CN111144612B - 一种加油站位置点预测方法、装置、存储介质及终端 - Google Patents
一种加油站位置点预测方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN111144612B CN111144612B CN201911185714.3A CN201911185714A CN111144612B CN 111144612 B CN111144612 B CN 111144612B CN 201911185714 A CN201911185714 A CN 201911185714A CN 111144612 B CN111144612 B CN 111144612B
- Authority
- CN
- China
- Prior art keywords
- preset
- sample set
- data sample
- gas station
- road section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims 6
- 238000007418 data mining Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000006116 polymerization reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种加油站位置点预测方法、装置、存储介质及终端,所述方法包括:获取第一数据样本集合;根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;将所述第三样本集合输入至预设K‑means模型进行聚类运算,生成聚类结果;将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;基于所述轮廓系数预测出加油站位置的候选点。因此,采用本发明实施例,由于通过大数据挖掘来获取道路和车辆的数据进行分析来预测出需要修建的位置点,这种方式花费时间少,节省了成本,从而提高了修建加油站的效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种加油站位置点预测方法、装置、存储介质及终端。
背景技术
随着计算机技术的飞速发展,对海量位置点进行监控和管理已经成为公共交通、智能地图等领域的核心应用,如何高效地从海量位置点中找到POI(兴趣点,Point ofInterest)是本领域技术人员一直努力解决的技术问题。
近年来,随着车辆数量的快速增加和行车道路的不断扩展,在行车道路修建加油站成为了必不可少的事情。目前利用人工进行巡查的方式统计车辆数量和车辆停靠位置点以及新建行车道路,最后利用统计的数据进行加油站位置点的选址来修建加油站。这种人工统计数据来进行加油站位置点的选址花费时间长,开销较大,从而降低了修建加油站的效率。
发明内容
本发明实施例提供了一种加油站位置点预测方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本发明实施例提供了一种加油站位置点预测方法,所述方法包括:
获取第一数据样本集合;
根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;
将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;
基于所述轮廓系数预测出加油站位置的候选点。
可选的,所述获取第一数据样本集合,包括:
获取路段中间位置点;
计算所述路段中间位置点的周围车辆停靠位置点个数,生成第一数据样本集合。
可选的,所述获取路段中间位置点,包括:
获取第一路段集合;
当所述路段集合中各路段的首尾连接的直线长度和路段总长度的比值小于预设阈值时,获取所述比值小于预设阈值的路段生成第二路段集合;
获取所述第二路段集合中各路段中间的位置点;
可选的,所述基于所述轮廓系数预测出加油站位置的候选点,包括:
获取所述聚类结果对应的轮廓系数;
将所述轮廓系数进行降序排序后,将排序后的第一个聚类结果确定为预测加油站的位置点。
可选的,所述将排序后的第一个聚类结果确定为预测加油站的位置点之后,还包括:
当在预设距离内车辆数量满足预设时间内的车辆数量时,将所述预测加油站的位置点确定为目标加油站位置点。
第二方面,本发明实施例提供了一种加油站位置点预测装置,所述装置包括:
第一集合获取模块,用于获取第一数据样本集合;
第二集合获取模块,用于根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
第三集合获取模块,用于根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;
结果生成模块,用于将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
系数生成模块,用于将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;
位置点预测模块,用于基于所述轮廓系数预测出加油站位置的候选点。
可选的,所述第一集合获取模块,包括:
位置点获取单元,用于获取路段中间位置点;
集合生成单元,用于计算所述路段中间位置点的周围车辆停靠位置点个数,生成第一数据样本集合。
可选的,所述位置点获取单元,包括:
第一集合获取子单元,用于包括获取第一路段集合;
第二路段获取子单元,用于当所述路段集合中各路段的首尾连接的直线长度和路段总长度的比值小于预设阈值时,获取所述比值小于预设阈值的路段生成第二路段集合;
位置点获取子单元,用于获取所述第二路段集合中各路段中间的位置点。
可选的,所述位置点预测模块,包括:
系数获取单元,用于获取所述聚类结果对应的轮廓系数;
位置点确定单元,将所述轮廓系数进行降序排序后,将排序后的第一个聚类结果确定为预测加油站的位置点。
可选的,所述模块还包括:
位置点确定模块,用于当在预设距离内车辆数量满足预设时间内的车辆数量时,将所述预测加油站的位置点确定为目标加油站位置点。
第三方面,本发明实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本发明实施例提供一种终端,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本发明实施例提供的技术方案可以包括以下有益效果:
在本发明实施例中,首先获取第一数据样本集合,当获取到所述第一样本集合时,根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合,当获取到第二样本集合时,根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合,然后将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;当生成聚类结果时,将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数,最后基于所述轮廓系数预测出加油站位置的候选点。因此,采用本发明实施例,由于通过大数据挖掘来获取道路和车辆的数据进行分析来预测出需要修建的位置点,这种方式花费时间少,节省了成本,从而提高了修建加油站的效率。
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,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本发明实施例提供的加油站位置点预测方法的流程示意图;
图2是本发明实施例提供的另一种加油站位置点预测方法的流程示意图;
图3是本发明实施例提供的一种加油站位置点预测装置的结构示意图;
图4是本发明实施例提供的一种第一集合获取模块的结构示意图;
图5是本发明实施例提供的一种位置点获取单元的结构示意图;
图6是本发明实施例提供的一种位置点预测模块的结构示意图;
图7是本发明实施例提供的另一种加油站位置点预测装置的结构示意图;
图8是本发明实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止,利用人工进行巡查的方式统计车辆数量和车辆停靠位置点以及新建行车道路,最后利用统计的数据进行加油站位置点的选址来修建加油站。这种人工统计数据来进行加油站位置点的选址花费时间长,开销较大,从而降低了修建加油站的效率。以解决上述相关技术问题中存在的问题,本发明提供的技术方案中,由于通过大数据挖掘来获取道路和车辆的数据进行分析来预测出需要修建的位置点,这种方式花费时间少,节省了成本,从而提高了修建加油站的效率。
下面将结合附图1-附图3,对本发明实施例提供的加油站位置点预测方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的加油站位置点预测装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。其中,本发明实施例中的加油站位置点预测装置可以为用户终端,包括但不限于:个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称,例如:用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personaldigital assistant,PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1,为本发明实施例提供了一种加油站位置点预测方法的流程示意图。如图1所示,本发明实施例的所述方法可以包括以下步骤:
S101,获取第一数据样本集合;
其中,第一数据样本集合指的是路线中间点位置附近的车辆位置点,所述车辆位置点是由车辆位置的经度和维度确定的。所述路线中间点位置的确定是在全国路线数据中,根据路线的首尾直线距离和路线总长度的比值进行确定出的路线的中间的一个位置点。
在一种可能的实现方式中,首先获取全国路线的数据样本,然后统计出路线数据样本中每条路线的首尾直线距离,再统计出每条路线的总长度,然后计算统计得到的路线首尾直线距离和路线总长度的比值得到全国所有路线的曲直比,所述曲直比是直线距离和曲线距离的比值。
当得到曲直比时,统计出所述曲直比小于预设阈值0.9的路线的中间一个点进行保存,此时的预设阈值可以是0.8,也可以是0.9。具体阈值的大小可根据实际情况而定,此处不做限定。
当得到曲直比小于设定阈值0.9路线的中间位置点时,可根据所述中间位置点获取中间位置点附近的车辆位置点生成第一数据样本集合。
S102,根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
其中,DBScan模型是一个具有聚类功能的数学模型。DBSCAN是一个比较有代表性的基于密度的聚类算法,与划分和层次聚类算法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
DBSCAN聚类算法的描述如下:
a、输入:包含n个对象的样本集合,半径eps,密度参数Minpts;
b、输出:生成的所有达到密度要求的簇;
c、从样本中抽出一个未被访问的点,找出与该点在距离eps内的所有附近点;
d、将在距离eps内的所有附近点累加;
e、如果累加得到的数值≥密度参数Minpts,则当前点与其附近点形成一个簇,并且出发点被标记为已访问,然后递归,以相同的方法处理该簇内所有未被标记为已访问点,从而对簇进行扩展;
f、如果累加得到的数值<密度参数Minpts,则该点暂时被标记为噪声点;
g、用同样的算法去处理未被访问的点,直到所有的点被访问完。
其中上限参数是根据已知的加油站数据中,对车辆的停车数据进行分析后统计得到的参数,所述参数包括车辆的位置距离加油站的最大距离和车辆停靠点个数的最大距离。
具体的,首先根据已知的车辆数据,计算出每辆车的时间先后顺序、车辆的位置点坐标和每辆车的行驶速度,根据计算出的参数再计算出每辆车的停靠点。基于已知的道路上加油站数据和计算得到的每辆车的停靠点统计以下数据:
A、加油停车距离的上限,设为L,再扩大一个范围,作为加油停车距离的一个增强上限,设为LS。
B、对所有与加油距离在L以内的车辆停靠点,统计停靠时长,设置一个下限值值为T1,一个上限值为T2。
C、对所有与加油站距离在L以内的车辆停靠点,统计停靠点个数,设置一个下限值为C1,一个上限值为C2
D、对所有与加油站距离在L以内的停靠点,统计去重后的车辆个数,设置一个下限值为D1,一个上限值为D2
因此上限参数为LS和C2,以得到的上限参数作为DBScan模型上限参数对第一样本集合输入修改过的DBSCAN模型进行分类,得到噪声数据和分类后生成的簇,将噪声数据去除,将分类后生成的簇合成一个新样本,作为第二样本集合。
S103,根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;
其中,根据步骤S102可得到DBScan模型下限参数为L和C1,再执行一次DBSCAN聚类算法,是为了对剩下的位置点,也就是第二样本集合进行聚类,从而选出一个合适的聚类结果。
在一些实施例中,将第二样本集合输入修改过的DBSCAN模型进行分类,得到噪声数据和分类后生成的簇,将噪声数据去除,将分类后生成的簇合成一个新样本,作为第三样本集合。并且记录第三样本集合中的类别个数。
通过上述方法,将样本集合输入修改过的DBSCAN模型进行基于密度的聚类运算,得到不同类别的聚类结果。
S104,将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
K-means模型是一种基于样本间相似性度量的间接聚类方法,属于非监督学习方法。此方法以K为参数,把N个对象分为K个簇,以使簇内具有较高的相似度,而且簇间的相似度较低,相似度的计算根据一个簇中对象的平均值来进行。K-means算法首先随机选择k个对象,每个对象代表一个聚类的质心,对于其余的每一个对象,根据该对象与各聚类质心之间的距离,把它分配到与之最相似的聚类中,然后,计算每个聚类的新质心。重复上述过程,直到标准测度函数收敛,k-means算法是一种较典型的逐点修改迭代的动态聚类算法。
k-means算法理解容易,聚类效果不错,当处理大数据集的时候,该算法具有良好的伸缩性和高效率,当簇近似高斯分布的时候,处理效果不错,但是不适合发现非凸形状的簇或者大小差别很大的簇,也不适合簇与簇距离相近的聚类。
k-means算法的描述如下:
a、输入:参数K,包含n个对象的样本集合;
b、输出:满足方差最小标准的K个聚类;
c、随机选择K个对象,每个对象代表一个聚类的质心;
d、依据欧氏距离最小的原则将其余对象分配至最邻近的类别;
e、重新计算每个聚类的新质心;
f、重复上述过程,直到标准测度函数收敛;
g、结束,得到K个聚类结果。
通过上述方法,得到修改过的k-means模型,通过修改过的k-means模型,可以大大提高运算速度。
具体地,将第三样本集合输入修改过的k-means模型进行聚类运算,例如,第三样本集合中的类别个数为M,将K值由1到M分别运行k-means聚类运算,首先,令参数K=1进行聚类运算,得到1组聚类结果,令参数K=2进行聚类运算,得到2组聚类结果,令参数K=3进行聚类运算,得到3组聚类结果,令参数K=M进行聚类运算,得到M组聚类结果。
在一些示例性场景中,第三样本集合中的类别个数为5,将K值由1到5分别运行k-means聚类运算,首先,令参数K=1进行聚类运算,得到1组聚类结果,令参数K=2进行聚类运算,得到2组聚类结果,令参数K=3进行聚类运算,得到3组聚类结果,令参数K=4进行聚类运算,得到4组聚类结果,令参数K=5进行聚类运算,得到5组聚类结果,总共得到15组聚类结果。
通过上述方法,将样本集合输入修改过的k-means模型进行基于样本间相似性度量的间接聚类运算,得到若干组聚类结果。
S105,将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;
轮廓系数是聚类效果好坏的一种检查方式,它结合内聚度和分离度两种因素,在相同原始数据的基础上用来评价不同的算法,或者算法不同的运行方式对聚类结果产生的影响。
轮廓系数的计算过程描述:
假设我们已经通过一定算法,将待分类数据进行了聚类。得到若干组聚类结果,对于每组聚类结果中的每个向量,分别计算它们的轮廓系数。
对于其中一个向量i来说:
计算a(i)=average(i向量到所有它属于的簇中的点的平均距离),a(i)越小,说明样本i越应该被聚类到该簇;
计算b(i)=min(i向量到所有它不属于的簇中的点的平均距离),b(i)越大,说明样本i越不属于其他簇。
向量i的轮廓系数为:
所有样本的轮廓系数均值称为该聚类结果的轮廓系数,从轮廓系数公式可以看出,轮廓系数的值是介于[-1,1]。
si接近1,则说明样本i聚类合理;
si接近-1,则说明样本i更应该分类到另外的簇;
若si近似为0,则说明样本i在两个簇的边界上。
在本公开实施例中,首先修改经典轮廓系数模型,在轮廓系数模型中增加一个重复数参数,将计算样本距离的方法修改为将原有的距离乘以重复数。例如,样本中合成位置点的重复数为8,在计算a(i)和b(i)时,向量i到其他点的距离乘以重复数8。
通过上述方法,得到修改过的轮廓系数模型。
将k-means模型聚类得到的若干组聚类结果分别进行轮廓系数计算,将轮廓系数值最大的聚类结果所对应的位置点作为聚合点。例如,经k-means模型聚类得到5组聚类结果,分别计算上述5组聚类结果的轮廓系数,例如,第一组聚类结果的轮廓系数为0.5,第二组聚类结果的轮廓系数为0.9,第三组聚类结果的轮廓系数为0.1,第四组聚类结果的轮廓系数为-0.6,第五组聚类结果的轮廓系数为-0.3,选取轮廓系数值最大的聚类结果所对应的位置点作为聚合点,也就是将第二组聚类结果所对应的位置点作为聚合点。因为轮廓系数越接近1,表明该聚类结果的内聚度和分离度都相对较优。
S106,基于所述轮廓系数预测出加油站位置的候选点。
通过步骤S105可得到每个聚类结果对应的轮廓系数,利用轮廓系数评估聚类结果的聚类效果好坏,可以适配到最优的聚合点。
可选地,将聚类结果输入至预先修改的轮廓系数模型,获取聚合点,包括:
根据预先修改的轮廓系数模型对聚类结果分别计算轮廓系数,将轮廓系数值最大的聚类结果所对应的位置点作为聚合点。
具体地,k-means模型进行聚类运算会得到若干组聚类结果,每组聚类结果的效果好坏不等,计算得到的若干组聚类结果的轮廓系数,可以评价聚类结果的内聚度和分离度,从而评价聚类结果的聚类效果。
轮廓系数公式:
从轮廓系数公式可以看出,轮廓系数的值是介于[-1,1],其中,a(i)
=average(i向量到所有它属于的簇中的点的平均距离),a(i)越小,说明样本i越应该被聚类到该簇,b(i)=min(i向量到所有它不属于的簇中的点的平均距离),b(i)越大,说明样本i越不属于其他簇。因此,轮廓系数值最大的聚类结果的聚类效果越好,也就是轮廓系数值越接近1,聚类效果越好。
在一些示例性场景中,经k-means模型聚类得到5组聚类结果,分别计算上述5组聚类结果的轮廓系数,例如,第一组聚类结果的轮廓系数为0.5,第二组聚类结果的轮廓系数为0.9,第三组聚类结果的轮廓系数为0.1,第四组聚类结果的轮廓系数为-0.6,第五组聚类结果的轮廓系数为-0.3,选取轮廓系数值最大的聚类结果所对应的位置点作为聚合点,也就是将第二组聚类结果所对应的位置点作为聚合点,将此聚合点可看作预测出的加油站位置。
在本发明实施例中,首先获取第一数据样本集合,当获取到所述第一样本集合时,根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合,当获取到第二样本集合时,根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合,然后将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;当生成聚类结果时,将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数,最后基于所述轮廓系数预测出加油站位置的候选点。因此,采用本发明实施例,由于通过大数据挖掘来获取道路和车辆的数据进行分析来预测出需要修建的位置点,这种方式花费时间少,节省了成本,从而提高了修建加油站的效率。
请参见图2,为本发明实施例提供了一种加油站位置点预测方法的流程示意图。如图2所示,本发明实施例的所述方法可以包括以下步骤:
S201,获取第一路段集合,当所述路段集合中各路段的首尾连接的直线长度和路段总长度的比值小于预设阈值时,获取所述比值小于预设阈值的路段生成第二路段集合;
具体可参见步骤S101,此处不再赘述。
S202,获取所述第二路段集合中各路段中间的位置点,计算所述路段中间位置点的周围车辆停靠位置点个数,生成第一数据样本集合;
具体可参见步骤S101,此处不再赘述。
S203,根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
具体可参见步骤S102,此处不再赘述。
S204,根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;
具体可参见步骤S103,此处不再赘述。
S205,将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
具体可参见步骤S104,此处不再赘述。
S206,将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;
具体可参见步骤S105,此处不再赘述。
S207,获取所述聚类结果对应的轮廓系数,将所述轮廓系数进行降序排序后,将排序后的第一个聚类结果确定为预测加油站的位置点;
具体可参见步骤S106,此处不再赘述。
S208,当在预设距离内车辆数量满足预设时间内的车辆数量时,将所述预测加油站的位置点确定为目标加油站位置点。
根据步骤S102可得到预设距离为L,预设时间为T1到T2,车辆数量为S1到S2,当车辆数量满足在L范围和预设时间(T1~T2)范围中满足(S1~S2)范围时,确定该位置是修建加油站的位置。
在本发明实施例中,首先获取第一数据样本集合,当获取到所述第一样本集合时,根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合,当获取到第二样本集合时,根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合,然后将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;当生成聚类结果时,将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数,最后基于所述轮廓系数预测出加油站位置的候选点。因此,采用本发明实施例,由于通过大数据挖掘来获取道路和车辆的数据进行分析来预测出需要修建的位置点,这种方式花费时间少,节省了成本,从而提高了修建加油站的效率。
下述为本发明装置实施例,可以用于执行加油站位置点预测方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图3,其示出了本发明一个示例性实施例提供的加油站位置点预测的结构示意图。该加油站位置点预测装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括第一集合获取模块10、第二集合获取模块20、第三集合获取模块30、结果生成模块、系数生成模块、位置点预测模块。
第一集合获取模块10,用于获取第一数据样本集合;
第二集合获取模块20,用于根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
第三集合获取模块30,用于根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合。
结果生成模块40,用于将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
系数生成模块50,用于将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;
位置点预测模块60,用于基于所述轮廓系数预测出加油站位置的候选点。
可选的,如图4所示,所述第一集合获取模块10,包括:
位置点获取单元110,用于获取路段中间位置点;
集合生成单元120,用于计算所述路段中间位置点的周围车辆停靠位置点个数,生成第一数据样本集合。
可选的,如图5所示,所述位置点获取单元110,包括:
第一集合获取子单元1101,用于包括获取第一路段集合;
第二路段获取子单元1102,用于当所述路段集合中各路段的首尾连接的直线长度和路段总长度的比值小于预设阈值时,获取所述比值小于预设阈值的路段生成第二路段集合;
位置点获取子单元1103,用于获取所述第二路段集合中各路段中间的位置点。
可选的,如图6所示,所述位置点预测模块60,包括:
系数获取单元601,用于获取所述聚类结果对应的轮廓系数;
位置点确定单元602,将所述轮廓系数进行降序排序后,将排序后的第一个聚类结果确定为预测加油站的位置点。
可选的,如图7所示,所述模块还包括:
位置点确定模块70,用于当在预设距离内车辆数量满足预设时间内的车辆数量时,将所述预测加油站的位置点确定为目标加油站位置点。
需要说明的是,上述实施例提供的加油站位置点预测装置在执行加油站位置点预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的加油站位置点预测装置与加油站位置点预测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明实施例中,首先获取第一数据样本集合,当获取到所述第一样本集合时,根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合,当获取到第二样本集合时,根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合,然后将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;当生成聚类结果时,将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数,最后基于所述轮廓系数预测出加油站位置的候选点。因此,采用本发明实施例,由于通过大数据挖掘来获取道路和车辆的数据进行分析来预测出需要修建的位置点,这种方式花费时间少,节省了成本,从而提高了修建加油站的效率。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的加油站位置点预测方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例所述的加油站位置点预测方法。
请参见图8,为本发明实施例提供了一种终端的结构示意图。如图8所示,所述终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storagemedium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及加油站位置点预测应用程序。
在图8所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的加油站位置点预测应用程序,并具体执行以下操作:
获取第一数据样本集合;
根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;
将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;
基于所述轮廓系数预测出加油站位置的候选点。
在一个实施例中,所述处理器1001在执行所述获取第一数据样本集合时,具体执行以下操作:
获取路段中间位置点;
计算所述路段中间位置点的周围车辆停靠位置点个数,生成第一数据样本集合。
在一个实施例中,所述处理器1001在执行所述获取路段中间位置点时,具体执行以下操作:
获取第一路段集合;
当所述路段集合中各路段的首尾连接的直线长度和路段总长度的比值小于预设阈值时,获取所述比值小于预设阈值的路段生成第二路段集合;
获取所述第二路段集合中各路段中间的位置点。
在一个实施例中,所述处理器1001在执行所述基于所述轮廓系数预测出加油站位置的候选点时,具体执行以下操作:
获取所述聚类结果对应的轮廓系数;
将所述轮廓系数进行降序排序后,将排序后的第一个聚类结果确定为预测加油站的位置点。
在一个实施例中,所述处理器1001在执行所述将排序后的第一个聚类结果确定为预测加油站的位置点之后,还执行以下操作:
当在预设距离内车辆数量满足预设时间内的车辆数量时,将所述预测加油站的位置点确定为目标加油站位置点。
在本发明实施例中,首先获取第一数据样本集合,当获取到所述第一样本集合时,根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合,当获取到第二样本集合时,根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合,然后将所述第三样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;当生成聚类结果时,将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数,最后基于所述轮廓系数预测出加油站位置的候选点。因此,采用本发明实施例,由于通过大数据挖掘来获取道路和车辆的数据进行分析来预测出需要修建的位置点,这种方式花费时间少,节省了成本,从而提高了修建加油站的效率。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,应该理解到,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
应当理解的是,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本发明并不局限于上面已经描述并在附图中示出的流程及结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种加油站位置点预测方法,其特征在于,所述方法包括:
获取第一数据样本集合;其中,
所述获取第一数据样本集合,包括:
获取路段中间位置点;
计算所述路段中间位置点的周围车辆停靠位置点个数,生成第一数据样本集合;
根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;
将所述第三数据样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;其中,在轮廓系数模型中增加一个重复数参数,将计算样本距离的方法修改为将原有的距离乘以重复数;
基于所述轮廓系数预测出加油站位置的候选点;
其中,所述上限参数是根据已知的加油站数据中,对车辆的停车数据进行分析后统计得到的参数,所述上限参数包括车辆的位置距离加油站的最大距离和车辆停靠点个数的最大距离。
2.根据权利要求1所述的方法,其特征在于,所述获取路段中间位置点,包括:
获取第一路段集合;
当所述路段集合中各路段的首尾连接的直线长度和路段总长度的比值小于预设阈值时,获取所述比值小于预设阈值的路段生成第二路段集合;
获取所述第二路段集合中各路段中间的位置点。
3.根据权利要求1所述的方法,其特征在于,所述基于所述轮廓系数预测出加油站位置的候选点,包括:
获取所述聚类结果对应的轮廓系数;
将所述轮廓系数进行降序排序后,将排序后的第一个聚类结果确定为预测加油站的位置点。
4.根据权利要求3所述的方法,其特征在于,所述将排序后的第一个聚类结果确定为预测加油站的位置点之后,还包括:
当在预设距离内车辆数量满足预设时间内的车辆数量时,将所述预测加油站的位置点确定为目标加油站位置点。
5.一种加油站位置点预测装置,其特征在于,所述装置包括:
第一集合获取模块,用于获取第一数据样本集合;其中,
所述第一集合获取模块,包括:
位置点获取单元,用于获取路段中间位置点;
集合生成单元,用于计算所述路段中间位置点的周围车辆停靠位置点个数,生成第一数据样本集合;
第二集合获取模块,用于根据预设DBScan模型上限参数将所述第一数据样本集合输入至预设DBScan模型中进行分类生成第二数据样本集合;
第三集合获取模块,用于根据预设DBScan模型下限参数将所述第二数据样本集合输入至预设DBScan模型中进行分类生成第三数据样本集合;
结果生成模块,用于将所述第三数据样本集合输入至预设K-means模型进行聚类运算,生成聚类结果;
系数生成模块,用于将所述聚类结果输入至预设轮廓系数模型中生成聚类结果对应的轮廓系数;其中,在轮廓系数模型中增加一个重复数参数,将计算样本距离的方法修改为将原有的距离乘以重复数;
位置点预测模块,用于基于所述轮廓系数预测出加油站位置的候选点;其中,
所述上限参数是根据已知的加油站数据中,对车辆的停车数据进行分析后统计得到的参数,所述上限参数包括车辆的位置距离加油站的最大距离和车辆停靠点个数的最大距离。
6.根据权利要求5所述的装置,其特征在于,所述位置点获取单元,包括:
第一集合获取子单元,用于包括获取第一路段集合;
第二路段获取子单元,用于当所述路段集合中各路段的首尾连接的直线长度和路段总长度的比值小于预设阈值时,获取所述比值小于预设阈值的路段生成第二路段集合;
位置点获取子单元,用于获取所述第二路段集合中各路段中间的位置点。
7.根据权利要求5所述的装置,其特征在于,所述位置点预测模块,包括:
系数获取单元,用于获取所述聚类结果对应的轮廓系数;
位置点确定单元,将所述轮廓系数进行降序排序后,将排序后的第一个聚类结果确定为预测加油站的位置点。
8.根据权利要求7所述的装置,其特征在于,所述模块还包括:
位置点确定模块,用于当在预设距离内车辆数量满足预设时间内的车辆数量时,将所述预测加油站的位置点确定为目标加油站位置点。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~4所述任意一项的方法步骤。
10.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~4所述任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185714.3A CN111144612B (zh) | 2019-11-27 | 2019-11-27 | 一种加油站位置点预测方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185714.3A CN111144612B (zh) | 2019-11-27 | 2019-11-27 | 一种加油站位置点预测方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144612A CN111144612A (zh) | 2020-05-12 |
CN111144612B true CN111144612B (zh) | 2023-05-09 |
Family
ID=70517311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911185714.3A Active CN111144612B (zh) | 2019-11-27 | 2019-11-27 | 一种加油站位置点预测方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144612B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738319B (zh) * | 2020-06-11 | 2021-09-10 | 佳都科技集团股份有限公司 | 一种基于大规模样本的聚类结果评价方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991924A (zh) * | 2015-06-26 | 2015-10-21 | 百度在线网络技术(北京)有限公司 | 用于确定新供应点的地址的方法和装置 |
CN105163326A (zh) * | 2015-09-30 | 2015-12-16 | 南京华苏科技股份有限公司 | 一种基于无线网络话务特征的小区聚类方法和系统 |
CN109002858A (zh) * | 2018-07-23 | 2018-12-14 | 合肥工业大学 | 一种用于用户行为分析的基于证据推理的集成聚类方法 |
CN109784676A (zh) * | 2018-12-25 | 2019-05-21 | 杨鑫 | 数据分析的学习和使用方法、装置及计算机可读存储介质 |
CN110298558A (zh) * | 2019-06-11 | 2019-10-01 | 欧拉信息服务有限公司 | 车辆资源部署方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10929696B2 (en) * | 2018-04-19 | 2021-02-23 | Here Global B.V. | Method, apparatus, and system for determining a negative observation of a road feature |
-
2019
- 2019-11-27 CN CN201911185714.3A patent/CN111144612B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104991924A (zh) * | 2015-06-26 | 2015-10-21 | 百度在线网络技术(北京)有限公司 | 用于确定新供应点的地址的方法和装置 |
CN105163326A (zh) * | 2015-09-30 | 2015-12-16 | 南京华苏科技股份有限公司 | 一种基于无线网络话务特征的小区聚类方法和系统 |
CN109002858A (zh) * | 2018-07-23 | 2018-12-14 | 合肥工业大学 | 一种用于用户行为分析的基于证据推理的集成聚类方法 |
CN109784676A (zh) * | 2018-12-25 | 2019-05-21 | 杨鑫 | 数据分析的学习和使用方法、装置及计算机可读存储介质 |
CN110298558A (zh) * | 2019-06-11 | 2019-10-01 | 欧拉信息服务有限公司 | 车辆资源部署方法和装置 |
Non-Patent Citations (1)
Title |
---|
袁昊 ; 金铭 ; 邱昱 ; 李兴 ; .基于电力日志特征的DBSCAN聚类.电力信息与通信技术.2019,(第05期),第10-15页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111144612A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919957B (zh) | 处理数据的方法及装置 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN112863172B (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN112948951B (zh) | 建筑模型创建方法与装置、处理服务器 | |
CN111291715B (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
CN113722409A (zh) | 空间关系的确定方法、装置、计算机设备及存储介质 | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN111507479A (zh) | 特征分箱方法、装置、设备及计算机可读存储介质 | |
CN109636020A (zh) | 一种预测目的地地址的方法及系统 | |
CN111144612B (zh) | 一种加油站位置点预测方法、装置、存储介质及终端 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN108806254B (zh) | 城市交通走廊的识别方法、装置及计算机可读存储介质 | |
CN107798450B (zh) | 业务分配方法和装置 | |
CN111221827B (zh) | 基于图形处理器的数据库表连接方法、装置、计算机设备和存储介质 | |
KR101350782B1 (ko) | 데이터 샘플링 방법 및 장치 | |
CN117094242A (zh) | 浓度预测方法、装置、电子设备和计算机可读存储介质 | |
CN108133234B (zh) | 基于稀疏子集选择算法的社区检测方法、装置及设备 | |
CN115774854A (zh) | 一种文本分类方法、装置、电子设备和存储介质 | |
CN113724493B (zh) | 一种流量通道的分析方法、装置、存储介质及终端 | |
CN115146478A (zh) | 基于优化算法的行驶工况构建方法、装置及相关设备 | |
CN115830870A (zh) | 收费站数据处理方法、装置、计算机设备和存储介质 | |
CN113658338A (zh) | 点云树木单体分割方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |