于预设次数。当执行次数等于预设次数时,可以确定满足停止条件,当执行次数小于预设次数时,可以确定未满足停止条件。
划分单元504,被配置为基于聚类得到的结果对对象区域进行划分,以得到多个分区域。
在本实施例中,上述聚类得到的结果可以包括多组同类集合,每组同类集合包括一个目标单元区域,或者多个同类的目标单元区域。可以将包括一个目标单元区域的同类集合作为第一同类集合,将包括多个目标单元区域的同类集合作为第二同类集合。针对每组第一同类集合,可以将其包括的一个目标单元区域划分为一个分区域。针对每组第二同类集合,可以将其包括的多个目标单元区域构成的连通区域划分为一个分区域。
本申请的上述实施例提供的区域划分装置,通过获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合,获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合。基于第一数据集合以及第二数据集合对目标单元区域进行聚类,并基于聚类得到的结果对对象区域进行划分,以得到多个分区域。使得区域的划分更具合理性,从而有利于提高区域性管理的效率。
在一些可选实施方式中,聚类得到的结果可以包括多组同类集合;每组同类集合包括一个目标单元区域,或者多个同类的目标单元区域。其中,多个同类的目标单元区域对应的预测值相互之间相差不大于预设阈值,并且多个同类的目标单元区域构成连通区域。
在另一些可选实施方式中,聚类单元503可以包括:第一选取子单元和第二选取子单元(未示出)。
其中,第一选取子单元,被配置为从当前不属于任意同类集合的目标单元区域中选取预测值最大/最小的单元区域作为起始单元区域。
第二选取子单元,被配置为从起始单元区域周围选取与起始单元区域同类的目标单元区域,以得到一组同类集合。
在另一些可选实施方式中,第二选取子单元被配置用于:将起始单元区域确定为参考区域。执行选取步骤,该选取步骤包括从与参考区域相邻的目标单元区域中选取预测值最大/最小的单元区域作为待定区域;若未满足停止条件,将待定区域确定为与起始单元区域同类的目标单元区域,并将待定区域合并到参考区域中,重新执行上述选取步骤;若满足停止条件,停止执行选取步骤。其中,在待定区域对应的预测值与起始单元区域对应的预测值相差大于预设阈值时,满足停止条件。
在另一些可选实施方式中,在当前选取步骤的执行次数等于预设次数时,满足停止条件。
在另一些可选实施方式中,同类集合包括第一同类集合以及第二同类集合,其中,第一同类集合包括一个目标单元区域,第二同类集合包括多个目标单元区域。
划分单元504被配置用于:针对每组第一同类集合,将包括的一个目标单元区域划分为一个分区域。针对每组第二同类集合,将包括的多个目标单元区域构成的连通区域划分为一个分区域。
在另一些可选实施方式中,目标单元区域为从预先划分的单元区域中选取的满足预设条件的单元区域。
在另一些可选实施方式中,满足预设条件的单元区域可以包括:在预设历史时间段内对应的指定统计数据超过目标阈值的单元区域。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
应当理解,上述装置可以预先设置在终端设备或者服务器中,也可以通过下载等方式而加载到终端设备或者服务器中。上述装置中的相应单元可以与终端设备或者服务器中的单元相互配合以实现区域划分方案。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
相应的,本申请实施例还提供一种计算机存储介质,该存储介质中存储有程序指令,该指令包括:
获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;
获取每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;
基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;
基于所述聚类得到的结果对对象区域进行划分,以得到多个分区域。
描述于本申请实施例中所涉及到的单元模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元模块也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元,第二获取单元,聚类单元以及划分单元。其中,这些单元模块的名称在某种情况下并不构成对该单元模块本身的限定,例如,划分单元还可以被描述为“用于基于所述聚类得到的结果对所述对象区域进行划分的单元”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端或服务器中的计算机可读存储介质。该计算机可读存储介质存储有一个或者一个以上程序,该程序被一个或者一个以上的处理器用来执行描述于本申请的区域划分方法。
计算机可用存储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。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (13)
1.一种区域划分方法,其特征在于,所述方法包括:
获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;
获取所述每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;
基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;
基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域;
