CN111815361A - 区域边界计算方法、装置、电子设备及存储介质 - Google Patents
区域边界计算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111815361A CN111815361A CN202010663434.5A CN202010663434A CN111815361A CN 111815361 A CN111815361 A CN 111815361A CN 202010663434 A CN202010663434 A CN 202010663434A CN 111815361 A CN111815361 A CN 111815361A
- Authority
- CN
- China
- Prior art keywords
- preset value
- model
- members
- position information
- training
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 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
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0261—Targeted advertisements based on user location
-
- 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
- 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
-
- 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
- G06Q50/60—Business processes related to postal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种区域边界计算方法、装置、电子设备及存储介质。该方法包括:获取安装宽带的成员的位置信息的集合;基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界。
Description
技术领域
本申请涉及计算机网络技术领域,具体而言,涉及一种区域边界计算方法、装置、电子设备及存储介质。
背景技术
针对用户的电信营销活动已经从传统的广泛撒网方式,转化为时间和空间上的精准化操作。时间上的精准性是指实时的个性化精准化推荐,而空间上的精准性是指能够将用户定位在更精确的范围内,从而充分高效利用该精确范围内的资源对用户开展营销活动。
当前,时间维度上的精准化营销技术已经发展的较为成熟,主流的技术也已被广泛应用,主要是将基于机器学习或深度学习算法的各种推荐模型运用在实际营销场景中,但基于空间的精准化营销技术还未形成较为成熟的方法,现有的位置营销也大都基于人工划定范围开展,效率较低,且不利于高质量营销活动的开展。
传统的空间层面的营销技术通过两种手段开展,第一个是通过仪器测量各小区或单位的位置边界,然后在测量的边界范围内开展定向营销活动,第二个是基于以往在各区域的营销经验,人为划定网格进行定向营销,但根据实际的营销效果反馈,两种方式均存在如下问题:对于目标数据,即指定区域位置坐标数据和框取的营销目标对象数据,人为因素导致上传一定量假数据和大量误差数据仪器测量和人工划定的边界范围太过固定,导致营销对象圈定不灵活,且妨碍了精准化营销活动的开展。
针对上述问题,目前尚未有有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种区域边界计算方法、装置、电子设备及存储介质,可以提高边界计算的准确性。
第一方面,本申请实施例提供了一种区域边界计算方法,包括以下步骤:
获取安装宽带的成员的位置信息的集合;
基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;
根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;
调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;
根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界。
可选地,在本申请实施例所述的区域边界计算方法中,所述根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界的步骤之后,还包括:
计算所述目标模型的间隔性、紧密性、戴维斯堡丁指数和邓恩指数。
可选地,在本申请实施例所述的区域边界计算方法中,所述位置信息为经纬度坐标。
可选地,在本申请实施例所述的区域边界计算方法中,所述根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界的步骤包括:
将所述初始模型的密度半径设置为第二预设值;
将从所述集合中选取的对应数量的成员的位置信息输入所述初始模型进行训练,得到第一模型以及各个小区的基准边界。
可选地,在本申请实施例所述的区域边界计算方法中,所述根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界的步骤包括:
将所述第一模型的密度半径设置为第四预设值;
将从所述集合中选取的位置信息输入所述第一模型进行训练,得到目标模型以及对应的目标边界。
第二方面,本申请实施例还提供了一种区域边界计算装置,包括:
第一获取模块,用于获取安装宽带的成员的位置信息的集合;
第一设置模块,用于基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;
第一训练模块,用于根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;
调整模块,用于调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;
第二训练模块,用于根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界。
可选地,在本申请实施例所述的区域边界计算装置中,所述第一训练模块用于将所述初始模型的密度半径设置为第二预设值;将从所述集合中选取的对应数量的成员的位置信息输入所述初始模型进行训练,得到第一模型以及各个小区的基准边界。
可选地,在本申请实施例所述的区域边界计算装置中,所述位置信息为经纬度坐标。
第三方面,本申请实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知,本申请实施例提供的区域边界计算方法、装置通过获取安装宽带的成员的位置信息的集合;基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界;可以提高边界计算的准确性。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的区域边界计算方法的一种流程图。
图2为本申请实施例提供的区域边界计算装置的第一种结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本本申请一些实施例中的一种区域边界计算方法的流程图,该区域边界计算方法包括以下步骤:
S101、获取安装宽带的成员的位置信息的集合。
S102、基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值。
S103、根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界。
S104、调整所述密度半径为第三预设值并调整所述成员个数为第四预设值。
S105、根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界。
其中,在该步骤S101中,安装宽带的成员的位置信息以经纬度坐标的形式呈现。该集合包括预设范围内的所有已经安装宽带的人员的家庭位置信息。当然,可以理解地,在一些实施例中,对于同一经纬度的多给成员可以删除多余的仅留下一个,从而降低计算量。
其中,在该步骤S102中,该密度半径可以设置为该预设范围的半径的一半,当然,其并不限于此。该第二预设值可以根据实际情况进行设定。
其中,在该步骤S103中,将所述初始模型的密度半径设置为第二预设值;将从所述集合中选取的对应数量的成员的位置信息输入所述初始模型进行训练,得到第一模型以及各个小区的基准边界。其中,该基准边界包括多个经纬度坐标。
其中,在该步骤S104中,该第三预设值以及该第四预设值的设定基于人员总数进行设置。
其中,在该步骤S105中,将所述第一模型的密度半径设置为第四预设值;将从所述集合中选取的位置信息输入所述第一模型进行训练,得到目标模型以及对应的目标边界。目标边界包括多个经纬度坐标。
在一些实施例中,在本申请实施例所述的区域边界计算方法中,所述根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界的步骤之后,还包括:
计算所述目标模型的间隔性、紧密性、戴维斯堡丁指数和邓恩指数,通过间隔性、紧密性、戴维斯堡丁指数和邓恩指数来判断训练的效果,如果不达标,还要继续训练。
由上可知,本申请实施例通过获取安装宽带的成员的位置信息的集合;基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界;可以提高边界计算的准确性。
请参照图2,图2是本申请一些实施例中的一种区域边界计算装置的结构示意图。该区域边界计算装置包括:
第一获取模块201,用于获取安装宽带的成员的位置信息的集合;
第一设置模块202,用于基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;
第一训练模块203,用于根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;
调整模块204,用于调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;
第二训练模块205,用于根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界。
可选地,在本申请实施例所述的区域边界计算装置中,所述第一训练模块用于将所述初始模型的密度半径设置为第二预设值;将从所述集合中选取的对应数量的成员的位置信息输入所述初始模型进行训练,得到第一模型以及各个小区的基准边界。
可选地,在本申请实施例所述的区域边界计算装置中,所述位置信息为经纬度坐标。
由上可知,本申请实施例提供的区域边界计算装置通过获取安装宽带的成员的位置信息的集合;基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界;可以提高边界计算的准确性。
请参照图3,图3为本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备3,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当计算设备运行时,处理器301执行该计算机程序,以执行时执行上述实施例的任一可选的实现方式中的方法。
本申请实施例提供一种存储介质,所述计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种区域边界计算方法,其特征在于,包括以下步骤:
获取安装宽带的成员的位置信息的集合;
基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;
根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;
调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;
根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界。
2.根据权利要求1所述的区域边界计算方法,其特征在于,所述根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界的步骤之后,还包括:
计算所述目标模型的间隔性、紧密性、戴维斯堡丁指数和邓恩指数。
3.根据权利要求1所述的区域边界计算方法,其特征在于,所述位置信息为经纬度坐标。
4.根据权利要求1所述的区域边界计算方法,其特征在于,所述根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界的步骤包括:
将所述初始模型的密度半径设置为第二预设值;
将从所述集合中选取的对应数量的成员的位置信息输入所述初始模型进行训练,得到第一模型以及各个小区的基准边界。
5.根据权利要求1所述的区域边界计算方法,其特征在于,所述根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界的步骤包括:
将所述第一模型的密度半径设置为第四预设值;
将从所述集合中选取的位置信息输入所述第一模型进行训练,得到目标模型以及对应的目标边界。
6.一种区域边界计算装置,其特征在于,包括:
第一获取模块,用于获取安装宽带的成员的位置信息的集合;
第一设置模块,用于基于DBSCAN算法建立初始模型,设置密度半径为第一预设值以及成员个数的为第二预设值;
第一训练模块,用于根据第二预设值从所述集合中选取对应数量的成员的位置信息,并根据所述第一预设值以及选取的位置信息对所述初始模型进行训练,得到第一模型以及各个小区的基准边界;
调整模块,用于调整所述密度半径为第三预设值并调整所述成员个数为第四预设值;
第二训练模块,用于根据所述第四预设值从所述集合选取对应数量的成员的位置信息,并根据所述第三预设值以及选取的位置信息对所述第一模型进行训练,得到目标模型以及对应的目标边界。
7.根据权利要求6所述的区域边界计算装置,其特征在于,所述第一训练模块用于将所述初始模型的密度半径设置为第二预设值;将从所述集合中选取的对应数量的成员的位置信息输入所述初始模型进行训练,得到第一模型以及各个小区的基准边界。
8.根据权利要求6所述的区域边界计算装置,其特征在于,所述位置信息为经纬度坐标。
9.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-5任一所述方法中的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-5任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663434.5A CN111815361A (zh) | 2020-07-10 | 2020-07-10 | 区域边界计算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663434.5A CN111815361A (zh) | 2020-07-10 | 2020-07-10 | 区域边界计算方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815361A true CN111815361A (zh) | 2020-10-23 |
Family
ID=72843509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010663434.5A Pending CN111815361A (zh) | 2020-07-10 | 2020-07-10 | 区域边界计算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815361A (zh) |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002096142A1 (de) * | 2001-05-21 | 2002-11-28 | Siemens Aktiengesellschaft | Verfahren zur positionsbestimmung |
CN105718465A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 地理围栏生成方法及装置 |
CN105722025A (zh) * | 2016-01-15 | 2016-06-29 | 中国联合网络通信有限公司广东省分公司 | 一种基于基站小区的目标客户样本选取方法及系统 |
WO2016119749A1 (zh) * | 2015-01-29 | 2016-08-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配系统及方法 |
CN106162544A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种地理围栏的生成方法和设备 |
KR101680055B1 (ko) * | 2015-08-27 | 2016-11-29 | 서울대학교산학협력단 | 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법 |
CN106709503A (zh) * | 2016-11-23 | 2017-05-24 | 广西中烟工业有限责任公司 | 一种基于密度的大型空间数据聚类算法k‑dbscan |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN106934696A (zh) * | 2017-03-15 | 2017-07-07 | 深圳大学 | 一种基于用户地理位置信息的产品推荐方法及系统 |
CN107392125A (zh) * | 2017-07-11 | 2017-11-24 | 中国科学院上海高等研究院 | 智能模型的训练方法/系统、计算机可读存储介质及终端 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108307308A (zh) * | 2018-01-25 | 2018-07-20 | 北京小米移动软件有限公司 | 无线局域网设备的定位方法、装置和存储介质 |
CN108363733A (zh) * | 2018-01-17 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 内容推荐方法及装置 |
US20180307943A1 (en) * | 2017-04-25 | 2018-10-25 | The Johns Hopkins University | Method and apparatus for clustering, analysis and classification of high dimensional data sets |
CN109214400A (zh) * | 2017-06-30 | 2019-01-15 | 中兴通讯股份有限公司 | 分类器训练方法、装置、设备和计算机可读存储介质 |
US10187747B1 (en) * | 2018-06-26 | 2019-01-22 | Uber Technologies, Inc. | Location search using dynamic regions generated based on service data |
CN109359682A (zh) * | 2018-10-11 | 2019-02-19 | 北京市交通信息中心 | 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法 |
CN109816404A (zh) * | 2019-01-28 | 2019-05-28 | 天津市国瑞数码安全系统股份有限公司 | 基于dbscan算法的电信诈骗团伙聚类方法及电信诈骗团伙聚类系统 |
CN109978627A (zh) * | 2019-03-29 | 2019-07-05 | 电子科技大学中山学院 | 一种面向宽带接入网用户上网行为大数据的建模方法 |
WO2019179173A1 (zh) * | 2018-03-20 | 2019-09-26 | 阿里巴巴集团控股有限公司 | 一种商圈判定方法和装置 |
CN110457175A (zh) * | 2019-07-08 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置、电子设备及介质 |
CN110533038A (zh) * | 2019-09-04 | 2019-12-03 | 广州市交通规划研究院 | 一种基于信息数据的城市活力区和中心城区边界识别的方法 |
CN110619351A (zh) * | 2019-08-14 | 2019-12-27 | 浙江工业大学 | 一种基于改进k-means算法的菜鸟驿站选址方法 |
CN110677810A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 用于生成地理围栏的方法和装置 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
CN111143639A (zh) * | 2019-12-27 | 2020-05-12 | 同盾(广州)科技有限公司 | 用户亲密度计算方法、装置、设备及介质 |
-
2020
- 2020-07-10 CN CN202010663434.5A patent/CN111815361A/zh active Pending
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002096142A1 (de) * | 2001-05-21 | 2002-11-28 | Siemens Aktiengesellschaft | Verfahren zur positionsbestimmung |
CN105718465A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 地理围栏生成方法及装置 |
WO2016119749A1 (zh) * | 2015-01-29 | 2016-08-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配系统及方法 |
CN106162544A (zh) * | 2015-04-21 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种地理围栏的生成方法和设备 |
KR101680055B1 (ko) * | 2015-08-27 | 2016-11-29 | 서울대학교산학협력단 | 결합적 클러스터링 기법과 앙상블 모델링 기법을 이용한 인공신경망 모델 개발 방법 |
CN105722025A (zh) * | 2016-01-15 | 2016-06-29 | 中国联合网络通信有限公司广东省分公司 | 一种基于基站小区的目标客户样本选取方法及系统 |
CN106709503A (zh) * | 2016-11-23 | 2017-05-24 | 广西中烟工业有限责任公司 | 一种基于密度的大型空间数据聚类算法k‑dbscan |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN106934696A (zh) * | 2017-03-15 | 2017-07-07 | 深圳大学 | 一种基于用户地理位置信息的产品推荐方法及系统 |
US20180307943A1 (en) * | 2017-04-25 | 2018-10-25 | The Johns Hopkins University | Method and apparatus for clustering, analysis and classification of high dimensional data sets |
CN109214400A (zh) * | 2017-06-30 | 2019-01-15 | 中兴通讯股份有限公司 | 分类器训练方法、装置、设备和计算机可读存储介质 |
CN107392125A (zh) * | 2017-07-11 | 2017-11-24 | 中国科学院上海高等研究院 | 智能模型的训练方法/系统、计算机可读存储介质及终端 |
CN108074415A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的车辆目的地预测方法及系统 |
CN108363733A (zh) * | 2018-01-17 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 内容推荐方法及装置 |
CN108307308A (zh) * | 2018-01-25 | 2018-07-20 | 北京小米移动软件有限公司 | 无线局域网设备的定位方法、装置和存储介质 |
WO2019179173A1 (zh) * | 2018-03-20 | 2019-09-26 | 阿里巴巴集团控股有限公司 | 一种商圈判定方法和装置 |
US10187747B1 (en) * | 2018-06-26 | 2019-01-22 | Uber Technologies, Inc. | Location search using dynamic regions generated based on service data |
CN110677810A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 用于生成地理围栏的方法和装置 |
CN109359682A (zh) * | 2018-10-11 | 2019-02-19 | 北京市交通信息中心 | 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法 |
CN109816404A (zh) * | 2019-01-28 | 2019-05-28 | 天津市国瑞数码安全系统股份有限公司 | 基于dbscan算法的电信诈骗团伙聚类方法及电信诈骗团伙聚类系统 |
CN109978627A (zh) * | 2019-03-29 | 2019-07-05 | 电子科技大学中山学院 | 一种面向宽带接入网用户上网行为大数据的建模方法 |
CN110457175A (zh) * | 2019-07-08 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 业务数据处理方法、装置、电子设备及介质 |
CN110619351A (zh) * | 2019-08-14 | 2019-12-27 | 浙江工业大学 | 一种基于改进k-means算法的菜鸟驿站选址方法 |
CN110533038A (zh) * | 2019-09-04 | 2019-12-03 | 广州市交通规划研究院 | 一种基于信息数据的城市活力区和中心城区边界识别的方法 |
CN111007582A (zh) * | 2019-12-25 | 2020-04-14 | 象辑知源(武汉)科技有限公司 | 一种适用于多要素的高分辨率集合预报系统 |
CN111143639A (zh) * | 2019-12-27 | 2020-05-12 | 同盾(广州)科技有限公司 | 用户亲密度计算方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
刘悦婷;: "基于近邻密度改进的SVM不平衡数据集分类算法", 延边大学学报(自然科学版), no. 01, 20 March 2018 (2018-03-20), pages 46 - 51 * |
李硕: "聚类算法的研究与改进", 《硕士电子期刊》, no. 03, 15 March 2018 (2018-03-15), pages 27 - 65 * |
程东东等: "《基于自然邻居的聚类分析和离群检测算法研究》", 上海交通大学出版社, pages: 27 - 29 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103617547B (zh) | 一种业务推荐方法及系统 | |
US10387909B2 (en) | Simulation-based evaluation of a marketing channel attribution model | |
JP2016152044A (ja) | 目標位置を確定するための方法及び装置 | |
US20170343983A1 (en) | System and method for generating machining control data of numerical control machine tool | |
CN104636382A (zh) | 推理社会关系的方法及装置 | |
CN107239531A (zh) | 一种扩展GeoServer发布自定义瓦片WMS服务的实现方法 | |
CN103822638B (zh) | 用户位置信息的处理方法和装置 | |
CN104780218B (zh) | 一种学习机的下载资源推荐方法及学习机 | |
CN108763345A (zh) | 小区经纬度的校验方法、用户设备、存储介质及装置 | |
CN105634971A (zh) | 一种分配流量的方法及装置 | |
CN107807967A (zh) | 实时推荐方法、电子设备及计算机可读存储介质 | |
CN114861473B (zh) | 一种河道型水库有效库容分析方法、装置及电子设备 | |
CN108322915B (zh) | 基站规划的信息处理方法与装置 | |
CN104156356A (zh) | 个性化导航页面生成方法及装置 | |
Baier et al. | MapCorrect: Automatic correction and validation of road maps using public sensing | |
CN106878359B (zh) | 信息推送方法和装置 | |
CN110377218A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN105844572A (zh) | 拥挤风险监控方法及拥挤风险监控装置 | |
CN106127452A (zh) | 一种智能设置考勤日历的方法及装置 | |
CN113688542A (zh) | 智能优化水资源配置方法、装置、计算机设备及存储介质 | |
CN109409959A (zh) | 一种用户信息分析方法、装置、设备及介质 | |
CN112613530A (zh) | 基于自适应密度聚类算法的小区住户识别方法和系统 | |
CN111815361A (zh) | 区域边界计算方法、装置、电子设备及存储介质 | |
CN109582834A (zh) | 数据风险预测方法及装置 | |
CN109979026A (zh) | 一种基于iOS的地理位置自动记录的方法及系统 |
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 |