CN109522923B - 客户地址聚合方法、装置及计算机可读存储介质 - Google Patents

客户地址聚合方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109522923B
CN109522923B CN201811114718.8A CN201811114718A CN109522923B CN 109522923 B CN109522923 B CN 109522923B CN 201811114718 A CN201811114718 A CN 201811114718A CN 109522923 B CN109522923 B CN 109522923B
Authority
CN
China
Prior art keywords
positioning
points
client
locating
point set
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
Application number
CN201811114718.8A
Other languages
English (en)
Other versions
CN109522923A (zh
Inventor
许彦锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN201811114718.8A priority Critical patent/CN109522923B/zh
Publication of CN109522923A publication Critical patent/CN109522923A/zh
Application granted granted Critical
Publication of CN109522923B publication Critical patent/CN109522923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及大数据技术，公开了一种客户地址聚合方法，该方法包括：获取客户地址信息；查找客户地址信息在地图上的定位点；基于K‑means聚类算法对定位点进行聚类，获取到多个定位点集合；判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；若是，则计算定位点集合中的定位点的质心；若否，则重新基于K‑means聚类算法对定位点进行聚类，直至聚类得到的各个定位点集合中的定位点数量均小于或者等于预设数量；将质心作为定位点集合中的定位点对应的地址信息的新定位点。本发明还提出一种客户地址聚合装置以及一种计算机可读存储介质。本发明实现了对距离相近的客户地址进行聚合，以减少数据量的效果。

Description

客户地址聚合方法、装置及计算机可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种客户地址聚合方法、装置及计算机可读存储介质。
背景技术
一些行业需要对客户进行长期维护或者需要到客户所在地为客户办理业务或者后续服务，例如保险行业、金融行业等，这些行业目前采用的管理方式是，在对城市进行区域划分的基础上进行区域经营管理。以保险行业为例，将城市划分为多个销售区域，将区域分配给不同的业务人员，由业务人员到客户所在地，为客户办理相关的保险业务以及负责保单的后续服务。因此，在进行区域经营管理时，要对客户的地址进行精准定位，现有的区域经营管理系统中，一般是使用第三方地图引擎解析客户地址，得到客户地址在地图上的定位点。
此外，由于区域内的客户数量众多，为了减少数据量，系统中一般采用聚合规则对定位点进行聚合，即将多个客户的地址聚合到一个定位点在地图上进行展示，实现使用一个定位点能够代表多个客户的效果，目前的聚合规则是将经纬度相同或者相近的地址聚合到一点，但是客户在填写资料时，写的地址往往不规范，例如“xx大厦9栋1楼2号”、“xx大厦9-1-2”或者“xx大厦9/1/2”，这些地址的写法相同，但是地图引擎解析出来的经纬度往往不一样，导致实际相同的地址聚合到了不同的定位点，或者是距离非常近的地址没有聚合到同一个定位点，导致难以达到减少数据量的目的。
发明内容
本发明提供一种客户地址聚合方法、装置及计算机可读存储介质，其主要目的在于实现对距离相近的客户地址进行聚合，以减少数据量。
为实现上述目的，本发明还提供一种客户地址聚合方法，该方法包括：
从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；
基于预设地图引擎查找客户地址信息在地图上的定位点；
确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；
判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；
若是，则计算定位点集合中的定位点的质心；
若否，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤；
将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点。
可选地，所述确定聚类数量的步骤包括：
根据预先设置的定位点数量与聚类数量之间的映射关系，确定当前作为聚类分析的对象的定位点的数量对应的聚类数量。
可选地，所述计算所述定位点集合中的定位点的质心的步骤之后，所述方法还包括：
计算定位点集合中各定位点到质心之间的距离；
统计与质心之间的距离大于预设距离的定位点的数量，并判断所述数量在对应的定位点集合定位点总数量中所占的比例是否小于预设阈值；
若是，则将执行将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点的步骤；
若否，则将所述比例小于预设阈值的定位点集合作为聚类分析的对象，执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中，与质心之间的距离大于预设距离的定位点的数量在对应的定位点集合定位点总数量中所占的比例均小于所述预设阈值。
