CN110399445A - 一种兴趣点的处理方法、装置及设备 - Google Patents
一种兴趣点的处理方法、装置及设备 Download PDFInfo
- Publication number
- CN110399445A CN110399445A CN201910678969.7A CN201910678969A CN110399445A CN 110399445 A CN110399445 A CN 110399445A CN 201910678969 A CN201910678969 A CN 201910678969A CN 110399445 A CN110399445 A CN 110399445A
- Authority
- CN
- China
- Prior art keywords
- interest
- block
- point
- geographic area
- measured
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Instructional Devices (AREA)
Abstract
本发明公开了一种兴趣点的处理方法、装置、设备及存储介质。其中，所述方法包括：对待测地理区域进行区块划分，得到至少两个街区块；确定每个所述街区块对应的多个维度的兴趣点属性；基于所述多个维度的兴趣点属性，确定所述街区块的评分；基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率；基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据，并基于所述兴趣点的数据更新所述待测地理区域的电子地图。通过本发明，能够基于兴趣点的数据的动态和精准采集规划，实现对电子地图的实时更新。
Description
技术领域
本发明涉及人工智能(AI，Artificial Intelligence)领域中的机器学习技术，尤其涉及一种兴趣点的处理方法、装置、设备及存储介质。
背景技术
机器学习技术是AI技术领域中的一个分支，其目的是利用计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
电子地图导航技术是机器学习技术的典型应用，通过电子地图中部署的兴趣点(POI，Point of Interest)，能够为用户提供导航中丰富的必备资讯。因此，合理制定电子地图中兴趣点的数据的采集规划方案，在实际应用中具有重要意义。然而，随着兴趣点的数量不断增多，对于兴趣点的数据的采集而言，相关技术中缺乏动态和精准的采集规划方案，也就无法实现对电子地图的实时更新。
发明内容
本发明实施例提供一种兴趣点的处理方法、装置、设备及存储介质，能够基于兴趣点的数据的动态和精准采集规划，实现对电子地图的实时更新。
本发明实施例的技术方案是这样实现的：
本发明实施例提供一种兴趣点的处理方法，包括：
对待测地理区域进行区块划分，得到至少两个街区块；
确定每个所述街区块对应的多个维度的兴趣点属性；
基于所述多个维度的兴趣点属性，确定所述街区块的评分；
基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率；
基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据，并基于所述兴趣点的数据更新所述待测地理区域的电子地图。
本发明实施例提供一种兴趣点的处理装置，包括：
划分单元，用于对待测地理区域进行区块划分，得到至少两个街区块；
第一确定单元，用于确定每个所述街区块对应的多个维度的兴趣点属性；
第二确定单元，用于基于所述多个维度的兴趣点属性，确定所述街区块的评分；
第三确定单元，用于基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率；
采集单元，用于基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据；
更新单元，用于基于所述兴趣点的数据更新所述待测地理区域的电子地图。
上述方案中，所述划分单元，具体用于：
基于所述待测地理区域所包括的道路的分布状态，对所述待测地理区域进行道路的区块划分，得到至少两个街区块；或者，
基于所述待测地理区域中部署的兴趣点的数量，对所述待测地理区域进行兴趣点数量阶梯式的区块划分，得到至少两个街区块。
上述方案中，所述第二确定单元，具体用于：
将以下至少两个的兴趣点属性分别输入至神经网络模型中：所述街区块中包括的兴趣点数量；与兴趣点对应的用户行为热度；设定时间段内过期的兴趣点数量；纠错的兴趣点数量；状态属性标记错误的兴趣点数量；
通过所述神经网络模型对所述至少两个的兴趣点属性进行整合处理，确定所述街区块的评分。
上述方案中，所述第二确定单元，还具体用于：
将所述多个维度的兴趣点属性进行向量化表示，得到兴趣点属性序列；
通过神经网络模型对所述兴趣点属性序列中的各属性分别进行特征提取，得到对应的兴趣点特征；
通过所述神经网络模型中的全连接层，对得到的所有兴趣点特征进行连接处理，得到不同类别的兴趣点特征；
基于所述不同类别的兴趣点特征，确定所述街区块的评分。
上述方案中，所述第三确定单元，具体用于：
对所有所述街区块的评分进行顺序的排列，得到对应的排列结果；
基于兴趣点采集频率与所述排列结果中评分的映射关系，为每个所述街区块分配对应所述评分的兴趣点采集频率。
上述方案中，所述兴趣点的处理装置还包括：
第四确定单元，用于在所述采集单元基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，确定所述待测地理区域内被众包采集到的现势性、状态属性发生变更的兴趣点的数量；
第五确定单元，用于基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
上述方案中，所述兴趣点的处理装置还包括：
第六确定单元，用于在所述采集单元基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，确定所述待测地理区域内被众包采集到的新增的兴趣点的数量；
第七确定单元，用于基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
本发明实施例还提供一种兴趣点的处理设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的所述的兴趣点的处理方法。
本发明实施例还提供一种存储介质，存储有可执行指令，所述可执行指令被执行时，用于实现本发明实施例提供的所述的兴趣点的处理方法。
应用本发明上述实施例具有以下有益效果：
