CN111090630A - 基于多源空间点数据的数据融合处理方法 - Google Patents
基于多源空间点数据的数据融合处理方法 Download PDFInfo
- Publication number
- CN111090630A CN111090630A CN201911292947.3A CN201911292947A CN111090630A CN 111090630 A CN111090630 A CN 111090630A CN 201911292947 A CN201911292947 A CN 201911292947A CN 111090630 A CN111090630 A CN 111090630A
- Authority
- CN
- China
- Prior art keywords
- point data
- spatial point
- source
- data
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007499 fusion processing Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
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
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/176—Support for shared access to files; File sharing support
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/256—Integrating or interfacing systems involving database management systems in federated or virtual databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于多源空间点数据的数据融合处理方法，包括：以第i空间点数据Pi为位置中心，在第二来源空间点数据集合中进行指定距离范围内临近点要素搜索，得到相邻空间点数据；计算第i空间点数据Pi与对应的每个相邻空间点数据的属性相似度，筛选得到属性相似度大于指定属性相似度的Zi个相邻空间点数据；剔除相似度列表记载的各个相邻空间点数据，数据融合，得到最终数据融合后的空间点数据集合。本发明提供的基于多源空间点数据的数据融合处理方法，首先计算满足距离条件的相关空间点数据，再进行属性相似度筛选，实现了多源数据中冗余数据剔除，从而在多源空间点数据融合时，避免了复杂的人工处理或数据重新采集过程。
Description
技术领域
本发明属于地理信息数据处理技术领域，具体涉及一种基于多源空间点数据的数据融合处理方法。
背景技术
随着城市数字化的快速发展，数字城市共享服务平台的逐步建设，空间信息服务将推动行业应用向纵向贯通和横向联合方向大力发展，多源空间点数据融合与集成也势必成为行业用户的新需求。然在，现有的多源空间点数据融合方法，具有融合过程复杂以及融合速度慢的问题。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于多源空间点数据的数据融合处理方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种基于多源空间点数据的数据融合处理方法，包括以下步骤：
步骤1，获取两种不同源的原始空间点数据集合，分别为第一来源原始空间点数据集合和第二来源原始空间点数据集合；
步骤2，对所述第一来源原始空间点数据集合中的各个原始空间点数据进行标准化处理，得到第一来源空间点数据集合；
对所述第二来源原始空间点数据集合中的各个原始空间点数据进行标准化处理，得到第二来源空间点数据集合；所述第一来源空间点数据集合和所述第二来源空间点数据集合中的各个空间点数据，具有相同的数据标准；
步骤3，设所述第一来源空间点数据集合为P{第1空间点数据P1、第2空间点数据P2,…,第n空间点数据Pn}；其中，n为第一来源空间点数据集合中的空间点数据的数量；
所述第二来源空间点数据集合为R{第1’空间点数据R1、第2’空间点数据R2,…,第m’空间点数据Rm}；其中，m为第二来源空间点数据集合中的空间点数据的数量；
步骤4，令i＝1；
步骤5，以第i空间点数据Pi为位置中心，在第二来源空间点数据集合中进行指定距离范围内临近点要素搜索，得到距离第i空间点数据Pi指定距离范围内的Wi个相邻空间点数据，然后，将第i空间点数据Pi与对应的属于第二来源空间点数据集合的Wi个相邻空间点数据的映射关系，存入属性列表；
步骤6，计算第i空间点数据Pi与对应的每个相邻空间点数据的属性相似度，由此得到Wi个属性相似度；然后，按属性相似度降序方式，对Wi个相邻空间点数据进行排列，并筛选得到属性相似度大于指定属性相似度的Zi个相邻空间点数据；然后，将第i空间点数据Pi与对应的属于第二来源空间点数据集合的Zi个相邻空间点数据的映射关系，存入相似度列表；
步骤7，令i＝i+1，判断i是否大于n，如果大于，则执行步骤8；如果不大于，则返回步骤5；
步骤8，从第二来源空间点数据集合中，剔除相似度列表记载的各个相邻空间点数据，得到剔除后的第二来源空间点数据集合；
步骤9，将第一来源空间点数据集合与步骤8得到的剔除后的第二来源空间点数据集合进行数据融合，得到最终数据融合后的空间点数据集合。
优选的，步骤1中，不同源的原始空间点数据集合中的原始空间点数据，通过导航数据、外业采集数据或互联网电子地图数据获取。
优选的，步骤2中，对原始空间点数据进行标准化处理，具体为：对原始空间点数据进行分类标准化和数据结构标准化处理，形成标准统一的空间点数据。
优选的，步骤6中，计算第i空间点数据Pi与对应的每个相邻空间点数据的属性相似度的方法为：最大子序列相似度计算方法、最长递增子序列相似度计算方法、最长公共子串相似度计算方法、最长公共子序列相似度计算方法和字符串编辑距离相似度计算方法。
本发明提供的基于多源空间点数据的数据融合处理方法具有以下优点：
本发明提供的基于多源空间点数据的数据融合处理方法，首先计算满足距离条件的相关空间点数据，再进行属性相似度筛选，实现了多源数据中冗余数据剔除，从而在多源空间点数据融合时，避免了复杂的人工处理或数据重新采集过程。
附图说明
图1为本发明提供的基于多源空间点数据的数据融合处理方法的流程示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的主要目的是在地理信息系统数据处理范畴内，特别是多源空间点数据融合过程中，通过对多个来源的空间点数据进行一系列的自动化处理，剔除冗余的数据，得到符合要求的空间点数据，以便用于地理信息导航应用等行业中。避免了繁重的人工处理工作量，或重新进行数据采集的过程。
本发明首先计算满足距离条件的相关空间点数据，再进行属性相似度筛选，实现了多源数据中冗余数据剔除，从而在多源空间点数据融合时，避免了复杂的人工处理或数据重新采集过程。
本发明提供一种基于多源空间点数据的数据融合处理方法，应用于导航类电子地图数据、行业类电子地图数据等相关POI及地址码数据制作，能够快速高效的对多源空间点数据进行数据融合，通过保留准确数据、剔除冗余数据的方式，确保数据的一致性。
参考图1，基于多源空间点数据的数据融合处理方法包括以下步骤：
步骤1，获取两种不同源的原始空间点数据集合，分别为第一来源原始空间点数据集合和第二来源原始空间点数据集合；
例如，不同源的原始空间点数据集合中的原始空间点数据，通过导航数据、外业采集数据、大比例尺高精度基础地理信息数据或互联网电子地图数据获取。
再例如，两种不同源的原始空间点数据集合可以为：公司A提供的北京区域的兴趣点数据；公司B提供的北京区域的兴趣点数据。其中，兴趣点数据包括兴趣点空间位置以及兴趣点属性，兴趣点属性包括兴趣点名称、兴趣点规模等，兴趣点名称包括超市、学校、医院等。
步骤2，对所述第一来源原始空间点数据集合中的各个原始空间点数据进行标准化处理，得到第一来源空间点数据集合；
对所述第二来源原始空间点数据集合中的各个原始空间点数据进行标准化处理，得到第二来源空间点数据集合；所述第一来源空间点数据集合和所述第二来源空间点数据集合中的各个空间点数据，具有相同的数据标准；
本步骤中，对原始空间点数据进行标准化处理，具体为：根据最终的数据成果标准要求，对原始空间点数据进行分类标准化和数据结构标准化处理，形成标准统一的空间点数据。
步骤3，设所述第一来源空间点数据集合为P{第1空间点数据P1、第2空间点数据P2,…,第n空间点数据Pn}；其中，n为第一来源空间点数据集合中的空间点数据的数量；空间点数据包括空间点地理位置以及空间点属性。如，在第1地理坐标位置的兴趣点为超市，在第2地理坐标位置的兴趣点为学校，在第3地理坐标位置的兴趣点为医院等。
所述第二来源空间点数据集合为R{第1’空间点数据R1、第2’空间点数据R2,…,第m’空间点数据Rm}；其中，m为第二来源空间点数据集合中的空间点数据的数量；
步骤4，令i＝1；
步骤5，以第i空间点数据Pi为位置中心，在第二来源空间点数据集合中进行指定距离范围内临近点要素搜索，得到距离第i空间点数据Pi指定距离范围内的Wi个相邻空间点数据，然后，将第i空间点数据Pi与对应的属于第二来源空间点数据集合的Wi个相邻空间点数据的映射关系，存入属性列表；
本步骤中，进行临近点要素搜索获取指定距离范围内的所有相邻空间点数据信息，具体为，利用FME软件中NeighborFinder方法，根据空间位置关系查找指定距离参数内的所有空间点数据，并将查找到的空间点数据存储到属性列表中。
指定距离范围可根据实际点位疏密程度确定搜索的距离。假设指定距离范围为50米，则对于第i空间点数据Pi，在第二来源空间点数据集合中查找到距离第i空间点数据Pi50米范围内的所有空间点数据，查找到的空间点数据与被比较的第i空间点数据Pi的距离相近。
步骤6，计算第i空间点数据Pi与对应的每个相邻空间点数据的属性相似度，由此得到Wi个属性相似度；然后，按属性相似度降序方式，对Wi个相邻空间点数据进行排列，并筛选得到属性相似度大于指定属性相似度的Zi个相邻空间点数据；然后，将第i空间点数据Pi与对应的属于第二来源空间点数据集合的Zi个相邻空间点数据的映射关系，存入相似度列表；
本步骤中，可以利用FME软件中ListSorter方法，根据相似度列表数值大小进行排序，得到降序排列的相似度列表。
步骤6中，计算第i空间点数据Pi与对应的每个相邻空间点数据的属性相似度的方法为：最大子序列相似度计算方法、最长递增子序列相似度计算方法、最长公共子串相似度计算方法、最长公共子序列相似度计算方法和字符串编辑距离相似度计算方法。
在计算属性相似度时，可以预先对多源空间点数据进行分析，获取不同源数据的各项属性信息标准，同时制定与标准数据结构件间的关系映射表。然后基于关系映射表，进行属性相似度的计算。
例如，第i空间点数据Pi为位置i的超市兴趣点；而查找到的距离相近的相邻空间点数据包括一超市兴趣点、一个学校兴趣点和一个医院兴趣点。则通过属性相似度的计算可以得知，超市兴趣点与第i空间点数据Pi的属性相似度大于指定属性相似度，而其他兴趣点的属性相似度不满足要求，则查找到的超市兴趣点，即为第i空间点数据Pi对应的相似的相邻空间点数据。由于相似的相邻空间点数据距离第i空间点数据Pi近，且两者属性相似，可认为是同一个兴趣点，相似的相邻空间点数据为第i空间点数据Pi的冗余数据，在后续步骤中剔除。
步骤7，令i＝i+1，判断i是否大于n，如果大于，则执行步骤8；如果不大于，则返回步骤5；
步骤8，从第二来源空间点数据集合中，剔除相似度列表记载的各个相邻空间点数据，得到剔除后的第二来源空间点数据集合；
剔除相似度列表记载的各个相邻空间点数据，具体为：利用FME软件中FeatureMerger方法，根据属性信息进行关联查找相对应的目标数据，关联到的点数据进行过滤剔除。
步骤9，将第一来源空间点数据集合与步骤8得到的剔除后的第二来源空间点数据集合进行数据融合，得到最终数据融合后的空间点数据集合。
本发明提供的基于多源空间点数据的数据融合处理方法，对于第一来源空间点数据集合中的每个空间点数据，首先在第二来源原始空间点数据集合中查找到距离第一来源空间点数据较近的多个第二来源空间点数据，然后再通过属性相似度的计算方法，在多个第二来源空间点数据中，筛选得到与第一来源空间点数据属性接近的第二来源空间点数据，由此得到与第一来源空间点数据冗余的第二来源空间点数据，再将第二来源空间点数据剔除，最后进行数据融合。由于本发明首先进行距离范围的筛选，然后再进行属性相似度的筛选，从而能够快速高效的对多源空间点数据进行数据融合，提高多源空间点数据融合的效率。
本发明提供的基于多源空间点数据的数据融合处理方法，该方法针对多源空间点数据，依据空间位置关系获取指定范围的不同源相邻点数据的属性信息，，通过模糊匹配算法，逐一匹配获取每一对值的相似度，通过相似度过滤多源数据中的重复数据，实现了多源空间点数据重复数据、相似数据检测、处理流程化及自动化，避免了繁琐的人工处理过程，得到符合要求的成果数据。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (4)
1.一种基于多源空间点数据的数据融合处理方法，其特征在于，包括以下步骤：
步骤1，获取两种不同源的原始空间点数据集合，分别为第一来源原始空间点数据集合和第二来源原始空间点数据集合；
步骤2，对所述第一来源原始空间点数据集合中的各个原始空间点数据进行标准化处理，得到第一来源空间点数据集合；
对所述第二来源原始空间点数据集合中的各个原始空间点数据进行标准化处理，得到第二来源空间点数据集合；所述第一来源空间点数据集合和所述第二来源空间点数据集合中的各个空间点数据，具有相同的数据标准；
步骤3，设所述第一来源空间点数据集合为P{第1空间点数据P1、第2空间点数据P2,…,第n空间点数据Pn}；其中，n为第一来源空间点数据集合中的空间点数据的数量；
所述第二来源空间点数据集合为R{第1’空间点数据R1、第2’空间点数据R2,…,第m’空间点数据Rm}；其中，m为第二来源空间点数据集合中的空间点数据的数量；
步骤4，令i＝1；
步骤5，以第i空间点数据Pi为位置中心，在第二来源空间点数据集合中进行指定距离范围内临近点要素搜索，得到距离第i空间点数据Pi指定距离范围内的Wi个相邻空间点数据，然后，将第i空间点数据Pi与对应的属于第二来源空间点数据集合的Wi个相邻空间点数据的映射关系，存入属性列表；
步骤6，计算第i空间点数据Pi与对应的每个相邻空间点数据的属性相似度，由此得到Wi个属性相似度；然后，按属性相似度降序方式，对Wi个相邻空间点数据进行排列，并筛选得到属性相似度大于指定属性相似度的Zi个相邻空间点数据；然后，将第i空间点数据Pi与对应的属于第二来源空间点数据集合的Zi个相邻空间点数据的映射关系，存入相似度列表；
步骤7，令i＝i+1，判断i是否大于n，如果大于，则执行步骤8；如果不大于，则返回步骤5；
步骤8，从第二来源空间点数据集合中，剔除相似度列表记载的各个相邻空间点数据，得到剔除后的第二来源空间点数据集合；
步骤9，将第一来源空间点数据集合与步骤8得到的剔除后的第二来源空间点数据集合进行数据融合，得到最终数据融合后的空间点数据集合。
2.根据权利要求1所述的基于多源空间点数据的数据融合处理方法，其特征在于，步骤1中，不同源的原始空间点数据集合中的原始空间点数据，通过导航数据、外业采集数据或互联网电子地图数据获取。
3.根据权利要求1所述的基于多源空间点数据的数据融合处理方法，其特征在于，步骤2中，对原始空间点数据进行标准化处理，具体为：对原始空间点数据进行分类标准化和数据结构标准化处理，形成标准统一的空间点数据。
4.根据权利要求1所述的基于多源空间点数据的数据融合处理方法，其特征在于，步骤6中，计算第i空间点数据Pi与对应的每个相邻空间点数据的属性相似度的方法为：最大子序列相似度计算方法、最长递增子序列相似度计算方法、最长公共子串相似度计算方法、最长公共子序列相似度计算方法和字符串编辑距离相似度计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911292947.3A CN111090630A (zh) | 2019-12-16 | 2019-12-16 | 基于多源空间点数据的数据融合处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911292947.3A CN111090630A (zh) | 2019-12-16 | 2019-12-16 | 基于多源空间点数据的数据融合处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111090630A true CN111090630A (zh) | 2020-05-01 |
Family
ID=70395832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911292947.3A Pending CN111090630A (zh) | 2019-12-16 | 2019-12-16 | 基于多源空间点数据的数据融合处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111090630A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666274A (zh) * | 2020-06-05 | 2020-09-15 | 北京妙医佳健康科技集团有限公司 | 数据融合方法、装置、电子设备及计算机可读存储介质 |
| CN112287055A (zh) * | 2020-11-03 | 2021-01-29 | 亿景智联(北京)科技有限公司 | 根据余弦相似度和Buffer缓冲区计算冗余POI数据的算法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040254723A1 (en) * | 2003-06-13 | 2004-12-16 | Tu Ihung S. | Display method and apparatus for arranging order of listing points of interest for navigation system |
| CN106021456A (zh) * | 2016-05-17 | 2016-10-12 | 中山大学 | 将文本和地理信息融合在局部协同排列的兴趣点推荐方法 |
| US20170004824A1 (en) * | 2015-06-30 | 2017-01-05 | Samsung Electronics Co., Ltd. | Speech recognition apparatus, speech recognition method, and electronic device |
| CN107526786A (zh) * | 2017-08-01 | 2017-12-29 | 江苏速度信息科技股份有限公司 | 基于多源数据的地名地址数据整合的方法和系统 |
| CN109947881A (zh) * | 2019-02-26 | 2019-06-28 | 广州城市规划技术开发服务部 | 一种poi判重方法、装置、移动终端及计算机可读存储介质 |
-
2019
- 2019-12-16 CN CN201911292947.3A patent/CN111090630A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040254723A1 (en) * | 2003-06-13 | 2004-12-16 | Tu Ihung S. | Display method and apparatus for arranging order of listing points of interest for navigation system |
| US20170004824A1 (en) * | 2015-06-30 | 2017-01-05 | Samsung Electronics Co., Ltd. | Speech recognition apparatus, speech recognition method, and electronic device |
| CN106021456A (zh) * | 2016-05-17 | 2016-10-12 | 中山大学 | 将文本和地理信息融合在局部协同排列的兴趣点推荐方法 |
| CN107526786A (zh) * | 2017-08-01 | 2017-12-29 | 江苏速度信息科技股份有限公司 | 基于多源数据的地名地址数据整合的方法和系统 |
| CN109947881A (zh) * | 2019-02-26 | 2019-06-28 | 广州城市规划技术开发服务部 | 一种poi判重方法、装置、移动终端及计算机可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 任兴烨: "基于FME的兴趣点要素空间位置描述", 《江西测绘》 * |
| 徐爽: "基于距离类别的多源兴趣点融合算法", 《计算机应用》 * |
| 石野 等: "基于语法树的程序相似度判定方法", 《吉林大学学报(信息科学版)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666274A (zh) * | 2020-06-05 | 2020-09-15 | 北京妙医佳健康科技集团有限公司 | 数据融合方法、装置、电子设备及计算机可读存储介质 |
| CN111666274B (zh) * | 2020-06-05 | 2023-08-25 | 北京妙医佳健康科技集团有限公司 | 数据融合方法、装置、电子设备及计算机可读存储介质 |
| CN112287055A (zh) * | 2020-11-03 | 2021-01-29 | 亿景智联(北京)科技有限公司 | 根据余弦相似度和Buffer缓冲区计算冗余POI数据的算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113434623B (zh) | 一种基于多源异构空间规划数据的融合方法 | |
| CN112541490A (zh) | 一种基于深度学习的档案影像信息结构化构建方法及装置 | |
| CN110990585B (zh) | 构建行业知识图谱的多源数据和时间序列处理方法及装置 | |
| CN102693266A (zh) | 搜索数据库的方法、生成索引结构的导航设备和方法 | |
| CN103605752A (zh) | 一种基于语义识别的地址匹配方法 | |
| CN112612863B (zh) | 一种基于中文分词器的地址匹配方法及系统 | |
| CN103714092A (zh) | 一种地理位置的搜索方法和装置 | |
| CN109933797A (zh) | 基于Jieba分词及地址词库的地理编码方法和系统 | |
| CN109947881B (zh) | 一种poi判重方法、装置、移动终端及计算机可读存储介质 | |
| CN104679827A (zh) | 一种基于大数据的公开信息关联方法及挖掘引擎 | |
| CN111090630A (zh) | 基于多源空间点数据的数据融合处理方法 | |
| CN103177189B (zh) | 一种众源位置签到数据质量分析方法 | |
| CN110457706B (zh) | 兴趣点名称选择模型训练方法、使用方法、装置及存储介质 | |
| CN114168705A (zh) | 一种基于地址要素索引的中文地址匹配方法 | |
| CN117114105B (zh) | 基于科研大数据信息的目标对象推荐方法和系统 | |
| CN114358546A (zh) | 一种造价指标收集及分析方法、装置、设备及存储介质 | |
| CN111325235B (zh) | 面向多语种的通用地名语义相似度计算方法及其应用 | |
| CN116721246B (zh) | 连续帧点云快速标注方法及系统 | |
| van Erp et al. | Georeferencing animal specimen datasets | |
| CN112905728A (zh) | 一种面向多源地名数据的高效融合与检索系统及方法 | |
| CN110688439A (zh) | 一种基于区域地理编码自动识别企业信息和分析的方法 | |
| CN114822684B (zh) | 一种化合物-靶蛋白绑定关系预测方法及系统 | |
| CN113486105B (zh) | 一种面向cim的自然资源历史业务数据整合方法及装置 | |
| CN114185875A (zh) | 一种基于云计算的大数据统一分析处理系统 | |
| CN111428063B (zh) | 基于地理空间位置划分的图像特征关联处理方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |
|
| RJ01 | Rejection of invention patent application after publication |