CN112001384A - 商圈识别的方法及设备 - Google Patents

商圈识别的方法及设备 Download PDF

Info

Publication number
CN112001384A
CN112001384A CN202010819991.1A CN202010819991A CN112001384A CN 112001384 A CN112001384 A CN 112001384A CN 202010819991 A CN202010819991 A CN 202010819991A CN 112001384 A CN112001384 A CN 112001384A
Authority
CN
China
Prior art keywords
identified
boundary
mall
information
market
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
Application number
CN202010819991.1A
Other languages
English (en)
Inventor
杨钰颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Zhangtao Network Technology Co ltd
Original Assignee
Guangzhou Zhangtao Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Zhangtao Network Technology Co ltd filed Critical Guangzhou Zhangtao Network Technology Co ltd
Priority to CN202010819991.1A priority Critical patent/CN112001384A/zh
Publication of CN112001384A publication Critical patent/CN112001384A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供了一种商圈识别的方法及设备，能够获取待识别商场的边界信息，再进一步根据该边界信息确定多个待识别商场之间的距离，最后根据待识别商场之间的距离对多个待识别商场进行聚类，确定待识别商场对应的商圈，从而无需收集大量的数据来进行商圈识别，减少了数据收集的时间，降低了商圈识别使用的数据量级，提高了商圈识别的计算效率，为后续的地产相关分析提供了精确的商圈数据。

Description

商圈识别的方法及设备
技术领域
本申请涉及地产分析领域，尤其涉及一种商圈识别的方法及设备。
背景技术
商圈通常是指商店以其所在地点为中心，沿着一定的方向和距离扩展，吸引顾客的辐射范围，简单地说，也就是来店顾客所居住的区域范围。但是在地产相关的分析中，商圈更多被理解为商业聚集地。
商圈相关的地产分析对商圈的具体范围有较高的要求，已成型的公认商圈往往范围过大，仅适合用于城市级的大范围地产分析，难以在小范围商圈地产相关分析中直接使用。如图2所示，图中虚线围成区域为南京西路商圈，其范围非常大，在做竞品分析时如果以同一商圈内的商场作为竞品在实际分析时是不合理的，因为静安寺附近的商场和南京东路附近的商场针对的客群是不同的，在地产相关的分析中其实算不上竞品。在大商圈的基础上无法直接辨别哪些商场构成小商圈，是否存在竞品关系。而潜在、未成型的小型商圈往往难以识别，存在范围数据不准确的问题。
当前，现有对小范围商圈的识别通常需要基于大量POI(Point Of Interest，兴趣点)和其它数据，如地理数据、交通数据、人群画像数据、店铺种类数据、店铺位置数据等，而这些数据的收集非常耗时，并且数据量级大、计算成本很高。因此，需要一种数据量级较小、计算效率更高、且能满足小型商圈地产相关分析需求的商圈识别方案。
发明内容
本申请的一个目的是提供一种商圈识别的方法及设备，用于解决现有技术下小型商圈识别所需数据量大、计算效率不高的问题。
为实现上述目的，本申请提供了一种商圈识别的方法，其中，该方法包括：
获取待识别商场的边界信息，其中，所述边界信息包括多个边界点的位置信息；
根据所述边界信息，确定多个所述待识别商场之间的距离；
根据所述距离对多个所述待识别商场进行聚类，确定所述待识别商场对应的商圈。
进一步地，获取待识别商场的边界信息之前，包括：
获取候选商场的店铺数量信息；
若所述店铺数量信息满足预设的店铺数量阈值，将所述候选商场确定为所述待识别商场。
进一步地，所述店铺数量阈值根据所述候选商场所在城市的城市等级设定。
进一步地，获取待识别商场的边界信息，包括：
获取待识别商场的中心点；
以所述中心点为圆心，以预设的商场边界阈值为半径确定所述待识别商场的边界圆；
将所述边界圆上预设位置的点确定为所述待识别商场的边界点。
进一步地，获取待识别商场的边界信息之后，还包括：
根据所述边界信息中多个边界点的位置信息，生成扩展边界点的位置信息；
将所述扩展边界点的位置信息添加到所述待识别商场的边界信息中。
进一步地，根据所述边界信息中多个边界点的位置信息，生成扩展边界点的位置信息，包括：
根据所述边界信息中两个相邻边界点的经纬度计算平均经纬度，将平均经纬度作为扩展边界点的经纬度。
进一步地，根据所述边界信息，确定多个所述待识别商场之间的距离，包括：
根据第一待识别商场的边界信息中任一边界点的位置信息，与所述第二待识别商场的边界信息中任一边界点的位置信息，计算两个边界点之间的地理距离；
将多个所述地理距离中的最短地理距离确定为所述第一待识别商场与所述第二待识别商场之间的距离。
进一步地，根据所述距离对多个所述待识别商场进行聚类，确定所述待识别商场对应的商圈，包括：
将多个所述待识别商场之间的距离通过DBSCAN密度聚类算法进行聚类，确定所述待识别商场对应的商圈。
基于另一方面，本申请还提供了一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行前述商圈识别的方法。
本申请还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述商圈识别的方法。
与现有技术相比，本申请提供的方案能够获取待识别商场的边界信息，再进一步根据该边界信息确定多个待识别商场之间的距离，最后根据待识别商场之间的距离对多个待识别商场进行聚类，确定待识别商场对应的商圈，从而无需收集大量的数据来进行小型商圈识别，减少了数据收集的时间，降低了商圈识别使用的数据量级，提高了商圈识别的计算效率，为后续的地产相关分析提供了精确的商圈数据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请的一些实施例提供的一种商圈识别的方法的流程图；
图2为第三方服务提供的某商圈的范围示意图；
图3为本申请的一些优选实施例提供的某商场的边界点的经纬度信息示意图；
图4为本申请的一些优选实施例提供的某商场的边界点示意图；
图5为本申请的一些优选实施例提供的某商场进行边界点扩展后的边界点示意图；
图6为本申请的一些优选实施例提供的小型商圈的范围示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、网络设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请的一些实施例提供了一种商圈识别的方法，如图1所示，该方法包括如下步骤：
步骤S101，获取待识别商场的边界信息，其中，所述边界信息包括多个边界点的位置信息；
步骤S102，根据所述边界信息，确定多个所述待识别商场之间的距离；
步骤S103，根据所述距离对多个所述待识别商场进行聚类，确定所述待识别商场对应的商圈。
该方案尤其适合用于希望对小型商圈进行识别的场景，能够获取待识别商场的边界信息，再进一步根据该边界信息确定多个待识别商场之间的距离，最后根据待识别商场之间的距离对多个待识别商场进行聚类，确定待识别商场对应的商圈。
在步骤S101中，首先获取待识别商场的边界信息。在此，待识别商场为商圈识别中准备划分到某个具体商圈中的商场，待识别商场可由位于其中的多个商铺组成，每个商铺可售卖不同的商品。待识别商场有对应边界信息，边界信息用于描述待识别商场的外部边界，在此，边界信息可包括多个边界点的位置信息，边界点为待识别商场外部边界上的点，边界点的位置信息用于指明该边界点的对应位置，边界点的位置信息可以为对应的经纬度信息，图3示出了本申请的一些优选实施例中某待识别商场的边界点的经纬度，该待识别商场包括多个边界点，每个边界点包括经度和纬度。
本申请的一些实施例中，获取待识别商场的边界信息之前，还可以获取候选商场的店铺数量信息，若店铺数量信息满足预设的店铺数量阈值，将该候选商场确定为待识别商场。在此，候选商场为由多个商场组成的商场集合中的商场，可通过外部第三方数据来获得候选商场相关的信息，例如，可通过城市商场统计网站如赢商网等获得多个候选商场相关数据等。候选商场中的店铺数量信息的获取可通过用户消费评价类网站如大众点评等得到。优选地，可通过外部第三方提供的数据访问接口来获得候选商场相关信息及候选商场的店铺数量信息等。
在此，初始得到的候选商场并不一定是作为商圈一部分的待识别商场，只有其中店铺数量满足预设的店铺数量阈值的候选商场才作为待识别商场。例如，某个候选商场中的店铺数量为25家，预设的店铺数量阈值为30家，候选商场的店铺数量少于预设的店铺数量阈值，则该候选商场不作为待识别商场进入商圈识别的后续过程。通过为待识别商场设置店铺数量阈值的门槛，可避免规模过小的商场对商圈识别的干扰，减少商圈识别过程中小商场产生的噪声数据，在提高商圈识别效率的同时增加商圈识别的准确性。
本申请的一些实施例中，店铺数量阈值根据候选商场所在城市的城市等级设定。由于不同城市的大小、人口、经济规模等方面都存在差距，将候选商场的店铺数量阈值设定为固定值并不能反映所在城市的商圈影响范围，进而导致商圈识别相关的结果不准确。优选地，城市等级可根据不同的指标设为多个等级，例如可粗略将城市等级划分为大城市、中等城市、小城市，也可将城市等级更精细地划分为一线城市、二线城市、三线城市、四线城市、五线城市等。店铺数量阈值根据城市等级预先设定，城市等级越高，店铺数量阈值越高，例如可将大城市中候选商场对应的店铺数量阈值设定为30家，将中等城市中候选商场对应的店铺数量阈值设定为20家，将小城市中候选商场对应的店铺数量阈值设定为10家等。
优选地，待识别商场的边界信息可根据第三方服务来获得，例如，可通过城市地图供应商来获得待识别商场的边界信息，具体来说，可通过城市地图供应商向外部提供的地理信息数据访问接口来获得待识别商场的边界信息。
本申请的一些实施例中，还可以不通过第三方服务来获得待识别商场的边界信息，具体可包括如下步骤：获取待识别商场的中心点，以该中心点为圆心，以预设的商场边界阈值为半径确定待识别商场的边界圆，再将边界圆上预设位置的点确定为待识别商场的边界点。在此，待识别商场的中心点为该商场的中心位置点，该中心位置点可以为该商场的地理中心位置点，也可以为该商场的形状中心位置点。商场边界阈值为预先设定的从商场中心点到商场边界的长度，商场边界阈值可根据商圈识别的后续分析的相关需求确定，例如商场边界阈值可设定为200米。待识别商场的边界圆为根据待识别商场的中心点和商场边界阈值所画出的圆，该边界圆作为该待识别商场的边界，可从边界圆上选择一些点作为该待识别商场的边界点。在此，可选择边界圆上预先设定的一些位置上的点作为边界点，例如将边界圆上相距固定弧度的点作为边界点等。
本申请的一些实施例中，获取待识别商场的边界信息之后，还可以对边界点进行扩展，具体可包括如下步骤：根据边界信息中多个边界点的位置信息，生成扩展边界点的位置信息，再将扩展边界点的位置信息添加到待识别商场的边界信息中。在此，待识别商场的边界信息中的边界点可能数量较少，不能对待识别商场的边界信息进行比较完整的描述，因此可根据现有的边界点进行扩展，得到扩展的边界点，将扩展边界点同样作为待识别商场的边界信息中的一部分。通过对现有边界点进行扩展得到更多的边界点，实现了对待识别商场的边界信息的扩充，可提高商圈识别的准确性。图4示出了本申请的一些优选实施例提供的某商场的原始边界点，原始边界点数据来自第三方服务百度地图，图5示出了本申请的一些优选实施例中对该商场的原始边界点进行扩展后得到的商场边界点。
本申请的一些实施例中，根据所述边界信息中多个边界点的位置信息，生成扩展边界点的位置信息，具体来说可据边界信息中两个相邻边界点的经纬度计算平均经纬度，将平均经纬度作为扩展边界点的经纬度。在此，边界点的位置使用经度信息和纬度信息来表示，经度信息和纬度信息都可以使用数字来表示，通过计算两个相邻边界点的平均经度和平均纬度，将得到的平均经度和平均纬度作为扩展边界点的经度和纬度，可在相邻边界点之间增加扩展边界点，从而使得待识别商场的边界更加清晰，同时也不会完全偏离实际存在的商场边界。
在步骤S102中，根据所述边界信息，确定多个所述待识别商场之间的距离。具体来说，可包括如下步骤：根据第一待识别商场的边界信息中任一边界点的位置信息，与第二待识别商场的边界信息中任一边界点的位置信息，计算两个边界点之间的地理距离，并将多个地理距离中的最短地理距离确定为第一待识别商场与第二待识别商场之间的距离。在此，第一待识别商场可以为任意一个待识别商场，第二待识别商场为另外的任意一个待识别商场。由于待识别商场的边界上有多个边界点，第一待识别商场和第二待识别商场上边界点之间的地理距离也会有多个。例如，第一待识别商场A的边界上有4个边界点A1、A2、A3、A4，第二待识别商场B的边界上也有4个边界点B1、B2、B3、B4，要计算的边界点之间的地理距离为4*4＝16个，即A1分别到B1、B2、B3、B4的地理距离，A2分别到B1、B2、B3、B4的地理距离，A3分别到B1、B2、B3、B4的地理距离，A4分别到B1、B2、B3、B4的地理距离。在此，边界点的位置信息可通过经度、纬度表示，两个边界点之间地理距离可通过根据每个边界点的经纬度和地球半径所得到。得到多个边界点之间的地理距离后，再将其中最短的地理距离作为两个待识别商场之间的距离。
在步骤S103中，根据待识别商场之间的距离对多个待识别商场进行聚类，确定待识别商场对应的商圈。具体来说，将多个待识别商场之间的距离通过DBSCAN密度聚类算法进行聚类，确定待识别商场对应的商圈。DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，基于密度、具备噪声鲁棒性的空间聚类算法)是一个比较有代表性的基于密度的聚类算法，与划分和层次聚类方法不同，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。
优选地，可将DBSCAN参数MinPts设置为3，参数epsilon设置为200来进行聚类，得到相应的商圈，在此，MinPts参数用于描述构成一个商圈所需要的最少商场数量，epsilon参数用于描述DBSCAN算法中两两计算待识别商场距离时可以接受的最大距离，这里的最大距离并不是最终聚类结果的商圈中任意两个待识别商场的最大距离。例如，有待识别商场A、B、C、D，其中待识别商场A与C之间的距离大于200，A与B之间的距离、B与C之间的距离，C与D之间的距离均小于200，将epsilon参数设置为200进行DBSCAN聚类得到的商圈识别结果中，A、B、C、D可构成一个商圈，即使待识别商场D不存在，A、B和C同样能构成一个商圈。
另外，通过调整MinPts参数和epsilon参数可实现对不同范围的商圈识别。如图6所示，图中以实线标记出了根据本申请的方案识别出的多个小型商圈，与图2中以虚线标记出的大型商圈相比，小型商圈在后续与具体地点相关的地产分析方面具有更高的准确性。
本申请的一些实施例还提供了一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行前述商圈识别的方法。
本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述商圈识别的方法。
综上所述，本申请提供的方案能够获取待识别商场的边界信息，再进一步根据该边界信息确定多个待识别商场之间的距离，最后根据待识别商场之间的距离对多个待识别商场进行聚类，确定待识别商场对应的商圈，从而无需收集大量的数据来进行小型商圈识别，减少了数据收集的时间，降低了商圈识别使用的数据量级，提高了商圈识别的计算效率，为后续的地产相关分析提供了精确的商圈数据。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种商圈识别的方法，其中，该方法包括：
获取待识别商场的边界信息，其中，所述边界信息包括多个边界点的位置信息；
根据所述边界信息，确定多个所述待识别商场之间的距离；
根据所述距离对多个所述待识别商场进行聚类，确定所述待识别商场对应的商圈。
2.根据权利要求1所述的方法，其中，获取待识别商场的边界信息之前，包括：
获取候选商场的店铺数量信息；
若所述店铺数量信息满足预设的店铺数量阈值，将所述候选商场确定为所述待识别商场。
3.根据权利要求2所述的方法，其中，所述店铺数量阈值根据所述候选商场所在城市的城市等级设定。
4.根据权利要求1所述的方法，其中，获取待识别商场的边界信息，包括：
获取待识别商场的中心点；
以所述中心点为圆心，以预设的商场边界阈值为半径确定所述待识别商场的边界圆；
将所述边界圆上预设位置的点确定为所述待识别商场的边界点。
5.根据权利要求1所述的方法，其中，获取待识别商场的边界信息之后，还包括：
根据所述边界信息中多个边界点的位置信息，生成扩展边界点的位置信息；
将所述扩展边界点的位置信息添加到所述待识别商场的边界信息中。
6.根据权利要求5所述的方法，其中，根据所述边界信息中多个边界点的位置信息，生成扩展边界点的位置信息，包括：
根据所述边界信息中两个相邻边界点的经纬度计算平均经纬度，将平均经纬度作为扩展边界点的经纬度。
7.根据权利要求1所述的方法，其中，根据所述边界信息，确定多个所述待识别商场之间的距离，包括：
根据第一待识别商场的边界信息中任一边界点的位置信息，与所述第二待识别商场的边界信息中任一边界点的位置信息，计算两个边界点之间的地理距离；
将多个所述地理距离中的最短地理距离确定为所述第一待识别商场与所述第二待识别商场之间的距离。
8.根据权利要求1所述的方法，其中，根据所述距离对多个所述待识别商场进行聚类，确定所述待识别商场对应的商圈，包括：
将多个所述待识别商场之间的距离通过DBSCAN密度聚类算法进行聚类，确定所述待识别商场对应的商圈。
9.一种设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行权利要求1至8中任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至8中任一项所述的方法。
CN202010819991.1A 2020-08-14 2020-08-14 商圈识别的方法及设备 Pending CN112001384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010819991.1A CN112001384A (zh) 2020-08-14 2020-08-14 商圈识别的方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010819991.1A CN112001384A (zh) 2020-08-14 2020-08-14 商圈识别的方法及设备

Publications (1)

Publication Number Publication Date
CN112001384A true CN112001384A (zh) 2020-11-27

Family

ID=73473217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010819991.1A Pending CN112001384A (zh) 2020-08-14 2020-08-14 商圈识别的方法及设备

Country Status (1)

Country Link
CN (1) CN112001384A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766718A (zh) * 2021-01-18 2021-05-07 华南理工大学 城市商圈边界识别方法、系统、计算机设备及存储介质
CN112990779A (zh) * 2021-04-27 2021-06-18 上海钐昆网络科技有限公司 一种对候选地址评分的方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649331A (zh) * 2015-10-29 2017-05-10 阿里巴巴集团控股有限公司 商圈识别方法及设备
US20190050488A1 (en) * 2012-09-12 2019-02-14 Gracenote, Inc. User profile based on clustering tiered descriptors
CN110765219A (zh) * 2019-08-05 2020-02-07 上海晶赞融宣科技有限公司 地理围栏生成方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190050488A1 (en) * 2012-09-12 2019-02-14 Gracenote, Inc. User profile based on clustering tiered descriptors
CN106649331A (zh) * 2015-10-29 2017-05-10 阿里巴巴集团控股有限公司 商圈识别方法及设备
CN110765219A (zh) * 2019-08-05 2020-02-07 上海晶赞融宣科技有限公司 地理围栏生成方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766718A (zh) * 2021-01-18 2021-05-07 华南理工大学 城市商圈边界识别方法、系统、计算机设备及存储介质
CN112990779A (zh) * 2021-04-27 2021-06-18 上海钐昆网络科技有限公司 一种对候选地址评分的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN106649331B (zh) 商圈识别方法及设备
CN108446281B (zh) 确定用户亲密度的方法、装置及存储介质
US11238065B1 (en) Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis
US20210263957A1 (en) Method and apparatus for dividing region, storage medium, and electronic device
KR102240545B1 (ko) 지리적 위치의 속성 정보를 결정하기 위한 방법 및 디바이스
US9123259B2 (en) Discovering functional groups of an area
Pijanowski et al. Modelling urbanization patterns in two diverse regions of the world
US9582819B2 (en) Automated-valuation-model training-data optimization systems and methods
US20130103457A1 (en) Method and system for providing a home data index model
Hochmair et al. Data quality of points of interest in selected mapping and social media platforms
CN112069281B (zh) 兴趣点位置的确定方法、装置、计算机设备及存储介质
JP7285521B2 (ja) 類似のモバイル装置を予測するためのシステムと方法
McCord et al. Understanding rental prices in the UK: a comparative application of spatial modelling approaches
McCluskey et al. Detecting and validating residential housing submarkets: A geostatistical approach for use in mass appraisal
CN112001384A (zh) 商圈识别的方法及设备
CN104850649A (zh) 一种在地图上进行兴趣点采样的方法及系统
US9900739B2 (en) Method and apparatus for identifying a target geographic area
CN115033766A (zh) 数据处理方法、生活圈的显示方法及装置、介质、设备
Mane et al. Influence of proximal land use and network characteristics on link travel time
JP4327148B2 (ja) 地価分析システム、方法及びプログラム
CN115470872B (zh) 一种基于车辆轨迹数据的司机画像构建方法
Lu et al. A Comparison of Spatial and Nonspatial Methods in Statistical Modeling of NO 2: Prediction Accuracy, Uncertainty Quantification, and Model Interpretation
JP5281284B2 (ja) 柔軟性のある地理格子を製造するためのシステムおよび方法
CN117312396A (zh) 一种车道定位方法及装置、电子设备和可读存储介质
Johnson et al. Integrating spatial accessibility estimates derived from crowdsourced, commercial, and authoritative geo-datasets: Case study of mapping accessibility to urban green space in the Tokyo-Yokohama area

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201127