应用本发明实施例提供的兴趣点的处理方法，通过确定待测地理区域中每个街区块对应的多个维度的兴趣点属性；然后，基于多个维度的兴趣点属性确定街区块的评分，基于街区块的评分确定与每个街区块相适配的兴趣点采集频率；最后，基于兴趣点采集频率采集街区块中的兴趣点的数据，并基于兴趣点的数据更新待测地理区域的电子地图。如此，利用机器学习技术分别对每个街区块进行评分，根据评分结果确定不同街区块的兴趣点采集频率，进而针对不同街区块进行兴趣点的数据采集，能够动态和精准的实现兴趣点的数据的采集规划，从而实现对电子地图的实时更新，提升用户的使用体验。
附图说明
图1为本发明实施例提供的兴趣点的处理系统的一个可选的应用场景示意图；
图2A为本发明实施例提供的兴趣点的处理设备的一个可选的结构示意图；
图2B为本发明实施例提供的兴趣点的处理装置的一个可选的结构示意图；
图3为本发明实施例提供的兴趣点的处理方法的一个可选的流程示意图；
图4为本发明实施例提供的街区块的划分的一个可选的示意图；
图5为本发明实施例提供的纠错兴趣点的地址的页面示意图；
图6为本发明实施例提供的DNN模型的一个可选的结构示意图；
图7为本发明实施例提供的兴趣点属性的向量化表示的示意图；
图8为本发明实施例提供的通过DNN模型确定街区块的评分的一个可选的原理结构示意图；
图9为本发明实施例提供的兴趣点的处理方法的另一个可选的流程示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且本发明实施例所记载的各技术方案之间，可以在不冲突的情况下相互结合。
除非另有定义，本发明实施例所使用的所有的技术和科学术语与属于本发明实施例的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。
在对本发明实施例进行进一步详细说明之前，先对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)媒体信息，包括图片或视频，是一种面向社交网络用户的原创信息的传播方式，受众是社交网络中的部分用户或者全部用户。
2)兴趣点，在地理信息系统中，用于指媒体信息的位置属性，一个兴趣点可以是具有辨识性的建筑(如一栋房子)、区域(如城市)、景观(如景点)和第三方服务实体(如商店、餐饮、住宿)等。
3)兴趣点的众包采集，是指非专业人员使用手持终端等设备比如手机，在现实世界中拍摄并上传与兴趣点相关的媒体信息的数据获取方式，具有采集成本低、效率高及时效性好的特点。
4)兴趣点的现势性，电子地图中所反映的兴趣点的当前最新情况，例如，兴趣点的存在与否，或者兴趣点的数据是否发生更新。
5)兴趣点的采集收益，可以通过指定地理区域内被众包采集到的兴趣点的数量来衡量，例如，在指定地理区域内被众包采集到的兴趣点的数量越多，则相应地理区域的兴趣点的采集收益就越高。
下面分析相关技术提供的关于兴趣点的数据的采集方案。
在相关技术的一些方案中，采用线性采集机制实现对兴趣点的数据进行采集，具体地，先计算每个街区块内的兴趣点数量，以及针对每个街区块内的兴趣点的用户行为热度，比如搜索、签到、分享、定位的引用次数等；然后，将区域内所有的街区块按照兴趣点数量、用户行为热度的高低进行排序，基于由高到低的顺序制定兴趣点的数据采集规划。例如，对于兴趣点数量多，且用户行为热度高的街区块，则分配更高的采集频率(比如按照一年四次的采集频率来采集兴趣点的数据)，对于兴趣点数量少，且用户行为热度低的街区块，则分配更低的采集频率(比如按照一年一次的采集频率来采集兴趣点的数据)。
可见，上述这种采集方案只考虑了街区块内的两个兴趣点属性，并对这两个兴趣点属性进行简单的线性排序，根据排序结果确定街区块的兴趣点采集频率。随着兴趣点的数量不断增多，这种采集方案的效率将大大降低，且上述这种采集方案对兴趣点的采集收益的预期是随机的，无法保证制定的采集规划与兴趣点的数据状态属性的变更相符合。另外，在实际应用中，在兴趣点的数据采集过程中，影响采集规划的因素并非只有上述的两个兴趣点属性。因此，合理制定电子地图中兴趣点的数据的采集规划方案，在采集成本固定的基础上寻求更高的兴趣点的采集收益，对于电子地图的开发者和使用者来说都具有很高的应用价值。然而，对于如何动态和精准的实现兴趣点的数据的采集规划，从而实现对电子地图的实时更新，相关技术缺乏有效的解决方案。
为至少解决相关技术的上述技术问题，本发明实施例提供的兴趣点的处理方法、装置、设备及存储介质，能够动态和精准的实现兴趣点的数据的采集规划，从而实现对电子地图的实时更新，提升用户的使用体验。
下面说明本发明实施例提供的兴趣点的处理设备的示例性应用。本发明实施例提供的兴趣点的处理设备可以是服务器，例如部署在云端的服务器，提供远程的基于兴趣点的数据更新待测地理区域的电子地图的功能；也可以是各种类型的终端，例如可以是智能手机、平板电脑、笔记本电脑、便携式多媒体播放器、车载终端(例如车载导航终端)等移动终端，也可以是台式计算机等固定终端。
下面将参考附图对本发明实施例的兴趣点的处理系统的示例性应用进行说明。作为示例，参见图1，图1为本发明实施例提供的兴趣点的处理系统10的一个可选的应用场景示意图，终端100可以被用来采集待测地理区域，例如，可以通过终端100自身的采集装置来采集待测地理区域，或者，也可以通过其他的采集设备400来采集待测地理区域。在一些实施例中，终端100用于本地执行本发明实施例提供的兴趣点的处理方法，来采集待测地理区域的街区块中的兴趣点的数据，并基于采集到的兴趣点的数据更新待测地理区域的电子地图的信息，从而可供用户及时发现兴趣点的区域性变化，以快速了解待测地理区域内街区块中的兴趣点的当前最新情况，进而便于用户决定是否前往之前预期的兴趣点所在的位置。
当然，终端100也可以通过网络200向服务器300发送待测地理区域，并调用服务器300提供的远程更新待测地理区域的电子地图的功能，服务器300通过执行本发明实施例提供的兴趣点的处理方法，具体地，在获取到待测地理区域后，先对待测地理区域进行区块划分，得到至少两个街区块，然后确定每个街区块对应的多个维度的兴趣点属性，以及基于多个维度的兴趣点属性确定街区块的评分，接下来，基于街区块的评分，确定与每个街区块相适配的兴趣点采集频率，最终基于兴趣点采集频率采集街区块中的兴趣点的数据，并基于兴趣点的数据更新待测地理区域的电子地图。当然，服务器300还可以将更新后的待测地理区域的电子地图返回给终端100，以供用户及时发现待测地理区域内兴趣点的区域性变化。
这里，终端100可以基于各种无线通信方式，或者有线通信方式，通过网络200与服务器300进行连接。其中，网络200可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输。
