CN110446163A - 一种基于美食场景分类识别的网络优化方法以及装置 - Google Patents
一种基于美食场景分类识别的网络优化方法以及装置 Download PDFInfo
- Publication number
- CN110446163A CN110446163A CN201910659239.2A CN201910659239A CN110446163A CN 110446163 A CN110446163 A CN 110446163A CN 201910659239 A CN201910659239 A CN 201910659239A CN 110446163 A CN110446163 A CN 110446163A
- Authority
- CN
- China
- Prior art keywords
- cuisines
- data
- scene
- cuisines scene
- identification
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
Abstract
本公开是关于一种基于美食场景分类识别的网络优化方法、装置、电子设备以及存储介质。其中,该方法包括:通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。本公开通过美食场景与移动通信的小区资源数据相结合提取除覆盖美食场景的小区数据,为美食场景的网络优化提供了明确的优化目标。
Description
技术领域
本公开涉及通信网络优化分析领域,具体而言,涉及一种基于美食场景分类识别的网络优化方法、装置、电子设备以及计算机可读存储介质。
背景技术
移动通信的重点场景分为五高一地两美八类场景(“五高”:高校区域、高速公路、高架桥区域、高铁区域、高层区域;“一地”:地铁区域;“两美”:美景区域,美食区域),而美食场景在其中也是至关重要的一环,美食场景中所涉及到的用户不论是数量还是密度都很大,因此对美食场景的网络优化十分重要,美食场景的信号质量是否良好直接影响美食场景的网络性能。
现有的技术规范与定义中并没有美食场景的准确定义,移动通信对美食场景的优化无法确定准确的空间数据。
随着互联网的不断壮大,美食商家数据不断完善,为基于互联网数据对美食场景的分类识别提供了数据基础与可能性。美食场景的分类识别为移动通信对美食场景的网络优化提供了准确的目标。
由上可知,需要提供一种或多种至少能够解决上述问题的技术方案。
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
本公开的目的在于提供一种基于美食场景分类识别的网络优化方法、装置、电子设备以及计算机可读存储介质,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面,提供一种基于美食场景分类识别的网络优化方法,包括:
美食场景数据获取步骤,通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
美食场景分类识别步骤,根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;
网络优化步骤,根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。
在本公开的一种示例性实施例中,所述美食场景数据获取步骤还包括:
通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
其中,所述美食场景属性数据包括美食商家名称、地址、人均消费、环境得分、评论人数、评论得分、美食商家坐标数据;
所述美食场景兴趣点数据包括商超、购物广场、商务住宅、星级宾馆、道路数据。
在本公开的一种示例性实施例中,所述美食场景分类识别步骤还包括商业综合体美食场景识别:
根据所述美食场景兴趣点数据,将商超、购物中心、商务住宅类数据提取并转换为空间坐标图层;
将提取的数据与美食商家坐标点数据进行空间核查,并提取出符合条件的美食区域归类为美食场景商业综合体类;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为商业综合体的美食商家。
在本公开的一种示例性实施例中,所述美食场景分类识别步骤还包括星级酒店美食场景识别:
根据互联网获取的星级宾馆类数据提取并转换为空间坐标图层;
将美食商家数据与星级宾馆数据进行空间核查,由于星级宾馆下美食商家数据相对较少,则定义为星级宾馆下美食商家个数超过1的所有星级宾馆归类为美食场景星级酒店;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为星级酒店的美食商家。
在本公开的一种示例性实施例中,所述美食场景分类识别步骤还包括美食街美食场景识别:
根据道路数据中包含高铁、地铁、高速、高架、国道、省道等不同类型道路,由于美食街不可能存在于高速、高铁、高架、地铁、隧道类道路上,因此根据道路类型进行初步剔除,并生成道路的空间坐标数据;
根据道路空间坐标数据,对沿街美食商家进行甄别处理。即按照道路宽度12米,沿街半径50米,提取范围内的美食商家;
将过滤出的美食商家数据根据近邻算法,计算出美食点距离最近的道路的位置坐标点,作为该美食商家在街道上的投影坐标点;
将汇总的投影坐标以10米为半径进行空间聚类汇总形成美食街道覆盖区域,并进行二次过滤,将美食区域下美食点个数少于10个美食点的美食街进行剔除;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为美食街的美食商家。
在本公开的一种示例性实施例中,所述美食场景分类识别步骤还包括特色酒楼美食场景识别:
根据互联网数据中高消费、离散的商家定义为特色酒楼,具体定义为人均消费大于200元,并且周边100米内没有通样人均消费大于200元的的美食商家定义为特色酒楼。
在本公开的一种示例性实施例中,所述网络优化步骤还包括:根据所述预设区域内的美食场景的空间坐标图层信息进行网络需求密度分析,并进行网络优化。
在本公开的一个方面,提供一种基于美食场景分类识别的网络优化装置,包括:
美食场景数据获取模块,用于通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
美食场景分类识别模块,用于根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;
网络优化模块,用于根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。
在本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
在本公开的一个方面,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根据上述任意一项所述的方法。
通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。本公开通过美食场景与移动通信的小区资源数据相结合提取除覆盖美食场景的小区数据,为美食场景的网络优化提供了明确的优化目标。
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
通过参照附图来详细描述其示例实施例,本公开的上述和其它特征及优点将变得更加明显。
图1示出了根据本公开一示例性实施例的基于美食场景分类识别的网络优化方法的流程图;
图2示出了根据本公开一示例性实施例的基于美食场景分类识别的网络优化装置的示意框图;
图3示意性示出了根据本公开一示例性实施例的电子设备的框图;以及
图4示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在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。
此外,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例中。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例的充分理解。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没有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、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,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。
在本示例实施例中,首先提供了一种基于美食场景分类识别的网络优化方法;参考图1中所示,该基于美食场景分类识别的网络优化方法可以包括以下步骤:
美食场景数据获取步骤S110,通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
美食场景分类识别步骤S120,根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;
网络优化步骤S130,根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。
本公开通过美食场景与移动通信的小区资源数据相结合提取除覆盖美食场景的小区数据,为美食场景的网络优化提供了明确的优化目标。
下面,将对本示例实施例中的基于美食场景分类识别的网络优化方法进行进一步的说明。
在美食场景数据获取步骤S110中,可以通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据。
在本示例的实施例中,所述美食场景数据获取步骤还包括:
通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
其中,所述美食场景属性数据包括美食商家名称、地址、人均消费、环境得分、评论人数、评论得分、美食商家坐标数据;
所述美食场景兴趣点数据包括商超、购物广场、商务住宅、星级宾馆、道路数据。
在美食场景分类识别步骤S120中,可以根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息。
在本示例的实施例中,所述美食场景分类识别步骤还包括商业综合体美食场景识别:
根据所述美食场景兴趣点数据,将商超、购物中心、商务住宅类数据提取并转换为空间坐标图层;
将提取的数据与美食商家坐标点数据进行空间核查,并提取出符合条件的美食区域归类为美食场景商业综合体类;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为商业综合体的美食商家,如下表所示:
在本示例的实施例中,所述美食场景分类识别步骤还包括星级酒店美食场景识别:
根据互联网获取的星级宾馆类数据提取并转换为空间坐标图层;
将美食商家数据与星级宾馆数据进行空间核查,由于星级宾馆下美食商家数据相对较少,则定义为星级宾馆下美食商家个数超过1的所有星级宾馆归类为美食场景星级酒店;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为星级酒店的美食商家。
在本示例的实施例中,所述美食场景分类识别步骤还包括美食街美食场景识别:
根据道路数据中包含高铁、地铁、高速、高架、国道、省道等不同类型道路,由于美食街不可能存在于高速、高铁、高架、地铁、隧道类道路上,因此根据道路类型进行初步剔除,并生成道路的空间坐标数据;
根据道路空间坐标数据,对沿街美食商家进行甄别处理。即按照道路宽度12米,沿街半径50米,提取范围内的美食商家;
将过滤出的美食商家数据根据近邻算法,计算出美食点距离最近的道路的位置坐标点,作为该美食商家在街道上的投影坐标点;
将汇总的投影坐标以10米为半径进行空间聚类汇总形成美食街道覆盖区域,并进行二次过滤,将美食区域下美食点个数少于10个美食点的美食街进行剔除,近邻算法使用的Arcgis的NearestPoint接口;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为美食街的美食商家。
在本示例的实施例中,所述美食场景分类识别步骤还包括特色酒楼美食场景识别:
根据互联网数据中高消费、离散的商家定义为特色酒楼,具体定义为人均消费大于200元,并且周边100米内没有通样人均消费大于200元的的美食商家定义为特色酒楼。
在网络优化步骤S130中,可以根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。
在本示例的实施例中,通过该算法提取除某市商业综合体139家、星级酒店126家、美食街66条、特色酒店166家,并通过美食场景与移动通信的小区资源数据相结合提取除覆盖美食场景的小区数据,为美食场景的网络优化提供了明确的优化目标。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种基于美食场景分类识别的网络优化装置。参照图2所示,该基于美食场景分类识别的网络优化装置200可以包括:美食场景数据获取模块210、美食场景分类识别模块220以及网络优化模块230。其中:
美食场景数据获取模块210,用于通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
美食场景分类识别模块220,用于根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;
网络优化模块230,用于根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。
上述中各基于美食场景分类识别的网络优化装置模块的具体细节已经在对应的基于美食场景分类识别的网络优化方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了基于美食场景分类识别的网络优化装置200的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,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。
此外,在本公开的示例性实施例中,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,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图3来描述根据本发明的这种实施例的电子设备300。图3显示的电子设备300仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如,所述处理单元310可以执行如图1中所示的步骤S110至步骤S130。
存储单元320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)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205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330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300也可以与一个或多个外部设备370(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300交互的设备通信,和/或与使得该电子设备300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350进行。并且,电子设备300还可以通过网络适配器360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360通过总线330与电子设备300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300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。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例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)执行根据本公开实施例的方法。
在本公开的示例性实施例中,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。在一些可能的实施例中,本发明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,当所述程序产品在终端设备上运行时,所述程序代码用于使所述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发明各种示例性实施例的步骤。
参考图4所示,描述了根据本发明的实施例的用于实现上述方法的程序产品400,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,本发明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。
所述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发明操作的程序代码,所述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)。
此外,上述附图仅是根据本发明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。
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 (10)
1.一种基于美食场景分类识别的网络优化方法,其特征在于,所述方法包括:
美食场景数据获取步骤,通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
美食场景分类识别步骤,根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;
网络优化步骤,根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。
2.如权利要求1所述的方法,其特征在于,所述美食场景数据获取步骤还包括:
通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
其中,所述美食场景属性数据包括美食商家名称、地址、人均消费、环境得分、评论人数、评论得分、美食商家坐标数据;
所述美食场景兴趣点数据包括商超、购物广场、商务住宅、星级宾馆、道路数据。
3.如权利要求1所述的方法,其特征在于,所述美食场景分类识别步骤还包括商业综合体美食场景识别:
根据所述美食场景兴趣点数据,将商超、购物中心、商务住宅类数据提取并转换为空间坐标图层;
将提取的数据与美食商家坐标点数据进行空间核查,并提取出符合条件的美食区域归类为美食场景商业综合体类;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为商业综合体的美食商家。
4.如权利要求1所述的方法,其特征在于,所述美食场景分类识别步骤还包括星级酒店美食场景识别:
根据互联网获取的星级宾馆类数据提取并转换为空间坐标图层;
将美食商家数据与星级宾馆数据进行空间核查,由于星级宾馆下美食商家数据相对较少,则定义为星级宾馆下美食商家个数超过1的所有星级宾馆归类为美食场景星级酒店;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为星级酒店的美食商家。
5.如权利要求1所述的方法,其特征在于,所述美食场景分类识别步骤还包括美食街美食场景识别:
根据道路数据中包含高铁、地铁、高速、高架、国道、省道等不同类型道路,由于美食街不可能存在于高速、高铁、高架、地铁、隧道类道路上,因此根据道路类型进行初步剔除,并生成道路的空间坐标数据;
根据道路空间坐标数据,对沿街美食商家进行甄别处理,即按照道路宽度12米,沿街半径50米,提取范围内的美食商家;
将过滤出的美食商家数据根据近邻算法,计算出美食点距离最近的道路的位置坐标点,作为该美食商家在街道上的投影坐标点;
将汇总的投影坐标以10米为半径进行空间聚类汇总形成美食街道覆盖区域,并进行二次过滤,将美食区域下美食点个数少于10个美食点的美食街进行剔除;
为防止美食商家数据重复核查,在美食商家数据中剔除归类为美食街的美食商家。
6.如权利要求1所述的方法,其特征在于,所述美食场景分类识别步骤还包括特色酒楼美食场景识别:
根据互联网数据中高消费、离散的商家定义为特色酒楼,具体定义为人均消费大于200元,并且周边100米内没有通样人均消费大于200元的的美食商家定义为特色酒楼。
7.如权利要求1所述的方法,其特征在于,所述网络优化步骤还包括:根据所述预设区域内的美食场景的空间坐标图层信息进行网络需求密度分析,并进行网络优化。
8.一种基于美食场景分类识别的网络优化装置,其特征在于,所述装置包括:
美食场景数据获取模块,用于通过基于互联网数据获取预设区域内美食场景属性数据及美食场景兴趣点数据;
美食场景分类识别模块,用于根据所述美食场景属性数据及美食场景兴趣点数据,将美食场景数据根据空间坐标数据进行汇总识别,转换为空间坐标图层信息;
网络优化模块,用于根据所述预设区域内的美食场景的空间坐标图层信息进行网络优化。
9.一种电子设备,其特征在于,包括
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的方法。
10.一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根据权利要求1至7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910659239.2A CN110446163B (zh) | 2019-07-22 | 2019-07-22 | 一种基于美食场景分类识别的网络优化方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910659239.2A CN110446163B (zh) | 2019-07-22 | 2019-07-22 | 一种基于美食场景分类识别的网络优化方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110446163A true CN110446163A (zh) | 2019-11-12 |
CN110446163B CN110446163B (zh) | 2020-12-22 |
Family
ID=68430962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910659239.2A Active CN110446163B (zh) | 2019-07-22 | 2019-07-22 | 一种基于美食场景分类识别的网络优化方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110446163B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202495A (zh) * | 2016-07-19 | 2016-12-07 | 浪潮软件集团有限公司 | 基于互联网gis的场景信息整合方法 |
CN107464174A (zh) * | 2017-08-21 | 2017-12-12 | 合肥工业大学 | 一种基于商圈的外卖平台、外卖点餐系统及点餐方法 |
CN107567039A (zh) * | 2017-08-31 | 2018-01-09 | 北京市天元网络技术股份有限公司 | 一种移动网络的小区场景自动识别方法及装置 |
CN108184202A (zh) * | 2016-12-08 | 2018-06-19 | 中国电信股份有限公司 | 基站的覆盖场景的确定方法以及装置 |
US20180197188A1 (en) * | 2017-01-06 | 2018-07-12 | At&T Intellectual Property I, L.P. | Generating telecommunication network construction zones via clustering on weighted adjacency graphs of distribution areas |
CN108540988A (zh) * | 2017-03-06 | 2018-09-14 | 中国移动通信集团公司 | 一种场景划分方法及装置 |
CN108934016A (zh) * | 2018-07-04 | 2018-12-04 | 广东海格怡创科技有限公司 | 小区场景类别的划分方法、装置、计算机设备和存储介质 |
CN109429234A (zh) * | 2017-08-23 | 2019-03-05 | 中兴通讯股份有限公司 | 一种基站的部署方法及装置 |
CN109840452A (zh) * | 2017-11-28 | 2019-06-04 | 中国移动通信集团浙江有限公司 | 一种栅格覆盖场景自动识别方法及装置 |
-
2019
- 2019-07-22 CN CN201910659239.2A patent/CN110446163B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202495A (zh) * | 2016-07-19 | 2016-12-07 | 浪潮软件集团有限公司 | 基于互联网gis的场景信息整合方法 |
CN108184202A (zh) * | 2016-12-08 | 2018-06-19 | 中国电信股份有限公司 | 基站的覆盖场景的确定方法以及装置 |
US20180197188A1 (en) * | 2017-01-06 | 2018-07-12 | At&T Intellectual Property I, L.P. | Generating telecommunication network construction zones via clustering on weighted adjacency graphs of distribution areas |
CN108540988A (zh) * | 2017-03-06 | 2018-09-14 | 中国移动通信集团公司 | 一种场景划分方法及装置 |
CN107464174A (zh) * | 2017-08-21 | 2017-12-12 | 合肥工业大学 | 一种基于商圈的外卖平台、外卖点餐系统及点餐方法 |
CN109429234A (zh) * | 2017-08-23 | 2019-03-05 | 中兴通讯股份有限公司 | 一种基站的部署方法及装置 |
CN107567039A (zh) * | 2017-08-31 | 2018-01-09 | 北京市天元网络技术股份有限公司 | 一种移动网络的小区场景自动识别方法及装置 |
CN109840452A (zh) * | 2017-11-28 | 2019-06-04 | 中国移动通信集团浙江有限公司 | 一种栅格覆盖场景自动识别方法及装置 |
CN108934016A (zh) * | 2018-07-04 | 2018-12-04 | 广东海格怡创科技有限公司 | 小区场景类别的划分方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110446163B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An edge traffic flow detection scheme based on deep learning in an intelligent transportation system | |
Njoku et al. | Prospects and challenges of Metaverse application in data‐driven intelligent transportation systems | |
US11497988B2 (en) | Event categorization and key prospect identification from storylines | |
Yuan et al. | StarGO: A New Method to Identify the Galactic Origins of Halo Stars | |
JP6756079B2 (ja) | 人工知能に基づく三元組チェック方法、装置及びコンピュータプログラム | |
CN106162544B (zh) | 一种地理围栏的生成方法和设备 | |
Park et al. | Advanced multimedia and ubiquitous engineering | |
CN104123305B (zh) | 地理数据处理方法及其系统 | |
US11379741B2 (en) | Method, apparatus and storage medium for stay point recognition and prediction model training | |
CN107622377A (zh) | 旅行订单信息的提醒方法、系统、设备及存储介质 | |
CN110322300A (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN111522838A (zh) | 地址相似度计算方法及相关装置 | |
CN109446907A (zh) | 一种视频聊天的方法、装置、设备和计算机存储介质 | |
CN109815405A (zh) | 灰度分流方法与系统 | |
CN107992366A (zh) | 对多个目标对象进行检测和跟踪的方法、系统和电子设备 | |
JP2023539934A (ja) | 物体検出モデルのトレーニング方法、画像検出方法及び装置 | |
CN113705390B (zh) | 定位方法、装置、电子设备和存储介质 | |
CN107478243A (zh) | 导航方法、装置、设备及计算机可读存储介质 | |
Park et al. | Future Information Technology: 6th International Conference on Future Information Technology, FutureTech 2011, Crete, Greece, June 28-30, 2011. Proceedings, Part I | |
Kim et al. | Modified turn algorithm for motion planning based on clothoid curve | |
JP2023516373A (ja) | 品物番号付けモデルをトレーニングするための方法及び装置 | |
CN110446163A (zh) | 一种基于美食场景分类识别的网络优化方法以及装置 | |
CN110633352A (zh) | 一种语义检索的方法及装置 | |
Craig et al. | A vision for pervasive information visualisation to support passenger navigation in public metro networks | |
CN107729347A (zh) | 同义标签的获取方法、装置、设备及计算机可读存储介质 |
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 |