CN109118274A - 任务点去噪分类方法、系统、终端设备及存储介质 - Google Patents
任务点去噪分类方法、系统、终端设备及存储介质 Download PDFInfo
- Publication number
- CN109118274A CN109118274A CN201810832384.1A CN201810832384A CN109118274A CN 109118274 A CN109118274 A CN 109118274A CN 201810832384 A CN201810832384 A CN 201810832384A CN 109118274 A CN109118274 A CN 109118274A
- Authority
- CN
- China
- Prior art keywords
- point
- task point
- task
- initiating
- summation
- 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
- 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
- G06Q30/0203—Market surveys; Market polls
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种任务点去噪分类方法、系统、终端设备及存储介质,通过对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点作为初始中心点;将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,能够减少人为主观因素的影响,提高了任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种任务点去噪分类方法、系统、终端设备及存储介质。
背景技术
随着经济的迅速发展,企业需要了解不可预测的市场,来确定企业生产的那些产品是否符合消费的消费愿望,或者说了解消费者有没有对企业的产品有购买的动机,而市场调查就是企业常用的对市场进行了解的方法。
到任务点“拍照”并获利的行为,则巧妙的利用了移动互联网技术进行市场调查。用户需要下载一个应用程序(Application,APP),在对应的地点获取相应的商品信息后,就可以领取任务所对应的酬金,但是这种市场调查运营模式也存在缺点,有些任务可能位置不好,或者价格不高,导致无人问津,商品检查失败。在目前中小企业的应用中,经常采用的是人为主观分类或者K均值聚类的方法。主要缺点如下:1.任务点过于繁多时,难以人为界定2.分类点分布没有明显规律时,难以给出确切的聚类中心。3.没有考虑到噪点的影响(有些任务点距离城市十分遥远,若不提高该点的酬劳,难以被完成)。
发明内容
本发明的主要目的在于提供一种任务点去噪分类方法、系统、终端设备及存储介质,旨在解决现有技术中任务点分类不规律导致市场调查任务很难被完成的技术问题。
为实现上述目的,本发明提供一种任务点去噪分类方法,所述任务点去噪分类方法包括:
对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;
对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;
从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类。
优选地,所述对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图,具体包括:
计算获得所述初始任务点分布图中每个任务点到其他所有任务点的距离总和;
根据各距离总和获得每个任务点与相邻任务点的改变率,各改变率反映每个任务点与相邻任务点的距离远近关系;
根据各改变率确定所述初始任务点分布图中的噪点,对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
优选地,所述根据各距离总和获得每个任务点与相邻任务点的改变率,具体包括:
将各距离总和按照从大到小的顺序进行排序,获得距离总和序列;
依次获得所述距离总和序列中前一距离总和与下一距离总和的差值,根据各差值与所述前一距离总和的比值根据下式计算每个任务点与相邻任务点的改变率,
Ni=(Di-Di+1)/Di
其中,Ni为改变率,Di为前一距离总和,Di+1为下一距离总和,Di-Di+1为前一距离总和与下一距离总和的差值。
优选地,所述根据各改变率确定所述初始任务点分布图中的噪点,对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图,具体包括:
从各改变率中选取改变率最大值,将所述改变率最大值对应的任务点作为待分析任务点;
获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点;
对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
优选地,所述获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点,具体包括:
获取所述待分析任务点到所述其他任务点的目标距离总和;
将所述目标距离总和所述距离总和序列进行比较分析,获取所述距离总和序列内包含的总任务点数目,并将所述总任务点数目与预设比例的乘积作为预设数目阈值;
在所述目标距离总和小于所述预设数目阈值时,判断所述目标距离总和对应的任务点及大于所述目标距离总和对应的任务点均为噪点;
在所述目标距离总和大于或等于所述预设数目阈值时,对所述改变率最大值进行放弃,并重新从各改变率中选取改变率最大值,直至确定所述初始任务点分布图中的所有噪点。
优选地,所述将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,具体包括:
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离;
根据所述目标距离分别筛选出与各待分类任务点距离最近的各初始中心点,将与各待初始任务点距离最近的各初始中心点作为目标中心点;
将待初始任务点与对应的目标中心点归为同一类别,遍历各待分类任务点,以实现对初始任务点进行分类。
优选地,所述对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图之前,所述任务点去噪分类方法还包括:
获取用于市场调查的多个任务点的地理位置信息,根据所述地理位置信息获得初始任务点分布图。
此外,为实现上述目的,本发明还提出一种终端设备,所述终端设备包括: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任务点去噪分类程序,所述任务点去噪分类程序配置为实现如上文所述的任务点去噪分类方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有任务点去噪分类程序,所述任务点去噪分类程序被处理器执行时实现如上文所述的任务点去噪分类方法的步骤。
此外,为实现上述目的,本发明还提供一种任务点去噪分类系统,所述任务点去噪分类系统包括:
去噪模块,用于对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;
统计模块,用于对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;
筛选模块,用于从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;
聚类模块,用于将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各待分类任务点进行聚类,以实现对初始任务点进行分类。
本发明提出的任务点去噪分类方法,通过对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,能够减少人为主观因素的影响,针对分布无明显规律的点集可以快速确定中心点,并且将噪点分离,提高了任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图;
图2为本发明任务点去噪分类方法第一实施例的流程示意图;
图3为本发明任务点去噪分类方法第二实施例的流程示意图;
图4为本发明任务点去噪分类系统第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的解决方案主要是:通过对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,能够减少人为主观因素的影响,针对分布无明显规律的点集可以快速确定中心点,并且将噪点分离,提高了任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验,解决了现有技术中任务点分类不规律导致市场调查任务很难被完成的技术问题。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。
如图1所示,该终端设备可以包括:处理器1001,例如CPU,通信总线1002、用户端接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户端接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户端接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置,所述任务点去噪分类程序存储在所述存储器1005中,本实施例对此不加以限制。
本领域技术人员可以理解,图1中示出的终端设备结构并不构成对该终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户端接口模块以及任务点去噪分类程序。
本发明终端设备通过处理器1001调用存储器1005中存储的任务点去噪分类程序,并执行以下操作:
对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;
对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;
从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类。
进一步地,处理器1001可以调用存储器1005中存储的任务点去噪分类程序,还执行以下操作:
计算获得所述初始任务点分布图中每个任务点到其他所有任务点的距离总和;
根据各距离总和获得每个任务点与相邻任务点的改变率,各改变率反映每个任务点与相邻任务点的距离远近关系;
根据各改变率确定所述初始任务点分布图中的噪点,对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
进一步地,处理器1001可以调用存储器1005中存储的任务点去噪分类程序,还执行以下操作:
将各距离总和按照从大到小的顺序进行排序,获得距离总和序列;
依次获得所述距离总和序列中前一距离总和与下一距离总和的差值,根据各差值与所述前一距离总和的比值根据下式计算每个任务点与相邻任务点的改变率,
