CN110674843B - 一种停车场实体的生成方法及系统 - Google Patents

一种停车场实体的生成方法及系统 Download PDF

Info

Publication number
CN110674843B
CN110674843B CN201910794364.4A CN201910794364A CN110674843B CN 110674843 B CN110674843 B CN 110674843B CN 201910794364 A CN201910794364 A CN 201910794364A CN 110674843 B CN110674843 B CN 110674843B
Authority
CN
China
Prior art keywords
network
vertex
parking lot
similarity
vertices
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
CN201910794364.4A
Other languages
English (en)
Other versions
CN110674843A (zh
Inventor
张辉
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co 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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201910794364.4A priority Critical patent/CN110674843B/zh
Publication of CN110674843A publication Critical patent/CN110674843A/zh
Application granted granted Critical
Publication of CN110674843B publication Critical patent/CN110674843B/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书公开了一种停车场实体的生成方法及系统，获得与所述停车场实体相关的关联对象；根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络；对所述停车场网络中的网络顶点进行聚类，获得目标类簇；根据所述目标类簇确定所述停车场实体。

Description

一种停车场实体的生成方法及系统
技术领域
本说明书涉及互联网技术领域，尤其涉及一种停车场实体的生成方法及系统。
背景技术
随着互联网技术的不断发展，其覆盖面也越来越广，例如商超、餐饮、出行、健身、医疗保健等行业都和互联网息息相关，人们也享受到了科技发展带来的各种便利。
而在出行方面，停车场带来的收益是巨大的，对停车场定位的准确与否，很大程度上会影响停车场相关的业务开展。但是，由于停车场存在复杂、分散等特点，一直以来都是比较难覆盖的业务拓展区域，故而如何提高停车场实体的识别准确率是目前亟需解决的问题。
发明内容
本说明书提供了一种停车场实体的生成方法及系统，以解决或者部分解决停车场实体的识别准确率不高的技术问题。
为解决上述技术问题，本说明书提供了一种停车场实体的生成方法，所述方法包括：
获得与所述停车场实体相关的关联对象；
根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络；
对所述停车场网络中的网络顶点进行聚类，获得目标类簇；
根据所述目标类簇确定所述停车场实体。
本说明书公开了一种停车场实体的生成系统，包括：
第一获得模块，用于获得与所述停车场实体相关的关联对象；
构造模块，用于根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络；
聚类模块用于对所述停车场网络中的网络顶点进行聚类，获得目标类簇；
第一确定模块，用于根据所述目标类簇确定所述停车场实体。
本说明书公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本说明书公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
通过本说明书的一个或者多个实施例，本说明书具有以下有益效果或者优点：
本说明书的方案，从与所述停车场实体相关的关联对象入手，根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络。其中，停车场网络能够表征网络顶点之间的相似性，故而对所述停车场网络中的网络顶点进行聚类，就能够准确的将相似的网络顶点聚为一类成为目标类簇，根据目标类簇便能够确定出准确的停车场实体。由此，从关联对象入手，构建停车场网络作为基础来确定停车场实体，能够克服停车场由于复杂分散所带来的识别精度不高的缺陷，能够得到准确全面的停车场实体，并且能够压缩关联对象所带来的停车场实体的重复率，降低关联对象的冗余度。
此前，一个停车场实体对应的POI在线下多达上百个，但此前并未确定停车场实体和POI的映射关系，由此导致停车场实体的冗余度较高，每个POI都被认为是停车场实体。而在本方案中，同一个类簇中的停车场实体和关联对象具有映射关系，由此可以压缩POI，使其映射到同一个停车场实体，降低了停车场实体的冗余度。经验证，通过本方案生成的停车场实体38w，对导航地图上的POI有3.5倍压缩率，最高的一个停车场leads压缩率达到250。
进一步的，由于得到的停车场实体更为准确全面，使数据决策和数据竞争成为可能。将其作为基础数据提供给其他业务端进行业务开发，能够节约投入资源，使业务端投入较少资源就能够得到丰厚的回报。停车场实体质量经过业务验证可用率达93％，通过消除重复可以为业务新一年节省近千万的预算。
上述说明仅是本说明书技术方案的概述，为了能够更清楚了解本说明书的技术手段，而可依照说明书的内容予以实施，并且为了让本说明书的上述和其它目的、特征和优点能够更明显易懂，以下特举本说明书的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本说明书一个实施例的一种停车场实体的生成方法流程示意图；
图2示出了根据本说明书一个实施例的网络顶点的示意图；
图3A示出了根据本说明书一个实施例的网络顶点A1对应的最终KD树；
图3B示出了根据本说明书一个实施例的网络顶点A2对应的最终KD树
图4示出了根据本说明书一个实施例的根据附近召回构建的停车网络示意图；
图5示出了根据本说明书一个实施例的调用广度优先的图遍历算法的聚类过程示意图；
图6A示出了根据本说明书一个实施例的聚类过程中网络顶点的示意图；
图6B示出了根据本说明书一个实施例的聚类结果的示意图；
图7示出了根据本说明书一个实施例的的调用深度优先的图遍历算法的聚类过程示意图；
图8示出了根据本说明书一种停车场实体的生成系统的示意图；
图9示出了根据本说明书一种停车场实体的一种计算机设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本说明书的一个或者多个实施例提供了一种停车场实体的生成方法，用以解决目前停车场实体的识别准确率较低的技术问题。本说明书得到的停车场实体准确可靠，可信任度高，可作为基础数据提供给各类业务端，辅助进行业务开展。例如，提供给支付业务端，供支付业务接入停车场实体，开展停车场线上支付业务。例如，提供给业务拓展端，供业务拓展端的工作人员针对各停车场实体进行排查、接入、洽谈等各类相关业务。再例如，可根据停车业务端的需求提供相关的停车场实体，供停车业务端进行数据决策，实现突破“打哪指哪”进化到“指哪打哪”。再例如，提供给导航业务端，为导航提供准确的停车场基础数据等等。
停车场实体，也称停车场leads，在线下停车场商户拓展时被叫做停车场leads，其中的leads带有指引的含义。例如黄龙时代地面停车场和黄龙时代地下停车场都是属于黄龙时代停车场这个停车场实体，两者实际上属于同一个停车场实体管理。
POI：是“Point of Interest”的缩写，中文可以翻译为“兴趣点”。在地理信息系统中，一个POI可以是一个公司、一个商铺、一个邮筒、一个公交站等。
AOI：是“Area of Interest”的缩写，中文可以翻译为“兴趣面”。在地理信息系统中，一个AOI可以是一个小区、一个广场、一个车站、一幢写字楼等。
下面请参看图1，是本说明书的一个或者多个实施例提供的一种停车场实体的处理方法的实施过程，包括如下步骤：
步骤11，获得与所述停车场实体相关的关联对象。
具体来说，关联对象包括兴趣点对象和停车场对象。兴趣点对象也称POI，停车场对象指具有名称、位置、地址等信息的真实停车场(包含线上停车场和线下停车场)，例如黄龙时代地面停车场、黄龙时代地下停车场等。本实施例的关联对象数量不做限制。
针对POI，本说明书中具有原始POI库，该POI库中包含大量POI，每个POI具有属性信息，属性信息包含名称、文本地址、经度、纬度、省份、城市、区县、类型等等，如表1所示。
表1
Figure BDA0002180484720000051
分析表1可知，两个不同POI中，其任一属性可能不同，以“宁波大厦”为例，一个代表写字楼，一个代表地下停车场。
本实施例的主要目的，就是为了从POI库中筛选出与所述停车场实体相关的关联对象。
在具体的实施过程中，首先获得POI。例如从POI库中调取POI。进一步的，可提取POI的类型属性，将POI的类型属性和停车场实体的类型属性进行比对，将跟停车场实体相关的POI筛选出来，例如类型为“公共停车场”、“地面停车场”的POI。具体的，停车场实体的类型属性包括：“公共停车场”、“地面停车场”、“地下停车场”等等。若POI的类型属性和停车场实体的类型属性一致，则可将POI确定为关联对象。由此，可准确的获得与所述停车场实体相关的POI。
进一步的，在将POI确定为关联对象之后，对关联对象进行过滤，获得过滤后的关联对象，并将过滤后的关联对象确定为网络顶点。过滤的作用，是将关联对象中对构成停车场实体无意义的关联对象过滤掉，例如停车场出入口。
针对真实停车场，可线上搜索、线下排查等方式获得真实停车场，并获得其名称、文本地址、经度、纬度、省份、城市、区县、类型等等属性信息，然后将其确定为关联对象。
由此可见，本实施例获得的关联对象，都是与所述停车场实体相关的POI(例如宁波大厦)，真实停车场(例如黄龙时代广场地下停车场)等，基础数据准确可靠，能够为后续获得准确的停车场实体打好基础。
步骤12，根据关联对象确定网络顶点，并根据网络顶点构造停车场网络。
承接上述实施例，可将过滤后的关联对象直接确定为网络顶点。而将关联对象(或者过滤后的关联对象)确定为网络顶点后，一个网络顶点表示一个关联对象或者一个过滤后的关联对象。
参看图2，是网络顶点的示意图，本实施例的网络顶点数量范围在两个以上，但具体数量不做限制。
图2中的A、B、C、D、E气泡点均为网络顶点。其中标注为A(A1、A2、A3、A4、A5、A6)的气泡点属于湖滨银泰A区(地名)，标注为B的气泡点属于杭州仁和饭店等等。
停车场网络，包括网络顶点和网络边。网络顶点就是关联对象。每个网络顶点可以是单独顶点，也可以具有数量不定的邻近顶点，然后根据属性信息构建网络顶点与邻近顶点之间的边，两顶点之间的边即为网络边。
在根据网络顶点构造停车场网络的过程中，对于停车场网络上的任一一个网络顶点来说，在空间上需要根据附近召回方法预设覆盖范围的邻近顶点来与它来组成网络边，附近召回方法是业内通用名称，等同于基于距离召回，是地理相关算法。其可以根据KD树、MVP树等空间数据结构在nlogn的时间复杂度上完成。其中，某个网络顶点的邻近顶点，指的是和该网络顶点具有网络边的其他网络顶点。
