CN110990661A - 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 - Google Patents
一种基于路网约束和密度聚类的兴趣区域出入口提取方法 Download PDFInfo
- Publication number
- CN110990661A CN110990661A CN201911008792.6A CN201911008792A CN110990661A CN 110990661 A CN110990661 A CN 110990661A CN 201911008792 A CN201911008792 A CN 201911008792A CN 110990661 A CN110990661 A CN 110990661A
- Authority
- CN
- China
- Prior art keywords
- taxi
- point
- area
- data
- clustering
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于智能交通技术领域,公开了一种基于路网约束和密度聚类的兴趣区域出入口提取方法。本发明将城市路网数据和遥感影像数据结合,进行区域划分后确定兴趣区域,然后获取出租车下客点数据并进行清洗。针对每个兴趣区域,建立边界缓冲区域,提取缓冲区域内的出租车下客点数据,并对出租车下客点数据进行密度聚类,确定兴趣区域的出入口位置。本发明通过对出租车下客点数据进行密度聚类,准确提取常见兴趣区域的出入口,实现了常见兴趣区域的出入口的动态监测与及时更新。
Description
技术领域
本发明属于智能交通技术领域,特别涉及一种基于路网约束和密度聚类的兴趣区域出入口提取方法。
背景技术
近年来,城市化进程快速发展,兴趣区域(Area of Interests,如学校、景区、医院)的出入口变动较为频繁,为引导居民的日常出行,网络地图需要做到及时更新地图要素,现有地图数据尚无法对兴趣区域的出入口实时数据进行及时更新。
在城市环境中,出租车作为城市计算领域中极为重要的组成部分。目前,大多城市的出租车上已经安装了GPS设备,实时向数据中心发送当前位置信息,这些数据蕴含着城市交通系统的丰富信息,充分利用出租车轨迹数据挖掘可以帮助政府了解城市道路状况,交通资源与交通需求的分布,甚至道路与交通路线规划信息。因此,如何利用出租车GPS轨迹数据实现地图中兴趣区域出入口数据的及时更新成为亟需解决的问题。
发明内容
本发明的目的是提供一种基于路网约束和密度聚类的兴趣区域出入口提取方法,以区别出租车下客点数据分布的密度情况,从而实现各兴趣区域出入口的动态提取,监测出入口的实时活跃状态。
为达到上述目的,本发明提供了一种基于路网约束和密度聚类的兴趣区域出入口提取方法,包括如下步骤:
获取城市遥感影像和城市路网;
将所述城市路网与所述城市遥感影像进行地理位置配准后叠加于所述城市遥感影像,将所述城市遥感影像划分为多个区域,确定每个所述区域内包含的兴趣区域;
获取并处理出租车下客点数据;
针对每个所述兴趣区域,建立边界缓冲区域,提取所述边界缓冲区域的出租车下客点数据,并对所述出租车下客点数据进行密度聚类,确定所述兴趣区域的出入口位置。
进一步的,所述获取并处理出租车下客点数据,具体包括:
获取出租车轨迹数据;
根据所述出租车轨迹数据中的载客状态属性,获取出租车下客点数据;
提取距离属性小于50米的出租车下客点数据。
进一步的,所述提取所述边界缓冲区域的出租车下客点数据,并对所述出租车下客点数据进行密度聚类,确定所述兴趣区域的出入口位置,具体包括:
提取所述边界缓冲区域的出租车下客点数据;
采用密度聚类算法对所述边界缓冲区域的出租车下客点数据进行聚类,得到出租车下客点聚类区域;
获取所述出租车下客点聚类区域的聚类中心位置的经纬度信息,其中,所述聚类中心位置的经纬度信息计算公式如下:
上式中,cenlon为聚类中心位置经度,cenlat为聚类中心位置纬度,Dlonj为出租车下客点聚类区域中出租车下客点j的经度,Dlatj为出租车下客点聚类区域中出租车下客点j的纬度,m为出租车下客点聚类区域中出租车下客点的数量;
根据所述聚类区域中心位置的经纬度信息作垂线与所述兴趣区域边界相交,所述相交点对应的位置即为兴趣区域的出入口位置。
与现有技术相比,具有以下有益效果:
(1)下客点在道路宽度、周边AOI繁华程度和道路规则的影响下,表现为极度不均匀分布。DBSCAN的分类结果受点群的集聚分布特征影响较大。使用城市路网分割下客点,分割后的子集分布特征相比整体较单调。从而各个子集进行聚类时,可分别根据子集的特点进行参数的选取工作,更容易确定各个参数值的选取范围。
(2)本发明基于密度的聚类算法,相对传统的K-Means等方法,可以更好地识别出不规则的下客点簇,使得下客点子集和AOI出入口的关联度更高。将聚类中心和AOI边界进行结合计算,可以有效消除出入口类型(港湾式、直线式)对于位置提取的影响。
(3)本发明中根据位置信息进行聚类,提取出租车下客点聚类区域的聚类中心,过聚类中心作兴趣区域边界的垂线,垂足即为出入口位置。这种聚类方式对点的密度与分布较为敏感,自适应确定出租车下客点点簇的个数并能够较为精准地剔除噪声点,动态并批量提取出兴趣区域所有出入口,提高提取精度,可便于相关人员进行管理。由于出租车轨迹可以持续实时获取,因而周期性的计算并对比,即可得到各时段出入口的位置变动情况,从而提高城市管理的效率。
附图说明
图1是本发明提供的基于路网约束和密度聚类的兴趣区域出入口提取方法流程图;
图2是本发明提供的处理出租车下客点数据方法流程图;
图3是本发明提供的兴趣区域出入口提取方法流程图;
图4是本发明实施例提供的医院出入口提取结果示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
如图1所示,本申请实施例提供的基于路网约束和密度聚类的兴趣区域出入口提取方法,具体包括以下步骤:
S1:获取城市路网数据。
本申请使用网络地图提供的开放路网获取接口,利用网络爬虫技术,基于地理方位爬取城市中的路网数据。
举例来说,若想获取江苏省南通市的路网数据,首先需要获取南通市的坐标范围,以坐标范围为主要参数,并获得网络地图的相应许可,最终编写爬虫程序进行批量获取数据。
对于获得的路网数据,还需要进行数据清洗,具体过程为:
步骤S11:地理范围筛选。因路网数据通过网络地图接口获取,部分数据存在地理范围越界问题,需在地理信息系统软件中对该部分数据进行编辑剔除。
步骤S12:文件格式转换。原始路网数据为文本格式,不易于在地理信息系统软件中进行空间分析,需将该类文件转换为图形文件(ShapeFile),便于空间分析和可视化操作。
步骤S13:地图匹配。路网数据的空间参考与其他步骤中的数据空间参考不一致,导致空间分析时其位置无法相互匹配,因此需将数据转换为相应的地理坐标系,并进行几何校正。
S2:获取城市遥感影像。
城市遥感影像可从一些平台获取,本申请从地理空间数据云获取城市遥感影像。
对于获得的城市遥感影像还需要进行处理,具体过程为:
步骤S21:大气校正。在遥感影像处理软件中对城市遥感影像进行大气校正,减小云和雾对城市遥感影像清晰度的影响。
步骤S22:地图配准。路网数据的空间参考与其他步骤中的数据空间参考不一致,导致空间分析时其位置无法相互匹配,因此需将数据转换为相应的地理坐标系,并进行几何校正。
S3:将城市路网与城市遥感影像进行地理位置配准后,使城市路网叠加于城市遥感影像,将城市遥感影像分割为若干个区域。针对每个区域,确定区域内的兴趣区域。本发明采取手绘方式确定各个区域内的兴趣区域。
S4:获取并处理出租车下客点数据。
获取出租车轨迹数据后对出租车轨迹进行普通清洗,即剔除轨迹字段内容为空和时间信息明显错误的数据,在此基础上对下客点再进行一次空间精度的清洗,如图2所示,具体步骤如下:
步骤S42:根据所述出租车轨迹数据中的载客状态属性,获取出租车下客点数据;
根据出租车轨迹数据中的载客状态属性,“重车”变为“空车”时为一次下客记录,以此得到出租车的下客点数据信息;
步骤S43:提取距离属性小于50米的出租车下客点数据。
传统下客点的选取工作,是直接将出租车负载状态从重车变为轻车的信号点作为下客点。经过对于该点前后的信号点进行分析,30秒时间采样间隔的原始轨迹,部分下客点会偏离实际下客位置200米以上。60秒时间采样间隔,部分会偏离1千米以上。因为通过设置误差区半径的思想进行下客点清洗,可以根据分析工作的精度要求设置精度阈值,如本例中设置为50米,进行清洗之后下客点集合的实际位置偏差则小于50米,可满足于出入口的位置提取工作。
S5:针对每个兴趣区域,建立边界缓冲区域,提取边界缓冲区域的出租车下客点数据,并对出租车下客点数据进行密度聚类,确定兴趣区域的出入口位置,如图3所示,具体过程包括:
步骤S51:提取边界缓冲区域的出租车下客点数据;
步骤S52:采用密度聚类算法对边界缓冲区域的出租车下客点数据进行聚类,得到出租车下客点聚类区域;
步骤S53:获取所述出租车下客点聚类区域的聚类中心位置的经纬度信息,其中,所述聚类中心位置的经度信息计算公式如下:
所述聚类中心位置的纬度信息计算公式如下:
上式中,cenlon为聚类中心位置经度,cenlat为聚类中心位置纬度,Dlonj为出租车下客点j的经度,Dlatj为出租车下客点j的纬度,m为出租车下客点数量;
步骤S54:过出租车下客点聚类区域的聚类中心作兴趣区域边界的垂线,垂足即为出入口位置。
下面结合实际应用场景对本发明实施例提供的技术方案进行详细说明。
本发明实施例中所用到数据的地理范围为江苏省南通市崇川区,获取路网数据与城市遥感影像,叠加进行区域划分后,确定各个区域内的兴趣区域,实验对象为南通大学附属医院等4所三甲医院,在ArcGIS中利用Python实现提取方法并进行验证。具体实验环境为:ArcGIS10.6+Python2.7.14+Pycharm。其中,路网数据分别利用网络爬虫通过高德地图API获取;出租车轨迹的获取时间为2018年10月份共31天的数据,出租车数量约1400辆,时间采样间隔为30s。
依据方案的步骤,对经预处理的出租车下客点进行聚类,其中在使用密度聚类算法对经空间关联的出租车下客点聚类时,需确定较优的Eps值,本申请将所有出租车下客点至第i个点的距离按降序排列并绘制曲线图,观察突变点。并将Eps设置为突变点至点P之间的距离,突变点左侧点会被识别为噪声点,右侧点会被识别为核心点或边界点。由于参数MinPts设置为15-50之间时,聚类结果较为稳定,本申请列举了当Minpts取15的结果,结果如表1所示。
表1医院类型兴趣区域聚类参数
医院类型兴趣区域出入口提取结果示意图如图4所示,星号表示依据方案步骤提取的出入口,浅色线条表示实际出入口,依据方案步骤提取的出入口大多与实际出入口位置吻合。
除此之外,本申请中还采用基于路网约束和密度聚类的兴趣区域出入口提取方法对学校、景区、购物广场、居民小区等多种类型的兴趣区域提取了出入口位置,并利用地理信息系统软件对提取出入口位置和实际出入口位置进行测量,计算位置偏差以衡量提取效果,提取的出入口位置与实际位置的偏差,如表2所示。
表2各类兴趣区域出入口位置提取误差
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (3)
1.一种基于路网约束和密度聚类的兴趣区域出入口提取方法,其特征在于,包括如下步骤:
获取城市遥感影像和城市路网;
将所述城市路网与所述城市遥感影像进行地理位置配准后叠加于所述城市遥感影像,将所述城市遥感影像划分为多个区域,确定每个所述区域内包含的兴趣区域;
获取并处理出租车下客点数据;
针对每个所述兴趣区域,建立边界缓冲区域,提取所述边界缓冲区域的出租车下客点数据,并对所述出租车下客点数据进行密度聚类,确定所述兴趣区域的出入口位置。
3.根据权利要求1所述的兴趣区域出入口提取方法,其特征在于,所述提取所述边界缓冲区域的出租车下客点数据,并对所述出租车下客点数据进行密度聚类,确定所述兴趣区域的出入口位置,具体包括:
提取所述边界缓冲区域的出租车下客点数据;
采用密度聚类算法对所述边界缓冲区域的出租车下客点数据进行聚类,得到出租车下客点聚类区域;
获取所述出租车下客点聚类区域的聚类中心位置的经纬度信息,其中,所述聚类中心位置的经纬度信思计算公式如下:
上式中,cenlon为聚类中心位置经度,cenlat为聚类中心位置纬度,Dlonj为出租车下客点聚类区域中出租车下客点j的经度,Dlatj为出租车下客点聚类区域中出租车下客点j的纬度,m为出租车下客点聚类区域中出租车下客点的数量;
根据所述聚类区域中心位置的经纬度信息作垂线与所述兴趣区域边界相交,所述相交点对应的位置即为兴趣区域的出入口位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008792.6A CN110990661B (zh) | 2019-10-23 | 2019-10-23 | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911008792.6A CN110990661B (zh) | 2019-10-23 | 2019-10-23 | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110990661A true CN110990661A (zh) | 2020-04-10 |
CN110990661B CN110990661B (zh) | 2023-06-30 |
Family
ID=70082285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911008792.6A Active CN110990661B (zh) | 2019-10-23 | 2019-10-23 | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110990661B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
CN112013865A (zh) * | 2020-08-28 | 2020-12-01 | 北京百度网讯科技有限公司 | 确定交通卡口的方法、系统、电子设备以及介质 |
CN112069272A (zh) * | 2020-08-10 | 2020-12-11 | 拉扎斯网络科技(上海)有限公司 | 出入口信息确定方法、装置、电子设备和可读存储介质 |
CN113739814A (zh) * | 2021-08-27 | 2021-12-03 | 南通大学 | 一种基于出租车轨迹序列的乘客下客点提取优化方法 |
CN117238141A (zh) * | 2023-11-14 | 2023-12-15 | 交通运输部规划研究院 | 目标车辆的跨区域出行行为识别方法、装置和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
CN108417023A (zh) * | 2018-05-02 | 2018-08-17 | 长安大学 | 基于出租车上下客点空间聚类的交通小区中心点选取方法 |
CN108415975A (zh) * | 2018-02-08 | 2018-08-17 | 淮阴工学院 | 基于bdch-dbscan的出租车载客热点识别方法 |
JP2018132595A (ja) * | 2017-02-14 | 2018-08-23 | トヨタ自動車株式会社 | エリア抽出システムおよびエリア抽出方法 |
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
CN110008872A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种结合车辆轨迹和遥感图像的路网提取方法 |
-
2019
- 2019-10-23 CN CN201911008792.6A patent/CN110990661B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
JP2018132595A (ja) * | 2017-02-14 | 2018-08-23 | トヨタ自動車株式会社 | エリア抽出システムおよびエリア抽出方法 |
CN108415975A (zh) * | 2018-02-08 | 2018-08-17 | 淮阴工学院 | 基于bdch-dbscan的出租车载客热点识别方法 |
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
CN108417023A (zh) * | 2018-05-02 | 2018-08-17 | 长安大学 | 基于出租车上下客点空间聚类的交通小区中心点选取方法 |
CN110008872A (zh) * | 2019-03-25 | 2019-07-12 | 浙江大学 | 一种结合车辆轨迹和遥感图像的路网提取方法 |
Non-Patent Citations (1)
Title |
---|
江慧娟;余洋;: "出租车载客热点精细提取的改进DBSCAN算法" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
CN111598101B (zh) * | 2020-05-25 | 2021-03-23 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
CN112069272A (zh) * | 2020-08-10 | 2020-12-11 | 拉扎斯网络科技(上海)有限公司 | 出入口信息确定方法、装置、电子设备和可读存储介质 |
CN112013865A (zh) * | 2020-08-28 | 2020-12-01 | 北京百度网讯科技有限公司 | 确定交通卡口的方法、系统、电子设备以及介质 |
CN112013865B (zh) * | 2020-08-28 | 2022-08-30 | 北京百度网讯科技有限公司 | 确定交通卡口的方法、系统、电子设备以及介质 |
CN113739814A (zh) * | 2021-08-27 | 2021-12-03 | 南通大学 | 一种基于出租车轨迹序列的乘客下客点提取优化方法 |
CN113739814B (zh) * | 2021-08-27 | 2023-09-26 | 南通大学 | 一种基于出租车轨迹序列的乘客下客点提取优化方法 |
CN117238141A (zh) * | 2023-11-14 | 2023-12-15 | 交通运输部规划研究院 | 目标车辆的跨区域出行行为识别方法、装置和电子设备 |
CN117238141B (zh) * | 2023-11-14 | 2024-02-02 | 交通运输部规划研究院 | 目标车辆的跨区域出行行为识别方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110990661B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110990661A (zh) | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 | |
CN111651545B (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
CN104330089B (zh) | 一种利用历史gps数据进行地图匹配的方法 | |
CN110427533B (zh) | 基于时序粒子跟踪的污染传播模式可视分析方法及系统 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
CN110413855B (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN110967461B (zh) | 一种基于gis技术实现河流水质动态分布的方法 | |
CN111814596B (zh) | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 | |
US20220124456A1 (en) | Positioning system with floor name vertical positioning | |
CN108256020B (zh) | 异常路线的检测方法、装置、服务器及存储介质 | |
CN111275807A (zh) | 一种3d道路建模的方法和系统 | |
Li et al. | A trajectory restoration algorithm for low-sampling-rate floating car data and complex urban road networks | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
US20160298978A1 (en) | WiFi-Based Indoor Positioning and Navigation as a New Mode in Multimodal Transit Applications | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN115100012A (zh) | 一种轨道交通站点步行可达性计算方法 | |
Chen et al. | A spatiotemporal data model and an index structure for computational time geography | |
CN105023230B (zh) | 一种基于arcgis的轨道站点客流吸引范围界定方法 | |
George et al. | Spatio-temporal event detection using poisson model and quad-tree on geotagged social media | |
CN110849379B (zh) | 一种用于导航地图的出入口通行状态符号表达方法 | |
US20220119223A1 (en) | Determining floor name based on audio and/or visual samples | |
CN112566025B (zh) | 公交客流来源去向识别方法、装置、电子设备和存储介质 | |
CN110609874B (zh) | 一种基于密度聚类算法的地址实体共指消解方法 | |
Devunuri et al. | Bus Stop Spacings Statistics: Theory and Evidence | |
CN115129796A (zh) | 定位数据分析方法、装置、设备和介质 |
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 |