所述聚类得到的结果包括多组同类集合;每组所述同类集合包括一个目标单元区域,或者多个同类的目标单元区域;其中,多个同类的目标单元区域对应的预测值相互之间相差不大于预设阈值,并且多个同类的目标单元区域构成连通区域;
重复执行以下步骤,以基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类:
从当前不属于任意同类集合的目标单元区域中选取预测值最大/最小的单元区域作为起始单元区域;
从所述起始单元区域周围选取与所述起始单元区域同类的目标单元区域,以得到一组同类集合。
2.根据权利要求1所述的方法,其特征在于,所述从所述起始单元区域周围选取与所述起始单元区域同类的目标单元区域,包括:
将所述起始单元区域确定为参考区域;
执行选取步骤,所述选取步骤包括从与参考区域相邻的目标单元区域中选取预测值最大/最小的单元区域作为待定区域;
若未满足停止条件,将所述待定区域确定为与所述起始单元区域同类的目标单元区域,并将所述待定区域合并到参考区域中,重新执行所述选取步骤;
若满足停止条件,停止执行所述选取步骤;
其中,在所述待定区域对应的预测值与所述起始单元区域对应的预测值相差大于所述预设阈值时,满足停止条件。
3.根据权利要求2所述的方法,其特征在于,在当前所述选取步骤的执行次数等于预设次数时,满足停止条件。
4.根据权利要求1所述的方法,其特征在于,所述同类集合包括第一同类集合以及第二同类集合,其中,所述第一同类集合包括一个目标单元区域,所述第二同类集合包括多个目标单元区域;
所述基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域,包括:
针对每组第一同类集合,将包括的一个目标单元区域划分为一个分区域;
针对每组第二同类集合,将包括的多个目标单元区域构成的连通区域划分为一个分区域。
5.根据权利要求1所述的方法,其特征在于,所述目标单元区域为从预先划分的单元区域中选取的满足预设条件的单元区域。
6.根据权利要求5所述的方法,其特征在于,所述满足预设条件的单元区域包括:在预设历史时间段内对应的指定统计数据超过目标阈值的单元区域。
7.一种区域划分装置,其特征在于,所述装置包括:
第一获取单元,被配置为获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;
第二获取单元,被配置为获取所述每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;
聚类单元,被配置为基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;
划分单元,被配置为基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域;
所述聚类得到的结果包括多组同类集合;每组所述同类集合包括一个目标单元区域,或者多个同类的目标单元区域;其中,多个同类的目标单元区域对应的预测值相互之间相差不大于预设阈值,并且多个同类的目标单元区域构成连通区域;
所述聚类单元包括:
第一选取子单元,被配置为从当前不属于任意同类集合的目标单元区域中选取预测值最大/最小的单元区域作为起始单元区域;
第二选取子单元,被配置为从所述起始单元区域周围选取与所述起始单元区域同类的目标单元区域,以得到一组同类集合。
8.根据权利要求7所述的装置,其特征在于,所述第二选取子单元被配置用于:
将所述起始单元区域确定为参考区域;
执行选取步骤,所述选取步骤包括从与参考区域相邻的目标单元区域中选取预测值最大/最小的单元区域作为待定区域;
若未满足停止条件,将所述待定区域确定为与所述起始单元区域同类的目标单元区域,并将所述待定区域合并到参考区域中,重新执行所述选取步骤;
若满足停止条件,停止执行所述选取步骤;
其中,在所述待定区域对应的预测值与所述起始单元区域对应的预测值相差大于所述预设阈值时,满足停止条件。
9.根据权利要求8所述的装置,其特征在于,在当前所述选取步骤的执行次数等于预设次数时,满足停止条件。
10.根据权利要求7所述的装置,其特征在于,所述同类集合包括第一同类集合以及第二同类集合,其中,所述第一同类集合包括一个目标单元区域,所述第二同类集合包括多个目标单元区域;
所述划分单元被配置用于:
针对每组第一同类集合,将包括的一个目标单元区域划分为一个分区域;
针对每组第二同类集合,将包括的多个目标单元区域构成的连通区域划分为一个分区域。
11.根据权利要求7所述的装置,其特征在于,所述目标单元区域为从预先划分的单元区域中选取的满足预设条件的单元区域。
12.根据权利要求11所述的装置,其特征在于,所述满足预设条件的单元区域包括:在预设历史时间段内对应的指定统计数据超过目标阈值的单元区域。
13.一种计算机存储介质,所述存储介质中存储有程序指令,其特征在于,所述指令包括:
获取被对象区域覆盖的每个目标单元区域的位置信息,以得到第一数据集合;
获取所述每个目标单元区域在指定时段内所对应的预定指标数据的预测值,以得到第二数据集合;
基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类;
基于所述聚类得到的结果对所述对象区域进行划分,以得到多个分区域;
重复执行以下步骤,以基于所述第一数据集合以及所述第二数据集合对目标单元区域进行聚类:
从当前不属于任意同类集合的目标单元区域中选取预测值最大/最小的单元区域作为起始单元区域;
从所述起始单元区域周围选取与所述起始单元区域同类的目标单元区域,以得到一组同类集合。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418203.6A CN109003107B (zh) | 2017-06-06 | 2017-06-06 | 区域划分方法及装置 |
CN201880034905.7A CN110914855B (zh) | 2017-06-06 | 2018-06-05 | 区域划分系统和方法 |
PCT/CN2018/089924 WO2018223952A1 (en) | 2017-06-06 | 2018-06-05 | Systems and methods for region division |
TW107119435A TWI763863B (zh) | 2017-06-06 | 2018-06-06 | 區域劃分系統和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710418203.6A CN109003107B (zh) | 2017-06-06 | 2017-06-06 | 区域划分方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003107A CN109003107A (zh) | 2018-12-14 |
CN109003107B true CN109003107B (zh) | 2020-12-04 |
Family
ID=64573571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710418203.6A Active CN109003107B (zh) | 2017-06-06 | 2017-06-06 | 区域划分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003107B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354197B (zh) * | 2018-12-24 | 2021-12-03 | 北京嘀嘀无限科技发展有限公司 | 交通子区域及时段的划分方法及设备 |
CN109670721A (zh) * | 2018-12-26 | 2019-04-23 | 拉扎斯网络科技(上海)有限公司 | 任务调度方法、装置、电子设备及计算机可读存储介质 |
CN109711783A (zh) * | 2018-12-28 | 2019-05-03 | 拉扎斯网络科技(上海)有限公司 | 配送范围的生成方法、装置、服务器及存储介质 |
CN111815011B (zh) * | 2019-04-10 | 2024-03-22 | 财付通支付科技有限公司 | 消息发送方法、装置、计算机设备及存储介质 |
CN110503485B (zh) * | 2019-08-27 | 2020-09-01 | 北京京东智能城市大数据研究院 | 地理区域分类方法及装置、电子设备、存储介质 |
CN111831763A (zh) * | 2019-09-11 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 地图处理方法、装置、设备及计算机可读存储介质 |
CN112818192B (zh) * | 2019-11-15 | 2023-04-07 | 北京三快在线科技有限公司 | 服务对象聚类方法、装置、存储介质和电子设备 |
CN111210134B (zh) * | 2019-12-30 | 2021-04-27 | 北京嘀嘀无限科技发展有限公司 | 服务区域划分方法、装置、服务器和可读存储介质 |
US20220383349A1 (en) * | 2020-02-18 | 2022-12-01 | Grabtaxi Holdings Pte. Ltd. | System and method for partitioning geographical areas into logistical areas for dynamic pricing |
CN114302326B (zh) * | 2021-12-24 | 2023-05-23 | 珠海优特电力科技股份有限公司 | 定位区域的确定方法、定位方法、装置和定位设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090882A (zh) * | 2013-11-14 | 2014-10-08 | 深圳市腾讯计算机系统有限公司 | 一种广告订单的快速聚类方法及系统、服务器 |
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 |
CN105335368A (zh) * | 2014-06-06 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 一种产品聚类方法及装置 |
CN105335390A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 对象的分类方法、业务的推送方法及服务器 |
CN105913658A (zh) * | 2016-05-18 | 2016-08-31 | 杭州智诚惠通科技有限公司 | 一种交通流推测od位置及od矩阵的方法 |
CN106204118A (zh) * | 2016-06-30 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种用于商圈发现的方法与装置 |
CN106462627A (zh) * | 2014-12-29 | 2017-02-22 | 谷歌公司 | 根据多个位置数据报告分析语义地点和相关数据 |
CN106446960A (zh) * | 2016-10-10 | 2017-02-22 | 太原理工大学 | 一种密度聚类划分时间段的动态热度路网构建方法 |
CN106570917A (zh) * | 2016-10-25 | 2017-04-19 | 先锋智道(北京)科技有限公司 | 车辆需求热力图生成方法和装置 |
-
2017
- 2017-06-06 CN CN201710418203.6A patent/CN109003107B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090882A (zh) * | 2013-11-14 | 2014-10-08 | 深圳市腾讯计算机系统有限公司 | 一种广告订单的快速聚类方法及系统、服务器 |
CN105335368A (zh) * | 2014-06-06 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 一种产品聚类方法及装置 |
CN105335390A (zh) * | 2014-07-09 | 2016-02-17 | 阿里巴巴集团控股有限公司 | 对象的分类方法、业务的推送方法及服务器 |
CN106462627A (zh) * | 2014-12-29 | 2017-02-22 | 谷歌公司 | 根据多个位置数据报告分析语义地点和相关数据 |
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 |
CN105913658A (zh) * | 2016-05-18 | 2016-08-31 | 杭州智诚惠通科技有限公司 | 一种交通流推测od位置及od矩阵的方法 |
CN106204118A (zh) * | 2016-06-30 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种用于商圈发现的方法与装置 |
CN106446960A (zh) * | 2016-10-10 | 2017-02-22 | 太原理工大学 | 一种密度聚类划分时间段的动态热度路网构建方法 |
CN106570917A (zh) * | 2016-10-25 | 2017-04-19 | 先锋智道(北京)科技有限公司 | 车辆需求热力图生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109003107A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003107B (zh) | 区域划分方法及装置 | |
CN109298940B (zh) | 计算任务分配方法、装置、电子设备及计算机存储介质 | |
US8392928B1 (en) | Automated workload placement recommendations for a data center | |
US10761897B2 (en) | Predictive model-based intelligent system for automatically scaling and managing provisioned computing resources | |
US20200249992A1 (en) | Resource usage prediction for cluster provisioning | |
CN109194584A (zh) | 一种流量监控方法、装置、计算机设备及存储介质 | |
CN110086650B (zh) | 面向分布式机器学习任务的云资源在线调度方法及装置 | |
US9189543B2 (en) | Predicting service request breaches | |
CN107844877B (zh) | 订单分配方法和装置 | |
US10680975B2 (en) | Method of dynamic resource allocation for public clouds | |
CN105700948A (zh) | 一种用于在集群中调度计算任务的方法与设备 | |
CN103458052A (zh) | 一种基于IaaS云平台的资源调度方法和装置 | |
CN107968810A (zh) | 一种服务器集群的资源调度方法、装置和系统 | |
EP3268918A1 (en) | Auto-expanding campaign optimization | |
CN103473365A (zh) | 一种基于hdfs的文件存储方法、装置及分布式文件系统 | |
US20170178041A1 (en) | Completion contracts | |
CN111580945A (zh) | 微服务任务协调调度方法及系统 | |
CN110599148A (zh) | 集群数据处理方法、装置、计算机集群及可读存储介质 | |
CN108520329B (zh) | 基于经纪人画像的二手房客户精准自动分配方法及装置 | |
US10313457B2 (en) | Collaborative filtering in directed graph | |
CN110188968A (zh) | 区域划分、热度统计的方法及装置 | |
CN110413393B (zh) | 集群资源管理方法、装置、计算机集群及可读存储介质 | |
CN104408206A (zh) | 分布式支持向量聚类的方法及系统 | |
CN106909612B (zh) | 一种跟随行为数据的处理方法和装置 | |
Ortiz | Perfenforce overview: A dynamic scaling engine for analytics with performance guarantees |
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 |