Ni=(Di-Di+1)/Di
其中,Ni为改变率,Di为前一距离总和,Di+1为下一距离总和,Di-Di+1为前一距离总和与下一距离总和的差值。
进一步地,处理器1001可以调用存储器1005中存储的任务点去噪分类程序,还执行以下操作:
从各改变率中选取改变率最大值,将所述改变率最大值对应的任务点作为待分析任务点;
获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点;
对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
进一步地,处理器1001可以调用存储器1005中存储的任务点去噪分类程序,还执行以下操作:
获取所述待分析任务点到所述其他任务点的目标距离总和;
将所述目标距离总和所述距离总和序列进行比较分析,获取所述距离总和序列内包含的总任务点数目,并将所述总任务点数目与预设比例的乘积作为预设数目阈值;
在所述目标距离总和小于所述预设数目阈值时,判断所述目标距离总和对应的任务点及大于所述目标距离总和对应的任务点均为噪点;
在所述目标距离总和大于或等于所述预设数目阈值时,对所述改变率最大值进行放弃,并重新从各改变率中选取改变率最大值,直至确定所述初始任务点分布图中的所有噪点。
进一步地,处理器1001可以调用存储器1005中存储的任务点去噪分类程序,还执行以下操作:
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离;
根据所述目标距离分别筛选出与各待分类任务点距离最近的各初始中心点,将与各待初始任务点距离最近的各初始中心点作为目标中心点;
将待初始任务点与对应的目标中心点归为同一类别,遍历各待分类任务点,以实现对初始任务点进行分类。
进一步地,处理器1001可以调用存储器1005中存储的任务点去噪分类程序,还执行以下操作:
获取用于市场调查的多个任务点的地理位置信息,根据所述地理位置信息获得初始任务点分布图。
本实施例通过上述方案,通过对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,能够减少人为主观因素的影响,针对分布无明显规律的点集可以快速确定中心点,并且将噪点分离,提高了任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验。
基于上述硬件结构,提出本发明任务点去噪分类方法实施例。
参照图2,图2为本发明任务点去噪分类方法第一实施例的流程示意图。
在第一实施例中,所述任务点去噪分类方法包括以下步骤:
步骤S10、对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
需要说明的是,初始任务点分布图为包含很多个任务点的相应位置的分布图,对初始任务点分布图进行噪点去除,即将所述初始任务点分布图中的噪点清除,清除噪点后的分布图作为待处理任务点分布图。
进一步地,所述步骤S10之前,所述任务点去噪分类方法还包括:
获取用于市场调查的多个任务点的地理位置信息,根据所述地理位置信息获得初始任务点分布图。
可以理解的是,通过获取用于市场调查的多个任务点对应的地理位置信息,可以获得各地理位置信息对应的任务点的位置,从而根据各任务点的位置生成初始任务点分布图。
步骤S20、对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围。
需要说明的是,对待处理任务点分布图中初始任务点进行遍历,可以获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,即以各初始任务点为中心,以预设长度为半径确定的范围,一般可以是圆形范围,还可以是六边形范围,当然也可以是以初始任务点为中心,一定半径确定的其他形状范围,本实施例对此不加以限制;所述预设范围为预先设置的范围,由预设长度决定范围的大小,所述预设长度可以由用户自行设定,也可以是通过大量数据训练获得的比较合适的固定值,当然也可以是通过其他方式确定的值,本实施例对此不加以限制。
步骤S30、从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点。
可以理解的是,所述预设数量阈值为预先设置的任务点数量阈值,可以是根据大量实验数据确定的固定阈值,也可以是根据技术人员日常工作经验确定的固定阈值,还可以是用户自行设定的数量阈值,当然还可以是通过其他方式确定的阈值,本实施例对此不加以限制;通过从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,再从目标任务点中选取初始中心点,即从所述初始任务点中选取一定范围内的目标任务点,再从目标任务点中初步找到中心点,为后续任务点的聚类做准备。
步骤S40、将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类。
可以理解的是,将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,即将所述初始中心点进行聚类,除各初始任务点之外的其余的初始任务点距离哪一个中心点更近则将该初始任务点和距离最近的中心点分为一类。
在具体实现中,一般会在对初始任务点分类完毕后,再次核验每一类中的中心点是否是最佳的中心点,若各类别中的中心点不满足与其他中心点距离在预设距离之外,则返回步骤S30重新确定初始中心点。
进一步地,所述步骤S40具体包括以下步骤:
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离;
