CN110245704B - 业务处理方法、装置、存储介质与电子设备 - Google Patents
业务处理方法、装置、存储介质与电子设备 Download PDFInfo
- Publication number
- CN110245704B CN110245704B CN201910510984.0A CN201910510984A CN110245704B CN 110245704 B CN110245704 B CN 110245704B CN 201910510984 A CN201910510984 A CN 201910510984A CN 110245704 B CN110245704 B CN 110245704B
- Authority
- CN
- China
- Prior art keywords
- information
- gis
- service
- image
- data
- 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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了一种基于GIS图像的业务处理方法、装置、计算机可读存储介质与电子设备,属于人工智能技术领域。该方法包括:从待处理业务中提取第一类信息与第二类信息,第一类信息包括时间信息与地理位置信息,第二类信息包括时间与地理位置以外的信息;根据第一类信息获取待处理业务对应的GIS图像;将第二类信息转换为特征向量;利用预先训练的机器学习模型处理GIS图像与特征向量,得到待处理业务的处理结果。本公开可以基于业务数据中的地理位置信息挖掘出更多的数据价值,突破单一业务数据的局限性,实现高质量的业务处理。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种基于GIS(Geographic InformationSystem,地理信息系统)图像的业务处理方法、基于GIS图像的业务处理装置、计算机可读存储介质与电子设备。
背景技术
目前有很多面向用户(或消费者)的业务是基于地理位置信息而实现的,例如:保险公司提供的车险理赔业务需要确定车险事故发生的地理位置,互联网公司提供的LBS服务(Location Based Service,基于位置的服务)需要确定用户的实时位置等。
在现有的业务处理方法中,上述地理位置信息仅是作为一类常规的业务数据而使用,其数据价值并未得到充分的体现,导致业务处理存在一定的局限性,影响业务处理的结果。例如:在车险理赔中,需要识别车险理赔案件是否为欺诈案件,现有的做法是获得案件发生的地理位置后,通过勘察员的实地勘察从案发现场发现蛛丝马迹,进而评估案件属于欺诈的可能性,该过程并未对地理信息数据进行充分的利用,评估结果依赖于勘察员的主观判断,准确性无法保证。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供了一种基于GIS图像的业务处理方法、基于GIS图像的业务处理装置、计算机可读存储介质与电子设备,进而至少在一定程度上克服现有的业务处理方法存在局限性的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种基于GIS图像的业务处理方法,包括:从待处理业务中提取第一类信息与第二类信息,所述第一类信息包括时间信息与地理位置信息,所述第二类信息包括时间与地理位置以外的信息;根据所述第一类信息获取所述待处理业务对应的GIS图像;将所述第二类信息转换为特征向量;利用预先训练的机器学习模型处理所述GIS图像与所述特征向量,得到所述待处理业务的处理结果。
在本公开的一种示例性实施例中,所述机器学习模型为神经网络模型,包括卷积网络模型、特征提取模型和分类模型,其中,利用预先训练的机器学习模型处理所述GIS图像与所述特征向量,得到所述待处理业务的处理结果,包括:将所述GIS图像输入至所述卷积网络模型,得到第一中间向量;将所述特征向量输入至所述特征提取模型,得到第二中间向量;将所述第一中间向量与所述第二中间向量输入至所述分类模型,得到完整中间向量,并根据所述完整中间向量输出所述待处理业务的处理结果。
在本公开的一种示例性实施例中,所述卷积网络模型包括:第一输入层,用于输入所述GIS图像;卷积层,用于对输入的所述GIS图像进行卷积处理,得到卷积图像;池化层,用于对所述卷积图像进行池化处理,得到池化图像;第一全连接层,用于对所述池化图像进行全连接处理,得到所述第一中间向量;所述特征提取模型包括:第二输入层,用于输入所述特征向量;第二全连接层,用于对所述特征向量进行全连接处理,得到所述第二中间向量;所述分类模型包括:接层,用于将所述第一中间向量与所述第二中间向量拼接为所述完整中间向量;第三全连接层,用于对所述完整中间向量进行全连接处理;输出层,用于输出所述待处理业务的处理结果。
在本公开的一种示例性实施例中,所述方法还包括:从已处理业务中获取样本数据,所述样本数据包括GIS样本图像、样本特征向量与样本处理结果;以所述GIS样本图像与所述样本特征向量为输入,所述样本处理结果为标签,训练并得到所述神经网络模型。
在本公开的一种示例性实施例中,所述根据所述第一类信息获取所述待处理业务对应的GIS图像,包括:根据所述第一类信息确定目标时间与目标位置;获取在所述目标时间、所述目标位置周围预设范围内的一个或多个维度的GIS数据;将所述GIS数据投影到预设的投影坐标系,以得到一个或多个所述GIS图像;如果所述GIS图像包括多个图像,则将所述多个图像转换为相同的像素数。
在本公开的一种示例性实施例中,所述GIS图像包括以下任意一种或多种:路网信息图像、人口热力图像与道路拥堵信息图像。
在本公开的一种示例性实施例中,所述待处理业务为车险理赔案件,所述处理结果包括所述车险理赔案件是否为欺诈案件的识别结果。
根据本公开的第二方面,提供一种基于GIS图像的业务处理装置,包括:信息提取模块,用于从待处理业务中提取第一类信息与第二类信息,所述第一类信息包括时间信息与地理位置信息,所述第二类信息包括时间与地理位置以外的信息;图像获取模块,用于根据所述第一类信息获取所述待处理业务对应的GIS图像;向量转换模块,用于将所述第二类信息转换为特征向量;模型处理模块,用于利用预先训练的机器学习模型处理所述GIS图像与所述特征向量,得到所述待处理业务的处理结果。
在本公开的一种示例性实施例中,所述机器学习模型为神经网络模型,包括卷积网络模型、特征提取模型和分类模型;其中,所述模型处理模块,用于将所述GIS图像输入至所述卷积网络模型,得到第一中间向量,将所述特征向量输入至所述特征提取模型,得到第二中间向量,再将所述第一中间向量与所述第二中间向量输入至所述分类模型,得到完整中间向量,并根据所述完整中间向量输出所述待处理业务的处理结果。
在本公开的一种示例性实施例中,所述卷积网络模型包括:第一输入层,用于输入所述GIS图像;卷积层,用于对输入的所述GIS图像进行卷积处理,得到卷积图像;池化层,用于对所述卷积图像进行池化处理,得到池化图像;第一全连接层,用于对所述池化图像进行全连接处理,得到所述第一中间向量;所述特征提取模型包括:第二输入层,用于输入所述特征向量;第二全连接层,用于对所述特征向量进行全连接处理,得到所述第二中间向量;所述分类模型包括:接层,用于将所述第一中间向量与所述第二中间向量拼接为所述完整中间向量;第三全连接层,用于对所述完整中间向量进行全连接处理;输出层,用于输出所述待处理业务的处理结果。
在本公开的一种示例性实施例中,所述装置还包括:模型训练模块,用于从已处理业务中获取样本数据,所述样本数据包括GIS样本图像、样本特征向量与样本处理结果,以及以所述GIS样本图像与所述样本特征向量为输入,所述样本处理结果为标签,训练并得到所述神经网络模型。
在本公开的一种示例性实施例中,所述图像获取模块包括:确定单元,用于根据所述第一类信息确定目标时间与目标位置;获取单元,用于获取在所述目标时间、所述目标位置周围预设范围内的一个或多个维度的GIS数据;投影单元,用于将所述GIS数据投影到预设的投影坐标系,以得到一个或多个所述GIS图像;转换单元,用于如果所述GIS图像包括多个图像,则将所述多个图像转换为相同的像素数。
在本公开的一种示例性实施例中,所述GIS图像包括以下任意一种或多种:路网信息图像、人口热力图像与道路拥堵信息图像。
在本公开的一种示例性实施例中,所述待处理业务为车险理赔案件,所述处理结果包括所述车险理赔案件是否为欺诈案件的识别结果。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种基于GIS图像的业务处理方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一种基于GIS图像的业务处理方法。
本公开的示例性实施例具有以下有益效果:
从待处理业务提取第一类信息与第二类信息,并分别用GIS图像与特征向量进行表示,再通过机器学习模型对其处理,得到待处理业务的处理结果。一方面,第一类信息主要包括地理位置信息,将其以GIS图像的形式表示,可以使其中的信息内容更加丰富,以从地理位置信息中挖掘出更多的数据价值,从而突破单一业务数据的局限性,为业务处理提供更多的依据。另一方面,将第一类信息与第二类信息分别预处理为GIS图像与特征向量后,再分别输入机器学习模型,相比于常规方法中不区分两类信息而共同处理的方式,地理位置信息不再是单一维度,而是作为图像级别的输入信息,使得模型可以充分学习并提取其中的特征,有利于提高特征的细粒度与精确度,实现高质量的业务处理。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本示例性实施例中一种基于GIS图像的业务处理方法的流程步骤图;
图2示出本示例性实施例中一种神经网络模型的结构示意图;
图3示出本示例性实施例中一种基于GIS图像的业务处理方法的流程示意图;
图4示出本示例性实施例中一种基于GIS图像的业务处理方法的子流程步骤图;
图5示出本示例性实施例中多通道GIS图像的示意图;
图6示出本示例性实施例中一种基于GIS图像的业务处理装置的结构框图;
图7示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质;
图8示出本示例性实施例中一种用于实现上述方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本公开的示例性实施例首先提供了一种基于GIS图像的业务处理方法,可以应用于负责业务处理的计算机、服务器或其他终端设备,也可以应用于基于云的计算设备集群。GIS是一种空间信息系统,其是在计算机硬、软件系统支持下,对整个或部分地球表层(包括大气层)空间中的有关地理分布的数据进行采集、储存、管理、运算、分析、显示和描述的技术系统,GIS图像是利用GIS数据对地理信息进行表征的图像,其可以包括多个种类的图像,例如:路网信息图像、人口热力图像、道路拥堵信息图像、卫星图像、气候图像等。
图1示出了本示例性实施例的方法流程,可以包括步骤S110~S140:
步骤S110,从待处理业务中提取第一类信息与第二类信息。
其中,待处理业务为一件或一笔业务,例如可以是一件车险理赔案件,一次车辆导航服务等。待处理业务中包括了该笔业务的所有相关信息,例如车险理赔案件中驾驶人性别、驾驶人年龄、车辆使用年限、车辆维修企业类型、索赔渠道、车险事故发生的时间与地点等。本示例性实施例中,在获取待处理业务后,可以首先对其中的信息进行分类,划分为第一类信息或第二类信息。第一类信息是地理位置信息,例如车险事故发生的地点,如果待处理业务中包含时间信息,例如车险事故发生的时间,也可以将其划分为第一类信息,其余的信息都是第二类信息,例如可以包括上述车险理赔案件中驾驶人性别、驾驶人年龄、车辆使用年限、车辆维修企业类型、索赔渠道等。
步骤S120,根据第一类信息获取待处理业务对应的GIS图像。
由于第一类信息中包含地理位置信息,因此可以获取该地理位置的GIS图像,特别的,如果第一类信息中包含时间信息,可以精确地获取该时间、该地理位置的GIS图像,例如在车险事故发生的时间、车险事故发生的地点的GIS图像。考虑到待处理业务中的地理位置通常是一个位置坐标点,本示例性实施例可以根据业务需要,确定以该坐标点为中心的区域范围,例如在车险理赔业务中,所涉及的区域范围较小,可以以车险事故发生地点为中心,确定半径2~3公里以内的区域范围,获取该范围的GIS图像,或者在车辆导航服务中,所涉及的区域范围较大,可以以车辆当前位置为中心,确定10公里以内的区域范围,获取该范围的GIS图像。
本示例性实施例中,可以通过接入GIS服务商的平台,获取其提供的经过渲染的栅格地图图像,通常为RGB图像,也可以通过一定的渠道获取原始的GIS矢量数据,以绘制出GIS图像。所得到的GIS图像可以是一种GIS图像,也可以是多种GIS图像。
步骤S130,将第二类信息转换为特征向量。
通常待处理业务中的第二类信息包含多个维度的信息,本示例性实施例可以将每个维度的信息进行规范化与数值化处理,以得到待处理业务的特征向量,该特征向量具有待处理业务除了时间与地点以外的特征信息。表1示出了在车险理赔业务中,可以统计的第二类信息的清单,包括多个项目,每个项目为一个维度,对于其中的非数值型数据,可以将其转换为数值型数据,例如“是/否”型数据可以转换为“1/0”,类别型数据可以根据事先确定的类别与数值映射关系转换为对应的数值。需要说明的是,表1所罗列的项目仅是示例,实际应用中可以仅采用其中一部分项目,也可以采用表1外的项目,待处理业务的第二类信息中如果未包含全部维度的信息,对于其中缺失的维度,可以采用例如“0”等预设填充数值,以得到格式完整统一的特征向量,本公开对此不做限定。
投保金额 | 教育背景 |
保单内容是否包含第三者责任险 | 索赔次数 |
单方事故有无现场 | 婚姻状况 |
事故是否涉及被保险人家属 | 有记录罚单数量 |
勘察员是否赶赴现场 | 已有出险次数 |
车损清单中非标的车数量 | 年龄 |
是否第三方报案 | 性别 |
报案时间与出险时间间隔 | 驾龄 |
是否短期内报案销案再报案 | 保单批改次数 |
出险时间与保单到期时间间隔 | 车辆用途类别 |
被保险人能否提供目击证人 | 出险时车的使用年限 |
实际索赔金额 | 维修厂家类别 |
索赔时间与出险时间间隔 | 是否中介代理人出面索赔 |
表1
步骤S140,利用预先训练的机器学习模型处理GIS图像与特征向量,得到待处理业务的处理结果。
其中,GIS图像与特征向量均包含待处理业务的一部分特征信息。特征向量中的信息内容较为明确,如表1所示的信息维度均具有明确的含义;GIS图像是从地理位置信息和时间信息的角度,对待处理业务的特征进行抽象表示,以车险欺诈识别为例,欺诈案件的地理位置通常具有一些典型特征,例如多发生在车辆行人稀少的路段、案件现场通常距离监控较远等,。这些特征信息属于经验性知识,难以量化,而通过GIS图像的方式可以对其量化表示。
本示例性实施例中,GIS图像与特征向量输入到预先训练的机器学习模型,输入待处理业务的处理结果。在处理时,GIS图像和特征向量可以作为并列的两个输入,分别输入到机器学习模型中,由于两个输入的形式与内容差别较大,模型可以先分别处理,然后再进行融合,例如先从GIS图像或特征向量提取局部特征,再通过局部特征提取宏观特征或全局性特征,最后基于对特征的学习与表示,得到处理结果。该结果可以是分类结果,例如对于车险理赔案件,处理结果可以是关于该案件是否为欺诈案件的识别结果,也可以是关于该案件责任归属的判断结果(如可以包括本方全责、本方主责、双方半责、对方主责与对方全责共5种结果),对于车辆导航服务,处理结果可以是将哪条行车路线作为推荐结果(如可以包括路程最短路线、最小拥堵路线、红绿灯最少路线等多种结果)。
基于上述说明,本示例性实施例从待处理业务提取第一类信息与第二类信息,并分别用GIS图像与特征向量进行表示,再通过机器学习模型对其处理,得到待处理业务的处理结果。一方面,第一类信息主要包括地理位置信息,将其以GIS图像的形式表示,可以使其中的信息内容更加丰富,以从地理位置信息中挖掘出更多的数据价值,从而突破单一业务数据的局限性,为业务处理提供更多的依据。另一方面,将第一类信息与第二类信息分别预处理为GIS图像与特征向量后,再分别输入机器学习模型,相比于常规方法中不区分两类信息而共同处理的方式,地理位置信息不再是单一维度,而是作为图像级别的输入信息,使得模型可以充分学习并提取其中的特征,有利于提高特征的细粒度与精确度,实现高质量的业务处理。
在一示例性实施例中,机器学习模型可以是神经网络模型,其结构可以如图2的神经网络模型200所示,包括卷积网络模型210、特征提取模型220和分类模型230,其中,卷积网络模型210和特征提取模型220是并列关系,特征提取模型220和分类模型230也是神经网络的形式。基于该神经网络模型200,步骤S140的处理过程可以具体包括:
将GIS图像输入至卷积网络模型210,对图像进行卷积处理与一定的特征提取,得到第一中间向量;
将特征向量输入至特征提取模型220,可以对特征向量进行深度特征提取,得到第二中间向量;
将第一中间向量与第二中间向量输入至分类模型230,得到完整中间向量,其是对待处理业务完整信息与全局信息的抽象表示,分类模型230再对完整中间向量做进一步的特征提取与学习,最终输出待处理业务的处理结果。
需要说明的是,卷积网络模型210、特征提取模型220和分类模型230虽然称为模型,但实质上分别为神经网络模型200的一部分,可以视为分支模型,每一部分可以单独实现特定功能,但训练时是以完整的神经网络模型200进行训练,训练过程将在下文具体说明。
由上可知,GIS图像与特征向量分别经过卷积网络模型210与特征提取模型220的处理,得到了较为充分的特征学习与表示,基于此获得的完整中间向量,包含了待处理业务中较为丰富的特征信息,再通过分类模型230进行分类处理,可以得到更加准确的处理结果。并且,由于GIS图像与特征向量为不同类型的数据,通过两个分支模型分别处理,可以针对性地进行建模与参数设置,有利于缩短模型的迭代过程,提高效率。
进一步的,本公开的示例性实施例还提供了一种神经网络模型200的具体结构,参考上述图2所示,神经网络模型200中的卷积网络模型210可以是卷积和池化结构,其可以包括:
第一输入层211,用于输入GIS图像;
卷积层212,用于对输入的GIS图像进行卷积处理,得到卷积图像;
池化层213,用于对卷积图像进行池化处理,得到池化图像,可以减少过拟合,得到较为泛化的特征,并降低运算量;
第一全连接层214,用于对池化图像进行全连接处理,得到第一中间向量。
特征提取模型220可以是任意的神经网络结构,其可以包括:
第二输入层221,用于输入特征向量;
第二全连接层222,用于对特征向量进行全连接处理,得到第二中间向量。
分类模型230可以对第一中间向量于第二中间向量进行拼接,然后分类处理,其可以包括:
拼接层231,用于将第一中间向量与第二中间向量拼接为完整中间向量,拼接层231可视为分类模型230的输入层;
第三全连接层232,用于对完整中间向量进行全连接处理;
输出层233,用于输出待处理业务的处理结果。
需要补充的是,图2所示的结构仅是示例性的,实际应用中可以在模型的任意部分增加合适的中间层,例如:卷积网络模型210可以设置多个卷积层和池化层,以对GIS图像进行充分的卷积处理;特征提取模型220在第二输入层221之后可以设置一个或多个隐藏层,以对特征向量进行充分的特征提取;分类模型230在拼接层231之后也可以设置一个或多个隐藏层,以对完整中间向量进行深度学习;或者,特征提取模型220或分类模型230可以采用其他类型的神经网络结构,如LSTM(Long Short-Term Memory,长短期记忆网络)等等。本公开对此不做限定。
基于图2所示的神经网络模型200,本示例性实施例可以通过图3所示的方法流程实现:在获取待处理业务后,执行步骤S110以提取第一类信息与第二类信息,执行步骤S120以得到GIS图像,执行步骤S130以得到特征向量,再执行步骤S140,将GIS图像输入卷积网络模型210,将特征向量输入特征提取模型220,分别得到第一中间向量与第二中间向量,在分类模型230中进行拼接与进一步处理,得到待处理业务的处理结果。
本公开的示例性实施例还提供了训练上述神经网络模型的方法步骤,可以包括:
从已处理业务中获取样本数据,样本数据包括GIS样本图像、样本特征向量与样本处理结果;
以GIS样本图像与样本特征向量为输入,样本处理结果为标签,训练并得到神经网络模型。
其中,已处理业务是指通过人工或其他方式处理的历史业务,本示例性实施例可以获取大量的已处理业务,从中提取第一类信息,通过与步骤S120相同的方式获得其对应的GIS图像,即上述GIS样本图像,提取第二类信息,通过与步骤S130相同的方式处理得到样本特征向量,再由人工或机器对已处理业务的处理结果(即样本处理结果)打标签,例如对于车险理赔案件,如果为欺诈案件,则标签为1,反之为0。
在样本数据准备完成后,可以将其按照8:2的比例(也可以是其他比例)划分为训练集与验证集,将训练集中的GIS样本图像、样本特征向量分别输入初始的神经网络模型,根据其输出值与标签之间的偏差,可以采用交叉熵作为损失函数,通过梯度下降算法调整模型的参数,使得输出值不断逼近标签。通过验证集验证模型的准确率,如果达到预定标准,则模型训练完成,如果未达到,则重复训练与验证过程。
在一示例性实施例中,如图4所示,步骤S120可以具体通过步骤S401~S404实现:
步骤S401,根据第一类信息确定目标时间与目标位置;
步骤S402,获取在目标时间、目标位置周围预设范围内的一个或多个维度的GIS数据;
步骤S403,将GIS数据投影到预设的投影坐标系,以得到一个或多个GIS图像;
步骤S404,如果GIS图像包括多个图像,则将该多个图像转换为相同的像素数。
其中,目标时间与目标位置即待处理业务发生或关联的时间与地理位置,目标位置周围的预设范围,即根据业务需求所确定的以目标位置为中心的区域范围,一个或多个维度的GIS数据可以包含:路网数据、实时人口密集度数据、道路实时拥堵数据、交通监控摄像头位置数据、实时天气等。这些数据都被限定在同样经纬度范围之内的多维空间内,可以视为对同一区域不同通道的信息表示。由于经纬度信息是基于球面坐标的,为了便于分析,不同通道的信息需要映射在投影坐标系上。如果不同来源的数据已经做了地理投影,而且采用了不同的投影坐标系,还需要在不同的投影坐标系之间转换,例如常见的大地坐标系是WGS1984,这也是GPS(Global Positioning System,全球定位系统)返回信息的坐标系,常见的投影坐标系有BD-09,GCJ-02等。本示例性实施例中,确定采用其中的一个作为预设的投影坐标系,如果GIS数据不是对应于该投影坐标系,则将其在该投影坐标系上进行映射,通常一个维度的GIS数据可以得到一个GIS图像,当然也可以将多个维度的GIS数据进行组合得到一个GIS图像,本公开对此不做限定。如果得到的多个GIS图像像素数不同,为了便于后续处理,可以将其压缩为相同的像素数,例如64*64,128*128等。
在一示例性实施例中,根据所获取的GIS数据的类型,可以得到以下任意一种或多种GIS图像:路网信息图像、人口热力图像与道路拥堵信息图像。图5示出了某一地区的多通道GIS图像,包括路网信息图像、人口热力图像与道路拥堵信息图像,三幅图像经过预处理转换为相同的投影坐标系,且具有相同的像素数。在车险理赔业务中,为了识别是否为欺诈案件,可以获取RGB格式的上述三类图像,则GIS图像共有9个通道,相应的,所采用的神经网络模型的第一输入层可以设置为9个通道的输入,其经过若干次卷积与池化处理后,再通过全连接处理得到第一中间向量,相比于车险理赔案件中事故发生时间与地点两个单一的信息,GIS图像与第一中间向量具有更加丰富的信息内容,可以帮助后端的分类模型做出准确的处理。
下面提供一个关于在车险理赔业务中进行欺诈案件识别的具体示例,以说明本示例性实施例的实现过程:
从待识别的车险理赔案件中提取第一类信息与第二类信息;
根据第一类信息获取多维GIS数据,经过投影、坐标转换等预处理,压缩为224*224的多通道GIS图像;
利用基于VGG16修改的卷积网络模型从GIS图像中提取长度为500的第一中间向量X1;
将第二类信息转换为特征向量,并采用特征提取模型(例如深度学习网络)提取长度为500的第二中间向量X2;
对第一中间向量与第二中间向量进行拼接操作,X=concat(X1,X2),concat函数表示将其中的向量进行拼接操作,得到的向量维度是其中所有向量维度之和,因此X是长度为1000的完整中间向量;
用基于深度学习的分类模型(例如二分类模型)对X进行分类处理;X的前半部分为地理、时间信息中挖掘的特征,后半部分为其他信息中挖掘的特征,在分类模型的处理中,可以将两部分特征进行多种组合表示,并通过一系列特征的学习,得到更加深度的特征信息;最后通过全连接层的处理,得到车险理赔案件属于欺诈案件的概率,将得到的概率与训练中得到的概率阈值比较,输出该案件是否为欺诈案件的识别处理结果。
本公开的示例性实施例还提供了一种基于GIS图像的业务处理装置,如图6所示,该装置600可以包括:信息提取模块610,用于从待处理业务中提取第一类信息与第二类信息,第一类信息包括时间信息与地理位置信息,第二类信息包括时间与地理位置以外的信息;图像获取模块620,用于根据第一类信息获取待处理业务对应的GIS图像;向量转换模块630,用于将第二类信息转换为特征向量;模型处理模块640,用于利用预先训练的机器学习模型处理GIS图像与特征向量,得到待处理业务的处理结果。
在一示例性实施例中,上述机器学习模型可以是神经网络模型,包括卷积网络模型、特征提取模型和分类模型;其中,模型处理模块640可以用于将GIS图像输入至卷积网络模型,得到第一中间向量,并将特征向量输入至特征提取模型,得到第二中间向量,然后将第一中间向量与第二中间向量输入至分类模型,得到完整中间向量,并根据完整中间向量输出待处理业务的处理结果。
在一示例性实施例中,上述卷积网络模型可以包括:第一输入层,用于输入GIS图像;卷积层,用于对输入的GIS图像进行卷积处理,得到卷积图像;池化层,用于对卷积图像进行池化处理,得到池化图像;第一全连接层,用于对池化图像进行全连接处理,得到第一中间向量;
上述特征提取模型可以包括:第二输入层,用于输入特征向量;第二全连接层,用于对特征向量进行全连接处理,得到第二中间向量;
上述分类模型可以包括:拼接层,用于将第一中间向量与第二中间向量拼接为完整中间向量;第三全连接层,用于对完整中间向量进行全连接处理;输出层,用于输出待处理业务的处理结果。
在一示例性实施例中,业务处理装置600还可以包括:模型训练模块,用于从已处理业务中获取样本数据,样本数据包括GIS样本图像、样本特征向量与样本处理结果,以及以GIS样本图像与样本特征向量为输入,样本处理结果为标签,训练并得到神经网络模型。
在一示例性实施例中,图像获取模块620可以由以下单元组成:确定单元,用于根据第一类信息确定目标时间与目标位置;获取单元,用于获取在目标时间、目标位置周围预设范围内的一个或多个维度的GIS数据;投影单元,用于将GIS数据投影到预设的投影坐标系,以得到一个或多个GIS图像;转换单元,用于如果GIS图像包括多个图像,则将多个图像转换为相同的像素数。
在一示例性实施例中,上述GIS图像可以包括以下任意一种或多种:路网信息图像、人口热力图像与道路拥堵信息图像。
在一示例性实施例中,上述待处理业务可以是车险理赔案件,上述处理结果可以包括车险理赔案件是否为欺诈案件的识别结果。
上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明,因此不再赘述。
本公开的示例性实施例还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图7所示,描述了根据本公开的示例性实施例的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种示例性实施例的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。
其中,存储单元820存储有程序代码,程序代码可以被处理单元810执行,使得处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元810可以执行图1、图3或图4所示的方法步骤等。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)821和/或高速缓存存储单元822,还可以进一步包括只读存储单元(ROM)823。
存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824,这样的程序模块825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。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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850进行。并且,电子设备800还可以通过网络适配器860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。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施例,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开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。本公开的范围仅由所附的权利要求来限。
Claims (9)
1.一种基于GIS图像的业务处理方法,其特征在于,包括:
从待处理业务中提取第一类信息与第二类信息,所述第一类信息包括时间信息与地理位置信息,所述第二类信息包括时间与地理位置以外的信息;
根据所述第一类信息获取所述待处理业务对应的GIS图像;
将所述第二类信息转换为特征向量;
利用预先训练的机器学习模型处理所述GIS图像与所述特征向量,得到所述待处理业务的处理结果;
其中,所述根据所述第一类信息获取所述待处理业务对应的GIS图像,包括:
根据所述第一类信息确定目标时间与目标位置;
获取在所述目标时间、所述目标位置周围预设范围内的一个或多个维度的GIS数据;所述GIS数据包括路网数据、实时人口密集度数据、道路实时拥堵数据、交通监控摄像头位置数据、实时天气数据中的至少一种;
将所述GIS数据投影到预设的投影坐标系,以得到一个或多个所述GIS图像;
如果所述GIS图像包括多个图像,则将所述多个图像转换为相同的像素数。
2.根据权利要求1所述的方法,其特征在于,所述机器学习模型为神经网络模型,包括卷积网络模型、特征提取模型和分类模型;其中,利用预先训练的机器学习模型处理所述GIS图像与所述特征向量,得到所述待处理业务的处理结果,包括:
将所述GIS图像输入至所述卷积网络模型,得到第一中间向量;
将所述特征向量输入至所述特征提取模型,得到第二中间向量;
将所述第一中间向量与所述第二中间向量输入至所述分类模型,得到完整中间向量,并根据所述完整中间向量输出所述待处理业务的处理结果。
3.根据权利要求2所述的方法,其特征在于,所述卷积网络模型包括:
第一输入层,用于输入所述GIS图像;
卷积层,用于对输入的所述GIS图像进行卷积处理,得到卷积图像;
池化层,用于对所述卷积图像进行池化处理,得到池化图像;
第一全连接层,用于对所述池化图像进行全连接处理,得到所述第一中间向量;
所述特征提取模型包括:
第二输入层,用于输入所述特征向量;
第二全连接层,用于对所述特征向量进行全连接处理,得到所述第二中间向量;
所述分类模型包括:
拼接层,用于将所述第一中间向量与所述第二中间向量拼接为所述完整中间向量;
第三全连接层,用于对所述完整中间向量进行全连接处理;
输出层,用于输出所述待处理业务的处理结果。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
从已处理业务中获取样本数据,所述样本数据包括GIS样本图像、样本特征向量与样本处理结果;
以所述GIS样本图像与所述样本特征向量为输入,所述样本处理结果为标签,训练并得到所述神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述GIS图像包括以下任意一种或多种:路网信息图像、人口热力图像与道路拥堵信息图像。
6.根据权利要求1所述的方法,其特征在于,所述待处理业务为车险理赔案件,所述处理结果包括所述车险理赔案件是否为欺诈案件的识别结果。
7.一种基于GIS图像的业务处理装置,其特征在于,包括:
信息提取模块,用于从待处理业务中提取第一类信息与第二类信息,所述第一类信息包括时间信息与地理位置信息,所述第二类信息包括时间与地理位置以外的信息;
图像获取模块,用于根据所述第一类信息获取所述待处理业务对应的GIS图像;
向量转换模块,用于将所述第二类信息转换为特征向量;
模型处理模块,用于利用预先训练的机器学习模型处理所述GIS图像与所述特征向量,得到所述待处理业务的处理结果;
其中,所述图像获取模块包括:
确定单元,用于根据第一类信息确定目标时间与目标位置;
获取单元,用于获取在目标时间、目标位置周围预设范围内的一个或多个维度的GIS数据;所述GIS数据包括路网数据、实时人口密集度数据、道路实时拥堵数据、交通监控摄像头位置数据、实时天气数据中的至少一种;
投影单元,用于将GIS数据投影到预设的投影坐标系,以得到一个或多个GIS图像;
转换单元,用于如果GIS图像包括多个图像,则将多个图像转换为相同的像素数。
8.一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,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510984.0A CN110245704B (zh) | 2019-06-13 | 2019-06-13 | 业务处理方法、装置、存储介质与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510984.0A CN110245704B (zh) | 2019-06-13 | 2019-06-13 | 业务处理方法、装置、存储介质与电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245704A CN110245704A (zh) | 2019-09-17 |
CN110245704B true CN110245704B (zh) | 2021-10-08 |
Family
ID=67887009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910510984.0A Active CN110245704B (zh) | 2019-06-13 | 2019-06-13 | 业务处理方法、装置、存储介质与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245704B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392293B (zh) * | 2020-03-13 | 2023-09-26 | 北京达佳互联信息技术有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN112784008B (zh) * | 2020-07-16 | 2022-08-30 | 上海芯翌智能科技有限公司 | 案件相似度确定方法及装置、存储介质、终端 |
CN112528016B (zh) * | 2020-11-19 | 2024-05-07 | 重庆兆光科技股份有限公司 | 一种基于低维球面投影的文本分类方法 |
CN112966765A (zh) * | 2021-03-18 | 2021-06-15 | 四川虹美智能科技有限公司 | 业务信息处理方法、装置及计算机可读介质 |
CN112990328A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 特征融合方法、装置、设备、存储介质以及程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577653A (zh) * | 2008-05-08 | 2009-11-11 | 韩军 | 使用定位技术进行车险理赔辅助认证的系统和方法 |
CN107730194A (zh) * | 2016-08-11 | 2018-02-23 | 上海商保通健康科技有限公司 | 一种保险理赔管理系统 |
CN108596616A (zh) * | 2018-04-20 | 2018-09-28 | 平安科技(深圳)有限公司 | 用户数据真实性分析方法及装置、存储介质、电子设备 |
CN108763325A (zh) * | 2018-05-04 | 2018-11-06 | 北京达佳互联信息技术有限公司 | 一种网络对象处理方法及装置 |
CN109859060A (zh) * | 2019-01-31 | 2019-06-07 | 泰康保险集团股份有限公司 | 风险确定方法、装置、介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150046194A1 (en) * | 2013-08-07 | 2015-02-12 | Hartford Fire Insurance Company | System and method for using crowd sourced data for insurance claims based analysis |
-
2019
- 2019-06-13 CN CN201910510984.0A patent/CN110245704B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577653A (zh) * | 2008-05-08 | 2009-11-11 | 韩军 | 使用定位技术进行车险理赔辅助认证的系统和方法 |
CN107730194A (zh) * | 2016-08-11 | 2018-02-23 | 上海商保通健康科技有限公司 | 一种保险理赔管理系统 |
CN108596616A (zh) * | 2018-04-20 | 2018-09-28 | 平安科技(深圳)有限公司 | 用户数据真实性分析方法及装置、存储介质、电子设备 |
CN108763325A (zh) * | 2018-05-04 | 2018-11-06 | 北京达佳互联信息技术有限公司 | 一种网络对象处理方法及装置 |
CN109859060A (zh) * | 2019-01-31 | 2019-06-07 | 泰康保险集团股份有限公司 | 风险确定方法、装置、介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
车险欺诈交易防范策略及实践;中国人民财产保险股份有限公司信息技术部;《金融电子化》;20170831;第72-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110245704A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245704B (zh) | 业务处理方法、装置、存储介质与电子设备 | |
US11514276B2 (en) | System and method for detecting and classifying recurrent stops of a vehicle fleet | |
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
JP2020504358A (ja) | 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス | |
US20200226502A1 (en) | Travel plan recommendation method, apparatus, device and computer readable storage medium | |
CN109947989B (zh) | 用于处理视频的方法和装置 | |
EP3843036B1 (en) | Sample labeling method and device, and damage category identification method and device | |
US20230289887A1 (en) | Optical Fraud Detector for Automated Detection Of Fraud In Digital Imaginary-Based Automobile Claims, Automated Damage Recognition, and Method Thereof | |
CN111415336B (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN111723728A (zh) | 基于双向交互网络的行人搜索方法、系统、装置 | |
US20230273040A1 (en) | System and method of creating custom dynamic neighborhoods for individual drivers | |
US20230013317A1 (en) | Hub for automated recovery after a critical event in shared mobility services | |
CN113762454A (zh) | 轨迹异常检测方法及装置 | |
CN109088793B (zh) | 用于检测网络故障的方法和装置 | |
US20210366048A1 (en) | Methods and systems for reacting to loss reporting data | |
CN112053098B (zh) | 订单处理方法、装置、服务器及计算机存储介质 | |
CN110766435B (zh) | 向量训练方法、装置、电子设备以及计算机可读存储介质 | |
CN114612904A (zh) | 车位情况信息推送方法、装置、电子设备和存储介质 | |
CN114118410A (zh) | 图结构的节点特征提取方法、设备及存储介质 | |
KR102038141B1 (ko) | 부동산 정보를 제공하는 방법, 이를 이용하는 서버 및 시스템 | |
CN113344645A (zh) | 房价预测的方法、装置和电子设备 | |
CN116682014A (zh) | 一种灯幕楼宇图像分割方法、装置、设备及存储介质 | |
Singh et al. | Evaluating the Performance of Ensembled YOLOv8 Variants in Smart Parking Applications for Vehicle Detection and License Plate Recognition under Varying Lighting Conditions | |
KR20240015913A (ko) | Cctv 영상분석 및 빅데이터를 활용한 상권정보 제공시스템 | |
CN111310652A (zh) | 基于分类回归双域模型的流量识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Floor 36, Zheshang Building, No. 718 Jianshe Avenue, Jiang'an District, Wuhan, Hubei 430019 Patentee after: TK.CN INSURANCE Co.,Ltd. Patentee after: TAIKANG INSURANCE GROUP Co.,Ltd. Address before: 156 fuxingmennei street, Xicheng District, Beijing 100031 Patentee before: TAIKANG INSURANCE GROUP Co.,Ltd. Patentee before: TK.CN INSURANCE Co.,Ltd. |