可选地，所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息步骤之前，所述方法还包括：
对定位聚合操作的时间间隔进行监测；
当监测到当前时间距离上次执行定位聚合操作的时间间隔达到预设时间间隔时，执行所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息的步骤。
可选地，若基于预设地图引擎查找到客户地址信息对应于多个定位点，则计算所述多个定位点的质心，将计算得到的质心作为该客户地址信息对应的定位点。
此外，为实现上述目的，本发明还提供一种客户地址聚合装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的地址聚合程序，所述地址聚合程序被所述处理器执行时实现如下步骤：
从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；
基于预设地图引擎查找客户地址信息在地图上的定位点；
确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；
判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；
若是，则计算定位点集合中的定位点的质心；
若否，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤；
将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点。
可选地，所述确定聚类数量的步骤包括：
根据预先设置的定位点数量与聚类数量之间的映射关系，确定当前作为聚类分析的对象的定位点的数量对应的聚类数量。
可选地，所述地址聚合程序还可被所述处理器执行，以在所述计算所述定位点集合中的定位点的质心的步骤之后，还实现如下步骤：
计算定位点集合中各定位点到质心之间的距离；
统计与质心之间的距离大于预设距离的定位点的数量，并判断所述数量在对应的定位点集合定位点总数量中所占的比例是否小于预设阈值；
若是，则将执行将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点的步骤；
若否，则将所述比例小于预设阈值的定位点集合作为聚类分析的对象，执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中，与质心之间的距离大于预设距离的定位点的数量在对应的定位点集合定位点总数量中所占的比例均小于所述预设阈值。
可选地，所述地址聚合程序还可被所述处理器执行，以在所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息步骤之前，还实现如下步骤：
对定位聚合操作的时间间隔进行监测；
当监测到当前时间距离上次执行定位聚合操作的时间间隔达到预设时间间隔时，执行所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有地址聚合程序，所述地址聚合程序可被一个或者多个处理器执行，以实现如上所述的客户地址聚合方法的步骤。
本发明提出的客户地址聚合方法、装置及计算机可读存储介质，从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；基于预设地图引擎查找客户地址信息在地图上的定位点；确定聚类数量，并按照聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；若是，则计算定位点集合中的定位点的质心；若否，则将定位点数量大于预设数量的定位点集合中的定位点作为聚类分析的对象执行基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中的定位点数量均小于或者等于预设数量，并执行计算定位点集合中的定位点的质心的步骤；将质心作为定位点集合中的定位点对应的地址信息的新定位点。本发明按照聚类算法对目标区域的客户地址的定位进行聚合，实现将距离相近的多个定位点聚合为一个定位点，根据该定位点表示对应的多个客户地址在地图上的位置，较少数据库的存储量和数据复杂度，方便客户管理。
附图说明
图1为本发明一实施例提供的客户地址聚合方法的流程示意图；
图2为本发明一实施例提供的客户地址聚合装置的内部结构示意图；
图3为本发明一实施例提供的客户地址聚合装置中地址聚合程序的模块示意图。
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。
本发明提供一种客户地址聚合方法。参照图1所示，为本发明一实施例提供的客户地址聚合方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，客户地址聚合方法包括：
步骤S10，从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息。
步骤S20，基于预设地图引擎查找客户地址信息在地图上的定位点。
本方案的方法可以应用于各个行业客户地址的聚合，以下以保险产品的推荐为例进行说明。假设某保险公司的深圳机构按照商圈将深圳市的整体区域划分为数百个预设区域，并且为每个预设区域分配业务人员负责该区域的保险产品的销售。本方案以区域为单位，对一个区域内的客户的地址按照一定的规则进行聚合，用较少数量的定位点在地图上表示多个客户。该方案中使用的预设地图引擎可以是百度地图、高德地图等现有的地图引擎。可以选择其中的任意一个进行搜索。
在对一个区域内的客户的定位进行聚合时，将该区域作为目标区域，从数据库中获取该目标区域的全部客户信息，从客户信息中提取客户地址信息，生成客户地址列表，基于预设的地图引擎对客户地址列表中的客户地址在地图上进行定位，其中，一个客户地址对应于一个定位点。
步骤S30，确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合。
