CN111412925A - 一种poi位置的纠错方法及装置 - Google Patents
一种poi位置的纠错方法及装置 Download PDFInfo
- Publication number
- CN111412925A CN111412925A CN201910016159.5A CN201910016159A CN111412925A CN 111412925 A CN111412925 A CN 111412925A CN 201910016159 A CN201910016159 A CN 201910016159A CN 111412925 A CN111412925 A CN 111412925A
- Authority
- CN
- China
- Prior art keywords
- poi
- target
- text
- geographic grid
- determining
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种POI位置的纠错方法及装置,涉及地图处理技术领域,主要目的在于提高POI位置纠错的准确性;主要技术方案包括:将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格;基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签;根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型;基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格;基于所述目标地理网格对所述POI的位置进行纠错。
Description
技术领域
本发明涉及地图处理技术领域,特别是涉及一种POI位置的纠错方法及装置。
背景技术
电子地图由于具有路线规划、查询目的地、查询所处位置等功能,因此已经成为人们很重要的出行工具。电子地图数据中包括有大量的POI(Point of Interest,兴趣点),这些POI通常反映真实社会中商铺、景点、建筑、道路等地理实体,这些POI可以用于支持路线规划、查询目的地等功能。在电子地图后期维护时,为了保证POI位置正确,需要对POI的位置进行纠错,以便使电子地图中的POI均能反应出真实的地理实体所在的位置。
目前,对POI位置进行纠错时通常将POI的名称/地址等文本信息进行分词处理得到分词,然后根据分词与电子地图数据库中的文本进行匹配,从而锁定POI在电子地图数据库中对应的文本,然后将锁定文本对应的位置锁定POI在电子地图中的位置,并根据锁定的位置进行纠错。但是分词在一定程度上并不能真实反映出POI的文本信息,在根据分词与电子地图数据库中的文本进行匹配时,会出现匹配不上或匹配偏差的情况,导致锁定POI在电子地图数据库中对应的文本不准确,使得POI在电子地图中的位置不准确,从而导致对POI的位置进行纠错的准确性较低。
发明内容
有鉴于此,本发明提出了一种POI位置的纠错方法及装置,主要目的在于提高POI位置纠错的准确性。
第一方面,本发明提供了一种POI位置的纠错方法,该方法包括:
将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格;
基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签;
根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型;
基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格;
基于所述目标地理网格对所述POI的位置进行纠错。
第二方面,本发明提供了一种POI位置的纠错装置,该装置包括:
划分单元,用于将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格;
第一确定单元,用于基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签;
建立单元,用于根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型;
第二确定单元,用于基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格;
纠错单元,用于基于所述目标地理网格对所述POI的位置进行纠错。
第三方面,本发明提供了一种存储介质,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行如第一方面中任意一项所述的POI位置的纠错方法。
第四方面,本发明提供了一种电子设备,所述电子设备包括:存储介质和处理器;
所述处理器,适于实现各指令;
所述存储介质,适于存储多条指令;
所述指令适于由所述处理器加载并执行如第一方面中任意一项所述的POI位置的纠错方法。
借由上述技术方案,本发明提供的POI位置的纠错方法及装置,将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格,然后基于各个地理网格的位置信息确定各个地理网格的分类标签。根据各个地理网格的分类标签以及文本信息建立文本分类模型。在需要对待纠错的POI进行位置纠错时,基于文本分类模型以及POI的文本信息确定POI对应的目标地理网格,并基于目标地理网格对POI的位置进行纠错。通过上述可知,在本发明提供的方案中文本分类模型综合了分类标签和文本信息之间的关联特征,通过文本分类模型可以准确的确定出POI对应的目标地理网格,在基于目标地理网格对POI的位置进行纠错的准确性较高。因此,本发明提供的方案可以提高POI位置纠错的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明一个实施例提供的一种POI位置的纠错方法的流程图;
图2示出了本发明另一个实施例提供的一种POI位置的纠错方法的流程图;
图3示出了本发明一个实施例提供的一种POI位置的纠错装置的结构示意图;
图4示出了本发明另一个实施例提供的一种POI位置的纠错装置的结构示意图。
具体实施方式
下面将参照附图更加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。
如图1所示,本发明实施例提供了一种POI位置的纠错方法,该方法主要包括:
101、将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格。
具体的,地理区域可以为电子地图中的至少部分区域。地理区域所覆盖的范围可以根据业务要求确定。可选的,地理区域是电子地图中至少一个行政区域对应的区域;或,地理区域是电子地图中的一个行政区域中的至少部分区域;或,地理区域为至少两个行政区域中的至少部分区域,且至少部分区域包括至少两个行政区域重叠的区域。需要说明的是,行政区域可以包括但不限于国家、省、市、县、区、村、街道、小区。
具体的,层级数可以根据业务要求确定。需要说明的是,在实际应用中不同的层级可以具有相同类型的网格划分规则或不同类型的网格划分规则。可选的,网格划分规则的类型可以包括但不限于如下几种:第一种,根据行政区域划分。比如,按照省市区县划分。第二种,根据道路走势划分。第三种,根据预设步长或半径划分。
在不同的层级具有不同类型的网格划分规则时,举例说明:层级数为2,地理区域为A。第一层级对应的网格划分规则按照行政区域划分,地理区域A的第一层级划分为两个地理网格A1、A2。第二层级对应的网格划分规则按照预设的步长划分,第二层级中A1划分为10个地理网格以及A2划分为20个地理网格。
在不同的层级具有相同类型的网格划分规则时,举例说明:层级数为2,地理区域为B。第一层级对应的网格划分规则为按照行政区域“省”划分,地理区域B的第一次层级划分为两个地理网格B1、B2。第二层级对应的划分规则为按照行政区域“市”划分,第二层级中B1划分为5个地理网格以及B2划分为15个地理网格。
需要说明的是,无论不同的层级具有相同类型的网格划分规则还是不同类型的网格划分规则,上一层级划分出的地理网格的总量小于下一层级划分出的地理网格的总量。在不同的层级具有相同类型的网格划分规则时,上一层级的网格划分规则中的划分单位一定大于下一层级中的划分单位。举例说明:在网格划分规则为行政区域划分时,划分单位为国家、省、市、县、区、村、街道、小区,从最顶层级到最底层级的划分单位依次为国家、省、市、县、区、村、街道、小区。
102、基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签。
具体的,位置信息为地理网格对应的坐标范围,该坐标范围可以为经纬度坐标范围。
具体的,在确定地理网格的分类标签时,基于每一个地理网格自身对应的位置信息确定各个地理网格的分类标签。分类标签的确定方法可以包括但不限于如下两种:第一种,将各个地理网格自身对应的位置信息分别确定为各个地理网格自身的分类标签。第二种,将各个地理网格对应的位置信息添加到预设的格式内,形成各个地理网格的分类标签。比如,预设格式为:标号+位置信息。
需要说明的是,由于地理网格的分类标签是基于地理网格的位置信息确定的,因此分类标签可以真实的体现出地理网格在电子地图中所处的位置。
103、根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型。
具体的,文本信息包括POI的名称和/或地址文本。一个地理网格的文本信息就为该地理网格内包括的所有POI的名称和/或地址文本。
具体的,根据每一个地理网格的分类标签以及文本信息建立文本分类模型的过程可以包括:将各个地理网格对应的各个文本转化为词向量集合,然后利用预设的深度学习算法确定词向量集合中各个词向量与各个分类标签的对应关系,得到文本分类模型。
具体的,深度学习算法可以根据业务要求确定。可选的,深度学习算法可以包括但不限于双向长短期记忆网络BiLSTM、卷积神经网络CNN、分类器softmax中的任意一种。举例说明:在预设的深度学习算法为CNN时,根据每一个地理网格的分类标签以及文本信息建立文本分类模型可以包括:将各个地理网格对应的各个文本转化为词向量集合,然后利用CNN通过卷积神经网络的卷积层、池化层转换成训练网络参数,确定词向量集合中各个词向量与各个分类标签的对应关系,得到文本分类模型。需要说明的是,每次得到训练后的卷积神经网络时,计算该卷积神经网络对应的损失值,并判断损失值是否低于预设的阈值;若低于阈值,则确定卷积神经网络收敛,保存卷积神经网络的参数生成文本分类模型。若不低于阈值,则说明卷积神经网络未收敛,则重新进行训练,直到训练后的卷积神经网络的损失值低于预设阈值为止。
需要说明的是,由于文本分类模型是根据每一个地理网格的分类标签以及文本信息建立的,因此,文本分类模型可以构建出每一个分类标签对应的文本特征,文本分类模型涵盖了广泛的文本特征,文本分类模型的鲁棒性较强。
104、基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格。
具体的,这里所说的POI为待纠错的POI。POI的文本信息中包括POI的名称和/或地址文本。
具体的,将POI的文本信息中的名称和/或地址文本输入到文本分类模型中。基于文本分类模型中的各个词向量与各个分类标签的对应关系,确定POI的文本对应的各个分类标签以及每一个分类标签对应的分值,将分值最高的分类标签确定为目标分类标签,将目标分类标签对应的地理网格确定为目标地理网格。
需要说明的是,由于POI对应的目标地理网格是基于文本分类模型以及POI的文本信息确定的,因此目标地理网格确定的较为准确。
105、基于所述目标地理网格对所述POI的位置进行纠错。
具体的,对POI的位置纠错的过程实际上就是确定电子地图中POI的位置与POI的真实位置是否一致的过程。
具体的,在基于目标地理网格对POI的位置进行纠错时,首先要获取到POI的真实位置信息,然后根据目标地理网格的位置信息以及POI的真实位置信息对POI的位置进行纠错。需要说明的是,POI的真实位置信息可以通过如下两种方式获取:第一种,POI的真实位置信息从地理测绘权威部门的地理数据中获取。第二种,从应用软件对应的数据库中获取,该应用软件在执行操作时可以获取到POI的位置信息,获取到的位置信息存储在数据库中。比如,支付宝在执行支付操作时,将支付地点对应的POI的名称以及位置信息发送到数据库中存储。
具体的,基于所述目标地理网格对所述POI的位置进行纠错可以包括:判断目标地理网格的位置信息是否包括POI的位置信息。若包括,则确定在电子地图中POI的位置正确,不需要对POI的位置进行纠正。若不包括,则确定在电子地图中POI的位置错误,需要将POI的位置纠正到与POI的位置信息对应的位置上去。
本发明实施例提供的POI位置的纠错方法,将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格,然后基于各个地理网格的位置信息确定各个地理网格的分类标签。根据各个地理网格的分类标签以及文本信息建立文本分类模型。在需要对待纠错的POI进行位置纠错时,基于文本分类模型以及POI的文本信息确定POI对应的目标地理网格,并基于目标地理网格对POI的位置进行纠错。通过上述可知,在本发明实施例提供的方案中文本分类模型综合了分类标签和文本信息之间的关联特征,通过文本分类模型可以准确的确定出POI对应的目标地理网格,在基于目标地理网格对POI的位置进行纠错的准确性较高。因此,本发明实施例提供的方案可以提高POI位置纠错的准确性。
进一步的,根据图1所示的方法,本发明的另一个实施例还提供了一种POI位置的纠错方法,如图2所示,所述方法主要包括:
201、将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格。
具体的,地理网格的具体划分方法与步骤101中的方法基本相同,因此本步骤中将不再赘述。
202、基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签。
具体的,每一个地理网格的分类标签确定方法与上述步骤102中的方法基本相同,因此本步骤中将不再赘述。
203、从所述文本信息中提取至少一个训练文本以及确定所述至少一个训练文本对应的至少一个分类标签。
具体的,地理网格对应的文本信息为地理网格中所有POI的名称和/或地址文本。首先对各个文本信息进行分词处理得到若干个待选文本,然后将若干各待选文本的至少部分或全部提取为训练文本。根据文本信息与分类标签的对应关系,确定出每一个训练文本分别对应的分类标签。
204、确定所述至少一个训练文本对应的至少一个文本向量。
具体的,通过预设的词向量模型确定出每一个训练文本分别对应的文本向量。其中,词向量模型可以根据业务要求确定。可选的,词向量模型为word2vec模型。
205、基于所述至少一个训练文本对应的所述至少一个文本向量以及所述至少一个分类标签,根据预设的深度学习算法建立文本分类模型。
具体的,深度学习算法可以根据业务要求确定。可选的,深度学习算法可以包括但不限于双向长短期记忆网络BiLSTM、卷积神经网络CNN、分类器softmax中的任意一种。
具体的,在预设的深度学习算法为CNN时,利用CNN通过卷积神经网络的卷积层、池化层将至少一个文本向量以及至少一个分类标签训练网络参数,确定各个文本向量与各个分类标签的对应关系,得到文本分类模型。需要说明的是,每次得到训练后的卷积神经网络时,计算该卷积神经网络对应的损失值,并判断损失值是否低于预设的阈值;若低于阈值,则确定卷积神经网络收敛,保存卷积神经网络的参数生成文本分类模型。若不低于阈值,则说明卷积神经网络未收敛,则重新进行训练,直到训练后的卷积神经网络的损失值低于预设阈值为止。
需要说明的是,文本分类模型可以体现文本信息中字与字之间的关联特征,可以对POI的文本信息进行准确的分析和匹配,以便在后续确定POI的目标地理网格时,可以准确的确定出目标地理网格。
206、测试所述文本分类模型。若所述文本分类模型测试通过,执行207;否则,执行211。
具体的,为了保证文本分类模型可以准确的对POI的位置进行纠错,在利用文本分类模型对POI位置进行纠错之前需要对文本分类模型进行测试,只有在文本分类模型测试通过时才可以利用文本分类模型对POI进行位置纠错。
具体的,测试文本分类模型的方法可以包括:确定至少一个测试样本POI,每一个测试样本POI分别具有已验证的地理网格。针对每一个所述测试样本POI分别执行:基于文本分类模型以及测试样本POI的文本信息,确定测试样本POI的目标地理网格;判断目标地理网格与测试样本POI的已验证地理网格是否一致;若一致,标记测试样本POI。在所有的测试样本POI均执行完测试时,确定被标记测试样本POI的总量与测试样本POI的总量的比值;判断比值是否达到预设的阈值,若是,确定文本分类模型的测试通过;否则,确定文本分类模型测试未通过,则告警,以使业务人员根据告警及时对文本分类模型进行调整。
207、若所述文本分类模型测试通过,则基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格。
具体的,所述104基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格的方法至少包括如下两种:
第一种,所述104基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格,包括:利用所述文本分类模型在预设的第一层级确定出所述POI的文本信息对应的所有分类标签以及对应的每一个所述分类标签的分值;将分值最高的分类标签对应的地理网格确定为所述POI对应的目标地理网格。
具体的,预设的第一层级可以根据业务要求确定。可选的,第一层级可以为任一层级,比如,最底层级、最顶层级以及最底层级与最顶层级之间的任意一个层级。由于第一层级可以根据业务要求任意确定,因此业务适用较强,业务应用较为灵活。
具体的,举例说明:第一层级为最底层级,则在最底层级确定出POI的文本信息对应的所有分类标签以及对应的每一个分类标签分值,由于分值最高的分类标签对应的地理网格中包括POI的位置信息的概率最大,因此将分值最高的分类标签对应的地理网格确定为POI对应的目标地理网格。
第二种,所述104基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格,包括:利用所述文本分类模型在最顶层级确定所述POI的文本信息对应的第一目标分类标签;所述最顶层级的每一个所述地理网格不存在对应的上一层级的地理网格;由最顶层级开始向下逐层查找所述POI对应的第二目标分类标签,直至查找到预设的第二层级;所述第二目标分类标签对应的地理网格是所述第一目标分类标签对应的地理网格划分出的;将所述第一目标分类标签对应的地理网格以及逐层查找的第二目标分类标签对应的地理网格均确定为所述目标地理网格。
具体的,预设的第二层级可以根据业务要求确定。可选的,第二层级可以为任一层级,比如,最底层级、最顶层级以及最底层级与最顶层级之间的任意一个层级。由于第二层级可以根据业务要求任意确定,因此业务适用较强,业务应用较为灵活。
具体的,举例说明:地理区域A被划分为3个层级,从最顶层级到最底层级分别为1层级、2层级以及3层级。1层级包括A1、A2两个第一地理网格。2层级包括A1划分成的A11~A12五个地理网格、A2划分成的A21~A23三个地理网格。3层级包括A11划分成的A111~A1110十个地理网格、A12划分成的A121~A125五个地理网格,A21划分成的A211~A215五个地理网格、A22划分成的A221~A213三个地理网格、A23划分成的A231~A236六个地理网格。第二层级为3层级。利用文本分类模型在最顶层级“1层级”确定POI的文本信息对应的第一目标分类标签。由最顶层级“1层级”开始向下逐层(先在2层级查找然后再在3层级查找)查找POI对应的第二目标分类标签,直至查找到预设的第二层级。查找的第二目标分类标签对应的地理网格A11、A111是第一目标分类标签对应的地理网格A1划分出的;将第一目标分类标签对应的地理网格A1以及逐层查找的第二目标分类标签对应的地理网格A11、A111均确定为目标地理网格。可见,由于查找的目标地理网格可以包括若干层级中的地理网格,因此查找的较为全面,可以更为准确的地位出POI在电子地图中的位置。
208、判断所述目标地理网格的位置信息是否包括所述POI的位置信息;若是,执行212;否则,执行209。
具体的,判断目标地理网格的位置信息是否包括POI的位置信息的过程实际上就是判断目标地理网格的经纬度坐标范围内是否包括POI的经纬度坐标。如果包括,则说明在电子地图中POI的位置与POI的真实位置一致,POI的位置正确不需要纠错,执行212。如果不包括,则说明在电子地图中POI的位置与POI的真实位置不一致,POI的位置错误需要将POI在电子地图中的位置纠正到POI的真实位置,执行209。
209、基于所述POI的位置信息确定所述POI的位置的错误程度。
具体的,基于POI的位置信息确定POI的位置的错误程度,以便对不同的错误程度进行不同的错误处理,从而更有针对性的对POI位置进行纠错。
具体的,基于所述POI的位置信息确定所述POI的位置的错误程度可以包括:基于所述POI的位置信息确定所述POI对应的正确地理网格;所述正确地理网格和所述目标地理网格处于同一层级;由所述正确地理网格和所述目标地理网格处于的层级开始向上逐层查找目标层级;在所述目标层级中所述正确地理网格和所述目标地理网格包括在两个不同地理网格中;确定所述正确地理网格以及目标地理网格所处层级与所述目标层级之间的层级差;根据预设的至少一个样本层级差与至少一个错误程度的对应关系,确定所述层级差对应的目标错误程度,并将所述目标错误程度标识为所述POI的位置的错误程度。
具体的,根据POI的位置信息确定出POI对应的正确地理网格,正确地理网格对应坐标范围中包括POI的坐标。
210、基于所述错误程度将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格,并结束当前流程。
具体的,不同的错误程度可以对应不同的纠错方案。在基于错误程度将POI由目标地理网格修正到POI位置信息对应的地理网格时,可以根据错误程度对应的纠错方案进行。
具体的,纠错方案可以包括但不限于如下几种:第一种,记录POI的目标地理网格,然后直接将POI修正到POI的位置信息对应的位置上。该种方法适用于错误程度较低的情况。第二种,记录POI的目标地理网格,发出错误报告,其中错误报告中携带有POI在目标地理网格中的位置信息以及POI的位置信息,以使业务人员根据错误报告了解到该POI的位置。在接收针对错误报告的纠错指令时,将POI修正到POI的位置信息对应的位置上。该种方法适用于错误程度较高的情况。
211、若所述文本分类模型测试未通过,则告警。
具体的,告警的目的是使业务人员根据告警及时对文本分类模型进行调整修改,以便可以尽快的得到合格的文本分类模型。
212、确定POI的位置正确。
具体的,在判断目标地理网格的位置信息包括POI的位置信息时,说明,电子地图中POI的位置与POI的真实位置一致,在电子地图中POI的位置无错。
进一步的,依据上述方法实施例,本发明的另一个实施例还提供了一种POI位置的纠错装置,如图3所示,所述装置包括:
划分单元31,用于将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格;
第一确定单元32,用于基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签;
建立单元33,用于根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型;
第二确定单元34,用于基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格;
纠错单元35,用于基于所述目标地理网格对所述POI的位置进行纠错。
本发明实施例提供的POI位置的纠错装置,通过文本分类模型确定POI对应的目标地理网格,由于文本分类模型综合了分类标签和文本信息之间的关联特征,因此根据文本分类模型可以准确的确定出POI对应的目标地理网格,从而基于目标地理网格对POI的位置进行纠错的准确性较高。因此,本发明实施例提供的方案可以提高POI位置纠错的准确性。
可选的,如图4所示,所述纠错单元35可以包括:
判断子单元351,用于判断所述目标地理网格的位置信息是否包括所述POI的位置信息;若否,触发纠错子单元352;
所述纠错子单元352,用于在所述判断子单元的触发下,确定所述POI的位置错误,将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格。
可选的,如图4所示,所述纠错子单元352可以包括:
确定模块3521,用于基于所述POI的位置信息确定所述POI的位置的错误程度;
纠错模块3522,用于基于所述错误程度将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格。
可选的,如图4所示,所述确定模块3521可以包括:
第一确定子模块35211,用于基于所述POI的位置信息确定所述POI对应的正确地理网格;所述正确地理网格和所述目标地理网格处于同一层级;
查找子模块35212,用于由所述正确地理网格和所述目标地理网格处于的层级开始向上逐层查找目标层级;在所述目标层级中所述正确地理网格和所述目标地理网格包括在两个不同地理网格中;
第二确定子模块35213,用于确定所述正确地理网格以及目标地理网格所处层级与所述目标层级之间的层级差;
第三确定子模块35214,用于根据预设的至少一个样本层级差与至少一个错误程度的对应关系,确定所述层级差对应的目标错误程度,并将所述目标错误程度标识为所述POI的位置的错误程度。
可选的,如图4所示,所述第二确定单元34可以包括:
第二确定模块341,用于利用所述文本分类模型在预设的第一层级确定出所述POI的文本信息对应的所有分类标签以及对应的每一个所述分类标签的分值;
第三确定模块342,用于将分值最高的分类标签对应的地理网格确定为所述POI对应的目标地理网格。
可选的,如图4所示,所述第二确定单元34可以包括:
第四确定模块343,用于利用所述分类模型在最顶层级确定所述POI的文本信息对应的第一目标分类标签;所述最顶层级的每一个所述地理网格不存在对应的上一层级的地理网格;
查找模块344,用于由最顶层级开始向下逐层查找所述POI对应的第二目标分类标签,直至查找到预设的第二层级;所述第二目标分类标签对应的地理网格是所述第一目标分类标签对应的地理网格划分出的;
第五确定模块345,用于将所述第一目标分类标签对应的地理网格以及逐层查找的第二目标分类标签对应的地理网格均确定为所述目标地理网格。
可选的,如图4所示,所述建立单元33可以包括:
提取模块331,用于从所述文本信息中提取至少一个训练文本以及所述至少一个训练文本对应的至少一个分类标签;
第六确定模块332,用于确定所述至少一个训练文本对应的至少一个文本向量;
建立模块333,用于基于所述至少一个训练文本对应的所述至少一个文本向量以及所述至少一个分类标签,根据预设的深度学习算法建立文本分类模型。
可选的,如图4所示,该POI位置的纠错装置还可以包括:
测试单元36,用于测试所述建立单元建立的所述文本分类模型;若所述文本分类模型测试通过,触发所述第二确定单元34。
本发明实施例提供的POI位置的纠错装置中,各个功能模块运行过程中所采用的方法详解可以参见图1、图2方法实施例的对应方法详解,在此不再赘述。
进一步的,依据上述实施例,本发明的另一个实施例还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行如上所述的POI位置的纠错方法。
进一步的,依据上述实施例,本发明的另一个实施例还提供了一种电子设备,所述电子设备包括:存储介质和处理器;
所述处理器,适于实现各指令;
所述存储介质,适于存储多条指令;
所述指令适于由所述处理器加载并执行如上所述的POI位置的纠错方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
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。
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基于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,本发明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发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
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,本发明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,在上面对本发明的示例性实施例的描述中,本发明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:即所要求保护的本发明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发明的单独实施例。
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,尽管在此所述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发明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。
本发明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)来实现根据本发明实施例的深度神经网络模型的运行方法、装置及框架中的一些或者全部部件的一些或者全部功能。本发明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)。这样的实现本发明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发明进行说明而不是对本发明进行限制,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。本发明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POI位置的纠错方法,其特征在于,包括:
将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格;
基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签;
根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型;
基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格;
基于所述目标地理网格对所述POI的位置进行纠错。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标地理网格对所述POI的位置进行纠错,包括:
判断所述目标地理网格的位置信息是否包括所述POI的位置信息;
若否,确定所述POI的位置错误,将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格。
3.根据权利要求2所述的方法,其特征在于,所述确定所述POI的位置错误,将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格,包括:
基于所述POI的位置信息确定所述POI的位置的错误程度;
基于所述错误程度将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格。
4.根据权利要求2所述的方法,其特征在于,所述基于所述POI的位置信息确定所述POI的位置的错误程度,包括:
基于所述POI的位置信息确定所述POI对应的正确地理网格;所述正确地理网格和所述目标地理网格处于同一层级;
由所述正确地理网格和所述目标地理网格处于的层级开始向上逐层查找目标层级;在所述目标层级中所述正确地理网格和所述目标地理网格包括在两个不同地理网格中;
确定所述正确地理网格以及所述目标地理网格所处层级与所述目标层级之间的层级差;
根据预设的至少一个样本层级差与至少一个错误程度的对应关系,确定所述层级差对应的目标错误程度,并将所述目标错误程度标识为所述POI的位置的错误程度。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格,包括:
利用所述文本分类模型在预设的第一层级确定出所述POI的文本信息对应的所有分类标签以及对应的每一个所述分类标签的分值;
将分值最高的分类标签对应的地理网格确定为所述POI对应的目标地理网格。
6.根据权利要求1-4中任一所述的方法,其特征在于,所述基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格,包括:
利用所述分类模型在最顶层级确定所述POI的文本信息对应的第一目标分类标签;所述最顶层级的每一个所述地理网格不存在对应的上一层级的地理网格;
由最顶层级开始向下逐层查找所述POI对应的第二目标分类标签,直至查找到预设的第二层级;所述第二目标分类标签对应的地理网格是所述第一目标分类标签对应的地理网格划分出的;
将所述第一目标分类标签对应的地理网格以及逐层查找的第二目标分类标签对应的地理网格均确定为所述目标地理网格。
7.根据权利要求1-4中任一所述的方法,其特征在于,所述根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型,包括:
从所述文本信息中提取至少一个训练文本以及所述至少一个训练文本对应的至少一个分类标签;
确定所述至少一个训练文本对应的至少一个文本向量;
基于所述至少一个训练文本对应的所述至少一个文本向量以及所述至少一个分类标签,根据预设的深度学习算法建立文本分类模型。
8.根据权利要求1-4中任一所述的方法,其特征在于,在所述根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型之后,该方法还包括:
测试所述文本分类模型;
若所述文本分类模型测试通过,执行所述基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格。
9.一种POI位置的纠错装置,其特征在于,包括:
划分单元,用于将预设的地理区域以预设的层级数逐层划分为若干不同层级的地理网格;
第一确定单元,用于基于每一个所述地理网格的位置信息分别确定每一个所述地理网格的分类标签;
建立单元,用于根据每一个所述地理网格的分类标签以及文本信息建立文本分类模型;
第二确定单元,用于基于所述文本分类模型以及POI的文本信息,确定所述POI对应的目标地理网格;
纠错单元,用于基于所述目标地理网格对所述POI的位置进行纠错。
10.根据权利要求9所述的装置,其特征在于,所述纠错单元包括:
判断子单元,用于判断所述目标地理网格的位置信息是否包括所述POI的位置信息;若否,触发纠错子单元;
所述纠错子单元,用于在所述判断子单元的触发下,确定所述POI的位置错误,将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格。
11.根据权利要求10所述的装置,其特征在于,所述纠错子单元包括:
确定模块,用于基于所述POI的位置信息确定所述POI的位置的错误程度;
纠错模块,用于基于所述错误程度将所述POI由所述目标地理网格修正到所述POI的位置信息对应的地理网格。
12.根据权利要求10所述的装置,其特征在于,所述确定模块包括:
第一确定子模块,用于基于所述POI的位置信息确定所述POI对应的正确地理网格;所述正确地理网格和所述目标地理网格处于同一层级;
查找子模块,用于由所述正确地理网格和所述目标地理网格处于的层级开始向上逐层查找目标层级;在所述目标层级中所述正确地理网格和所述目标地理网格包括在两个不同地理网格中;
第二确定子模块,用于确定所述正确地理网格以及所述目标地理网格所处层级与所述目标层级之间的层级差;
第三确定子模块,用于根据预设的至少一个样本层级差与至少一个错误程度的对应关系,确定所述层级差对应的目标错误程度,并将所述目标错误程度标识为所述POI的位置的错误程度。
13.根据权利要求9-12中任一所述的装置,其特征在于,所述第二确定单元包括:
第二确定模块,用于利用所述文本分类模型在预设的第一层级确定出所述POI的文本信息对应的所有分类标签以及对应的每一个所述分类标签的分值;
第三确定模块,用于将分值最高的分类标签对应的地理网格确定为所述POI对应的目标地理网格。
14.根据权利要求9-12中任一所述的装置,其特征在于,所述第二确定单元包括:
第四确定模块,用于利用所述分类模型在最顶层级确定所述POI的文本信息对应的第一目标分类标签;所述最顶层级的每一个所述地理网格不存在对应的上一层级的地理网格;
查找模块,用于由最顶层级开始向下逐层查找所述POI对应的第二目标分类标签,直至查找到预设的第二层级;所述第二目标分类标签对应的地理网格是所述第一目标分类标签对应的地理网格划分出的;
第五确定模块,用于将所述第一目标分类标签对应的地理网格以及逐层查找的第二目标分类标签对应的地理网格均确定为所述目标地理网格。
15.根据权利要求9-12中任一所述的装置,其特征在于,所述建立单元包括:
提取模块,用于从所述文本信息中提取至少一个训练文本以及所述至少一个训练文本对应的至少一个分类标签;
第六确定模块,用于确定所述至少一个训练文本对应的至少一个文本向量;
建立模块,用于基于所述至少一个训练文本对应的所述至少一个文本向量以及所述至少一个分类标签,根据预设的深度学习算法建立文本分类模型。
16.根据权利要求9-12中任一所述的装置,其特征在于,该装置还包括:
测试单元,用于测试所述建立单元建立的所述文本分类模型;若所述文本分类模型测试通过,触发所述第二确定单元。
17.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行如权利要求1至8中任意一项所述的POI位置的纠错方法。
18.一种电子设备,其特征在于,所述电子设备包括:存储介质和处理器;
所述处理器,适于实现各指令;
所述存储介质,适于存储多条指令;
所述指令适于由所述处理器加载并执行如权利要求1至8中任意一项所述的POI位置的纠错方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016159.5A CN111412925B (zh) | 2019-01-08 | 2019-01-08 | 一种poi位置的纠错方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016159.5A CN111412925B (zh) | 2019-01-08 | 2019-01-08 | 一种poi位置的纠错方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111412925A true CN111412925A (zh) | 2020-07-14 |
CN111412925B CN111412925B (zh) | 2023-07-18 |
Family
ID=71488750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016159.5A Active CN111412925B (zh) | 2019-01-08 | 2019-01-08 | 一种poi位置的纠错方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111412925B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807102A (zh) * | 2021-08-20 | 2021-12-17 | 北京百度网讯科技有限公司 | 建立语义表示模型的方法、装置、设备和计算机存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005338032A (ja) * | 2004-05-31 | 2005-12-08 | Matsushita Electric Ind Co Ltd | 位置情報提供装置及び位置情報利用端末装置 |
US20110235923A1 (en) * | 2009-09-14 | 2011-09-29 | Weisenburger Shawn D | Accurate digitization of a georeferenced image |
US20130222364A1 (en) * | 2012-02-29 | 2013-08-29 | Daniel Kraus | Manipulation of User Attention with Respect to a Simulated Field of View for Geographic Navigation Via Constrained Focus on, Perspective Attraction to, and/or Correction and Dynamic Adjustment of, Points of Interest |
CN103678271A (zh) * | 2012-09-10 | 2014-03-26 | 华为技术有限公司 | 一种文本校正方法及用户设备 |
CN104252489A (zh) * | 2013-06-28 | 2014-12-31 | 厦门雅迅网络股份有限公司 | 一种根据经纬度数据快速获得位置文字描述信息的方法 |
CN104813365A (zh) * | 2012-11-30 | 2015-07-29 | 高通股份有限公司 | 基于图像的室内位置确定 |
US20150260533A1 (en) * | 2014-03-14 | 2015-09-17 | Telenav, Inc. | Navigation system with error detection mechanism and method of operation thereof |
CN104951542A (zh) * | 2015-06-19 | 2015-09-30 | 百度在线网络技术(北京)有限公司 | 识别社交短文本类别的方法、分类模型训练方法及装置 |
CN105151624A (zh) * | 2015-04-30 | 2015-12-16 | 北京石油化工学院 | 仓储堆垛货物定位方法与装置 |
CN106802655A (zh) * | 2016-11-30 | 2017-06-06 | 北京贝虎机器人技术有限公司 | 室内地图生成方法及装置 |
CN107070961A (zh) * | 2016-09-30 | 2017-08-18 | 阿里巴巴集团控股有限公司 | 基于地理位置数据的热点区域确定方法及装置 |
CN108334605A (zh) * | 2018-02-01 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 文本分类方法、装置、计算机设备及存储介质 |
CN108920462A (zh) * | 2018-06-29 | 2018-11-30 | 北京奇虎科技有限公司 | 基于地图的兴趣点poi检索方法和装置 |
-
2019
- 2019-01-08 CN CN201910016159.5A patent/CN111412925B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005338032A (ja) * | 2004-05-31 | 2005-12-08 | Matsushita Electric Ind Co Ltd | 位置情報提供装置及び位置情報利用端末装置 |
US20110235923A1 (en) * | 2009-09-14 | 2011-09-29 | Weisenburger Shawn D | Accurate digitization of a georeferenced image |
US20130222364A1 (en) * | 2012-02-29 | 2013-08-29 | Daniel Kraus | Manipulation of User Attention with Respect to a Simulated Field of View for Geographic Navigation Via Constrained Focus on, Perspective Attraction to, and/or Correction and Dynamic Adjustment of, Points of Interest |
CN103678271A (zh) * | 2012-09-10 | 2014-03-26 | 华为技术有限公司 | 一种文本校正方法及用户设备 |
CN104813365A (zh) * | 2012-11-30 | 2015-07-29 | 高通股份有限公司 | 基于图像的室内位置确定 |
CN104252489A (zh) * | 2013-06-28 | 2014-12-31 | 厦门雅迅网络股份有限公司 | 一种根据经纬度数据快速获得位置文字描述信息的方法 |
US20150260533A1 (en) * | 2014-03-14 | 2015-09-17 | Telenav, Inc. | Navigation system with error detection mechanism and method of operation thereof |
CN105151624A (zh) * | 2015-04-30 | 2015-12-16 | 北京石油化工学院 | 仓储堆垛货物定位方法与装置 |
CN104951542A (zh) * | 2015-06-19 | 2015-09-30 | 百度在线网络技术(北京)有限公司 | 识别社交短文本类别的方法、分类模型训练方法及装置 |
CN107070961A (zh) * | 2016-09-30 | 2017-08-18 | 阿里巴巴集团控股有限公司 | 基于地理位置数据的热点区域确定方法及装置 |
CN106802655A (zh) * | 2016-11-30 | 2017-06-06 | 北京贝虎机器人技术有限公司 | 室内地图生成方法及装置 |
CN108334605A (zh) * | 2018-02-01 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 文本分类方法、装置、计算机设备及存储介质 |
CN108920462A (zh) * | 2018-06-29 | 2018-11-30 | 北京奇虎科技有限公司 | 基于地图的兴趣点poi检索方法和装置 |
Non-Patent Citations (4)
Title |
---|
CHING-HAO LAI; JUN-DONG CHANG: "Image based roadside POI recognition and GPS correction scheme using smart phones" * |
俞童;邓术军;钱海忠;杨清丽;: "剖分网格下顾及用户兴趣的矢量地图多尺度表达方法", 测绘学报 * |
张龙,周杨,吕亮,等: "基于概率主题模型的网络定位结果优化" * |
王勇;刘纪平;郭庆胜;罗安;: "顾及位置关系的网络POI地址信息标准化处理方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807102A (zh) * | 2021-08-20 | 2021-12-17 | 北京百度网讯科技有限公司 | 建立语义表示模型的方法、装置、设备和计算机存储介质 |
CN113807102B (zh) * | 2021-08-20 | 2022-11-01 | 北京百度网讯科技有限公司 | 建立语义表示模型的方法、装置、设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111412925B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104567906B (zh) | 一种基于北斗的城市路网车辆路径规划方法及装置 | |
US8949021B2 (en) | Probe data processing | |
US8532925B2 (en) | Spatial indexing method and apparatus for navigation system for indexing and retrieval of XML map data | |
CN104330089B (zh) | 一种利用历史gps数据进行地图匹配的方法 | |
CN110175216A (zh) | 坐标纠错方法、装置和计算机设备 | |
CN107368480B (zh) | 一种兴趣点数据错误类型定位、重复识别方法及装置 | |
CN108204819B (zh) | 一种地图数据自动检测方法和装置、及混合导航系统 | |
CN111931077B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN105869512B (zh) | 多信息的混杂度量地图建图方法和装置 | |
CN113950611B (zh) | 用于预测道路属性的方法和数据处理系统 | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
Yin et al. | A deep learning approach for rooftop geocoding | |
US11663499B2 (en) | Method, data processing apparatus and computer program product for determining road intersections | |
CN111625732A (zh) | 地址匹配方法及装置 | |
CN111412925B (zh) | 一种poi位置的纠错方法及装置 | |
CN116796044B (zh) | 一种poi数据集的数据处理方法及装置 | |
CN105845020A (zh) | 一种实景地图制作方法及装置 | |
CN105426387A (zh) | 一种基于K-means算法的地图聚合方法 | |
CN114332435A (zh) | 一种基于三维重建的图像标注方法及装置 | |
KR20060089354A (ko) | 수치지도 디스플레이 데이터의 자동 배치방법 | |
CN113032514B (zh) | 兴趣点数据处理方法及装置 | |
CN112257970A (zh) | 一种基于兴趣点大数据的城市功能区自动划分方法 | |
CN113048988B (zh) | 一种导航地图对应场景的变化元素检测方法及装置 | |
CN114661920A (zh) | 地址编码关联方法、业务数据分析方法及相应装置 | |
CN111506678B (zh) | 到达点负样本生成方法、装置与设备 |
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 |