具体来说，确定网络顶点的预设覆盖范围，根据附近召回方法在预设覆盖范围内确定出网络顶点的邻近顶点，并根据网络顶点和邻近顶点确定停车场网络的网络边，以构成停车场网络。在实际应用中，网络顶点和邻近顶点的距离，是确定两者相似度要考虑的因素之一，距离的远近会影响相似度的大小，以及确认是否为邻近顶点的参考。故而设置网络顶点的预设覆盖范围，在该范围内确定停车网络，能够提高停车网络中各网络顶点的关联度，能够使得停车网络的精度更高。
其中，网络顶点的预设覆盖范围可以根据实际情况设置，例如以某个网络顶点A1为例，以该网络顶点A1为圆心的500米以内为其预设覆盖范围，参看图2。其他网络顶点(A、B、C、D、E)类似操作，可确定出各自的预设覆盖范围。各网络顶点的预设覆盖范围具体数值可不同。
需知，处于该网络顶点A1的预设覆盖范围内的顶点，并不一定都是该网络顶点A1的邻近顶点，而是需要根据附近召回方法方法才能够在预设覆盖范围内确定出该网络顶点A1的邻近顶点。
具体的，在预设覆盖范围内建立网络顶点的空间数据结构。根据网络顶点的空间数据结构确定网络顶点的邻近顶点。由于空间数据结构中能够直观表征网络顶点和邻近顶点的邻近关系，故而能够确定出非常精确的邻近顶点，为后续构建准确的停车网络的打好基础。
以构建网络顶点A1的空间数据结构KD树为例，从网络顶点A1的属性信息中确定出网络顶点A1要用到的K维属性信息(K≥1且为正整数)。K表示属性信息的个数或者维数。此外，需确定出网络顶点A1的预设覆盖范围中所有顶点的相同维数的属性信息。
以K维属性信息为基础，计算出网络顶点A1和所有顶点的方差。然后以网络顶点A1为根节点，利用网络顶点A1和所有顶点的方差大小进行初始KD树的构建。其中，初始KD树中的子节点就是预设覆盖范围内的所有顶点，每个节点是一个K维的点。再对初始KD树进行插入、删除、查找操作。获得网络顶点A1的最终KD树。
参看图3A是网络顶点A1对应的最终KD树。从该图3A中可知，网络顶点A1的邻近顶点为A3、A4。进一步的，网络顶点A1和邻近顶点A3、A4构成的边就是网络顶点A1对应的网络边，根据方差值获得。
以上是网络顶点A1的KD树结构，该KD树结构中包含网络顶点A1的邻近顶点A3、A4，以及网络顶点A1对应的网络边。若将其他网络顶点(A、B、C、D、E)执行上述类似操作，即可确定出其他网络顶点的邻近顶点，以及其他网络顶点对应的网络边。假设以网络顶点A2为例执行上述操作，即可获得网络顶点A2的KD树，其KD树包含邻近顶点A1、A3、A6，以及网络顶点A2对应的网络边，参看图3B。
由此可见，每个网络顶点都有各自的邻近顶点，以及各自的网络边。故而，将所有网络顶点及其网络边合并，即组成停车网络。
作为一种可选的实施例，在建立网络顶点的空间数据结构之后，虽然空间数据结构中包含有网络顶点的邻近顶点，以及网络顶点对应的网络边，但为了进一步优化停车网络，可以获得空间数据结构中的网络顶点和邻近顶点，并实施如下步骤：
计算网络顶点和邻近顶点之间的属性相似度值；判断属性相似度值是否小于预设相似度值；若是，根据网络顶点和邻近顶点构建网络边。
具体来说，网络顶点和邻近顶点之间的属性相似度值包括：网络顶点和邻近顶点的名称相似度、网络顶点和邻近顶点的地址相似度、网络顶点和邻近顶点的间距离相似度、网络顶点所在区域和邻近顶点所在区域(AOI)的区域相似度。
其中，名称相似度、地址相似度和网络顶点和区域相似度可以使用相似度算法来计算，例如编辑距离、余弦相似度等等。而间距离相似度指的是经纬度间的球面距离，可以直接利用差值法计算两者的球面间距。
在得到网络顶点属性相似度值之后，即可和预设相似度进行比较。若小于预设相似度值，则表示网络顶点和邻近顶点相似度较高，故而根据网络顶点和邻近顶点构建网络边，具体的，可将网络顶点和邻近顶点的方差值构成的边作为网络边。而由于KD树中已经包含网络顶点的邻近顶点，以及网络顶点和邻近顶点之间由方差值构成的网络边，若确定二者的属性相似度值小于预设相似度值，则将网络顶点和邻近顶点之间的网络边保留。反之，表示网络顶点和邻近顶点相似度较低，删除网络顶点和邻近顶点之间的网络边。由此获得的停车网络的关联度更高，也更为准确。
经过上面的逻辑就完成了网络边的构建，网络边能够反映出网络顶点之间的关系，两个网络顶点之间的网络边越近，两个网络顶点越相似。由于网络边能够直观表征网络顶点间的关系，故而构建网络边能够得到准确的停车场网络。根据附近召回方法构建的停车网络如图4所示。
在实际情况中，图2中的每个区域都设置有停车场实体，从图4可以看出，实际情况中，不同停车场实体的关联对象之间也有许多的边相连，并组成停车网络。由此可见，本说明书的停车网络能够直观、全面、准确的表征所有网络顶点之间的关系(不同停车场实体中的网络顶点的关系也能够从停车网络中看出)。
步骤13，对停车场网络中的网络顶点进行聚类，获得目标类簇。
在本实施例中，可以调用广度优先的图遍历算法对停车场网络中的网络顶点进行聚类，获得目标类簇；或者可以调用深度优先的图遍历算法对停车场网络中的网络顶点进行聚类，获得目标类簇。需知，本实施例的聚类方法不仅限于上述两种方式。
调用广度优先的图遍历算法对停车场网络中的网络顶点进行聚类，获得目标类簇的实施过程中，参看图5，包括如下步骤：
步骤51，从未访问的所有网络顶点中随机挑选一个网络顶点加入待扩展顶点队列。如图6A中网络顶点A1(大圆圈)所示。
步骤52，判断待扩展顶点队列是否为空。若为空，结束。
若不为空，执行步骤53，将网络顶点标记为已访问，获得网络顶点和邻近顶点的属性相似度。由于网络顶点对应有的邻近顶点数量不定，故而可先获得网络顶点的其中一个邻近顶点，并确定两者的属性相似度。而属性相似度及其确定方式已经在上述实施例中进行了介绍，在此不再赘述。
步骤54，判断属性相似度是否满足传播判定条件。
其中，传播判定条件为：网络顶点和邻近顶点的间距离相似度小于等于第一预设阈值，并且网络顶点和邻近顶点的相似度总值大于等于第二预设阈值。以符号表示为：
Figure BDA0002180484720000101
其中，distance、Simname、Simaddr和Simaoi分别表示间距离相似度、名称相似度、地址相似度和区域相似度，γ和β是用来控制算法精度的阈值，γ表示第一预设阈值，β表示第二预设阈值。
在具体的实施过程中，判断网络顶点和邻近顶点的间距离相似度是否小于等于第一预设阈值；判断网络顶点和邻近顶点的相似度总值是否大于等于第二预设阈值；其中，相似度总值根据名称相似度、区域相似度和地址相似度加权求和获得；若网络顶点和邻近顶点的间距离相似度小于等于第一预设阈值，并且相似度总值大于等于第二预设阈值，表示属性相似度满足传播判定条件。
以上是判断属性相似度是否满足传播判定条件的具体实施过程，若不满足，表示该邻近顶点和网络顶点不是同一个类簇，则执行步骤55，将邻近顶点划分到其他类簇。具体来说，可将其作为网络顶点进行聚类处理，找出该邻近顶点所属目标类簇。或者，在其他网络顶点进行聚类时，仍然作为邻近顶点进行上述处理，以确定出该邻近顶点的目标类簇。
若满足，表示两者为同一类簇，则执行步骤56，将邻近顶点划分到网络顶点所属类簇中。
进一步的，执行步骤57，获得网络顶点和其他邻近顶点的属性相似度。也即：从网络顶点的剩余邻近顶点中随机选择一个邻近顶点(此处称为其他邻近顶点)，然后计算两者的属性相似度值，并根据所述传播判定条件再次进行判断聚类，直到所有网络顶点聚类完毕。具体来说，得到属性相似度值之后，返回执行步骤54，判断属性相似度是否满足传播判定条件。由此，可根据传播判定条件再次进行判断聚类，直到将网络顶点的所有邻近顶点聚类完毕。而针对每个网络顶点都执行上述步骤，直到所有网络顶点聚类完毕，即可完成对所有网络顶点的聚类。
以上是针对广度优先的聚类方式，其核心点是选定一个网络顶点，先对该网络顶点及其所有邻近顶点进行聚类之后，再随机挑选另一个网络顶点，由此遍历所有网络顶点，即可完成对所有网络顶点的聚类。聚类后的示意图如图6B所示。
通过上述方式，网络顶点的邻近顶点会根据传播判定条件被划分为可触达和不可触达两种，可触达的顶点会被加入到待扩展顶点队列中为启动下一轮的传播判定做准备，这样就形成了根据广度优先的图遍历传播算法。传播示例如图6A所示，其中带箭头线条的表示可触达的传播，箭头方向表示传播方向，不带箭头的连线代表不可触达的传播。在构建的网络上完成这个网络传播算法后，就得到了图6B所显示的结果，原来的统一的停车网络被划分成了一个个子网络，每个子网络就是一个停车场实体，由此可以聚类得到较为准确的停车场实体。
而针对深度优先的聚类方式的具体实施方式如图7所示，如下：
步骤71，从未访问的所有网络顶点中随机挑选一个网络顶点加入待扩展顶点队列。如图6A中网络顶点A1(大圆圈)所示。
步骤72，判断待扩展顶点队列是否为空。若为空，结束。
若不为空，执行步骤73，将网络顶点标记为已访问，获得网络顶点和邻近顶点的属性相似度。由于网络顶点对应有的邻近顶点数量不定，故而可先获得网络顶点的其中一个邻近顶点，并确定两者的属性相似度。而属性相似度及其确定方式已经在上述实施例中进行了介绍，在此不再赘述。
步骤74，判断属性相似度是否满足传播判定条件。
其中，传播判定条件和具体的判断方式和上述实施例相同，故而不再赘述。
若不满足，表示该邻近顶点和网络顶点不是同一个类簇，则执行步骤75，将邻近顶点划分到其他类簇。具体来说，可将其作为网络顶点进行聚类处理，找出该邻近顶点所属目标类簇。或者，在其他网络顶点进行聚类时，仍然作为邻近顶点进行上述处理，以确定出该邻近顶点的目标类簇。
若满足，表示两者为同一类簇，则执行步骤76，将邻近顶点划分到网络顶点所属类簇中。
进一步的，执行步骤77，获得邻近顶点和邻近顶点连接的下一级顶点的属性相似度。根据所述传播判定条件再次进行判断聚类，直到所有网络顶点聚类完毕。具体来说，得到属性相似度值之后，返回执行步骤74，判断属性相似度是否满足传播判定条件。由此，可根据传播判定条件再次进行判断聚类，直到将网络顶点的其中一个邻近顶点下的所有顶点聚类完毕。而针对每个网络顶点都执行上述步骤，直到所有网络顶点聚类完毕，即可完成对所有网络顶点的聚类。
以上是针对深度优先的聚类方式，其核心点是选定一个网络顶点，先对该网络顶点的其中一个邻近顶点逐级进行深度聚类之后，再对另一个邻近顶点逐级进行深度聚类，将该网络顶点聚类完毕后，随机挑选另一个网络顶点进行深度聚类，由此遍历所有网络顶点，即可完成对所有网络顶点的聚类。
在聚类后，停车场的关联对象被划分成一个个组(类簇)，每个组表示了一个停车场实体。根据深度优先的聚类方式聚类后的结果也可以参看图6A-图6B。通过上述方式，网络顶点的邻近顶点会根据传播判定条件被划分为可触达和不可触达两种，可触达的顶点会被加入到待扩展顶点队列中为启动下一轮的传播判定做准备，这样就形成了根据深度优先的图遍历传播算法。传播示例如图6A所示，其中带箭头线条的表示可触达的传播，箭头方向表示传播方向，不带箭头的连线代表不可触达的传播。在构建的网络上完成这个网络传播算法后，就得到了图6B所显示的结果，原来的统一的停车网络被划分成了一个个子网络，每个子网络就是一个停车场实体，由此可以聚类得到较为准确的停车场实体。
步骤14，根据目标类簇确定停车场实体。
其中，目标类簇的数量不定。
为了进一步优化停车场实体，可从目标类簇中挑选一个关联对象来作为该停车场实体，具体方法有随机挑选、按照使用频率挑选等等方式。得到的停车场实体包含名称、地址、位置、类型等基本信息。
进一步的，从目标类簇中挑选出的停车场实体和该目标类簇中的关联对象具有关联关系。也即，该目标类簇中的关联对象都映射到该停车场实体中。由此可见，本申请的关联对象都能够映射相应的停车场实体，由此能够保证停车场的高覆盖和唯一性。
以上是停车场实体的生成方法，可根据由上述方式生成的停车场实体建立停车场实体数据库，该停车场实体数据库在保障停车场高覆盖的同时又保证了停车场的唯一性，是后续其他业务端拓展接入、分析运营的基础。