接下来，针对目标区域中的全部定位点，按照聚类算法进行聚类，本方案中出采用K-means聚类算法，预先设置好K值，按照设定的K值聚类后，得到K个定位点集合。该方案最终要实现的效果是：将聚类完成后的每一个定位点集合中的所有定位点用一个定位点来表示，同时对该定位点有客户量粒度要求，即一个定位点所代表的客户的数量不能超过预设数量。关于客户量粒度的设置，可以根据机构的个人服务上限来设置，例如，可以将预设数量设置为100，即聚类完成后一个定位点集合中定位点数量不能超过100。此外，关于K值的设置，可以根据目标区域中的客户总数量来设置。在客户量粒度相同的情况下，目标区域中的客户总数量越大，则K值可以设置的越大。优选地，K值的取值范围优选为，K＝2～5。
步骤S40，判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量。
步骤S50，若是，则计算定位点集合中的定位点的质心；
步骤S60，若否，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤；
在基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤之后，判断得到的K个定位点集合中的定位点数量是否大于预设数量，如果有定位点集合中的定位点数量大于预设数量，则将该定位点集合中的定位点作为聚类分析的对象，重复执行基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤对其进行聚类，此时的K-means聚类算法中的K值可以与上一次聚类中的K值相同，也可以根据当前该定位点集合中定位点的总数量重新设置K值。按照设置的K值重新对定位点集合中的定位点进行聚类，如此重复直至聚类后得到的每一个定位点集合中的定位点的数量都小于或者等于预设数量。
确定聚类数量的步骤包括：
根据预先设置的定位点数量与聚类数量之间的映射关系，确定当前作为聚类分析的对象的定位点的数量对应的聚类数量。
步骤S70，将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点。
在聚类完成后，计算每一个定位点集合中的定位点的质心，将该质心与该定位点集合中的定位点对应的地址信息关联存储，以将所述质心作为该地址信息的新的定位点，实现将一个定位点集合中的地址信息聚合到一个定位点。
进一步地，为了避免新定位点与原来的定位点的距离过大，在进行聚合之后，对定位点到质心之间的距离进行判断，具体地，在计算定位点集合中的定位点的质心的步骤之后，该方法还包括：
计算定位点集合中各定位点到质心之间的距离；
统计与质心之间的距离大于预设距离的定位点的数量，并判断所述数量在对应的定位点集合定位点总数量中所占的比例是否小于预设阈值；
若是，则将执行将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点的步骤；
若否，则将所述比例小于预设阈值的定位点集合作为聚类分析的对象，执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中，与质心之间的距离大于预设距离的定位点的数量在对应的定位点集合定位点总数量中所占的比例均小于所述预设阈值。
进一步地，对定位聚合操作的时间间隔进行监测；当检测到当前时间距离上次执行定位聚合操作的时间间隔达到预设时间间隔时，执行所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息的步骤。
进一步地，由于在对一个客户地址进行定位时，基于地图引擎搜索客户地址时，一个客户地址可能会得到多个定位点，因此，为了便于后续的聚类工作，需要对这种情况进行重新定位，实现一个客户地址信息对应一个定位点。具体地，若基于预设地图引擎查找到客户地址信息对应于多个定位点，则计算所述多个定位点的质心，将计算得到的质心作为该客户地址信息对应的定位点。
本实施例提出的客户地址聚合方法，从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；基于预设地图引擎查找客户地址信息在地图上的定位点；确定聚类数量，并按照聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；若是，则计算定位点集合中的定位点的质心；若否，则将定位点数量大于预设数量的定位点集合中的定位点作为聚类分析的对象执行基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中的定位点数量均小于或者等于预设数量，并执行计算定位点集合中的定位点的质心的步骤；将质心作为定位点集合中的定位点对应的地址信息的新定位点。本发明按照聚类算法对目标区域的客户地址的定位进行聚合，实现将距离相近的多个定位点聚合为一个定位点，根据该定位点表示对应的多个客户地址在地图上的位置，较少数据库的存储量和数据复杂度，方便客户管理。
本发明还提供一种客户地址聚合装置。参照图2所示，为本发明一实施例提供的客户地址聚合装置的内部结构示意图。
在本实施例中，客户地址聚合装置1可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、便携计算机等终端设备。该客户地址聚合装置1至少包括存储器11、处理器12，网络接口13以及通信总线。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是客户地址聚合装置1的内部存储单元，例如该客户地址聚合装置1的硬盘。存储器11在另一些实施例中也可以是客户地址聚合装置1的外部存储设备，例如客户地址聚合装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括客户地址聚合装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于客户地址聚合装置1的应用软件及各类数据，例如地址聚合程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行地址聚合程序01等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
通信总线用于实现这些组件之间的连接通信。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-EmittingDiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在客户地址聚合装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-13以及地址聚合程序01的客户地址聚合装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对客户地址聚合装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有地址聚合程序01；处理器12执行存储器11中存储的地址聚合程序01时实现如下步骤：
从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息。
基于预设地图引擎查找客户地址信息在地图上的定位点。
确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合。
判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量。
若是，则计算定位点集合中的定位点的质心。
若否，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤。
将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点。
本实施例的装置可以应用于各个行业客户地址的聚合，以下以保险产品的推荐为例进行说明。假设某保险公司的深圳机构按照商圈将深圳市的整体区域划分为数百个预设区域，并且为每个预设区域分配业务人员负责该区域的保险产品的销售。本实施例以区域为单位，对一个区域内的客户的地址按照一定的规则进行聚合，用较少数量的定位点在地图上表示多个客户。该方案中使用的预设地图引擎可以是百度地图、高德地图等现有的地图引擎。可以选择其中的任意一个进行搜索。
在对一个区域内的客户的定位点进行聚合时，将该区域作为目标区域，从数据库中获取该目标区域的全部客户信息，从客户信息中提取客户地址信息，生成客户地址列表，基于预设的地图引擎对客户地址列表中的客户地址在地图上进行定位，其中，一个客户地址对应于一个定位点。
接下来，针对目标区域中的全部定位点，按照聚类算法进行聚类，本方案中出采用K-means聚类算法，预先设置好聚类数量K的值，按照设定的K值聚类后，得到K个定位点集合。该方案最终要实现的效果是：将聚类完成后的每一个定位点集合中的所有定位点用一个定位点来表示，同时对该定位点有客户量粒度要求，即一个定位点所代表的客户的数量不能超过预设数量。关于客户量粒度的设置，可以根据机构的个人服务上限来设置，例如，可以将预设数量设置为100，即聚类完成后一个定位点集合中定位点数量不能超过100。此外，关于K值的设置，可以根据目标区域中的客户总数量来设置。在客户量粒度相同的情况下，目标区域中的客户总数量越大，则K值可以设置的越大。优选地，K值的取值范围优选为，K＝2～5。
在基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤之后，判断得到的K个定位点集合中的定位点数量是否大于预设数量，如果有定位点集合中的定位点数量大于预设数量，则将该定位点集合中的定位点作为聚类分析的对象，重复执行基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤对其进行聚类，此时的K-means聚类算法中的K值可以与上一次聚类中的K值相同，也可以根据当前该定位点集合中定位点的总数量重新设置K值。按照设置的K值重新对定位点集合中的定位点进行聚类，如此重复直至聚类后得到的每一个定位点集合中的定位点的数量都小于或者等于预设数量。
确定聚类数量的步骤包括：
根据预先设置的定位点数量与聚类数量之间的映射关系，确定当前作为聚类分析的对象的定位点的数量对应的聚类数量。
在聚类完成后，计算每一个定位点集合中的定位点的质心，将该质心与该定位点集合中的定位点对应的地址信息关联存储，以将所述质心作为该地址信息的新的定位点，实现将一个定位点集合中的地址信息聚合到一个定位点。
进一步地，为了避免新定位点与原来的定位点的距离过大，在进行聚合之后，对定位点到质心之间的距离进行判断，具体地，地址聚合程序01还可被处理器12执行，以在计算定位点集合中的定位点的质心的步骤之后，还实现如下步骤：
计算定位点集合中各定位点到质心之间的距离；
统计与质心之间的距离大于预设距离的定位点的数量，并判断所述数量在对应的定位点集合定位点总数量中所占的比例是否小于预设阈值；
若是，则将执行将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点的步骤；
若否，则将所述比例小于预设阈值的定位点集合作为聚类分析的对象，执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中，与质心之间的距离大于预设距离的定位点的数量在对应的定位点集合定位点总数量中所占的比例均小于所述预设阈值。
进一步地，对定位聚合操作的时间间隔进行监测；当检测到当前时间距离上次执行定位聚合操作的时间间隔达到预设时间间隔时，执行所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息的步骤。
进一步地，由于在对一个客户地址进行定位时，基于地图引擎搜索客户地址时，一个客户地址可能会得到多个定位点，因此，为了便于后续的聚类工作，需要对这种情况进行重新定位，实现一个客户地址信息对应一个定位点。具体地，若基于预设地图引擎查找到客户地址信息对应于多个定位点，则计算所述多个定位点的质心，将计算得到的质心作为该客户地址信息对应的定位点。
本实施例提出的客户地址聚合装置，从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；基于预设地图引擎查找客户地址信息在地图上的定位点；确定聚类数量，并按照聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；若是，则计算定位点集合中的定位点的质心；若否，则将定位点数量大于预设数量的定位点集合中的定位点作为聚类分析的对象执行基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中的定位点数量均小于或者等于预设数量，并执行计算定位点集合中的定位点的质心的步骤；将质心作为定位点集合中的定位点对应的地址信息的新定位点。本发明按照聚类算法对目标区域的客户地址的定位进行聚合，实现将距离相近的多个定位点聚合为一个定位点，根据该定位点表示对应的多个客户地址在地图上的位置，较少数据库的存储量和数据复杂度，方便客户管理。
可选地，在其他的实施例中，地址聚合程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述地址聚合程序在客户地址聚合装置中的执行过程。
例如，参照图3所示，为本发明客户地址聚合装置一实施例中的地址聚合程序的程序模块示意图，该实施例中，地址聚合程序可以被分割为数据获取模块10、地址搜索模块20、聚类分析模块30、粒度检测模块40、质心计算模块50和定位更新模块60，示例性地：
数据获取模块10用于：从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；
地址搜索模块20用于：基于预设地图引擎查找客户地址信息在地图上的定位点；
聚类分析模块30用于：确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；
粒度检测模块40用于：判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；
质心计算模块50用于：若各个定位点集合中的定位点的数量均小于或者等于预设数量，则计算定位点集合中的定位点的质心；
所述聚类分析模块30还用于：若有定位点集合中的定位点数量大于所述预设数量，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中的定位点数量均小于或者等于所述预设数量，并由质心计算模块50计算定位点集合中的定位点的质心；
定位更新模块60用于：将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点。
上述数据获取模块10、地址搜索模块20、聚类分析模块30、粒度检测模块40、质心计算模块50和定位更新模块60等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有地址聚合程序，所述地址聚合程序可被一个或多个处理器执行，以实现如下操作：
从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；
基于预设地图引擎查找客户地址信息在地图上的定位点；
确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；
判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；
若是，则计算定位点集合中的定位点的质心；
若否，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤；
将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点。本发明计算机可读存储介质具体实施方式与上述客户地址聚合装置和方法各实施例基本相同，在此不作累述。
需要说明的是，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。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
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 (8)

1.一种客户地址聚合方法，其特征在于，所述方法包括：
从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；
基于预设地图引擎查找客户地址信息在地图上的定位点；
确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；
判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；
若是，则计算定位点集合中的定位点的质心；
若否，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象，回到上述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤重新开始执行，直至聚类后得到的各个定位点集合中的定位点数量均小于或者等于预设数量；
将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点；
所述计算定位点集合中的定位点的质心的步骤之后，所述方法还包括：
计算定位点集合中各定位点到质心之间的距离；
统计与质心之间的距离大于预设距离的定位点的数量，并判断所述数量在对应的定位点集合定位点总数量中所占的比例是否小于预设阈值；
若是，则将执行将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点的步骤；
若否，则将所述比例小于预设阈值的定位点集合作为聚类分析的对象，执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中，与质心之间的距离大于预设距离的定位点的数量在对应的定位点集合定位点总数量中所占的比例均小于所述预设阈值。
2.如权利要求1所述的客户地址聚合方法，其特征在于，所述确定聚类数量的步骤包括：
根据预先设置的定位点数量与聚类数量之间的映射关系，确定当前作为聚类分析的对象的定位点的数量对应的聚类数量。
3.如权利要求1至2中任一项所述的客户地址聚合方法，其特征在于，所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息步骤之前，所述方法还包括：
对定位聚合操作的时间间隔进行监测；
当监测到当前时间距离上次执行定位聚合操作的时间间隔达到预设时间间隔时，执行所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息的步骤。
4.如权利要求1至2中任一项所述的客户地址聚合方法，其特征在于，若基于预设地图引擎查找到客户地址信息对应于多个定位点，则计算所述多个定位点的质心，将计算得到的质心作为该客户地址信息对应的定位点。
5.一种客户地址聚合装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的地址聚合程序，所述地址聚合程序被所述处理器执行时实现如下步骤：
从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息；
基于预设地图引擎查找客户地址信息在地图上的定位点；
确定聚类数量，并按照所述聚类数量，基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合；
判断各个定位点集合中的定位点的数量是否均小于或者等于预设数量；
若是，则计算定位点集合中的定位点的质心；
若否，则将定位点数量大于所述预设数量的定位点集合中的定位点作为聚类分析的对象，回到上述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤重新开始执行，直至聚类后得到的各个定位点集合中的定位点数量均小于或者等于预设数量；
将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点；
在所述计算定位点集合中的定位点的质心的步骤之后，还实现如下步骤：
计算定位点集合中各定位点到质心之间的距离；
统计与质心之间的距离大于预设距离的定位点的数量，并判断所述数量在对应的定位点集合定位点总数量中所占的比例是否小于预设阈值；
若是，则将执行将所述质心作为所述定位点集合中的定位点对应的地址信息的新定位点的步骤；
若否，则将所述比例小于预设阈值的定位点集合作为聚类分析的对象，执行所述基于K-means聚类算法对定位点进行聚类，获取到多个定位点集合的步骤，直至聚类后得到的各个定位点集合中，与质心之间的距离大于预设距离的定位点的数量在对应的定位点集合定位点总数量中所占的比例均小于所述预设阈值。
6.如权利要求5所述的客户地址聚合装置，其特征在于，所述确定聚类数量的步骤包括：
根据预先设置的定位点数量与聚类数量之间的映射关系，确定当前作为聚类分析的对象的定位点的数量对应的聚类数量。
7.如权利要求5至6中任一项所述的客户地址聚合装置，其特征在于，所述地址聚合程序还可被所述处理器执行，以在所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息步骤之前，还实现如下步骤：
对定位聚合操作的时间间隔进行监测；
当监测到当前时间距离上次执行定位聚合操作的时间间隔达到预设时间间隔时，执行所述从数据库中提取属于目标区域的客户信息，从客户信息中获取客户地址信息的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有地址聚合程序，所述地址聚合程序可被一个或者多个处理器执行，以实现如权利要求1至4中任一项所述的客户地址聚合方法的步骤。
CN201811114718.8A 2018-09-25 2018-09-25 客户地址聚合方法、装置及计算机可读存储介质 Active CN109522923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811114718.8A CN109522923B (zh) 2018-09-25 2018-09-25 客户地址聚合方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811114718.8A CN109522923B (zh) 2018-09-25 2018-09-25 客户地址聚合方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109522923A CN109522923A (zh) 2019-03-26
CN109522923B true CN109522923B (zh) 2023-07-04

Family

ID=65769763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811114718.8A Active CN109522923B (zh) 2018-09-25 2018-09-25 客户地址聚合方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109522923B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110730207B (zh) * 2019-09-06 2022-03-29 平安科技（深圳）有限公司 基于位置服务的位置识别方法、装置、设备及存储介质
CN111210302A (zh) * 2019-12-29 2020-05-29 方正株式(武汉)科技开发有限公司 报纸分片推销方法及系统、服务器及介质
CN111861733B (zh) * 2020-07-31 2023-09-15 重庆富民银行股份有限公司 基于地址模糊匹配的欺诈防控系统及方法
CN113064953B (zh) * 2021-04-21 2023-08-22 湖南天河国云科技有限公司 基于邻居信息聚合的区块链地址聚类方法及装置
CN115887999B (zh) * 2022-12-26 2024-02-27 青鸟消防股份有限公司 消防控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867004A (zh) * 2011-07-06 2013-01-09 高德软件有限公司 一种地址匹配的方法及设备
CN104702432A (zh) * 2014-01-15 2015-06-10 杭州海康威视系统技术有限公司 基于位置区域划分进行告警的方法及服务器
CN105243396A (zh) * 2015-11-06 2016-01-13 百度在线网络技术（北京）有限公司 用户位置信息生成方法和装置
CN106651603A (zh) * 2016-12-29 2017-05-10 平安科技（深圳）有限公司 基于位置服务的风险评估方法及装置
CN107392452A (zh) * 2017-07-11 2017-11-24 四川昆朋金软科技有限公司 一种基于Kmeans聚类的巡检工单主动分派方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3629514B2 (ja) * 2000-05-24 2005-03-16 インターナショナル・ビジネス・マシーンズ・コーポレーション 領域算出方法、空間データマイニング装置、地図情報表示装置、空間データマイニングシステム、および記憶媒体

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867004A (zh) * 2011-07-06 2013-01-09 高德软件有限公司 一种地址匹配的方法及设备
CN104702432A (zh) * 2014-01-15 2015-06-10 杭州海康威视系统技术有限公司 基于位置区域划分进行告警的方法及服务器
CN105243396A (zh) * 2015-11-06 2016-01-13 百度在线网络技术（北京）有限公司 用户位置信息生成方法和装置
CN106651603A (zh) * 2016-12-29 2017-05-10 平安科技（深圳）有限公司 基于位置服务的风险评估方法及装置
CN107392452A (zh) * 2017-07-11 2017-11-24 四川昆朋金软科技有限公司 一种基于Kmeans聚类的巡检工单主动分派方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
V. Govindaraju et al..Postal address block location by contour clustering.《Seventh International Conference on Document Analysis and Recognition, 2003. Proceedings》.2003,第1-4页. *
文一凭等.基于聚类分析的中文客户地址自动分组方法.《小型微型计算机系统》.2013,第34卷(第09期),第2060-2063页. *
李睿颖等.一种基于K-Means算法的移动客户聚类分析方法.《数字技术与应用》.2016,(第08期),第157-158页. *

Also Published As

Publication number Publication date
CN109522923A (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN109522923B (zh) 客户地址聚合方法、装置及计算机可读存储介质
CN107818133B (zh) 一种基于大数据的居民区网络能力分析方法及系统
CN108712519B (zh) Ip地址的定位方法、装置及存储介质
CN109829020B (zh) 地点资源数据推送方法、装置、计算机设备和存储介质
WO2019062009A1 (zh) 电子装置、信贷风险控制方法及存储介质
WO2018120425A1 (zh) 个人财产状态评估方法、装置、设备和存储介质
US10963888B2 (en) Payment complaint method, device, server and readable storage medium
CN112214561B (zh) 地图数据处理方法、装置、计算机设备及存储介质
CN113761012A (zh) 遥感数据的分析可视化方法、服务器及存储介质
WO2020019454A1 (zh) 风险数据显示方法、装置、计算机设备及存储介质
WO2021135104A1 (zh) 基于多源数据的对象推送方法、装置、设备及存储介质
CN109471909B (zh) 地址定位的方法、装置及计算机可读存储介质
WO2023213137A1 (zh) 基于工业互联网的数据查找方法、装置、设备及存储介质
CN111402579A (zh) 道路拥堵程度预测方法、电子装置及可读存储介质
CN114550076A (zh) 区域异常行为监控方法、装置、设备及存储介质
CN110807050B (zh) 性能分析方法、装置、计算机设备及存储介质
CN110457255B (zh) 数据归档的方法、服务器及计算机可读存储介质
CN111400289B (zh) 智能用户分类方法、服务器及存储介质
WO2021139276A1 (zh) 平台数据库自动化运维方法、装置及计算机可读存储介质
CN110688995B (zh) 地图查询的处理方法，计算机可读存储介质和移动终端
CN110458715B (zh) 风险评分方法、装置及计算机可读存储介质
CN110442663B (zh) 栅格数据批量裁剪方法、装置及计算机可读存储介质
CN111221917B (zh) 智能分区存储方法、装置及计算机可读存储介质
CN114329164A (zh) 用于处理数据的方法、装置、设备、介质和产品
CN114036132A (zh) 对象信息的处理方法、装置、存储介质和电子设备

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