CN110647602B - 一种基于定位点经纬度确定对应兴趣点的方法和系统 - Google Patents
一种基于定位点经纬度确定对应兴趣点的方法和系统 Download PDFInfo
- Publication number
- CN110647602B CN110647602B CN201810675073.9A CN201810675073A CN110647602B CN 110647602 B CN110647602 B CN 110647602B CN 201810675073 A CN201810675073 A CN 201810675073A CN 110647602 B CN110647602 B CN 110647602B
- Authority
- CN
- China
- Prior art keywords
- interest
- point
- points
- determining
- longitude
- 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
Abstract
本发明公开了一种基于定位点的经纬度确定对应兴趣点的方法和系统,所述方法包括:获取定位点的经纬度信息;基于所述定位点的经纬度信息,获取距离所述定位点预定范围内的所有兴趣点和所述所有兴趣点的基本信息,并基于所述兴趣点生成候选兴趣点集合;提取所述候选兴趣点集合中所有兴趣点的特征信息;基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点;显示所述最合适的兴趣点。
Description
技术领域
本发明涉及一种确定兴趣点的方法,特别涉及一种基于定位点的经纬度确定对应兴趣点的方法。
背景技术
在地图定位时,对于一个已知经纬度的定位点,附近会有很多可以描述其位置的信息点(Point of Interest,POI)。例如,POI可以是大楼、商铺、公交站等。传统的POI确定方法是对地图作区块划分,对一个区块内的所有定位点指定同一个POI,或者选择距离该定位点最近的POI。因此,需要一种能根据定位点的经纬度信息,确定最适合描述该定位点的POI的方法。
发明内容
本发明的目的在于提供一种基于定位点的经纬度确定对应兴趣点的方法,该方法可以提高确定兴趣点的准确度,有利于司机快速找到乘客所在位置。
为达到上述发明的目的,本发明提供的技术方案如下:
本发明一方面提供了一种基于定位点的经纬度确定对应兴趣点的方法,可以包括:获取定位点的经纬度信息;基于所述定位点的经纬度信息,获取距离所述定位点预定范围内的所有兴趣点和所述所有兴趣点的基本信息,并基于所述兴趣点生成候选兴趣点集合;提取所述候选兴趣点集合中所有兴趣点的特征信息;基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点;显示所述最合适的兴趣点。
在本发明中,所述兴趣点的基本信息包括所述兴趣点的名称、类别和/或用于标记与识别的ID。
在本发明中,所述特征信息包括:兴趣点到所述定位点的距离,所述兴趣点的名称和/或地址的展示信息,表示是否常有客户到达所述兴趣点和/或选择所述兴趣点作为打车目的地的热度,与所述兴趣点相关联的品牌和/或知名商家,所述兴趣点是否有父子节点,所述兴趣点是否为面状数据,和/或所述兴趣点作为打车时的引导点与实际上车点之间的距离。
在本发明中,所述机器学习模型可以包括分类模型。
在本发明中,基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点,可以包括基于所述所有兴趣点的特征信息及机器学习模型确定所述所有兴趣点中每一个兴趣点为最合适兴趣点的概率;确定概率最大的兴趣点为所述最合适的兴趣点。
在本发明中,所述基于所述所有兴趣点的特征信息及机器学习模型确定所述所有兴趣点中每一个兴趣点为最合适兴趣点的概率,可以包括:获取与实际线上用户定位点的经纬度信息和用户实际使用的兴趣点作为训练样本;基于所述训练样本,训练所述机器学习模型;基于所述训练后的机器学习模型,确定所述每一个兴趣点为最合适兴趣点的概率。
在本发明中,所述基于所述训练后的机器学习模型,确定所述每一个兴趣点为最合适兴趣点的概率,可以包括:所述机器学习模型每次都基于所述每一个兴趣点的特征信息重新进行计算。
在本发明中,所述训练所述机器学习模型包括:修正所述训练样本,确定训练集;基于所述训练集,训练所述机器学习模型。
在本发明中,所述修正训练样本可以包括:自动去除训练样本中的错误数据,所述错误数据包括用户错误选择的兴趣点和/或错误的特征信息。
另一方面,本发明提供了一种基于定位点的经纬度确定对应兴趣点的系统,可以包括获取模块、候选兴趣点确定模块、特征信息提取模块、最合适兴趣点确定模块和显示模块:所述获取模块用于获取定位点的经纬度信息;所述候选兴趣点确定模块用于基于所述定位点的经纬度信息,获取距离所述定位点预定范围内的所有兴趣点和所述所有兴趣点的基本信息,并基于所述兴趣点生成候选兴趣点集合;所述特征信息提取模块用于提取所述候选兴趣点集合中所有兴趣点的特征信息;所述最合适兴趣点确定模块用于基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点;所述显示模块用于显示所述最合适的兴趣点。
另一方面,本发明提供了一种基于定位点的经纬度确定对应兴趣点的装置,可以包括处理器,所述处理器运行识别程序,所述识别程序运行时执行如上任一所述的基于定位点的经纬度确定对应兴趣点的方法。
另一方面,本发明提供了一种计算机可读存储介质,可以存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上任一所述的基于定位点的经纬度确定对应兴趣点的方法。
附图说明
图1是本发明的一种基于定位点的经纬度确定对应兴趣点的系统的示意图;
图2是本发明的一个示例性的最合适兴趣点确定模块的示意图;
图3是本发明确定最合适的兴趣点的一个示例性流程图;以及
图4是本发明确定兴趣点为最合适的兴趣点的概率的一个示例性流程图。
具体实施方式
下面通过具体实施例并结合附图对本发明做进一步描述。
图1是本发明的一种基于定位点的经纬度确定对应兴趣点的系统100的示意图。基于定位点的经纬度确定对应兴趣点的系统100可以包括获取模块102、候选兴趣点确定模块104、特征信息提取模块106、最合适兴趣点确定模块108和显示模块110。
获取模块102可以获取一个或多个定位点的经纬度信息。经纬度信息可以包括地理坐标、地址信息和/或其他与经纬度相关的信息。在一些实施例中,定位点的经纬度信息可以由与系统100相关联的APP、定位传感器、定位系统或相关设备获取。在一些实施例中,系统100可以基于定位点的经纬度信息,通过网络和/或内部存储获取定位点周边的信息。
候选兴趣点集合确定模块104可以基于所述定位点的经纬度信息,获取距离所述定位点预定范围内的所有兴趣点和所述兴趣点的基本信息。所述预定范围可以是以所述定位点为中心的圆形范围、矩形范围等,在此不加以限制。所述预定范围也可以是系统100预设的。所述兴趣点的基本信息可以包括兴趣点的名称、类别和/或用于标记与识别的ID等。所述距离所述定位点预定范围内的所有兴趣点(Point of interest,POI)可以生成一个或多个候选POI集合。POI可以为描述位置的信息点。例如,一个POI可以是一幢大楼、一处商铺、一个公交站等。POI的基本信息可以包括所述描述位置的经纬度、名称、类别和用于标记与识别的身份信息(ID)。在一些实施例中,候选POI可以为在定位点一定半径(半径可以为500米,1000米等)内的所有POI。
特征信息提取模块106可以提取所述一个或多个候选POI集合中的所有POI的特征信息。所述POI的特征信息可以包括所述兴趣点到定位点的距离,所述距离可以是直线距离,可以是道路距离;POI的展示信息,所述展示信息可以包括POI的名字和地址,在一些实施例中,POI的展示信息可以基于实际情况确定更适合的名字,例如,一个某小区某号楼的POI的展示信息可以为某小区,而不是某号楼;POI的热度,所述热度可以基于有用户到达所述POI和/或选择所述POI作为目的地的频率确定,例如利用一个数值表征所述热度,频率越高,热度越高,数值越大;POI的品牌,即所述POI是否为知名商家,例如海底捞,沃尔玛等知名度较高的企业/机构;POI是否具有父子节点,例如当一个POI为住宅小区时,所述POI的子节点可以为所述住宅小区的东门,又例如当一个POI为住宅小区的某号楼时,所述POI的父节点可以为所述住宅小区;POI是否为包含多个POI的面状数据,例如当一个POI为一个小区或者一个广场时,所述POI可以包含多个子节点(POI),则所述POI为面状数据;以及其他相关特征信息,例如打车时作为引导点的POI与实际上车地点之间的距离(50米,300米等)。
最合适兴趣点确定模块108可以基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点。在一些实施例中,最合适兴趣点确定模块108可以基于所述提取的所有POI的特征信息及机器学习模型,确定所述候选POI中的每一个POI为最合适的POI的概率。进一步地,最合适兴趣点确定模块108可以基于每一个POI为最合适的POI的概率确定最合适的兴趣点。所述机器学习模型可以为分类模型。所述分类模型可以包括R-xgboost模型,或者其他分类模型。在一些实施例中,所述机器学习模型可以不记忆模型的输出结果。例如,在所述机器学习模型计算每一个POI为最合适的POI的概率的时候可以基于每个POI的特征信息进行重新计算。由于模型每次计算都基于所述每一个兴趣点的特征信息重新进行计算,因此可以向所使用的分类模型中加入新的POI特征以便进行后续优化。在一些实施例中,可以通过采集实际线上用户定位点经纬度信息和实际使用的POI(例如用户手动选择的POI)构建训练集。例如,对于某一定位点,可以假设合适的POI的对应值为1,其余不合适的POI的对应值为0,并将POI的一个或多个特征信息与对应值构成特征向量(例如,不合适的POI可以对应特征向量 其中为特征向量,a、b、c可以为任意特征信息,所述POI对应的特征向量的集合A可以构建为训练集A。所述合适的POI可以为最容易使他人识别用户所在地的POI,或者与用户所在地最接近的POI。最容易识别的POI可以为用户最熟悉的地址名称,例如,当一个地址可以对应多个商户时,知名度最高的商户可以为最容易识别的POI。在一些实施例中,可以进行人工标注,判断POI是否为合适的POI,以构建训练集A。在一些实施例中,可以利用特征信息判断是否为合适的POI,例如,可以基于POI的品牌判断是否为最容易识别的POI(例如,可以将不同的品牌对应不同的分数,基于分数确定POI是否为最容易识别的POI)。在一些实施例中,可以在训练机器学习模型之前,对训练集进行修正,以去除训练集中的错误数据。错误数据可以包括用户错误选择的POI,例如,用户在使用APP(如导航APP、地图APP或者其他需要选择地址的APP等)确定POI时误点的POI等。在一些实施例中,可以进行自动修正以去除训练集中的错误数据,例如,可以对一些特征值设置阈值范围,当训练集中的该特征值超出范围时,可以自动去除所述特征值。在一些实施例中,可以进行手动修正以去除训练集中的错误数据。
基于提取的POI的特征信息,机器学习模型可以输出每个POI合适(即对应于1)的概率,也就是候选POI集合中的每一个POI为最合适的POI的概率。在一些实施例中,所述机器学习模型可以包括分类模型。在一些实施例中,所述分类模型可以包括极端梯度上升(R-xgboost)模型。在一些实施例中,可以基于机器学习模型对所述每个POI进行二分类(例如,一个POI可以为合适的POI,也可以为不合适的POI,以此分为二类)。分类模型训练完成后,可以基于经过训练的机器学习模型及Sigmoid函数进行逻辑回归,以预测候选POI集合中每个POI的输出结果为[0,1]之间的概率值,即候选POI集合中的每一个POI为最合适的POI的概率。例如,可以假设一棵决策树有J-1个节点,而每个特征信息都对应一个结点t,样本在每个t处都一分为二。在一些实施例中,每个t对应的特征变量可以基于该特征信息为给需要预测的每个POI合适的概率带来的信息增益决定。节点分裂的原则可以为使得节点分裂后的信息增益变大。构建决策树后,即可得到影响各个特征信息的重要度(权重),基于所述各个特征信息的重要度,可以获取经过训练的机器学习模型。由于待选POI为最合适POI的概率基于大数据计算,因此可以得到比较稳定的,偏差较小。
最合适兴趣点确定模块108可以基于候选POI集合中的每一个POI为最合适的POI的概率的值进行排序,确定最合适的POI。在一些实施例中,最合适兴趣点确定模块108可以基于候选POI集合中的每一个POI为最合适的POI的概率的值的大小进行降序排列。在一些实施例中,所述降序序列中的首个POI,也就是为最合适的POI的概率的值最大的POI可以是最合适的POI。在一些实施例中,排序模块110可以基于冒泡排序、选择排序、插入排序、归并排序、堆排序、快速排序、计数排序、基数排序、桶排序等排序算法对所述候选POI集合中的每一个POI进行排序。
显示模块110可以显示所述最合适的POI。在一些实施例中,显示模块110可以基于最合适兴趣点确定模块108生成按POI为最合适POI的概率的值生成的降序排列序列显示所述候选POI集合。例如,显示模块110可以显示前5个概率值最大的POI以供用户选择。在一些实施例中,显示模块110可以只显示所述最合适的POI。
图2是本发明的一个示例性的最合适兴趣点确定模块的示意图。最合适兴趣点确定模块可以包括获取单元202,训练单元204和确定单元206。
获取单元202可以获取所述提取的所有POI的特征信息及机器学习模型。
训练单元204可以基于所述POI的特征信息及所述POI的对应值生成的特征向量,训练所述机器学习模型。
确定单元206可以基于所述经过训练的机器学习模型,确定候选POI集合中的POI为最合适的POI的概率的值。
图3是本发明确定最合适的兴趣点的一个示例性流程图。
在302中,可以获取定位点的经纬度信息。该操作可以由获取模块102执行。在一些实施例中,定位点的经纬度信息可以由与系统100相关联的APP、定位传感器、定位系统或相关设备获取。在一些实施例中,系统100可以基于定位点的经纬度信息,通过网络和/或内部存储获取定位点周边的信息。
在304中,可以基于所述定位点的经纬度信息,获取距离所述定位点预定范围内的所有POI和所述POI的基本信息,并基于所述POI生成一个或多个候选POI集合。该操作可以由候选兴趣点确定模块104执行。在一些实施例中,候选POI可以为在定位点一定半径(半径可以为500米,1000米等)内的所有POI。在一些实施例中,候选POI可以为包括定位点在内的一定形状的区域内所有的POI,所述形状可以为任意形状。
在306中,可以提取候选POI集合中所有POI的特征信息。该操作可以由特征信息提取模块106执行。
在308中,可以基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点。该操作可以由最合适兴趣点确定模块108执行。在一些实施例中,可以基于提取的所有兴趣点的特征信息及机器学习模型,确定候选兴趣点集合中的每一个兴趣点为最合适的兴趣点的概率,具体流程说明可见图4。进一步地,可以基于候选兴趣点集合中的每一个兴趣点为最合适的兴趣点的概率来确定最合适的兴趣点。
例如,可以将每一个兴趣点按所述概率的值进行排序,确定最合适的兴趣点。在一些实施例中,最合适兴趣点确定模块108可以基于候选POI集合中的每一个POI为最合适的POI的概率的值的大小进行降序排列。在一些实施例中,所述降序序列中的首个POI,也就是为最合适的POI的概率的值最大的POI可以是最合适的POI。在一些实施例中,最合适兴趣点确定模块108可以基于冒泡排序、选择排序、插入排序、归并排序、堆排序、快速排序、计数排序、基数排序、桶排序等排序算法对所述候选POI集合中的每一个POI进行排序。
在310,可以显示最合适的POI。操作310可以由显示模块110执行。在一些实施例中,显示模块110可以基于最合适兴趣点确定模块108生成按POI为最合适POI的概率的值生成的降序排列序列显示所述候选POI集合。例如,显示模块110可以显示前5个概率值最大的POI以供用户选择。在一些实施例中,显示模块110可以只显示所述最合适的POI。
图4是本发明确定兴趣点为最合适的兴趣点的概率的一个示例性流程图。
在402中,可以获取与实际线上用户定位点的经纬度信息和用户实际使用的兴趣点作为训练样本。操作402可以由获取单元202执行。在一些实施例中,可以通过采集实际线上用户定位点经纬度信息和实际使用的POI(例如用户手动选择的POI)构建训练集。例如,可以通过打车APP或者地图APP获取用户实际使用的POI,通过手机自带的定位系统获取用户的定位点经纬度信息。训练样本可以为用于训练机器学习模型的特征向量的集合,例如一个或多个训练集。在一些实施例中,对于某一定位点,可以假设合适的POI的对应值为1,其余不合适的POI的对应值为0,并将POI的一个或多个特征信息与对应值构成特征向量(例如,不合适的POI可以对应特征向量 所述POI对应的特征向量的集合可以构建为训练集A。在一些实施例中,所述机器学习模型可以根据数据变化,间隔一段时间后(例如,3天、1个月、1年等)离线重新训练模型,完成后重新更新上线,以实现机器学习模型的更新。在一些实施例中,可以根据数据的变化获取新的特征信息,生成新的特征向量及训练集,重新离线训练机器学习模型,便于后续机器学习模型的不断优化。
在404中,可以基于训练样本,训练机器学习模型。操作404可以由训练单元204执行。在一些实施例中,所述机器学习模型可以不记忆模型的输出结果。例如,在所述机器学习模型计算每一个POI为最合适的POI的概率的时候可以基于每个POI的特征信息进行重新计算。在一些实施例中,可以在训练机器学习模型之前,对训练集进行修正,以去除训练集中的错误数据(例如,用户误点的POI等)。在一些实施例中,可以进行自动修正以去除训练集中的错误数据,例如,可以对一些特征值设置阈值范围,当训练集中的该特征值超出范围时,可以自动去除所述特征值。在一些实施例中,可以进行手动修正以去除训练集中的错误数据。
在406中,可以基于训练后的机器学习模型,确定每一个兴趣点为最合适兴趣点的概率。操作406可以由确定单元206执行。基于提取的POI的特征信息,机器学习模型可以输出每个POI合适(即对应于1)的概率,也就是候选POI集合中的每一个POI为最合适的POI的概率。
以上所述仅为本发明的优选实施而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于定位点的经纬度确定对应兴趣点的方法,其特征在于,包括:
获取定位点的经纬度信息;
基于所述定位点的经纬度信息,获取距离所述定位点预定范围内的所有兴趣点和所述所有兴趣点的基本信息,并基于所述兴趣点生成候选兴趣点集合;
提取所述候选兴趣点集合中所有兴趣点的特征信息,所述特征信息包括所述兴趣点作为打车时的引导点与实际上车点之间的距离;
基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点;以及
显示所述最合适的兴趣点。
2.根据权利要求1所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,所述兴趣点的基本信息包括所述兴趣点的名称、类别和/或用于标记与识别的ID。
3.根据权利要求1所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,对于所述候选兴趣点集合中的每一个兴趣点,所述特征信息还包括:
兴趣点到所述定位点的距离,所述兴趣点的名称和/或地址的展示信息,表示是否常有客户到达所述兴趣点和/或选择所述兴趣点作为打车目的地的热度,与所述兴趣点相关联的品牌和/或知名商家,所述兴趣点是否有父子节点,和/或所述兴趣点是否为面状数据。
4.根据权利要求1所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,所述机器学习模型包括:
分类模型。
5.根据权利要求1所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点包括:
基于所述所有兴趣点的特征信息及机器学习模型确定所述所有兴趣点中每一个兴趣点为最合适兴趣点的概率;以及
确定概率最大的兴趣点为所述最合适的兴趣点。
6.根据权利要求5所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,所述基于所述所有兴趣点的特征信息及机器学习模型确定所述所有兴趣点中每一个兴趣点为最合适兴趣点的概率包括:
获取与实际线上用户定位点的经纬度信息和用户实际使用的兴趣点作为训练样本;
基于所述训练样本,训练所述机器学习模型;以及
基于所述训练后的机器学习模型,确定所述每一个兴趣点为最合适兴趣点的概率。
7.根据权利要求6所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,所述基于所述训练后的机器学习模型,确定所述每一个兴趣点为最合适兴趣点的概率包括:
所述机器学习模型每次都基于所述每一个兴趣点的特征信息重新进行计算。
8.根据权利要求6所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,所述训练所述机器学习模型包括:
修正所述训练样本,确定训练集;以及
基于所述训练集,训练所述机器学习模型。
9.根据权利要求8所述的基于定位点的经纬度确定对应兴趣点的方法,其特征在于,所述修正训练样本包括:
自动去除训练样本中的错误数据,所述错误数据包括用户错误选择的兴趣点和/或错误的特征信息。
10.一种基于定位点的经纬度确定对应兴趣点的系统,其特征在于,所述系统包括获取模块、候选兴趣点确定模块、特征信息提取模块、最合适兴趣点确定模块和显示模块:
所述获取模块用于获取定位点的经纬度信息;
所述候选兴趣点确定模块用于基于所述定位点的经纬度信息,获取距离所述定位点预定范围内的所有兴趣点和所述所有兴趣点的基本信息,并基于所述兴趣点生成候选兴趣点集合;
所述特征信息提取模块用于提取所述候选兴趣点集合中所有兴趣点的特征信息,所述特征信息包括所述兴趣点作为打车时的引导点与实际上车点之间的距离;
所述最合适兴趣点确定模块用于基于所述所有兴趣点的特征信息及机器学习模型,从所述所有兴趣点中确定最合适的兴趣点;以及
所述显示模块用于显示所述最合适的兴趣点。
11.一种基于定位点的经纬度确定对应兴趣点的装置,其特征在于,所述装置包括处理器,所述处理器运行识别程序,所述识别程序运行时执行如权利要求1-9任一所述的基于定位点的经纬度确定对应兴趣点的方法。
12.一种计算机可读存储介质,其特征在于所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1-9任一所述的基于定位点的经纬度确定对应兴趣点的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810675073.9A CN110647602B (zh) | 2018-06-27 | 2018-06-27 | 一种基于定位点经纬度确定对应兴趣点的方法和系统 |
CN201980000865.9A CN110785751A (zh) | 2018-05-31 | 2019-05-29 | 用于线上到线下服务的系统和方法 |
PCT/CN2019/088969 WO2019228391A1 (en) | 2018-05-31 | 2019-05-29 | Systems and methods for online to offline services |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810675073.9A CN110647602B (zh) | 2018-06-27 | 2018-06-27 | 一种基于定位点经纬度确定对应兴趣点的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647602A CN110647602A (zh) | 2020-01-03 |
CN110647602B true CN110647602B (zh) | 2022-07-12 |
Family
ID=68988617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810675073.9A Active CN110647602B (zh) | 2018-05-31 | 2018-06-27 | 一种基于定位点经纬度确定对应兴趣点的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647602B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967049A (zh) * | 2020-08-19 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 位置信息的隐私保护方法、装置及电子设备 |
CN112115222B (zh) * | 2020-09-08 | 2024-03-08 | 北京百度网讯科技有限公司 | 兴趣点显示方法、装置、电子设备和存储介质 |
CN116508013A (zh) * | 2020-10-27 | 2023-07-28 | 北京嘀嘀无限科技发展有限公司 | 用于推荐兴趣点的系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336807A (zh) * | 2013-06-25 | 2013-10-02 | 百度在线网络技术(北京)有限公司 | 一种显示兴趣点的方法及系统 |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
CN106844376A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 推荐兴趣点的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10018480B2 (en) * | 2016-10-24 | 2018-07-10 | Google Llc | Point of interest selection based on a user request |
EP3488355A1 (en) * | 2016-10-24 | 2019-05-29 | Google LLC | Point of interest selection based on a user request |
-
2018
- 2018-06-27 CN CN201810675073.9A patent/CN110647602B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336807A (zh) * | 2013-06-25 | 2013-10-02 | 百度在线网络技术(北京)有限公司 | 一种显示兴趣点的方法及系统 |
CN104537027A (zh) * | 2014-12-19 | 2015-04-22 | 百度在线网络技术(北京)有限公司 | 信息推荐方法及装置 |
CN106844376A (zh) * | 2015-12-03 | 2017-06-13 | 高德软件有限公司 | 推荐兴趣点的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110647602A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647602B (zh) | 一种基于定位点经纬度确定对应兴趣点的方法和系统 | |
CN107784012B (zh) | 一种数字地图兴趣点的更新方法及装置 | |
CN107657267B (zh) | 产品潜在用户挖掘方法及装置 | |
US11118921B2 (en) | Vehicle routing guidance to an authoritative location for a point of interest | |
CN109598566B (zh) | 下单预测方法、装置、计算机设备和计算机可读存储介质 | |
CN105069470A (zh) | 分类模型训练方法及装置 | |
RU2011133296A (ru) | Поиск и выявление объектов инфраструктуры и прокладка маршрута | |
CN110674423A (zh) | 一种地址定位的方法、装置、可读存储介质和电子设备 | |
CN106055607A (zh) | 用户到访预测模型建立、用户到访预测方法和装置 | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN111831899A (zh) | 导航兴趣点推荐方法、装置及服务器 | |
CN116151506B (zh) | 基于天气的无人驾驶车辆实时营运路线确定方法及装置 | |
CN111782741A (zh) | 兴趣点挖掘方法、装置、电子设备及存储介质 | |
CN111931077B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111859174A (zh) | 一种确定推荐上车点的方法和系统 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN111782973A (zh) | 兴趣点状态预测方法、装置、电子设备及存储介质 | |
CN111782978A (zh) | 兴趣点数据的处理方法及装置、电子设备、可读介质 | |
CN106996785B (zh) | 一种对导航数据进行更新的方法及装置 | |
CN108286977A (zh) | 一种导航数据离线更新方法、装置及混合导航系统 | |
CN111831685A (zh) | 一种查询语句的处理方法、训练模型的方法、装置及设备 | |
CN114708445A (zh) | 一种商标相似度识别方法、装置、电子设备及存储介质 | |
CN111412925B (zh) | 一种poi位置的纠错方法及装置 | |
JP2007213211A (ja) | 検索データベース、住所検索装置、住所検索方法 | |
Roth et al. | CrowdAbout: Using Vehicles as Sensors to Improve Map Data for ITS |
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 |