将本说明书的方法应用到实际运用中，以提供给业务拓展端，供业务拓展端的工作人员针对各停车场实体进行排查、接入、洽谈等各类相关业务为例。本说明书中的一个目标类簇对应一个停车场实体，并且该目标类簇中的关联对象都映射到该停车场实体中。将其发送给业务拓展端，由于本说明书中得到的停车场实体准确率较高，跟线下的停车场实体的实际情况一样，可信度很高。那么业务拓展人员在进行线下业务拓展时，能够依照本说明书提供的基础数据高效、准确的找到线下的停车场实体，以及其和线下关联对象的映射关系，能够使业务端节约投入的资源。而之前由于停车场实体的准确率低，跟线下情况不匹配，需要投入更多的人力、物力进行实际情况确认、排查错误率等等，不但浪费了人力物力等资源，获得的回报也很低。
众所周知，每个停车场实体的成功接入都会给业务拓展人员返佣。此前，虽然同一停车场实体有不同POI，但是并不知两者之间的关联关系。故而，业务人员每接入一个POI，都会认为其成功接入了一个停车场实体，业务端都会返佣，由此会造成同一个停车场实际返佣多次的情况，极大的增加了业务拓展端的投入成本。而在本说明书中，由于每个停车场实体都和其下的关联对象具有映射关系，如果该停车场实体已经返佣一次，其下的任何一个关联对象接入后都会映射到该停车场实体，都不会再次返佣。由此可见，通过本发明的停车场实体作为基础数据提供给业务拓展端，消除了停车场实体的重复率，经验证，采用本说明书提供的停车场实体数据库之后，业务拓展端首年已经节省近千万的预算，大大减少了业务拓展端的资源投入。
另外，本说明书的方案能够提高POI的压缩率。以提供给导航业务端为例，根据本说明书的方案生成停车场实体38w，对高德停车场POI有3.5倍压缩率，其中最高的一个停车场实体压缩率达到250，停车场实体质量经过业务验证可用率达93％。
另外，停车场实体数据库的建立帮助停车业务端实现突破从”打那指那“进化到”指那打那“，让一个最杂最乱最散的行业看到数据决策和数据竞争的可能。
根据与前述实施例中同样的发明构思，参看图8，本说明书实施例还提供一种停车场实体的生成系统，包括：
第一获得模块81，用于获得与所述停车场实体相关的关联对象；
构造模块82，用于根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络；
聚类模块83，用于对所述停车场网络中的网络顶点进行聚类，获得目标类簇；
第一确定模块84，用于根据所述目标类簇确定所述停车场实体。
作为一种可选的实施例，所述第一获得模块81，具体包括：
第二获得模块，用于获得兴趣点对象，所述兴趣点对象具有类型属性；
比对模块，用于将所述兴趣点对象的类型属性和所述停车场实体的类型属性进行比对；
第二确定模块，用于若一致，则将所述兴趣点对象确定为所述关联对象。
作为一种可选的实施例，所述构造模块82，包括：
第三确定模块，用于确定所述网络顶点的预设覆盖范围；
第四确定模块，用于根据附近召回方法在所述预设覆盖范围内确定出所述网络顶点的邻近顶点；
第五确定模块，用于根据所述网络顶点和所述邻近顶点确定所述停车场网络的网络边，以构成所述停车场网络。
作为一种可选的实施例，所述第四确定模块，具体用于：
在所述预设覆盖范围内建立网络顶点的空间数据结构；
根据所述网络顶点的空间数据结构确定所述网络顶点的邻近顶点。
作为一种可选的实施例，所述第五确定模块，具体用于：
计算所述网络顶点和所述邻近顶点之间的属性相似度值；
判断所述属性相似度值是否小于预设相似度值；
若是，根据所述网络顶点和所述邻近顶点构建所述网络边。
作为一种可选的实施例，所述聚类模块83，具体用于调用广度优先的图遍历算法对所述停车场网络中的网络顶点进行聚类，获得所述目标类簇；或者调用深度优先的图遍历算法对所述停车场网络中的网络顶点进行聚类，获得所述目标类簇。
作为一种可选的实施例，所述所述聚类模块83，具体包括：
第三获得模块，用于获得所述网络顶点和所述邻近顶点的属性相似度；
判断模块，用于判断所述属性相似度是否满足传播判定条件；
第四获得模块，用于若满足，将所述邻近顶点划分到所述网络顶点所属类簇中，并获得所述网络顶点和其他邻近顶点的属性相似度，并根据所述传播判定条件再次进行判断聚类，直到所有网络顶点聚类完毕；
划分模块，用于若不满足，将所述邻近顶点划分到其他类簇。
作为一种可选的实施例，所述属性相似度包括：所述网络顶点和所述邻近顶点的名称相似度、所述网络顶点和所述邻近顶点的地址相似度、所述网络顶点和所述邻近顶点的间距离相似度、所述网络顶点所在区域和所述邻近顶点所在区域的区域相似度；所述判断模块，具体用于：
判断所述网络顶点和所述邻近顶点的间距离相似度是否小于等于第一预设阈值；
判断所述网络顶点和所述邻近顶点的相似度总值是否大于等于第二预设阈值；其中，所述相似度总值根据所述名称相似度、所述区域相似和所述地址相似度加权求和获得；
若所述网络顶点和所述邻近顶点的间距离相似度小于等于第一预设阈值，并且所述相似度总值大于等于第二预设阈值，表示所述属性相似度满足所述传播判定条件。
根据与前述实施例中同样的发明构思，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一方法的步骤。
根据与前述实施例中同样的发明构思，本说明书的实施例还提供一种计算机设备，如图9所示，包括存储器904、处理器902及存储在存储器904上并可在处理器902上运行的计算机程序，处理器902执行程序时实现前文任一方法的步骤。
其中，在图9中，总线架构(用总线900来代表)，总线900可以包括任意数量的互联的总线和桥，总线900将包括由处理器902代表的一个或多个处理器和存储器904代表的存储器的各种电路链接在一起。总线900还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口905在总线900和接收器901和发送器909之间提供接口。接收器901和发送器909可以是同一个元件，即收发机，提供用于在传输介质上与各种其他终端设备通信的单元。处理器902负责管理总线900和通常的处理，而存储器904可以被用于存储处理器902在执行操作时所使用的数据。