终端100可以在图形界面110中显示兴趣点的处理过程中的各种中间结果和最终结果，例如，对待测地理区域中的每个街区块的评分进行显示，又比如，对更新后的待测地理区域的电子地图进行显示。
接下来继续说明本发明实施例提供的兴趣点的处理设备的结构，兴趣点的处理设备可以是各种类型的终端，例如可以是智能手机、台式计算机等，也可以是如图1示出的服务器300。
现在将参考附图描述实现本发明实施例的兴趣点的处理设备，图2A为本发明实施例提供的兴趣点的处理设备的一个可选的结构示意图，可以理解，图2A仅仅示出了兴趣点的处理设备的示例性结构而非全部结构，根据需要可以实施图2A示出的部分结构或全部结构，不应对本发明实施例的功能和使用范围带来任何限制。
参见图2A，本发明实施例提供的兴趣点的处理设备20包括：至少一个处理器201、存储器202、用户接口203和至少一个网络接口204。兴趣点的处理设备20中的各个组件通过总线系统205耦合在一起。可以理解，总线系统205用于实现这些组件之间的连接通信。总线系统205除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2A中将各种总线都标为总线系统205。
其中，用户接口203可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器202可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。
本发明实施例中的存储器202用于存储各种类型的数据以支持兴趣点的处理设备20的操作。这些数据的示例包括：用于在兴趣点的处理设备20上操作的任何可执行指令，如计算机程序，包括可执行程序和操作系统，实现本发明实施例的兴趣点的处理方法的程序可以包含在可执行指令中。
处理器201可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，本发明实施例提供的兴趣点的处理方法的各步骤可以通过处理器201中的硬件的集成逻辑电路完成。上述的集成逻辑电路可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器201可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。
本发明实施例提供的兴趣点的处理方法的各步骤可以通过软件模块完成，软件模块可以位于存储介质中，存储介质位于存储器202中，处理器201执行存储器202中的软件模块，结合其硬件完成本发明实施例提供的兴趣点的处理方法的步骤。
例如，作为软件模块的示例，存储器202中可以包括本发明实施例提供的兴趣点的处理装置30，其包括一系列的软件模块，参见图2B，图2B为本发明实施例提供的兴趣点的处理装置30的一个可选的结构示意图，例如，兴趣点的处理装置30包括划分单元31、第一确定单元32、第二确定单元33、第三确定单元34、采集单元35和更新单元36，对于图2B所示的本发明实施例提供的兴趣点的处理装置30中各个单元的具体功能，将在下文进行说明。
至此，已经按照其功能描述了本发明实施例提供的兴趣点的处理设备的结构，以及兴趣点的处理系统的示例性应用场景。接下来对本发明实施例提供的兴趣点的处理方法的实现进行说明。
参见图3，图3为本发明实施例提供的兴趣点的处理方法的一个可选的流程示意图，根据上文可以理解，本发明实施例提供的兴趣点的处理方法可以应用于各种类型的兴趣点的处理设备，例如智能手机、台式计算机和服务器中。下面以兴趣点的处理设备为服务器为例，即由服务器执行本发明实施例提供的兴趣点的处理方法为例说明图3示出的步骤。
步骤301：对待测地理区域进行区块划分，得到至少两个街区块。
在本发明实施例中，待测地理区域可以是电子地图中的一部分区域或者全部区域。对于电子地图中的一部分区域而言，可以是任意的一块区域，也可以是基于城市管辖范围所确定的区域，例如，待测地理区域可以为电子地图上显示的A城市管辖范围内的B区。
在一些实施例中，兴趣点的处理方法还可包括：获取待测地理区域。下面对待测地理区域的获取方式进行说明，服务器可采用如下方式获取待测地理区域：接收终端通过调用采集装置获取到的待测地理区域。
具体来说，服务器获取的待测地理区域，可以是由终端通过调用自身的采集装置，例如安装于终端上的摄像头来采集待测地理区域，然后将采集到的待测地理区域发送给服务器；还可以是通过调用部署在上述终端所处的环境中的其他采集装置，例如与上述终端处于同一环境下的照相机，由照相机来采集待测地理区域，然后将采集到的待测地理区域直接发送给服务器。当然，照相机还可以通过间接(比如通过无线路由器)的方式，先将采集到的待测地理区域发送给上述终端，然后再由上述终端发送给服务器。对于服务器选择采用哪种方式获取待测地理区域，本发明实施例在此不做限定。
下面对街区块的划分方式进行说明。在一些实施例中，服务器可采用如下方式划分街区块：基于所述待测地理区域所包括的道路的分布状态，对所述待测地理区域进行道路的区块划分，得到至少两个街区块。
具体来说，服务器在获取到待测地理区域后，分析该待测地理区域中所包括的道路的分布状态，比如确定该待测地理区域中包括的道路的数量，以及道路的分布规则等，然后按照道路的分布规则，将待测地理区域划分为多个街区块。在实际应用中，为了适合众包采集人员的活动，通常需要限定街区块的大小，也就是说，在街区块的划分过程中，设定一个街区块大小阈值(例如街区块的长和宽的最大值为500米)，使得划分得到的每个街区块的长和宽都不能超过500米。这里，街区块大小阈值为经验值，可根据实际需要进行相应调整。
参见图4，图4为本发明实施例提供的街区块的划分的一个可选的示意图，假设待测地理区域为区域B，按照区域B内包括的道路的分布状态，将区域B划分为多个街区块，例如街区块1、街区块2等。需要说明的是，街区块中可以包括一段道路或一条道路，比如街区块3和街区块4中都包括创业路中的一段道路，当然，街区块中也可以不包括道路，比如街区块1和街区块2中不包括道路。但每个街区块的划分边界通常是街区的道路线段。
在另一些实施例中，服务器还可采用如下方式划分街区块：基于所述待测地理区域中部署的兴趣点的数量，对所述待测地理区域进行兴趣点数量阶梯式的区块划分，得到至少两个街区块。
具体来说，服务器在获取到待测地理区域后，按照待测地理区域内部署的兴趣点的数量进行区块划分，例如，统计待测地理区域内部署的兴趣点的数量，并将统计出的兴趣点的数量按照等差数列进行排列，根据排列结果划分街区块。假设按照等差数列进行排列的兴趣点的数量分布为20～40，40～60，60～80，80～100等等，则可将兴趣点的数量在20～40之间的区域划分为街区块1，将兴趣点的数量在40～60之间的区域划分为街区块2，依次类推，将待测地理区域划分为多个街区块。
步骤302：确定每个所述街区块对应的多个维度的兴趣点属性。
在本发明实施例中，所述多个维度的兴趣点属性可以包括以下至少两个：所述街区块中包括的兴趣点数量；与兴趣点对应的用户行为热度；设定时间段内过期的兴趣点数量；纠错的兴趣点数量；状态属性标记错误的兴趣点数量。
举例来说，与兴趣点对应的用户行为热度可以是对街区块内的兴趣点进行搜索、签到、分享、定位的引用次数等；设定时间段内过期的兴趣点数量，可以理解为设定时间段内现势性过期的兴趣点数量，也即某街区块内从上次采集至目前为止，通过挖掘手段发现的疑似现势性过期的兴趣点数量；兴趣点的状态属性可以包括兴趣点的名称、兴趣点的地址和兴趣点的坐标，状态属性标记错误的兴趣点数量可以是通过挖掘手段发现的上述各种状态属性中的至少一个标记错误的兴趣点数量；纠错的兴趣点数量可以是用户在使用电子地图的过程中进行主动纠错的兴趣点数量，参见图5，图5为本发明实施例提供的兴趣点的地址纠错的页面示意图，在实际应用中，用户在使用电子地图的过程中，有可能会遇到状态属性错误的兴趣点的数据，比如兴趣点的地址错误的兴趣点的数据，针对这种情况，电子地图向用户提供了如图5所示的地址纠错的入口，以供用户对兴趣点的地址进行主动纠错，并记录用户上报的兴趣点纠错信息。
需要说明的是，服务器可通过如下方式确定兴趣点属性的维度：可自主设定具体采用哪两个或两个以上维度的兴趣点属性，比如自主设定采用街区块中包括的兴趣点数量、与兴趣点对应的用户行为热度，以及设定时间段内过期的兴趣点数量作为确定街区块的评分的依据；也可根据兴趣点属性的权重，即对街区块的评分的不同影响来设置采用哪两个或两个以上维度的兴趣点属性，在此不做限定。
当然，在实际应用中，除了上述涉及的多个维度的兴趣点属性，服务器还可以确定街区块所在区域的天气状况、街区块中兴趣点的关注度、街区块中兴趣点的新增和关闭情况、街区块中兴趣点的数据的历史采集频率等兴趣点属性，将这些兴趣点属性作为确定街区块的评分的次要依据，这样，增加确定的街区块对应的兴趣点属性的维度，可以提高街区块的评分的准确性，进而能够精准的实现兴趣点的数据的采集规划，使得兴趣点的采集收益提高，同时兴趣点的采集收益高时，也会相应减少待测地理区域的用户主动纠错的兴趣点数量，提升用户的使用体验。
步骤303：基于所述多个维度的兴趣点属性，确定所述街区块的评分。
下面对街区块的评分的确定方式进行说明。在一些实施例中，服务器可采用如下方式确定街区块的评分：将以下至少两个的兴趣点属性分别输入至神经网络模型中：所述街区块中包括的兴趣点数量；与兴趣点对应的用户行为热度；设定时间段内过期的兴趣点数量；纠错的兴趣点数量；状态属性标记错误的兴趣点数量；通过所述神经网络模型对所述至少两个的兴趣点属性进行整合处理，确定所述街区块的评分。
在本发明实施例中，服务器可通过预先训练的神经网络模型确定街区块的评分，具体地，服务器得到多个维度的兴趣点属性后，将多个维度的兴趣点属性输入至训练得到的神经网络模型，得到对应街区块的取值介于0和1之间的一个评分。在实际应用中，所采用的神经网络模型可以依据实际需要进行选取，例如，深度神经网络(DNN，Deep NeuralNetworks)模型、卷积神经网络(CNN，Convolutional Neural Networks)模型、宽度&深度(wide&deep)模型等。以神经网络模型为DNN模型为例，通过DNN模型的全连接层可以对至少两个的兴趣点属性进行整合处理，以确定街区块的评分。
在另一些实施例中，服务器还可采用如下方式确定街区块的评分：将所述多个维度的兴趣点属性进行向量化表示，得到兴趣点属性序列；通过神经网络模型对所述兴趣点属性序列中的各属性分别进行特征提取，得到对应的兴趣点特征；通过所述神经网络模型中的全连接层，对得到的所有兴趣点特征进行连接处理，得到不同类别的兴趣点特征；基于所述不同类别的兴趣点特征，确定所述街区块的评分。
参见图6，图6为本发明实施例提供的DNN模型的一个可选的结构示意图，DNN模型包括输入层、若干个中间层(这里仅示例出了3个中间层，包括层1至层3)、全连接层及输出层，其中，输入层用于接收多个维度的兴趣点属性，这里的兴趣点属性通常以向量的形式进行表示，参见图7，图7为本发明实施例提供的兴趣点属性的向量化表示的示意图，假设多个维度的兴趣点属性包括街区块中兴趣点数量、与兴趣点对应的用户行为热度、设定时间段内过期的兴趣点数量、纠错的兴趣点数量、状态属性标记错误的兴趣点数量(比如包括兴趣点的名称标记错误的兴趣点数量、兴趣点的地址标记错误的兴趣点数量、兴趣点的坐标标记错误的兴趣点数量)，将上述这些多个维度的兴趣点属性进行向量化表示，得到兴趣点属性序列，如图7所示的兴趣点属性序列[600，8000，12，15，2，5，7]，将兴趣点属性序列[600，8000，12，15，2，5，7]输入至神经网络模型中，也即神经网络模型的输入层接收的是兴趣点属性序列[600，8000，12，15，2，5，7]；中间层也可称为隐含层，主要用于对兴趣点属性序列中的各属性分别进行特征提取，以得到对应的兴趣点特征；全连接层主要用于接收确定的兴趣点特征，对得到的所有兴趣点特征进行连接处理，得到不同类别的兴趣点特征，基于不同类别的兴趣点特征确定街区块的评分；输出层用于输出确定的街区块的评分。
基于图6所示的DNN模型的结构，下面对通过DNN模型确定街区块的评分的原理进行说明。参见图8，图8为本发明实施例提供的通过DNN模型确定街区块的评分的一个可选的原理结构示意图，将向量化表示的兴趣点属性序列比如[600，8000，12，15，2，5，7]输入至DNN模型的输入层，通过隐含层对兴趣点属性序列[600，8000，12，15，2，5，7]中的各属性分别进行特征提取，得到对应的兴趣点特征，然后通过全连接层对得到的所有兴趣点特征进行连接处理，得到不同类别的兴趣点特征，基于不同类别的兴趣点特征确定街区块的评分，最后通过输出层输出街区块的评分。
步骤304：基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率。
下面对与每个街区块相适配的兴趣点采集频率的确定方式进行说明。在一些实施例中，服务器可采用如下方式确定与每个街区块相适配的兴趣点采集频率：对所有所述街区块的评分进行顺序的排列，得到对应的排列结果；基于兴趣点采集频率与所述排列结果中评分的映射关系，为每个所述街区块分配对应所述评分的兴趣点采集频率。
这里，对于对所有所述街区块的评分进行顺序的排列而言，可以对所有街区块的评分进行降序的排列，也可以对所有街区块的评分进行升序的排列，本发明实施例在此不做限定。
以对所有街区块的评分进行降序的排列为例，对确定每个街区块相适配的兴趣点采集频率的过程进行说明。假设将待测地理区域进行区块划分，得到5个街区块，服务器得到的这5个街区块的评分均介于0和1之间，服务器按照评分由高到低的顺序对得到的5个街区块的评分进行排序，如0.9、0.85、0.83、0.8、0.75，则根据设定的兴趣点采集频率与评分之间的映射关系，为每个街区块分配对应评分的兴趣点采集频率，例如，为评分最高，即评分为0.9的街区块分配每月一次的兴趣点采集频率，为评分最低，即评分为0.75的街区块分配一年一次的兴趣点采集频率，而对于评分处于中间位置的街区块则可分配相同的兴趣点采集频率，比如为评分为0.85、0.83和0.8街区块分配一年四次的兴趣点采集频率。
步骤305：基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据，并基于所述兴趣点的数据更新所述待测地理区域的电子地图。
在一些实施例中，兴趣点的处理方法还可包括：
在所述基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，
确定所述待测地理区域内被众包采集到的现势性、状态属性发生变更的兴趣点的数量；
基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
在另一些实施例中，兴趣点的处理方法还可包括：
在所述基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，
确定所述待测地理区域内被众包采集到的新增的兴趣点的数量；
基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
在本发明实施例中，状态属性发生变更的兴趣点，可以包括兴趣点的名称、兴趣点的地址和兴趣点的坐标发生变更的兴趣点。
在本发明实施例中，通过确定待测地理区域内被众包采集到的现势性、状态属性发生变更的兴趣点的数量，或者确定待测地理区域内被众包采集到的新增的兴趣点的数量的两种方式，均可实现对待测地理区域的兴趣点采集任务的量化评分的评估，通过兴趣点采集任务的量化评分可以快速确定此次制定的兴趣点的数据的采集规划是否符合预期要求，进而提高对电子地图进行实时更新的效率。
采用本发明实施例提供的技术方案，利用机器学习技术分别对每个街区块进行评分，根据评分结果确定不同街区块的兴趣点采集频率，进而针对不同街区块进行兴趣点的数据采集，能够动态和精准的实现兴趣点的数据的采集规划，从而实现对电子地图的实时更新，提升用户的使用体验。
基于上述图3所示的兴趣点的处理方法，下面对本发明实施例提供的兴趣点的处理方法的具体实现进行说明。
参见图9，图9为本发明实施例提供的兴趣点的处理方法的另一个可选的流程示意图，根据上文可以理解，本发明实施例提供的兴趣点的处理方法可以应用于各种类型的兴趣点的处理设备，例如智能手机、台式计算机和服务器中。下面继续以兴趣点的处理设备为服务器为例，即由服务器执行本发明实施例提供的兴趣点的处理方法为例说明图9示出的步骤。对于下文各步骤的说明中未尽的细节，可以参考上文而理解。
步骤901：获取待测地理区域。
在本发明实施例中，服务器可采用如下方式获取待测地理区域：接收终端通过调用采集装置获取到的待测地理区域。
步骤902：对待测地理区域进行区块划分，得到至少两个街区块，并确定每个街区块对应的多个维度的兴趣点属性。
在本发明的一些实施例中，就服务器对待测地理区域进行区块划分，得到至少两个街区块来说，可以采用以下方式实现：基于所述待测地理区域所包括的道路的分布状态，对所述待测地理区域进行道路的区块划分，得到至少两个街区块。需要指出的是，每个街区块的划分边界通常是街区的道路线段。
在本发明的另一些实施例中，就服务器对待测地理区域进行区块划分，得到至少两个街区块来说，还可以采用以下方式实现：基于所述待测地理区域中部署的兴趣点的数量，对所述待测地理区域进行兴趣点数量阶梯式的区块划分，得到至少两个街区块。
所述多个维度的兴趣点属性可以包括以下至少两个：所述街区块中包括的兴趣点数量；与兴趣点对应的用户行为热度；设定时间段内过期的兴趣点数量；纠错的兴趣点数量；状态属性标记错误的兴趣点数量。
步骤903：将多个维度的兴趣点属性进行向量化表示，得到兴趣点属性序列。
步骤904：通过神经网络模型对兴趣点属性序列中的各属性分别进行特征提取，得到对应的兴趣点特征。
步骤905：通过神经网络模型中的全连接层，对得到的所有兴趣点特征进行连接处理，得到不同类别的兴趣点特征；基于不同类别的兴趣点特征，确定街区块的评分。
步骤906：基于街区块的评分，确定与每个街区块相适配的兴趣点采集频率。
本发明实施例中的街区块的评分的取值介于0和1之间。在本发明的一些实施例中，就服务器基于街区块的评分，确定与每个街区块相适配的兴趣点采集频率来说，可以采用以下方式实现：对所有所述街区块的评分进行顺序的排列，得到对应的排列结果；基于兴趣点采集频率与所述排列结果中评分的映射关系，为每个所述街区块分配对应所述评分的兴趣点采集频率。
需要说明的是，可以对所有街区块的评分进行降序的排列，也可以对所有街区块的评分进行升序的排列，这里不限定针对街区块的评分的排列顺序。
步骤907：基于兴趣点采集频率采集街区块中的兴趣点的数据。
在本发明的一些实施例中，兴趣点的处理方法还可包括：在基于兴趣点采集频率采集街区块中的兴趣点的数据之后，确定所述待测地理区域内被众包采集到的现势性、状态属性发生变更的兴趣点的数量；基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。其中，状态属性发生变更的兴趣点，可以包括兴趣点的名称、兴趣点的地址和兴趣点的坐标发生变更的兴趣点。
在本发明的另一些实施例中，兴趣点的处理方法还可包括：在基于兴趣点采集频率采集街区块中的兴趣点的数据之后，确定所述待测地理区域内被众包采集到的新增的兴趣点的数量；基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
步骤908：基于兴趣点的数据更新待测地理区域的电子地图。
采用本发明实施例提供的技术方案，利用机器学习技术分别对每个街区块进行评分，根据评分结果确定不同街区块的兴趣点采集频率，进而针对不同街区块进行兴趣点的数据采集，能够动态和精准的实现兴趣点的数据的采集规划，从而实现对电子地图的实时更新，从而可供用户及时发现兴趣点的区域性变化，以快速了解待测地理区域内街区块中的兴趣点的当前最新情况，进而便于用户决定是否前往之前预期的兴趣点所在的位置。
接下来对本发明实施例提供的兴趣点的处理装置30的软件实现进行说明。以上述兴趣点的处理设备20中的存储器202所包括的软件模块为例进行说明，对于下文关于模块的功能说明中未尽的细节，可以参考上文而理解。
划分单元31，用于对待测地理区域进行区块划分，得到至少两个街区块；第一确定单元32，用于确定每个所述街区块对应的多个维度的兴趣点属性；第二确定单元33，用于基于所述多个维度的兴趣点属性，确定所述街区块的评分；第三确定单元34，用于基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率；采集单元35，用于基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据；更新单元36，用于基于所述兴趣点的数据更新所述待测地理区域的电子地图。
在一些实施例中，就划分单元对待测地理区域进行区块划分，得到至少两个街区块来说，可以采用以下任意一种方式实现：
基于所述待测地理区域所包括的道路的分布状态，对所述待测地理区域进行道路的区块划分，得到至少两个街区块；或者，
基于所述待测地理区域中部署的兴趣点的数量，对所述待测地理区域进行兴趣点数量阶梯式的区块划分，得到至少两个街区块。
在一些实施例中，就第二确定单元基于所述多个维度的兴趣点属性，确定所述街区块的评分来说，可以采用以下方式实现：
将以下至少两个的兴趣点属性分别输入至神经网络模型中：所述街区块中包括的兴趣点数量；与兴趣点对应的用户行为热度；设定时间段内过期的兴趣点数量；纠错的兴趣点数量；状态属性标记错误的兴趣点数量；通过所述神经网络模型对所述至少两个的兴趣点属性进行整合处理，确定所述街区块的评分。
在另一些实施例中，就第二确定单元基于所述多个维度的兴趣点属性，确定所述街区块的评分来说，还可以采用以下方式实现：
将所述多个维度的兴趣点属性进行向量化表示，得到兴趣点属性序列；
通过神经网络模型对所述兴趣点属性序列中的各属性分别进行特征提取，得到对应的兴趣点特征；
通过所述神经网络模型中的全连接层，对得到的所有兴趣点特征进行连接处理，得到不同类别的兴趣点特征；
基于所述不同类别的兴趣点特征，确定所述街区块的评分。
在一些实施例中，就第三确定单元基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率来说，可以采用以下方式实现：
对所有所述街区块的评分进行顺序的排列，得到对应的排列结果；
基于兴趣点采集频率与所述排列结果中评分的映射关系，为每个所述街区块分配对应所述评分的兴趣点采集频率。
在一些实施例中，兴趣点的处理装置还可包括：
第四确定单元，用于在所述采集单元基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，确定所述待测地理区域内被众包采集到的现势性、状态属性发生变更的兴趣点的数量；
第五确定单元，用于基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
在另一些实施例中，兴趣点的处理装置还可包括：
第六确定单元，用于在所述采集单元基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，确定所述待测地理区域内被众包采集到的新增的兴趣点的数量；
第七确定单元，用于基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
本发明实施例还提供了一种存储介质，存储有可执行指令，所述可执行指令被执行时，用于实现本发明实施例提供的上述兴趣点的处理方法。其中，存储介质具体可为计算机可读存储介质，例如可以是磁性随机存取存储器(FRAM，ferromagnetic random accessmemory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically ErasableProgrammable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器。
综上所述，本发明实施例的技术方案具有以下有益效果：
1)利用机器学习技术分别对每个街区块进行评分，根据评分结果确定不同街区块的兴趣点采集频率，进而针对不同街区块进行兴趣点的数据采集，能够动态和精准的实现兴趣点的数据的采集规划，从而实现对电子地图的实时更新。
2)基于电子地图的实时更新，可供用户及时发现兴趣点的区域性变化，以快速了解待测地理区域内街区块中的兴趣点的当前最新情况，进而便于用户决定是否前往之前预期的兴趣点所在的位置。
3)增加确定的街区块对应的兴趣点属性的维度，可以提高街区块的评分的准确性，进而能够精准的实现兴趣点的数据的采集规划，使得兴趣点的采集收益提高，同时兴趣点的采集收益高时，也会相应减少待测地理区域的用户主动纠错的兴趣点数量。
在以上的描述中，所涉及到的术语“第一”、“第二”等仅仅是用于区别类似的对象，不代表针对对象的特定的顺序或先后次序。可以理解地，“第一”、“第二”等在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在图示或描述的以外的顺序实施。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种兴趣点的处理方法，其特征在于，包括：
对待测地理区域进行区块划分，得到至少两个街区块；
确定每个所述街区块对应的多个维度的兴趣点属性；
基于所述多个维度的兴趣点属性，确定所述街区块的评分；
基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率；
基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据，并基于所述兴趣点的数据更新所述待测地理区域的电子地图。
2.如权利要求1所述的方法，其特征在于，所述对待测地理区域进行区块划分，得到至少两个街区块，包括：
基于所述待测地理区域所包括的道路的分布状态，对所述待测地理区域进行道路的区块划分，得到至少两个街区块；或者，
基于所述待测地理区域中部署的兴趣点的数量，对所述待测地理区域进行兴趣点数量阶梯式的区块划分，得到至少两个街区块。
3.如权利要求1所述的方法，其特征在于，所述基于所述多个维度的兴趣点属性，确定所述街区块的评分，包括：
将以下至少两个的兴趣点属性分别输入至神经网络模型中：所述街区块中包括的兴趣点数量；与兴趣点对应的用户行为热度；设定时间段内过期的兴趣点数量；纠错的兴趣点数量；状态属性标记错误的兴趣点数量；
通过所述神经网络模型对所述至少两个的兴趣点属性进行整合处理，确定所述街区块的评分。
4.如权利要求1所述的方法，其特征在于，所述基于所述多个维度的兴趣点属性，确定所述街区块的评分，包括：
将所述多个维度的兴趣点属性进行向量化表示，得到兴趣点属性序列；
通过神经网络模型对所述兴趣点属性序列中的各属性分别进行特征提取，得到对应的兴趣点特征；
通过所述神经网络模型中的全连接层，对得到的所有兴趣点特征进行连接处理，得到不同类别的兴趣点特征；
基于所述不同类别的兴趣点特征，确定所述街区块的评分。
5.如权利要求1所述的方法，其特征在于，所述基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率，包括：
对所有所述街区块的评分进行顺序的排列，得到对应的排列结果；
基于兴趣点采集频率与所述排列结果中评分的映射关系，为每个所述街区块分配对应所述评分的兴趣点采集频率。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
在所述基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，
确定所述待测地理区域内被众包采集到的现势性、状态属性发生变更的兴趣点的数量；
基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
在所述基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据之后，
确定所述待测地理区域内被众包采集到的新增的兴趣点的数量；
基于所确定的所述兴趣点的数量，确定针对所述待测地理区域的兴趣点采集任务的量化评分。
8.一种兴趣点的处理装置，其特征在于，包括：
划分单元，用于对待测地理区域进行区块划分，得到至少两个街区块；
第一确定单元，用于确定每个所述街区块对应的多个维度的兴趣点属性；
第二确定单元，用于基于所述多个维度的兴趣点属性，确定所述街区块的评分；
第三确定单元，用于基于所述街区块的评分，确定与每个所述街区块相适配的兴趣点采集频率；
采集单元，用于基于所述兴趣点采集频率采集所述街区块中的兴趣点的数据；
更新单元，用于基于所述兴趣点的数据更新所述待测地理区域的电子地图。
9.如权利要求8所述的装置，其特征在于，所述划分单元，具体用于：
基于所述待测地理区域所包括的道路的分布状态，对所述待测地理区域进行道路的区块划分，得到至少两个街区块；或者，
基于所述待测地理区域中部署的兴趣点的数量，对所述待测地理区域进行兴趣点数量阶梯式的区块划分，得到至少两个街区块。
10.一种兴趣点的处理设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现如权利要求1至7任一项所述的兴趣点的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678969.7A CN110399445A (zh) | 2019-07-25 | 2019-07-25 | 一种兴趣点的处理方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678969.7A CN110399445A (zh) | 2019-07-25 | 2019-07-25 | 一种兴趣点的处理方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110399445A true CN110399445A (zh) | 2019-11-01 |
Family
ID=68325988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910678969.7A Pending CN110399445A (zh) | 2019-07-25 | 2019-07-25 | 一种兴趣点的处理方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110399445A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259018A (zh) * | 2020-01-08 | 2020-06-09 | 北京百度网讯科技有限公司 | 生效验证方法、装置、电子设备及存储介质 |
| CN111737600A (zh) * | 2020-05-18 | 2020-10-02 | 浙江口碑网络技术有限公司 | 信息提供方法、装置和设备以及展示顾客信息的系统 |
| CN112579922A (zh) * | 2020-12-24 | 2021-03-30 | 东北大学 | 一种基于用户轨迹的兴趣点推荐方法 |
| CN112766670A (zh) * | 2021-01-07 | 2021-05-07 | 武汉四维图新科技有限公司 | 基于高精度地图数据众包更新系统的评估方法及装置 |
| CN117079148A (zh) * | 2023-10-17 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 城市功能区的识别方法、装置、设备和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103167404A (zh) * | 2011-12-14 | 2013-06-19 | 北京千橡网景科技发展有限公司 | 用于确定兴趣点的方法和设备 |
| CN106323266A (zh) * | 2015-06-15 | 2017-01-11 | 北京四维图新科技股份有限公司 | 一种兴趣点位置信息处理方法及装置 |
| CN106997359A (zh) * | 2016-01-25 | 2017-08-01 | 高德软件有限公司 | 兴趣点信息的获取方法和装置 |
| CN107679189A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术（北京）有限公司 | 一种兴趣点更新方法、装置、服务器和介质 |
| CN108182240A (zh) * | 2017-12-28 | 2018-06-19 | 百度在线网络技术（北京）有限公司 | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 |
| CN108351959A (zh) * | 2016-08-24 | 2018-07-31 | 谷歌有限责任公司 | 基于变化检测的图像采集任务系统 |
| CN108875013A (zh) * | 2018-06-19 | 2018-11-23 | 百度在线网络技术（北京）有限公司 | 处理地图数据的方法及装置 |
-
2019
- 2019-07-25 CN CN201910678969.7A patent/CN110399445A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103167404A (zh) * | 2011-12-14 | 2013-06-19 | 北京千橡网景科技发展有限公司 | 用于确定兴趣点的方法和设备 |
| CN106323266A (zh) * | 2015-06-15 | 2017-01-11 | 北京四维图新科技股份有限公司 | 一种兴趣点位置信息处理方法及装置 |
| CN106997359A (zh) * | 2016-01-25 | 2017-08-01 | 高德软件有限公司 | 兴趣点信息的获取方法和装置 |
| CN108351959A (zh) * | 2016-08-24 | 2018-07-31 | 谷歌有限责任公司 | 基于变化检测的图像采集任务系统 |
| CN107679189A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术（北京）有限公司 | 一种兴趣点更新方法、装置、服务器和介质 |
| CN108182240A (zh) * | 2017-12-28 | 2018-06-19 | 百度在线网络技术（北京）有限公司 | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 |
| CN108875013A (zh) * | 2018-06-19 | 2018-11-23 | 百度在线网络技术（北京）有限公司 | 处理地图数据的方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259018A (zh) * | 2020-01-08 | 2020-06-09 | 北京百度网讯科技有限公司 | 生效验证方法、装置、电子设备及存储介质 |
| CN111259018B (zh) * | 2020-01-08 | 2023-03-21 | 北京百度网讯科技有限公司 | 生效验证方法、装置、电子设备及存储介质 |
| CN111737600A (zh) * | 2020-05-18 | 2020-10-02 | 浙江口碑网络技术有限公司 | 信息提供方法、装置和设备以及展示顾客信息的系统 |
| CN112579922A (zh) * | 2020-12-24 | 2021-03-30 | 东北大学 | 一种基于用户轨迹的兴趣点推荐方法 |
| CN112579922B (zh) * | 2020-12-24 | 2021-12-14 | 东北大学 | 一种基于用户轨迹的兴趣点推荐方法 |
| CN112766670A (zh) * | 2021-01-07 | 2021-05-07 | 武汉四维图新科技有限公司 | 基于高精度地图数据众包更新系统的评估方法及装置 |
| CN112766670B (zh) * | 2021-01-07 | 2023-11-14 | 武汉四维图新科技有限公司 | 基于高精度地图数据众包更新系统的评估方法及装置 |
| CN117079148A (zh) * | 2023-10-17 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 城市功能区的识别方法、装置、设备和介质 |
| CN117079148B (zh) * | 2023-10-17 | 2024-01-05 | 腾讯科技（深圳）有限公司 | 城市功能区的识别方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399445A (zh) | 一种兴趣点的处理方法、装置及设备 | |
| Satan | Bluetooth-based indoor navigation mobile system | |
| JP6141393B2 (ja) | 目標位置を確定するための方法及び装置 | |
| CN103270509B (zh) | 用于将地理数据库转换成地图瓦片数据库的方法、设备和计算机程序产品 | |
| CN102762957B (zh) | 历史交通数据压缩 | |
| US20180158108A1 (en) | System and Method for Estimating Mobile Device Locations | |
| CN108932331B (zh) | 一种地图数据更新方法、装置及系统 | |
| US7953548B2 (en) | Location-based information determination | |
| US11614333B2 (en) | System and method for multi-plane routing | |
| CN103927374B (zh) | 一种基于SharpMap的Web GIS地图图层创建方法 | |
| CN106651247A (zh) | 基于gis拓扑分析的地址匹配区域块方法和系统 | |
| CN109791547A (zh) | 电子地图界面 | |
| CN112784002B (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
| CN105550199A (zh) | 一种基于多源地图的点位聚合方法及装置 | |
| CN101370025A (zh) | 地理信息数据的存储方法、调度方法及管理系统 | |
| Gartner et al. | Location based services and telecartography | |
| CN107389078A (zh) | 一种路线推荐方法、装置及计算机可读存储介质 | |
| CN103164529B (zh) | 一种基于Voronoi图的反k最近邻查询方法 | |
| CN104239453A (zh) | 数据处理方法及装置 | |
| CN108074009A (zh) | 一种运动路线的生成方法、装置、移动终端和服务器 | |
| Richter et al. | Harvesting user-generated content for semantic spatial information: The case of landmarks in OpenStreetMap | |
| CN116518960A (zh) | 路网更新方法、装置、电子设备和存储介质 | |
| CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
| CN110383262A (zh) | 可游戏性服务应用编程接口 | |
| Richter | Identifying Landmark Candidates Beyond Toy Examples: A Critical Discussion and Some Way Forward |
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 |