根据所述目标距离分别筛选出与各待分类任务点距离最近的各初始中心点,将与各待初始任务点距离最近的各初始中心点作为目标中心点;
将待初始任务点与对应的目标中心点归为同一类别,遍历各待分类任务点,以实现对初始任务点进行分类。
应当理解的是,各初始中心点可以分为一个类别,各初始任务点与各是中心点的距离作为目标距离,分类的规则可以是在预设范围内存在的任务点最多且距离其他的中心点足够远,不会出现中心点距离重叠导致任务点归属重叠的情况;根据所述目标距离分别筛选出与各待分类任务点距离最近的各初始中心点,将与各待初始任务点距离最近的各初始中心点作为目标中心点;将待初始任务点与对应的目标中心点归为同一类别,遍历各待分类任务点,直至所有的任务点都分类成功。
本实施例通过上述方案,通过对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,能够减少人为主观因素的影响,针对分布无明显规律的点集可以快速确定中心点,并且将噪点分离,提高了任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验。
进一步地,图3为本发明任务点去噪分类方法第二实施例的流程示意图,如图3所示,基于第一实施例提出本发明任务点去噪分类方法第二实施例,在本实施例中,所述步骤S10具体包括以下步骤:
步骤S11、计算获得所述初始任务点分布图中每个任务点到其他所有任务点的距离总和。
需要说明的是,所述初始任务点分布图中每个任务点到其他所有任务点的距离总和可以反映各任务点到其他所有任务点的距离远近,为后续确定噪点做准备。
步骤S12、根据各距离总和获得每个任务点与相邻任务点的改变率,各改变率反映每个任务点与相邻任务点的距离远近关系。
可以理解的是,所述改变率为各任务点与相邻任务点两两之间距离远近的变化率,即各任务点到相邻点的距离的变化情况,根据各任务点与相邻任务点的改变率可以快速确定所述初始任务点分布图中明显距离其他任务点距离较远的点,从而迅速确定噪点。
进一步地,所述步骤S12还包括以下步骤:
将各距离总和按照从大到小的顺序进行排序,获得距离总和序列;
依次获得所述距离总和序列中前一距离总和与下一距离总和的差值,根据各差值与所述前一距离总和的比值根据下式计算每个任务点与相邻任务点的改变率,
Ni=(Di-Di+1)/Di
其中,Ni为改变率,Di为前一距离总和,Di+1为下一距离总和,Di-Di+1为前一距离总和与下一距离总和的差值。
应当理解的是,根据对各任务点对应的距离总和进行排序,获得距离总和序列后,根据前一距离总和与下一距离总和的差值与所述前一距离总和的比值可以获得所述距离总和序列中相邻两点的改变率,从而根据所述改变率筛选出任务点中的噪点,提高任务点分类的准确性。
步骤S13、根据各改变率确定所述初始任务点分布图中的噪点,对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
可以理解的是,根据各改变率可以确定所述初始任务点分布图中有哪些点距离其他点都很远,从而将这些点确定为初始任务点分布图中的噪点,进而对所述噪点进行去除,将这些噪点分离出来后,可以快速消除噪点对所述初始任务点分布图的影响,从而以待处理任务点分布图为任务点分类图,可以提高任务点分类的准确性。
进一步地,所述步骤S13具体包括以下步骤:
从各改变率中选取改变率最大值,将所述改变率最大值对应的任务点作为待分析任务点;
获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点;
对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
应当理解的是,通过获取各改变率中的最大值对应的任务点,即距离其他任务点最远的点作为待分析任务点,对所述待分析任务点的目标距离总和和所述距离总和序列进行比较分析,能够根据分析结果确定所述初始任务点分布图中的噪点。
进一步地,所述步骤获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点,具体包括以下步骤:
获取所述待分析任务点到所述其他任务点的目标距离总和;
将所述目标距离总和所述距离总和序列进行比较分析,获取所述距离总和序列内包含的总任务点数目,并将所述总任务点数目与预设比例的乘积作为预设数目阈值;
在所述目标距离总和小于所述预设数目阈值时,判断所述目标距离总和对应的任务点及大于所述目标距离总和对应的任务点均为噪点;
在所述目标距离总和大于或等于所述预设数目阈值时,对所述改变率最大值进行放弃,并重新从各改变率中选取改变率最大值,直至确定所述初始任务点分布图中的所有噪点。
需要说明的是,在获取所述待分析任务点到所述其他任务点的目标距离总和之后,可以通过将所述目标距离总和与距离总和序列内总任务数目衬衣预设比例后的对比,可以快速确定噪点;所述预设比例为预先设置的用于筛选任务点的比例,可以是技术人员根据日常工作经验确定的固定比例,也可以是通过大量实验数据训练获得的固定比例,当然还可以是通过其他方式确定的比例,本实施例对此不加以限制。
在具体实现中,假设所述距离总和序列内包含的总任务点数目为800个点,通计算发现Ni改变率最高对应的点出现在点22,预设比例为10%,则此时预设数目阈值为800*10%=80,此时将所述目标距离总和22与所述预设数目阈值80进行比较,22<80,则把22号以内的点视为噪点并移除;再次计算发现Ni改变率出现在点90,此时所述目标距离总和90大于所述预设数目阈值80,则放弃此次计算,以上次计算结果结束;当然确定所述初始任务点分布图中任务点为噪点的方式不限于上述举的例子,还可以是其他确定噪点的方式,本实施例对此不加以限制。
本实施例通过上述方案,通过从各改变率中选取改变率最大值,将所述改变率最大值对应的任务点作为待分析任务点;获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点;对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;获取所述待分析任务点到所述其他任务点的目标距离总和;将所述目标距离总和所述距离总和序列进行比较分析,获取所述距离总和序列内包含的总任务点数目,并将所述总任务点数目与预设比例的乘积作为预设数目阈值;在所述目标距离总和小于所述预设数目阈值时,判断所述目标距离总和对应的任务点及大于所述目标距离总和对应的任务点均为噪点;在所述目标距离总和大于或等于所述预设数目阈值时,对所述改变率最大值进行放弃,并重新从各改变率中选取改变率最大值,直至确定所述初始任务点分布图中的所有噪点,可以快速消除噪点对所述初始任务点分布图的影响,从而以待处理任务点分布图为任务点分类图,可以提高任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验。
基于上述任务点去噪分类方法,本发明进一步提供一种任务点去噪分类系统。
参照图4,图4为本发明任务点去噪分类系统第一实施例的功能模块图。
本发明任务点去噪分类系统第一实施例中,该任务点去噪分类系统包括:
去噪模块10,用于对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
需要说明的是,初始任务点分布图为包含很多个任务点的相应位置的分布图,对初始任务点分布图进行噪点去除,即将所述初始任务点分布图中的噪点清除,清除噪点后的分布图作为待处理任务点分布图。
统计模块20,用于对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围。
需要说明的是,对待处理任务点分布图中初始任务点进行遍历,可以获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,即以各初始任务点为中心,以预设长度为半径确定的范围,一般可以是圆形范围,还可以是六边形范围,当然也可以是以初始任务点为中心,一定半径确定的其他形状范围,本实施例对此不加以限制;所述预设范围为预先设置的范围,由预设长度决定范围的大小,所述预设长度可以由用户自行设定,也可以是通过大量数据训练获得的比较合适的固定值,当然也可以是通过其他方式确定的值,本实施例对此不加以限制。
筛选模块30,从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点。
可以理解的是,所述预设数量阈值为预先设置的任务点数量阈值,可以是根据大量实验数据确定的固定阈值,也可以是根据技术人员日常工作经验确定的固定阈值,还可以是用户自行设定的数量阈值,当然还可以是通过其他方式确定的阈值,本实施例对此不加以限制;通过从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,再从目标任务点中选取初始中心点,即从所述初始任务点中选取一定范围内的目标任务点,再从目标任务点中初步找到中心点,为后续任务点的聚类做准备。
聚类模块40,用于将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类。
可以理解的是,将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,即将所述初始中心点进行聚类,除各初始任务点之外的其余的初始任务点距离哪一个中心点更近则将该初始任务点和距离最近的中心点分为一类。
在具体实现中,一般会在对初始任务点分类完毕后,再次核验每一类中的中心点是否是最佳的中心点,若各类别中的中心点不满足与其他中心点距离在预设距离之外,则返回重新确定初始中心点。
本实施例通过上述方案,通过对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,能够减少人为主观因素的影响,针对分布无明显规律的点集可以快速确定中心点,并且将噪点分离,提高了任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有任务点去噪分类程序,所述任务点去噪分类程序被处理器执行时实现如下操作:
对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;
对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;
从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分。
进一步地,所述任务点去噪分类程序被处理器执行时还实现如下操作:
计算获得所述初始任务点分布图中每个任务点到其他所有任务点的距离总和;
根据各距离总和获得每个任务点与相邻任务点的改变率,各改变率反映每个任务点与相邻任务点的距离远近关系;
根据各改变率确定所述初始任务点分布图中的噪点,对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
进一步地,所述任务点去噪分类程序被处理器执行时还实现如下操作:
将各距离总和按照从大到小的顺序进行排序,获得距离总和序列;
依次获得所述距离总和序列中前一距离总和与下一距离总和的差值,根据各差值与所述前一距离总和的比值根据下式计算每个任务点与相邻任务点的改变率,
Ni=(Di-Di+1)/Di
其中,Ni为改变率,Di为前一距离总和,Di+1为下一距离总和,Di-Di+1为前一距离总和与下一距离总和的差值。
进一步地,所述任务点去噪分类程序被处理器执行时还实现如下操作:
从各改变率中选取改变率最大值,将所述改变率最大值对应的任务点作为待分析任务点;
获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点;
对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
进一步地,所述任务点去噪分类程序被处理器执行时还实现如下操作:
获取所述待分析任务点到所述其他任务点的目标距离总和;
将所述目标距离总和所述距离总和序列进行比较分析,获取所述距离总和序列内包含的总任务点数目,并将所述总任务点数目与预设比例的乘积作为预设数目阈值;
在所述目标距离总和小于所述预设数目阈值时,判断所述目标距离总和对应的任务点及大于所述目标距离总和对应的任务点均为噪点;
在所述目标距离总和大于或等于所述预设数目阈值时,对所述改变率最大值进行放弃,并重新从各改变率中选取改变率最大值,直至确定所述初始任务点分布图中的所有噪点。
进一步地,所述任务点去噪分类程序被处理器执行时还实现如下操作:
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离;
根据所述目标距离分别筛选出与各待分类任务点距离最近的各初始中心点,将与各待初始任务点距离最近的各初始中心点作为目标中心点;
将待初始任务点与对应的目标中心点归为同一类别,遍历各待分类任务点,以实现对初始任务点进行分类。
进一步地,所述任务点去噪分类程序被处理器执行时还实现如下操作:
获取用于市场调查的多个任务点的地理位置信息,根据所述地理位置信息获得初始任务点分布图。
本实施例通过上述方案,通过对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,能够减少人为主观因素的影响,针对分布无明显规律的点集可以快速确定中心点,并且将噪点分离,提高了任务点分类的准确性,进而提升了市场调查任务的执行成功率和任务的处理速度和效率,并能够达到预期的商品市场调查效果,提升了用户体验。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种任务点去噪分类方法,其特征在于,所述任务点去噪分类方法包括:
对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;
对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;
从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类。
2.如权利要求1所述的任务点去噪分类方法,其特征在于,所述对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图,具体包括:
计算获得所述初始任务点分布图中每个任务点到其他所有任务点的距离总和;
根据各距离总和获得每个任务点与相邻任务点的改变率,各改变率反映每个任务点与相邻任务点的距离远近关系;
根据各改变率确定所述初始任务点分布图中的噪点,对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
3.如权利要求2所述的任务点去噪分类方法,其特征在于,所述根据各距离总和获得每个任务点与相邻任务点的改变率,具体包括:
将各距离总和按照从大到小的顺序进行排序,获得距离总和序列;
依次获得所述距离总和序列中前一距离总和与下一距离总和的差值,根据各差值与所述前一距离总和的比值根据下式计算每个任务点与相邻任务点的改变率,
Ni=(Di-Di+1)/Di
其中,Ni为改变率,Di为前一距离总和,Di+1为下一距离总和,Di-Di+1为前一距离总和与下一距离总和的差值。
4.如权利要求3所述的任务点去噪分类方法,其特征在于,所述根据各改变率确定所述初始任务点分布图中的噪点,对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图,具体包括:
从各改变率中选取改变率最大值,将所述改变率最大值对应的任务点作为待分析任务点;
获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点;
对所述噪点进行去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图。
5.如权利要求4所述的任务点去噪分类方法,其特征在于,所述获取所述待分析任务点到所述其他任务点的目标距离总和,将所述目标距离总和所述距离总和序列进行比较分析,根据分析结果确定所述初始任务点分布图中的噪点,具体包括:
获取所述待分析任务点到所述其他任务点的目标距离总和;
将所述目标距离总和所述距离总和序列进行比较分析,获取所述距离总和序列内包含的总任务点数目,并将所述总任务点数目与预设比例的乘积作为预设数目阈值;
在所述目标距离总和小于所述预设数目阈值时,判断所述目标距离总和对应的任务点及大于所述目标距离总和对应的任务点均为噪点;
在所述目标距离总和大于或等于所述预设数目阈值时,对所述改变率最大值进行放弃,并重新从各改变率中选取改变率最大值,直至确定所述初始任务点分布图中的所有噪点。
6.如权利要求5所述的任务点去噪分类方法,其特征在于,所述将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各初始任务点进行聚类,以实现对初始任务点进行分类,具体包括:
将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离;
根据所述目标距离分别筛选出与各待分类任务点距离最近的各初始中心点,将与各待初始任务点距离最近的各初始中心点作为目标中心点;
将待初始任务点与对应的目标中心点归为同一类别,遍历各待分类任务点,以实现对初始任务点进行分类。
7.如权利要求1-6中任一项中所述的任务点去噪分类方法,其特征在于,所述对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图之前,所述任务点去噪分类方法还包括:
获取用于市场调查的多个任务点的地理位置信息,根据所述地理位置信息获得初始任务点分布图。
8.一种任务点去噪分类系统,其特征在于,所述任务点去噪分类系统包括:
去噪模块,用于对初始任务点分布图进行噪点去除,将去除噪点后的初始任务点分布图作为待处理任务点分布图;
统计模块,用于对待处理任务点分布图中初始任务点进行遍历,获取遍历到的当前初始任务点对应预设范围内的其他任务点的任务点数量,所述预设范围以所述当前初始任务点为中心,并且以预设长度为半径确定的范围;
筛选模块,用于从所述初始任务点中选取任务点数量大于预设数量阈值的目标任务点,将所述目标任务点中去除非中心点后的目标任务点作为初始中心点;
聚类模块,用于将各初始中心点分别作为一个类别,分别获得各初始任务点与各初始中心点的目标距离,并以所述目标距离最短作为聚类条件对各待分类任务点进行聚类,以实现对初始任务点进行分类。
9.一种终端设备,其特征在于,所述终端设备包括: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任务点去噪分类程序,所述任务点去噪分类程序配置为实现如权利要求1至7中任一项所述的任务点去噪分类方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有任务点去噪分类程序,所述任务点去噪分类程序被处理器执行时实现如权利要求1至7中任一项所述的任务点去噪分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832384.1A CN109118274B (zh) | 2018-07-25 | 2018-07-25 | 任务点去噪分类方法、系统、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832384.1A CN109118274B (zh) | 2018-07-25 | 2018-07-25 | 任务点去噪分类方法、系统、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118274A true CN109118274A (zh) | 2019-01-01 |
CN109118274B CN109118274B (zh) | 2021-11-16 |
Family
ID=64862226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810832384.1A Active CN109118274B (zh) | 2018-07-25 | 2018-07-25 | 任务点去噪分类方法、系统、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118274B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461779A (zh) * | 2020-03-31 | 2020-07-28 | 拉扎斯网络科技(上海)有限公司 | 地图信息处理的方法、装置、可读存储介质和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040117054A1 (en) * | 2002-12-13 | 2004-06-17 | Lam Research Corporation | Method and apparatus for slope to threshold conversion for process state monitoring and endpoint detection |
US20050094640A1 (en) * | 1998-08-19 | 2005-05-05 | Howe Wayne R. | Stealth packet switching |
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN101650422A (zh) * | 2009-09-27 | 2010-02-17 | 北京师范大学 | 遥感植被指数时间序列数据去噪方法 |
CN103646160A (zh) * | 2013-10-17 | 2014-03-19 | 北京工业大学 | 一种fMRI任务态数据预处理中的去噪校正方法 |
CN106570528A (zh) * | 2016-11-08 | 2017-04-19 | 上海师范大学 | 一种初始聚类中心选取方法及聚类方法 |
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 |
-
2018
- 2018-07-25 CN CN201810832384.1A patent/CN109118274B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050094640A1 (en) * | 1998-08-19 | 2005-05-05 | Howe Wayne R. | Stealth packet switching |
US20040117054A1 (en) * | 2002-12-13 | 2004-06-17 | Lam Research Corporation | Method and apparatus for slope to threshold conversion for process state monitoring and endpoint detection |
CN101505532A (zh) * | 2009-03-12 | 2009-08-12 | 华南理工大学 | 一种基于分布式处理的无线传感器网络目标跟踪方法 |
CN101650422A (zh) * | 2009-09-27 | 2010-02-17 | 北京师范大学 | 遥感植被指数时间序列数据去噪方法 |
CN103646160A (zh) * | 2013-10-17 | 2014-03-19 | 北京工业大学 | 一种fMRI任务态数据预处理中的去噪校正方法 |
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 |
CN106570528A (zh) * | 2016-11-08 | 2017-04-19 | 上海师范大学 | 一种初始聚类中心选取方法及聚类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461779A (zh) * | 2020-03-31 | 2020-07-28 | 拉扎斯网络科技(上海)有限公司 | 地图信息处理的方法、装置、可读存储介质和电子设备 |
CN111461779B (zh) * | 2020-03-31 | 2023-10-24 | 拉扎斯网络科技(上海)有限公司 | 地图信息处理的方法、装置、可读存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109118274B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657138B (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
US8983936B2 (en) | Incremental visualization for structured data in an enterprise-level data store | |
CN108520076A (zh) | 电子书推荐方法、电子设备及计算机存储介质 | |
CN110457577B (zh) | 数据处理方法、装置、设备和计算机存储介质 | |
CN108520440B (zh) | 阅读用户的总消费存量需求的确定方法、电子设备及计算机存储介质 | |
CN105139256B (zh) | 分时图显示方法及装置 | |
JP6678666B2 (ja) | ランキング関数のオフライン評価 | |
US11620683B2 (en) | Utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy | |
CN110069676A (zh) | 关键词推荐方法和装置 | |
WO2015154679A1 (zh) | 多搜索引擎搜索结果的排序方法及装置 | |
US20160232548A1 (en) | Adaptive pricing analytics | |
US11861698B2 (en) | Vehicle selection platform | |
CN109840248B (zh) | 一种作业流程优化方法、装置及存储介质 | |
CN108062415B (zh) | 用户行为的统计方法、装置及终端设备 | |
CN110489242A (zh) | 分布式数据计算方法、装置、终端设备及存储介质 | |
CN109118274A (zh) | 任务点去噪分类方法、系统、终端设备及存储介质 | |
US11093957B2 (en) | Techniques to quantify effectiveness of site-wide actions | |
US10922144B2 (en) | Attribute collection and tenant selection for on-boarding to a workload | |
CN115527610B (zh) | 一种单细胞组学数据的聚类分析方法 | |
EP3692437B1 (en) | Selecting computer configurations based on application usage-based clustering | |
CN111177562A (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 | |
US20230029888A1 (en) | Cloud-based compute resource configuration recommendation and allocation for database migration | |
CN115729687A (zh) | 任务调度方法、装置、计算机设备、存储介质 | |
CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
CN114881677A (zh) | 一种用户需求分析方法、装置及设备 |
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 |