通过本说明书的一个或者多个实施例，本说明书具有以下有益效果或者优点：
本说明书的方案，从与所述停车场实体相关的关联对象入手，根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络。其中，停车场网络能够表征网络顶点之间的相似性，故而对所述停车场网络中的网络顶点进行聚类，就能够准确的将相似的网络顶点聚为一类成为目标类簇，根据目标类簇便能够确定出准确的停车场实体。由此，从关联对象入手，构建停车场网络作为基础来确定停车场实体，能够克服停车场由于复杂分散所带来的识别精度不高的缺陷，能够得到准确全面的停车场实体，并且能够压缩关联对象所带来的停车场实体的重复率，降低关联对象的冗余度。
此前，一个停车场实体对应的POI在线下多达上百个，但此前并未确定停车场实体和POI的映射关系，由此导致停车场实体的冗余度较高，每个POI都被认为是停车场实体。而在本方案中，同一个类簇中的停车场实体和关联对象具有映射关系，由此可以压缩POI，使其映射到同一个停车场实体，降低了停车场实体的冗余度。经验证，通过本方案生成的停车场实体38w，对导航地图上的POI有3.5倍压缩率，最高的一个停车场leads压缩率达到250。
进一步的，由于得到的停车场实体更为准确全面，使数据决策和数据竞争成为可能。将其作为基础数据提供给其他业务端进行业务开发，能够节约投入资源，使业务端投入较少资源就能够得到丰厚的回报。停车场实体质量经过业务验证可用率达93％，通过消除重复可以为业务新一年节省近千万的预算。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与根据在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本说明书也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本说明书的内容，并且上面对特定语言所做的描述是为了披露本说明书的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本说明书的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本说明书的示例性实施例的描述中，本说明书的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本说明书要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本说明书的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本说明书的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本说明书的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本说明书实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本说明书还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本说明书的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本说明书进行说明而不是对本说明书进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本说明书可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (18)

1.一种停车场实体的生成方法，所述方法包括：
获得与所述停车场实体相关的关联对象；所述关联对象包含：与所述停车场实体相关的兴趣点POI和真实停车场；
根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络；其中，一个网络顶点表示一个关联对象或者一个过滤后的关联对象；每个网络顶点都有各自的邻近顶点，以及各自的网络边，将所有网络顶点及其网络边合并，组成所述停车场网络；
对所述停车场网络中的网络顶点进行聚类，获得目标类簇，用以将统一的所述停车场网络划分成一个个子网络，每个子网络为一个停车场实体；
根据所述目标类簇确定所述停车场实体，用以将所述目标类簇中的关联对象都映射到所述停车场实体中，从而压缩停车场实体的重复率。
2.如权利要求1所述的方法，所述获得与所述停车场实体相关的关联对象，具体包括：
获得兴趣点对象，所述兴趣点对象具有类型属性；
将所述兴趣点对象的类型属性和所述停车场实体的类型属性进行比对；
若一致，则将所述兴趣点对象确定为所述关联对象。
3.如权利要求1所述的方法，所述根据所述网络顶点构造停车场网络，包括：
确定所述网络顶点的预设覆盖范围；
根据附近召回方法在所述预设覆盖范围内确定出所述网络顶点的邻近顶点；
根据所述网络顶点和所述邻近顶点确定所述停车场网络的网络边，以构成所述停车场网络。
4.如权利要求3所述的方法，所述根据附近召回方法在所述预设覆盖范围内确定出所述网络顶点的邻近顶点，包括：
在所述预设覆盖范围内建立网络顶点的空间数据结构；
根据所述网络顶点的空间数据结构确定所述网络顶点的邻近顶点。
5.如权利要求3所述的方法，所述根据所述网络顶点和所述邻近顶点确定所述停车场网络的网络边，以构成所述停车场网络，包括：
计算所述网络顶点和所述邻近顶点之间的属性相似度值；
判断所述属性相似度值是否小于预设相似度值；
若是，根据所述网络顶点和所述邻近顶点构建所述网络边。
6.如权利要求3所述的方法， 所述对所述停车场网络中的网络顶点进行聚类，获得目标类簇，包括：
调用广度优先的图遍历算法对所述停车场网络中的网络顶点进行聚类，获得所述目标类簇；或者
调用深度优先的图遍历算法对所述停车场网络中的网络顶点进行聚类，获得所述目标类簇。
7.如权利要求6所述的方法，所述调用广度优先的图遍历算法对所述停车场网络中的网络顶点进行聚类，获得所述目标类簇，包括：
获得所述网络顶点和所述邻近顶点的属性相似度；
判断所述属性相似度是否满足传播判定条件；
若满足，将所述邻近顶点划分到所述网络顶点所属类簇中，并获得所述网络顶点和其他邻近顶点的属性相似度，并根据所述传播判定条件再次进行判断聚类，直到所有网络顶点聚类完毕；
若不满足，将所述邻近顶点划分到其他类簇。
8.如权利要求7所述的方法，所述属性相似度包括：所述网络顶点和所述邻近顶点的名称相似度、所述网络顶点和所述邻近顶点的地址相似度、所述网络顶点和所述邻近顶点的间距离相似度、所述网络顶点所在区域和所述邻近顶点所在区域的区域相似度；所述判断所述属性相似度是否满足传播判定条件，包括：
判断所述网络顶点和所述邻近顶点的间距离相似度是否小于等于第一预设阈值；
判断所述网络顶点和所述邻近顶点的相似度总值是否大于等于第二预设阈值；其中，所述相似度总值根据所述名称相似度、所述区域相似和所述地址相似度加权求和获得；
若所述网络顶点和所述邻近顶点的间距离相似度小于等于第一预设阈值，并且所述相似度总值大于等于第二预设阈值，表示所述属性相似度满足所述传播判定条件。
9.一种停车场实体的生成系统，包括：
第一获得模块，用于获得与所述停车场实体相关的关联对象；所述关联对象包含：与所述停车场实体相关的兴趣点POI和真实停车场；
构造模块，用于根据所述关联对象确定网络顶点，并根据所述网络顶点构造停车场网络；其中，一个网络顶点表示一个关联对象或者一个过滤后的关联对象；每个网络顶点都有各自的邻近顶点，以及各自的网络边，将所有网络顶点及其网络边合并，组成所述停车场网络；
聚类模块用于对所述停车场网络中的网络顶点进行聚类，获得目标类簇，用以将统一的所述停车场网络划分成一个个子网络，每个子网络为一个停车场实体；
第一确定模块，用于根据所述目标类簇确定所述停车场实体，用以将所述目标类簇中的关联对象都映射到所述停车场实体中，从而压缩停车场实体的重复率。
10.如权利要求9所述的系统，所述第一获得模块，具体包括：
第二获得模块，用于获得兴趣点对象，所述兴趣点对象具有类型属性；
比对模块，用于将所述兴趣点对象的类型属性和所述停车场实体的类型属性进行比对；
第二确定模块，用于若一致，则将所述兴趣点对象确定为所述关联对象。
11.如权利要求9所述的系统，所述构造模块，包括：
第三确定模块，用于确定所述网络顶点的预设覆盖范围；
第四确定模块，用于根据附近召回方法在所述预设覆盖范围内确定出所述网络顶点的邻近顶点；
第五确定模块，用于根据所述网络顶点和所述邻近顶点确定所述停车场网络的网络边，以构成所述停车场网络。
12.如权利要求11所述的系统，所述第四确定模块，具体用于：
在所述预设覆盖范围内建立网络顶点的空间数据结构；
根据所述网络顶点的空间数据结构确定所述网络顶点的邻近顶点。
13.如权利要求11所述的系统，所述第五确定模块，具体用于：
计算所述网络顶点和所述邻近顶点之间的属性相似度值；
判断所述属性相似度值是否小于预设相似度值；
若是，根据所述网络顶点和所述邻近顶点构建所述网络边。
14.如权利要求11所述的系统， 所述聚类模块，具体用于调用广度优先的图遍历算法对所述停车场网络中的网络顶点进行聚类，获得所述目标类簇；或者调用深度优先的图遍历算法对所述停车场网络中的网络顶点进行聚类，获得所述目标类簇。
15.如权利要求14所述的系统，所述所述聚类模块，具体包括：
第三获得模块，用于获得所述网络顶点和所述邻近顶点的属性相似度；
判断模块，用于判断所述属性相似度是否满足传播判定条件；
第四获得模块，用于若满足，将所述邻近顶点划分到所述网络顶点所属类簇中，并获得所述网络顶点和其他邻近顶点的属性相似度，并根据所述传播判定条件再次进行判断聚类，直到所有网络顶点聚类完毕；
划分模块，用于若不满足，将所述邻近顶点划分到其他类簇。
16.如权利要求15所述的系统，所述属性相似度包括：所述网络顶点和所述邻近顶点的名称相似度、所述网络顶点和所述邻近顶点的地址相似度、所述网络顶点和所述邻近顶点的间距离相似度、所述网络顶点所在区域和所述邻近顶点所在区域的区域相似度；所述判断模块，具体用于：
判断所述网络顶点和所述邻近顶点的间距离相似度是否小于等于第一预设阈值；
判断所述网络顶点和所述邻近顶点的相似度总值是否大于等于第二预设阈值；其中，所述相似度总值根据所述名称相似度、所述区域相似和所述地址相似度加权求和获得；
若所述网络顶点和所述邻近顶点的间距离相似度小于等于第一预设阈值，并且所述相似度总值大于等于第二预设阈值，表示所述属性相似度满足所述传播判定条件。
17.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
18.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
CN201910794364.4A 2019-08-27 2019-08-27 一种停车场实体的生成方法及系统 Active CN110674843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910794364.4A CN110674843B (zh) 2019-08-27 2019-08-27 一种停车场实体的生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910794364.4A CN110674843B (zh) 2019-08-27 2019-08-27 一种停车场实体的生成方法及系统

Publications (2)

Publication Number Publication Date
CN110674843A CN110674843A (zh) 2020-01-10
CN110674843B true CN110674843B (zh) 2023-06-02

Family

ID=69075599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910794364.4A Active CN110674843B (zh) 2019-08-27 2019-08-27 一种停车场实体的生成方法及系统

Country Status (1)

Country Link
CN (1) CN110674843B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402616B (zh) * 2020-02-20 2022-01-04 西安电子科技大学 智能停车控制方法、系统、存储介质、终端

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6553355B1 (en) * 1998-05-29 2003-04-22 Indranet Technologies Limited Autopoietic network system endowed with distributed artificial intelligence for the supply of high volume high-speed multimedia telesthesia telemetry, telekinesis, telepresence, telemanagement, telecommunications, and data processing services
US9568335B2 (en) * 2015-01-30 2017-02-14 Nissan North America, Inc. Associating parking areas with destinations based on automatically identified associations between vehicle operating information and non-vehicle operating information
CN109033170B (zh) * 2018-06-21 2021-07-16 深圳先进技术研究院 停车场的数据修补方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110674843A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN108446281B (zh) 确定用户亲密度的方法、装置及存储介质
US8996523B1 (en) Forming quality street addresses from multiple providers
CN107679189A (zh) 一种兴趣点更新方法、装置、服务器和介质
CN112861972B (zh) 一种展业区域的选址方法、装置、计算机设备和介质
CN110738558B (zh) 信息修复方法、装置、电子设备及计算机可读介质
CN111445320B (zh) 目标社群识别方法、装置、计算机设备及存储介质
CN114416900A (zh) 一种轨迹停留点分析的方法和装置
CN110019519A (zh) 数据处理方法、装置、存储介质和电子装置
Yin et al. A deep learning approach for rooftop geocoding
CN111522838A (zh) 地址相似度计算方法及相关装置
CN112819544A (zh) 基于大数据的广告投放方法、装置、设备及存储介质
CN111460044B (zh) 地理位置数据处理方法及装置
CN110674843B (zh) 一种停车场实体的生成方法及系统
Jing et al. A hierarchical spatial unit partitioning approach for fine‐grained urban functional region identification
Ma et al. A Socio‐Geographic Perspective on Human Activities in Social Media
CN117079148A (zh) 城市功能区的识别方法、装置、设备和介质
CN116228206A (zh) 数据中心运维管理方法、装置、电子设备及运维管理系统
Li et al. A multi‐scale partitioning and aggregation method for large volumes of buildings considering road networks association constraints
Belcastro et al. Evaluation of large scale roi mining applications in edge computing environments
CN114357314A (zh) 基于网络用户社交言论推测用户实际位置的方法和设备
CN108132992B (zh) 一种人员信息基础地址编码方法、系统及电子设备
CN113255769A (zh) 化合物属性预测模型训练方法和化合物属性预测方法
CN112925773A (zh) 一种构建行业风险暴露数据库的poi数据清洗与融合方法及装置
CN112611390A (zh) 导航系统中的经典线路获取方法、装置
CN111737374A (zh) 位置坐标确定方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant